Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Tujuan: Mengetahui sensitivitas dan spesifisitas Ultrasonografi Doppler Berwarna (USG DB) dibandingkan dengan pemeriksaan histopatologi dalam menilai metastasis kelenjar getah bening (KGB) aksila level I pada pasien karsinoma payudara (KPD). Saban dan Metode: Pemeriksaan USG DB dilakukan pada 39 KGB aksila dari 17 pasien yang memenuhi kriteria penerimaan. USG DB menilai KGB dengan B-mode, Color mode clan Doppler mode untuk kemudian dibandingkan dengan pemeriksaan histopatologi, Pemeriksaan dilakukan menggunakan transduser linear frekuensi 10 MHz (GE, Logiq 3). Hasil penelitian: Pada pemeriksaan USG Doppler mode didapatkan sensitivitas 73,3%, spesifisitas 87,5%, yang bennakna secara statistik. Pemeriksaan USG Co/or mode mempunyai nilai kappa dan spesifisitas yang rendah, meskipun bermakna secara statistik. Pemeriksaan USG lainnya (B-mode maupun kombinasi) tidak memberikan hasil yang bermakna. Kesimpulan: Pemeriksaan USG Doppler mode mempunyai sensitivitas dan spesifisitas yang baik dan bermakna secara statistik. Hal ini diharapkan dapat membantu klinisi dalam menilai metastasis kelenjar getah bening aksila secara non-invasif. ...... Objective: To establish sensitivity and specificity of Color Doppler Ultrasound (CDU) in the assessment of level ! axillary lymph nodes metastases in breast cancer patients. Material and methods:. CDU was performed in 39 aril/my lymph nodes from 17 patients, to evaluate B-mode, Color erode dan Doppler mode images in comparison with histopathologic finding of metastases. CDU examination was performed using linear transducers 1OMHz (GE, Log-4 3). Results: The sensitivity and specificity of Doppler mode in CDU were 73,3% and 87,5%, and they were statistically significant. Although color mode evaluation was statistically significant, its specificity and kappa value are low. Other evaluations such as B-mode or combination mode gave unsignificant results, Conclusion: Doppler mode in CDU examination has a good sensitivity and specificity in detecting axillary lymph nodes metastases. It is considered useful for the clinicians in evaluating lymph nodes status using non-invasive procedure.

Abstrak :
Pendahuluan : Nyeri punggung merupakan masalah kesehatan yang sering dikeluhkan di seluruh dunia dengan prevalensi sekitar 12% – 35%. Sekitar 10% berkembang menyebabkan ketidakmampuan kronik akibat nyeri punggung. Berbagai penelitian telah dilakukan selama ini menggunakan pemeriksaan standar baku emas yaitu MRI lumbosakral dalam mendiagnosis HNP, namun modalitas ini mahal dan tidak terdistribusi merata di Indonesia sehingga perlu dicari modalitas pencitraan lain yang lebih murah dan terdistribusi merata sebagai modalitas screening. Tujuan : Menghitung tingkat akurasi, sensitivitas, dan spesifisitas radiografi lumbosakral proyeksi lateral tegak, lateral fleksi, lateral ekstensi, dan penggabungan seluruh proyeksi dibandingkan modalitas baku emas MRI lumbosakral dalam mendiagnosis tanda-tanda sekunder HNP sebagai modalitas screening. Metode : Penelitian ini merupakan penelitian uji diagnostik cross sectional dengan menggunakan data-data pasien yang mengalami gejala HNP di RSUPN Cipto Mangunkusumo Jakarta. Hasil : Tingkat akurasi, sensitivitas, dan spesifisitas radiografi lumbosakral dalam mendiagnosis tanda-tanda sekunder HNP pada proyeksi lateral posisi tegak 87,3%, 100%, 66,6%, pada proyeksi lateral fleksi 91%, 100%, 76,2%, pada proyeksi lateral ekstensi 92,7% 100%, 80,9% dan penggabungan seluruh proyeksi yaitu sebesar 91%, 100%, 76,2%. Kesimpulan : Pemeriksaan radiografi lumbosakral dapat digunakan sebagai modalitas screening dalam mendiagnosis tanda-tanda sekunder HNP. Penambahan proyeksi lateral ekstensi selain dari proyeksi lateral tegak yang selama ini umum digunakan meningkatkan tingkat spesifisitas dan akurasi dalam mendiagnosis HNP. ...... Introduction : Back pain is a common health problem worldwide with prevalence of approximately 12% - 35%. Approximately 10% developing chronic incapacity due cause back pain. Various studies have been conducted to diagnosing HNP using lumbosacral MRI as gold standard examination, but this modality is expensive and not well distributed in Indonesia so we have to find other imaging modality that more inexpensive and well distributed in Indonesia as screening modality. Objective : To assess the accuracy, sensitivity, and specificity of lumbosacral radiography with erect lateral projection, lateral flexion projection, lateral extension projection, and dynamic lumbar projection compared to MRI as the gold standard examination in patient with herniated nucleus pulposus as a screening modality. Methods : This study is a diagnostic study by cross sectional design using data from patient with symptoms of herniated nucleus pulposus in Cipto Mangunkusumo National General Hospital Jakarta. Results : The accuracy, sensitivity, and specificity of lumbosacral radiography in diagnosis patient with secondary sign of herniated nucleus pulposus with lateral erect projection are 87,3%, 100%, 66,6%, with lateral flexion projection are 91%, 100%, 76,2%, with lateral extention projection are 92,7% 100%, 80,9%, and with all projection are 91%, 100%, 76,2%. Conclusions : Lumbosacral radiographs can be used for screening modality in diagnosis secondary signs of HNP. The addition of a lateral extensions projection apart from the lateral erect upright projection which is commonly used can increasing the level of specificity and accuracy in diagnosing HNP.

Abstrak :
Latar Belakang : Stroke iskemi adalah penyebab kematian ketiga terbesar dan merupakan penyebab disablitias terbesar di Amerika Serikat dan negara negara industri. CT scan adalah modalitas pertama yang dapat digunakan untuk menilai terjadinya perubahan iskemik awal tersebut. ASPECTS dikembangkan untuk meningkatkan manfaat dari pemeriksaan CT dengan melakukan penggolongan yang dapat diulang untuk menilai perubahan iskemik awal (< 3 jam onset) pada pemeriksaan CT sebelum tata laksana dengan stroke iskemik akut dari sirkulasi anterior. Di RSUPN Cipto Mangunkusumo belum terdapat nilai kesesuaian inter obeserver terhadap nilai ASPECTS pada pasien stroke iskemi. Tujuan : Mengetahui tingkat kesesuaian inter observer penilaian Alberta Stroke Program Early CT score pada pasien stroke iskemi di RSUPN Citpto Mangunkusumo, Jakarta Metode : Penelitian ini merupakan studi analitik komparatif menggunakan desain potong lintang dengan data sekunder dari PACS. Sampel penelitian berjumlah 47 pasien penderita stroke iskemik yang menjalani pemeriksaan CT scan kepala di Departemen Radiologi RSUPN Cipto Mangunkusumo periode Januari 2012 hingga November 2018. Penelitian dilakukan sejak Februari hingga Maret 2019. Penilaian ASPECT score dilakukan pada 3 windowing WL 40 WW 7, WL 40 WW 40, WL 32 WW 8 oleh 3 observer yand dilakukan secara random. Hasil : Terdapat kesesuaian yang baik antara 3 observer pada wndowing WL 40 WW 70 dengan K > 0,9 (p < 0,001) dan WL 40 WW 40 dengan K 0,82 - 0,92 (p < 0,001). Sementara windowing dengan WL 32 WW 8 memiliki kesesuaian yang buruk antara 3 observer dengan K 0,02 (P = 0,849), K 0,22 (P < 0,01) dan K 0,23 (P = 0,01). Kesimpulan : Terdapat kesesuaian interobserver yang tinggi dengan windowing WL 40 WW 70 dan WL 40 WW 40 pada pasien stroke iskemi di RSUPN Cipto Mangunkusumo. Terdapat kesesuaian interobserver yang rendah pada penggunaan windowing WL 32 WW 8. ......Background : Ischemis stroke is third leading cause of death and disability in US and developed countries. CT scan is the first modality of choice that can be used to evaluate those ischemic changes. ASPECTS developed for increasing the benefit from CT scan examination by categorizing that can be repeated to evaluate early ischemic changes (< 3 hours of onset) in CT scan examination pre treatment of acute ischemic stroke from the anterior circulation. There have been no inter observer conformity for ASPECTS of ischemic stroke in Cipto Mangunkusumo Hospital. Purpose : To evaluate inter observer conformity of Alberta Stroke Program Early CT Score of ischemic stroke in Cipto Mangunkusumo Hospital. Method : This study used cross sectional design with secondary data from PACS. There are 47 samples of ischemic stroke patients that undergoes head CT scan in Radiology Department Cipto Mangunkusumo Hospital from periods of January 2012 to November 2018. This study conducted from February to March 2019. ASPECT score evaluated with 3 windowing WL 40 WW 7, WL 40 WW 40, WL 32 WW 8 by 3 observer at random. Result : There are good conformity between 3 observers in windowing WL 40 WW 70 with K > 0,9 (p < 0,001) and WL 40 WW 40 with K 0,82 -0,92 (p < 0,001). While windowing WL 32 WW 8 with poor conformity between 3 observers with K 0,02 (P = 0,849), K 0,22 (P < 0,01) and K 0,23 (P = 0,01). Conclusion : There are high inter observer conformity in windowing WL 40 WW 70 and WL 40 WW 40 on stroke ischemic patient in Cipto Mangunkusumo Hospital, while there are poor conformity in windowing WL 32 WW 8.

Abstrak :
ABSTRACT
Osteoartritis adalah penyakit sendi kronis pada tulang rawan yang sering terjadi pada orang berusia lanjut. Penyaki ini umumnya terjadi pada tulang rawan sendi lutut Orang berusia lanjut sering menyepelekan perasaan sakit di sekitar sendi mereka atau tidak menyadari bahwa mereka telah terkena osteoartritis lutut, sehingga penyakit osteoartritis lutut yang mereka alami menjadi semakin kronis. Menurut beberapa penelitian, melakukan tindakan sejak stadium dini dapat mencegah penyakit. Salah satu tindakan untuk mencegah osteoartritis lutut agar tidak semakin kronis adalah mendeteksi penyakit tersebut sejak dini, sehingga pasien osteoartritis lutut dapat mendapatkan pengobatan yang tepat dan dapat memperbaiki kehidupan mereka di masa yang akan datang. Pada penelitian ini, osteoartritis lutut dideteksi dengan mengklasifikasikan stadium pasien osteoartritis lutut menggunakan AdaBoost Support Vector Machine dan AdaBoost Decision Tree. Klasifikasi osteoartritis lutut menggunakan AdaBoost Support Vector Machine dibandingkan dengan klasifikasi oteoartritis lutut menggunakan AdaBoost Decision Tree berdasarkan nilai akurasi klasifikasi yang dihasilkan dari kedua metode tersebut.

---

ABSTRACT
Osteoarthritis is a chronic joint disease of cartilage that often occurs in elderly people. One of the joints that can be infected is the knee. Older people often underestimate painful feeling around their joint or do not realize that they have been affected by knee osteoarthritis, so the knee osteoarthritis disease becomes more chronic. According to some studies, preventive measure from an early stage are very crucial to overcome the disease. One of the preventive measure to overcome knee osteoarthritis is to detect the current stage of the disease, so the knee osteoarthritis patient can have the right treatment and can improve their lives in the future. In this research, knee osteoarthritis was detected by classifying the stage of knee osteoarthritis patients by using AdaBoost Support Vector Machine and AdaBoost Decision Tree. The classification of knee osteoarthritis using AdaBoost Support Vector Machine was compared with the classification of knee osteoarthritis using AdaBoost Decision Tree based on the classification accuracy value generated from both methods.

Abstrak :
Magnetic Resonance Spectroscopy (MRS) membantu ahli radiologi untuk mengetahui apakah pasien mengalami glioma otak atau infeksi otak. Dalam tugas akhir ini dibahas proses klasifikasi terhadap data hasil MRS untuk mengetahui apakah pasien mengalami glioma otak atau infeksi otak. Metode yang digunakan untuk klasifikasi adalah metode AdaBoost dengan base learner K-Nearest Neighbor dan metode K-Nearest Neighbor. Hasil Percobaan yang dilakukan menunjukkan bahwa metode AdaBoost dengan base learner K-Nearest Neighbor dengan K=3 mempunyai nilai akurasi 97% pada data training 80% sementara nilai akurasi dari metode K-Nearest Neighbor 94.4 % pada data training 80%. Hasil akhir dari pembuatan tugas akhir ini adalah sebuah perangkat lunak pendukung keputusan ( Decision Support System) yang membantu memberikan informasi apakah pasien mengalami glioma otak atau infeksi otak.

---

Magnetic Resonance Spectroscopy (MRS) helps the experts of radiology to detect the brain glioma or brain infection in patients. In this final project, the classification process on the result of MRS data is discussed to detect the brain glioma or brain infection in patients. The used classification methods are AdaBoost with base learner K-Nearest Neighbor and K-Nearest Neighbor methods. The result of research shows that the AdaBoost method with base learner K-Nearest Neighbor with K=3 has 97% accuracy value on 80% training data, while the accuracy value from K-Nearest Neighbor method is 94.4 % on 80%training data. The result from the writing of this final project is the software for making decision (Decision Support System) that supports the giving of information on the existence of brain glioma or brain infection in patients.

Abstrak :
Sinusitis adalah peradangan pada dinding sinus, yaitu rongga kecil yang terhubung dengan rongga udara dalam tulang tengkorak. Sinus terletak di belakang dahi, di dalam struktur tulang pipi, di kedua sisi hidung, dan di belakang mata. Sinusitis disebabkan oleh peradangan pada rongga hidung, tumbuhnya polip, alergi, dan hal lainnya yang dapat terjadi pada orang dewasa, remaja, bahkan anak-anak. Untuk mengklasifikasi jenis sinusitis, penulis menggunakan Fuzzy C-Means Berbasis Kernel yang merupakan pengembangan dari Fuzzy C-Means. Fuzzy C-Means mengelompokkan data menggunakan jarak Euclidean. Namun, jika data yang akan dipisahkan adalah data non linear, maka konvergensinya akan kecil dan membutuhkan waktu yang lama. Untuk menyelesaikan masalah ini dapat digunakan Fuzzy C-Means Berbasis Kernel yang menggunakan fungsi kernel untuk menggantikan jarak Euclidean. Metode ini memetakan objek dari ruang data ke ruang fitur yang berdimensi lebih tinggi, sehingga dapat mengatasi kelemahan FCM. Data yang digunakan adalah data penyakit sinusitis yang diperoleh dari laboratorium radiolog RSUPN Cipto Mangunkusumo, Jakarta. Karena data yang digunakan adalah data non linear, maka metode yang lebih cocok digunakan adalah Fuzzy C-Means Berbasis Kernel. Dengan menggunakan software Matlab diperoleh akurasi 100% dengan waktu mendekati 0 detik untuk Fuzzy C-Means Berbasis Kernel. ...... Sinusitis is an inflammation of the sinus wall, a small cavity interconnected through the airways in the skull bones. It is located on the back of the forehead, inside the cheek bone structure, on both side of the nose, and behind the eyes. Sinusitis is caused by infection, growth of nasal polips, allergies, and others. This condition can effect adults, teenagers, and even children. To classify sinusitis we used Kernel Based Fuzzy C-Means, which is the development of Fuzzy C-Means (FCM). FCM algorithm groups data using Euclidean distance. However, when non linear data is separated, the convergence is innacurate and need a long running time. To overcome this problem, a Kernel Based Fuzzy C-Means that use kernel functions as a substitute for Euclidean distance. It maps objects from data space to a higher dimention feature space, so they can overcome FCM deficiencies. Data that is used is sinusitis dataset obtained from the laboratory of radiology at Cipto Mangunkusumo National General Hospital, Jakarta. Because the data used is non-linear dataset, the more suitable method is Kernel Based Fuzzy C-Means. By using the Matlab software 100% accuracy is obtained and running time is close to 0 for Kernel Based Fuzzy C-Means.

Abstrak :
Stroke merupakan penyakit yang menempati urutan ketiga sebagai penyebab kematian terbesar di dunia setelah penyakit jantung dan kanker. Stroke juga menduduki posisi pertama sebagai penyakit yang dapat menyebabkan kecacatan, baik ringan maupun berat. Salah satu jenis stroke yang umum terjadi adalah infark serebri. Di Indonesia, jumlah penderita stroke, terutama infark serebri, semakin meningkat setiap tahunnya. Tidak hanya terjadi pada seseorang yang berusia lanjut, namun infark serebri juga dapat terjadi pada seseorang yang masih muda dan produktif. Oleh sebab itu, pendeteksian dini terhadap infark serebri sangatlah penting. Berbagai metode medis selalu digunakan untuk mengklasifikasi infark serebri, namun dalam penelitian ini, akan digunakan metode machine learning. Metode yang diusulkan yaitu Multiple Support Vector Machine dengan Seleksi Fitur Information Gain (MSVM-IG). MSVM-IG merupakan metode baru yang menggunakan support vector sebagai data baru untuk selanjutnya dilakukan seleksi fitur dan evaluasi performa. Data yang digunakan berupa data numerik hasil CT Scan yang diperoleh dari RSUPN dr. Cipto Mangunkusumo, Jakarta. Berdasarkan hasil uji coba, metode yang diusulkan mampu mencapai nilai akurasi sebesar 88,71%. Sehingga, metode MSVM-IG ini dapat menjadi salah satu alternatif untuk membantu praktisi medis dalam mengklasifikasi infark serebri.

---

Stroke is a disease that ranks third as the biggest cause of death in the world after heart disease and cancer. Stroke also occupies the first position as a disease that can cause disability, both mild and severe. One type of stroke that is common is cerebral infarction. In Indonesia, the number of stroke patients, especially cerebral infarction, is increasing every year. Not only occurs in someone who is elderly, but cerebral infarction can also occur in someone who is young and productive. Therefore, early detection of cerebral infarction is very important. Various medical methods are always used to classify cerebral infarction, but in this study, machine learning methods would be used. The proposed method is Multiple Support Vector Machine with Information Gain Feature Selection (MSVM-IG). MSVM-IG is a new method that uses support vector as a new dataset, then feature selection step and performance evaluation are performed. The data used in the form of numerical data results of CT scan obtained from RSUPN Dr. Cipto Mangunkusumo, Jakarta. Based on the results, the proposed method is able to achieve an accuracy value of 88.71%. Thus, the MSVM-IG could be an alternative to assist medical practitioners in classifying cerebral infarction.

Abstrak :
ABSTRAK
Infark serebral merupakan salah satu penyebab terjadinya stroke iskemik di otak. Dalam mendiagnosis adanya infark serebral di otak, digunakan pembelajaran mesin karena tidak cukup hanya menggunakan CT scan untuk mendiagnosisnya. Support vector machine (SVM) merupakan salah satu metode pembelajaran mesin yang dikenal dengan nilai akurasinya yang tinggi. Namun SVM dapat memberikan hasil yang kurang optimal jika data yang digunakan tidak seimbang. Jika data yang digunakan tidak seimbang, model yang dihasilkan akan bias. Oleh karena itu, penelitian ini menggunakan metode Synthetic Minority Oversampling Technique (SMOTE) dalam menangani data infark serebral yang tidak seimbang sehingga menjadi data yang seimbang. SMOTE mensintesis sampel data baru dari kelas minoritas untuk menyeimbangkan kumpulan data. Metode ini bekerja dengan mencari nilai tetangga terdekat untuk setiap data di kelas minoritas. Data yang telah diimbangi dengan metode SMOTE akan diklasifikasikan menggunakan SVM. Hasil klasifikasi SVM pada data infark serebral imbalanced dan data infark serebral berimbang akan dibandingkan berdasarkan nilai akurasi, recall, spesifisitas, presisi dan f1-score. Data infark serebral diperoleh dari Bagian Radiologi RSUD Dr. Cipto Mangunkusumo.
ABSTRACT
Cerebral infarction is one of the causes of ischemic stroke in the brain. In diagnosing cerebral infarction in the brain, machine learning is used because it is not enough to just use a CT scan to diagnose it. Support vector machine (SVM) is a machine learning method known for its high accuracy value. However, SVM can give less than optimal results if the data used is not balanced. If the data used is not balanced, the resulting model will be biased. Therefore, this study uses the Synthetic Minority Oversampling Technique (SMOTE) method in handling unbalanced cerebral infarction data so that it becomes a balanced data. SMOTE synthesizes a new data sample from a minority class to balance the data set. This method works by finding the value of the nearest neighbor for each data in the minority class. Data that has been balanced with the SMOTE method will be classified using SVM. The SVM classification results on imbalanced cerebral infarction data and balanced cerebral infarction data will be compared based on the accuracy, recall, specificity, precision and f1-score values. Cerebral infarction data were obtained from the Radiology Department of RSUD Dr. Cipto Mangunkusumo.