Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini menyelidiki penerapan spektroskopi Raman pada sampel jaringan kanker kolorektal menggunakan pendekatan machine learning pada komputer klasik dan kuantum. Kanker kolorektal, salah satu penyebab utama kematian akibat kanker, memerlukan metode diagnostik yang akurat dan efisien. Studi ini menggunakan data spektroskopi Raman dari penelitian sebelumnya dan mengimplementasikan algoritma machine learning seperti XGBoost, LightGBM, Fully Connected Neural Network (FCNN), Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), dan Gated Recurrent Network (GRU) pada komputer klasik. Selain itu, penelitian ini juga memperkenalkan pendekatan baru dengan mengaplikasikan Hybrid Quantum Neural Network (QNN). Hasil penelitian menunjukkan bahwa model XGBoost pada komputer klasik mencapai F1-Score tertinggi sebesar 64,311%, sedangkan model Hybrid Classical-Quantum Classifier menunjukkan F1-Score terendah, sebesar 55.263%. Meskipun model Hybrid Classical-Quantum Classifier memperoleh skor terendah, penelitian ini menunjukkan potensi penerapan komputasi kuantum dalam meningkatkan akurasi diagnosis kanker kolorektal di masa depan. Namun, keterbatasan perangkat keras komputer kuantum saat ini menjadi kendala signifikan yang perlu diatasi melalui penelitian lebih lanjut.

---

This study investigates the application of Raman spectroscopy to colorectal cancer tissue samples using classical and quantum computer machine learning approaches. Colorectal cancer, one of the leading causes of cancer deaths, requires accurate and efficient diagnostic methods. This study utilizes Raman spectroscopy data from previous research and implements machine learning algorithms such as XGBoost, LightGBM, Fully Connected Neural Network (FCNN), Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM), and Gated Recurrent Network (GRU) on classical computers. In addition, this research also introduces a new approach by applying a hybrid quantum neural network (QNN). The results showed that the XGBoost model on classical computers achieved the highest F1-Score of 64.311%, while the Hybrid Classical-Quantum Classifier model showed the lowest F1-Score, at 55.263%. Despite the lowest score, this study shows the potential of applying quantum computing in improving the accuracy of colorectal cancer diagnosis in the future. However, the current hardware limitations of quantum computers are a significant obstacle that needs to be overcome through further research."

"Kanker kulit merupakan salah satu jenis kanker dengan angka kematian yang signifikan di seluruh dunia, meskipun prevalensinya bervariasi antar benua. Di Asia, termasuk Indonesia, mortalitas akibat kanker kulit masih tergolong tinggi, dengan sebagian besar kasus disebabkan oleh keterbatasan akses teknologi dan rendahnya kesadaran masyarakat. Diagnosis kanker kulit tradisional sering bergantung pada dermatoskopi dan biopsi, yang memiliki keterbatasan terkait akurasi serta memerlukan prosedur invasif. Oleh karena itu, teknologi terbaru dalam kecerdasan buatan (AI), khususnya Convolutional Neural Networks (CNN), menawarkan potensi besar untuk meningkatkan akurasi dan efisiensi deteksi kanker kulit. Penelitian ini bertujuan untuk mengeksplorasi dan membandingkan kinerja berbagai arsitektur CNN, seperti ResNet, VGG- 16, dan DenseNet, dalam membedakan kanker kulit jinak dan ganas berdasarkan gambar lesi kulit. Dengan menggunakan data gambar kulit yang diperoleh dari pasien, penelitian ini menerapkan teknik deep learning untuk menganalisis pola-pola visual yang tidak dapat dikenali secara langsung oleh dokter. Hasil dari penelitian ini menunjukkan bahwa model CNN, khususnya arsitektur ResNet, memberikan performa terbaik dalam membedakan lesi jinak dan ganas, dengan tingkat akurasi yang lebih tinggi dibandingkan metode tradisional. Penelitian ini diharapkan dapat menjadi landasan dalam pengembangan sistem deteksi otomatis yang mendukung diagnosis cepat dan akurat, khususnya di daerah dengan keterbatasan sumber daya medis, seperti Indonesia.

---

Skin cancer is one of the cancer types with significant mortality rates worldwide, despite its prevalence varying across continents. In Asia, including Indonesia, skin cancer mortality remains relatively high, primarily due to limited access to technology and low public awareness. Traditional skin cancer diagnosis often relies on dermatoscopy and biopsy, which have limitations in accuracy and require invasive procedures. Therefore, recent advancements in artificial intelligence (AI), particularly Convolutional Neural Networks (CNN), offer significant potential for improving the accuracy and efficiency of skin cancer detection. This study aims to explore and compare the performance of various CNN architectures, such as ResNet, VGG-16, and DenseNet, in distinguishing between benign and malignant skin cancer based on lesion images. Using skin image data collected from patients, this research applies deep learning techniques to analyze visual patterns that cannot be directly recognized by clinicians. The findings demonstrate that CNN models, particularly the ResNet architecture, achieve the best performance in differentiating benign and malignant lesions, with significantly higher accuracy compared to traditional methods. This study is expected to serve as a foundation for developing automated detection systems that support rapid and accurate diagnoses, especially in regions with limited medical resources, such as Indonesia. "

"Diabetes Melitus (DM) merupakan salah satu penyebab utama penyakit ginjal kronis (CKD), dengan komplikasi umum berupa penyakit ginjal diabetik (DKD). Diagnosis DKD secara tradisional mengandalkan biopsi ginjal, metode invasif yang memiliki risiko dan keterbatasan. Penelitian ini bertujuan untuk mengembangkan metode diagnostik non-invasif berbasis spektroskopi Raman dan machine learning guna membedakan DKD dari penyakit glomerular lainnya melalui analisis sampel urin. Spektroskopi Raman digunakan untuk menganalisis 320 spektra urin dari 32 pasien, yang direplikasi 10 kali per pasien. Hasil menunjukkan bahwa algoritma support vector machine mampu mengklasifikasikan DKD dengan tingkat akurasi sebesar 0,91, presisi 0,889, sensitivitas (recall) 0,889, dan spesifisitas 0,925. Selain itu, analisis spektral mengidentifikasi puncak-puncak utama seperti 898, 931, dan 1060 cm sebagai komponen yang terkait dengan karbohidrat, protein, dan urea. Penelitian ini menunjukkan bahwa metode berbasis spektroskopi Raman dan support vector machine tidak hanya meningkatkan akurasi diagnosis, tetapi juga memberikan altematif yang lebih aman dan nyaman bagi pasien sekaligus membuka peluang pengembangan alat diagnostik cepat di masa depan.

---

Diabetes Mellitus (DM) is one of the leading causes of chronic kidney disease (CKD), witha common complication being Diabetic Kidney Disease (DKD). Diagnosis of DKD has traditionally relied on kidney biopsy, an invasive method that has risks and limitations. This study aims to develop a non-invasive diagnostic method based on Raman spectroscopy and machine learning to distinguish DKD from other glomerular diseases through urine sample analysis. Raman spectroscopy was used to analyze 320 urine spectra from 32 patients, replicated 10 times per patient. Results showed that the support vector machine algorithm was able to classify DKD with an accuracy of 0.91, precision of 0.889, sensitivity (recall) of 0.889, and specificity of 0.925. In addition, spectral analysis identified major peaks such as 898, 931, and 1060 cm 1 as components related to carbohydrates, proteins, and urea. This study shows that the method based on Raman spectroscopy and support vector machine not only improves the accuracy of diagnosis, but also providesa safer and more convenient alternative for patients while opening up opportunities for the development of rapid diagnostic tools in the future."

"Parkinson’s Disease (PD) adalah gangguan neurodegeneratif progresif yang memengaruhi lebih dari enam juta orang di seluruh dunia, dengan prevalensinya meningkat lebih dari dua kali lipat dalam beberapa dekade terakhir akibat tren penuaan global. Meskipun kesadaran semakin meningkat, tetap ada tantangan diagnosis klinis PD, terutama karena ketergantungan pada penilaian subjektif terhadap gejala motorik, seperti bradikinesia dan tremor, oleh ahli saraf. Ketergantungan pada manifestasi gejala dan interpretasi klinis ini sering kali mengakibatkan keterlambatan atau ketidakakuratan diagnosis, terutama selama tahap prodromal. Oleh karena itu, pengembangan biomarker yang objektif dan dapat diandalkan sangat penting untuk mendeteksi PD secara dini dan akurat. Kemajuan terbaru telah memposisikan magnetic resonance imaging (MRI) sebagai alat yang menjanjikan dalam mencari biomarker berbasis pencitraan. Secara khusus, perubahan struktural di daerah-daerah seperti substantia nigra (SN) dan basal ganglia semakin dikenali melalui MRI. Namun, menganalisis volume MRI 3D resolusi tinggi menimbulkan tantangan komputasi dan interpretasi yang cukup besar, terutama ketika mempertimbangkan variabilitas anatomi antar individu dan kehalusan perubahan struktural tahap awal. Skripsi ini mengeksplorasi pendekatan deep learning berdasarkan deteksi kelainan berdasarkan irisan dari irisan MRI aksial 2D untuk mengklasifikasikan individu PD dan kontrol yang sehat (HC). Langkah-langkah prapemrosesan meliputi skullstripping, penyelarasan otak, zero-padding, dan normalisasi. Model transfer learning menggunakan arsitektur VGG19 dan ResNet50 dilatih dan dievaluasi per irisan untuk mengidentifikasi bagian anatomi mana yang menghasilkan utilitas diagnostik tertinggi. Model VGG19 mencapai performa terbaiknya pada irisan aksial 91 yang mencapai F1-score 76,40% dan akurasi validasi 74.39%, sedangkan ResNet50 berkinerja terbaik pada irisan 86 yang mencapai F1-score 73.91% dan akurasi validasi 70.73%. Gradient-weighted Class Activation Mapping (Grad-CAM) yang diterapkan pada irisan ini dan irisan-irisan lainnya menunjukkan daerah aktivasi yang konsisten di daerah otak tengah, terutama SN dan basal ganglia yang berdekatan, yang mengkonfirmasi relevansi biomarker mereka. Temuan ini menunjukkan bahwa deep learning berdasarkan irisan ini membantu dalam melokalisasi daerah otak yang relevan dengan PD. Metode ini menyajikan alternatif yang lebih mudah ditafsirkan dan efisien untuk model 3D volume penuh, dengan potensi untuk mendukung diagnosis PD dini melalui identifikasi biomarker pencitraan yang ditargetkan.

---

Parkinson`s Disease (PD) is a progressive neurodegenerative disorder affecting over six million individuals worldwide, with its prevalence having more than doubled in recent decades due to global aging trends. Despite increasing awareness, clinical diagnosis of PD remains challenging, primarily because it relies heavily on subjective assessments of motor symptoms, such as bradykinesia and resting tremor, by neurologists. This dependency on symptom manifestation and clinical interpretation often results in delayed or inaccurate diagnosis, particularly during the prodromal stages. As such, the development of objective, reliable biomarkers is essential for early and accurate detection of PD. Recent advancements have positioned brain magnetic resonance imaging (MRI) as a promising tool in the search for imaging-based biomarkers. Specifically, structural alterations in regions such as the substantia nigra (SN) and basal ganglia are increasingly recognized through MRI. However, analyzing high-resolution 3D MRI volumes poses considerable computational and interpretational challenges, especially when considering inter-individual anatomical variability and the subtlety of early-stage structural changes. This thesis explores a deep learning approach based on slice-wise abnormalities detection from 2D axial MRI slices to classify PD and healthy control (HC) individuals. Preprocessing steps included skull stripping, brain alignment, zero-padding, and normalization. Transfer learning models using VGG19 and ResNet50 architectures were trained and evaluated per slice to identify which anatomical sections yield the highest diagnostic utility. The VGG19 model achieved its best performance on axial slice 91 achieving F1-score of 76.40% and validation accuracy of 74.39%, while ResNet50 performed best on slice 86 achieving F1-score of 73.91% and validation accuracy of 70.73%. Gradient-weighted Class Activation Mapping (Grad-CAM) applied to these slices and their neighboring ones revealed consistent activation in the midbrain region, particularly the SN and adjacent basal ganglia, confirming their biomarker relevance. The findings demonstrate that slice-wise deep learning aids in localizing disease-relevant brain regions. This method presents a more interpretable and efficient alternative to full-volume 3D models, with the potential to support early PD diagnosis through targeted imaging biomarker identification."

"Estimasi usia memainkan peran penting dalam analisis forensik, diagnosis klinis, dan investigasi kriminal. Metode tradisional untuk memperkirakan usia pada anak-anak dan remaja sering melibatkan pengamatan perkembangan gigi. Penelitian ini mengeksplorasi penggunaan deep learning untuk estimasi usia kronologis menggunakan 668 citra panorama gigi (OPG) dari usia 5 hingga 15 tahun dengan metode Convolutional Neural Networks (CNN). Penelitian ini menentukan model CNN terbaik dengan menggunakan augmentasi dan penyempurnaan parameter model VGGNet dan DenseNet. Teknik validasi silang k-fold, oversampling SMOTE, dan augmentasi gambar dengan ImageDataGenerator digunakan untuk mengatasi ketidakseimbangan kelas dan ukuran data sampel yang kecil. Tiga model berbeda dibandingkan (VGG16, VGG19, dan DenseNet-201), masing-masing menggunakan dua jenis augmentasi yang berbeda. Model terbaik, VGG16 dengan ImageDataGenerator, mencapai RMSE sebesar 0,98 tahun (10,85%), MAE sebesar 0,67 tahun, dan nilai R 2 sebesar 0,88 pada set pengujian, menunjukkan error yang rendah.

---

Age estimation plays a crucial role in forensic analysis, clinical diagnosis, and criminal investigation. Traditional methods for estimating age in children and adolescents often involve observing dental development. This study explores the use of deep learning for chronological age estimation using 668 panoramic dental images (OPG) from ages 5 to 15 years with Convolutional Neural Networks (CNN). The study determines the best CNN model by using augmentation and fine-tuning parameters of VGGNet and DenseNet models. Cross-validation technique k-fold, SMOTE oversampling, and image augmentation with ImageDataGenerator are used to address class imbalance and small sample sizes. Three different models (VGG16, VGG19, and DenseNet-201) are compared, each using two different types of augmentation. The best model, VGG16 with ImageDataGenerator, achieved an RMSE of 0.98 years (10.85%), an MAE of 0.67 years, and an R 2 value of 0.88 on the test set, indicating relatively low error."

"Diabetes Mellitus (DM) merupakan salah satu penyakit yang paling banyak diderita oleh manusia. Salah satu tipe DM adalah diabetes tipe 1 yang disebabkan oleh rusaknya sel beta pada pankreas sehingga tubuh tidak dapat menghasilkan insulin untuk meregulasi konsentrasi glukosa dalam darah. Penderita DM tipe 1 harus melakukan terapi insulin dengan memberikan suntik insulin eksternal untuk meregulasi konsentrasi glukosa di dalam darah. Selain itu, penderita DM tipe 1 harus melakukan kontrol secara kontinu terhadap konsentrasi glukosa di dalam darahnya. Pada sebuah penelitian, terdapat sebuah alat yang dapat memantau glukosa secara berkelanjutan yang disebut dengan Continuous Glucose Monitoring (CGM). Pada penelitian ini, dilakukan simulasi dengan sebuah model matematika yang menggambarkan regulasi glukosa-insulin dalam tubuh saat makanan dicerna di dalam tubuh, yaitu model hovorka, untuk diimplementasikan ke dalam CGM. Hasil dari penelitian ini menunjukkan bahwa model dari hovorka dapat menunjukkan regulasi glukosa insulin di dalam tubuh. Namun untuk evaluasi terhadap model ini dilakukan sebuah fitting terhadap parameter model hovorka dan didapatkan hasil yang kurang baik sehingga perlu dilakukan fitting ulang dengan data yang lebih baik.

---

Diabetes Mellitus (DM) is one of the most common diseases suffered by humans. One type of DM is Type 1 diabetes caused by the destruction of beta cells in the pancreas so that the body can not produce insulin to regulate the concentration of glucose in the blood. Patients with Type 1 diabetes have to do insulin therapy by giving external insulin injections to regulate the concentration of glucose in the blood. In addition, patients with Type 1 diabetes must continuously control the concentration of glucose in their blood. In one study, there was a tool that can monitor glucose continuously called Continuous Glucose Monitoring (CGM). In this study, a simulation with a mathematical model that describes the regulation of glucose-insulin in the body when food is digested in the body, the Hovorka model, to be implemented into CGM. The results of this study show that the model from hovorka can demonstrate the regulation of insulin glucose in the body. However, for the evaluation of this model, a fitting was made to the parameters of the hovorka model and poor results were obtained so that re-fitting with better data was necessary."

"Deteksi dini lesi payudara berperan penting untuk mengetahui tingkat keganasan tumor payudara dan mempengaruhi perencanaan pengobatan lebih lanjut. Ultrasonografi adalah salah satu modalitas pencitraan pada pemeriksaan payudara dengan kelebihannya yang tanpa menggunakan radiasi pengion, sehingga relatif aman. Namun, ultrasonografi merupakan modalitas yang sangat bergantung pada operator, sehingga akurasi diagnosis melalui citra ultrasonografi bergantung pada keahlian dan subjektifitas ahli radiologi. Oleh karena itu, sistem CAD berbasis pembelajaran mesin diharapkan dapat membantu mendeteksi keabnormalan pada payudara secara objektif. Model U-Net merupakan salah satu arsitektur segmentasi yang dapat digunakan untuk mengidentifikasi dan memetakan area lesi pada citra ultrasonografi. Dalam penelitian ini, teknik pra-pemrosesan tambahan diterapkan untuk membantu meningkatkan akurasi model segmentasi. Evaluasi model segmentasi dilakukan menggunakan metrik evaluasi, terutama JSI (Jaccard Similarity Index). Hasil evaluasi model U-Net tanpa pra-pemrosesan tambahan berhasil memprediksi area lesi dengan nilai JSI 76,3% pada data validasi dan 72,4% pada data uji. Sementara itu, model U-Net dengan pra-pemrosesan augmentasi menghasilkan performa terbaik dengan nilai JSI 83% pada data validasi dan 81,4% pada data uji.

---

Early detection of breast lesions plays an important role in determining the level of malignancy of breast tumors and influencing further treatment planning. Ultrasound is one of the imaging modalities in breast examination, with the advantage that it does not use ionizing radiation, so it is relatively safe. However, ultrasound is a modality highly dependent on the operator, so the accuracy of diagnosis through ultrasound images depends on the ability and subjectivity of the radiologist. Therefore, a machine learning-based CAD system is expected to help detect breast abnormalities objectively. The U-Net model is one of the segmentation architectures that can be used to identify and map lesion areas in ultrasound images. In this study, additional pre-processing techniques were applied to help improve the accuracy of the segmentation model. Evaluation of the segmentation model was carried out using evaluation metrics, especially JSI (Jaccard Similarity Index). The results of the evaluation of the U-net model without additional pre-processing successfully predicted the lesion area with a JSI value of 76,3% in the validation data and 72,4% in the test data. Meanwhile, the U-Net model with augmentation pre-processing gets the best performance with a JSI value of 83% in the validation data and 81,4% in the test data. "

"Diagnosis dini penyakit Parkinson mempengaruhi lebih dari 10 juta individu di seluruh dunia pada tahun 2020. Penyakit Parkinson sering kali bergantung pada gejala motorik, seperti bradikinesia, tremor saat istirahat, kekakuan, dan gangguan postural. Namun, pendekatan diagnosis klinis penyakit Parkinson memiliki keterbatasan dalam mengidentifikasi perubahan struktural otak pada tahap awal karena bergantung pada penilaian subyektif gejala motorik. Penelitian ini bertujuan untuk mengevaluasi efektivitas algoritma deep learning berbasis Convolutional Neural Network (CNN) dalam membedakan citra MRI otak pasien Parkinson dan pasien normal (control), dengan fokus pada area substantia nigra dengan orientasi sagital. Dataset diperoleh pada penelitian ini bersumber dari PPMI dan terdiri atas citra MRI dari pasien Parkinson dan kontrol sehat, yang diambil menggunakan fabrikasi Siemens AG. Proses pra-pemrosesan meliputi skull-stripping secara manual menggunakan perangkat lunak 3D Slicer dan pembagian data secara patient-wise ke dalam set pelatihan dan pengujian. Transfer learning diterapkan dengan menggunakan dua model arsitektur yaitu VGG-19 dan ResNet-50. Hasil menunjukkan bahwa kedua model mencapai akurasi validasi sebesar 67,07%, dengan irisan terbaik berbeda untuk masing-masing model (irisan 105 untuk VGG-19 dan irisan 36 untuk ResNet-50). Hasil akurasi pelatihan mendekati 100%, yang mengindikasikan overfitting akibat keterbatasan jumlah data. Visualisasi menggunakan metode Gradient-weighted Class Activation Mapping (Grad-CAM) diterapkan pada setiap irisan terbaik beserta lima irisan sebelum dan sesudahnya, yang menunjukkan pola aktivasi konsisten di area otak tengah, khususnya di sekitar substantia nigra. Temuan ini mengkonfirmasi relevansi biomarker struktural dan menunjukkan potensi pendekatan CNN dan Grad-CAM dalam membedakan karakteristik otak pasien penyakit Parkinson. Penelitian ini memperlihatkan bahwa algoritma deep learning per irisan meningkatkan akurasi klasifikasi, membantu dalam identifikasi area otak yang relevan dengan penyakit Parkinson, dan berpotensi mendukung identifikasi biomarker percitraan medis.

---

Early diagnosis of Parkinson’s disease affected more than 10 million individuals worldwide in 2020. Parkinson’s disease is often identified based on motor symptoms, such as bradykinesia, resting tremor, rigidity, and postural instability. However, clinical diagnostic approaches have limitations in detecting early structural changes in the brain due to their reliance on the subjective assessment of motor symptoms. This study aims to evaluate the effectiveness of deep learning algorithms based on Convolutional Neural Networks (CNNs) in distinguishing brain MRI images of Parkinson’s patients and healthy controls, with a focus on the substantia nigra area in sagittal orientation. The dataset used in this study was obtained from PPMI and consists of MRI images from Parkinson’s patients and healthy controls, acquired using Siemens AG equipment. The pre-processing stage included manual skull-stripping using 3D Slicer software and patient-wise data splitting into training and testing sets. Transfer learning was applied using two architectural models: VGG-19 and ResNet-50. The results showed that both models achieved a validation accuracy of 67.07%, with different best slice for each model (slice 105 for VGG-19 and slice 36 for ResNet-50). The training accuracy approached 100%, indicating overfitting due to the limited data size. Visualization using the Gradient-weighted Class Activation Mapping (Grad-CAM) method was applied to each best slice along with five slices before and after, showing consistent activation patterns in the midbrain area, particularly around the substantia nigra. These findings confirm the relevance of structural biomarkers and highlight the potential of CNN and Grad-CAM approaches in differentiating brain characteristics in Parkinson’s disease. This study demonstrates that per-slice deep learning algorithms improve classification accuracy, assist in identifying brain regions relevant to Parkinson’s disease, and have the potential to support imaging-based biomarker discovery in medical diagnostics. "

"Kanker payudara merupakan salah satu jenis kanker dengan kasus terbanyak di dunia pada tahun 2022. Sebagai salah satu sistem deteksi awal, ultrasound digunakan sebagai pendamping mammografi untuk mendiagnosis kanker atau lesi pada payudara. Salah satu bagian dari diagnosis adalah segmentasi lesi pada citra. Pada penelitian ini, dilakukan implementasi model U-Net termodifikasi untuk melakukan segmentasi lesi secara otomatis pada citra ultrasound payudara. Penelitian ini menggunakan dua model U-Net termodifikasi, yaitu UNET++ dan UResNet-34 yang dievaluasi dengan metrik Jaccard Similarity Index (JSI) dan Dice Similarity Coefficient (DSC). Pada penelitian ini, performa U-Net termodifikasi dalam melakukan segmentasi pada data latihan yang digambarkan dengan nilai JSI secara berturut-turut pada model UNET++ variasi 1, UNET++ variasi 2, UResNet-34 variasi 1, dan UResNet-34 variasi 2 adalah 96,09%, 96,05%, 91,22%, dan 89,87%, sedangkan pada data pengujian, secara berturut-turut adalah 76,07%, 74,14%, 73,11%, dan 78,54% menggunakan metode pertama dan 79,23%, 78,91%, 80,72%, dan 79,70% menggunakan metode kedua. Model U-Net termodifikasi mampu melakukan segmentasi lebih baik daripada model U-Net biasa, baik dengan lapisan batch normalization, maupun tanpa lapisan batch normalization.

---

Breast cancer is one of the types of cancer that requires an early detection system. Ultrasound imaging is commonly used to diagnose cancer or lesions in the breast. In this study, a modified U-Net model was implemented to perform lesion segmentation on breast ultrasound images. Two modified U-Net models were utilized, namely UNET++ and UResNet-34, and evaluated using the Jaccard Similarity Index (JSI) and Dice Similarity Coefficient (DSC) metrics. In this study, the performance of the modified U-Net models on the training data, as indicated by JSI scores, were 96.09%, 96.05%, 91.22%, and 89.87% for UNET++ variation 1, UNET++ variation 2, UResNet-34 variation 1, and UResNet-34 variation 2, respectively. On the test data, the scores were 76.07%, 74.14%, 73.11%, and 78.54% using the first method, and 79.23%, 78.91%, 80.72%, and 79.70% using the second method. The modified U-Net models demonstrated better segmentation performance compared to the standard U-Net model. "

"Penelitian ini berupaya untuk membuat Contrast Detail Structured Phantom yang dapat digunakan untuk menguji kualitas citra pada modalitas mamografi. Material latar yang digunakan adalah minyak kelapa dan minyak kelapa sawit sebagai cairan yang mirip dengan Adiposa. Penelitian ini juga menggunkan timah sebagai target yang merepresentasikan adanya sel kanker. Tujuan utama penelitian ini adalah meningkatkan kemampuan Contrast Detail Structured Phantom dalam menghasilkan citra yang lebih akurat dan responsif terhadap variasi dosis, sekaligus mengatasi permasalahan variabilitas yang tinggi pada struktur latar. Penelitian ini dibagi menjadi 4 tahap, yaitu; persiapan bahan, pembuatan fantom, pengujian fantom, dan evaluasi hasil uji fantom. Tahap persiapan meliputi persiapan desain dan pembuatan fantom serta persiapan material isian latar. Tahap pembuatan fantom meliputi memasukan material isian kedalam fantom. Tahap pengujian fantom meliputi tahap validasi dan uji kualitas citra. Pada tahap validasi, faktor eksposur dan nilai piksel rata-rata citra fantom dibandingkan dengan mamogram pasien. Tahap uji kualitas citra menggunakan parameter uji full width half maximum (FWHM) untuk menilai ketajaman citra serta signal difference-to-noise ratio (SDNR) untuk menilai kontras pada 3 level dosis (0,5 AEC, AEC, dam 2 AEC). Faktor eksposur arus waktu tabung fantom memiliki kesamaan 93,7% (fantom 1) dan 89,4% (fantom 2) dengan faktor eksposur arus waktu tabung pasien, fantom cukup sensitif terhadap dosis dilihat dari tren nilai SDNR yang meningkat mengikuti meningkatnya dosis, FWHM mengindikasikan modalitas mamografi menghasilkan citra yang cukup tajam, sedangkan untuk nilai variabilitas masih cukup tinggi. Fantom dapat digunakan untuk menggantikan organ payudara juga dapat dimanfaatkan untuk menguji kualitas citra modalitas mamografi.

---

This research strives to create a Contrast Detail Structured Phantom that can be used to test image quality in mammography modalities. The background material used is coconut oil and palm oil as a liquid similar to Adipose. This research also uses lead as a target that represents the presence of cancer cells. The main objective of this research is to improve the ability of the Contrast Detail Structured Phantom to produce images that are more accurate and responsive to dose variations, while also overcoming the problem of high variability in background structures. This research is divided into 4 stages, namely; preparation of materials, making phantoms, testing phantoms, and evaluating phantom test results. The preparation stage includes preparing the design and making the phantom as well as preparing the background filling material. The phantom manufacturing stage includes inserting the filling material into the phantom. The phantom testing stage includes the validation stage and image quality testing. In the validation stage, the exposure factor and average pixel value of the phantom image are compared with the patient's mammogram. The image quality test stage uses full width half maximum (FWHM) test parameters to assess image sharpness and signal difference-to-noise ratio (SDNR) to assess contrast at 3 dose levels (0.5 AEC, AEC, and 2 AEC). The time current exposure factor of the phantom tube is similar to 93.7% (phantom 1) and 89.4% (phantom 2) with the patient tube time current exposure factor, the phantom is quite sensitive to dose seen from the trend of SDNR values which increase following increasing dose, FWHM indicates that the mammography modality produces quite sharp images, while the variability values are still quite high. The phantom can be used to replace the breast organ and can also be used to test the image quality of mammography modalities."