Hasil Pencarian  ::  Simpan CSV :: Kembali

"Latar belakang: Berdasarkan data National Institute of Health Amerika Serikat tahun 2015, kanker usus halus merupakan salah satu kanker langka dengan dengan insidensi yang diperikirakan meningkat lebih dari 100% selama 4 dekade terakhir di berbagai negara. Teknik diagnosis penyakit ini membutuhkan berbagai pendekatan karena sering terlambat didiagnosis. Standar emas diagnosis kanker usus halus saat ini adalah penilaian histopatologi oleh ahli. Kekurangan metode ini adalah sulit dideskripsikan secara objektif dan belum terdigitalisasi. Sejumlah penelitian menunjukkan bahwa metode spektrofotometri reflektans cahaya tampak dapat digunakan dalam diagnosis sejumlah jenis kanker, seperti kanker kulit dan lesi oral. Metode tersebut lebih terkuantifikasi, dapat didigitalisasi, sangat terjangkau dan mudah digunakan. Namun, penggunaan spektrofotometri cahaya tampak belum digunakan untuk lesi kanker usus halus. Tujuan: Studi ini merupakan studi pendahuluan untuk mengetahui kemampuan spektrofotometer reflektans cahaya tampak sederhana dalam mengklasifikasi derajat lesi kanker usus halus pada mencit berdasarkan pengukuran intensitas cahaya.Metode: Penelitian ini merupakan penelitian analitik potong lintang menggunakan sampel bahan biologis tersimpan blok parafin usus halus mencit Mus musculus. Sampel dikelompokkan berdasarkan derajat lesi menjadi normal, prekanker, dan kanker berdasarkan penilaian ahli patologi anatomi. Seluruh sampel diukur intensitas cahaya reflektansinya pada 132 panjang gelombang cahaya tampak. Hasil pengukuran dianalisis menggunakan perangkat lunak SPSS 24.0 untuk uji komparatif dan Orange Data Mining untuk pengelompokan derajat lesi berdasarkan data yang diperoleh dengan machine learning. Hasil dan Pembahasan: Hasil uji komparatif menunjukkan sebanyak 105 dari 132 panjang gelombang cahaya tampak memiliki perbedaan intensitas reflektans bermakna (p<0,05) antar kelompok sampel. Pengelompokan derajat lesi berdasarkan data intensitas cahaya oleh machine learning dilakukan terbaik dengan model k-nearest neighbors yang memiliki akurasi sebesar 83,3%, AUC sebesar 90,8%, nilai F1 sebesar 0,836, presisi sebesar 0,856, dan recall 0,833. Analisis Tree menunjukkan panjang gelombang 450,3 nm terbaik dalam membedakan sampel. Simpulan: Metode spektrofotometer reflektans cahaya tampak sederhana mampu membedakan jaringan normal, prekanker, dan kanker usus halus pada mencit berdasarkan perbedaan intensitas cahaya.

---

Background: According to the United States National Institue of Health in 2015, small intestine cancer is one of the rare cancer with estimated to increase the incidence by more than 100% in the last 4 decades in many countries. The diagnosis of this disease needs various approaches because it is usually late to diagnose. The current gold standard for diagnosing small intestine cancer is histopathology evaluation by the expert. The disadvantages of this method are hard to describe objectively and have not been digitalized. Some studies showed that visible light reflectance spectrophotometry method can be used in cancer diagnoses, such as skin cancer and the oral lesion. This method is quantified, able to be digitalized, affordable, and easy to use. However, the use of visible light spectrophotometry has not been used for small intestine cancer lesions.

Objective: This is a pilot study that aims to evaluate the potency of simple visible light reflectance spectrophotometry to classify mice’s small intestine cancer lesion degree based on intensity measurement.

Method: This analytical cross-sectional study was done using paraffin block preserve Mus musculus mice small intestine tissue. The samples were grouped according to the lesion degree that had been evaluated by a pathology expert. The reflectance intensity of all samples were measured in 132 different visible light wavelengths. The results were analyzed by using SPSS 24.0 for comparative test and Orange Data Mining’s machine learning for lesion degree classification based on obtained data.

Results and Discussion: Comparative test results show that 105 of 132 visible light wavelengths have a significant difference (p<0,05) between groups. The best machine learning to classify lesion degree based on light intensity was performed by k-nearest neighbor, with accuracy 83,3%, AUC 90,8%, F1 score 0,836, precision 0,856, and recall 0,833. Tree analysis showed that 450,3 nm is the best wavelength to differentiate the sample.

Conclusion: Simple visible light reflectance spectrophotometer is able to differentiate normal, precancer, and cancer on mice small intestine tissue based on the light intensity difference."

"Kanker kolorektal terus menyumbang jumlah kasus kanker dan kematian yang tinggi setiap tahunnya. Salah satu metode diagnosis progresi kanker ini adalah dengan interpretasi biopsi dari ahli patologi anatomi. Akan tetapi, seringkali terjadi misinterpretasi antar patolog karena lesinya yang kurang spesifik. Maka dari itu, perlunya ada alat bantu yang dapat menunjang pekerjaan ahli patologi anatomi dalam menginterpretasi progresi kanker kolorektal. Penelitian ini bertujuan untuk melihat kemampuan spektrofotometer untuk mengklasifikasikan jaringan kolorektal mencit. Data jaringan mencit yang sudah diklasifikasikan menurut ahli PA diuji menggunakan cahaya tampak dan akan dibaca oleh spektrofotometer reflektansi. Hasil dari spektrofotometer kemudian akan dibaca oleh Theremino Spectrophotometer. Semua data kemudian diuji normalitas menggunakan uji Saphiro Wilk, dilanjutkan dengan uji ANOVA atau Kruskal-Wallis, kemudian uji Post Hoc atau Mann-Whitney. Data juga dianalisis menggunakan supervised dan unsupervised machine learning. Dari uji hipotesis hanya didapatkan 2 panjang gelombang yang dapat membedakan jaringan normal dan prekanker secara signifikan (696,7 dan 699.8 nm). Sedangkan yang lainnya kurang dapat membedakan jaringan normal, radang, dan prekanker. Hasil dari machine learning menunjukkan sensitivitas, spesifisitas, AUC, akurasi, dan presisi yang rendah. Maka dari itu, dapat disimpulkan dari penelitian ini bahwa metode spektrofotometri reflektans cahaya tampak kurang cocok digunakan untuk membedakan jaringan kolon normal, radang, dan prekanker pada sediaan preparat mencit.

---

Colorectal cancer continues to account for a high number of cancer cases and deaths every year. The gold standard of diagnosing this cancer progression is by interpretation of a biopsy from an anatomical pathologist. However, there is often misinterpretation among pathologists due to their unspesific lesions. Therefore, it is required to have a tool that can support the work of anatomical pathologists in interpreting the progression of colorectal cancer. This study aims to see the ability of the spectrophotometer to classify the colorectal tissue of mice. Mice tissue data that has been classified according to PA experts was tested using visible light and would be read by a reflectance spectrophotometer. The results of the spectrophotometer will then be read by the Theremino Spectrophotometer. All data were then tested for normality using the Saphiro Wilk test, followed by the ANOVA or Kruskal-Wallis test, then the Post Hoc or Mann-Whitney test. Data were also analyzed using supervised and unsupervised machine learning. From the hypothesis test, only 2 wavelengths were found that could significantly differentiate normal and precancerous tissue (696.7 and 699.8 nm). While others are less able to distinguish normal, inflammatory, and precancerous tissue. The results from machine learning show low sensitivity, specificity, AUC, accuracy, and precision to distinguish between the three categories. Therefore, it can be concluded from this research that the visible light reflectance spectrophotometric method is not suitable for distinguishing normal, inflammatory, and precancerous colonic tissue in mice preparations."

"Latar Belakang: Data GLOCOBAN tahun 2018 menunjukkan bahwa kanker lambung merupakan penyebab kematian akibat kanker nomor tiga di dunia. Hingga saat ini, belum terdapat deteksi dini untuk kanker lambung. Kanker lambung sering ditemukan dalam kondisi yang sudah berat, karena 25,8% kasus tidak terdiagnosis ketika dilakukan upper endoscopy. Sejumlah penelitian menunjukkan bahwa spektrofotometri dapat digunakan dalam mendeteksi jaringan kanker, antara lain spektroskopi Raman dan optik. Hingga saat ini belum ada penelitian yang mendeteksi jaringan kanker lambung berdasarkan spektrofotometri sederhana.Tujuan: Studi ini dilakukan untuk mengetahui ambang batas perbedaan panjang gelombang reflektansi pada jaringan kanker normal dengan jaringan pra-kanker dan jaringan kanker lambung serta menganalisis akurasi spektrofotometer dalam klasifikasi jaringan..Metode: Reflektansi jaringan mencit Mus musculus diukur menggunakan spektrofotometer konvensional pada panjang gelombang 431.5-705.2 mm. Hasil reflektansi kemudian digunakan dalam model machine learning untuk menentukan klasifikasi berdasarkan reflektansi.Hasil: Machine learning Tree menggunakan panjang gelombang 431,5, 494,2, dan 502.5 nm. Analisis Principal Component Analysis menunjukkan adanya penumpukkan antara jaringan prekanker dengan jaringan kanker. Metode Random Forest (CA: 0.857, precision: 0.872, recall: 0.857) lebih baik dalam mengklasifikasikan jaringan kanker lambung dibandingkan metode Tree (CA;0,607, precision:0,619, dan recall:0,607) dan logistic regression (CA:0,750, precision: 0,739, dan recall:0,750). Spektrofotometri reflektans sederhana memiliki sensitivitas sebesar 68.42%-89.47% dan spesifisitas sebesar 44-88.89% dalam mendeteksi jaringan pra-kanker dan jaringan kanker.Kesimpulan: Dengan rentang panjang gelombang 431,5, 494,2, dan 502.5 nm, spektrofotometri sederhana tidak dapat membedakan jaringan pra-kanker dan kanker karena terdapat penumpukan protein seperti miglobin, dan juga tingkat sensitivitas dan spesifisitas yang baik dalam membedakan jaringan normal dan tidak normal.

---

Background: GLOCOBAN in 2018 shows that gastric cancer is the third leading cause of death for cancer-related disease. Until now, there’s no early detection for gastric cancer. This causes gastric cancer to be diagnosed at a later stage, because 25,8% gastric cancer cases are undiagnosed even with upper endoscopy 3 years before diagnosis.A number of study has shows that spectrophotometry can be used for detecting gastric cancer, such as Raman spectroscopy and optical. Until now, there is no research that detect gastric cancer using conventional spectrophotometer.

Objectives This study aims to understand the difference between wavelength of the reflectance from the normal gastric tissue, precancerous gastric tissue, and gastric cancer tissue and analyze the accuracy of conventional spectrophotometer to classify the tissues.

Methods The reflectance of the tissue of Mus musculus is evaluated using conventional spectrophotometer at the wavelength of 431.5-705.2 mm. The resulting data will then be used in a machine learning model to help classify the tissue based on the reflectance

Result: Wavelengths used by Tree is 431,5, 494,2, dan 502.5 nm. Analysis using Principal Component Analysis shows a grouping formed by the gastric precancer tissue and gastric cancer tissue. Random Forest (CA: 0.857, precision: 0.872, recall: 0.857) is proven to be better for classifying the tissue based on the reflectance compared to Tree (CA;0,607, precision:0,619, and recall:0,607) and Logistic regression (CA:0,750, precision: 0,739, and recall:0,750). Conventional reflectance spectrophotometry yielded a 68.42%-89.47% sensitivity and 44-88,89% specificity in differentiating normal gastric tissue with abnormal gastric tissue.

Conclusion: Within the wavelength of 431,5, 494,2, dan 502.5 nm, conventional spectrophotometer cannot differentiate precancerous lesion with gastric cancer tissue due to the abundance of protein such as myoglobin, and having a good sensitivity and specificity in differentiating normal and abnormal tissue."

"Latar belakang: Kanker kolorektal menduduki peringkat tiga sebagai kanker terbanyak di dunia, dan peringkat kedua sebagai kanker dengan angka mortalitas tertinggi, yaitu 862,000 kematian pada tahun 2018. Dalam alur penatalaksanaan kanker kolorektal, pemeriksaan histopatologi memiliki peranan penting dalam menentukan progresivitas kanker yang secara tidak langsung menentukan jenis terapi pada pasien. Subjektivitas dalam pemeriksaan patologi berpotensi untuk menjadi suatu masalah karena dapat menyebabkan diagnosis yang tidak tepat. Hal ini diakibatkan sifat pemeriksaan patologis yang operator dependent yang perlu diminimalkan agar pemeriksaan lebih objektif. Spektroskopi telah digunakan sebagai metode untuk membantu mengkuantifikasikan diagnosis kanker mulai dari quantitative mass sepctrometry, atau quantitative spectroscopic imaging. Namun penggunaan spektroskopi berbasis cahaya tampak belum banyak ditemukan.Tujuan: Studi ini bertujuan untuk mengetahui intensitas cahaya reflektansi dari spektrofotometer reflektans sederhana untuk membedakan jaringan kolon normal, prekanker, dan kanker, serta akurasinya dalam membedakan jaringan. Metode: Studi ini mengukur reflektansi pada jaringan kanker kolon dari mencit (Mus musculus) pada 126 panjang gelombang mulai dari 435-712.6 nm. Data reflektansi dianalisis menggunakan Uji Saphiro Wilk, Uji Kruskal Wallis, dan Uji One Way ANOVA. Kemudian Principle Component Analysis (PCA) dilakukan pada data, lalu dilanjutkan dengan 5-fold cross validation menggunakan algoritma machine learning. Pengukuran parameter akurasi kemudian dilakukan pada model yang dibuat menggunakan machine learning yang mencakup CA (Classification Accuracy), precision, recall, sensitivitas, dan spesifisitas. Hasil: Dalam membedakan 3 kelompok jaringan (normal, prekanker, dan kanker), ditemukan 41 panjang gelombang dengan setidaknya 2 kelompok berbeda bermakna, dan spektrofotometer memiliki akurasi yang rendah (CA 0.429-0.464, precision 0.446-0.481, recall 0.429-0.464). Untuk membedakan jaringan normal dan jaringan abnormal (prekanker dan kanker), ditemukan 57 panjang gelombang dengan perbedaan bermakna, dan spektrofotometer memiliki akurasi dengan skor CA 0.821-0.857, precision 0.819-0.60, recall 0.821-0.857, sensitivitas 88.8-100%, dan spesifisitas 50-70%.Simpulan: Studi ini menyimpulkan bahwa terdapat perbedaan reflektansi antara 3 kelompok jaringan. Spektrofotometer reflektans sederhana dapat membedakan jaringan normal dan jaringan abnormal (prekanker dan kanker) dengan cukup baik, namun tidak dapat untuk membedakan 3 kelompok jaringan.

---

Bakcground: Colorectal cancer is the third most prevalent cancer worldwide and is the second place for cancers with the highest mortality (862,000 deaths in 2018. In the guidelines for colorectal cancer therapy, histopathological evaluations plays a major role in determining the progression of the cancer thus indirectly determining the therapy for each patient. Subjectivity in pathological evaluation might lead to problems which would resulted in misdiagnosis. This is due to the operator-dependent characteristic of pathological evalutaion that should be minimalized to increase its objectivity. Spectroscopy have been researched and used as a method to help to quantify cancer diagnosis such as quantitative mass spectroscopy and quantitative spectroscopic imaging. The usage of visible light spectroscopy is limited for now. Objectives: This study aims to evaluate the reflectance measured using simple reflectance spectrophotomoeter in order to differentiate normal colon, precancer lesion, and colon cancer tissue, and its accuracy in differentiating tissues.Methods: This study measures the reflectance of the Mus musculus rodents' colon tissue in 127 wavelength from 435-712.6 nm. The reflectance then analyzed using Saphiro Wilk test, One Way ANOVA, and Kruskal Wallis. PCA is conducted, then a 5-fold cross validation is done using machine learning algorithms. A accuracy testing including CA (Classification Accuracy), precision, recall, sensitivity, and specificity is done to the models made by machine learning algorithm.Results: In differentiating 3 tissue category (normal, precancer, and cancer) 41 wavelengths are identified with a p-value of <0.05. To differentiate 3 tissue category, simple spectrophotometer have low accuracy (CA 0.429-0.464, precision 0.446-0.481, recall 0.429-0.464. In differentiating abnormal tissue (precancer and cancer) from normal tissue, 57 wavelengths are identified with a p-value of <0.05. To differentiate these 2 categories, simple reflectance spectrophotometer have an accuracy with CA score equals 0.821-0.857, precision equals 0.819-0.60, recall equals 0.821-0.857, sensitivity equals 88.8-100%, and spesificity equals 50-70%.Conclusion: This study concludes that there is a significant difference in reflectance from 3 tissue samples. Simple reflectance spectrophotometer could differentiate normal and abnormal (precancer and cancer) tissue well but it is unable to differentiate normal, precancer, and cancer tissue to 3 different categories."

"Latar belakang: Diagnosis memiliki peranan yang sangat penting dalam penatalaksanaan kanker usus halus. Namun, pemeriksaan sebelumnya memiliki kekurangan, yaitu; sensitivitas rendah, operator dependent, dan lama. Sehingga akan diobservasi spektrofotometri autofluorosensi menggunakan blok parafin yang memiliki sensitivitas, spesifisitas, akurasi, dan presisi dengan nilai yang baik. Metode: Studi ini mengukur perbedaan intensitas cahaya fluorosensi menggunakan spektrofotometri autofluorosensi cahaya UV pada blok parafin jaringan kanker usus halus mencit dalam panjang gelombang dari 420.2nm sampai 762.9nm. Hasil uji dianalisis menggunakan dua perangkat lunak, yaitu SPSS 26.0 serta Orange Data Mining. Dalam melakukan analisis Orange Data Mining (kualitatif), data akan dianalisis menggunakan PCA dan 7 jenis PC. Sedangkan machine learning (analisis kuantitatif) dengan cross validation kelipatan 5. Hasil: Dari 511 panjang gelombang yang menunjukkan adanya perbedaan signifikan intensitas cahaya pada ketiga kelompok sampel, perbedaan intensitas cahaya dapat dibedakan secara signifikan pada (panjang gelombang); 495 pada kelompok normal-prekanker, 495 pada kelompok normal-radang, 454 pada kelompok radang-prekanker. Selain itu, dalam hasil analis Machine Learning menunjukkan bahwa Neural Network memiliki performa terbaik dalam menganalisis klasifikasi derajat lesi kanker usus halus. Kesimpulan: Spektrofotometri autofluorosensi memiliki kemampuan mengklasifikasikan jaringan normal, radang, serta pre-kanker pada usus halus mencit dengan nilai sensitivitas dan spesifititas baik, namun masih terdapat kesulitan membedakan jaringan radang.

---

Background: Diagnosis has a very important role in the management of small bowel cancer. The previous examination, on the other hand, had drawbacks, including low sensitivity, operator dependence, and a long time.So that autofluorescence spectrophotometry will be observed using a paraffin block that has good sensitivity, specificity, accuracy, and precision. Method: This study measured the difference in fluorescence intensity using UV light autofluorescence spectrophotometry on paraffin blocks of mouse small intestine cancer tissue at wavelengths from 420.2 nm to 762.9 nm. The test results were analyzed using two software programs, namely SPSS 26.0 and Orange Data Mining. Data will be analyzed using PCA and 7 different types of PCs in the orange data mining analysis (qualitative).while using machine learning (quantitative analysis) with a total of 5 cross-validations. Results: Of the 511 wavelengths that show a significant difference in light intensity in the third sample group, the difference in light intensity can be significantly different at 495 in the normal-precancer group, 495 in the normal-inflammation group, and 454 in the inflammatory-precancer group. In addition, the results of machine learning analysis show that the neural network has the best performance into analyze the classification of small intestine cancer lesion degrees. Conclusion: Autofluorescence spectrophotometry has the ability to classify normal, inflammatory, and precancerous tissues in the small intestine of mice with good sensitivity and specificity, but there are still difficulties in differentiating tissue inflammation"

"ABSTRACTKanker kolorektal memiliki insidensi yang cukup tinggi dan pilihan kemoterapinya memiliki banyak efek samping sehingga perlu dicari antikanker yang potensial dengan efek samping sistemik yang minimal. Mangostin yang terkandung di dalam Garcinia mangostana Linn. terbukti memiliki potensi sebagai antikanker pada beberapa penelitian. Akan tetapi, kekurangan mangostin apabila diberikan peroral yaitu dapat didegradasi pada suasana asam seperti oleh asam lambung. Oleh karena itu, dibutuhkan formulasi sesuai agar mangostin mencapai kolon dengan meminimalisasi degradasi di lambung. Formulasi bentuk mikropartikel dapat meningkatkan absorpsi sedangkan enkapsulasi oleh kitosan-alginat dapat mencegah degradasi mangostin di lambung dan meningkatkan pelepasan di kolon. Akan tetapi, formulasi ini perlu dievaluasi keamanannya pada saluran pencernaan hewan coba dengan mengevaluasi histopatologi pada organ yang terlibat dengan absorpsi, metabolisme, dan ekskresi yaitu hati, ginjal, lambung, dan usus halus. Sebanyak 24 mencit BALB/c betina dibagi menjadi 4 kelompok: kelompok normal yang diberikan air, kelompok kontrol pelarut yang diberikan larutan gom arab (emulgator), dan kelompok mikropartikel mangostin yang dienkapsulasi kitosan-alginat (MMKA) 2 dan 5 g/KgBB (mengandung mangostin 74,8 dan 187 mg/KgBB), diberikan sekali. Setelah 14 hari, mencit yang masih hidup diterminasi dan organnya (hati, ginjal, lambung, usus halus) diambil untuk dilakukan pemeriksaan histopatologi yang mengevaluasi gambaran degenerasi jaringan, nekrosis, perdarahan, dan infiltrasi sel radang. Perbedaan bermakna (p<0,05) ditemukan pada derajat kerusakan organ usus pada masing-masing perbandingan kelompok dosis MMKA 2 dan 5 g/KgBB dengan kelompok normal dan kontrol pelarut. Hasil ini mengindikasikan bahwa mikropartikel mangostin yang dienkapsulasi kitosan-alginat tidak menimbulkan perubahan histopatologis yang bermakna pada hati, ginjal, dan lambung, kecuali pada usus halus (p=0,002).

---

ABSTRACTColorectal cancer has high incidence and its chemotherapy has many side effects so it is necessary to find a new potential anticancer agent with minimal systemic side effects. Mangostin, contained in Garcinia mangostana Linn., has been predicted in several studies as a potential anticancer agent but it has a disadvantage if administered orally which is degraded in acidic environment such as stomach acid. Therefore, suitable formulation to minimize mangostin degradation in the stomach is necessary. Microparticle formulation improves absorption while chitosan-alginate encapsulation prevents mangostin release in the stomach instead release it in the colon. However, it is necessary to evaluate chitosan-alginate encapsulated mangostin microparticle (CAMM) safety in mice digestive tracts. This study aims to evaluate the histopathological changes of organs involved in absorption, metabolism, and excretion including the liver, kidney, stomach, and small intestine. Twenty four female BALB/c mice were divided into 4 groups: normal (water), control (Arabic gum solution), and 2 doses of CAMM (2 and 5 g/KgBW containing 74,8 and 187 mg/KgBW mangostin, respectively), given once at day 1. After 14 days, the survived mice were then sacrificed and its organs were taken to do histopathological examination which evaluates tissue degeneration, necrosis, hemorrhage, and inflammatory cells infiltration. Significant difference (p<0.05) was found in the small intestine between each doses of 2 and 5 g/KgBW CAMM groups compared to normal and control groups. The results indicate that chitosan-alginate encapsulated mangostin microparticles does not exert significant histopathological changes in the liver, kidney, and stomach except in the small intestine (p=0.02)."

"Implementasi non-orthogonal multiple access (NOMA) pada komunikasi cahaya tampak atau visible light communication (VLC) memberikan akses jamak dengan membagi daya sinyal tanpa pemisahan frekuensi ataupun spektrum warna LED pemancar. Dengan konsep umum fair power, alokasi daya perlu dirancang dengan baik agar semua pengakses memiliki probabilitas kesalahan rendah dalam penerimaan sinyal. Penelitian ini memberikan kebaruan secara khusus yaitu model alokasi daya optimal dan adaptif untuk transmisi multi level downlink sistem NOMA VLC. Kontribusi keseluruhan dibagi atas tiga kategori yaitu formulasi batasan, model alokasi daya optimal, dan model dinamik untuk daya adaptif. Digunakan unilateral M-ary pulse amplitude modulation (PAM) untuk memberikan modulasi orde tinggi dengan sinyal non riil non imajiner yang cocok bagi VLC. Pada kelompok kontribusi pertama, penelitian mendefinisikan batasan penerimaan sinyal dan kapasitas sistem berbasis successive interference cancellation (SIC), menggunakan sensitivitas komponen dan orde PAM. Batasan error diberikan untuk deteksi bertahap SIC sebagai fungsi pengkode konvolusi, modulasi, dan rasio daya. Batasan dasar berbasis orde modulasi diberikan untuk alokasi daya akses jamak SIC. Selanjutnya penelitian mengajukan kontribusi penentuan daya optimal melalui optimasi rasio daya berbasis throughput dengan model Lagrange. Secara analitik solusi optimal diperoleh melalui kondisi Karush-kuhn-Tucker (KKT) untuk dua tipe sistem, yaitu pada best-effort-service, dan quality of service (QoS), dalam bentuk persamaan tertutup dengan kompleksitas rendah. Dalam kontribusi ketiga, penelitian mengajukan model dinamik berbasis sudut dan jarak pengakses sesuai model kanal VLC Lambertian. Model dinamik ini menjadi dasar untuk alokasi daya adaptif dengan estimasi kanal menggunakan extended Kalman filter (EKF). Kinerja setiap skenario dan strategi dianalisis dengan parameter observasi utama adalah error rate (ER) pada simulasi Monte Carlo. Simulasi akhir dilakukan untuk 2, 4, dan 8-PAM, dengan 2-5 pengakses. ER rata-rata 3 pengakses di bawah 10-6 dicapai oleh skema 2-PAM pada SNR di atas 35, oleh skema 4-PAM pada SNR di atas 60, dan oleh skema 8-PAM pada SNR 84. Alokasi dinamik menggunakan EKF dengan parameter sudut membutuhkan waktu proses 1:5 dibandingkan model EKF referensi.

---

Implementation of non-orthogonal multiple access (NOMA) on visible light communication (VLC) permits multiple access by rationing power among the signals for multiple users without splitting frequency or color spectrum on the LED transmitter. On regards to the fair power concept, power allocation needs to be carefully designed so that all users have a low probability of error. This research contributes specifically in proposing models optimal and adaptive power allocation in downlink VLC NOMA with higher order modulation. Contributions are categorized in three, the bounds of VLC NOMA, optimal power model, and dynamic model for adaptive power. Unilateral M-ary pulse amplitude modulation (PAM) is used to produce real and nonnegative signals which suits the system. On the first cathegory, the research defined the bounds of signal discernibility on receiver and system capacity based on successive interference cancellation (SIC), containing components sensitivity and PAM order. Error bounds were defined for the system based on SIC, containing the convolutional code design, modulation order, and the power ratio. The bounds of power ratio allocation based on PAM order is defined. Secondly the research contributed the proposed the optimal power allocation, using Lagrangian optimization on the power ratio of throughput. Solutions are defined by using Karush-kuhn-Tucker (KKT) condition in closed form low-complexity solutions for two cases, that of best effort service and that of quality of service (QoS). For the third contribution, the research proposed a dynamic model based on user angle and distance, which were parameters of Lambertian VLC channel model. The model served as the core for adaptive power allocation with channel estimation using extended Kalman filter (EKF). Completing the discussion, the research also provided an adaptive power allocation scheme by channel estimation using extended Kalman filter (EKF), based on parameters of user’s angle and distance. With error rate (ER) as the main observed parameter, Monte Carlo simulation was conducted for each observation. End simulations involved systems with 2-, 4-, and 8-PAM, serving 2-5 users. On 3 users, average ER below 10-6 was reached on 2-PAM at SNR above 35, on 4-PAM at SNR above 60, and on 8-PAM at SNR 84. Dynamic allocation using EKF with angle parameters has reduced the calculating time of 1:5 in comparison to the refered EKF."

"Latar belakang: Menurut Global Cancer Statistics 2020 (GLOBOCAN), kanker kolorektal masih menduduki posisi ke-3 pada penyebab kanker tersering di dunia, dan posisi ke-2 pada penyebab kematian tersering akibat kanker (9.4%). Evaluasi histopatologi dari hasil biopsi jaringan kolorektal yang merupakan baku emas dalam diagnosis saat ini pun masih memiliki berbagai keterbatasan. Penentuan derajat keparahan dari kanker kolorektal, dilakukan secara subjektif oleh ahli patologi anatomik melalui observasi mikroskop, sehingga data yang dimiliki bersifat kualitatif. Studi menggunakan prinsip spektrofotometri sudah pernah dilakukan dalam upaya diagnostik kanker sebelumnya. Namun, hingga saat ini masih belum ada studi yang menggunakan spektrofotometer reflektansi VIS-NIR sebagai metode diagnostik kuantitatif dan objektif untuk kanker kolorektal.Tujuan: Penelitian ini adalah studi pendahuluan untuk mengetahui potensi dan kemampuan dari spektrofotometer reflektansi VIS-NIR dalam membedakan jaringan normal, prekanker, dan radang pada blok parafin jaringan kolon mencit.Metode: Penelitian ini memiliki desain eksperimental yang menggunakan sampel blok parafin jaringan kolorektal mencit Mus musculus. Sampel diklasifikasikan oleh ahli patologi anatomi menjadi tiga kategori berdasarkan derajat lesinya, yaitu normal, radang, dan prekanker. Sebanyak 30 sampel tersebut diukur intensitas cahaya reflektansinya pada 454 panjang gelombang berbeda yang termasuk dalam spektrum VIS-NIR. Hasil pengukuran dianalisis dengan perangakat lunak SPSS 26.0 untuk uji komparatif dan perangkat lunak Orange Data Mining untuk pengujian machine learning dalam pegelompokan sampel berdasarkan derajat lesinya.Hasil dan Pembahasan: Hasil uji komparatif membuktikan bahwa 429 dari 454 panjang gelombang cahaya VIS-NIR memiliki perbedaan intensitas cahaya reflektansi yang bermakna antarkelompok derajat lesi (p<0.05). Machine learning yang terbaik dalam pengelompokan sampel menurut derajat lesi berdasarkan data intensitas cahaya reflektansi adalah model SVM dengan nilai Area under the Curve (AUC) 98.3%, Classification Accuracy (CA) 86.7%, Skor F1 0.862, Precision 86.9%, Recall 86.7%, sensitivitas 70-100%, dan spesifisitas 90-95%.Kesimpulan: Spektrofotometri Reflektansi VIS-NIR dapat membedakan jaringan normal, radang dan prekanker kolorektal pada mencit Mus musculus dengan sensitivitas dan spesifisitas yang baik

---

Background: According to the Global Cancer Statistics 2020 (GLOBOCAN), colorectal cancer is still the 3rd most common cause of cancer in the world and the 2nd most common cause of cancer death (9.4%). Histopathological evaluation of colorectal tissue biopsy results, which is currently still the gold standard in colorectal cancer diagnosis, has its limitations. Determining the severity of colorectal cancer is done subjectively by anatomical pathologists through microscopic observation. Results from this evaluation are qualitative data which can contribute to the high level of false positive and negatives of the diagnosis. Studies using spectrophotometric principles have been carried out in previous diagnostic efforts. However, to date, there are still no studies using the VIS-NIR reflectance spectrophotometer as a quantitative and objective diagnostic tool for colorectal cancer.

Objective: This is a pilot study to determine the potential and ability of the VIS-NIR reflectance spectrophotometer in differentiating normal, precancerous, and inflammatory parrafin-block of mouse colorectal tissues.

Method: This experimental study uses paraffin-block samples of colorectal tissue from Mus musculus mice. Samples were classified by anatomical pathologists into three categories based on the degree of lesion, namely normal, inflammatory, and precancerous. A total of 30 samples were measured by their light intensity reflectance at 454 different wavelengths included in the VIS-NIR spectrum. Results are evaluated using SPSS 26.0 for comparative testing and Orange Data Mining for machine learning to evaluate their competence in differentiating samples based on the degree of lesion.

Results and Discussion: Comparative test results proved that 429 of the 454 wavelengths in the VIS-NIR light spectrum had a significant difference in light intensity reflectance between the three degree groups of lesion (p<0.05). The best machine learning in differentiating samples according to the degree of lesions based on light reflectance intensity is the SVM model with the value of Area Under the Curve (AUC) 98.3%, Classification Accuracy (CA) 86.7%, F1 score 0.862, Precision 86.9%, Recall 86.7%, sensitivity 70-100%, and specificity 90-95%.

Conclusion: VIS-NIR Reflectance spectrophotometry can distinguish normal, inflammatory, and precancerous colorectal tissue in Mus musculus mice with good sensitivity and specificity."

"Perkembangan bidang machine learning telah mengalami kemajuan yang pesat dari berbagai domain dimana dibutuhkan sistem otomasi. Hal ini membuat model yang advanced, seperti Convolutional Neural Network yang merupakan bagian dari deep learning, dapat mencapai performa yang baik dalam melakukan klasifikasi, identifikasi objek, hingga bahkan melebihi kemampuan manusia dalam beberapa domain. Salah satu aplikasi dari perkembangan ini adalah klasifikasi gambar terutama pada bidang medis misalnya pada klasifikasi kanker kulit. Diagnosis otomatis kanker kulit dari lesi kulit dengan menggunakan gambar dermoskopi masih merupakan tugas yang menantang bagi kecerdasan buatan seperti Artificial Neural Network khususnya pada metode konvolusi yang umum pada gambar, atau disebut Convolutional Neural Network. Penggunaan arsitektur transfer learning dengan TF Lite pada klasifikasi merupakan faktor penting dalam membuat diagnosis otomatis yang mobile, akurat, dan cekat. Meski demikian, model-model klasifikasi yang sudah terbuat tersebut masih belum dapat sempurna melakukan kategorisasi pada penyakit lesi kulit. Pada dataset ini terdapat 7 kelas label yang akan diklasifikasi dengan menggunakan arsitektur InceptionResNetV2. Kemudian dilakukan penanganan imbalanced data dengan menggunakan metode oversampling untuk mengangani dataset yang tidak rata. Setelah itu hasilnya akan dianalisis dengan beberapa metrik parameter yang dipakai yaitu presisi, recall, akurasi, dan F1-score. Didapatkan hasil terbaik ketika EarlyStopping pada epoch terakhir dengan akurasi overall pada 87.56%, top-2 pada 95.05%, dan top-3 pada 97.46%. Durasi klasifikasi juga telah diukur dengan Streamlit Share dan HuggingFace Spaces. Durasi tersebut ialah waktu dari ping ke tiap host, dimana aplikasi web Streamlit memiliki latency yang lebih rendah dibandingkan dengan HuggingFace, pada rata-rata (1,17 ms vs 1,49 ms), dan standar deviasi latency pada aplikasi web HuggingFace lebih tinggi dibandingkan dengan Streamlit (0,10 ms vs 0,49 ms), durasi klasifikasi HuggingFace memiliki waktu klasifikasi rata-rata 116 ms dan standar deviasi sebesar 5 ms, sedangkan Streamlit lebih rendah, yaitu 97 ms dan standar deviasi sebesar 2 ms.

---

The development of the field of machine learning has experienced rapid progress from various domains where automation systems are needed. This makes advanced models, such as Convolutional Neural Networks that are part of deep learning, can achieve good performance in classifying, object identification, and even exceed human capabilities in some domains. One application of this development is image classification, especially in the medical field, for example in the classification of skin cancer. Automatic diagnosis of skin cancer from skin lesions using dermoscopy images is still a challenging task for artificial intelligences such as Artificial Neural Networks, especially the convolutional method common in images, or called Convolutional Neural Networks. The use of transfer learning architecture with TF Lite on classification is an important factor in making automatic diagnosis mobile, accurate, and agile. However, the classification models that have been made are still unable to perfectly categorize skin lesion diseases. In this dataset there are 7 label classes that will be classified using the InceptionResNetV2 architecture. Then handling imbalanced data using the oversampling method to handle uneven datasets. After that, the results will be analyzed with several metric parameters used, namely precision, recall, accuracy, and F1-score. The best results were obtained when EarlyStopping at the last epoch with overall accuracy at 87.56%, top-2 at 95.05%, and top-3 at 97.46%. The duration of classification has also been measured with Streamlit Share and HuggingFace Spaces. The duration is the time from ping to each host, where the Streamlit web application has lower latency compared to HuggingFace, on average (1.17 ms vs 1.49 ms), and the standard deviation of latency on the HuggingFace web application is higher than that of Streamlit (0.10 ms vs 0.49 ms), the duration of HuggingFace classification has an average classification time of 116 ms and a standard deviation of 5 ms, while Streamlit is lower, at 97 ms and standard deviation of 2 ms."

"Skripsi ini membahas tentang alat untuk mengukur panjang gelombang cahaya tampak dengan metode kisi difraksi. Alat ini bekerja dengan cara membaca warna yang dihasilkan oleh cahaya yang telah melewati kisi. Warna yang dibaca digunakan untuk menentukan orde dari warna. Pengukuran panjang gelombang dilakukan dengan mengukur jarak kisi dengan sensor, kemudian jarak titik nol dengan orde warna yang dideteksi oleh sensor. Data yang didapatkan akan diolah oleh mikrokontroler dan langsung ditampilkan ke LCD.

---

This paper discusses about tool to measure Light Wavelength Based on Grating Diffraction. This tool is working by read the colour that already passes grating. Each color can determine colour orde. Wavelength measurement is done with measure grille distance with censor, then zero point distance with colour orde that detected by censor. Data that is gotten will calculate by microcontroller and will display direct to LCD."