Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kanker serviks tetap menjadi penyebab utama kematian terkait kanker di kalangan perempuan secara global, dengan kebutuhan yang terus meningkat akan pengobatan yang lebih efektif. Intensity Modulated Radiation Therapy (IMRT) memberikan distribusi dosis yang presisi, namun membutuhkan waktu perencanaan yang lama. Penelitian ini mengembangkan model prediksi distribusi dosis menggunakan Support Vector Regression (SVR) untuk mempercepat perencanaan radiasi pada kanker serviks. Model ini dilatih dengan dataset 102 pasien yang memiliki stadium kanker konsisten dan diuji pada dataset baru dengan 71 pasien dengan stadium acak. Metode yang digunakan melibatkan pre-processing data DICOM, ekstraksi fitur radiomic dan dosiomic, normalisasi, serta training model dengan GridSearchCV dan k-fold cross-validation untuk optimisasi parameter. Hasil menunjukkan bahwa SVR dapat memprediksi dosis dengan Mean Absolute Error (MAE) yang mendekati nilai klinis, dengan MAE rata-rata 0,08 untuk prediksi dosis pada organ risiko seperti kandung kemih dan rektum. Prediksi Homogeneity Index (HI) dan Conformity Index (CI) juga menunjukkan akurasi tinggi, dengan nilai prediksi HI sebesar 0,100 dan CI sebesar 0,954 dibandingkan nilai klinis HI 0,113 dan CI 0,953. Analisis statistik menunjukkan bahwa model ini dapat mengurangi waktu perencanaan tanpa mengorbankan akurasi dosis, meskipun perbaikan diperlukan untuk beberapa prediksi organ seperti femur. Temuan ini menegaskan pentingnya ukuran dataset dan konsistensi stadium dalam meningkatkan kinerja model prediksi dosis radiasi dan menunjukkan potensi SVR sebagai alat bantu dalam perencanaan radioterapi.

---

Cervical cancer remains a leading cause of cancer-related deaths among women worldwide, highlighting the need for more effective treatments. Intensity Modulated Radiation Therapy (IMRT) provides precise dose distribution but involves lengthy planning times. This study develops a dose distribution prediction model using Support Vector Regression (SVR) to expedite radiotherapy planning for cervical cancer. The model was trained on a dataset of 102 patients with consistent cancer stages and tested on a new dataset of 71 patients with random stages. The methodology included pre-processing DICOM data, feature extraction for radiomic and dosiomic data, normalization, and training using GridSearchCV and k-fold cross-validation for parameter optimization. Results indicate that SVR can predict doses with a Mean Absolute Error (MAE) close to clinical values, with an average MAE of 0,08 for dose predictions in organs at risk such as the bladder and rectum. Predicted Homogeneity Index (HI) and Conformity Index (CI) also show high accuracy, with predicted HI at 0,100 and CI at 0,954 compared to clinical values of HI 0,113 and CI 0,953. Statistical analysis reveals that the model can reduce planning time without sacrificing dose accuracy, although improvements are needed for some organ predictions like the femur. These findings underscore the importance of dataset size and stage consistency in enhancing the performance of radiation dose prediction models and demonstrate the potential of SVR as a tool to assist in radiotherapy planning."

"Distribusi dosis yang optimal dalam treatment planning system (TPS) sangat penting sebelum diterapkan pada pasien radioterapi. Namun, TPS masih menggunakan metode optimisasi yang memakan waktu dan bergantung pada pengguna. Tujuan dari penelitian ini adalah untuk mengevaluasi model estimasi dosis otomatis, support vector regression (SVR), dan membandingkannya dengan dosis pasien kanker paru hasil perencanaan klinik. Enam puluh pasien yang terapi dengan teknik intensity modulated radiation therapy (IMRT) digunakan dalam penelitian ini. Distribusi dosis target dievaluasi berdasarkan nilai conformity index (CI), homogenitas dosis dievaluasi dengan homogeneity index (HI), sedangkan dosis rata-rata dan dosis maximum digunakan untuk mengevaluasi organ at risk (paru kanan, paru kiri, jantung, dan spinal cord). Analisis statistik dilakukan dengan menggunakan uji Wilcoxon. Nilai p < 0,05 menunjukkan adanya perbedaan signifikan antara kedua dataset. Rata-rata CI model SVR dan klinik masing-masing adalah dan Rata-rata HI untuk SVR dan klinik adalah dan . Uji Wilcoxon menunjukkan tidak ada perbedaan signifikan secara statistik antara kedua hasil. Dosis maximum paru kanan menunjukkan perbedaan signifikan secara statistik (p=0,032), sedangkan dosis rata-rata dan dosis maximum OAR lain tidak menunjukkan perbedaan signifikan secara statistik. Berdasarkan hasil penelitian menunjukkan bahwa tidak ada perbedaan yang signifikan antara kedua strategi tersebut, kecuali pada dosis maximum paru kanan. Model tersebut dapat diimplementasikan secara klinik untuk menghasilkan distribusi dosis yang dapat digunakan sebagai acuan untuk memastikan rencana idealis yang digunakan

---

Optimal dose distribution in the treatment planning system (TPS) is crucial before being applied to radiotherapy patients. However, TPS still uses optimization methods that are time-consuming and user-dependent. This study aimed to evaluate the automatic dose estimation model, support vector regression (SVR), and compare it with the clinically planned dose of lung cancer patients. Sixty patients treated with intensity-modulated radiation therapy (IMRT) were used as the objects in this study. The target dose distribution was evaluated based on the conformity index (CI), and dose homogeneity was evaluated with the homogeneity index (HI), while the mean and maximum doses were used to evaluate organs at risk (right lung, left lung, heart, and spinal cord). Statistical analysis was performed using the Wilcoxon test. A p-value of <0,05 indicates a significant difference between the two datasets. The mean CI of the SVR and clinical are and The mean HI for SVR and clinical was adalah and 0,083±0,030. the Wilcoxon test showed no statistically significant difference between the two results. The maximum right lung dose showed a statistically significant difference (p=0,032), while the mean dose and maximum dose of other OARs did not show a statistically significant difference. The results of the study showed no significant difference between the two strategies, except for the maximum right lung dose. The model can be implemented clinically to produce a dose distribution that can be used as a reference to ensure the idealistic plan."

"Penelitian ini bertujuan untuk memprediksi dosis radiasi pada kanker otak menggunakan model Support Vector Regression (SVR) dan membandingkan hasilnya dengan dosis radiasi klinis, kemudian menghitung perbedaan dari kedua nilai tersebut. Data yang digunakan merupakan 178 data perencanaan radioterapi yang meliputi file DICOM yang berisi citra CT simulator dan citra kontur CT simulator. Data diekstraksi menggunakan 3D Slicer yang memberikan informasi mengenai data radiomik dan dosiomik pada setiap OAR (mata, saraf optik, lensa mata, dan batang otak) dan PTV. Data dosiomik dinormalisasi terhadap volume PTV dan dosis preskripsi dari masing-masing pasien. Data radiomik dan dosiomik yang telah dinormalisasi akan menjadi input data untuk model SVR. Pada model SVR digunakan kernel radial basis function (RBF) dengan 2 parameter yaitu epsilon dan C. Dalam penelitian ini didapatkan nilai parameter yang optimal dengan menggunakan gridsearch yaitu epsilon = 0,01 dan C = 1, dengan k-fold validasi bernilai 5. Hasil yang didapatkan pada PTV D98% dan HI menunjukkan nilai p value < 0,05 yang artinya terdapat perbedaan yang signifikan antara nilai klinis dengan nilai prediksi SVR. Sedangkan pada nilai CI, OAR, PTV D2%, dan PTV D50% didapatkan nilai p value > 0,05 yang artinya tidak terdapat perbedaan nilai yang signifikan.

---

This study aims to predict the radiation dose for brain cancer using the SVR model and compare it with the clinical radiation dose, then calculate the difference between the two values. The data used consists of 178 radiotherapy planning datasets, including DICOM files containing CT simulator images and CT simulator contour images. The data is extracted using 3D Slicer, which provides information on radiomic and dosiomic data for each OAR (eyes, optic nerves, lenses, and brainstem) and PTV. The dosiomic data is normalized against the PTV volume and each patient's prescription dose. The normalized radiomic and dosiomic data will serve as input data for the SVR model. The SVR model uses a radial basis function (RBF) kernel with two parameters, epsilon and C. The study found the optimal parameter values using gridsearch, which are epsilon = 0.01 and C = 1, with a k-fold validation value of 5. The results for PTV D98% and HI showed a p value < 0.05, indicating a significant difference between the clinical values and the SVR model predictions. For CI, OAR, PTV D2%, and PTV D50%, the p value was > 0.05, indicating no significant difference between the values."

"Prediksi trend harga saham dapat berguna bagi trader untuk menentukan nilai saham dimasa yang akan datang. Untuk memprediksi trend dengan analisis teknikal adalah melakukan prediksi harga penutupan saham. Seiring dengan waktu, meningkatnya harga saham setara dengan diperolehnya return saham yang profit. Pada skripsi ini, dilakukan analisis dan prediksi harga penutupan saham selama sebulan menggunakan metode Support Vector Machines ndash; K Nearest Neighbor SVM-KNN . Pertama, terlebih dahulu dilakukan pemilihan indikator teknikal yang berpengaruh terhadap saham perusahaan yang dianalisis menggunakan Support Vector Regression SVR . Kedua, klasifikasi return saham yang terdiri dari profit dan loss dengan SVM. Hasil prediksi label kelas dapat membantu mencari tetangga terdekat dalam memprediksi harga penutupan saham dengan KNN. Percobaan dilakukan menggunakan 3, 4, dan 5 indikator teknikal yang terpilih dan tanpa pemilihan fitur dengan 13 indikator teknikal.

---

Stock price trend prediction is important for trader to determine whether the stock price is rising up or not. To predict the trend using technical stock analysis is by predicting the close prices. Along the time, when the price is rising up then it can indicate profit return. This undergraduate thesis will study how to analysis and prediction of stock closing prices one month ahead with Support Vector Machines ndash K Nearest Neighbor SVM KNN method. First, feature selection method is applied to select the important technical indicators using Support Vector Regression SVR . Second, classify the stock rsquo s return which consist of profit and loss using SVM. The output of class label is used to help find the nearest neighbor. Next, stock prices are forecasted using KNN. This study will be experimented with 3, 4, and 5 selected indicators and compared with 13 technical indicators."

"Turbiditas merupakan salah satu indikator yang dapat digunakan untuk menilai kualitas air. Turbiditas dapat diukur menggunakan instrumen konvensional seperti turbidimeter, spektrofotometer, dan nefelometri visual. Namun, semua instrumen tersebut memiliki kekurangannya masing-masing, seperti biaya yang relatif tinggi dan kurang efisien. Pada penelitian ini diusulkan metode pengukuran yang lebih terjangkau dan efisien dengan memanfaatkan kamera ponsel, serta model regresi support vector regression dan EfficientNet-B0 berbasis convolutional neural network sebagai instrumen pengukuran. Akuisisi citra dilakukan di dua lingkungan. Lingkungan 1 didefinisikan sebagai lingkungan dengan cahaya langsung yang menyinari sampel, mengikuti prinsip turbidimetri, sedangkan lingkungan 2 didefinisikan sebagai lingkungan dengan pencahayaan yang bergantung hanya kepada cahaya sekitar dengan intensitas cahaya yang tak tentu. Citra yang telah diakuisisi oleh ponsel melalui berbagai proses prapengolahan data seperti segmentasi, augmentasi, penerapan filter Gaussian, dan ekstraksi fitur saturasi dan tekstur sebelum diteruskan ke model regresi. Dari hasil evaluasi didapatkan kesimpulan bahwa model EfficientNet-B0 lebih unggul dibandingkan dengan support vector regresssion dengan fitur saturasi, tekstur maupun gabungan. Model EfficientNet-B0 mendapatkan nilai R2 sebesar 0.992, MAE sebesar 2.474 dan MSE sebesar 10.669 untuk citra lingkungan 1, dan nilai R2 sebesar 0.97, MAE sebesar 3.333 dan MSE sebesar 29.137 untuk citra lingkungan 2.

---

Turbidity is an indicator that can be used to assess water quality. Turbidity can be measured using conventional instruments such as turbidimeter, spectrophotometer, and visual nephelometry. However, all of these instruments have their respective drawbacks, such as relatively high costs and inefficient. In this study, a more affordable and efficient measurement method is proposed by utilizing a cellphone camera, as well as a support vector regression and EfficientNet-B0 model based on convolutional neural network as a measurement instrument. Image acquisition will be carried out in two environments. Environment 1 is defined as an environment with direct light shining on the sample, following the principle of turbidimetry, while environment 2 is defined as an environment in which the illumination depends on the ambient light with an indeterminate light intensity. The image that has been acquired by the cellphone will go through various data preprocessing processes such as segmentation, augmentation, application of Gaussian filters, and extraction of saturation and texture features before being forwarded to the regression model. From the evaluation results, it can be concluded that the EfficientNet-B0 model is superior to the support vector regression with saturation, texture, or combined features. The EfficientNet-B0 model gets an R2 value of 0.992, an MAE of 2.474 and an MSE of 10,669 for environment 1 image, and an R2 value of 0.97, an MAE of 3.333 and an MSE of 29,137 for environment 2 image."

"Prediksi dengan model mesin learning regresi telah banyak digunakan untuk penelitian. Salah satu model mesin learning yang digunakan untuk prediksi adalah random forest regressor. Mesin learning membutuhkan data training untuk mempelajari pola dan hubungan antar data. Model regressor yang sedangkan dikembangkan dalam bidang medis saat ini adalah model yang dapat memprediksi dosis pada perencanaan IMRT. Data perencanaan dalam format DICOM (format asli data) dieksport ke bentuk CVS (Comma Separated Values). Kemudian data dibagi menjadi data training dan testing yang dipilih secara random. Algoritma yang digunakan untuk memprediksi adalah random forest yang akan di training menggunakan 7-fold validation dan kemudian model akan di uji dengan data baru yaitu data testing yang belum pernah dilihat oleh model. Data yang dievaluasi yaitu parameter untuk mendapat HI (Homogenety Index) untuk organ target, dan dosis mean dan max untuk OAR (Organ At Risk). Random forest mampu memprediksi nilai sebenarnya dengan kesalahan dievaluasi menggunakan MAE pada fitur PTV D2 (0,012), D50 (0,015) dan D98 (0,018) serta pada fitur OAR (mean dan  max) paru kanan (0,104 dan 0,228), paru kiri (0,094 dan 0,27), jantung (0,088 dan 0,267), spinal cord (0,069 dan 0,121) dan (V95) Body (0,094).

---

Predictions with machine learning regression models have been widely used for research. One of the machine learning models used for prediction is the random forest regressor. Machine learning requires training data to determine patterns and relationships between data. Nowadays, the regressor model that being developed in the medical field is able to predict dose in IMRT planning. Planning data in DICOM format (original data format) was exported to CVS (Comma Separated Values) format. Then, the data was divided into training and testing data which were selected randomly. The algorithm used to predict is a random forest that was trained using 7-fold validation and the model was evaluated with new data, namely testing data that have not been seen by the model. The evaluated data are parameters to obtain HI (Homogenety Index) for target organs, and mean and max doses for OAR (Organ At Risk). Random forest was able to predict the true value with errors and it was evaluated using MAE for PTV D2 (0,012), D50 (0,015) and D98 (0,018), for OAR (mean and  max) right lung (0,104 and 0,228), left lung (0,094 and 0,27), heart (0,088 and 0,267), spinal cord (0,069 and 0,121) and (V95) Body (0,094)."

"Kanker merupakan salah satu penyebab kematian utama di dunia, dengan 18,1 juta kasus dan 10 juta kematian pada 2020. Kanker serviks menempati urutan keempat secara global dan kedua di Indonesia. Tingginya angka kematian lebih banyak terjadi di negara berpenghasilan menengah ke bawah karena keterbatasan akses pada pencegahan. Deteksi dini kanker serviks sering sulit dilakukan hingga mencapai stadium lanjut. Salah satu metode deteksi dini adalah menggunakan machine learning. Penelitian ini mengaplikasikan algoritma stacking classifier yang menggabungkan decision tree, support vector machine, dan random forest sebagai first-level learner, serta logistic regression sebagai meta learner, untuk mengklasifikasi pasien kanker serviks. Dataset berasal dari 858 pasien di Hospital Universitario de Caracas, Venezuela. Data dibagi 70% untuk pelatihan dan 30% untuk pengujian, dengan lima percobaan acak. Model menghasilkan akurasi rata-rata 95,03%, precision 99,05%, sensitivity 95,49%, specificity 89,39%, dan G-mean 92,37%. Meskipun stacking ensemble menunjukkan performa yang baik, model tunggal menghasilkan kinerja yang sedikit lebih baik namun tidak signifikan.

---

Cancer is a leading cause of death worldwide, with 18.1 million cases and 10 million deaths in 2020. In Indonesia, there were 396,914 cases and 235,511 deaths. Cervical cancer is the fourth most common cancer globally and the second most common in Indonesia. Higher death rates occur in low- and middle-income countries due to limited access to preventive measures. Cervical cancer is often difficult to detect until it reaches an advanced stage. This research applies a machine learning approach, using a stacking classifier algorithm that combines decision tree, support vector machine, and random forest models as first-level learners, with logistic regression as the meta learner, to classify patients with and without cervical cancer. The dataset, from the UCI Repository, contains data from 858 patients at risk for cervical cancer at Hospital Universitario de Caracas in Venezuela. The data was split into 70% for training and 30% for testing, with five random trials. The model achieved an average accuracy of 95.03%, precision of 99.05%, sensitivity of 95.49%, specificity of 89.39%, and a G-mean of 92.37%. While the stacking ensemble model performed well, single-classifier models showed slightly better performance, though the difference was not significant."

"Klasifikasi data kanker menggunakan microarray data menjadi salah satu cara untuk mendapatkan pengobatan yang lebih tepat. Kendala yang terdapat adalah karakteristik dari microarray yang memiliki fitur yang sangat banyak. Seringkali fitur tersebut tidak begitu informatif bagi pengklasifikasian sehingga perlu adanya suatu cara untuk memilih fitur-fitur yang mengandung informasi yang penting. Salah satu cara tersebut adalah dengan pemilihan fitur. Pada penelitian ini, metode pemilihan fitur yang digunakan berdasarkan clustering dengan fungsi kernel. Fitur-fitur yang sudah terpilih kemudian diklasifikasikan menggunakan metode Support Vector Machine.Evaluasi dari klasifikasi pada penelitian ini melibatkan K-Fold Cross Validation, metode tersebut akan membagi data secara acak, tetapi merata sehingga akurasi yang didapat juga merata. Hasil akurasi tersebut dilakukan dengan berbagai uji terhadap parameter yang berkaitan seperti K partisi, nilai dan fitur-fitur yang digunakan. Pada proses klasifikasi tanpa pemilihan fitur tingkat akurasinya mencapai 89.68 dengan k partisi sebanyak 6 sementara dengan 5 fitur akurasinya menjadi 95.87 pada partisi sebanyak 10.

---

Classification of cancer using microarray data is one way to get a more precise treatment. The obstacle on classification data is the characteristics of microarray data that is having many features. These features are often not so informative for classification, so it needs a way to select the features that contain important information. One way is by selection feature. In this research, the method of selection features that are used based on clustering with kernel function. Features that are already selected then classified using Support Vector Machine.

Evaluation of classification in this research involves a K Fold Cross Validation, that methods split data randomly but uniformly so that it can reach all of accuracy. The results of accuracy data was done with different test against related parameters such as K partition, the value of and the features that are used. On the classification process without selection features rate of accuracy reached on 89.68 with k partition number 6 while with the 5 features obtained 95.87 on partition number 10."

"Serviks atau leher rahim merupakan salah satu bagian dari sistem alat reproduksi wanita. Salah satu penyakit yang dapat menyerang serviks adalah kanker. Di dunia, kanker serviks adalah salah satu kanker yang menyebabkan kematian dan keganasan yang paling umum terjadi pada wanita. Kanker serviks merupakan penyakit yang memiliki peluang sembuh cukup besar jika terdeteksi sejak dini. Seiring dengan perkembangan teknologi dalam berbagai bidang, termasuk dalam bidang medis, maka pendeteksian dini kanker serviks dapat dilakukan dengan klasifikasi menggunakan bantuan dari metode klasifikasi machine learning. Pada penelitian ini, metode klasifikasi machine learning yang digunakan untuk mengklasifikasikan kanker serviks adalah metode Naïve Bayes (NB) dan Support Vector Machine (SVM) dengan seleksi fitur Grey Wolf Optimization (GWO). Seleksi fitur GWO merupakan seleksi fitur metode wrapper yang digunakan pada penelitian ini untuk mengeliminasi fitur-fitur tidak relevan dalam mengklasifikasikan data kanker serviks, agar NB dan SVM dapat mengklasifikasi dengan lebih akurat. Sehingga, metode ini disebut sebagai metode NB–GWO dan SVM–GWO. Data kanker serviks yang digunakan pada penelitian ini merupakan data numerik dari hasil citra MRI yang diperoleh dari Departemen Radiologi RSUPN Dr. Cipto Mangunkusumo. Berdasarkan hasil penelitian dengan seleksi fitur GWO, metode NB–GWO menghasilkan rata-rata akurasi, recall, dan f1-score tertinggi masing-masing sebesar 96,30%, 96,08%, 97,93%, dan 96,30%, sedangkan metode SVM–GWO menghasilkan rata-rata akurasi dan f1-score tertinggi masing-masing sebesar 95,37% dan 95,36% dengan kernel Linier, rata- rata presisi tertinggi sebesar 97,56% dengan kernel Polinomial, serta rata-rata recall tertinggi sebesar 99,75% dengan kernel RBF. Kemudian, berdasarkan hasil klasifikasi tanpa seleksi fitur GWO, metode NB menghasilkan rata-rata akurasi, presisi, recall, dan f1-score tertinggi masing-masing sebesar 91,98%, 95,21%, 92,90%, 91,95%, sedangkan metode SVM menghasilkan rata-rata akurasi, recall, dan f1-score tertinggi sebesar 92,13%, 99,24%, dan 92,19% dengan kernel RBF, serta rata-rata presisi tertinggi sebesar 93,59% dengan kernel Polinomial. Dengan demikian, metode seleksi fitur GWO dapat meningkatkan kinerja dari NB dan SVM dalam mengklasifikasikan data kanker serviks. Selanjutnya, berdasarkan hasil perbandingan kinerja dari NB–GWO dan SVM–GWO, maka secara keseluruhan metode NB–GWO menghasilkan kinerja yang lebih baik dalam mengklasifikasikan data kanker serviks dibandingkan dengan SVM–GWO.

---

Cervix is one part of the female reproductive system. One of the diseases that can attack the cervix is cancer. In the world, cervical cancer is one of the cancers that cause death and malignancy that is most common in women. Cervical cancer is a disease that has a considerable chance of recovery if detected early. Along with the development of technology in various fields, including in the medical field, the early detection of cervical cancer can be done by classification using the help of machine learning classification methods. In this study, the machine learning classification method used to classify cervical cancer was Naïve Bayes (NB) and Support Vector Machine (SVM) with Grey Wolf Optimization (GWO) feature selection. GWO feature selection is a wrapper feature selection method used in this study to eliminate irrelevant features in classifying cervical cancer data, so that NB and SVM can classify more accurately. Thus, this method is referred to as the NB–GWO and SVM–GWO. Cervical cancer data used in this study is numerical data from MRI obtained from the Department of Radiology RSUPN Dr. Cipto Mangunkusumo. Based on the results of the study with GWO feature selection, NB– GWO produced the highest average accuracy, recall, and f1-score of 96.30%, 96.08%, 97.93%, and 96.30% respectively, while SVM–GWO produced the highest average accuracy and f1-score of 95.37% and 95.36% respectively with Linear kernel, the highest precision average of 97.56% with Polynomial kernel, and the highest recall average of 99.75% with RBF kernel. Then, based on the results of classification without GWO feature selection, the NB produced the highest average accuracy, precision, recall, and f1- score of 91.98%, 95.21%, 92.90%, 91.95% respectively, while SVM produced the highest average accuracy, recall, and f1-score of 92.13%, 99.24%, and 92.19% with RBF kernel, and the highest average precision of 93.59% with Polynomial kernel. Thus, GWO feature selection method was able to improve the performance of NB and SVM in classifying cervical cancer. Furthermore, based on the results of performance comparison from NB– GWO and SVM–GWO, the overall method of NB–GWO resulted in better performance in classifying cervical cancer data compared to SVM–GWO."

"Penjaminan mutu dalam radioterapi adalah proses yang penting agar penggunaan radiasi memberikan manfaat yang maksimal. Saat ini sedang berkembang implementasi machine learning (ML) dalam proses penjaminan mutu treatment planning. Pada penelitian ini, 34 treatment plan intensity-modulated radiation therapy (IMRT) optimal dan 10 treatment plan IMRT suboptimal dari Rumah Sakit Siloam MRCCC Semanggi digunakan dalam pemelajaran model ML berjenis autoencoder untuk pendeteksian anomali yang dikembangkan menggunakan PyTorch. Terdapat empat tahap dalam penelitian ini yaitu tahap persiapan, tahap pengembangan, tahap validasi, dan tahap evaluasi. Pada tahap pengembangan, data mentah disiapkan agar siap digunakan untuk pemelajaran model. Pada tahap pengembangan, model dibuat menggunakan PyTorch dan dilakukan optimisasi hyperparameter. Akurasi hasil pemelajaran model akan dianalisis pada tahap validasi. Terakhir, pada tahap evaluasi, kemampuan model dievaluasi dengan melakukan uji statistik Mann-Whitney U test pada parameter dose-volume histogram (DVH), fitur radiomics, dan metrik DVH (conformity index dan homogeneity index). Model menggunakan 161 fitur radiomics dengan konfigurasi paling optimal adalah epochs sebanyak 1.250 iterasi, konfigurasi hidden layers 150-50-17, dan learning rate sebesar 0,2. Hasilnya menunjukkan akurasi sebesar 30% dengan 7% fitur radiomics, 50% parameter DVH, dan homogeneity index berbeda secara signifikan. Setelah dilakukan pembersihan yaitu membuang data dengan nilai conformity index di bawah satu, didapat akurasi sebesar 17% dengan 12% fitur radiomics, 45% parameter DVH, dan kedua metrik DVH berbeda secara signifikan. Jika hanya digunakan fitur radiomics yang berbeda secara signifikan, didapat akurasi naik menjadi 90%. Dari hasil ini, disimpulkan bahwa fitur radiomics kurang mampu mengkarakterisasi kualitas treatment plan. Selain itu, segmentasi planning target volume (PTV) beserta kelompok fitur radiomics firstorder adalah pembeda utama antara treatment plan optimal dengan suboptimal.

---

Quality assurance in radiotherapy is an important process so that the use of radiation provides maximum benefits. Currently, the implementation of machine learning in the quality assurance of treatment planning is growing. In this study, 34 optimal intensity- modulated radiation therapy (IMRT) treatment plans and 10 suboptimal IMRT treatment plans obtained from Siloam MRCCC Semanggi Hospital were used to train a machine

learning model called autoencoder for anomaly detection developed using PyTorch. There were four stages in this study, namely the preparation stage, development stage, validation stage, and evaluation stage. At the development stage, the raw data was

prepared so that it is ready to be used for training. At the development stage, the model was developed and a hyperparameter optimization was performed. The accuracy of the

model was analyzed at the validation stage. Finally, at the evaluation stage, the model performance was evaluated by performing Mann-Whitney U test on dose volume histogram (DVH) parameters, radiomics features, and DVH metrics (conformity index and homogeneity index). The model used 161 radiomics features with an epochs of 1,250 iterations, 150-50-17 hidden layers configuration, and a learning rate of 0.2 being the most optimal configuration. The results showed an accuracy of 30% with 7% of radiomics

features, 50% of DVH parameters, and the homogeneity index being different

significantly. After refinement, that is removing data with conformity index below one, the accuracy became 17% with 12% of radiomics features, 45% of DVH parameters, and both DVH metrics being different significantly. If the radiomics features used are those

that were significantly different, the accuracy increased to 90%. From these results, it can be concluded that the radiomics features are unable to characterize the quality of the

treatment plan. In addition, planning target volume (PTV) segment along with the firstorder radiomics feature group is the main differentiator between optimal and suboptimal treatment plans. "