Iwan Dwiprahasto: Perbedaan antara revisi

Penyebab kanker payudara memang dipacu oleh berbagai faktor. Dari sinilah muncul gagasan bagaimana ''machine learning'' ([[pemelajaran mesin]]) dapat membantu menghitung faktor-faktor risiko sehingga dapat membantu seseorang dalam mengambil keputusan untuk melakukan deteksi dini kanker payudara. Perhitungan risiko penyakit melalui ''machine learning'' dianggap dapat memperlihatkan apakah seseorang punya risiko yang aman dari kanker payudara, masuk dalam kriteria aksi pencegahan kanker payudara, atau bahkan masuk dalam risiko tinggi memiliki kanker payudara.<ref>{{Cite book|url=https://www.worldcat.org/oclc/742421886|title=Data mining : concepts and techniques|last=Han, Jiawei.|date=2012|publisher=Elsevier/Morgan Kaufmann|others=Kamber, Micheline., Pei, Jian (Computer scientist)|isbn=978-0-12-381480-7|edition=3rd ed|location=Amsterdam|oclc=742421886}}</ref><ref>{{Cite journal|last=Chapman|first=W. W.|last2=Fizman|first2=M.|last3=Chapman|first3=B. E.|last4=Haug|first4=P. J.|date=2001-02|title=A comparison of classification algorithms to automatically identify chest X-ray reports that support pneumonia|url=https://pubmed.ncbi.nlm.nih.gov/11376542/|journal=Journal of Biomedical Informatics|volume=34|issue=1|pages=4–14|doi=10.1006/jbin.2001.1000|issn=1532-0464|pmid=11376542}}</ref> Iwan kembali berkolaborasi dengan tiga penelitian lain untuk mengulas ''machine learning'' mana yang memiliki akurasi paling tinggi dalam mendeteksi kanker payudara, yakni melalui pendekatan: Naive Bayes, Neural Network, Decision Tree, Logistic Regression, Linear Discriminant Analysis, Super Vector Machine (SVM), K-Nearest Neighbor. [[Penelitian kuantitatif]] dengan desain riset meta-analisis ini meneliti jurnal ilmiah dari 2000-2018 yang menggunakan tiap ''machine learning'' di atas untuk mendeteksi kanker payudara, dan berdasarkan pembatasan riset, terdapat sebelas studi yang sesuai dengan desain penelitian. Uji analisa diagnostik dilakukan dengan menghitung skala sensitivitas dan spesifisitas dari ''dataset'' penelitian yang bersangkutan ke dalam kriteria akurasi nilai Area Under Curve (AUC) melalui kurva Receiver Operating Characteristic (ROC)''.'' Dari olahan perbandingan skala nilai yang ada, dihasilkan bahwa pendekatan SVM menggambarkan perhitungan risiko kanker payudara dengan klasifikasi akurasi yang sangat baik dibandingkan algoritma ''machine learning'' lainnya (AUC > 90%)''.'' Para penelitinya, termasuk Iwan, berkata bahwa ''machine learning'' membantu mengurangi kemungkinan kesalahan yang dapat disebabkan oleh tenaga medis ataupun sebagai data medis yang dapat dimanfaatkan sesuai kebutuhan. Sistem ini juga potensial untuk dikembangkan dalam bentuk [[aplikasi seluler]] sehingga para perempuan dapat menggunakannya dengan mudah.<ref>{{Cite journal|last=Nindrea|first=Ricvan Dana|last2=Aryandono|first2=Teguh|last3=Lazuardi|first3=Lutfan|last4=Dwiprahasto|first4=Iwan|date=2018-07|title=Diagnostic Accuracy of Different Machine Learning Algorithms for Breast Cancer Risk Calculation: a Meta-Analysis|url=http://doi.org/10.22034/APJCP.2018.19.7.1747|journal=Asian Pacific Journal of Cancer Prevention|volume=19|issue=7|doi=10.22034/APJCP.2018.19.7.1747|pmc=PMC6165638|pmid=30049182}}</ref>

 

 

# Komite Nasional Formularium (Ketua)