fasilkom UI sidang doktor
ZOOM: Promosi Doktor Toto Haryanto dihadiri pejabat Dekan Fasilkom Universitas Indonesia, Wakil Dekan bindag Sumber Daya, Ventura, dan Administrasi Umum. FOTO : UI FOR RADAR DEPOK
fasilkom UI sidang doktor
ZOOM : Promosi Doktor Toto Haryanto dihadiri pejabat Dekan Fasilkom Universitas Indonesia, Wakil Dekan bindag Sumber Daya, Ventura, dan Administrasi Umum. FOTO : UI FOR RADAR DEPOK

 

RADARDEPOK.COM, DEPOK – Fakultas Ilmu Komputer Universitas Indonesia (Fasilkom UI), menyelenggarakan sidang promosi doktor dengan kajian mengenai pengembangan metode klasifikasi status kanker berbasis citra histopatologi dengan deep learning dan komputasi parallel di lingkungan graphics processing unit.

Pada sidang promosi doktor yang dilaksanakan secara daring menggunakan aplikasi Zoom dan dapat disaksikan live di kanal Youtube Fasilkom UI, Toto Haryanto, dengan promotor Profesor Heru Suhartanto dan ko-promotor Profesor Aniati Murni Arymurthy, berhasil mempertahankan disertasinya dan dinyatakan lulus dari Program Doktor Ilmu Komputer Fasilkom UI (15/12).

Salah satu cara untuk mendeteksi penyakit kanker adalah melakukan analisis menggunakan citra histopatologi yang merupakan gold standar untuk diagnosis kanker. Citra histopatologi adalah citra yang diambil dari jaringan tubuh pasien yang diduga terkena kanker menggunakan suatu alat (scanner) dengan resolusi yang bervariasi. Citra tersebut kemudian diberikan pewarnaan tertentu yang umumnya menggunakan pewarnaan hematoxylin dan eosin (H & E) dan dibutuhkan waktu sekitar 5-6 jam untuk setiap sampel agar dapat diidentifikasi kanker atau tidak.

Toto Haryanto menjelaskan bahwa kehadiran berbagai teknik machine learning dan deep learning memberikan peluang bagi bidang Ilmu Komputer untuk memiliki andil di dalam memberikan alternatif untuk menyelesaikan permasalahan tersebut.

“Machine learning dan deep learning memanfaatkan sejumlah data untuk dilatih dan kemudian akan menghasilkan metode atau bahkan model untuk memprediksi atau identifikasi kanker,” ungkapnya.

Selain itu, pengembangan suatu metode berbasis deep learning untuk melakukan prediksi sangat membutuhkan ketersediaan data yang memadai. Oleh karena itu, diperlukan suatu teknik yang dapat menghasilkan atau membangkitkan data histopatologi sebagai dataset untuk proses pelatihan.

“Salah satu kebaruan dari disertasi ini adalah telah berhasil melakukan modifikasi dan algoritma sliding window untuk mengatasi keterbatasan data citra histopatologi yang disebut dengan conditional sliding windows,” tuturnya.

Selain itu, disertasi ini juga telah berhasil merancang arsitektur deep learning yang dilatih pada lingkungan parallel dengan graphics processing unit (GPU) untuk menghasilkan metode identifikasi status kanker dengan akurasi citra histopatologi yang dapat dibandingkan dengan metode terkini yang berkembang. (rd/gun)

 

Jurnalis : M. Agung HR

Editor : Pebri Mulya