文章基本信息

标题：Klasifikasi DNA Microarray Menggunakan Principal Component Analysis (PCA) dan Artificial Neural Network (ANN)
本地全文：下载
作者：Dian Atia Ihsani ; Achmad Arifin ; Muhammad Hilman Fatoni 等
期刊名称：Jurnal Teknik ITS
印刷版ISSN：2301-9271
电子版ISSN：2337-3539
出版年度：2020
卷号：9
期号：1
页码：124-129
DOI：10.12962/j23373539.v9i1.51637
语种：Spanish
出版社：Lembaga Penelitian dan Pengabdian kepada Masyarakat
摘要：Kanker merupakan suatu kelompok penyakit tingkat molekular yang ditandai dengan pembelahan sel tidak terkendali yang memiliki potensi untuk menyerang jaringan biologis lainnya, baik dengan pertumbuhan pada jaringan sekitar (invasi) atau dengan perpindahan ke jaringan lain (metastatic). Banyaknya jumlah ekspresi gen serta besarnya data yang terkandung pada DNA membuat diagnosis bagi pasien penderita kanker terhambat. Lama waktu yang dibutuhkan untuk diagnosis kanker membuat perawatan yang diberikan tertunda, sehingga sel kanker sering kali telah menginvasi organ lain yang kemudian memicu tingginya tingkat kematian akibat kanker. DNA microarray merupakan suatu metode baru dalam dunia teknologi yang membantu proses analisis tingkat ekspresi jutaan gen pada suatu waktu. Melalui ekspresi gen ini, diagnosis penyakit, identifikasi tumor, serta deteksi mutasi dapat dilakukan secara efektif dan efisien. Dalam tugas akhir ini, salah satu kelas dari Artificial Neural Network (ANN), yakni Multilayer Perceptron (MLP), diaplikasikan sebagai metode klasifikasi. Untuk meningkatkan efisiensi proses klasifikasi, data yang berukuran besar direduksi dimensionalitasnya menggunakan metode Principal Component Analysis (PCA). Dua sub-tipe kanker paru-paru, yakni Adenocarcinoma (AC) dan Squamous Cell Carcinoma (SCC) digunakan sebagai data penguji untuk memvalidasi keberhasilan metode yang diajukan. Hasil klasifikasi dari dataset PCA dengan nilai variance yang meningkat menunjukkan nilai akurasi yang meningkat pula dengan nilai maksimal akurasi dari dataset variance 100% sebesar 90,02%.
关键词：Artificial Neural Network;Cancer Classification;DNA Microarray;Principal Component Analysis