Text

Seleksi Fitur Dan Optimasi Parameter Jaringan Syaraf Tiruan Backpropagation Berbasis Algoritma Genetika Untuk Klasifikasi Kanker Payudara Berdasarkan Profil Microrna

---

ABSTRAK

Kanker payudara merupakan jenis kanker yang paling sering ditemukan pada wanita. Kanker
payudara mengalami peningkatan angka mortalitas setiap tahunnya karena belum ditemukan
suatu metode deteksi dini yang tepat. MicroRNA dapat dijadikan sebagai biomarker yang
potensial, karena profil fitur microRNA pada kanker payudara akan mengalami penurunan
atau peningkatan nilai ekspresi jika dibandingkan dengan kondisi normal. Namun karena
jenis microRNA penyusun kanker payudara berjumlah ribuan, maka diperlukan biaya yang
besar untuk mendeteksi seluruhnya. Metode Jaringan Saraf Tiruan Backpropagation
memiliki performa yang baik dalam generalisasi, sehingga cocok digunakan sebagai metode
untuk klasifikasi dengan banyak fitur. Hasil klasifikasi dari model jaringan syaraf tiruan akan
lebih akurat jika parameter yang digunakan dapat dioptimalkan secara tepat. Algoritma
genetika dapat digunakan untuk melakukan optimasi parameter jaringan syaraf tiruan
backpropagation sekaligus melakukan seleksi fitur karena karakteristik pencarian global
yang dimilikinya. Penelitian ini bertujuan untuk membandingkan kinerja jaringan syaraf
tiruan backpropagation yang dioptimasi menggunakan algoritma genetika serta
dikombinasikan dengan seleksi fitur (GABPNN_FS) terhadap jaringan syaraf tiruan
backpropagation yang dioptimasi menggunakan algoritma genetika tanpa seleksi fitur
(GABPNN). Hasil penelitian menunjukkan bahwa GABPNN memiliki hasil yang lebih baik
dengan nilai akurasi, sensitifitas, dan spesifisitas yaitu 98.00%, 99.00%, dan 97.00%. Namun
GABPNN_FS memiliki rata-rata durasi proses yang lebih cepat yaitu 53.2689 detik. Hasil
penerjemahan kromosom dari individu terbaik pada GABPNN_FS untuk klasifikasi kanker
payudara berdasarkan profil microRNA yaitu random state = 6098, learning rate = 0.7,
jumlah hidden neuron = 6, dan jumlah fitur terpilih = 707 fitur yang menghasilkan nilai
akurasi, sensitifitas, dan spesifisitas yaitu 97.50%, 99.00%, dan 96.00%.
Kata Kunci : Kanker payudara, MicroRNA, Jaringan syaraf tiruan, Backpropagation,
Optimasi parameter, Seleksi fitur, dan Algoritma genetika

ABSTRACT

Breast cancer is a kind of malignant tumor which is most often found in women and I tends
to increase because there has not been found an appropriate early detection method.
MicroRNA can be used as a potential biomarker for cancer, because the feature profile of
microRNA in cancer will has a change in exprsession number when compared to a normal
microRNA. But, since there are thousands types of microRNA that make up breast cancer,
it requires a lot of costs if it has to be detected entirely. Backpropagation has a good
performance in generalization, so it is suitable to classify many features. Classification
produced from ANN models will be more accurate if the parameters can be optimized
appropriately. Genetic algorithm can be used to optimize backpropagation parameters while
selecting features simultaneously. The objective of this research is to compare the
performance of backpropagation that optimized using genetic algorithm and combined with
feature selection (GABPNN_FS) with backpropagation that optimized using genetics
algorithm without feature selection (GABPNN). The result of this research showed that
GABPNN had better average output compared to GABPNN_FS with values of accuracy,
sensitivity, and spesificity, namely 98.00%, 99.00%, and 97.00%. But GABPNN_FS had a
faster running time with proccess duration as big as 53.2689 seconds. The best result from
the GABPNN_FS process for classification of breast cancer based on microRNA profile,
those were random state = 6098, learning rate = 0.7, number of hidden neurons = 6, and the
number of selected features = 707 features that produce values of accuracy, sensitivity, and
spesificity were 97.50%, 99.00%, and 96.00%.
Keywords : Breast cancer, MicroRNA, Artificial neural network, Backpropagation,
Parameters optimization, Feature selection, Genetic algorithm

---

Ketersediaan

739F19III

739 F 19-ii

Perpustakaan FSM Undip (Referensi)

Tersedia

Informasi Detail

Judul Seri

ILMU KOMPUTER/INFORMATIKA

No. Panggil

739 F 19-ii

Penerbit

: ., 2019

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

530.44

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Amazona Adorada

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar