Prediksi Stadium Kanker Prostat Berdasarkan Ekspresi Gen-miRNA menggunakan SVM dan LR dengan Seleksi Fitur DESeq2-RFE

Ivan Halim, Gregorius (2025) Prediksi Stadium Kanker Prostat Berdasarkan Ekspresi Gen-miRNA menggunakan SVM dan LR dengan Seleksi Fitur DESeq2-RFE. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (2MB)
	PDF BAB_I.pdf Download (218kB)
	PDF BAB_II.pdf Download (520kB)
	PDF BAB_III.pdf Download (395kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (839kB)
	PDF BAB_V.pdf Download (208kB)
	PDF DAFTAR_PUSTAKA.pdf Download (231kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (682kB)

Abstract

Klasifikasi stadium kanker prostat yang akurat sangat penting untuk meningkatkan hasil pengobatan dan mendukung pengambilan keputusan klinis. Penelitian ini bertujuan mengembangkan model prediktif untuk klasifikasi stadium kanker prostat berdasarkan data ekspresi gen dan miRNA, dengan memanfaatkan kombinasi teknik seleksi fitur dan algoritma pembelajaran mesin. Fokus utama penelitian ini adalah membandingkan kemampuan prediktif dari kedua jenis data dalam membedakan antara kanker prostat stadium II dan III pada pasien pria non-Hispanik kulit putih. Proses seleksi fitur dilakukan secara bertahap, dimulai dengan metode filter seperti DESeq2, Limma, ANOVA, dan MRMR, kemudian dilanjutkan dengan teknik wrapper Recursive Feature Elimination (RFE). Model dibangun menggunakan algoritma Support Vector Machine (SVM) dan Logistic Regression (LR) serta dilatih pada data RNA-Seq yang telah distandarisasi. Evaluasi performa dilakukan dengan menggunakan metrik akurasi, presisi, recall, dan skor F1 makro. Hasil menunjukkan bahwa model berbasis ekspresi gen secara konsisten mengungguli model berbasis miRNA pada semua metrik evaluasi. Model terbaik diperoleh dari kombinasi DESeq2RFESVM, dengan akurasi 96,1% dan skor F1 makro 96%, hanya menggunakan 18 fitur gen. Meskipun sebagian besar gen memiliki skor AUC rendah dan korelasi lemah hingga sedang terhadap stadium kanker ketika dievaluasi secara individu, integrasi multigen memungkinkan klasifikasi stadium yang sangat efektif. Temuan ini menegaskan bahwa fitur ekspresi gen lebih informatif dibandingkan miRNA dalam klasifikasi stadium kanker prostat. Ke depan, pengembangan klasifikasi multikelas, penerapan metode deep learning, penggunaan RFE secara langsung, dan pengolahan fitur pada sistem berperforma tinggi disarankan untuk meningkatkan akurasi dan relevansi klinis model.

Item Type:

Thesis (Bachelor Thesis)

Keywords:

Biomarker, Ekspresi gen, Kanker prostat, Machine learning, miRNA, Seleksi fitur

Creators: