Pengembangan Model Machine Learning untuk Prediksi Survival Kanker Payudara Berbasis DNA Methylation

Khosina, Angelima (2026) Pengembangan Model Machine Learning untuk Prediksi Survival Kanker Payudara Berbasis DNA Methylation. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_I.pdf Download (214kB)
	PDF BAB_II.pdf Download (302kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (476kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (638kB)
	PDF BAB_V.pdf Restricted to Registered users only Download (208kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (220kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (687kB)
	Archive (ZIP) 00000067456_2521_LembarPengesahan.pdf Restricted to Registered users only Download (65kB)

Abstract

Kanker payudara merupakan salah satu jenis kanker dengan angka kejadian dan kematian tertinggi pada perempuan di seluruh dunia. Tingginya angka mortalitas tersebut menjadikan prediksi kelangsungan hidup (survival prediction) sebagai aspek penting untuk mendukung pengambilan keputusan klinis dan perencanaan terapi yang lebih tepat. Salah satu biomarker yang berpotensi dimanfaatkan dalam prediksi survival adalah DNA methylation, yaitu mekanisme epigenetik yang berperan dalam regulasi ekspresi gen dan perkembangan kanker. Penelitian ini mengembangkan model machine learning untuk memprediksi kelangsungan hidup pasien kanker payudara menggunakan kombinasi data DNA methylation dan data klinis dari dataset TCGA-BRCA (The Cancer Genome Atlas Breast Invasive Carcinoma). Tahap prapemrosesan meliputi imputasi nilai hilang, seleksi fitur secara bertahap menggunakan Differentially Methylated Positions (DMP), Variance Filtering, dan Mutual Information, penggabungan dengan tiga fitur klinis berupa usia, ras, dan stadium kanker, serta penyeimbangan kelas menggunakan SMOTE- Tomek. Pemodelan dilakukan menggunakan empat algoritma, yaitu Support Vector Machine (SVM), Extreme Gradient Boosting (XGBoost), Random Forest, dan Multilayer Perceptron (MLP), dengan evaluasi menggunakan Stratified 5-Fold Cross Validation dan pengujian akhir pada test set yang tidak digunakan selama proses pelatihan. Hasil pengujian akhir menunjukkan bahwa model XGBoost memberikan performa terbaik dengan nilai ROC-AUC sebesar 0,8489 pada prediksi kelangsungan hidup 3 tahun dan 0,6667 pada prediksi kelangsungan hidup 5 tahun. Analisis interpretasi model menggunakan SHAP menunjukkan bahwa stadium kanker dan usia merupakan fitur klinis yang paling berpengaruh, sementara beberapa situs CpG hasil seleksi fitur juga memberikan kontribusi signifikan terhadap hasil prediksi. Penelitian ini menunjukkan bahwa kombinasi data DNA methylation dan data klinis mampu menghasilkan model prediksi kelangsungan hidup kanker payudara dengan performa yang kompetitif tanpa memerlukan integrasi data multi-omics yang lebih kompleks.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Khosina, Angelima (00000067456)
Contributors:	Agustriawan, David
Keywords:	DNA methylation, kanker payudara, machine learning, prediksi survival, XGBoost.
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	21 Jul 2026 07:58
URI:	https://kc.umn.ac.id/id/eprint/47791

Actions (login required)

View Item