Klasifikasi Kanker Payudara Triple Negative, Kanker Payudara, dan Jaringan Normal Menggunakan Seleksi Fitur Differentially Expressed Genes (DEG) dan LASSO dengan Random Forest pada Data Ekspresi Gen

Susanto, Jonathan (2026) Klasifikasi Kanker Payudara Triple Negative, Kanker Payudara, dan Jaringan Normal Menggunakan Seleksi Fitur Differentially Expressed Genes (DEG) dan LASSO dengan Random Forest pada Data Ekspresi Gen. Bachelor Thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Restricted to Registered users only Download (442kB)
	PDF BAB_I.pdf Download (223kB)
	PDF BAB_II.pdf Download (331kB)
	PDF BAB_III.pdf Restricted to Registered users only Download (565kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Restricted to Registered users only Download (211kB)
	PDF DAFTAR_PUSTAKA.pdf Restricted to Registered users only Download (233kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)
	Archive (ZIP) 00000071412_2521_LembarPengesahan.pdf Restricted to Registered users only Download (66kB)

Abstract

Kanker payudara merupakan jenis kanker dengan angka kejadian tertinggi pada wanita di Indonesia, dengan Triple-Negative Breast Cancer (TNBC) sebagai subtipe paling agresif dan berprognosis terburuk. Diagnosis akurat antara TNBC, kanker payudara non-TNBC (BC), dan jaringan normal (NM) menjadi tantangan klinis akibat heterogenitas molekuler TNBC yang tinggi. Penelitian ini mengusulkan pendekatan klasifikasi berbasis data ekspresi gen RNA-seq dari dataset TCGA- BRCA melalui UCSC Xena, mencakup 686 sampel latih dan 172 sampel uji. Tiga pendekatan seleksi fitur dibandingkan: analisis Differentially Expressed Genes (DEG) menggunakan limma, kombinasi DEG dengan LASSO, dan kombinasi LASSO dengan Recursive Feature Elimination (RFE). Ketiganya dievaluasi menggunakan Random Forest (RF), XGBoost, dan Stacking RF + XGBoost melalui sembilan skenario eksperimen. Ketidakseimbangan kelas ditangani menggunakan SMOTE yang diterapkan eksklusif pada data latih. Hasil terbaik dicapai XGBoost dengan LASSO + RFE menggunakan 7 gen, menghasilkan Macro F1-score 92,25% dan accuracy 93,60%, melampaui penelitian sebelumnya yang menggunakan 8 gen dengan Macro F1 86,5%. Analisis SHAP mengidentifikasi COL10A1, ESR1, dan CA4 sebagai gen berkontribusi terbesar. Validasi biologis melalui analisis pathway KEGG mengonfirmasi keterlibatan ESR1 dalam jalur Breast cancer (hsa05224) dan Estrogen signaling pathway (hsa04915), menunjukkan bahwa ketujuh gen terpilih memiliki landasan biologis yang kuat sebagai kandidat biomarker klasifikasi subtipe kanker payudara.

Item Type:	Thesis (Bachelor Thesis)
Creators:	Susanto, Jonathan (00000071412)
Contributors:	Agustriawan, David
Keywords:	Ekspresi Gen, Kanker Payudara, Seleksi Fitur, TNBC, XGBoost
Subjects:	000 Computer Science, Information and General Works
Divisions:	Faculty of Engineering & Informatics > Informatics
Date Deposited:	27 Jul 2026 08:02
URI:	https://kc.umn.ac.id/id/eprint/48221

Actions (login required)

View Item