IDEKTIFIKASI GEN MARKER PBMCS ISCHEMIC STROKE MENGGUNAKAN ANALISIS BIOINFORMATIKA DAN SUPPORT VECTOR MACHINE
Isi Artikel Utama
Abstrak
Penyakit stroke adalah kondisi ketika aliran darah ke otak terhambat atau terputus, mengakibatkan kerusakan pada sel-sel otak. Diperkirakan ada 50 juta kasus stroke di seluruh dunia, dengan 9 juta di antaranya mengakibatkan kecacatan berat. Penelitian ini bertujuan untuk melakukan klasifikasi dan melihat genomic profiling antara penderita stroke iskemik kontrol dan non kontrol dengan analisis support vector machine (SVM). Data yang digunakan adalah data microarray dengan kode series GSE22255 dari Institut Kedokteran Molekuler di kota Lisbon, Portugal. Untuk melihat perbandingan akurasi yang dihasilkan, analisis dilakukan dengan beberapa skema berdasarkan kernel dan nilai cost optimal pada metode SVM yaitu kernel linier, polinomial, RBF dna sigmoid. Dari hasil analisis diketahui bahwa metode SVM dengan skema kernel terbaik yaitu menggunakan kernel RBF dan optimal cost 1 dengan nilai akurasi sebesar 88.0%, Model SVM dengan kernel sigmoid tidak dapat digunakan untuk klasifikasi karena nilai akurasinya yang sangat rendah. Sementara itu, SVM dengan kernel linear dan polynomial masih tetap dapat digunakan karena nilai akurasinya >70% .
Rincian Artikel
Referensi
S. C. Smeltzer and B. G. Bare, Brunner and Suddarth's Textbook of Medical-Surgical Nursing, Philadelphia: Lippincott-Raven Publisher, 1996.
K. and R. D. Saraswati, "Transisi Epidemiologi Stroke sebagai Penyebab Kematian pada Semua Kelompok Usia di Indonesia," in Prosiding Seminar Nasional Riset Kedokteran (SENSORIK), Jakarta, 2021.
Y. Haiga, I. P. P. Salman and S. Wahyuni, "Perbedaan Diagnosis Stroke Iskemik dan Stroke Hemoragik dengan Hasil Transcranial Doppler di RSUP Dr. M. Djamil Padang," Scientific Journal, vol. 1, no. 5, 2022.
S. M. Thampi, Bioinformatics, Kerala: LBS College of Engineering, 2017.
H. S. and T. S. Famuji, "Proses Implementasi Bioinformatika Pada Digitalisasi Data Genetika Manusia," Jurnal SIMETRIS, vol. 14, no. 1, 2023.
A. A. Parikesit, "Kontribusi Aplikasi Medis dari Ilmu Bioinformatika Berdasarkan Perkembangan Pembelajaran Mesin (Machine Learning) Terbaru," Cermin Dunia Kedokteran, vol. 45, no. 9, 2018.
L. Zimmermann, "Completly Reimplemented MPI Bioinformatics Toolkit with a New HHpred Server at its Core," Journal of Molecular Biology, vol. 430, no. 15, 2018.
Y. Li, C. Huang, L. Ding, Z. Li, Y. Pan and X. Gao, "Deep Learning in Bioinformatics: Introduction, Application, and Prespective in the Big Data Era," Methods, vol. 166, no. 10, 2019.
A. M. Puspita, D. E. Ratnawati and A. W. Widodo, "Klasifikasi Penyakit Gigi dan Mulut Menggunakan Metode Support Vector Machine," Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, no. 2, 2018.
S. H. Wibowo and R. Toyib, "Support Vector Machine Method for Recognizing Patterns in Signatures," Jurnal Media Infotama, vol. 18, no. 2, 2022.
P. Fremmuzar and A. Baita, "Uji Kernel SVM dalam Analisis Sentimen Terhadap Layanan Telkomsel di Media Sosial Twitter," Komputika: Jurnal Sistem Komputer, vol. 12, no. 2, 2023.
P. N. Andono and E. H. Rachmawanto, "Evaluasi Ekstraksi Fitur GLCM dan LBP Menggunakan MultikernelSVM untuk Klasifikasi Batik," JURNAL RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 5, no. 1, p. 4, 2020.
R. Permatasari and A. Wibowo, "Implementation of support Vector Machine - Recursive Feature Elimination for MicroRNA Selection in Breast Cancer Classification," Jurnal EECCiS, vol. 14, no. 1, 2020.
L. Syafa'ah, Z. Zulfatman, I. Pakaya and M. Lestandy, "Comparison of Machine Learning Classification Methods in Hepatitis C Virus," Jurnal Online Informatika (JOIN), vol. 6, no. 1, 2021.
D. V. Carreras, J. Alcaraz and M. Landete, "Comparing two SVM models through different metrics based on the confusion matrix," Computers & Operations Research, vol. 152, 2023.
R. Chairunisa, A. and W. Astuti, "Perbandingan CART dan Random Forest untuk Deteksi Kanker berbasis Klasifikasi Data Microarray," Jurnal RESTI, vol. 4, no. 5, 202.