PENERAPAN MODEL MACHINE LEARNING UNTUK KLASIFIKASI SUBTIPE KANKER PAYUDARA DAN IDENTIFIKASI GEN KUNCI BERBASIS DATA RNA

Asyafiiyah, Gita Rohma Utami, 52104110011 and Zahara, Soffa, 0704079101 and Sukmaningtyas, Yanuarini Nur, 0714018304 (2025) PENERAPAN MODEL MACHINE LEARNING UNTUK KLASIFIKASI SUBTIPE KANKER PAYUDARA DAN IDENTIFIKASI GEN KUNCI BERBASIS DATA RNA. Bachelor thesis, Universitas Islam Majapahit.

	Text Abstrak.pdf Restricted to Registered users only Download (4MB) | Request a copy
Preview	Text BAB 1.pdf Download (498kB) | Preview
	Text BAB 2.pdf Restricted to Registered users only Download (828kB) | Request a copy
	Text BAB 3.pdf Restricted to Registered users only Download (853kB) | Request a copy
	Text BAB 4.pdf Restricted to Registered users only Download (1MB) | Request a copy
Preview	Text BAB 5.pdf Download (477kB) | Preview
Preview	Text DAFTAR PUSTAKA.pdf Download (290kB) | Preview
	Text LAMPIRAN.pdf Restricted to Registered users only Download (1MB) | Request a copy

Abstract

Kanker payudara merupakan jenis kanker kedua yang paling umum terjadi dan memiliki sifat yang heterogen. Berdasarkan karakteristik molekuler, kanker ini diklasifikasikan menjadi empat subtipe utama, yaitu Luminal A, Luminal B, HER2, dan TNBC, yang memiliki perbedaan signifikan dalam hal prognosis, agresivitas, serta respons terhadap terapi. Oleh karena itu, identifikasi subtipe yang tepat sangat dibutuhkan untuk menentukan pendekatan pengobatan yang optimal. Penelitian ini bertujuan membangun model machine learning untuk klasifikasi kanker payudara sekaligus mengidentifikasi gen kunci berbasis data RNA. Data yang digunakan merupakan data sekunder berjudul Breast Invasive Carcinoma (TCGA, PanCancer Atlas) dari platform cBioPortal. Pemodelan dilakukan menggunakan tiga algoritma utama, yaitu Gradient Boosting, XGBoost, dan Random Forest, sedangkan identifikasi gen kunci dilakukan melalui pendekatan feature importance dan analisis diferential expression. Hasil penelitian menunjukkan bahwa dari ketiga algoritma yang digunakan, model XGBoost menunjukkan performa terbaik dengan tingkat akurasi 93%. Gen-gen yang berhasil teridentifikasi juga menunjukkan kesesuaian dengan karakteristik dari masing-masing subtipe.

Actions (login required)

View Item