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.

[img] Text
Abstrak.pdf
Restricted to Registered users only

Download (4MB) | Request a copy
[img]
Preview
Text
BAB 1.pdf

Download (498kB) | Preview
[img] Text
BAB 2.pdf
Restricted to Registered users only

Download (828kB) | Request a copy
[img] Text
BAB 3.pdf
Restricted to Registered users only

Download (853kB) | Request a copy
[img] Text
BAB 4.pdf
Restricted to Registered users only

Download (1MB) | Request a copy
[img]
Preview
Text
BAB 5.pdf

Download (477kB) | Preview
[img]
Preview
Text
DAFTAR PUSTAKA.pdf

Download (290kB) | Preview
[img] 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.

Item Type: Skripsi/Thesis (Bachelor)
Uncontrolled Keywords: machine learning, klasifikasi, kanker payudara, bioinformatika
Subjects: 0 Majapahit Islamic University Subject Areas > Fakultas Teknik > Teknik Informatika
Divisions: Faculty of Engineering > Computer and Information Technology
Depositing User: Asyafiiyah Gita Rohma Utami
Date Deposited: 30 Jul 2025 08:44
Last Modified: 30 Jul 2025 08:44
URI: http://repository.unim.ac.id/id/eprint/5846

Actions (login required)

View Item View Item