Identifikasi Diabetes Melitus Berdasarkan Biomarker pada Sekuens DNA Menggunakan Metode Deep Learning

Permatasari, Devindha (2023) Identifikasi Diabetes Melitus Berdasarkan Biomarker pada Sekuens DNA Menggunakan Metode Deep Learning. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6002211002-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (4MB) | Request a copy

Abstract

Diabetes melitus merupakan salah satu penyakit kronis yang tidak dapat disembuhkan yang disebabkan oleh kekurangan atau tidak adanya hormon insulin. Menurut etiopatologi diabetes, ada tiga kategori klinis utama, yaitu: diabetes tipe 1 (DMT1), diabetes tipe 2 (DMT2), dan diabetes melitus gestasional (DMG), serta penyebab khusus lainnya. Diabetes merupakan salah satu penyebab utama kematian di seluruh dunia. Setiap tahunnya sekitar 2-5 juta pasien kehilangan nyawa karena diabetes. Individu dengan diabetes menghadapi risiko mengembangkan beberapa masalah kesehatan sekunder seperti penyakit jantung, kerusakan saraf dan berbagai masalah kesehatan lainnya. Dengan demikian, deteksi dini dan pengobatan diabetes dapat mencegah komplikasi dan membantu mengurangi risiko masalah kesehatan yang parah. Penelitian ini bertujuan untuk mengidentifikasi diabetes berdasarkan biomarker pada sekuens DNA dengan menggunakan metode berbasis deep learning. Pada penelitian ini digunakan data sekuens DNA yang direpresentasikan kedalam gambar spektogram. Data sekuens DNA diubah menjadi numerik menggunakan teknik mapping berbasis entropi yang merupakan turunan fraksional dari Shanon Entropi. Kemudian dibuat gambar spektogramnya menggunakan fungsi specgram yang ada pada libary matplotlib dengan menggunakan STFT untuk merangkai plot tiga dimensi dengan waktu, frekuensi, dan amplitudo yang diwakili oleh skala warna. Gambar spektogram dari sekuens DNA diekstraksi menggunakan modul ViT dan mendapatkan 100 fitur. 100 fitur tersebut diklasifikasi dengan menggunakan SVM dan mendapatkan hasil akurasi sebesar 99%
================================================================================================================================
Diabetes mellitus is an incurable chronic disease caused by a deficiency or absence of the hormone insulin. According to the etiopathology of diabetes, there are three main clinical categories, namely: type 1 diabetes (T1DM), type 2 diabetes (T2DM), and gestational diabetes mellitus (GDM), as well as other noteworthy causes. Diabetes is one of the leading causes of death worldwide. Every year around 2-5 million patients lose their lives due to diabetes. Individuals with diabetes risk developing secondary health problems, such as heart disease, nerve damage, and various other health problems. Thus, early detection and treatment of diabetes can prevent complications and help reduce the risk of severe health problems. This study aims to identify diabetes based on biomarkers in DNA sequences using a deep learning based method. The study utilizes DNA sequence data represented as spectrogram images. The DNA sequences are transformed into numeric values using entropy-based mapping techniques, which are fractional derivatives of Shannon Entropy. Spectrogram images are then created using the specgram function in the Matplotlib library, employing Short-Time Fourier Transform (STFT) to generate three-dimensional plots with time, frequency, and amplitude represented by color scale. Spectrogram images of DNA sequences extracted using the ViT module and obtaining 100 features. These 100 features are classified using SVM and obtain an accuracy of 99%

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Diabetes Melitus, Sekuens DNA, Deep Learning, Transformers, ViT; Diabetes Mellitus, DNA Sequences.
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) R Medicine > R Medicine (General) > R858 Deep Learning T Technology > T Technology (General) > T57.8 Nonlinear programming. Support vector machine. Wavelets. Hidden Markov models.
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44101-(S2) Master Thesis
Depositing User:	Devindha Permatasari
Date Deposited:	26 Sep 2023 02:01
Last Modified:	26 Sep 2023 02:01
URI:	http://repository.its.ac.id/id/eprint/103748

Actions (login required)

View Item