Algoritma Genetika Untuk Optimasi Parameter Pada Support Vector Machine Dan Fuzzy Support Vector Machine : Kasus Klasifikasi Pada Data Microarray Kanker Kolon

FAIQOH, ELOK (2018) Algoritma Genetika Untuk Optimasi Parameter Pada Support Vector Machine Dan Fuzzy Support Vector Machine : Kasus Klasifikasi Pada Data Microarray Kanker Kolon. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
06211645000005-Undergraduate_Theses.pdf - Accepted Version

Download (3MB) | Preview

Abstract

Kanker usus besar adalah penyebab utama kedua kematian terkait kanker di dunia sehingga penelitian tentang kanker penting untuk dilakukan dalam upaya menurunkan jumlah penderita kanker kolon. Kemajuan terbaru dalam teknologi microarray memungkinkan pemantauan tingkat ekspresi dari sejumlah besar gen secara bersamaan. Data microarray adalah jenis data berdimensi tinggi dengan ratusan atau bahkan ribuan jumlah gen (fitur), sementara biasanya jumlah pasien yang diamati (pengamatan) jauh lebih kecil daripada jumlah fitur. Pe-nelitian ini akan menggunakan dataset microarray colon cancer yang berisi dua kelas gen, normal dan tumor. Tujuan dari penelitian ini ada-lah untuk mengembangkan model klasifikasi menggunakan fuzzy support vector machine (FSVM) hibridisasi dengan algoritma genetika (GA) untuk mengklasifikasikan individu berdasarkan ekspresi gen. Keanggotaan fuzzy akan diterapkan ke SVM untuk menangani kasus data microarray yang tidak seimbang. Sementara itu, peran algoritma genetika adalah untuk mengoptimalkan parameter SVM dan FSVM karena GA mampu menangani masalah optimasi nonlinier yang memiliki dimensi tinggi, mudah beradaptasi, dan mudah dikombinasikan dengan metode lain. Klasifikasi yang dilakukan adalah SVM dan FSVM baik grid search ataupun dengan optimasi GA. Metode klasifikasi menggunakan seleksi FCBF memiliki nilai akurasi yang lebih tinggi dibandingkan yang tanpa seleksi. Hasil penelitian menunjukkan bahwa FSVM yang telah dioptimasi menggunakan GA memiliki nilai akurasi tertinggi dibandingkan metode klasifikasi lainnya yang digunakan dalam penelitian ini.===========================================================================================Colon cancer is the second leading cause of cancer-related deaths in the world hence research on that topic needs to be undertaken with improvement. Recent advancement in microarray technology allows the monitoring of the expression level of a large set of genes simultaneously. Microarray data is a type of high-dimensional data with hundreds or even thousands number of genes (features), while usually the number of patients observed (observations) is much smaller than the number of features. This study will use an open source colon cancer microarray dataset contains two class of genes, normal and tumor. The aims of this study is to develop a classification model using fuzzy support vector machine (FSVM) hybridized with genetic algorithm (GA) for classify individuals based on gene expression. Fuzzy memberships will be applied to SVM in order to dealing with the case of imbalanced microarray data. Meanwhile, the role of genetic algorithm is, firstly, to select the relevant genes as the features and, secondly, to optimize the parameter of FSVM as GA is able to handle the problem of nonlinear optimization that has a high dimension, adaptable, and easily combined with other methods. The classification is SVM and FSVM either grid search or GA optimization. The method of classification using FCBF selection has a higher accuracy value than the ones without the selection. The results show that FSVM that has been optimized using GA has the highest accuracy value compared to other classification methods used in this study.

Item Type: Thesis (Undergraduate)
Uncontrolled Keywords: Fuzzy SVM, Genetic Algorithm, Seleksi Variabel, SVM
Subjects: H Social Sciences > HA Statistics
H Social Sciences > HD Industries. Land use. Labor > HD108 Classification (Theory. Method. Relation to other subjects )
Divisions: Faculty of Mathematics and Science > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User: elok faiqoh
Date Deposited: 18 Jul 2021 23:08
Last Modified: 18 Jul 2021 23:08
URI: https://repository.its.ac.id/id/eprint/57527

Actions (login required)

View Item View Item