PERBANDINGAN METODE MULTILAYER PERCEPTRON DAN XTREME GRADIENT BOOSTING PADA DATA EKSPRESI GEN HEPATOCELLULER CARSINOMA TERINFEKSI HEPATITIS B

SARI, ERVINA PUTRI INDAH, B2A017002 (2021) PERBANDINGAN METODE MULTILAYER PERCEPTRON DAN XTREME GRADIENT BOOSTING PADA DATA EKSPRESI GEN HEPATOCELLULER CARSINOMA TERINFEKSI HEPATITIS B. Sarjana / Sarjana Terapan (S1/D4) thesis, ["eprint_fieldopt_institution_Muhammadiyah University, Semarang" not defined].

Preview	Text 0. Cover.pdf Download (20kB) | Preview
Preview	Text 2. Lembar Pengesahan Pembimbing (SCAN).pdf Download (330kB) | Preview
Preview	Text 3. Lembar Pengesahan Skripsi (SCAN).pdf Download (515kB) | Preview
Preview	Text 6. Abstrak.pdf Download (314kB) | Preview
Preview	Text BAB I.pdf Download (457kB) | Preview
Preview	Text BAB II.pdf Download (1MB) | Preview
	Text BAB III.pdf Restricted to Repository staff only Download (708kB) | Request a copy
	Text BAB IV.pdf Restricted to Repository staff only Download (840kB) | Request a copy
Preview	Text BAB V.pdf Download (317kB) | Preview
Preview	Text DAFTAR PUSTAKA.pdf Download (548kB) | Preview
	Text LAMPIRAN.pdf Restricted to Repository staff only Download (766kB) | Request a copy
Preview	Text Manuscript Indonesia.pdf Download (965kB) | Preview

Abstract

HCC adalah suatu tumor ganas dan jenis kanker yang paling fatal. Salah satu faktor resiko HCC adalah infeksi hepatitis B kronik. Hepatitis B adalah suatu penyakit infeksi yang menyerang organ hati pada manusia dan disebabkan oleh Virus Hepatitis B. Analisis yang dapat digunakan untuk melihat perbedaan dua kelas atau lebih pada suatu penyakit adalah analisis klasifikasi. Tujuan dari penelitian ini adalah melakukan analisis klasifikasi pada data microarray hasil dari ekspresi gen penderita HCC terinfeksi hepatitis B pada jaringan tumor dan normal berdekatan. Pada penelitian ini menggunakan metode klasifikasi MLP dan XGBoost untuk menganalisis data tersebut. MLP merupakan algoritma pada model neural network dengan satu atau lebih hidden Layer. Sedangkan XGBoost merupakan algoritma regresi dan klasifikasi dengan metode ensamble dan varian dari algoritma tree gradient boosting. Penelitian ini akan mengklasifikasikan pasien HCC terinfeksi Hepatitis B dengan Jaringan Tumor dan Jaringan Normal Berdekatan. Hasil analisis yang telah dilakukan, diperoleh bahwa metode klasifikasi dengan MLP dengan tiga hidden layer mampu memperoleh nilai akurasi dan AUC yang lebih tinggi dari XGBoost. Nilai akurasi yang diperoleh yaitu sebesar 95,24% dengan nilai AUC sebesar 0,9643, nilai AUC tersebut dikatakan sangat baik karena mendekati 1. Kata Kunci : HCC, Hepatitis, Microarray, MLP, XGBoost

Actions (login required)

View Item