Klasifikasi Perkembangan Kanker Serviks menggunakan Support Vector Mechine (SVM) dengan SMOTE dan ADASYN (Studi Kasus : Perkembangan Kanker Serviks Pada Data GSE63514)

Abstract

Berdasarkan data tahun 2012 yang bersumber dari International Agency for Research on Cancer salah satu jenis kanker yang paling banyak diderita perempuan adalah kanker serviks. Setiap tahun sekitar setengah juta perempuan di seluruh dunia didiagnosis menderita kanker serviks. Kanker serviks adalah kanker ganas yang dimulai di leher rahim dengan pertumbuhan sel yang tidak teratur, dan sel tersebut dapat menyerang organ biologis lainnya, baik dengan tumbuh langsung di jaringan yang berdekatan atau dengan berpindah ke sel lain. Seiring dengan kemajuan teknologi, dikembangkanlah bidang pengetahuan baru yaitu Bioinformatika. Penerapan Bioinformatika adalah penggunaan metode komputasi, matematika dan statistik untuk membantu memecahkan masalah biologis melalui analisis data ekspresi gen. Penelitian ini menggunakan data klasifikasi Ekspresi Gen perkembangan kanker serviks dengan kode series GSE63514. Dalam penelitian ini dilakukan analisis klasifikasi dengan metode SVM. Data yang digunakan terdapat ketidakseimbangan kelas data, untuk mengatasi permasalahan tersebut dilakukan resampling dengan oversampling Synthetic Minority Oversampling Technique (SMOTE) dan Adaptive Synthetic (ADASYN). Penelitian ini menggunakan analisis klasifikasi metode SVM dengan 4 kernel yaitu kernel linear, kernel polynomial, kernel sigmoid dan kernel RBF. Untuk mendapatkan nilai akurasi terbaik dilakukanlah perbandingan antara nilai akurasi dari klasifikasi SVM data tidak seimbang, SVM dengan oversampling SMOTE dan SVM dengan oversampling ADASYN. Dari penelitian ini didapatkan akurasi tertinggi sebesar 92.31% yang merupakan nilai akurasi dari analisis klasifikasi menggunakan kernel linier pada data yang tidak seimbang. Sedangkan klasifikasi SVM dengan SMOTE memiliki peforma yang baik, dimana SVM dengan SMOTE memiliki nilai sensitivitas yang tenggi sebesar 91.67% dan spesifisitas sebesar 95.83%. Dalam penelitian ini juga dilakukan prediksi dengan membangkitkan data random dari data set ekspresi gen perkembangan kanker serviks GSE63514, prediksi dilakukan dengan kernel linier. Gen yang memilik nilai yang paling besar adalah gen X1558501_at yaitu dengan bobot sebesar 0.023275656.