Clustering Pasien Kanker Berdasarkan Struktur Protein Dalam Tubuh Menggunakan Metode K-Medoids

Transkripsi

1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: -X ol., No., Oktober 0, hlm. - Clustering Pasien Kanker Berdasarkan Struktur Protein Dalam Tubuh Menggunakan Metode K-Medoids Laily Putri Rizby, Marji, Lailil Muflikhah Program Studi Teknik Informatika, lailyrizby@gmail.com, marji@ub.ac.id, lailil@ub.ac.id Abstrak Kanker merupakan penyakit yang kerap menjadi momok bagi sebagian besar orang memang telah memakan banyak korban. Semakin berkembangnya zaman semakin banyak virus yang tersebar di masyarakat. Kanker adalah istilah yang digunakan untuk menggambarkan ratusan penyakit berbeda dengan fitur tertentu yang sama. Kanker dimulai dengan perubahan dalam struktur dan fungsi sel yang menyebabkan sel membelah dan menggandakan diri tanpa terkontrol. Umumnya kanker dinamai sesuai organ dan jenisnya tempat pertama kali ia berkembang. Mutasi gen yang paling sering ditemukan pada kanker manusia adalah Gen P. Gen P merupakan gen penekan tumor yang mengkode atau mengekspresikan protein. Dari berbagai banyak data yang ada perlu dilakukan proses klusterisasi yaitu pengelompokkan jenis kanker berdasarkan kelasnya. Salah satu metode klustering yang mulai banyak digunakan adalah metode K-Medoids. K-medoids atau dikenal pula dengan PAM (Partitioning Around Medoids) menggunakan metode partisi clustering untuk mengelompokkan sekumpulan n objek menjadi sejumlah k cluster. Algoritma ini menggunakan objek pada kumpulan objek untuk mewakili sebuah cluster. Objek yang terpilih untuk mewakili sebuah cluster disebut medoid. Pada penelitian clustering pasien kanker menggunakan metode K-Medoids ini menunjukkan nilai persentase kualitas cluster sebesar % pada percobaan pada nilai k dan menggunakan data. Kata kunci: clustering, k-medoids, kanker, protein tubuh, silhouette coefficient Abstract Cancer is a disease that often becomes a scourge for most people has indeed taken many victims. In this era, more viruses are scattered in the community. Cancer is a term used to describe hundreds of different diseases with the same particular features. Cancer begins with changes in the structure and function of cells that cause cells to divide and multiply uncontrollably. Cancer is generally named after the organ and its type where it first developed. The most common mutation of genes found in human cancers is the P Genes. The P gene is a tumor suppressor gene that encodes or expresses protein. From a wide range of data there is a clustering process that classifies types of cancer by its class. One of the most widely used methods of clustering is the K-Medoids method. K-medoids or also known as PAM (Partitioning Around Medoids) using the clustering partition method to group a of n objects into a number of cluster k. This algorithm uses objects on a collection of objects to represent a cluster. The object chosen to represent a cluster is called the medoid. In clustering research, cancer patients using K-Medoids method showed cluster quality percentage of % in experiments at k and using data. Keywords: clustering, k-medoids, cancer, body protein, silhouette coefficient. PENDAHULUAN Kanker adalah istilah yang digunakan untuk menggambarkan ratusan penyakit berbeda dengan fitur tertentu yang sama. Kanker dimulai dengan perubahan dalam struktur dan fungsi sel yang menyebabkan sel membelah dan menggandakan diri tanpa terkontrol. Sel kemudian dapat menyerang dan merusak jaringan sekitar, dan sel dapat memisahkan diri dan menyebar ke area lain dalam tubuh. Umumnya kanker dinamai sesuai organ dan jenisnya tempat pertama kali ia berkembang (Kelvin, Joanne Frankel., dkk., 0). Kode genetik yang mengatur pembentukan sel-sel kanker berhasil dipecahkan. Meski Fakultas Ilmu Komputer Universitas Brawijaya

2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer bentuk pengobatan dengan target gen masih terus dikembangkan, temuan ini membawa harapan baru untuk melawan penyakit mematikan tersebut. Peta genetik yang dibuat para ilmuwan Amerika Serikat menunjukkan idaknya terdapat sekitar 00 gen termutasi yang berperan mengatur pembentukan, pertumbuhan, dan penyebaran tumor. Sebagian besar gen yang termutasi ini belum diketahui sebelumnya (Diananda, Rama, 0). Mutasi gen yang paling sering ditemukan pada kanker manusia adalah Gen P. Gen P merupakan gen penekan tumor yang mengkode atau mengekspresikan protein. Protein p merupakan faktor transkripsi terhadap gen-gen yang terlibat dalam regulasi siklus sel, induksi apoptosis, repair DNA, dan stabilitas genome. Dengan semakin berkembang pesatnya kecanggihan teknologi juga diharapkan adanya sebuah sistem atau aplikasi yang mampu mengidentifikasi penyakit kanker. Pengidentifikasian dilakukan dengan cara mengclusterkan data pasien ke dalam kelas non-cancer, breast cancer, colorectal cancer dan kelas lung cancer. Pengklusteran merupakan pengelompokan record, pengamatan, atau memperhatikan dan membentuk kelas pada objek-objek yang memiliki kemiripan. Dalam penelitian ini metode clustering K- Medoids dipilih sebagai metode yang mampu melakukan klustering data protein dengan baik. K-Medoids adalah sebuah algoritma yang menggunakan metode partisi clustering untuk mengelompokkan sejumlah n objek menjadi k cluster. Metode ini telah digunakan pada penelitian sebelumnya untuk klasterisasi penyakit kanker berdasarkan kandungan logam dalam darah. Dan tingkat akurasinya mencapai.% (Nastiti, Shofi., dkk., 0). Sedangkan dengan data kanker yang sama yaitu berdasarkan struktur protein dalam tubuh tetapi menggunakan algoritma Modified K-Nearest Neighbor (MKNN) tingkat akurasi maksimum yang dicapai adalah.% (Retwitasari, Arintha, 0). Dari pendahuluan yang telah dipaparkan dan berdasarkan pada penelitian sebelumnya maka dibuatlah penelitian tentang clustering pasien kanker berdasarkan struktur protein dalam tubuh menggunakan metode K-Medoids ini. Molekul protein tersusun dari satuan-satuan dasar kimia yaitu asam amino. Satu molekul protein dapat terdiri dari sampai 0 macam asam amino dan dapat mencapai jumlah ratusan asam amino (Wibisono, Yudi, 0). Semenjak tahun semakin nyata bahwa ada paling sedikit tiga residu nukleotida DNA diperlukan untuk mengkode untuk masingmasing asam amino. Empat huruf kode DNA yaitu A, T, G dan C tersusun membentuk tiga huruf yang disebut dengan kodon. Pada prosesnya di dalam sel, terjadi proses transkripsi yaitu sintesis RNA dengan DNA sebagai cetakannya. RNA yang membawa sandi yang sama dengan resep pada DNA ini bertindak sebagai cetakan untuk sintesis protein. Setiap kodon mengkodekan asam amino. Sementara itu jumlah asam amino penyusun protein diketahui hanya 0 saja.. GEN P Kode genetik yang mengatur pembentukan sel-sel kanker berhasil dipecahkan. Peta genetik yang dibuat para ilmuwan Amerika Serikat menunjukkan idaknya terdapat sekitar 00 gen termutasi yang berperan mengatur pembentukan, pertumbuhan, dan penyebaran tumor. Ditemukan sejenis protein yang dikenal dengan nama P berhubungan kuat dengan kanker. Proses mutasi dalam gen P yang mampu mengontrol produksi protein, dipercaya sebagai penyebab dari 0% kasus keganasan. Gen P merupakan gen penekan tumor yang mengkode atau mengekspresikan protein, nama ini diambil dari berat molekulnya yang sebesar kilodalton. Protein merupakan faktor tranksripsi terhadap gen-gen yang terlibat dalam regulasi siklus sel, induksi apoptosis, repair DNA, dan stabilitas genome.. POINT ACCEPTED MUTATION PAM (Point Accepted Mutation) merupakan sekumpulan PAM PAM0 yang berasal dari penurunan sequence yang memiliki hubungan kekerabatan yang dekat (Kurnianti,. PROTEIN TUBUH

3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Gambar. Tabel Matrik PAM0 Ria, 0). Pada tabel PAM titik yang termutasi pada protein adalah perubahan pada salah satu asam amino, yang terpilih secara alami. Jumlah dari matriks PAM (PAM, PAM0) menunjukkan sebuah evolusi jarak. Semakin besar jumlahnya maka semakin besar pula jaraknya (Dor, Shifra Ben, 00). Untuk memperoleh nilai pada PAM maka dilakukan perkalian, contoh PAM diperoleh dari perkalian antara PAM dan PAM, begitu pula dengan PAM diperoleh dari perkalian antara PAMdan PAM, begitu erusnnya. Matrik PAM merupakan dasar untuk menghitung matrik yang lain dengan anggapan mutasi yang berulang akan mengikuti aturan yang sama dengan matrik PAM, dengan logika tersebut dapat diperoleh matrik PAM0. Tabel di atas diketahui terdapat 0 macam asam amino. ). Macam-macam residu asam amino yang diurutkan dari atas ke bawah yaitu Sistein Alanin (Ala) = A, Arginin (Arg) = R, Asparagin (Asn) = N, Asam Aspartat (Asp) = D, (Cys) = C, Glutamin (Gin) = Q, Asam Glutamat (Glu) = E, Glisin (Gly) = G, Histidin (His) = H, Isoleusin (Ile) = I, Leusin (Leu) = L, Lisin (Lys) = K, Metionin (Met) = M, Fenilalanin (Phe) = F, Prolin (Pro) = P, Serin (Ser) = S, Treonin (Tgr) = T, Triptofan (Trp) = W, Tirosin (Tyr) = Y, alin (al) =.. K-MEDOIDS Algoritma K-medoids atau dikenal pula dengan PAM (Partitioning Around Medoids) menggunakan metode partisi clustering untuk mengelompokkan sekumpulan n objek menjadi sejumlah k cluster. Algoritma ini menggunakan objek pada kumpulan objek untuk mewakili sebuah cluster. Objek yang terpilih untuk mewakili sebuah cluster disebut medoid. Cluster dibangun dengan menghitung kedekatan yang dimiliki antara medoid dengan objek nonmedoid (Han, J., M. Kamber, 00). Menurut Han dan Kamber (00) algoritma K-medoids adalah sebagai berikut.. Secara acak pilih k objek pada sekumpulan n objek sebagai medoid.. Ulangi:. Tempatkan objek non-medoid ke dalam cluster yang paling dekat dengan medoid.. Secara acak pilih oacak: sebuah objek nonmedoid.. Hitung total biaya, S, dari pertukaran medoid oj dengan orandom.. Jika S < 0 maka tukar oj dengan oacak untuk membentuk sekumpulan k objek barusebagai medoid.. PERANCANGAN DAN IMPLEMENTASI protein yang tersedia adalah data bertipe String sehingga langkah pertama yang harus dilakukan dalam sistem di penelitian ini adalah melakukan konversi data menjadi data numerik sehingga data menjadi bertipe integer dan dapat dilakukan proses clustering. Langkah selanjutnya adalah melakukan perhitungan clustering menggunakan metode K-Medoids. Dan langkah terakhir adalah melakukan uji kualitas kluster menggunakan silhouette coefficient. Pengkonversian data dengan cara mencocokkan data dengan data wild yang telah ada melalui tabel PAM0. Tabel. Wild bentuk Fisik ariabel Wild Y K Q S T E R R Tabel. bentuk Fisik Kel as D Y K Q S T E R R NC D Y K Q S S E R R BC D Y K Q S T E R C CC D Y K Q L T E R R LC D Y K Q S T E R C CC D Y M Q S T E R R CC D Y K Q S L E R R BC D Y K Q S G E R R BC D Y K Q M T E L R R LC D Y K Q L T E L R R LC D Y K Q S T E R R NC D Y K Q S T E R R NC

4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Hasil konversi data fisik menjadi data virtual numerik ditampilkan pada Tabel. Untuk kelas dikonversikan menjadi 0 = NC (Non Cancer), = BC (Breast Cancer), = CC (Colorectal Cancer), dan = LC (Lung Cancer). Tabel. Hasil Konversi Kel as D 0 D Kel as D - D - D - D D - D 0 D - D - D 0 D 0.. Perhitungan K-Medoids Pada perhitungan manual nilai k yang digunakan adalah. Sehingga data yang diperoses adalah mengelompokkan data sebanyak cluster. a. Langkah Menentukan secara acak medoid awal yang berbeda sebanyak medoid dari data protein yang telah dikonversikan. Dalam perhitungan ini medoid awal yang digunakan adalah D, D, dan D. Tabel. Medoid Awal Clus ter C D C D - C D 0 b. Langkah Menghitung jarak iap data dengan medoid awal C, C dan C menggunakan rumus jarak manhattan (Manhattan Distance). Rumus jarak manhattan : n i= x(i) x(j) + y(i) y(j) () d(i, j) = Sebagai contoh ditampilkan perhitungan secara detail pada data D yang diambil dari data protein. D akan dilakukan perhitungan dengan data C, C dan C pada data cluster medoid awal. Perhitungan pertama untuk D:C. D:C = = 0 Perhitungan pertama untuk D:C. D:C = (-) = Perhitungan pertama untuk D:C. D:C = = Tabel. Hasil Perhitungan Jarak Manhattan Jarak C Jarak C Jarak C D 0 D D D D D D D 0 D 0 c. Langkah Langkah selanjutnya adalah menghitung nilai cost dari tiga cluster pada iap data yang telah dihitung jaraknya dengan medoid awal, dengan rumus : cost(i) = min {dc(i), dc(i),, dcn(i) () Contoh perhitungan pada D adalah sebagai berikut. Cost (D) = min {0,,} = 0 Hasil perhitungan untuk semua data protein dapat dilihat pada tabel. Tabel. Nilai Cost Cluster pada Medoid Awal Jarak C Jarak C Jarak C Cost D 0 0 D D D D D D D 0 0 D 0 0 Total Cost Maka didapatkan anggota Cluster : D, D, D, D, D, D dan D, anggota Cluster : D, D, dan D, anggota Cluster : D dan D.

5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer d. Langkah Pada langkah ini iterasi pertama mulai dilakukan. Perhitungan dilakukan dengan mengganti salah satu medoid. Medoid baru yang digunakan adalah salah satu data non medoid yang berada pada cluster yang sama pada medoid awal. Dalam perhitungan ini medoid yang diganti adalah cluster, yaitu D diganti dengan D. Tabel. Medoid Iterasi Clu ster C D C D baru - C D 0 e. Langkah Langkah selanjutnya adalah mengulangi langkah - sampai semua data pernah menjadi medoid. Tabel. Hasil Jarak Manhattan dan Nilai Cost Iterasi Jarak C Jarak C Jarak C Cost D 0 0 D D D D D D D 0 0 D 0 0 Total Cost Hasil perhitungan jarak manhattan dan nilai cost pada iap data di iterasi dapat dilihat pada Tabel. Maka didapatkan anggota Cluster : D, D, D, D, D, D dan D, anggota Cluster : D, D dan D, anggota Cluster : D dan D. Lalu total cost yang didapatkan adalah. Karena total cost lebih kecil dari total cost medoid sebelumnya maka medoid dan anggota cluster berubah. Perhitungan diulang terus sampai semua data pernah menjadi medoid. Setelah itu dilanjutkan dengan menghitung kualitas cluster. maka data berada pada posisi di tengah, maksudnya data terdapat kemungkinan berada pada cluster yang tepat tetapi bisa juga seharusnya berada pada cluster yang lain, jika s(i) = - maka data berada pada cluster yang salah sehingga seharusnya data berada pada cluster yang lain. a. Langkah Menghitung jarak D terhadap semua data yang berada pada cluster yang sama, yaitu cluster. Tabel. Jarak D dengan Anggota Cluster Jarak D dengan semua anggota C D 0 D D D D D 0 D 0 a(i) (Rata-rata), b. Langkah Menghitung jarak D terhadap semua data yang berada pada cluster dan cluster, kemudian cari nilai rata-rata jarak yang paling kecil. Tabel. Jarak D dengan Anggota Cluster dan Cluster D Clus ter Dat a c. Langkah Jarak D dengan semua data D D D D D Ratarata Jarak b(i) (Rata -rata Mini mal) Setelah rata-rata jarak D dengan semua data selesai dihitung maka perhitungan silhouette coefficient bisa dilakukan menggunakan dengan rumus :.. Perhitungan Silhouette Coefficient Hasil dari silhouette coefficient ini berada antara nilai - sampai. Jika s(i) = maka data telah berada pada cluster yang tepat, jika s(i) = 0 S(i) = b(i) a(i) max (b(i), a(i)) ()

6 Silhouette Coefficient Silhouette Coefficient Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Hasil Pengujian Pengaruh Jumlah Cluster Terhadap Silhouette Coefficient Gambar. Implementasi Antarmuka Sistem Clustering Pasien Kanker Diketahui a() =, dan b() =, sehingga a() < b() nilai silhouette coefficient-nya adalah : S = a() b() =, = 0, = 0, Perhitungan Silhouette Coefficient dilakukan pada semua data dan dihitung rata-rata akhir untuk mengetahui nilai SC metode K- Medoids... Implementasi Antarmuka Antarmuka dibuat untuk memudahkan pengguna dalam menggunakan sistem yang dapat dilihat pada gambar. Yang pertama adalah bagian input data yang digunakan oleh pengguna untuk memasukkan data-data yang diperlukan dalam proses clustering. Bagian kedua adalah tabel data protein, bagian ketiga adalah menunjukkan jumlah data dan cluster serta menampilkan nilai akhir dari Silhouette Coefficient, dan bagian keempat adalah sebuah textarea yang berisi hasil clustering yang dilakukan sistem.. HASIL DAN ANALISIS.. Pengujian Pengaruh Jumlah Cluster Prosedur pengujian pengaruh jumlah cluster ini adalah dengan memasukkan nilai k yang berarti adalah jumlah cluster dengan nilai yang berbeda-beda dan akan dilakukan percobaan beberapa kali. Nilai k atau jumlah cluster yang digunakan adalah sampai 0. Dan nilai tertinggi berada pada jumlah 0, 0, 0, 0, 0 Gambar. Grafik Hasil Pengujian Pengaruh Jumlah Cluster terhadap Silhouette Coefficient 0, 0, 0, 0, 0, 0, Gambar. Grafik Hasil Pengujian Pengaruh Jumlah terhadap Silhouette Coefficient cluster dan yaitu 0,... Pengujian Pengaruh Jumlah Jumlah data yang digunakan bervariasi yaitu dari 0% data atau data, kemudian diambil secara acak menjadi 0%, 0%, 0%, 0%, dan 0% data dari data total. Grafik hasil percobaan dapat dilihat pada gambar. Dari percobaan yang telah dilakukan terlihat hasil yang bervariasi dan hasil terbaik didapatkan ketika data yang digunakan 0% yaitu data protein, rata-rata nilai silhouette coefficient mencapai 0,. KESIMPULAN 0, 0, 0, 0, 0, 0 0, Jumlah Cluster Hasil Pengujian Pengaruh Jumlah Terhadap Silhouette Coefficient 0, 0, 0, 0, 0, 0, 0% 0% 0% 0% 0% 0% Total Jumlah Berdasarkan hasil perancangan, implementasi, dan hasil pengujian sistem yang telah dilakukan dapat didapatkan kesimpulan :. Metode K-Medoids dapat diimplementasikan pada sistem clustering pasien kanker berdasarkan struktur protein dalam tubuh. total yang digunakan sebanyak data. Proses awal yang dilakukan adalah mengkonversi data menggunakan matriks PAM, kemudian dipilih pusat medoid secara acak sebanyak nilai k diinginkan, selanjutnya menghitung

7 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer jarak masing-masing data terhadap pusat medoid menggunakan perhitungan jarak manhattan, lalu dicari nilai cost pada iap data, pilih cost minimal, dan total semua cost minimal yang didapatkan, proses akan berulang seperti ini sampai semua data pernah menjadi medoid. Jika nilai total cost lebih kecil maka medoid diganti, tetapi jika nilai total cost lebih besar maka medoid tetap. Kemudian sistem akan menampilkan hasil clustering sesuai dengan jumlah cluster yang diinputkan. Dan menampilkan hasil silhouette coefficient yang merupakan kualitas cluster yang dihasilkan.. Dari dua pengujian yang telah dilakukan didapatkan hasil terbaik yaitu dengan jumlah cluster = yang memiliki nilai silhouette coefficient 0, dan jumlah data data atau data 0% yang memiliki nilai silhouette coefficient 0,. DAFTAR PUSTAKA Candra, Sefia, Antonius R. C., Lucia Dwi K., 0. Clustering Tag Status Facebook Dengan Menggunakan Algoritma K- Medoids. Fakultas Teknologi Informasi. Universitas Kristen Duta Wacana. Yogyakarta. Diananda, Rama, 0. Mengenal Seluk-Beluk Kanker. Ar-Ruzz Media Group. Jogjakarta. Dizon, Don S., Michael L. Krychman, Paul A. DiSilvestro, 0. 0 Questions and Answers about Cervical Cancer. Jones and Bartlett Publishers, LLC. Sudbury, MA. Dor, Shifra Ben, 00, Scoring Matrices, Weizmann Institute Of Science, Rehovot. Han, J., M. Kamber, 00. Mining Concepts and Techniques Second Edition. Morgan Kauffman Publisher. San Fransisco. Kelvin, Joanne Frankel., Leslie B. Tyson, 0. 0 Questions & Answers about Cancer Symptoms and Cancer Treatment Side Effects, second Edition. Jones and Bartlett Publishers, LLC. Sudbury, MA. Kurnianti, Ria, 0, Penggunaan Metode Pengelompokkan K-Means Pada Klasifikasi KNN Untuk Penentuan Jenis Kanker Berdasarkan Susunan Protein, Universitas Brawijaya, Malang. Nastiti, Shofi., Faisal P., Rizky Ramadhan, 0. Clustering Pasien Kanker Berdasarkan Konsentrasi Logam Dalam Darah Menggunakan Metode K. Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya. Malang. Retwitasari, Arintha, 0. Penentuan Jenis Kanker Berdasarkan Struktur Protein Menggunakan Algoritma Modified K- Nearest Neighbor (MKNN). Fakultas Ilmu Komputer, Universitas Brawijaya Malang. Shibab, A., 000. Fuzzy Clustering Algorithm and Their Application to Medical Image Analysis. Disertation, University of London. London. Uyha, 0, Wibisono, Yudi, 0. Perbandingan Partition Around Medoids (PAM) dengan K- Means Clustering untuk Tweets. Ilmu Komputer FPMIPA, Universitas Pendidikan Indonesia. Bandung.