Clustering Microarray Adenoma Menggunakan Spectral Clustering dengan Algoritma Partitioning Around Medoid (PAM)

Septian Wulandari

Abstract


Adenoma merupakan tumor jinak yang ditemukan di dalam sel-sel mirip kelenjar di dalam jaringan epitel. Adenoma dapat dianalisis dengan mengamati tingkat ekpresi gen yang dimiliki. Menganalisis ekspresi gen dapat dilakukan dengan melakukan pengelompokkan atau clustering yang membutuhkan waktu cukup lama karena menggunakan dimensi yang besar. Oleh karena itu, salah satu teknik dalam clustering yang dapat digunakan adalah menggelompokkan microarray menjadi kelompok-kelompok yang memiliki kesaaam sifat dan fungsi. Metode clustering yang digunakan dalam penelitian ini adalah spectral clustering dengan algoritma Partitioning Around Medoid (PAM).  Metode spectral clustering merupakan metode yang memperlakukan setiap titik data sebagai simpul grafik. Setelah dimensi data dikurangi, kemudian data akan dipartisi menggunakan algoritma PAM. Algoritma ini meminimalkan fungsi objektif dengan menukar semua titik non-medoid menjadi titik medoid secara iteratif hingga bertemu. Tujuan dari penelitian ini adalah menggelompokkan microarray adenoma menggunakan spectral clustering dengan algoritma PAM. Data yang digunakan pada penelitian ini adalah 7.087 microarray adenoma berdasarkan nilai kesamaan. Hasil yang diperoleh adalah terdapat tiga cluster adenoma yaitu 4.349 microarray adenoma pada cluster ke-1, 2.115 microarray adenoma pada cluster ke- 2, dan 623 microarray adenoma pada cluster ke- 3 dengan nilai average silhouette 0,5289522.

Full Text:

PDF

References


Bhat, A. (2014). K-Medoids Clustering Using Partitioning Around Medoids for Performing Face Recognition. International Journal of Soft Computing, Mathematics and Control, 3(3), 1–12. https://doi.org/10.14810/ijscmc.2014.3301

Cahyaningrum, R. D., Bustamam, A., & Siswantining, T. (2017). Implementation of spectral clustering with partitioning around medoids (PAM) algorithm on microarray data of carcinoma. AIP Conference Proceedings, 1825(March). https://doi.org/10.1063/1.4978976

Hidayat, M. (2015). Adenoma Hipofisis. Majalah Kedokteran Andalas, 38(2), 130. https://doi.org/10.22338/mka.v38.i2.p130-138.2015

Muradi, H., Bustamam, A., & Lestari, D. (2016). Application of hierarchical clustering ordered partitioning and collapsing hybrid in Ebola Virus phylogenetic analysis. ICACSIS 2015 - 2015 International Conference on Advanced Computer Science and Information Systems, Proceedings, (October), 317–323. https://doi.org/10.1109/ICACSIS.2015.7415183

Pramesti, D. F., Lahan, Tanzil Furqon, M., & Dewi, C. (2017). Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 1(9), 723–732. https://doi.org/10.1109/EUMC.2008.4751704

Rizby, L. P., Marji, & Muflikhah, L. (2018). Clustering Pasien Kanker Berdasarkan Struktur Protein Dalam Tubuh. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer (J-PTIIK) Universitas Brawijaya, 2(10), 3810–3816.

Sharma, A., Kumar, R., & Mansotra, V. (2016). Proposed Stemming Algorithm for Hindi Information Retrieval. International Journal of Innovative Research in Computer and Communication Engineering (An ISO Certified Organization), 3297(6), 11449–11455. https://doi.org/10.15680/IJIRCCE.2016

Siswantining, T., Wulandari, S., & Bustamam, A. (2018). Collaboration and implementation of self organizing maps (SOM) partitioning algorithm in HOPACH clustering method. AIP Conference Proceedings, 2014, 020134-1-020134–020139. https://doi.org/10.1063/1.5054538

Taslim, T., & Fajrizal, F. (2016). Penerapan algorithma k-mean untuk clustering data obat pada puskesmas rumbai. Digital Zone: Jurnal Teknologi Informasi Dan Komunikasi, 7(2), 108–114. https://doi.org/10.31849/digitalzone.v7i2.602

Wulandari, S. (2020). Clustering Kecamatan Di Kota Bandung Berdasarkan Aalgoritma K-Means. Seminar Nasional Riset Dan Teknologi (SEMNAS RISTEK) 2020, P-ISSN:252(3), 128–132.

Yusuf, A., Ginardi, H., & Arieshanti, I. (2012). Pengembangan Perangkat Lunak Prediktor Nilai Mahasiswa Menggunakan Metode Spectral Clustering dan Bagging Regresi Linier. Jurnal Teknik ITS, 1(2), A246–A250. https://doi.org/10.12962/j23373539.v1i1.645


Refbacks

  • There are currently no refbacks.


Faculty of Mathematics and Sciences
Universitas Indraprasta PGRI

Address: Jl. Raya Tengah No. 80, Kel. Gedong, Kec. Pasar Rebo, Jakarta Timur 13760 , Jakarta, Indonesia. 
Phone: +62 (021) 7818718 – 78835283 | Close in sunday and public holidays in Indonesia
Work Hours: 09.00 AM – 08.00 PM
Best hours to visit: From 9 am to 11 am or after 3 pm. The busiest times are between 11 am and 3 pm. 

Creative Commons License
Prosiding Seminar Nasional Sains 2020 is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.