Pengembangan Aplikasi Pemilihan Arsitektur Terbaik Metode Deep Neural Network (DNN) Untuk Klasifikasi Kanker Payudara Menggunakan Data MicroRNA

Ginanjar, Sunnas and Sarwoko, Eko Adi (2019) Pengembangan Aplikasi Pemilihan Arsitektur Terbaik Metode Deep Neural Network (DNN) Untuk Klasifikasi Kanker Payudara Menggunakan Data MicroRNA. Undergraduate thesis, Universitas Diponegoro.

[img]
Preview
PDF
Available under License Creative Commons Attribution Non-commercial Share Alike.

4Mb

Abstract

Kanker payudara merupakan salah satu penyebab kematian terbanyak di dunia. Salah satu upaya yang dapat dilakukan untuk mengurangi jumlah kasus kematian akibat kanker ini adalah melakukan deteksi dini dengan menggunakan data MicroRNA. MicroRNA merupakan salah satu biomarker kanker yang dapat membantu dalam proses klasifikasi. MicroRNA dapat digunakan untuk mengenali apakah suatu sel merupakan sel kanker atau bukan bahkan dalam stadium paling awal. Metode Deep Neural Network (DNN) terdiri dari dua atau lebih lapisan belajar mandiri (hidden layer), dengan bobot unit yang terhubung sepenuhnya antara dua lapisan yang berdekatan dapat dipelajari secara otomatis. Namun, DNN masih memiliki kelemahan yaitu perubahan dalam distribusi input setiap lapisan yang menyebabkan masalah karena lapisan perlu terus beradaptasi dengan distribusi baru sehingga menghasilkan nilai akurasi yang kurang optimal. Penelitian ini dilakukan untuk mengembangkan aplikasi pemilihan arsitektur terbaik metode DNN yang digunakan untuk klasifikasi kanker payudara menggunakan data MicroRNA. Hasil penelitian metode DNN dengan arsitektur terbaik yang diperoleh adalah jumlah hidden layer 3 dengan masing-masing 200 hidden unit, dropout rate 30% pada kombinasi fungsi aktivasi ReLU, ReLU, ReLU dan laju pembelajaran sebesar 0,04 menghasilkan akurasi tertinggi senilai 94,58% dengan spesifisitas 96,45% dan sensitivitas 91,02%. Kata Kunci : Kanker payudara, MicroRNA, Deep Neural Network, Arsitektur

Item Type:Thesis (Undergraduate)
Subjects:Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Q Science > QA Mathematics > QA76 Computer software
Divisions:Faculty of Science and Mathematics > Department of Computer Science
ID Code:82572
Deposited By:INVALID USER
Deposited On:15 Feb 2021 08:43
Last Modified:15 Feb 2021 08:43

Repository Staff Only: item control page