RAHMADHANI, Aura (2026) Analisis Perbandingan Kinerja Algoritma Machine Learning Berdasarkan Integrasi Proteomik Dengan Representasi Molekul Untuk Prediksi Efektivitas Obat Pada Pasien Kanker Paru-Paru. Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. Cover.pdf Download (190kB)
	Text 3. Halaman Pengesahan I.pdf Download (681kB)
	Text 4. Halaman Pengesahan II.pdf Download (180kB)
	Text 5. Kata Pengantar.pdf Download (173kB)
	Text 6. Abstrak.pdf Download (152kB)
	Text 7. Abstract.pdf Download (104kB)
	Text 8. Daftar Isi.pdf Download (185kB)
	Text 12. Bab I Pendahuluan.pdf Download (299kB)
	Text 17. Daftar Pustaka.pdf Download (164kB)

Abstract

Kanker paru-paru menjadi permasalahan global dalam menyebabkan kematian akibat kanker. Salah satu penyebab kematian kanker ini yaitu terapi yang seragam untuk semua pasien. Pengobatan presisi perlu dikembangkan untuk mengatasi heterogenitas respons pasien kanker, sehingga efektivitas terapi meningkat dan mencegah efek samping. Integrasi data antara proteomik dengan struktur molekul
obat telah menjadi strategi untuk memprediksi respons obat. Pendekatan algoritma machine learning diperlukan untuk mengoptimalkan model prediksi. Penelitian ini bertujuan untuk menemukan klasifikasi terbaik dalam prediksi respons obat
menggunakan tiga algoritma machine learning yaitu Random Forest, XGBoost, dan Multi-layer Perceptron (MLP) yang unggul dalam memodelkan data berdimensi tinggi. Algoritma ini dikombinasikan dengan dua representasi molekul yaitu
Morgan Fingerprint dan Graph Neural Networks (GNN) yang mampu mengubah struktur kimia menjadi vektor numerik. Pendekatan GNN menghasilkan fitur lebih informatif dengan tingkat sparsity sangat rendah yaitu mencapai 8,55%, dibandingkan Morgan Fingerprint. Arsitektur model terbaik yaitu kombinasi XGBoost dan GNN dengan nilai evaluasi Area Under Precision-Recall Curve (AUPRC) mencapai 95,57%, serta dievaluasi lebih lanjut menggunakan Confusion Matrix. Penelitian ini menunjukkan integrasi data proteomik dan representasi molekul berbasis GNN dengan algoritma XGBoost menghasilkan prediksi respons obat yang lebih optimal dan mampu mendukung pengembangan pengobatan presisi.
Kata Kunci: kanker paru-paru, pengobatan presisi, proteomik, respons obat, machine learning, representasi molekul, Graph Neural Networks, XGBoost.

Actions (login required)

View Item