<> "The repository administrator has not yet configured an RDF license."^^ . <> . . "KLASIFIKASI TIPE KANKER BERDASARKAN SIGNATURE TUMOR\r\n\r\nDNA MENGGUNAKAN METODE XGBOOST"^^ . "Diagnosis penyakit kanker menggunakan biopsi cair berfokus pada\r\nsignature tumor DNA berupa circulating tumor DNA (ctDNA) yang berasal dari\r\ntumor primer yang didapatkan dari sampel darah penderita. Mutasi somatik dan\r\nperubahan nomor salinan pada ctDNA dapat digunakan sebagai penanda utama\r\nuntuk deteksi dan pemantauan dini dari penyakit kanker. Data mutasi DNA tersebut\r\napabila dikombinasikan dengan bidang bioinformatika dan analisis data biomedis\r\nmenggunakan algoritma machine learning dapat membantu mempermudah\r\nklasifikasi penyakit kanker. XGBoost atau extreme gradient boosting adalah\r\nmetode pembelajaran ensemble yang menggabungkan beberapa model untuk\r\nmenghasilkan satu model prediksi optimal. Penelitian ini bertujuan untuk\r\nmengetahui hasil klasifikasi algoritma XGBoost dengan menggunakan mutasi yang\r\nterjadi pada tumor DNA dalam tubuh penderita. Penelitian ini melakukan\r\nklasifikasi menggunakan data penelitian Soh et al., 2017 menggunakan algoritma\r\nXGBoost dengan dua jenis pembagian data yaitu 10-fold cross-validation dan\r\nholdout cross-validation dengan pembagian data latih data uji sebesar 60:40, 70:30,\r\n75:25, 80:20, 90:10, 95:5, dan 97:3. Masing-masing percobaan klasifikasi yang\r\ndilakukan dalam penelitian ini menggunakan dua jenis data yaitu data dengan\r\nkeseluruhan fitur dan 900 fitur teratas hasil seleksi fitur.\r\nHasil akurasi paling tinggi didapatkan percobaan klasifikasi XGBoost\r\nholdout cross-validation 90:10 900 fitur dengan akurasi sebesar 89,91%, sedangkan\r\nnilai akurasi paling kecil diperoleh percobaan XGBoost 10-fold cross-validation\r\n900 fitur yaitu sebesar 70,01%. Berdasarkan percobaan yang sudah dilakukan, nilai\r\nakurasi cenderung lebih tinggi pada percobaan 900 fitur dibandingkan keseluruhan\r\nfitur dan akurasi percobaan menggunakan pembagian holdout cross-validation\r\nmendapat nilai akurasi lebih baik dibandingkan percobaan 10-fold cross-validation.\r\nUntuk holdout cross-validation semakin besar persentase data latih semakin tinggi\r\npula akurasi yang diperoleh.\r\n\r\nKata kunci : klasifikasi, machine learning, bioinformatika, kanker, mutasi,\r\n\r\nXGBoost\r\nCancer diagnosis using liquid biopsy focuses on tumor DNA signatures in\r\nthe form of circulating tumor DNA (ctDNA) derived from primary tumors obtained\r\nfrom patient blood samples. Somatic mutations and the copy number alterations in\r\nctDNA can be used as key markers for early detection and monitoring of cancer.\r\nThe DNA mutation data when combined with bioinformatics and biomedical data\r\nanalysis using machine learning algorithms can help simplify the classification of\r\ncancer. XGBoost or extreme gradient boosting is an ensemble learning method that\r\ncombines several models to produce one optimal prediction model. This study aims\r\nto determine the results of the XGBoost algorithm classification using mutations\r\nthat occur in DNA tumors in the patient's body. This study performs a classification\r\nusing data from the research of Soh et al., 2017 using the XGBoost algorithm with\r\n\r\ntwo types of data sharing, namely 10-fold cross-validation and holdout cross-\r\nvalidation with training data distribution of test data of 60:40, 70:30, 75:25, 80:20,\r\n\r\n90:10, 95:5 and 97:3. Each classification experiment carried out in this study uses\r\ntwo types of data, namely data with overall features and the top 900 features as a\r\nresult of feature selection.\r\n\r\nThe highest accuracy result was obtained by the XGBoost holdout cross-\r\nvalidation experiment with 90:10 900 features with an accuracy of 89.91%, while\r\n\r\nthe lowest accuracy value was obtained by the XGBoost 10-fold cross-validation\r\n900 feature experiments, which was 70.01%. Based on the experiments that have\r\nbeen carried out, the accuracy value tends to be higher in the 900-feature experiment\r\n\r\nthan the overall feature, and the accuracy of the experiment using the holdout cross-\r\nvalidation division gets a better accuracy value than the 10-fold cross-validation\r\n\r\nexperiment. For holdout cross-validation, the greater the percentage of training\r\ndata, the higher the accuracy obtained.\r\n\r\nKeywords: classification, machine learning, bioinformatics, cancer, mutation,\r\n\r\nXGBoost"^^ . "2021" . . . . . "FAKULTAS MIPA DAN ILMU PENGETAHUAN ALAM"^^ . . . . . . . "1657051001"^^ . "Rachelia Dita Anggraini"^^ . "1657051001 Rachelia Dita Anggraini"^^ . . . . . . "KLASIFIKASI TIPE KANKER BERDASARKAN SIGNATURE TUMOR\r\n\r\nDNA MENGGUNAKAN METODE XGBOOST (File PDF)"^^ . . . "Abstrak_1657051001_Rachelia Dita Anggraini - Rachelia Dita Anggraini.pdf"^^ . . . "KLASIFIKASI TIPE KANKER BERDASARKAN SIGNATURE TUMOR\r\n\r\nDNA MENGGUNAKAN METODE XGBOOST (File PDF)"^^ . . . "KLASIFIKASI TIPE KANKER BERDASARKAN SIGNATURE TUMOR\r\n\r\nDNA MENGGUNAKAN METODE XGBOOST (File PDF)"^^ . . . "Skripsi Tanpa Pembahasan_1657051001_Rachelia Dita Anggraini - Rachelia Dita Anggraini.pdf"^^ . . . "KLASIFIKASI TIPE KANKER BERDASARKAN SIGNATURE TUMOR\r\n\r\nDNA MENGGUNAKAN METODE XGBOOST (Other)"^^ . . . . . . "lightbox.jpg"^^ . . . "KLASIFIKASI TIPE KANKER BERDASARKAN SIGNATURE TUMOR\r\n\r\nDNA MENGGUNAKAN METODE XGBOOST (Other)"^^ . . . . . . "preview.jpg"^^ . . . "KLASIFIKASI TIPE KANKER BERDASARKAN SIGNATURE TUMOR\r\n\r\nDNA MENGGUNAKAN METODE XGBOOST (Other)"^^ . . . . . . "medium.jpg"^^ . . . "KLASIFIKASI TIPE KANKER BERDASARKAN SIGNATURE TUMOR\r\n\r\nDNA MENGGUNAKAN METODE XGBOOST (Other)"^^ . . . . . . "small.jpg"^^ . . . "KLASIFIKASI TIPE KANKER BERDASARKAN SIGNATURE TUMOR\r\n\r\nDNA MENGGUNAKAN METODE XGBOOST (Other)"^^ . . . . . . "indexcodes.txt"^^ . . . "KLASIFIKASI TIPE KANKER BERDASARKAN SIGNATURE TUMOR\r\n\r\nDNA MENGGUNAKAN METODE XGBOOST (Other)"^^ . . . . . . "KLASIFIKASI TIPE KANKER BERDASARKAN SIGNATURE TUMOR\r\n\r\nDNA MENGGUNAKAN METODE XGBOOST (Other)"^^ . . . . . . "indexcodes.txt"^^ . . . "KLASIFIKASI TIPE KANKER BERDASARKAN SIGNATURE TUMOR\r\n\r\nDNA MENGGUNAKAN METODE XGBOOST (Other)"^^ . . . . . . "lightbox.jpg"^^ . . . "KLASIFIKASI TIPE KANKER BERDASARKAN SIGNATURE TUMOR\r\n\r\nDNA MENGGUNAKAN METODE XGBOOST (Other)"^^ . . . . . . "preview.jpg"^^ . . . "KLASIFIKASI TIPE KANKER BERDASARKAN SIGNATURE TUMOR\r\n\r\nDNA MENGGUNAKAN METODE XGBOOST (Other)"^^ . . . . . . "medium.jpg"^^ . . . "KLASIFIKASI TIPE KANKER BERDASARKAN SIGNATURE TUMOR\r\n\r\nDNA MENGGUNAKAN METODE XGBOOST (Other)"^^ . . . . . . "small.jpg"^^ . . . "KLASIFIKASI TIPE KANKER BERDASARKAN SIGNATURE TUMOR\r\n\r\nDNA MENGGUNAKAN METODE XGBOOST (Other)"^^ . . . . . . "KLASIFIKASI TIPE KANKER BERDASARKAN SIGNATURE TUMOR\r\n\r\nDNA MENGGUNAKAN METODE XGBOOST (Other)"^^ . . . . . . "KLASIFIKASI TIPE KANKER BERDASARKAN SIGNATURE TUMOR\r\n\r\nDNA MENGGUNAKAN METODE XGBOOST (Other)"^^ . . . . . . "KLASIFIKASI TIPE KANKER BERDASARKAN SIGNATURE TUMOR\r\n\r\nDNA MENGGUNAKAN METODE XGBOOST (Other)"^^ . . . . . "HTML Summary of #61710 \n\nKLASIFIKASI TIPE KANKER BERDASARKAN SIGNATURE TUMOR \n \nDNA MENGGUNAKAN METODE XGBOOST\n\n" . "text/html" . . . "500 ilmu pengetahuan alam dan matematika" . .