implementasi metode kernel partial least square metode . kernel partial least square untuk...

IMPLEMENTASI METODE KERNEL PARTIAL LEAST SQUARE UNTUK

KLASIFIKASI KANKER OVARIUM (Kata kunci: Klasifikasi kanker ovarium, KPLS,

kernel, SELDI-TOF)

PRESENTASI TUGAS AKHIR – KI091391

Penyusun Tugas Akhir :

Lisa Yuli Kurniawati

(NRP : 5108.100.089)

Dosen Pembimbing :

Prof. Ir. Handayani Tjandrasa, M.Sc., Ph.D.

Isye Arieshanti, S.Kom., M.Phil.

08 Juni 2012 Tugas Akhir – KI091391

Outline

2

Latar Belakang1

Tujuan2

Rumusan Masalah3

Metode4

Desain & Implementasi5

Uji Coba6

Kesimpulan7

Outline

3

Latar Belakang1

Tujuan2

Rumusan Masalah3

Metode4

Desain & Implementasi5

Uji Coba6

Kesimpulan7

4

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

Latar Belakang

Diagnosa dini itu penting!

5

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

Latar Belakang

Kernel Partial Least Square

6

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

Latar Belakang

Outline

7

Latar Belakang1

Tujuan2

Rumusan Masalah3

Metode4

Desain & Implementasi5

Uji Coba6

Kesimpulan7

Tujuan2

Tujuan

Implementasi perangkat lunak prediktor kanker ovarium dengan menggunakan KPLS

8

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

Outline

9

Latar Belakang1

Tujuan2

Rumusan Masalah3

Metode4

Desain & Implementasi5

Uji Coba6

Kesimpulan7

Rumusan Masalah3

Bagaimana mengimplementasikan perangkat lunak prediktor kanker ovarium dengan Kernel Partial Least Square?

Bagaimana mengevaluasi fungsi-fungsi pada perangkat lunak?

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

Rumusan Masalah

10

Outline

11

Latar Belakang1

Tujuan2

Rumusan Masalah3

Metode4

Desain & Implementasi5

Uji Coba6

Kesimpulan7

Metode4

Metode

Partial Least Square :

Variabel

respon

(output)

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

12

Variabel prediktor

(input)

Koefisien regresi

Metode

KPLS PLS + trik Kernel

Permasalahan Nonlinear  diselesaikan secara Linear ??

fungsi KERNEL

dilibatkan

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

13

Outline

14

Latar Belakang1

Tujuan2

Rumusan Masalah3

Metode4

Desain & Implementasi5

Uji Coba6

Kesimpulan7

Desain & Implementasi5

Desain & Implementasi

Data Masukan

Data Keluaran

Gambaran Proses

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

Data Masukan

Data

Spektometri masa

SELDI-TOF High Resolution

Teknologi

proteomik

Data ini dibuat oleh National Cancer Institute (NCI) yang telah dipublikasikan dan dapat diunduh pada situs berikut:

http://home.ccr.cancer.gov/ncifdaproteomics/ppatterns.asp.

m/z ratio

Dimensi data >370.000

16

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

Jumlah Sampel

Normal = 95 Kanker = 121

http://home.ccr.cancer.gov/ncifdaproteomics/ppatterns.asp

Data Keluaran

Keluaran proses latih

Keluaran proses prediksi

Koefisien regresi

Hasil prediksi

KANKER+1

NORMAL-1

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

Gambaran Proses

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

18

Data Latih

Model Klasifikasi (KPLS)

Ulangi untuk K-Fold Cross Validation

Proses Uji

Proses Latih

Evaluasi (akurasi, sensitivitas &

spesifisitas)

Hasil Prediksi

Data

Ovarium

SELDI-TOF

Data Uji

Tahap

Pra-proses

Tahap Pra-Proses

Data Ovarium SELDI-TOF jumlah fitur >370.000

Penghilangan missing value

Set A

Seleksi Fitur (Uji T-2 sampel)

Set B

jumlah fitur= 39.905

jumlah fitur= 24.544

Transformasi Data

Set C

C10 jumlah fitur= 15.964 C40 jumlah fitur= 3.992

Transformasi Data

Set D

D10, jumlah fitur= 9.820 D50, jumlah fitur= 1.964

dataset 1

dataset 2

dataset 3 & 4 dataset 5&6

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

Penghilangan missing value

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

20

Seleksi Fitur (Uji-T 2 Sampel)

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

21

Transformasi Data

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

22

Lebar window = 10

Gambaran Proses

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

23

Data Latih

Model Klasifikasi (KPLS)

Ulangi untuk K-Fold Cross Validation

Proses Uji

Proses Latih

Evaluasi (akurasi, sensitivitas &

spesifisitas)

Hasil Prediksi

Data

Ovarium

SELDI-TOF

Data Uji

Tahap

Pra-proses

Proses Latih

Membuat matriks kernel K dan Kt

K = matriks kernel dari X orde (nxn) Kt = matriks kernel antara X dan Xt orde (nt x n)

Fungsi kernel polinomial

Komponen matriks kernel

dot product

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

24

Proses Latih

Mencari koefisien regresi

p = jumlah komponen latent vector yang diekstraksi

Algoritma NIPALS

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

Koefisien regresi:

25

K

Gambaran Proses

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

Data Latih

Model Klasifikasi (KPLS)

Ulangi untuk K-Fold Cross Validation

Proses Uji

Proses Latih

Evaluasi (akurasi, sensitivitas &

spesifisitas)

Hasil Prediksi

Data

Ovarium

SELDI-TOF

Data Uji

Tahap

Pra-proses

26

Proses Uji

Prediksi terhadap Yt

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

27

Koefisien regresi

Proses Evaluasi

Semakin besar nilai Akurasi , Sensitivitas dan Spesifisitas menunjukkan model semakin akurat

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

28

Outline

29

Latar Belakang1

Tujuan2

Rumusan Masalah3

Metode4

Desain & Implementasi5

Uji Coba6

Kesimpulan7

Uji Coba6

Rata-rata Sensitivitas Set A= 90% Set B = 89%

Uji Coba I

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

30

Uji coba I : variasi data (Set A, Set B) dengan atau tanpa Seleksi Fitur

Jumlah fitur Set A = 39.905 Set B= 24.544

Rata-rata Spesifisitas

Set A&B= 99%

Rata-rata Akurasi

Set A= 94% Set B = 93%

Uji Coba I

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

31

Uji coba I : variasi data (Set A, Set B) dengan atau tanpa Seleksi Fitur

Jumlah fitur Set A = 39.905 Set B= 24.544

Rata-rata Spesifisitas

Set A&B= 99%

Rata-rata Sensitivitas Set A= 90% Set B = 89%

Uji Coba I

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

32

Uji coba I : variasi data (Set A, Set B) dengan atau tanpa Seleksi Fitur

Jumlah fitur Set A = 39.905 Set B= 24.544

Uji Coba II

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

33

Uji coba II : Transformasi data, variasi parameter lebar window [Set A]

Jumlah fitur Set C10 = 15.964 Set C20 = 7.984 Set C30 = 5.324 Set C40 = 3.992 Set C50 = 3.196

Lebar Window yang digunakan adalah 10,20,30,4,50

Rata-rata Akurasi Set C terbaik

Set C50= 76,4%

Uji Coba II

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

34

Uji coba II : Transformasi data