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

Download IMPLEMENTASI METODE KERNEL PARTIAL LEAST SQUARE METODE . KERNEL PARTIAL LEAST SQUARE UNTUK KLASIFIKASI…

Post on 08-Aug-2019

212 views

Category:

Documents

0 download

Embed Size (px)

TRANSCRIPT

  • 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

Recommended

View more >