implementasi metode kernel partial least square metode . kernel partial least square untuk...
Post on 08-Aug-2019
212 views
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