PENERAPAN REDUKSI DIMENSI PRINCIPAL COMPONENT ANALYSIS DAN SELEKSI FITUR GENETIC ALGORITHM PADA KLASIFIKASI DATA MICROARRAY MENGGUNAKAN SUPPORT VECTOR MACHINE 

(Oleh: Rahmat Amin Badali; Pembimbing: Dwi Kartini, S.Kom., M.Kom. dan Muliadi, S.Kom., M.Cs.;2024;127 halaman)

DNA microarray telah berkembang pesat dan menjadi alat penting dalam penelitian bioinformatika. Teknologi ini memungkinkan pemantauan ekspresi gen dalam jumlah besar secara bersamaan, sehingga memberikan manfaat yang signifikan dalam berbagai eksperimen biologi, termasuk salah satunya deteksi kanker. Namun, data microarray memiliki kelemahan berupa dimensi data yang tinggi dan jumlah sampel yang relative sedikit. Hal ini dapat mempengaruhi akurasi pada model klasifikasi dalam mendeteksi ekspresi gen. Pada penelitian ini digunakan Principal Component Analysis (PCA) sebagai metode mereduksi dimensi dan Genetic Algorithm (GA) sebagai metode seleksi fitur serta klasifikasi Support Vector Machine (SVM) untuk mengklasifikan data microarray. Semua metode ini diterapkan pada tiga dataset microarray yaitu breast cancer, ovarian cancer, dan leukemia. Berdasarkan hasil pengujian, diketahui bahwa penerapan reduksi dimensi PCA dengan seleksi fitur GA pada klasifikasi SVM mampu mengurangi kompleksitas data dan meningkatkan akurasi model klasifikasi. Hasil klasifikasi pada dataset breast cancer didapatkan akurasi sebesar 73.33% dengan 28 fitur. Pada dataset ovarian cancer didapatkan akurasi sebesar 98.68% dengan 11 fitur. Sedangkan pada dataset leukemia didapatkan akurasi sebesar 95.45% dengan 9 fitur.

Kata kunci: Microarray, Reduksi Dimensi, Seleksi Fitur, Klasifikasi, Principal Component Analysis, Genetic Algorithm, Support Vector Machine.