Main Article Content
Abstract
Diagnosa yang cepat dan tepat sangat memegang peranan penting dalam mengatasi masalah penyakit kanker. Melalui penggunaan teknologi microarray DNA, diharapkan diagnosa dan prediksi penyakit kanker akan dapat dilakukan secara lebih cepat dan akurat. Hanya saja, masalah utama dalam penggunaan database yang dihasilkan melalui microarray DNA ini adalah besarnya dimensi database yan dianalisis. Dalam laporan ini, akan diperkenalkan metode pengelompokan alternatif berbasis densitas fungsi kernel Gaussian dengan teknik K-nearest neighbour yang kami namakan sebagai algoritma Iterative Gaussian Local Klastering (ILGC).
Eksperimen untuk implementasi algoritma ILGC dilakukan menggunakan database yang diperoleh dari eksperimen studi tentang kanker Diffuse large B-cell lymphoma (DLBCL). Hasil eksperimen menunjukan bahwa banyaknya klaster database identik dengan hasil eksperimen masing-masing oleh Alizadeh et. al. (2000) dan Lossos te. al (2000). Secara umum hasil eksperimen menunjukan bahwa gene klaster yang ditemukan memiliki korelasi yang signifikan dengan parameter klinis dari penyakit kanker.
Kata kunci: penyakit kanker, teknologi microarray DNA, Algoritma Iterasi Kernel Gaussian
Eksperimen untuk implementasi algoritma ILGC dilakukan menggunakan database yang diperoleh dari eksperimen studi tentang kanker Diffuse large B-cell lymphoma (DLBCL). Hasil eksperimen menunjukan bahwa banyaknya klaster database identik dengan hasil eksperimen masing-masing oleh Alizadeh et. al. (2000) dan Lossos te. al (2000). Secara umum hasil eksperimen menunjukan bahwa gene klaster yang ditemukan memiliki korelasi yang signifikan dengan parameter klinis dari penyakit kanker.
Kata kunci: penyakit kanker, teknologi microarray DNA, Algoritma Iterasi Kernel Gaussian