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 ??

fungsiKERNEL

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 = 95Kanker = 121

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 OvariumSELDI-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= 9.820D50, 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-rataSensitivitasSet 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 fiturSet A = 39.905Set B= 24.544

Rata-rataSpesifisitas

Set A&B= 99%

Rata-rataAkurasi

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 fiturSet A = 39.905Set B= 24.544

Rata-rataSpesifisitas

Set A&B= 99%

Rata-rataSensitivitasSet 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 fiturSet A = 39.905Set 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 fiturSet C10 = 15.964Set C20 = 7.984Set C30 = 5.324Set C40 = 3.992Set C50 = 3.196

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

Rata-rataAkurasi 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, variasi parameter lebar window [Set B]

Jumlah fiturSet D10 = 9.820Set D20 = 4.912Set D30 = 3.276Set D40 = 2.456Set D50 = 1.964

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

Rata-rataAkurasi Set D terbaik

Set D40= 74,02%

Outline

35

Latar Belakang1

Tujuan2

Rumusan Masalah3

Metode4

Desain & Implementasi5

Uji Coba6

Kesimpulan7 Kesimpulan7

Kesimpulan

“Perangkat lunak yang dikembangkan dengan metode KPLS ini mampu memprediksi kanker ovarium. ”

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

36

0.00

0.20

0.40

0.60

0.80

1.00

1.20

A B C10 C40 D10 D50

Pe

form

a s

iste

m (

%)

Dataset

Akurasi

Sensitivitas

Spesifisitas

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

TEORI-TEORI PENTING

[PEMBAHASAN]

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

Latent Vector?

Sudah diketahui nilainya

Var. baruMenemukan faktor-faktor yang

memaksimalkan common variance, karena jika common variance diperbesar maka error

akan semakin kecil.

Matriks kovarian

Common variance(berkorelasi dengan var.

lain)

Spesific variance(tidak berkorelasi dengan

var. lain)

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

Matriks Kovarian

2

1 12 1

2

21 2 2

2

1 2

p

p

n n p

Matriks yang unsur-unsurnya berupa varian(ragam) dan kovarian

(peragam) dari sekumpulan variabel.

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

Loading Vector?

Latent

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

Uji Hipotesis rata-rata multivariat dua populasi yang saling bebas

Dua sampel acak yang saling bebas yangdibentuk dari populasi yang berdistribusi normal,dengan asumsi keduanya memiliki variansi yangsama, maka dapat digunakan statistik uji t sebagaiberikut :

Dengan derajat bebas

1 2

2 2

1 1 2 2

1 2 1 2

( 1) ( 1) 1 1

2

x xt

n s n s

n n n n

1 2 2n n

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

SELDI-TOF

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

Surface-Enhanced Laser Desorption Ionization Time of Flight

Menjadi ion

A typical low resolution

SELDI-TOF proteomic

profile will leave up to

15.500 data points that

comprise the recordings of

data between 500 and

20.000 m/z, with high

resolution mass

spectometry instrument

generating as much as

400.000 data points for 500

to 12.000 m/z

M/z value? Intensity?

The time of flight(TOF) of the

ion, before it is detected by an

electrode, is a measure of the

mass to charge (m/z) value

The ion spectra can be

analysed by computer-

assisted tools to classify a

subset of the spectra by teir

characteristic patterns of

relative intensity.

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

Transformasi Data

Rata-Rata (Pusat Data)

Varian (Tingkat persebaran data)

Skewness (kesimetrisan)

Kurtosis (keruncingan)

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

Skewness (Kesimetrisan)

Skewness <0

Skewness =0

Skewness >0

Implementasi Metode Kernel Partial Least Square Untuk Klasifikasi Kanker Ovarium

Kurtosis(Keruncingan)

Pengaruh Jumlah Komponen

0%

20%

40%

60%

80%

100%

120%

3 5 10 50 75

Ra

ta-R

ata

Pe

rfo

rma

s S

Iste

m

Jumlah Komponen Latent Vector

Set A

Akurasi

Sensitivitas

Spesifisitas