Electronic Theses and Dissertation

Abstrak- data kanker seluruh dunia pada tahun 2023 menunjukkan kanker payudara menyumbang 12% dari seluruh kanker di seluruh dunia. kanker payudara adalah jenis kanker paling umum pada wanita, mencakup sekitar 25% dari semua diagnosis kanker dan merupakan penyebab utama kematian akibat kanker sebesar 16%. salah satu cara untuk mendeteksi kanker payudara adalah dengan menggunakan gen brca1, brca2 dan biomarker dna lainnya untuk memeriksa malfungsi yang dapat menyebabkan kanker payudara melalui deregulasi pembelahan sel. data biomarker dna pada gen memiliki proses dan informasi yang berbeda, sehingga memerlukan pendekatan khusus dalam analisisnya. tujuan penelitian ini untuk mengembangkan model deteksi kanker payudara menggunakan data biomarker dna dengan pendekatan recurrent neural network. data telah dibagi menjadi dua kelas yaitu payudara normal dan kanker payudara lalu preprocessing menggunakan blast, alignment, integer encoding dan label encoder. metode yang digunakan adalah bidirectional long short term memory dan bidirectional gated recurrent unit lalu membandingkan performa akurasi maksimal antar kedua metode. berdasarkan hasil perbandingan kedua metode terbukti deteksi kanker payudara menggunakan metode bidirectional gated recurrent unit dengan learning rate 0,001 memperoleh hasil akurasi dan loss pada data testing masing-masing sebesar 98% dan 4% serta nilai precision, recall dan f measure pada data testing masing-masing sebesar 99%, 99% dan 99% dibandingkan metode bilstm menggunakan learning rate 0,001 dengan epoch 50 memperoleh nilai akurasi dan loss pada data testing masing-masing sebesar 95% dan loss sebesar 23% serta nilai precision, recall dan f measure masing-masing sebesar 94%, 97% dan 96%. metode bigru menunjukkan hasil akurasi maksimal meningkat 1,5% dari penelitian sebelumnya yang hanya sebesar 96,5% sehingga metode bigru lebih baik dibandingkan metode bilstm untuk melakukan deteksi kanker payudara menggunakan data biomarker dna. kata kunci : kanker payudara, recurrent neural network, biomarker dna payudara.

Abstract- Global cancer data in 2023 indicates that breast cancer accounts for 12% of all cancers worldwide. Breast cancer is the most common type of cancer among women, representing approximately 25% of all cancer diagnoses and being the leading cause of cancer-related deaths, contributing to 16% of these fatalities. One method to detect breast cancer is through the use of the BRCA1 and BRCA2 genes and other DNA biomarkers to examine malfunctions that may lead to breast cancer due to deregulated cell division. DNA biomarker data in genes have varying processes and information, necessitating specialized approaches for analysis. This study aims to develop a breast cancer detection model using DNA biomarker data with a recurrent neural network approach. The data was divided into two classes normal breast tissue and breast cancer. Preprocessing was then performed using BLAST, alignment, integer encoding, and label encoding.The methods used are Bidirectional Long Short-Term Memory (BiLSTM) and Bidirectional Gated Recurrent Unit (BiGRU), with a comparison of maximum accuracy performance between the two methods. Based on the comparison of the two methods, it was proven that breast cancer detection using the Bidirectional Gated Recurrent Unit (BiGRU) method with a learning rate of 0.001 achieved testing accuracy and loss values of 98% and 4%, respectively. Additionally, the precision, recall, and F-measure on the testing data were 99%, 99%, and 99%, respectively. In comparison, the Bidirectional Long Short-Term Memory (BiLSTM) method with a learning rate of 0.001 and 50 epochs achieved a testing accuracy of 95% and a loss value of 23%. The precision, recall, and F-measure for BiLSTM were 94%, 97%, and 96%, respectively. The BiGRU method demonstrated a maximum accuracy improvement of 1.5% compared to the previous study, which achieved only 96.5%. Therefore, the BiGRU method outperforms the BiLSTM method in detecting breast cancer using DNA biomarker data. Keywords: Breast cancer, Recurrent Neural Network, breast DNA biomarkers.