Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kanker menjadi penyebab utama kematian global yang menyebabkan hampir 10 juta kematian atau hampir seperenam kasus kematian pada tahun 2020. Tindakan pencegahan primer yang efektif dapat mencegah setidaknya 40% kasus kanker. Tingkat kematian akibat kanker di negara berkembang lebih tinggi dibandingkan dengan negara maju, mencerminkan kesenjangan dalam menangani faktor risiko, keberhasilan deteksi, dan pengobatan. Wanita di negara berkembang paling sering menderita kanker serviks. Masyarakat terutama wanita memerlukan pengetahuan mengenai faktor risiko kanker serviks. Salah satu solusi potensial untuk masalah ini peran machine learning dalam mempelajari data pasien kanker serviks. Penelitian ini menggunakan algoritma clustering K-Prototypes, yang dapat mengelompokkan data campuran, baik numerik maupun kategorik. Data faktor risiko kanker serviks dari pasien di RSUPN X digunakan dalam penelitian ini. Seleksi fitur dilakukan untuk meningkatkan kinerja algoritma KPrototypes, dengan membandingkan seleksi fitur menggunakan Variance Threshold dan Correlation Coefficient. Kinerja algoritma K-Prototypes terbaik didapatkan dengan menggunakan Correlation Coefficient yang ditinjau berdasarkan Silhouette Coefficient sebesar 0,6; Davies-Bouldin Index sebesar 0,6; dan Callinzki-Harabasz Index sebesar 1.080. Interpretasi cluster yang terbentuk dari simulasi menghasilkan perbedaan utama karakteristik faktor risiko dari dua cluster, yaitu umur, menopause, dan kondisi kesehatan seperti keputihan, pendarahan, nyeri perut bawah, dan penurunan nafsu makan. Sementara, faktor terkait riwayat terdahulu, kesehatan reproduksi, dan masalah gizi tidak menunjukkan perbedaan yang signifikan. Algoritma K-Prototypes diharapkan dapat menjadi solusi dalam mengidentifikasi kelompok berdasarkan faktor risiko kanker serviks untuk membantu tenaga medis dalam mengambil keputusan dan tindakan selanjutnya, serta pengetahuan bagi masyarakat.

---

Cancer is a leading cause of death worldwide, resulting in nearly 10 million deaths, or almost one-sixth of all deaths, in 2020. Effective primary prevention measures can prevent at least 40% of cancer cases. Cancer mortality rates are higher in developing countries compared to developed countries, reflecting disparities in addressing risk factors, detection success, and available treatments. Women in developing countries most frequently suffer from cervical cancer. It is crucial for communities, especially women, to have knowledge about the risk factors for cervical cancer. One potential solution to this issue is the role of machine learning in analyzing cervical cancer patient data. This study uses the K-Prototypes clustering algorithm, which can cluster mixed data, both numerical and categorical. Cervical cancer risk factor data from patients at X National General Hospital were used in this research. Feature selection was performed to improve the performance of the K-Prototypes algorithm, comparing feature selection using Variance Threshold and Correlation Coefficient. The best performance of the K-Prototypes algorithm was obtained using the Correlation Coefficient, as reviewed based on a Silhouette Coefficient of 0,6; a Davies-Bouldin Index of 0,6; and a Callinzki-Harabasz Index of 1.080. Interpretation of the clusters formed from the simulation revealed major differences in the characteristics of risk factors between two clusters, namely age, menopause, and health conditions such as leukorrhea, bleeding, lower abdominal pain, and loss of appetite. Meanwhile, factors related to previous history, reproductive health, and nutritional issues did not show significant differences. The K-Prototypes algorithm is expected to be a solution in identifying groups based on cervical cancer risk factors to assist medical professionals in decision-making and subsequent actions, as well as to provide knowledge to the public."

"Telemedicine merupakan solusi ideal untuk menjadi layanan kesehatan di era COVID-19. Halodoc merupakan salah satu aplikasi telemedicine terbaik di Indonesia. Sejak tahun 2022, Halodoc sudah mempunyai lebih dari 15.000.000 pengguna sehingga perlu mengganti fokus bisnisnya dari product oriented menjadi customer oriented. Halodoc perlu melakukan analisis customer segmentation untuk mengetahui karakteristik pengguna lebih dalam. Analisis ini menggunakan salah satu teknik data mining yaitu clustering menggunakan algoritma K-Prototypes. Atribut penggunaan voucher, total transaksi, kategori produk, spesialis dokter, provider asuransi, kelompok usia, merek handphone, dan lokasi digunakan pada penelitian ini. Pengguna Halodoc yang melakukan transaksi minimal 1 kali selama November 2021 hingga Januari 2022 yang berjumlah 193.000 pengguna akan disegmentasi. Hasilnya adalah pengguna Halodoc dapat disegmentasi menjadi 4 status sosial yaitu working class, petty bourgeoise, middle class, dan high class. Status sosial yang memiliki ukuran terbesar adalah middle class yaitu dengan proporsi 46,69% dari keseluruhan pengguna. Pengguna yang paling potensial untuk Halodoc adalah yang berasal dari status sosial High Class karena memiliki frekuensi transaksi terbanyak dan nominal pengeluaran terbesar.

---

Telemedicine is the ideal solution to become a healthcare service in COVID-19 era. Halodoc is one of the best telemedicine applications in Indonesia. Since 2022, Halodoc has more than 15.000.000 users, so they need to change its business focus from product oriented to customer oriented. Halodoc needs to do customer segmentation analysis to find out more about user’s characteristics. This analysis uses one of data mining techniques which is K-Prototypes Clustering. Voucher usage, total transaction, doctor specialist, insurance provider, age group, mobile phones’s brand, and location are used in this study. Halodoc’s users who make transactions at least 1 time during November 2021 to January total 193.000 users will be segmented. The results is Halodoc’s users can be segmented into 4 social classes such as working class, petty bourgeoise, middle class, and high class. Social status that has the largest size is the middle class with the proportion of 46.69% of the total users. The most potential users for Halodoc are those from High Class social status because they have the highest transaction frequency and the largest nominal spending."

"Kualitas hidup adalah suatu payung yang melingkupi variasi konsep fungsional, status kesehatan, persepsi, kondisi kehidupan, gaya hidup, dan kebahagiaan. Indikator dalam mengukur kualitas hidup terbagi menjadi dua, yakni indikator subjektif dan indikator objektif. Indikator subjektif berkaitan langsung dengan berbagai pengalaman yang seseorang alami dalam hidupnya. Di sisi lain, indikator objektif dikaitkan dengan wujud kepemilikan berbagai material atau faktor eksternal yang mempengaruhi berbagai pengalaman seseorang dalam menjalani kehidupannya. Pada penelitian ini, indikator objektif dipilih sebagai alat ukur kualitas hidup yang mencakup karakteristik sosial, ekonomi, kesehatan, dan lingkungan. Data yang digunakan dalam penelitian terdiri dari dua jenis data, yakni data numerik dan kategorik. Data yang digunakan merupakan data sekunder berisikan indikator objektif kualitas hidup di 82 negara pada tahun 2020. Adapun metode yang digunakan adalah algoritma K-prototypes dan Two Step Cluster (TSC) yang merupakan bagian dari metode pengelompokan nonhierarki dan hierarki serta dapat menangani data bertipe campuran (numerik dan kategorik). Hasil dari penelitian ini menunjukkan bahwa algoritma K-prototypes merupakan metode yang memberikan hasil lebih baik dalam mengelompokkan data penelitian dibandingkan algoritma TSC dengan nilai koefisien Silhouette sebesar 0,577, yang bermakna bahwa kelompok yang terbentuk telah memiliki struktur yang baik. Kelompok optimal yang terbentuk adalah sebanyak 2 kelompok yang disusun oleh 40 negara pada Kelompok 1 dan 42 negara pada Kelompok 2. Kelompok 2 cenderung memiliki profil kualitas hidup yang lebih baik dibandingkan Kelompok 1.

---

Quality of life is a phrase that covers a variety of functional concepts, health status, perception, living conditions, lifestyle, and happiness. Indicators in measuring quality of life are divided into two, namely subjective indicators and objective indicators. Subjective indicators are measured based on various experiences that people went through in life. On the other hand, objective indicators are measured based on various materials or external factors that affect a person's experiences in everyday life. In this study, objective indicators were chosen as quality measurement tools based on social, economic, health, and environmental characteristics. The data used in the study consisted of two types of data, namely numerical and categorical data. The data is secondary data containing objective indicators of quality of life in 82 countries in 2020. The method used in this research is the K-prototypes and Two Step Cluster (TSC) algorithm which is part of the non-hierarchical and hierarchical grouping method and can handle mixed-type data. The results of this study indicate that the K-prototypes algorithm is a method that gives better results than the TSC algorithm with a silhouette coefficient value of 0.577, which means that the formed group already has a good structure. The optimal groups formed are 2 groups composed of 40 countries in Group 1 and 42 countries in Group 2. Group 2 tends to have a better quality of life profile than Group 1."

"Serviks atau leher rahim merupakan salah satu bagian dari sistem alat reproduksi wanita. Salah satu penyakit yang dapat menyerang serviks adalah kanker. Di dunia, kanker serviks adalah salah satu kanker yang menyebabkan kematian dan keganasan yang paling umum terjadi pada wanita. Kanker serviks merupakan penyakit yang memiliki peluang sembuh cukup besar jika terdeteksi sejak dini. Seiring dengan perkembangan teknologi dalam berbagai bidang, termasuk dalam bidang medis, maka pendeteksian dini kanker serviks dapat dilakukan dengan klasifikasi menggunakan bantuan dari metode klasifikasi machine learning. Pada penelitian ini, metode klasifikasi machine learning yang digunakan untuk mengklasifikasikan kanker serviks adalah metode Naïve Bayes (NB) dan Support Vector Machine (SVM) dengan seleksi fitur Grey Wolf Optimization (GWO). Seleksi fitur GWO merupakan seleksi fitur metode wrapper yang digunakan pada penelitian ini untuk mengeliminasi fitur-fitur tidak relevan dalam mengklasifikasikan data kanker serviks, agar NB dan SVM dapat mengklasifikasi dengan lebih akurat. Sehingga, metode ini disebut sebagai metode NB–GWO dan SVM–GWO. Data kanker serviks yang digunakan pada penelitian ini merupakan data numerik dari hasil citra MRI yang diperoleh dari Departemen Radiologi RSUPN Dr. Cipto Mangunkusumo. Berdasarkan hasil penelitian dengan seleksi fitur GWO, metode NB–GWO menghasilkan rata-rata akurasi, recall, dan f1-score tertinggi masing-masing sebesar 96,30%, 96,08%, 97,93%, dan 96,30%, sedangkan metode SVM–GWO menghasilkan rata-rata akurasi dan f1-score tertinggi masing-masing sebesar 95,37% dan 95,36% dengan kernel Linier, rata- rata presisi tertinggi sebesar 97,56% dengan kernel Polinomial, serta rata-rata recall tertinggi sebesar 99,75% dengan kernel RBF. Kemudian, berdasarkan hasil klasifikasi tanpa seleksi fitur GWO, metode NB menghasilkan rata-rata akurasi, presisi, recall, dan f1-score tertinggi masing-masing sebesar 91,98%, 95,21%, 92,90%, 91,95%, sedangkan metode SVM menghasilkan rata-rata akurasi, recall, dan f1-score tertinggi sebesar 92,13%, 99,24%, dan 92,19% dengan kernel RBF, serta rata-rata presisi tertinggi sebesar 93,59% dengan kernel Polinomial. Dengan demikian, metode seleksi fitur GWO dapat meningkatkan kinerja dari NB dan SVM dalam mengklasifikasikan data kanker serviks. Selanjutnya, berdasarkan hasil perbandingan kinerja dari NB–GWO dan SVM–GWO, maka secara keseluruhan metode NB–GWO menghasilkan kinerja yang lebih baik dalam mengklasifikasikan data kanker serviks dibandingkan dengan SVM–GWO.

---

Cervix is one part of the female reproductive system. One of the diseases that can attack the cervix is cancer. In the world, cervical cancer is one of the cancers that cause death and malignancy that is most common in women. Cervical cancer is a disease that has a considerable chance of recovery if detected early. Along with the development of technology in various fields, including in the medical field, the early detection of cervical cancer can be done by classification using the help of machine learning classification methods. In this study, the machine learning classification method used to classify cervical cancer was Naïve Bayes (NB) and Support Vector Machine (SVM) with Grey Wolf Optimization (GWO) feature selection. GWO feature selection is a wrapper feature selection method used in this study to eliminate irrelevant features in classifying cervical cancer data, so that NB and SVM can classify more accurately. Thus, this method is referred to as the NB–GWO and SVM–GWO. Cervical cancer data used in this study is numerical data from MRI obtained from the Department of Radiology RSUPN Dr. Cipto Mangunkusumo. Based on the results of the study with GWO feature selection, NB– GWO produced the highest average accuracy, recall, and f1-score of 96.30%, 96.08%, 97.93%, and 96.30% respectively, while SVM–GWO produced the highest average accuracy and f1-score of 95.37% and 95.36% respectively with Linear kernel, the highest precision average of 97.56% with Polynomial kernel, and the highest recall average of 99.75% with RBF kernel. Then, based on the results of classification without GWO feature selection, the NB produced the highest average accuracy, precision, recall, and f1- score of 91.98%, 95.21%, 92.90%, 91.95% respectively, while SVM produced the highest average accuracy, recall, and f1-score of 92.13%, 99.24%, and 92.19% with RBF kernel, and the highest average precision of 93.59% with Polynomial kernel. Thus, GWO feature selection method was able to improve the performance of NB and SVM in classifying cervical cancer. Furthermore, based on the results of performance comparison from NB– GWO and SVM–GWO, the overall method of NB–GWO resulted in better performance in classifying cervical cancer data compared to SVM–GWO."

"Kanker paru-paru merupakan jenis kanker yang dimulai dan tumbuh di dalam paru-paru. Kanker paru-paru terjadi ketika sel-sel yang melapisi bronkus dan bronkiolus tumbuh secara tidak terkendali. Hal ini dapat menyebabkan kematian jika tidak ditangani dengan cepat dan tepat. Pengklasifikasian dini merupakan salah satu solusi yang tepat untuk mengurangi jumlah kematian yang disebabkan oleh kanker paru-paru. Pendekatan machine learning dapat digunakan untuk mengklasifikasi kanker paru-paru. Dalam penelitian ini, pengklasifikasian dilakukan dengan menggunakan data microarray. Data microarray memiliki fitur yang sangat banyak. Oleh karena itu, dibutuhkan seleksi fitur agar proses klasifikasi berlangsung optimal. Pada penelitian ini, penulis mengusulkan metode Support Vector Machine-Recursive Feature Elimination (SVM-RFE) untuk metode seleksi fitur. Data microarray yang digunakan diambil dari National Center for Biotechnology Information (NCBI) yang merupakan sebuah website online database. Pada penelitian ini, penulis menggunakan SVM-RFE sebagai metode seleksi fitur untuk mengeliminasi fitur yang kurang relevan. Setelah itu pendekatan k-fold cross-validation digunakan sebagai pembagian data, dan beberapa machine learning classifier yaitu Support Vector Machine (SVM), Random Forest (RF), Decision Tree (DT), dan Extreme Gradient Boosting (XGBoost) digunakan sebagai metode klasifikasi. Dari hasil simulasi menunjukkan bahwa hasil terbaik berdasarkan nilai akurasi, precision, recall dan running time diperoleh oleh metode klasifikasi SVM dengan nilai akurasi 100%, precision 100%, recall 100% dan running time 5,42 detik.

---

Lung cancer is a type of cancer that begins in the lungs. Lung cancer occurs when the cells that cover the bronchi and bronchioles grow uncontrollably. This can lead to death if not treated quickly and appropriately. Early classification is one of the appropriate solution to reduce the number of deaths caused by lung cancer. Machine learning approach can be used to classify lung cancer. In this research, classification is done using microarray data which has a lot of features. Therefore, feature selection is applied such that the classification process used the optimal number of features. In this study, the researcher proposes the Support Vector Machine-Recursive Feature Elimination (SVM- RFE) method for the feature selection method. The microarray data was taken from the National Center for Biotechnology Information (NCBI), which is an online database website. In this study, the researcher used SVM-RFE as a feature selection method to eliminate irrelevant features. Afterwards, the k-fold cross-validation method and several machine learning classifiers, namely Support Vector Machine (SVM), Random Forest (RF), Decision Tree (DT), and Extreme Gradient Boosting (XGBoost) will be used as classification methods. In the final stage, the researcher will analyze the performance results of the proposed method based on the accuracy and running time of each classifier. The simulation results show that the best results based on the values of accuracy, precision, recall and running time are obtained by the SVM classification method with a value of 100% accuracy, 100% precision, 100% recall and running time of 5.42 seconds."

"

Penelitian ini bertujuan untuk melakukan pengelompokan varian virus SARS-CoV-2 melalui proses clustering menggunakan metode unsupervised learning. Data yang digunakan adalah sekuens protein SARS-CoV-2 yang diekstraksi fiturnya menggunakan paket Discere dalam bahasa pemrograman Python. Sebanyak 27 fitur dihasilkan dan diseleksi dengan metode seleksi fitur Least Absolute Shrinkage and Selection Operator (LASSO). Metode Elbow digunakan untuk menentukan jumlah cluster yang optimal. Dalam penelitian ini, digunakan metode clustering K-Means dan Balanced Iterative Reducing and Clustering using Hierarchies (BIRCH). Evaluasi hasil clustering dilakukan menggunakan metrik evaluasi Silhouette Score dan Davies-Bouldin Index, serta memperhatikan waktu runtime untuk setiap simulasi. Hasil evaluasi kemudian dibandingkan untuk melihat perbedaan performa antara kedua metode clustering yang digunakan, serta pengaruh seleksi fitur terhadap performa clustering. Hasil terbaik diperoleh pada simulasi dengan metode clustering BIRCH + LASSO, dengan nilai Silhouette Score 0,74186 untuk jumlah cluster k=4 dan 0,73207 untuk k=5. Nilai Davies-Bouldin Index terbaik juga diperoleh pada simulasi tersebut, yaitu 0,42697 untuk k=4 dan 0,37949 untuk k=5. Waktu runtime terbaik tercatat pada simulasi dengan metode K-Means + LASSO, yaitu 0,21551 detik untuk k=4 dan 0,17539 detik untuk k=5. Dapat disimpulkan bahwa metode BIRCH menghasilkan cluster yang lebih baik berdasarkan metrik evaluasi, namun K-Means memberikan proses clustering yang lebih cepat. Seleksi fitur dengan metode LASSO juga membantu meningkatkan performa clustering.

---

This study aims to perform clustering of SARS-CoV-2 virus variants using unsupervised learning methods. The data used consists of SARS-CoV-2 protein sequences whose features are extracted using the Discere package in the Python programming language. A total of 27 features are generated and selected using the Least Absolute Shrinkage and Selection Operator (LASSO) feature selection method. The Elbow method is employed to determine the optimal number of clusters for the clustering process. The clustering methods used in this research are K-Means clustering and Balanced Iterative Reducing and Clustering using Hierarchies (BIRCH). The clustering results are evaluated using the Silhouette Score and Davies-Bouldin Index metrics, while also considering the runtime for each simulation. The evaluation results are then compared to examine the performance differences between the two clustering methods and the impact of feature selection on clustering performance. The best Silhouette Score is obtained in the simulation using the BIRCH + LASSO clustering method, with a value of 0.74186 for k=4 and 0.73207 for k=5. The best Davies-Bouldin Index is also achieved in the same simulation, with values of 0.42697 for k=4 and 0.37949 for k=5. The fastest runtime is recorded in the simulation using the K-Means + LASSO method, with a time of 0.21551 seconds for k=4 and 0.17539 seconds for k=5. In conclusion, the BIRCH method yields better clustering results based on the evaluation metrics, while K-Means provides faster clustering processes. The LASSO feature selection method also aids in improving clustering performance.

"

"ABSTRAKKanker serviks merupakan salah satu jenis kanker yang berbahaya. Berdasarkan data dari Departemen Kesehatan Republik Indonesia Depkes RI , kanker serviks merupakan salah satu penyakit kanker dengan prevelensi tertinggi sebesar 0.8 di Indonesia. Maka dari itu diperlukan tindakan pendeteksian dini dengan menggunakan microarray dataset. Microarray dataset mempunyai jumlah fitur yang banyak tetapi tidak semua fitur yang ada relevan dengan data yang digunakan. Oleh karena itu, perlu dilakukan pemilihan fitur untuk meningkatkan akurasi. Pemilihan fitur yang digunakan adalah Artificial Bee Colony ABC . Setelah dilakukan pemilihan fitur, akan dilakukan klasifikasi menggunakan metode klasifikasi Na ve Bayes. Hasilnya, didapatkan akurasi terbaik klasifikasi Na ve Bayes tanpa pemilihan fitur adalah 60 pada saat data training 90 dan untuk klasifikasi Na ve Bayes dengan menggunkan pemilihan fitur Artificial Bee Colony didapatkan akurasi tertinggi adalah 93.33333 . dengan fitur sebanyak 50 dan data training 90 .

---

ABSTRACTCervical cancer is one of the most dangerous cancer. Based on data from Departemen Kesehatan Republik Indonesia Depkes RI , cervical cancer is one of the diseases with the highest prevalence of 0.8 in Indonesia. Therefore, early detection action is needed with using microarray dataset. Microarray datasets have a large number of features but not all features are relevant to the data is used. Therefore, feature selection is needed to improve the accuracy. The feature selection that used is Artificial Bee Colony ABC . After feature selection process is done, Naive Bayes classification method will be implemented for classification process. As a result, the best accuracy of Na ve Bayes classification without feature selection is 60 with 90 training data and for Na ve Bayes classification using Artificial Bee Colony feature selection is 93.33333 with using 50 features selection and 90 training data."

"ABSTRAKTujuan: Untuk mengetahui distribusi hasil uji DNA HPV pada populasi serviks normal dengan hasil IVA negativ di Jakarta. Metode: Studi deskriptif, retrospektif, consecutive sampling. Data penelitian diambil dari rekam medis pasien di Poliklinik Ginekologi, Kolposkopi, dan Onkologi Ginekologi Departemen Obstetri dan Ginekologi RS Cipto Mangunkusumo Jakarta, Puskesmas, dan fasilitas kesehatan lain yang ditunjuk pada See and Treat Female Cancer Program (FCP) di Jakarta, dan di Poliklinik Women s Health Center (WHC) Kencana RS Cipto Mangunkusumo Jakarta. Hasil: 1210 subjek, prevalensi infeksi HPV pada IVA negatif sebesar 4,4. Prevalensi HPV positif dihubungkan dengan jumlah pernikahan (satu kali vs lebih dari satu kali) 94,3% vs 5,7%; awitan berhubungan seksual dini (<20 tahun vs ≥20 tahun) 20,8% vs 79,2%; kebiasaan merokok (ya vs tidak) 5,7% vs 94,3%. Kesimpulan: IVA merupakan metode yang memiliki akurasi yang baik, sehingga hasil penelitian ini memperkuat rekomendasi bahwa IVA dapat dijadikan metode skrining di Indonesia. Perlu diberikan perhatian khusus agar metode ini dapat dijadikan metode skrining pada praktik klinik sehari-hari, dalam bentuk penggiatan pelatihan secara periodik dan pengayaan praktik.

---

ABSTRACTObjective: To investigate the distribution of HPV DNA result in normal cervical population with negative VIA result in Jakarta. Methods: Descriptive study, retrospective, consecutive sampling. Study data was taken from patient s medical record in gynecology, colposcopy, and gynecology oncology polyclinic of obstetrics and gynecology department Cipto Mangunkusumo Hospital in Jakarta, public health center, and other health facilities which were appointed at See and Treat Female Cancer Program (FCP) in Jakarta, and Women s Health Center (WHC) Kencana Polyclinic in Cipto Mangunkusumo Hospital, Jakarta. Results: 1210 subjects, 4,4% HPV infection prevalence on negative VIA. Positive HPV prevalence associated with number of marriage (once vs more than once) was 94,3% vs 5,7%; onset of sexual intercourse (< 20-year-old vs ≥ 20-year-old) was 20,8% vs 79,2%; smoking habits (yes vs no) was 5,7% vs 94,3%. Conclusion: VIA is one of the methods with good accuracy, therefore this study result reinforces the recommendation that VIA can be used as a screening method in Indonesia. A special attention is needed in order for this method to become screening method on daily practice, in the form of periodic training activities and enrichment practices."

"Clustering bertujuan untuk mengklasifikasikan pola yang berbeda ke dalam kelompok yang disebut cluster. Analisis gen dengan menggunakan metode clustering dinilai lebih akurat dibandingkan analisis nukleotida menggunakan penyejajaran DNA. Hybrid clustering pada tesis ini mengkombinasikan algoritma fuzzy c-means dan algoritma divisive mampu meningkatkan keakurasian jika dibandingkan pendekatan pengelompokan partitional tradisional. Algoritma divisive akan dijalankan pada step kedua setelah hasil clustering yang diperoleh dari pengelompokan partisi fuzzy c-means. Penentuan jumlah cluster terbaik ditentukan dari nilai Indeks Davies Bauldin yang paling minimum. Sebanyak 1252 barisan DNA HPV Human papillomavirus diperoleh dari Genbank NCBI dengan proses melakukan ekstraksi ciri DNA, selanjutnya dilakukan normalisasi. Proses ekstraksi ciri, normalisasi, dan penerapan algoritma partisi fuzzy c-means dan divisive dalam metode hybrid clustering menggunakan bantuan program open source. Pada hasil hybrid clustering level awal diperoleh jumlah cluster optimum sebanyak 3 cluster dengan nilai Indeks Davies Bouldin paling minimum adalah 0.9715919. Pada level ke-2 clustering didapatkan cluster ke-1 terbagi atas 9 sub cluster dengan nilai IDB minimum adalah 0.8909797. Cluster ke-2 terbagi atas 2 sub cluster dengan nilai IDB minimum adalah 0.7650508. Cluster 3 terbagi atas 2 sub cluster dengan nilai IDB minimum adalah 0.9112528. Nilai IDB pada level kedua selalu lebih kecil dibanding nilai IDB pada level 1. Hal ini mengindikasikan bahwa hybrid clustering memberikan hasil yang lebih baik terhadap hasil clustering.

---

Clustering aims to classify the different patterns into groups called clusters. Analysis gene by using clustering method is considered more accurate than analysis of nucleotide using DNA alignment. In this thesis, hybrid clustering algorithm which combines fuzzy c means and algorithm divisive will be improve accuracy when compared to partitional clustering. Divisive algorithms will applied on second level after clustering partition using fuzzy c means.

To find the best number of clusters is determined using the minimum value of Davies Bouldin Index DBI of the cluster results. The data is 1252 sequences of HPV DNA sequences obtained from Gen Bank Database in the National Centre for Biotechnology Information NCBI at http www.ncbi.nlm.nih.gov in FASTA format. The data is converted into numerical form through feature extraction using n mers frequency.

The results on first level hybrid clustering obtained the optimum cluster divided into three clusters with the value of the minimum Davies Bouldin Index is 0.9715919. Morever, DBI values after implementing the second step of clustering are always producing smaller IDB values compare to the results of using first step clustering only. This condition indicates that the hybrid approach in this study produce better performance of the cluster results, in term its DBI values."

"Kanker serviks merupakan kanker yang menduduki urutan pertama dari kejadian kanker ginekologi perempuan. Kanker serviks merupakan kanker kedua paling banyak pada wanita yang tinggal di negara yang tertinggal dengan perkiraan 570.000 kasus baru pada tahun 2018. Kanker serviks sangat mempengaruhi kualitas hidup penderita dan keluarganya serta beban pembiayaan kesehatan oleh pemerintah. Masih tingginya kejadian kanker serviks bisa disebabkan karena faktor risiko yang belum tertangani secara baik di masyarakat. Penelitian ini dilakukan dengan metode kuantitatif dan menggunakan disain studi case control. Sumber data yang digunakan adalah data primer. Terdapat sebanyak 166 sampel yang terdiri dari 83 kasus dan 83 kontrol sesuai dengan kriteria inklusi dan eksklusi. Berdasarkan hasil analisis terdapat hubungan yang signifikan antara usia pertama kontak seksual dengan kejadian kanker serviks dengan nilai odds ratio sebesar 3,20 (p value: 0,001.; 95% CI: 1,626-6,299). Selain itu faktor risko lain seperti jumlah pasangan (OR=4,91; p value: 0,000; 95% CI: 1,884-12,845), paritas (OR=2,84; p value: 0,001; 95% CI: 1,510-5,357), pil oral kontrasepsi (OR=2,74; p value: 0,002.; 95% CI: 1,452-5,197) juga berhubungan secara signifikan dengan kejadian kanker serviks. Terdapat beberapa faktor risiko yang tidak berhubungan secara statistik antara lain merokok (OR=2,23; p value: 0,075; 95% CI: 0,910-5,564), personal hygiene (OR=1,48; p value: 0,212; 95% CI: 0,799-2,727) dan status gizi (OR=1,18; p value: 0,755; 95% CI: 0,356-4,150). Penting untuk membuat berbagai program promosi kesehatan dengan kegiatan sosialisasi dan KIE terkait faktor risiko kejadian kanker serviks.

---

Cervical cancer is the most common type of gynecologic cancer in women. In the least developed countries, cervical cancer is the second most common type of cancer with 570.000 new cases in 2018 . Cervical cancer significantly influences patients’ quality of life and places a financial burden on the government. The high number of cervical cancer cases can be due to poor management of its risk factor in society. This is a quantitative case-control study using primary data. A total of 166 samples are gathered based on inclusion and exclusion criteria. These samples were then divided equally into the control and case groups, making each group have 83 subjects. Based on data analysis, there is a significant relationship between the age of first sexual intercourse and cervical cancer with an odds ratio of 3,20 (p-value: 0,001.; 95% CI: 1,626-6,299). Moreover, other risk factors such as the number of sexual partners (OR=4,91; p-value: 0,000; 95% CI: 1,884-12,845), parity (OR=2,84; p-value: 0,001; 95% CI: 1,510-5,357), usage of oral contraception (OR=2,74; p-value: 0,002.; 95% CI: 1,452-5,197) also play a significant part in the occurrence of cervical cancer. On the other hand, some risk factors does not correlate with cervical cancer statistically, including smoking (OR=2,23; p-value: 0,075; 95% CI: 0,910-5,564), personal hygiene (OR=1,48; p-value: 0,212; 95% CI: 0,799-2,727) and nutritional status (OR=1,18; p-value: 0,755; 95% CI: 0,356- 4,150). It is important to develop various health promotion programs including social activities and counseling about risk factors of cervical cancer."