Identifikasi Penyakit Penyerta Kanker Paru-Paru Menggunakan Algoritma Deteksi Komunitas dan Teknik Optimasi

Abstract

Kanker paru-paru memiliki dua subtipe utama, yaitu Non-Small Cell Lung Cancer (NSCLC) dan Small Cell Lung Cancer (SCLC), dengan karakteristik biologis dan klinis yang berbeda. Keberadaan penyakit penyerta dapat meningkatkan kompleksitas kondisi pasien, sedangkan hubungan antarpenyakit dapat membentuk komunitas tumpang tindih. Penelitian ini bertujuan menganalisa performa DPSO-Fuzzy, pengaruh topologi jaringan, serta mengidentifikasi kandidat penyakit signifikan dan tumpang tindih pada jaringan NSCLC dan SCLC. DPSO-Fuzzy menggabungkan Discrete Particle Swarm Optimization untuk membentuk komunitas awal dengan fuzzy refinement untuk menghasilkan distribusi membership setiap node. Metode ini dibandingkan dengan sembilan algoritma pada lima jaringan benchmark, yaitu Karate, Dolphins, Football, Yeast-D2, dan Y2H. Evaluasi dilakukan menggunakan ONMI, Omega Index, community precision, community recall, dan community F1, kemudian dirangkum melalui Principal Component Analysis. Karakteristik topologi jaringan dianalisa menggunakan degree skewness dan Gini coefficient. Jaringan penyakit dibangun berdasarkan semantik similaritas Disease Ontology dari hasil text mining artikel PubMed. Threshold similaritas 0,6 menghasilkan jaringan NSCLC dengan 410 node dan 1.053 edge serta jaringan SCLC dengan 456 node dan 1.246 edge. Analisa komunitas dilakukan pada komponen terbesar masing-masing jaringan. Hasil evaluasi menunjukkan bahwa tidak ada algoritma yang selalu unggul pada seluruh jaringan. DPSO-Fuzzy memperoleh performa agregat tertinggi pada Yeast-D2 dan Y2H serta menunjukkan hasil kompetitif pada Dolphins dan Football. Berdasarkan decision score, DPSO-Fuzzy, Fuzzy LPA, dan PSO-LPA menjadi tiga kandidat utama pada jaringan NSCLC dan SCLC. Fuzzy LPA menghasilkan fuzzy modularity dan stability tertinggi, sedangkan PSO-LPA menghasilkan jumlah overlapping nodes terbanyak. DPSO-Fuzzy lebih selektif dengan rata-rata 8,70 overlapping nodes pada NSCLC dan 10 pada SCLC serta memperoleh purpose score tertinggi pada kedua jaringan. Analisa sensitivitas menghasilkan empat stable overlapping nodes pada NSCLC dan enam pada SCLC. Pulmonary embolism pada kedua jaringan dan cerebellar ataxia pada SCLC memiliki dukungan klinis paling kuat. Temuan lainnya lebih banyak mencerminkan hubungan biologis, anatomis, hierarkis, atau ontologis. Hasil penelitian ini merupakan kandidat hubungan penyakit yang masih memerlukan validasi menggunakan data klinis, multi-omics, atau rekam medis elektronik.