| dc.description.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. | |
