Implementasi Metode Light Gradient Boosting Machine (LightGBM) untuk Klasifikasi pada Data Bioinformatika (Studi Kasus : Data GSE231629)

Abstract

Kanker payudara memiliki heterogenitas molekuler yang tinggi sehingga menyebabkan perbedaan respons pasien terhadap kemoterapi neoadjuvant. Oleh karena itu, diperlukan metode klasifikasi yang akurat berbasis data ekspresi gen. Penelitian ini bertujuan untuk mengimplementasikan metode Light Gradient Boosting Machine (LightGBM) dalam mengklasifikasikan subtipe kanker payudara menggunakan data microarray GSE231629. Data yang digunakan merupakan data sekunder dari National Center for Biotechnology Information (NCBI) dengan 109 sampel pasien kanker payudara

wanita berstatus ER-positif dan HER2-normal. Tahapan analisis meliputi pre- processing menggunakan metode Robust Multi-array Average (RMA), filtering

gen, feature selection hingga diperoleh 40 gen terpilih, penanganan data tidak seimbang menggunakan SMOTE, serta klasifikasi menggunakan LightGBM. Evaluasi model dilakukan menggunakan confusion matrix dan ROC-AUC. Hasil penelitian menunjukkan bahwa model LightGBM menghasilkan akurasi sebesar 38,1% dengan nilai AUC keseluruhan 0,707. Nilai AUC tertinggi diperoleh pada subtipe Basal-like sebesar 0,907. Selain itu, LightGBM mampu mengidentifikasi gen penting seperti LMNA, RHBDL2, dan MKX yang berkontribusi dalam proses klasifikasi. Hasil ini menunjukkan bahwa LightGBM memiliki potensi dalam analisis data ekspresi gen kanker payudara.