Claim Missing Document
Check
Articles

Found 33 Documents
Search

Sistem Pendukung Keputusan untuk Identifikasi Protein Kunci pada Kanker Darah: Integrasi MCDM, KMeans, dan Topologi Jaringan Al Faroby, Mohammad Hamim Zajuli; Fauzi, Muhammad Dzulfikar
Reputasi: Jurnal Rekayasa Perangkat Lunak Vol. 6 No. 1 (2025): Mei 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/reputasi.v6i1.8959

Abstract

Kanker darah merupakan salah satu penyakit kompleks yang dipicu oleh gangguan pada regulasi jalur pensinyalan seluler, salah satunya melibatkan mutasi pada protein JAK2. Mengingat pentingnya JAK2 dalam patogenesis kanker hematologi, diperlukan pendekatan sistemik berbasis data untuk mengidentifikasi protein-protein yang memiliki asosiasi fungsional dengannya secara menyeluruh. Penelitian ini bertujuan mengembangkan sistem pendukung keputusan (SPK) untuk mengidentifikasi protein kunci dalam jaringan interaksi protein (PPI) terkait JAK2, melalui integrasi algoritma KMeans clustering, fitur topologi graf, dan metode Multi-Criteria Decision Making (MCDM). Data PPI diperoleh dari STRING-DB dan divisualisasikan menggunakan Cytoscape. Delapan fitur topologi jaringan diekstraksi sebagai dasar analisis, di antaranya degree, stress, dan neighborhood connectivity. Proses klasterisasi menghasilkan tiga kelompok optimal yang divalidasi menggunakan Silhouette Score dan Davies-Bouldin Index. Selanjutnya, model MCDM diterapkan untuk mengevaluasi kontribusi masing-masing klaster secara agregat terhadap kestabilan jaringan. Hasil penelitian menunjukkan bahwa Cluster 2 memiliki skor MCDM tertinggi (0,6667), ditopang oleh nilai stress dan degree yang sangat tinggi, mengindikasikan peran strategis protein dalam klaster tersebut sebagai hub utama dalam jaringan. Temuan ini memberikan landasan kuat untuk eksplorasi kandidat target terapi baru yang potensial dalam konteks kanker darah, serta menegaskan efektivitas integrasi teknik analisis graf dan SPK berbasis MCDM dalam studi jaringan molekuler.
Development of an Application Model for Solving the Vehicle Routing Problem (VRP) Using the Nearest Neighbour Approach Hajar, Granita; Fauzi, Muhammad Dzulfikar; Harnaningrum, Rizky Novera; Islami, Mega Cattleya P.A
Tekmapro Vol. 20 No. 2 (2025): TEKMAPRO
Publisher : Program Studi Teknik Industri Universitas Pembangunan Nasional Veteran Jawa Timur

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Optimalisasi distribusi merupakan salah satu bagian terpenting dalam logistik, dengan adanya optimalisasi pada bagian distribusi dapat menekan biaya logistik. Salah satu pendekatan untuk melakukan optimalisasi distribusi yaitu melalui penyelesaian masalah Vehicle Routing Problem (VRP). Biaya logistik salah satunya didapatkan dari jarak rute pengiriman. Penelitian menggunakan deskriptif kualitatif dengan yang mencakup identifikasi node (titik lokasi), jarak antar node, dan kapasitas kendaraan. Metode algoritma Nearest Neighbour digunakan dalam penyelesaian masalah VRP dan diimplementasikan melalui aplikasi yang dibangun menggunakan bahasa pemrograman Delphi. Tujuan utama penelitian ini adalah menghasilkan sebuah aplikasi untuk memudahkan pemahaman dan pembelajaran mengenai penyelesaian VRP. Hasil penelitian menunjukkan bahwa algoritma Nearest Neighbour dapat digunakan secara efektif untuk menyusun rute distribusi yang efisien. Aplikasi ini berguna sebagai media pembelajaran dalam mempelajari konsep distribusi logistik dan penggunaan algoritma Nearest Neighbour menunjukkan efisiensi dalam menyusun rute distribusi dalam skala sederhana.
Target Baru Pengobatan Meningitis berdasarkan Centrality Measure jaringan protein dan Self Oganizing Map. Siti Amiroch; Mohammad Hamim Zajuli Al Faroby; Muhammad Dzulfikar Fauzi
Limits: Journal of Mathematics and Its Applications Vol. 21 No. 3 (2024): Limits: Journal of Mathematics and Its Applications Volume 21 Nomor 3 Edisi No
Publisher : Pusat Publikasi Ilmiah LPPM Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Meningitis is a serious threat to health with potentially fatal consequences. Understanding protein interactions related to chronic conditions is crucial for the development of effective treatments. In silico analysis is considered to have greater effectiveness because it simulates through computation and tries various possibilities at a lower cost. This study aims to analyze protein-protein interactions related to Meningitis with cluster analysis techniques on undirected graphs. The proposed method is the Self Organizing Map (SOM) algorithm as a cluster. This algorithm can cluster undirected graph-based protein interaction data. Protein data involved in Meningitis disease comes from OMIM. From this data, proteins belonging to the gene locus are explored for their interactions, resulting in interaction data in the form of an undirected graph. The combination of centrality measure is used for feature engineering on undirected graph data. The main protein candidates are potentially located in the Cluster 1 model with the largest silhouette score (0.359) and Davies-Bouldin Index (1.667). The cluster has 18 proteins with the highest significance to Meningitis. From the overall centrality ranking results, the three highest significance proteins are CISH (3.921222), TNFSF10 (3.403541), and ICAM3 (2.623702) which have the potential to become Meningitis target proteins. CISH protein has the highest overall centrality score value compared to the others, so CISH protein may be a new alternative in the treatment of Meningitis.