Hasil Pencarian  ::  Simpan CSV :: Kembali

"Teknologi microarray adalah teknologi di bidang bioinformatika yang digunakan untuk mengukur ekspresi gen dalam berbagai kondisi eksperimental dan menghasilkan data ekspresi gen. Salah satu metode yang dapat digunakan untuk menganalisis data ekspresi gen adalah triclustering, Triclustering adalah metode pengelompokan data tiga dimensi berdasarkan karakteristik yang serupa. Berbagai algoritma seperti TriGen, δ-Trimax dan EMOA-δ-Trimax dikembangkan untuk melakukan triclustering. Namun, seluruh algoritma tersebut menghadapi masalah yang sama, yaitu waktu komputasi yang lama. Penelitian ini menggunakan Coarse-grain Parallel Genetic Algorithm (CgPGA) untuk mengatasi tantangan waktu komputasi pada triclustering. Algoritma ini membagi data menjadi beberapa subpopulasi dan menjalankan proses evolusi genetik secara paralel menggunakan enam core. Penelitian ini mengusulkan penggunaan CgPGA untuk mempercepat proses triclustering pada data ekspresi gen darah microarray tiga dimensi yang dipengaruhi empat jenis minuman dan diukur pada lima titik waktu. Kualitas tricluster dievaluasi menggunakan fitness function yang diadaptasi dari Mean Square Residue (MSR), weights, dan distinction. Hasil penelitian ini menunjukkan bahwa CgPGA secara signifikan mengurangi waktu komputasi dengan bekerja 18,24 kali lebih cepat dibandingkan dengan Genetic Algorithm secara serial yang diukur dengan speedup. CgPGA berhasil diterapkan untuk melakukan triclustering pada data ekspresi gen tiga dimensi microarray berdasarkan kemiripan pola ekspresi gen. 10 tricluster yang dihasilkan memiliki kombinasi gen, kondisi, dan waktu yang beragam, serta memiliki fitness score tinggi yang berkisar antara 2514,542745 hingga 2568,106026. Tricluster 5 memiliki fitness score tertinggi yaitu sebesar 2568,106026. Selanjutnya, hasil triclustering dianalisis menggunakan Gene Ontology (GO) dan KEGG Pathway untuk mengidentifikasi informasi gen dan interaksi antar gen di dalam tricluster. Hasil penelitian menunjukkan bahwa GO berhasil mengidentifikasi gen-gen di dalam tricluster dalam aspek proses biologis, fungsi molekuler, dan komponen seluler. Analisis KEGG Pathway menunjukkan bahwa gen-gen di dalam tricluster berpartisipasi dalam berbagai jalur biokimia, salah satunya adalah jalur diabetic cardiomyopathy. Secara keseluruhan, penelitian ini memberikan kontribusi signifikan dalam analisis data genomik dengan mengimplementasikan teknik triclustering menggunakan CgPGA yang efektif dan efisien, serta memperluas pengetahuan tricluster melalui identifikasi informasi genetik yang relevan dan meningkatkan pemahaman tentang interaksi biologis yang terjadi pada suatu kelompok gen berpola ekspresi serupa menggunakan GO dan KEGG Pathway.

---

Microarray technology is a bioinformatics tool utilized to measure gene expression across various experimental conditions, generating comprehensive gene expression data. Triclustering, a method for clustering three-dimensional data based on similar characteristics, is one approach to analyzing this data. Despite the development of several algorithms for triclustering, such as TriGen, δ-Trimax, and EMOA-δ-Trimax, they all encounter the challenge of lengthy computation times. This study addresses this issue by employing the Coarse-grain Parallel Genetic Algorithm (CgPGA). The algorithm mitigates computational time by dividing the data into several subpopulations and executing the genetic evolution process in parallel across six cores. The study demonstrates the application of CgPGA to expedite the triclustering process on three dimensional microarray blood gene expression data, influenced by four types of beverages and measured at five different time points. The triclusters' quality is assessed using a fitness function adapted from Mean Square Residue (MSR), weights, and distinction. Results indicate that CgPGA significantly reduces computation time, operating 18,24 times faster than the serial Genetic Algorithm as measured by speedup. CgPGA effectively performs triclustering on three-dimensional microarray gene expression data. The 10 resulting triclusters exhibit diverse combinations of genes, conditions, and time points, and have high fitness scores ranging from 2514.542745 to 2568.106026. Tricluster 5 has the highest fitness score of 2568.106026. Further analysis of the triclustering results using Gene Ontology (GO) and KEGG Pathway reveals gene information and interactions within the triclusters. GO analysis successfully identifies genes within the triclusters in terms of biological processes, molecular functions, and cellular components, while KEGG Pathway analysis shows that the genes participate in various biochemical pathways, including the diabetic cardiomyopathy pathway. Overall, this study significantly contributes to genomic data analysis by implementing an efficient and effective triclustering technique using CgPGA, expanding the understanding of triclusters by identifying relevant genetic information, and enhancing the comprehension of biological interactions within gene groups exhibiting similar expression patterns using GO and KEGG Pathway."

"Microarray sebagai teknologi yang berkembang dalam bioinformatik merupakan sebuah perangkat berupa chip dan berisikan data ribuan gen. Microarray digunakan untuk menganalisis gen dalam jumlah banyak pada waktu yang bersamaan. Analisis dilakukan dengan menggunakan cooperative game pada ekspresi gen yang dihasilkan oleh microarray. Hasil perhitungan dengan menggunakan cooperative game untuk masing-masing gen dianalisis untuk mengetahui besarnnya kemungkinan penyebaran suatu penyakit dari gen yang terinfeksi.

---

Microarray as technology that developed in bioinformatics is a tool like chip and consists of thousands of gene. Microarray is used to analyze large amount of gene in the same time. The analysis is executed by using cooperative game on gene expression as the result from microarray. Calculation result by using cooperative game for each gene is analyzed to find out the possibility of infected gene to spread."

"Pasien diabetes mellitus memiliki risiko fraktur meningkat terlepas dari BMD, yaitu dipengaruhi faktor mikroarsitektur tulang. Karakteristik mikroarsitektur tulang trabekula dapat dilakukan dengan metode analisis fraktal pada radiograf panormaik dan periapikal digital. Penelitian ini bertujuan untuk mengetahui nilai rerata mikroarsitektur tulang trabekula pasien diabetes mellitus dan non-diabetes usia 50-69 tahun yang dianalisis menggunakan software ImageJ. Penelitian ini merupakan studi cross-sectional menggunakan 103 sampel radiograf, yaitu 27 panoramik dan 76 periapikal digital pasien diabetes dan non diabetes usia 50-69 tahun. Terdapat 4 ROI yang digunakan, yaitu regio anterior antara gigi I1 dan I2 dan posterior dari gigi P1 hingga M1 rahang atas serta regio anterior di antara gigi I1 kanan dan kiri dan posterior dari gigi P1 hingga M1 pada radiograf panoramik dan periapikal. Analisis deskriptif menunjukkan hasil rerata kelompok diabetes pada radiograf panoramik (0,655 ± 0,132) dan periapikal (1,073 ± 0,026) lebih rendah dibandingkan kelompok non diabetes pada radiograf panoramik (0,691 ± 0,103) dan periapikal (1,100 ± 0,065). Terdapat perbedaan rerata mikroarsitektur tulang trabekula pasien diabetes dan non diabetes yang menunjukkan diabetes mempengaruhi perubahan mikroarsitektur tulang berdasarkan analisis pada radiograf panoramik dan periapikal digital.

---

Diabetes mellitus patients have an increased fracture risk independent of BMD, which is influenced by bone microarchitecture. Characterization of trabecular bone microarchitecture can be determined by fractal analysis method on digital panoramic and periapical radiographs. This study aims to determine the mean value of trabecular bone microarchitecture of patients with diabetes mellitus and non-diabetes aged 50-69 years analyzed using ImageJ software. This study is a cross-sectional study using 103 radiograph samples, including 27 panoramic and 76 digital periapical of diabetic and non-diabetic patients aged 50-69 years. There are 4 ROIs used, the anterior region between I1 and I2 and posterior from P1 to M1 of the maxilla and the anterior region between the right and left I1 and posterior from P1 to M1 on panoramic and periapical radiographs. Descriptive analysis showed that the mean results of the diabetic group on panoramic (0.655 ± 0.132) and periapical (1.073 ± 0.026) radiographs are lower than the non-diabetic group on panoramic (0.691 ± 0.103) and periapical (1.100 ± 0.065) radiographs. There is a difference in the mean trabecular bone microarchitecture of diabetic and non-diabetic patients, indicating that diabetes affects changes in bone microarchitecture based on analysis on digital panoramic and periapical radiographs.

"

"Pasien diabetes mellitus memiliki risiko fraktur meningkat terlepas dari BMD, yaitu dipengaruhi faktor mikroarsitektur tulang. Karakteristik mikroarsitektur tulang trabekula dapat dilakukan dengan metode analisis fraktal pada radiograf panormaik dan periapikal digital. Penelitian ini bertujuan untuk mengetahui nilai rerata mikroarsitektur tulang trabekula pasien diabetes mellitus dan non-diabetes usia 50-69 tahun yang dianalisis menggunakan software ImageJ. Penelitian ini merupakan studi cross-sectional menggunakan 103 sampel radiograf, yaitu 27 panoramik dan 76 periapikal digital pasien diabetes dan non diabetes usia 50-69 tahun. Terdapat 4 ROI yang digunakan, yaitu regio anterior antara gigi I1 dan I2 dan posterior dari gigi P1 hingga M1 rahang atas serta regio anterior di antara gigi I1 kanan dan kiri dan posterior dari gigi P1 hingga M1 pada radiograf panoramik dan periapikal. Analisis deskriptif menunjukkan hasil rerata kelompok diabetes pada radiograf panoramik (0,655 ± 0,132) dan periapikal (1,073 ± 0,026) lebih rendah dibandingkan kelompok non diabetes pada radiograf panoramik (0,691 ± 0,103) dan periapikal (1,100 ± 0,065). Terdapat perbedaan rerata mikroarsitektur tulang trabekula pasien diabetes dan non diabetes yang menunjukkan diabetes mempengaruhi perubahan mikroarsitektur tulang berdasarkan analisis pada radiograf panoramik dan periapikal digital.

---

Diabetes mellitus patients have an increased fracture risk independent of BMD, which is influenced by bone microarchitecture. Characterization of trabecular bone microarchitecture can be determined by fractal analysis method on digital panoramic and periapical radiographs. This study aims to determine the mean value of trabecular bone microarchitecture of patients with diabetes mellitus and non-diabetes aged 50-69 years analyzed using ImageJ software. This study is a cross-sectional study using 103 radiograph samples, including 27 panoramic and 76 digital periapical of diabetic and non-diabetic patients aged 50-69 years. There are 4 ROIs used, the anterior region between I1 and I2 and posterior from P1 to M1 of the maxilla and the anterior region between the right and left I1 and posterior from P1 to M1 on panoramic and periapical radiographs. Descriptive analysis showed that the mean results of the diabetic group on panoramic (0.655 ± 0.132) and periapical (1.073 ± 0.026) radiographs are lower than the non-diabetic group on panoramic (0.691 ± 0.103) and periapical (1.100 ± 0.065) radiographs. There is a difference in the mean trabecular bone microarchitecture of diabetic and non-diabetic patients, indicating that diabetes affects changes in bone microarchitecture based on analysis on digital panoramic and periapical radiographs.

"

"Spectral clustering adalah salah satu algoritma clustering modern yang paling terkenal. Sebagai teknik clustering yang efektif, metode spectral clustering muncul dari konsep teori graf spektral. Metode spectral clustering membutuhkan algoritma partisi. Ada beberapa metode partisi termasuk PAM, SOM, Fuzzy c-means, dan k-means. Berdasarkan penelitian yang telah dilakukan oleh Capital dan Choudhury pada 2013, ketika menggunakan Euclidian distance, k-means memberikan akurasi yang lebih baik dibandingkan dengan algoritma PAM. sehingga, makalah ini menggunakan algoritma k-means. Keuntungan utama dari spectral clustering adalah mengurangi dimensi data, terutama dalam hal ini untuk mengurangi dimensi yang besar dari data microarray. Microarray data adalah chip berukuran kecil yang terbuat dari slide kaca yang berisi ribuan bahkan puluhan ribu jenis gen dalam fragmen DNA yang berasal dari cDNA. Aplikasi data microarray secara luas digunakan untuk mendeteksi kanker, misalnya adalah karsinoma, di mana sel-sel kanker mengekspresikan kelainan pada gen-nya. Proses spectral clustering dimulai dengan pengumpulan data microarray gen karsinoma, preprocessing, menghitung similaritas, menghitung , menghitung nilai eigen dari , membentuk matriks , dan clustering dengan menggunakan k-means. Dari hasil pengelompokan gen karsinoma pada penelitian ini diperoleh dua kelompok dengan nilai rata-rata Silhouette maksimal adalah 0.6336247. Proses clustering pada penelitian ini menggunakan program open source R.

---

Spectral clustering is one of the most famous modern clustering algorithms. As an effective clustering technique, spectral clustering method emerged from the concepts of spectral graph theory. Spectral clustering method needs partitioning algorithm. There are some partitioning methods including PAM, SOM, Fuzzy c means, and k means. Based on the research that has been done by Capital and Choudhury in 2013, when using Euclidian distance k means algorithm provide better accuracy than PAM algorithm. So in this paper we use k means as our partition algorithm. The major advantage of spectral clustering is in reducing data dimension, especially in this case to reduce the dimension of large microarray dataset.

Microarray data is a small sized chip made of a glass plate containing thousands and even tens of thousands kinds of genes in the DNA fragments derived from doubling cDNA. Application of microarray data is widely used to detect cancer, for the example is carcinoma, in which cancer cells express the abnormalities in his genes. The spectral clustering process is started with collecting microarray data of carcinoma genes, preprocessing, compute similarity matrix, compute , compute eigen value of , compute , clustering using k means algorithm. In this research, Carcinoma microarray data using 7457 genes. The result of partitioning using k means algorithm is two clusters clusters with maximum Silhouette value 0.6336247."

"Adenoma merupakan jenis tumor jinak pada lapisan epidermis jaringan. Adenoma dapat berubah menjadi kanker ganas yang kemudian disebut Adenocarcinoma. Terdapat salah satu bentuk data biologi molekuler yang sedang berkembang saat ini, yaitu data ekspresi gen microarray. Microarray dapat digunakan untuk pendeteksian dan penelitian dalam bidang onkologi. Salah satu metode untuk mengolah dan menganalisis data ekspresi gen microarray adalah dengan biclustering. Dalam skripsi ini akan dilakukan implementasi salah satu metode biclustering pada data ekspresi gen microarray, yaitu dengan algoritma Binary Inclusion-Maximal. Algoritma akan diimplementasi pada data Adenoma kolon yang terdiri dari 7070 gen dengan 4 sampel sel adenoma dan 4 sampel sel normal. Implementasi tersebut membutuhkan waktu kurang dari 1 detik dan menghasilkan 22 bicluster yang terdiri dari 25 gen secara keseluruhan.

---

Adenoma is a benign type of tumor in the epidermal layer of a tissue. Adenoma can turn into a malignant cancer which is then called Adenocarcinoma. There is a form of molecular biology data which is developing today, namely microarray gene expression data. Microarray can be use for detection and research in the field of oncology. One method for processing and analyzing microarray gene data is by biclustering. In this study the writer will be using one method of biclustering, the Binary Inclusion Maximal algorithm, and implement it on microarray gene expression data. The algorithm will be implemented on Colon Adenoma data consisting of 7070 genes with 4 adenoma cell samples and 4 normal cell samples. The implementation took less than one second and resulted in 22 biclusters composed of 25 genes."

"Tantangan komputasi dibutuhkan pada analisis data microarray dikarenakan karakteristik data tersebut yang memiliki ukuran yang sangat besar dan memiliki ekspresi gen yang bervariasi di setiap kondisi, seperti contohnya data microarray Human Immunodeficiency Virus-1. Penelitian sebelumnya telah menggunakan ukuran Multi Slope Measure pada algoritma Triclustering Genetic Based tetapi algoritma tersebut belum tersedia secara luas dan belum dapat digunakan semua orang. Penelitian ini bertujuan untuk membangun program Multi Slope Measure pada algoritma Triclustering Genetic Based menggunakan perangkat lunak R berbasis open source pada data microarray ekspresi gen Human Immunodeficiency Virus-1. Pada simulasi program yang dibangun digunakan pada data microarray ekspresi gen untuk melihat kesuksesan program yang telah dibangun. Teknik triclustering diperlukan untuk mengelompokkan data 3 Dimensi berdasarkan data yang memiliki kesamaan pola. Algoritma Triclustering Genetic Based merupakan algoritma yang berdasarkan teori evolusi yang dapat mengelompokkan data dengan ukuran kualitas yang  maksimum. Penelitian ini menargetkan mencari 10 tricluster dan berhasil didapatkan semua 10 tricluster nya. Dari 10 tricluster tersebut didapatkan 6 gen yang berkaitan dengan Human Immunodeficiency Virus-1 yaitu HLA-C, JUN, CCR5, ELF1, CX3CR1, dan GATA-3.

---

Computational challenges are needed in microarray data analysis because the characteristics of the data are very large and have gene expressions that vary in each condition, such as the microarray data for Human Immunodeficiency Virus-1 disease. Previous research used the Multi Slope Measure on the Genetic Based Triclustering algorithm, but the algorithm is not yet globally available and cannot be used by everyone. This study aims to build a Multi Slope Measure program on the Triclustering Genetic Based algorithm using open source-based R software on the microarray data of Human Immunodeficiency Virus-1 disease gene expression. In the simulation of the program that has been built, the program is tested on gene expression microarray data to see its success. The triclustering technique is needed to group 3-dimensional data based on data that has the same pattern. Genetic Based Triclustering Algorithm is an algorithm based on the theory of evolution that can classify data with maximum quality measure. This study aimed to find 10 triclusters and has successfully obtained all 10 triclusters. From the 10 triclusters, 6 genes were found related to Human Immunodeficiency Virus-1, namely HLA-C, JUN, CCR5, ELF1, CX3CR1, and GATA-3."

"Penelitian ini bertujuan untuk mengimplementasikan spectral clustering-PAM dengan menggunakan algoritma similaritas serial dan mengimplementasikan algoritma similaritas paralel berbasis CUDA dalam metode spectral clustering pada data microarray gen karsinoma. Implementasi dibantu dengan perangkat lunak R berbasis open source yang digunakan pada algoritma spectral clustering-PAM dengan algoritma similaritas serial dan CUDA yang digunakan pada algoritma similaritas paralel. Pengelompokan data microarray gen karsinoma diawali dengan menormalisasi data menggunakan normalisasi min-max. Pada algoritma spectral clustering-PAM, pertama-tama similaritas antar gen karsinoma dihitung. Selanjutnya, membentuk matriks Laplacian ternormalisasi dari matriks diagonal dan matriks Laplacian tak ternormalisasi. Langkah berikutnya yaitu menghitung eigenvalue dari matriks Laplacian ternormalisasi dan menentukan eigenvector dari eigenvalue terkecil matriks Laplacian ternormalisasi yang disusun menjadi dataset baru untuk dipartisi setiap barisnya menggunakan metode PAM. Berdasarkan running time, waktu yang dibutuhkan untuk menghitung nilai similaritas secara paralel di CUDA 378 kali lebih cepat daripada secara serial di R. Hasil penelitian menunjukkan bahwa spectral clustering-PAM mengelompokkan data microarray gen karsinoma menjadi dua cluster dengan nilai rata-rata silhouette yaitu 0,6458276.

---

This research aims to implement the spectral clustering PAM using serial similarity algorithm and implement parallel similarity algorithm based on CUDA in spectral clustering method on microarray data of carcinoma genes. Implementation assisted with software based on open source R used in spectral clustering algorithm PAM with serial similarity algorithm and CUDA used to parallel similarity algorithm. Clustering microarray data of carcinoma genes preceded by normalizing the data using min max normalization. In the spectral clustering PAM algorithm, first of all, similarity between genes of carcinoma calculated. Furthermore, forming the normalized Laplacian matrix from diagonal matrix and unnormalized Laplacian matrix. The next step is to calculate the eigenvalues of normalized Laplacian matrix and determine the eigenvectors of k smallest eigenvalues of normalized Laplacian matrix is organized into a new dataset to be partitioned each line using PAM. Based on the running time, the time required to calculate the value of parallel similarity in CUDA is 378 times faster than a serial in R. The results showed that spectral clustering PAM classify microarray data of carcinoma genes into two clusters with an average silhouette value is 0,6458276."

"ABSTRAKPenelitian ini mengimplementasikan metode spectral clustering-Fuzzy C-Means pada tiga microarray data ekspresi gen, dengan tujuan untuk mengelompokkan gen-gen yang memiliki tingkat ekspresi yang similar. Spectral clustering secara teoritis terdiri dari tiga tahap utama yaitu: membangun matriks jarak, membentuk matriks Laplacian, dan proses partisi, khususnya dalam tesis ini menggunakan algoritma partisi Fuzzy C-Means. Oleh karena itu, implementasi dari spectral clustering-FCM lebih sederhana dan intuitif pada pelaksanaannya. Analisis cluster singkat juga akan dipaparkan untuk masing-masing microarray data yang digunakan yaitu: Carcinoma, Leukemia, dan Lymphoma. Hasil cluster yang sangat baik didapatkan, sehingga metode yang diusulkan memiliki potensi besar ke depannya dalam penelitan pada bidang medis.

---

ABSTRACTThis research implements the spectral clustering FCM method on three microarray gene expression data, with the aim of grouping genes with similar expression levels. Spectral clustering is theoretically composed of three main stages building distance matrix, forming Laplacian matrix, and partitioning process, especially in this thesis using Fuzzy C Means partition algorithm. Therefore, the implementation of spectral clustering FCM is simpler and more intuitive in its implementation. Brief cluster analysis will also be presented for each microarray data used Carcinoma, Leukemia, and Lymphoma. Excellent cluster results are obtained, so the proposed method has great potential for future research in the medical field. "

"Analisis triclustering merupakan salah satu metode data mining yang bertujuan mengelompokkan data berbentuk tiga dimensi. Triclustering kerap digunakan pada bidang bioinformatika untuk menganalisis kesamaan ekspresi gen suatu eksperimen pada titik waktu tertentu. Analisis triclustering yang dilakukan pada penelitian ini menggunakan metode gabungan Fuzzy Cuckoo Search dengan I-Trimax. Metode ini merupakan penggabungan algoritma nodes deletion pada I-Trimax dengan algoritma optimasi Fuzzy Cuckoo Search. Cuckoo Search merupakan metode optimasi yang sudah baik dalam menghasilkan himpunan tricluster yang menggunakan konsep parasitisme spesies cuckoo. Fuzzy Cuckoo Search menggunakan fungsi objektif fuzzy c-means untuk mengatasi ketidakjelasan (indiscernibility) yang biasa terjadi dalam data ekspresi gen sehingga masalah kesulitan membedakan objek karena kurangnya pengetahuan dari informasi yang tersedia dapat diatasi. Algoritma nodes deletion pada I-Trimax digunakan pada fase pembentukan populasi awal dari metode gabungan Fuzzy Cuckoo Search dengan I-Trimax. Hal ini dilakukan demi mendapatkan populasi awal yang sudah baik yaitu memiliki MSR yang minimum karena konsep dari algoritma nodes deletion yaitu dapat menghasilkan himpunan tricluster dengan Mean Square Residue (MSR) kecil yaitu di bawah threshold. Berdasarkan itu proses komputasi algoritma Fuzzy Cuckoo Searchyang dilakukan pada fase optimasi dapat berjalan dengan efektif sehingga menghasilkan himpunan tricluster yang berkualitas baik secara efisien. Analisis triclustering menggunakan metode gabungan Fuzzy Cuckoo Search dengan I-Trimax digunakan pada data ekspresi gen tiga dimensi sel kanker paru-paru fase stabil (A549) yang berkaitan dengan pemberian obat kemoterapi Motexafin Gadolinium (MGd), di mana ekspresi gen diamati pada 6 kondisi dan 3 titik waktu. Pada penelitian ini, himpunan tricluster yang memiliki kualitas terbaik berdasarkan Triclustering Quality Index (TQI) adalah himpunan tricluster yang dihasilkan dengan nilai  dan. Berdasarkan himpunan tricluster tersebut, didapatkan informasi penting mengenai kumpulan gen yang memiliki respon baik terhadap pemberian MGd tapi tidak bertahan setiap titik waktu. Hal ini dapat dijadikan acuan penelitian terkait terapi kanker menggunakan obat kemoterapi MGd yang perlu dilakukan pengembangan agar dapat tetap efektif pada seluruh titik waktu. Terdapat juga kumpulan gen yang memiliki respon cepat dan bertahan hingga jangka panjang dengan pemberian MGd dan mannitol. Gen-gen tersebut merupakan gen yang menunjukkan respon baik pemberian obat kemoterapi MGd tetapi efektivitasnya tidak terlalu maksimal karena responnya beririsan dengan subjek yang hanya diberikan mannitol. Hal ini dapat dijadikan bahan untuk penelitian lebih lanjut dalam pengembangan obat MGd supaya dapat lebih efektif.

---

Triclustering analysis is a data mining method that aims to group data in three dimensions. Triclustering is often used in the field of bioinformatics to analyze the similarity of gene expression under experimental conditions at a certain point in time. The triclustering analysis carried out in this study used the combined Fuzzy Cuckoo Search method with -Trimax. This method is a combination of node deletion algorithm on -Trimax with Fuzzy Cuckoo Search optimization algorithm. Cuckoo Search is a good optimization method in generating tricluster sets that use the concept of parasitism of cuckoo species. Fuzzy Cuckoo Search uses the fuzzy c-means objective function to overcome the indiscernibility that usually occurs in gene expression data so that the problem of difficulty distinguishing objects due to lack of knowledge from available information can be overcome. The nodes deletion algorithm on I-Trimax is used in the initial population formation phase from the combined Fuzzy Cuckoo Search method with I-Trimax. This is done in order to get a good initial population, which has a minimum MSR because the concept of the nodes deletion algorithm is that it can produce a tricluster set with a small Mean Square Residue (MSR), which is below the threshold. Based on that, the computational process of the Fuzzy Cuckoo Search algorithm which is carried out in the optimization phase can run effectively so as to produce a good quality tricluster set efficiently. Triclustering analysis using the combined Fuzzy Cuckoo Search method with I-Trimax was used on three-dimensional gene expression data of stable phase lung cancer cells (A549) associated with the administration of the chemotherapy drug Motexafin Gadolinium (MGd), where gene expression was observed in 6 conditions and 3 time points. In this study, the tricluster set that has the best quality based on the Triclustering Quality Index (TQI) is the resulting tricluster set with values. Based on these tricluster sets, important information was obtained regarding gene pools that responded well to MGd administration but did not persist at any point in time. This can be used as a reference for research related to cancer therapy using MGd chemotherapy drugs that need to be developed in order to remain effective at all time points. There is also a gene pool that responds quickly and persists in the long term with MGd and mannitol administration. These genes are genes that show a good response to MGd chemotherapy drugs but their effectiveness is not maximal because their responses coincide with subjects who are only given mannitol. This can be used as material for further research in the development of MGd drugs so that they can be more effective."