ABSTRAKSI: Teknologi yang semakin maju memungkinkan para peneliti dalam melakukan ekstraksi level ekspresi gen dalam berbagai jenis percobaan. Hal ini memudahkan untuk mempelajari lebih lanjut mengenai fungsi gen, jaringan gen, proses biologi dan efek dari suatu perlakuan medis. Langkah pertama untuk melakukannya adalah dengan melakukan clustering gen. Saat ini sudah banyak sekali algoritma clustering yang dibuat namun baru sedikit algoritma yang dikhususkan pada clustering data gen. CLICK atau Cluster Identification via Connectivity Kernel merupakan salah satu algoritma yang bertujuan untuk melakukan clustering data gen.
Algoritma ini berbasis graf berbobot dan menggunakan penghitungan probabilitas sehingga diharapkan dapat memberikan hasil yang lebih akurat. Dalam tugas akhir ini dilakukan implementasi dan analisis performansi algoritma CLICK dalam melakukan clustering data gen yang bersifat homogen ataupun heterogen yang kemudian akan diuji melalui metode Figure Of Merit (FOM), serta untuk mencari tahu apakah faktor sifat homogen atau heterogen suatu data akan mempengaruhi nilai FOM dari data tersebut. Selain itu dalam penelitian ini dilakukan perbandingan nilai FOM yang dihasilkan CLICK dengan nilai FOM yang dihasilkan algoritma K-Means, GenClust dan Cast dalam melakukan clustering data yang sama. Sehingga memudahkan para peneliti dalam memilih algoritma yang akan digunakan untuk melakukan clustering data gen yang memiliki sifat-sifat tersebut.
Dari hasil penelitian yang dilakukan dihasilkan kesimpulan bahwa untuk jumlah eksperimen yang sama, algoritma CLICK memiliki performansi yang lebih baik dalam melakukan clustering data gen yang bersifat lebih heterogen daripada data homogen setelah dibandingkan dengan ketiga algoritma lainnya. Sedangkan nilai FOM tidak dipengaruhi oleh sifat heterogen atau homogen suatu data melainkan oleh rata-rata dari cluster yang dihasilkan serta jumlah eksperimen yang diujikan.
Kata Kunci : CLICK, clustering, genABSTRACT: The more advanced technology that allows researchers in conducting the extraction level of gene expression in different types of experiments. This makes it easy to learn more about gene function, gene networks, biological processes and effects of a medical treatment. The first step to do this is to perform gene clustering. We have had a lot of clustering algorithms that are made but very few clustering algorithm that is specific to the gene data clustering. CLICK or Cluster Identification via Connectivity Kernels is one of algorithms that aims to perform data clustering of genes.
The algorithm is based on a weighted graph and use the calculation of probability that is expected to provide more accurate results. In this thesis performed the implementation and performance analysis of algorithms CLICK in performing data clustering of genes that are homogeneous or heterogeneous which will then be tested through the method of Figure Of Merit (FOM), as well as to find out whether the factor of a homogeneous or heterogeneous nature of the data will affect the value of FOM from these data. Also in this study the FOM value of the CLICK algorithm will be compared with FOM value generated by K-Means, GenClust and Cast algorithm in doing the same data clustering. Making it easier for the researchers in selecting the algorithm that will be used to perform data clustering of genes that have these character.
From the results of research conducted a conclusion that for the same amount of experiment, CLICK algorithm has a better performance in doing data clustering of genes that are more heterogeneous than homogeneous data when compared with the three other algorithms. While the FOM value is not affected by the characters of a heterogeneous or homogeneous data but by the average of the resulting clusters and the number of experimentally tested.
Keyword: CLICK, clustering, genes