Sistem Pendukung Keputusan untuk Identifikasi Protein Kunci pada Kanker Darah: Integrasi MCDM, KMeans, dan Topologi Jaringan

Mohammad Hamim Zajuli Al Faroby; Muhammad Dzulfikar Fauzi

doi:10.31294/reputasi.v6i1.8959

Authors

Mohammad Hamim Zajuli Al Faroby Universitas Telkom
Muhammad Dzulfikar Fauzi Universitas Telkom

DOI:

https://doi.org/10.31294/reputasi.v6i1.8959

Keywords:

Multi-Criteria Decision Making, Kmeans, Centrality, Kanker Darah, PPI

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.

References

Al Faroby, M. H. Z., Alifah, A. N., Aji, B. A. S., & Chaniago, I. O. (2022). Penerapan K-Means dan Analisis Jaringan untuk Identifikasi Protein-Meningitis Signifikan Berdasarkan Interaksi Antar Protein. PROSIDING SEMINAR NASIONAL SAINS DATA, 2(1), 39–50. https://doi.org/10.33005/senada.v2i1.39

Al Faroby, M. H. Z., Fadhilah, H. N., & Sembiring, F. H. (2022). Identifikasi Interaksi Protein-Protein Meningitis Menggunakan ClusterONE dan Analisis Jaringan. Journal of Advances in Information and Industrial Technology, 4(1), 17–28. https://doi.org/10.52435/jaiit.v4i1.180

Amiroch, S., Al Faroby, M. H. Z., & Fauzi, M. D. (2024). Target Baru Pengobatan Meningitis Berdasarkan Centrality Measure Jaringan Protein dan Self Oganizing Map. Limits: Journal of Mathematics and Its Applications, 21(3), 397–416.

Amiroch, S., Al Faroby, M. H. Z., Irawan, M. I., Mukhlash, I., & Nidhom, A. C. (2022). Analysis of protein-protein interaction to obtain significant protein in influenza virus type A/H9N2. AIP Conference Proceedings, 2498(1), 020021. https://doi.org/10.1063/5.0083336

Ashari, I. F., Dwi Nugroho, E., Baraku, R., Novri Yanda, I., & Liwardana, R. (2023). Analysis of Elbow, Silhouette, Davies-Bouldin, Calinski-Harabasz, and Rand-Index Evaluation on K-Means Algorithm for Classifying Flood-Affected Areas in Jakarta. Journal of Applied Informatics and Computing, 7(1), 89–97. https://doi.org/10.30871/jaic.v7i1.4947

Bagirov, A. M., Aliguliyev, R. M., & Sultanova, N. (2023). Finding compact and well-separated clusters: Clustering using silhouette coefficients. Pattern Recognition, 135, 109144. https://doi.org/10.1016/j.patcog.2022.109144

Cook, H. V., Doncheva, N. T., Szklarczyk, D., von Mering, C., & Jensen, L. J. (2018). Viruses.STRING: A virus-host protein-protein interaction database. Viruses, 10(10), 519. https://doi.org/10.3390/v10100519

Demir, G., Chatterjee, P., & Pamucar, D. (2024). Sensitivity analysis in multi-criteria decision making: A state-of-the-art research perspective using bibliometric analysis. Expert Systems with Applications, 237, 121660. https://doi.org/10.1016/j.eswa.2023.121660

Ellis, J. T., & Kennedy, P. J. (2025). Multi-criteria decision making and its application to in silico discovery of vaccine candidates for Toxoplasma gondii. Vaccine, 58, 127242. https://doi.org/10.1016/j.vaccine.2025.127242

Kang, Z., Peng, C., Cheng, Q., Liu, X., Peng, X., Xu, Z., & Tian, L. (2021). Structured graph learning for clustering and semi-supervised classification. Pattern Recognition, 110, 107627. https://doi.org/10.1016/j.patcog.2020.107627

Shirmohammady, N., Izadkhah, H., & Isazadeh, A. (2021). PPI‐GA: A Novel Clustering Algorithm to Identify Protein Complexes within Protein‐Protein Interaction Networks Using Genetic Algorithm. Complexity, 2021(1). https://doi.org/10.1155/2021/2132516

Szklarczyk, D., Gable, A. L., Nastou, K. C., Lyon, D., Kirsch, R., Pyysalo, S., Doncheva, N. T., Legeay, M., Fang, T., Bork, P., Jensen, L. J., & von Mering, C. (2021). The STRING database in 2021: customizable protein–protein networks, and functional characterization of user-uploaded gene/measurement sets. Nucleic Acids Research, 49(D1), D605–D612. https://doi.org/10.1093/nar/gkaa1074

Zon, R. L., Sekar, A., Clapham, K., Oren, O., Niroula, A., Bick, A. G., Gibson, C. J., Griffin, G., Uddin, M. M., Neuberg, D., Natarajan, P., & Ebert, B. L. (2024). JAK2 mutant clonal hematopoiesis is associated with venous thromboembolism. Blood, 144(20), 2149–2154. https://doi.org/10.1182/blood.2024024187