Pada penelitian ini, diperkenalkan suatu model integrasi tipe data pasien yaitu data microarray DNA dan data klinis pasien untuk tujuan identifikasi subtipe kanker. Model integrasi data ini menggunakan metode klasifikasi berbasis kernel yang merupakan perluasan pendekatan Support Vector Machine (SVM) dengan Kernel Dimensionality Reduction (KDR) yang disebut sebagai KDRSVM. Metode KDR-SVM diimplementasikan pada database kanker Limfoma serta informasi klinis pasien yang berkaitan. Dengan penggunaan data integrasi, diharapkan identifikasi subtipe kanker dapat dilakukan secara lebih akurat. Berbagai eksperimen telah dilakukan dalam penelitian ini. Hasil penelitian menunjukkan bahwa penggunaan data integrasi dan KDR dengan dimensi terbaik yaitu 10 dapat meningkatkan akurasi hasil klasifikasi. Metode KDR-SVM mengungguli metode lainnya dalam hal akurasi pada proses identifikasi subtipe kanker.

This thesis proposes a model of data type integration such as patient’s DNA microarray and clinical data for cancer subtype identification. The data integration model utilizes a kernel-based classification method that is an extension approach to Support Vector Machine (SVM) with Kernel Dimensionality Reduction (KDR) which is called KDR-SVM. The KDR-SVM method is implemented on the Lymphoma cancer database and patient-related clinical information. By using data integration, it is expected that cancer subtype identification can be done more accurately. Various experiments have been conducted in this research. The results show that the data integration and KDR with the best dimensions are 10 can improve the accuracy of the classification results. The KDR-SVM method outperforms the other methods in term of accuracy in cancer subtype identification.