Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKKlasifikasi data kanker dilakukan untuk mendapatkan terapi yang spesifik dengan hasil efektivitas yang maksimal dan toksisitas yang minimal. Pada tugas akhir ini, data yang digunakan berbasis micrroarray data yang berisi kumpulan ekspresi gen. Fitur pada micrroarray data tersebut diseleksi oleh feature selection guna meningkatkan keakuratan, sensitivitas, kekhususan. Pada feature selection, setiap fitur pada microarray data dilakukan clustering dengan metode k-means clustering. Fitur yang terseleksi membentuk micorarray baru. Sampel pada microarray baru tersebut diklasifikasi menggunakan metode optimisasi baru yaitu Cuckoo Optimization Algorithm yang terinsipirasi dari cara hidup burung Cuckoo. Metode ini juga disesuaikan dengan metode Cuckoo Search.

---

ABSTRAKClassification of cancer data is performed to obtain specific treatment with the results have maximum effectiveness and minimum toxicity. In this thesis, the data is microarray data that contains a collection of gene expression. Features on these micrroarray data selected by the feature selection to improve the accuracy, sensitivity, specificity. In the feature selection, each feature on the microarray data were clustering with k-means clustering method. Selected features form to the new micorarray data. The new samples on the microarray are classified using new optimization methods that Cuckoo Optimization Algorithm which is inspired by the way of life of the Cuckoo. This method is also adapted from Cuckoo Search"

"ABSTRAKKanker merupakan salah satu penyakit yang paling mematikan bagi manusia. Menurut WHO 2015 , kanker adalah penyebab kematian nomor 2 di dunia sebesar 13 setelah penyakit kardiovaskular. Salah satu hal yang dapat dilakukan untuk penelitian kanker menggunakan machine learning adalah melakukan pendeteksian jenis kanker dengan memanfaatkan microarray data. Microarray data yang memiliki banyak fitur. Itu merupakan salah satu kendala dalam penerapan teknik machine learning. Hal ini akan mempengaruhi perfoma atau keakuratan dari hasil klasifikasi pada data kanker. Oleh karena itu, metode pemilihan fitur diperlukan untuk meningkatkan perfoma dalam pendeteksian kanker. Dalam tugas akhir ini dilakukan perbandingan pemilihan fitur menggunakan Genetic Algorithm dan Laplacian Score. Fitur-fitur yang sudah terpilih pada data kanker kemudian digunakan dalam proses klasifikasi Support Vector Machines. Hasilnya, didapatkan akurasi terbaik saat dengan metode pemilihan fitur menggunakan Genetic Algorithm yaitu 98,69 dengan penggunaan 40 fitur untuk data kanker prostat dan 98,97 dengan penggunaan 30 fitur untuk data kanker kolon.

---

ABSTRACTCancer is one of the most deadly diseases for humans. According to the WHO 2015 , cancer is the causes of the death number two in the world by 13 after cardiovascular disease. Taking advantage from microarray data, machine learning methods can be applied to help cancer prediction according to its types. Microarray data has many features. It is one of the obstacles in the machine learning techniques. This will affect the performance or accuracy of the classification results on cancer data. Therefore, feature selection methods are required to increase performance in cancer prediction. This research proposed comparison of feature selection using Genetic Algorithm and Laplacian Score. Features that are already selected in the cancer data then used in the Support Vector Machines classification. The results show that the best accuracy obtained when using Genetic Algorithm with percentage of 98,69 by using 40 features for prostate cancer data and 98,97 by using 30 features for colon cancer data. "

"Penyakit kronis adalah penyakit yang diderita dalam waktu panjang dan dapat berkembang secara cepat, salah satunya adalah penyakit kanker dan diabetes. Oleh karena itu, dengan melakukan pendeteksian dini maka perkembangan penyakit kanker dan diabetes akan menurun. Salah satu cara pendektesian dini dapat dilakukan oleh machine learning. Teknik machine learning banyak digunakan dalam berbagai bidang khususnya untuk analisa data medis.  Clustering merupakan salah satu metode dari machine learning yang bertujuan untuk mengelompokkan suatu dataset ke dalam subset berdasarkan ukuran jarak. Salah satu contoh metode clustering adalah metode Entropi Fuzzy C-Means yang dapat mengidentifikasi entropi disetiap titik data dan memilih pusat kluster terdekat dengan entropi minimum. Pada penelitian akan digunakan data kanker dan diabetes dari UCI Repository dengan menggunakan metode Entropi Fuzzy C-Means yang akan dimodifikasi dengan kernel RBF. Sebelum dilakukan klasifikasi, dilakukan pemilihan fitur menggunakan Chi-Square. Tujuan dari penelitian ini adalah untuk mendapatkan fitur-fitur yang optimal dan mengetahui hasil akurasi menggunakan untuk klasifikasi data diabetes dan kanker. Diperoleh hasil akurasi tertinggi pada klasifikasi data medis menggunakan metode Entropi Fuzzy C-Means berbasis kernel dengan pemilihan fitur Chi-Square yaitu sebesar 83.33% untuk data diabetes dan 77.77-100% untuk data kanker.

---

Chronic disease is a disease that occur for a long time and can develop quickly, one of them is cancer and diabetes. The early detection is very helpful to reduce the development of the disease. One of the ways to detect cancer and diabetes disease is using machine learning technic. Machine learning technic is widely use in many aspects especially in medical data analysis. Clustering is part of machine learning technic that is used to group a dataset into subset based on space size. Entropy Fuzzy C-Means is one of the methods which can identify entropy in every data and can choose the cluster center similar with minimum entropy. In this paper we will use cancer and diabetes medical data from UCI Repository using Entropy Fuzzy C-Means method which is modified by kernel RBF. Before classification, we will select the feature using Chi-Square  to get the optimal subset feature. The purpose of this study was to obtain optimal features and find out the results of accuracy using for the classification of diabetes and cancer data. The medical data classification using Entropy Fuzzy C-Means based on kernel with Chi-Square feature selection gives the 100% highest accuration result for cancer data and 83,33% for diabetes data."

"Klasifikasi data kanker dilakukan untuk menemukan terapi yang tepat yaitu memaksimalkan efektivitas dan meminimalkan toksisitas. Pada umumnya, data kanker terdiri dari banyak fitur. Namun, tidak semua fitur tersebut informatif. Oleh karena itu, fitur-fitur tersebut akan diseleksi menggunakan metode Fisher's Ratio untuk memilih fitur-fitur yang paling informatif. Fitur-fitur terbaik akan dibentuk data baru. Data, sebelum dan setelah dilakukan pemilihan fitur, diklasifikasi menggunakan metode Fuzzy C-Means. Akurasi dari proses klasifikasinya akan dibandingkan. Hasilnya, tanpa melakukan pemilihan fitur, diperoleh rata-rata akurasi sebesar 82.92%. Setelah dilakukan pemilihan fitur, diperoleh akurasi terbaik dengan menggunakan 150 fitur dengan rata-rata akurasi sebesar 89.68%.

---

Classification of cancer data is done to find the right therapy that maximize efficacy and minimize toxicity. In general, cancer data consists of many features. However, not all of these features are informative. Therefore, these features will be selected using Fisher's Ratio to choose features that are most informative. The best features to be formed new data. Data, before and after feature selection, are classified using Fuzzy C-Means. The accuracy of the classification process will be compared. As a result, without doing feature selection, the accuracy is 82.92%. After doing feature selection, the best accuracy is obtained by using 150 features with the accuracy is 89.68%."

"Serviks atau leher rahim merupakan salah satu bagian dari sistem alat reproduksi wanita. Salah satu penyakit yang dapat menyerang serviks adalah kanker. Di dunia, kanker serviks adalah salah satu kanker yang menyebabkan kematian dan keganasan yang paling umum terjadi pada wanita. Kanker serviks merupakan penyakit yang memiliki peluang sembuh cukup besar jika terdeteksi sejak dini. Seiring dengan perkembangan teknologi dalam berbagai bidang, termasuk dalam bidang medis, maka pendeteksian dini kanker serviks dapat dilakukan dengan klasifikasi menggunakan bantuan dari metode klasifikasi machine learning. Pada penelitian ini, metode klasifikasi machine learning yang digunakan untuk mengklasifikasikan kanker serviks adalah metode Naïve Bayes (NB) dan Support Vector Machine (SVM) dengan seleksi fitur Grey Wolf Optimization (GWO). Seleksi fitur GWO merupakan seleksi fitur metode wrapper yang digunakan pada penelitian ini untuk mengeliminasi fitur-fitur tidak relevan dalam mengklasifikasikan data kanker serviks, agar NB dan SVM dapat mengklasifikasi dengan lebih akurat. Sehingga, metode ini disebut sebagai metode NB–GWO dan SVM–GWO. Data kanker serviks yang digunakan pada penelitian ini merupakan data numerik dari hasil citra MRI yang diperoleh dari Departemen Radiologi RSUPN Dr. Cipto Mangunkusumo. Berdasarkan hasil penelitian dengan seleksi fitur GWO, metode NB–GWO menghasilkan rata-rata akurasi, recall, dan f1-score tertinggi masing-masing sebesar 96,30%, 96,08%, 97,93%, dan 96,30%, sedangkan metode SVM–GWO menghasilkan rata-rata akurasi dan f1-score tertinggi masing-masing sebesar 95,37% dan 95,36% dengan kernel Linier, rata- rata presisi tertinggi sebesar 97,56% dengan kernel Polinomial, serta rata-rata recall tertinggi sebesar 99,75% dengan kernel RBF. Kemudian, berdasarkan hasil klasifikasi tanpa seleksi fitur GWO, metode NB menghasilkan rata-rata akurasi, presisi, recall, dan f1-score tertinggi masing-masing sebesar 91,98%, 95,21%, 92,90%, 91,95%, sedangkan metode SVM menghasilkan rata-rata akurasi, recall, dan f1-score tertinggi sebesar 92,13%, 99,24%, dan 92,19% dengan kernel RBF, serta rata-rata presisi tertinggi sebesar 93,59% dengan kernel Polinomial. Dengan demikian, metode seleksi fitur GWO dapat meningkatkan kinerja dari NB dan SVM dalam mengklasifikasikan data kanker serviks. Selanjutnya, berdasarkan hasil perbandingan kinerja dari NB–GWO dan SVM–GWO, maka secara keseluruhan metode NB–GWO menghasilkan kinerja yang lebih baik dalam mengklasifikasikan data kanker serviks dibandingkan dengan SVM–GWO.

---

Cervix is one part of the female reproductive system. One of the diseases that can attack the cervix is cancer. In the world, cervical cancer is one of the cancers that cause death and malignancy that is most common in women. Cervical cancer is a disease that has a considerable chance of recovery if detected early. Along with the development of technology in various fields, including in the medical field, the early detection of cervical cancer can be done by classification using the help of machine learning classification methods. In this study, the machine learning classification method used to classify cervical cancer was Naïve Bayes (NB) and Support Vector Machine (SVM) with Grey Wolf Optimization (GWO) feature selection. GWO feature selection is a wrapper feature selection method used in this study to eliminate irrelevant features in classifying cervical cancer data, so that NB and SVM can classify more accurately. Thus, this method is referred to as the NB–GWO and SVM–GWO. Cervical cancer data used in this study is numerical data from MRI obtained from the Department of Radiology RSUPN Dr. Cipto Mangunkusumo. Based on the results of the study with GWO feature selection, NB– GWO produced the highest average accuracy, recall, and f1-score of 96.30%, 96.08%, 97.93%, and 96.30% respectively, while SVM–GWO produced the highest average accuracy and f1-score of 95.37% and 95.36% respectively with Linear kernel, the highest precision average of 97.56% with Polynomial kernel, and the highest recall average of 99.75% with RBF kernel. Then, based on the results of classification without GWO feature selection, the NB produced the highest average accuracy, precision, recall, and f1- score of 91.98%, 95.21%, 92.90%, 91.95% respectively, while SVM produced the highest average accuracy, recall, and f1-score of 92.13%, 99.24%, and 92.19% with RBF kernel, and the highest average precision of 93.59% with Polynomial kernel. Thus, GWO feature selection method was able to improve the performance of NB and SVM in classifying cervical cancer. Furthermore, based on the results of performance comparison from NB– GWO and SVM–GWO, the overall method of NB–GWO resulted in better performance in classifying cervical cancer data compared to SVM–GWO."

"ABSTRAKKanker serviks merupakan salah satu jenis kanker yang berbahaya. Berdasarkan data dari Departemen Kesehatan Republik Indonesia Depkes RI , kanker serviks merupakan salah satu penyakit kanker dengan prevelensi tertinggi sebesar 0.8 di Indonesia. Maka dari itu diperlukan tindakan pendeteksian dini dengan menggunakan microarray dataset. Microarray dataset mempunyai jumlah fitur yang banyak tetapi tidak semua fitur yang ada relevan dengan data yang digunakan. Oleh karena itu, perlu dilakukan pemilihan fitur untuk meningkatkan akurasi. Pemilihan fitur yang digunakan adalah Artificial Bee Colony ABC . Setelah dilakukan pemilihan fitur, akan dilakukan klasifikasi menggunakan metode klasifikasi Na ve Bayes. Hasilnya, didapatkan akurasi terbaik klasifikasi Na ve Bayes tanpa pemilihan fitur adalah 60 pada saat data training 90 dan untuk klasifikasi Na ve Bayes dengan menggunkan pemilihan fitur Artificial Bee Colony didapatkan akurasi tertinggi adalah 93.33333 . dengan fitur sebanyak 50 dan data training 90 .

---

ABSTRACTCervical cancer is one of the most dangerous cancer. Based on data from Departemen Kesehatan Republik Indonesia Depkes RI , cervical cancer is one of the diseases with the highest prevalence of 0.8 in Indonesia. Therefore, early detection action is needed with using microarray dataset. Microarray datasets have a large number of features but not all features are relevant to the data is used. Therefore, feature selection is needed to improve the accuracy. The feature selection that used is Artificial Bee Colony ABC . After feature selection process is done, Naive Bayes classification method will be implemented for classification process. As a result, the best accuracy of Na ve Bayes classification without feature selection is 60 with 90 training data and for Na ve Bayes classification using Artificial Bee Colony feature selection is 93.33333 with using 50 features selection and 90 training data."

"Kanker otak adalah pertumbuhan sel-sel abnormal di organ otak yang bersifat ganas. Salah satu cara untuk mengurangi perkembangan penyakit ini adalah melakukan pendeteksian dini menggunakan machine learning. Metode machine learning yang digunakan adalah AdaBoost Support Vector Machines untuk klasifikasi. AdaBoost Support Vector Machines adalah metode ensemble antara AdaBoost dengan base classifier Support Vector Machines. Data kanker otak direpresentasikan dalam bentuk matriks berupa ekspresi gen yang disebut DNA microarray. Data DNA microarray yang berdimensi tinggi akan direduksi dengan pemilihan fitur Signal-to-noise Ratio. Pemilihan fitur bekerja untuk menemukan fitur-fitur yang informatif dan membuang fitur-fitur yang tidak sesuai. Pertama, data diklasifikasi menggunakan AdaBoost Support Vector Machines tanpa pemilihan fitur, dilanjutkan klasifikasi menggunakan AdaBoost Support Vector Machines dengan pemilihan fitur. Pendekatan one vs one digunakan untuk menyelesaikan masalah multi kelas. Setelah melakukan pengujian, hasil akurasi terbaik adalah 91,111 pada data training 90 dengan menggunakan pemilihan fitur sebanyak 60 fitur. Hasil tersebut lebih baik dibandingkan klasifikasi tanpa pemilihan fitur yaitu 86,667 pada data training 90.

---

Brain cancer is the growth of abnormal cells in the brain organ malignantly. One way to reduce the progression of this disease is to do early detection using machine learning. Machine learning method used is AdaBoost Support Vector Machines for classification. AdaBoost Support Vector Machines is an ensemble method between AdaBoost and base classifier Support Vector Machines. Brain cancer data is represented in the form of matrix of gene expression called DNA microarray. The high dimensional DNA microarray data will be reduced by Signal to noise Ratio feature selection.

Feature selection works to find informative features and discard irrelevant features. Firts, the data is classified using AdaBoost Support Vector Machines without feature selection, further classified using AdaBoost Support Vector Machines with feature selection. The one vs one approach is used to solve multi class problems. After testing, the best accuracy result is 91,111 in 90 training data by using feature selection of 60 features. The result is better than the classification without feature selection that is 86,667 in 90 data training."

"Kanker merupakan pertumbuhan sel abnormal di dalam tubuh yang tidak terkendali. Ketika kanker dimulai di paru-paru, hal ini dinamakan sebagai kanker paru-paru. Terdapat faktor-faktor tertentu yang meningkatkan risiko seseorang yang mengidap penyakit ini, yaitu dengan merokok (termasuk perokok pasif), riwayat kanker paru-paru dalam keluarga, terpapar radiasi, dan infeksi HIV. Penyakit ini dapat didiagnosis melalui image tests, diantaranya yaitu chest x-ray, CT scan, MRI scan, PET scan, dan bone scan. Meskipun diagnosa telah dilakukan dengan banyak cara, namun masih terdapat banyak kesalahan dalam mendiagnosa penyakit tersebut. Untuk mengatasi dan membantu hal tersebut, klasifikasi penyakit kanker paru-paru dapat dilakukan dengan menggunakan metode machine learning. Dataset yang akan digunakan untuk mengklasifikasikan penyakit ini berupa CT Scan yang didapatkan dari Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Metode klasifikasi yang digunakan adalah Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), dimana Particle Swarm Optimization-Genetic Algorithm (PSO-GA) digunakan untuk mengoptimisasi parameter pada Support Vector Machine (SVM). Untuk mengevaluasi hasil kinerja metode tersebut, akan dilihat nilai akurasi, presisi, recall, dan f1-score dan dibandingkan dengan metode SVM tanpa optimisasi. Dari hasil yang didapat, klasifikasi dengan menggunakan Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM) menghasilkan performa yang lebih baik jika dibandingkan dengan Support Vector Machine (SVM) tanpa optimisasi parameter.

---

Cancer is an uncontrolled growth of abnormal cells in the body. When cancer starts in the lungs, it is referred as lung cancer. There are certain factors that increase a person's risk of this disease, such as smoking (including passive smoker), a family history of lung cancer, exposure to radiation, and HIV infection. This disease can be diagnosed through image tests, including chest x-ray, CT scan, MRI scan, PET scan, and bone scan. Although diagnosis has been made in many ways, there are still many errors in diagnosing the disease. To overcome and help this problem, the classification of lung cancer can be done by using machine learning method. The dataset that used to classify this disease is CT Scan obtained from Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The classification method that will be used is Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), where Particle Swarm Optimization-Genetic Algorithm (PSO-GA) was used to optimize the parameters of the Support Vector Machine (SVM). To evaluate the results of the performance of the method, values of accuracy, precision, recall, and f1-score will be seen and it will be compared with SVM without the optimization. From the results obtained, classification using Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO- GA-SVM) produces better performance compared to Support Vector Machine (SVM) without parameter optimization."

"Kanker merupakan pertumbuhan sel abnormal di dalam tubuh yang tidak terkendali. Ketika kanker dimulai di paru-paru, hal ini dinamakan sebagai kanker paru-paru. Terdapat faktor-faktor tertentu yang meningkatkan risiko seseorang yang mengidap penyakit ini, yaitu dengan merokok (termasuk perokok pasif), riwayat kanker paru-paru dalam keluarga, terpapar radiasi, dan infeksi HIV. Penyakit ini dapat didiagnosis melalui image tests, diantaranya yaitu chest x-ray, CT scan, MRI scan, PET scan, dan bone scan. Meskipun diagnosa telah dilakukan dengan banyak cara, namun masih terdapat banyak kesalahan dalam mendiagnosa penyakit tersebut. Untuk mengatasi dan membantu hal tersebut, klasifikasi penyakit kanker paru-paru dapat dilakukan dengan menggunakan metode machine learning. Dataset yang akan digunakan untuk mengklasifikasikan penyakit ini berupa CT Scan yang didapatkan dari Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Metode klasifikasi yang digunakan adalah Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), dimana Particle Swarm Optimization-Genetic Algorithm (PSO-GA) digunakan untuk mengoptimisasi parameter pada Support Vector Machine (SVM). Untuk mengevaluasi hasil kinerja metode tersebut, akan dilihat nilai akurasi, presisi, recall, dan f1-score dan dibandingkan dengan metode SVM tanpa optimisasi. Dari hasil yang didapat, klasifikasi dengan menggunakan Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM) menghasilkan performa yang lebih baik jika dibandingkan dengan Support Vector Machine (SVM) tanpa optimisasi parameter.

---

Cancer is an uncontrolled growth of abnormal cells in the body. When cancer starts in the lungs, it is referred as lung cancer. There are certain factors that increase a person's risk of this disease, such as smoking (including passive smoker), a family history of lung cancer, exposure to radiation, and HIV infection. This disease can be diagnosed through image tests, including chest x-ray, CT scan, MRI scan, PET scan, and bone scan. Although diagnosis has been made in many ways, there are still many errors in diagnosing the disease. To overcome and help this problem, the classification of lung cancer can be done by using machine learning method. The dataset that used to classify this disease is CT Scan obtained from Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The classification method that will be used is Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO-GA-SVM), where Particle Swarm Optimization-Genetic Algorithm (PSO-GA) was used to optimize the parameters of the Support Vector Machine (SVM). To evaluate the results of the performance of the method, values of accuracy, precision, recall, and f1-score will be seen and it will be compared with SVM without the optimization. From the results obtained, classification using Particle Swarm Optimization-Genetic Algorithm-Support Vector Machine (PSO- GA-SVM) produces better performance compared to Support Vector Machine (SVM) without parameter optimization."

"Dalam dekade terakhir ini, kanker menjadi pusat perhatian dunia kesehatan dikarenakan penyakit ini termasuk dalam penyebab utama kematian di seluruh dunia. Menurut statistik GLOBOCAN, International Agency for Research on Cancer IARC pada tahun 2012, terdapat 14.067.894 kasus kanker baru dengan 8.201.575 kematian akibat kanker di seluruh dunia. Oleh sebab itu, dibutuhkan tindakan pencegahan dan pengobatan yang efektif. Salah satunya dengan metode klasifikasi kanker. Metode klasifikasi kanker dapat dijadikan sebagai alat bantu tenaga medis untuk menangani kanker. Dalam tugas akhir ini diusulkan algoritma untuk mengklasifikasikan data kanker dengan menggunakan Fuzzy Possibilistic C-means FPCM dan metode baru yang menggunakan Normed Kernel Function-based Fuzzy Possibilistic C-means NKFPCM. Tujuannya untuk mendapatkan keakuratan terbaik dalam pengklasifikasian data kanker. Untuk meningkatkan keakuratan dua metode tersebut, dilakukan evaluasi kandidat fitur dengan menggunakan pemilihan fitur. Untuk pemilihan fitur digunakan metode Laplacian Score. Hasil yang diperoleh menunjukkan perbandingan keakuratan dan running time dari FPCM dan NKFPCM tanpa dan dengan dilakukan pemilihan fitur. Hasilnya, didapatkan akurasi terbaik saat dengan menggunakan metode NKFPCM dengan dilakukan pemilihan fitur, yaitu 90,91 dengan penggunaan 750 fitur untuk data kanker kandung kemih, 100 dengan penggunaan 250 fitur untuk data kanker darah leukemia , 96,67 dengan penggunaan 3.000 fitur untuk data kanker prostat, dan 100 dengan penggunaan 250 fitur untuk data kanker lambung.

---

Over the past decade, cancer has become the center of attention in the medical field due to its reputation as one of the main causes of death in the worldwide. According to GLOBOCAN statistics, International Agency for Research on Cancer IARC , there were 14,067,894 new cancer cases and 8,201,575 cancer related deaths occurred in 2012. Therefore, preventive actions and effective treatments are required to reduce these threats. One method of handling of cancer using cancer classification. Cancer classification method can be used as aids to handle Cancer. This research proposed an algorithm to classify cancer data using Fuzzy Possibilistic C Means FPCM and a new method, Normed Kernel Function Based Fuzzy Possibilistic C Means NKFPCM. The purpose of this research is to obtain the best accuracy in the classification of cancer data. To improve the accuracy of these two methods, the feature candidate will be evaluated using feature selection. The feature selection was conducted using Laplacian Score. The results obtained show the comparison of the accuracy and running time of FPCM and NKFPCM without and with feature selection. The results show that the best accuracy obtained when using NKFPCM with features selection, with percentage of 90.91 by using 750 features for bladder cancer data, 100 by using 250 features for blood cancer leukemia data, 96.67 by using 3,000 features for prostate cancer data, and 100 by using 250 features for gastric cancer data."