//
KLASIFIKASI FRAGMEN METAGENOME MENGGUNAKAN METODE RANDOM FOREST DAN EKSTRAKSI CIRI K-MERS |
|
BACA FULL TEXT ABSTRAK Permintaan Versi cetak |
|
Pengarang | M. Ilham Surya Alam - Personal Name |
---|---|
Abstrak/Catatan Penelitian di bidang metagenome merupakan salah satu bidang kajian bioinformatika yang cukup penting dan terus berkembang hingga kini. Metagenome merupakan kumpulan-kumpulan data genom yang berasal dari suatu komunitas mikroba di alam dan dapat digunakan untuk mengetahui fungsi biologis dari mikroba-mikroba tersebut. Ilmu yang mempelajari tentang metagenome disebut dengan metagenomika. Dalam ilmu metagenomika, proses sequencing untuk memperoleh DNA dilakukan tanpa pure clonal cultures dari sequencing individu tertentu melainkan secara langsung dari alam dan hal tersebut mengakibatkan kesalahan pada saat proses perakitan (assembly) fragmen untuk identifikasi lebih lanjut. Upaya untuk meminimalkan kesalahan pada saat proses perakitan dapat dilakukan dengan proses binning. Binning bertujuan untuk mengelompokkan atau mengklasifikasikan fragmen dari suatu organisme berdasarkan tingkat taksonomi tertentu. Pada penelitian ini, peneliti membuat model klasifikasi fragmen metagenome menggunakan metode Random Forest dan ekstraksi ciri k-mers pada tingkat taksonomi genus dari 3 genera bakteri yaitu Agrobacterium, Bacillus, dan Staphylococcus. Hasil penelitian menunjukkan bahwa model terbaik yang berhasil dibangun ada pada model 11 menggunakan panjang fragmen 10.000 bp dan ekstraksi ciri 4-mers dengan tingkat akurasi yaitu 99,71% sedangkan untuk pengujian terbaik dengan data uji terjadi pada model 12 menggunakan panjang fragmen 10.000 bp dan ekstraksi ciri 5-mers dengan tingkat akurasi yaitu 97,4%. Berdasarkan penelitian juga dapat disimpulkan bahwa panjang fragmen sangat mempengaruhi tingkat akurasi klasifikasi, semakin besar panjang fragmen maka semakin besar juga tingkat akurasi yang dihasilkan dan ratarata nilai k pada ekstraksi ciri k-mers yang tertinggi adalah 4-mers. | |
Tempat Terbit | |
Literature Searching Service | Hard copy atau foto copy dapat diberikan dengan syarat ketentuan berlaku, jika berminat, silahkan isi formulir online (Chat Service LSS) |
Share Social Media | |
Tulisan yang Relevan KLASIFIKASI DATA BESAR ROAD WEATHER INFORMATION STATIONS MENGGUNAKAN NAÏVE BAYESIAN DAN RANDOM FOREST PADA SISTEM TERDISTRIBUSI HADOOP (SYAMSUL KAMAL, 2017) |
|
Kembali ke sebelumnya |