identifikasi dna bakteri menggunakan metode

IDENTIFIKASI DNA BAKTERI MENGGUNAKAN METODE
EKSTRAKSI CIRI SPACED K-MERS DENGAN JARINGAN
SYARAF TIRUAN SEBAGAI CLASSIFIER
CUT MALISA IRWAN
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi DNA
Bakteri Menggunakan Metode Ekstraksi Ciri Spaced K-Mers dengan Jaringan
Syaraf Tiruan sebagai Classifier adalah benar karya saya dengan arahan dari
komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan
tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang
diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks
dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Juli 2013
Cut Malisa Irwan
NIM G64080007
ABSTRAK
CUT MALISA IRWAN. Identifikasi DNA Bakteri Menggunakan Metode
Ekstraksi Ciri Spaced K-Mers dengan Jaringan Syaraf Tiruan sebagai Classifier.
Dibimbing oleh TOTO HARYANTO dan HABIB RIJZAANI.
Ekstraksi ciri adalah proses pengambilan penciri dari suatu objek yang dapat
menggambarkan karakteristik dari objek tersebut. Pada penelitian ini, metode
ekstraksi ciri yang digunakan adalah spaced k-mers. Metode ekstraksi ciri tersebut
digunakan untuk mengambil penciri sekuens DNA dari tiga genus, yaitu: Bacillus,
Burkholderia, dan Pseudomonas. Jaringan syaraf tiruan digunakan untuk
menganalisis data biologi molekuler tiga genus. Pada penelitian ini, metode
ekstraksi ciri spaced k-mers menggunakan nilai parameter w = 3, dan d = 0, 1, 2,
serta panjang fragmen 100 bp, 400 bp, 800 bp, dan 1 Kbp. Nilai sensitivity dan
specificity terbaik diperoleh untuk known organisms pada panjang fragmen 1 Kbp,
yaitu dengan nilai sensitivity 0.9716 dan nilai specificity 0.9854.
Kata kunci: jaringan syaraf tiruan, sensitivity, sekuens DNA, spaced k-mers,
specificity
ABSTRACT
CUT MALISA IRWAN. Identification Bacteri DNA Using Feature Extraction
Spaced K-Mers with Artifical Neural Network as Classifier. Supervised by TOTO
HARYANTO and HABIB RIJZAANI.
Feature extraction is the process of taking an object identifiers that describes
it’s characteristics. In this study, spaced k-mers feature extraction method was
employed. This method was used to retrieve the data identifier of DNA sequence
of the three genus, namely Bacillus, Burkholderia, and Pseudomonas. Artificial
neural network was used to analyze molecular biology data from the three genus.
The feature extraction methods uses the following setup: w = 3, and d = 0, 1, 2
and fragment length 100 bp, 400 bp, 800 bp, and 1 Kbp. The best sensitivity and
the best specificity were achieved for known organisms at 1 Kbp fragment length
with value 0.9716 and 0.9854, respectively.
Keywords: artificial neural network, DNA sequence, sensitivity, spaced k-mers,
specificity
IDENTIFIKASI DNA BAKTERI MENGGUNAKAN METODE
EKSTRAKSI CIRI SPACED K-MERS DENGAN JARINGAN
SYARAF TIRUAN SEBAGAI CLASSIFIER
CUT MALISA IRWAN
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
Judul Skripsi : Identifikasi DNA Bakteri Menggunakan Metode Ekstraksi Ciri
Spaced K-Mers dengan Jaringan Syaraf Tiruan sebagai Classifier
Nama
: Cut Malisa Irwan
NIM
: G64080007
Disetujui oleh
Habib Rijzaani, MSi
Pembimbing II
Toto Haryanto, SKom MSi
Pembimbing I
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen
Tanggal Lulus:
PRAKATA
Puji syukur penulis panjatkan kepada Allah Subhanahu wa-ta'ala atas
segala rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi
yang berjudul “Identifikasi DNA Bakteri Menggunakan Metode Ekstraksi Ciri
Spaced K-Mers dengan Jaringan Syaraf Tiruan sebagai Classifier”. Penulisan
skripsi ini tak lepas dari bantuan banyak pihak. Oleh karena itu, penulis ingin
menyampaikan rasa terima kasih kepada:
• Kedua orang tua penulis, Bapak Teuku Irwan dan Ibu Nani Erwani, atas
pola pendidikan luar biasa yang telah diberikan kepada penulis.
• Bapak Toto Haryanto SKom MSi dan Bapak Habib Rijzaani MSi selaku
dosen pembimbing skripsi. Terima kasih atas segala ilmu, bantuan, serta
nasehat-nasehat yang diberikan kepada penulis.
• Bapak Dr Wisnu Ananta Kusuma ST MT selaku dosen penguji.
• Saudara Dony Satria, atas segala motivasi, semangat, dukungan, masukan,
dan saran selama proses pengerjaan skripsi ini.
• Seluruh rekan-rekan dari Departemen Ilmu Komputer, atas segala masukan
dan saran selama proses pengerjaan skripsi ini.
Semoga karya ilmiah ini bisa memberikan manfaat untuk perkembangan
dunia teknologi informasi dan pertanian di Indonesia.
Bogor, Juli 2013
Cut Malisa Irwan
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
2
Ruang Lingkup Penelitian
2
Manfaat Penelitian
2
METODE PENELITIAN
2
Studi Literatur
3
Pengumpulan Data
3
Praproses
4
Ekstraksi Ciri Spaced K-Mers
5
K-Fold Cross Validation
7
Klasifikasi Jaringan Syaraf Tiruan (JST)
8
Pengujian
10
Analisis
10
HASIL DAN PEMBAHASAN
12
Praproses Data
12
Ekstraksi Ciri Spaced K-Mers
13
5-Fold Cross Validation
13
Klasifikasi JST
14
Pengujian
15
Analisis Hasil
15
SIMPULAN DAN SARAN
20
Simpulan
20
Saran
21
DAFTAR PUSTAKA
21
LAMPIRAN
22
RIWAYAT HIDUP
33
DAFTAR TABEL
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Pola untuk spaced k-mers dengan nilai w = 3 dan d = 0, 1, 2
Jumlah 64 substring yang dibentuk pada w = 3 dan d = 0
Proses pada metode 5-fold cross validation
Parameter pelatihan JST menggunakan back propagation
Confusion matrix genus 1
Tiga genus data sekuens DNA dengan panjang fragmen 100 bp
Tiga genus data sekuens DNA dengan panjang fragmen 400 bp
Tiga genus data sekuens DNA dengan panjang fragmen 800 bp
Tiga genus data sekuens DNA dengan panjang fragmen 1 Kbp
Jumlah data latih dan data uji dari ketiga genus
Nilai MSE dari proses pelatihan pada data latih
Nilai sensitivity dan specificity untuk known organisms dari setiap genus
Nilai sensitivity dan specificity untuk new organisms dari setiap genus
Nilai rata-rata sensitivity dan specificity untuk known organisms dari
ketiga jenis genus
15 Nilai rata-rata sensitivity dan specificity untuk new organisms dari ketiga
jenis genus
5
6
8
9
11
12
12
12
13
13
14
16
17
19
19
DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
Metode penelitian
Ilustrasi dari proses sliding window
Arsitektur JST
Grafik nilai sensitivity untuk known organisms setiap genus berdasarkan
panjang fragmen
Grafik nilai specificity untuk known organisms setiap genus berdasarkan
panjang fragmen
Grafik nilai sensitivity untuk new organisms setiap genus berdasarkan
panjang fragmen
Grafik nilai specificity untuk new organisms setiap genus berdasarkan
panjang fragmen
Grafik nilai rata-rata sensitivity dari ketiga genus
Grafik nilai rata-rata specificity dari ketiga genus
3
7
10
16
17
18
18
19
20
DAFTAR LAMPIRAN
1 Daftar organisme untuk known organisms untuk setiap genus dengan
panjang fragmen 100 bp, 400 bp, 800 bp, dan 1 Kbp
2 Daftar organisme untuk new organisms untuk setiap genus dengan
panjang fragmen 100 bp, 400 bp, 800 bp, dan 1 Kbp
3 Algoritme pelatihan JST back propagation
4 Algoritme inisialisasi Nguyen-Widrow
22
24
25
27
5 Confusion matrix untuk know organisms dari setiap genus dengan
panjang fragmen 100 bp, 400 bp, 800 bp, dan 1 Kbp
6 Confusion matrix untuk new organisms dari setiap genus dengan panjang
fragmen 100 bp, 400 bp, 800 bp, dan 1 Kbp
28
32
PENDAHULUAN
Latar Belakang
Deoxyribo nucleic acid (DNA) adalah sejenis asam nukleat yang tergolong
dalam biologi molekuler utama penyusun setiap organisme. DNA mengandung
tiga komponen: deoxyribo (gula dengan 5 karbon), urutan dari fosfat, dan 4 basa
nitrogen yaitu adenine (A), thymine (T), guanine (G), dan cytosine (C). DNA
berfungsi untuk menyimpan informasi genetik pada suatu organisme. DNA pada
setiap spesies akan berbeda satu sama lainnya. Adanya perbedaan genetik di
antara individu atau organisme ini, melahirkan berbagai sistem identifikasi
berbasis DNA. Bioinformatika merupakan salah satu ilmu yang mempelajari
penerapan teknik komputasi untuk mengidentifikasi dan menganalisis informasi
biologis, terutama dengan menggunakan sekuens DNA dan asam amino serta
informasi yang berkaitan dengannya. Pelacak spesifik gen dapat dikembangkan
dengan memanfaatkan kemajuan bioinformatika pada teknik-teknik biologi
molekuler.
Metagenome melibatkan suatu teknik yang secara khusus ditunjukkan untuk
mengumpulkan gen-gen secara langsung dari suatu lingkungan, diikuti dengan
menganalisis informasi genetika yang terkandung di dalamnya (Riesenfeld et al.
2004). Data yang digunakan pada saat proses pembacaan metagenome dapat
berupa data DNA yang diperoleh dari lingkungan, sehingga terdapat kemungkinan
bahwa hasil pembacaan tersebut merupakan percampuran beberapa fragmen dari
organisme yang berbeda. Oleh sebab itu, fragmen yang saling bercampur ini bisa
mengakibatkan kesalahan pengklasifikasian. Untuk mengatasi permasalahan ini,
diperlukan suatu metode ekstraksi ciri dan metode klasifikasi untuk menentukan
jenis organisme atau tingkatan taksonomi dari suatu fragmen metagenome
(Wooley et al. 2010). Proses klasifikasi tersebut dapat dilakukan dengan
menggunakan ciri-ciri biokimia, misalnya jenis-jenis DNA, jenis-jenis protein,
dan jenis-jenis enzim, sehingga dapat menentukan hubungan kekerabatan antara
makhluk hidup satu dengan lainnya.
Salah satu metode ekstraksi ciri yang dapat digunakan untuk melakukan
klasifikasi sekuens DNA adalah metode k-mers. Penelitian menggunakan k-mers
telah dilakukan, di antaranya oleh McHardy et al. (2007), yang telah melakukan
penelitian klasifikasi terhadap 340 organisme menggunakan metode ekstraksi ciri
k-mers dan metode klasifikasi support vector machine (SVM). Hasil akurasi yang
didapat dari penelitian ini untuk panjang fragmen ≥ 5 Kbp, yaitu berkisar antara
60% sampai lebih dari 90% di setiap tingkat takson, sedangkan akurasi untuk
takson genus dan order terus menurun dengan signifikan pada panjang fragmen ≤
3 Kbp. Akurasi tersebut turun mulai dari 40% untuk panjang fragmen 3 Kbp
hingga < 10% untuk panjang fragmen 1 Kbp.
Penelitian menggunakan spaced k-mers telah dilakukan, di antaranya oleh
Kusuma (2012), yang telah melakukan penelitian klasifikasi terhadap beberapa
organisme menggunakan metode ekstraksi ciri spaced k-mers dan metode
klasifikasi SVM. Pada penelitian tersebut dikatakan bahwa pola spaced k-mers
yang menghasilkan akurasi tinggi adalah pola spaced k-mers dengan
menggunakan nilai variabel w = 3 dan d = 0, 1, dan 2.
2
Berdasarkan pemaparan latar belakang sebelumnya, pada penelitian ini
penulis akan mencoba melakukan identifikasi pola sekuens DNA (fragmen
metagenome) bakteri dari genus Bacillus, Burkholderia, dan Pseudomonas
menggunakan metode ekstraksi ciri spaced k-mers dengan jaringan syaraf tiruan
(JST) sebagai classifier.
Tujuan Penelitian
Penelitian ini bertujuan untuk membuat model klasifikasi berbasis JST yang
diimplementasikan untuk melakukan identifikasi sekuens DNA terhadap tiga jenis
genus bakteri, yaitu genus Bacillus, Burkholderia, dan Pseudomonas, dengan
menggunakan spaced k-mers sebagai metode ekstraksi ciri.
Ruang Lingkup Penelitian
1
2
3
4
Ruang lingkup penelitian ini meliputi:
Data sekuens DNA terdiri atas 3 genus, yaitu Bacillus, Burkholderia, dan
Pseudomonas dengan panjang fragmen 100 bp, 400 bp, 800 bp, dan 1 Kbp.
Data latih dan data uji sekuens DNA dari known organisms terdiri atas 50
organisme.
Data uji sekuens DNA dari new organisms terdiri atas 30 organisme.
Data sekuens DNA dari 3 genus tersebut memiliki format penyimpanan .fna.
Manfaat Penelitian
Manfaat penelitian ini ada dua, yaitu:
1 Dapat melakukan identifikasi sekuens DNA bakteri genus Bacillus,
Burkholderia, dan Pseudomonas dengan menggunakan metode ekstraksi ciri
spaced k-mers dan metode JST sebagai classifier.
2 Mengetahui tingkat akurasi pengklasifikasian sekuens DNA bakteri genus
Bacillus, Burkholderia, dan Pseudomonas dengan menggunakan metode
ekstraksi ciri spaced k-mers dan metode JST sebagai classifier.
METODE PENELITIAN
Penelitian ini dilakukan dengan beberapa tahapan proses, yaitu
pengumpulan data, praproses, k-fold cross validation, ekstraksi ciri spaced k-mers,
klasifikasi JST, pengujian, dan analisis hasil. Tahapan-tahapan tersebut dapat
ditunjukkan pada Gambar 1.
3
Mulai
Studi Literatur
Pengumpulan
Data Sekuens DNA
Praproses
Spaced K-Mers
JST
K-Fold Cross
Validation
Data Uji
Data Latih
Klasifikasi
JST
Pengujian
Analisis Hasil
Selesai
Gambar 1 Metode penelitian
Studi Literatur
Pada tahapan ini, dilakukan serangkaian studi pada literatur yang berkaitan
dengan penelitian. Studi ini mencakup teori tentang metagenome, bioinformatika,
sekuens DNA, spaced k-mers, JST, dan sebagainya.
Pengumpulan Data
Data yang digunakan dalam penelitian ini merupakan data sekuens DNA
diperoleh dari National Center for Biotechnology Information (NCBI) pada situs
ftp://ftp.ncbi.nih.gov/genomes/Bacteria/all.fna.tar.gz. NCBI merupakan suatu
institusi yang fokus sebagai sumber informasi perkembangan biologi molekuler.
Kegiatan yang dilakukan oleh NCBI di antaranya adalah membuat database yang
dapat diakses oleh publik, melakukan riset biologi terkomputasi, mengembangkan
software penganalisis data genome, dan menyebarkan informasi biomedical yang
kesemuanya diharapkan mengarah pada pemahaman yang lebih baik tentang
proses-proses molekuler yang mempengaruhi manusia dan kesehatannya.
4
Setelah didapatkan data sekuens DNA dari taksonomi NCBI, selanjutnya
data tersebut akan diproses pada software MetaSim (version 0.9.1). MetaSim
merupakan suatu perangkat lunak simulasi yang dapat digunakan untuk
menghasilkan data metagenome (Richter et al. 2009). MetaSim melakukan
pencarian data sesuai dengan parameter yang dimasukan oleh pengguna. Pada
penelitian ini, parameter yang ditentukan ada dua, yaitu number of reads dan
mean. Number of reads merupakan jumlah sekuens DNA yang diinginkan oleh
pengguna, sedangkan mean adalah panjang fragmen dari sekuens DNA.
Pada penelitian ini, yang dimaksud dengan known organisms adalah data uji
yang diperoleh dari dataset yang telah diketahui jenis organismenya yang
dihasilkan melalui tahapan k-fold cross validation, sedangkan new organisms
merupakan kumpulan jenis organisme berbeda dari known organisms yang
dibangkitkan melalui software MetaSim, tetapi termasuk ke dalam genus yang
sama dengan known organisms, yaitu: Bacillus, Burkholderia, dan Pseudomonas.
Nilai number of reads yang digunakan pada penelitian ini untuk data latih dan
data uji pada known organisms adalah 1800, 1735, 1790, dan 1790, sedangkan
nilai number of reads untuk data uji pada new organisms adalah 360, 347, 358,
dan 358. Nilai mean yang digunakan pada penelitian ini untuk known organisms
dan new organisms adalah 100 bp, 400 bp, 800 bp, dan 1 Kbp. Daftar organisme
untuk known organisms dan new organisms dapat dilihat pada Lampiran 1 dan
Lampiran 2. Keluaran dari pengolahan MetaSim ini adalah FastA. FastA
merupakan file yang berisi sekuens DNA yang sudah terfragmen sesuai dengan
nilai parameter yang dimasukan oleh pengguna.
Data metagenome hasil simulasi dari MetaSim yang akan digunakan pada
penelitian ini merupakan data sekuens DNA yang terdiri atas seri huruf yang
mewakili struktur primer dari molekul DNA, yaitu huruf A, C, G, dan T. Data
tersebut merupakan data sekuens DNA bakteri pada known organisms dan new
organisms yang terdiri atas 3 genus, yaitu Bacillus, Burkholderia, dan
Pseudomonas dengan panjang fragmen yaitu 100 bp, 400 bp, 800 bp, dan 1 Kbp.
Praproses
Pada tahapan praproses akan dilakukan proses parsing, yaitu proses
pemisahan antara informasi sources dan informasi sekuens DNA, sehingga hanya
informasi sekuens DNA yang akan menjadi ciri dari sebuah organisme.
Memisahkan sources:
>r30.1|SOURCES={GI=50196905,fw,33345803334680}|ERRORS={}|SOURC_
1="Bacillus anthracis str. 'Ames Ancestor'"
(2b301d2cec11c944b70447bada91610998f9ea15)
Sekuens DNA hasil parsing:
CAGCATTTCAATATTATTAAGACCTGGTTCACTATTAATTTTCACTCCA
TAAGCCATTCAAATTTCGCACGTTCCATATCATTCGTAACGTGCTGATA
T
5
Ekstraksi Ciri Spaced K-Mers
Ekstraksi ciri adalah proses pengambilan penciri yang terdapat pada suatu
citra atau suatu data. Ekstraksi ciri diklasifikasikan ke dalam tiga tingkat yaitu
low-level, middle-level, dan high-level. Low-level feature merupakan ekstraksi ciri
berdasarkan isi visual seperti warna dan tekstur, middle-level feature merupakan
ekstraksi ciri setiap objek dalam citra atau data dan mencari keterhubungan di
antara objek tersebut, sedangkan high-level feature merupakan ekstraksi ciri
berdasarkan informasi semantik yang terkandung dalam citra atau data (Osadebey
2006).
Spaced k-mers merupakan sistem pemrosesan string, yang dapat digunakan
untuk mengetahui intensitas atau banyaknya kemunculan substring tertentu, pada
sebuah string. Intensitas kemunculan substring tersebut, dapat dijadikan sebagai
penciri atau fitur dari suatu kelompok string. Hal tersebut merupakan landasan
utama penggunaan spaced k-mers sebagai metode ekstraksi ciri pada penelitian
ini, karena data yang akan digunakan dalam penelitian ini adalah data sekuens
DNA yang merupakan data string.
Pada penelitian ini pola spaced k-mers yang akan digunakan yaitu w = 3 dan
d = 0, 1, dan 2. Mengacu pada penelitian Kusuma (2012), dikatakan bahwa pola
yang akan menghasilkan akurasi tinggi dari klasifikasi adalah dengan nilai
variabel w dan d tersebut. Variabel w (weight of pattern) adalah banyaknya basa
nitrogen yang digunakan untuk membentuk sebuah pola, dan variabel d adalah
jumlah don’t care. Nilai w pada spaced k-mers menunjukkan jumlah karakter
yang diinginkan untuk membentuk sebuah substring (Kusuma 2012). Pola untuk
spaced k-mers dengan nilai w = 3 dan d = 0, 1, 2, adalah sebagai berikut:
ϖw=3
d=0,1,2
111 1*11 1**11
Jumlah kombinasi untuk metode spaced k-mers dengan nilai w = 3 dan d = 0,
1, dan 2 dapat dilihat pada Tabel 1. Metode ini akan memeriksa frekuensi
nukleotida dari fragmen DNA mulai dari AAA sampai GGG, A*AA sampai
G*GG, dan A**AA sampai G**GG. Sehingga akan didapat 192 kombinasi
nukleotida. Pengertian dari simbol * (don’t care) pada fragmen DNA yang
diperiksa adalah dapat berupa basa apapun, baik A, T, G, dan C, sedangkan untuk
simbol ** berarti diperbolehkan pasangan basa manapun mengisi 2 bit tersebut.
Sehingga kondisi ini dapat diisi oleh 24 pasang basa mulai dari AA, AC, AT, AG,
dan seterusnya hingga GG.
Tabel 1 Pola untuk spaced k-mers dengan nilai w = 3 dan d = 0, 1, 2
w
3
Total
Jumlah
kombinasi
d
Pola
0
AAA, AAT, AAG, AAC,…, GGG
64
1
A*AA, A*AT, A*AG, A*AC,…, G*GG
64
2
A**AA, A**AT, A**AG, A**AC,…, G**GG
64
192
6
Misal, diketahui suatu string S bernilai GGAATCCGA, dengan nilai w dan
d pada spaced k-mers adalah 3 dan 0.
S=GGAATCCGA
w=3,d0
Pada string S, dapat dilihat bahwa karakter yang membentuk string tersebut ada
empat, yaitu A, T, G, C dan nilai w dan d yang digunakan adalah w = 3 dan d = 0.
Berdasarkan kedua informasi tersebut, dapat diketahui bahwa kemungkinan
maksimal kombinasi substring yang dapat dibentuk adalah:
4×4 ×4=43 =64 substring
Kombinasi substring yang dibentuk pada metode spaced k-mers dengan w =
3 dan d = 0 dapat dilihat pada Tabel 2. Namun, 64 substring tersebut belum tentu
muncul pada string S. Cara mencari intensitas kemunculan substring tersebut pada
string S adalah dengan metode sliding window. Berdasarkan nilai k atau
banyaknya karakter pada substring, ukuran sliding window yang digunakan
adalah 3 karakter. Langkah kerja dari proses sliding window adalah, sliding
window akan terus bergeser dari awal hingga akhir string S dengan jarak
overlapping sejauh 2 karakter. Ilustrasi dari proses sliding window dapat dilihat
pada Gambar 2.
Tabel 2 Jumlah 64 substring yang dibentuk pada w = 3 dan d = 0
No.
Substring
No. Substring
No. Substring
No. Substring
1
AAA
17
CAA
33
GAA
49
TAA
2
AAC
18
CAC
34
GAC
50
TAC
3
AAG
19
CAG
35
GAG
51
TAG
4
AAT
20
CAT
36
GAT
52
TAT
5
ACA
21
CCA
37
GCA
53
TCA
6
ACC
22
CCC
38
GCC
54
TCC
7
ACG
23
CCG
39
GCG
55
TCG
8
ACT
24
CCT
40
GCT
56
TCT
9
AGA
25
CGA
41
GGA
57
TGA
10
AGC
26
CGC
42
GGC
58
TGC
11
AGG
27
CGG
43
GGG
59
TGG
12
AGT
28
CGT
44
GGT
60
TGT
13
ATA
29
CTA
45
GTA
61
TTA
14
ATC
30
CTC
46
GTC
62
TTC
15
ATG
31
CTG
47
GTG
63
TTG
16
ATT
32
CTT
48
GTT
64
TTT
7
Substring
Gambar 2 Ilustrasi dari proses sliding window
Dari Gambar 2, dapat diketahui substring apa saja yang dibentuk oleh string
S beserta intensitas kemunculannya.
K-Fold Cross Validation
K-fold cross validation merupakan teknik yang membagi data ke dalam k
bagian untuk kemudian masing-masing bagian data tersebut akan dilakukan
proses klasifikasi. Metode k-fold cross validation digunakan dengan tujuan agar
akurasi yang dihasilkan pada penelitian ini merupakan akurasi secara umum, yang
dapat merepresentasikan akurasi data secara keseluruhan. Langkah pertama dalam
metode k-fold cross validation adalah menentukan nilai k. Nilai k adalah nilai
yang menunjukkan jumlah pembagian data menjadi k-subset data. Pada penelitian
ini, nilai k yang digunakan adalah 5 sehingga, metode k-fold cross validation yang
digunakan pada penelitian menjadi 5-fold cross validation. Berdasarkan nilai k
tersebut, jumlah subset data yang dihasilkan adalah 5-subset data.
Setelah 5 subset data terbentuk, pilih sebuah subset data untuk dijadikan
sebagai data uji. Selanjutnya, keempat subset data lain yang tidak terpilih
dijadikan sebagai data latih. Proses pemilihan subset data uji dan subset data latih
tersebut dilakukan secara berulang kali sehingga kelima subset data yang
dihasilkan pernah menjadi subset data uji sebanyak tepat 1 kali.
Setiap kali diperoleh sebuah subset data uji, tahapan klasifikasi dapat
dilakukan hingga diperoleh sebuah nilai akurasi klasifikasi. Berdasarkan jumlah
subset data yang digunakan, pada akhir dari penelitian ini akan dihasilkan 5 nilai
akurasi klasifikasi. Kelima nilai akurasi tersebut akan dirata-rata dan hasil ratarata tersebut merupakan nilai akurasi klasifikasi akhir yang merepresentasikan
nilai akurasi klasifikasi data secara keseluruhan. Proses pada metode 5-fold cross
validation tersebut dapat dilihat pada Tabel 3.
8
Tabel 3 Proses pada metode 5-fold cross validation
Subset data uji
Subset data latih
Akurasi
Subset_1
Subset_2, Subset_3, Subset_4, dan Subset_5
Akurasi_1
Subset_2
Subset_1, Subset_3, Subset_4,dan Subset_5
Akurasi_2
Subset_3
Subset_1, Subset_2, Subset_4, dan Subset_5
Akurasi_3
Subset_4
Subset_1, Subset_2, Subset_3, dan Subset_5
Akurasi_4
Subset_5
Subset_1, Subset_2, Subset_3, dan Subset_4
Akurasi_5
Persamaan akurasi akhir klasifikasi adalah sebagai berikut:
Akurasi Akhir =
∑ni=1 Akurasii
;n =5
n
Klasifikasi Jaringan Syaraf Tiruan (JST)
JST adalah sistem pemrosesan informasi yang memiliki karakter yang mirip
dengan jaringan syaraf biologis, berupa generalisasi model matematika dari
jaringan biologi yang didasarkan pada beberapa asumsi (Yani 2005). Proses
pelatihan JST ditujukan agar model jaringan dapat mempelajari karakteristik dari
setiap genus sehingga diperoleh suatu jaringan terbaik yang diharapkan mampu
mendeteksi data sekuens DNA dengan akurat.
Sebelum melakukan pelatihan, dibutuhkan suatu matriks yang disebut
dengan matriks target. Matriks target tersebut dibuat berdasarkan matriks data
latih, yaitu matriks target digunakan untuk memberikan informasi kepada jaringan
bahwa suatu kolom pada matriks data latih termasuk ke dalam genus pertama,
genus kedua, atau genus ketiga. Dalam penelitian ini, genus pertama adalah
Bacillus, genus kedua adalah Burkholderia, genus ketiga adalah Pseudomonas.
Karena JST membutuhkan matriks target dalam mempelajari karakteritik dari
suatu genus, maka JST masuk ke dalam supervised learning.
Algoritme yang digunakan dalam tahap pelatihan JST adalah back
propagation. Tahapan pelatihan JST menggunakan algoritme back propagation
dapat dilihat pada Lampiran 3. Pada tahap pelatihan JST menggunakan back
propagation, ada beberapa parameter yang akan ditentukan nilainya. Parameter
tersebut dapat dilihat pada Tabel 4.
9
Tabel 4 Parameter pelatihan JST menggunakan back propagation
Parameter
Nilai
Inisialisasi bobot
Nguyen-Widrow
Input layer
192 neuron
Hidden layer
10 neuron
Output layer
3 neuron
Fungsi aktivasi pada lapisan tersembunyi
Sigmoid logaritmik
Fungsi aktivasi pada lapisan output
Sigmoid logaritmik
Fungsi pelatihan jaringan
Levenberg-Marquardt
Fungsi pelatihan bobot
Gradient descent momentum
Fungsi aktivasi yang digunakan pada penelitian ini adalah sigmoid
logaritmik yang memiliki selang nilai (0,1). Persamaan dari fungsi aktivasi
sigmoid logaritmik yaitu:
1
fx =
1+exp-x
Keterangan: fx = nilai output fungsi aktivasi
x = nilai input fungsi aktivasi
Pada penelitian ini, untuk pemilihan bobot dan bias awal pada tahapan
pelatihan JST menggunakan metode Nguyen-Widrow. Pemilihan bobot awal
sangat mempengaruhi JST dalam mencapai minimum global atau minimum lokal
terhadap nilai error dan cepat tidaknya proses pelatihan menuju kekonvergenan.
Algoritme inisialisasi Nguyen-Widrow dapat dilihat pada Lampiran 4.
Salah satu indikator yang digunakan untuk melihat baik atau tidaknya
sebuah jaringan yang dihasilkan adalah nilai mean square error (MSE). MSE
adalah rata-rata dari kesalahan pembelajaran jaringan (selisih antara ouput aktual
dengan output target) yang dikuadratkan. Persamaan dari MSE adalah sebagai
berikut:
2
∑nk =1tk -yk MSE =
n
Keterangan: tk = nilai output aktual ke-k
yk = nilai output target ke-k
n = banyaknya nilai output
Pada penelitian ini, yang dimaksud dengan output aktual adalah output yang
dihasilkan oleh jaringan dari proses pembelajaran, sedangkan yang dimaksud
dengan output target adalah output yang digunakan sebagai pemberi informasi
jaringan dalam proses pembelajaran. Hasil dari proses pembelajaran (pelatihan)
diharapkan bahwa nilai output aktual sangat mendekati nilai output target
10
sehingga memberikan nilai MSE yang paling kecil. Arsitektur JST pada penelitian
ini dapat dilihat pada Gambar 3.
Gambar 3 Arsitektur JST
Keterangan: Xi = Nilai masukan dari unit i
Vij = Bobot dari unit xi ke unit zj
wjk = Bobot dari unit zj ke unit yk
voj = Bobot dari bias ke unit zj
wok = Bobot dari bias ke unit yk
Pengujian
Proses pengujian atau identifikasi merupakan tahap dimana model JST yang
telah mengalami pelatihan akan berusaha mengenali pola-pola unik dari data
sekuens DNA yang menjadi masukan, dan akan mengklasifikaskan data sekuens
DNA tersebut ke dalam masing-masing genus.
Proses identifikasi pada jaringan syaraf tiruan dilakukan melalui proses
matematis yang sama dengan operasi arah maju (feed forward), yaitu mengalikan
neuron-neuron masukan terhadap bobot jaringan dan ditambah dengan bobot bias
untuk masing-masing unit neuron tersembunyi dan keluaran. Nilai bobot
diperoleh pada proses pelatihan sebelumnya. Jadi, pada proses identifikasi tidak
terjadi perubahan atau penyesuaian bobot.
Proses identifikasi inilah yang dijadikan dasar dalam menentukan data
sekuens DNA akan masuk ke dalam kategori yang sesuai dengan genusnya.
Analisis
Langkah pertama dalam tahap analisis adalah menghitung nilai sensitivity
dan specificity. Nilai sensitivity dan specificity tersebut dihitung berdasarkan tiaptiap genus, sehingga setiap genus memiliki nilai sensitivity dan specificity masingmasing. Untuk menghitung nilai sensitivity dan specificity, dibutuhkan suatu
matriks yang disebut dengan confusion matrix. Confusion matrix untuk genus 1
dapat dilihat pada Tabel 5. Persamaan dari nilai sensitivity untuk genus 1 adalah:
11
sensitivity1 =
tp1
tp1 +fn1
Adapun persamaan dari nilai specificity untuk genus 1 adalah:
tn1
specificity1 =
tn1 +fp1
Pada penelitian ini, yang dimaksud dengan nilai sensitivity1 adalah,
perbandingan antara jumlah sekuens DNA uji genus 1 yang terdeteksi sebagai
sekuens DNA genus 1 dengan jumlah seluruh sekuens DNA uji genus 1,
sedangkan yang dimaksud dengan nilai specificity1 adalah, perbandingan antara
jumlah sekuens DNA uji bukan genus 1 yang terdeteksi sebagai bukan sekuens
DNA genus 1 dengan jumlah seluruh sekuens DNA uji yang terdeteksi sebagai
bukan sekuens DNA genus 1.
Berdasarkan jumlah kelas yang digunakan, pada penelitian ini diperoleh tiga
nilai sensitivity dan tiga nilai specificity. Ketiga nilai sensitivity dan specificity
tersebut akan dirata-rata sehingga diperoleh nilai sensitivity dan specificity akhir
yang merepresentasikan nilai sensitivity dan specificity penelitian secara
keseluruhan. Nilai sensitivity dan specificity digunakan untuk mengetahui
seberapa besar kemampuan metode yang digunakan dalam penelitian ini, mampu
mengidentifikasi kelas dari sekuens DNA uji, dari seluruh sekuens DNA yang
diujikan.
Tabel 5 Confusion matrix genus 1
Sekuens DNA
uji genus 1
Bukan sekuens
DNA uji genus 1
Terdeteksi sebagai sekuens
DNA genus 1
tp1
fp1
Terdeteksi sebagai bukan
sekuens DNA genus 1
fn1
tn1
Keterangan:
tp1 : true positive 1 (jumlah sekuens DNA uji genus 1 yang berhasil
teridentifikasi sebagai sekuens DNA genus 1).
tn1 : true negative 1 (jumlah bukan sekuens DNA uji genus 1 yang berhasil
teridentifikasi sebagai bukan sekuens DNA genus 1).
fp1 : false positive 1 (jumlah bukan sekuens DNA uji genus 1 yang berhasil
teridentifikasi sebagai sekuens DNA genus 1).
fn1 : false negative 1 (jumlah sekuens DNA uji genus 1 yang teridentifikasi
sebagai bukan sekuens DNA genus 1).
12
HASIL DAN PEMBAHASAN
Praproses Data
Data yang digunakan pada penelitian ini untuk known organisms dan new
organisms terdiri atas tiga jenis genus, yaitu: Bacillus, Burkholderia, dan
Pseudomonas dengan 4 panjang fragmen yang dipakai yaitu 100 bp, 400 bp, 800
bp, dan 1 Kbp. Setiap sekuens DNA memiliki informasi sources DNA. Pada tahap
praproses data, informasi sources DNA akan dipisahkan dari sekuens DNA. Hal
ini dikarenakan informasi yang dibutuhkan untuk melakukan proses pelatihan JST
dan pengujian data uji hanya kode basa yang ada di setiap sekuens DNA. Hasil
dari tahap praproses data adalah sekuens DNA yang telah terpisahkan dari
sources-nya. Ketiga genus data sekuens DNA dengan panjang fragmen yaitu 100
bp, 400 bp, 800 bp, dan 1 Kbp dapat dilihat pada Tabel 6 – 9.
Tabel 6 Tiga genus data sekuens DNA dengan panjang fragmen 100 bp
Genus
Sekuens DNA untuk known
organisms
Sekuens DNA untuk new
organisms
Bacillus
600 sekuens
146 sekuens
Burkholderia
600 sekuens
102 sekuens
Pseudomonas
600 sekuens
112 sekuens
1800 sekuens
360 sekuens
Total
Tabel 7 Tiga genus data sekuens DNA dengan panjang fragmen 400 bp
Genus
Sekuens DNA untuk known
organisms
Sekuens DNA untuk new
organisms
Bacillus
545 sekuens
147 sekuens
Burkholderia
600 sekuens
91 sekuens
Pseudomonas
590 sekuens
109 sekuens
1735 sekuens
347 sekuens
Total
Tabel 8 Tiga genus data sekuens DNA dengan panjang fragmen 800 bp
Genus
Sekuens DNA untuk known
organisms
Sekuens DNA untuk new
organisms
Bacillus
575 sekuens
151 sekuens
Burkholderia
630 sekuens
95 sekuens
Pseudomonas
585 sekuens
112 sekuens
1790 sekuens
358 sekuens
Total
13
Tabel 9 Tiga genus data sekuens DNA dengan panjang fragmen 1 Kbp
Genus
Sekuens DNA untuk known
organisms
Sekuens DNA untuk new
organisms
Bacillus
540 sekuens
166 sekuens
Burkholderia
650 sekuens
96 sekuens
Pseudomonas
600 sekuens
96 sekuens
1790 sekuens
358 sekuens
Total
Ekstraksi Ciri Spaced K-Mers
Pada penelitian ini, nilai w dan d yang akan digunakan untuk metode
spaced k-mers, yaitu w = 3 dan d = 0, 1, dan 2. Berdasarkan banyaknya basa
penyusun sekuens DNA dan nilai w = 3 dan d = 0, 1, dan 2 pada metode spaced kmers, maksimal banyaknya kombinasi fitur dari sekuens DNA yang dapat
dibentuk adalah 192 fitur.
Pada penelitian ini, data yang digunakan terdiri atas tiga jenis genus bakteri
yaitu Bacillus, Burkholderia, dan Pseudomonas dengan panjang fragmen 100 bp, 400
bp, 800 bp, dan 1 Kbp. Hasil atau nilai spaced k-mers pada data sekuens DNA
digabung menjadi sebuah matriks berdimensi n × 192. Dimensi baris = n
menunjukan urutan dari data sekuens DNA, sedangkan dimensi kolom = 192
menunjukan urutan kombinasi fitur.
5-Fold Cross Validation
Pada penelitian ini, metode yang digunakan untuk membagi data latih dan
data uji adalah k-fold cross validation. Metode tersebut digunakan dengan tujuan
agar semua data sekuens DNA pernah menjadi data latih dan data uji, sehingga
nilai akurasi yang dihasilkan dapat merepresentasikan nilai akurasi data secara
keseluruhan. Pada penelitian ini nilai k yang digunakan adalah 5, sehingga
proporsi data pada known organisms untuk data latih adalah 80% dan proporsi
data untuk data uji adalah 20%. Jumlah sekuens DNA dari ketiga genus dengan
panjang fragmen 100 bp, 400 bp, 800 bp, dan 1 Kbp yang akan menjadi data latih
dan data uji dapat dilihat pada Tabel 10.
Tabel 10 Jumlah data latih dan data uji dari ketiga genus
Panjang fragmen
Jumlah data
Jumlah data latih
Jumlah data uji
100 bp
1800
1440
360
400 bp
1735
1388
347
800 bp
1790
1432
358
1 Kbp
1790
1432
358
14
Klasifikasi JST
Metode klasifikasi yang digunakan pada penelitian ini adalah JST. Terdapat
dua tahap dalam melakukan proses klasifikasi, yaitu tahap pelatihan data latih dan
pengujian data uji. Proses pelatihan ini ditujukan agar jaringan dapat mempelajari
karakteristik setiap genus, berdasarkan data latih yang telah dikelompokkan
dengan target yang telah dibuat, sehingga didapatkan suatu jaringan terbaik yang
diharapkan mampu mengidentifikasi jenis genus dari suatu data sekuens DNA.
Matriks target tersebut dibuat berdasarkan matriks data latih. Matriks target
digunakan untuk memberikan informasi kepada jaringan bahwa, suatu kolom pada
matriks data latih, termasuk ke dalam genus pertama (Bacillus), genus kedua
(Burkholderia), atau genus ketiga (Pseudomonas).
Pada penelitian ini, motode yang digunakan pada tahap pemilihan data latih
dan data uji adalah 5-fold cross validation, sehingga terdapat 5 kali proses
pelatihan data latih dan pengujian data uji, di setiap panjang fragmen sekuens
DNA yang berbeda. Setiap kali proses pelatihan data latih, dihasilkan nilai MSE
sebagai indikator baik atau buruknya model jaringan yang dihasilkan. Model
jaringan dikatakan baik jika memiliki nilai MSE yang kecil. Nilai MSE terkecil
yang diperoleh dari proses pelatihan data latih pada penelitian ini dapat dilihat
pada Tabel 11.
Tabel 11 Nilai MSE dari proses pelatihan pada data latih
Panjang fragmen
Data latih
Nilai MSE
100 bp
Subset 2, 3, 4, 5
0.2076
Subset 1, 3, 4, 5
0.2184
Subset 1, 2, 4, 5
0.2114
Subset 1, 2, 3, 5
0.2136
Subset 1, 2, 3, 4
0.2094
Subset 2, 3, 4, 5
0.1957
Subset 1, 3, 4, 5
0.1916
Subset 1, 2, 4, 5
0.1861
Subset 1, 2, 3, 5
Subset 1, 2, 3, 4
0.1921
0.1822
Subset 2, 3, 4, 5
0.1870
Subset 1, 3, 4, 5
0.1765
Subset 1, 2, 4, 5
0.1767
Subset 1, 2, 3, 5
Subset 1, 2, 3, 4
0.1770
0.1815
Subset 2, 3, 4, 5
0.1707
Subset 1, 3, 4, 5
0.1723
Subset 1, 2, 4, 5
0.1776
Subset 1, 2, 3, 5
0.1715
Subset 1, 2, 3, 4
0.1770
400 bp
800 bp
1 Kbp
15
Pengujian
Input dari proses pengujian adalah data uji sekuens DNA, berserta jaringan
terbaik yang diperoleh pada tahap pelatihan JST. Proses pengujian ini, akan
diberlakukan untuk seluruh data uji sekuens DNA pada known organisms dan data
uji sekuens DNA pada new organisms dari ketiga genus yang memiliki panjang
fragmen 100 bp, 400 bp, 800 bp, dan 1 Kbp
Pada proses pengujian, data uji akan melalui tahapan feed forward seperti
yang terjadi pada data latih. Namun hanya dilakukan satu kali iterasi. Pada saat
iterasi tersebut, input sekuens DNA uji akan dikalikan dengan bobot-bobot yang
ada pada jaringan. Bobot-bobot tersebut merupakan bobot yang dihasilkan pada
tahapan back propagation pada saat melakukan pelatihan data latih.
Hasil proses pengujian terdiri dari 3 neuron, karena fungsi aktivasi yang
digunakan pada penelitian ini adalah fungsi aktivasi sigmoid logaritmik, nilai
maksimum yang ada pada ketiga neuron tersebut adalah 1, sedangkan nilai
minimum pada ketiga neuron tersebut adalah 0. Pada penelitian ini neuron
pertama menunjukan genus Bacillus, neuron kedua menunjukan genus
Burkholderia, dan neuron ketiga menunjukan genus Pseudomonas. Nilai
maksimum yang ada diantara ketiga neuron tersebut menunjukan bahwa sekuens
DNA uji masuk ke dalam genus yang nilai neuronnya maksimum tersebut.
Analisis Hasil
Hasil dari proses pengujian selanjutnya akan dihitung dengan menggunakan
tabel confusion matrix. Tabel confusion matrix tersebut dibutuhkan untuk
melakukan proses perhitungan sensitivity dan specificity. Hasil dari tabel
confusion matrix untuk known organisms dan confusion matrix untuk new
organisms dapat dilihat pada Lampiran 5 dan Lampiran 6.
1 Pengujian menggunakan data known organisms
Pengujian menggunakan known organisms akan didapatkan nilai sensitivity
dan specificity. Nilai sensitivity dan specificity pada known organisms yang
dihasilkan untuk setiap genus dengan panjang fragmen 100 bp, 400 bp, 800 bp,
dan 1 Kbp dapat dilihat pada Tabel 12.
16
Tabel 12 Nilai sensitivity dan specificity untuk known organisms dari
setiap genus
Panjang fragmen
Genus
Sensitivity
Specificity
100 bp
Bacillus
Burkholderia
Pseudomonas
0.9300
0.8150
0.7467
0.9400
0.9067
0.8992
400 bp
Bacillus
Burkholderia
Pseudomonas
0.9376
0.9250
0.9119
0.9798
0.9596
0.9458
800 bp
Bacillus
Burkholderia
Pseudomonas
0.9826
0.9413
0.9453
0.9803
0.9845
0.9693
1 Kbp
Bacillus
Burkholderia
Pseudomonas
0.9815
0.9615
0.9717
0.9912
0.9886
0.9765
Agar perbandingan nilai sensitivity dan specificity pada Tabel 12 terlihat
lebih jelas, maka nilai tersebut akan disajikan ke dalam bentuk grafik. Grafik nilai
sensitivity dan specificity setiap genus dengan panjang fragmen 100 bp, 400 bp,
800 bp, dan 1 Kbp dapat dilihat pada Gambar 4 dan Gambar 5. Berdasarkan grafik
pada Gambar 4, dapat dilihat bahwa nilai sensitivity tertinggi baik pada panjang
fragmen 100 bp, 400 bp, 800 bp, maupun 1 Kbp, terletak pada genus Bacillus,
sedangkan berdasarkan grafik pada Gambar 5, dapat dilihat bahwa nilai specificity
tertinggi baik pada panjang fragmen 100 bp, 400 bp, 800 bp, maupun 1 Kbp,
terletak pada genus Bacillus.
1
0.9
0.8
Sensitivity
0.7
0.6
Bacillus
0.5
Burkholderia
0.4
Pseudomonas
0.3
0.2
0.1
0
100 bp
400 bp
800 bp
1 Kbp
Panjang fragmen
Gambar 4 Grafik nilai sensitivity untuk known organisms setiap genus
berdasarkan panjang fragmen
17
1
0.9
0.8
Specificity
0.7
0.6
Bacillus
0.5
Burkholderia
0.4
Pseudomonas
0.3
0.2
0.1
0
100 bp
400 bp
800 bp
1 Kbp
Panjang fragmen
Gambar 5 Grafik nilai specificity untuk known organisms setiap genus
berdasarkan panjang fragmen
2 Pengujian menggunakan data new organisms
Pengujian menggunakan new organisms akan didapatkan nilai sensitivity
dan specificity. Nilai sensitivity dan specificity pada new organisms yang
dihasilkan untuk setiap genus dengan panjang fragmen 100 bp, 400 bp, 800 bp,
dan 1 Kbp dapat dilihat pada Tabel 13.
Tabel 13 Nilai sensitivity dan specificity untuk new organisms dari setiap
genus
Panjang fragmen
Genus
Sensitivity
Specificity
100 bp
Bacillus
Burkholderia
Pseudomonas
0.9795
0.5392
0.7679
0.9346
0.9186
0.8347
400 bp
Bacillus
Burkholderia
Pseudomonas
0.9796
0.5495
0.9817
0.9900
1.0000
0.8151
800 bp
Bacillus
Burkholderia
Pseudomonas
1.0000
0.7474
0.9643
0.9855
0.9924
0.9065
1 Kbp
Bacillus
Burkholderia
Pseudomonas
0.9819
0.8021
0.9792
0.9948
0.9924
0.9198
Agar perbandingan nilai sensitivity dan specificity pada Tabel 13 terlihat
lebih jelas, maka nilai tersebut akan disajikan kedalam bentuk grafik. Grafik nilai
sensitivity dan specificity setiap genus dengan panjang fragmen 100 bp, 400 bp,
800 bp, dan 1 Kbp dapat dilihat pada Gambar 6 dan Gambar 7. Berdasarkan grafik
18
Sensitivity
pada Gambar 6, dapat dilihat bahwa nilai sensitivity tertinggi baik pada panjang
fragmen 100 bp, 400 bp, 800 bp, maupun 1 Kbp, terletak pada genus Bacillus,
sedangkan berdasarkan grafik pada Gambar 7, dapat dilihat bahwa nilai specificity
tertinggi baik pada panjang fragmen 100 bp dan 1 Kbp terletak pada genus
Bacillus, dan pada panjang fragmen 400 bp dan 800 bp terletak pada genus
Burkholderia.
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
Bacillus
Burkholderia
Pseudomonas
100 bp
400 bp
800 bp
1 Kbp
Panjang fragmen
Specificity
Gambar 6 Grafik nilai sensitivity untuk new organisms
setiap genus berdasarkan panjang fragmen
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
Bacillus
Burkholderia
Pseudomonas
100 bp
400 bp
800 bp
1 Kbp
Panjang fragmen
Gambar 7 Grafik nilai specificity untuk new organisms
setiap genus berdasarkan panjang fragmen
3 Nilai rata-rata sensitivity dan specificity
Untuk menentukan panjang fragmen terbaik secara
secara umum bagi ketiga genus,
dibutuhkan nilai rata-rata dari sensitivity dan specificity. Nilai rata-rata sensitivity
dan specificity dari ketiga jenis genus untuk known organisms dan new organisms
berdasarkan panjang fragmen yang digunakan dapat dilihat pada Tabel 14 dan
Tabel 15.
19
Tabel 14 Nilai rata-rata sensitivity dan specificity
untuk known organisms dari ketiga jenis
genus
Panjang fragmen
Sensitivity
Specificity
100 bp
0.8306
0.9153
400 bp
0.9248
0.9617
800 bp
0.9564
0.9780
1 Kbp
0.9716
0.9854
Tabel 15 Nilai rata-rata sensitivity dan specificity
untuk new organisms dari ketiga jenis
genus
Panjang fragmen
Sensitivity
Specificity
100 bp
0.7622
0.8959
400 bp
0.8369
0.9351
800 bp
0.9039
0.9615
1 Kbp
0.9211
0.9690
Agar perbandingan nilai rata-rata sensitivity dan specificity untuk known
organisms dan new organisms dari ketiga jenis genus terlihat lebih jelas, maka
nilai tersebut akan disajikan kedalam bentuk grafik. Grafik nilai rata-rata
sensitivity dan specificity berdasarkan panjang fragmen yang digunakan dapat
dilihat pada Gambar 8 dan Gambar 9.
1
0.9
0.8
Sensitivity
0.7
0.6
Known organisms
0.5
New organisms
0.4
0.3
0.2
0.1
0
100 bp
400 bp
800 bp
1 Kbp
Panjang fragmen
Gambar 8 Grafik nilai rata-rata sensitivity dari ketiga genus
20
1
0.9
0.8
Specificity
0.7
0.6
Known organisms
0.5
New organisms
0.4
0.3
0.2
0.1
0
100 bp
400 bp
800 bp
1 Kbp
Panjang fragmen
Gambar 9 Grafik nilai rata-rata specificity dari ketiga genus
Berdasarkan grafik pada Gambar 8 dan Gambar 9 dapat dilihat bahwa
panjang fragmen terbaik untuk mengidentifikasi sekuens DNA pada genus
Bacillus, Burkholderia, dan Pseudomonas adalah panjang fragmen 1 Kbp, dengan
nilai sensitivity untuk known organisms dan new organisms adalah 0.9716 dan
0.9211, sedangkan nilai specificity untuk known organisms dan new organisms
adalah 0.9854 dan 0.9690.
0.9690. Hal ini terjadi karena, panjang fragmen 1 Kbp
menghasilkan fitur ekstraksi dengan informasi terlengkap yang mampu
merepresentasikan karakteristik yang berbeda bagi ketiga genus yang ada
(Bacillus, Burkholderia, dan Pseudomonas).
Dapat kita lihat juga bahwa grafik tersebut cenderung menaik seiring
bertambahnya panjang fragmen dari sekuens DNA. Hal ini menandakan bahwa
semakin banyak jumlah panjang fragmen, maka dapat memberikan informasi
genetik yang lebih banyak pada suatu organisme. Sehingga pada tahap pelatihan
JST, tidak sulit untuk mencari perbedaan atau mempelajari karakteristik dari
setiap genus.
SIMPULAN DAN SARAN
Simpulan
1
Simpulan yang dapat ditarik dari penelitian ini adalah sebagai berikut.
Nilai sensitivity dan specificity terbaik yang mampu dicapai oleh metode
ekstraksi ciri spaced k-mers untuk known organisms diperoleh pada panjang
fragmen 1 Kbp, yaitu dengan nilai sensitivity 0.9716 dan nilai specificity
0.9854.
21
2
Nilai sensitivity dan specificity terbaik yang mampu dicapai oleh metode
ekstraksi ciri spaced k-mers untuk new organisms diperoleh pada panjang
fragmen 1 Kbp, yaitu dengan nilai sensitivity 0.9211 dan nilai specificity
0.9690.
Saran
Ada beberapa hal yang dapat dilakukan untuk melanjutkan topik penelitian
ini, yaitu:
1 Menambah jumlah data dengan jenis genus bakteri yang lebih beragam.
2 Melakukan klasifikasi hingga batasan tingkat taksonomi yang lebih spesifik,
seperti klasifikasi dari tingkat genus hingga tingkat spesies.
3 Melakukan klasifikasi multi organisme, yaitu klasifikasi di antara beberapa
jenis organisme yang berbeda, seperti klasifikasi antara sekuens DNA bakteri
dengan sekuens DNA virus.
DAFTAR PUSTAKA
Kusuma, WA. 2012. Combined approaches for improving the performance of de
novo DNA sequence assembly and metagenomic classification of short
fragments from next generation sequencer [disertasi]. Tokyo (JP): Tokyo
Institute of Technology.
McHardy AC, Martin HG, Tsirigos A, Hugenholtz P, Rigoutsos I. 2007. Accurate
phylogonetic classification of variabel-length DNA fragments. Nature
Methods. 4(1):63-72. doi:10.1038/nmeth976.
Osadebey ME. 2006. Integrated content-based image retrieval using texture, shape
and spatial information [tesis]. Umeå (SE): Umeå University.
Richter DC, Ott F, Auch AF, Schmid R, Huson DH. 2009. User manual for
MetaSim V0.9.5 [Internet]. [diunduh 2012 Nov 27]. Tersedia pada:
http://www-ab.informatik.uni.tuebigen.de/software/metasim.
Riesenfeld CS, Schloss PD, Handelsman J. 2004. Metagenomics: genomic
analysis of microbial communities. Annual Review Genetics. 38:525-553.
Wooley JC, Godzik A, Friendberg I. 2010. A primer on metagenomics. PLos
Computational Biology. 6(2):1-13. doi:10.1371/journal.pcbi.1000667.
Yani E. 2005. Pengantar jaringan syaraf tiruan [Internet]. [diunduh 2013 Feb 11].
Tersedia pada:
http://trirezqiariantoro.files.wordpress.com/2007/05/jaringan_syaraf_tiruan.pdf.
22
Lampiran 1 Daftar organisme untuk known organisms untuk setiap genus dengan
panjang fragmen 100 bp, 400 bp, 800 bp, dan 1 Kbp
Nama organisme pada genus Bacillus
Bacillus amyloliquefaciens FZB42'
Bacillus anthracis str. Ames Ancestor'
Bacillus anthracis str. Ames chromosome'
Bacillus anthracis str. Sterne chromosome'
Bacillus cereus ATCC 10987 chromosome'
Bacillus cereus ATCC 14579'
Bacillus cereus E33L'
Bacillus cereus subsp. cytotoxis NVH 391-98'
Bacillus clausii KSM-K16'
Bacillus halodurans C-125 chromosome'
Bacillus licheniformis ATCC 14580'
Bacillus subtilis subsp. subtilis str. 168 chromosome'
Bacillus thuringiensis serovar konkukian str. 97-27 chromosome'
Bacillus thuringiensis str. Al Hakam chromosome'
Bacillus weihenstephanensis KBAB4'
Nama organisme pada genus Burkholderia
Burkholderia ambifaria AMMD chromosome chromosome 1'
Burkholderia ambifaria MC40-6 chromosome chromosome 1'
Burkholderia cenocepacia AU 1054 chromosome 3'
Burkholderia cenocepacia HI2424 chromosome chromosome 1'
Burkholderia cenocepacia J2315 chromosome chromosome 1'
Burkholderia cenocepacia MC0-3 chromosome chromosome 1'
Burkholderia mallei ATCC 23344 chromosome chromosome 1'
Burkholderia mallei NCTC 10229 chromosome I'
Burkholderia mallei NCTC 10247 chromosome I'
Burkholderia mallei SAVP1 chromosome I'
Burkholderia multivorans ATCC 17616 chromosome
chromosome 1'
Burkholderia phymatum STM815 chromosome chromosome 1'
Burkholderia phytofirmans PsJN chromosome chromosome 1'
Burkholderia pseudomallei 1106a chromosome I'
Burkholderia pseudomallei 1710b chromosome chromosome I'
Burkholderia pseudomallei 668 chromosome I'
Burkholderia pseudomallei K96243 chromosome chromosome 1'
Burkholderia sp. 383 chromosome 1'
Burkholderia sp. 383 chromosome chromosome 2'
Burkholderia thailandensis E264 chromosome chromosome I'
Burkholderia vietnamiensis G4 chromosome chromosome 1'
Burkholderia xenovorans LB400 chromosome 1'
23
Lampiran 1 Lanjutan
Nama organisme pada genus Pseudomonas
Pseudomonas aeruginosa PA7'
Pseudomonas aeruginosa PAO1 chromosome'
Pseudomonas aeruginosa UCBPP-PA14'
Pseudomonas fluorescens Pf-5 chromosome'
Pseudomonas fluorescens Pf0-1 chromosome'
Pseudomonas putida F1 chromosome'
Pseudomonas putida GB-1 chromosome'
Pseudomonas putida KT2440 chromosome'
Pseudomonas putida W619 chromosome'
Pseudomonas syringae pv. phaseolicola 1448A chromosome'
Pseudomonas syringae pv. syringae B728a'
Pseudomonas syringae pv. tomato str. DC3000 chromosome'
Pseudomonas syringae pv. tomato str. DC3000 plasmid pDC3000A'
24
Lampiran 2 Daftar organisme untuk new organisms untuk setiap genus dengan
panjang fragmen 100 bp, 400 bp, 800 bp, dan 1 Kbp
Nama organisme pada genus Bacillus
Bacillus amyloliquefaciens DSM 7'
Bacillus anthracis str. A0248'
Bacillus anthracis str. CDC 684'
Bacillus atrophaeus 1942 chromosome'
Bacillus cellulosilyticus DSM 2522 chromosome'
Bacillus cereus 03BB102'
Bacillus cereus AH187 chromosome'
Bacillus cereus AH820'
Bacillus cereus B4264'
Bacillus cereus G9842'
Bacillus cereus Q1 chromosome'
Nama organisme pada genus Burkholderia
Burkholderia cepacia AMMD chromosome 2'
Burkholderia glumae BGR1 chromosome chromosome 1'
Burkholderia rhizoxinica HKI 454 chromosome'
Burkholderia rhizoxinica HKI 454 plasmid pBRH01'
Burkholderia rhizoxinica HKI 454 plasmid pBRH02'
Burkholderia sp. CCGE1001 chromosome 1'
Burkholderia sp. CCGE1001 chromosome chromosome 2'
Burkholderia sp. CCGE1002 chromosome 1'
Burkholderia sp. CCGE1002 chromosome 2'
Burkholderia sp. CCGE1003 chromosome chromosome 1'
Burkholderia sp. CCGE1003 chromosome chromosome 2'
Burkholderia sp. JV3 chromosome'
Nama organisme pada genus Pseudomonas
Pseudomonas fulva 12-X chromosome'
Pseudomonas mendocina NK-01 chromosome'
Pseudomonas mendocina ymp chromosome'
Pseudomonas putida S16 chromosome'
Pseudomonas stutzeri A1501'
25
Lampiran 3 Algoritme pelatihan JST back propagation
Secara rinci algoritme pelatihan jaringan back propagation dapat diuraikan
sebagai berikut:
• Langkah 0: Inisialisasi nilai bobot (biasanya digunakan nilai acak yang kecil)
• Langkah 1: Selama kondisi berhenti belum dicapai, maka lakukan langkah
ke-2 hingga langkah ke-9.
• Langkah 2: Untuk setiap pasangan pola pelatihan, lakukan langkah ke-3
sampai langkah ke-8.
Tahap I Feed-forward
• Langkah 3: Setiap unit input (xi, i=1,…,n), menerima sinyal input xi dan
mengirimkan sinyal tersebut keseluruh unit yang ada pada lapisan
tersembunyi.
• Langkah 4: Untuk setiap unit tersembunyi (zj, j=1,…,p), dihitung nilai input
dengan menggunakan nilai bobotnya:
n
z_inj =v0j + xi vij
i=1
Kemudian dihitung nilai output dengan menggunakan fungsi aktivasi yang dipilih:
zj = f ( z_inj ).
• Hasil dari fungsi aktivasi tersebut dikirim ke semua unit pada lapis output.
p
y_ink = w0k + zj wjk
j=1
Kemudian dihitung nilai output dengan menggunakan fungsi aktivasi:
yk = fy_ink Tahap II Back-propagation
• Langkah 6: Untuk setiap unit output (yk, k=1,..,m) menerima pola target yang
bersesuaian dengan pola input, dan kemudian dihitung informasi kesalahan:
δk =tk -yk ' (y_ink )
Kemudian dihitung koreksi nilai bobot yang kemudian akan digunakan untuk
memperbaharui nilai bobot wjk:
∆wjk = αδk zj
Hitung koreksi nilai bias yang kemudian akan digunakan untuk memperbaharui
nilai wok:
∆w0k = αδk
dan kemudian nilai dikirim ke unit pada lapisan tersembunyi.
26
Lampiran 3 Lanjutan
• Langkah 7: Untuk setiap unit tersembunyi (zj, j=1,…,p) dihitung delta input
yang berasal dari unit pada lapisan output:
m
δ_inj = δk wjk
k=1
Kemudian nilai tersebut dikalikan dengan nilai turunan dari fungsi aktivasi untuk
menghitung informasi kesalahan:
δj = δ_inj f (z_inj )
Hitung koreksi nilai bobot yang kemudian digunakan untuk memperbaharui nilai
vij:
∆vij = αδj xi
Tahap III Memperbaharui nilai bobot dan bias
• Langkah 8: Tiap nilai bias dan bobot (j=0,…,p) pada unit output (yk,
k=1,…,m) diperbaharui:
wjk new=wjk old+∆wjk
vij new=vij old+∆vij
• Langkah 9: Menguji apakah kondisi berhenti sudah terpenuhi.
Kondisi berhenti ini terpenuhi jika nilai kesalahan yang dihasilkan lebih
kecil dari toleransi nilai kesalahan yang telah ditentukan, atau pelatihan telah
mencapai epoch yang telah ditetapkan.
27
Lampiran 4 Algoritme inisialisasi Nguyen-Widrow
• Tetapkan:
n = jumlah neuron pada input layer
p = jumlah neuron pada hidden layer
β = faktor kesalahan (0.7(p)1/n)
• Kerjakan untuk setiap unit pada lapaisan tersembunyi (j = 1,2,…,p):
a. Inisialisasi bobot-bobot dari lapisan input ke lapisan tersembunyi: vij =
bilangan acak (-0.5 – 0.5)
b. Hitung Vj =V2 1j +V2 2j +…+V2 nj
c. Inisialisasi ulang bobot-bobot: Vij =
βVij
||Vij ||
d. Bias yang dipakai V0j = bilangan acak (-β sampai β)
28
Lampiran 5 Confusion matrix untuk know organisms dari setiap genus dengan
panjang fragmen 100 bp, 400 bp, 800 bp, dan 1 Kbp
• Panjang fragmen 100 bp
Subset 1
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
114
5
12
Burkholderia
2
93
16
Pseudomonas
4
22
92
Subset 2
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
110
4
10
Burkholderia
2
105
22
Pseudomonas
8
11
88
Subset 3
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
108
4
7
Burkholderia
4
100
25
8
16
88
Pseudomonas
Subset 4
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
114
6
10
Burkholderia
2
101
24
Pseudomonas
4
13
86
Subset 5
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
112
2
12
Burkholderia
1
90
14
Pseudomonas
7
28
94
29
Lampiran 5 Lanjutan
• Panjang fragmen 400 bp
Subset 1
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
100
1
4
Burkholderia
3
111
18
6
8
96
Pseudomonas
Subset 2
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
102
1
5
Burkholderia
3
109
3
Pseudomonas
4
10
110
Subset 3
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
107
0
4
Burkholderia
1
111
3
Pseudomonas
1
9
111
Subset 4
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
102
1
4
Burkholderia
5
114
6
Pseudomonas
2
5
108
Subset 5
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
100
2
2
Burkholderia
0
110
3
Pseudomonas
9
8
113
30
Lampiran 5 Lanjutan
• Panjang fragmen 800 bp
Subset 1
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
113
1
3
Burkholderia
1
122
5
Pseudomonas
1
3
109
Subset 2
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
113
1
2
Burkholderia
0
116
1
Pseudomonas
2
9
114
Subset 3
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
113
0
5
Burkholderia
1
119
3
Pseudomonas
1
7
109
Subset 4
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
112
2
1
Burkholderia
1
120
4
Pseudomonas
2
4
112
Subset 5
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
114
3
6
Burkholderia
0
116
2
Pseudomonas
1
7
109
31
Lampiran 5 Lanjutan
• Panjang fragmen 1 Kbp
Subset 1
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
107
1
1
Burkholderia
0
127
1
Pseudomonas
1
2
118
Subset 2
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
105
0
2
Burkholderia
2
129
2
Pseudomonas
1
1
116
Subset 3
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
106
2
0
Burkholderia
0
124
6
Pseudomonas
2
4
114
Subset 4
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
105
1
3
Burkholderia
0
124
1
Pseudomonas
3
5
116
Subset 5
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
107
1
0
Burkholderia
0
121
1
Pseudomonas
1
8
119
32
Lampiran 6 Confusion matrix untuk new organisms dari setiap genus dengan
panjang fragmen 100 bp, 400 bp, 800 bp, dan 1 Kbp
• Panjang fragmen 100 bp
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
143
8
6
Burkholderia
1
55
20
Pseudomonas
2
39
86
• Panjang fragmen 400 bp
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
144
0
2
Burkholderia
0
50
0
Pseudomonas
3
41
107
• Panjang fragmen 800 bp
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
151
1
2
Burkholderia
0
71
2
Pseudomonas
0
23
108
• Panjang fragmen 1 Kbp
Genus hasil prediksi
Genus asal
Bacillus Burkholderia Pseudomonas
Bacillus
163
1
0
Burkholderia
0
77
2
Pseudomonas
3
18
94
33
RIWAYAT HIDUP
Penulis lahir di Banda Aceh pada tanggal 11 Januari 1991 sebagai anak
kedua dari dua bersaudara, putri dari pasangan Bapak Teuku Irwan dan Ibu Nani
Erwani. Pada tahun 2008, penulis lulus dari SMA Negeri 07 Banda Aceh dan
melanjutkan pendidikan ke Institut Pertanian Bogor (IPB) melalui jalur Ujian
Saringan Masuk IPB (USMI) pada Departemen Ilmu Komputer, Fakultas
Matematika dan Ilmu Pengetahuan Alam. Semasa kuliah, penulis aktif dalam
organisasi Himpunan Mahasiswa Ilmu Komputer (HIMALKOM) IPB. Moto
hidup yang dipegang oleh penulis ialah ‘Semakin kita pandai bersyukur, semakin
tinggi kebahagian yang kita dapatkan’.