Klasifikasi Metagenom dengan Metode Naïve Bayes Classifier
Abstract: Studi metagenom
merupakan langkah penting pada pengelompokan taksonomi. Pengelompokan pada
metagenom dapat dilakukan dengan menggunakan metode binning. Binning diperlukan
untuk mengelompokkan contigs yang dimiliki oleh masing-masing kelompok spesies
filogenetik. Pada penelitian ini, binning dilakukan dengan menggunakan
pendekatan komposisi berdasarkan supervised learning (pembelajaran dengan
contoh). Metode supervised learning yang digunakan yaitu Naïve Bayes
Classifier. Adapun metode yang digunakan untuk ekstraksi ciri adalah dengan
melakukan perhitungan frekuensi k-mer. Klasifikasi pada metagenom dilakukan
berdasarkan tingkat takson genus. Dari proses klasifikasi yang dilakukan,
akurasi yang diperoleh dengan menggunakan fragmen pendek (400 bp) adalah 49.34
% untuk ekstraksi ciri 3-mer dan 53.95 % untuk ekstrasi ciri 4-mer. Sementara
itu, untuk fragmen panjang (10 kbp), akurasi mengalami peningkatan yaitu 82.23
% untuk ekstraksi ciri 3-mer dan 85.89 % untuk esktraski ciri 4-mer. Dari hasil
tersebut dapat disimpulkan bahwa akurasi semakin tinggi seiring dengan semakin
panjangnya ukuran fragmen. Selain itu, penelitian ini juga menyimpulkan bahwa
metode ekstrasi ciri yang memberikan hasil paling maksimal adalah dengan
menggunakan ekstraksi ciri 4-mer.
Penulis: Dian Kartika Utami,
Wisnu Ananta Kusuma, Agus Buono
Kode Jurnal: jptinformatikadd140187
