AbstrakPrototipe deteksi warna berbasis Arduino dan sensor warna TCS3200 telah berhasil dikembangkan. Prototipe ini dibangun dengan menerapkan logika fuzzy untuk meningkatkan akurasi pembacaan warna berdasarkan tingkat keanggotaan (μ (x)). Metode yang digunakan adalah mengubah ruang warna RGB (merah, hijau, biru) menjadi ruang warna HSV (Hue, Saturation, Value). Dari ruang warna HSV, nilai Hue diambil sebagai variabel independen dalam membuat kurva segmentasi warna dan μ (x). Bentuk keluaran dari prototipe adalah suara dengan informasi warna yang terdeteksi. Untuk mendapatkan jarak optimal dari deteksi warna, sensor ditempatkan pada jarak 1 cm, 2, cm dan 3 cm dari objek. Dari hasil pengujian, akurasi yang diperoleh pada jarak 1 cm adalah 100%, jarak 2 adalah 94.7% dan 89.4% pada jarak 3 cm. Oleh karena itu dapat disimpulkan bahwa jarak ideal untuk mengukur prototipe adalah 1 cm. AbstractArduino-based color detection prototype and TCS3200 color sensor have been successfully developed. This prototype was built by applying fuzzy logic to improve the accuracy of color readings based on the degree of membership (μ (x)). The method used is to transform the RGB color space (red, green, blue) to the HSV color space (Hue, Saturation, Value). From the HSV color space the Hue value is taken as the independent variable in making the color segmentation curve and μ (x). The output form of the prototype is a sound with detected color information. To get the optimal distance of color detection, the sensor is placed at a distance of 1 cm, 2, cm and 3 cm from the object. From the test results, obtained accuracy at a distance of 1 cm is 100%, distance 2 is 94.7% and 89.4% at a distance of 3 cm. Therefore it can be concluded that the ideal distance for measuring prototype is 1 cm.

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.<br /><br />Kata Kunci: metagenom, k-mer, Naïve Bayes Classifier, binning, klasifikasi

Metagenome studies are an important step in taxonomic grouping. Taxonomic grouping can be done using the binning method. Binning is a process to determine the contigs of each group of phylogenetic species. In this study, Binning was carried out using the Supervise Learning approach. We use the Naïve Bayes Classifier method and Certainty Factor. The classification process is carried out on phylum taxon levels. many of the organisms used were 50 organisms and the length of the fragments used was 500 bp and many readings were 1000 readings. The accuracy results obtained by the Naive Bayes method are 62.5%. While the accuracy obtained in the Certainty Factor method is 54.45%. From the results of the two methods of testing, it can be concluded that Naive Bayes is the best method of classification compared to Certainty Factor.