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

Penerapan Algoritma K-Nearest Neighbors untuk Klasifikasi Fragmen Metagenom Berdasarkan Ekstraksi Fitur K-Mers

“…Sehingga, dibutuhkan proses pemilahan atau pengelompokan yang disebut dengan proses binning. Proses binning dapat dilakukan dengan dua pendekatan, yaitu pendekatan homologi dan pendekatan komposisi (Utami, Kusuma, & Buono, 2017). Pendekatan homologi, dilakukan dengan pencarian penjajaran sekuens dan membandingkan fragmen metagenom dengan basis data sekuens yang berasal dari National Centre for Biotechnology Information (NCBI).…”

“…Penelitian sebelumnya untuk mengklasifikasi metagenom pernah dilakukan menggunakan metode Naïve Bayes Classifier dengan hasil akurasi yang diperoleh dengan menggunakan fragmen pendek (400 bp) sebesar 49,34% untuk ekstraksi ciri 3-mer, dan 53,95% untuk ekstrasi ciri 4-mer. Untuk fragmen panjang (10 kbp), akurasi mengalami peningkatan sebesar 82,23% untuk ekstraksi ciri 3-mer dan 85,89% untuk esktraksi ciri 4-mer (Utami et al, 2017) analisis sentimen pada review objek wisata dunia fantasi dengan hasil akurasi yang terbesar dengan nilai k=7 dengan akurasi 77,01% (Sari, 2020). Penelitian ini akan menerapkan algoritma KNN untuk mengklasifikasi fragmen metagenom dan K-Mers sebagai ekstraksi fitur.…”

“…Ekstraksi fitur K-Mers dihasilkan dengan melakukan kombinasi dari 4 basa nukleotida, yaitu Adenin (A), Cytosine (C), Guanine (G) dan Thymine (T). Jumlah kombinasi fitur yang terbentuk adalah 4 k dengan nilai k ≥ 1 (Utami et al, 2017).…”

Classification of Drought Impact by Drought Vulnerability Indicators in Probolinggo Regrency Using Naive Bayes

“…Classification is the process of identifying objects into a category, class or group based on procedures, definitions, and characteristics that have been predetermined. Classification aims to place assigned objects only in one category called class [19].…”