Klasifikasi Metagenom dengan Metode Naïve Bayes Classifier

  • Dian Kartika Utami Institut Pertanian Bogor
  • Wisnu Ananta Kusuma Institut Pertanian Bogor
  • Agus Buono Institut Pertanian Bogor

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.

Kata Kunci: metagenom, k-mer, Naïve Bayes Classifier, binning, klasifikasi

Downloads

Download data is not yet available.

Author Biographies

Dian Kartika Utami, Institut Pertanian Bogor
Departemen Ilmu Komputer
Wisnu Ananta Kusuma, Institut Pertanian Bogor
Departemen Ilmu Komputer
Agus Buono, Institut Pertanian Bogor
Departemen Ilmu Komputer
Published
2017-01-04
How to Cite
Utami, D. K., Kusuma, W. A., & Buono, A. (2017). Klasifikasi Metagenom dengan Metode Naïve Bayes Classifier. Jurnal Ilmu Komputer Dan Agri-Informatika, 3(1), 9-17. https://doi.org/10.29244/jika.3.1.9-17
Section
Articles