Gambar 18. Perbandingan akurasi prediksi struktur sekunder protein total pada skenario 7 model HSMM dan HMM standar
4.2.8 Pengujian skenario 8 dengan panjang durasi state menggunakan
distribusi fungsi kepekatan peluang normal dengan rataan geometrik
Pada skenario 8, nilai peluang dari panjang durasi state menggunakan distribusi peluang normal, akan tetapi rataan panjang segmen yang digunakan
dihitung dengan rataan geometrik. Hal ini disebabkan karena panjang segmen yang diperoleh dari data latih memang tidak menyebar secara merata. Hasil
prediksi pada pengujian dari model HSMM pada skenario 8 dapat dilihat pada grafik Gambar 19.
Gambar 19. Perbandingan akurasi prediksi struktur sekunder protein total pada skenario 8 model HSMM dan HMM standar
Hasil prediksi dengan model HSMM dengan distribusi teoritis dengan fungsi kepekatan peluang normal adalah 61,7. Hasil ini relatif kecil diantara
skenario yang digunakan dalam proses prediksi struktur sekunder protein .
4.3 Perbandingan akurasi Hidden Semi Markov Model HSMM
Secara umum, dari seluruh skenario pengujian yang dilakukan, terlihat bahwa model yang dihasilkan dengan menggunakan Hidden Semi Markov Model
dapat menambah tingkat akurasi bila dibandingkan dengan Hidden Markov Model Standar. Namun demikian, rataan tingkat akurasi yang dihasilkan dari
tujuh skenario pengujian tersebut masih relatif rendah. Perbandingan akurasi tertinggi setiap skenario pengujian dapat dilihat pada Tabel 4 berikut:
Tabel 4. Perbandingan akurasi tertinggi setiap skenario pengujian
Skenario 1 2 3 4 5 6 7 8
Akurasi tertinggi 64,4 64,1 63,8 63,8 63,4 63,3 64 61,7
Pada Tabel 3 terlihat bahwa akurasi yang paling tinggi berada pada skenario 1. Pada skenario tersebut panjang durasi state yang digunakan adalah
distribusi empiris dengan presentase 100 distribusi panjang segmen alpha, betha dan coil. Hal ini beralasan karena dengan mengambil 100 panjang durasi ini
informasi dari setiap segmen terwakili.
Gambar 20. Perbandingan akurasi setiap skenario model HSMM
