Terminasi
………………………………………………………12 Proses menemukan kemungkinan nilai peluang paling besar dari suatu observasi yang
berakhir pada saat t = T
Backtracking
sehingga ,
…….13 Membaca decoding path sekuens terbaik dari vektor
2.6 Hidden Semi Markov Model
Hidden Semi Markov Model HSMM adalah bentuk perluasan dari Hidden Markov Model HMM yang mempertimbangkan durasi suatu observas
terhadap state yang dimiliki. Pada HSMM, panjang durasi D pada suatu state secara eksplisit dinyatakan sehingga dinamakan juga dengan HMM dengan durasi
variabel Yu 2009. State durasi atau D merupakan varibel acak yang memiliki nilai integer D = {1, 2, 3… D}. Peluang panjang durasi Pd adalah peluang
panjang durasi suatu state dengan panjang tertentu. Bentuk umum dari Hidden Semi Markov Model seperti yang dilihat pada Gambar 6 Yu 2009
Gambar 6. Bentuk umum HSMM Yu 2009 Pada HSMM terlihat bahwa suatu state dapat membangitkan lebih dari
satu observasi atau bahkan sejumlah sekuens observasi. Sepanjang observasi T, setiap state pada HSMM akan memiliki panjang durasi state dengan nilai tertentu.
Pada prediksi struktu protein sekunder observasi ini merupakan sekuens dari asam amino yang membentuk protein sedangkan state adalah struktur protein yang akan
diidentifikasi atau diprediksi. Berikut ini adalah tahap algoritme pada HSMM Yu dan Kobayashi 2006
Proses Forward
……………….…………...……..16
Proses Backward
Penentuan State Optimal
Estimasi Parameter
III METODE PENELITIAN
3.1 Kerangka Pemikiran
Protein merupakan aktor utama pada makhluk hidup yang memiliki berbagai fungsi yang sangat penting. Protein terbentuk dari asam amino
pembentuknya dengan karakteristik yang berbeda. Struktur protein dapat dilihat secara hierarki sebagai struktur primer, sekunder dan tersier Polanski dan
Kimmel 2007. Prediksi struktur sekunder protein memiliki peranan yang penting sebelum protein tersebut mengalami pelipatan. Di antara model yang digunakan
untuk melakukan prediksi struktur protein ini adalah Hidden Markov Model HMM.
Umumnya proses pelatihan untuk membuat model pada HMMs dapat dilakukan dengan Algoritme Baum-Welch. Proses pelatihan ini tidak
mempertimbangkan durasi state atau panjang segmen dari setiap struktur baik alpha-helix H, betha-sheet B atau coil C. Aydin et al. 2006 melakukan
penelitian untuk memprediksi struktur sekunder protein dengan mempertimbangkan panjang durasi state atau panjang segmen tiap struktur protein
tersebut yang dikenal dengan Hidden Semi Markov Model HSMM. Namun demikian, pada penelitian tersebut panjang segmen ditetapkan dengan nilai
