Pengelompokan Sekuens DNA menggunakan Metode K-Means dan Fitur N-mers Frequency

PENGELOMPOKAN SEKUENS DNA MENGGUNAKAN
METODE K-MEANS DAN FITUR N-MERS FREQUENCY

BERNITA SINURAT

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Pengelompokan
Sekuens DNA menggunakan Metode K-Means dan Fitur N-mers Frequency
adalah benar karya saya dengan arahan dari komisi pembimbing dan belum
diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber
informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam
Daftar Pustaka di bagian akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.
Bogor, April 2014
Bernita Sinurat
NIM G64104032

ABSTRAK
BERNITA SINURAT. Pengelompokan Sekuens DNA menggunakan Metode
K-Means dan Fitur N-mers Frequency. Dibimbing oleh WISNU ANANTA
KUSUMA.
Deoxyribo Nucleic Acid (DNA) merupakan asam nukleat yang berisi
instruksi genetik yang tersimpan dalam tubuh makhluk hidup. Setiap spesies
memiliki DNA yang unik. Namun demikian, terdapat bagian yang memiliki
kemiripan. Informasi mengenai ukuran kemiripan ini salah satunya sangat
bermanfaat untuk membentuk phylogenetic tree yang dihasilkan dari proses
pengelompokan sekuens-sekuens DNA. Tujuan dilakukannya penelitian ini adalah
mengimplementasikan metode pengelompokan K-Means pada data sekuens DNA
untuk mengenali suatu spesies dan membedakan spesies yang satu dengan yang
lainnya berdasarkan kesamaan cirinya. Data yang digunakan dalam penelitian ini
adalah tujuh puluh data spesies. Data dikelompokkan menggunakan metode
K-Means yang kemudian dievaluasi menggunakan Indeks Davies Bouldin. Hasil

pengelompokan pada penelitian ini menunjukkan bahwa nilai clustering terbaik
dicapai oleh pengelompokan dengan 3 cluster.
Kata kunci: Indeks Davies Bouldin, K-Means, n-mers, Sekuen DNA

ABSTRACT
BERNITA SINURAT. Grouping of DNA sequences using the method of K-Means
and Frequency Features N-mers. Supervised by WISNU ANANTA KUSUMA.
Deoxyribo Nucleic Acid (DNA) is a nucleic acid that contains genetic
instructions stored in the bodies of living organisms. Each species has a unique
DNA. However, there are still similarity section among DNA from different
species. The similarity information is useful to generate phylogenetic tree which
can be developed from the clustering of DNA sequences. The purpose of this study
is to implement K-Means clustering on DNA sequence to identify and distinguish
species from another based on its common characteristics. Data used in this study
consist of 70 species. Data are grouped using the K-Means clustering, and
evaluated using the Davies Bouldin Index. The result shows that the best
clustering is obtained with 3 clusters.
Keywords: Davies Bouldin Index, K-Means, n-mers, Sequence DNA

PENGELOMPOKAN SEKUENS DNA MENGGUNAKAN

METODE K-MEANS DAN FITUR N-MERS FREQUENCY

BERNITA SINURAT

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014

Penguji :
1
2

Toto Haryanto, SKom Msi
Muhammad Ashyar Agmalaro, SSi MKom

Judul Skripsi : Pengelompokan Sekuens DNA menggunakan Metode K-Means dan
Fitur N-mers Frequency
Nama
: Bernita Sinurat
NIM
: G64104032

Disetujui oleh

Dr Wisnu Ananta Kusuma, ST MT
Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom
Ketua Departemen Ilmu Komputer

Tanggal Lulus:

PRAKATA

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala
berkat-Nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Tema yang
dipilih dalam penelitian ini ialah pengelompokan sekuens DNA menggunakan
metode K-Means dan fitur n-mers frequency.
Penulis mengucapkan terimakasih kepada seluruh pihak yang telah berperan
dalam penelitian ini, yaitu:
1 Kedua orang tua serta seluruh keluarga atas doa, semangat, kasih sayang
dan dorongan kepada penulis agar dapat segera menyelesaikan penelitian
ini.
2 Bapak Dr Wisnu Ananta Kusuma, ST MT selaku dosen pembimbing yang
telah memberikan arahan, masukan, dan dukungan kepada penulis.
3 Bapak Toto Haryanto, SKom MSi dan Bapak Muhammad Ashyar
Agmalaro, SSi MKom selaku dosen penguji yang telah banyak memberi
saran.
4 Ibu Istriyati selaku atasan yang telah memberikan izin, mendukung dan
memotivasi dalam menyelesaikan pendidikan di alih jenis Ilmu Komputer

IPB.
5 Rekan satu bimbingan:Agung Widyo Utomo, Fariz Ashar Himawan, Alharis
Tamsin, Fitria Ellyana, dan Galih yang saling berbagi ide dan saling
memotivasi selama pengerjaan skripsi.
6 Para sahabat:Cory Diana, Mira Della, Yosi Nurhayati, Jefri Hernandes,
Yusuf Setiadi, R. Ahmad Somadi, Puspita Kartikasari, serta seluruh
rekan-rekan Ilkom Alih Jenis angkatan 5, atas kerjasamanya selama
penelitian.
7 Rekan-rekan Pusat Penyuluhan Hukum BPHN Kementerian Hukum dan
HAM khususnya Bidang Pengembangan Penyuluhan Hukum atas perhatian
dan motivasinya.
8 Pihak-pihak lain yang tidak dapat penulis sebutkan satu persatu.
Semoga karya ilmiah ini bermanfaat.

Bogor,

April 2014

Bernita Sinurat

DAFTAR ISI
DAFTAR TABEL

vii

DAFTAR GAMBAR

vii

DAFTAR LAMPIRAN

vii

PENDAHULUAN

1

Tujuan Penelitian

1

Manfaat Penelitian

1

Ruang Lingkup Penelitian

1

METODE

2

Penyiapan Data

3

Ekstraksi Ciri

3

Normalisasi

4

Algoritme K-Means

4

Indeks Davies Bouldin (IDB)

5

Lingkungan Implementasi Sistem

5

HASIL DAN PEMBAHASAN

6

Tahap Pengumpulan Data

6

Tahap Praproses Data

6

Tahap Pengelompokan

6

SIMPULAN DAN SARAN

8

Simpulan

8

Saran

8

DAFTAR PUSTAKA

9

LAMPIRAN

15

RIWAYAT HIDUP

21

DAFTAR TABEL
1
2
3
4

Nilai IDB terbaik dari masing-masing cluster
Hasil clustering dengan 3 cluster
Hasil clustering dengan 5 cluster
Hasil clustering dengan 7 cluster

7
7
8
8

DAFTAR GAMBAR
1
2
3

Metode Penelitian
Contoh Data GenBank NCBI dalam format FASTA
Contoh perhitungan dengan n-mers frequency

2
3
3

DAFTAR LAMPIRAN
1 Data yang digunakan dalam penelitian
2 Visualisasi hasil clustering K-Means
3 Hasil Ekstraksi ciri menggunakan n-mers frequency untuk 70 data
sekuen DNA
4 Hasil Normalisasi Ekstraksi ciri

10
12
13
16

1

PENDAHULUAN
Latar Belakang
Deoxyribo Nucleic Acid (DNA) merupakan asam nukleat yang berisi
instruksi genetik yang tersimpan dalam tubuh makhluk hidup. DNA merupakan
rantai ganda dari molekul sederhana (nukleotida) yang diikat bersama-sama dalam
struktur helix yang dikenal dengan double helix. Ada 4 basa utama yang terdapat
pada setiap satu nukleotida DNA, yaitu adenine (A), cytosine (C), thymine (T),
atau guanine (G). Variasi urutan dari keempat basa tersebut membentuk suatu
kode genetik pada sel. Variasi urutan basa DNA pada spesies mahluk hidup
memiliki kemiripan yang menyebabkan beberapa spesies saling terkait satu sama
lain. Oleh karena itu, untuk mengenali suatu spesies dan membedakan spesies
yang satu dengan yang lainnya diperlukan pengelompokan berdasarkan kesamaan
ciri fiturnya.
Clustering merupakan salah satu metode Data Mining yang bersifat tanpa
arahan (unsupervised). Ada dua jenis data clustering yang sering digunakan dalam
proses pengelompokan data, yaitu hierarchical (hirarki) data clustering dan nonhierarchical (non hirarki) data clustering. K-Means merupakan salah satu metode
data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam
bentuk satu atau lebih cluster/kelompok. Metode ini mempartisi data ke dalam
cluster sehingga data yang memiliki karakteristik yang sama dikelompokkan ke
dalam satu cluster yang sama dan data yang mempunyai karakteristik yang
berbeda dikelompokkan ke dalam kelompok yang lain (Agusta 2007).
Dalam statistik dan mesin pembelajaran, K-Means merupakan metode
analisis kelompok yang mengarah pada proses partisi N objek pengamatan ke
dalam K kelompok (cluster), setiap objek pengamatan dimiliki oleh sebuah
kelompok dengan mean (rata-rata) terdekat. Metode ini mencoba menemukan
pusat dari kelompok dalam data sebanyak iterasi (Prasetyo 2012). Tujuan dari
proses clustering DNA ialah menemukan pola pengelompokan DNA yang
meminimalisasikan variasi di dalam suatu cluster dan memaksimalisasikan variasi
antar-cluster.
Tujuan Penelitian
Tujuan dilakukannya penelitian ini adalah mengimplementasikan metode
K-Means pada data sekuens DNA untuk mengelompokkan DNA ke dalam cluster.
Manfaat Penelitian
Penelitian ini diharapkan dapat menghasilkan pengelompokan DNA secara
tepat dan konsisten untuk mengenali suatu struktur metagenom DNA.
Ruang Lingkup Penelitian
1

Ruang lingkup penelitian ini meliputi:
Data yang digunakan berasal dari data GenBank NCBI berformat FASTA.

2

2
3
4

DNA sekuen yang digunakan adalah DNA bakteri sebanyak 70 spesies dengan
64 ciri.
Data yang digunakan adalah data mikroba.
Pengelompokan DNA sekuens dikelompokkan menggunakan metode K-Means
dengan ukuran cluster 3,5,7 dan ekstraksi ciri menggunakan n-mers frequency
dengan nilai n sama dengan 3.

METODE
Penelitian ini dilaksanakan dalam beberapa tahapan yang diilustrasikan pada
Gambar 1. Tahapan yang dilakukan, ialah penyiapan data, ektraksi ciri dengan
n-mers frequency, perhitungan pengelompokan DNA menggunakan metode
K-Means, serta analisis hasil pengelompokan.

Gambar 1 Metode Penelitian

3

Penyiapan Data
Data yang digunakan pada penelitian ini berupa 70 data spesies dalam
bentuk sekuens DNA (urutan nukleotida pada suatu DNA). Sekuens yang
digunakan berasal dari data Genbank NCBI dalam format FASTA. Data tersebut
terdiri atas A, C, T, dan G. Contoh format FASTA dapat dilihat pada Gambar 2.

Gambar 2 Contoh Data GenBank NCBI dalam format FASTA
Ekstraksi Ciri
Pada tahap ini dilakukan proses ekstraksi ciri. Metode ekstraksi ciri yang
digunakan untuk mendapatkan ciri DNA adalah n-mers frequency. Ekstraksi ciri
n-mers frequency dihitung menggunakan kombinasi 3 nukleotida dengan nilai
n sama dengan 3 sehingga diperoleh pola ciri {AAA, AAC, AAT, AAG, ACA,
ACC, ACT, ACG, ATA, ATC, ATT, ATG, AGA, AGC, AGT, AGG, CAA,
CAC, CAT, CAG, CCA, CCC, CCT, CCG, CTA, CTC, CTT, CTG, CGA, CGC,
CGT, CGG, TAA, TAC, TAT, TAG, TCA, TCC, TCT, TCG, TTA, TTC, TTT,
TTG, TGA, TGC, TGT, TGG, GAA, GAC, GAT, GAG, GCA, GCC, GCT, GCG,
GTA, GTC, GTT, GTG, GGA, GGC, GGT, GGG}. Dimensi yang digunakan
sebesar 43 yaitu 64 bp (base pair). Frekuensi kemunculan tiap fragmen DNA
dihitung dengan pola ciri tersebut. Proses ekstraksi ciri ini dilakukan untuk
memudahkan perhitungan jarak antar titik. Fitur n-mers frequency dengan nilai n
sama dengan 3 pada sekuens AAAAATGAGGGCCCCCCTGGACGTG,
sehingga diperoleh fitur seperti pada Gambar 3.

Gambar 3 Contoh perhitungan dengan n-mers frequency

4

Normalisasi
Nilai rentang dari data hasil ekstraksi ciri sangat bervariasi, sehingga nilai
yang diperoleh harus diskalakan kedalam batas nilai tertentu agar tidak terdapat
dimensi data yang terlalu besar ataupun terlalu kecil yang akan sangat
mempengaruhi hasil pengelompokan. Setiap nilai dalam data dikurangkan dengan
nilai paling kecil dan dibagi dengan nilai paling besar kurang nilai paling kecil,
sehingga skala rentang nilai yang didapatkan berada pada [0,0] hingga [1,0].
Min-max melakukan transformasi linear pada data, menggunakan nilai
minimum dan nilai maksimum. Normalisasi min-max mempertahankan hubungan
antara nilai data asli (Han dan Kamber 2001). Proses normalisasi dilakukan
dengan mengurangkan nilai data asli dengan nilai minimal, kemudian dibagi
dengan nilai maksimal kurang nilai minimal. Dapat dihitung dengan rumus:

Algoritme K-Means
K-Means merupakan salah satu metode pengelompokan data non-hirarki
yang berusaha mempartisi data yang ada ke dalam bentuk dua atau lebih
kelompok. Metode ini mempartisi data ke dalam kelompok sehingga data yang
berkarakteristik sama dimasukkan ke dalam satu kelompok yang sama dan data
yang berkarakteristik berbeda dikelompokkan ke dalam kelompok yang lain. Ada
pun tujuan pengelompokan data ini adalah untuk meminimalkan variasi di dalam
suatu kelompok dan memaksimalkan variasi antar kelompok (Prasetyo 2012).
Langkah awal proses algoritme K-Means ialah menentukan pusat dari tiap
cluster yang hampir sejenis yang kemudian disebut centroid. Centroid biasanya
ditentukan secara acak (random). Kemudian, jarak tiap cluster dihitung terhadap
centroid yang ada. Setiap cluster yang memiliki jarak terdekat dari tiap obyek
terhadap centroid dikelompokkan. Nilai centroid dihitung kembali secara
berulang-ulang sampai posisi centroid tidak berpindah lagi.
Agusta (2007) menyatakan ada beberapa tahapan dalam melakukan cluster
menggunakan K-Means, yaitu:
1 Menentukan jumlah cluster.
2 Mengalokasikan data ke dalam cluster secara random.
3 Menghitung centroid/rata-rata dari data yang ada di masing-masing cluster.
Pusat cluster adalah rata-rata (mean) dari semua data atau objek dalam cluster
tertentu,
4 Mengalokasikan masing-masing data ke centroid/rata-rata terdekat. Ada
beberapa rumus jarak dua titik x dan y, dalam tulisan ini memakai jarak
euclidean distance (d), adapun rumusnya adalah sebagai berikut:
5

Ulangi langkah 3, jika masih terdapat data yang berpindah cluster atau apabila
terdapat perubahan nilai centroid.

5

Ketika algoritma partisional seperti K-Means yang digunakan tidak
menghasilkan perbedaan yang signifikan, indeks validasi cluster akan digunakan
untuk evaluasi kualitas cluster (Sivogolovko 2012).
Indeks Davies Bouldin (IDB)
Hasil clustering yang diperoleh menggunakan algoritme K-Means divalidasi
menggunakan Indeks Davies Bouldin (IDB). Pengukuran ini memaksimalkan
jarak inter-cluster antara Cluster Ci dan Cj dan pada waktu yang sama mencoba
untuk meminimalkan jarak antar titik dalam sebuah cluster. Jarak intra-cluster
sc (Qk) dalam Cluster Qk ialah:
-

dengan Nk adalah banyak titik yang termasuk dalam Cluster Qk dan Ck adalah
centroid dari Cluster Qk. Jarak Inter-cluster didefinisikan:

dengan Ck dan Cl adalah centroid Cluster k dan Cluster l. Di lain pihak, Indeks
Davies Bouldin dihitung dengan menggunakan rumus:

dengan nc adalah banyak cluster. Skema clustering yang optimal menurut Indeks
Davies Bouldin ialah yang memiliki Indeks Davies Bouldin minimal (Salazar et al.
2002). Informasi penting yang diperoleh dari hasil cluster diharapkan bermanfaat
sehingga dapat diperoleh penanganan terhadap clustering yang berhubungan
dengan DNA.
Lingkungan Implementasi Sistem
Lingkungan implementasi sistem adalah sebagai berikut :
Perangkat keras berupa notebook:
Processor Intel Core i5-2450M CPU @2.50Hz 2.50 GHz
RAM kapasitas 4 GB,
harddisk kapasitas 600 GB,
monitor dengan resolusi 1600 x900 piksel.
Perangkat lunak:
Sistem operasi Microsoft Windows 7 Home Premium.
Perangkat Matlab R2010b
Perangkat lunak Dev-C++
Microsoft Excel 2007

6

HASIL DAN PEMBAHASAN
Data sekuens DNA yang telah dinormalisasi akan dikelompokkan
menggunakan metode K-Means. Jumlah cluster yang digunakan dalam
pengelompokan data menggunakan K-Means adalah 3, 5, dan 7.
Metode K-Means melakukan pengelompokan dengan meletakkan titik data
ke dalam cluster yang titik pusatnya berjarak terdekat. Salah satu karakteristik
dari metode K-Means adalah sangat sensitif dalam penentuan titik pusat awal
cluster karena K-Means membangkitkan titik pusat cluster awal secara random.
Pada saat pembangkitan awal titik pusat tersebut mendekati solusi akhir pusat
cluster, maka akan menemukan hasil pengelompokan yang tepat. Sebaliknya, jika
awal titik pusat tersebut jauh dari solusi akhir pusat cluster, besar kemungkinan
menyebabkan hasil pengelompokan yang tidak tepat.
Tahap Pengumpulan Data
Data sekuen DNA berupa data berformat FASTA yang diunduh dari
GenBank NCBI sebanyak 70 spesies DNA mikroba dapat dilihat pada Lampiran 1.
Setiap DNA memiliki panjang sekuen yang berbeda-beda. Tujuh puluh data
spesies tersebut memiliki paling banyak 6,731,723 karakter dan paling
sedikit 1,595. Data tersebut terdiri dari rangkaian huruf yang merepresentasikan
nukleotida adenine (A), cytosine (C), thymine (T), dan guanine (G). Urutan dalam
format FASTA dimulai dengan deskripsi sekuen DNA tersebut, dan diikuti oleh
barisan data sekuen. Diawali oleh simbol ”>” dan deskripsi dari sekuen DNA,
sisanya merupakan barisan nukleotida yang panjangnya tidak melebihi 80 karakter
per baris dan tanpa mengandung spasi.
Tahap Praproses Data
Ekstraksi Ciri dengan n-mers frequency
Tahap ini merupakan proses ekstraksi ciri dari sebuah sekuen DNA yang
terdiri atas urutan huruf ditransformasi menjadi matriks. Ekstraksi ciri dengan
n-mers frequency menggunakan nilai n sama dengan 3, sehingga dimensi yang
digunakan sebesar 43 yaitu 64 bp (base pair). Setiap sekuen DNA dari 70 data
spesies diubah menjadi matriks 70x64. Ekstraksi ciri dilakukan karena dari sebuah
sekuen DNA tersebut harus didapatkan nilai-nilai yang bisa dijadikan sebagai
identitasnya, sehingga bisa diproses pada tahap selanjutnya.
Tahap Pengelompokan
Penerapan Metode K-Means
Data sekuen DNA yang digunakan dalam pengelompokan ini adalah data
yang dinormalisasi. Masukan untuk pengelompokan menggunakan metode
K-Means adalah data dari praproses dengan 64 ciri DNA.
Selanjutnya, centroid ditentukan dan jarak setiap data terhadap setiap
centroid dihitung sehingga setiap data membentuk cluster. Setelah cluster
diperoleh, dilakukan penghitungan ulang centroid dengan mencari nilai tengah
dari setiap komponen satu cluster. Setelah didapatkan centroid baru, jarak objek

7

dengan centroid kembali dihitung. Iterasi pada algoritme K-Means akan berhenti
apabila centroid cluster tidak berubah atau anggota cluster tetap sama.
Inisialisasi centroid sangat dibutuhkan pada metode K-Means karena pada
K-Means nilai centroid dipilih secara acak sehingga mempengaruhi hasil cluster.
Begitu juga dengan ukuran cluster, metode K-Means tidak dapat menentukan
ukuran cluster yang baik sehingga diperlukan nilai IDB.
Nilai Indeks Davies Bouldin (IDB)
Hasil dari pengelompokan spesies menggunakan K-Means dianalisis
menggunakan Nilai IDB. Penelitian ini menggunakan 3 cluster yang berbeda-beda.
Percobaan pertama dengan menggunakan 3 cluster, percobaan kedua
menggunakan 5 cluster, dan percobaan ketiga menggunakan 7 cluster. Pada
pengelompokan dengan ukuran cluster 3, nilai IDB minimum sama dengan 2,122.
Hal ini menunjukkan bahwa percobaan dengan 3 cluster tersebut memiliki
perbandingan antara jarak antar-cluster dan intra-cluster-nya sebesar 2,122. Pada
jumlah cluster 5 nilai IDB minimum sama dengan 2,912, dan pada jumlah cluster
7 nilai IDB sama dengan 7,073 (Tabel 1). Berdasarkan Tabel 1 dapat dilihat
bahwa Indeks Davies Bouldin paling minimum adalah 2,122 dengan percobaan
hasil pengelompokan sebanyak 3 cluster.
Tabel 1 Nilai IDB terbaik dari masing-masing cluster
Indeks Davies Bouldin (IDB)
Banyaknya Cluster
2,122
3
5

2,912

7

7,073

Pengelompokan Menggunakan Metode K-Means
Hasil clustering dari masing-masing cluster dijabarkan sebagai berikut.
1 Clustering dengan 3 cluster
Hasil clustering dengan 3 cluster dapat dilihat pada Tabel 2.
Tabel 2 Hasil clustering dengan 3 cluster
1
9 spesies

Cluster
2
9 spesies

3
52 spesies

Kolom 1 pada Tabel 2 artinya berada di satu kelas yang sama pada cluster 1
ada 9 spesies DNA, kolom 2 pada cluster ke-2 ada 9 spesies DNA dan kolom
3 pada cluster ke-3 ada 52 spesies DNA. Dari Tabel 2 dapat dilihat bahwa
hasil clustering pada cluster 3 mempunyai jarak lebih dekat dengan cluster 3
dibandingkan dengan cluster 1 dan cluster 2.
2 Clustering dengan 5 cluster
Hasil clustering dengan 5 cluster dapat dilihat pada Tabel 3.

8

Tabel 3 Hasil clustering dengan 5 cluster
1
7 spesies

2
7 spesies

Cluster
3
46 spesies

4
9 spesies

5
1 spesies

Sama seperti yang dibahas sebelumnya, dari Tabel 3 dapat dilihat bahwa hasil
clustering pada cluster 5 mempunyai jarak lebih dekat dengan cluster 3
dibandingkan dengan cluster 1, cluster 2, cluster 4, dan cluster 5.
3 Clustering dengan 7 cluster
Hasil clustering dengan 7 cluster dapat dilihat pada Tabel 4.
Tabel 4 Hasil clustering dengan 7 cluster
1
2 spesies

2
45 spesies

3
2 spesies

Cluster
4
4 spesies

5
7 spesies

6
5 spesies

7
5 spesies

Seperti yang dibahas sebelumnya, kolom-kolom pada Tabel 4 artinya berada di
satu kelas yang sama pada setiap kolom. Hasil clustering pada cluster 7
mempunyai jarak lebih dekat dengan cluster 2 dibandingkan dengan cluster
lainnya.

SIMPULAN DAN SARAN
Simpulan
Pada penelitian ini, clustering sekuen DNA dilakukan dengan metode
K-Means berdasarkan fitur cirinya. Percobaan dilakukan dengan 3 kali percobaan
yaitu 3 cluster, 5 cluster dan 7 cluster. Dari ketiga percobaan tersebut, yang
memiliki indeks minimum adalah 3 cluster.

Saran
Untuk pengembangan dari penelitian ini disarankan untuk melakukan halhal berikut:
1 Menambah jumlah sekuen DNA yang digunakan.
2 Menggunakan perhitungan ekstraksi ciri lain seperti feature vectors dan
spaced n-mers sehingga dapat dilakukan perbandingan.
3 Menggunakan algoritme pengelompokan lain seperti single link dan complete
link sehingga dapat dilakukan perbandingan.

9

DAFTAR PUSTAKA
Agusta Y. 2007. K-Means – penerapan, permasalahan dan metode terkait. Jurnal
Sistem dan Informatika 3. (2): 47-60.
Han J, Kamber M. 2001. Data Mining: Concepts and Techniques. San
Fransisco(US): Morgan Kaufmann Publishers.
Prasetyo E. 2012. Data Mining Konsep dan Aplikasi menggunakan Matlab.
Jakarta: C.V. Andi Offset.
Salazar GEJ, Veles AC, Parra MCM, Ortega LO. 2002. A cluster validity index
for comparing non-hierarchical clustering methods. [terhubung berkala].
http://citeseer.ist.psu.edu/rd/salazar02cluster.pdf [16 April 2014].
Sivogolovko E. 2012. Validating cluster structures in Data Mining tasks. Russia:
Saint-Petersbureg State University.

10

Lampiran 1 Data yang digunakan dalam penelitian
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

Spesies
Agrobacterium fabrum str. C58 chromosome circular, complete
sequence
Agrobacterium radiobacter K84 chromosome 2
Agrobacterium rhizogenes gene for 16S ribosomal RNA, complete
sequence
Agrobacterium rhizogenes strain IFO 13257 16S ribosomal RNA,
complete sequence
Agrobacterium rubi gene for 16S ribosomal RNA, complete sequence
Agrobacterium tumefaciens gene for 16S ribosomal RNA, complete
sequence
Agrobacterium tumefaciens plasmid Ti, complete sequence
Agrobacterium tumefaciens str. C58 chromosome linear, complete
sequence
Agrobacterium tumefaciens Ti plasmid pTiBo542, complete sequence
Agrobacterium vitis S4 chromosome 1
Borrelia afzelii ACA-1 plasmid lp17, complete sequence
Borrelia bissettii DN127 plasmid lp25, complete sequence
Borrelia burgdorferi 297 plasmid 297_lp28-6, complete sequence
Borrelia duttonii Ly plasmid pl23b, complete sequence
Borrelia garinii PBi plasmid cp26, complete sequence
Borrelia garinii PBi plasmid lp54, complete sequence
Borrelia garinii PBi, complete genome
Borrelia sp. SV1 plasmid SV1_lp28-2, complete sequence
Borrelia spielmanii A14S plasmid A14S_lp28-8, complete sequence
Borrelia valaisiana VS116 plasmid VS116_cp32-5, complete sequence
Campylobacter coli plasmid pCC31, complete sequence
Campylobacter concisus 13826 plasmid pCCON31, complete sequence
Campylobacter hominis ATCC BAA-381 plasmid pCH4, complete
sequence
Campylobacter jejuni subsp. jejuni 81-176 plasmid pVir, complete
sequence
Campylobacter jejuni subsp. jejuni CG8486 Scon07, whole genome
shotgun sequence
Campylobacter jejuni subsp. jejuni CG8486 Scon10b, whole genome
shotgun sequence
Campylobacter coli plasmid pCC31, complete sequence
Campylobacter jejuni subsp. jejuni CG8486 Scon15, whole genome
shotgun sequence
Campylobacter jejuni subsp. jejuni NCTC 11168 = ATCC 700819
chromosome, complete genome
Campylobacter lari RM2100 megaplasmid pCL2100, complete
sequence

11

Lanjutan lampiran 1
31
Campylobacter phage NCTC12673, complete genome
32
Corynebacterium aurimucosum ATCC 700975 plasmid pET44827,
complete sequence
33
Corynebacterium diphtheriae NCTC 13129, complete genome
34
Corynebacterium efficiens YS-314 plasmid pCE2, complete
sequence
35
Corynebacterium efficiens YS-314 plasmid pCE3, complete
sequence
36
Corynebacterium glutamicum ATCC 13032, complete genome
37
Corynebacterium glutamicum R plasmid pCGR1, complete
sequence
38
Corynebacterium jeikeium plasmid pB85766, complete sequence
39
Corynebacterium jeikeium plasmid pK64, complete sequence
40
Corynebacterium resistens DSM 45100 plasmid pJA144188,
complete sequence
41
Corynebacterium sp. L2-79-05 plasmid pLEW279a, complete
sequence
42
Mycobacterium bovis BCG Pasteur 1173P2, complete genome
43
Mycobacterium bovis BCG str. Mexico chromosome, complete
genome
44
Mycobacterium bovis BCG str. Moreau RDJ complete genome
45
Mycobacterium bovis BCG str. Tokyo 172 DNA, complete
genome
46
Mycobacterium leprae TN, complete genome
47
Mycobacterium marinum M chromosome, complete genome
48
Mycobacterium smegmatis JS623, complete genome
49
Mycobacterium tuberculosis H37Rv complete genome
50
Mycobacterium ulcerans Agy99 chromosome, complete genome
51
Mycobacterium vanbaalenii PYR-1 chromosome, complete
genome
52
Staphylococcus aureus subsp. aureus COL chromosome, complete
genome
53
Staphylococcus aureus subsp. aureus MSSA476 chromosome,
complete genome
54
Staphylococcus aureus subsp. aureus strain MRSA252, complete
genome
55
Staphylococcus epidermidis ATCC 12228, complete genome
56
Staphylococcus haemolyticus JCSC1435 DNA, complete genome
57
Staphylococcus lugdunensis HKU09-01, complete genome
58
Staphylococcus phage A5W, complete genome
59
Staphylococcus saprophyticus subsp. saprophyticus ATCC 15305,
complete genome
60
Staphylococcus sp. 693-2 plasmid pLEW6932, complete sequence

12

Lanjutan lampiran 1
61
Streptococcus agalactiae plasmid pLS1, complete sequence
62
Streptococcus dysgalactiae subsp. equisimilis plasmid pSdyT132,
complete sequence
63
Streptococcus infantarius subsp. infantarius strain CJ18 gal-lac
operon, complete sequence
64
Streptococcus macedonicus ACA-DC 198 plasmid pSMA198,
complete sequence
65
Streptococcus mutans strain NC101 plasmid pNC101, complete
sequence
66
Streptococcus parasanguinis plasmid pFW213, complete sequence
67
Streptococcus pneumoniae D39 plasmid pDP1, complete sequence
68
Streptococcus pyogenes isolate 9116-03 plasmid pRW35, complete
sequence
69
Streptococcus suis plasmid pSSU1 DNA, complete sequence
70
Streptococcus thermophilus 2783 plasmid pt38, complete sequence

Lampiran 2 Visualisasi hasil clustering K-Means

Lampiran 3 Hasil Ekstraksi ciri menggunakan n-mers frequency untuk 70 data sekuen DNA
Jumlah
Data

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22

AAA

AAC

AAT

AAG

ACA

ACC

26727
18
3071
18
41226
17
3071
28614
3947
56890
21974
21792
21792
21935
31199
33473
27782
22284
28749
16648
1995
1747

26515
24
2470
24
33903
26
2470
23927
3180
42224
50808
50536
50445
50834
47358
77357
72375
51396
65903
65872
402
322

26390
18
2583
18
29732
18
2583
21841
3112
46981
23472
23301
23316
23522
31691
37472
34001
23800
31954
20320
1380
1174

37061
31
3051
31
41748
34
3051
28879
3988
53427
35816
35548
35380
35635
35296
54788
57329
36054
47064
46140
560
482

22852
19
2077
19
25118
21
2077
18652
2682
37103
41986
41718
41655
41980
43551
62301
64624
42346
53352
59032
373
286

34793
18
2434
18
43293
16
2434
30923
3159
58621
97562
96915
96490
97290
65509
148966
124392
98253
125714
144606
156
108

ACT

ACG

ATA

ATC

14526 42483 19746 57804
16
27
13
18
1658
3083 1886
3851
16
27
13
18
13668 45148 21441 56188
16
27
15
14
1658
3083 1886
3851
10334 32301 16102 41558
2101
4006 2238
4851
19646 48183 31737 76118
29843 81137 15178 69057
29627 80549 15086 68602
29537 80336 15091 68546
29736 81049 15230 68994
36308 55690 24300 55626
47315 114392 20949 109366
48407 137141 18721 108865
29990 81802 15325 69644
40572 98405 17810 95155
43085 138405 10739 102697
380
61 1195
429
296
51 1005
361

Fitur Ciri
ATT

26505
17
2631
17
29059
22
2631
22031
3172
47158
24019
23830
23803
23947
31992
37538
34157
24220
31825
19894
1323
1168

ATG

45081
21
3058
21
49317
19
3058
36186
3863
65343
48826
48523
48432
48861
42981
75850
74843
49311
63763
63590
348
296

AGA

AGC

AGT

30556 48816 14854
22
32
25
2689
3633 1724
22
32
25
32219 49354 13063
22
31
27
2689
3633 1724
23264 35451 10211
3335
4399 2097
41564 67585 19795
30357 79355 30262
30175 78903 30004
30060 78699 30023
30329 79424 30222
31032 60677 36376
48878 115146 47299
51297 113705 49152
30680 79997 30505
42207 98978 40389
49754 108848 43084
455
214
305
409
182
296

....

GGG

.....

33202
46
2280
46
32642
51
2280
25632
2912
47358
80958
80693
80516
81084
46316
132607
103424
82017
108812
125797
75
70

.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....

13

14

Lanjutan lampiran 3
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46

910
1231
2304
3830
59234
1557
1616
1809
3507
2132
276
3613
7284
12232
12691
13640
3467
5800
472
39246
404
722
53104
1027

306
233
444
800
13268
275
514
402
725
484
75
593
1225
2033
2849
2677
689
2403
417
37882
301
630
51510
997

733
1013
1504
2597
41108
1038
1085
1051
1928
1115
116
1716
3899
6397
6200
7061
2052
5730
365
32031
247
516
42584
593

438
676
637
1497
21549
476
385
674
1283
825
146
1295
3054
5137
4640
5631
1244
1910
484
38279
367
694
51150
865

299
231
433
802
11769
275
352
398
781
431
92
550
1021
1658
2495
2281
608
2320
343
33171
238
548
43053
851

166
62
160
236
5800
99
308
116
240
186
33
159
537
865
1542
1247
267
1431
433
41810
468
983
59801
1056

322
279
348
671
11115
273
402
397
566
445
40
408
1234
2102
2584
2614
606
2232
359
27475
261
479
37052
580

78
52
78
163
2138
50
55
93
169
170
35
160
308
503
635
705
97
157
415
39701
332
656
45065
783

471
906
1157
1644
30368
925
861
853
1381
1313
107
1325
2929
4849
4839
5590
1681
6060
314
21271
180
420
21773
293

359
258
395
671
14928
312
557
304
666
462
41
486
1605
2523
3465
3137
730
2938
420
43674
397
890
60690
775

850
993
1330
2679
41332
1086
1033
927
1773
879
114
1579
3946
6658
5827
7000
1987
6400
352
31827
310
484
42835
598

259
456
381
767
12807
308
216
409
920
561
40
676
2027
3458
2404
3437
773
2061
365
39035
377
726
51586
848

326
609
557
1301
18658
452
305
588
1248
788
151
1091
2151
3609
2771
3637
1017
1610
434
30366
347
716
41457
596

246
246
286
694
10159
214
431
281
594
554
97
455
1539
2707
2946
3062
556
975
489
45163
430
719
57849
882

388
442
327
829
10878
326
220
394
512
466
59
537
1592
2693
2054
2867
636
1922
425
28006
296
497
36306
500

.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....

102
200
87
216
4342
62
62
148
219
127
44
158
520
894
512
897
157
258
428
31723
445
1033
42449
866

Lanjutan lampiran 3
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70

244
249
416
368
120523
119837
123131
104764
105863
111951
108542
6399
80889
2326
237
192
301
717
339
381
213
210
323
198

215
251
398
406
51598
51373
53050
45976
44388
49307
47887
2577
31622
869
67
52
161
277
102
131
44
94
79
53

126
128
340
295
109922
109238
113216
93062
97349
105178
98631
4915
69570
2165
112
100
213
441
189
224
102
147
147
93

233
184
417
435
52613
52400
53608
51020
46480
53660
50716
3967
37441
1009
121
91
163
332
178
175
94
80
155
81

173
200
335
333
51382
50926
52432
43657
42253
45876
48435
2715
32630
796
52
32
146
230
89
83
33
75
62
42

263
214
459
572
27331
27283
28437
26311
24342
26592
25694
1371
16783
493
31
24
59
131
33
67
13
64
40
31

145
142
269
329
39758
39792
41245
36264
37788
40021
35713
2391
23001
731
57
53
152
162
75
111
41
72
69
40

231
239
416
566
23718
23502
24220
21741
19411
23491
23786
625
15401
348
36
32
52
120
40
75
22
41
41
29

117
105
318
251
85572
84938
88191
70153
79975
81378
81137
5166
56245
1839
94
80
123
315
171
193
95
129
129
101

196
175
510
621
51400
51153
53527
49465
46818
48626
48119
1791
31109
928
60
44
130
239
77
120
27
79
59
37

134
106
335
312
110962
110302
114549
92567
98880
105035
99185
4838
70583
2074
128
119
197
412
180
203
110
134
122
99

234
158
440
439
59645
59291
60890
50056
49454
54895
56494
2934
39750
868
75
54
181
209
120
108
52
58
95
41

191
171
345
407
42750
42392
43370
41586
39489
44764
39857
4270
31857
866
96
69
114
323
178
155
93
63
140
59

278
213
532
682
29107
28980
29792
28851
24630
27901
30950
1264
19466
536
70
57
66
165
79
78
38
69
78
28

183
92
233
323
39486
39549
40560
34249
36999
40973
36694
2594
26802
764
72
56
129
189
98
123
62
53
94
56

.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....
.....

305
143
385
518
8744
8826
8969
8112
7980
9100
10194
559
7450
196
53
33
32
66
41
43
30
21
51
23

15

16

Lampiran 4 Hasil Normalisasi Ekstraksi ciri
Jumlah
Data

AAA

AAC

AAT

AAG

ACA

1

0.2170

0.3426

0.2330

0.6463

0.3534

0.2335

0.2998

0.3068

0.2238

0.5285

2

0.0000

0.0000

0.0000

0.0000

0.0000

0.0000

0.0000

0.0000

0.0000

3

0.0248

0.0316

0.0227

0.0527

0.0319

0.0163

0.0339

0.0221

4

0.0000

0.0000

0.0000

0.0000

0.0000

0.0000

0.0000

0.0000

5

0.3347

0.4381

0.2625

0.7281

0.3885

0.2906

0.2821

6

0.0000

0.0000

0.0000

0.0001

0.0000

0.0000

7

0.0248

0.0316

0.0227

0.0527

0.0319

8

0.2323

0.3091

0.1928

0.5035

0.2884

9

0.0319

0.0408

0.0273

0.0691

10

0.4620

0.5457

0.4149

11

0.1783

0.6567

12

0.1769

0.6532

13

0.1769

14

Fitur Ciri
ATT

AGT

....

GGG

0.4238

0.3019

.....

0.2503

0.0000

0.0000

0.0000

.....

0.0002

0.0401

0.0520

0.0313

0.0346

.....

0.0170

0.0000

0.0000

0.0000

0.0000

.....

0.0002

0.2536

0.6501

0.6279

0.4285

0.2654

.....

0.2460

0.0000

0.0000

0.0000

0.0000

0.0000

0.0000

.....

0.0002

0.0212

0.0351

0.0228

0.0401

0.0520

0.0313

0.0346

.....

0.0170

0.1825

0.3799

0.1922

0.4769

0.4533

0.3077

0.2073

.....

0.1932

0.0288

0.0252

0.0442

0.0275

0.0507

0.0646

0.0380

0.0422

.....

0.0218

0.4057

0.3480

0.3598

0.6960

0.4116

0.8614

0.8102

0.5869

0.4024

.....

0.3570

0.6549

0.6164

0.5862

0.1720

0.6314

0.2096

0.6436

0.5916

0.6891

0.6155

.....

0.6104

0.6506

0.6119

0.5819

0.1709

0.6272

0.2079

0.6396

0.5881

0.6852

0.6102

.....

0.6085

0.6445

0.6477

0.6101

0.5804

0.1710

0.6267

0.2077

0.6384

0.5858

0.6834

0.6106

.....

0.6071

0.6214

0.6495

0.6531

0.6142

0.5855

0.1726

0.6308

0.2089

0.6441

0.5911

0.6897

0.6147

.....

0.6114

0.2798

0.6155

0.6738

0.4397

0.7500

0.4023

0.2754

0.5086

0.2792

0.5665

0.6048

0.5268

0.7399

.....

0.3492

0.3309

0.9557

0.9640

1.0000

0.9774

0.8265

0.2374

1.0000

0.3276

1.0000

0.9528

1.0000

0.9623

.....

1.0000

0.9356

0.3002

1.0000

1.0000

0.8350

1.0000

0.9909

0.2122

0.9954

0.2981

0.9867

1.0000

0.9875

1.0000

.....

0.7799

0.1809

0.6643

0.2101

0.6287

0.6552

0.6595

0.6194

0.5910

0.1736

0.6368

0.2113

0.6500

0.5979

0.6947

0.6204

.....

0.6184

19

0.2334

0.8519

0.2821

0.8208

0.8255

0.8439

0.8381

0.7109

0.2018

0.8700

0.2777

0.8406

0.8227

0.8596

0.8216

.....

0.8205

20

0.1351

0.8515

0.1793

0.8047

0.9134

0.9707

0.8900

1.0000

0.1216

0.9390

0.1735

0.8383

0.9699

0.9453

0.8765

.....

0.9486

21

0.0161

0.0049

0.0120

0.0092

0.0055

0.0010

0.0075

0.0003

0.0134

0.0038

0.0114

0.0043

0.0084

0.0016

0.0057

.....

0.0004

22

0.0141

0.0039

0.0102

0.0079

0.0041

0.0006

0.0058

0.0002

0.0112

0.0032

0.0100

0.0037

0.0075

0.0013

0.0055

.....

0.0004

ACC

ACT

ACG

ATA

ATC

ATG

AGA

0.2313

0.5942

0.5955

0.0000

0.0000

0.0000

0.0212

0.0351

0.0228

0.0000

0.0000

0.0000

0.3261

0.2430

0.5137

0.0000

0.0000

0.0000

0.0163

0.0339

0.0221

0.2075

0.2132

0.2333

0.0412

0.0211

0.0431

0.9319

0.5740

0.3935

0.2072

0.6245

0.6496

0.2057

0.6199

0.6454

0.6520

0.2058

0.6169

0.1780

0.6570

0.2076

15

0.2533

0.6121

16

0.2717

1.0000

17

0.2255

18

AGC

Lanjutan lampiran 4
23

0.0073

0.0036

0.0063

0.0071

0.0043

0.0010

0.0063

0.0004

0.0052

0.0032

0.0073

0.0032

0.0059

0.0019

0.0074

.....

0.0006

24

0.0099

0.0027

0.0088

0.0113

0.0033

0.0003

0.0054

0.0002

0.0101

0.0022

0.0085

0.0058

0.0114

0.0019

0.0085

.....

0.0014

25

0.0186

0.0054

0.0131

0.0106

0.0064

0.0010

0.0069

0.0004

0.0130

0.0035

0.0115

0.0048

0.0104

0.0022

0.0061

.....

0.0005

26

0.0310

0.0100

0.0228

0.0256

0.0121

0.0015

0.0135

0.0010

0.0185

0.0060

0.0232

0.0099

0.0249

0.0058

0.0164

.....

0.0015

27

0.4810

0.1713

0.3630

0.3755

0.1819

0.0389

0.2294

0.0153

0.3442

0.1364

0.3607

0.1686

0.3635

0.0880

0.2209

.....

0.0326

28

0.0125

0.0032

0.0090

0.0078

0.0040

0.0006

0.0053

0.0002

0.0103

0.0027

0.0093

0.0038

0.0084

0.0016

0.0061

.....

0.0003

29

0.0130

0.0063

0.0094

0.0062

0.0052

0.0020

0.0080

0.0002

0.0096

0.0050

0.0089

0.0026

0.0055

0.0035

0.0040

.....

0.0003

30

0.0146

0.0049

0.0091

0.0112

0.0059

0.0007

0.0079

0.0005

0.0095

0.0027

0.0079

0.0051

0.0110

0.0022

0.0075

.....

0.0010

31

0.0283

0.0091

0.0169

0.0219

0.0118

0.0015

0.0114

0.0011

0.0155

0.0060

0.0153

0.0119

0.0239

0.0049

0.0099

.....

0.0015

32

0.0172

0.0059

0.0097

0.0139

0.0064

0.0012

0.0089

0.0011

0.0147

0.0041

0.0075

0.0071

0.0149

0.0046

0.0090

.....

0.0008

33

0.0021

0.0007

0.0009

0.0020

0.0011

0.0001

0.0005

0.0001

0.0011

0.0002

0.0008

0.0003

0.0025

0.0006

0.0007

.....

0.0002

34

0.0292

0.0074

0.0150

0.0221

0.0082

0.0010

0.0081

0.0010

0.0149

0.0043

0.0136

0.0087

0.0208

0.0037

0.0104

.....

0.0010

35

0.0590

0.0155

0.0343

0.0528

0.0155

0.0035

0.0252

0.0021

0.0331

0.0145

0.0343

0.0265

0.0415

0.0131

0.0319

.....

0.0038

36

0.0992

0.0260

0.0564

0.0891

0.0254

0.0057

0.0431

0.0035

0.0548

0.0229

0.0580

0.0454

0.0700

0.0233

0.0543

.....

0.0066

37

0.1029

0.0365

0.0546

0.0804

0.0383

0.0103

0.0531

0.0044

0.0547

0.0316

0.0507

0.0315

0.0536

0.0253

0.0413

.....

0.0037

38

0.1107

0.0343

0.0622

0.0977

0.0350

0.0083

0.0537

0.0049

0.0632

0.0286

0.0610

0.0451

0.0705

0.0264

0.0579

.....

0.0066

39

0.0280

0.0086

0.0180

0.0212

0.0091

0.0017

0.0122

0.0005

0.0189

0.0065

0.0172

0.0099

0.0194

0.0046

0.0124

.....

0.0010

40

0.0470

0.0308

0.0505

0.0328

0.0356

0.0095

0.0458

0.0010

0.0686

0.0267

0.0557

0.0269

0.0310

0.0082

0.0386

.....

0.0018

41

0.0037

0.0051

0.0031

0.0079

0.0050

0.0028

0.0071

0.0028

0.0034

0.0037

0.0029

0.0046

0.0080

0.0040

0.0081

.....

0.0031

42

0.3186

0.4895

0.2828

0.6675

0.5131

0.2806

0.5674

0.2867

0.2411

0.3993

0.2777

0.5145

0.5918

0.3921

0.5696

.....

0.2391

43

0.0031

0.0036

0.0020

0.0059

0.0034

0.0031

0.0051

0.0022

0.0019

0.0035

0.0026

0.0047

0.0063

0.0035

0.0055

.....

0.0032

44

0.0057

0.0078

0.0044

0.0116

0.0082

0.0065

0.0096

0.0046

0.0046

0.0080

0.0041

0.0093

0.0135

0.0060

0.0096

.....

0.0076

45

0.4312

0.6658

0.3760

0.8922

0.6661

0.4014

0.7653

0.3255

0.2468

0.5549

0.3739

0.6800

0.8081

0.5023

0.7385

.....

0.3200

46

0.0082

0.0126

0.0051

0.0146

0.0129

0.0070

0.0117

0.0055

0.0032

0.0070

0.0051

0.0109

0.0112

0.0074

0.0097

.....

0.0064

17

18

Lanjutan lampiran 4
47

0.0018

0.0025

0.0010

0.0035

0.0024

0.0017

0.0027

0.0015

0.0012

0.0017

0.0010

0.0028

0.0033

0.0022

0.0032

.....

0.0021

48

0.0019

0.0029

0.0010

0.0027

0.0028

0.0013

0.0026

0.0016

0.0010

0.0015

0.0008

0.0018

0.0029

0.0016

0.0014

.....

0.0009

49

0.0032

0.0048

0.0028

0.0067

0.0049

0.0030

0.0052

0.0028

0.0035

0.0045

0.0028

0.0056

0.0063

0.0044

0.0042

.....

0.0027

50

0.0029

0.0049

0.0024

0.0071

0.0049

0.0038

0.0065

0.0039

0.0027

0.0056

0.0026

0.0055

0.0075

0.0057

0.0061

.....

0.0037

51

0.9788

0.6669

0.9709

0.9177

0.7950

0.1834

0.8213

0.1712

0.9703

0.4699

0.9687

0.7863

0.8333

0.2526

0.8032

.....

0.0658

52

0.9732

0.6640

0.9649

0.9140

0.7880

0.1831

0.8220

0.1697

0.9631

0.4677

0.9629

0.7816

0.8263

0.2515

0.8045

.....

0.0664

53

1.0000

0.6857

1.0000

0.9351

0.8113

0.1908

0.8520

0.1749

1.0000

0.4894

1.0000

0.8027

0.8454

0.2586

0.8251

.....

0.0675

54

0.8508

0.5942

0.8220

0.8899

0.6755

0.1766

0.7491

0.1569

0.7954

0.4522

0.8081

0.6598

0.8106

0.2504

0.6966

.....

0.0610

55

0.8597

0.5737

0.8598

0.8107

0.6537

0.1633

0.7806

0.1401

0.9068

0.4280

0.8632

0.6519

0.7697

0.2137

0.7526

.....

0.0600

56

0.9092

0.6373

0.9290

0.9360

0.7098

0.1784

0.8267

0.1696

0.9227

0.4445

0.9169

0.7237

0.8726

0.2421

0.8335

.....

0.0685

57

0.8815

0.6189

0.8712

0.8846

0.7494

0.1724

0.7377

0.1717

0.9200

0.4399

0.8659

0.7447

0.7769

0.2686

0.7464

.....

0.0767

58

0.0518

0.0330

0.0433

0.0687

0.0417

0.0091

0.0491

0.0044

0.0584

0.0163

0.0421

0.0384

0.0828

0.0107

0.0523

.....

0.0041

59

0.6569

0.4086

0.6144

0.6529

0.5048

0.1126

0.4750

0.1111

0.6377

0.2844

0.6161

0.5239

0.6209

0.1689

0.5451

.....

0.0560

60

0.0188

0.0109

0.0190

0.0171

0.0120

0.0032

0.0148

0.0024

0.0207

0.0084

0.0180

0.0112

0.0165

0.0044

0.0150

.....

0.0013

61

0.0018

0.0006

0.0008

0.0016

0.0005

0.0001

0.0008

0.0001

0.0009

0.0004

0.0010

0.0007

0.0014

0.0004

0.0010

.....

0.0002

62

0.0014

0.0004

0.0007

0.0010

0.0002

0.0001

0.0008

0.0001

0.0008

0.0003

0.0009

0.0005

0.0009

0.0003

0.0006

.....

0.0001

63

0.0023

0.0018

0.0017

0.0023

0.0020

0.0003

0.0028

0.0002

0.0012

0.0011

0.0016

0.0021

0.0018

0.0003

0.0021

.....

0.0001

64

0.0057

0.0033

0.0037

0.0053

0.0033

0.0008

0.0030

0.0007

0.0034

0.0021

0.0034

0.0025

0.0059

0.0012

0.0033

.....

0.0003

65

0.0026

0.0010

0.0015

0.0026

0.0011

0.0001

0.0012

0.0001

0.0018

0.0006

0.0014

0.0013

0.0030

0.0004

0.0015

.....

0.0002

66

0.0030

0.0014

0.0018

0.0025

0.0010

0.0004

0.0020

0.0004

0.0020

0.0010

0.0016

0.0012

0.0026

0.0004

0.0020

.....

0.0002

67

0.0016

0.0003

0.0007

0.0011

0.0002

0.0000

0.0005

0.0000

0.0009

0.0001

0.0008

0.0004

0.0014

0.0001

0.0008

.....

0.0001

68

0.0016

0.0009

0.0011

0.0009

0.0009

0.0003

0.0012

0.0001

0.0013

0.0006

0.0010

0.0005

0.0008

0.0004

0.0006

.....

0.0000

69

0.0025

0.0007

0.0011

0.0022

0.0007

0.0002

0.0011

0.0001

0.0013

0.0004

0.0009

0.0010

0.0023

0.0004

0.0014

.....

0.0002

70

0.0015

0.0004

0.0007

0.0009

0.0004

0.0001

0.0005

0.0001

0.0010

0.0002

0.0007

0.0003

0.0007

0.0000

0.0006

.....

0.0000

19

RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 08 Oktober 1987 di Tebing Tinggi, Serdang
Bedagai Sumatera Utara. Penulis merupakan anak ke-3 dari 3 bersaudara dari
pasangan Janour Sinurat, SPd dan Mika br Simbolon.
Pada tahun 2006 Penulis lulus dari SMA Swasta Katolik Budi Murni Tebing
Tinggi, Medan. Pada tahun yang sama, Penulis lulus jalur Undangan Seleksi
Masuk Institut Pertanian Bogor (USMI) Program Diploma. Pada tahun 2009,
Penulis lulus dari Program Diploma Manajemen Informatika IPB. Penulis bekerja
sebagai staf admin pada PT. Nerita Karya Lestari sejak Maret 2010 hingga
September 2010. Pada tahun yang sama, Penulis melanjutkan program studi
sarjana di Departemen Ilmu Komputer IPB pada Pogram Studi Ilmu Komputer
dan Penulis diterima sebagai CPNS pada Badan Pembinaan Hukum Nasional
(BPHN) Kementerian Hukum dan HAM Jakarta.