Network Boolean adalah bagian dari pembuatan network genetik pada dasarnya, maka n sebagai nomor pada pertimbangan gene bawah, yang mana verteks
i
v
mewakili gene i, dan
t v
i
mewakili ungkapan tingkat gene i pada waktu t, ambil salah satu 0 atau 1. ungkapan tingkat gen yang lain adalah hubungan fungsional untuk
itu pada gene-gene lain. Perhitungan model-model itu menyatakan hubungan yang logis pada gagasan Bodnar 1997 menggunakan pemograman drosophila embryo.
Pada jurnal Biologi, Mendoza, Thieffry dan Alvarez 1999 menggunakan genetik control dari bunga morphogenesis pada Arabidopsis Thaliana, dan oleh Huang dan
Ingber 2000
menggunakan model
–bergantung dependent mengkontrol pertumbuhan sel, differensial, dan apoptosis: perpindahan antara atractors pada sel
network regulatori, percobaan pada penelitian sel.Ching dan Ng 2006.
1.6 Metode Penelitian
Uraian yang digunakan dalam penelitian secara rinci meliputi: 1.
Mengestimasi
jk
P
dan
jk
; 2.
Menghitung frekuensi transisi dari keadan deret k sampai keadaan deret j, dari sini dapat disusun matriks frekuensi pada deret data;
3. Setelah dinormalisasi, diperoleh estimasi pada matriks transisi probability;
4. Menghitung pada setiap kejadian masing-masing gene;
5. Menghitung tingkat pengaruh dari gene j ke gene i.
1.7 Sistematika Penulisan
Adapun sistematika penulisan Tugas Akhir secara garis besar dibagi dalam 4 bab masing-masing bab dibagi atas beberapa sub-sub bab yaitu:
BAB 1 : PENDAHULUAN
Nova Anggriya : Aplikasi Rantai Markov Multivariat Pada Network Genetik, 2009.
Bab ini menjelaskan latar belakang, perumusan masalah, tujuan penelitian, kontribusi penelitian, tinjauan pustaka, metode penelitian,
dan sistematika penulisan tugas akhir.
BAB 2 : TINJAUAN TEORITIS
Bab ini menguraiakan tentang teori-teori dan tinjauan tentang segala sesuatu yang menyangkut terhadap penyelesaian masalah yang
dihadapi, sesuai judul yang diutarakan.
BAB 3 : PEMODELAN RANTAI MARKOV UNTUK NETWORK
GENETIK
Bab ini menguraikan persoalan menggunakan pemodelan rantai markov multivariat pada network genetik.
BAB 4 : KESIMPULAN DAN SARAN
Bab ini berisikan kesimpulan dari pembahasan didalam penyelesaian skripsi serta saran-saran yang diberikan peneliti berdasarkan
simpulan yang diambil.
Nova Anggriya : Aplikasi Rantai Markov Multivariat Pada Network Genetik, 2009.
BAB 2
LANDASAN TEORI
2.1 Rantai Markov
Rantai markov Markov Chain adalah suatu model teoritis yang menjelaskan keadaan sebuah sistem pada suatu tahap tertentu. Model ini dapat memperkirakan perubahan-
perubahan pada waktu yang akan datang dalam variabel-variabel dinamis pada waktu yang lalu. Teknik ini dapat juga digunakan untuk menganalisis kejadian-kejadian pada
waktu mendatang secara sistematis.
Penerapan rantai markov mula-mula digunakan untuk menganalisis dan memperkirakan perilaku partikel-partikel gas dalam suatu wadah tertutup serta
meramalkan keadan cuaca. Sebagai suatu peralatan riset operasi dalam pengambilan keputusan manajerial. Proses markov telah banyak diterapkan untuk menganalisa
tentang perpindahan merek brands witching dalam pemasaran, perhitungan rekening, jasa persewaan mobil, perencanaan penjualan, masalah-masalah persediaan,
pemeliharaan mesin, antrian, perubahan harga pasar saham, dan administrasi rumah sakit.
Rantai markov ini dikenalkan oleh Andrei A. Markov, ahli matematika dari Rusia yang lahir tahun 1856 Ching dan Ng, 2006. Analisis markov menghasilkan
suatu informasi probabilistik yang dapat digunakan untuk membantu pembuatan keputusan, jadi analisis ini bukan suatu teknik optimisasi melainkan suatu teknik
deskriptif. Analisis markov merupakan suatu bentuk khusus dari model probabilistik yang lebih umum dinamakan dengan Stochastic process, yaitu proses perubahan
perubahan probabilistik yang terjadi terus-menerus.
Nova Anggriya : Aplikasi Rantai Markov Multivariat Pada Network Genetik, 2009.
Untuk dapat menerapkan analisis rantai markov kedalam suatu kasus, ada beberapa syarat yang harus dipenuhi :
1. jumlah probabilitas transisi untuk suatu keadaan awal dari sistem sama dengan
1satu, 2.
Probabilitas-probabilitas tersebut berlaku untuk semua partisipan dalam sistem,
3. Probabilitas transisi konstan sepanjang waktu,
4. kondisi merupakan kondisi yang independent sepanjang waktu.
Dalam realita, penerapan analisis markov biasa terbilang cukup terbatas karena sulit menemukan masalah yang memenuhi semua sifat yang diperlukan untuk analisis
markov, terutama persyaratan bahwa probabilitas transisi harus konstan sepanjang waktu probabilitas transisi adalah probabilitas yang terjadi dalam pergerakan
perpindahan kondisi dalam sistem.
2.2 Model Rantai Markov Multivariat