Aplikasi Rantai Markov Multivariat Pada Network Genetik
APLIKASI RANTAI MARKOV MULTIVARIAT PADA
NETWORK GENETIK
SKRIPSI
NORA ANGGRIYA
070823008
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2009
(2)
APLIKASI RANTAI MARKOV MULTIVARIAT PADA NETWORK GENETIK
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains
NORA ANGGRIYA 070823008
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
MEDAN 2009
(3)
PERSETUJUAN
Judul : APLIKASI RANTAI MARKOV MULTIVARIAT
PADA NETWORK GENETIK
Kategori : SKRIPSI
Nama : NORA ANGGRIYA
Nomor Induk Mahasiswa : 070823008
Program Studi : STATISTIKA
Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN
ALAM ( FMIPA ) UNIVERSITAS SUMATERA UTARA
Diluluskan di
Medan, 16 Juli 2009
Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Drs. Marwan Harahap, M.Eng. Dr. Sutarman, M.Sc.
NIP. 130 422 443 NIP. 131 945 359
Diketahui / Disetujui oleh
Departemen Matematika FMIPA USU Ketua
Dr. Saib Suwilo, M.Sc. NIP. 131 796 149
(4)
PERNYATAAN
APLIKASI RANTAI MARKOV MULTIVARIAT PADA NETWORK GENETIK
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa
kutipan dan ringkasan yang masing – masing disebutkan sumbernya.
Medan, 16 Juli 2009
NORA ANGGRIYA 070823008
(5)
PENGHARGAAN
Puji dan syukur penulis panjatkan kepada Allah SWT atas segala berkah, rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan Skripsi ini. Skripsi ini disusun sebagai salah satu syarat dalam menyelesaikan Program Studi S1 Statistika Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Sumatera Utara.
Ucapan terima kasih saya sampaikan kepada Dr. Sutarman, M.Sc selaku pembimbing 1 dan Drs. Marwan Harahap, M.Eng selaku pembimbing 2 pada penyelesaian Skripsi ini yang telah memberikan panduan dan penuh kepercayaan kepada saya untuk menyempurnakan kajian ini. Panduan ringkas dan padat serta profesional telah diberikan kepada saya agar penulis dapat menyelesaikan skripsi ini. Serta Drs. H. Haluddin Panjaitan dan Drs Pengarapen Bangun, M.Si yang telah bersedia menjadi dosen penguji skripsi ini. Terimakasi atas saran dan masukannya. Ucapan terima kasih juga ditujukan kepada Ketua dan Sekretaris Departemen Dr. Saib Suwilo, M.Sc dan Drs. Hendri Rani Sitepu, M.Si. Dekan dan Pembantu Dekan Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Sumatera Utara, semua dosen pada Departemen Matematika FMIPA USU, Pegawai di FMIPA USU, dan
rekan – rekan kuliah. Akhirnya, tidak terlupakan kepada kedua orang tua saya
ayahanda (Syukri Raden) dan ibunda (Yusra), serta kedua kakanda (Denni Marhayuri dan Roni Riyadi) dan semua keluarga yang selama ini memberikan bantuan dan dorongan yang diperlukan. Semoga Allah SWT akan membalasnya.
(6)
ABSTRAK
Metode pengambilan keputusan markov merupakan suatu metode yang telah dikenal luas untuk pengambilan keputusan dalam model-model stokastik. Dalam tulisan ini dibahas penggunaan salah satu metode pengambilan keputusan markov, yaitu aplikasi network genetik.
Probabiliti Network Boolean (PBN) yaitu proses pada waktu diskrit, distribusi probabiliti pada gene ekspresi diwaktu t+1 dari gene i dapat diestimasi dengan gene ekspresi pada gene n yang lain diwaktu t-1 matriks transisi. Ini adalah proses markov framework. Diingat bahwa model rantai markov multivariat untuk menduga network genetik dari gene n. Pada network ini, tidak ada informasi sebelumnya pada hubungan gene-gene n diterima, model yang ditunjukkan tersebut digunakan untuk menemukan variasi hubungan gene yang utama, termasuk gene dan hubungan gene cyclic atau acyclic.
(7)
APPLICATIONS OF MULTIVARIATE MARKOV CHAIN TO GENETIC NETWORKS
ABSTRACT
Markov Decision process is one of the well-known metodes to solve optimisation problem in stochastic modelling theory. In this paper, we show one simple example of applications to genetic networks.
The Probabilistict Boolean Networks (PBN) is a discrete-time process, the probability
distribution of gene expression at time t + 1 of the ith gene can be estimated by the
gene expression of other n genes at time t via one-lag transitio matrix. This is a Markov process framework. We consider the multivariate Markov chain model to inver the genetic network of n genes. In this network, no prior information on n genes relationships is assumed, our proposed model is used to uncover the underlying various gene relationships, including genes and gene cyclic or acyclic relationships.
(8)
DAFTAR ISI
Halaman
Persetujuan ii
Pernyataan iii
Penghargaan iv
Abstrak v
Abstract vi
Daftar Isi vii
Daftar Tabel viii
BAB 1 PENDAHULUAN 1
1.1Latar Belakang 1
1.2Perumusan Masalah 3
1.3Tujuan Penelitian 3
1.4Kontribusi Penelitian 4
1.5Tinjauan Pustaka 4
1.6Metode Penelitian 5
1.7Sistematika Penulisan 5
BAB 2 TINJAUAN TEORITIS 7
2.1 Rantai Markov 7
2.2 Model Rantai Markov Multivariat 8
2.3 Estimasi Pada Model Parameter 11
2.4 Aplikasi Rantai Markov Multivariat Pada Network Genetik 13
BAB 3 PEMODELAN RANTAI MARKOV UNTUK NETWORK
GENETIK 17
BAB 4 KESIMPULAN DAN SARAN 32
4.1 Kesimpulan 32
4.2 Saran 32
(9)
DAFTAR TABEL
Halaman
Tabel 3.1 Hasil Deret yang Pertama 22
(10)
BAB 1
PENDAHULUAN
1.1Latar Belakang
Dengan berkembangnya ilmu pengetahuan dan teknologi yang sangat cepat dan pesat ilmu statistik memegang peranan penting dalam kehidupan. Ilmu ini mampu membantu meningkatkan kreatifitas dan produktifitas manusia. Pada era globalisasi ini ilmu ini perlu diterapkan dengan cara yang lebih sederhana sehingga mudah digunakan dalam pengambilan keputusan.
Salah satu bagian dari statistika adalah rantai markov (markov chain). Rantai markov merupakan suatu proses stokastik yang digunakan untuk pembuatan model dengan bermacam-macam sistem. Rantai markov ini, salah satunya digunakan untuk membantu meramalkan kejadian-kejadian pada masa yang akan datang dengan pengambilan keputusan.
Rantai markov (Markov Chain) adalah suatu teknik matematika yang biasa digunakan untuk pembuatan model (modeling) bermacam-macam sistem dan proses bisnis. Teknik 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 matematis.
Penerapan rantai markov mula-mula digunakan untuk menganalisis dan memperkirakan perilaku partikel-partikel gas dalam suatu wadah tertutup serta meramalkan keadaan cuaca. Sebagai suatu peralatan riset operasi dalam pengambilan keputusan manajerial. Proses markov telah banyak diterapkan untuk menganalisis tentang perpindahan merek (brands switching) dalam pemasaran, perhitungan
(11)
rekening, jasa persewaan mobil, perencanaan penjualan, masalah-masalah persediaan, pemeliharaan mesin, antrian, perubahan harga pasar saham, dan administrasi rumah sakit.
Analisis rantai markov adalah suatu teknik probabilitas yang menganalisis pergerakan probabilitas dari satu kondisi ke kondisi yang lainnya. Rantai markov ini dikenalkan oleh Andrei A. Markov, ahli matematika dari rusia yang lahir tahun 1856 (Ching dan Ng, 2006). Analisis markov hampir sama dengan decision analysis, bedanya adalah analisis rantai markov tidak memberikan keputusan rekomendasi, melainkan hanya informasi probabilitas mengenai situasi keputusan yang dapat membantu pengambilan keputusan. Dengan demikian, analisis rantai markov bukanlah teknik optimisasi, tetapi adalah teknik deskriptif yang menghasilkan informasi probabilitas dimasa mendatang.
Matriks adalah suatu susunan bilangan berbentuk segiempat. Bilangan-bilangan dalam susunan itu disebut anggota matriks tersebut.(Anton Howord, 2000:45). Ordo suatu matriks dinyatakan dengan jumlah baris dan kolom yang terkandung dalam matriks tersebut. Matriks yang berorde (m*n), dengan m menyatakan jumlah baris dan n menyatakan jumlah kolom. Di mana baris dalam matriks merupakan unit pengamatan atau subyek sedangkan kolom merupakan variabel yang diukur untuk setiap unit. Multivariat untuk menyelesaikan masalah atau problema yang berkaitan tiga variable atau lebih. Teknik analisis statistik yang melakukan sekelompok variabel kriteria yang saling berkorelasi sebagai satu sistem
yang memperhitungkan korelasi antar variabel–variabel tersebut.
Analisis multivariat merupakan salah satu jenis analisis statistik yang digunakan untuk menganalisis data yang terdiri dari banyak peubah bebas (independent variabel) dan juga banyak peubah tak bebas (dependent variabel). Data multivariat adalah data yang dikumpulkan dari dua atau lebih observasi dengan mengukur observasi tersebut dengan beberapa karakteristik.
1. Univariat meliputi satu variabel kriteria yang tergolong dalam himpunan data tunggal
(12)
2. Bivariat (pasangan variabel acak) dua variabel saling berkaitan 3. Multivariat terdiri dari beberapa variabel kriteria.
Jaringan kerja (model network) adalah suatu diagram yang digunakan untuk membantu menyelesaikan masalah matematika yang cukup rumit agar menjadi lebih sederhana dan mudah diamati. Masalah-masalah yang dapat diatasi dengan network antara lain masalah penjadwalan (network planing), masalah transportasi, masalah penggantian peralatan, dan masalah lintasan terpendek.
Genetik merupakan ilmu tentang pewarisan sifat individu kepada keturunannya, berkaitan dengan gen atau faktor keturunannya. Jadi network genetik merupakan tingkat hubungan fungsional untuk setiap kejadian pada waktu tertentu. Untuk menyelesaikan suatu persoalan dalam pengambilan keputusan ada tidaknya hubungan antara kondisi satu dengan kondisi lain dengan menggunakan aplikasi rantai markov multivariat pada network genetik.
1.2Perumusan Masalah
Masalah yang dibahas dalam penelitian ini adalah memodelkan rantai markov mutivariat pada network genetik dan memaparkan kaidah yang berhubungan dengannya.
1.3Tujuan Penelitian
Menguraikan cara menentukan ada tidaknya hubungan tingkat sensivitas dari gene satu ke gene yang lain dengan menggunakan aplikasi rantai markov multivariate pada network genetik.
(13)
1.4Kontribusi penelitian
Menambah wawasan dan memperkaya literatur dalam bidang statistika yang berhubungan dengan model rantai markov multivariat.
1.5Tinjauan Pustaka
Rantai markov multivariat telah digunakan diberbagai bidang. Pada bidang matematika keuangan Artzner dan Delbaen (1997) menggunakan rantai markov untuk menentukan risiko kegagalan hadiah dan pemasaran tidak lengkap. Sementara itu bidang biologi Mendoza, Thieffry dan Alvarez (1999) menggunakan genetik kontrol dari bunga morphogenesis pada Arabidopsis Thaliana. Rantai markov multivariat digunakan pada model network genetik oleh Ching, Fung dan Ng (2004) membangun network genetik pada contoh gene ekspresi. Salah satu penelitian gen yang penting adalah dapat memahami mekanisme cara menjalankan sel-sel dan pengendalian nomor besar pada operasi untuk fungsi normal, dan juga sistem sel-sel dalam penyakit. Model dasar seperti pada network neural, non-linier sederhana, Petri nets, persamaan differensial ditujukan untuk berbagai masalah, lihat pada Smoelen, Baxter dan Byrne (2000) menggunakan model matematik pada network gene, neuron, oleh Bower (2001) menggunakan model komputasi pada genetik dan network biokimia, oleh De Jong (2002) mengunakan model dan simulasi pada sistem regulatori genetik.(Ching dan Ng (2006)).
Pada model network ini, setiap gene adalah verteks pada network dan jumlahnya hanya dua tingkat (jelas (0) atau tiadak jelas (1)). Pada bidang bioinformasi oleh Akutsu, Miyano and Kuhara (2000) menggunakan penarikan kesimpulan menurut kwalitas relasi pada network genetik dan pergantian zat pada setiap barisan, ditujukan banyak network Boolean bersama dengan identifikasi algorithm.(Ching dan Ng (2006)).
(14)
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 vi(t) 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)).
1.6Metode 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.
1.7Sistematika Penulisan
Adapun sistematika penulisan Tugas Akhir secara garis besar dibagi dalam 4 bab masing-masing bab dibagi atas beberapa sub-sub bab yaitu:
(15)
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.
(16)
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.
(17)
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
1(satu),
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
Pada bagian ini, dibahas model rantai markov mutivariat menggambarkan deret multiple kategorik dengan hasil yang sama. Diasumsikan s deret kategorik dan yang
lain m kemungkinan keadan dalam himpunan M = {1,2,…,m}.
Misalnya j
n
X keadan vektor deret j pada waktu n. jika deret j dalam keadaan
l pada waktu n maka dapat ditulis
t
j masukkan l
j
n e 0,,0,1 ,0,0
X
Pada persaman model rantai markov multivariat , diasumsikan sebagai berikut:
s j
untuk P
s
k
k n jk jk j
n , 1,2,..., 1
1 X
X (1)
Dengan jk 0, 1 j,k s (2)
Dan
s
k
jk untuk j s 1
. ,..., 2 , 1 ,
(18)
Pada keadaan probability distribusi deret k pada waktu t (n+ 1) bergantung pada
rata-rata bobot jk nk
P X . P jk adalah matriks transisi probability dari keadaan deret k
sampai keadaan deret j, dan k
n
X adalah keadaan distribusi probability deret k pada
waktu n. Bentuk matriks dapat ditulis
. 1 2 1 2 2 1 1 2 2 22 22 21 21 1 1 12 12 11 11 1 2 1 1 1 1 n n n s n n n ss ss s s s s s s s s s n n n n Q atau Q P P P P P P P P P X X X X X X X X X X
Walaupun jumlah kolom Q tidak sama dengan satu (jumlah kolom jk
P sama dengan
satu), sebagaimana menurut dalil :
Dalil 1. jika parameter jk 0, untuk 1 j,k s, maka matriks Q mempunyai nilai eigen sama dengan satu dan nilai eigen pada Q memiliki aturan lebih kecil dari atau sama dengan satu.
Bukti. Dari persaman (2) jumlah kolom pada matriks
s s s s s s , , 2 , 1 2 , 2 , 2 2 , 1 1 , 1 , 2 1 , 1
adalah satu. Sejak jk 0, tidak negative dan tak
terjabarkan. Theorema Perron-Frobenius, dimana ada sebuah vektor
T s
y y y1, 2,,
y dengan demikian T T
y
y . Dinotasikan dengan
, , 1
, i j s
P ij m
m 1
1 yaitu vektor 1*m semuanya satu, 1m 1,1,,1. Maka
mudah menunjukkan y11m,y21m,...,ys1m Q y11m,y21m,...,ys1m . Dan dari sini
harus satu nilai eigen pada Q.
Untuk menunjukkan semua nilai eigen pada Q kurang dari atau sama dengan
satu. Misalnya defenisi pada vektor-norm
. 1 , , ,..., , :
max 1 2
1 1
s j
v i s j m
s i R z z z z z z
(19)
adalah vektor-norm pada ms
R . Dapat didefenisikan menurut matriks norm
. 1 :
sup Q v v Q
M z z Sejak
ij
P matriks transisi, yang mana anggotanya
ij
P adalah kurang dari atau sama dengan satu.
Dengan 1 1, 1 , .
1 i j s
P ij zj zj Disini
1
. adalah 1-norm untuk sebuah
vektor.
s
j ij s
is is i
i i
i P P P v i s
1 1
2 2 2 1 1
1 z z ... z z . 1,1 dan dari sini
. 1
M
Q Sejak spectral radius pada Q selalu kurang dari atau sama setiap matriks
norm pada Q, dengan hasil sebagai berikut.
Dalil 2. menduga matriks jk
P (1≤ i, j ≤ s) adalah tak terjabarkan (irreducible) dan
. , 1 ,
0 untuk j k s
jk Maka disana adalah sebuah vektor tunggal
T s
x x
x
x 1, 2 ,, dengan demikian x Qx dan 1,1 .
1
s j
m
i
i j
x
Bukti. Dalil 1, di atas adalah tepat suatu nilai eigen pada Q sama dengan satu. Ini
tercantum n T
n
Q vu
lim setiap barisan matriks positif seperti Q adalah tak
terjabarkan (irreducible). Karena itu lim x 1 lim x lim nx0 vuTx0 v.
n n n
n n
Q Q
Disini adalah positif sejak x 0 dan tidak negative. Pada xn cenderung menuju
pada sebuah vektor stasionary seperti n menuju tak hingga. Akhirnya, dinotasikan jika
0
x adalah vektor dengan demikian 1,1 ,
1
0 j s
m
i
i j
x maka Qx dan x juga
memiliki vektor-vektor.
Sekarang andaikan bahwa ada y dengan demikian y x dan lim n.
n x
y
Maka didapat x y x Qx 0. Ini adalah suatu penyangkalan dan karena itu
vektor x harus tunggal. Kemudian didapatkan hasilnya.
Dinotasikan x bukan vektor distribusi probability, tetapi j
x vektor distribusi
(20)
mengestimasi model parameter ij. Andaikan untuk mendapatkan ij yang mana
minimisasi Qxˆ xˆ tentu dibawah vektor norm . .
2.3 Estimasi Pada Model Parameter
Pada bagian ini, dibahas metode untuk estimasi jk jk
dan
P . Mengestimasi matriks
transisi probability jk
P dengan mengikuti metode. Pertama menghitung frekuensi
transisi pada keadan deret k. Setelah menormalisasikan, diperoleh estimasi pada matriks probability transisi. Mengestimasi n demikian m dengan m matriks transisi
probability untuk mendapat estimasi pada jk
P seperti dibawah ini:
jk mm jk m jk m jk jk m jk jk f f f f f f F 1 2 12 1 11
Dari jk
F dapat mengestimasi untuk jk
P seperti dibawah ini:
jk mm jk m jk m jk jk m jk jk p p p p p p P ˆ ˆ ˆ ˆ ˆ ˆ ˆ 1 2 12 1 11 Dengan 0 0 1 1 ˆ m k i k i j i m k i jk k i j i jk k i j i k j f jika f f lain cara dengan jk i i p
Pada jk
Pˆ , sulit untuk mengestimasi parameter jk . Dapat membentuk model
(21)
dapat mengestimasi dari deretan gene ekspresi dengan menghitung proporsi pada kejadian masing-masing gene dan dinotasikan dengan:
T s
x x
x
xˆ ˆ 1,ˆ 2 ,,ˆ
Karena itu diharapkan bahwa
x xˆ ˆ
2 2 1 1 2 2 22 22 21 21 1 1 12 12 11 11 ss ss s s s s s s s s P P P P P P P P P (4)
Dari persaman (4) mengangap satu kemungkinan untuk estimasi parameter
jk . Dalam fakta, dengan . seperti vektor norm untuk mengukur
perbedaan pada persamaan (4), dapat diselesaikan dengan cara minimisasi;
. , 0 , 1 ˆ ˆ ˆ max min 1 1 k dan to subject i P jk s k jk j k jk m k jk i x x
(5)
Persamaan (5) dapat dirumuskan seperti s masalah linier programming sebagai berikut, dapat dilihat (Chvatal V (1983)). Untuk j lain:
s k jk jk j js j j j j j j js j j j j j j j k w B w w w B w w w w subjectto 1 , 0 2 1 2 1 , 0 , 1 ˆ ˆ min x x
(22)
Dengan
s js j
j
P P
P
B ˆ 1 xˆ 1 ˆ 2 xˆ 2 ˆ xˆ .
Dengan ( jk)
F = matriks frekuensi pada keaadan deret k ke keadaan deret j
jk
Pˆ = matriks transisi probability pada keadaan deret k ke keadaan deret j
jk = parameter
2.4 Aplikasi Rantai Markov Multivariat Pada Network Genetik
Pada bagian ini, model rantai markov multivariat yaitu memodelkan network genetik. Network Boolean merupakan faktor yang menentukan, keadaan tak pasti. Pada
umumnya network Boolean G V,F terdiri dari himpunan V v1,v2,,vn dan
t
vi menggambarkan keadaan (0 atau 1) vi pada waktu t. Fungsi Boolean
n
f f
f
F 1 , 2 ,, menggambarkan aturan regulatori interaksi antara simpul:
n i
t f t
vi 1 i v , 1,2,, , dengan v t v1 t ,v2 t ,,vn t . Pada
umumnya, sebagian simpul tak perlu pada fungsi Boolean. Untuk fungsi Boolean j
f , variabel vi t disebut tak benar jika
t v v
t v t v f t v t v t v t v
f j 1 ,, i 1 ,0, i 1 ,, n j 1 ,, i 1 ,1, i 1,, n untuk
semua nilai kemungkinan pada v1 t ,,vi 1 t ,vi 1 t ,,vn t . Dengan menganggap
bahwa ketika network boolean digunakan dalam penyusunan pada network genetik utama, maka n melambangkan jumlah dari gene-gene berdasarkan pertimbangan,
setiap verteks vi mewakili gene i, dan vi(t) melambangkan tingkat ekspresi gene i
pada waktu t, salah satunya 0 atau 1. Tingkat ekspresi pada setiap gene adalah relasi fungsional untuk gene lainnya.
Model network genetik regulatori dapat ditulis seperti:
, , , 1 li j i j
i f
F
dimana setiap prediktor i
j
(23)
dan l i jumlah kemungkinan prediktor untuk gene vi. Ini jelas bahwa i n
i F
F 1 .
Misalnya i
j mencapai kesalahan optimal dengan
i j
f dan i adalah kesalahan pada
estimasi terbaik dari gene i dalam ketidakadaan suatu kondisi variabel, maka didapat
i i j i i
j . Untuk
i
j semua positif, dapat diperoleh
i j
c dengan:
i l
k
i k i k
i j i
j
c
1
} 0 :
{
. Di dapat bahwa, i
j
c haruslah
i l
j i
j untuk i n
c
1
. ,..., 1 .
1
pada setiap waktu tertentu, tingkat ekspresi pada gene i ditentukan oleh salah satu
predictor yang memungkinkan yaitu fji untuk 1 j l i , probabiliti transisi dari
1 t hingga
t v
v dapat diperoleh sebagai berikut:
n
i i l
k
i i
k i
k f t v t
c
1 1
} 1 :
{ v .
Pada tingkat pengaruh dari gene j ke gene i dapat ditaksir dengan
i k i
l
k j j n
i k n j
j i
k i
j v ob f v v v v f v v v v c
I
1Pr 1,..., 1,0, 1,..., 1,..., 1,1, 1,..., (6)
Sebelum mengevaluasi salah satu keadaan transisi probability atau Ij vi ,
pertama dibutuhkan untuk memperoleh semua prediktor i
n i 1 F
Dianggap bahwa
untuk setiap himpunan dari Fi dengan 1 i n, jumlah maksimum dari prediktor
adalah sama pada 22n seperti 1 l i 22n , ini adalah benar untuk penyesuaian
probabilitas i
i l i
c c1 ,, .
Probabiliti Network Boolean (PBN) yaitu proses pada waktu diskrit, distibusi probability pada gene ekspresi diwaktu t+ 1 dari gene i dapat diestimasi dengan gene ekspresi pada gene n yang lain diwaktu t-1 matriks transisi. Ini adalah proses markov framework. Diingat bahwa model rantai markov multivariat untuk menduga network genetik dari gene n. Pada network ini, tidak ada informasi sebelumnya pada hubungan gene-gene n diterima, model yang ditunjukkan tersebut digunakan untuk menemukan variasi hubungan gene yang utama, termasuk gene dan hubungan gene cyclic atau
acyclic. Ini dapat mengestimasi kondisi distribusi probability d
i
i n
X ,...,
(24)
ekspresi pada dasar t+ 1 yang diberikan dengan suatu himpunan pada gene input ekspresi pada dasar t,
n k n k dk i dk i dk dk i k t d t d i i k k k n P E P n k untuk E V V ob X 1 1 ., 1
,..., Pr 1,...,
1
Dengan ik 0,1 dan P.,dki merupakan kolom i pada dk
P . Dengan jelas, setiap
vektor probability d
i
i n
X ,...,
1 yaitu unit vektor dan untuk setiap d, disana
n
2 jumlah pada
vektor probability sulit untuk diestimasi. Jika dk=0 untuk beberapa j 1,...,n ,
menggambarkan gene j tidak memiliki suatu pengaruh untuk gene d, dan d
i i i
i j j n
X ,..., ,0, ,..., 1 1 1 d i i i
i j j n
X ,..., ,0, ,..., 1 1 1
jumlah pada estimasi vektor probability dapat direduksi separuh. Setelah semuanya
penting d
i
i n
X1,, telah diestimasi, probability
d g
c dari prediktor fgd dapat diestimasi
dengan 1 , 0 ,..., 1 ,..., 1 ,..., 1 , 1 , 0 1 ,..., 1 n d g n k i n d g i i d d g i i f dengan i i f X c k n dan d i i n
X , ,
1 (h) ditunjukkan h entry pada vektor
d i
i n
X , ,
1 . Jika
d g
c = 0 prediktor d
g
f
tidak ada dan bentuknya tereliminasi. Ini menarik untuk membenarkan bagaimana ekspresi dari gene i dipengaruhi oleh ekspresi gene j, oleh karena itu, tingkat sensitivitas dari gene j ke gene i dapat diestimasi dengan persamaan (6) yang
disinggung pada bagian sebelumnya. Perhatikan dua kondisi Ij vi 0,
1. Jika dk =0, maka gene j tidak memberikan suatu pengaruh pada gene i.
2. Pertama kedua kolom pada matriks jk
P adalah sama, artinya ekspresi pada
gene j tidak begitu penting, hasil pada vektor probability adalah tidak berpengaruh.
Dengan: i
j v
I = penghitungan keadaan (state) transisi probability tingkat pengaruh gene i
(25)
i k
f = prediktor gene i jika i k
c positif
i k
c = estimasi dari training data
n
v = nilai variabel ke n
d i
i n
X , ,
1 =estimasi kondisi probability untuk d output ekspresi pada t+ 1 dengan
himpunan gene input ekspresi t d
t
V 1 = distribusi probability pada gene d pada waktu t+ 1
k t
V = tingkat pada gene k pada waktu t
dk = parameter
d g
c = estimasi probability pada prediktor d
g
f
d g
f = prediktor gene d tidak ada dan bentuknya tereliminasi jika d
g
(26)
BAB 3
PEMODELAN RANTAI MARKOV UNTUK NETWORK GENETIK
Pada bab ini akan dibahas pemodelan rantai markov untuk network genetik. Metode pengambilan keputusan markov merupakan suatu metode yang telah dikenal luas untuk pengambilan keputusan dalam model-model stokastik. Dalam bab ini dibahas penggunaan salah satu metode pengambilan keputusan markov, yaitu aplikasi network genetik, untuk menyelesaiakan ada tidaknya hubungan antara baris pertama dengan baris kedua pada waktu t dalam pengambilan keputusan.
Andaikan suatu persoalan penentuan model parameter yaitu menggunakan dua deret binary, yang mana anggotanya 0 dan 1.(Ching dan Ng, 2006). Dalam hal ini dipertimbangkan terdapat 12 gene yang masing-masing baris diasumsikan 0 dan 1 (state-statenya). Pada waktu pertama, gene-1 bernilai 0, gene-2 bernilai 0, gene-3 bernilai 1, gene-4 bernilai 0, gene-5 bernilai 0, gene-6 bernilai 0, gene-7 bernilai 0, gene-8 bernilai 0, gene-9 bernilai 1, gene10 bernilai 1, gene11 bernilai 0, dan gene-12 bernilai 0. Pada waktu kedua gene-1 bernilai 1, gene-2 bernilai 1, gene-3 bernilai 0, gene-4 bernilai 0, gene-5 bernilai 1, gene-6 bernilai 0, gene-7 bernilai 0, gene-8 bernilai 0, gene-9 bernilai 0, gene10 bernilai 1, gene11 bernilai 0, dan gene-12 bernilai 1. Berdasarkan hal diatas gene-gene tersebut diformulasikan sebagai berikut:
1 , 0 , 1 , 0 , 0 , 0 , 0 , 1 , 0 , 0 , 1 , 1
0 , 0 , 1 , 1 , 0 , 0 , 0 , 0 , 0 , 1 , 0 , 0
2 1
s dan s
Karena anggotanya hanya 0 dan 1 maka gambar network hanya mengunakan tanda panah saja.
Dengan menghitung frekuensi transisi sebagai berikut:
1 0 1 0 0 0 0 1 0 0 1 1 :
0 0 1 1 0 0 0 0 0 1 0 0 :
2 1
s dan s
(27)
:
1
s 0 0 1 0 0 0 0 0 1 1 0 0
:
2
s 1 1 0 0 1 0 0 0 0 1 0 1
dan
:
1
s 0 0 1 0 0 0 0 0 1 1 0 0
:
2
s 1 1 0 0 1 0 0 0 0 1 0 1
Diperoleh matriks frekuensi sebagai berikut:
1 3 3 4 , 1 3 2 5 1 2 3 5 , 1 2 2 6 22 21 12 11 F F F F
Setelah menormalisasi diperoleh matriks transisi probability:
. 4 1 7 3 4 3 7 4 ˆ , 3 1 8 3 3 2 8 5 ˆ , 4 1 7 2 4 3 7 5 ˆ , 3 1 4 1 3 2 4 3 ˆ 22 21 12 11 P P P P Dan diperoleh T T V dan V 12 5 12 7 ˆ 4 1 4 3 ˆ 2 1
Setelah menyelesaikan persoalan diatas, model Markov multivariate pada dua deret binary adalah dengan membuat
2 22 1 21 2 1 2 12 1 11 1 1 ˆ 0 , 0 ˆ 0 , 1 ˆ 5 , 0 ˆ 5 , 0 t t t t t t V P V P V V P V P V
(28)
Kondisi distribusi probability vektor 1 0 , 0
X dapat menaksir seperti:
56 15 56 41 14 2 14 5 8 1 8 3 7 2 7 5 5 . 0 4 1 4 3 5 . 0 0 1 4 1 7 2 4 3 7 5 5 . 0 0 1 3 1 4 1 3 2 4 3 5 . 0 0 , 1 ˆ 5 . 0 0 , 1 ˆ 5 .
0 11 12
1 0 , 0 T T P P X
Dengan cara yang sama diperoleh:
4 1 4 3 8 2 8 6 8 1 8 3 8 1 8 3 4 1 4 3 5 . 0 4 1 4 3 5 . 0 1 0 4 1 7 2 4 3 7 5 5 . 0 0 1 3 1 4 1 3 2 4 3 5 . 0 1 , 0 ˆ 5 . 0 0 , 1 ˆ 5 .
0 11 12
1 1 , 0 T T P P X
(29)
42 13 42 29 14 2 14 5 6 1 6 2 7 2 7 5 5 . 0 3 1 3 2 5 . 0 0 1 4 1 7 2 4 3 7 5 5 . 0 1 0 3 1 4 1 3 2 4 3 5 . 0 0 , 1 ˆ 5 . 0 1 , 0 ˆ 5 .
0 11 12
1 0 , 1 T T P P X 24 7 24 17 8 1 8 3 6 1 6 2 4 1 4 3 5 . 0 3 1 3 2 5 . 0 1 0 4 1 7 2 4 3 7 5 5 . 0 1 0 3 1 4 1 3 2 4 3 5 . 0 1 , 0 ˆ 5 . 0 1 , 0 ˆ 5 .
0 11 12
1 1 , 1 T T P P X
(30)
Seperti 2,2 0, Karena itu didapat, 8 3 8 5 7 3 7 4 0 . 0 8 3 8 5 0 . 1 0 1 4 1 7 3 4 3 7 4 0 . 0 0 1 3 1 8 3 3 2 8 5 0 . 1 0 , 1 ˆ 0 . 0 0 , 1 ˆ 0 .
1 21 22
2 0 , 0 T T P P X 8 3 8 5 4 1 4 3 0 . 0 8 3 8 5 0 . 1 1 0 4 1 7 3 4 3 7 4 0 . 0 0 1 3 1 8 3 3 2 8 5 0 . 1 1 , 0 ˆ 0 . 0 0 , 1 ˆ 0 .
1 21 22
2 1 , 0 T T P P X 3 1 3 2 7 3 7 4 0 . 0 3 1 3 2 0 . 1 0 1 4 1 7 3 4 3 7 4 0 . 0 1 0 3 1 8 3 3 2 8 5 0 . 1 0 , 1 ˆ 0 . 0 1 , 0 ˆ 0 .
1 21 22
2 0 , 1 T T P P X
(31)
3 1 3 2
4 1 4 3 0 . 0 3 1 3 2 0 . 1
1 0
4 1 7 3
4 3 7 4 0 . 0 1 0
3 1 8 3
3 2 8 5 0 . 1
1 , 0
ˆ
0 . 0 1 , 0
ˆ
0 .
1 21 22
2 1 , 1
T T
P P
X
Dari bagian sebelumnya, probability i
j
c dapat memperoleh suatu hasil di dalam Tabel
Tabel 3.1 Hasil deret yang pertama
0 0 0 0 0 0 0 0 0 0
0 1 0 0 0 0 1 1 1 1
1 0 0 0 1 1 0 0 1 1
1 1 0 1 0 1 0 1 0 1
0.26 0.11 0.12 0.05 0.08 0.04 0.04 0.02
1 10
f
0 0 1 1 1 1 1 1 1 1
0 1 0 0 0 0 1 1 1 1
1 0 0 0 1 1 0 0 1 1
1 1 0 1 0 1 0 1 0 1
0.1 0.04 0.04 0.02 0.03 0.01 0.02 0.01
1
v v2
2
v
1 1
f f21 f31 f41 f51 f61 f71 f81
1 9
f f111 f121 f131 f141 f151 f161
1 j
c
1 j
c
1
(32)
Untuk mendapatkan hasil deret pertama berdasarkan table diatas dapat diuraikan sebagai berikut: 26 . 0 5531904 1413721 42 29 42 29 56 41 56 41 1 1 0 , 1 1 1 0 , 1 1 1 0 , 0 1 1 0 , 0 1
1 X X X X
c 11 . 0 3161088 341243 24 7 42 29 56 41 56 41 2 1 1 , 1 1 1 0 , 1 1 1 0 , 0 1 1 0 , 0 1
2 X X X X
c 12 . 0 3161088 341243 42 29 24 7 56 41 56 41 1 1 0 , 1 2 1 1 , 1 1 1 0 , 0 1 1 0 , 0 1
3 X X X X
c 05 . 0 1806336 8239 24 7 24 7 56 41 56 41 2 1 1 , 1 2 1 1 , 1 1 1 0 , 0 1 1 0 , 0 1
4 X X X X
c 08 . 0 395136 34481 42 29 42 29 4 1 56 41 1 1 0 , 1 1 1 0 , 1 2 1 1 , 0 1 1 0 , 0 1
5 X X X X
(33)
04 . 0 225792 8323 24 7 42 29 4 1 56 41 2 1 1 , 1 1 1 0 , 1 2 1 1 , 0 1 1 0 , 0 1
6 X X X X
c 04 . 0 225792 8323 42 29 24 7 4 1 56 41 1 1 0 , 1 2 1 1 , 1 2 1 1 , 0 1 1 0 , 0 1
7 X X X X
c 02 . 0 129024 2009 24 7 24 7 4 1 56 41 2 1 1 , 1 2 1 1 , 1 2 1 1 , 0 1 1 0 , 0 1
8 X X X X
c 1 . 0 395136 34481 42 29 42 29 56 41 4 1 1 1 0 , 1 1 1 0 , 1 1 1 0 , 0 2 1 1 , 0 1
9 X X X X
c 04 . 0 225792 24969 24 7 42 29 56 41 4 1 2 1 1 , 1 1 1 0 , 1 1 1 0 , 0 2 1 1 , 0 1
10 X X X X
(34)
04 . 0 225792 8323 42 29 24 7 56 41 4 1 1 1 0 , 1 2 1 1 , 1 1 1 0 , 0 2 1 1 , 0 1
11 X X X X
c 02 . 0 129024 2009 24 7 24 7 56 41 4 1 2 1 1 , 1 2 1 1 , 1 1 1 0 , 0 2 1 1 , 0 1
12 X X X X
c 03 . 0 28224 841 42 29 42 29 4 1 4 1 1 1 0 , 1 1 1 0 , 1 2 1 1 , 0 2 1 1 , 0 1
13 X X X X
c 01 . 0 16128 203 24 7 42 29 4 1 4 1 2 1 1 , 1 1 1 0 , 1 2 1 1 , 0 2 1 1 , 0 1
14 X X X X
c 02 . 0 16128 273 42 13 24 7 4 1 4 3 2 1 0 , 1 2 1 1 , 1 2 1 1 , 0 1 1 1 , 0 1
15 X X X X
(35)
01 . 0 9216 49 24 7 24 7 4 1 4 1 2 1 1 , 1 2 1 1 , 1 2 1 1 , 0 2 1 1 , 0 1
16 X X X X
c
Dengan cara yang sama, diperoleh:
17 . 0 576 100 3 2 8 5 3 2 8 5 1 2 0 , 1 1 2 0 , 0 1 2 0 , 1 1 2 0 , 0 2
1 X X X X
c 09 . 0 576 50 3 1 8 5 3 2 8 5 2 2 1 , 1 1 2 0 , 0 1 2 0 , 1 1 2 0 , 0 2
2 X X X X
c 1 . 0 576 60 3 2 8 3 3 2 8 5 1 2 0 , 1 2 2 1 , 0 1 2 0 , 1 1 2 0 , 0 2
3 X X X X
c 05 . 0 576 30 3 1 8 3 3 2 8 5 2 2 1 , 1 2 2 1 , 0 1 2 0 , 1 1 2 0 , 0 2
4 X X X X
(36)
09 . 0 576 50 3 2 8 5 3 1 8 5 1 2 0 , 1 1 2 0 , 0 2 2 1 , 1 1 2 0 , 0 2
5 X X X X
c 04 . 0 576 25 3 1 8 5 3 1 8 5 2 2 1 , 1 1 2 0 , 0 2 2 1 , 1 1 2 0 , 0 2
6 X X X X
c 05 . 0 576 30 3 2 8 3 3 1 8 5 1 2 0 , 1 2 2 1 , 0 2 2 1 , 1 1 2 0 , 0 2
7 X X X X
c 03 . 0 576 15 3 1 8 3 3 1 8 5 2 2 1 , 1 2 2 1 , 0 2 2 1 , 1 1 2 0 , 0 2
8 X X X X
c 1 . 0 576 60 3 2 8 5 3 2 8 3 1 2 0 , 1 1 2 0 , 0 1 2 0 , 1 2 2 1 , 0 2
9 X X X X
(37)
05 . 0 576 30 3 1 8 5 3 2 8 3 2 2 1 , 1 1 2 0 , 0 1 2 0 , 1 2 2 1 , 0 2
10 X X X X
c 04 . 0 576 36 3 2 8 3 3 2 8 3 1 2 0 , 1 2 2 1 , 0 1 2 0 , 1 2 2 1 , 0 2
11 X X X X
c 03 . 0 576 18 3 1 8 3 3 2 8 3 2 2 1 , 1 2 2 1 , 0 1 2 0 , 1 2 2 1 , 0 2
12 X X X X
c 05 . 0 576 30 3 2 8 5 3 1 8 3 1 2 0 , 1 1 2 0 , 0 2 2 1 , 1 2 2 1 , 0 2
13 X X X X
c 03 . 0 576 15 3 1 8 5 3 1 8 3 2 2 1 , 1 1 2 0 , 0 2 2 1 , 1 2 2 1 , 0 2
14 X X X X
(38)
03 . 0 576
18
3 2 8 3 4 1 8 3
1 2 0 , 1 2 2
1 , 0 2 2 1 , 1 2 2
1 , 0 2
15 X X X X
c
02 . 0
576 9
3 1 8 3 3 1 8 3
2 2 1 , 1 2 2
1 , 0 2 2 1 , 1 2 2
1 , 0 2
16 X X X X
c
Karena pada 22 0, tentu pada prediktor untuk deret yang kedua dapat memperkecil
signifikan.
Dari tabel 3.1 dan 3.2 tingkatan kesensitifan Ij vi dapat memperoleh dengan
menunjukkan perhitungan.
Tabel 3.2 Hasil deret yang kedua
0 - 0 0 1 1
1 - 0 1 0 1
0.42 0.2 0.25 0.13
42 . 0
24 10
3 2 8 5
1 2
0 , 1 1 2
0 , 0 2
1 X X
c
1
v 2
3
f f42
2
v 2
1
f f22
2 j c
(39)
2 . 0 24 5 3 1 8 5 2 2 1 , 1 1 2 0 , 0 2
2 X X
c 25 . 0 24 6 3 2 8 3 1 2 0 , 1 2 2 1 , 0 2
3 X X
c 13 . 0 24 3 3 1 8 3 2 2 1 , 1 2 2 1 , 0 2
4 X X
c
Dengan pembahasan diatas diperoleh hasil:
4 . 0 0 01 . 0 005 . 0 03 . 0 01 . 0 0 04 . 0 05 . 0 01 . 0 04 . 0 0 04 . 0 05 . 0 06 . 0 055 . 0 0 01 . 0 0 02 . 0 2 1 01 . 0 2 1 03 . 0 02 . 0 2 1 04 . 0 0 04 . 0 1 . 0 2 1 02 . 0 2 1 04 . 0 04 . 0 0 08 . 0 2 1 05 . 0 12 . 0 2 1 11 . 0 2 1 26 . 0 0 1 1 v I
(40)
Dan
45 . 0
0 015 . 0 015 . 0 05 . 0 015 . 0 0 05 . 0 05 . 0
015 . 0 05 . 0 0 045 . 0 05 . 0 05 . 0 045 . 0 0
02 . 0 0 03 . 0 2 1 03 . 0 2 1 05 . 0
03 . 0 2 1 06 . 0 0 05 . 0 1 . 0 2 1
03 . 0 2 1 05 . 0 04 . 0 0 09 . 0 2 1
05 . 0 1 . 0 2 1 09 . 0 2 1 17 . 0 0
2
1 v
I
Dengan cara yang sama, diperoleh:
0 4
.
0 2 2
1
2 v dan I v
I
Sesuai dengan perhitungan nilai Ii vj , diketahui deret yang pertama bagaimanapun
menentukan deret yang kedua. Tetapi, kejadian-kejadian ini telah diilustrasikan
(41)
BAB 4
KESIMPULAN DAN SARAN
4.1 Kesimpulan
Berdasarkan hasil dari perhitungan dan pembahasan yang telah dikemukakan pada bab-bab sebelumnya, maka dapat diambil kesimpulan sebagai berikut:
1. Pada tingkat sensitifitas I1(v1) 0.4 yang artinya ekspresi dari gene 1
dipengaruhi oleh ekspresi gene 1 sebesar 0.4,
2. Pada tingkat sensitifitas I1(v2) 0.45 yang artinya ekspresi dari gene 1
dipengaruhi oleh ekspresi gene 2 sebesar 0.45,
3. Pada tingkat sensitifitas I2(v1) 0.4 yang artinya ekspresi dari gene 2
dipengaruhi oleh ekspresi gene 1 sebesar 0.4,
4. Pada tingkat sensitifitas I2(v2) 0 yang artinya gene 2 tidak memberikan
suatu pengaruh pada gene 2,
5. Mengestimasi matriks frekuensi dapat menormalisasikan suatu keadan matriks
transisi probabiliti.
4.2 Saran
Ada baiknya jika ingin melanjutkan skripsi ini dengan menggunakan Model Markov Tersembunyi atau lebih dikenal dengan Hidden Markov Model (HMM) adalah sebuah model statistik dari sebuah sistem yang diasumsikan sebuah Markov Proses dengan parameter yang tidak diketahui, dan tantangannya adalah menentukan parameter-parameter tersembunyi (hidden) dari parameter-parameter-parameter-parameter yang dapat diamati. Parameter-parameter yang ditentukan kemudian dapat digunakan untuk analisis yang lebih jauh, misalnya untuk aplikasi Pattern Recoginition. Sebuah HMM dapat dianggap sebuah Bayesian Network dinamis yang paling sederhana.
(42)
DAFTAR PUSTAKA
Akutsu, T., Miyano, S., dan Kuhara, S. 2000. Inferring Qualitative Relation in Genetic Networks and Metabolic Arrays. Bioinformatic.
Artzner, P., dan Delbaen, F. 1997. Default Risk Premium and Incomplkete Markets. Mathematical Finance.
Bharucha-Reid, A.T. 1983. Probabilistic Analysis and Related Topics. New York London: Academic Press.
Bodnar, J. 1997. Programming the Drosophila Embryo. Journal of Theoretical Biology.
Bower, J. 2001. Computational Modeling of Genetik and Biochemical Networks. MIT Press, Cambridge, M.A.
Ching, W., Fung, E., dan Ng, M. 2004. Building Genetic Networks in Gene Expression Pattern. IDEAL2004. Lecture Notes in Computer Science. (Yang, Z., Everson, R., dan Yin H(Eds.)). Springer.
Ching, W., dan Ng, M. 2006. Markov Chain: Models, Algorithms and Application. New York: Springer Science + Business Media, Inc.
Clarke, A., Bruce, dan Disney Ralph, L. 1970. Probability and Random Processes. New York: Jhon Wiley & Sons,Inc.
Chvatal, V. 1983. Linier Programming. Freeman. New York.
De Jong, H. 2002. Modeling and Simulation of Genetic Regulatory System:A Literature Review. Journal Computational. Biology.
Hines William, W., dan Montgomery Douglas, C. 1990. Probabilita dan Statistik Dalam Ilmu Rekayasa dan Manajemen. Jakarta: UI-Press.
Huang, S., dan Ingber, D. 2000. Shape-dependent Control of Cell Growt Differentiation, and Apoptosis: Switching Between Atractors in Cell Regulatory Networks. Experimental Cell Research.
Mendoza, L., Thieffry, D., dan Alfarez-Buylla, E. 1999. Genetic Control of Flower Morphogenesis in Arabidopsis Thaliana: A Logical Analisys, Bioinformatics.
Preston Gordon, dan Watterson Geoffrey. 1972. Probability and Statistics. Adelaide, Sydney, Melbourne, Brisbane, Perth.
(43)
Smolen, P., Baxter, D., dan Byrne, J. 2000. Mathematical Modeling of Gene Network, Neuron.
(1)
03 . 0 576
18
3 2 8 3 4 1 8 3
1 2 0 , 1 2 2
1 , 0 2 2 1 , 1 2 2
1 , 0 2
15 X X X X
c
02 . 0
576 9
3 1 8 3 3 1 8 3
2 2 1 , 1 2 2
1 , 0 2 2 1 , 1 2 2
1 , 0 2
16 X X X X
c
Karena pada 22 0, tentu pada prediktor untuk deret yang kedua dapat memperkecil
signifikan.
Dari tabel 3.1 dan 3.2 tingkatan kesensitifan Ij vi dapat memperoleh dengan menunjukkan perhitungan.
Tabel 3.2 Hasil deret yang kedua
0 - 0 0 1 1
1 - 0 1 0 1
0.42 0.2 0.25 0.13
42 . 0
24 10
3 2 8 5
1 2
0 , 1 1 2
0 , 0 2
1 X X
c
1
v 2
3
f f42
2
v 2
1
f f22
2 j
(2)
2 . 0 24 5 3 1 8 5 2 2 1 , 1 1 2 0 , 0 2
2 X X
c 25 . 0 24 6 3 2 8 3 1 2 0 , 1 2 2 1 , 0 2
3 X X
c 13 . 0 24 3 3 1 8 3 2 2 1 , 1 2 2 1 , 0 2
4 X X
c
Dengan pembahasan diatas diperoleh hasil:
4 . 0 0 01 . 0 005 . 0 03 . 0 01 . 0 0 04 . 0 05 . 0 01 . 0 04 . 0 0 04 . 0 05 . 0 06 . 0 055 . 0 0 01 . 0 0 02 . 0 2 1 01 . 0 2 1 03 . 0 02 . 0 2 1 04 . 0 0 04 . 0 1 . 0 2 1 02 . 0 2 1 04 . 0 04 . 0 0 08 . 0 2 1 05 . 0 12 . 0 2 1 11 . 0 2 1 26 . 0 0 1 1 v I
(3)
Dan 45 . 0 0 015 . 0 015 . 0 05 . 0 015 . 0 0 05 . 0 05 . 0 015 . 0 05 . 0 0 045 . 0 05 . 0 05 . 0 045 . 0 0 02 . 0 0 03 . 0 2 1 03 . 0 2 1 05 . 0 03 . 0 2 1 06 . 0 0 05 . 0 1 . 0 2 1 03 . 0 2 1 05 . 0 04 . 0 0 09 . 0 2 1 05 . 0 1 . 0 2 1 09 . 0 2 1 17 . 0 0 2 1 v I
Dengan cara yang sama, diperoleh:
0 4
.
0 2 2
1
2 v dan I v
I
Sesuai dengan perhitungan nilai Ii vj , diketahui deret yang pertama bagaimanapun menentukan deret yang kedua. Tetapi, kejadian-kejadian ini telah diilustrasikan dengan fakta 22 0 21 1 pada model rantai markov multivariat.
(4)
BAB 4
KESIMPULAN DAN SARAN
4.1 Kesimpulan
Berdasarkan hasil dari perhitungan dan pembahasan yang telah dikemukakan pada bab-bab sebelumnya, maka dapat diambil kesimpulan sebagai berikut:
1. Pada tingkat sensitifitas I1(v1) 0.4 yang artinya ekspresi dari gene 1 dipengaruhi oleh ekspresi gene 1 sebesar 0.4,
2. Pada tingkat sensitifitas I1(v2) 0.45 yang artinya ekspresi dari gene 1 dipengaruhi oleh ekspresi gene 2 sebesar 0.45,
3. Pada tingkat sensitifitas I2(v1) 0.4 yang artinya ekspresi dari gene 2 dipengaruhi oleh ekspresi gene 1 sebesar 0.4,
4. Pada tingkat sensitifitas I2(v2) 0 yang artinya gene 2 tidak memberikan suatu pengaruh pada gene 2,
5. Mengestimasi matriks frekuensi dapat menormalisasikan suatu keadan matriks transisi probabiliti.
4.2 Saran
Ada baiknya jika ingin melanjutkan skripsi ini dengan menggunakan Model Markov Tersembunyi atau lebih dikenal dengan Hidden Markov Model (HMM) adalah sebuah model statistik dari sebuah sistem yang diasumsikan sebuah Markov Proses dengan parameter yang tidak diketahui, dan tantangannya adalah menentukan parameter-parameter tersembunyi (hidden) dari parameter-parameter-parameter-parameter yang dapat diamati. Parameter-parameter yang ditentukan kemudian dapat digunakan untuk analisis yang lebih jauh, misalnya untuk aplikasi Pattern Recoginition. Sebuah HMM dapat dianggap sebuah Bayesian Network dinamis yang paling sederhana.
(5)
DAFTAR PUSTAKA
Akutsu, T., Miyano, S., dan Kuhara, S. 2000. Inferring Qualitative Relation in Genetic Networks and Metabolic Arrays. Bioinformatic.
Artzner, P., dan Delbaen, F. 1997. Default Risk Premium and Incomplkete Markets. Mathematical Finance.
Bharucha-Reid, A.T. 1983. Probabilistic Analysis and Related Topics. New York London: Academic Press.
Bodnar, J. 1997. Programming the Drosophila Embryo. Journal of Theoretical Biology.
Bower, J. 2001. Computational Modeling of Genetik and Biochemical Networks. MIT Press, Cambridge, M.A.
Ching, W., Fung, E., dan Ng, M. 2004. Building Genetic Networks in Gene Expression Pattern. IDEAL2004. Lecture Notes in Computer Science. (Yang, Z., Everson, R., dan Yin H(Eds.)). Springer.
Ching, W., dan Ng, M. 2006. Markov Chain: Models, Algorithms and Application. New York: Springer Science + Business Media, Inc.
Clarke, A., Bruce, dan Disney Ralph, L. 1970. Probability and Random Processes. New York: Jhon Wiley & Sons,Inc.
Chvatal, V. 1983. Linier Programming. Freeman. New York.
De Jong, H. 2002. Modeling and Simulation of Genetic Regulatory System:A Literature Review. Journal Computational. Biology.
Hines William, W., dan Montgomery Douglas, C. 1990. Probabilita dan Statistik Dalam Ilmu Rekayasa dan Manajemen. Jakarta: UI-Press.
Huang, S., dan Ingber, D. 2000. Shape-dependent Control of Cell Growt Differentiation, and Apoptosis: Switching Between Atractors in Cell Regulatory Networks. Experimental Cell Research.
Mendoza, L., Thieffry, D., dan Alfarez-Buylla, E. 1999. Genetic Control of Flower Morphogenesis in Arabidopsis Thaliana: A Logical Analisys, Bioinformatics.
Preston Gordon, dan Watterson Geoffrey. 1972. Probability and Statistics. Adelaide, Sydney, Melbourne, Brisbane, Perth.
(6)
Smolen, P., Baxter, D., dan Byrne, J. 2000. Mathematical Modeling of Gene Network, Neuron.