Perbandingan Ekstraksi Ciri K-Mers dan Spaced K-Mers pada Klasifikasi Fragmen Metagenome dengan Naïve Bayes Classifier

PERBANDINGAN EKSTRAKSI CIRI K-MERS DAN SPACED
K-MERS PADA KLASIFIKASI FRAGMEN METAGENOME
DENGAN NAÏVE BAYES CLASSIFIER

VIANI RAHMAWATI

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Perbandingan Ekstraksi
Ciri K-Mers dan Spaced K-Mers pada Klasifikasi Fragmen Metagenome dengan
Naïve Bayes Classifier 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, 15 Agustus 2013

Viani Rahmawati
NIM G64090058

ABSTRAK
VIANI RAHMAWATI. Perbandingan Ekstraksi Ciri K-Mers dan Spaced K-Mers
pada Klasifikasi Fragmen Metagenome dengan Naïve Bayes Classifier.
Dibimbing oleh WISNU ANANTA KUSUMA, TOTO HARYANTO.
Metagenom adalah material genetis yang diperoleh dari sampel yang
diambil langsung dari lingkungan, misalnya tanah, air laut, atau isi perut manusia.
Fragmen-fragmen yang diperoleh dari metagenome ini mengandung berbagai
organisme sehingga proses binning diperlukan untuk mengelompokkannya
sebelum perakitan genom dilakukan. Penelitian ini menggunakan metode
klasifikasi naïve Bayes dengan metode ekstraksi ciri spaced k-mers untuk
mengklasifikasikan fragmen ke takson genus. Hasilnya dibandingkan dengan
teknik klasifikasi menggunakan ekstraksi ciri k-mers dan naïve Bayes classifier.

K-mers adalah ciri umum yang banyak digunakan untuk pengklasifikasian
fragmen DNA. Hasil perbandingan menunjukkan bahwa hasil pengklasifikasian
dengan menggunakan naïve Bayes classifier dan spaced k-mers menghasilkan
nilai akurasi yang lebih tinggi dibandingkan dengan menggunakan naïve Bayes
classifier dan ekstraksi ciri k-mers.
Kata kunci: metagenome, naïve Bayes Classifier, k-mers, spaced k-mers

ABSTRACT
Metagenome is a genetic material obtained from a simple which is taken
directly from the environment such as soil, marine, or human entrails. These
metagenome fragments contain a variety of organism , so that a binning process
required to classify them before conducting genome assembly. This research
employs naïve Bayes classifier (NBC) and spaced k-mers as a feature extraction
to classify these fragments into genus level. The results will be compared to those
of method which uses NBC and k-mers feature extraction. K-mers feature is a
common feature in the DNA fragments classification problem. The comparison
results show that the accuracy of classifier using NBC and spaced k-mers is
higher than that of classifier using NBC and k-mers.
Keywords: metagenome, naïve Bayes Classifier, k-mers, spaced k-mers

PERBANDINGAN EKSTRAKSI CIRI K-MERS DAN SPACED
K-MERS PADA KLASIFIKASI FRAGMEN METAGENOME
DENGAN NAÏVE BAYES CLASSIFIER

VIANI RAHMAWATI

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Matematika dan Ilmu Pengetahuan Alam

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

Penguji: Aziz Kustiyo, SSi MKom

Judul Skripsi : Perbandingan Ekstraksi Ciri K-Mers dan Spaced K-Mers pada
Klasifikasi Fragmen Metagenorne dengan Naive Bayes Classifier
: Viani Rahmawati
Nama
: G64090058
NIM

Disetujui oleh

Dr Ir Wisnu Ananta usuma ST MT
Pernbirn ing I

Tanggal Lulus:

1 5 Al.'C 2013

Toto Haryanto, SKorn MSi
Pembimbing II

Judul Skripsi : Perbandingan Ekstraksi Ciri K-Mers dan Spaced K-Mers pada

Klasifikasi Fragmen Metagenome dengan Naïve Bayes Classifier
Nama
: Viani Rahmawati
NIM
: G64090058

Disetujui oleh

Dr Ir Wisnu Ananta Kusuma, ST, MT
Pembimbing I

Toto Haryanto, SKom MSi
Pembimbing II

Diketahui oleh

Dr Ir Agus Buono, MSi MKom
Ketua Departemen

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan Desember 2012 ini ialah
klasifikasi fragmen metagenome, dengan judul Perbandingan Ekstraksi Ciri KMers dan Spaced K-Mers pada Klasifikasi Fragmen Metagenome dengan Naïve
Bayes Classifier.
Penghargaan penulis sampaikan kepada ayah, ibu, serta seluruh keluarga,
atas segala doa dan kasih sayangnya. Di samping itu, terima kasih penulis
ucapkan kepada Bapak Dr Ir Wisnu Ananta Kusuma, ST MT dan Bapak Toto
Haryanto, SKom MSi selaku pembimbing yang telah banyak memberi saran dan
kritik yang membangun. Terimakasih juga penulis ucapkan kepada Bapak Aziz
Kustiyo, SSi MKom selaku penguji yang juga telah memberikan saran yang
bermanfaat. Serta kepada seluruh rekan yang telah memberi semangat kepada
penulis.
Semoga karya ilmiah ini bermanfaat.

Bogor, 15 Agustus 2013

Viani Rahmawati

DAFTAR ISI
DAFTAR TABEL

ix

DAFTAR GAMBAR

ix

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

2

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

2

TINJAUAN PUSTAKA

3

Metagenome

3

Naïve Bayes Classifier (NBC)

3

Sensitifity

3

Imbalanced Data

3

K-fold cross-validation

4

METODE

4

Pengumpulan Data

4

Pembagian Data

6

Praproses Data

8

Ekstraksi Ciri

9

Reduksi Data dengan PCA

10

K -Fold Cross Validation

11

Naïve Bayes Classifier (NBC)

11

Model

12

Pengujian NBC

13

Analisis

13

HASIL DAN PEMBAHASAN

13

Praproses Data

13

Ekstraksi Ciri

14

Reduksi Data dengan PCA

16

K -fold cross validation

16

Naïve Bayes Classifier (NBC)

16

Model

17

Pengujian NBC dan Analisis

17

Percobaan Dataset Besar

20

SIMPULAN DAN SARAN

21

Simpulan

21

Saran

21

DAFTAR PUSTAKA

21

RIWAYAT HIDUP

22

LAMPIRAN

24

DAFTAR TABEL
1
2
3
4

Data Latih
Data Uji
Ilustrasi hasil perhitungan frekuensi k-mers pada data 3 genus
dengan 10000 pembacaan
Hasil perhitungan frekuensi spaced k-mers dengan 10 000
pembacaan

7
7
9
15

DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

K-fold cross-validation
Metode penelitian
Proses memasukkan data metagenome pada MetaSim
Database sequences DNA mikroorganisme pada MetaSim
Screenshoot fail FastA untuk data set kecil dengan panjang 500 bp
Ekstraksi ciri k-mers
Spaced k-mers (Kusuma, 2012)
Proses klasifikasi fragmen metagenome menggunakan NBC
Sequence DNA Bacillus amyloliquefaciens FZB42 pada pembacaan
1 untuk panjang fragmen 1000 bp
K-Mers
Jumlah kombinasi pada spaced k-mers k = 3
Contoh perhitungan NBC untuk atribut numerik dengan Gaussian
(normal) density function
Confusion matrix untuk data latih untuk pembacaan 10K panjang
fragmen 10 K pada data set kecil
Akurasi data latih pada data set kecil
Sensitivity data latih pada data set kecil
Akurasi data uji baru data set kecil
Akurasi hasil klasifikasi data set besar

4
5
6
6
8
9
10
11
13
14
15
17
18
18
19
19
20

1

PENDAHULUAN
Latar Belakang
Metagenom adalah material genetis yang diperoleh dari sampel yang
diambil langsung dari lingkungan, misalnya tanah, air laut, atau isi perut manusia.
Fragmen-fragmen yang diperoleh dari metagenome ini mengandung berbagai
organisme sehingga proses binning diperlukan untuk mengelompokkannya
sebelum perakitan genom dilakukan. Ada dua pendekatan binning, salah satunya
adalah berdasarkan komposisi. Binning berdasarkan komposisi memiliki beberapa
keunggulan dibandingkan pendekatan binning lainnya yang berdasarkan
homologi. Binning berdasarkan komposisi merupakan jalan pintas (by pass)
kebutuhan akan penjajaran sequences, vektor masukan yang dihasilkan dari
ekstraksi ciri berupa pasangan basa (base pair) akan dihitung sebagai ciri
komposisi, kemudian ciri tersebut akan digunakan sebagai masukan pada
pembelajaran dengan contoh (supervised learning) atau pada pembelajaran secara
observasi (unsupervised learning). Contoh metode yang menggunakan binning
berdasarkan komposisi dengan supervised learning adalah Phylopythia (McHardy
et al. 2007), naïve bayessian classification (Rosen et al. 2008), dan Phymm
(Brady dan Salzberg 2009). Adapun contoh metode menggunakan binning
berdasarkan komposisi dengan unsupervised learning adalah TETRA (Teeling et
al. 2004), growing self organizing map (Hsu dan Halgamuge 2002; Chan et al.
2007), dan self organizing clustering (Amano et al. 2003; Amano et al. 2007).
Supervised learning banyak digunakan pada proses binning. Metode
klasifikasi dan prediksi dinamakan supervised learning karena ada proses
supervisi, yaitu data latih disertai dengan label yang menunjukkan kelas observasi
dan data baru diklasifikasikan berdasarkan training set. Langkah pertama dalam
klasifikasi adalah membangun model untuk mendeskripsikan predetermined set
kelas data atau konsep. Langkah kedua, pemakaian model untuk klasifikasi.
Model akan dipakai setelah dilakukan pembuatan estimasi keakuratan model
dengan teknik holdout. Jika keakuratan model dapat diterima, model dapat
digunakan untuk mengklasifikasikan data baru yang label kelasnya belum
diketahui. Salah satu proses yang paling krusial sebelum pembuatan model
tersebut adalah ekstraksi ciri. Ekstraksi ciri merupakan proses untuk mengambil
ciri penting suatu objek.
Gail Rosen et al (2008) melakukan pengklasifikasian pada suatu komunitas
yang mengandung 635 mikroorganisme. Metode yang digunakan untuk ekstraksi
ciri adalah k-mers dan pengklasifikasian menggunakan naïve Bayes classifier
(NBC). Penelitian tersebut menghasilkan akurasi 38% untuk fragmen dengan
panjang 500 base pair (bp) setelah menggunakan k = 3, serta akurasi tertingginya
88.8% setelah menggunakan k = 15.
Selain itu Kusuma dan Akiyama (2011) juga sudah melakukan penelitian
untuk mengklasifikasikan fragmen metagenome berdasarkan karakterisasi vektor.
Penelitian ini menggunakan data set kecil dengan 10 mikroorganisme yang
termasuk ke dalam 3 genus sebagai data latih, adapun untuk data uji yang
digunakan adalah 9 mikroorganisme. Metode yang digunakan untuk ekstraksi ciri
adalah spaced k-mers. Didapatkan hasil akurasi untuk data latih antara 81%

2
sampai dengan 92%, serta akurasi untuk data uji baru yaitu antara 78% sampai
dengan 87%. Penelitian tersebut menghasilkan akurasi yang tinggi hanya dengan
menggunakan k = 3. Begitu pun klasifikasi fragmen dengan panjang 500 bp
menghasilkan akurasi sebesar 78% hanya dengan penggunaan k = 3 dengan
spaced k-mers. Untuk itu, pada penelitian ini metode klasifikasi yang digunakan
adalah NBC dengan metode ekstraksi ciri spaced k-mers untuk
mengklasifikasikan fragmen ke takson genus. Hasilnya dibandingkan dengan
teknik klasifikasi menggunakan ekstraksi ciri k-mers dan NBC.
Hal ini didasari ingin membandingkan pengaruh metode ekstraksi ciri kmers dan spaced k-mers pada hasil klasifikasi yang menggunakan NBC. Dengan
demikian dapat ditentukan metode ekstraksi ciri spaced k-mers atau k-mers yang
dapat meningkatkan akurasi hasil klasifikasi fragmen metagenome jika metode
klasifikasi yang digunakan adalah NBC.
Perumusan Masalah
Berdasarkan latar belakang penelitian yang telah diuraikan sebelumnya,
masalah yang akan diteliti antara lain:
1. Seberapa besar tingkat akurasi yang dapat diperoleh bila digunakan metode
NBC pada penelitian ini?
2. Bagaimana pengaruh metode ekstrasi ciri yang dipakai untuk hasil akurasi
pengklasifikasian?
Tujuan Penelitian
Tujuan penelitian ini adalah mengklasifikasikan fragmen metagenome ke
dalam tingkat genus (sebagai kelasnya) dengn metode NBC. Selain itu juga ingin
membandingkan pengaruh penggunaan metode ekstrasi ciri k-mers dan spaced kmers terhadap hasil akurasi yang dihasilkan jika classifier yang digunakan adalah
NBC.
Manfaat Penelitian
Sebagai acuan untuk membantu para peneliti biologi dalam mengatasi
masalah perakitan genom melalui proses binning.
Ruang Lingkup Penelitian
1.

2.
3.

Ruang lingkup penelitian ini terbatas pada:
Penggunaan data latih yang sama dengan penelitian Kusuma dan Akiyama
(2011) yang menggunakan data set kecil dengan 10 mikroorganisme yang
termasuk ke dalam 3 genus (sebagai kelas)
Data uji yang digunakan 9 mikroorganisme yang termasuk dalam
kelompok genus (sebagai kelas) yang sama dengan data latih.
Data set besar yang terdiri atas 381 organisme yang termasuk ke dalam 48
genus.

3

TINJAUAN PUSTAKA
Metagenome
Metagenome ialah genom dari mikrob tanpa pengulturan mikrob. Istilah
tersebut berasal dari konsep statistik meta-analisis (proses yang secara statistik
mengombinasikan metode-metode analisi yang terpisah), serta genomik (analisis
menyeluruh dari materi genetika suatu organisme). Metagenomik dikembangkan
berdasarkan kemajuan terkini bidang biologi molukuler dan bioinformatika.
Bioinformatika ini mempunyai peranan yang penting diantaranya adalah untuk
manajemen data biologi molekul, terutama sekuen DNA dan informasi genetika
(Thontowi 2009).
.
Naïve Bayes Classifier (NBC)
Metode NBC adalah salah satu metode klasifikasi yang mengasumsikan
seluruh atribut dari contoh yang bersifat independen satu sama lain pada konteks
kelas (McCallum dan Nigam, 1998). Meskipun secara umum asumsi tersebut
merupakan asumsi yang buruk, pada praktiknya metode NBC menunjukkan
kinerja yang sangat baik. Menurut Manning et al. (2008), peluang Bayes dapat
digunakan untuk menghitung peluang bersyarat, yaitu peluang kejadian apabila
suatu kejadian diketahui. Metode ini dapat memprediksi kemungkinan anggota
suatu kelas berdasarkan sampel yang berasal dari anggota kelas tersebut (Rosen et
al, 2008). Karena yang diasumsikan sebagai variabel independent, maka hanya
varians dari suatu variabel dalam sebuah kelas yang dibutuhkan untuk
menentukan klasifikasi, bukan keseluruhan dari matriks kovarians.
Sensitifity
Sensitifity atau true positive rate mengukur untuk menghitung akurasi dari
tiap kelas.

al

Imbalanced Data
Sebuah himpunan data dikatakan menjadi tidak seimbang (imbalanced) jika
terdapat satu kelas yang direpresentasikan dalam jumlah instance yang kecil bila
dibandingkan dengan jumlah instance kelas lainnya (Barandela et al. 2002).

4
K-fold cross-validation
K-fold cross-validation digunakan untuk membagi data menjadi data latih
dan data uji. Metode ini melakukan perulangan sebanyak k kali untuk membagi
sebuah himpunan contoh secara acak menjadi k-subset yang saling bebas. Setiap
ulangan disisakan satu subset untuk pengujian, dan sisanya digunakan untuk
pelatihan (Fu 1994). Ilustrasi proses K-fold cross validation dapat dilihat pada
Gambar 1.

Gambar 1 K-fold cross-validation

METODE
Tahapan yang dilakukan pada penelitian ini dapat dilihat pada Gambar 2.
Penjelasan dari tahap-tahap tersebut adalah sebagai berikut :
Pengumpulan Data
Data yang digunakan pada penelitian ini adalah data metagenome yang
diunduh dari situs National Centre for Biotechnology Information (NCBI).
NCBI merupakan suatu institusi yang fokus sebagai sumber informasi
perkembangan biologi molekuler. Data metagenome ini merupakan sequences
DNA mikroorganisme. Data yang telah diunduh dari situs NCBI akan di-generate
meggunakan perangkat lunak MetaSim. Fail yang berisi sequences DNA
mikroorganisme yang telah diunduh dari NCBI dimasukkan ke dalam perangkat
lunak tersebut.

5

Gambar 2 Metode penelitian

Setelah memasukkan data dari NCBI ke dalam perangkat lunak MetaSim,
proses selanjutnya adalah memilih beberapa sequences DNA mikroorganisme
yang telah tersedia pada database sesuai dengan kebutuhan penelitian. Tahapan
pengumpulan data dapat dilihat pada Gambar 3 dan Gambar 4.

6

Gambar 3 Proses memasukkan data metagenome pada MetaSim (V.009)

Gambar 4 Database sequences DNA mikroorganisme pada MetaSim (V.009)

7
Pembagian Data
Data yang digunakan dalam penelitian ini terdiri atas data set kecil sebagai
bahan analisis utama. Data set kecil sama dengan penelitian Kusuma (2011) yang
menggunakan 10 mikroorganisme yang termasuk ke dalam 3 genus sebagai
organisme yang diketahui. Data tersebut dilatih dengan menggunakan 5-fold cross
validation untuk mendapatkan model naïve Bayes. Adapun untuk data uji yang
digunakan adalah 9 mikroorganisme sebagai organisme baru. Daftar organisme
untuk data set kecil, data latih pada Tabel 1 dan data uji pada Tabel 2. Adapun
daftar 381 organisme yang termsuk ke dalam 48 genus dapat dilihat pada
Lampiran 1.

Tabel 1 Data latih
Spesies
Agrobacterium
radiobacter
K84
chromosome 2
Agrobacterium tumefaciens str. C58
chromosome circular
Agrobacterium vitis S4 chromosome 1
Bacillus amyloliquefaciens FZB42
Bacillus anthracis str. Ames Ancestor
Bacillus cereus 03BB102
Bacillus pseudofarmus OF4 chromosome
Staphylococcus aureus subsp. Aureus JH
Staphylococcus epidermidis ATCC 12228
Staphylococcus haemolyticus JCSC1435

Genus

Agrobacterium

Bacillus

Staphylococcus

Tabel 2 Data uji
Spesies
Agrobacterium
radiobacter
K84
chromosome 1
Agrobacterium tumefaciens str. C58
chromosome linear
Agrobacterium vitis S4 chromosome 2
Bacillus thuringiensis str Al Hakam
Bacillus subtilis subsp. Subtilis str 16B
Bacillus pumilus SAFR-032
Staphylococcus carnosus
Staphylococcus saprophyticus subsp.
saprophyticus ATCC 1530 S
Staphylococcus Lugdunensis HKU09-01

Genus

Agrobacterium

Bacillus

Staphylococcus

8
Praproses Data
Pada tahap praproses data, sequences DNA metagenome yang sudah
dipilih akan diuraikan fragmennya menggunakan perangkat lunak MetaSim.
Data yang akan diproses akan dibaca berkali-kali sesuai dengan kebutuhan
penelitian. Pada penelitian ini, data yang dipersiapkan dibaca sebanyak 10 000
kali untuk keperluan data latih pada data set kecil. Hal ini berarti ada 10 000 baris
fragmen mikroorganisme. Panjang fragmen yang digunakan adalah 500 base pair
(bp), 1 kbp, 5 kbp, dan 10 kbp. Maksud dari panjang fragmen 1 bp dapat diwakili
oleh adenine (A), cytosine (C), guanine (G) atau thymine (T). Data uji pada data
set kecil akan dibaca sebanyak 5 000 kali. Untuk data uji, fragmen yang
digunakan adalah fragmen dengan panjang 500 bp. Keluaran dari pengolahan
MetaSim ini adalah fail FastA yang berisi sequence DNA yang sudah
terfragmen sesuai dengan kriteria parameter yang diinginkan. Berikut screen
shoot hasil keluaran fail FastA untuk data set kecil dengan pembacaan panjang
500 bp yang dapat dilihat pada Gambar 5.

Gambar 5 Screenshoot fail FastA untuk data set kecil dengan panjang 500 bp

9
Ekstraksi Ciri
Tahap selanjutnya dari praproses data adalah ekstraksi ciri. Ekstraksi ciri
dilakukan dengan membaca frekuensi dari kombinasi nukleotida yang mungkin
terbentuk dengan menggunakan k-mers untuk k = 3. Pola kemunculan k adalah
pola yang menampilkan k pada suatu waktu dalam suatu sequences. Pola
kemunculan dalam sequences dihitung menggunakan empat basa utama (A, C,
G, dan T) dipangkat dengan rangkaian pasangan basa yang ingin digunakan (pola
kemunculan : , dengan
). Pada penelitian ini k = 3 berarti akan ada
pola kemunculan yang terbentuk. Ilustrasi perhitungan frekuensi pola kemunculan
dengan ekstraksi ciri k-mers dapat dilihat pada Gambar 6 dan Tabel 3.

Gambar 6 Ekstraksi ciri k-mers
Tabel 3 Ilustrasi hasil perhitungan frekuensi k-mers pada data 3 genus dengan 10000
pembacaan

K-mers yang digunakan adalah k = 3 maka ada 43 = 64 pola kemunculan
yang terbentuk. Pola kemunculan tersebut direpresentasikan oleh jumlah atribut
pada data yaitu X1, X2, …, X64. Jumlah pembacaan yang digunakan pada data latih
yaitu 10 000 pembacaan yang direpresentasikan oleh jumlah baris fragmen
metagenome pada data. Adapun untuk atribut kelas terdiri atas 3 genus yang
berbeda.

10
Selain menggunakan ekstraksi ciri k-mers, digunakan juga spaced k-mers
frequency yang memperhitungkan kondisi d ’ ca dengan nilai w = 3 dan d =
0,1,2. Gambar 8 mendeskripsikan penggunaan spaced k-mers untuk k = 3 di mana
w = weight of pattern adalah banyaknya posisi yang cocok (1’s) adapun d =
jumlah dari posisi d ’ ca (*). Spaced k-mers adalah substring dengan panjang
k. Variasi tersebut terdiri atas satu dan dua d ’ ca
yang lokasinya
antara matching positions dari satu dan dua variasi kombinasi k-mer. Analisis
dari k-mers digunakan untuk menemukan frekuensi dari semua k-mer. Pola
kemunculan k adalah pola yang menampilkan k dan variasi kondisi d ’ ca
pada suatu waktu dalam suatu rangkaian DNA. Mengacu pada penelitian Kusuma
(2012), pola terbaik yang menghasilkan akurasi tinggi dari hasil pencarian
lengkap adalah dengan pola w = 3 dan d = 0, 1, 2. Ilustrasi perhitungan frekuensi
pola kemunculan dengan ekstraksi ciri spaced k-mers dapat dilihat pada Gambar 7

Gambar 7 Spaced k-mers (Kusuma, 2012)
Metode ini akan memeriksa frekuensi nukleotida dari fragmen DNA mulai
dari AAA – CCC, A*AA - C*CC, dan A**AA - C**CC. Pengertian dari simbol *
(d ’ ca ) pada fragmen DNA yang diperiksa adalah dapat merupakan basa
apapun, baik A, T, G, maupun C. Adapun untuk simbol **, berarti diperbolehkan
basa manapun mengisi 2 bit tersebut. Sehingga kondisi itu dapat diisi oleh 24
pasang basa mulai dari AA, AC, AT, AG, dan seterusnya hingga CC.

Reduksi Data dengan PCA
Teknik reduksi dimensi data yang digunakan pada penelitian ini adalah
Principal Component Analysis (PCA). PCA adalah teknik yang digunakan untuk
menyederhanakan suatu data dengan cara mentransformasi linier sehingga
terbentuk sistem koordinat baru dengan varian maksimum. Analisis komponen
utama merupakan teknik statistik yang dapat digunakan untuk menjelaskan
struktur variansi-kovariansi dari sekumpulan variabel melalui variabel baru
dimana variabel baru ini saling bebas, dan merupakan kombinasi linier dari
variabel asal (Johnson dan Wichern, 2002). Selanjutnya variabel baru ini
dinamakan komponen utama. Salah satu tujuan dari analisis komponen utama
adalah mereduksi dimensi data asal yang semula terdapat p variabel bebas
menjadi q komponen utama (dimana q < p). Adapun kriteria pemilihan q menurut
Johnson (2002) yaitu proporsi kumulatif keragaman data asal yang dijelaskan oleh
q komponen utama minimal 80 %, dan proporsi total variansi populasi bernilai
cukup besar.
Proses PCA didapatkan dengan cara menentukan eigenvalue dari matriks
kovariannya. Pada penelitian ini perlu dijelaskan bahwa fungsi princomp adalah
statistics toolbox MATLAB yang melakukan analisis komponen utama pada
matriks data X dan menghasilkan suatu matriks yang dinamakan COEFF, SCORE,

11
dan LATENT . Matriks COEFF adalah matriks p-by-p yang berisi eigen vector,
masing-masing kolom berisi koefisien untuk satu komponen utama. Matriks
SCORE adalah data yang dibentuk dengan mengubah data asli ke dalam ruang
dari komponen utama yang sudah dikalikan dengan COEFF. LATENT adalah
eigenvalue yang nilai-nilainya telah diurutkan secara menurun. Perhitungan eigen
vector hanya dilakukan pada data latih. Adapun untuk data uji baru hanya
dikalikan dengan koefesien komponen utama dari data latih.
K -Fold Cross Validation
Pelatihan data set dilakukan dengan menggunakan k-fold cross validation.
K-fold cross-validation digunakan untuk membagi data menjadi data latih dan
data uji. Pada penelitian ini k yang digunakan adalah 5. Data akan dibagi
menjadi 5 bagian berukuran sama dimana 4 bagian akan menjadi data latih, dan 1
bagian sisanya akan digunakan untuk validasi. Data yang digunakan pada 5-fold
cross-validation ini adalah data latih dengan jumlah 10 000. Hal ini berarti dari
10000 fragmen tersebut, 8000 fragmen digunakan sebagai data latih dan 2000
fragmen sebagai data uji.
Naïve Bayes Classifier (NBC)
NBC berfungsi untuk menghitung peluang dari suatu kelas dalam masingmasing kelompok atribut yang ada dan menentukan kelas mana yang paling
optimal. Proses klasifikasi data dengan NBC diilustrasikan pada Gambar 8.

Gambar 8 Proses klasifikasi fragmen metagenome menggunakan NBC

12
NBC didasarkan pada penerapan teorema Bayes dengan asumsi bahwa
setiap ciri dalam klasifikasi adalah independen satu sama lain. Dalam kasus ini,
ciri ini terdiri atas DNA words (spaced k-mers).
Jika w = [w1, w2, w3,. . . w192] T merupakan vektor ciri yang terdiri atas satu
set kata-kata (atau spaced k-mer) dalam panjang L- fragmen, untuk label w di
salah satu kelas genom m, C1, C2, C3 maka probabilitas posterior dari kelas
tertentu (Ci) yang terkait dengan vektor ciri, w, adalah P (Ci | w).
C = argmax P (Ci | w)
Ekspresi ini menjamin kesalahan minimum di seluruh ruang yang direntang oleh
ciri k di W. Peluang posterior, P (Ci | w), dapat dihitung dengan menggunakan
aturan Bayes:
( |
( |

NBC mengasumsikan kondisi independen antara spaced k-mer ciri dan
menghitung peluang bersyarat dari kelas sebagai produk K individual probabilitas.
Peluang bersyarat individu, P (Wj | Ci), dapat diestimasi dari data latih,
yaitu jika atribut dari data adalah hasil pembagian jumlah setiap fragmen k-mer
dalam genom, fn (Wj | Ci) dengan jumlah total spaced k-mer dalam genom
tersebut,
P (Wj | Ci) = fn (Wj | Ci) / (| Ci |)
untuk | Ci | adalah panjang Ci. (Rosen, 2008).
Akan tetapi, jika nilai atribut dari data adalah continuous-valued atau data
numerik, maka diasumsikan mempunyai distribusi Gaussian. Jadi, dalam kasus ini
berlaku:
(

| ) g(

,

,

)

1
√

(

i)
ci

untuk
adalah mean dan standard deviasi yang dihitung dari semua
nilai (frekuensi) dari masing-masing atribut (dalam hal ini adalah spaced K-mer)
dari semua sampel dalam kelas yang sama (Han & Kamber, 2001).
Untuk mengklasifikasikan suatu sample
, ( | ) ( i) dievaluasi
untuk tiap kelas . Sample
diklasifikasikan ke dalam kelas jika dan hanya
jika:
( |
( ) > ( | ) ( ) ; untuk i ≤ ≤ m
Model

Pada proses pelatihan NBC sebelumnya, model yang berupa bagian dari
data latih dengan akurasi tinggi akan divalidasi dengan data uji menggunakan
NBC.

13
Pengujian NBC
Pengujian akan mengklasifikasikan data uji sebanyak 9 mikroorganisme ke
dalam kelas dalam genusnya masing-masing. Setiap mikroorganisme akan
dikelaskan dan hasil pengkelasan tersebut akan dihitung berapa persen
mikroorganisme yang telah dikelaskan dengan benar.
Analisis
Dari hasil pelatihan dan pengujian NBC akan didapatkan hasil untuk
kinerja pengujian NBC dalam klasifikasi fragmen metagenome ini. Matriks
konvolusi akan merepresentasikan hasil klasifikasi jumlah fragmen dari tiap kelas.
Akurasi untuk hasil klasifikasi dapat dicari dengan:
Akurasi =

∑ data u i b na
∑ data u i

1

HASIL DAN PEMBAHASAN
Praproses Data
Sequences DNA metagenome yang sudah dipilih akan diuraikan
fragmennya menggunakan perangkat lunak MetaSim. Data yang diproses akan
dibaca berkali-kali sesuai dengan kebutuhan penelitian. Pada data set kecil, data
yang dipersiapkan akan dibaca sebanyak 10 000 kali untuk keperluan data latih
sehingga jumlah pembacaan untuk masing-masing organisme ini adalah 1 000
kali pembacaan. Panjang fragmen yang digunakan adalah 500 bp, 1 kbp, 5 kbp,
dan 10 kbp. Data uji pada data set kecil akan dibaca sebanyak 5 000 kali. Untuk
data uji, fragmen yang digunakan adalah fragmen dengan panjang 500 bp.
Keluaran dari pengolahan MetaSim ini adalah fail FASTA yang berisi
sequences DNA yang sudah terfragmen sesuai dengan kriteria parameter yang
diinginkan. Berikut screenshoot sequences DNA yang dapat dilihat pada Gambar
9.

Gambar 9 Sequence DNA Bacillus amyloliquefaciens FZB42 pada pembacaan 1 untuk panjang
fragmen 1000 bp

14
Ekstraksi Ciri
Ekstraksi Ciri pada penelitian ini adalah dengan melakukan pembacaan
frekuensi nukleotida dengan k-mer dan spaced k-mer pada sequences DNA yang
telah di-generate menggunakan MetaSim. K-mer akan menampilkan pola
kemunculan k pada suatu waktu dalam suatu sequences. Contoh, jika hendak
menghitung trinukleotida, dihitung empat base utama (A, T, G, C) dipangkat
dengan jumlah k. Hasilnya, untuk trinukleotida adalah 43 = 64 base pair (bp).
Pada penelitian ini k-mers yang digunakan adalah k = 3 maka ada 43 = 64
pola kemunculan yang terbentuk. Pola kemunculan tersebut direpresentasikan
oleh jumlah atribut pada data yaitu X1, X2, …, X64. Jumlah pembacaan yang
digunakan pada data latih yaitu 10 000 pembacaan mewakili jumlah baris fragmen
metagenome pada data, serta 5000 pembacaan pada data uji baru. Adapun untuk
atribut kelas terdiri atas 3 genus yang berbeda. Perhitungan frekuensi k-mers pada
sequences DNA diilustrasikan pada Gambar 10.

Gambar 10 K-Mers
Selain menggunakan frekuensi k-mer, digunakan spaced k-mer yang
memperhitungkan kondisi d ’ ca . Spaced k-mer dikemukakan oleh Kusuma
(2012) yang mencari akurasi terbaik dari
dan
, dengan
adalah weight of pattern yang merepresentasikan banyaknya posisi yang sesuai
atau matching positions (nilai 1) adapun adalah posisi dari kondisi d ’ ca
(*). Dari hasil percobaan, didapatkan hasil akurasi terbaik adalah pada pola 111
1*11 1**11. Metode ini akan memeriksa frekuensi nukleotida dari fragmen DNA
mulai dari AAA - CCC, A*AA - C*CC, dan A**AA - C**CC. Pengertian dari
simbol * (d ’ ca ) pada fragmen DNA yang diperiksa adalah dapat merupakan
basa apapun, baik A, T, G, maupun C. Adapun untuk symbol **, berarti
diperbolehkan basa manapun mengisi 2 bit tersebut. Sehingga kondisi itu dapat
diisi oleh 24 pasang basa mulai dari AA, AC, AT, AG, dan seterusnya.
Oleh karena itu, banyaknya pola kemunculan yang terbentuk pada
perhitungan frekuensi spaced k-mers adalah sebanyak 192 pola kemunculan. Pola
kemunculan tersebut mewakili jumlah atribut pada data yaitu X1, X2, …, X192.
Jumlah pembacaan yang digunakan pada data latih yaitu 10 000 pembacaan
mewakili jumlah baris fragmen metagenome pada data, serta 5000 pembacaan
pada data uji baru. Adapun untuk atribut kelas terdiri atas 3 genus yang berbeda.
Perhitungan frekuensi spaced k-mers pada sequences DNA diilustrasikan pada
Gambar 11.

15

Gambar 11 Jumlah kombinasi pada spaced k-mers k = 3

Hasil dari ekstraksi ciri tersebut adalah vektor masukkan yang besarnya
dimensi data set D adalah
, dengan baris m adalah jumlah pembacaan data
yang di generate dan kolom n adalah jumlah kombinasi dari k yang digunakan.
Jadi jumlah kombinasi yang terbentuk pada k-mers untuk k = 3 (trinukleotida)
adalah 43 = 64 kombinasi sedangkan pada spaced k-mers untuk k = 3 adalah 192
kombinasi. Hasil perhitungan frekuensi oligonukleotida yang berupa array m x n
akan digunakan dalam proses klasifikasi. Hasil perhitungan frekuensi spaced kmers pada sequences DNA diilustrasikan pada Tabel 4.
Tabel 4 Hasil perhitungan frekuensi spaced k-mers dengan 10 000 pembacaan

16

Reduksi Data dengan PCA
Analisis komponen utama bertujuan untuk mereduksi dimensi data asal
yang semula terdapat p variabel bebas menjadi q komponen utama (dimana q < p).
Penggunaan metode ekstraksi ciri spaced k-mers dengan pola w = 3 dan d = 0, 1, 2
menghasilkan array m jumlah pembacaan data x 192 kombinasi. Di samping itu,
ekstraksi ciri K-mers trinukleotida menghasilkan array m jumlah pembacaan data
x 64 kombinasi. Dimensi data tersebut perlu direduksi tanpa adanya pengurangan
karakteristik data secara signifikan sehingga lebih mudah untuk
menginterpretasikannya. Pada penelitian ini proporsi kumulatif keragaman data
asal yang dipilih adalah sebesar 97%. Pemilihan tersebut berdasarkan teknik
mencoba-coba setelah mencoba proporsi yang lain yakni 95% hingga 99%.
K -fold cross validation
Setelah mereduksi data menggunakan PCA dengan threshold 0.97, data set
akan dilatih dengan menggunakan k-fold cross validation yang digunakan untuk
membagi data menjadi data latih dan data uji. Pada penelitian ini k yang
digunakan adalah 5. Data akan dibagi menjadi 5 bagian di mana 4 bagian akan
menjadi data latih, dan 1 bagian sisanya akan digunakan untuk validasi. Pada data
set kecil, dari 10 000 fragemen tersebut, 8000 fragmen sebagai data latih dan
2000 fragmen menjadi data uji untuk validasi.
Naïve Bayes Classifier (NBC)
Jika nilai atribut dari data adalah continuous-valued atau data numerik, maka
diasumsikan mempunyai distribusi Gaussian. Dalam kasus ini berlaku:
(

|

i

) g(

i

i)

(

1
√

i)
ci

i

dimana
adalah mean dan standard deviasi yang dihitung dari semua
nilai (frekuensi) dari masing-masing atribut (dalam hal ini adalah spaced k-mer)
dari semua sampel dalam kelas yang sama (Han dan Kamber, 2001). Masingmasing atribut dari seluruh fragmen yang berasal dari kelas yang sama ( dalam
penelitian ini genus sebagai kelas) dihitung mean dan standar deviasinya. Mean
dan standar deviasi dari masing-masing atribut seluruh fragmen yang berasal dari
kelas yang sama akan digunakan untuk menghitung peluang dalam Gaussian
(normal) density function. Perhitungan mean dan standard deviasi pada data
diilustrasikan pada Gambar 12. Untuk mengklasifikasikan suatu sample
,
( | i ) ( i) dievaluasi untuk tiap kelas i . Sample
diklasifikasikan ke
dalam kelas i jika dan hanya jika:

(

|

> (

|

; untuk i ≤ ≤ m.

17

Gambar 12 Contoh perhitungan NBC untuk atribut numerik dengan
Gaussian (normal) density function
Model
Pada proses pelatihan NBC sebelumnya, model yang berupa bagian dari
data latih dengan akurasi tinggi akan divalidasi dengan data uji baru yang masih
belum digunakan pada data latih menggunakan NBC.

Pengujian NBC dan Analisis
Pada data set kecil, data latih yang di-generate ada sebanyak 10 000
fragmen dengan rincian jumlah pembacaan untuk masing-masing organisme
adalah 1 000 kali pembacaan sehingga informasi yang terdapat dalam data lebih
banyak. Matriks konfusion akan merepresentasikan hasil klasifikasi untuk
masing-masing kelas. Akurasi akan dihitung berdasarkan jumlah data uji yang
benar diklasifikasikan ke dalam kelasnya dibagi dengan jumlah seluruh data uji
kemudian dikalikan 100%. Sensitifity digunakan untuk menghitung akurasi dari
tiap kelas. Sebagai contoh perhitungan, dari 528 fragmen yang seharusnya masuk
kelas genus Agrobacterium, 523 fragmen berhasil dikelaskan ke dalam kelas
genus Agrobacterium, sedangkan 5 fragmen dianggap masuk ke kelas genus
Bacillus. Sensitifity untuk kelas Agrobacterium adalah 523 fragmen yang
diklasifikasikan dengan benar dibagi dengan 528 fragmen yang seharusnya
diklasifikasikan ke dalam kelas genus Agrobacterium kemudian dikalikan 100 %.
Begitu juga sensitifity untuk kelas genus Bacillus dan Staphylococcus dihitung
dengan cara yang sama. Sensitifity keseluruhan adalah dengan mencari rata-rata
dari sensitifity seluruh kelas. Confusion matrix data latih pembacaan 10K panjang
fragmen 10 K pada data set kecil dapat dilihat pada Gambar 13. Adapun akurasi
dan sensitifity untuk data latih pada data set kecil selengkapanya dapat dilihat
pada Gambar 14 dan Gambar 15.

18

Gambar 13 Confusion matrix untuk data latih untuk pembacaan
10K panjang fragmen 10 K pada data set kecil

500 BP

1000 BP

5 KBP

10 KBP

panjang fragmen (bp)
K-mers Trinukleotida

spaced K-mers

Kusuma&Akiyama (2011)

Gambar 14 Akurasi data latih pada data set kecil

92%

98.65%

98.55%

91%

97.45%

85%

92.10%

91.60%

81%

88.60%

86.60%

akurasi (%)

97.65%

Gambar 13 menunjukkan bahwa jumlah data uji yang digunakan adalah
2000 fragmen. Hal ini dapat diketahui dengan menjumlahkan angka-angka yang
tertera pada matriks tersebut. Pada baris pertama menunjukkan bahwa dari 528
fragmen pada kelas genus Agrobacterium, 523 fragmen benar diklasifikasikan ke
dalam kelas genus Agrobacterium sedangkan 5 fragmen salah diklasifikasikan ke
dalam kelas genus Bacillus. Pada baris kedua menunjukkan bahwa dari 1014
fragmen yang sebenarnya adalah kelas genus Bacillus, 1006 fragmen benar
diklasifikasikan ke dalam kelas Bacillus sedangkan 8 fragmen salah
diklasifikasikan ke dalam kelas genus Staphylococcus. Adapun pada baris ketiga
menunjukkan bahwa dari 458 fragmen yang sebenarnya adalah kelas genus
Staphylococcus, 444 fragmen benar diklasifikasikan ke dalam kelas genus
Staphylococcus sedangkan 14 salah diklasifikasikan ke dalam kelas Bacillus.
Akurasi yang dihasilkan adalah sebesar 98.65 %.

19

500 BP

1000 BP

5 KBP

92%

98.65%

98.55%

91%

97.65%

97.45%

85%

92.10%

91.60%

81%

88.60%

86.60%

akurasi (%)

10 KBP

panjang fragmen (bp)
K-mers Trinukleotida

spaced K-mers

Kusuma&Akiyama (2011)

Gambar 15 Sensitivity data latih pada data set kecil

75%

80.00%

akurasi (%)

82.00%

Data uji baru berupa 9 mikroorganisme yang termasuk dalam kelompok genus
yang sama dengan data latih akan diuji untuk memvalidasi model yang telah
dibuat. Data tersebut akan dibaca sebanyak 5 000 kali pembacaan dengan panjang
fragmen 500 bp. Hasil akurasi dari klasifikasi tersebut pada spaced k-mers
sebesar 82% untuk panjang fragmen 500 bp, sedangkan pada k-mers trinukleotida
sebesar 80% untuk panjang fragmen 500 bp. Hasil klasifikasi tersebut
selengkapnya dapat dilihat pada Gambar 16.

500 BP

K-mers Trinukleotida

spaced K-mers

panjang fragmen (bp)

Kusuma&Akiyama (2011)

Gambar 16 Akurasi data uji baru data set kecil

20
Dari hasil tersebut, dapat diketahui bahwa metode ektraksi ciri spaced k-mers
menghasilkan akurasi dan sensitifity yang lebih tinggi dibandingkan dengan
ekstraksi ciri k-mers trinukleotida. Pereduksian data sebelum proses klasifikasi
juga dapat memberikan hasil yang lebih baik karena hanya informasi yang penting
saja yang digunakan. Selain itu dapat dilihat juga bahwa panjang fragmen
mempengaruhi hasil klasifikasi. Semakin panjang fragmen yang digunakan,
semakin banyak juga informasi dari organisme tersebut, maka hasil klasifikasi
akan semakin baik. Untuk klasifikasi pada data latih, penelitian ini juga
menghasilkan akurasi yang lebih tinggi jika dibandingkan dengan hasil penelitian
Kusuma & Akiyama (2011). Hasil klasifikasi pada data uji organisme baru juga
tidak terlampau jauh jika dibandingkan dengan penelitian Ananta & Akiyama
(2011).
Percobaan Dataset Besar
Data set besar terdiri atas 381 organisme yang termasuk ke dalam 48 genus
sebagai data latihnya. Data tersebut dibaca 9600 pembacaan sehingga banyaknya
record pada data adalah 9600 fragmen dan panjang fragmen yang digunakan
adalah 500 bp. Dengan menggunakan 5-fold cross validation maka dari 9600
fragmen, 7680 digunakan sebagai data latih dan 1920 fragmen digunakan sebagai
data uji. Data tersebut diekstraksi menggunakan metode k-mers dan spaced kmers.
Metode penelitian yang diterapkan pada data set besar sama dengan metode
yang diterapkan pada data set 10 organisme. Hanya saja percobaan pada data set
besar ini belum mempertimbangkan kondisi imbalanced data dimana jumlah
fragmen yang mewakili masing – masing genus (sebagai kelas) tidak sama rata.
Hal ini dilakukan untuk mengetahui pengaruh kondisi imbalanced data pada hasil
klasifikasi. Hasil akurasi untuk dataset besar selengkapnya dapat dilihat pada
Gambar 17.

66%

74%

akurasi (%)

500 BP

K-mers Trinukleotida

panjang fragmen (bp)

spaced K-mers

Gambar 17 Akurasi hasil klasifikasi data set besar

21

SIMPULAN DAN SARAN
Simpulan
Berdasarkan hasil yang diperoleh dari penelitian yang telah dilakukan,
dapat disimpulkan bahwa:
1.
Metode klasifikasi dengan menggunakan NBC dan ekstraksi ciri spaced kmers maupun k-mers berhasil mengklasifikasikan fragmen metagenome
berukuran pendek (500 bp) pada level genus.
2.
Akurasi hasil klasifikasi menggunakan NBC dapat lebih ditingkatkan
dengan menggunakan metode ekstraksi ciri spaced K-mers. Selain itu,
metode ekstraksi ciri spaced K-mers dapat memberikan hasil
pengklasifikasian dengan menggunakan NBC lebih baik dibandingkan
dengan menggunakan metode ekstraksi ciri k-mers.
3.
Hasil klasifikasi fragmen metagenome dengan menggunakan metode
ekstraksi ciri spaced k-mers secara konsisten menunjukkan hasil yang lebih
tinggi baik pada data set kecil maupun data set besar dibandingkan dengan
menggunakan metode ekstraksi ciri k-mers.
Saran
Akurasi hasil klasifikasi dari data set besar mungkin masih dapat
ditingkatkan dengan mempertimbangkan kondisi imbalanced data serta
meningkatkan jumlah pembacaan sehingga akan semakin banyak informasi yang
dapat meningkatkan hasil klasifikasi.

DAFTAR PUSTAKA
Amano K, Nakamura H, Ichikawa H. 2003. Self-organizing clustering: nonhierarchical method for clustering large amountof sequence DNAs. Genome
Informatics. 14: 575-576
Amano K, Nakamura H, Ichikawa H, Numa H, Kobayashi KF, Nagamura Y,
Onodera N. 2007. Self-organizing clustering: non-hierarchical clustering for
large-scale sequence DNA data. IPSJ Digital Courier. 2(2):523-527.
Brady A, Salzberg SL. 2009. Phymm and PhymmBL: Metagenomic phylogenetic
classification with interpolated markov models. Nat Methods. 6(9):673– 676.
doi : 10.1038/nmeth.1358
Chan CK, Hsu AL, Tang SL, Halgamuge SK. 2007. Using growing selforganizing maps to prove the binning process in environmental wholegenome shotgun equencing. Journal of Biomedicine and Biotechnology.
2008. doi:10.1155/2008/513701
Han J, Kamber M. 2001. Data Mining Concepts and Techniques. Cerra DD,
Severson H, Breyer B, editor. San Diego (USA): Academic Pr.

22
Harayama S, Kasai Y, Hara A. 2004. Microbial Communities in Oil-contaminated
Seawater. Current Opinion in Biotechnology. 15:205-214.
Hsu AL, Halgamuge SK. 2002. Enhancement of topology preseration and
hierarchical dynamic self-organising maps for data visualisation.
International Journal of Approximate Reasoning. 32(2003):259-279.
Johnson RA, Wichern DW. 2002. Applied Multivariate Statistical Analysis, 5th
End. New Jersey: Prentice Hall.
Kusuma WA, Akiyama Y. 2011. Metagenome fragment binning based on
characterization vectors. Di dalam: Proceeding International Conferences on
Bioinformatics and Biomedical Technology; 2011; Sanya, China.
Kusuma WA. 2012. Combined approaches for improving the performance of de
novo dna sequence assembly and metagenomic classification of short
fragments from next generation sequencer [disertasi]. Tokyo (JP): Tokyo
Institute of Technology.
Manning CD, Raghavan P, Schutze H. 2009. An Introduction to Information
Retrieval. Cambridge(UK): Cambridge University Pr.
McHardy AC, Martin HG, Tsirigos A, Hugenholtz P, Rigoutsos I. 2007. Accurate
phylogenetic classification of variable-lenght dna fragments. Nat Methods.
4(1):63-72
Rosen G, Garbarine E, Caseiro D, Polikar R, Sokhansanj. 2008. Metagenome
fragment classification using n-mer frequency profiles. Advances in
Bioinformatics. doi:10.1155/2008/205969.
Teeling H, Waldmann J, Lombardot T, Bauer M, Glockner FO. 2004. TETRA : a
web service and stand-alone program for the analysis and comparison of
tetranucleotide usage pattern in sequence DNAs. BMC Informatics. 5(163).
doi:10.1186/1471-2105-5-163.
Thontowi A. 2009. Pendekatan metagenomik dan bioinformatika untuk
menganalisis komunitas mikroba laut Indonesia. SIGMA. 12(1):15-22.

RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 08 Desember 1990. Penulis
merupakan anak kedua dari 4 bersaudara pasangan Bapak Djaelani dan Ibu
Alfianti. Pada tahun 2009 penulis lulus dari SMA Negeri 6 Bogor. Pada bulan Juli
2009 penulis resmi menjadi mahasiswa Institut Pertanian Bogor melalui jalur
PMDK. Setelah menyelesaikan Tingkat I (Tingkat Persiapan Bersama) di IPB
pada tahun 2010, penulis diterima sebagai mahasiswa Departemen Ilmu Komputer,
Fakultas Matematika dan Ilmu Pengetahuan Alam.
Selama menjadi mahasiswa di Institut Pertanian Bogor penulis juga aktif
mengikuti kompetisi-kompetisi antara lain Alpha Innovation di Universitas Bina
Nusantara dan program kreativitas mahasiswa yang diselenggarakan oleh DIKTI.
Pada tahun 2012 penulis pernah menjalankan praktik lapangan di Badan
Pemeriksa Keuangan Republik Indonesia (BPK-RI) selama kurang lebih 2 bulan.

23

24

LAMPIRAN
Lampiran 1 Daftar 381 organisme yang termasuk ke dalam 48 genus

Spesies

Genus

Jumlah
Fragmen

Bacillus

587

Bacillus amyloliquefaciens FZB42'
Bacillus anthracis str. 'Ames Ancestor''
Bacillus anthracis str. Ames chromosome'
Bacillus anthracis str. Sterne chromosome'
Bacillus cereus ATCC 10987 chromosome'
Bacillus cereus ATCC 14579'
Bacillus cereus E33L'
Bacillus cereus subsp. cytotoxis NVH 391-98'
Bacillus clausii KSM-K16'
Bacillus halodurans C-125 chromosome'
Bacillus licheniformis ATCC 14580'
Bacillus subtilis subsp. subtilis str. 168 chromosome'
Bacillus thuringiensis serovar konkukian str. 97-27 chromosome'
Bacillus thuringiensis str. Al Hakam chromosome'
Bacillus weihenstephanensis KBAB4'
Bacteroides fragilis NCTC 9343 chromosome'
Bacteroides fragilis YCH46 chromosome'
Bacteroides thetaiotaomicron VPI-5482 chromosome'
Bacteroides vulgatus ATCC 8482 chromosome'

Bacteroides

178

Bartonella

76

Bordetella

187

Bartonella bacilliformis KC583'
Bartonella henselae str. Houston-1'
Bartonella quintana str. Toulouse'
Bartonella tribocorum CIP 105476'
Bordetella avium 197N chromosome'
Bordetella bronchiseptica RB50'
Bordetella parapertussis 12822'
Bordetella pertussis Tohama I'
Bordetella petrii DSM 12804'
Borrelia afzelii PKo'
Borrelia duttonii Ly'
Borrelia garinii PBi chromosome chromosome linear'
Borrelia hermsii DAH chromosome'
Borrelia recurrentis A1'
Borrelia turicatae 91E135 chromosome'

Borrelia

43

Bradyrhizobium japonicum USDA 110 chromosome'
Bradyrhizobium sp. BTAi1 chromosome'
Bradyrhizobium sp. ORS278 chromosome'
Brucella abortus S19 chromosome 1'
Brucella abortus bv. 1 str. 9-941 chromosome chromosome I'

Bradyrhizobium

188

25
Brucella canis ATCC 23365 chromosome I'
Brucella melitensis biovar Abortus 2308 chromosome I
Brucella melitensis bv. 1 str. 16M chromosome chromosome I'
Brucella ovis ATCC 25840 chromosome chromosome I'
Brucella suis 1330 chromosome chromosome I'
Brucella suis ATCC 23445 chromosome I'

Brucella

139

Burkholderia ambifaria AMMD chromosome chromosome 1'
Burkholderia ambifaria MC40-6 chromosome chromosome 1'
Burkholderia cenocepacia AU 1054 chromosome 3'
Burkholderia cenocepacia HI2424 chromosome chromosome 1'
Burkholderia cenocepacia J2315 chromosome chromosome 1'
Burkholderia cenocepacia MC0-3 chromosome chromosome 1'
Burkholderia mallei ATCC 23344 chromosome chromosome 1'
Burkholderia mallei NCTC 10229 chromosome I'
Burkholderia mallei NCTC 10247 chromosome I'
Burkholderia mallei SAVP1 chromosome I'
Burkholderia multivorans ATCC 17616 chromosome chromosome 1'
Burkholderia phymatum STM815 chromosome chromosome 1'
Burkholderia phytofirmans PsJN chromosome chromosome 1'
Burkholderia pseudomallei 1106a chromosome I'
Burkholderia pseudomallei 1710b chromosome chromosome I'
Burkholderia pseudomallei 668 chromosome I'
Burkholderia pseudomallei K96243 chromosome chromosome 1'
Burkholderia sp. 383 chromosome 1'
Burkholderia sp. 383 chromosome chromosome 2'
Burkholderia thailandensis E264 chromosome chromosome I'
Burkholderia vietnamiensis G4 chromosome chromosome 1'
Burkholderia xenovorans LB400 chromosome 1'

Burkholderia

612

Campylobacter concisus 13826'
Campylobacter curvus 525.92 chromosome'
Campylobacter fetus subsp. fetus 82-40'
Campylobacter hominis ATCC BAA-381'
Campylobacter jejuni RM1221'
Campylobacter jejuni subsp. doylei 269.97'
Campylobacter jejuni subsp. jejuni NCTC 11168 chromosome'

Campylobacter

94

Candidatus

17

Candidatus Phytoplasma australiense'
Candidatus Phytoplasma mali'
Onion yellows phytoplasma OY-M'
Chlamydophila abortus S26/3'
Chlamydophila caviae GPIC'
Chlamydophila felis Fe/C-56'
Chlamydophila pneumoniae AR39'
Chlamydophila pneumoniae CWL029'
Chlamydophila pneumoniae J138'

26
Chlamydophila pneumoniae TW-183'

Chlamydophila

74

Chlorobium chlorochromatii CaD3 chromosome'
Chlorobium limicola DSM 245 chromosome'
Chlorobium luteolum DSM 273 chromosome'
Chlorobium phaeobacteroides BS1 chromosome'
Chlorobium phaeobacteroides DSM 266 chromosome'
Chlorobium phaeovibrioides DSM 265 chromosome'
Chlorobium tepidum TLS'

Chlorobium

164

Clostridium

511

Corynebacterium

137

Clostridium acetobutylicum ATCC 824'
Clostridium beijerinckii NCIMB 8052 chromosome'
Clostridium botulinum A str. ATCC 19397'
Clostridium botulinum A str. ATCC 3502'
Clostridium botulinum A str. Hall'
Clostridium botulinum A3 str. Loch Maree'
Clostridium botulinum B str. Eklund 17B'
Clostridium botulinum B1 str. Okra'
Clostridium botulinum E3 str. Alaska E43'
Clostridium botulinum F str. Langeland'
Clostridium difficile 630 chromosome'
Clostridium kluyveri DSM 555'
Clostridium novyi NT'
Clostridium perfringens ATCC 13124'
Clostridium perfringens str. 13'
Clostridium phytofermentans ISDg'
Clostridium tetani E88 chromosome'
Clostridium thermocellum ATCC 27405 chromosome'
Corynebacterium diphtheriae NCTC 13129 chromosome'
Corynebacterium efficiens YS-314'
Corynebacterium glutamicum ATCC 13032'
Corynebacterium glutamicum R chromosome'
Corynebacterium jeikeium K411'
Corynebacterium urealyticum DSM 7109'
Cupriavidus metallidurans CH34 chromosome'
Cupriavidus necator N-1 chromosome chromosome 1'
Cupriavidus taiwanensis LMG 19424 chromosome 1'

Cupriavidus

81

Dehalococcoides

36

Ehrlichia

35

Dehalococcoides ethenogenes 195'
Dehalococcoides sp. BAV1'
Dehalococcoides sp. CBDB1 chromosome'
Ehrlichia canis str. Jake'
Ehrlichia chaffeensis str. Arkansas'
Ehrlichia ruminantium str. Gardel'
Ehrlichia ruminantium str. Welgevonden'

Francisella philomiragia subsp. philomiragia ATCC 25017 chromosome'
Francisella tularensis subsp. holarctica FTNF002-00
chromosome'

27
Francisella tularensis subsp. holarctica LVS chromosome'
Francisella tularensis subsp. holarctica OSU18'
Francisella tularensis subsp. mediasiatica FSC147'
Francisella tularensis subsp. novicida U112'
Francisella tularensis subsp. tularensis FSC198'
Francisella tularensis subsp. tularensis SCHU S4'
Francisella tularensis subsp. tularensis WY96-3418'

Francisella

117

Frankia

183

Geobacter

171

Haemophilus

116

Helicobacter

102

Frankia alni ACN14a chromosome'
Frankia sp. CcI3 chromosome'
Frankia sp. EAN1pec chromosome'
Geobacter bemidjiensis Bem chromosome'
Geobacter lovleyi SZ chromosome'
Geobacter metallireducens GS-15 chromosome'
Geobacter sulfurreducens PCA chromosome'
Geobacter uraniireducens Rf4 chromosome'
Haemophilus ducreyi 35000HP'
Haemophilus influenzae 86-028NP chromosome'
Haemophilus influenzae PittEE chromosome'
Haemophilus influenzae PittGG chromosome'
Haemophilus influenzae Rd KW20 chromosome'
Haemophilus somnus 129PT chromosome'
Haemophilus somnus 2336 chromosome'
Helicobacter acinonychis str. Sheeba chromosome'
Helicobacter hepaticus ATCC 51449 chromosome'
Helicobacter pylori 26695'
Helicobacter pylori G27 chromosome'
Helicobacter pyl