Klasifikasi Fragmen Metagenome Menggunakan Metode Support Vector Machine (SVM)

KLASIFIKASI FRAGMEN METAGENOME MENGGUNAKAN
METODE SUPPORT VECTOR MACHINE (SVM)

ARINY

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 Klasifikasi Fragmen
Metagenome Menggunakan Metode Support Vector Machine (SVM) 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, Juli 2013
Ariny
NIM G64090055

ABSTRAK
ARINY. Klasifikasi Fragmen Metagenome Menggunakan Metode Support Vector
Machine (SVM). Dibimbing oleh WISNU ANANTA KUSUMA dan
MUSHTHOFA.
Analisis metagenome merupakan salah satu bidang kajian bioinformatika
yang penting. Bidang ini terkait dengan analisis sequences genom yang diperoleh
langsung dari lingkungan. Tujuan penelitian ini adalah melakukan klasifikasi
fragmen metagenome ke dalam beberapa taksonomi dengan menggunakan metode
support vector machine (SVM). Proses ekstraksi fitur dilakukan dengan
menggunakan spaced k-mers. Proses klasifikasi diawali dengan membuat model
menggunakan data latih dari 381 organisme. Berdasarkan hasil penelitian ini dapat
diketahui bahwa nilai akurasi untuk fragmen berukuran pendek (400 bp) ialah
65.3% pada takson genus dan 82.1% pada takson filum. Sementara itu, nilai
akurasi meningkat secara signifikan menjadi 95.4% pada takson genus dan 97.6%
pada takson filum, ketika menggunakan fragmen yang berukuran panjang (10

Kbp). Dari hasil tersebut dapat disimpulkan bahwa nilai akurasi akan semakin
tinggi seiring dengan semakin panjangnya ukuran fragmen dan semakin tingginya
tingkat taksonomi. Selain itu, dari hasil penelitian juga dapat disimpulkan bahwa
metode ekstraksi fitur yang digunakan sudah sangat baik dan menghasilkan data
dengan kondisi linearly separable.
Kata kunci: binning, metagenome, spaced k-mers, SVM

ABSTRACT
ARINY. Metagenome Fragment Binning Using Support Vector Machine (SVM)
Method. Supervised by WISNU ANANTA KUSUMA and MUSHTHOFA.
Metagenome analysis is one of the most important bioinformatics field. This
field is related to genome which is taken directly from the environment. The
purpose of this research is to classify metagenome fragment into some taxonomic
levels using support vector machine (SVM) method. Feature extraction is
performed using spaced k-mers. Classification process is conducted by creating
model using the training data from 381 organisms. The evaluation results show
that the accuracies for short fragments (400 bp) are 65.3% and 82.1% at genus
level and phylum level, respectively. Meanwhile, the accuracies increase
significantly for long fragments (10 kbp), with a value of 95.4% at genus level
and 97.6% at phylum level. It can be stated that the accuracy will be increased

with the increasing of fragments length and higher taxonomic levels. In addition,
the results of the study also conclude that the feature extraction methods used was
very good and produce data with linearly separable conditions.
Keywords: binning, metagenome, spaced k-mers, SVM

KLASIFIKASI FRAGMEN METAGENOME MENGGUNAKAN
METODE SUPPORT VECTOR MACHINE (SVM)

ARINY

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

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

2013

Penguji: Prof Dr Antonius Suwanto

Judul Skripsi : Klasifikasi Fragmen Metagenome Menggunakan Metode Support
Vector Machine (SVM)
Nama
: Ariny
NIM
: G64090055

Disetujui oleh

Dr Wisnu Ananta Kusuma, ST MT
Pembimbing I

Mushthofa, SKom MSc
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. Shalawat dan
salam penulis sampaikan kepada Nabi Muhammad shallallahu ‘alaihi wasallam,
keluarganya, sahabatnya, serta umatnya hingga akhir zaman. Tema yang dipilih
dalam penelitian yang dilaksanakan sejak bulan September 2012 ini ialah
klasifikasi fragmen metagenome, dengan judul Klasifikasi Fragmen Metagenome
Menggunakan Metode Support Vector Machine (SVM).
Terima kasih penulis ucapkan kepada seluruh pihak yang telah berperan
dalam penelitian ini, yaitu:
1 Ayahanda Arnedy Syamsu, Ibunda Dona Elfira, Kakak Ohayyo Randy Akbar,
serta Aditya Ramadhan atas kasih sayang, doa, semangat, dan dorongan kepada
penulis sehingga dapat menyelesaikan penelitian ini.
2 Bapak Dr Wisnu Ananta Kusuma, ST MT dan Bapak Mushthofa, SKom MSc

selaku pembimbing, yang telah memberikan banyak ide, masukan, dan
dukungan kepada penulis.
3 Bapak Prof. Antonius Suwanto yang telah bersedia menjadi penguji, dan
memberikan saran yang berharga sehingga tulisan ini menjadi lebih baik dari
sebelumnya.
4 Rekan-rekan terdekat Anisaul Muawwanah, Sabarina Hidayat, Husnul
Khotimah, Dewi Humaira, Dian Lestari Auliani, Lizza Amini Gumilar, dan
Viani Rahmawati yang telah memberi dukungan dan bantuan.
5 Aries Fitriawan, Muhammad Luthfi Fajar, Erwin Musa, dan Aditya Erlangga
yang telah membantu mengatasi kesulitan pemrograman yang penulis hadapi.
6 Rekan-rekan Ilmu Komputer angkatan 46 yang saling menyemangati selama
pengerjaan penelitian di tahun yang sama.
7 Seluruh rekan satu bimbingan Bapak Wisnu yang tidak dapat disebutkan satu
persatu dan pihak-pihak lainnya.
Semoga penelitian dan tulisan ini dapat memberikan manfaat.

Bogor, Juli 2013
Ariny

DAFTAR ISI

DAFTAR TABEL

vii

DAFTAR GAMBAR

vii

DAFTAR LAMPIRAN

vii

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

2

Tujuan Penelitian

2

Manfaat Penelitian

3

Ruang Lingkup Penelitian

3

METODE

3

Pengumpulan Data

4

Pembagian Data

4

Praproses Data

4

Ekstraksi Fitur

4

Support Vector Machine (SVM)

5

Grid Search

7

Pelatihan SVM

7

Pengujian SVM

7

Analisis

7

Implementasi

8

HASIL DAN PEMBAHASAN

8

Pembagian Data

8

Praproses Data

9

Ekstraksi Fitur

9

Grid Search

10

Klasifikasi SVM

10

Analisis

11

Implementasi

18

SIMPULAN DAN SARAN

18

Simpulan

18

Saran

19

DAFTAR PUSTAKA

19

LAMPIRAN

21

DAFTAR TABEL
1 Hasil akurasi berdasarkan tingkat taksonomi dan panjang fragmen
2 Perbandingan waktu komputasi pembuatan model pada setiap kernel
3 Daftar organisme yang memiliki similarity dari hasil alignment
Burkholderia sp JV3 pada BLAST

11
15
17

DAFTAR GAMBAR
1 Tahapan penelitian
2 Pola spaced k-mers dengan parameter w = 3 dan d = 0, 1, 2 (Kusuma
2012)
3 Kondisi linearly separable dengan hyperlane yang memiliki margin
terbesar
4 Contoh hasil praproses data dengan jumlah fragmen 9600 dan panjang
fragmen 400 bp
5 Hasil grid search mengeluarkan nilai parameter c dan γ terbaik serta
akurasi 5-cross validation
6 Hasil akurasi berdasarkan tingkat taksonomi dan panjang fragmen
7 Perbandingan akurasi pada takson order, kelas, dan filum bila
pembuatan model dilakukan untuk takson genus saja ( ) dan untuk setiap
takson ( )
8 Sensitivity takson genus
9 Specificity takson genus
10 Sensitivity takson filum
11 Specificity takson filum
12 Akurasi menggunakan 4 fungsi kernel berbeda untuk panjang fragmen 10
Kbp dan takson genus
13 Hasil klasifikasi data uji Burkholderia sp JV3 (genus Stenotrophomonas)
pada panjang fragmen 400 bp
14 Hasil klasifikasi data uji Burkholderia sp JV3 (genus Stenotrophomonas)
pada panjang fragmen 1 Kbp
15 Hasil klasifikasi data uji Burkholderia sp JV3 (genus Stenotrophomonas)
pada panjang fragmen 10 Kbp

3
5
5
9
10
12

13
13
14
14
14
15
16
16
16

DAFTAR LAMPIRAN
1 Daftar nama organisme data latih
2 Daftar nama organisme data uji
3 Daftar tingkat taksonomi yang digunakan mulai dari genus, order, kelas
dan filum
4 Daftar hasil praproses data yang menyatakan jumlah sequence di setiap
tingkat takson dan panjang fragmennya untuk data latih
5 Daftar hasil praproses data yang menyatakan jumlah sequence di setiap
tingkat takson dan panjang fragmennya untuk data uji

21
30
35
37
40

6 Nilai parameter c dan γ terbaik yang didapat pada tahap grid search
7 Perbandingan akurasi yang dihasilkan dari pembuatan model hanya pada
takson genus dengan pembuatan model disetiap tingkat takson
8 Tahapan dan tampilan pengguna sistem

43
44
45

PENDAHULUAN
Latar Belakang
Analisis metagenome merupakan salah satu bidang kajian bioinformatika
yang penting dan akan terus berkembang. Studi yang mempelajari metagenome ini
disebut metagenomics. Berbeda dengan studi yang mempelajari genom
(genomics), metagenomics tidak memerlukan pure clonal cultures dari sequencing
individu tertentu. DNA yang berasal dari berbagai organisme dalam suatu
komunitas mikrob dapat diperoleh melalui proses sequencing secara langsung
(McHardy dan Rigoutsos 2007).
Proses DNA sequencing komunitas mikrob secara langsung ini
menghasilkan fragmen-fragmen dari berbagai organisme yang bercampur.
Kondisi ini memungkinkan fragmen dari suatu organisme memiliki overlap
dengan fragmen dari organisme lain. Kondisi ini dapat menyebabkan kesalahan
perakitan fragmen-fragmen yang terkandung di dalam komunitas tersebut dan
menghasilkan cymeric contigs (Wooley et al. 2010). Untuk meminimalkan
cymeric contigs, salah satu solusinya adalah dengan melakukan sequence
assembly dan binning secara berulang. Proses binning dalam persepktif ilmu
komputer dapat dilakukan dengan metode supervised atau unsupervised learning.
Pada metode supervised learning, fragmen-fragmen diklasifikasikan berdasarkan
level taksonomi tertentu, misalnya yang paling rendah ialah level genus,
mengingat sulitnya mengklasifikasikan fragmen pada level spesies.
Beberapa peneliti telah melakukan penelitian yang terkait dengan
pengklasifikasian fragmen metagenome ini. McHardy et al. (2007) melakukan
penelitian untuk mengklasifikasikan fragmen metagenome dengan menggunakan
data latih 340 organisme. Metode yang digunakan ialah multiclass support vector
machine (SVM) dengan frekuensi k-mers sebagai fiturnya. Aplikasi yang
dibangun dinamai PhyloPythia. Hasil akurasi yang diperoleh terbilang cukup
tinggi khususnya untuk panjang fragmen ≥ 5 Kbp yaitu antara 60% sampai ˃ 90%
di setiap tingkat takson. Tetapi akurasi ini terus menurun dengan signifikan jika
menggunakan fragmen dengan panjang ≤ 3 Kbp. Pada fragmen dengan panjang 3
Kbp hanya diperoleh akurasi sebesar 40% sedangkan untuk panjang fragmen 1
Kbp akurasi yang diperoleh < 10%. Selain itu, PhyloPythia menggunakan 5-mers,
yang berarti matriks fitur yang dihasilkan memiliki dimensi 45 = 1024. Proses
ekstraksi fitur yang melibatkan dimensi yang besar ini memerlukan waktu
komputasi yang tinggi.
Untuk mengatasi problem komputasi pada PhyloPythia yang diakibatkan
oleh dimensi fitur yang besar, Kusuma dan Akiyama (2011) mengusulkan metode
klasifikasi fragmen metagenome dengan menggunakan SVM dan characterization
vector sebagai fiturnya. Characterization vector diusulkan oleh Liu et al. (2006)
yang hanya terdiri atas 12 dimensi. Untuk mengevaluasinya, Kusuma dan
Akiyama (2011) mengimplementasikannya pada dataset kecil yang
merepresentasikan komunitas mikrob kecil. Untuk data latih digunakan 10
organisme, sedangkan untuk data uji digunakan 9 organisme yang
merepresentasikan organisme baru. Organisme yang digunakan pada data uji ialah
organisme yang berbeda dengan data latih, namun termasuk ke dalam genus yang

2
sama. Penelitian ini hanya mengklasifikasikan organisme ke dalam tingkat takson
genus. Organisme-organisme tersebut merupakan anggota dari 3 jenis genus
berbeda. Hasil akurasi yang diperoleh dari penelitian ini cukup tinggi yaitu 78%
untuk panjang fragmen 500 bp sampai dengan 87% untuk panjang fragmen 10
Kbp. Namun, ketika metode ini diterapkan pada dataset berukuran besar (374
organisme), akurasi yang diperoleh menurun secara signifikan, yaitu sebesar 30%
untuk panjang fragmen 1 Kbp pada level genus.
Oleh karena itu, untuk mengatasi masalah komputasi yang disebabkan oleh
dimensi fitur yang besar dan menurunnya akurasi jika menggunakan dataset dari
komunitas organisme yang besar, pada penelitian ini diusulkan metode multiclass
SVM dengan frekuensi spaced k-mers sebagai fiturnya. Fitur hasil ekstraksi
dengan menggunakan spaced k-mers hanya terdiri atas 192 dimensi. Adapun
dataset yang digunakan untuk data latih terdiri atas 381 organisme dan untuk data
uji terdiri atas 200 organisme. Fragmen DNA dari organisme tersebut akan
diklasifikasikan ke dalam tingkat takson genus, order, kelas, dan filum. Selain itu
juga digunakan 4 fungsi kernel berbeda pada pelatihan SVM untuk mengetahui
kernel yang dapat menghasilkan model terbaik untuk pengklasifikasian fragmen
metagenome.
Perumusan Masalah
Adapun permasalahan yang akan menjadi bahan analisis pada penelitian ini
ialah:
1 Berapa akurasi yang dapat diperoleh jika digunakan metode SVM dengan 4
fungsi kernel yang akan diterapkan pada penelitian ini?
2 Bagaimana pengaruh panjang fragmen yang digunakan terhadap hasil akurasi?
3 Bagaimana kinerja metode klasifikasi yang diusulkan ini ketika melakukan
pengklasifikasian fragmen metagenome yang berasal dari organisme-organisme
baru?
4 Apakah pembuatan model untuk setiap tingkat takson bisa menghasilkan
akurasi yang lebih baik bila dibandingkan dengan pembuatan model pada
takson genus saja?
Tujuan Penelitian
1

2
3
4

Tujuan penelitian ini ialah:
Mengklasifikasikan fragmen metagenome ke dalam tingkat taksonominya
dengan metode SVM menggunakan 4 fungsi kernel. Keempat kernel yang
digunakan yaitu Gaussian radial basis function (RBF), linear (polinomial
berderajat 1), kuadratik (polinomial berderajat 2), dan polinomial berderajat 3.
Mengetahui pengaruh panjang fragmen yang digunakan terhadap hasil akurasi.
Mengetahui kinerja metode pengklasifikasian terhadap fragmen yang berasal
dari organisme baru.
Menjustifikasi pembuatan model setiap tingkat takson bisa menghasilkan
akurasi yang lebih baik bila dibandingkan dengan pembuatan model hanya
pada takson genus.

3
Manfaat Penelitian
Manfaat dari penelitian ini diharapkan dapat memberikan kontribusi untuk
mendukung proses analisis metagenome sequence.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini meliputi:
1 Data latih terbatas hanya 381 organisme yang termasuk dalam 48 genus, 31
order, 20 kelas, dan 13 filum.
2 Data uji terbatas hanya 200 organisme yang termasuk dalam taksonomi yang
sama dengan data latih, dengan tambahan 1 genus yang tidak ada pada
modelnya pada data latih untuk mengetahui kinerja pengklasifikasian SVM.
3 Fragmen yang digunakan dihasilkan dari perangkat lunak MetaSim yang
mensimulasikan Illumina sequencer. Fragmen yang dihasilkan memiliki
panjang yang tetap dan tidak mengandung sequencing error.
4 Level taksonomi yang digunakan yaitu genus, order, kelas, dan filum.

METODE
Penelitian ini dilaksanakan dalam beberapa tahapan yang diilustrasikan pada
Gambar 1.
Mulai
Data metagenome
NCBI
Pembagian data

SVM

Data training

Data testing

Praproses data

Praproses data

Ekstrasi fitur

Ekstrasi fitur

Grid search
Pelatihan SVM
Pengujian SVM
Analisis
Implementasi
Selesai

Gambar 1 Tahapan penelitian

4
Pengumpulan Data
Data latih dan data uji yang digunakan pada penelitian ini ialah data
metagenome yang diunduh dari situs National Centre for Biotechnology
Information (NCBI). NCBI merupakan suatu institusi yang fokus di bidang
biologi molekuler dan menjadi sumber informasi untuk perkembangan bidang
tersebut. Data metagenome ini merupakan sequence DNA organisme dengan
format FastA. Alamat untuk mengunduh data ini yaitu ftp://ftp.ncbi.nih.gov/
genomes/Bacteria/.
Pembagian Data
Pada penelitian ini organisme yang digunakan terbatas pada 381 organisme
untuk data latih, dan 200 organisme untuk data uji. Pemilihan data uji dilakukan
dengan mengambil organisme selain data latih yang juga termasuk ke dalam
genus yang sama, serta 1 genus yang tidak termasuk dalam data latih.
Pengambilan data uji yang tidak ada modelnya pada data latih ini untuk melihat
kinerja hasil pengklasifikasiannya.
Praproses Data
Pada tahap praproses data, sequence DNA metagenome yang sudah dipilih
lalu diuraikan fragmennya menggunakan perangkat lunak MetaSim (Richter et al.
2008). MetaSim adalah perangkat lunak untuk mensimulasikan sequencer. Data
yang diproses dibaca berulang kali disesuaikan dengan kebutuhan penelitian. Pada
penelitian ini data yang disiapkan untuk data latih berjumlah 9600 dan 320 ribu
fragmen, sedangkan untuk data uji berjumlah 100 ribu fragmen. Panjang fragmen
yang ditetapkan untuk setiap kali pengolahan yaitu 400 bp, 800 bp, 1 Kbp, 3 Kbp,
5 Kbp, dan 10 Kbp. Maka akan dilakukan 12 kali pengolahan untuk data latih dan
6 kali pengolahan untuk data uji, sehingga dihasilkan 18 fail FastA yang berisi
fragmen sesuai dengan kebutuhan penelitian. Data latih dengan jumlah fragmen
9600 disiapkan sebagai data pendekatan pencarian parameter terbaik untuk kernel,
sedangkan data latih dengan jumlah fragmen 320 ribu menjadi data masukan
untuk pembuatan model. Penggunaan data latih kecil sebagai pendekatan
pencarian paramater terbaik ini didasarkan pada percobaan yang dilakukan oleh
McHardy et al. (2007).
Ekstraksi Fitur
Proses selanjutnya ialah ekstraksi fitur, tahapan ini dilakukan untuk data
latih dan data uji. Metode ekstraksi fitur yang digunakan ialah spaced k-mers. Ada
2 buah variabel yang berpengaruh pada metode ekstraksi fitur ini, yaitu w (weight
of pattern) adalah banyaknya posisi yang cocok, dan d adalah jumlah posisi don’t
care. Mengacu pada penelitian Kusuma (2012), pola terbaik spaced k-mers
dengan nilai w = 3 dan d = 0, 1, 2 dapat dilihat pada Gambar 2.
Metode ini memeriksa frekuensi nukleotida dari setiap fragmen DNA mulai
dari AAA sampai GGG, A*AA sampai G*GG, dan A**AA sampai G**GG,
sehingga didapat 192 dimensi fitur. Pengertian dari simbol * (don’t care) pada
fragmen DNA yang diperiksa adalah dapat berupa basa apapun, baik A, C, T,

5

Gambar 2 Pola spaced k-mers dengan parameter w = 3 dan
d = 0, 1, 2 (Kusuma 2012)
maupun G. Kemudian untuk simbol ** berarti diperbolehkan pasangan basa
apapun mengisi 2 bit tersebut, sehingga kondisi ini dapat diisi oleh 24 pasang basa
mulai dari AA, AC, AT, AG, dan seterusnya hingga GG.
Support Vector Machine (SVM)
SVM merupakan metode pengklasifikasian biner yang dikembangkan oleh
Vladimir Vapnik tahun 1995. Konsep dasar pembelajaran SVM ini ialah
menemukan hyperplane (bidang pemisah) terbaik yang dapat memisahkan ddimensi data dengan sempurna ke dalam 2 kelas (kelas +1 dan kelas -1). Secara
intuitif, hyperplane yang dicari ialah yang dapat memaksimumkan jarak geometri
hyperplane ke support vector-nya. Jarak tersebut diistilahkan dengan margin
(Boswell 2002).
Menurut Osuna et al. (2007) linearly separable data merupakan suatu
kondisi data yang dapat dipisahkan secara linear. Pada Gambar 3 diilustrasikan
kondisi lineraly separable dengan hyperlane yang memiliki margin terbesar.
- adalah label kelas dari
Himpunan
adalah dataset dan i
n
data i . Kondisi linearly separable terpenuhi jika dapat dicari pasangan (w, b)
sedemikian sehingga:

Gambar 3 Kondisi linearly separable dengan hyperlane
yang memiliki margin terbesar

6
w

i

b≥

w

i

b≤

ke as

i
i

ke as

dengan w adalah bidang normal dan b adalah posisi bidang relatif terhadap pusat
koordinat. Kemudian, ruang hipotesis untuk data tersebut ialah set fungsi yang
diberikan oleh:
wb

sign w

b

3

Setelah dilakukan penyelesaian dengan formula Lagrangian menggunakan
Lagrange multipier dan normalisasi parameter w, maka fungsi keputusan untuk
menentukan kelas dari data uji x adalah:
l

sign ∑

i i

i

b

i

dengan = koefisien Lagrange multipier.
Salah satu kendala dalam pengklasifikasian ialah ketersediaan data yang
besar dan beragam yang dapat mengakibatkan data tersebut tidak dapat dipisahkan
secara linear. Untuk kasus ini SVM memperkena kan “kernel” yang dapat
merepresentasikan atau mentransformasikan data ke dimensi lebih tinggi (lebih
besar dari 2) dengan fungsi transformasi
. Sehingga, data yang sudah
berada di dimensi lebih tinggi tersebut dapat dengan mudah dipisahkan dengan
hyperplane secara linear (Boswell 2002). Jika terdapat sebuah fungsi kernel K
sehingga
tidak perlu diketahui
i , maka fungsi transformasi
i
secara tepat. Dengan demikian fungsi yang dihasilkan dari pelatihan adalah:
l

sign ∑
i

i i

i

b.

5

Terdapat 3 kernel yang biasa digunakan dalam SVM, yaitu sebagai berikut
(Osuna et al. 1997) :
1 Gaussian radial basis function (RBF):
e p -‖ - ‖
2 Polinomial dengan derajat d:
d
,
3 Multi layer perceptron (untuk beberapa nilai θ :
tanh
-θ .

(6)
(7)
(8)

Pada penyelesaian penelitian ini SVM yang digunakan ialah multiclass
SVM dengan menggunakan library SVM bernama LibSVM (Hsu et al. 2003).
LibSVM ini dapat diunduh pada alamat http://www.csie.ntu.edu.tw/~cjlin/libsvm.
Multiclass SVM pada LibSVM ini mengimplementasikan teknik one-versus-one.
Akan dilakukan N(N-1)/2 pengklasifikasian biner yang berbeda, dengan N adalah
banyaknya kelas. Sehingga data baru yang akan ditentukan kelasnya, akan masuk
ke dalam kelas yang memiliki nilai fungsi keputusan terbesar. Apabila terdapat
dua kelas atau lebih yang memiliki nilai keputusan yang sama besar, maka kelas
yang indeksnya lebih kecil dinyatakan sebagai kelas dari data tersebut (Hsu dan
Lin 2002).

7
Grid Search
Setelah diperoleh fitur, tahap selanjutnya ialah grid search menggunakan
data latih dengan jumlah fragmen 9600. Tahapan ini dilakukan dengan fungsi grid
search. Fungsi grid search mengeluarkan nilai parameter terbaik yang dibutuhkan
saat pembentukan model (tahap pelatihan) menggunakan kernel RBF dan
polinomial. Parameter untuk kernel RBF adalah cost (c) dan gamma (γ),
sedangkan untuk kernel polinomial adalah cost (c), gamma (γ), degree (d), dan
koeff 0 (r). Akan tetapi, parameter r pada polinomial yang dipakai hanya nilai
default-nya saja yaitu 0. Selain mengeluarkan nilai parameter terbaik, fungsi ini
juga mengeluarkan akurasi 5-cross validation dari data latih.
Cross-validation merupakan metode statistika untuk mengevaluasi dan
membandingkan algoritme pembelajaran dengan membagi data menjadi dua
bagian. Satu bagian untuk melatih model dan bagian lainnya untuk memvalidasi
model tersebut. Salah satu bentuk cross-validation adalah k-fold cross-validation.
K-fold cross-validation akan membagi data menjadi k bagian berukuran sama.
Secara bertahap akan dilakukan pelatihan dan validasi sebanyak k ulangan.
Sehingga dalam setiap perulangan k-1 bagian akan menjadi data latih, dan 1
bagian sisanya akan digunakan untuk validasi (Refaeilzadeh et al. 2009).
Pelatihan SVM
Proses pelatihan SVM dilakukan untuk data latih hasil ekstraksi fitur dengan
jumlah fragmen 320 ribu. Dalam pelatihan ini, akan diterapkan pelatihan
menggunakan 4 fungsi kernel, yaitu kernel RBF, linear, kuadratik, dan polinomial
berderajat 3.
Pengujian SVM
Hasil dari pelatihan SVM sebelumnya ialah sebuah model yang akan diuji
menggunakan hasil ekstraksi fitur dari data uji. Pengujian akan
mengklasifikasikan data uji sebanyak 200 organisme ke dalam kelas
taksonominya. Semua organisme yang telah dikelaskan menghasilkan persentase
hasil pengklasifikasiannya.
Analisis
Dari hasil pelatihan dan pengujian SVM dengan 4 fungsi kernel yang
berbeda, akan didapatkan hasil untuk kinerja algoritme SVM ini. Kemudian
akurasi untuk hasil klasifikasi dapat dicari dengan menggunakan rumus:
akurasi

∑ data uji benar
∑ data uji

00%

9

Selain akurasi, akan dihitung pula sensitivity dan specificity yang
dikelompokkan berdasarkan level taksonnya yang pada pembuatan model
pengklasifikasian menggunakan kernel RBF. Pada penelitian ini nilai sensitivity
dan specificity yang dihitung yaitu untuk takson genus yang mewakili takson
terkecil dan filum yang mewakili takson terbesar. Panjang fragmen yang
digunakan hanya 400 bp, 1 Kbp, dan 10 Kbp yang mewakili panjang fragmen

8
kecil, sedang, dan besar. Rumus yang digunakan untuk menghitung nilai
sensitivity dan specificity, yaitu:
sensiti it
s eci icit

∑ true ositi es
∑ true ositi es ∑ alse ne ati es

∑ true ne ati es
∑ true ne ati es ∑ alse ositi es

00%

0

00%

dengan true positive adalah data uji kelas x yang diklasifikasikan ke kelas x, true
negative adalah data uji kelas x yang diklasifikasikan ke kelas selain x, false
positive adalah data uji kelas selain x yang diklasifikasikan ke kelas x, dan false
negative adalah data uji kelas selain x yang diklasifikasikan ke kelas selain x,
dengan kelas x adalah kelas yang akan dihitung nilai sensitivity dan specificity-nya.
Setelah seluruh perhitungan nilai akurasi, sensitivity, dan specificity dari
hasil kinerja pengklasifikasian fragmen metagenome menggunakan SVM ini
didapat, beberapa hal yang akan menjadi bahan analisis ialah:
1 pengaruh panjang fragmen yang digunakan terhadap hasil akurasi,
2 hasil sensitivity dan specificity yang didapat,
3 penggunaan 4 fungsi kernel berbeda pada pelatihan SVM, dan
4 hasil pengklasifikasian data uji yang tidak ada modelnya pada data latih.
Implementasi
Implementasi sistem dilakukan dalam lingkungan pengembangan sebagai
berikut:
1 bahasa pemrograman
: PHP,
2 library komputasi
: LibSVM 3.12, dan
3 database management system (DBMS) : MySQL.
Sistem yang dikembangkan memiliki fungsi utama yaitu melakukan prediksi
tingkat taksonomi suatu sequence DNA. Data masukkan untuk sistem ini ialah
sebuah sequence DNA, dan keluarannya ialah tingkat taksonominya. Tingkat
taksonomi yang akan ditampilkan sebagai hasil prediksi yaitu genus, order, kelas,
dan filum. Sistem ini se anjutnya dinamai “Metagenome Binning”.

HASIL DAN PEMBAHASAN
Pembagian Data
Data metagenome yang merupakan sequences DNA organisme dengan
format FastA yang sudah diunduh dari situs NCBI dipilih 381 organisme untuk
data latih dan 200 organisme untuk data uji. Daftar organisme untuk data latih dan
data uji yang digunakan pada penelitian ini dapat dilihat pada Lampiran 1 dan
Lampiran 2. Pemilihan data uji dilakukan dengan mengambil organisme selain
data latih yang termasuk ke dalam tingkat taksonomi yang sama. Selain itu pada
data uji juga disertakan 1 organisme yang takson genusnya tidak ada di data latih.
Hal ini dilakukan untuk mengetahui kinerja pengklasifikasian SVM terdahap

9
suatu kelas yang tidak ada modelnya. Untuk daftar taksonomi yang digunakan
dapat dilihat pada Lampiran 3.
Praproses Data
Pada tahap praproses data, sequence DNA metagenome yang sudah dibagi
menjadi data latih dan data uji akan diuraikan fragmennya menggunakan
perangkat lunak MetaSim. Pada penelitian ini data yang dipersiapkan untuk data
latih dibaca sebanyak 9600 dan 320 ribu kali. Sehingga didapat 9600 dan 320 ribu
fragmen data latih yang diurai dari 381 organisme. Sedangkan untuk data uji
dibaca sebanyak 100 ribu kali. Sehingga didapat 100 ribu fragmen data uji yang
diurai dari 200 organisme. Hasil praproses data yang menyatakan jumlah
sequence di setiap tingkat takson dan setiap panjang fragmen untuk data latih dan
data uji dapat dilihat pada Lampiran 4 dan Lampiran 5.
Pada setiap praproses data yang dilakukan, ditentukan 6 panjang fragmen
yang akan digunakan yaitu 400 bp, 800 bp, 1 Kbp, 3 Kbp, 5 Kbp, dan 10 Kbp.
Keluaran dari pengolahan MetaSim ini ialah fail FastA yang berisi sequence DNA
yang sudah terfragmen sesuai dengan nilai parameter yang dimasukkan. Berikut
contoh hasil praproses data untuk data latih dengan jumlah fragmen 9600 dan
panjang fragmen 400 bp pada Gambar 4.
Ekstraksi Fitur
Metode ekstraksi fitur yang digunakan ialah spaced k-mers dengan nilai w =
3 dan d = 0, 1, 2 yang merupakan pola terbaik yang akan menghasilkan akurasi
terbesar dari klasifikasi menurut Kusuma (2012). Hasil dari proses ekstraksi fitur
ialah frekuensi tri-nukleotida dari fragmen DNA, sehingga akan terdapat 192
kombinasi tri-nukleotida mulai dari AAA sampai GGG, A*AA sampai G*GG,
dan A**AA sampai G**GG.

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

Gambar 4

Contoh hasil praproses data dengan jumlah fragmen 9600 dan
panjang fragmen 400 bp

10
Berikut contoh hasil ekstraksi fitur untuk data latih takson genus dengan
jumlah fragmen 9600 dan panjang fragmen 400 bp:
1 1:12 2:4 3:5 4:10 5:4 6:3 7:1 8:9 9:4 10:8 11:9 12:3 13:11 ........... 190:13 191:6 192:13
1 1:23 2:7 3:11 4:8 5:5 6:5 7:1 8:9 9:8 10:9 11:10 12:11 13:5 ............. 190:8 191:4 192:4
1 1:7 2:2 3:11 4:5 5:1 6:5 7:3 8:5 9:7 10:14 11:5 12:5 13:6 ................. 190:3 191:3 192:3
..............................................................................................................................................
..............................................................................................................................................
48 1:18 2:6 3:7 4:8 5:6 6:11 7:7 8:2 9:7 10:5 11:9 12:8 13:2 ............... 190:7 191:5 192:3
48 1:14 2:11 3:12 4:5 5:3 6:10 7:6 8:5 9:12 10:5 11:10 12:6 13:2 ....... 190:5 191:3 192:5

Grid Search
Fungsi grid search pada LibSVM akan mengeluarkan nilai parameter yang
dibutuhkan oleh kernel RBF dan polinomial. Nilai parameter tersebut akan
didapat dengan melakukan proses cross validation dengan k = 5. Parameter yang
dibutuhkan untuk RBF ia ah gamma γ sedangkan untuk polinomial ialah
gamma γ degree (d), dan koeff 0 (r). Salah satu hasil grid search yang didapat
untuk data latih takson genus dengan jumlah fragmen 9600 dan panjang fragmen
400 bp dapat dilihat pada Gambar 5. Dari gambar tersebut ditunjukkan bahwa
nilai terbaik untuk c 8 dan γ 0. 5 dengan akurasi 5-cross validation = 59.6%.
Hasil grid search lainnya dari setiap data yang digunakan dapat dilihat pada
Lampiran 6.
Klasifikasi SVM
Setelah didapatkan fitur untuk data latih dengan banyak fragmen 320 ribu,
data uji dengan jumlah fragmen 100 ribu, serta parameter kernel yang dibutuhkan,
proses dilanjutkan dengan klasifikasi SVM. Proses klasifikasi SVM diawali
dengan menskalakan data latih dan data uji terlebih dahulu sebelum dilakukan
pelatihan maupun pengujian. Proses penskalaan ini sangat penting sebelum
diterapkan pengklasifikasian dengan SVM. Keuntungan utama dari penskalaan

Gambar 5 Hasil grid search mengeluarkan nilai parameter c
dan γ terbaik serta akurasi 5-cross validation

11
yaitu untuk menghindari atribut atau fitur bernilai besar yang bisa mendominasi
fitur lain yang bernilai kecil. Selain itu penskalaan juga dapat mengurangi tingkat
kesulitan perhitungan selama proses pengklasifikasian.
Setelah proses penskalaan selesai, proses selanjutnya adalah melakukan
pelatihan SVM. Data latih dilatih satu per satu dengan 4 fungsi kernel mulai dari
RBF, linear, kuadratik, dan polinomial derajat 3 dengan nilai parameter kernel
terkait. Sebanyak 24 pelatihan dilakukan menggunakan fungsi kernel RBF,
sedangkan untuk kernel lainnya hanya dilakukan pelatihan 1 kali yaitu pada
panjang fragmen 10 Kbp pada tingkat takson genus.
Model yang sudah dihasilkan dari pelatihan sebelumnya digunakan untuk
mengklasifikasikan data uji yang merepresentasikan fragmen metagenome dari
organisme-organisme baru. Dari pengujian ini diperoleh akurasi dari hasil
klasifikasi menggunakan Persamaan 9, sensitivity dan specificity dari setiap kelas
yang ada pada takson genus menggunakan Persamaan 10 dan Persamaan 11.
Analisis
Analisis dilakukan atas hasil akurasi yang dihasilkan dengan memvariasikan
panjang fragmen, tingkat taksonomi, dan kernel yang digunakan.
Tingkat taksonomi dan panjang fragmen
Analisis pengaruh panjang fragmen terhadap nilai akurasi yang diperoleh
merupakan analisis yang penting. Data metagenome yang diambil dari lingkungan
terdiri atas banyak organisme di dalamnya, sehingga mengandung jumlah
nukleotida yang sangat besar, bahkan bisa mencapai megabases. Sementara itu,
teknik untuk melakukan DNA sequencing saat ini hanya berhasil men-sequence
fragmen ≤ 700 bp untuk pembacaan individua atau ≤ 00 bp bi a menggunakan
pyrosequencing (metode sequencing DNA berdasarkan prinsip “sequencing by
synthesis” McHardy et al. 2007). Berdasarkan kondisi tersebut, maka
diharapkan suatu penelitian terkait dengan metagenome dapat menghasilkan
akurasi yang baik bahkan pada panjang fragmen yang pendek.
Untuk hasil akurasi berdasarkan tingkat taksonomi, nilai akurasi yang
analisis merupakan nilai akurasi dari setiap panjang fragmen yang dicobakan yaitu
400 bp, 800 bp, 1 Kbp, 3 Kbp, 5 Kbp, dan 10 Kbp. Sehingga akan didapatkan 6
akurasi untuk setiap tingkat taksonomi mulai dari genus, order, kelas, dan filum.
Hasil akurasi ini ditunjukkan pada Tabel 1, dan divisualisasikan pada Gambar 6.
Pada penelitian ini, panjang fragmen terkecil yang dicobakan adalah 400 bp.
Tabel 1 Hasil akurasi berdasarkan tingkat taksonomi dan panjang fragmen
Panjang fragmen (Kbp)
0.4
0.8
1.0
3.0
5.0
10.0

Genus
65.3
78.9
81.4
92.6
93.7
95.4

Akurasi (%)
Order
Kelas
72.0
78.2
84.0
87.7
86.9
89.7
94.8
95.9
96.1
97.0
97.3
97.8

Filum
82.1
89.4
91.4
96.5
97.2
97.6

12
Genus

Order

Kelas

Filum

Akurasi (%)

100
75
50
25
0
0

1

2

3

4

5

6

7

8

9

10

Panjang fragmen (Kbp)

Gambar 6 Hasil akurasi berdasarkan tingkat taksonomi dan panjang fragmen
Hasil akurasi yang diperoleh pada panjang fragmen tersebut dapat dikatakan
sudah cukup baik yaitu sebesar 65.3% pada takson genus, 72.0% pada takson
order, 78.2% pada takson kelas, dan mencapai 82.1% pada takson filum.
Selanjutnya, bila dilihat pada penggunaan panjang fragmen terbesar yaitu 10 Kbp
akurasi yang diperoleh yaitu 95.4%–97.6%.
Bila dilakukan peninjauan dan penarikan kesimpulan dari pengaruh panjang
fragmen yang digunakan pada penelitian, dapat dilihat bahwa semakin panjang
fragmen yang digunakan maka akan semakin besar hasil akurasi yang diperoleh
dan sebaliknya. Unsur nukleotida yang terdapat pada fragmen DNA merupakan
unsur genetik yang dimiliki oleh suatu organisme. Setiap organisme memiliki ciri
yang berbeda yang dapat dilihat dari perbedaan unsur genetik yang dimilikinya.
Oleh sebab itu, apabila fragmen yang digunakan untuk proses pengklasifikasian
besar, maka perbedaan unsur nukleotida pun semakin besar yang mengakibatkan
hasil pengklasifikasian pun lebih baik. Sedangkan apabila fragmen yang
digunakan pendek, maka akan banyak fragmen yang memilki oligonukleotida
yang sama.
Setelah dilakukan analisis terhadap akurasi dari setiap model di setiap
tingkat taksonomi, hasil akurasi bila hanya dilakukan pembuatan model pada
takson genus pun juga dilakukan. Akurasi yang dihasilkan dari pembuatan model
untuk setiap tingkat takson menghasilkan akurasi yang lebih baik dibandingkan
pembuatan model hanya untuk takson genus. Perbandingan akurasi ini dapat
dilihat pada Gambar 7 dan Lampiran 7. Sehingga disimpulkan bahwa pembuatan
model untuk setiap tingkat takson memang lebih baik apabila diinginkan hasil
penelitian yang baik.
Sensitivity dan specificity
Perhitungan sensitivity dan specificity pada penelitian ini dibatasi pada
takson genus dan filum saja, serta hanya pada panjang fragmen 400 bp, 1 Kbp,
dan 10 Kbp. Penelitian dengan ekstasi fitur menggunakan spaced k-mers dan
pengklasifikasian menggunakan metode SVM ini dapat menghasilkan sensitivity
yang baik pada level takson genus, yang dapat dilihat pada Gambar 8. Nilai
sensitivity yang didapat pada panjang fragmen 400 bp yaitu berada di antara
21.1%–85.2% dengan rata-rata sensitivity-nya 60.6%. Nilai sensitivity yang

13

Kelas
100

75

75

Akurasi (%)

Akurasi (%)

Order
100

50
25
0

50
25
0

0,4

0,8 1
3
5
10
Panjang fragmen (Kbp)

0,4 0,8 1
3
5 10
Panjang fragmen (Kbp)

Filum
Akurasi (%)

100
75
50
25
0
0,4

0,8
1
3
5
10
Panjang fragmen (Kbp)

Gambar 7 Perbandingan akurasi pada takson order, kelas, dan filum bila
pembuatan model dilakukan untuk takson genus saja ( ) dan
untuk setiap takson ( )
didapat pada panjang fragmen 1 Kbp yaitu berada di antara 43.4%–94.5% dengan
rata-rata sensitivity-nya 79.2%. Nilai sensitivity yang didapat pada panjang
fragmen 10 Kbp yaitu berada di antara 56.0%–100% dengan rata-rata sensitivitynya 95.2%. Nilai sensitivity ini menunjukkan bahwa setidaknya ada 60.6% data
pada suatu kelas dapat diklasifikasikan ke kelas sebenarnya. Untuk specificity
didapat nilai yang baik yaitu antara 96.3%–100% pada setiap panjang fragmen
yang dicobakan. Secara lengkap nilai specificity ini dapat dilihat pada Gambar 9.
Hasil sensitivity dan specificity untuk kelas taksonomi selanjutnya ,yaitu
filum dapat dilihat pada Gambar 10 dan Gambar 11. Sensitivity pada level takson
ini dikatakan baik bahkan pada panjang fragmen kecil yaitu 400 bp. Nilai
1 Kbp

10 Kbp

75
50
25
0

Bacillus
Bacteroides
Bartonella
Borrelia
Burkholderia
Campylobacter
Chlamydophila
Clostridium
Corynebacterium
Dehalococcoides
Francisella
Frankia
Geobacter
Haemophilus
Helicobacter
Lactobacillus
Listeria
Methanococcus
Methylobacterium
Mycobacterium
Mycoplasma
Pseudomonas
Pyrococcus
Rickettsia
Shewanella
Staphylococcus
Streptococcus
Streptomyces
Sulfolobus
Thermoanaerobacter
Thermotoga
Wolbachieae
Xanthomonas
Yersinia

Sensitivity (%)

400 bp
100

Genus

Gambar 8 Sensitivity takson genus

14
1 Kbp

10 Kbp

75
50
25
0

Bacillus
Bacteroides
Bartonella
Borrelia
Burkholderia
Campylobacter
Chlamydophila
Clostridium
Corynebacterium
Dehalococcoides
Francisella
Frankia
Geobacter
Haemophilus
Helicobacter
Lactobacillus
Listeria
Methanococcus
Methylobacterium
Mycobacterium
Mycoplasma
Pseudomonas
Pyrococcus
Rickettsia
Shewanella
Staphylococcus
Streptococcus
Streptomyces
Sulfolobus
Thermoanaerobacter
Thermotoga
Wolbachieae
Xanthomonas
Yersinia

Specificity (%)

400 bp
100

Genus

Gambar 9 Specificity takson genus

Sensitivity (%)

400 bp

1 Kbp

10 Kbp

100
75
50
25
0

Filum

Gambar 10 Sensitivity takson filum

Specificity (%)

400 bp

1 Kbp

10 Kbp

100
75
50
25
0

Filum

Gambar 11 Specificity takson filum
sensitivity yang didapat yaitu 40.8%–88.4% untuk panjang fragmen 400 bp,
60.7%–94.6% untuk panjang fragmen 1 Kbp, dan 66.2%–99.6% untuk panjang
fragmen 10 Kbp. Kemudian untuk nilai specificity juga baik yaitu berkisar antara
88.1%–100.0% untuk semua panjang fragmen yang dicobakan.
Bila ditinjau keterkaitan antara hasil sensitivity dengan jumlah data yang ada
pada kelas taksonnya, disimpulkan bahwa semakin banyak jumlah data untuk
kelas tersebut maka menghasilkan sensitivity yang besar, dan sebaliknya. Dapat
dilihat data uji untuk filum Actinobacteria, Firmicutes, dan Sphirochaetes yang
memiliki anggota filum tersebar dihasilkan sensitivity yang besar pula. Sensitivity

15
untuk ketiga filum tersebut yaitu 82.2%–99.6% pada panjang fragmen kecil (400
bp) dan panjang fragmen besar (10 Kbp). Namun untuk filum lainnya yang
memiliki anggota filum jauh lebih kecil, hanya menghasilkan sensitivity < 50%
pada panjang fragmen kecil (400 bp). Pengaruh semakin besarnya data yang
membuat nilai sensitivity juga besar dipengaruhi oleh semakin banyaknya
pembelajaran yang dilakukan. Jumlah data uji untuk setiap kelas taksonnya dapat
dilihat pada Lampiran 5.
Jenis kernel
Pengujian pengaruh penggunaan kernel terhadap hasil akurasi dilakukan
untuk mengetahui kernel yang dapat menghasilkan model terbaik pada kasus
pengklasifikasian fragmen metagenome. Gambar 12 memvisualisasikan hasil
akurasi berdasarkan fungsi kernel yang digunakan dari pengklasifikasian data uji
dengan panjang fragmen 10 Kbp pada tingkat takson genus. Dapat dilihat bahwa
akurasi yang didapatkan dengan menerapkan 4 jenis kernel berbeda menghasilkan
persentase akurasi yang tidak jauh berbeda. Akurasi yang dihasilkan terbilang
sudah sangat baik yaitu mencapai > 95%.
Dari hasil akurasi ini dapat dikatakan bahwa penggunaan kernel ternyata
tidak berpengaruh. Penggunaan kernel linear yang sesungguhnya tidak diterapkan
kernel apapun menghasilkan akurasi yang tidak berbeda dengan penggunaan
kernel lainnya. Maka pada kondisi ini dapat dikatakan bahwa metode ekstraksi
fitur yang digunakan yaitu spaced k-mers sudah baik, sehingga data sudah
terpisah secara linear tanpa perlu diterapkan fungsi kernel apapun pada pembutan
modelnya.
Setelah itu dilakukan pula pencatatan waktu komputasi pembuatan model
dari setiap kernel yang dapat dilihat pada Tabel 2. Dari hasil ini dapat dikatakan
bahwa kernel RBF memiliki kinerja terbaik dalam melakukan pelatihan SVM
untuk data fragmen metagenome, tetapi membutuhkan waktu komputasi yang
sedikit lebih lama.

Akurasi (%)

100

95,4

95,2

95,1

95,1

RBF

Linear

Kuadratik
Quadratic

Polinomial

75
50
25
0
Jenis kernel

Gambar 12 Akurasi menggunakan 4 fungsi kernel berbeda untuk panjang
fragmen 10 Kbp dan takson genus
Tabel 2 Perbandingan waktu komputasi pembuatan model pada setiap kernel
Waktu komputasi (menit)
Panjang fragmen
RBF
Linear
Kuadratik
Polinomial (d=3)
10 Kbp
13
10
8
8

16
Hasil klasifikasi genus yang tidak ada pada data latih
Pada penelitian ini diujikan 1 organisme yang tidak memiliki model pada
data latihnya, yaitu Burkholderia sp JV3 yang termasuk dalam genus
Stenotrophomonas. Genus ini tidak ada pada data latih, sehingga diharapkan dari
pengujian data dengan kasus seperti ini dapat diketahui kinerja dari
pengklasifikasian SVM. Burkholderia sp JV3 memiliki 1908 baris data (fragmen)
pada data uji dengan panjang fragmen 400 bp, 2009 pada panjang fragmen 1 Kbp,
dan 1985 pada panjang fragmen 10 Kbp. Hasil pengklasifikasian sebagian besar
mengkelaskan fragmen organisme ini ke takson genus Xanthomonas dan
Pseudomonas. Untuk hasil keseluruhan pengklasifikasian dapat dilihat pada
diagram lingkaran yang ditunjukkan pada Gambar 13, 14 dan 15.
Dari hasil klasifikasi tersebut, dilakukan pencocokan terhadap similarity
dari Burkholderia sp JV3 pada program Basic Local Alignment Search Tool
(BLAST) dari NCBI yang dapat diakses pada http://blast.ncbi.nlm.nih.gov/
Blast.cgi?CMD=Web&PAGETYPE=BlastHome. BLAST adalah program yang
Bordetella 5%
Cupriavidus 7%
Xanthomonas
42%

Mycobacterium
7%
Pseudomonas
33%

Bacillus
Bordetella
Bradyrhizobium
Burkholderia
Corynebacterium
Cupriavidus
Frankia
Geobacter
Lactobacillus
Methanosarcina
Methylobacterium
Mycobacterium
Pseudomonas
Streptomyces
Synechococcus
Xanthomonas

Gambar 13 Hasil klasifikasi data uji Burkholderia sp JV3 (genus
Stenotrophomonas) pada panjang fragmen 400 bp
Bordetella 2%
Cupriavidus 7%
Mycobacterium
3%
Xanthomonas
55%

Pseudomonas
31%

Bacillus
Bordetella
Bradyrhizobium
Burkholderia
Corynebacterium
Cupriavidus
Frankia
Geobacter
Mycobacterium
Pseudomonas
Streptomyces
Synechococcus
Xanthomonas

Gambar 14 Hasil klasifikasi data uji Burkholderia sp JV3 (genus
Stenotrophomonas) pada panjang fragmen 1 Kbp
Cupriavidus 5%
Pseudomonas
4%
Xanthomonas
90%

Bacillus
Bordetella
Brucella
Burkholderia
Cupriavidus
Pseudomonas
Xanthomonas

Gambar 15 Hasil klasifikasi data uji Burkholderia sp JV3 (genus
Stenotrophomonas) pada panjang fragmen 10 Kbp

17
dapat menemukan “region of local similarity” antar sequences. Program ini dapat
membandingkan urutan nukleotida atau protein suatu sequence dengan sequence
lainnya dan menghitung secara statistik unsur yang signifikan sama. BLAST
dapat digunakan untuk menyimpulkan hubungan fungsional dan evolusioner antar
sequences serta membantu mengidentifikasi anggota dari gen. Hasil BLAST dari
organisme Burkholderia sp JV3 mengeluarkan daftar organisme yang memiliki
similarity dengan organisme tersebut. Tabel 3 adalah daftar organisme-organisme
yang dihasilkan dari BLAST yang juga merupakan organisme yang digunakan
pada data latih.
Dari hasil pengklasifikasian pada penelitian ini dan hasil BLAST, dapat
dilihat bahwa benar Xanthomonas dan Pseudomonas memiliki tingkat similarity
yang cukup besar dengan Burkholderia sp JV3. Maka hasil klasifikasi SVM pada
Tabel 3 Daftar organisme yang memiliki similarity dari hasil alignment
Burkholderia sp JV3 pada BLAST
Max
Query
E
No
Deskripsi
Total score
score
cover value
1 Xanthomonas campestris 11297 1.484 × 106
39%
0.0
pv. campestris complete
genome, strain B100
2 Xanthomonas campestris 11291 1.473 × 106
39%
0.0
pv. campestris str. ATCC
33913, complete genome
3 Xanthomonas campestris 11285 1.474 × 106
39%
0.0
pv. campestris str. 8004,
complete genome
4 Xanthomonas campestris 11068 1.421 × 106
36%
0.0
pv. vesicatoria complete
genom
5 Xanthomonas oryzae pv.
8408 1.175 × 106
31%
0.0
oryzae KACC10331,
complete genome
6 Xanthomonas oryzae pv.
8403 1.178 × 106
31%
0.0
oryzae MAFF 311018
DNA, complete genome
7 Xanthomonas oryzae pv.
8397 1.230 × 106
31%
0.0
oryzae PXO99A,
complete genome
8 Pseudomonas
4069 2.894 × 106
8%
0.0
aeruginosa UCBPPPA14, complete genome
9 Pseudomonas putida
3166 2.618 × 106
5%
0.0
KT2440 complete
genome
10 Pseudomonas putida
3160 2.624 × 106
5%
0.0
GB-1, complete genome
11 Pseudomonas putida
3158 2.513 × 106
4%
0.0
W619, complete genome

Max
ident
100%

100%

100%

100%

100%

100%

100%

100%

100%

100%
100%

18
penelitian ini bergantung pada unsur nukleotida yang dimiliki oleh setiap data,
baik data latih yang akan menjadi model maupun data uji yang akan diprediksi
kelasnya.
Implementasi
Tahap akhir yaitu implementasi yang menghasilkan sistem bernama
Metagenome Binning. Sistem ini dapat melakukan prediksi tingkat taksonomi dari
sequence DNA yang menjadi masukkan sistem sebelumnya. Tingkat taksonomi
yang akan ditampilkan sebagai keluaran sistem yaitu genus, order, kelas, dan
filum. Tahapan dan tampilan dalam menggunakan sistem ini dapat dilihat pada
Lampiran 8.

SIMPULAN DAN SARAN
Simpulan
Pada penelitian ini, sudah disajikan pengklasifikasian fragmen metagenome
menggunakan metode SVM. Secara keseluruhan penelitian ini sudah
menghasilkan akurasi yang baik, bahkan pada panjang fragmen kecil 400 bp yaitu
65.3% untuk takson genus, 72.0% untuk takson order, 78.2% untuk takson kelas,
dan 82.1% untuk takson filum. Pada panjang fragmen besar (10 Kbp) akurasi
mencapai ˃ 95% untuk semua eve takson. Dari penggunaan berbagai panjang
fragmen ini disimpulkan bahwa semakin panjang fragmen yang digunakan maka
akan semakin besar hasil akurasi yang diperoleh dan sebaliknya.
Penggunaan 4 fungsi kernel yang berbeda pada pemodelan SVM pun telah
diterapkan. Dari hasil penelitian ini disimpulkan bahwa fungsi kernel yang
diterapkan tidak terlalu berpengaruh terhadap hasil pengklasifikasian karena
metode ekstraksi fitur yang digunakan ternyata sudah baik. Metode ekstraksi fitur
spaced k-mers dengan variabel w = 3 dan d = 0, 1, 2 telah menghasilkan fitur yang
dapat memisahkan data secara linear. Sehingga kondisi linearly separable sudah
terpenuhi tanpa perlu menerapakan fungsi kernel apapun pada pembentukan
model SVM.
Kemudian untuk hasil pengklasifikasian data uji yang tidak ada modelnya
pada data latih menunjukkan hasil yang serupa dengan hasil aplikasi BLAST.
Fragmen data uji Burkholderia sp JV3 sebagian besar dikelaskan menjadi
Xanthomonas dan Pseudomonas. Ini menunjukkan bahwa kinerja
pengklasifikasian pada penelitian ini bergantung pada unsur nukleotida yang
dimiliki oleh setiap data, baik data latih yang akan menjadi model maupun data uji
yang akan diprediksi kelasnya.
Setelah itu hasil justifikasi dari pembuatan model setiap takson yang sudah
dilakukan, dihasilkan bahwa pembuatan model untuk setiap tingkat takson
memang memberikan akurasi yang lebih baik. Bila dibandingkan dengan hanya
dilakukannya pembuatan model pada takson genus yang menghasilkan akurasi
lebih kecil. Sehingga apabila diinginkan akurasi penelitian yang lebih baik, maka
pembuatan model untuk setiap takson lebih disarankan.

19
Saran
Beberapa saran untuk penelitian selanjutnya yaitu:
1 Menggunakan sequence data 16S rRNA yang dihasilkan dari proses
sequencing dan sudah banyak tersedia di genbank dengan panjang fragmen
yang mendominasi yaitu 400 bp, sehingga tidak perlu menggunakan data
simulasi.
2 Menambah jumlah kelas pada data latih sehingga dapat melakukan prediksi
untuk lebih banyak kelas.
3 Menggunakan data riil misal Sargasso Sea atau yang lainnya.

DAFTAR PUSTAKA
Boswell D. 2002. Introduction to support vector machine [Internet]. [diunduh
2012 Des 9]. Tersedia pada: http://www.work.caltech.edu/~boswell/
IntroToSVM.pdf
Hsu CW, Chang CC, Lin CJ. 2003. A practical guide to support vector
classification [Internet]. [diunduh 2012 Des 9]. Tersedia pada:
http://www.csie.ntu.edu.tw/~cjlin
Hsu CW, Lin CJ. 2002. A comparison of methods for multiclass support vector
machine. IEEE Transactions on Neural Networks. 13(2):415–425. doi:
10.1109/72.991427.
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.
Kusuma WA, Akiyama Y. 2011. Metagenome fragment binning based on
characterization vector. Di dalam: International Conference on Bioinformatics
and Biomedical Technology (ICBBT 2011); 2011 Mar 25–27; Sanya, China.
Liu L, Ho YK, Yau S. 2006. Clustering DNA sequences by feature vectors.
Molecular Phylogenetics and Evolution. 41(1):64–69. doi: 10.1016/j.ympev.
2006.05.019
McHardy AC, Martín HG, Tsirigos A, Hugenholtz P, Rigoutsos I. 2007. Accurate
phylogonetic classification of variabel-length DNA fragments. Nature Methods.
4(1):63–72. doi: 10.1038/nmeth976.
McHardy AC Rigoutsos I. 007. What’s in the mi : phy ogenetic c assification of
metagenome sequence samples. Current Opinion in Microbiology. 10(5):499–
503. doi: 10.1016/j.mib.2007.08.004.
Osuna EE, Freund R, Girosi F. 1997. Support vector machines: training and
applications. AI Memo (1602).
Refaeilzadeh P, Tang L, Liu H. 2009. Cross-validation. Di dalam: Liu L, Öszu
MT, editor. Encyclopedia of Database Systems. New York (US): Springer.
Richter DC, Ott F, Auch AF, Schmid R, Huson DH. 2008. MetaSim: a sequencing
simulator for genomics and metagenomics. PLoS ONE. 3(10):1–12.
doi:10.1371/journal.pone.0003373.

20