Klasifikasi fragmen metagenome menggunakan oblique decision tree dengan optimasi algoritme genetika

KLASIFIKASI FRAGMEN METAGENOME MENGGUNAKAN
OBLIQUE DECISION TREE DENGAN OPTIMASI
ALGORITME GENETIKA

ALFAT SAPUTRA HARUN

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

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Klasifikasi Fragmen
Metagenome Menggunakan Oblique Decision Tree dengan Optimasi Algoritme
Genetika 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, Agustus 2014
Alfat Saputra Harun
NIM G64100046

ABSTRAK
ALFAT SAPUTRA HARUN. Klasifikasi Fragmen Metagenome Menggunakan
Oblique Decision Tree dengan Optimasi Algoritme Genetika. Dibimbing oleh
WISNU ANANTA KUSUMA.
Analisis metagenome merupakan salah satu bidang kajian bioinformatika
yang penting. Bidang ini terkait dengan analisis sampel genom yang diambil
langsung dari lingkungan. Tujuan penelitian ini adalah melakukan klasifikasi
fragmen metagenom ke dalam tingkat taksonomi genus menggunakan oblique
decision tree yang dioptimasi dengan algoritme genetika. Proses ekstraksi ciri
dilakukan dengan menggunakan frekuensi 2-mers, 3-mers, dan 4-mers. Proses
klasifikasi diawali dengan membuat model berupa pohon keputusan menggunakan
data latih dari 10 organisme yang termasuk ke dalam 3 genus. Dari penelitan yang
dilakukan diperoleh pohon keputusan yang dapat digunakan untuk
mengklasifikasikan fragmen metagenome baru ke dalam genus yang relevan.

Evaluasi dilakukan dengan mengukur akurasi dari model klasifikasi. Model
klasifikasi yang dihasilkan dengan metode ini kemudian dibandingkan dengan
model yang dihasilkan dengan metode Naïve Bayes dan didapatkan bahwa model
yang dihasilkan oleh metode oblique decision tree menghasilkan tingkat akurasi
yang lebih baik dibandingkan metode Naïve Bayes, yaitu untuk fitur 3-mers
dengan panjang fragmen 0.5 Kbp sampai dengan 10 Kbp metode oblique decision
tree menghasilkan rata-rata akurasi 93.06%, sedangkan metode Naïve Bayes
memperoleh rata-rata akurasi 89.11%. Dari percobaan menggunakan beberapa
jenis fitur didapatkan bahwa semakin tinggi nilai k untuk k-mers maka semakin
tinggi rata-rata akurasi yang dihasilkan, dengan fitur 4-mers menghasilkan ratarata akurasi tertinggi dan fitur 2-mers menghasilkan rata-rata akurasi terendah.
Dari penggunaan beberapa jenis panjang fragmen didapatkan bahwa semakin
panjang fragmen yang digunakan maka semakin tinggi hasil akurasi yang
didapatkan.
Kata kunci: algoritme genetika, klasifikasi, metagenom, oblique decision tree

ABSTRACT
ALFAT SAPUTRA HARUN. Metagenome Fragment Classification Using
Oblique Decision Tree with Genetic Algorithm Optimization. Supervised by
WISNU ANANTA KUSUMA.
Metagenome analysis is one of the most important bioinformatics field. This

field is related to genome sample which is taken directly from environment. The
purpose of this research is to classify metagenome fragment into genus taxonomic
level using oblique decision tree that optimized by genetic algorithm. Feature
extraction is performed using 2-mers, 3-mers, and 4-mers frequencies.
Classification process is conducted by creating model as a decision tree using the
training data of 10 organisms that belong to 3 different genus. From the research
conducted, obtained decision tree that could be used to classify new metagenome
fragments to the relevant genus. Evaluation is conducted by measuring the

accuracy of the classification model. Classification model that generated by this
method were then compared to the classification model by Naïve Bayes method
and from the experiment, model by oblique decision tree obtained higher accuracy
than the model of Naïve Bayes, there for the 3-mers feature with 0.5 Kbp to 10
Kbp fragment length oblique decision tree acquired 93.06% accuracy, and for
Naïve Bayes method acquired 89.11% accuracy. From the experiment that using
several types of features it was acquired that higher k value for k-mers will be
resulted in better mean accuracy, with the 4-mers feature acquired highest mean
accuracy and 2-mers feature acquired lowest mean accuracy. From using different
fragment length it was acquired that the longer the fragment that used resulted in
higher accuracy.

Keywords: classification, genetic algorithm, metagenome, oblique decision tree

KLASIFIKASI FRAGMEN METAGENOME MENGGUNAKAN
OBLIQUE DECISION TREE DENGAN OPTIMASI
ALGORITME GENETIKA

ALFAT SAPUTRA HARUN

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
2014

Penguji: 1 Dr Ir Agus Buono, MSi MKom
2 Muhammad Asyhar Agmalaro, SSi MKom

PRAKATA
Puji dan syukur ke hadirat Allah subhanahu wa ta’ala atas segala karuniaNya sehingga penulis bisa menyelesaikan tugas akhir dengan judul Klasifikasi
Fragmen Metagenome Menggunakan Oblique Decision Tree dengan Optimasi
Algoritme Genetika. Penelitian ini dilaksanakan sejak bulan November 2013
sampai dengan Juni 2014.
Terima kasih penulis ucapkan kepada Bapak Dr Wisnu Ananta Kusuma,
selaku pembimbing tugas akhir atas bimbingan dan arahan beliau selama
pengerjaan tugas akhir ini. Terima kasih pula kepada kedua dosen penguji, yaitu
Bapak Dr Agus Buono dan Bapak Muhammad Asyhar Agmalaro, MKom untuk
segala saran dan masukannya. Tidak lupa ucapan terima kasih saya haturkan
kepada kedua orang tua dan seluruh keluarga, atas segala doa dan dukungannya,
serta kepada teman-teman Ilmu Komputer 47 dan semua pihak yang terkait secara
langsung maupun tidak atas dukungannya selama penelitian ini dilakukan.
Semoga karya ilmiah ini bermanfaat.

Bogor, Agustus 2014
Alfat Saputra Harun

DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR LAMPIRAN
PENDAHULUAN
Latar Belakang
Perumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Ruang Lingkup Penelitian
METODE
Pengumpulan Data
Praproses Data
Ekstraksi Fitur
Pembagian Data
Oblique Decision Tree
Pengujian ODT-GA
Analisis
HASIL DAN PEMBAHASAN

Praproses Data
Ekstraksi Fitur
Pembagian Data
Pelatihan ODT-GA
Analisis
Panjang Fragmen dan Jenis Fitur
Perbandingan dengan Metode Naïve Bayes
Perhitungan Sensitivity dan Specificity
SIMPULAN DAN SARAN
Simpulan
Saran
DAFTAR PUSTAKA
DAFTAR LAMPIRAN
RIWAYAT HIDUP

vi
vi
vi
1
1

2
2
2
2
2
2
3
3
4
4
7
8
8
8
8
9
9
9
10
11

12
14
14
15
15
16
17

DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11

12
13
14

Tahapan penelitian
Contoh ekstraksi fitur menggunakan 3-mers
Ilustrasi k-fold cross validation
Contoh kelompok data yang dipisahkan oleh axis-parallel decision
tree
Contoh operasi uniform crossover
Diagram alir proses pembentukan oblique DT
Contoh isi fail CSV fitur 3-mers untuk panjang fragmen 200 bp
Perbandingan akurasi fitur 3-mers metode ODT-GA dan Naïve Bayes
Sensitivity fitur 2-mers
Sensitivity fitur 3-mers
Sensitivity fitur 4-mers
Specificity fitur 2-mers
Specificity fitur 3-mers
Specificity fitur 4-mers

3
4
4
5
6
7
9
11
12
12
12
13
13
13

DAFTAR LAMPIRAN
1
2
3

Daftar organisme yang digunakan pada penelitian
Akurasi metode ODT-GA sebelum penskalaan
Akurasi metode Naïve Bayes

16
16
16

PENDAHULUAN
Latar Belakang
Analisis metagenome merupakan salah satu bidang kajian bioinformatika
yang penting dan terus berkembang. Menurut Handelsman et al. (1998)
metagenome adalah kumpulan data genome dari suatu komunitas mikroba di alam
dan data tersebut bisa digunakan untuk mengetahui fungsi biologis mikrobamikroba tersebut. Studi yang mempelajari tentang metagenome disebut
metagenomika. Berbeda dengan studi yang mempelajari genom (genomika),
metagenomika 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 yang dilakukan secara langsung menghasilkan
fragmen-fragmen dari berbagai organisme bercampur. Kondisi ini memungkinkan
fragmen dari suatu organisme memiliki overlap dengan fragmen dari organisme
lain sehingga dapat mengakibatkan kesalahan perakitan fragmen-fragmen yang
terkandung di dalam komunitas tersebut (Wooley et al. 2010). Untuk
meminimalkan kesalahan perakitan maka salah satu langkah yang dilakukan
adalah binning. Proses binning bisa dilakukan dengan metode supervised learning
atau unsupervised learning. Pada metode supervised learning, fragmen-fragmen
diklasifikasikan berdasarkan level taksonomi tertentu, misalnya genus.
Beberapa peneliti telah melakukan penelitian terkait dengan
pengklasifikasian fragmen metagenome. McHardy et al. (2007) telah membangun
aplikasi yang dinamai PhyloPythia. Aplikasi ini mengklasifikasikan fragmen
metagenome menggunakan data latih 340 organisme dengan metode support
vector machine (SVM) dan frekuensi 5-mers sebagai fiturnya. Hasil akurasi yang
diperoleh cukup bervariasi, yaitu untuk panjang fragmen ≥ 5 Kilo base pair (Kbp)
antara 60%-90%, untuk panjang fragmen ≤ 3 Kbp sebesar 40%, dan untuk
panjang fragmen 1 Kbp diperoleh akurasi < 10%. Penelitian ini kemudian diteliti
lebih lanjut oleh Ariny (2013) dengan menggunakan fitur spaced k-mers.
Rosen et al. (2008) kemudian melakukan pengklasifikasian fragmen
metagenome yang mengandung 635 organisme. Metode yang digunakan adalah
naïve Bayes classifier (NBC) dengan fitur k-mers. Penelitian ini menghasilkan
akurasi 38% untuk fragmen dengan panjang 500 bp dengan k = 3, serta akurasi
tertinggi 88.8% setelah menggunakan k = 15. Rahmawati (2013) kemudian
melakukan penelitian lebih lanjut dengan menambahkan fitur spaced k-mers.
Didasari oleh penelitian-penelitian klasifikasi fragmen metagenome
sebelumnya, penelitian ini menggunakan metode lain, yaitu oblique decision tree
dengan optimasi algoritme genetika (ODT-GA) dengan fitur 2-mers, 3-mers, dan
4-mers. Penggunaan metode ini diharapkan bisa menghasilkan decision tree yang
memberikan akurasi tinggi, sedangkan penggunaan beberapa jenis ekstraksi fitur
yang berbeda akan dibandingkan sehingga fitur yang meningkatkan akurasi hasil
klasifikasi fragmen metagenome jika menggunakan metode ini dapat diketahui.

2
Perumusan Masalah
Rumusan masalah dalam penelitian ini yaitu besar akurasi yang diperoleh
dengan menggunakan metode ODT-GA dan perbandingannya dengan metode
Naïve Bayes. Rumusan masalah penelitian ini juga adalah pengaruh panjang
fragmen dan jenis fitur yang digunakan terhadap hasil akurasi pengklasifikasian
ODT-GA.

Tujuan Penelitian
Tujuan penelitian ini adalah untuk mengklasifikasikan fragmen metagenome
ke dalam tingkat taksonomi genus dengan menggunakan metode ODT-GA
kemudian membandingkan dengan metode klasifikasi Naïve Bayes. Tujuan
lainnya adalah mengetahui pengaruh panjang fragmen dan jenis fitur yang
digunakan terhadap hasil akurasi dari klasifikasi ODT-GA.

Manfaat Penelitian
Penelitian diharapkan dapat memberikan kontribusi untuk mendukung
proses analisis metagenome sequence pada penelitian-penelitian yang akan
datang.

Ruang Lingkup Penelitian
Penelitian yang dilakukan terbatas pada ruang lingkup tertentu, yaitu data
yang digunakan hanya terdiri dari 10 organisme yang termasuk ke dalam 3 genus,
fragmen yang digunakan mempunyai panjang tetap dan bebas dari sequencing
error, serta tingkat taksonomi yang digunakan untuk klasifikasi hanya terbatas
pada tingkat genus. Fitur k-mers yang digunakan terbatas pada nilai k = 2, k = 3,
dan k = 4. Untuk panjang fragmen yang digunakan hanya dibatasi pada 200 base
pair (bp), 500 bp, 1 Kilo bp (Kbp), 5 Kbp, dan 10 Kbp.

METODE
Penelitian dilakukan dalam beberapa tahapan yang diilustrasikan pada
Gambar 1.

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 di bidang biologi molekuler dan menjadi

3
sumber informasi untuk perkembangan bidang tersebut. Data metagenome ini
merupakan sequence DNA organisme dengan format FASTA.

Gambar 1 Tahapan penelitian
Praproses Data
Sekuens DNA metagenome yang ada diuraikan fragmennya menggunakan
perangkat lunak MetaSim (Richter et al. 2008), yaitu suatu perangkat lunak untuk
mensimulasikan kerja sequencer. Data yang diproses dibaca berulang kali sesuai
dengan kebutuhan penelitian. Pada penelitian ini data yang dipersiapkan
berjumlah 3 ribu fragmen dengan rincian jumlah fragmen organisme-organisme
yang berada pada genus yang sama adalah 1000 fragmen. Keluaran dari
pengolahan MetaSim ini adalah fail FASTA yang berisi sekuens DNA yang sudah
terfragmen dengan panjang yang telah ditentukan.

Ekstraksi Fitur
Ekstraksi fitur pada penelitian ini adalah dengan melakukan pembacaan
frekuensi nukleotida dengan k-mers pada sekuens DNA yang telah dibangkitkan
dengan menggunakan MetaSim. Sebagai contoh, untuk k-mers dengan k = 3 maka
dihitung frekuensi kemunculan dari kombinasi nukleotida yang memiliki panjang

4
3, yaitu AAA, AAC, AAT dan seterusnya hingga GGG. Nukleotida terdiri atas
empat basa utama , yaitu Adenin, Cytosine, Thymine, dan Guanine yang disingkat
menjadi A, C, T, G sehingga dimensi fitur dari k-mers dapat dihitung dengan 4k.
Contoh untuk ekstraksi fitur menggunakan fitur 3-mers dapat dilihat pada Gambar
2.

Gambar 2 Contoh ekstraksi fitur menggunakan 3-mers
Pembagian Data
Data yang digunakan pada penelitian ini dibagi menjadi dua bagian, yaitu
data latih dan data uji. Data yang digunakan terdiri atas 10 organisme yang
termasuk pada 3 kelompok genus berbeda. Data latih dan data uji dibagi
menggunakan k-fold cross validation dengan k = 10. Metode k-fold cross
validation melakukan perulangan sebanyak k kali untuk membagi sebuah
himpunan contoh secara acak menjadi k-subset yang saling bebas. Setiap ulangan
terdapat satu subset yang digunakan untuk pengujian sedangkan sisanya
digunakan untuk pelatihan.

Gambar 3 Ilustrasi k-fold cross validation
Oblique Decision Tree
Decision tree (DT) merupakan salah satu metode yang populer digunakan
untuk klasifikasi. Sebagian besar algoritme pembentukan tree menguji nilai dari
suatu atribut tunggal untuk menjadi node pemisah. Pembentukan node seperti hal
di atas bisa digambarkan seperti hyperplane yang paralel dengan salah satu sumbu
pada dimensi atribut, oleh karena itu tree yang terbentuk disebut juga dengan axisparallel DT. Bentuk axis-parallel DT mudah digunakan karena model yang
dihasilkan bisa lebih mudah dibaca oleh pengguna, namun juga axis-parallel DT
dimungkinkan untuk menghasilkan akurasi rendah dikarenakan banyak kelompok
data yang tidak bisa dipisahkan dengan hyperplane yang axis-parallel.

5

Gambar 4 Contoh kelompok data yang dipisahkan oleh axis-parallel decision tree
Oblique DT menggunakan pengujian nilai dari banyak atribut yang
kemudian membentuk suatu hyperplane yang tidak selalu axis-parallel untuk
menjadi node pemisah, dan dalam beberapa kasus bisa menghasilkan ukuran tree
yang lebih kecil serta akurasi yang lebih baik dibanding axis-parallel DT. Namun
sekalipun dengan beberapa kelebihan tersebut, oblique DT masih jarang
digunakan dikarenakan kerumitan untuk pembacaan model yang dihasilkan dan
juga kebutuhan komputasi yang lebih besar dibanding dengan kebutuhan
komputasi untuk membentuk axis-parallel DT.
Oblique DT sendiri menggunakan hyperplane yang tidak selalu axisparallel untuk memisahkan kelompok data. Jika dicontohkan d adalah banyaknya
atribut dari fitur yang digunakan, maka sebuah hyperplane bisa dituliskan sebagai
∑

atau

dengan w adalah vektor suatu koefisien, x adalah vektor nilai atribut fitur, dan b
adalah koefisien. Hyperplane dikatakan bisa memisahkan sekelompok data jika
dapat ditemukan nilai dari w dan b sedemikian sehingga
∑

∑

(

(

)

)

terpenuhi untuk data di atas hyperplane
terpenuhi untuk data di bawah hyperplane

dengan nilai xji adalah nilai fitur atribut ke-i dari data ke-j.
Dalam membentuk oblique DT terlebih dahulu perlu dicari node pemisah
yang axis-parallel. Dalam menentukan node pemisah yang paling baik maka
harus dipilih atribut yang bisa menjadi pemisah paling murni, yaitu atribut yang
dapat memisahkan suatu kelas tanpa tercampur dengan kelas lainnya. Ukuran
yang digunakan untuk melihat besaran kemurnian atau purity ini disebut
informasi. Untuk mengukur baik tidaknya suatu pemisah maka perlu diketahui
nilai selisih antara entropi sebelum dilakukan pemisahan dengan entropi setelah
dilakukan pemisahan. Jika k adalah banyak kelas, entropi bisa dihitung dengan
cara

6
∑

dengan P(di) adalah peluang dari kelas i. Jika dicontohkan terdapat 2 jenis kelas
dalam suatu kelompok data, yaitu kelas X dan kelas Y. Data kemudian dipisahkan
menurut nilai dari suatu atribut sehingga terbagi menjadi dua kriteria. Jika n
adalah jumlah data keseluruhan, k1 adalah jumlah data pada kriteria pertama, k2
adalah jumlah data pada kriteria kedua, x adalah jumlah data yang termasuk dalam
kelas X, xi adalah jumlah data kelas X pada kriteria ke-i, y adalah jumlah data
yang termasuk dalam kelas Y, yi adalah jumlah data kelas Y pada kriteria ke-i,
maka peningkatan informasi untuk pembagian menurut kriteria tersebut bisa
diketahui menurut perhitungan di bawah.

(

( )
)

Setelah ditemukan axis-parallel DT maka dilakukan optimasi dengan
algoritme genetika. Gen yang digunakan adalah nilai w dan b yang merupakan
koefisien dari hyperplane dan panjang gennya adalah d+1 dengan d adalah jumlah
atribut fitur, dalam hal ini fitur yang digunakan adalah frekuensi k-mers, dengan
jumlah fitur atau dimensinya 4k. Sebagai contoh, 2-mers akan memberikan jumlah
fitur 42 atau sama dengan 16. Pada library yang digunakan algoritme genetika
menggunakan prinsip pairwise tournament selection, operator genetika uniform
Sebelum crossover
Individu 1
w1
Individu 2
w1

w2
w2

w3
w3

w4
w4

w5
w5

w6
w6

w7
w7

w8
w8

…
…

Setelah crossover
Individu 1
w1
Individu 2
w1

w2
w2

w3
w3

w4
w4

w5
w5

w6
w6

w7
w7

w8
w8

…
…

Gambar 5 Contoh operasi uniform crossover
crossover dengan probabilitas 1 dan tanpa mutasi. Contoh operasi uniform
crossover bisa dilihat pada Gambar 5. Ukuran populasi yang digunakan adalah
20 . Populasi awal dibentuk dari axis-parallel hyperplane terbaik yang mengisi
10% dari populasi awal dan sisanya diinisialisasi secara random dengan koefisien
wi, b [-200,200]. Algoritme genetika berhenti setelah mencapai 25 generasi.

7

Gambar 6 Diagram alir proses pembentukan oblique DT
Untuk lebih jelasnya langkah pembentukan oblique DT bisa dilihat pada Gambar
6.
Untuk menerapkan oblique DT pada penelitian ini digunakan library
DT_oblique yang didapatkan dari perangkat lunak KEEL (Alcalá-Fdezet al.
2009). KEEL merupakan perangkat lunak untuk data mining yang sebagian besar
algoritmenya didasarkan pada prinsip evolusi, sedangkan library DT_oblique
merupakan implementasi pada KEEL dari penelitian Cantú-Paz dan Kamath
(2003) tentang algoritme oblique classifier yang dioptimasi menggunakan
algoritme genetika.

Pengujian ODT-GA
Model decision tree yang dihasilkan dari penelitian ini digunakan untuk
mengklasifikasikan data uji yang terdiri dari 300 fragmen untuk setiap fold atau
perulangan. Untuk setiap perulangan didapatkan akurasi dari fragmen data uji
yang ditempatkan pada genus yang sesuai. Hasil akurasi dari tiap perulangan
kemudian dirata-ratakan sehingga didapatkan akurasi model yang dihasilkan oleh
ODT-GA secara keseluruhan.

8
Analisis
Berdasarkan hasil pengujian diperoleh keakuratan metode yang digunakan
dalam pengklasifikasian fragmen metagenome dengan mengukur akurasi dari
pengujian data uji dengan rumus:
∑

∑

Selain akurasi, dihitung pula sensitivity dan specificity dari tiap genus dari
hasil pengujian. Rumus yang digunakan untuk menghitung nilai sensitivity dan
specificity, yaitu:

∑
∑

∑
∑

∑
∑

HASIL DAN PEMBAHASAN
Praproses Data
Data yang diunduh dari NCBI masih berupa database dari sekuens DNA
sehingga perlu diuraikan menjadi fragmen-fragmen menggunakan perangkat
lunak MetaSim. Terdapat 10 organisme yang berasal dari 3 genus berbeda yang
digunakan pada penelitian ini. Daftar organisme yang digunakan pada penelitian
ini dapat dilihat di Lampiran 1.
Pada penelitian ini terdapat beberapa panjang fragmen yang diteliti, yaitu
200 bp, 500 bp, 1 Kbp, 5 Kbp, dan 10 Kbp. Untuk tiap percobaan panjang
fragmen, digunakan 3 ribu fragmen dengan rincian 1000 fragmen untuk masingmasing genus.

Ekstraksi Fitur
Dari fragmen-fragmen yang telah dihasilkan sebelumnya dilakukan
ekstraksi fitur sehingga diperoleh atribut dari fragmen-fragmen tersebut yang
dapat digunakan untuk proses klasifikasi. Untuk tiap kelompok panjang fragmen
dilakukan 3 jenis ekstraksi fitur, yaitu menggunakan 2-mers, 3-mers, dan 4-mers.
Jadi untuk percobaan dengan panjang fragmen 200 bp dihasilkan 3 buah fail
berformat comma separated value (CSV) yang masing-masing dibagi menjadi
data latih dan data uji kemudian digunakan untuk klasifikasi. Begitu pula untuk
panjang fragmen 500 bp, 1 Kbp, 5 Kbp, dan 10 Kbp sehingga total fail CSV yang
diperoleh adalah 15. Untuk contoh isi dari fail CSV yang dihasilkan dari ekstraksi
fitur, misalnya untuk jenis fitur 3-mers, bisa dilihat pada Gambar 7.

9

Gambar 7 Contoh isi fail CSV fitur 3-mers untuk panjang
fragmen 200 bp
Pembagian Data
Dari 3 ribu fragmen yang terbagi 1000 fragmen untuk setiap genus,
dilakukan pembagian menjadi data latih dan data uji menggunakan 10-fold cross
validation. Jadi terdapat 10 kali perulangan untuk tiap kelompok data dan di setiap
perulangan 300 fragmen menjadi data uji sedangkan 2700 lainnya menjadi data
latih. Jumlah fragmen yang menjadi data uji sama banyak dari setiap genus, yaitu
100.

Pelatihan ODT-GA
Proses pelatihan ODT-GA diawali dengan menskalakan data latih dan data
uji dengan range nilai 0 hingga 1 terlebih dahulu sebelum melakukan pelatihan
maupun pengujian. Proses penskalaan ini dilakukan untuk mencegah fitur atau
atribut bernilai besar yang bisa mendominasi atribut lain yang bernilai kecil.
Proses penskalaan terbukti dapat meningkatkan nilai akurasi dari penelitian ini.
Untuk hasil akurasi sebelum penskalaan dapat dilihat pada Lampiran 2.
Selanjutnya data latih digunakan untuk menghasilkan model klasifikasi yang
mengklasifikasikan data uji.

Analisis
Analisis dilakukan terhadap hasil akurasi yang diperoleh dengan
memvariasikan panjang fragmen dan jenis fitur. Kemudian akurasi dari model
yang dihasilkan oleh metode ODT-GA dibandingkan dengan akurasi dari model
yang dihasilkan oleh metode Naïve Bayes. Dilakukan analisis juga terhadap
sensitivity untuk masing-masing genus.

10
Panjang Fragmen dan Jenis Fitur
Untuk hasil akurasi berdasarkan jenis fitur, nilai akurasi yang dianalisis
merupakan nilai akurasi dari setiap panjang fragmen yang diuji cobakan, yaitu
200 bp, 500 bp, 1 Kbp, 5 Kbp, dan 10 Kbp. Oleh karena itu didapatkan 5 akurasi
untuk masing-masing fitur yang digunakan. Hasil akurasi ini ditunjukkan pada
Tabel 2.
Panjang fragmen terpendek yang digunakan adalah 0.2 Kbp dan
memperoleh akurasi yang cukup baik, yaitu 69.833% untuk fitur 2-mers, 74.6%
untuk fitur 3-mers, dan 76.433% untuk fitur 4-mers. Untuk fragmen terpanjang
yaitu 10 Kbp didapatkan akurasi tinggi sebesar 97.3% untuk fitur 2-mers,
98.767% untuk fitur 3-mers, dan 98.8% untuk fitur 4-mers. Dilihat dari data yang
ada penggunaan fitur 4-mers secara keseluruhan memberikan rata-rata akurasi
yang lebih tinggi dibanding jenis fitur lainnya, dengan fitur 4-mers memiliki ratarata akurasi 89.773%, 3-mers 89.367%, dan 2-mers 84.96%.
Terjadinya peningkatan akurasi dari penggunaan fitur 2-mers ke 4-mers
disebabkan oleh jumlah atribut informasi yang tersedia, yaitu pada fitur 2-mers
hanya memberikan informasi frekuensi dari kombinasi basa dengan panjang 2,
sedangkan fitur 3-mers dan 4-mers memberikan informasi yang lebih baik dengan
menghitung frekuensi dari kombinasi basa dengan panjang 3 dan 4. Pada beberapa
kasus bisa dilihat bahwa fitur 3-mers memberikan akurasi yang lebih baik
dibanding fitur 4-mers. Hal ini diduga disebabkan oleh parameter dari klasifikasi
ODT-GA yang belum optimal, seperti peluang crossover atau populasi awal yang
digunakan. Keterbatasan library yang digunakan pada penelitian ini belum
memberikan keleluasaan bagi pengguna untuk memodifikasi nilai-nilai parameter
tersebut.
Tabel 1 Hasil akurasi klasifikasi ODT-GA berdasarkan jenis fitur dan panjang
fragmen
Panjang fragmen
(Kbp)
0.2
0.5
1
5
10
Rata-rata

2-mers
69.833%
79.733%
83.933%
94.000%
97.300%
84.960%

Akurasi
3-mers
74.600%
85.733%
90.167%
97.567%
98.767%
89.367%

4-mers
76.433%
85.467%
90.900%
97.267%
98.800%
89.773%

Berdasarkan data pada Tabel 2, semakin panjang fragmen yang digunakan
maka semakin tinggi pula akurasi yang didapatkan. Ekstraksi fitur yang dilakukan
pada penelitian ini adalah menghitung frekuensi kemunculan kombinasi basa
dengan panjang tertentu, sehingga semakin panjang fragmen yang digunakan,
semakin terlihat jelas perbedaan frekuensi kombinasi basa di setiap fragmen dan
mempermudah untuk mengklasifikasikan ke dalam suatu genus. Apabila fragmen
yang digunakan pendek maka frekuensi dari kombinasi basa banyak terdapat
kemiripan.

11

Perbandingan dengan Metode Naïve Bayes
Akurasi dari model klasifikasi yang dihasilkan oleh metode ODT-GA
dibandingkan dengan model yang dihasilkan oleh Naïve Bayes. Pemilihan metode
Naïve Bayes sebagai pembanding adalah untuk membandingkan dengan metode
sebelumnya yang pernah dilakukan oleh Rahmawati (2013) dengan penyesuaian
data yang digunakan, dengan jumlah fragmen yang digunakan untuk penelitian ini
lebih sedikit dan atribut fitur tidak diproses menggunakan Principal Component
Analysis. Hasil yang digunakan untuk perbandingan disesuaikan dengan
percobaan sebelumnya, yaitu hasil akurasi dari jenis fitur 3-mers untuk panjang
fragmen 500 bp, 1 Kbp, 5 Kbp, dan 10 Kbp.
GP

Naïve Bayes

100.00%

Akurasi

95.00%
90.00%
85.00%
80.00%

75.00%
0.5

1

5

10

Panjang fragmen (Kbp)

Gambar 8 Perbandingan akurasi fitur 3-mers metode ODT-GA dan Naive Bayes
Dari Tabel 3 dapat dilihat bahwa secara keseluruhan hasil akurasi dari
model yang dihasilkan oleh ODT-GA lebih tinggi dibandingkan dengan akurasi
yang dihasilkan dengan metode Naïve Bayes. Dari rata-rata akurasi, metode ODTGA memberikan nilai rata-rata akurasi sebesar 89.367% sedangkan metode Naïve
Bayes menghasilkan rata-rata akurasi 86.333%. Terlihat pada grafik di atas bahwa
selisih akurasi antara metode ODT-GA dengan Naïve Bayes semakin besar seiring
dengan bertambahnya panjang fragmen. Nilai selisih akurasi terkecil antara kedua
metode berada pada panjang fragmen 500 bp dengan metode ODT-GA
mempunyai akurasi > 2.4%. Sementara itu, selisih akurasi terbesar terdapat pada
panjang fragmen 10 Kbp dengan metode ODT-GA menghasilkan akurasi > 6.8%.
Dari hasil ini dapat disimpulkan bahwa seiring dengan bertambahnya panjang
fragmen, metode ODT-GA memberikan hasil klasifikasi yang semakin baik
dibandingkan dengan metode Naïve. Nilai akurasi dari metode Naïve Bayes dapat
dilihat lebih jelas pada Lampiran 3.

12
Perhitungan Sensitivity dan Specificity
Perhitungan sensitivity dan specificity dilakukan terhadap masing-masing
genus untuk melihat akurasi dari model yang dihasilkan terhadap tiap genus.
Untuk contoh perhitungan sensitivity, dari 1000 fragmen yang masuk ke dalam
genus Bacillus, 973 fragmen berhasil diklasifikasikan ke dalam genus Bacillus,
sedangkan 27 lainnya diklasifikasikan ke genus lainnya, maka sensitivity untuk
genus Bacillus adalah 973 fragmen yang benar dibagi dengan 1000 fragmen yang
seharusnya diklasifikasikan ke dalam genus Bacillus kemudian dikalikan 100%,
yang hasilnya 97.3%. Hasil perhitungan sensitivity dapat dilihat pada Gambar 9,
10, 11 dan perhitungan specificity bisa dilihat di Gambar 12, 13, 14.

Sensitivity

0.2 Kbp

0.5 Kbp

1 Kbp

5 Kbp

10 Kbp

100.00%
87.50%
75.00%
62.50%
50.00%
Agrobacterium

Bacillus

Staphylococcus

Genus

Gambar 9 Sensitivity fitur 2-mers

Sensitivity

0.2 Kbp

0.5 Kbp

1 Kbp

5 Kbp

10 Kbp

100.00%
87.50%
75.00%
62.50%
50.00%
Agrobacterium

Bacillus

Staphylococcus

Genus

Gambar 10 Sensitivity fitur 3-mers

Sensitivity

0.2 Kbp

0.5 Kbp

1 Kbp

5 Kbp

10 Kbp

100.00%
87.50%
75.00%
62.50%
50.00%
Agrobacterium

Bacillus

Staphylococcus

Genus

Gambar 11 Sensitivity fitur 4-mers

13

Specificity

0.2 Kbp

0.5 Kbp

1 Kbp

5 Kbp

10 Kbp

100.00%
87.50%
75.00%
62.50%
50.00%
Agrobacterium

Bacillus

Staphylococcus

Genus

Gambar 12 Specificity fitur 2-mers

Specificity

0.2 Kbp

0.5 Kbp

1 Kbp

5 Kbp

10 Kbp

100.00%
87.50%
75.00%
62.50%
50.00%
Agrobacterium

Bacillus

Staphylococcus

Genus

Gambar 13 Specificity fitur 3-mers

Specificity

0.2 Kbp

0.5 Kbp

1 Kbp

5 Kbp

10 Kbp

100.00%
87.50%
75.00%
62.50%
50.00%
Agrobacterium

Bacillus

Staphylococcus

Genus

Gambar 14 Specificity fitur 4-mers
Genus Agrobacterium memperoleh nilai rata-rata sensitivity tertinggi untuk
semua jenis fitur, yaitu untuk fitur 2-mers sebesar 95.58%, untuk fitur 3-mers
sebesar 97.28%, dan untuk fitur 4-mers sebesar 96.92%. Nilai rata-rata sensitivity
terendah diperoleh oleh genus Bacillus, yaitu untuk fitur 2-mers didapat nilai
sebesar 77.74%, untuk fitur 3-mers sebesar 83.98%, dan untuk 4-mers sebesar
84.58%. Untuk nilai specificity, genus Agrobacterium memperoleh nilai rata-rata
specificity tertinggi dengan nilai untuk fitur 2-mers sebesar 97.93%, untuk fitur 3mers sebesar 98.44%, dan untuk fitur 4-mers sebesar 98.61%. Nilai rata-rata
terendah untuk specificity diperoleh genus Bacillus, dengan nilai untuk fitur 2mers yaitu 88.78%, untuk fitur 3-mers sebesar 92.37%, dan untuk fitur 4-mers
sebesar 92.78%.
Dari percobaan yang telah dilakukan genus Agrobacterium memiliki nilai
akurasi yang tinggi pada fragmen pendek dibandingkan dengan genus Bacillus
maupun Staphylococcus. Jika dilihat dari taksonominya, Bacillus dan
Staphylococcus memiliki kedekatan dalam klasifikasi ilmiahnya, yaitu kedua

14
genus tersebut termasuk pada ordo yang sama yaitu Bacillales, sedangkan
Agrobacterium memiliki kesamaan dengan dua genus tersebut hanya pada tingkat
kingdom Bacteria. Hal ini menyebabkan genus Bacillus dan Staphylococcus
cenderung memiliki kemiripan sehingga dalam klasifikasi yang berfragmen
pendek seringkali kedua genus tersebut tertukar dalam penempatannya. Seiring
dengan bertambahnya panjang fragmen, akurasi kedua genus tersebut membaik
dikarenakan informasi yang didapatkan pada fragmen yang panjang lebih lengkap
sehingga bisa lebih mudah dalam mengklasifikasikan antara keduanya

SIMPULAN DAN SARAN
Simpulan
Berdasarkan hasil yang diperoleh dari penelitian yang telah dilakukan, dapat
disimpulkan bahwa metode klasifikasi dengan menggunakan ODT-GA dan
ekstraksi fitur 2-mers, 3-mers, dan 4-mers berhasil mengklasifikasikan fragmen
metagenome ke dalam level taksonomi genus dan memiliki akurasi yang cukup
baik, yaitu untuk fragmen 200 bp mendapatkan akurasi > 69.83% dan fragmen 10
Kbp mendapatkan akurasi > 97%. Dari penelitian juga diketahui bahwa
penggunaan fragmen panjang memberikan akurasi yang lebih tinggi dibanding
penggunaan fragmen pendek.
Metode ODT-GA juga memberikan akurasi yang lebih baik dibanding
metode Naïve Bayes. Rata-rata akurasi untuk semua fragmen dengan jenis
fragmen 3-mers pada metode ODT-GA lebih tinggi dibandingkan rata-rata akurasi
metode Naïve Bayes.
Berdasarkan perhitungan dari nilai sensitivity dan specificity yang telah
dilakukan, nilai yang diperoleh untuk sensitivity berkisar dari 55.6% sampai
dengan 99.95% sedangkan nilai untuk specificity beriksar dari 77.5% sampai
dengan 99.95%. Semakin tinggi nilai sensitivity bermakna bahwa model yang
dihasilkan semakin baik mendeteksi bahwa suatu fragmen termasuk dalam genus
tertentu, sedangkan semakin tinggi nilai specificity bermakna bahwa model yang
dihasilkan semakin baik mendeteksi bahwa suatu fragmen tidak termasuk dalam
anggota genus tertentu. Dari nilai sensitivity dan specificity yang diperoleh,
dengan nilai specificity lebih tinggi dibandingkan nilai sensitivity, bisa dikatakan
bahwa model yang dihasilkan lebih baik dalam hal mengenali bahwa suatu
fragmen bukan termasuk dalam suatu genus (true negative) dibanding mengenali
bahwa suatu fragmen termasuk dalam kelas genus tertentu (true positive). Untuk
contohnya, model yang dihasilkan lebih baik dalam mengenali bahwa suatu
fragmen bukanlah termasuk dalam genus Bacillus sehingga fragmen tersebut
dikelaskan ke genus selain Bacillus daripada mendeteksi bahwa suatu fragmen
termasuk ke dalam genus Bacillus sehingga harus dikelaskan ke dalam genus
Bacillus.

15
Saran
Penelitian berikutnya bisa meningkatkan jumlah genus pada data yang
digunakan sehingga model yang dihasilkan dapat mengklasifikasikan fragmenfragmen dari genus lainnya. Saran lainnya adalah mencari jenis fitur lain yang
lebih representatif sehingga bisa memberikan akurasi yang lebih baik apabila
dilakukan klasifikasi menggunakan ODT-GA, kemudian melakukan tuning dari
segi optimasi algoritme genetikanya seperti mengubah nilai probabilitas untuk
crossover dan menambahkan operasi mutasi dalam prosesnya.

DAFTAR PUSTAKA
Alcalá-Fdez J, Sánchez L, García S, Jesus MJ, Ventura S, Garrell JM, Otero J,
Romero C, Bacardit J, Rivas VM, et al. 2009. KEEL: A software tool to assess
evolutionary algorithms to data mining problems. Soft Computing 13(3): 307318. doi: 10.1007/s00500-008-0323-y.
Ariny. 2013. Klasifikasi fragmen metagenome menggunakan metode Support
Vector Machine [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Cantú-Paz E, Kamath C. 2003. Inducing oblique decision trees with evolutionary
algorithms. IEEE Transactions on Evolutionary Computation 7(1):54-68.
Handelsman J, Rondon MR, Brady SF, Clardy J, Goodman RM. 1998. Molecular
biological access to the chemistry of unknown soil microbes: A new frontier
for natural products. Chemistry & Biology 5(10): 245-249.
McHardy AC, Martin HG, Tsirigos A, Hugenholtz P, Rigoutsos I. 2007. Accurate
phylogenetic classification of variable-length DNA fragments. Nature Methods.
4(1): 63-72. doi: 10.1038/nmeth976.
McHardy AC, Rigoutsos I. 2007. What’s in the mix: phylogenetic classification of
metagenome sequence samples. Current opinion in Microbiology. 10(5): 499503. doi: 10.1016/j.mib.2007.08.004.
Rahmawati V. 2013. Perbandingan ekstraksi ciri k-mers dan spaced k-mers pada
klasifikasi fragmen metagenome dengan Naïve Bayes Classifier [skripsi].
Bogor (ID): Institut Pertanian Bogor.
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.
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.
Wooley JC, Godzik A, Friedberg I. 2010. A primer on metagenomics. PLoS
Computational Biology. 6(2): 1-13. doi: 10.1371/journal.pcbi.1000667.

16
Lampiran 1 Daftar organisme yang digunakan pada penelitian
Spesies
Agrobacterium fabrum str. C58
chromosome circular
Agrobacterium
radiobacter
K84
chromosome 2
Agrobacterium vitis S4 chromosome
1
Bacillus amyloliquefaciens FZB42
Bacillus
anthracis
str.
‘Ames
Ancestor’ chromosome
Bacillus cereus 03BB102
Bacillus
pseudofirmus
OF4
chromosome
Staphylococcus aureus subsp aureus
JH1 chromosome
Staphylococcus epidermis ATCC
12228 chromosome
Staphylococcus
haemolyticus
JCSC1435 chromosome

Genus

Agrobacterium

Bacillus

Staphylococcus

Lampiran 2 Akurasi metode ODT-GA sebelum penskalaan
Panjang fragmen
(Kbp)
0.2
0.5
1
5
10
Rata-rata

3-mers
74.167%
83.800%
89.767%
95.833%
97.267%
88.167%

Akurasi
4-mers
74.633%
84.833%
90.633%
96.867%
98.133%
89.019%

Spaced 3-mers
75.133%
84.200%
90.400%
97.033%
97.667%
88.887%

Lampiran 3 Akurasi metode Naïve Bayes
Panjang fragmen (Kbp)
0.5
1
5
10
Rata-rata

Akurasi
3-mers
84.233%
89.800%
97.933%
98.333%
89.113%

17

RIWAYAT HIDUP
Alfat Saputra Harun lahir pada tanggal 3 Februari 1993 bertempat di
Gorontalo, dari pasangan Riansyah Harun dan Trisnawaty Bowta. Pada tahun
2010, penulis lulus dari MAN Insan Cendekia Gorontalo dan diterima sebagai
mahasiswa di Departemen Ilmu Komputer, Institut Pertanian Bogor melalui jalur
Undangan Seleksi Masuk IPB.
Selama menjadi mahasiswa, penulis menjadi asisten praktikum Algoritme
Pemrograman (2012) di Departemen Ilmu Komputer. Pada tahun 2013, penulis
melaksanakan kegiatan Praktik Kerja Lapangan (PKL) di DataOn (PT. Indodev
Niaga Internet) selama 35 hari kerja. Selama masa perkuliahan, penulis juga
pernah beberapa kali terlibat dalam proyek baik di dalam maupun di luar kampus,
diantaranya adalah pembuatan Sistem E-voting Untuk Pemilihan Raya Fakultas
Pertanian Institut Pertanian Bogor dan penerapan Sistem Rekomendasi
Pengembangan Layanan Perbankan Untuk Daerah Bogor.