Klasifikasi Protein Family Menggunakan Metode Rantai Markov
KLASIFIKASI PROTEIN FAMILY MENGGUNAKAN
METODE RANTAI MARKOV
SONY MUHAMMAD
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 Protein
Family Menggunakan Metode Rantai Markov 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, November 2013
Sony Muhammad
NIM G64096058
ABSTRAK
SONY MUHAMMAD. Klasifikasi Protein Family Menggunakan Metode Rantai
Markov. Dibimbing oleh TOTO HARYANTO.
Protein adalah molekul organik yang terbentuk dari rangkaian dan
kombinasi 20 asam amino. Protein memiliki banyak fungsi bagi makhluk hidup
seperti melakukan katalisasi reaksi metabolisme, replikasi DNA, dan transportasi
molekul. Semakin banyaknya sekuens protein baru yang berhasil ditemukan
menyebabkan diperlukannya metode untuk mengklasifikasi protein ke dalam
kelas yang sama. Penelitian ini bertujuan untuk menerapkan konsep rantai Markov
untuk melakukan klasifikasi protein family berdasarkan sekuens asam amino.
Sampel data protein diperoleh dari website Pfam protein family database. Data
yang diambil sebanyak tiga kelas protein family, yaitu kelas 1-cysPrx_C, 4HBT
dan ABC_Tran. Masing-masing kelas diambil sebanyak seratus data. Penelitian
ini menggunakan dua cara ekstraksi protein yaitu orde satu dan orde dua. Orde
satu menandakan bahwa data sekuens yang disimpan ke dalam matriks transisi
adalah tiap dua sekuens yang tepat bersebelahan sedangkan orde dua menandakan
bahwa data sekuens yang disimpan ke dalam matriks transisi adalah tiap dua
sekuens yang saling berselang dua kali. Orde satu menghasilkan akurasi terbaik
sebesar 96% dan orde dua menghasilkan akurasi terbaik sebesar 89.33%.
Kata kunci: klasifikasi, protein, rantai Markov
ABSTRACT
SONY MUHAMMAD. Protein Family Classification Based on Markov Chain
Method. Supervised by TOTO HARYANTO.
Proteins are large biological molecules that consist of one or more chains of
20 amino acids sequences. Proteins have various functions such as catalyzing
metabolic reactions, replicating DNA, and transporting molecules. Many new
protein sequences have been found. Therefore, a new method is required to
classify proteins which have similar amino acids sequence, structure and function
into the same class. The aim of this research is to apply Markov chain concept for
protein family classification based on amino acid sequences. Protein data samples
are obtained from Pfam protein family database website. Samples are taken from
three different protein family classes, namely: 1-cysPrx_C, 4HBT and ABC_Tran,
100 data samples each. This research utilizes two different extraction methods:
first order and second order Markov chain. First order indicates that the data
sequence stored in the transition matrix is every two adjacent sequences, while the
second order indicates that the data sequence stored in the transition matrix is
every two sequences that are intermittent twice. The results show that the first
order method gives 96% as its best accuracy, whereas the second order method
gives 89.33% as its best accuracy.
Keywords: classification, Markov chain, protein
KLASIFIKASI PROTEIN FAMILY MENGGUNAKAN
METODE RANTAI MARKOV
SONY MUHAMMAD
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
Penguji:
1 Dr Wisnu Ananta Kusuma, ST, MT
2 Muhammad Asyhar Agmalaro, SSi MKom
Judul Skripsi :Klasifikasi Protein Family Menggunakan Metode Rantai Markov
Nama
: Sony Muhammad
NIM
: G64096058
Disetujui oleh
Toto Haryanto, SKom MSi
Pembimbing
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 penulis dapat menyelesaikan penelitian dan tulisan
ini. Shalawat serta salam penulis sampaikan kepada Nabi besar Muhammad
shallallahu ‘alaihi wasallam beserta keluarga, sahabat, serta umatnya hingga
akhir zaman. Tulisan yang merupakan hasil penelitian yang penulis lakukan sejak
November 2011 ini mengambil topic klasifikasi protein family menggunakan
metode rantai Markov.
Terima kasih penulis ucapkan kepada seluruh pihak yang telah berperan
membantu dalam penelitian ini, yaitu:
1 Ibunda Yeni Nuraeni, Ayahanda Herman Hamid, serta Adik Bobby Rachman
atas kasih sayang, doa, dan dorongan semangat yang telah diberikan kepada
penulis sehingga penelitian ini dapat terselesaikan.
2 Bapak Toto Haryanto, SKom MSi selaku pembimbing yang telah bersedia
meluangkan waktunya untuk memberikan bantuan, arahan, serta kritik dan
saran yang bermanfaat selama penelitian ini berlangsung.
3 Bapak Dr Wisnu Ananta Kusuma, ST, MT dan Bapak Muhammad Asyhar
Agmalaro, SSi MKom selaku dosen penguji yang telah bersedia meluangkan
waktunya untuk menguji serta memberikan masukan-masukan yang
bermanfaat dalam penelitian ini.
4 Agni Prameswara SKom yang telah banyak membantu dalam penelitian ini.
5 Semua teman-teman Ilkom Alih Jenis.
Penulis menyadari bahwa masih terdapat banyak kekurangan dalam penulisan
skripsi ini.Semoga karya ilmiah ini bermanfaat.
Bogor, November 2013
Sony Muhammad
DAFTAR ISI
DAFTAR TABEL
vii
DAFTAR GAMBAR
vii
DAFTAR LAMPIRAN
viii
PENDAHULUAN
1
Latar Belakang
1
Tujuan
2
Manfaat
2
Ruang Lingkup
2
TINJAUAN PUSTAKA
2
Protein
2
Protein Family
3
Model Rantai Markov
3
Ekstraksi Ciri Rantai Markov
4
K-Fold Cross Validation
5
METODE PENELITIAN
5
Kerangka Pemikiran
5
Pengambilan dan Praproses Data
6
Ekstraksi Ciri
6
Pembagian Data Latih dan Data Uji (K-Fold Cross Validation)
7
Data Eksternal
7
Pengujian
8
Analisa Hasil dan Model
8
Implementasi Aplikasi
8
Lingkungan Pengembangan
8
HASIL DAN PEMBAHASAN
9
Pengambilan Data
9
Praproses Data
10
Data Pelatihan dan Data Uji
10
Pengujian
10
Pengujian Orde 1 Fold 1
11
Pengujian Orde 1 Fold 2
11
Pengujian Orde 1 Fold 3
13
Pengujian Orde 1 Fold 4
14
Pengujian Orde 2 Fold 1
16
Pengujian Orde 2 Fold 2
17
Pengujian Orde 2 Fold 3
19
Pengujian Orde 2 Fold 4
20
Pengujian Data Eksternal
22
SIMPULAN DAN SARAN
24
Simpulan
24
Saran
24
DAFTAR PUSTAKA
25
RIWAYAT HIDUP
26
DAFTAR TABEL
1
2
3
4
5
6
7
8
9
10
11
12
Jenis protein yang digunakan dalam klasifikasi
Skenario k-fold cross validation
Akurasi orde 1 fold 1
Akurasi orde 1 fold 2
Akurasi orde 1 fold 3
Akurasi orde 1 fold 4
Akurasi orde 2 fold 1
Akurasi orde 2 fold 2
Akurasi orde 2 fold 3
Akurasi orde 2 fold 4
Pengujian data eksternal untuk orde satu
Pengujian data eksternal untuk orde dua
9
10
11
12
13
14
16
17
19
21
23
23
DAFTAR GAMBAR
Metode Penelitian
Contoh format FASTA
Hasil ekstraksi format FASTA
Grafik korelasi orde 1 fold 1 antara selisih error nilai matriks transisi
data uji kelas 4HBT terhadap nilai matriks transisi data latih untuk
tiap-tiap kelas
5 Grafik korelasi orde 1 fold 2 antara selisih error nilai matriks transisi
data uji kelas 4HBT terhadap nilai matriks transisi data latih untuk
tiap-tiap kelas
6 Grafik korelasi orde 1 fold 2 antara selisih error nilai matriks transisi
data uji kelas ABC_Tran terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas
7 Grafik korelasi orde 1 fold 3 antara selisih error nilai matriks transisi
data uji kelas 1-cysPrx_C terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas
8 Grafik korelasi orde 1 fold 3 antara selisih error nilai matriks transisi
data uji kelas 4HBT terhadap nilai matriks transisi data latih untuk
tiap-tiap kelas
9 Grafik korelasi orde 1 fold 3 antara selisih error nilai matriks transisi
data uji kelas ABC_Tran terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas
10 Grafik korelasi orde 1 fold 4 antara selisih error nilai matriks transisi
data uji kelas 1-cysPrx_C terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas
11 Grafik korelasi orde 1 fold 4 antara selisih error nilai matriks transisi
data uji kelas 4HBT terhadap nilai matriks transisi data latih untuk
tiap-tiap kelas
12 Grafik korelasi orde 1 fold 4 antara selisih error nilai matriks transisi
data uji kelas ABC_Tran terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas
1
2
3
4
5
9
10
11
12
12
13
14
14
15
15
16
13 Grafik korelasi orde 2 fold 1 antara selisih error nilai matriks transisi
14
15
16
17
18
19
20
21
22
data uji kelas 4HBT terhadap nilai matriks transisi data latih untuk
tiap-tiap kelas
Grafik korelasi orde 2 fold 1 antara selisih error nilai matriks transisi
data uji kelas ABC_Tran terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas
Grafik korelasi orde 2 fold 2 antara selisih error nilai matriks transisi
data uji kelas 4HBT terhadap nilai matriks transisi data latih untuk
tiap-tiap kelas
Grafik korelasi orde 2 fold 2 antara selisih error nilai matriks transisi
data uji kelas ABC_Tran terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas
Grafik korelasi orde 2 fold 3 antara selisih error nilai matriks transisi
data uji kelas 1-cysPrx_C terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas
Grafik korelasi orde 2 fold 3 antara selisih error nilai matriks transisi
data uji kelas 4HBT terhadap nilai matriks transisi data latih untuk
tiap-tiap kelas
Grafik korelasi orde 2 fold 3 antara selisih error nilai matriks transisi
data uji kelas ABC_Tran terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas
Grafik korelasi orde 2 fold 4 antara selisih error nilai matriks transisi
data uji kelas 1-cysPrx_C terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas
Grafik korelasi orde 2 fold 4 antara selisih error nilai matriks transisi
data uji kelas 4HBT terhadap nilai matriks transisi data latih untuk
tiap-tiap kelas
Grafik perbandingan nilai rata-rata antara orde satu dan orde dua
berdasarkan tiap-tiap fold
17
17
18
18
19
20
20
21
22
22
PENDAHULUAN
Latar Belakang
Protein merupakan elemen yang esensial bagi makhluk hidup. Protein
secara struktur terdiri atas protein primer, protein sekunder dan protein tersier
(Polanski dan Kimmel 2007). Klasifikasi protein memberikan keuntungan baik
dalam informasi struktur, aktivitas dan sistem metabolisme di dalamnya (Wu et al.
2002). Klasifikasi terhadap protein family memiliki beberapa keuntungan antara
lain: (1) memperbaiki identifikasi protein yang sulit dilakukan menggunakan
metode pairwise alignments, (2) membantu dalam melakukan pemelihaaan
pangkalan data protein family, (3) sebagai sarana yang efektif untuk dalam
melakukan temu kembali terhadap informasi biologi dengan jumlah data yang
besar, dan (4) merefleksikan gen dari suatu family dan melakukan analisis dalam
perbandingan genom dan filogenetik.
Pangkalan data struktur primer protein yang berupa asam amino merupakan
hasil translasi RNA dapat diklasifikasikan dengan beberapa kategori (Polanski dan
Kimmel 2007) yaitu: (1) hierarchical family superfamilies / families pada tools
PIR-PSD dan ProtoMap, (2) protein domain pada tools Pfam dan ProDom , (3)
motif sekuens pada tools PROSITE dan PRINT, (4) struktur kelas protein pada
tools SCOP dan CATH, dan (5) integrasi berbagai family pada tools iProClassn
dan InterPro. Semua pangkalan data tersebut memiliki kegunaan yang spesifik.
Penelitian yang terkait dengan klasifikasi protein family pernah dilakukan
oleh Eskin et al. (2000) menggunakan metode Sparse Markov Transducers
(SMT). Metode ini memungkinkan penggunaan wild cards, yaitu penelusuran
pola sekuens menggunakan suffix tree. Pola sekuens milik unidentified protein
akan dicocokkan dengan pola sekuens milik tiap-tiap kelas family yang telah
ditentukan sebelumnya. Sebuah unidentified protein akan terklasifikasi ke dalam
sebuah kelas family apabila memenuhi pola sekuens kelas family tersebut. Sebagai
contoh, misalnya kelas family ABC_Tran memiliki pola sekuens V*V*G*TF.
Tanda * merupakan wild cards yang artinya pada sub sekuens tersebut bisa diisi
oleh asam amino apa saja. Jadi apabila sebuah unidentified protein memiliki
sekuens VHVGGLTF atau VDVIGNTF, maka unidentified protein tersebut
terklasifikasi ke dalam kelas family ABC_Tran karena memenuhi pola sekuens
kelas family tersebut. Eskin menggunakan dua metode SMT yaitu SMT prediction
model dan SMT classifier model. SMT prediction model menggunakan
pemakaian wild cards untuk mengidentifikasi sekuens baru dan SMT classifier
model membandingkan potongan sekuens tertentu (sub sekuens) dengan seluruh
kelas family yang terdapat di dalam database PFAM. Hasil penelitian yang
diperoleh adalah tingkat akurasi pengklasifikasian sekuens baru terhadap sejumlah
kelas protein family yang sudah ditentukan sebelumnya. Pada SMT prediction
model tingkat akurasi tertinggi diperoleh oleh kelas FGF, MCP signal, dan
MHC_I dengan tingkat akurasi 100% dan yang terendah diperoleh oleh kelas
UPAR_LY6 dengan tingkat akurasi 77.8%. Pada SMT classifier model tingkat
akurasi tertinggi diperoleh oleh kelas TIM, S12, MCP signal, MHC_I, FGF,
Cys_knot, ATP-synt-ab, dan 7tm_3 dengan tingkat akurasi 100% dan yang
terendah diperoleh oleh kelas HTH_2 dengan tingkat akurasi 81.5%.
2
Berdasarkan latar belakang tersebut, maka pada penelitian ini ditujukan
untuk mengimplementasikan model rantai Markov untuk melakukan klasifikasi
terhadap protein family.
Tujuan
Penelitian ini bertujuan untuk membuat model klasifikasi protein family
menggunakan metode rantai Markov yang diharapkan dapat mengklasifikasi
sekuens baru ke dalam kelas family yang memiliki kemiripan sekuens asam amino
penyusunnya dengan tingkat akurasi yang cukup baik.
Manfaat
Manfaat dari penelitian ini adalah menghasilkan suatu tools untuk
mengklasifikasikan suatu protein ke dalam family yang tepat sesuai dengan
karakteristik dan fungsinya berdasarkan sekuens asam amino yang dimiliki.
Ruang Lingkup
Ruang lingkup penelitian ini adalah:
Struktur protein yang diklasifikasikan hanya sampai pada tingkat struktur
primer. Proses klasifikasi tidak melibatkan struktur kompleks ataupun fungsi
milik unidentified protein yang diujikan, tetapi hanya berdasarkan pola
sekuens penyusunnya saja.
Kategori klasifikasi yang akan dilakukan adalah klasifikasi protein domain
sehingga database yang digunakan adalah Pfam. Adapun data yang digunakan
dapat
diunduh
pada
alamat
sebagai
berikut
ftp://ftp.sanger.ac.uk/pub/databases/pfam
Penelitian ini, melakukan klasifikasi sebanyak tiga kelas yang diambil secara
acak dengan panjang sekuens yang berbeda-beda. Masing-masing kelas
menggunakan seratus data.
TINJAUAN PUSTAKA
Protein
Protein (asal kata protos dari bahasa Yunani yang berarti "yang paling
utama") adalah senyawa organik kompleks berbobot molekul tinggi yang
merupakan polimer dari monomer-monomer asam amino yang dihubungkan satu
sama lain dengan ikatan peptida. Molekul protein mengandung karbon, hidrogen,
oksigen, nitrogen, dan kadang kala sulfur serta fosfor. Protein berperan penting
dalam struktur dan fungsi semua sel makhluk hidup dan virus (Ussery 1998).
Kebanyakan protein merupakan enzim atau subunit enzim. Jenis protein
lain berperan dalam fungsi struktural atau mekanis, seperti misalnya protein yang
3
membentuk batang dan sendi sitoskeleton. Protein terlibat dalam sistem kekebalan
(imun), sebagai antibodi, sistem kendali dalam bentuk hormon, sebagai komponen
penyimpanan (dalam biji), dan juga dalam transportasi hara. Sebagai salah satu
sumber gizi, protein berperan sebagai sumber asam amino bagi organisme yang
tidak mampu membentuk asam amino tersebut (Ussery 1998).
Protein merupakan salah satu dari biomolekul raksasa selain polisakarida,
lipid, dan polinukleotida yang merupakan penyusun utama makhluk hidup. Selain
itu, protein merupakan salah satu molekul yang paling banyak diteliti dalam
biokimia. Protein ditemukan oleh Jöns Jakob Berzelius pada tahun 1838 (Ussery
1998).
Biosintesis protein alami sama dengan ekspresi genetik. Kode genetik
yang dibawa DNA ditranskripsi menjadi RNA, yang berperan sebagai cetakan
bagi translasi yang dilakukan ribosom. Sampai tahap ini, protein masih "mentah",
hanya tersusun dari asam amino proteinogenik. Melalui mekanisme pasca
translasi, terbentuklah protein yang memiliki fungsi penuh secara biologi (Ussery
1998).
Protein Family
Protein-protein yang dikelompokkan ke dalam kelas yang sama, pada
dasarnya memiliki keterhubungan secara evolusi. Protein-protein yang
dikelompokkan ke dalam kelas yang sama, memiliki nenek moyang yang sama
(ancestor), dan secara umum memiliki kemiripan, baik dalam struktur tiga
dimensinya, fungsi, maupun sekuens penyusunnya. Meskipun seringkali sulit
untuk mengevaluasi seberapa signifikan baik tingkat kemiripan fungsi maupun
struktur antara protein yang satu dengan yang lain, pada dasarnya protein yang
tidak memiliki ancestor yang sama, memiliki perbedaan yang cukup signifikan
pada sekuens penyusunnya. Hal ini menyebabkan banyak dikembangkannya
metode untuk mengklasifikasikan protein family berdasarkan sekuens asam amino
penyusunnya. Saat ini, telah ditemukan lebih dari 60.000 kelas family (Kunin et al.
2003) meskipun masih terdapat banyaknya ambiguitas mengenai definisi yang
paling tepat mengenai protein family, menyebabkan banyaknya perbedaan hasil
yang ditemukan antara peneliti yang satu dengan yang lain.
Model Rantai Markov
Model rantai markov atau Markov Chain merupakan model yang
merepresentasikan peluang suatu kejadian pada suatu waktu yang bergantung
pada kejadian waktu sebelumnya (Ching dan Ng 2006). Analisa rantai Markov
hampir sama dengan decision analysis, bedanya analisa rantai Markov tidak
memberikan keputusan rekomendasi, melainkan hanya informasi probabilitas
mengenai situasi keputusan yang dapat membantu pengambil keputusan
mengambil keputusan. Dengan demikian, analisa rantai Markov bukanlah teknik
optimisasi, tetapi adalah teknik deskriptif yang menghasilkan informasi
probabilitas dimasa mendatang. Pengembangan rantai Markov telah banyak
diaplikasikan untuk berbagai masalah seperti model antrian, remanufacturing
system, sistem inventori, genetic network, bahkan untuk memodelkan sekuens
DNA. Rantai Markov sangat cocok digunakan pada data yang bersifat temporal
4
sekuensial. Hal ini sesuai dengan karakterisik protein primer yang merupakan
untaian sekuens dari asam amino yang membentuknya.
Ekstraksi Ciri Rantai Markov
Rantai Markov adalah suatu model stokastik yang diperkenalkan oleh
matematikawan Rusia bernama A A Markov pada awal abad ke-20. Dengan
menggunakan proses Markov maka dimungkinkan untuk memodelkan fenomena
stokastik dalam dunia nyata yang berkembang menurut waktu. Masalah dasar dari
metode stokastik dengan proses Markov adalah menentukan deskripsi state yang
sesuai, sehingga proses stokastik yang berpaduan akan benar-benar memiliki apa
yang akan disebut sifat Markov (Markovian property), yaitu pengetahuan
terhadap state ini adalah cukup untuk memprediksi perilaku stokastik yang akan
datang (Mangku 2005).
Suatu rantai Markov dikatakan diskret (discrete time Markov chain) jika
ruang dari proses Markov tersebut adalah himpunan terbatas (finite) atau tercacah
(countable), dengan himpunan indeks adalah T = (0, 1, 2, …) . Jika nilai suatu
state pada periode tertentu hanya bergantung pada satu periode sebelumnya, maka
rantai tersebut disebut rantai Markov orde satu (first order Markov chain) dan jika
nilai suatu state pada periode tertentu bergantung pada periode sebelumnya, maka
rantai tersebut disebut rantai Markov orde m (m order Markov chain). Rantai
Markov orde satu secara matematika dirumuskan sebagai berikut.
P{Xn+1 = j | Xn = i }
Adapun rantai Markov orde m (m order Markov chain) secara matematika
dirumuskan sebagai berikut.
P{Xn+1 = j | X(n+1)-m = i1, X(n+1)-m+1 = i2,…, Xn = in }
Pada kasus perhitungan nilai peluang probabilitas suatu sekuens tertentu
(misalnya sekuens DNA), diperlukan rumus untuk menghitung nilai peluang dari
semua sekuens yang muncul pada history. Rumus yang digunakan adalah sebagai
berikut.
n
P(x1,…,xn) = ∏ P (xi | xi-1)
i=1
Rumus di atas dinamakan asumsi Markov (Markov assumption). Rumus
tersebut dapat digunakan untuk menghitung nilai peluang semua kombinasi
sekuens yang mungkin muncul. Untuk kasus sekuens DNA, peluang semua
kombinasi sekuens yang mungkin muncul adalah xi,xi-1∈ {20 monomer asam
amino}. Dengan demikian, nilai probabilitas semua sekuens yang mungkin
muncul dapat diketahui (Resch [tahun terbit tidak diketahui]).
5
K-Fold Cross Validation
Cross validation disebut juga sebagai rotation estimation. Dataset V dibagi
menjadi k subset (fold) yang saling bebas secara acak, yaitu D1, D2,…Dk dengan
ukuran yang sama. Pemodelan dan pengujian dilakukan sebanyak k kali, setiap
kali iterasi ke-t (t=1,2,3…,k) dilatih pada D/Dt dan diuji pada Dt. Perkiraan
akurasi pada cross validation dengan membagi jumlah keseluruhan klasifikasi
yang benar dengan seluruh instances pada dataset (Kohavi 1995).
METODE PENELITIAN
Kerangka Pemikiran
Penelitian ini dilakukan dengan beberapa tahapan proses untuk mengetahui
tingkat akurasi yang diperoleh menggunakan metode rantai Markov. Tahap-tahap
yang dilakukan pada penelitian ini diilustrasikan pada Gambar 1.
Gambar 1 Metode penelitian
6
Pengambilan dan Praproses Data
Pfam merupakan pusat database komprehensif yang meliputi berbagai
macam koleksi data mengenai protein family. Website ini mengoleksi hampir
sekitar 12 000 data protein family yang diperoleh melalui penelitian,
komputasional, eksperimen, dan penelitian biologi mengenai spesifik protein,
bentuk asal serta hasil evolusinya. Pfam juga telah dipergunakan secara luas oleh
berbagai macam komunitas yang bergerak di bidang structural biologi untuk
mengidentifikasi jenis protein baru.
Data yang terdapat pada pfam merupakan data dengan format FASTA dan
dapat diunduh di http://www.pfam.sanger.co.uk. Data yang diambil sebanyak tiga
kelas protein family, yaitu kelas 1-cysPrx_C, 4HBT, dan ABC_Tran. Masingmasing kelas diambil sebanyak seratus data.
Selanjutnya, dilakukan praproses terhadap data yang telah diambil, yaitu
proses memisahkan informasi identifier dengan sekuensnya atau bisa disebut
dengan ekstraksi data, sehingga diperoleh sekuens data protein yang siap
digunakan.
Ekstraksi Ciri
Di penelitian ini, matriks peluang transisi dibangun berdasarkan peluangpeluang munculnya asam amino tertentu berdasarkan sekuens data latih yang
ditentukan. Matriks transisi yang dibangun berukuran 20 × 20 sesuai dengan
banyaknya monomer atau jenis asam amino yang ada. Metode penyimpanan nilai
sekuens ke dalam matriks transisi menggunakan dua cara, yaitu orde satu dan orde
dua. Matriks transisi rantai Markov orde satu dibentuk dari peluang-peluang
munculnya monomer asam amino tertentu setelah sebelumnya merupakan tepat
satu monomer asam amino tertentu. Dengan demikian matriks transisi rantai
Markov orde satu terdiri atas P(qi|qi-1), yaitu peluang munculnya asam amino qi
setelah sebelumnya merupakan asam amino qi-1. Matriks transisi orde m (untuk
penelitian ini digunakan m = 2) dibentuk dari peluang-peluang munculnya
monomer asam amino tertentu setelah sebelumnya merupakan tepat dua monomer
asam amino tertentu. Dengan demikian matriks transisi rantai Markov orde dua
terdiri atas P(qi|qi-2), yaitu peluang munculnya asam amino qi setelah sebelumnya
merupakan asam amino qi-2.
Berdasarkan ketentuan di atas, akan diperoleh dua metode penyimpanan
matriks transisi, yaitu matriks transisi untuk orde satu dan orde dua. Langkah
selanjutnya, yaitu menghitung nilai total frekuensi kemunculan antara monomer
asam amino yang satu terhadap monomer asam amino yang lain. Perhitungan ini
diterapkan untuk tiap-tiap monomer asam amino yang ada pada matriks transisi.
Nilai total frekuensi dihitung dengan cara berikut.
TOTAL (n) = (q1|n) + (q2 |n) + (q3|n) + … + (qn|n)
dengan
n = untuk semua monomer asam amino (20 monomer)
q = frekuensi kemunculan suatu asam amino terhadap asam amino yang lain
7
Nilai total frekuensi yang telah diperoleh, selanjutnya digunakan untuk
membagi nilai frekuensi kemunculan antara monomer asam amino yang satu
terhadap monomer asam amino yang lain. Dengan demikian dapat diperoleh nilai
probabilitas untuk tiap-tiap pasangan sekuens yang terdapat pada matriks transisi.
Perhitungan untuk mendapatkan nilai probabilitas setiap elemen pada matriks
transisi adalah sebagai berikut.
P(q1|n) = (q1|n) / TOTAL (n)
dengan
n = untuk semua monomer asam amino (20 monomer)
q = frekuensi kemunculan suatu asam amino terhadap asam amino yang lain
Guna menghindari pembagian dengan nol, ditambahkan smooth parameter
dengan nilai 1×10-6 di seluruh nilai pada matriks transisi. Nilai-nilai probabilitas
yang terdapat pada matriks transisi akan digunakan sebagai acuan untuk
menghitung nilai akurasi, baik pada data uji maupun data latih.
Pembagian Data Latih dan Data Uji (K-Fold Cross Validation)
Data yang telah diekstrak kemudian dibagi menjadi data latih dan data uji
menggunakan metode k-fold cross validation dengan k = 4. Data dibagi ke dalam
4 fold (S1, S2, S3, S4) dengan masing-masing fold memiliki jumlah anggota yang
sama. Di tahapan ini proses identifikasi akan dilakukan 4 kali iterasi berdasarkan
metode k-fold cross validation. Data latih dan data uji memiliki fold yang berbeda
pada setiap iterasi. Di iterasi pertama, fold S2, S3 dan S4 akan digunakan sebagai
data latih sedangkan fold S1 akan digunakan sebagai data uji. Akurasi dalam
klasifikasi protein family dilakukan dengan menghitung jumlah kelas yang benar
teridentifikasi / terklasifikasi dan membandingkan dengan banyaknya data yang
diujikan pada setiap kelasnya. Persamaan untuk menghitung tingkat akurasi
adalah sebagai berikut.
#Data yang teridentifikasi benar
Jumlah data yang diujikan
× 100 %
Data Eksternal
Data eksternal adalah data yang diambil dari website pfam selain tiga ratus
data yang digunakan dalam proses k-fold cross validation. Bedanya, data eksternal
langsung diujikan menggunakan model terbaik yang diperoleh dari hasil proses kfold cross validation. Tujuan pengujian data eksternal adalah mengukur tingkat
akurasi model terbaik yang diperoleh dari hasil proses k-fold cross validation
terhadap data luar selain data yang digunakan dalam proses k-fold cross validation.
Data yang digunakan untuk pengujian data eksternal adalah 25 data dari masingmasing kelas 1-cysPrx_C, 4HBT dan ABC_Tran, yang totalnya berjumlah 75 data.
8
Pengujian
Proses pengujian dilakukan dua kali, yaitu pengujian terhadap data yang
digunakan dalam proses k-fold cross validation dan pengujian terhadap data
eksternal. Pengujian data yang digunakan dalam proses k-fold cross validation
dilakukan terhadap data uji sebanyak empat kali iterasi, baik untuk orde satu dan
orde dua, sedangkan pengujian terhadap data eksternal dilakukan menggunakan
model terbaik yang diperoleh dari hasil proses k-fold cross validation baik untuk
orde satu maupun orde dua.
Analisa Hasil dan Model
Analisa hasil dan model dilakukan untuk memastikan bahwa model rantai
Markov yang dihasilkan adalah model yang terbaik. Dengan model terbaik, akan
menghasilkan akurasi yang paling tinggi dalam proses klasifikasi sehingga model
tersebut yang nantinya akan digunakan pada saat implementasi. Model dengan
tingkat akurasi terbaik juga akan digunakan untuk menghitung tingkat akurasi
data eksternal.
Implementasi Aplikasi
Model terbaik yang telah dibuat kemudian diimplementasikan dalam
bentuk aplikasi berbasis website. Aplikasi ini akan digunakan sebagai salah satu
layanan proses klasifikasi protein family.
Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk
penelitian ini adalah sebagai berikut:
Perangkat keras:
Processor AMD Athlon x2 Dual-Core QL-65
Memory 3 GB
Hardisk 250 GB
Perangkat lunak:
Sistem operasi Microsoft Windows 7
ApacheFriends XAMPP version 1.7.4
Browser untuk menjalankan program web
9
HASIL DAN PEMBAHASAN
Pengambilan Data
Data protein yang digunakan pada penelitian ini merupakan kumpulan fold
data yang diambil dari alamat ftp://ftp.sanger.ac.uk/pub/databases/Pfam. Data
yang diambil merupakan untaian sekuens asam amino yang merupakan struktur
primer protein. Adapun jenis protein yang digunakan pada penelitian ini dapat
dilihat pada Tabel 1.
Tabel 1 Jenis protein yang digunakan dalam klasifikasi
No
1
Nama
1-cysPrx_C
Keterangan
2
4HBT
Berfungsi untuk melakukan katalisasi dalam
proses biosintesis.
3
ABC_Tran
Atau disebut juga ABC Transporter yang
menggunakan
hidrolisis
ATP
untuk
mentranslokasi berbagai senyawa melintasi
membran biologis.
C-terminal domain dari 1-Cys peroxiredoxin
(1-cysPrx),
anggota dari superfamili
peroxiredoxin yang melindungi sel terhadap
oksidasi membrane.
Pengambilan tersebut dilakukan secara acak dengan masing-masing
seratus sampel fragmen untuk setiap kelasnya. Dengan demikian terdapat tiga
ratus data yang akan diambil untuk melakukan penelitian. Pembagian data latih
dan data uji menggunakan metode k-fold cross validation dengan k = 4, dimana
untuk tiap-tiap kelas 75 buah data digunakan sebagai data latih dan 25 buah data
digunakan sebagai data uji. Data yang diperoleh memiliki format FASTA.
FASTA merupakan salah satu tipe data dari data biologi yang disediakan. Adapun
contoh format FASTA dapat dilihat pada Gambar 2.
>B3ARY6_ECO57/154-186 PF10417.3;1-cysPrx_C;
AAQYVASHPGEVCPAKWKEGEATLAPSLDLVGK
Gambar 2 Contoh format FASTA
>B3ARY6_ECO57/154-186 PF10417.3;1-cysPrx_C; merupakan identifier
pfam dengan 1-cysPrx_C merupakan keterangan kelas protein family. Adapun
deretan huruf dibawahnya merupakan sekuens asam amino atau protein.
10
Praproses Data
Ditahap ini dilakukan ekstraksi data sehingga terjadi pemisahan antara
identifier dengan sekuensnya. Lebih jelasnya dapat dilihat pada Gambar 3 berikut.
AAQYVASHPGEVCPAKWKEGEATLAPSLDLVGK
Gambar 3 Hasil ekstraksi format FASTA
Data Pelatihan dan Data Uji
Data sebanyak tiga ratus sekuens dari tiga kelas. Setiap kelas terdiri atas
75 data pelatihan, 25 data akan dijadikan sebagai data uji. Guna menjamin bahwa
setiap data yang digunakan pernah digunakan sebagai data pelatihan, digunakan kfold cross validation. Skenario k-fold cross validation dapat dilihat pada Tabel 2
berikut.
Tabel 2 Skenario k-fold cross validation
Fold
Data latih
Data uji
1
S2 S3 S4
S1
2
S1 S3 S4
S2
3
S1 S2 S4
S3
4
S1 S2 S3
S4
Data S1 menandakan 25 data pertama dari tiap-tiap kelas. Kelas pertama
atau kelas 1-cysPrx_C data S1 merupakan record data ke 1-25. Kelas kedua atau
kelas 4HBT data S1 merupakan record data ke 101-125. Kelas ketiga atau kelas
ABC_Tran data S1 merupakan record data ke 201-225.
Data S2 menandakan 25 data kedua dari tiap-tiap kelas. Kelas pertama
atau kelas 1-cysPrx_C data S2 merupakan record data ke 26-50. Kelas kedua atau
kelas 4HBT data S2 merupakan record data ke 126-150. Kelas ketiga atau kelas
ABC_Tran data S2 merupakan record data ke 226-250.
Data S3 menandakan 25 data ketiga dari tiap-tiap kelas. Kelas pertama
atau kelas 1-cysPrx_C data S3 merupakan record data ke 51-75. Kelas kedua atau
kelas 4HBT data S3 merupakan record data ke 151-175. Kelas ketiga atau kelas
ABC_Tran data S3 merupakan record data ke 251-275.
Data S4 menandakan 25 data keempat dari tiap-tiap kelas. Kelas pertama
atau kelas 1-cysPrx_C data S4 merupakan record data ke 76-100. Kelas kedua
atau kelas 4HBT data S4 merupakan record data ke 176-200. Kelas ketiga atau
kelas ABC_Tran data S4 merupakan record data ke 276-300.
Pengujian
Pengujian dilakukan untuk mengetahui hasil akurasi dalam proses
klasifikasi. Pada pengujian ini dilakukan skenario untuk membagi data menjadi
11
data latih dan data uji dengan menggunakan k-fold cross validation. Skenario
penelitian ini menggunakan k = 4.
Pengujian Orde 1 Fold 1
Hasil pengujian orde1 fold 1 menunjukkan akurasi setiap kelas dengan
presentase seperti dilihat pada Tabel 3.
Tabel 3 Akurasi orde1 fold 1
ABC_Tran
1-cysPrx_C
4HBT
Akurasi (%)
1-cysPrx_C
25
0
0
100.00
4HBT
0
12
13
48.00
ABC_Tran
0
0
25
100.00
Rata-rata
82.66
Pada Tabel 3 terlihat bahwa akurasi rata-rata yang diperoleh sebesar
82.66%. Hasil pengujian fold 1 untuk kelas 1-cysPrx_C (S1, record data ke 1-25)
dan kelas ABC_Tran (S1, record data ke 201-225) dapat terklasifikasi dengan
benar sesuai kelas asalnya, sedangkan hasil pengujian fold 1 untuk kelas 4HBT
(S1, record data ke 101-125) menunjukkan, hanya dua belas di antaranya yang
terklasifikasi dengan benar. Ketiga belas data lainnya terklasifikasi ke kelas
ABC_Tran (bernilai salah).Adapun grafik korelasi antara selisih error nilai
matriks transisi data uji kelas 4HBT (S1, record data ke 101-125) terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas dapat dilihat pada Gambar 4.
0.008
0.007
0.006
0.005
0.004
0.003
0.002
0.001
0
1-cysPrx_C
4HBT
ABC_Tran
Kelas family
Gambar 4 Grafik korelasi orde 1 fold 1 antara selisih error nilai
matriks transisi data uji kelas 4HBT terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas
Pengujian Orde 1 Fold 2
Hasil pengujian orde 1 fold 2 menunjukkan akurasi setiap kelas dengan
presentase seperti dilihat pada Tabel 4.
12
1-cysPrx_C
4HBT
ABC_Tran
Rata-rata
Tabel 4 Akurasi orde1 fold 2
1-cysPrx_C
4HBT
ABC_tran
0
25
0
1
0
24
22
0
3
Akurasi (%)
100.00
96.00
88.00
94.66
Pada Tabel 4 terlihat akurasi rata-rata yang diperoleh sebesar 94.66%.
Hasil pengujian fold 2 untuk kelas 1-cysPrx_C (S2, record data ke 26-50) dapat
terklasifikasi dengan benar sesuai kelas asalnya, sedangkan hasil pengujian fold 2
untuk kelas 4HBT (S2, record data ke 126-150) menunjukkan, hanya 24 di
antaranya yang terklasifikasi dengan benar. Satu data lainnya terklasifikasi ke
kelas ABC_Tran (bernilai salah). Adapun grafik korelasi antara selisih error nilai
matriks transisi data uji kelas 4HBT (S2, record data ke 126-150) terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas dapat dilihat pada Gambar 5.
Gambar 5 Grafik korelasi orde 1 fold 2 antara selisih error nilai
matriks transisi data uji kelas 4HBT terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas
Hasil pengujian fold 2 untuk kelas ABC_Tran (S2, record data ke 226-250)
menunjukkan, hanya 22 di antaranya yang terklasifikasi dengan benar. Tiga data
lainnya terklasifikasi ke kelas 4HBT (bernilai salah). Adapun grafik korelasi
antara selisih error nilai matriks transisi data uji kelas ABC_Tran (S2, record data
ke 226-250) terhadap nilai matriks transisi data latih untuk tiap-tiap kelas dapat
dilihat pada Gambar 6.
Gambar 6 Grafik korelasi orde 1 fold 2 antara selisih error nilai matriks
transisi data uji kelas ABC_Tran terhadap nilai matriks
transisi data latih untuk tiap-tiap kelas
13
Pengujian Orde 1 Fold 3
Hasil pengujian orde1 fold 3 menunjukkan akurasi setiap kelas dengan
presentase seperti dilihat pada Tabel 5.
1-cysPrx_C
4HBT
ABC_Tran
Rata-rata
Tabel 5 Akurasi orde1 fold 3
1-cysPrx_C
4HBT
ABC_tran
14
11
0
2
0
23
23
0
2
Akurasi (%)
44.00
92.00
92.00
76.00
Pada Tabel 5 terlihat bahwa akurasi rata-rata yang diperoleh sebesar 76%.
Hasil pengujian fold 3 untuk kelas 1-cysPrx_C (S3, record data ke 51-75)
menunjukkan, hanya sebelas di antaranya yang terklasifikasi dengan benar.
Empat belas data lainnya terklasifikasi ke kelas ABC_Tran (bernilai salah).
Adapun grafik korelasi antara selisih error nilai matriks transisi data uji kelas 1cysPrx_C (S3, record data ke 51-75) terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas dapat dilihat pada Gambar 7.
Gambar 7 Grafik korelasi orde 1 fold 3 antara selisih error nilai matriks
transisi data uji kelas1-cysPrx_C terhadap nilai matriks
transisi data latih untuk tiap-tiap kelas
Hasil pengujian fold 3 untuk kelas 4HBT (S3, record data ke 151-175)
menunjukkan, hanya 23 di antaranya yang terklasifikasi dengan benar. Dua data
lainnya terklasifikasi pada ke kelas ABC_Tran (bernilai salah). Adapun grafik
korelasi antara selisih error nilai matriks transisi data uji kelas 4HBT (S3, record
data ke 151-175) terhadap nilai matriks transisi data latih untuk tiap-tiap kelas
dapat dilihat pada Gambar 8.
14
Gambar 8 Grafik korelasi orde 1 fold 3 antara selisih error nilai matriks
transisi data uji kelas 4HBT terhadap nilai matriks transisi
data latih untuk tiap-tiap kelas
Hasil pengujian fold 3 untuk kelas ABC_Tran (S3, record data ke 251275) menunjukkan, hanya 23 di antaranya yang terklasifikasi dengan benar. Dua
data lainnya terklasifikasi ke kelas 4HBT (bernilai salah). Adapun grafik korelasi
antara selisih error nilai matriks transisi data uji kelas ABC_Tran (S3, record data
ke 251-275) terhadap nilai matriks transisi data latih untuk tiap-tiap kelas dapat
dilihat pada Gambar 9.
Gambar 9 Grafik korelasi orde 1 fold 3 antara selisih error nilai
matriks transisi data uji kelas ABC_Tran terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas
Pengujian Orde 1 Fold 4
Hasil pengujian orde1 fold 4 menunjukkan akurasi setiap kelas dengan
presentase seperti dilihat pada Tabel 6.
Tabel 6 Akurasi orde1 fold 4
1-cysPrx_C
4HBT
ABC_tran
Akurasi (%)
1-cysPrx_C
24
0
1
96.00
4HBT
0
24
1
96.00
ABC_Tran
0
1
24
96.00
Rata-rata
96.00
15
Pada Tabel 6 terlihat bahwa akurasi rata-rata yang diperoleh sebesar 96%.
Hasil pengujian fold 4 untuk kelas 1-cysPrx_C (S4, record data ke 76-100)
menunjukkan, hanya 24 di antaranya yang terklasifikasi dengan benar. Satu data
lainnya terklasifikasi ke kelas ABC_Tran (bernilai salah). Adapun grafik korelasi
antara selisih error nilai matriks transisi data uji kelas 1-cysPrx_C (S4, record
data ke 76-100) terhadap nilai matriks transisi data latih untuk tiap-tiap kelas
dapat dilihat pada Gambar 10.
Gambar 10 Grafik korelasi orde 1 fold 4 antara selisih error nilai matriks
transisi data uji kelas1-cysPrx_C terhadap nilai matriks
transisi data latih untuk tiap-tiap kelas
Hasil pengujian fold 4 untuk kelas 4HBT (S4, record data ke 176-200)
menunjukkan, hanya 24 di antaranya yang terklasifikasi dengan benar. Satu data
lainnya terklasifikasi ke kelas ABC_Tran (bernilai salah). Adapun grafik korelasi
antara selisih error nilai matriks transisi data uji kelas 4HBT (S4, record data ke
176-200) terhadap nilai matriks transisi data latih untuk tiap-tiap kelas dapat
dilihat pada Gambar 11.
Gambar 11 Grafik korelasi orde 1 fold 4 antara selisih error nilai
matriks transisi data uji kelas 4HBT terhadap nilai matriks
transisi data latih untuk tiap-tiap kelas
16
Hasil pengujian fold 4 untuk kelas ABC_Tran (S4, record data ke 276300) menunjukkan, hanya 24 di antaranya yang terklasifikasi dengan benar. Satu
data lainnya terklasifikasi ke kelas 4HBT (bernilai salah). Adapun grafik korelasi
antara selisih error nilai matriks transisi data uji kelas ABC_Tran (S4, record data
ke 276-300) terhadap nilai matriks transisi data latih untuk tiap-tiap kelas dapat
dilihat pada Gambar 12.
Gambar 12 Grafik korelasi orde 1 fold 4 antara selisih error nilai matriks
transisi data uji kelas ABC_Tran terhadap nilai matriks
transisi data latih untuk tiap-tiap kelas
Pengujian Orde 2 Fold 1
Hasil pengujian orde 2 fold 1 menunjukkan akurasi setiap kelas dengan
presentase seperti dilihat pada Tabel 7.
Tabel 7 Akurasi orde 2 fold 1
1-cysPrx_C
4HBT
ABC_tran
Akurasi (%)
1-cysPrx_C
25
0
0
100.00
4HBT
0
16
9
64.00
ABC_Tran
0
11
14
56.00
Rata-rata
73.33
Pada Tabel 7 terlihat bahwa akurasi rata-rata yang diperoleh sebesar
73.33%. Ini menunjukkan bahwa akurasi orde 2 lebih rendah dari orde 1 untuk
data fold 1. Hasil pengujian fold 1 untuk kelas 1-cysPrx_C (S1, record data ke 125) dapat terklasifikasi dengan benar sesuai kelas asalnya. Hasil pengujian fold 1
untuk kelas 4HBT (S1, record data ke 101-125) menunjukkan, hanya enam belas
di antaranya yang terklasifikasi dengan benar. Sembilan data lainnya terklasifikasi
ke kelas ABC_Tran (bernilai salah). Adapun grafik korelasi antara selisih error
nilai matriks transisi data uji kelas 4HBT (S1, record data ke 101-125) terhadap
nilai matriks transisi data latih untuk tiap-tiap kelas dapat dilihat pada Gambar 13.
17
Gambar 13 Grafik korelasi orde 2 fold 1 antara selisih error nilai matriks
transisi data uji kelas 4HBT terhadap nilai matriks transisi
data latih untuk tiap-tiap kelas
Hasil pengujian fold 1 untuk kelas ABC_Tran (S1, record data ke 201-225)
menunjukkan, hanya empat belas di antaranya yang terklasifikasi dengan benar.
Sebelas data lainnya terklasifikasi ke kelas 4HBT (bernilai salah). Adapun grafik
korelasi antara selisih error nilai matriks transisi data uji kelas ABC_Tran (S1,
record data ke 201-225) terhadap nilai matriks transisi data latih untuk tiap-tiap
kelas dapat dilihat pada Gambar 14.
Gambar 14 Grafik korelasi orde 2 fold 1 antara selisih error nilai
matriks transisi data uji kelas ABC_Tran terhadap
nilai matriks transisi data latih untuk tiap-tiap kelas
Pengujian Orde 2 Fold 2
Hasil pengujian orde 2 fold 2 menunjukkan akurasi setiap kelas dengan
presentase seperti dilihat pada Tabel 8.
Tabel 8 Akurasi orde 2 fold 2
1-cysPrx_C
4HBT
ABC_tran
1-cysPrx_C
4HBT
ABC_Tran
Rata-rata
25
0
0
0
24
8
Akurasi (%)
0
100.00
1
96.00
17
68.00
88.00
18
Pada Tabel 8 terlihat bahwa akurasi rata-rata yang diperoleh sebesar 88%.
Ini menunjukkan bahwa akurasi orde 2 lebih rendah dari orde 1 untuk data fold 2.
Hasil pengujian fold 2 untuk kelas 1-cysPrx_C (S2, record data ke 26-50) dapat
terklasifikasi dengan benar sesuai kelas asalnya. Hasil pengujian fold 2 untuk
kelas 4HBT (S2, record data ke 126-150) menunjukkan, hanya 24 di antaranya
yang terklasifikasi dengan benar. Satu data lainnya terklasifikasi ke kelas
ABC_Tran (bernilai salah). Adapun grafik korelasi antara selisih error nilai
matriks transisi data uji kelas 4HBT (S2, record data ke 126-150) terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas dapat dilihat pada Gambar 15.
Gambar 15 Grafik korelasi orde 2 fold 2 antara selisih error nilai
matriks transisi data uji kelas 4HBT terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas
Hasil pengujian fold 2 untuk kelas ABC_Tran (S2, record data ke 226250) menunjukkan, hanya tujuh belas di antaranya yang terklasifikasi dengan
benar. Delapan data lainnya terklasifikasi ke kelas 4HBT (bernilai salah). Adapun
grafik korelasi antara selisih error nilai matriks transisi data uji kelas ABC_Tran
(S2, record data ke 226-250) terhadap nilai matriks transisi data latih untuk tiaptiap kelas dapat dilihat pada Gambar 16.
Gambar 16 Grafik korelasi orde 2 fold 2 antara selisih error nilai
matriks transisi data uji kelas ABC_Tran terhadap
nilai matriks transisi data latih untuk tiap-tiap kelas
19
Pengujian Orde 2 Fold 3
Hasil pengujian orde 2 fold 3 menunjukkan akurasi setiap kelas dengan
presentase seperti dilihat pada Tabel 9.
Tabel 9 Akurasi orde 2 fold 3
1-cysPrx_C
4HBT
ABC_tran
Akurasi (%)
1-cysPrx_C
11
4
10
44.00
4HBT
0
22
3
88.00
ABC_Tran
0
7
18
72.00
Rata-rata
68.00
Pada Tabel 9 terlihat bahwa akurasi rata-rata yang diperoleh sebesar 68%.
Ini menunjukkan bahwa akurasi orde 2 lebih rendah dari orde 1 untuk data fold 3.
Hasil pengujian fold 3 untuk kelas 1-cysPrx_C (S3, record data ke 51-75)
menunjukkan, hanya sebelas di antaranya yang terklasifikasi dengan benar. Empat
data terklasifikasi ke kelas 4HBT (bernilai salah) dan sepuluh data lainnya
terklasifikasi ke kelas ABC_Tran (bernilai salah). Adapun grafik korelasi antara
selisih error nilai matriks transisi data uji kelas 1-cysPrx_C (S3, record data ke
51-75) terhadap nilai matriks transisi data latih untuk tiap-tiap kelas dapat dilihat
pada Gambar 17.
Gambar 17 Grafik korelasi orde 2 fold 3 antara selisih error nilai
matriks transisi data uji kelas 1-cysPrx_C terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas
Hasil pengujian fold 3 untuk kelas 4HBT (S3, record data ke 151-175)
menunjukkan, hanya 22 di antaranya yang terklasifikasi dengan benar. Tiga data
lainnya terklasifikasi ke kelas ABC_Tran (bernilai salah). Adapun grafik korelasi
antara selisih error nilai matriks transisi data uji kelas 4HBT (S3, record data ke
151-175) terhadap nilai matriks transisi data latih untuk tiap-tiap kelas dapat
dilihat pada Gambar 18.
20
Gambar 18 Grafik korelasi orde 2 fold 3 antara selisih error nilai
matriks transisi data uji kelas 4HBT terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas
Hasil pengujian fold 3 untuk kelas ABC_Tran (S3, record data ke 251275) menunjukkan, hanya delapan belas di antaranya yang terklasifikasi dengan
benar. Tujuh data lainnya terklasifikasi ke kelas 4HBT (bernilai salah). Adapun
grafik korelasi antara selisih error nilai matriks transisi data uji kelas ABC_Tran
(S3, record data ke 251-275) dengan akurasi dari tiap-tiap kelas dapat dilihat pada
Gambar 19.
Gambar 19 Grafik korelasi orde 2 fold 3 antara selisih error nilai
matriks transisi data uji kelas ABC_Tran terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas
Pengujian Orde 2 Fold 4
Hasil pengujian orde 2 fold 4 menunjukkan akurasi setiap kelas dengan
persentase seperti dilihat pada Tabel 10.
21
Tabel 10 Akurasi orde 2 fold 4
1-cysPrx_C
4HBT
ABC_tran
Akurasi (%)
1-cysPrx_C
23
0
2
92.00
4HBT
0
19
6
76.00
ABC_Tran
0
0
25
100.00
Rata-rata
89.33
Pada Tabel 10 terlihat bahwa akurasi rata-rata yang diperoleh sebesar
89.33%. Ini menunjukkan bahwa akurasi orde 2 lebih rendah dari orde 1 untuk
data fold 4. Hasil pengujian fold 4 untuk kelas 1-cysPrx_C (S4, record data ke 76100) menunjukkan, hanya 23 di antaranya yang terklasifikasi dengan benar. Dua
data lainnya terklasifikasi ke kelas ABC_Tran (bernilai salah). Adapun grafik
korelasi antara selisih error nilai matriks transisi data uji kelas 1-cysPrx_C (S4,
record data ke 76-100) terhadap nilai matriks transisi data latih untuk tiap-tiap
kelas dapat dilihat pada Gambar 20.
Gambar 20 Grafik korelasi orde 2 fold 4 antara selisih error nilai
matriks transisi data uji kelas 1-cysPrx_C terhadap
nilai matriks transisi data latih untuk tiap-tiap kelas
Hasil pengujian fold 4 untuk kelas 4HBT (S4, record data ke 176-200)
menunjukkan, hanya sembilan belas di antaranya yang terklasifikasi dengan
benar. Enam data lainnya terklasifikasi ke kelas ABC_Tran (bernilai salah). Hasil
pengujian fold 4 untuk kelas ABC_Tran (record data ke 276-300) dapat
terklasifikasi dengan benar sesuai kelas asalnya. Adapun grafik korelasi antara
selisih error nilai matriks transisi data uji kelas 4HBT (S4, record data ke 176200) terhadap nilai matriks transisi data latih untuk tiap-tiap kelas dapat dilihat
pada Gambar 21.
22
Gambar 21 Grafik korelasi orde 2 fold 4 antara selisih error nilai
matriks transisi data uji kelas 4HBT terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas
Adapun grafik perbandingan nilai rata-rata antara hasil orde satu dan orde
dua dapat dilihat pada gambar 22 berikut.
Gambar 22 Grafik perbandingan nilai rata-rata antara orde satu
dan orde dua berdasarkan tiap-tiap fold
Pengujian Data Eksternal
Pengujian data eksternal adalah pengujian untuk mengukur tingkat akurasi
tool yang telah dikembangkan terhadap data eksternal atau data selain ketiga ratus
data yang telah digunakan. Pengujian dilakukan menggunakan fold dengan tingkat
akurasi terbaik, yaitu fold keempat baik untuk orde satu dan orde dua. Pengujian
dilakukan menggunakan masing-masing 25 sampel data baik untuk kelas 1cysPrx_C, 4HBT, dan ABC_Tran. Hasil pengujian data eksternal untuk orde satu
dapat dilihat pada Tabel 11 berikut.
23
Tabel 11 Pengujian data eksternal untuk orde satu
1-cysPrx_C
1-cysPrx_C
24
4HBT
0
ABC_Tran
1
Akurasi (%)
96.00
4HBT
ABC_Tran
1
4
21
2
3
19
84.00
76.00
Rata-rata
85.33
Pada Tabel 11 terlihat bahwa akurasi rata-rata yang diperoleh sebesar
85.33%. Hasil pengujian data eksternal kelas 1-cysPrx_C, hanya 24 di antaranya
yang terklasifikasi dengan benar. Satu data lainnya terklasifikasi ke kelas
ABC_Tran (bernilai salah). Hasil pengujian data eksternal milik kelas 4HBT,
hanya 21 di antaranya yang terklasifikasi dengan benar. Satu data lainnya
terklasifikasi ke kelas 1-cysPrx_C (bernilai salah) dan tiga data lainnya
terklasifikasi ke kelas ABC_Tran (bernilai salah). Hasil pengujian data eksternal
milik kelas ABC_Tran, hanya 19 di antaranya yang terklasifikasi dengan benar.
Empat data lainnya terklasifikasi ke kelas 1-cysPrx_C (bernilai salah) dan dua
data lainnya terklasifikasi ke kelas 4HBT (bernilai salah). Hasil pengujian data
eksternal untuk orde satu dapat dilihat pada Tabel 12 berikut.
Tabel 12 Pengujian data eksternal untuk orde dua
No
1-cysPrx_C
1-cysPrx_C
24
4HBT
0
ABC_Tran
1
Akurasi (%)
96.00
4HBT
ABC_Tran
2
5
18
3
5
17
72.00
68.00
Rata-rata
78.66
Pada Tabel 12 terlihat bahwa akurasi rata-rata yang diperoleh sebesar
78.66%. Ini menandakan bahwa tingkat akurasi orde dua untuk data eksternal
lebih kecil dibandingkan orde satu. Hasil pengujian data eksternal kelas 1cysPrx_C, hanya 24 di antaranya yang terklasifikasi dengan benar. Satu data
lainnya terklasifikasi ke kelas ABC_Tran (bernilai salah). Hasil pengujian data
eksternal milik kelas 4HBT, hanya 18 di antaranya yang terklasifikasi dengan
benar. Dua data lainnya terklasifikasi ke kelas 1-cysPrx_C (bernilai salah) dan
lima data lainnya terklasifikasi ke kelas ABC_Tran (bernilai salah). Hasil
pengujian data eksternal milik kelas ABC_Tran, hanya 17 di antaranya yang
terklasifikasi dengan benar. Lima data lainnya terklasifikasi ke kelas 1-cysPrx_C
(bernilai salah) dan tiga data lainnya terklasifikasi ke kelas 4HBT (bernilai salah).
24
SIMPULAN DAN SARAN
Simpulan
Berdasarkan penelitian yang telah dilakukan, dapat ditarik kesimpulan
sebagai
METODE RANTAI MARKOV
SONY MUHAMMAD
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 Protein
Family Menggunakan Metode Rantai Markov 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, November 2013
Sony Muhammad
NIM G64096058
ABSTRAK
SONY MUHAMMAD. Klasifikasi Protein Family Menggunakan Metode Rantai
Markov. Dibimbing oleh TOTO HARYANTO.
Protein adalah molekul organik yang terbentuk dari rangkaian dan
kombinasi 20 asam amino. Protein memiliki banyak fungsi bagi makhluk hidup
seperti melakukan katalisasi reaksi metabolisme, replikasi DNA, dan transportasi
molekul. Semakin banyaknya sekuens protein baru yang berhasil ditemukan
menyebabkan diperlukannya metode untuk mengklasifikasi protein ke dalam
kelas yang sama. Penelitian ini bertujuan untuk menerapkan konsep rantai Markov
untuk melakukan klasifikasi protein family berdasarkan sekuens asam amino.
Sampel data protein diperoleh dari website Pfam protein family database. Data
yang diambil sebanyak tiga kelas protein family, yaitu kelas 1-cysPrx_C, 4HBT
dan ABC_Tran. Masing-masing kelas diambil sebanyak seratus data. Penelitian
ini menggunakan dua cara ekstraksi protein yaitu orde satu dan orde dua. Orde
satu menandakan bahwa data sekuens yang disimpan ke dalam matriks transisi
adalah tiap dua sekuens yang tepat bersebelahan sedangkan orde dua menandakan
bahwa data sekuens yang disimpan ke dalam matriks transisi adalah tiap dua
sekuens yang saling berselang dua kali. Orde satu menghasilkan akurasi terbaik
sebesar 96% dan orde dua menghasilkan akurasi terbaik sebesar 89.33%.
Kata kunci: klasifikasi, protein, rantai Markov
ABSTRACT
SONY MUHAMMAD. Protein Family Classification Based on Markov Chain
Method. Supervised by TOTO HARYANTO.
Proteins are large biological molecules that consist of one or more chains of
20 amino acids sequences. Proteins have various functions such as catalyzing
metabolic reactions, replicating DNA, and transporting molecules. Many new
protein sequences have been found. Therefore, a new method is required to
classify proteins which have similar amino acids sequence, structure and function
into the same class. The aim of this research is to apply Markov chain concept for
protein family classification based on amino acid sequences. Protein data samples
are obtained from Pfam protein family database website. Samples are taken from
three different protein family classes, namely: 1-cysPrx_C, 4HBT and ABC_Tran,
100 data samples each. This research utilizes two different extraction methods:
first order and second order Markov chain. First order indicates that the data
sequence stored in the transition matrix is every two adjacent sequences, while the
second order indicates that the data sequence stored in the transition matrix is
every two sequences that are intermittent twice. The results show that the first
order method gives 96% as its best accuracy, whereas the second order method
gives 89.33% as its best accuracy.
Keywords: classification, Markov chain, protein
KLASIFIKASI PROTEIN FAMILY MENGGUNAKAN
METODE RANTAI MARKOV
SONY MUHAMMAD
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
Penguji:
1 Dr Wisnu Ananta Kusuma, ST, MT
2 Muhammad Asyhar Agmalaro, SSi MKom
Judul Skripsi :Klasifikasi Protein Family Menggunakan Metode Rantai Markov
Nama
: Sony Muhammad
NIM
: G64096058
Disetujui oleh
Toto Haryanto, SKom MSi
Pembimbing
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 penulis dapat menyelesaikan penelitian dan tulisan
ini. Shalawat serta salam penulis sampaikan kepada Nabi besar Muhammad
shallallahu ‘alaihi wasallam beserta keluarga, sahabat, serta umatnya hingga
akhir zaman. Tulisan yang merupakan hasil penelitian yang penulis lakukan sejak
November 2011 ini mengambil topic klasifikasi protein family menggunakan
metode rantai Markov.
Terima kasih penulis ucapkan kepada seluruh pihak yang telah berperan
membantu dalam penelitian ini, yaitu:
1 Ibunda Yeni Nuraeni, Ayahanda Herman Hamid, serta Adik Bobby Rachman
atas kasih sayang, doa, dan dorongan semangat yang telah diberikan kepada
penulis sehingga penelitian ini dapat terselesaikan.
2 Bapak Toto Haryanto, SKom MSi selaku pembimbing yang telah bersedia
meluangkan waktunya untuk memberikan bantuan, arahan, serta kritik dan
saran yang bermanfaat selama penelitian ini berlangsung.
3 Bapak Dr Wisnu Ananta Kusuma, ST, MT dan Bapak Muhammad Asyhar
Agmalaro, SSi MKom selaku dosen penguji yang telah bersedia meluangkan
waktunya untuk menguji serta memberikan masukan-masukan yang
bermanfaat dalam penelitian ini.
4 Agni Prameswara SKom yang telah banyak membantu dalam penelitian ini.
5 Semua teman-teman Ilkom Alih Jenis.
Penulis menyadari bahwa masih terdapat banyak kekurangan dalam penulisan
skripsi ini.Semoga karya ilmiah ini bermanfaat.
Bogor, November 2013
Sony Muhammad
DAFTAR ISI
DAFTAR TABEL
vii
DAFTAR GAMBAR
vii
DAFTAR LAMPIRAN
viii
PENDAHULUAN
1
Latar Belakang
1
Tujuan
2
Manfaat
2
Ruang Lingkup
2
TINJAUAN PUSTAKA
2
Protein
2
Protein Family
3
Model Rantai Markov
3
Ekstraksi Ciri Rantai Markov
4
K-Fold Cross Validation
5
METODE PENELITIAN
5
Kerangka Pemikiran
5
Pengambilan dan Praproses Data
6
Ekstraksi Ciri
6
Pembagian Data Latih dan Data Uji (K-Fold Cross Validation)
7
Data Eksternal
7
Pengujian
8
Analisa Hasil dan Model
8
Implementasi Aplikasi
8
Lingkungan Pengembangan
8
HASIL DAN PEMBAHASAN
9
Pengambilan Data
9
Praproses Data
10
Data Pelatihan dan Data Uji
10
Pengujian
10
Pengujian Orde 1 Fold 1
11
Pengujian Orde 1 Fold 2
11
Pengujian Orde 1 Fold 3
13
Pengujian Orde 1 Fold 4
14
Pengujian Orde 2 Fold 1
16
Pengujian Orde 2 Fold 2
17
Pengujian Orde 2 Fold 3
19
Pengujian Orde 2 Fold 4
20
Pengujian Data Eksternal
22
SIMPULAN DAN SARAN
24
Simpulan
24
Saran
24
DAFTAR PUSTAKA
25
RIWAYAT HIDUP
26
DAFTAR TABEL
1
2
3
4
5
6
7
8
9
10
11
12
Jenis protein yang digunakan dalam klasifikasi
Skenario k-fold cross validation
Akurasi orde 1 fold 1
Akurasi orde 1 fold 2
Akurasi orde 1 fold 3
Akurasi orde 1 fold 4
Akurasi orde 2 fold 1
Akurasi orde 2 fold 2
Akurasi orde 2 fold 3
Akurasi orde 2 fold 4
Pengujian data eksternal untuk orde satu
Pengujian data eksternal untuk orde dua
9
10
11
12
13
14
16
17
19
21
23
23
DAFTAR GAMBAR
Metode Penelitian
Contoh format FASTA
Hasil ekstraksi format FASTA
Grafik korelasi orde 1 fold 1 antara selisih error nilai matriks transisi
data uji kelas 4HBT terhadap nilai matriks transisi data latih untuk
tiap-tiap kelas
5 Grafik korelasi orde 1 fold 2 antara selisih error nilai matriks transisi
data uji kelas 4HBT terhadap nilai matriks transisi data latih untuk
tiap-tiap kelas
6 Grafik korelasi orde 1 fold 2 antara selisih error nilai matriks transisi
data uji kelas ABC_Tran terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas
7 Grafik korelasi orde 1 fold 3 antara selisih error nilai matriks transisi
data uji kelas 1-cysPrx_C terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas
8 Grafik korelasi orde 1 fold 3 antara selisih error nilai matriks transisi
data uji kelas 4HBT terhadap nilai matriks transisi data latih untuk
tiap-tiap kelas
9 Grafik korelasi orde 1 fold 3 antara selisih error nilai matriks transisi
data uji kelas ABC_Tran terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas
10 Grafik korelasi orde 1 fold 4 antara selisih error nilai matriks transisi
data uji kelas 1-cysPrx_C terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas
11 Grafik korelasi orde 1 fold 4 antara selisih error nilai matriks transisi
data uji kelas 4HBT terhadap nilai matriks transisi data latih untuk
tiap-tiap kelas
12 Grafik korelasi orde 1 fold 4 antara selisih error nilai matriks transisi
data uji kelas ABC_Tran terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas
1
2
3
4
5
9
10
11
12
12
13
14
14
15
15
16
13 Grafik korelasi orde 2 fold 1 antara selisih error nilai matriks transisi
14
15
16
17
18
19
20
21
22
data uji kelas 4HBT terhadap nilai matriks transisi data latih untuk
tiap-tiap kelas
Grafik korelasi orde 2 fold 1 antara selisih error nilai matriks transisi
data uji kelas ABC_Tran terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas
Grafik korelasi orde 2 fold 2 antara selisih error nilai matriks transisi
data uji kelas 4HBT terhadap nilai matriks transisi data latih untuk
tiap-tiap kelas
Grafik korelasi orde 2 fold 2 antara selisih error nilai matriks transisi
data uji kelas ABC_Tran terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas
Grafik korelasi orde 2 fold 3 antara selisih error nilai matriks transisi
data uji kelas 1-cysPrx_C terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas
Grafik korelasi orde 2 fold 3 antara selisih error nilai matriks transisi
data uji kelas 4HBT terhadap nilai matriks transisi data latih untuk
tiap-tiap kelas
Grafik korelasi orde 2 fold 3 antara selisih error nilai matriks transisi
data uji kelas ABC_Tran terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas
Grafik korelasi orde 2 fold 4 antara selisih error nilai matriks transisi
data uji kelas 1-cysPrx_C terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas
Grafik korelasi orde 2 fold 4 antara selisih error nilai matriks transisi
data uji kelas 4HBT terhadap nilai matriks transisi data latih untuk
tiap-tiap kelas
Grafik perbandingan nilai rata-rata antara orde satu dan orde dua
berdasarkan tiap-tiap fold
17
17
18
18
19
20
20
21
22
22
PENDAHULUAN
Latar Belakang
Protein merupakan elemen yang esensial bagi makhluk hidup. Protein
secara struktur terdiri atas protein primer, protein sekunder dan protein tersier
(Polanski dan Kimmel 2007). Klasifikasi protein memberikan keuntungan baik
dalam informasi struktur, aktivitas dan sistem metabolisme di dalamnya (Wu et al.
2002). Klasifikasi terhadap protein family memiliki beberapa keuntungan antara
lain: (1) memperbaiki identifikasi protein yang sulit dilakukan menggunakan
metode pairwise alignments, (2) membantu dalam melakukan pemelihaaan
pangkalan data protein family, (3) sebagai sarana yang efektif untuk dalam
melakukan temu kembali terhadap informasi biologi dengan jumlah data yang
besar, dan (4) merefleksikan gen dari suatu family dan melakukan analisis dalam
perbandingan genom dan filogenetik.
Pangkalan data struktur primer protein yang berupa asam amino merupakan
hasil translasi RNA dapat diklasifikasikan dengan beberapa kategori (Polanski dan
Kimmel 2007) yaitu: (1) hierarchical family superfamilies / families pada tools
PIR-PSD dan ProtoMap, (2) protein domain pada tools Pfam dan ProDom , (3)
motif sekuens pada tools PROSITE dan PRINT, (4) struktur kelas protein pada
tools SCOP dan CATH, dan (5) integrasi berbagai family pada tools iProClassn
dan InterPro. Semua pangkalan data tersebut memiliki kegunaan yang spesifik.
Penelitian yang terkait dengan klasifikasi protein family pernah dilakukan
oleh Eskin et al. (2000) menggunakan metode Sparse Markov Transducers
(SMT). Metode ini memungkinkan penggunaan wild cards, yaitu penelusuran
pola sekuens menggunakan suffix tree. Pola sekuens milik unidentified protein
akan dicocokkan dengan pola sekuens milik tiap-tiap kelas family yang telah
ditentukan sebelumnya. Sebuah unidentified protein akan terklasifikasi ke dalam
sebuah kelas family apabila memenuhi pola sekuens kelas family tersebut. Sebagai
contoh, misalnya kelas family ABC_Tran memiliki pola sekuens V*V*G*TF.
Tanda * merupakan wild cards yang artinya pada sub sekuens tersebut bisa diisi
oleh asam amino apa saja. Jadi apabila sebuah unidentified protein memiliki
sekuens VHVGGLTF atau VDVIGNTF, maka unidentified protein tersebut
terklasifikasi ke dalam kelas family ABC_Tran karena memenuhi pola sekuens
kelas family tersebut. Eskin menggunakan dua metode SMT yaitu SMT prediction
model dan SMT classifier model. SMT prediction model menggunakan
pemakaian wild cards untuk mengidentifikasi sekuens baru dan SMT classifier
model membandingkan potongan sekuens tertentu (sub sekuens) dengan seluruh
kelas family yang terdapat di dalam database PFAM. Hasil penelitian yang
diperoleh adalah tingkat akurasi pengklasifikasian sekuens baru terhadap sejumlah
kelas protein family yang sudah ditentukan sebelumnya. Pada SMT prediction
model tingkat akurasi tertinggi diperoleh oleh kelas FGF, MCP signal, dan
MHC_I dengan tingkat akurasi 100% dan yang terendah diperoleh oleh kelas
UPAR_LY6 dengan tingkat akurasi 77.8%. Pada SMT classifier model tingkat
akurasi tertinggi diperoleh oleh kelas TIM, S12, MCP signal, MHC_I, FGF,
Cys_knot, ATP-synt-ab, dan 7tm_3 dengan tingkat akurasi 100% dan yang
terendah diperoleh oleh kelas HTH_2 dengan tingkat akurasi 81.5%.
2
Berdasarkan latar belakang tersebut, maka pada penelitian ini ditujukan
untuk mengimplementasikan model rantai Markov untuk melakukan klasifikasi
terhadap protein family.
Tujuan
Penelitian ini bertujuan untuk membuat model klasifikasi protein family
menggunakan metode rantai Markov yang diharapkan dapat mengklasifikasi
sekuens baru ke dalam kelas family yang memiliki kemiripan sekuens asam amino
penyusunnya dengan tingkat akurasi yang cukup baik.
Manfaat
Manfaat dari penelitian ini adalah menghasilkan suatu tools untuk
mengklasifikasikan suatu protein ke dalam family yang tepat sesuai dengan
karakteristik dan fungsinya berdasarkan sekuens asam amino yang dimiliki.
Ruang Lingkup
Ruang lingkup penelitian ini adalah:
Struktur protein yang diklasifikasikan hanya sampai pada tingkat struktur
primer. Proses klasifikasi tidak melibatkan struktur kompleks ataupun fungsi
milik unidentified protein yang diujikan, tetapi hanya berdasarkan pola
sekuens penyusunnya saja.
Kategori klasifikasi yang akan dilakukan adalah klasifikasi protein domain
sehingga database yang digunakan adalah Pfam. Adapun data yang digunakan
dapat
diunduh
pada
alamat
sebagai
berikut
ftp://ftp.sanger.ac.uk/pub/databases/pfam
Penelitian ini, melakukan klasifikasi sebanyak tiga kelas yang diambil secara
acak dengan panjang sekuens yang berbeda-beda. Masing-masing kelas
menggunakan seratus data.
TINJAUAN PUSTAKA
Protein
Protein (asal kata protos dari bahasa Yunani yang berarti "yang paling
utama") adalah senyawa organik kompleks berbobot molekul tinggi yang
merupakan polimer dari monomer-monomer asam amino yang dihubungkan satu
sama lain dengan ikatan peptida. Molekul protein mengandung karbon, hidrogen,
oksigen, nitrogen, dan kadang kala sulfur serta fosfor. Protein berperan penting
dalam struktur dan fungsi semua sel makhluk hidup dan virus (Ussery 1998).
Kebanyakan protein merupakan enzim atau subunit enzim. Jenis protein
lain berperan dalam fungsi struktural atau mekanis, seperti misalnya protein yang
3
membentuk batang dan sendi sitoskeleton. Protein terlibat dalam sistem kekebalan
(imun), sebagai antibodi, sistem kendali dalam bentuk hormon, sebagai komponen
penyimpanan (dalam biji), dan juga dalam transportasi hara. Sebagai salah satu
sumber gizi, protein berperan sebagai sumber asam amino bagi organisme yang
tidak mampu membentuk asam amino tersebut (Ussery 1998).
Protein merupakan salah satu dari biomolekul raksasa selain polisakarida,
lipid, dan polinukleotida yang merupakan penyusun utama makhluk hidup. Selain
itu, protein merupakan salah satu molekul yang paling banyak diteliti dalam
biokimia. Protein ditemukan oleh Jöns Jakob Berzelius pada tahun 1838 (Ussery
1998).
Biosintesis protein alami sama dengan ekspresi genetik. Kode genetik
yang dibawa DNA ditranskripsi menjadi RNA, yang berperan sebagai cetakan
bagi translasi yang dilakukan ribosom. Sampai tahap ini, protein masih "mentah",
hanya tersusun dari asam amino proteinogenik. Melalui mekanisme pasca
translasi, terbentuklah protein yang memiliki fungsi penuh secara biologi (Ussery
1998).
Protein Family
Protein-protein yang dikelompokkan ke dalam kelas yang sama, pada
dasarnya memiliki keterhubungan secara evolusi. Protein-protein yang
dikelompokkan ke dalam kelas yang sama, memiliki nenek moyang yang sama
(ancestor), dan secara umum memiliki kemiripan, baik dalam struktur tiga
dimensinya, fungsi, maupun sekuens penyusunnya. Meskipun seringkali sulit
untuk mengevaluasi seberapa signifikan baik tingkat kemiripan fungsi maupun
struktur antara protein yang satu dengan yang lain, pada dasarnya protein yang
tidak memiliki ancestor yang sama, memiliki perbedaan yang cukup signifikan
pada sekuens penyusunnya. Hal ini menyebabkan banyak dikembangkannya
metode untuk mengklasifikasikan protein family berdasarkan sekuens asam amino
penyusunnya. Saat ini, telah ditemukan lebih dari 60.000 kelas family (Kunin et al.
2003) meskipun masih terdapat banyaknya ambiguitas mengenai definisi yang
paling tepat mengenai protein family, menyebabkan banyaknya perbedaan hasil
yang ditemukan antara peneliti yang satu dengan yang lain.
Model Rantai Markov
Model rantai markov atau Markov Chain merupakan model yang
merepresentasikan peluang suatu kejadian pada suatu waktu yang bergantung
pada kejadian waktu sebelumnya (Ching dan Ng 2006). Analisa rantai Markov
hampir sama dengan decision analysis, bedanya analisa rantai Markov tidak
memberikan keputusan rekomendasi, melainkan hanya informasi probabilitas
mengenai situasi keputusan yang dapat membantu pengambil keputusan
mengambil keputusan. Dengan demikian, analisa rantai Markov bukanlah teknik
optimisasi, tetapi adalah teknik deskriptif yang menghasilkan informasi
probabilitas dimasa mendatang. Pengembangan rantai Markov telah banyak
diaplikasikan untuk berbagai masalah seperti model antrian, remanufacturing
system, sistem inventori, genetic network, bahkan untuk memodelkan sekuens
DNA. Rantai Markov sangat cocok digunakan pada data yang bersifat temporal
4
sekuensial. Hal ini sesuai dengan karakterisik protein primer yang merupakan
untaian sekuens dari asam amino yang membentuknya.
Ekstraksi Ciri Rantai Markov
Rantai Markov adalah suatu model stokastik yang diperkenalkan oleh
matematikawan Rusia bernama A A Markov pada awal abad ke-20. Dengan
menggunakan proses Markov maka dimungkinkan untuk memodelkan fenomena
stokastik dalam dunia nyata yang berkembang menurut waktu. Masalah dasar dari
metode stokastik dengan proses Markov adalah menentukan deskripsi state yang
sesuai, sehingga proses stokastik yang berpaduan akan benar-benar memiliki apa
yang akan disebut sifat Markov (Markovian property), yaitu pengetahuan
terhadap state ini adalah cukup untuk memprediksi perilaku stokastik yang akan
datang (Mangku 2005).
Suatu rantai Markov dikatakan diskret (discrete time Markov chain) jika
ruang dari proses Markov tersebut adalah himpunan terbatas (finite) atau tercacah
(countable), dengan himpunan indeks adalah T = (0, 1, 2, …) . Jika nilai suatu
state pada periode tertentu hanya bergantung pada satu periode sebelumnya, maka
rantai tersebut disebut rantai Markov orde satu (first order Markov chain) dan jika
nilai suatu state pada periode tertentu bergantung pada periode sebelumnya, maka
rantai tersebut disebut rantai Markov orde m (m order Markov chain). Rantai
Markov orde satu secara matematika dirumuskan sebagai berikut.
P{Xn+1 = j | Xn = i }
Adapun rantai Markov orde m (m order Markov chain) secara matematika
dirumuskan sebagai berikut.
P{Xn+1 = j | X(n+1)-m = i1, X(n+1)-m+1 = i2,…, Xn = in }
Pada kasus perhitungan nilai peluang probabilitas suatu sekuens tertentu
(misalnya sekuens DNA), diperlukan rumus untuk menghitung nilai peluang dari
semua sekuens yang muncul pada history. Rumus yang digunakan adalah sebagai
berikut.
n
P(x1,…,xn) = ∏ P (xi | xi-1)
i=1
Rumus di atas dinamakan asumsi Markov (Markov assumption). Rumus
tersebut dapat digunakan untuk menghitung nilai peluang semua kombinasi
sekuens yang mungkin muncul. Untuk kasus sekuens DNA, peluang semua
kombinasi sekuens yang mungkin muncul adalah xi,xi-1∈ {20 monomer asam
amino}. Dengan demikian, nilai probabilitas semua sekuens yang mungkin
muncul dapat diketahui (Resch [tahun terbit tidak diketahui]).
5
K-Fold Cross Validation
Cross validation disebut juga sebagai rotation estimation. Dataset V dibagi
menjadi k subset (fold) yang saling bebas secara acak, yaitu D1, D2,…Dk dengan
ukuran yang sama. Pemodelan dan pengujian dilakukan sebanyak k kali, setiap
kali iterasi ke-t (t=1,2,3…,k) dilatih pada D/Dt dan diuji pada Dt. Perkiraan
akurasi pada cross validation dengan membagi jumlah keseluruhan klasifikasi
yang benar dengan seluruh instances pada dataset (Kohavi 1995).
METODE PENELITIAN
Kerangka Pemikiran
Penelitian ini dilakukan dengan beberapa tahapan proses untuk mengetahui
tingkat akurasi yang diperoleh menggunakan metode rantai Markov. Tahap-tahap
yang dilakukan pada penelitian ini diilustrasikan pada Gambar 1.
Gambar 1 Metode penelitian
6
Pengambilan dan Praproses Data
Pfam merupakan pusat database komprehensif yang meliputi berbagai
macam koleksi data mengenai protein family. Website ini mengoleksi hampir
sekitar 12 000 data protein family yang diperoleh melalui penelitian,
komputasional, eksperimen, dan penelitian biologi mengenai spesifik protein,
bentuk asal serta hasil evolusinya. Pfam juga telah dipergunakan secara luas oleh
berbagai macam komunitas yang bergerak di bidang structural biologi untuk
mengidentifikasi jenis protein baru.
Data yang terdapat pada pfam merupakan data dengan format FASTA dan
dapat diunduh di http://www.pfam.sanger.co.uk. Data yang diambil sebanyak tiga
kelas protein family, yaitu kelas 1-cysPrx_C, 4HBT, dan ABC_Tran. Masingmasing kelas diambil sebanyak seratus data.
Selanjutnya, dilakukan praproses terhadap data yang telah diambil, yaitu
proses memisahkan informasi identifier dengan sekuensnya atau bisa disebut
dengan ekstraksi data, sehingga diperoleh sekuens data protein yang siap
digunakan.
Ekstraksi Ciri
Di penelitian ini, matriks peluang transisi dibangun berdasarkan peluangpeluang munculnya asam amino tertentu berdasarkan sekuens data latih yang
ditentukan. Matriks transisi yang dibangun berukuran 20 × 20 sesuai dengan
banyaknya monomer atau jenis asam amino yang ada. Metode penyimpanan nilai
sekuens ke dalam matriks transisi menggunakan dua cara, yaitu orde satu dan orde
dua. Matriks transisi rantai Markov orde satu dibentuk dari peluang-peluang
munculnya monomer asam amino tertentu setelah sebelumnya merupakan tepat
satu monomer asam amino tertentu. Dengan demikian matriks transisi rantai
Markov orde satu terdiri atas P(qi|qi-1), yaitu peluang munculnya asam amino qi
setelah sebelumnya merupakan asam amino qi-1. Matriks transisi orde m (untuk
penelitian ini digunakan m = 2) dibentuk dari peluang-peluang munculnya
monomer asam amino tertentu setelah sebelumnya merupakan tepat dua monomer
asam amino tertentu. Dengan demikian matriks transisi rantai Markov orde dua
terdiri atas P(qi|qi-2), yaitu peluang munculnya asam amino qi setelah sebelumnya
merupakan asam amino qi-2.
Berdasarkan ketentuan di atas, akan diperoleh dua metode penyimpanan
matriks transisi, yaitu matriks transisi untuk orde satu dan orde dua. Langkah
selanjutnya, yaitu menghitung nilai total frekuensi kemunculan antara monomer
asam amino yang satu terhadap monomer asam amino yang lain. Perhitungan ini
diterapkan untuk tiap-tiap monomer asam amino yang ada pada matriks transisi.
Nilai total frekuensi dihitung dengan cara berikut.
TOTAL (n) = (q1|n) + (q2 |n) + (q3|n) + … + (qn|n)
dengan
n = untuk semua monomer asam amino (20 monomer)
q = frekuensi kemunculan suatu asam amino terhadap asam amino yang lain
7
Nilai total frekuensi yang telah diperoleh, selanjutnya digunakan untuk
membagi nilai frekuensi kemunculan antara monomer asam amino yang satu
terhadap monomer asam amino yang lain. Dengan demikian dapat diperoleh nilai
probabilitas untuk tiap-tiap pasangan sekuens yang terdapat pada matriks transisi.
Perhitungan untuk mendapatkan nilai probabilitas setiap elemen pada matriks
transisi adalah sebagai berikut.
P(q1|n) = (q1|n) / TOTAL (n)
dengan
n = untuk semua monomer asam amino (20 monomer)
q = frekuensi kemunculan suatu asam amino terhadap asam amino yang lain
Guna menghindari pembagian dengan nol, ditambahkan smooth parameter
dengan nilai 1×10-6 di seluruh nilai pada matriks transisi. Nilai-nilai probabilitas
yang terdapat pada matriks transisi akan digunakan sebagai acuan untuk
menghitung nilai akurasi, baik pada data uji maupun data latih.
Pembagian Data Latih dan Data Uji (K-Fold Cross Validation)
Data yang telah diekstrak kemudian dibagi menjadi data latih dan data uji
menggunakan metode k-fold cross validation dengan k = 4. Data dibagi ke dalam
4 fold (S1, S2, S3, S4) dengan masing-masing fold memiliki jumlah anggota yang
sama. Di tahapan ini proses identifikasi akan dilakukan 4 kali iterasi berdasarkan
metode k-fold cross validation. Data latih dan data uji memiliki fold yang berbeda
pada setiap iterasi. Di iterasi pertama, fold S2, S3 dan S4 akan digunakan sebagai
data latih sedangkan fold S1 akan digunakan sebagai data uji. Akurasi dalam
klasifikasi protein family dilakukan dengan menghitung jumlah kelas yang benar
teridentifikasi / terklasifikasi dan membandingkan dengan banyaknya data yang
diujikan pada setiap kelasnya. Persamaan untuk menghitung tingkat akurasi
adalah sebagai berikut.
#Data yang teridentifikasi benar
Jumlah data yang diujikan
× 100 %
Data Eksternal
Data eksternal adalah data yang diambil dari website pfam selain tiga ratus
data yang digunakan dalam proses k-fold cross validation. Bedanya, data eksternal
langsung diujikan menggunakan model terbaik yang diperoleh dari hasil proses kfold cross validation. Tujuan pengujian data eksternal adalah mengukur tingkat
akurasi model terbaik yang diperoleh dari hasil proses k-fold cross validation
terhadap data luar selain data yang digunakan dalam proses k-fold cross validation.
Data yang digunakan untuk pengujian data eksternal adalah 25 data dari masingmasing kelas 1-cysPrx_C, 4HBT dan ABC_Tran, yang totalnya berjumlah 75 data.
8
Pengujian
Proses pengujian dilakukan dua kali, yaitu pengujian terhadap data yang
digunakan dalam proses k-fold cross validation dan pengujian terhadap data
eksternal. Pengujian data yang digunakan dalam proses k-fold cross validation
dilakukan terhadap data uji sebanyak empat kali iterasi, baik untuk orde satu dan
orde dua, sedangkan pengujian terhadap data eksternal dilakukan menggunakan
model terbaik yang diperoleh dari hasil proses k-fold cross validation baik untuk
orde satu maupun orde dua.
Analisa Hasil dan Model
Analisa hasil dan model dilakukan untuk memastikan bahwa model rantai
Markov yang dihasilkan adalah model yang terbaik. Dengan model terbaik, akan
menghasilkan akurasi yang paling tinggi dalam proses klasifikasi sehingga model
tersebut yang nantinya akan digunakan pada saat implementasi. Model dengan
tingkat akurasi terbaik juga akan digunakan untuk menghitung tingkat akurasi
data eksternal.
Implementasi Aplikasi
Model terbaik yang telah dibuat kemudian diimplementasikan dalam
bentuk aplikasi berbasis website. Aplikasi ini akan digunakan sebagai salah satu
layanan proses klasifikasi protein family.
Lingkungan Pengembangan
Spesifikasi perangkat keras dan perangkat lunak yang digunakan untuk
penelitian ini adalah sebagai berikut:
Perangkat keras:
Processor AMD Athlon x2 Dual-Core QL-65
Memory 3 GB
Hardisk 250 GB
Perangkat lunak:
Sistem operasi Microsoft Windows 7
ApacheFriends XAMPP version 1.7.4
Browser untuk menjalankan program web
9
HASIL DAN PEMBAHASAN
Pengambilan Data
Data protein yang digunakan pada penelitian ini merupakan kumpulan fold
data yang diambil dari alamat ftp://ftp.sanger.ac.uk/pub/databases/Pfam. Data
yang diambil merupakan untaian sekuens asam amino yang merupakan struktur
primer protein. Adapun jenis protein yang digunakan pada penelitian ini dapat
dilihat pada Tabel 1.
Tabel 1 Jenis protein yang digunakan dalam klasifikasi
No
1
Nama
1-cysPrx_C
Keterangan
2
4HBT
Berfungsi untuk melakukan katalisasi dalam
proses biosintesis.
3
ABC_Tran
Atau disebut juga ABC Transporter yang
menggunakan
hidrolisis
ATP
untuk
mentranslokasi berbagai senyawa melintasi
membran biologis.
C-terminal domain dari 1-Cys peroxiredoxin
(1-cysPrx),
anggota dari superfamili
peroxiredoxin yang melindungi sel terhadap
oksidasi membrane.
Pengambilan tersebut dilakukan secara acak dengan masing-masing
seratus sampel fragmen untuk setiap kelasnya. Dengan demikian terdapat tiga
ratus data yang akan diambil untuk melakukan penelitian. Pembagian data latih
dan data uji menggunakan metode k-fold cross validation dengan k = 4, dimana
untuk tiap-tiap kelas 75 buah data digunakan sebagai data latih dan 25 buah data
digunakan sebagai data uji. Data yang diperoleh memiliki format FASTA.
FASTA merupakan salah satu tipe data dari data biologi yang disediakan. Adapun
contoh format FASTA dapat dilihat pada Gambar 2.
>B3ARY6_ECO57/154-186 PF10417.3;1-cysPrx_C;
AAQYVASHPGEVCPAKWKEGEATLAPSLDLVGK
Gambar 2 Contoh format FASTA
>B3ARY6_ECO57/154-186 PF10417.3;1-cysPrx_C; merupakan identifier
pfam dengan 1-cysPrx_C merupakan keterangan kelas protein family. Adapun
deretan huruf dibawahnya merupakan sekuens asam amino atau protein.
10
Praproses Data
Ditahap ini dilakukan ekstraksi data sehingga terjadi pemisahan antara
identifier dengan sekuensnya. Lebih jelasnya dapat dilihat pada Gambar 3 berikut.
AAQYVASHPGEVCPAKWKEGEATLAPSLDLVGK
Gambar 3 Hasil ekstraksi format FASTA
Data Pelatihan dan Data Uji
Data sebanyak tiga ratus sekuens dari tiga kelas. Setiap kelas terdiri atas
75 data pelatihan, 25 data akan dijadikan sebagai data uji. Guna menjamin bahwa
setiap data yang digunakan pernah digunakan sebagai data pelatihan, digunakan kfold cross validation. Skenario k-fold cross validation dapat dilihat pada Tabel 2
berikut.
Tabel 2 Skenario k-fold cross validation
Fold
Data latih
Data uji
1
S2 S3 S4
S1
2
S1 S3 S4
S2
3
S1 S2 S4
S3
4
S1 S2 S3
S4
Data S1 menandakan 25 data pertama dari tiap-tiap kelas. Kelas pertama
atau kelas 1-cysPrx_C data S1 merupakan record data ke 1-25. Kelas kedua atau
kelas 4HBT data S1 merupakan record data ke 101-125. Kelas ketiga atau kelas
ABC_Tran data S1 merupakan record data ke 201-225.
Data S2 menandakan 25 data kedua dari tiap-tiap kelas. Kelas pertama
atau kelas 1-cysPrx_C data S2 merupakan record data ke 26-50. Kelas kedua atau
kelas 4HBT data S2 merupakan record data ke 126-150. Kelas ketiga atau kelas
ABC_Tran data S2 merupakan record data ke 226-250.
Data S3 menandakan 25 data ketiga dari tiap-tiap kelas. Kelas pertama
atau kelas 1-cysPrx_C data S3 merupakan record data ke 51-75. Kelas kedua atau
kelas 4HBT data S3 merupakan record data ke 151-175. Kelas ketiga atau kelas
ABC_Tran data S3 merupakan record data ke 251-275.
Data S4 menandakan 25 data keempat dari tiap-tiap kelas. Kelas pertama
atau kelas 1-cysPrx_C data S4 merupakan record data ke 76-100. Kelas kedua
atau kelas 4HBT data S4 merupakan record data ke 176-200. Kelas ketiga atau
kelas ABC_Tran data S4 merupakan record data ke 276-300.
Pengujian
Pengujian dilakukan untuk mengetahui hasil akurasi dalam proses
klasifikasi. Pada pengujian ini dilakukan skenario untuk membagi data menjadi
11
data latih dan data uji dengan menggunakan k-fold cross validation. Skenario
penelitian ini menggunakan k = 4.
Pengujian Orde 1 Fold 1
Hasil pengujian orde1 fold 1 menunjukkan akurasi setiap kelas dengan
presentase seperti dilihat pada Tabel 3.
Tabel 3 Akurasi orde1 fold 1
ABC_Tran
1-cysPrx_C
4HBT
Akurasi (%)
1-cysPrx_C
25
0
0
100.00
4HBT
0
12
13
48.00
ABC_Tran
0
0
25
100.00
Rata-rata
82.66
Pada Tabel 3 terlihat bahwa akurasi rata-rata yang diperoleh sebesar
82.66%. Hasil pengujian fold 1 untuk kelas 1-cysPrx_C (S1, record data ke 1-25)
dan kelas ABC_Tran (S1, record data ke 201-225) dapat terklasifikasi dengan
benar sesuai kelas asalnya, sedangkan hasil pengujian fold 1 untuk kelas 4HBT
(S1, record data ke 101-125) menunjukkan, hanya dua belas di antaranya yang
terklasifikasi dengan benar. Ketiga belas data lainnya terklasifikasi ke kelas
ABC_Tran (bernilai salah).Adapun grafik korelasi antara selisih error nilai
matriks transisi data uji kelas 4HBT (S1, record data ke 101-125) terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas dapat dilihat pada Gambar 4.
0.008
0.007
0.006
0.005
0.004
0.003
0.002
0.001
0
1-cysPrx_C
4HBT
ABC_Tran
Kelas family
Gambar 4 Grafik korelasi orde 1 fold 1 antara selisih error nilai
matriks transisi data uji kelas 4HBT terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas
Pengujian Orde 1 Fold 2
Hasil pengujian orde 1 fold 2 menunjukkan akurasi setiap kelas dengan
presentase seperti dilihat pada Tabel 4.
12
1-cysPrx_C
4HBT
ABC_Tran
Rata-rata
Tabel 4 Akurasi orde1 fold 2
1-cysPrx_C
4HBT
ABC_tran
0
25
0
1
0
24
22
0
3
Akurasi (%)
100.00
96.00
88.00
94.66
Pada Tabel 4 terlihat akurasi rata-rata yang diperoleh sebesar 94.66%.
Hasil pengujian fold 2 untuk kelas 1-cysPrx_C (S2, record data ke 26-50) dapat
terklasifikasi dengan benar sesuai kelas asalnya, sedangkan hasil pengujian fold 2
untuk kelas 4HBT (S2, record data ke 126-150) menunjukkan, hanya 24 di
antaranya yang terklasifikasi dengan benar. Satu data lainnya terklasifikasi ke
kelas ABC_Tran (bernilai salah). Adapun grafik korelasi antara selisih error nilai
matriks transisi data uji kelas 4HBT (S2, record data ke 126-150) terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas dapat dilihat pada Gambar 5.
Gambar 5 Grafik korelasi orde 1 fold 2 antara selisih error nilai
matriks transisi data uji kelas 4HBT terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas
Hasil pengujian fold 2 untuk kelas ABC_Tran (S2, record data ke 226-250)
menunjukkan, hanya 22 di antaranya yang terklasifikasi dengan benar. Tiga data
lainnya terklasifikasi ke kelas 4HBT (bernilai salah). Adapun grafik korelasi
antara selisih error nilai matriks transisi data uji kelas ABC_Tran (S2, record data
ke 226-250) terhadap nilai matriks transisi data latih untuk tiap-tiap kelas dapat
dilihat pada Gambar 6.
Gambar 6 Grafik korelasi orde 1 fold 2 antara selisih error nilai matriks
transisi data uji kelas ABC_Tran terhadap nilai matriks
transisi data latih untuk tiap-tiap kelas
13
Pengujian Orde 1 Fold 3
Hasil pengujian orde1 fold 3 menunjukkan akurasi setiap kelas dengan
presentase seperti dilihat pada Tabel 5.
1-cysPrx_C
4HBT
ABC_Tran
Rata-rata
Tabel 5 Akurasi orde1 fold 3
1-cysPrx_C
4HBT
ABC_tran
14
11
0
2
0
23
23
0
2
Akurasi (%)
44.00
92.00
92.00
76.00
Pada Tabel 5 terlihat bahwa akurasi rata-rata yang diperoleh sebesar 76%.
Hasil pengujian fold 3 untuk kelas 1-cysPrx_C (S3, record data ke 51-75)
menunjukkan, hanya sebelas di antaranya yang terklasifikasi dengan benar.
Empat belas data lainnya terklasifikasi ke kelas ABC_Tran (bernilai salah).
Adapun grafik korelasi antara selisih error nilai matriks transisi data uji kelas 1cysPrx_C (S3, record data ke 51-75) terhadap nilai matriks transisi data latih
untuk tiap-tiap kelas dapat dilihat pada Gambar 7.
Gambar 7 Grafik korelasi orde 1 fold 3 antara selisih error nilai matriks
transisi data uji kelas1-cysPrx_C terhadap nilai matriks
transisi data latih untuk tiap-tiap kelas
Hasil pengujian fold 3 untuk kelas 4HBT (S3, record data ke 151-175)
menunjukkan, hanya 23 di antaranya yang terklasifikasi dengan benar. Dua data
lainnya terklasifikasi pada ke kelas ABC_Tran (bernilai salah). Adapun grafik
korelasi antara selisih error nilai matriks transisi data uji kelas 4HBT (S3, record
data ke 151-175) terhadap nilai matriks transisi data latih untuk tiap-tiap kelas
dapat dilihat pada Gambar 8.
14
Gambar 8 Grafik korelasi orde 1 fold 3 antara selisih error nilai matriks
transisi data uji kelas 4HBT terhadap nilai matriks transisi
data latih untuk tiap-tiap kelas
Hasil pengujian fold 3 untuk kelas ABC_Tran (S3, record data ke 251275) menunjukkan, hanya 23 di antaranya yang terklasifikasi dengan benar. Dua
data lainnya terklasifikasi ke kelas 4HBT (bernilai salah). Adapun grafik korelasi
antara selisih error nilai matriks transisi data uji kelas ABC_Tran (S3, record data
ke 251-275) terhadap nilai matriks transisi data latih untuk tiap-tiap kelas dapat
dilihat pada Gambar 9.
Gambar 9 Grafik korelasi orde 1 fold 3 antara selisih error nilai
matriks transisi data uji kelas ABC_Tran terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas
Pengujian Orde 1 Fold 4
Hasil pengujian orde1 fold 4 menunjukkan akurasi setiap kelas dengan
presentase seperti dilihat pada Tabel 6.
Tabel 6 Akurasi orde1 fold 4
1-cysPrx_C
4HBT
ABC_tran
Akurasi (%)
1-cysPrx_C
24
0
1
96.00
4HBT
0
24
1
96.00
ABC_Tran
0
1
24
96.00
Rata-rata
96.00
15
Pada Tabel 6 terlihat bahwa akurasi rata-rata yang diperoleh sebesar 96%.
Hasil pengujian fold 4 untuk kelas 1-cysPrx_C (S4, record data ke 76-100)
menunjukkan, hanya 24 di antaranya yang terklasifikasi dengan benar. Satu data
lainnya terklasifikasi ke kelas ABC_Tran (bernilai salah). Adapun grafik korelasi
antara selisih error nilai matriks transisi data uji kelas 1-cysPrx_C (S4, record
data ke 76-100) terhadap nilai matriks transisi data latih untuk tiap-tiap kelas
dapat dilihat pada Gambar 10.
Gambar 10 Grafik korelasi orde 1 fold 4 antara selisih error nilai matriks
transisi data uji kelas1-cysPrx_C terhadap nilai matriks
transisi data latih untuk tiap-tiap kelas
Hasil pengujian fold 4 untuk kelas 4HBT (S4, record data ke 176-200)
menunjukkan, hanya 24 di antaranya yang terklasifikasi dengan benar. Satu data
lainnya terklasifikasi ke kelas ABC_Tran (bernilai salah). Adapun grafik korelasi
antara selisih error nilai matriks transisi data uji kelas 4HBT (S4, record data ke
176-200) terhadap nilai matriks transisi data latih untuk tiap-tiap kelas dapat
dilihat pada Gambar 11.
Gambar 11 Grafik korelasi orde 1 fold 4 antara selisih error nilai
matriks transisi data uji kelas 4HBT terhadap nilai matriks
transisi data latih untuk tiap-tiap kelas
16
Hasil pengujian fold 4 untuk kelas ABC_Tran (S4, record data ke 276300) menunjukkan, hanya 24 di antaranya yang terklasifikasi dengan benar. Satu
data lainnya terklasifikasi ke kelas 4HBT (bernilai salah). Adapun grafik korelasi
antara selisih error nilai matriks transisi data uji kelas ABC_Tran (S4, record data
ke 276-300) terhadap nilai matriks transisi data latih untuk tiap-tiap kelas dapat
dilihat pada Gambar 12.
Gambar 12 Grafik korelasi orde 1 fold 4 antara selisih error nilai matriks
transisi data uji kelas ABC_Tran terhadap nilai matriks
transisi data latih untuk tiap-tiap kelas
Pengujian Orde 2 Fold 1
Hasil pengujian orde 2 fold 1 menunjukkan akurasi setiap kelas dengan
presentase seperti dilihat pada Tabel 7.
Tabel 7 Akurasi orde 2 fold 1
1-cysPrx_C
4HBT
ABC_tran
Akurasi (%)
1-cysPrx_C
25
0
0
100.00
4HBT
0
16
9
64.00
ABC_Tran
0
11
14
56.00
Rata-rata
73.33
Pada Tabel 7 terlihat bahwa akurasi rata-rata yang diperoleh sebesar
73.33%. Ini menunjukkan bahwa akurasi orde 2 lebih rendah dari orde 1 untuk
data fold 1. Hasil pengujian fold 1 untuk kelas 1-cysPrx_C (S1, record data ke 125) dapat terklasifikasi dengan benar sesuai kelas asalnya. Hasil pengujian fold 1
untuk kelas 4HBT (S1, record data ke 101-125) menunjukkan, hanya enam belas
di antaranya yang terklasifikasi dengan benar. Sembilan data lainnya terklasifikasi
ke kelas ABC_Tran (bernilai salah). Adapun grafik korelasi antara selisih error
nilai matriks transisi data uji kelas 4HBT (S1, record data ke 101-125) terhadap
nilai matriks transisi data latih untuk tiap-tiap kelas dapat dilihat pada Gambar 13.
17
Gambar 13 Grafik korelasi orde 2 fold 1 antara selisih error nilai matriks
transisi data uji kelas 4HBT terhadap nilai matriks transisi
data latih untuk tiap-tiap kelas
Hasil pengujian fold 1 untuk kelas ABC_Tran (S1, record data ke 201-225)
menunjukkan, hanya empat belas di antaranya yang terklasifikasi dengan benar.
Sebelas data lainnya terklasifikasi ke kelas 4HBT (bernilai salah). Adapun grafik
korelasi antara selisih error nilai matriks transisi data uji kelas ABC_Tran (S1,
record data ke 201-225) terhadap nilai matriks transisi data latih untuk tiap-tiap
kelas dapat dilihat pada Gambar 14.
Gambar 14 Grafik korelasi orde 2 fold 1 antara selisih error nilai
matriks transisi data uji kelas ABC_Tran terhadap
nilai matriks transisi data latih untuk tiap-tiap kelas
Pengujian Orde 2 Fold 2
Hasil pengujian orde 2 fold 2 menunjukkan akurasi setiap kelas dengan
presentase seperti dilihat pada Tabel 8.
Tabel 8 Akurasi orde 2 fold 2
1-cysPrx_C
4HBT
ABC_tran
1-cysPrx_C
4HBT
ABC_Tran
Rata-rata
25
0
0
0
24
8
Akurasi (%)
0
100.00
1
96.00
17
68.00
88.00
18
Pada Tabel 8 terlihat bahwa akurasi rata-rata yang diperoleh sebesar 88%.
Ini menunjukkan bahwa akurasi orde 2 lebih rendah dari orde 1 untuk data fold 2.
Hasil pengujian fold 2 untuk kelas 1-cysPrx_C (S2, record data ke 26-50) dapat
terklasifikasi dengan benar sesuai kelas asalnya. Hasil pengujian fold 2 untuk
kelas 4HBT (S2, record data ke 126-150) menunjukkan, hanya 24 di antaranya
yang terklasifikasi dengan benar. Satu data lainnya terklasifikasi ke kelas
ABC_Tran (bernilai salah). Adapun grafik korelasi antara selisih error nilai
matriks transisi data uji kelas 4HBT (S2, record data ke 126-150) terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas dapat dilihat pada Gambar 15.
Gambar 15 Grafik korelasi orde 2 fold 2 antara selisih error nilai
matriks transisi data uji kelas 4HBT terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas
Hasil pengujian fold 2 untuk kelas ABC_Tran (S2, record data ke 226250) menunjukkan, hanya tujuh belas di antaranya yang terklasifikasi dengan
benar. Delapan data lainnya terklasifikasi ke kelas 4HBT (bernilai salah). Adapun
grafik korelasi antara selisih error nilai matriks transisi data uji kelas ABC_Tran
(S2, record data ke 226-250) terhadap nilai matriks transisi data latih untuk tiaptiap kelas dapat dilihat pada Gambar 16.
Gambar 16 Grafik korelasi orde 2 fold 2 antara selisih error nilai
matriks transisi data uji kelas ABC_Tran terhadap
nilai matriks transisi data latih untuk tiap-tiap kelas
19
Pengujian Orde 2 Fold 3
Hasil pengujian orde 2 fold 3 menunjukkan akurasi setiap kelas dengan
presentase seperti dilihat pada Tabel 9.
Tabel 9 Akurasi orde 2 fold 3
1-cysPrx_C
4HBT
ABC_tran
Akurasi (%)
1-cysPrx_C
11
4
10
44.00
4HBT
0
22
3
88.00
ABC_Tran
0
7
18
72.00
Rata-rata
68.00
Pada Tabel 9 terlihat bahwa akurasi rata-rata yang diperoleh sebesar 68%.
Ini menunjukkan bahwa akurasi orde 2 lebih rendah dari orde 1 untuk data fold 3.
Hasil pengujian fold 3 untuk kelas 1-cysPrx_C (S3, record data ke 51-75)
menunjukkan, hanya sebelas di antaranya yang terklasifikasi dengan benar. Empat
data terklasifikasi ke kelas 4HBT (bernilai salah) dan sepuluh data lainnya
terklasifikasi ke kelas ABC_Tran (bernilai salah). Adapun grafik korelasi antara
selisih error nilai matriks transisi data uji kelas 1-cysPrx_C (S3, record data ke
51-75) terhadap nilai matriks transisi data latih untuk tiap-tiap kelas dapat dilihat
pada Gambar 17.
Gambar 17 Grafik korelasi orde 2 fold 3 antara selisih error nilai
matriks transisi data uji kelas 1-cysPrx_C terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas
Hasil pengujian fold 3 untuk kelas 4HBT (S3, record data ke 151-175)
menunjukkan, hanya 22 di antaranya yang terklasifikasi dengan benar. Tiga data
lainnya terklasifikasi ke kelas ABC_Tran (bernilai salah). Adapun grafik korelasi
antara selisih error nilai matriks transisi data uji kelas 4HBT (S3, record data ke
151-175) terhadap nilai matriks transisi data latih untuk tiap-tiap kelas dapat
dilihat pada Gambar 18.
20
Gambar 18 Grafik korelasi orde 2 fold 3 antara selisih error nilai
matriks transisi data uji kelas 4HBT terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas
Hasil pengujian fold 3 untuk kelas ABC_Tran (S3, record data ke 251275) menunjukkan, hanya delapan belas di antaranya yang terklasifikasi dengan
benar. Tujuh data lainnya terklasifikasi ke kelas 4HBT (bernilai salah). Adapun
grafik korelasi antara selisih error nilai matriks transisi data uji kelas ABC_Tran
(S3, record data ke 251-275) dengan akurasi dari tiap-tiap kelas dapat dilihat pada
Gambar 19.
Gambar 19 Grafik korelasi orde 2 fold 3 antara selisih error nilai
matriks transisi data uji kelas ABC_Tran terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas
Pengujian Orde 2 Fold 4
Hasil pengujian orde 2 fold 4 menunjukkan akurasi setiap kelas dengan
persentase seperti dilihat pada Tabel 10.
21
Tabel 10 Akurasi orde 2 fold 4
1-cysPrx_C
4HBT
ABC_tran
Akurasi (%)
1-cysPrx_C
23
0
2
92.00
4HBT
0
19
6
76.00
ABC_Tran
0
0
25
100.00
Rata-rata
89.33
Pada Tabel 10 terlihat bahwa akurasi rata-rata yang diperoleh sebesar
89.33%. Ini menunjukkan bahwa akurasi orde 2 lebih rendah dari orde 1 untuk
data fold 4. Hasil pengujian fold 4 untuk kelas 1-cysPrx_C (S4, record data ke 76100) menunjukkan, hanya 23 di antaranya yang terklasifikasi dengan benar. Dua
data lainnya terklasifikasi ke kelas ABC_Tran (bernilai salah). Adapun grafik
korelasi antara selisih error nilai matriks transisi data uji kelas 1-cysPrx_C (S4,
record data ke 76-100) terhadap nilai matriks transisi data latih untuk tiap-tiap
kelas dapat dilihat pada Gambar 20.
Gambar 20 Grafik korelasi orde 2 fold 4 antara selisih error nilai
matriks transisi data uji kelas 1-cysPrx_C terhadap
nilai matriks transisi data latih untuk tiap-tiap kelas
Hasil pengujian fold 4 untuk kelas 4HBT (S4, record data ke 176-200)
menunjukkan, hanya sembilan belas di antaranya yang terklasifikasi dengan
benar. Enam data lainnya terklasifikasi ke kelas ABC_Tran (bernilai salah). Hasil
pengujian fold 4 untuk kelas ABC_Tran (record data ke 276-300) dapat
terklasifikasi dengan benar sesuai kelas asalnya. Adapun grafik korelasi antara
selisih error nilai matriks transisi data uji kelas 4HBT (S4, record data ke 176200) terhadap nilai matriks transisi data latih untuk tiap-tiap kelas dapat dilihat
pada Gambar 21.
22
Gambar 21 Grafik korelasi orde 2 fold 4 antara selisih error nilai
matriks transisi data uji kelas 4HBT terhadap nilai
matriks transisi data latih untuk tiap-tiap kelas
Adapun grafik perbandingan nilai rata-rata antara hasil orde satu dan orde
dua dapat dilihat pada gambar 22 berikut.
Gambar 22 Grafik perbandingan nilai rata-rata antara orde satu
dan orde dua berdasarkan tiap-tiap fold
Pengujian Data Eksternal
Pengujian data eksternal adalah pengujian untuk mengukur tingkat akurasi
tool yang telah dikembangkan terhadap data eksternal atau data selain ketiga ratus
data yang telah digunakan. Pengujian dilakukan menggunakan fold dengan tingkat
akurasi terbaik, yaitu fold keempat baik untuk orde satu dan orde dua. Pengujian
dilakukan menggunakan masing-masing 25 sampel data baik untuk kelas 1cysPrx_C, 4HBT, dan ABC_Tran. Hasil pengujian data eksternal untuk orde satu
dapat dilihat pada Tabel 11 berikut.
23
Tabel 11 Pengujian data eksternal untuk orde satu
1-cysPrx_C
1-cysPrx_C
24
4HBT
0
ABC_Tran
1
Akurasi (%)
96.00
4HBT
ABC_Tran
1
4
21
2
3
19
84.00
76.00
Rata-rata
85.33
Pada Tabel 11 terlihat bahwa akurasi rata-rata yang diperoleh sebesar
85.33%. Hasil pengujian data eksternal kelas 1-cysPrx_C, hanya 24 di antaranya
yang terklasifikasi dengan benar. Satu data lainnya terklasifikasi ke kelas
ABC_Tran (bernilai salah). Hasil pengujian data eksternal milik kelas 4HBT,
hanya 21 di antaranya yang terklasifikasi dengan benar. Satu data lainnya
terklasifikasi ke kelas 1-cysPrx_C (bernilai salah) dan tiga data lainnya
terklasifikasi ke kelas ABC_Tran (bernilai salah). Hasil pengujian data eksternal
milik kelas ABC_Tran, hanya 19 di antaranya yang terklasifikasi dengan benar.
Empat data lainnya terklasifikasi ke kelas 1-cysPrx_C (bernilai salah) dan dua
data lainnya terklasifikasi ke kelas 4HBT (bernilai salah). Hasil pengujian data
eksternal untuk orde satu dapat dilihat pada Tabel 12 berikut.
Tabel 12 Pengujian data eksternal untuk orde dua
No
1-cysPrx_C
1-cysPrx_C
24
4HBT
0
ABC_Tran
1
Akurasi (%)
96.00
4HBT
ABC_Tran
2
5
18
3
5
17
72.00
68.00
Rata-rata
78.66
Pada Tabel 12 terlihat bahwa akurasi rata-rata yang diperoleh sebesar
78.66%. Ini menandakan bahwa tingkat akurasi orde dua untuk data eksternal
lebih kecil dibandingkan orde satu. Hasil pengujian data eksternal kelas 1cysPrx_C, hanya 24 di antaranya yang terklasifikasi dengan benar. Satu data
lainnya terklasifikasi ke kelas ABC_Tran (bernilai salah). Hasil pengujian data
eksternal milik kelas 4HBT, hanya 18 di antaranya yang terklasifikasi dengan
benar. Dua data lainnya terklasifikasi ke kelas 1-cysPrx_C (bernilai salah) dan
lima data lainnya terklasifikasi ke kelas ABC_Tran (bernilai salah). Hasil
pengujian data eksternal milik kelas ABC_Tran, hanya 17 di antaranya yang
terklasifikasi dengan benar. Lima data lainnya terklasifikasi ke kelas 1-cysPrx_C
(bernilai salah) dan tiga data lainnya terklasifikasi ke kelas 4HBT (bernilai salah).
24
SIMPULAN DAN SARAN
Simpulan
Berdasarkan penelitian yang telah dilakukan, dapat ditarik kesimpulan
sebagai