Implementasi Integrasi Seleksi Data dan Extreme Learning Machine (IDELM) Untuk Klasifikasi DNA Bakteri Patogen
Main Article Content
Abstract
PCR adalah salah satu metode untuk mendeteksi keberadaan mikroba dalam tubuh. Dibanding metode lain, metode ini tergolong akurat, cepat, dan bisa diandalkan. Keuntungan PCR lainnya adalah sekuens DNA dari mikroba atau strain infeksi yang baru ditemukan. Selanjutnya data DNA yang ditemukan tersebut dilakukan pencarian masuk pada jenis DNA apa, sehingga dibutuhkan metode yang optimal. Sekuensing DNA dapat dimanfaatkan untuk menentukan identitas maupun fungsi gen atau fragmen DNA lainnya dengan cara membandingkan sekuens-nya dengan sekuens DNA lain yang sudah diketahui. Integrasi Seleksi data dan Extreme Learning Machine ini dipilih sebagai metode untuk klasifikasi DNA karena data DNA merupakan data yang besar serta karakteristik datanya yang kebanyakan adalah data yang imbalance. Pada proses penelitian data yang akan diolah terlebih dahulu diuraikan fragmennya, selanjutnya dilakukan ekstraksi fitur, kemudian dilakukan proses klasifikasi. Hasil dari pengklasifikasian tersebut diperoleh precision, recall, gmean, dan akurasi masing-masing sebesar 0.818, 1, 0.9045, dan 0.90.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Copyright Notice
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
References
[2] Alberts, Bruce; Johnson, Alexander; Lewis, Julian; Morgan, David; Raff, Martin; Roberts, Keith; Walter, Peter (2014). Molecular Biology of the Cell, Sixth Edition. Garland Science. United State of America
[3] Wang J, Zaki M, Toivonen H, Shasha D. 2005. Data Mining in Bioinformatics. London (UK): Springer.
[4] Mahdiyah, Umi, Imah, E. M., Irawan, M. I.. 2017. Integrating Data Selection And Extreme Learning Machine To Predict Protein-Ligand Binding Site, Contemporary Enggineering Science, vol. 9.
[5] Richter DC, et al. 2009. User manual for MetaSim V0.9.5 [Internet]. [diunduh 2014 Juni 5]. Tersedia pada: ab.informatik.uni.tuebigen.de/software/metasim/download/V 0 9 5/manual.pdf
[6] Erbert M, Rechner S, Müller-Hannemann M. Gerbil. 2017. a fast and memory-efficient k-mer counter with GPU-support. Algorithms for Molecular Biology. Springer Nature. doi:10.1186/s13015-017-0097-9
[7] Tharwat, A.,2018. Classification Assessment Methods, Applied Computing and Informatics
[8] Huang, G., Zhu, Q. dan Siew, C., (2006a), “Extreme Learning Machine: Theory and Applications”, Neurocomputing, Vol. 70, 489–501