Pengelompokan Fragmen Metagenom Menggunakan Self-Organizing Map (SOM)

Abstract

Metgenomics adalah cabang dari bioinformatika yang mempelajari tentang metagenom, sekelompok mikroorganisme yang diambil langsung dari lingkungan tanpa proses kultur. Fragmen-fragmen yang diperoleh dari metagenom mengandung berbagai organisme dan melakukan proses perakitan secara langsung dapat menghasilkan chimeris contigs. Dengan demikian, metode untuk mengurangi kesalahan dalam proses perakitan diperlukan binning. Binning adalah metode pengelompokan fragmen berdasarkan taksonomi. Dalam penelitian ini, binning yang digunakan berdasarkan pendekatan komposisi. Dalam pendekatan ini menggunakan SOM (self-organizing map). SOM adalah metode jaringan saraf tiruan yang telah berhasil dipetakan dalam dimensi yang lebih tinggi. SOM memiliki dua metode pelatihan yaitu sequential training dan batch training. Tujuan dari penelitian ini adalah untuk membandingkan dua metode pelatihan SOM dalam pengelompokan fragmen metagenom. Penelitian ini juga menggunakan k-mers sebagai metode ekstrasi fitur. Kmer menggunakan jumlah kombinasi K (kombinasi pasangan basa (ATCG)). K yang digunakan adalah K = 4 berarti membentuk 44 = 256 kombinasi pasangan basa dan K = 5 berarti membentuk 45 = 1024 kombinasi pasangan basa. Penelitian ini juga menggunakan proses normalisasi dengan tujuan untuk menghilangkan nila-nilai yang rangkap hasil ekstrasi fitur. Metode normalisasi yang digunakan adalah normalisasi min-max. Penelitian ini membandingkan kedua metode pelatihan yaitu sequential training dan batch training untuk menemukan teknik pengelompokan terbaik. Hasil penelitian menunjukkan bahwa batch training dapat mencapai 3.64% dari map size [15 15]. Nilai kesalahan ini lebih kecil dari sequential training yang mendapatkan nilai kesalahan 7.06% dari map size [10 10]. Hasil ANOVA dalam penelitian in pada dua metode pelatihan SOM. Sequential training kombinasi pentanukleotida dan tetranukleotida perhitungan quantization error dan persentase galat memiliki hasil yang signifikan untuk pengelompokan fragmen metagenom. Perhitungan topographic error menghasilkan nilai yang tidak signifikan terhadap pengelompokan fragmen metagenom. Pehitungan ANOVA yang dilakukan dalam batch training, bahwa perhitungan quantization error, topographic error dan persentase galat dengan kombinasi tetranukleotida dan pentanukleotida memiliki nilai yang signifikan terhadap pengelompokan fragmen metagenom