Klasifikasi Fragmen Metagenom Menggunakan Metode SVM dan Fast Correlation Based Filter sebagai Penyeleksi Fitur

Abstract

Bioinformatika memiliki banyak bidang kajian penting dan terus berkembang, salah satunya adalah analisis metagenom. Metagenom merupakan materi genetik yang diperoleh dari sampel yang langsung diambil dari lingkungan tanpa budidaya di laboratorium. Untuk mengklasifikasikan fragmen metagenom ke dalam tingkat taksonomi yang berbeda perlu dilakukan proses binning. Pada penelitian ini dilakukan proses binning dengan pendekatan komposisi menggunakan metode supervised learning. Proses klasifikasi dilakukan dengan menggunakan Support Vector Machine (SVM) sebagai classifier, perhitungan frekuensi k-mers untuk mengekstraksi fitur, dan Fast Correlation Based Filter (FCBF) sebagai penyeleksi fitur. Pada proses seleksi fitur, jumlah fitur yang terseleksi ditentukan oleh nilai threshold. Dari penelitian ini akurasi hasil klasifikasi SVM dengan seleksi fitur berkisar antara 79.13% sampai 96.68% untuk 3-mers, sedangkan jika menggunakan 4-mers akurasi berkisar antara 83.59% sampai 99.35%.