Penggabungan Ekstraksi Fitur menggunakan Early Integration pada Klasifikasi Fragmen Metagenome

Abstract

Analisis metagenom merupakan salah satu cabang ilmu ekologi mikroba yang berkembang begitu pesat dalam beberapa tahun terakhir. Ilmu metagenom mengacu kepada akses secara langsung konten genetik seluruh komunitas organisme pada sampel lingkungan yang diambil. Sudah banyak penelitian dilakukan dalam bidang ini, terutama pada pengelompokan berdasarkan komposisi, dengan berlandaskan fakta bahwa dua organisme yang sejenis memiliki komposisi nukleotida yang mirip. Pada penelitian ini, digunakan k-mers, Characterization Vector (CV) dan Gray Level Co-occurrence Matrix (GLCM) sebagai ekstraksi fitur dikombinasikan dengan early integration sebagai metode penggabungan fitur. Support Vector Machine dipilih sebagai mesin klasifikasi. Hasil penelitian menunjukkan bahwa penggabungan di antara ketiga ekstraksi fitur tidak meningkatkan akurasi secara signifikan. Nilai akurasi untuk panjang fragmen 3 Kbp untuk k-mers adalah 89.513%, mersCV 89.506%, mersGLCM 89.427%. Disimpulkan bahwa ekstraksi fitur CV dan GLCM kurang baik dalam memisahkan fragmen ke dalam kelasnya masing-masing.