Optimasi Parameter Pada Fast Correlation Based Filter Menggunakan Metode Particle Swarm Optimization Untuk Klasifikasi Metagenom

Abstract

Bioinformatika memiliki banyak bidang kajian penting yang terus berkembang, salah satunya adalah analisis metagenom. Metagenom merupakan materi genetik yang diperoleh dari sampel yang diambil langsung dari lingkungan tanpa budidaya di laboratorium. Untuk mengklasifikasikan fragmen metagenom ke dalam tingkat taksonomi yang berbeda, proses binning perlu dilakukan. Dalam penelitian ini, proses binning dilakukan dengan pendekatan komposisi berbasis metode supervised learning. Pendekatan komposisi ini memiliki tahapan ekstraksi fitur yang dilakukan dengan metode k-mers. Untuk mereduksi dimensi fitur yang dihasilkan k-mers digunakan algoritme Fast Correlation Based Filter (FCBF). Untuk klasifikasi, kami menggunakan metode k-nearest neighbour (KNN). Penelitian ini bertujuan untuk meningkatkan hasil akurasi pengklasifikasian metagenome dengan mengoptimasi nilai parameter threshold pada algoritme FCBF dengan menggunakan Particle Swarm Optimization (PSO). Hasil penelitian menunjukkan bahwa PSO dapat digunakan untuk mengoptimasi nilai parameter threshold. Selain itu, dapat diamati bahwa nilai fitness dan akurasi pengklasifikasian berpotensi untuk ditingkatkan dengan menambah jumlah partikel PSO dan iterasi.