Reduksi Dimensi Fitur dengan Two Dimensional Principal Component Analysis (2D-PCA) untuk Klasifikasi Metagenom

Abstract

Metagenom merupakan kumpulan mikrob yang sampelnya dapat diperoleh langsung dari lingkungan alaminya. Kumpulan mikrob tersebut sangat sulit diklasifikasikan karena organismenya masih saling tercampur, sehingga proses binning perlu dilakukan. Proses binning dengan pendekatan komposisi dilakukan dengan mengelompokkan hasil ekstraksi fitur fragmen metagenom. Besarnya parameter n pada metode ekstraksi fitur n-mers mengakibatkan dimensi yang besar. Penelitian ini bertujuan menerapkan metode two dimensional principal component analysis (2D-PCA) untuk mereduksi fitur hasil ekstraksi n-mers fragmen metagenom dan mengklasifikasikan dengan algoritme KNN. Hasil evaluasi terbaik dalam penelitian ini diperoleh saat klasifikasi 3-NN. Nilai akurasi tertinggi mencapai 99.51%, sensitivitas tertinggi mencapai 93.75%, dan spesifisitas tertinggi mencapai 99.89%. Ketiganya diperoleh pada skenario 7-mers dengan nilai PC 98%. Adapun penurunan waktu eksekusi pada proses klasifikasi skenario tersebut mencapai 304.7 detik terhadap keseluruhan data uji yang digunakan.