Optimasi Parameter pada Support Vector Machine untuk Klasifikasi Fragmen Metagenome Menggunakan Algoritme Genetika

Abstract

Klasifikasi fragmen metagenome merupakan salah satu contoh dari proses binning yang bertujuan untuk mengklasifikasikan fragmen-fragmen ke dalam beberapa tingkat taksonomi. Salah satu metode machine learning yang dapat digunakan adalah Support Vector Machine (SVM). Pada masalah yang bersifat non linear, diperlukan kernel untuk memetakan vektor ciri ke dalam ruang berdimensi tinggi, sehingga masalah yang non linear tersebut dapat dipecahkan secara linear. Kernel yang sering digunakan adalah Radial Basis Function (RBF). Tantangan yang dihadapi adalah bagaimana menemukan parameter yang optimal sehingga dihasilkan model klasifikasi yang akurat. Tujuan penelitian ini adalah melakukan optimasi parameter pada SVM dalam klasifikasi fragmen metagenome menggunakan Algoritme Genetika. Parameter yang akan dicari nilai optimalnya adalah parameter C untuk jarak margin dan gamma () untuk percepatan fungsi pada kernel RBF untuk mendapatkan akurasi classifier model klasifikasi yang optimal. Evaluasi dilakukan untuk membandingkan akurasi model klasifikasi dengan parameter yang dioptimasi dengan Algoritme Genetika dan akurasi yang dihasilkan dengan parameter yang ditentukan dengan menggunakan grid search. Hasil evaluasi menunjukan bahwa akurasi yang dihasilkan dengan parameter yang dioptimasi dengan Algoritme Genetika adalah 67.3% untuk fragmen berukuran 400bp dan 98.6% untuk fragmen berukuran 10 Kbp. Akurasi ini lebih tinggi dibandingkan akurasi dari model klasifikasi dengan parameter yang ditentukan dengan menggunakan grid search, yaitu sebesar 65.3% untuk fragmen berukuran 400 bp dan 95.4 untuk fragmen berukuran 10 Kbp.