| dc.description.abstract | Kedelai (Glycine max) merupakan komoditas pangan yang sangat dekat dengan masyarakat Indonesia. Data dari BPS dan Kementerian Pertanian menunjukkan bahwa produksi kedelai masih belum dapat memenuhi kebutuhan dalam negeri sehingga tingkat ketergantungan pada impor masih sangat tinggi, sementara konsumsi kedelai akan terus meningkat sejalan dengan pertumbuhan jumlah penduduk. Salah satu usaha peningkatan produksi kedelai adalah melalui pemuliaan tanaman kedelai berbasis Single Nucleotide Polymorphism atau SNP. SNP adalah variasi DNA di antara individu pada spesies yang sama. Variasi ini diketahui dengan melihat adanya perbedaan satu buah basa nukleotida pada posisi yang sama antara DNA yang dijajarkan. Pada pemuliaan tanaman, SNP dimanfaatkan dengan mendeteksi keterkaitannya dengan sifat-sifat yang bernilai ekonomis pada berbagai tanaman pertanian. Tujuannya adalah untuk mendapatkan varietas unggul yang dapat menghasilkan panen lebih berkualitas dan lebih banyak, serta tahan terhadap berbagai kondisi lingkungan. Tantangan utama dalam mengidentifikasi SNP adalah membedakan polimorfisme genetika yang sebenarnya dengan variasi yang disebabkan oleh error. Tantangan lainnya adalah membangun model pendeteksi SNP yang dapat mengatasi ketidakseimbangan data. Karena dari variasi DNA yang ditemukan, sebagian besarnya adalah variasi yang disebabkan karena error, dan hanya sebagian kecil saja yang benar-benar merupakan SNP. Penelitian ini bertujuan mengidentifikasi SNP yang ada pada genom kedelai dengan menerapkan teknik seleksi fitur Feature Assesment by Sliding Threshold (FAST) dan Signal to Noise Ratio (SNR). Teknik pemilihan fitur yang merefleksikan penentuan dimensi dataset merupakan tahap pra-proses yang dilaporkan dapat dijadikan alternatif dalam mengatasi ketidakseimbangan data. Data yang digunakan pada penelitian ini merupakan sekuens DNA genom kedelai dari beberapa jenis kedelai budidaya yang telah dijajarkan dengan sekuens DNA rujukan, dan telah diekstraksi 24 fitur statistiknya. Proses identifikasi SNP dilakukan menggunakan Support Vector Machine. Hasil percobaan menunjukkan bahwa teknik Signal to Noise Ratio mampu menghasilkan 5 fitur yang menghasilkan performa pengidentifikasi SNP terbaik, yaitu kualitas maksimum alel minor, kualitas rata-rata alel minor, frekuensi alel minor, peluang error dan keseimbangan alel. Performa model yang dihasilkan mampu melampaui model yang menggunakan seluruh fitur yang tersedia dalam hal sensitivity, G-Mean dan F-Measure. Selain itu, dengan menggunakan seleksi fitur dapat mengurangi waktu komputasi yang diperlukan dalam membangun model hingga 3,8 kali. | id |
