Dian Kartika Utami, Wisnu Ananta, Agus Buono

Judul	:	Klasifikasi Metagenome dengan metode Naive Bayes Classifier
Abstrak	:	Studi metagenom merupakan langkah penting pada pengelompokan taksonomi. Pengelompokan pada metagenom dapat dilakukan dengan menggunakan metode binning. Binning diperlukan untuk mengelompokkan contigs yang dimiliki oleh masing-masing kelompok spesies filogenetik. Pada penelitian ini, binning dilakukan dengan menggunakan pendekatan komposisi berdasarkan supervised learning (pembelajaran dengan contoh). Metode supervised learning yang digunakan yaitu Naïve Bayes Classifier. Adapun metode yang digunakan untuk ekstraksi ciri adalah dengan melakukan perhitungan frekuensi k-mer. Klasifikasi pada metagenom dilakukan berdasarkan tingkat takson genus. Dari proses klasifikasi yang dilakukan, akurasi yang diperoleh dengan menggunakan fragmen pendek (400 bp) adalah 49.34 % untuk ekstraksi ciri 3-mer dan 53.95 % untuk ekstrasi ciri 4-mer. Sementara itu, untuk fragmen panjang (10 kbp), akurasi mengalami peningkatan yaitu 82.23 % untuk ekstraksi ciri 3-mer dan 85.89 % untuk esktraski ciri 4-mer. Dari hasil tersebut dapat disimpulkan bahwa akurasi semakin tinggi seiring dengan semakin panjangnya ukuran fragmen. Selain itu, penelitian ini juga menyimpulkan bahwa metode ekstrasi ciri yang memberikan hasil paling maksimal adalah dengan menggunakan ekstraksi ciri 4-mer.
Tahun	:	2014	Media Publikasi	:	Jurnal Nasional Blm Akreditasi
Kategori	:	Jurnal	No/Vol/Tahun	:	1 / 3 / 2014
ISSN/ISBN	:	2089-6026
PTN/S	:	Universitas Pakuan	Program Studi	:	MANAJEMEN INFORMATIKA (D3)
Bibliography	:	Abe T, Kanaya S, Kinouchi M, Ichiba Y, Kozuku T, Ikemura T. 2003. Informatics for Unveiling Hidden Genome Signatures. Genome Research. 179(4):693-701. doi:10.1101/gr.634603. Amano K, Nakamura H, Ichikawa H. 2003. Self-Organizing Clustering : A Novel Non- Hierarchical Method for Clustering Large Amountof Sequece DNAs. Genome Informatics. 14: 575-576. Amano K, Nakamura H, Ichikawa H, Numa H, Kobayashi KF, Nagamura Y, Onodera N. 2007. Self-Organizing Clustering : Non-Hierarchical Clustering for Large-Scale Sequence DNA Data. IPSJ Digital Courier. 2(2):523-527. Arini. 2013. Metagenome Fragment Binning Using Support Vector Machine (SVM) Method [skripsi]. Bogor-Indonesia : Institut Pertanian Bogor. Brady A, Salzberg SL. 2009. Phymm and PhymmBL : Metagenomic Phylogenetic Classification with Interpolated Markov Models. Nat Methods. 6 (9) : 673 ± 676. doi : 10.1038/nmeth.1358. Chan CK, Hsu AL, Tang SL, Halgamuge SK. 2008. Using Growing Self-Organizing Maps to Prove the Binning Process in Environmental Whole-Genome Shotgun Equencing. Journal of Biomedicine and Biotechnology. 2008. doi:10.1155/2008/513701. Federhen S. 2012. The NCBI Taxonomy Database. Nucleic Acids Research. 40: 136- 143. doi:10.1093/nar/gkr1178. Higashi S, Barreto André da MS, Cantão ME, de Vasconcelos ATR. 2012. Analysis Of Composition-Based Metagenome Classification. BMC Genomic 2012, 13(Supply 5):S1. http://www.biomedcentral.com/1471-2164/13/S5/S1 Han Jiawei, Kamber Micheline, Pei Jian. Data Mining: Concept and Technique.3rdedition. ISBN 978-0-12-381479-1. Johnson RA and Wichern, DW. 2002.Applied Multivariate Statistical Analysis,5th End. New Jersey: Prentice Hall. Kim Jongwoo, Le DX, Thoma GR. 2010. Naïve Bayes and SVM classifiers for classifying Databank Accession Number sentences from online biomedical articles. Proc. of SPIE-IS&T Electronic Imaging, SPIE Vol. 7534, 75340U. doi: 10.1117/12.838961. Kusuma WA, Akiyama Y. 2011. Metagenome fragment binning based on characterization vectors. Di dalam: Prosiding International Conferences on Bioinformatics and Biomedical Technology; 2011; Sanya, China. China (CH). Kusuma WA. 2012. Combined Approaches for Improving the Performance of de novo DNA Sequence Assembly and Metagenomic Classification of Short Fragments from Next Generation Sequencer [tesis]. Tokyo (JP) : Tokyo Institute of Technology. McHardy AC, Martín HG, Tsirigos A, Hugenholtz P, Rigoutsos I. 2007. Accurate phylogonetic classification of variabel-length DNA fragments. Nature Methods. 4(1):63±72. doi: 10.1038/nmeth976. Overbeek MV, Kusuma WA, Buono A. 2013. Clustering Metagenome Fragment Using Growing Self Organizing Map. In proc. ICACSIS 2013. Rahmawati V. 2013. Comparison of Feature Extraction Methods Spaced K-Mers and K-mers in Fragmen Metagenome Classification using Naive Bayes Classifier [skripsi]. Bogor- Indonesia : Institut Pertanian Bogor. Richter DC, Felix Ott1, Auch AF, Schmid R, Huson DH. 2008. MetaSim²A Sequencing Simulator for Genomics and Metagenomics. PLoS ONE 3(10): e3373.doi:10.1371/journal.pone.0003373. Rosen G,Garbarine E, Caseiro D, Polikar R,Sokhansanj B. 2008. Metagenome Fragment Classification Using N-Mer Frequency Profiles. Hindawi Publishing Corporation. Advances in Bioinformatics. Volume 2008, Article ID 205969, 12 pages. doi:10.1155/2008/205969.
URL	: