Klasifikasi Protein Family Menggunakan Algoritme Probabilistic Neural Network (PNN)

(1)

KLASIFIKASI

PROTEIN FAMILY

MENGGUNAKAN

ALGORITME

PROBABILISTIC NEURAL NETWORK

(PNN)

RIZKY KURNIAWAN

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

(2)

(3)

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Klasifikasi Protein Family Menggunakan Algoritme Probabilistic Neural Network (PNN) adalah benar karya saya denganarahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.

(4)

ABSTRAK

RIZKY KURNIAWAN. Klasifikasi Protein Family Menggunakan Algoritme Probabilistic Neural Network (PNN). Dibimbing oleh TOTO HARYANTO.

Protein terdiri dari rangkaian dan kombinasi dari 20 asam-amino (amino-acid) . Protein yang satu memiliki susunan sekuens asam-amino yang berbeda dengan protein lainnya. Klasifikasi protein sangat membantu sebagai petunjuk untuk mengetahui struktur, aktivitas dan peranan metabolismenya di dalam makhluk hidup. Karena banyaknya sekuens baru yang muncul diperlukan metode untuk mengklasifikasi protein ke dalam kelas yang sesuai. Tujuan dari penelitian ini adalah untuk menerapkan algoritme Probabilistic Neural Network (PNN) untuk melakukan klasifikasi protein family. Data protein family yang digunakan sebanyak tiga kelas, yaitu kelas 1-cysPrx_C, 4HBT dan ABC_Tran. Setiap kelas diambil sebanyak 100 data. Penelitian ini menggunakan ektraksi ciri rantai markov orde 1 dan 2. Nilai rata-rata akurasi terbaik Orde Satu sama dengan Nilai rata-rata akurasi terbaik Orde Dua sebesar 89.667%.

Kata kunci: klasifikasi,Probabilistic Neural Network, Ekstaksi Ciri Rantai Markov, Protein Family.

ABSTRACT

RIZKY KURNIAWAN. Protein Family Classification Based onProbabilistic Neural Network (PNN)Algorithm. Supervised by TOTO HARYANTO.

Proteins are composed of series and combination of 20 - amino acid. Each Protein has the composition of the amino - acid sequence which is different one from another. The classification of Protein is contributed as a guide to determine the structure, activity and role in the metabolism of organism. Since necessary to classifying proteins into appropriate classes, new sequences needed. Since the number of sequences that appear, new method of classifying proteins into appropriate classes. The purpose of this study is to apply the algorithm Probabilistic Neural Network ( PNN ) with four bias to classify the protein family. There are three classes of protein family data, namely class 1 - cysPrx_C , 4HBT and ABC_Tran. Each class is taken as 100 Data.

(5)

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer

pada

Departemen Ilmu Komputer

KLASIFIKASI

PROTEINFAMILY

MENGGUNAKAN

ALGORITME

PROBABILISTIC NEURAL NETWORK

(PNN)

RIZKY KURNIAWAN

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

(6)

Penguji:

1. Dr. Wisnu Ananta Kusuma, S.T, M.T

(7)

Judul Skripsi : Klasifikasi Protein Family Menggunakan Algoritme Probabilistic Neural Network (PNN)

Nama : Rizky Kurniawan NIM : G64096055

Disetujui oleh

Toto Haryanto, SKom MSi Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom Ketua Departemen

(8)

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul

“Klasifikasi Protein Family Menggunakan Algoritme Probabilistic Neural Network (PNN)”. Shalawat serta salam penulis sampaikan kepada Nabi besar Muhammad shallallahu ‘alaihi wasallam beserta keluarga, sahabat, serta umatnya hingga akhir zaman.

Terima kasih penulis ucapkan kepada seluruh pihak yang telah berperan membantu dalam penelitian ini, yaitu:

1. Ibu Suminah beserta Bapak Mudjijono atas kasih sayang, doa dan dorongan semangat yang telah diberikan kepada penulis sehingga penelitian ini dapat terselesaikan.

2. Kakak penulis Danu Aditya Yuda beserta keluarga yang telah memberikan dukungan dan semangat kepada penulis.

3. Nina Maria Priyatina, S. Kom beserta keluarga atas dukungan dan motivasi yang selama ini diberikan kepada penulis.

4. Bapak Toto Haryanto, S.Kom M.Si selaku pembimbing yang telah bersedia meluangkan waktunya untuk memberikan bantuan, arahan, serta kritik dan saran yang bermanfaat selama penelitian ini berlangsung.

5. Bapak Dr. Wisnu Ananta Kusuma, S.T, M.T dan Muhammad Asyhar Agmalaro, S.Si, M.Kom selaku dosen penguji yang bersedia meluangkan waktunya dalam seminar dan sidang.

6. Sony Muhammad rekan satu bimbingan penulis yang banyak bertukar fikiran dalam proses penyelesaian skripsi ini, serta Desta Sandya yang membantu dalam pembuatan aplikasi.

7. Teman-teman Ekstensi ILKOM angkatan 4 serta Rohis SMA N 4 Depok angkatan 2009, atas kerjasamanya selama penelitian.

Penulis menyadari bahwa masih terdapat banyak kekurangan dalam penulisan skripsi ini. Semoga karya ilmiah ini bermanfaat.

(9)

DAFTAR ISI

DAFTAR TABEL vii

DAFTAR GAMBAR vii

DAFTAR LAMPIRAN viii

PENDAHULUAN 1

Latar Belakang 1

Tujuan 1

Manfaat Penelitian 2

Ruang Lingkup 2

TINJAUAN PUSTAKA 2

Protein 2

Sintesis Protein 3

Kode Genetik 4

ProteinFamily 6

Probabilistic Neural Network (PNN) 6

Ekstraksi Ciri Rantai Markov 7

K-Fold Cross Validation 9

METODE PENELITIAN 9

Kerangka Pemikiran 9

Pengambilan Data 10

Ekstraksi Ciri 10

Pembagian Data Latih dan Data Uji (K-Fold Cross Validation) 11

Analisa Hasil dan Model 11

Implementasi Aplikasi 12

HASIL DAN PEMBAHASAN 12

Pengambilan Data 12

Data Pelatihan dan Data Uji 13

Perhitungan Rata-rata Nilai Akurasi Orde 1 14

Perhitungan Rata-rata Nilai Akurasi Orde 2 16

SIMPULAN DAN SARAN 19

(10)

Saran 19

DAFTAR PUSTAKA 20

(11)

DAFTAR TABEL

1 Cofusion Matrix 11

2 Jenis protein yang digunakan dalam klasifikasi 13 3 Pembagian data uji dan data latih dengan 4-fold cross validation 14

4 Pengujian Orde 1 fold 1 14

DAFTAR GAMBAR

1 Daftar Kodon dari mRNA 5

2 Arsitektur Probabilistic Neural Network (PNN) 7

3 Metode Penelitian 9

4 Contoh format FASTA 13

5 Hasil ekstraksi format FASTA 13

(12)

(13)

PENDAHULUAN

Latar Belakang

Protein adalah makromolekul yang paling banyak ditemukan di dalam sel makhluk hidup dan merupakan 50% atau lebih dari berat kering sel. Protein memiliki jumlah sangat bervariasi yang mulai dari struktur maupun fungsinya. Peranan protein diantaranya sebagai katalisator, pendukung, cadangan, sistem imun, alat gerak, sistem transport, dan respon kimiawi (Lehninger et al., 2004). Protein terdiri dari rangkaian dan kombinasi dari 20 asam-amino (amino-acid). Protein yang satu memiliki susunan sekuens asam-amino yang berbeda dengan protein lainnya. Klasifikasi protein sangat membantu sebagai petunjuk untuk mengetahui struktur, aktivitas dan peranan metabolismenya di dalam makhluk hidup. Terdapat beberapa keuntungan yang dapat diperoleh dari klasifikasi protein (Wu CH et.al 2003), diantaranya (1) memperbaiki hasil identifikasi protein yang sangat sulit apabila dilakukan dengan teknik pensejajaran pasangan asam amino (2) membantu dalam proses maintenance yang ada dengan memberikan informasi berbasis family (3) membantu dalam menemukembalikan informasi biologi yang relevan dari data sangat besar (4) membantu dalam melakukan analisis kekerabatan atau filogenetik.

Pangkalan data struktur primer protein yang berupa asam amino merupakan hasil translasi RNA dapat diklasifikasikan dengan beberapa kategori (Polanski dan Kimmel 2007) yaitu: (1) hierarchical family superfamilies/families pada tools PIR-PSD dan ProtoMap, (2) protein domain pada tools Pfam dan ProDom , (3) motif sekuens pada tools PROSITE dan PRINT, (4) struktur kelas protein pada tools SCOP dan CATH, dan (5) integrasi berbagai family pada tools iProClassn dan InterPro. Semua pangkalan data tersebut memiliki kegunaan yang spesifik.

Penelitian yang terkait dengan klasifikasi protein family pernah dilakukan oleh Muhammad (2013) menggunakan metode Rantai Markov. Data yang digunakan pada penelitian Muhammad sama dengan data yang digunakan pada penelitian ini, yaitu terbagi menjadi tiga kelas protein family yaitu kelas 1-cysPrx_C, 4HBT, dan ABC_Tran. Orde satu menghasilkan akurasi terbaik sebesar 96% dan orde dua menghasilkan akurasi terbaik sebesar 89.33%.

Penelitian terkait dilakukan oleh Fajar (2013). Fajar menggunakan metode ektraksi ciri Rantai Markov dengan orde satu dan orde dua serta metode klasifikasi Probabilistic Neural Network (PNN) dengan data berupa sequence DNA. Penelitian ini menghasilkan nilai sensitivity terbaik 0,7136 dan specificity terbaik 0,9284. Hasil ini diperoleh ketika mengunakan panjang sequence 1000 bp dan metode ekstraksi ciri Rantai Markov Orde Dua.

Berdasarkan latar belakang tersebut, maka pada penelitian ini ditujukan untuk mengimplementasikan algoritme Probabilistic Neural Network (PNN) dalam melakukan klasifikasi terhadap protein family.

Tujuan

Penelitian ini bertujuan untuk:

(14)

2

 Mengidentifikasi protein family terhadap tiga kelas protein family, yaitu kelas 1-cysPrx_C, 4HBT, dan ABC_Tran.

Manfaat Penelitian

Manfaat dari penelitian ini adalah dapat mengklasifikasikan protein family dengan menggunakan algoritme Probabilistic Neural Network (PNN) serta dapat menghasilkan sistem identifikasi protein family terhadap tiga kelas protein family yaitu kelas 1-cysPrx_C, 4HBT, dan ABC_Tran.

Ruang Lingkup

Ruang lingkup penelitian ini adalah:

 Struktur protein yang diklasifikasikan hanya sampai pada tingkat struktur primer berupa deretan asam amino. hubungannya dengan proses-proses kehidupan. Nama protein berasal dari bahasa Yunani (Greek) proteus yang berarti “yang pertama” atau “yang terpenting”. Seorang ahli kimia Belanda yang bernama Mulder, mengisolasi susunan tubuh yang mengandung nitrogen dan menamakannya protein, terdiri dari satuan dasarnya yaitu asam amino (biasa disebut juga unit pembangun protein) (Suhardjo dan Clara, 1992).

Dalam proses pencernaan, protein akan dipecah menjadi satuan-satuan dasar kimia. Protein terbentuk dari unsur-unsur organik yang hampir sama dengan karbohidrat dan lemak yaitu terdiri dari unsur karbon (C), hidrogen (H), dan oksigen (O), akan tetapi ditambah dengan unsure lain yaitu nitrogen (N). Molekul protein mengandung pula fosfor, belerang, dan ada jenis protein yang mengandung unsur logam seperti besi dan tembaga. Molekul protein tersusun dari satuan-satuan dasar kimia yaitu asam amino. Dalam molekul protein, asam-asam amino ini saling berhubung-hubungan dengan suatu ikatan yang disebut ikatan peptida (CONH). Satu 4 molekul protein dapat terdiri dari 12 sampai 18 macam asam amino dan dapat mencapai jumlah ratusan asam amino (Suhardjo dan Clara, 1992).

(15)

3 nitrogen merupakan 16% dari berat protein. Molekul protein lebih kompleks daripada karbohidrat dan lemak dalam hal berat molekul dan keanekaragaman unit-unit asam amino yang membentuknya (Almatsier. S, 1989).

Berikut adalah 20 asam amino yang menyusun protein, dikelompokan menurut sifat dan struktur kimiawinya yaitu (1) Asam amino alifatik sederhana terdiri dari: Glisina (Gly, G), Alanina (Ala, A), Valina (Val, V), Leusina (Leu, L), Isoleusina (Ile, I), (2) Asam amino hidroksi-alifatik terdiri dari: Serina (Ser, S), Treonina (Thr, T), (3) Asam amino dikarboksilat (asam) terdiri dari: Asam aspartat (Asp, D), Asam glutamat (Glu, E), (4) Amida terdiri dari: Asparagina (Asn, N), Glutamina (Gln, Q), (5) Asam amino basa terdiri dari: Lisina (Lys, K), Arginina (Arg, R), Histidina (His, H) (memiliki gugus siklik), (6) Asam amino dengan sulfur terdiri dari: Sisteina (Cys, C), Metionina (Met, M), (7) Prolin: Prolina (Pro, P) (memiliki gugus siklik), (8) Asam amino aromatic terdiri dari: Fenilalanina (Phe, F), Tirosina (Tyr, Y), Triptofan (Trp, W).

Struktur protein dapat dilihat secara hierarki sebagai struktur primer, sekunder dan tersier (Polanski dan Kimmel 2007), yaitu : (1) Struktur Primer, yaitu sebuah protein yang tersusun dari serangkaian asam amino, (2) Struktur Sekunder, yaitu struktur primer yang berinteraksi dengan ikatan hidrogen sehingga menghasilkan struktur baru. Bentuk – bentuk struktur sekunder yang paling umum yaitu struktur alpha helix, beta sheets dan coil, (3) Struktur tersier, merupakan variasi dari berbagai bentuk struktur sekunder yang kemudian menghasilkan struktur yang baru, (4) Struktur kuartener, yaitu struktur yang dibangun dari sejumlah molekul protein.

Sintesis Protein

Proses sintesis atau pembentukan protein memerlukan adanya molekul RNA yang merupakan materi genetik di dalam kromosom, serta DNA sebagai pembawa sifat keturunan.Gen menspesifikasikan protein melalui transkripsi dan translasi (Campbell et al. 2011).

Gen menyediakan instruksi untuk membuat protein spesifik. Akan tetapi, gen tidak membangun protein secara langsung. Jembatan antara DNA dan sintesis protein adalah asam nukleat RNA. RNA mirip dengan DNA secara kimiawi, hanya saja RNA mengandung gula ribosa sebagai pengganti deoksiribosa dan mengandung basa bernitrogen urasil sebagai pengganti timin. Dengan demikian, setiap nukleotida di sepanjang untai DNA mengandung A, G, C, atau T sebagai basanya, sedangkan setiap nukleotida disepanjang untai RNA mengandung A, G, C, atau U sebagai basanya. Molekul RNA biasanya terdiri atas satu untai tunggal (Campbell et al. 2011).

Dalam RNA atau DNA, monomer adalah keempat tipe nukleotida, yang berbeda dalam kandungan basa benitrogen. Gen umumnya memiliki panjang yang mencapai ratusan atau ribuan nukleotida; masing-masing gen mengandung sekuens basa spesifik. Setiap polipeptida dari suatu protein juga mengandung monomer-monomer yang tertata dalam urutan linear tertentu ( struktur primer protein ), namun monomer-monomernya merupakan asam amino. Dengan demikian, asam nukleat dan protein mengandung informasi yang tertulis dalam dua bahasa kimiawi yang berbeda. Ini membutuhkan dua tahap utama dari DNA ke protein, yaitu transkripsi dan translasi (Campbell et al. 2011).

1. Transkripsi

(16)

4

satu molekul menjadi molekul lain. Selain menjadi cetakan untuk sintesis untai komplementer baru saat replikasi DNA, untai DNA juga bisa berperan sebagai cetakan untuk merakit sekuens nukleotida RNA komplementer. Untuk gen pengode protein, molekul RNA yang dihasilkan merupakan transkrip akurat dari instruksi pembangun protein yang dikandung oleh gen. molekul RNA transkrip bisa dikirimkan dalam banyak salinan. Tipe molekul RNA ini disebut RNA duta (messenger RNA, mRNA) karena mengandung pesan genetik dari DNA ke mekanisme penyintesis protein sel. 2. Translasi

Translasi adalah sintesis polipeptida yang terjadi dibawah arahan mRNA. Selama tahap ini terjadi perubahan bahasa. Sel harus menerjemahkan alias menstranslasikan sekuens basa molekul mRNA menjadi sekuens asam amino polipeptida. Tempat terjadinya translasi adalah ribosom, partikel-partikel kompleks yang memfasilitasi penautan teratur asam amino menjadi rantai polipetida. Translasi merupakan proses penerjemahan beberapa triplet atau kodon dari mRNA menjadi asam amino-asam amino yang akhirnya membentuk protein. Urutan basa nitrogen yang berbeda pada setiap triplet, akan diterjemahkan menjadi asam amino yang berbeda. Misalnya, asam amino fenilalanin diterjemahkan dari triplet UUU (terdiri dari 3 basa urasil), asam amino triptofan (UGG), asam amino glisin (GGC), dan asam amino serin UCA. Sebanyak 20 macam asam amino yang diperlukan untuk pembentukan protein merupakan hasil terjemahan triplet dari mRNA. Selanjutnya, dari beberapa asam amino (puluhan, ratusan, atau ribuan) tersebut dihasilkan rantai polipeptida spesifik dan akan membentuk protein spesifik pula.

Kode Genetik

(17)

5 identik dengan mRNA hanya saja mengandung T bukan U. (karena alasan ini, untai DNA bukan cetakan, terkadang disebut ‘untaipengode’).

Saat translasi, sekuens kodon di sepanjang molekul mRNA diterjemahkan atau ditranslasi, menjadi sekuens asam amino yang menyusun rantai polipeptida. Karena kodon merupakan triplet basa, jumlah nukleotida yang menyusun suatu pesan genetik pastilah tiga kali lebih banyak daripada jumlah asam amino dalam protein yang dihasilkan. Misalnya 300 nukleotida diperlukan disepanjang satu untai mRNA untuk menodekan asam-asam amino dalam polipeptida yang panjangnya 100 asam amino.

Kodon pertama kali dipecahkan pada tahun 1961 oleh Marshal Nirenberg dan Mathei. Mereka melakukan percobaan menggunakan E. coli dengan asam poli urasil. Menurut hasil percobaan tersebut, cetakan UUU yang dibawa oleh mRNA, artinya adalah asam amino fenilalanin. Dengan cara yang sama, triplet CCC diartikan sebagai prolin dan triplet AAA artinya asam amino lisin. Pada kamus kode genetik terdapat 64 kombinasi triplet untuk 20 asam amino. Jadi, terdapat asam amino tertentu melebihi triplet ( kodon). Setiap triplet disusun oleh 3 basa nitrogen. Rangkaian tiga basa nitrogen yang menyusun kode disebut triple atau trikodon atau kodon. Rangkaian tiga basa nitrogen yang ada pada DNA yang bertugas membuat kode-kode disebut kodogen ( agen pengkode ). Dari 64 triplet hanya 61 triplet yang mengodekan asam amino (lihat tabel kodon) . Ketiga kodon yang tidak mengodekan asam amino merupakan sinyal ‘stop’, atau kodon terminasi, yang menandai akhir translasi. Perhatikan bahwa kodon AUG berfungsi ganda: mengodekan asam amino metionin ( Met ) dan berfungsi sebagai sinyal ‘mulai’, atau kodon inisiasi. Pesan-pesan genetik dimulai dengan kodon mRNA, AUG, yang memberi sinyal pada mekanisme penyintesis protein untuk mulai mentraslasikan mRNA pada lokasi itu. ( karena AUG juga mengodekan metionin, rantai polipeptida diawali oleh Metionin saat disintesis. Akan tetapi, sejenis enzim mungkin akan segera menyingkirkan asam amino strarter dari rantai tersebut (Campbell et al. 2011).

(18)

6

ProteinFamily

Protein-protein yang dikelompokkan ke dalam kelas yang sama, pada dasarnya memiliki keterhubungan secara evolusi. Protein-protein yang dikelompokkan ke dalam kelas yang sama, memiliki nenek moyang yang sama (ancestor), dan secara umum memiliki kemiripan, baik dalam struktur tiga dimensinya, fungsi, maupun sekuens penyusunnya. Meskipun seringkali sulit untuk mengevaluasi seberapa signifikan baik tingkat kemiripan fungsi maupun struktur antara protein yang satu dengan yang lain, pada dasarnya protein yang tidak memiliki ancestor yang sama, memiliki perbedaan yang cukup signifikan pada sekuens penyusunnya. Hal ini menyebabkan banyak dikembangkannya metode untuk mengklasifikasikan protein family berdasarkan sekuens asam amino penyusunnya. Saat ini, telah ditemukan lebih dari 60.000 kelas family (Kunin et al. 2003) meskipun masih terdapat banyaknya ambiguitas mengenai definisi yang paling tepat mengenai protein family, menyebabkan banyaknya perbedaan hasil yang ditemukan antara peneliti yang satu dengan yang lain.

Probabilistic Neural Network (PNN)

PNN merupakan Artificial Neural Network (ANN) yang menggunakan teorema probabilitas klasik. PNN diperkenalkan oleh Donald Specht pada tahun 1990. PNN menggunakan pelatihan (training) supervised. Keuntungan utama menggunakan arsitektur PNN adalah Training data PNN mudah dan cepat (Wu et al. 2007).

Probabilistic Neural Network (PNN) merupakan Jaringan Saraf Tiruan (JST) yang menggunakan teorema probabilitas klasik seperti pengklasifikasian Bayes dan penduga kepekatan Parzen. Proses yang dilakukan oleh PNN dapat berlangsung lebih cepat bila dibandingkan dengan JST Back Propagation. Hal ini disebabkan PNN hanya membutuhkan satu kali iterasi pelatihan bila dibandingkan dengan JST Back Propagation yang membutuhkan beberapa kali iterasi pelatihan (Specht 1990).

Struktur PNN terdiri atas empat lapisan, seperti yang terlihat pada Gambar 1. yaitu input layer, pattern layer, summation layer, dan decision layer. Input layer merupakan objek yang terdiri atas nilai ciri yang akan diklasifikasikan pada n kelas. Nilai-nilai k kemudian akan membentuk sebuah vektor masukan, vektor x. Proses-proses yang terjadi setelah fase input layer adalah:

1. Lapisan pola (pattern layer)

Pattern layer menggunakan satu node untuk setiap data pelatihan yang digunakan. Setiap node pola merupakan selisih dari vektor masukan dengan vektor bobot xij, yaitu

rij = x - xij.rij kemudian dibagidengan faktor bias σ sehingga menghasilkan Pij. Dengan

demikian, persamaan yang digunakan adalah :

Ket: x= Vektor input (data uji)

xij= Vektor bobot (data latih) kelas ke i data ke j

(19)

7

2. Lapisan penjumlahan (summation layer)

Summation layer menerima masukan dari setiap node pattern layer yang terkait dengan kelas yang ada. Hasil dari pattern layer setiap kelas diwakilkan oleh .Persamaan yang digunakan pada lapisan ini adalah:

= banyaknya data latih dalam kelas i 3. Lapisan keluaran / keputusan (output layer)

Menentukan kelas dari input yang diberikan. Input x akan masuk kelas Y jika nilai peluang masuk ke Y paling besar dibandingkan peluang masuk ke kelas lainnya. Secara umum arsitektur PNN dapat dilihat pada Gambar 2 di bawah ini :

Ekstraksi Ciri Rantai Markov

Rantai Markov adalah pemograman dinamis stokastik untuk menangkap perilaku user. Diperkenalkan oleh matematikawan Rusia bernama Prof Andrei A. Markov (1856-1922) dan pertama kali diterbitkan hasilnya pada tahun 1906. Dengan menggunakan proses

X1

(20)

8

Markov maka dimungkinkan untuk memodelkan fenomena stokastik dalam dunia nyata yang berkembang menurut waktu. Masalah dasar dari metode stokastik dengan proses Markov adalah menentukan deskripsi state yang sesuai, sehingga proses stokastik yang berpaduan akan benar-benar memiliki apa yang akan disebut sifat Markov (Markovian property), yaitu pengetahuan terhadap state ini adalah cukup untuk memprediksi perilaku stokastik yang akan datang (Ching dan Ng, 2006).

Suatu rantai Markov dikatakan diskret (discrete time Markov chain) jika ruang dari proses Markov tersebut adalah himpunan terbatas (finite) atau tercacah (countable), dengan

himpunan indeks adalah T = (0, 1, 2, …). Jika nilai suatu state pada periode tertentu hanya bergantung pada satu periode sebelumnya, maka rantai tersebut disebut rantai Markov orde satu (first order Markov chain) dan jika nilai suatu state pada periode tertentu bergantung pada periode sebelumnya, maka rantai tersebut disebut rantai Markov orde m (m order Markov chain). Rantai Markov orde satu secara matematika dirumuskan sebagai berikut.

Adapun rantai Markov orde m (m order Markov chain) secara matematika dirumuskan sebagai berikut.

Peluang bahwa

X

n+1 berada pada state

j

jika

X

n berada pada state

i

disebut sebagai peluang transisi satu langkah (one step transition probability). Secara matematis dapat terlihat pada rumus di bawah ini:

Jika peluang ini bebas dari indeksnya, maka peluang ini disebut proses Markov dengan peluang transisi stasioner. Sehingga peluang transisi tersebut dirumuskan sebagai berikut:

Peluang transisi ini disusun dalam bentuk matriks, yang disebut peluang matriks transisi P, yang setiap unsurnya adalah Pi j yaitu P

{X

n+1

= j | X

n

= i}

Matriks tersebut terdapat di bawah ini:

P{X

n+1

= j | X

n

= i }

(21)

9

K-Fold Cross Validation

Cross validation merupakan metode untuk memperkirakan generalisasi galat

berdasarkan “resampling” K-fold cross validation membagi data menjadi k subset yang ukurannya hampir sama satu sama lain. Subset yang dihasilkanyaitu S1, S2, S3,..,Sk yang

digunakan sebagai data pelatihan dan data pengujian. Dalam metode ini dilakukan perulangan sebanyak k kali. Setiap kali perulangan, salah satu subset akan dijadikan data uji dan k-1 subset lainnya dijadikan sebagai data latih. Pada perulangan ke-i, subset digunakan sebagai data pengujian dan subset lainnya digunakan sebagai data pelatihan, dan seterusnya (Hastie et al. 2011).

METODE PENELITIAN

Kerangka Pemikiran

Penelitian ini dilakukan dengan beberapa tahapan proses untuk mengetahui tingkat akurasi yang diperoleh menggunakan algoritme Probabilstic Neural Network (PNN). Tahapan-tahapan mulai dari pengambilan data hingga implementasi akan dijelaskan pada ilustrasi sesuai Gambar 3.

(22)

10

Pengambilan Data

Data protein family diperoleh dari Pfam yang merupakan pusat database komprehensif yang meliputi berbagai macam koleksi data. Pfam memiliki koleksi kurang lebih 12.000 data protein family yang diperoleh dengan komputasional, eksperimen, penelitian dan penelian biologi mengenai spesifik protein, bentuk asal serta hasil evolusinya. Pfam juga telah dipergunakan secara luas oleh berbagai macam komunitas yang bergerak di bidang structural biologi untuk mengidentifikasi jenis protein baru.

Data yang digunakan terdiri dari tiga kelas protein family yaitu kelas 1-cysPrx_C, 4HBT dan ABC_Tran, yang masing-masing kelasnya mempunyai seratus data protein dengan format FASTA. Data dapat diunduh di http://www.pfam.sanger.co.uk.

Ekstraksi Ciri

Pada penelitian ini, matriks transisi akan dibangun berukuran 20 × 20 sesuai dengan banyaknya monomer atau jenis asam amino yang ada. Metode penyimpanan nilai sekuens ke dalam matriks transisi hanya menggunakan orde satu. Matriks transisi Rantai Markov Orde Satu dibentuk dari peluang-peluang munculnya komponen asam amino tertentu setelah sebelumnya merupakan tepat satukomponen asam amino tertentu. Dengan demikian matriks transisi Rantai Markov Orde Satu terdiri atas P(G|G), yaitu peluang munculnya komponen asam amino G setelah sebelumnya merupakan komponen asam amino G, P(G|A), P(G|V), P(G|I) dan seterusnya. Matrik transisi Rantai Markov Orde satu dapat dilihat dibawah ini:

Matriks transisi Rantai Markov Orde Dua dibentuk dari peluang-peluang munculnya komponen asam amino tertentu setelah sebelumnya merupakan tepat dua komponen asam amino tertentu. Dengan demikian matriks transisi Rantai Markov Orde Dua terdiri atas P(G|G), yaitu peluang munculnya komponen asam amino G setelah dua komponen sebelumnya merupakan komponen asam amino G, P(G|A), P(G|V), P(G|I) dan seterusnya.

(23)

11 Pembagian Data Latih dan Data Uji (K-Fold Cross Validation)

Setelah dilakukan ekstraksi ciri kemudian dibagi menjadi data latih dan data uji meenggunakan metode k-fold cross validation dengan k = 4. Semua data akan dibagi menjadi 4 fold yaitu D1, D2, D3, D4 yang masing-masing fold memiliki data yang sama. Proses identifikasi akan dilakuakan 4 kali iterasi berdasarkan k-fold cross validation dan data latih serta data uji memiliki fold yang berbeda pada setiap iterasinya sehingga terciptanya model klasifikasi yang terbaik.

Probabilistic Neural Network (PNN)

Pada tahap ini dilakukan algoritme Probabilistic Neural Network (PNN) dengan data latih dan data uji yang telah dibagi pada proses k -fold cross validation. Pada setiap fold setiap data latih akan diproses ke semua data latih yang ada, dan hasilnya akan dijumlahkan sesuai dengan kelasnya masing-masing untuk menghitung besarnya peluang terhadap tiga kelas yang tersedia. Hasilnya akan ditentukan dengan melihat nilai peluang yang terbesar. Nilai bias yang digunakan pada proses ini adalah satu.

Analisa Hasil dan Model

Analisa hasil dan model dilakukan untuk memastikan bahwa model algoritme Probabilistic Neural Network (PNN) yang dihasilkan adalah model yang terbaik. Dengan model terbaik, akan menghasilkan akurasi yang paling tinggi dalam proses klasifikasi sehingga model tersebut yang nantinya akan digunakan pada saat implementasi.

Selain itu juga dilakukan analisis perhitungan nilai sensitivity dan specificity untuk setiap kelas yang ada. Dalam pencarian nilai sensitivity dan specificity dibutuhkan suatu matrix yang disebut confusion matrix.

Confusion matrix adalah sebuah tabel yang digunakan untuk memvisualisasikan kinerja suatu algoritme. Setiap kolom dalam matriks merepresentasikan kelas yang diprediksikan, sedangkan setiap baris merepresentasikan kelas yang sebenarnya.

Contoh table of confusion perhitungan nilai sensitivity dan specificity untuk kelas 1-cysPrx_C dapat dilihat pada Tabel 1 di bawah ini.

(24)

12

Keterangan:

tp : true positive (jumlah sequence DNA uji genus A yang tepat teridentifikasi sebagai sequence DNA genus A)

tn : true negative (jumlah bukan sequence DNA uji genus A yang tepat teridentifikasi sebagai bukan sequence DNA genus A)

fp : false positive (jumlah bukan sequence DNA uji genus A yang teridentifikasi sebagai sequence DNA genus A)

fn : false negative (jumlah sequence DNA uji genus A yang teridentifikasi sebagai bukan sequence DNA genus A)

Sensitivity mengukur proporsi positif yang diidentifikasi dengan benar, sedangkan specificity mengukur proporsi negatif yang diidentifikasi dengan benar.

Persamaan dari nilai Sensitivity adalah:

Persamaan dari nilai specificity adalah:

Dalam penelitian ini digunakan tiga kelas sehingga akan diperoleh tiga nilai sensitivity dan specificity. Ketiga nilai sensitivity dan specificity pada setiap fold tersebut kemudian dirata-ratakan sehingga diperoleh nilai sensitivity dan specificity yang merepresentasikan setiap fold.

Implementasi Aplikasi

Setelah mengetahui model yang terbaik kemudian diimplementasikan kedalam bentuk program berbasis website. Program ini akan membantu pengguna untuk mengklasifikasi protein family.

HASIL DAN PEMBAHASAN

Pengambilan Data

(25)

13 Tabel 2 Jenis protein yang digunakan dalam klasifikasi

No Nama Keterangan

1 1-cysPrx_C C-terminal domain dari 1-Cys peroxiredoxin

(1-cysPrx), anggota dari superfamili peroxiredoxin yang melindungi sel terhadap oksidasi membrane.

2 4HBT Berfungsi untuk melakukan katalisasi dalam

proses biosintesis.

3 ABC_Tran Atau disebut juga ABC Transporter yang

menggunakan hidrolisis Adenosina trifosfat (ATP) untuk mentranslokasi berbagai senyawa melintasi membran biologis.

Data diambil secara acak. Setiap kelas masing-masing diambil seratus data. Sehingga terdapat tiga ratus data dalam penelitian ini. Pembagian data latih dan data uji dilakukan dengan menggunakan metode k-fold cross validation dengan k = 4, dimana terdiri dari 75% digunakan untuk data latih dan 25% digunakan untuk data uji. Data yang didapat adalah salah satu tipe data biologi yang disediakan yaitu FASTA. Contoh data dapat dilihat pada Gambar 4.

>B3ARY6_ECO57/154-186 PF10417.3;1-cysPrx_C; merupakan identifier pfam dengan 1-cysPrx_C merupakan keterangan kelas proteinfamily. Adapun deretan huruf dibawahnya merupakan sekuens asam amino atau protein. Setelah ini dilakukan ekstraksi data sehingga terjadi pemisahan antara identifier dengan sekuensnya. Lebih jelasnya dapat dilihat pada Gambar 5 berikut.

Data Pelatihan dan Data Uji

Data yang digunakan sebanyak tiga ratus data yang terbagi menjadi tiga kelas. Jadi masing-masing kelas terdiri dari seratus data. Setiap kelas terdiri dari 75 data latih dan 25 data uji. Pembagian data latih dan data uji menggunakan k-fold cross validation agar semua data pernah dijadikan data latih. Pembagian data menggunakan k-fold cross validation dapat dilihat pada Tabel 3 berikut.

>B3ARY6_ECO57/154-186 PF10417.3;1-cysPrx_C; AAQYVASHPGEVCPAKWKEGEATLAPSLDLVGK

AAQYVASHPGEVCPAKWKEGEATLAPSLDLVGK

Gambar 4 Contoh format FASTA

(26)

14

Tabel 3 Pembagian data uji dan data latih dengan 4-fold cross validation

Perhitungan Rata-rata Nilai Akurasi Orde 1

Hasil perhitungan rata-rata nilai akurasi dengan menggunakan Ekstaksi Ciri Rantai Markov Orde 1 fold 1 menunjukkan akurasi setiap kelas dengan persentase seperti dilihat pada Tabel 4.

Tabel 4 Pengujian Orde 1 fold 1

1-cysPrx_C 4HBT ABC_Tran Akurasi (%)

1-cysPrx_C 22 0 3 88.00

4HBT 0 22 3 88.00

ABC_Tran 0 0 25 100.00

Rata-rata 92.00

Hasil akurasi pada Orde 1 fold 1 diperoleh rata-rata sebesar 92%. Kelas 1-cysPrx_C dapat terklasifikasi dengan benar sebanyak dua puluh dua, tiga sisanya terklasifikasi ke dalam kelas ABC_Tran. Kelas 4HBT dapat terklasifikasi dengan benar sebanyak dua puluh dua, tiga sisanya terklasifikasi ke dalam kelas ABC_Tran. Sedangkan Kelas ABC_Tran dapat terklasifikasi semua dengan benar.

1-cysPrx_C 4HBT ABC_tran Akurasi (%)

1-cysPrx_C 11 0 14 44.00

4HBT 0 25 0 100.00

ABC_Tran 0 0 25 100.00

Rata-rata 81.33

(27)

15 Hasil perhitungan rata-rata nilai akurasi dengan menggunakan Ekstaksi Ciri Rantai Markov Orde 1 fold 3 menunjukkan akurasi setiap kelas dengan persentase seperti dilihat pada Tabel 6.

1-cysPrx_C 25 0 0 100.00

4HBT 0 24 1 96.00

ABC_Tran 0 0 25 100.00

Rata-rata 98.66

Hasil akurasi pada Orde 1 fold 3 diperoleh rata-rata sebesar 98.66%. Kelas 4HBT dapat terklasifikasi dengan benar sebanyak dua puluh empat, satu sisanya terklasifikasi ke dalam kelas ABC_Tran. Sedangkan kelas 1-cysPrx_C dan ABC_Tran dapat terklasifikasi semua dengan benar.

Hasil perhitungan rata-rata nilai akurasi dengan menggunakan Ekstaksi Ciri Rantai Markov Orde 1 fold 4 menunjukkan akurasi setiap kelas dengan persentase seperti dilihat pada Tabel 7.

1-cysPrx_C 25 0 0 100.00

4HBT 0 11 14 44.00

ABC_Tran 0 0 25 100.00

Rata-rata 81.33

Hasil akurasi pada Orde 1 fold 4 diperoleh rata-rata sebesar 81.33%. Kelas 4HBT dapat terklasifikasi dengan benar sebanyak sebelas, empat belas sisanya terklasifikasi ke dalam kelas ABC_Tran. Sedangkan kelas 1-cysPrx_C dan ABC_Tran dapat terklasifikasi semua dengan benar.

Setelah dilakukan Hasil perhitungan rata-rata nilai akurasi menggunakan Ekstaksi Ciri Rantai Markov Orde 1 dan klasifikasi menggunakan Probabilistic Neural Network (PNN), selanjutnya menghitung rata-rata nilai sensitivity dan specificity. Nilai sensitivity dan specificity yang dihasilkan oleh setiap fold pada Orde 1 dapat dilihat pada Gambar 6.

Pada Gambar 6 menunjukan bahwa nilai rata-rata sensitivity tertinggi pada Orde 1 terletak pada fold 3 dengan nilai 0.987 dan nilai rata-rata specificity tertinggi yang pada Orde 1 terletak pada fold 3 dengan nilai 0.993.

(28)

16

Perhitungan Rata-rata Nilai Akurasi Orde 2

1-cysPrx_C 4HBT ABC_Tran Akurasi (%)

1-cysPrx_C 24 0 1 96.00

Gambar 6 Grafik Nilai Rata-rata sensitivity dan specificity pada Orde 1

(29)

17 Hasil akurasi pada Orde 2 fold 1 diperoleh rata-rata sebesar 94.67%. Kelas 1-cysPrx_C dapat terklasifikasi dengan benar sebanyak dua puluh empat, satu sisanya terklasifikasi ke dalam kelas ABC_Tran. Kelas 4HBT dapat terklasifikasi dengan benar sebanyak dua puluh dua, tiga sisanya terklasifikasi ke dalam kelas ABC_Tran. Sedangkan Kelas ABC_Tran dapat terklasifikasi semua dengan benar.

1-cysPrx_C 11 0 14 44.00

4HBT 0 24 1 96.00

ABC_Tran 0 0 25 100.00

Rata-rata 80.00

Hasil akurasi pada Orde 2 fold 2 diperoleh rata-rata sebesar 80%. Kelas 1-cysPrx_C dapat terklasifikasi dengan benar sebanyak sebelas, empat belas sisanya terklasifikasi ke dalam kelas ABC_Tran. Kelas 4HBT dapat terklasifikasi dengan benar sebanyak dua puluh empat, satu sisanya terklasifikasi ke dalam kelas ABC_Tran. Sedangkan Kelas ABC_Tran dapat terklasifikasi semua dengan benar.

Hasil perhitungan rata-rata nilai akurasi dengan menggunakan Ekstaksi Ciri Rantai Markov Orde 2 fold 3 menunjukkan akurasi setiap kelas dengan persentase seperti dilihat pada Tabel 10.

1-cysPrx_C 25 0 0 100.00

4HBT 0 24 1 96.00

ABC_Tran 0 0 25 100.00

Rata-rata 98.67

Hasil akurasi pada Orde 2 fold 3 diperoleh rata-rata sebesar 98.67%. Kelas 4HBT dapat terklasifikasi dengan benar dua puluh empat, satu sisanya terklasifikasi ke dalam kelas ABC_Tran. Sedangkan kelas 1-cysPrx_C dan ABC_Tran dapat terklasifikasi semua dengan benar.

(30)

18

1-cysPrx_C 25 0 0 100.00

4HBT 0 12 13 48.00

ABC_Tran 0 0 25 100.00

Rata-rata 82.67

Hasil akurasi pada Orde 2 fold 4 diperoleh rata-rata sebesar 82.67%. Kelas 4HBT dapat terklasifikasi dengan benar dua belas, tiga belas sisanya terklasifikasi ke dalam kelas ABC_Tran. Sedangkan kelas 1-cysPrx_C dan ABC_Tran dapat terklasifikasi semua dengan benar.

Setelah dilakukan Hasil perhitungan rata-rata nilai akurasi menggunakan Ekstaksi Ciri Rantai Markov Orde 2 dan klasifikasi menggunakan Probabilistic Neural Network (PNN), selanjutnya menghitung rata-rata nilai sensitivity dan specificity. Nilai sensitivity dan specificity yang dihasilkan oleh setiap fold pada Orde 2 dapat dilihat pada Gambar 8.

Pada Gambar 8 menunjukan bahwa nilai rata-rata sensitivity tertinggi pada Orde 2 terletak pada fold 3 dengan nilai 0.987 dan nilai rata-rata specificity tertinggi yang pada Orde 2 terletak pada fold 3 dengan nilai 0.993.

Berasarkan grafik pada Gambar 8 dan Gambar 9, dapat dilihat bahwa model terbaik yang dihasilkan dengan menggunakan Ekstraksi Ciri Rantai Markov Orde 2 dan klasifikasi Probabilistic Neural Network (PNN) adalah fold 3.

0.000

(31)

19

Gambar 9 Grafik Perhitungan Nilai Rata-rata Akurasi pada Orde 2

SIMPULAN DAN SARAN

Simpulan

Berdasarkan penelitian yang telah dilakukan, dapat ditarik kesimpulan sebagai berikut.

 Model dengan menggunakan Ekstraksi Ciri Rantai Markov Orde 1 dan 2 serta klasifikasi Probabilistic Neural Network (PNN) telah berhasil diimplementasikan.

 Berdasarkan hasil penelitian, dapat diketahui bahwa model terbaik yang dihasilkan dengan menggunakan Ekstraksi Ciri Rantai Markov Orde 1 dan 2 serta klasifikasi Probabilistic Neural Network (PNN) adalah fold ketiga dimana nilai rata-rata akurasi terbesar dan nilai rata-rata sensitivity dan specificity terbesar dari masing-masing Orde sama.

Saran

Saran yang dapat diberikan untuk mengembangkan penelitian ini agar lebih baik menjadi lebih baik lagi adalah:

 Melibatkan kelas dan data yang lebih banyak lagi.  Menggunakan ektraksi ciri dan classifier yang berbeda.

(32)

20

DAFTAR PUSTAKA

Almatsier, S. 1989. Prinsip Dasar Ilmu Gizi. Jakarta : Penerbit Gramedia.

Cambell, Reece JB, Urry LA, Cain ML, Wasserman SA, Minorsky PV, Jackson RB. 2011. Biology. San Francisco (US):Pearson Education.

Ching WK, Ng MK. 2006. Markov Chains Models, Algorithms and Applications. New York (US): Springer.

Fajar ML. 2013. Identifikasi DNA Bakteri Menggunakan Metode Ekstraksi Ciri Rantai Markov dengan Probabilistic Neural Network Sebagai Classifier [skripsi].Bogor (ID): Institut Pertanian Bogor.

Hastie T, Tibshirani R, Friedman J. 2011. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. New York (US): Springer.

Kunin V, Cases I, Enright A.J, De Lorenzo V, Ouzounis C.A. 2003. Myriads of Protein Families, and Still Counting. Cambridge (GB): The European Bioinformatics Institute.

Lehninger A L, Nelson D L, and Cox M M (2004). Lehninger Principles of Biochemistry, W. H. Freeman, New York.

Muhammad S. 2013. Klasifikasi Protein Family Menggunakan Metode Rantai Markov [skripsi]. Bogor (ID): Institut Pertanian Bogor.

Polanski A, Kimmel M. 2007. Bioinformatics. Berlin (DE): Springer Science.

Specht, DF. 1990. Probabilistic Neural Netwok (PNN). NEURAL NETWORKS. 3: 109-118

Suhardjo dan Clara M.K. 1992. Prinsip-prinsip Ilmu Gizi. Yogyakarta: Kanisius.

(33)

21

Klasifikasi Protein Family Menggunakan Algoritme Probabilistic Neural Network (PNN)

KLASIFIKASI

PROTEIN FAMILY

MENGGUNAKAN

ALGORITME

PROBABILISTIC NEURAL NETWORK

(PNN)

RIZKY KURNIAWAN

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

ABSTRAK

ABSTRACT

KLASIFIKASI

PROTEINFAMILY

MENGGUNAKAN

ALGORITME

PROBABILISTIC NEURAL NETWORK

(PNN)

RIZKY KURNIAWAN

PRAKATA

DAFTAR ISI

DAFTAR TABEL

DAFTAR GAMBAR

PENDAHULUAN

X

j

X

i

{X

= j | X

= i}

P{X

= j | X

= i }

METODE PENELITIAN

HASIL DAN PEMBAHASAN

SIMPULAN DAN SARAN

DAFTAR PUSTAKA

RIWAYAT HIDUP