Makalah Proyek Klasifikasi DNA Menggunakan Recurrent Neural Network

(1)

Makalah Proyek Klasifikasi DNA Menggunakan Recurrent Neural Network (RNN)

Dosen Pengampu : Dr. Ir. Ramzi Adriman, S.T., M. Sc.

DISUSUN OLEH : M.Aidil (2204111010027)

TEKNIK KOMPUTER FAKULTAS TEKNIK UNIVERSITAS SYIAH KUALA

2024

(2)

Daftar Isi

Penyakit tanaman adalah masalah utama yang dapat mempengaruhi hasil pertanian, termasuk tanaman pisang yang merupakan komoditas penting di banyak negara tropis. Untuk mendeteksi penyakit pada tanaman pisang secara efektif, salah satu pendekatan yang dapat digunakan adalah analisis urutan DNA. Dengan memanfaatkan teknologi bioinformatika, urutan DNA tanaman dapat dianalisis untuk mengidentifikasi perubahan atau mutasi yang

menunjukkan adanya infeksi atau penyakit tertentu. Dalam penelitian ini, kami mengembangkan sebuah sistem klasifikasi berbasis jaringan saraf berulang (Recurrent Neural Network/RNN) yang bertujuan untuk membedakan status kesehatan pisang berdasarkan analisis urutan DNA.

Dataset yang digunakan dalam penelitian ini terdiri dari dua file besar yang berisi urutan DNA dari tanaman pisang sehat dan yang terinfeksi penyakit. Data urutan DNA ini diproses melalui beberapa langkah penting sebelum digunakan untuk melatih model klasifikasi. Langkah pertama adalah tokenisasi, di mana urutan DNA diubah menjadi token-token yang lebih mudah diproses oleh model pembelajaran mesin. Setelah itu, proses embedding dilakukan untuk

mengonversi token menjadi representasi vektor numerik yang dapat dimengerti oleh jaringan saraf. Dengan menggunakan teknik embedding ini, informasi penting dalam urutan DNA dapat dipertahankan, memungkinkan model untuk mengenali pola-pola yang relevan dengan status kesehatan tanaman.

Model yang dibangun menggunakan RNN, yang dikenal dengan

kemampuannya dalam menangani data urutan dan urutan waktu seperti urutan DNA. RNN dipilih karena dapat memanfaatkan informasi konteks yang lebih luas dalam urutan DNA dan mengingat urutan sebelumnya, yang sangat penting untuk pengenalan pola dalam data biologis. Setelah model dilatih dengan data, hasil evaluasi menunjukkan bahwa model RNN ini berhasil mencapai akurasi klasifikasi sebesar 91%. Meskipun hasil tersebut sudah menunjukkan kinerja yang baik, kami menyadari bahwa masih ada ruang untuk peningkatan.

Beberapa cara yang dapat digunakan untuk meningkatkan kinerja model ini adalah dengan menerapkan arsitektur jaringan saraf yang lebih kompleks, seperti Long Short-Term Memory (LSTM) atau Gated Recurrent Unit (GRU), yang lebih efektif dalam menangani masalah vanishing gradient yang sering terjadi pada RNN tradisional. Selain itu, penggunaan dataset yang lebih besar dan beragam juga dapat membantu model untuk belajar lebih banyak variasi pola dalam urutan DNA dan meningkatkan akurasi klasifikasi.

Dengan demikian, penelitian ini menunjukkan bahwa penggunaan RNN untuk klasifikasi status kesehatan pisang berdasarkan urutan DNA dapat memberikan hasil yang menjanjikan. Namun, untuk aplikasi nyata di lapangan, diperlukan

(4)

penelitian lebih lanjut dengan menggunakan dataset yang lebih besar serta eksperimen dengan model-model yang lebih canggih. Pengembangan lebih lanjut dari sistem ini diharapkan dapat memberikan kontribusi penting dalam deteksi dini penyakit tanaman pisang, yang pada gilirannya dapat membantu meningkatkan produktivitas dan keberlanjutan pertanian pisang di berbagai wilayah.

(5)

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Kesehatan tanaman dapat didiagnosis dengan menganalisis urutan DNA

mereka. Pisang, sebagai tanaman yang penting secara ekonomi, rentan terhadap berbagai penyakit yang dapat dideteksi melalui DNA. Klasifikasi status

kesehatan pisang berdasarkan urutan DNA merupakan tantangan yang menarik dalam bidang bioteknologi dan pembelajaran mesin.

1.2 Rumusan Masalah

Adapun rumusan masalah dalam makalah ini adalah:

 Bagaimana cara membedakan status kesehatan pisang berdasarkan urutan DNA-nya?

 Bagaimana mengolah data DNA yang tidak berformat terstruktur agar dapat digunakan dalam model pembelajaran mesin?

 Bagaimana mengembangkan model pembelajaran mesin yang efektif untuk klasifikasi urutan DNA?

 Bagaimana memastikan prediksi model dapat diaplikasikan pada data DNA baru yang belum pernah dilatih sebelumnya?

1.3 Tujuan

1. Meningkatkan aksesibilitas peneliti terhadap teknologi pembelajaran mesin melalui implementasi model RNN yang mudah digunakan dan terjangkau.

2. Memfasilitasi analisis urutan DNA secara lebih luas dengan menyediakan sistem yang dapat memproses dan mengklasifikasikan data DNA secara otomatis tanpa hambatan teknis yang signifikan.

3. Mengurangi biaya dan waktu analisis DNA dengan menyediakan solusi berbasis pembelajaran mesin yang lebih efisien dibandingkan metode tradisional.

4. Meningkatkan akurasi dan keandalan klasifikasi status kesehatan tanaman melalui analisis data DNA dengan memanfaatkan pola-pola yang

dipelajari oleh RNN.

(6)

5. Mengembangkan model yang mendukung pengelolaan data DNA secara mandiri, termasuk preprocessing otomatis, pelaporan hasil, dan analisis kinerja model.

1.4 Manfaat

1. Sistem klasifikasi DNA berbasis RNN ini memberikan akses yang lebih mudah kepada peneliti dan praktisi biologi molekuler untuk

memanfaatkan teknologi pembelajaran mesin tanpa memerlukan pengetahuan teknis mendalam.

2. Dengan menggunakan sistem ini, peneliti dapat menganalisis urutan DNA dari berbagai spesies tanaman atau organisme tanpa terbatas oleh skala atau kompleksitas data.

3. Sistem ini memungkinkan pengolahan data DNA secara efisien dengan fitur seperti tokenisasi otomatis, padding, dan embedding, yang

mempercepat proses klasifikasi.

4. Teknologi ini membantu mengurangi kesalahan analisis dengan mendasarkan prediksi pada pola yang dipelajari dari data DNA sebelumnya, memberikan hasil yang lebih konsisten dan dapat diandalkan.

5. Dengan dukungan otomatisasi dan fleksibilitas, sistem ini dapat diterapkan pada berbagai kasus penggunaan, seperti deteksi penyakit tanaman, penentuan varietas unggul, atau analisis genetik lainnya.

(7)

BAB 2: PEMBAHASAN

2.1 Siklus Proyek Pengembangan Platform E-commerce

Siklus proyek ini melibatkan tahapan-tahapan kunci yang diperlukan dalam pengembangan platform e-commerce, dimulai dari tahap inisiasi hingga penutupan proyek. Setiap tahap dirancang untuk memastikan bahwa platform yang dihasilkan sesuai dengan kebutuhan pengguna dan mencapai tujuan yang telah ditetapkan.

2.1.1 Tahap Inisiasi

1. Identifikasi Kebutuhan: Melakukan penelitian untuk memahami

kebutuhan pengguna, seperti UMKM, termasuk tren pasar dan fitur yang dibutuhkan.

2. Formulasi Tujuan Proyek: Menetapkan sasaran yang jelas seperti peningkatan jumlah UMKM yang terdaftar, nilai transaksi, dan kepuasan pengguna.

3. Pembentukan Tim Proyek: Menyusun tim dengan keahlian beragam, seperti pengembang perangkat lunak, desainer UI/UX, dan pakar bisnis.

4. Perkiraan Biaya dan Waktu: Menyusun estimasi awal terkait anggaran, sumber daya, dan jadwal proyek.

5. Mendapatkan Persetujuan: Memastikan proyek disetujui oleh

pemangku kepentingan, termasuk investor dan manajemen perusahaan.

2.1.2 Tahap Perencanaan

1. Definisi Ruang Lingkup Proyek: Mengidentifikasi fitur yang akan dikembangkan, batasan proyek, serta hasil yang diharapkan.

2. Pengembangan Rencana Proyek: Menyusun rencana kerja rinci, mencakup jadwal kegiatan, alokasi sumber daya, dan milestones.

3. Identifikasi Risiko: Menilai potensi hambatan dan merancang langkah mitigasi risiko.

4. Perencanaan Komunikasi: Merancang strategi komunikasi efektif antara tim dan stakeholder.

2.1.3 Tahap Eksekusi

1. Pengembangan Platform: Melaksanakan pembangunan platform berdasarkan desain dan spesifikasi yang disepakati.

(8)

2. Pengujian: Melakukan uji coba untuk memastikan performa platform sesuai dengan kebutuhan pengguna.

3. Pelatihan Pengguna: Memberikan pelatihan kepada UMKM untuk memaksimalkan penggunaan platform.

2.1.4 Tahap Pemantauan dan Pengendalian

1. Monitoring Progress: Memantau perkembangan proyek secara rutin untuk memastikan kesesuaian dengan rencana.

2. Pengendalian Kualitas: Memastikan produk akhir sesuai dengan standar kualitas yang telah ditetapkan.

3. Pengelolaan Perubahan: Mengatur perubahan spesifikasi atau fitur baru yang muncul selama proses pengembangan.

2.1.5 Tahap Penutupan

1. Evaluasi Proyek: Meninjau keberhasilan proyek serta kendala yang dihadapi.

2. Dokumentasi: Menyusun laporan akhir, panduan pengguna, dan dokumentasi teknis.

3. Penyerahan Hasil: Menyerahkan produk akhir kepada pengguna dan menutup proyek secara formal.

2.2 Pemangku Kepentingan Proyek Pengembangan Platform E-commerce Pemangku kepentingan dalam proyek ini dibagi menjadi dua kategori utama:

2.2.1 Internal

1. Tim Pengembang: Bertanggung jawab dalam pengembangan dan pengujian platform.

2. Manajemen Perusahaan: Mendukung dengan penyediaan sumber daya.

3. Departemen IT: Memberikan dukungan teknis untuk sistem.

2.2.2 Eksternal

1. UMKM: Pengguna utama yang akan memanfaatkan platform.

2. Pelanggan UMKM: Konsumen yang berinteraksi melalui platform.

3. Penyedia Layanan: Mitra seperti penyedia layanan pembayaran dan pengiriman.

4. Pemerintah: Pihak yang mendukung pengembangan ekonomi digital.

(9)

5. Investor: Penyedia pendanaan proyek.

6. Akademisi: Memberikan wawasan dan masukan berbasis penelitian.

2.3 Ruang Lingkup Proyek

2.3.1 Work Breakdown Structure (WBS)

Manajemen ruang lingkup menggunakan WBS untuk memecah proyek menjadi tugas-tugas kecil yang terkelola. Diagram WBS mencakup tahapan utama, yaitu inisiasi, perencanaan, eksekusi, pemantauan, dan penutupan.

2.3.2 Gantt Chart

Gantt Chart menunjukkan jadwal proyek, mencakup:

1. Inisiasi (2 minggu): Meliputi identifikasi kebutuhan hingga persetujuan.

2. Perencanaan (3 minggu): Menyusun ruang lingkup dan rencana proyek.

3. Eksekusi (6 minggu): Pengembangan, pengujian, dan pelatihan.

4. Pemantauan (5 minggu): Memastikan proyek berjalan sesuai jadwal.

5. Penutupan (2 minggu): Evaluasi dan dokumentasi.

2.3.3 PERT dan CPM Chart

Diagram PERT dan CPM memvisualisasikan urutan kegiatan proyek, jalur kritis, dan durasi aktivitas. Diagram ini membantu tim fokus pada aktivitas penting untuk menyelesaikan proyek tepat waktu.

2.4 Manajemen Biaya Proyek

Rencana Anggaran Biaya (RAB) mencakup:

 Pengembangan perangkat lunak.

 Biaya tenaga kerja.

 Infrastruktur.

 Operasional lainnya. Manajemen biaya memastikan anggaran digunakan secara efisien.

2.5 Analisis Risiko 2.5.1 Fishbone Diagram

Mengidentifikasi penyebab potensial masalah dalam lima kategori utama:

manusia, proses, teknologi, keuangan, dan faktor eksternal.

(10)

2.5.2 Pareto Chart

Menyoroti bahwa sebagian besar tantangan berasal dari beberapa faktor utama, seperti kurangnya pelatihan dan keterbatasan fitur.

2.6 Manajemen Risiko Sumber Daya Manusia Proyek 2.6.1. Identifikasi Risiko Proyek

Dalam manajemen proyek klasifikasi DNA menggunakan Recurrent Neural Network (RNN), risiko Sumber Daya Manusia (SDM) dapat memengaruhi keberhasilan proyek. Beberapa risiko yang perlu diidentifikasi meliputi kekurangan tenaga ahli, khususnya dalam pengembangan dan implementasi model RNN yang kompleks, yang dapat memperlambat kemajuan proyek.

Tingginya turnover karyawan juga menjadi masalah karena pergantian anggota tim yang sering dapat mengganggu kontinuitas dalam penelitian dan

pengembangan, serta transfer pengetahuan. Konflik dalam tim riset atau

pengembang yang kurang harmonis dapat menyebabkan ketidakstabilan dalam dinamika kerja dan menurunkan produktivitas. Selain itu, kurangnya pelatihan teknis yang memadai bagi anggota tim yang belum berpengalaman dalam bidang pembelajaran mesin dan bioinformatika dapat menyebabkan kesalahan dalam pengembangan model dan analisis data DNA.

2.6.2. Strategi Mitigasi Risiko

Untuk mengurangi dampak risiko yang telah diidentifikasi, beberapa strategi mitigasi dapat diterapkan. Proses rekrutmen yang menyeluruh dan terencana harus memastikan bahwa tim dilengkapi dengan keahlian dalam bidang

pembelajaran mesin, khususnya dalam penggunaan RNN untuk klasifikasi data DNA. Pengembangan program retensi yang baik akan meningkatkan kepuasan kerja dan mengurangi tingkat turnover. Memberikan pelatihan teknis yang komprehensif, terutama dalam pemrograman dan pemodelan jaringan saraf, akan membantu anggota tim dalam memperoleh keterampilan yang diperlukan untuk mengembangkan dan mengoptimalkan model. Kegiatan team building dan kolaborasi lintas disiplin juga dapat memperkuat hubungan antar anggota tim dan mengurangi konflik yang mungkin timbul.

2.6.3. Perencanaan Respons Risiko Berskala

Perencanaan respons risiko harus bersifat terstruktur dan terukur. Salah satu langkah yang dapat diambil adalah pemetaan risiko, dengan menggunakan matriks risiko untuk mengidentifikasi dan memprioritaskan risiko berdasarkan dampak dan kemungkinan terjadinya. Menyiapkan rencana kontinjensi untuk risiko yang memiliki dampak tinggi, seperti kegagalan dalam proses pelatihan model atau ketidaksesuaian data input, akan memungkinkan respons yang cepat dan efektif jika risiko tersebut terjadi. Monitoring dan evaluasi secara berkala

(11)

juga diperlukan untuk meninjau efektivitas strategi mitigasi yang diterapkan, serta melakukan penyesuaian dalam pengembangan model jika diperlukan.

2.7 Manajemen Pengadaan, Pengawasan, dan Pengendalian Proyek

Manajemen pengadaan, pengawasan, dan pengendalian proyek sangat penting untuk memastikan bahwa semua sumber daya dan aktivitas berjalan sesuai rencana dalam proyek klasifikasi DNA menggunakan RNN.

Pengadaan

Pengadaan dalam proyek ini mencakup perolehan perangkat keras (misalnya, server atau GPU untuk pelatihan model), perangkat lunak (misalnya, framework untuk RNN seperti TensorFlow atau PyTorch), serta data genom yang

diperlukan untuk pelatihan dan pengujian model. Langkah pertama adalah identifikasi kebutuhan perangkat dan data, diikuti dengan evaluasi vendor berdasarkan kriteria kualitas, biaya, dan keandalan. Negosiasi kontrak juga penting untuk memperoleh kesepakatan yang menguntungkan bagi proyek, terutama dalam hal akses ke data genom atau lisensi perangkat lunak.

Pengawasan Proyek

Pengawasan proyek melibatkan pemantauan perkembangan proyek untuk memastikan bahwa semua tahap berjalan sesuai dengan rencana. Monitoring kinerja dilakukan dengan menggunakan indikator seperti akurasi model, waktu pelatihan, dan penggunaan sumber daya. Pertemuan rutin diadakan untuk membahas kemajuan, masalah yang dihadapi, dan solusi yang mungkin diperlukan. Selain itu, penyusunan laporan kemajuan untuk stakeholder akan memberikan informasi terkini tentang status proyek, terutama terkait hasil pengujian model dan pembaruan teknis.

Pengendalian Proyek

Pengendalian proyek bertujuan untuk memastikan bahwa proyek tetap pada jalur yang ditetapkan. Analisis varians dilakukan untuk membandingkan

kemajuan aktual dengan rencana, seperti perbedaan antara akurasi yang dicapai dan target yang ditetapkan, serta apakah penggunaan sumber daya (waktu, tenaga, dan perangkat) sesuai dengan anggaran. Jika terdapat deviasi yang signifikan, tindakan korektif akan diambil, seperti penyesuaian model atau pengalokasian ulang sumber daya. Mengumpulkan umpan balik dari tim dan stakeholder juga menjadi bagian penting dalam memperbaiki proses manajemen proyek ke depannya.

Dengan pengelolaan pengadaan, pengawasan, dan pengendalian yang baik, proyek klasifikasi DNA menggunakan RNN diharapkan dapat berjalan dengan

(12)

lancar dan mencapai tujuannya secara efektif, baik dalam akurasi klasifikasi maupun efisiensi waktu.

(13)

BAB 3

Dataset yang Digunakan

Dataset yang digunakan terdiri dari dua file:

 seqdump.txt: Urutan DNA pisang sehat dengan label 0.

 Musa acuminata.txt: Urutan DNA pisang sakit dengan label 1.

Setiap file memuat pasangan baris yang terdiri dari ID urutan di baris pertama dan urutan DNA di baris kedua. Dataset ini digunakan untuk melatih model klasifikasi berbasis urutan DNA.

Gambar 1 : Dataset Yang Digunakan.

Setiap file berisi pasangan baris dengan format berikut:

- Baris pertama: ID urutan.

- Baris kedua: Urutan DNA.

Dataset ini digunakan untuk melatih model AI yang dapat mengenali status kesehatan berdasarkan urutan DNA. Karena data ini berbasis teks, diperlukan proses tokenisasi dan padding agar dapat diproses oleh model.

(14)

BAB 4

METODE PENGOLAHAN DATA

3.1 Tokenisasi

Tokenisasi adalah langkah awal dalam memproses urutan DNA untuk model pembelajaran mesin. Proses ini mengubah urutan DNA menjadi representasi numerik yang dapat dipahami oleh model. Tokenisasi dilakukan dengan cara:

 Menggunakan Tokenizer dengan parameter char_level=True yang menjadikan setiap karakter dalam urutan DNA sebagai token.

 Membangun kamus token berdasarkan seluruh dataset.

 Mengonversi setiap urutan DNA menjadi urutan angka menggunakan kamus tersebut.

Gambar 2 : Kodingan Untuk Proses Tokenisasi.

Tokenisasi berbasis karakter memungkinkan model mengenali pola dalam susunan nukleotida DNA, yang sangat penting untuk klasifikasi.

3.2 Embedding

Embedding mengubah representasi numerik hasil tokenisasi menjadi vektor berdimensi tetap yang lebih kaya informasi. Dalam model ini, embedding dilakukan dengan menggunakan lapisan Embedding dalam jaringan saraf, dengan parameter:

(15)

 input_dim: Jumlah token unik ditambah satu untuk penanda padding.

 output_dim: Dimensi vektor embedding yang dipilih 128.

 input_length: Panjang maksimum urutan setelah padding.

Gambar 3 : Kodingan Untuk Proses Embedding.

Embedding membantu model menangkap hubungan semantik antara token dan meningkatkan performa pada data sekuensial seperti DNA.

(16)

BAB 5

PEMBANGUNAN MODEL PENGENAL DATA MENGGUNAKAN AI 4.1 Arsitektur Model

Model yang dikembangkan menggunakan arsitektur Recurrent Neural Network (RNN), yang terdiri dari beberapa lapisan berikut:

 Embedding Layer: Mengonversi token menjadi vektor berdimensi tetap.

 SimpleRNN Layer: Mengolah data urutan untuk menangkap pola dalam urutan DNA.

 Dense Layer: Lapisan output dengan fungsi aktivasi sigmoid untuk klasifikasi biner (sehat/sakit).

Gambar 4 : Kodingan Untuk Proses Aksitektur Model.

4.2 Proses Kompilasi

Model ini dikompilasi dengan parameter sebagai berikut:

 Optimizer: Adam, digunakan untuk pembaruan bobot secara efisien.

 Loss Function: Binary Crossentropy, untuk mengukur kesalahan dalam klasifikasi biner.

 Metrics: Accuracy, untuk mengevaluasi performa model.

Gambar 5 : Kodingan Untuk Proses Kompilasi.

(17)

4.3 Pelatihan Model

Dataset dibagi menjadi 80% untuk data latih dan 20% untuk data uji. Model dilatih selama 5 epoch dengan batch size 256, memungkinkan model untuk belajar pola dalam dataset secara cepat dan efisien.

Gambar 6 : Kodingan Untuk Proses Kompilasi.

(18)

BAB 6 Performa Model

5.1 Performa Model

Hasil evaluasi model pada data uji menunjukkan:

 Loss: 0.32

 Akurasi: 91%

Model ini berhasil mengklasifikasikan status kesehatan pisang dengan tingkat akurasi yang tinggi. Namun, performa ini perlu diuji lebih lanjut dengan dataset yang lebih besar dan lebih bervariasi.

Gambar 6 : File Fasta Yang diuji.

5.2 Contoh Prediksi pada Data Baru

Model diuji pada file FASTA baru bernama sequence.fasta, yang berisi urutan DNA pisang baru. Hasil prediksi menunjukkan status kesehatan (sehat/sakit) berdasarkan probabilitas yang dihitung oleh model.

Gambar 7 : Codingan Untuk Menguji File Fasta Baru.

(19)

Gambar 8 : Hasil Performa AI.

Model berhasil menangkap pola dalam urutan DNA untuk membedakan pisang sehat dan sakit dengan tingkat akurasi yang tinggi. Namun, performa ini perlu diuji lebih lanjut pada data yang lebih besar dan beragam.

(20)

BAB 7

KESIMPULAN DAN SARAN

6.1 Kesimpulan

Model yang dikembangkan dalam penelitian ini mampu mengklasifikasikan status kesehatan pisang berdasarkan urutan DNA dengan tingkat akurasi yang memadai, yaitu 91%. Meskipun demikian, sistem ini menunjukkan potensi yang sangat baik untuk diterapkan dalam pengembangan alat deteksi penyakit

tanaman berbasis DNA, terutama untuk tanaman pisang. Keberhasilan ini menandakan bahwa pendekatan berbasis pembelajaran mesin, khususnya penggunaan jaringan saraf berulang (RNN), dapat menjadi alat yang efektif dalam mendeteksi penyakit tanaman secara cepat dan akurat. Namun, hasil ini masih bisa ditingkatkan lebih lanjut dengan penggunaan teknik yang lebih canggih dan dataset yang lebih besar.

6.2 Saran

1. Penggunaan Arsitektur yang Lebih Canggih

Meskipun RNN dapat menangani urutan DNA dengan baik, arsitektur jaringan saraf yang lebih canggih seperti Long Short-Term Memory (LSTM) atau Gated Recurrent Unit (GRU) dapat lebih efektif dalam menangani masalah vanishing gradient dan memproses pola panjang dalam urutan DNA. Kedua arsitektur ini memiliki kemampuan untuk mempertahankan informasi lebih lama dalam urutan data, yang sangat penting dalam pengolahan urutan DNA yang lebih kompleks.

2. Perluasan Dataset

Penggunaan dataset yang lebih luas dan beragam, mencakup berbagai varietas pisang serta variasi penyakit yang lebih banyak, akan

meningkatkan kemampuan generalisasi model. Dengan memperluas dataset, model akan dapat mempelajari pola-pola yang lebih beragam dan menjadi lebih robust dalam menghadapi data baru yang tidak terlihat selama pelatihan. Hal ini penting untuk memastikan model dapat diterapkan pada skala yang lebih besar dan lebih representatif.

3. Penggunaan Augmentasi Data

Augmentasi data adalah teknik yang dapat membantu meningkatkan kemampuan model untuk mengenali pola-pola DNA yang lebih kompleks. Teknik augmentasi seperti rotasi, flipping, atau perubahan pada urutan DNA yang ada dapat digunakan untuk memperkenalkan variasi yang lebih banyak dalam dataset. Hal ini akan memperkaya

(21)

pelatihan model dan membuatnya lebih tangguh dalam menghadapi variasi data yang lebih kompleks.

4. Eksperimen dengan Hiperparameter

Pengoptimalan hiperparameter seperti ukuran batch, laju pembelajaran, dan jumlah lapisan jaringan saraf dapat membantu meningkatkan

performa model secara signifikan. Eksperimen dengan berbagai kombinasi hiperparameter dapat membantu menemukan pengaturan terbaik untuk tugas ini, sehingga model dapat mencapai hasil yang lebih optimal.

6.3 Kritik

Meskipun model yang dikembangkan menunjukkan akurasi yang baik, terdapat beberapa keterbatasan yang perlu diperhatikan. Pertama, model ini masih

bergantung pada dataset yang terbatas, sehingga dapat mengurangi kemampuan model untuk menggeneralisasi secara efektif pada data dunia nyata. Penggunaan dataset yang lebih besar dan beragam akan membantu meningkatkan kualitas dan daya tarik model di luar konteks penelitian ini.

Selain itu, meskipun RNN memiliki kemampuan untuk menangani urutan data, model ini masih belum dapat sepenuhnya memanfaatkan informasi jangka panjang dengan efisien, terutama dalam menghadapi urutan DNA yang lebih panjang. Hal ini bisa mengarah pada hilangnya informasi penting yang dapat mempengaruhi akurasi klasifikasi. Oleh karena itu, menggunakan arsitektur lain seperti LSTM atau GRU, yang lebih efektif dalam menjaga informasi konteks jangka panjang, sangat disarankan.

Kritik lain terkait dengan kompleksitas implementasi model. Pengembangan model berbasis RNN atau arsitektur lebih canggih membutuhkan sumber daya komputasi yang cukup besar, yang mungkin menjadi hambatan dalam

penerapan di lapangan, terutama untuk deteksi penyakit tanaman di wilayah dengan keterbatasan infrastruktur. Oleh karena itu, perlu dipertimbangkan solusi yang lebih efisien dalam penggunaan sumber daya tanpa mengorbankan akurasi model.

Dengan memperhatikan kritik-kritik tersebut, pengembangan lebih lanjut dari sistem ini dapat memberikan hasil yang lebih optimal dan dapat diterapkan lebih luas dalam deteksi penyakit tanaman berbasis DNA.

(22)

DAFTAR PUSTAKA

1. Chollet, F. (2015). Keras: The Python Deep Learning Library. GitHub repository. Retrieved from https://github.com/fchollet/keras

2. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.

3. Hochreiter, S., & Schmidhuber, J. (1997). Long Short-Term Memory.

Neural Computation, 9(8), 1735–1780.

https://doi.org/10.1162/neco.1997.9.8.1735

4. Kim, Y. (2014). Convolutional Neural Networks for Sentence Classification. Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), 1746–1751.

Retrieved from https://www.aclweb.org/anthology/D14-1181

5. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep Learning. Nature, 521, 436–444. https://doi.org/10.1038/nature14539

6. Paszke, A., Gross, S., & Chintala, S. (2017). Automatic Differentiation in PyTorch. GitHub repository. Retrieved from

https://github.com/pytorch/pytorch

7. Smith, J., & Wang, Y. (2020). A Comprehensive Review on Recurrent Neural Networks for Sequence Modeling. Journal of Artificial

Intelligence Research, 57(1), 145–170. https://doi.org/10.1007/s10462- 020-09859-4

8. Vaswani, A., Shazeer, N., & Parmar, N. (2017). Attention is All You Need. Proceedings of the 31st International Conference on Neural Information Processing Systems (NeurIPS 2017), 6000–6010.

https://arxiv.org/abs/1706.03762

Zhang, J., & Wang, Z. (2018). DNA Sequence Classification Using

Convolutional Neural Networks. IEEE Transactions on Computational Biology and Bioinformatics, 15(4), 1329–1337.

https://doi.org/10.1109/TCBB.2018.2793656

(23)