KLASIFIKASI GEN ESENSIAL PADA DROSOPHILA MELANOGASTER BERDASARKAN PROTEIN SEQUENCE MENGGUNAKAN METODE LONG SHORT-TERM MEMORY (LSTM)

DINA PUTRI, AULIA (2023) KLASIFIKASI GEN ESENSIAL PADA DROSOPHILA MELANOGASTER BERDASARKAN PROTEIN SEQUENCE MENGGUNAKAN METODE LONG SHORT-TERM MEMORY (LSTM). FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	File PDF ABSTRAK.pdf Download (379Kb) | Preview
	File PDF SKRIPSI FULL.pdf Restricted to Hanya staf Download (1854Kb) | Minta salinan
Preview	File PDF SKRIPSI TANPA BAB PEMBAHASAN.pdf Download (1520Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Gen esensial adalah gen yang sangat diperlukan untuk mendukung kehidupan organisme seluler. Penghapusan gen esensial pada organisme akan mengakibatan kematian dan infertilitas. Mengklasifikasikan gen esensial ada 2 cara, yaitu dengan teknik eksperimental dan komputasi, namun teknik eksperimental membutuhkan sumber daya yang besar. Pada penelitian ini mengusulkan metode Long Short-Term Memory (LSTM) untuk mengklasifikasikan gen esensial pada Drosophila melanogaster berdasarkan protein sequence. Drosophila melanogaster adalah salah satu organisme yang sering digunakan untuk analisis science. Tujuan penelitian ini, yaitu mengukur dan mengklasifikasi hasil penelitian menggunakan algoritma Long Short-Term Memory (LSTM) dan membandingkan hasilnya dengan penelitian terdahulu oleh Beder, et al, (2021). Data dibagi dengan 2 skenario, yaitu : 80% training 20% validation ; dan 90% training 10% data validation. Pada dataset CEG memiliki distribusi kelas yang tidak seimbang sehingga dilakukan proses Random Undersampling (RUS) untuk menyeimbangkan kelas. Evaluasi model dilakukan dengan metrik evaluasi, yaitu PR-AUC, ROC-AUC, sensitivity dan specificity. Hasil kinerja yang paling baik pada dataset OEG didapatkan pada skenario pembagian data 80% training dan 20% validation, dengan nilai sensitivity 81%, specificity 76%, ROC-AUC 79% , PR-AUC 82%. Hasil yang paling baik pada dataset CEG diperoleh dari pembagian data 80% training dan data 20% validation dengan nilai yang didapat untuk sensitivity 73%, specitifity 50% ROC-AUC 61%, dan PR-AUC 45%. Kata Kunci : Gen Esensial, Klasifikasi, Drosophila melanogaster, Protein sequence, LSTM. Essential genes are genes that are very necessary to support the life of cellular organisms. Deletion of essential genes in an organism will result in death and infertility. There are 2 ways to classify essential genes, specifically experimental and computational techniques, but experimental techniques require large resources. In this study, we propose the Long Short-Term Memory (LSTM) method to classify essential genes in Drosophila melanogaster based on protein sequences. Drosophila melanogaster is an organism that is often used for scientific analysis. The purpose of this research is to measure and classify research results using the Long Short-Term Memory (LSTM) algorithm and compare the results with previous research by Beder, et al, (2021). The data is divided into 2 scenarios, specifically 80% training 20% validation and 90% training 10% data validation. The CEG dataset has an unbalanced class distribution so a Random Undersampling (RUS) process is carried out to balance the classes. Model evaluation was carried out using evaluation metrics, specifically PR-AUC, ROCAUC, sensitivity and specificity. The best performance results on the OEG dataset were obtained in the data sharing scenario of 80% training and 20% validation, with sensitivity values of 81%, specificity 76%, ROC-AUC 79%, PR-AUC 82%. The best results on the CEG dataset were obtained from dividing 80% training data and 20% validation data with values obtained for sensitivity 73%, specificity 50% ROC-AUC 61%, and PR-AUC 45% Keyword : Gen Essential, Classification, Drosophila melanogaster, Protein sequence, LSTM.

Jenis Karya Akhir:	Skripsi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum 500 ilmu pengetahuan alam dan matematika
Program Studi:	FAKULTAS MIPA > Prodi Ilmu Komputer
Pengguna Deposit:	2308711752 . Digilib
Date Deposited:	15 Feb 2024 04:46
Terakhir diubah:	15 Feb 2024 04:46
URI:	http://digilib.unila.ac.id/id/eprint/78869

Actions (login required)

Lihat Karya Akhir