<> "The repository administrator has not yet configured an RDF license."^^ . <> . . "IMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM\r\nMENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL\r\nMODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O\r\nDAN C DENGAN METODE EXTREME GRADIENT BOOSTING\r\n\r\n(XGBOOST)"^^ . "Post-translational modification (PTM) adalah salah satu mekanisme penting dalam\r\nmengatur fugsi protein. Modifikasi pasca translasi mengacu pada penambahan\r\nmodifikasi protein kovalen dan enzimatik dalam biosintesis protein, yang memiliki\r\nperan penting dalam memodifikasi fungsi protein dan mengatur ekspresi gen. Salah\r\nsatu modifikasi pasca translasi adalah glikosilasi. Glikosilasi adalah penambahan\r\ngugus gula ke struktur protein. Glikosilasi telah terkait dengan beberapa penyakit\r\ndiantaranya diabetes, kanker, dan alzheimer. Oleh karena itu, penting untuk\r\nmengantisipasi terjadinya glikosilasi dengan melakukan prediksi glikosilasi.\r\nPermasalahan dalam prediksi glikosilasi saat ini masih bergantung pada teknik\r\nlaboratorium manual, yang menyebabkan proses prediksi menjadi lambat dan\r\nmemerlukan biaya peralatan laboratorium yang tinggi. Untuk mengatasi hal\r\ntersebut, diperlukan pendekatan machine learning sehingga prediksi dapat\r\ndilakukan lebih cepat dan tidak membutuhkan biaya yang mahal.\r\nData yang digunakan dalam penelitian ini adalah data PTM glikosilasi-N,\r\nglikosilasi-O, dan glikosilasi-C yang diperoleh dari website UniProt yang tersedia\r\nsecara terbuka. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi\r\nmodifikasi pasca translasi glikosilasi-N, glikosilasi-O, dan glikosilasi-C dengan\r\nmenggabungkan 5 (lima) Ekstraksi fitur dan menggunakan algoritma Extreme\r\nGradient Boosting (XGBoost).\r\nEkstraksi fitur terdiri dari: AAIndex, Hydrophobicity, SABLE, CTD, dan PseAAC.\r\nSeleksi fitur dilakukan dengan pendekatan MRMR. Masing-masing fitur\r\nmemberikan kontribusi terhadap peningkatan prediksi glikosilasi. Fitur AAIndex\r\nmemberikan kontribusi terbesar pada peningkatan prediksi glikosilasi-N secara\r\nkeseluruhan sebesar 24%. Sedangkan, fitur SABLE memberikan kontribusi\r\nterbesar pada peningkatan prediksi glikosilasi-O sebesar 44%. Fitur Hydrophobicity\r\ndan PseAAC masing-masing berkontribusi sebesar 27% untuk pningkatan prediksi\r\nglikosilasi-C\r\n\r\niv\r\n\r\nHasil penelitian ini menunjukkan kinerja prediksi modifikasi pasca translasi\r\nglikosilasi-N, glikosilasi-O dan glikosilasi-C dengan masing-masing nilai akurasi\r\n100%. Pendekatan menggunakan XGBoost dalam penelitian ini berhasil\r\nmeningkatkan akurasi sebesar 5% dibandingkan dengan penelitian sebelumnya.\r\nKata Kunci: Post-translational modifications, glikosilasi, sequence, xgboost,\r\nklasifikasi\r\n\r\n\r\n\r\n\r\nPost-translational modification (PTM) is one of the important mechanisms in\r\nregulating protein function. Post-translational modifications refer to the addition of\r\ncovalent and enzymatic protein modifications in protein biosynthesis, which play a\r\ncrucial role in modifying protein function and regulating gene expression. One of\r\nthe post-translational modifications is glycosylation, which involves adding sugar\r\ngroups to protein structures. Glycosylation has been associated with several\r\ndiseases including diabetes, cancer, and Alzheimer's. Therefore, it is important to\r\nanticipate glycosylation by predicting it.\r\nThe current issue in glycosylation prediction still relies on manual laboratory\r\ntechniques, resulting in slow prediction processes and requiring expensive\r\nlaboratory equipment. To address this, a machine learning approach is needed so\r\nthat predictions can be made faster and at a lower cost.\r\nThe data used in this study are PTM glycosylation-N, glycosylation-O, and\r\nglycosylation-C data obtained from the publicly accessible UniProt website. This\r\nresearch aims to improve the accuracy of classification of post-translational\r\nmodifications glycosylation-N, glycosylation-O, and glycosylation-C by\r\ncombining 5 feature extractions and using the Extreme Gradient Boosting\r\n(XGBoost) algorithm.\r\nFeature extraction consists of: AAIndex, Hydrophobicity, SABLE, CTD, and\r\nPseAAC. Feature selection is performed using the MRMR approach. Each feature\r\ncontributes to improving glycosylation prediction. The AAIndex feature contributes\r\nthe most to the overall improvement in glycosylation prediction by 24%.\r\nMeanwhile, the SABLE feature contributes the most to the improvement in\r\nglycosylation-O prediction by 44%. The Hydrophobicity and PseAAC features\r\ncontribute 27% each to the improvement of C-glycosylation prediction accuracy.\r\n\r\nvi\r\n\r\nThe results of this study show the performance of predicting post-translational\r\nmodifications of glycosylation-N, glycosylation-O, and glycosylation-C, with each\r\nhaving an accuracy value of 100%. The approach using XGBoost in this study\r\nsuccessfully increased the accuracy by 5% compared to previous research.\r\nKeywords: Post-translational modification, glycosylation, site sequence, xgboost,\r\nclassification"^^ . "2024-04-18" . . . . . "FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM"^^ . . . . . . . "Damayanti"^^ . "Damayanti\t"^^ . "Damayanti Damayanti\t"^^ . . . . . . "IMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM\r\nMENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL\r\nMODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O\r\nDAN C DENGAN METODE EXTREME GRADIENT BOOSTING\r\n\r\n(XGBOOST) (File PDF)"^^ . . . "ABSTRAK - Damayanti.pdf"^^ . . . "IMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM\r\nMENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL\r\nMODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O\r\nDAN C DENGAN METODE EXTREME GRADIENT BOOSTING\r\n\r\n(XGBOOST) (File PDF)"^^ . . . "IMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM\r\nMENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL\r\nMODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O\r\nDAN C DENGAN METODE EXTREME GRADIENT BOOSTING\r\n\r\n(XGBOOST) (File PDF)"^^ . . . "Disertasi tanpa Pembahasana - Damayanti.pdf"^^ . . . "IMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM\r\nMENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL\r\nMODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O\r\nDAN C DENGAN METODE EXTREME GRADIENT BOOSTING\r\n\r\n(XGBOOST) (Other)"^^ . . . . . . "lightbox.jpg"^^ . . . "IMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM\r\nMENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL\r\nMODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O\r\nDAN C DENGAN METODE EXTREME GRADIENT BOOSTING\r\n\r\n(XGBOOST) (Other)"^^ . . . . . . "preview.jpg"^^ . . . "IMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM\r\nMENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL\r\nMODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O\r\nDAN C DENGAN METODE EXTREME GRADIENT BOOSTING\r\n\r\n(XGBOOST) (Other)"^^ . . . . . . "medium.jpg"^^ . . . "IMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM\r\nMENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL\r\nMODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O\r\nDAN C DENGAN METODE EXTREME GRADIENT BOOSTING\r\n\r\n(XGBOOST) (Other)"^^ . . . . . . "small.jpg"^^ . . . "IMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM\r\nMENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL\r\nMODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O\r\nDAN C DENGAN METODE EXTREME GRADIENT BOOSTING\r\n\r\n(XGBOOST) (Other)"^^ . . . . . . "indexcodes.txt"^^ . . . "IMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM\r\nMENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL\r\nMODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O\r\nDAN C DENGAN METODE EXTREME GRADIENT BOOSTING\r\n\r\n(XGBOOST) (Other)"^^ . . . . . . "IMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM\r\nMENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL\r\nMODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O\r\nDAN C DENGAN METODE EXTREME GRADIENT BOOSTING\r\n\r\n(XGBOOST) (Other)"^^ . . . . . . "indexcodes.txt"^^ . . . "IMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM\r\nMENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL\r\nMODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O\r\nDAN C DENGAN METODE EXTREME GRADIENT BOOSTING\r\n\r\n(XGBOOST) (Other)"^^ . . . . . . "IMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM\r\nMENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL\r\nMODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O\r\nDAN C DENGAN METODE EXTREME GRADIENT BOOSTING\r\n\r\n(XGBOOST) (Other)"^^ . . . . . . "IMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM\r\nMENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL\r\nMODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O\r\nDAN C DENGAN METODE EXTREME GRADIENT BOOSTING\r\n\r\n(XGBOOST) (Other)"^^ . . . . . . "IMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM\r\nMENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL\r\nMODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O\r\nDAN C DENGAN METODE EXTREME GRADIENT BOOSTING\r\n\r\n(XGBOOST) (Other)"^^ . . . . . . "IMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM\r\nMENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL\r\nMODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O\r\nDAN C DENGAN METODE EXTREME GRADIENT BOOSTING\r\n\r\n(XGBOOST) (Other)"^^ . . . . . . "lightbox.jpg"^^ . . . "IMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM\r\nMENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL\r\nMODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O\r\nDAN C DENGAN METODE EXTREME GRADIENT BOOSTING\r\n\r\n(XGBOOST) (Other)"^^ . . . . . . "preview.jpg"^^ . . . "IMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM\r\nMENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL\r\nMODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O\r\nDAN C DENGAN METODE EXTREME GRADIENT BOOSTING\r\n\r\n(XGBOOST) (Other)"^^ . . . . . . "medium.jpg"^^ . . . "IMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM\r\nMENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL\r\nMODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O\r\nDAN C DENGAN METODE EXTREME GRADIENT BOOSTING\r\n\r\n(XGBOOST) (Other)"^^ . . . . . . "small.jpg"^^ . . "HTML Summary of #85398 \n\nIMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM \nMENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL \nMODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O \nDAN C DENGAN METODE EXTREME GRADIENT BOOSTING \n \n(XGBOOST)\n\n" . "text/html" . . . "507 Pendidikan, penelitian, topik terkait ilmu pengetahuan alam" . .