TY - GEN ID - eprints85398 UR - http://digilib.unila.ac.id/85398/ A1 - Damayanti , Damayanti Y1 - 2024/04/18/ N2 - Post-translational modification (PTM) adalah salah satu mekanisme penting dalam mengatur fugsi protein. Modifikasi pasca translasi mengacu pada penambahan modifikasi protein kovalen dan enzimatik dalam biosintesis protein, yang memiliki peran penting dalam memodifikasi fungsi protein dan mengatur ekspresi gen. Salah satu modifikasi pasca translasi adalah glikosilasi. Glikosilasi adalah penambahan gugus gula ke struktur protein. Glikosilasi telah terkait dengan beberapa penyakit diantaranya diabetes, kanker, dan alzheimer. Oleh karena itu, penting untuk mengantisipasi terjadinya glikosilasi dengan melakukan prediksi glikosilasi. Permasalahan dalam prediksi glikosilasi saat ini masih bergantung pada teknik laboratorium manual, yang menyebabkan proses prediksi menjadi lambat dan memerlukan biaya peralatan laboratorium yang tinggi. Untuk mengatasi hal tersebut, diperlukan pendekatan machine learning sehingga prediksi dapat dilakukan lebih cepat dan tidak membutuhkan biaya yang mahal. Data yang digunakan dalam penelitian ini adalah data PTM glikosilasi-N, glikosilasi-O, dan glikosilasi-C yang diperoleh dari website UniProt yang tersedia secara terbuka. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi modifikasi pasca translasi glikosilasi-N, glikosilasi-O, dan glikosilasi-C dengan menggabungkan 5 (lima) Ekstraksi fitur dan menggunakan algoritma Extreme Gradient Boosting (XGBoost). Ekstraksi fitur terdiri dari: AAIndex, Hydrophobicity, SABLE, CTD, dan PseAAC. Seleksi fitur dilakukan dengan pendekatan MRMR. Masing-masing fitur memberikan kontribusi terhadap peningkatan prediksi glikosilasi. Fitur AAIndex memberikan kontribusi terbesar pada peningkatan prediksi glikosilasi-N secara keseluruhan sebesar 24%. Sedangkan, fitur SABLE memberikan kontribusi terbesar pada peningkatan prediksi glikosilasi-O sebesar 44%. Fitur Hydrophobicity dan PseAAC masing-masing berkontribusi sebesar 27% untuk pningkatan prediksi glikosilasi-C iv Hasil penelitian ini menunjukkan kinerja prediksi modifikasi pasca translasi glikosilasi-N, glikosilasi-O dan glikosilasi-C dengan masing-masing nilai akurasi 100%. Pendekatan menggunakan XGBoost dalam penelitian ini berhasil meningkatkan akurasi sebesar 5% dibandingkan dengan penelitian sebelumnya. Kata Kunci: Post-translational modifications, glikosilasi, sequence, xgboost, klasifikasi Post-translational modification (PTM) is one of the important mechanisms in regulating protein function. Post-translational modifications refer to the addition of covalent and enzymatic protein modifications in protein biosynthesis, which play a crucial role in modifying protein function and regulating gene expression. One of the post-translational modifications is glycosylation, which involves adding sugar groups to protein structures. Glycosylation has been associated with several diseases including diabetes, cancer, and Alzheimer's. Therefore, it is important to anticipate glycosylation by predicting it. The current issue in glycosylation prediction still relies on manual laboratory techniques, resulting in slow prediction processes and requiring expensive laboratory equipment. To address this, a machine learning approach is needed so that predictions can be made faster and at a lower cost. The data used in this study are PTM glycosylation-N, glycosylation-O, and glycosylation-C data obtained from the publicly accessible UniProt website. This research aims to improve the accuracy of classification of post-translational modifications glycosylation-N, glycosylation-O, and glycosylation-C by combining 5 feature extractions and using the Extreme Gradient Boosting (XGBoost) algorithm. Feature extraction consists of: AAIndex, Hydrophobicity, SABLE, CTD, and PseAAC. Feature selection is performed using the MRMR approach. Each feature contributes to improving glycosylation prediction. The AAIndex feature contributes the most to the overall improvement in glycosylation prediction by 24%. Meanwhile, the SABLE feature contributes the most to the improvement in glycosylation-O prediction by 44%. The Hydrophobicity and PseAAC features contribute 27% each to the improvement of C-glycosylation prediction accuracy. vi The results of this study show the performance of predicting post-translational modifications of glycosylation-N, glycosylation-O, and glycosylation-C, with each having an accuracy value of 100%. The approach using XGBoost in this study successfully increased the accuracy by 5% compared to previous research. Keywords: Post-translational modification, glycosylation, site sequence, xgboost, classification PB - FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM TI - IMPLEMENTASI PENGGABUNGAN EKSTRAKSI FITUR DALAM MENINGKATKAN KLASIFIKASI POST-TRANSLATIONAL MODIFICATION (PTM) GLIKOSILASI PADA PROTEIN SEQUENCE N, O DAN C DENGAN METODE EXTREME GRADIENT BOOSTING (XGBOOST) AV - restricted ER -