%A ASTRAYESA  MUHAMAD SEPRYAN 
%T KLASIFIKASI ASETILASI DAN METILASI PADA DNA HISTON RAGI MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK  
%X Penelitian  ini  menyajikan  studi  eksperimental  tentang  klasifikasi  DNA  ragi menggunakan  Convolutional  Neural  Network  (CNN)  dengan  pengkodingan  one- hot  pada  data  DNA.  Tujuannya  adalah  untuk  menyelidiki  kinerja  model  CNN dalam  mengklasifikasikan  urutan  DNA  ragi  secara  akurat.  Tiga  percobaan dilakukan,  masing-masing  dengan  variasi  arsitektur  model  dan  teknik  pelatihan. Hasilnya dievaluasi berdasarkan metrik akurasi, daya ingat, dan presisi. Di antara ketiga  eksperimen  tersebut,  Eksperimen  3  menunjukkan  hasil  yang  paling menjanjikan. Model yang dilatih mencapai akurasi rata-rata 84,10%, recall 83,27%, dan  presisi  86,87%  selama  fase  pelatihan.  Namun  pada  tahap  pengujian,  model menunjukkan  penurunan  performa  yang  sedang,  menghasilkan  akurasi  rata-rata 65,32%, recall 65,13%, dan presisi 69,51%. Meskipun terlihat penurunan performa selama pengujian, Eksperimen 3 mengungguli eksperimen lain dalam hal akurasi klasifikasi.  Temuan  menunjukkan  potensi  model  CNN  untuk  secara  akurat mengklasifikasikan  urutan  DNA  ragi.  Penelitian  lebih  lanjut  diperlukan  untuk mengatasi kesenjangan kinerja antara fase pelatihan dan pengujian, dengan fokus pada  pengoptimalan  arsitektur  model  dan  teknik  pelatihan  untuk  meningkatkan kemampuan generalisasi sistem klasifikasi.
Kata  Kunci:  Klasifikasi  DNA,  Jaringan  Saraf  Konvolusi,  pengkodean  one-hot, metilasi, asetilasi.


This  study  presents  an  experimental  investigation  into  the  classification  of  yeast DNA  sequences  using  Convolutional  Neural  Networks  (CNNs)  with  one-hot encoding  applied  to  the  DNA  data.  The  primary  objective  is  to  evaluate  the performance of CNN models in accurately classifying yeast DNA sequences. Three experiments were conducted, each employing variations in model architecture and training  techniques.  The  outcomes  were  assessed  based  on  accuracy,  recall,  and precision  metrics.  Among  the  three,  Experiment  3  yielded  the  most  promising results.  During  the  training  phase,  the  model  achieved  an  average  accuracy  of 84.10%, recall of 83.27%, and precision of 86.87%. However, in the testing phase, the model exhibited a moderate performance decline, with an average accuracy of 65.32%,  recall  of  65.13%,  and  precision  of  69.51%.  Despite  the  observed performance  drop  during  testing,  Experiment  3  outperformed  the  other configurations  in  terms  of  classification  accuracy.  These  findings  highlight  the potential  of  CNN-based  models  to  effectively  classify  yeast  DNA  sequences. Further research is necessary to bridge the performance gap between training and testing phases, focusing on model architecture optimization and training strategies to enhance the generalization capabilities of the classification system.  Keywords: DNA classification, Convolutional Neural Network, one-hot encoding, methylation, acetylation.  
%C UNIVERSITAS LAMPUNG 
%D 2023
%I FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM 
%L eprints89289