PENGELOMPOKAN SEKUENS DNA MENGGUNAKAN METODE K-MEANS DAN FITUR N-MERS FREQUENCY BERNITA SINURAT

Transkripsi

1 PENGELOMPOKAN SEKUENS DNA MENGGUNAKAN METODE K-MEANS DAN FITUR N-MERS FREQUENCY BERNITA SINURAT DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014

2

3 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Pengelompokan Sekuens DNA menggunakan Metode K-Means dan Fitur N-mers Frequency adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, April 2014 Bernita Sinurat NIM G

4 ABSTRAK BERNITA SINURAT. Pengelompokan Sekuens DNA menggunakan Metode K-Means dan Fitur N-mers Frequency. Dibimbing oleh WISNU ANANTA KUSUMA. Deoxyribo Nucleic Acid (DNA) merupakan asam nukleat yang berisi instruksi genetik yang tersimpan dalam tubuh makhluk hidup. Setiap spesies memiliki DNA yang unik. Namun demikian, terdapat bagian yang memiliki kemiripan. Informasi mengenai ukuran kemiripan ini salah satunya sangat bermanfaat untuk membentuk phylogenetic tree yang dihasilkan dari proses pengelompokan sekuens-sekuens DNA. Tujuan dilakukannya penelitian ini adalah mengimplementasikan metode pengelompokan K-Means pada data sekuens DNA untuk mengenali suatu spesies dan membedakan spesies yang satu dengan yang lainnya berdasarkan kesamaan cirinya. Data yang digunakan dalam penelitian ini adalah tujuh puluh data spesies. Data dikelompokkan menggunakan metode K-Means yang kemudian dievaluasi menggunakan Indeks Davies Bouldin. Hasil pengelompokan pada penelitian ini menunjukkan bahwa nilai clustering terbaik dicapai oleh pengelompokan dengan 3 cluster. Kata kunci: Indeks Davies Bouldin, K-Means, n-mers, Sekuen DNA ABSTRACT BERNITA SINURAT. Grouping of DNA sequences using the method of K-Means and Frequency Features N-mers. Supervised by WISNU ANANTA KUSUMA. Deoxyribo Nucleic Acid (DNA) is a nucleic acid that contains genetic instructions stored in the bodies of living organisms. Each species has a unique DNA. However, there are still similarity section among DNA from different species. The similarity information is useful to generate phylogenetic tree which can be developed from the clustering of DNA sequences. The purpose of this study is to implement K-Means clustering on DNA sequence to identify and distinguish species from another based on its common characteristics. Data used in this study consist of 70 species. Data are grouped using the K-Means clustering, and evaluated using the Davies Bouldin Index. The result shows that the best clustering is obtained with 3 clusters. Keywords: Davies Bouldin Index, K-Means, n-mers, Sequence DNA

5 PENGELOMPOKAN SEKUENS DNA MENGGUNAKAN METODE K-MEANS DAN FITUR N-MERS FREQUENCY BERNITA SINURAT Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014

6 Penguji : 1 Toto Haryanto, SKom Msi 2 Muhammad Ashyar Agmalaro, SSi MKom

7 Judul Skripsi : Pengelompokan Sekuens DNA menggunakan Metode K-Means dan Fitur N-mers Frequency Nama : Bernita Sinurat NIM : G Disetujui oleh Dr Wisnu Ananta Kusuma, ST MT Pembimbing Diketahui oleh Dr Ir Agus Buono, MSi MKom Ketua Departemen Ilmu Komputer Tanggal Lulus:

8 PRAKATA Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala berkat-nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Tema yang dipilih dalam penelitian ini ialah pengelompokan sekuens DNA menggunakan metode K-Means dan fitur n-mers frequency. Penulis mengucapkan terimakasih kepada seluruh pihak yang telah berperan dalam penelitian ini, yaitu: 1 Kedua orang tua serta seluruh keluarga atas doa, semangat, kasih sayang dan dorongan kepada penulis agar dapat segera menyelesaikan penelitian ini. 2 Bapak Dr Wisnu Ananta Kusuma, ST MT selaku dosen pembimbing yang telah memberikan arahan, masukan, dan dukungan kepada penulis. 3 Bapak Toto Haryanto, SKom MSi dan Bapak Muhammad Ashyar Agmalaro, SSi MKom selaku dosen penguji yang telah banyak memberi saran. 4 Ibu Istriyati selaku atasan yang telah memberikan izin, mendukung dan memotivasi dalam menyelesaikan pendidikan di alih jenis Ilmu Komputer IPB. 5 Rekan satu bimbingan:agung Widyo Utomo, Fariz Ashar Himawan, Alharis Tamsin, Fitria Ellyana, dan Galih yang saling berbagi ide dan saling memotivasi selama pengerjaan skripsi. 6 Para sahabat:cory Diana, Mira Della, Yosi Nurhayati, Jefri Hernandes, Yusuf Setiadi, R. Ahmad Somadi, Puspita Kartikasari, serta seluruh rekan-rekan Ilkom Alih Jenis angkatan 5, atas kerjasamanya selama penelitian. 7 Rekan-rekan Pusat Penyuluhan Hukum BPHN Kementerian Hukum dan HAM khususnya Bidang Pengembangan Penyuluhan Hukum atas perhatian dan motivasinya. 8 Pihak-pihak lain yang tidak dapat penulis sebutkan satu persatu. Semoga karya ilmiah ini bermanfaat. Bogor, April 2014 Bernita Sinurat

9 DAFTAR ISI DAFTAR TABEL vii DAFTAR GAMBAR vii DAFTAR LAMPIRAN vii PENDAHULUAN 1 Tujuan Penelitian 1 Manfaat Penelitian 1 Ruang Lingkup Penelitian 1 METODE 2 Penyiapan Data 3 Ekstraksi Ciri 3 Normalisasi 4 Algoritme K-Means 4 Indeks Davies Bouldin (IDB) 5 Lingkungan Implementasi Sistem 5 HASIL DAN PEMBAHASAN 6 Tahap Pengumpulan Data 6 Tahap Praproses Data 6 Tahap Pengelompokan 6 SIMPULAN DAN SARAN 8 Simpulan 8 Saran 8 DAFTAR PUSTAKA 9 LAMPIRAN 15 RIWAYAT HIDUP 21

10 DAFTAR TABEL 1 Nilai IDB terbaik dari masing-masing cluster 7 2 Hasil clustering dengan 3 cluster 7 3 Hasil clustering dengan 5 cluster 8 4 Hasil clustering dengan 7 cluster 8 DAFTAR GAMBAR 1 Metode Penelitian 2 2 Contoh Data GenBank NCBI dalam format FASTA 3 3 Contoh perhitungan dengan n-mers frequency 3 DAFTAR LAMPIRAN 1 Data yang digunakan dalam penelitian 10 2 Visualisasi hasil clustering K-Means 12 3 Hasil Ekstraksi ciri menggunakan n-mers frequency untuk 70 data sekuen DNA 13 4 Hasil Normalisasi Ekstraksi ciri 16

11 1 PENDAHULUAN Latar Belakang Deoxyribo Nucleic Acid (DNA) merupakan asam nukleat yang berisi instruksi genetik yang tersimpan dalam tubuh makhluk hidup. DNA merupakan rantai ganda dari molekul sederhana (nukleotida) yang diikat bersama-sama dalam struktur helix yang dikenal dengan double helix. Ada 4 basa utama yang terdapat pada setiap satu nukleotida DNA, yaitu adenine (A), cytosine (C), thymine (T), atau guanine (G). Variasi urutan dari keempat basa tersebut membentuk suatu kode genetik pada sel. Variasi urutan basa DNA pada spesies mahluk hidup memiliki kemiripan yang menyebabkan beberapa spesies saling terkait satu sama lain. Oleh karena itu, untuk mengenali suatu spesies dan membedakan spesies yang satu dengan yang lainnya diperlukan pengelompokan berdasarkan kesamaan ciri fiturnya. Clustering merupakan salah satu metode Data Mining yang bersifat tanpa arahan (unsupervised). Ada dua jenis data clustering yang sering digunakan dalam proses pengelompokan data, yaitu hierarchical (hirarki) data clustering dan nonhierarchical (non hirarki) data clustering. K-Means merupakan salah satu metode data clustering non hirarki yang berusaha mempartisi data yang ada ke dalam bentuk satu atau lebih cluster/kelompok. Metode ini mempartisi data ke dalam cluster sehingga data yang memiliki karakteristik yang sama dikelompokkan ke dalam satu cluster yang sama dan data yang mempunyai karakteristik yang berbeda dikelompokkan ke dalam kelompok yang lain (Agusta 2007). Dalam statistik dan mesin pembelajaran, K-Means merupakan metode analisis kelompok yang mengarah pada proses partisi N objek pengamatan ke dalam K kelompok (cluster), setiap objek pengamatan dimiliki oleh sebuah kelompok dengan mean (rata-rata) terdekat. Metode ini mencoba menemukan pusat dari kelompok dalam data sebanyak iterasi (Prasetyo 2012). Tujuan dari proses clustering DNA ialah menemukan pola pengelompokan DNA yang meminimalisasikan variasi di dalam suatu cluster dan memaksimalisasikan variasi antar-cluster. Tujuan Penelitian Tujuan dilakukannya penelitian ini adalah mengimplementasikan metode K-Means pada data sekuens DNA untuk mengelompokkan DNA ke dalam cluster. Manfaat Penelitian Penelitian ini diharapkan dapat menghasilkan pengelompokan DNA secara tepat dan konsisten untuk mengenali suatu struktur metagenom DNA. Ruang Lingkup Penelitian Ruang lingkup penelitian ini meliputi: 1 Data yang digunakan berasal dari data GenBank NCBI berformat FASTA.

12 2 2 DNA sekuen yang digunakan adalah DNA bakteri sebanyak 70 spesies dengan 64 ciri. 3 Data yang digunakan adalah data mikroba. 4 Pengelompokan DNA sekuens dikelompokkan menggunakan metode K-Means dengan ukuran cluster 3,5,7 dan ekstraksi ciri menggunakan n-mers frequency dengan nilai n sama dengan 3. METODE Penelitian ini dilaksanakan dalam beberapa tahapan yang diilustrasikan pada Gambar 1. Tahapan yang dilakukan, ialah penyiapan data, ektraksi ciri dengan n-mers frequency, perhitungan pengelompokan DNA menggunakan metode K-Means, serta analisis hasil pengelompokan. Gambar 1 Metode Penelitian

13 3 Penyiapan Data Data yang digunakan pada penelitian ini berupa 70 data spesies dalam bentuk sekuens DNA (urutan nukleotida pada suatu DNA). Sekuens yang digunakan berasal dari data Genbank NCBI dalam format FASTA. Data tersebut terdiri atas A, C, T, dan G. Contoh format FASTA dapat dilihat pada Gambar 2. Gambar 2 Contoh Data GenBank NCBI dalam format FASTA Ekstraksi Ciri Pada tahap ini dilakukan proses ekstraksi ciri. Metode ekstraksi ciri yang digunakan untuk mendapatkan ciri DNA adalah n-mers frequency. Ekstraksi ciri n-mers frequency dihitung menggunakan kombinasi 3 nukleotida dengan nilai n sama dengan 3 sehingga diperoleh pola ciri {AAA, AAC, AAT, AAG, ACA, ACC, ACT, ACG, ATA, ATC, ATT, ATG, AGA, AGC, AGT, AGG, CAA, CAC, CAT, CAG, CCA, CCC, CCT, CCG, CTA, CTC, CTT, CTG, CGA, CGC, CGT, CGG, TAA, TAC, TAT, TAG, TCA, TCC, TCT, TCG, TTA, TTC, TTT, TTG, TGA, TGC, TGT, TGG, GAA, GAC, GAT, GAG, GCA, GCC, GCT, GCG, GTA, GTC, GTT, GTG, GGA, GGC, GGT, GGG}. Dimensi yang digunakan sebesar 4 3 yaitu 64 bp (base pair). Frekuensi kemunculan tiap fragmen DNA dihitung dengan pola ciri tersebut. Proses ekstraksi ciri ini dilakukan untuk memudahkan perhitungan jarak antar titik. Fitur n-mers frequency dengan nilai n sama dengan 3 pada sekuens AAAAATGAGGGCCCCCCTGGACGTG, sehingga diperoleh fitur seperti pada Gambar 3. Gambar 3 Contoh perhitungan dengan n-mers frequency

14 4 Normalisasi Nilai rentang dari data hasil ekstraksi ciri sangat bervariasi, sehingga nilai yang diperoleh harus diskalakan kedalam batas nilai tertentu agar tidak terdapat dimensi data yang terlalu besar ataupun terlalu kecil yang akan sangat mempengaruhi hasil pengelompokan. Setiap nilai dalam data dikurangkan dengan nilai paling kecil dan dibagi dengan nilai paling besar kurang nilai paling kecil, sehingga skala rentang nilai yang didapatkan berada pada [0,0] hingga [1,0]. Min-max melakukan transformasi linear pada data, menggunakan nilai minimum dan nilai maksimum. Normalisasi min-max mempertahankan hubungan antara nilai data asli (Han dan Kamber 2001). Proses normalisasi dilakukan dengan mengurangkan nilai data asli dengan nilai minimal, kemudian dibagi dengan nilai maksimal kurang nilai minimal. Dapat dihitung dengan rumus: Algoritme K-Means K-Means merupakan salah satu metode pengelompokan data non-hirarki yang berusaha mempartisi data yang ada ke dalam bentuk dua atau lebih kelompok. Metode ini mempartisi data ke dalam kelompok sehingga data yang berkarakteristik sama dimasukkan ke dalam satu kelompok yang sama dan data yang berkarakteristik berbeda dikelompokkan ke dalam kelompok yang lain. Ada pun tujuan pengelompokan data ini adalah untuk meminimalkan variasi di dalam suatu kelompok dan memaksimalkan variasi antar kelompok (Prasetyo 2012). Langkah awal proses algoritme K-Means ialah menentukan pusat dari tiap cluster yang hampir sejenis yang kemudian disebut centroid. Centroid biasanya ditentukan secara acak (random). Kemudian, jarak tiap cluster dihitung terhadap centroid yang ada. Setiap cluster yang memiliki jarak terdekat dari tiap obyek terhadap centroid dikelompokkan. Nilai centroid dihitung kembali secara berulang-ulang sampai posisi centroid tidak berpindah lagi. Agusta (2007) menyatakan ada beberapa tahapan dalam melakukan cluster menggunakan K-Means, yaitu: 1 Menentukan jumlah cluster. 2 Mengalokasikan data ke dalam cluster secara random. 3 Menghitung centroid/rata-rata dari data yang ada di masing-masing cluster. Pusat cluster adalah rata-rata (mean) dari semua data atau objek dalam cluster tertentu, 4 Mengalokasikan masing-masing data ke centroid/rata-rata terdekat. Ada beberapa rumus jarak dua titik x dan y, dalam tulisan ini memakai jarak euclidean distance (d), adapun rumusnya adalah sebagai berikut: - 5 Ulangi langkah 3, jika masih terdapat data yang berpindah cluster atau apabila terdapat perubahan nilai centroid.

15 5 Ketika algoritma partisional seperti K-Means yang digunakan tidak menghasilkan perbedaan yang signifikan, indeks validasi cluster akan digunakan untuk evaluasi kualitas cluster (Sivogolovko 2012). Indeks Davies Bouldin (IDB) Hasil clustering yang diperoleh menggunakan algoritme K-Means divalidasi menggunakan Indeks Davies Bouldin (IDB). Pengukuran ini memaksimalkan jarak inter-cluster antara Cluster Ci dan Cj dan pada waktu yang sama mencoba untuk meminimalkan jarak antar titik dalam sebuah cluster. Jarak intra-cluster sc (Qk) dalam Cluster Qk ialah: - dengan Nk adalah banyak titik yang termasuk dalam Cluster Qk dan Ck adalah centroid dari Cluster Qk. Jarak Inter-cluster didefinisikan: dengan Ck dan Cl adalah centroid Cluster k dan Cluster l. Di lain pihak, Indeks Davies Bouldin dihitung dengan menggunakan rumus: dengan nc adalah banyak cluster. Skema clustering yang optimal menurut Indeks Davies Bouldin ialah yang memiliki Indeks Davies Bouldin minimal (Salazar et al. 2002). Informasi penting yang diperoleh dari hasil cluster diharapkan bermanfaat sehingga dapat diperoleh penanganan terhadap clustering yang berhubungan dengan DNA. Lingkungan Implementasi Sistem Lingkungan implementasi sistem adalah sebagai berikut : Perangkat keras berupa notebook: Processor Intel Core i5-2450m 2.50 GHz RAM kapasitas 4 GB, harddisk kapasitas 600 GB, monitor dengan resolusi 1600 x900 piksel. Perangkat lunak: Sistem operasi Microsoft Windows 7 Home Premium. Perangkat Matlab R2010b Perangkat lunak Dev-C++ Microsoft Excel 2007

16 6 HASIL DAN PEMBAHASAN Data sekuens DNA yang telah dinormalisasi akan dikelompokkan menggunakan metode K-Means. Jumlah cluster yang digunakan dalam pengelompokan data menggunakan K-Means adalah 3, 5, dan 7. Metode K-Means melakukan pengelompokan dengan meletakkan titik data ke dalam cluster yang titik pusatnya berjarak terdekat. Salah satu karakteristik dari metode K-Means adalah sangat sensitif dalam penentuan titik pusat awal cluster karena K-Means membangkitkan titik pusat cluster awal secara random. Pada saat pembangkitan awal titik pusat tersebut mendekati solusi akhir pusat cluster, maka akan menemukan hasil pengelompokan yang tepat. Sebaliknya, jika awal titik pusat tersebut jauh dari solusi akhir pusat cluster, besar kemungkinan menyebabkan hasil pengelompokan yang tidak tepat. Tahap Pengumpulan Data Data sekuen DNA berupa data berformat FASTA yang diunduh dari GenBank NCBI sebanyak 70 spesies DNA mikroba dapat dilihat pada Lampiran 1. Setiap DNA memiliki panjang sekuen yang berbeda-beda. Tujuh puluh data spesies tersebut memiliki paling banyak 6,731,723 karakter dan paling sedikit 1,595. Data tersebut terdiri dari rangkaian huruf yang merepresentasikan nukleotida adenine (A), cytosine (C), thymine (T), dan guanine (G). Urutan dalam format FASTA dimulai dengan deskripsi sekuen DNA tersebut, dan diikuti oleh barisan data sekuen. Diawali oleh simbol > dan deskripsi dari sekuen DNA, sisanya merupakan barisan nukleotida yang panjangnya tidak melebihi 80 karakter per baris dan tanpa mengandung spasi. Tahap Praproses Data Ekstraksi Ciri dengan n-mers frequency Tahap ini merupakan proses ekstraksi ciri dari sebuah sekuen DNA yang terdiri atas urutan huruf ditransformasi menjadi matriks. Ekstraksi ciri dengan n-mers frequency menggunakan nilai n sama dengan 3, sehingga dimensi yang digunakan sebesar 4 3 yaitu 64 bp (base pair). Setiap sekuen DNA dari 70 data spesies diubah menjadi matriks 70x64. Ekstraksi ciri dilakukan karena dari sebuah sekuen DNA tersebut harus didapatkan nilai-nilai yang bisa dijadikan sebagai identitasnya, sehingga bisa diproses pada tahap selanjutnya. Tahap Pengelompokan Penerapan Metode K-Means Data sekuen DNA yang digunakan dalam pengelompokan ini adalah data yang dinormalisasi. Masukan untuk pengelompokan menggunakan metode K-Means adalah data dari praproses dengan 64 ciri DNA. Selanjutnya, centroid ditentukan dan jarak setiap data terhadap setiap centroid dihitung sehingga setiap data membentuk cluster. Setelah cluster diperoleh, dilakukan penghitungan ulang centroid dengan mencari nilai tengah dari setiap komponen satu cluster. Setelah didapatkan centroid baru, jarak objek

17 7 dengan centroid kembali dihitung. Iterasi pada algoritme K-Means akan berhenti apabila centroid cluster tidak berubah atau anggota cluster tetap sama. Inisialisasi centroid sangat dibutuhkan pada metode K-Means karena pada K-Means nilai centroid dipilih secara acak sehingga mempengaruhi hasil cluster. Begitu juga dengan ukuran cluster, metode K-Means tidak dapat menentukan ukuran cluster yang baik sehingga diperlukan nilai IDB. Nilai Indeks Davies Bouldin (IDB) Hasil dari pengelompokan spesies menggunakan K-Means dianalisis menggunakan Nilai IDB. Penelitian ini menggunakan 3 cluster yang berbeda-beda. Percobaan pertama dengan menggunakan 3 cluster, percobaan kedua menggunakan 5 cluster, dan percobaan ketiga menggunakan 7 cluster. Pada pengelompokan dengan ukuran cluster 3, nilai IDB minimum sama dengan 2,122. Hal ini menunjukkan bahwa percobaan dengan 3 cluster tersebut memiliki perbandingan antara jarak antar-cluster dan intra-cluster-nya sebesar 2,122. Pada jumlah cluster 5 nilai IDB minimum sama dengan 2,912, dan pada jumlah cluster 7 nilai IDB sama dengan 7,073 (Tabel 1). Berdasarkan Tabel 1 dapat dilihat bahwa Indeks Davies Bouldin paling minimum adalah 2,122 dengan percobaan hasil pengelompokan sebanyak 3 cluster. Tabel 1 Nilai IDB terbaik dari masing-masing cluster Banyaknya Cluster Indeks Davies Bouldin (IDB) 3 2, , ,073 Pengelompokan Menggunakan Metode K-Means Hasil clustering dari masing-masing cluster dijabarkan sebagai berikut. 1 Clustering dengan 3 cluster Hasil clustering dengan 3 cluster dapat dilihat pada Tabel 2. Tabel 2 Hasil clustering dengan 3 cluster Cluster spesies 9 spesies 52 spesies Kolom 1 pada Tabel 2 artinya berada di satu kelas yang sama pada cluster 1 ada 9 spesies DNA, kolom 2 pada cluster ke-2 ada 9 spesies DNA dan kolom 3 pada cluster ke-3 ada 52 spesies DNA. Dari Tabel 2 dapat dilihat bahwa hasil clustering pada cluster 3 mempunyai jarak lebih dekat dengan cluster 3 dibandingkan dengan cluster 1 dan cluster 2. 2 Clustering dengan 5 cluster Hasil clustering dengan 5 cluster dapat dilihat pada Tabel 3.

18 8 Tabel 3 Hasil clustering dengan 5 cluster Cluster spesies 7 spesies 46 spesies 9 spesies 1 spesies Sama seperti yang dibahas sebelumnya, dari Tabel 3 dapat dilihat bahwa hasil clustering pada cluster 5 mempunyai jarak lebih dekat dengan cluster 3 dibandingkan dengan cluster 1, cluster 2, cluster 4, dan cluster 5. 3 Clustering dengan 7 cluster Hasil clustering dengan 7 cluster dapat dilihat pada Tabel 4. Tabel 4 Hasil clustering dengan 7 cluster Cluster spesies 45 spesies 2 spesies 4 spesies 7 spesies 5 spesies 5 spesies Seperti yang dibahas sebelumnya, kolom-kolom pada Tabel 4 artinya berada di satu kelas yang sama pada setiap kolom. Hasil clustering pada cluster 7 mempunyai jarak lebih dekat dengan cluster 2 dibandingkan dengan cluster lainnya. SIMPULAN DAN SARAN Simpulan Pada penelitian ini, clustering sekuen DNA dilakukan dengan metode K-Means berdasarkan fitur cirinya. Percobaan dilakukan dengan 3 kali percobaan yaitu 3 cluster, 5 cluster dan 7 cluster. Dari ketiga percobaan tersebut, yang memiliki indeks minimum adalah 3 cluster. Saran Untuk pengembangan dari penelitian ini disarankan untuk melakukan halhal berikut: 1 Menambah jumlah sekuen DNA yang digunakan. 2 Menggunakan perhitungan ekstraksi ciri lain seperti feature vectors dan spaced n-mers sehingga dapat dilakukan perbandingan. 3 Menggunakan algoritme pengelompokan lain seperti single link dan complete link sehingga dapat dilakukan perbandingan.

19 9 DAFTAR PUSTAKA Agusta Y K-Means penerapan, permasalahan dan metode terkait. Jurnal Sistem dan Informatika 3. (2): Han J, Kamber M Data Mining: Concepts and Techniques. San Fransisco(US): Morgan Kaufmann Publishers. Prasetyo E Data Mining Konsep dan Aplikasi menggunakan Matlab. Jakarta: C.V. Andi Offset. Salazar GEJ, Veles AC, Parra MCM, Ortega LO A cluster validity index for comparing non-hierarchical clustering methods. [terhubung berkala]. [16 April 2014]. Sivogolovko E Validating cluster structures in Data Mining tasks. Russia: Saint-Petersbureg State University.

20 10 Lampiran 1 Data yang digunakan dalam penelitian No Spesies 1 Agrobacterium fabrum str. C58 chromosome circular, complete sequence 2 Agrobacterium radiobacter K84 chromosome 2 3 Agrobacterium rhizogenes gene for 16S ribosomal RNA, complete sequence 4 Agrobacterium rhizogenes strain IFO S ribosomal RNA, complete sequence 5 Agrobacterium rubi gene for 16S ribosomal RNA, complete sequence 6 Agrobacterium tumefaciens gene for 16S ribosomal RNA, complete sequence 7 Agrobacterium tumefaciens plasmid Ti, complete sequence 8 Agrobacterium tumefaciens str. C58 chromosome linear, complete sequence 9 Agrobacterium tumefaciens Ti plasmid ptibo542, complete sequence 10 Agrobacterium vitis S4 chromosome 1 11 Borrelia afzelii ACA-1 plasmid lp17, complete sequence 12 Borrelia bissettii DN127 plasmid lp25, complete sequence 13 Borrelia burgdorferi 297 plasmid 297_lp28-6, complete sequence 14 Borrelia duttonii Ly plasmid pl23b, complete sequence 15 Borrelia garinii PBi plasmid cp26, complete sequence 16 Borrelia garinii PBi plasmid lp54, complete sequence 17 Borrelia garinii PBi, complete genome 18 Borrelia sp. SV1 plasmid SV1_lp28-2, complete sequence 19 Borrelia spielmanii A14S plasmid A14S_lp28-8, complete sequence 20 Borrelia valaisiana VS116 plasmid VS116_cp32-5, complete sequence 21 Campylobacter coli plasmid pcc31, complete sequence 22 Campylobacter concisus plasmid pccon31, complete sequence 23 Campylobacter hominis ATCC BAA-381 plasmid pch4, complete sequence 24 Campylobacter jejuni subsp. jejuni plasmid pvir, complete sequence 25 Campylobacter jejuni subsp. jejuni CG8486 Scon07, whole genome shotgun sequence 26 Campylobacter jejuni subsp. jejuni CG8486 Scon10b, whole genome shotgun sequence 27 Campylobacter coli plasmid pcc31, complete sequence 28 Campylobacter jejuni subsp. jejuni CG8486 Scon15, whole genome shotgun sequence 29 Campylobacter jejuni subsp. jejuni NCTC = ATCC chromosome, complete genome 30 Campylobacter lari RM2100 megaplasmid pcl2100, complete sequence

21 Lanjutan lampiran 1 31 Campylobacter phage NCTC12673, complete genome 32 Corynebacterium aurimucosum ATCC plasmid pet44827, complete sequence 33 Corynebacterium diphtheriae NCTC 13129, complete genome 34 Corynebacterium efficiens YS-314 plasmid pce2, complete sequence 35 Corynebacterium efficiens YS-314 plasmid pce3, complete sequence 36 Corynebacterium glutamicum ATCC 13032, complete genome 37 Corynebacterium glutamicum R plasmid pcgr1, complete sequence 38 Corynebacterium jeikeium plasmid pb85766, complete sequence 39 Corynebacterium jeikeium plasmid pk64, complete sequence 40 Corynebacterium resistens DSM plasmid pja144188, complete sequence 41 Corynebacterium sp. L plasmid plew279a, complete sequence 42 Mycobacterium bovis BCG Pasteur 1173P2, complete genome 43 Mycobacterium bovis BCG str. Mexico chromosome, complete genome 44 Mycobacterium bovis BCG str. Moreau RDJ complete genome 45 Mycobacterium bovis BCG str. Tokyo 172 DNA, complete genome 46 Mycobacterium leprae TN, complete genome 47 Mycobacterium marinum M chromosome, complete genome 48 Mycobacterium smegmatis JS623, complete genome 49 Mycobacterium tuberculosis H37Rv complete genome 50 Mycobacterium ulcerans Agy99 chromosome, complete genome 51 Mycobacterium vanbaalenii PYR-1 chromosome, complete genome 52 Staphylococcus aureus subsp. aureus COL chromosome, complete genome 53 Staphylococcus aureus subsp. aureus MSSA476 chromosome, complete genome 54 Staphylococcus aureus subsp. aureus strain MRSA252, complete genome 55 Staphylococcus epidermidis ATCC 12228, complete genome 56 Staphylococcus haemolyticus JCSC1435 DNA, complete genome 57 Staphylococcus lugdunensis HKU09-01, complete genome 58 Staphylococcus phage A5W, complete genome 59 Staphylococcus saprophyticus subsp. saprophyticus ATCC 15305, complete genome 60 Staphylococcus sp plasmid plew6932, complete sequence 11

22 12 Lanjutan lampiran 1 61 Streptococcus agalactiae plasmid pls1, complete sequence 62 Streptococcus dysgalactiae subsp. equisimilis plasmid psdyt132, complete sequence 63 Streptococcus infantarius subsp. infantarius strain CJ18 gal-lac operon, complete sequence 64 Streptococcus macedonicus ACA-DC 198 plasmid psma198, complete sequence 65 Streptococcus mutans strain NC101 plasmid pnc101, complete sequence 66 Streptococcus parasanguinis plasmid pfw213, complete sequence 67 Streptococcus pneumoniae D39 plasmid pdp1, complete sequence 68 Streptococcus pyogenes isolate plasmid prw35, complete sequence 69 Streptococcus suis plasmid pssu1 DNA, complete sequence 70 Streptococcus thermophilus 2783 plasmid pt38, complete sequence Lampiran 2 Visualisasi hasil clustering K-Means

23 Lampiran 3 Hasil Ekstraksi ciri menggunakan n-mers frequency untuk 70 data sekuen DNA Fitur Ciri AAA AAC AAT AAG ACA ACC ACT ACG ATA ATC ATT ATG AGA AGC AGT... GGG Jumlah Data

24 14 Lanjutan lampiran

25 Lanjutan lampiran

26 16 Jumlah Data Lampiran 4 Hasil Normalisasi Ekstraksi ciri Fitur Ciri AAA AAC AAT AAG ACA ACC ACT ACG ATA ATC ATT ATG AGA AGC AGT... GGG

27 Lanjutan lampiran

28 18 Lanjutan lampiran

29 19 RIWAYAT HIDUP Penulis dilahirkan pada tanggal 08 Oktober 1987 di Tebing Tinggi, Serdang Bedagai Sumatera Utara. Penulis merupakan anak ke-3 dari 3 bersaudara dari pasangan Janour Sinurat, SPd dan Mika br Simbolon. Pada tahun 2006 Penulis lulus dari SMA Swasta Katolik Budi Murni Tebing Tinggi, Medan. Pada tahun yang sama, Penulis lulus jalur Undangan Seleksi Masuk Institut Pertanian Bogor (USMI) Program Diploma. Pada tahun 2009, Penulis lulus dari Program Diploma Manajemen Informatika IPB. Penulis bekerja sebagai staf admin pada PT. Nerita Karya Lestari sejak Maret 2010 hingga September Pada tahun yang sama, Penulis melanjutkan program studi sarjana di Departemen Ilmu Komputer IPB pada Pogram Studi Ilmu Komputer dan Penulis diterima sebagai CPNS pada Badan Pembinaan Hukum Nasional (BPHN) Kementerian Hukum dan HAM Jakarta.