ACADSTAFF UGM

CREATION
Title : Pendekatan Clustering Pada Model Prediksi Epitope
Author :
Date : 1 2020
Abstract : Pada awal perkembangannya sebagian besar metode prediksi epitope konformasi Sel B menggunakan pendekatan penyelesaian masalah klasifikasi dengan fungsi diskriminan. Ditinjau dari ketersediaan sampel data kelas positif dan kelas negatif, jumlahnya tidak seimbang atau dikategorikan sebagai masalah class imbalance. Metode machine learning yang disertai penanganan class imbalance menghasilkan kinerja yang lebih baik. Mekanisme sampling dipilih pada penelitian ini karena mekanisme bootstrapping mempunyai potensi hilangnya informasi penting pada dataset baru yang terbentuk. Meskipun ada banyak metode telah diterapkan pada masalah class imbalance, namun penerapan pada masalah prediksi epitope konformasi masih sangat terbatas. Lebih lanjut, beberapa metode penyeimbangan data dengan cluster-based undersampling telah dilakukan dengan beberapa pendekatan berbeda. Pada penelitian ini dilakukan kombinasi metode cluster-based undersampling dengan SMOTE untuk penanganan class imbalance dan decission tree classifier pada prediksi epitope sel B konformasi, yang selanjutnya disebut CluSMOTE-DT. Tiga algoritma clustering, yaitu Kmeans, DBSCAN dan HDBSCAN, telah dieksplorasi sebagai metode hibrid penanganan class imbalance CluSMOTE-DT pada model prediksi konfirmasi epitope. Hasil eksperimen menunjukkan bahwa algoritma clustering HDBSCAN lebih unggul dari DBSCAN dan Kmeans, berdasarkan nilai AUC, Gmean, Fmeasure, dan nilai indeks kualitas clustering.
Group of Knowledge : Ilmu Komputer
Original Language : Bahasa Indonesia
Level : Nasional
Status :
Document
No Title Document Type Action