IMPLEMENTASI HYBRID SAMPLING TECHNIQUE UNTUK

PREDIKSI INTERAKSI SENYAWA AKTIF DAN PROTEIN

PADA DATA YANG TIDAK SEIMBANG

ANGGUN SULIA RAHMI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2018

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Implementasi Hybrid

Sampling Technique untuk Prediksi Interaksi Senyawa Aktif dan Protein pada Data

yang Tidak Seimbang 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, Juli 2018

Anggun Sulia Rahmi

NIM G64140018

ABSTRAK

ANGGUN SULIA RAHMI. Implementasi Hybrid Sampling Technique untuk

Prediksi Interaksi Senyawa Aktif dan Protein pada Data yang Tidak Seimbang.

Dibimbing oleh WISNU ANANTA KUSUMA dan RUDI HERYANTO.

Sistem prediksi formula jamu (Indonesia Jamu Herbs-Ijah) dikembangkan

untuk memprediksi khasiat jamu berdasarkan hubungan interaksi senyawa aktif dan

protein penyakit. Data hubungan interaksi senyawa aktif dan protein merupakan

jenis data tidak seimbang karena banyak data senyawa aktif yang belum diketahui

interaksinya dengan protein target, sehingga menyebabkan hasil prediksi yang

kurang optimal. Pada penelitian ini, hybrid sampling technique dengan

mengombinasikan complementary fuzzy support vector machine (CMTFSVM) dan

sytnthetic minority oversampling technique (SMOTE) digunakan untuk menangani

data interaksi senyawa aktif dan protein yang tidak seimbang pada data Ijah.

Pengujian dilakukan menggunakan geometric mean (Gmean), area under curve

(AUC), dan akurasi. Hasil penelitian menunjukkan bahwa hybrid sampling

technique pada senyawa aktif dan protein pada Ijah berhasil meningkatkan kelas

data minoritas mecapai tiga kali lipat dari data sampel yang digunakan. Model

prediksi yang dihasilkan memiliki akurasi, Gmean, dan AUC secara berurutan

sebesar 0.8346, 0.6812, dan 0.5319.

Kata kunci: CMTFSVM, data tidak seimbang, hybrid sampling technique

ABSTRACT

ANGGUN SULIA RAHMI. Implementation of Hybrid Sampling Technique for

Predicting Active Compound and Protein Interaction in Unbalanced Data.

Supervised by WISNU ANANTA KUSUMA dan RUDI HERYANTO.

Indonesia Jamu Herbs (Ijah) web server aims to predict Jamu efficacy based

on its active compound and disease’s protein interaction. However, the interaction

between compound and protein data is unbalanced since there are many unknown

interactions between active compounds and protein target. Thus, the prediction

result is still not optimal. In this research, the hybrid sampling technique,

combining complementary fuzzy support vector machine (CMTFSVM) and

synthetic minority oversampling technique (SMOTE) was used to handle

imbalanced data interaction between active compound and protein for Ijah.

Performance was measured using geometric mean (Gmean), area under curve

(AUC), and accuracy. The evaluation result show that the hybrid sampling

technique could increase the instance of minority class three times. Moreover, the

prediction model could obtain the value of 0.8346, 0.6812, and 0.5319 for accuracy,

Gmean, and AUC, respectively.

Keywords: CMTFSVM, hybrid sampling technique, unbalanced data

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer

pada

Departemen Komputer

IMPLEMENTASI HYBRID SAMPLING TECHNIQUE UNTUK

PREDIKSI INTERAKSI SENYAWA AKTIF DAN PROTEIN

PADA DATA YANG TIDAK SEIMBANG

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2018

ANGGUN SULIA RAHMI

Penguji:

1 Husnul Khotimah, SKomp MKom

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas

segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Penelitian ini

berjudul Implementasi Hybrid Sampling Technique untuk Prediksi Interaksi

Senyawa Aktif dan Protein pada Data yang Tidak Seimbang telah dilaksanakan

sejak bulan Februari 2018.

Terima kasih penulis ucapkan kepada Bapak DrEng. Wisnu Ananta Kusuma,

ST MT dan Bapak Rudi Heryanto, SSi MSi selaku pembimbing. Terima kasih

kepada Ibu Husnul Khotimah, SKomp Mkom sebagai penguji yang telah

memberikan masukan dan saran yang sangat berharga. Terima kasih kepada pihak

Biofarmaka yang telah memberikan dukungan sarana dan dana. Terima kasih

kepada semua pihak yang tidak dapat disebutkan satu persatu namanya karena telah

menyumbangkan pendapat serta memberi dukungan moril maupun materil dalam

penyelesaian penelitian ini. Terima kasih khusus penulis ungkapkan kepada ayah,

ibu, serta keluarga atas dukungan doa, kasih sayang dan kesabaran yang luar biasa.

Semoga karya ilmiah ini bermanfaat.

Bogor, Juli 2018

Anggun Sulia Rahmi

DAFTAR ISI

DAFTAR TABEL viii

DAFTAR GAMBAR viii

DAFTAR LAMPIRAN viii

PENDAHULUAN 1

Latar Belakang 1

Perumusan Masalah 2

Tujuan Penelitian 2

Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

TINJAUAN PUSTAKA 3

Data Tidak Seimbang 3

Complementary Fuzzy Support Vector Machine (CMTFSVM) 3

Synthetic Minority Oversampling Technique (SMOTE) 4

METODE 5

Data Penelitian 5

Tahapan Penelitian 5

Implementasi Hybrid Sampling Technique 6

Pengujian 8

Lingkungan Pengembangan 8

HASIL DAN PEMBAHASAN 9

Pengumpulan Data 9

Praproses Data 9

Pengujian 10

SIMPULAN DAN SARAN 13

Simpulan 13

Saran 14

DAFTAR PUSTAKA 14

LAMPIRAN 13

RIWAYAT HIDUP 15

DAFTAR TABEL

1 Statistik dataset Preuengkarn et al. (2017) 5

2 Deskripsi data penelitian 9

3 Pengujian dataset tidak seimbang menggunakan SVM dan FSVM 10

4 Hasil uji hasil implementasi hybrid sampling technique 11

5 Perbandingan Gmean hasil implementasi dan Pruengkarn et al. (2017) 12

6 Perbandingan AUC hasil implementasi dan Pruengkarn et al. (2017) 12

7 Hasil pengujian menggunakan SVM 13

8 Hasil pengujian hybrid sampling technique pada CPI 13

DAFTAR GAMBAR

1 Ilustrasi CMTFSVM (Pruengkarn et al. 2017) 4 2 Tahapan Penelitian 6 3 Implementasi hybrid sampling technique 7

DAFTAR LAMPIRAN

1 Data compound descriptor dan protein descriptor 16 2 Data Compound Protein Interaction Ijah (Kurnia 2017) 17 3 Dataset Pruengkarn et al. (2017) 18

4 Compound Protein Interaction dataset Ijah 21

1

PENDAHULUAN

Latar Belakang

Jamu merupakan obat herbal tradisional Indonesia yang dipercaya dapat

menjaga kesehatan dan mengatasi penyakit (Torri 2013). Beberapa tanaman

dicampur dan diracik untuk mengatasi masalah kesehatan tertentu. Menurut WHO

(2008) racikan jamu diwariskan secara turun-temurun berlandaskan pengalaman

dan budaya masyarakat.

Penelitian mengenai hubungan antara isi racikan jamu dan khasiat jamu

dalam penyembuhan penyakit dilakukan oleh Afendi et al. (2010) dengan

menganalisis interaksi antara efikasi, jamu, dan komposisi jamu. Khasiat jamu

dimodelkan berdasarkan komposisi dan racikan tanaman dengan menggunakan

partial least square discriminant analysis (PLS-DA). Pemodelan dilakukan

menggunakan data tanaman komposisi jamu dan hubungannya dalam

menyembuhkan penyakit (Afendi et al. 2012). Selain penelitian yang dilakukan

untuk melihat asosiasi tanaman dan penyakit, pencarian formula jamu atau obat

dapat lebih presisi dilakukan dengan melihat hubungan antara senyawa aktif

tanaman dan protein yang terkait dengan penyakit tertentu (Amir 2016).

Terkait dengan penelitian mengenai interaksi antara senyawa dan protein ini,

Kurnia (2017) mengimplementasikan metode bipartite local model network–based

interaction–profile inferring (BLMNII) untuk memprediksi hubungan senyawa aktif

dan protein untuk menyusun formula jamu yang diimpelementasikan ke dalam

aplikasi berbasis web Indonesia Jamu Herbs (Ijah). BLMNII diimplementasikan

dengan menggunakan model kemiripan senyawa dan model kemiripan protein

dengan klasifikasi support vector machine (SVM) untuk memprediksi interaksi

antara senyawa dan protein. Jika protein dan senyawa tidak memiliki informasi

interaksi, maka label kelas dihitung berdasarkan nilai kemiripan dan interaksi dari

data lain. Proses prediksi tanpa data interaksi senyawa dan protein merupakan kasus

terburuk pada perhitungan label kelas interaksi algoritme BLMNII yaitu dengan

kompleksitas O(n2). Penelitian Kurnia (2017) menggunakan data yang tidak

seimbang yaitu hubungan antar senyawa dan protein dengan rasio data positif (data

yang memiliki interaksi) berjumlah 0.0001%. Sifat data yang tidak seimbang

menunjukkan bahwa sebagian besar klasifikasi dilakukan berdasarkan nilai

kemiripan dan interaksi data lain. Sifat data tidak seimbang tidak dapat diatasi pada

implementasi BLMNII sehingga dibutuhkan metode untuk meningkatkan rasio data

minoritas untuk mengatasi data tidak seimbang pada data interaksi senyawa aktif

dan protein dalam Ijah.

Resampling menjadi pendekatan yang dapat digunakan untuk mengatasi data

tidak seimbang, terknik resampling meliputi undersampling dan oversampling.

Teknik oversampling digunakan untuk mengurangi kelas mayoritas sedangkan

teknik undersampling digunakan untuk membuat sampel positif yang baru. Hybrid

sampling merupakan kombinasi antara teknik undersampling dan oversampling.

complementary fuzzy support vector machine (CMTFSVM) dan synthetic minority

oversampling technique (SMOTE) efektif digunakan sebagai teknik hybrid

sampling untuk mengatasi data tidak seimbang pada berbagai dataset (Pruengkarn

et al. 2017). CMTFSVM memanfaatkan konsep komplementer (CMT)

2

menggunakan truth model dan falsity model. Proses identifikasi data yang tidak

pasti dari hasil keluaran model diatasi menggunakan fuzzy support vector machine

(FSVM) berdasarkan pada nilai keanggotaan fuzzy. Teknik oversampling SMOTE

selanjutnya digunakan, sebagai kombinasi hybrid sampling technique, untuk

meningkatkan data minoritas atau data positif sehingga didapatkan data yang

seimbang.

Penelitian ini bertujuan untuk mengimplementasi ulang metode hybrid

sampling CMTFSVM dan SMOTE untuk mengatasi data interaksi protein dan

senyawa aktif yang tidak seimbang pada Ijah. Implementasi metode hybrid

sampling merujuk pada penelitian dilakukan Pruengkarn et al. (2017).

Perumusan Masalah

Berdasarkan latar belakang yang didefinisikan, didapatkan rumusan masalah

yaitu bagaimana mengurangi bias dalam memprediksi interaksi senyawa aktif dan

protein pada data yang tidak seimbang dengan menggunakan hybrid sampling

technique. Selain itu, penelitian ini bertujuan untuk memvalidasi hasil implementasi

hybrid sampling technique yang telah dibuat.

Tujuan Penelitian

Tujuan dari penelitian ini adalah:

1 Mengombinasikan complementary fuzzy support vector machine (CMTFSVM)

dan sytnthetic minority oversampling technique (SMOTE) untuk menangani

masalah data tidak seimbang pada kasus prediksi interaksi senyawa aktif dan

protein

2 Memvalidasi hasil implementasi hybrid sampling technique.

Manfaat Penelitian

Hasil penelitian ini diharapkan dapat meningkatkan akurasi dari prediksi

khasiat jamu pada server web Ijah dan mempercepat waktu eksekusi prediksi.

Ruang Lingkup Penelitian

Ruang lingkup penelitian ini, yaitu:

1 Data yang digunakan adalah dataset Pruengkarn et al. (2017) yang bersumber

dari KEEL dan UCI, data penelitian Kurnia (2017) yang bersumber dari data

web server Ijah, PubChem dan UniProt, serta data protein descriptor dan

compound descriptor dari PubChem dan protein feature server (Profeat).

2 Implementasi data Pruengkarn et al. (2017) digunakan untuk validasi hasil

implementasi hybrid sampling technique.

3 Data protein descriptor yang digunakan adalah fitur amino acid composition

(AAC) dan data compound desciptor adalah semua fitur deskriptor senyawa

dari pangkalan data PubChem.

3

TINJAUAN PUSTAKA

Data Tidak Seimbang

Distribusi data tidak seimbang terjadi jika suatu kelas memiliki anggota yang

jauh lebih banyak dibandingkan anggota kelas lainnya (minoritas). Data minoritas

cenderung diklasifikasikan sebagai noise ataupun outlier yang dapat merusak data

sehingga cenderung dihilangkan. Kebanyakan data yang menjadi fokus penelitian

biasanya merupakan data minoritas. Kesalahan pengelompokkan yang disebabkan

sedikitnya data latih pada kelas minoritas dapat meningkatkan kesalahan dalam

penarikan informasi (Ali et al. 2015).

Data tidak seimbang dapat diatasi melalui dua pendekatan. Pendekatan

pertama yaitu teknik sampling pada level data dengan melakukan resampling

sehingga terbentuk kelas data seimbang. Pendekatan kedua adalah memodifikasi

pada algoritme klasifikasi. Teknik sampling pada level data dapat digunakan pada

banyak kasus data tidak seimbang (Ali et al. 2015). Teknik sampling dikategorisasi

sebagai undersampling, oversampling dan hybrid sampling (Pruengkarn et al.

2017).

Undersampling merupakan upaya untuk menurunkan jumlah data pada kelas

mayoritas sedangkan oversampling bertujuan untuk meningkatkan jumlah data

pada kelas minoritas. Contoh teknik undersampling yaitu inverse random under

sampling (IRUS) di mana algoritme menurunkan jumlah sampel mayor dengan

membuat sejumlah batasan data latih yang selanjutnya dapat digunakan untuk

menentukan wilayah keputusan (Tahir et al. 2012). Teknik oversampling dapat

diimplementasikan menggunakan algoritme synthetic minority oversampling

technique (SMOTE) yaitu dengan membuat “data sintetis” untuk memperluas

jangkauan wilayah kelas minoritas. Teknik hybrid sampling merupakan kombinasi

undersampling dan oversampling dengan berbagai classifier. Pruengkarn et al.

(2017) menguji teknik undersampling, oversampling dan hybrid sampling

menggunakan berbagai classifier. Hasil penelitian Pruengkarn et al. (2017)

menunjukkan kombinasi undersampling menggunakan complementary fuzzy

support vector machine (CMTFSVM) dan oversampling menggunakan SMOTE

memiliki performa Gmean yang baik yaitu 95.9% dalam mengatasi masalah data

tidak seimbang.

Complementary Fuzzy Support Vector Machine (CMTFSVM)

CMTFSVM menerapkan konsep komplementer (CMT) dari keluaran truth

target dengan memanfaatkan fuzzy support vector machine (FSVM) sebagai

classifier dalam mengidentifikasi ketidakpastian data. FSVM digunakan untuk

menghilangkan noise dan nilai yang tidak normal (Fan dan He 2010). CTMFSVM

memiliki dua model data, yaitu truth model dan falsity model (komplemen truth

model). Kedua model dilatih sesuai dengan keanggotaan fuzzy masing-masing

model. Hasil data latih yang dibandingkan sebagai indikasi ketidakpastian data

yang kemudian dapat diadaptasi untuk menghilangkan klasifikasi yang tidak benar

(Pruengkarn et al. 2017). Gambar 1 merupakan ilustrasi teknik CMTFSVM.

4

Gambar 1 Ilustrasi CMTFSVM (Pruengkarn et al. 2017).

Pruengkarn et al. (2017) memaparkan bahwa terdapat dua tipe undersampling

technique yaitu CMTFSVM1 dan CMTFSVM2. CMTFSVM1 membuat data latih

dengan membuang data yang tidak terklasifikasi dengan benar berdasarkan falsity

model dan truth model. Hasil data uji CMTFVSM1 merupakan hasil data latih yang

dikurangi data latih yang tidak terklasifikasi dengan benar (CMTFSVM1 = T – (FP

∪ FN)). Hasil data uji CMTFSVM2 merupakan hasil data latih dikurangi data yang

muncul pada truth model dan falsity model (CMTFSVM2 = T – (FP ∩ FN)).

Synthetic Minority Oversampling Technique (SMOTE)

SMOTE dikenalkan oleh Chawla et al. (2002) yang merupakan pendekatan

oversampling dengan membuat data “sintetis” sebagai data latih ekstra dengan

operasi tertentu. Data sintetis merupakan data minoritas “baru” yang dibuat dengan

mengoperasikan ruang fitur. Peningkatan jumlah data minoritas karena data sintetis

membuat wilayah keputusan menjadi besar namun bersifat kurang spesifik. Hal ini

menyebabkan wilayah keputusan yang umum sehingga classifier memiliki

jangkauan wilayah minoritas yang lebih baik (Chawla et al. 2002).

Pseudocode SMOTE

1 If data minoritas SMOTEd<100:

2 Random (T)

3 Hitung k tetangga terdekat untuk data minoritas terpilih

4 If data yang ingin di SMOTE >0:

5 Bangkitkan data sintetis

5

METODE

Data Penelitian

Data pada penelitian ini merujuk pada data penelitian Pruengkarn et al.

(2017), data penelitian Kurnia (2017), dan webcrawling dari situs PubChem. Data

penelitian Pruengkarn terdiri atas tiga dataset yaitu dataset German, Yeast3, dan

Glass5. Semua dataset memiliki kelas biner yaitu positif atau negatif. Dataset

German merupakan dataset untuk mengidentifikasi fraud pada kartu kredit. Kelas

positif menunjukkan terjadinya fraud. Dataset Yeast3 merupakan pengelompokan

ragi menjadi dua kelompok yaitu kelompok ME3 (kelas positif) atau kelompok lain

(kelas negatif). Dataset Glass5 merupakan identifikasi forensik sumber kaca

berdasarkan informasi kimia. Kelas terbagi menjadi kaca yang berasal dari pecahan

selain kontainer (kelas negatif) dan pecahan kaca kontainer (kelas positif). Tabel 1

merupakan ringkasan karakteristik dari dataset yang digunakan. Stastistik dataset

meliputi jumlah data (#instance), persentase kelas mayoritas (%mayor), dan

persentase kelas minoritas (%minor).

Tabel 1 Statistik dataset Preuengkarn et al. (2017)

Dataset #instance %mayor %minor

German 1 000 70 30

Yeast3 1 484 89.02 10.98

Glass5 214 95.79 4.21

Data dari penelitian Kurnia (2017) adalah daftar senyawa, daftar protein, data

interaksi senyawa dan protein, serta data sekuens asam-amino protein yang berasal

dari Uniprot. Daftar senyawa digunakan untuk mendapatkan compound descriptor

yang diperoleh dari hasil web crawling pangkalan data PubChem. Daftar senyawa

yang digunakan adalah senyawa pada basis data Ijah yang memiliki compound ID

(CID) PubChem. Protein descriptor menggunakan fitur amino acid composition

(AAC) yang didapat dari server protein feature (Profeat) (Zhang et al. 2016)

dengan menggunakan data sekuens asam-amino.

Tahapan Penelitian

Tahapan penelitian diilustrasikan pada Gambar 3. Proses penelitian dibagi

menjadi dua tahapan (a) dan (b). Tahapan (a) menggunakan data penelitian

Pruengkarn et al. (2017) dengan pengujian menggunakan FSVM sebagai classifier.

Metode evaluasi yaitu geometric mean (Gmean), area under curve (AUC), dan

akurasi. Hasil pengujian yang diperoleh dengan hasil pengujian penelitian

Pruengkarn et al. (2017) untuk validasi implementasi algoritme hybrid sampling

technique yang telah dibuat.

6

Gambar 2 Tahapan Penelitian

Tahapan penelitian (b) adalah implementasi pada Ijah di mana penelitian

menggunakan data compound descriptor dan data protein descriptor. Selanjutnya

dibuat persilangan matriks tiap data compound descriptor terhadap data protein

descriptor dengan kelas didasarkan pada compound protein interaction (CPI) yang

mengacu pada penelitian Kurnia (2017). Matriks ini yang digunakan sebagai

dataset Ijah. Pengujian dilakukan dengan mengklasifikasi data tes menggunakan

SVM yang merupakan classifier pada BLMNII. Data kelas yang seimbang setelah

implementasi hybrid sampling technique akan disaring sesuai dengan kemiripan

CPI yang tersedia yang selanjutnya digunakan sebagai data CPI baru yang dapat

diterapkan pada BLMNII.

Implementasi Hybrid Sampling Technique

Implementasi hybrid sampling technique yang dilakukan sesuai ilustrasi pada

Gambar 4. Secara garis besar, terdapat 2 tahapan pada implementasi hybrid

sampling technique, yaitu CMTFSVM dan SMOTE. Urutan implementasi mengacu

pada penelitian Pruengkarn et al. (2017). Penelitian tersebut, Pruengkarn

membandingkan nilai Gmean dan AUC menggunakan pendekatan CMT, SMOTE,

CMT kombinasi SMOTE, dan SMOTE kombinasi CMT dengan berbagai classifier

untuk mengatasi data tidak seimbang. Hasil penelitian menunjukkan CMT yang

dilanjutkan dengan SMOTE (CMTSMT) mengunakan classifier FSVM

menghasilkan nilai terbaik.

7

Gambar 3 Implementasi hybrid sampling technique

Tahap pertama adalah undersampling menggunakan CMTFSVM pada kelas

mayoritas menggunakan dua model yaitu truth model dan falsity model

(komplemen truth model). Training pada truth model menggunakan truth

membership, sedangkan training falsity model menggunakan falsity membership.

Nilai keanggotaan merepresentasikan kepentingan data bagi kelasnya. Fungsi

membership didefinisikan pada Persamaan (1a) dan (1b). Nilai keanggotaan pada

kelas positif direpresentasikan sebagai mi+ dengan contoh data berupa xi

+,

sedangkan mi− merupakan nilai keanggotaan pada kelas negatif dengan contoh

berupa xi−. Kepentingan data bagi kelas masing-masing direpresentasikan oleh f(xi)

yang berkisar [0,1]. Refleksi ketidakseimbangan data direpresentasikan oleh r- dan

r+ di mana r+ > r-. Membership value merupakan interval dari [0, ri] di mana r < 1

menunjukkan kelas negatif. Karena kelas data yang tidak seimbang, pada training

example fuzzy membership digunakan nilai r- = r dan r+= 1.

mi+ = f(xi

+) × r+ (1a)

mi- = f(xi

-) × r- (1b)

Kepentingan data didefinisikan pada persamaan (1c). Variabel β merupakan

kemiringan penurunan dengan kenaikan 0.1 pada interval [0,1]. Adapun variabel

dihyp

merupakan margin fungsional tiap contoh xi yang sebanding dengan nilai

absolut dari nilai keputusan SVM yang didefinisikan melalui persamaan (1d).

Variasi β menyebabkan terdapat sepuluh kemungkinan fuzzy membership value

yang nilai optimumnya dipilih berdasarkan Gmean tertinggi.

fexphyp

(xi) = 2

1 + exp(βdihyp

) (1c)

dihyp

= yi(ω × Φ(xi) + b) (1d)

Tahap kedua pada implementsai hybrid sampling technique adalah

menyeimbangkan data hasil undersampling pada kelas minoritas dengan

8

implementasi oversampling menggunakan SMOTE. Data minoritas akan dipilih

untuk acuan pembuatan data sintetis. Pada data minoritas yang terpilih disimpan

sejumlah dua tetangga terdekatnya. Selanjutnya dilakukan pembuatan sampel

sintetis dengan mengikuti tahapan berikut, yaitu pertama menghitung perbedaan

fitur sampel dan tetangga dari sampel terpilih (dif), kedua mengambil nilai acak

[0,1] (gap), ketiga mengalikan dif dan gap, dan terakhir menambahkan hasil tahap

perkalian dif dan gap dengan nilai fitur sampel yang dipilih. Sampel sintetis

membentuk area menjadi lebih umum sehingga daerah klasifikai menjadi lebih luas.

Pengujian

Pengujian pada penelitian ini dibagi menjadi dua bagian. Kedua pengujian

dilakukan dengan metode10-folds stratified cross validation dengan 20% data uji.

Pengujian pertama dilakukan untuk memvalidasi hasil implementasi CMTFSVM-

SMOTE pada data Pruengkarn et al. (2017) dan pengujian kedua dilakukan dengan

menggunakan data Ijah.

Rincian pengujian tersebut dideskripsikan sebagai berikut. Dataset yang

digunakan merupakan dataset yang berasal dari penelitian Pruengkarn et al. (2017),

yaitu German, Yeast3, dan Glass5. Pengujian kedua dilakukan pada dataset Ijah

yang berupa compound protein interaction (CPI). Metode evaluasi yang digunakan

pada kedua pengujian adalah pengukuran Gmean, AUC, dan akurasi. Pengukuran

Gmean dan AUC dipilih karena pengukuran dapat mengatasi permasalahan kelas

data tidak seimbang (Pruengkarn et al. 2017).

Gmean digunakan untuk mengukur akurasi klasifikasi penggolongan data

tidak seimbang dan didefinisikan sebagai akar dari pengalian true positive rate dan

true negative rate yang diilustrasikan pada Persamaan (2). Adapun AUC adalah

evaluasi menggunakan trade off benefit (TPrate = TP / (TP + FN)) dan cost (FPrate =

FP / (FP + TN)) sebagai pendekatan evaluasi performa. True Positive (TP) dan True

Negative (TN) merupakan jumlah hasil klasifikasi yang tepat pada kelas positif dan

kelas negatif, sedangkan False Positive (FP) dan False Negative (FN) adalah

jumlah hasil klasifikasi yang tidak sesuai dengan kelas seharusnya.

Gmean = √TP

TP+FN×

TN

TN+FP (2)

Lingkungan Pengembangan

Penelitian ini dilakukan menggunakan perangkat keras dan perangkat lunak

dengan spesifikasi sebagai beriku:

1 Perangkat keras berupa personal computer dengan spesifikasi:

Laptop Asus A456U

Processor Inter Core i5-7200U 2.5 GHz

RAM 4 GB

2 Perangkat lunak yang digunakan yaitu:

Windows 10 sebagai sistem operasi

Anaconda Navigator sebagar IDE Python

Sublime Text 3 sebagai text editor

Python 2.7 sebagai bahasa pemrograman

9

Package ‘mlfromscratch’ (Noren 2017) untuk implementasi SVM

Package ‘imblearn’ (Nogueira dan Aridas 2017) untuk implementasi

SMOTE

HASIL DAN PEMBAHASAN

Pengumpulan Data

Pengumpulan data penelitian Pruengkarn et al. (2017) dilakukan dengan

mengunduh dataset German melalui situs UCI serta dataset Glass5 dan dataset

Yeast3 melalui situs KEEL. Pengumpulan data compound descriptor dilakukan

dengan crawling deskriptor senyawa menggunakan compound ID (CID) PubChem

dari daftar senyawa pada penelitian Kurnia (2017) menggunakan API yang tersedia.

Data protein descriptor didapatkan dengan mengunduh fitur amino acid

composition (AAC) melalui protein feature (Profeat) server berdasarkan sekuens

amino protein dalam bentuk fasta yang didapat dari penelitian Kurnia (2017).

Compound descriptor memiliki empat belas variabel yang mendeskripsikan

seyawa secara numerik dari pangkalan data PubChem. Protein descriptor memiliki

dua puluh variabel yang merupakan deskripsi numerik protein didasarkan pada

komposisi asam aminonya. Contoh data compound descriptor dan protein

descriptor hasil pengumpulan data dapat dilihat pada Lampiran 1.

Pengumpulan data compound protein interaction (CPI) adalah data CPI yang

tersedia pada Ijah dan bersumber dari penelitian Kurnia (2017). CPI merupakan

informasi senyawa aktif dan protein yang memiliki interaksi (kelas positif).

Lampiran 2 memuat contoh data CPI penelitian Kurnia (2017) yang digunakan pada

penelitian ini. Tabel 2 menunjukkan daftar deskripsi data penelitian.

Tabel 2 Deskripsi data penelitian

Data Sumber Data Deskripsi

Protein Profeat 3 335 data protein descriptor

Senyawa PubChem 7 119 data compound descriptor

CPI Ijah 3 693 interaksi senyawa-protein

Sekuens asam

amino protein

Uniprot 3 335 sekuens asam amino dalam format

*.fasta

Praproses Data

Praproses data dilakukan pada tiap dataset pada penelitian Pruengkarn.

Praproses pada dataset Glass5 dan Yeast3 dilakukan normalisasi data karena data

yang bersifat numerik. Tidak ada data yang dikategorikan sebagai noise dan outlier

pada semua dataset. Praproses yang dilakukan pada dataset German adalah

transformasi data nominal menggunakan label encoding, transformasi skala pada

data ordinal, dan melakukan normalisasi data numerik.

Pada dataset German, beberapa nilai yang merepresentasikan maksud yang

sama dalam atribut pada data dijadikan satu nilai yang sama. Hal ini dapat dilihat

pada atribut purpose yang merupakan tujuan dari kredit di mana terdapat nilai car

(used) dan car (new) yang kemudian dijadikan atribut car. Atribut car dianggap

10

merepresentasikan tujuan kredit untuk membeli mobil. Hasil label encoding pada

dataset german berupa data biner 0,1 kemudian diubah menjadi -1,1 karena sifat

library classifier SVM yang digunakan mengklasifikasikan data menjadi data

positif (kelas data minoritas) dan negatif (kelas data mayoritas). Lampiran 3

memuat contoh dataset Pruengkarn et al. (2017) sebelum dan sesudah praproses

data.

Dataset Ijah pada penelitian ini memuat informasi protein descriptor,

compound descriptor, dan informasi CPI. Data protein descriptor dan compound

descriptor dijadikan sebuah matriks CPI. Matriks CPI merupakan hasil persilangan

antara tiap protein descriptor dengan compound descriptor yang kemudian diberi

label kelas berdasarkan informasi CPI dari penelitian Kurnia (2017). Matriks CPI

dapat dilihat pada Lampiran 4.

Senyawa pada daftar CPI dalam penelitian Kurnia (2017) tidak semuanya

memiliki CID PubChem, sehingga tidak memiliki data compound descriptor.

Penghapusan data CPI tanpa compound descriptor dilakukan sehingga didapat 2

908 CPI yang selanjutnya digunakan sebagai senyawa aktif dan protein yang

memiliki interaksi (data kelas positif).

Matriks CPI dari hasil persilangan data protein dan compound menghasilkan

23 741 865 record. Dari seluruh data diambil sejumlah 14 575 data senyawa aktif

dan protein yang tidak memiliki interaksi (kelas negatif) dan 2 908 data senyawa

aktif dan protein yang memiliki interaksi (kelas positif) sehingga data inputan

berjumlah 17 483 record dengan perbandingan 0.2:0.8 antara kelas negatif : kelas

positif. Selanjutnya dilakukan normalisasi bagi semua fitur data dengan

menggunakan fungsi normalisasidengan library sklearn.

Pengujian

Seluruh dataset yang bersifat tidak seimbang diklasifikasikan menggunakan

SVM dan FSVM. Tabel 3 menunjukkan nilai Gmean semua dataset yang berkisar

0.5520 sampai 0.7915 dan nilai AUC diantara 0.5783 sampai 0.7981. Nilai yang

pada tabel yang ditulis tebal (bold) menandakan nilai tertinggi dibandingkan semua

metode pada tiap tipe pengujian. Penggunaan classifier FSVM terlihat

meningkatkan performa klasifikasi baik ditinjau dari Gmean, AUC, dan akurasi

pada dataset Glass5 dan Yeast3. Pada dataset German classifier FSVM tidak lebih

baik dibandingkan SVM. Hal ini dapat disebabkan oleh hasil praproses data yang

memengaruhi nilai membership value yang digunakan untuk mendapatkan

klasifikasi pada FSVM.

Tabel 3 Pengujian dataset tidak seimbang menggunakan SVM dan FSVM

Dataset Metode Gmean AUC Akurasi

German SVM 0.6687 0.6280 0.6765 FSVM 0.5950 0.5783 0.5783

Glass5 SVM 0.5520 0.7165 0.9581

FSVM 0.7207 0.7640 0.9581

Yeast3 SVM 0.7739 0.7822 0.8721

FSVM 0.7915 0.7981 0.8909

11

Tabel 4 menunjukkan hasil implementasi hybrid sampling technique pada

tiap dataset. Glass5 merupakan dataset dengan jumlah record paling banyak yaitu

1484 data dan kelas negatif kurang dari 11% sedangkan Yeast3 merupakan dataset

dengan record 214 data dan kelas negatif kurang dari 5%. Hasil pengujian

menggunakan teknik hybrid sampling terlihat meningkatkan Gmean dan AUC hasil

klasifikasi pada kedua dataset.

Tabel 4 Hasil uji hasil implementasi hybrid sampling technique

Dataset Metode Gmean AUC Akurasi

German CMT1 0.5828 0.6049 0.6655

CMT2 0.5828 0.6049 0.6655

SMT 0.6434 0.6477 0.6915

CMTSMT1 0.6389 0.6411 0.6595

CMTSMT2 0.6389 0.6411 0.6595

Glass5 CMT1 0.7155 0.7165 0.9581

CMT2 0.7155 0.7165 0.9581

SMT 0.8209 0.8652 0.9698

CMTSMT1 0.8346 0.8902 0.9721

CMTSMT2 0.8346 0.8902 0.9721 Yeast3 CMT1 0.7989 0.7949 0.8923

CMT2 0.7989 0.7949 0.8923

SMT 0.7748 0.8445 0.9074

CMTSMT1 0.8027 0.8066 0.8990

CMTSMT2 0.8027 0.8066 0.8990

Hasil pengujian pada dataset Glass5 menunjukkan peningkatan hasil

klasifikasi yang mencapai 0.8346 dari nilai sebelumnya pada dataset tidak

seimbang yang hanya mencapai 0.7287 menggunakan FSVM. Nilai akurasi juga

meningkat pada metode undersampling, oversampling dan mencapai akurasi

tertinggi yaitu senilai 0.9721 pada teknik hybrid sampling. Hasil klasifikasi pada

dataset Yeast3 mencapai Gmean tertinggi senilai 0.8027 dengan akurasi 0.8990

menunjukkan model yang belum baik untuk klasifikasi. Namun demikian, hasil ini

sudah memperlihatkan bahwa hybrid sampling technique meningkatkan Gmean

senilai 0.0288 dibanding menggunakan dataset tidak seimbang dengan classifier

SVM.

Dataset German hasil Gmean tertinggi terjadi ketika menggunakan metode

oversampling yaitu bernilai 0.6434. Hasil ini menurun sebesar 0.0045

menggunakan metode hybrid sampling technique. Akurasi yang berbeda sebesar

0.032 dapat menunjukkan bahwa hasil klasifikasi menggunakan hybrid sampling

technique dan oversampling hanya memiliki satu atau dua perbedaan.

Perbandingan Gmean dan AUC hasil implementasi dengan implementasi asli

pada penelitian Pruengkarn et al. (2017) dijabarkan pada Tabel 5 dan Tabel 6. Hasil

perbandingan antara hasil uji implementasi dan hasil penelitian Pruengkarn et al.

(2017) menunjukkan hasil yang berbeda. Hal ini disebabkan oleh penelitian

Pruengkarn et al. (2017) yang tidak memberikan informasi detil terkait praproses

data, sehingga praproses data pada penelitian dilakukan berbeda dengan penelitian

Pruengkarn et al. (2017). Pada tahapan oversampling menggunakan SMOTE juga

12

tidak dijabarkan variabel yang digunakan. Pada penelitian ini variabel yang diubah

dari variabel auto pada SMOTE adalah jumlah tetangga yaitu k ≥ 2.

Tabel 5 Perbandingan Gmean hasil implementasi dan Pruengkarn et al. (2017)

Dataset Pendekatan Gmean

Implementasi

Gmean

Pruengkarn ∆Gmean

German CMT1 0.5828 0.7244 - 0.1416

CMT2 0.5828 0.7262 - 0.1792

SMOTE 0.6434 0.7294 - 0.0860

CMTSMT1 0.6389 0.7141 - 0.0752

CMTSMT2 0.6389 0.7367 - 0.0978

Glass5 CMT1 0.7155 0.0000 + 0.7155

CMT2 0.7155 0.1000 + 0.7155

SMOTE 0.8209 0.9625 - 0.1416

CMTSMT1 0.8346 0.9625 - 0.1279

CMTSMT2 0.8346 0.9638 - 0.1292

Yeast3 CMT1 0.7989 0.8244 - 0.0255

CMT2 0.7989 0.8241 - 0.0252

SMOTE 0.7748 0.9032 - 0.1284

CMTSMT1 0.8027 0.9026 - 0.0999

CMTSMT2 0.8027 0.8997 - 0.0970

Tabel 6 Perbandingan AUC hasil implementasi dan Pruengkarn et al. (2017)

Dataset Pendekatan AUC

Implementasi

AUC

Pruengkarn ∆AUC

German CMT1 0.6049 0.7313 - 0.1264

CMT2 0.6049 0.7358 - 0.1309

SMOTE 0.6477 0.7358 - 0.0881

CMTSMT1 0.6411 0.7187 - 0.0776

CMTSMT2 0.6411 0.7388 - 0.0977

Glass5 CMT1 0.7165 0.5000 + 0.2165

CMT2 0.7165 0.5500 + 0.1665

SMOTE 0.8652 0.9634 - 0.0982

CMTSMT1 0.8902 0.9634 - 0.0732

CMTSMT2 0.8902 0.9646 - 0.0744

Yeast3 CMT1 0.7949 0.8380 - 0.0431

CMT2 0.7949 0.8380 - 0.0431

SMOTE 0.8445 0.9043 - 0.0598

CMTSMT1 0.8066 0.9034 - 0.0968

CMTSMT2 0.8066 0.9006 - 0.0940

Hasil pengujian dua dilakukan dengan membandingkan hasil klasifikasi CPI

menggunakan classifier SVM dengan hasil klasifikasi CPI menggunakan hybrid

sampling technique. Tabel 7 menunjukkan hasil klasifikasi menggunakan classifier

SVM. Perbandingan kelas data positif dan kelas data negatif yang tidak seimbang

menyebabkan SVM mengklasifikasi semua data ke kelas negatif (kelas mayoritas)

sehingga hasil Gmean menjadi 0.000. Hal ini menunjukkan bahwa classifier gagal

13

dalam melakukan klasifikasi pada data senyawa aktif dan protein yang memiliki

interaksi (kelas positif atau kelas minoritas).

Tabel 7 Hasil pengujian menggunakan SVM pada CPI Ijah

Nilai Uji Gmean 0.0000

AUC 0.5000

Akurasi 0.7677

Data Minoritas Jumlah data minoritas 2 908

Perbandingan data

minoritas : mayoritas

0.2 : 0.8

Hasil pengujian implementasi hybrid sampling technique tedapat pada pada

Tabel 8. Akurasi dari klasifikasi data menggunakan hybrid sampling technique

tergolong baik bagi data tidak seimbang walaupun masih cukup rendah. Akurasi ini

meningkat dibanding dengan melakukan klasifikasi pada data tidak tanpa proses

hybrid sampling technique. Nilai akurasi setelah meningkat sebesar 0.0669. Nilai

Gmean pada Tabel 8 menunjukkan nilai 0.6812 yang sebelumnya pada Tabel 7

bernilai 0.000. Peningkatan nilai Gmean menunjukkan bahwa model telah dapat

mengklasifikasikan kelas positif (kelas minoritas). Hasil evaluasi menggunakan

AUC mengalami peningkatan sebesar 0.0319 dibandingkan hasil pada Tabel 7.

Hasil pada Tabel 8 memperlihatkan peningkatan dari semua metode evaluasi

dibanding Tabel 7 yang tidak menerapkan hybrid sampling technique.

Tabel 8 Hasil pengujian hybrid sampling technique pada CPI Ijah

Nilai Uji Gmean 0.6812

AUC 0.5319

Akurasi 0.8346

Data Minoritas Jumlah data minoritas 9 851

Perbandingan data

minoritas : mayoritas

0.4 : 0.6

Setelah menerapkan hybrid sampling technique jumlah kelas minoritas hasil

berjumlah 13 116 data. Hasil ini kemudian dibandingkan dengan matriks CPI yang

tersedia. Hasil kemudian disaring berdasarkan kemiripan nilai variabel dengan data

pada deskriptor asli, sehingga didapatkan sejumlah 9 851 data dengan pasangan

senyawa aktif dan protein sesuai dengan deskriptor yang ada.

SIMPULAN DAN SARAN

Simpulan

Penelitian telah berhasil melakukan implementasi hybrid sampling technique

menggunakan Complementary Fuzzy Support Vector Machine dan SMOTE. Hasil

implementasi pada hybrid sampling technique menunjukkan selisih Gmean -0.0752

sampai -0.1792 dan selisih AUC sebesar -0.0732 sampai 0.0977 dibanding

implementasi asli. Implementasi pada data Ijah telah berhasil mengatasi data tidak

seimbang pada senyawa aktif dan protein. Hasil implementasi menunjukkan

14

metode berhasil mengklasifikasikan kelas minoritas pada data dan meningkatkan

jumlah kelas data minoritas meningkat tiga kali lipat menjadi 9851 dari data sampel

yang digunakan sebelumnya yang berjumlah. Implementasi memiliki akurasi

sebesar 0.8346 dengan Gmean sebesar 0.6812 dan AUC sebesar 0.5319.

Saran

Penelitian ini menggunakan hybrid sampling technique dengan satu fungsi

keanggotaan fuzzy untuk semua jenis data. Pemilihan fungsi keanggotaan fuzzy

sangat memengaruhi performa klasifikasi. Pendefinisian fungsi keanggotaan fuzzy

yang tepat diperngaruhi oleh sifat data. Perbandingan fungsi kearnggotaan fuzzy

yang tepat untuk CPI pada Ijah dapat menjadi topik yang menarik untuk dibahas.

DAFTAR PUSTAKA

Afendi FM, Darusman LK, Hirai A, Altaf-Ul-Amin M, Takahashi H, Nakamura K,

Kanaya S. 2010. System biology approach for elucidating the relationship

between indonesian herbal plants and the efficacy of jamu. Di dalam: IEEE

International Conference on Data Mining Workshops. 2010 Des 13; Sydney,

Australia. Sydney (AU): IEEE. hlm 661–668. doi:

10.1109/ICDMW.2010.105.

Afendi FM, Darusman LK, Morita AH, Altaf-Ul-Amin M, Takahashi H, Nakamura

K, Tanaka K, Kanaya S. 2012. Efficacy prediction of jamu formulations by

PLS modeling. Current Computer Aided Drug Design. 9(1):46–59.

doi:10.2174/157340913804998775.

Ali A, Shamsuddin SM, Ralescu AL. 2015. Classification with class imbalance

problem: a review. International Journal Advance Soft Computing

Application. 7(3):176-204.

Amir F. 2016. Prediksi formula jamu untuk penyembuhan penyakit diabetes dengan

teknik graph mining[skripsi]. Bogor (ID): Institut Pertanian Bogor.

Chawla NV, Bowyer KW, Hall LO, Kegelmeyer WP. 2002. SMOTE: Synthetic

minority over-sampling technique. Journal of Artificial Intelligence

Research.16(2002):321-357. doi: 10.1613/jair.953.

Fan X dan He Z. 2010. A fuzzy support vector machine for imbalanced data

classification. Di dalam: International Conference on Optoelectronics and

Image Processing (ICONIP); 2010 Nov 11-12; Haikou, China. Haikou (CN):

IEEE. hlm 11-14. doi: 10.1109/ICOIP.2010.61.

Kurnia A.2017.Prediksi formula jamu berkhasiat menggunakan teknik link

prediction dari jejaring bipartite senyawa aktif dan protein [skripsi]. Bogor

(ID): Institut Pertanian Bogor.

Nogueira F dan Aridas CK. 2017. Imbalanced-learn: a python toolbox to tackle the

curse of imbalanced datasets in machine learning. Journal of Machnine

Learning Research. 18(17):1-5.

Noren EL. 2017. ML-From-Scratch. Github Repository. Tersedia pada:

https://github.com/eriklindernoren/ML-From-Scratch.

15

Pruengkarn R, Wong KW, Fung CC. 2017. Imbalanced data classification using

complementary fuzzy support vector machine technique and SMOTE. IEEE

International Conference on Systems, Man, and Cybernetics (SMC); 2017

Okt 5-8; Banff, Canada. Banff (CA): IEEE. hlm 978-983. doi:

10.1109/SMC.2017.8122737.

Tahir MA, Kittler J, Yan F. 2012. Inverse random undersampling for class

imbalance problem and its application to multi-label classification. Pattern

Recognition. 45(10): 3738-3740. doi: 10.1016/j.patcog.2012.03.014.

Torri MC. 2013. Knowledge and risk perceptions of traditional jamu medicine

among urban consumers. Europeanon Journal of Medicinal Plants. 3(1):25-

39. doi:10.9734/EJMP/2013/1813.

[WHO] World Health Organization. 2008. Traditonal medicine, fact sheet 134.

Geneva (CH): World Health Organization

Zhang P, Tao L, Zeng X, Qin C, Chen SY, Zhu F, Yang SY, Li ZR, Chen WO,

Chen YZ. 2016. Profeat update: a protein features web-server with added

facility to compute network descriptors for studying omics-derived networks.

Journal of Molecular Biology. 429(3):416-425. doi: 10.1016/j.jmb.2016.013.

16

Lampiran 1 Data compound descriptor dan protein descriptor

Contoh data compound descriptor

Compound

ID 1005 1001 100004 10001388 14505

Molecular

Formula C3H5O6P C8H11N C20H24N2O2 C25H26O5 C6H6O2

Molecular

Weight 168.041 121.183 324.424 406.478 110.112

H Bond

Donor

Count

3 1 1 3 0

H Bond

Acceptor

Count

6 1 4 5 2

Rotatable

Bond Count 3 2 3 5 1

Complexity 201.0 65.0 600 713 98.7

Monoiotopic

Mass 167.982 121.089 324.184 406.178 110.037

Exact Mass 167.982 121.089 324.184 406.178 110.037

XLogP -1.1 1.4 3.1 6.5 0.5

Charge 0 0 0 0 0

Heavy Atom 10 9 24 30 8

Defined

Bond Stereo

Count

0 0 0 0 0

Undefined

Bond Stereo

Count

0 0 0 0 0

Isotope

Atom 0 0 0 0 0

Covalent

Unit 1 1 1 1 1

17

Lampiran 1 Data compound descriptor dan protein descriptor (lanjutan)

Contoh data protein descriptor

Protein

ID A0PJY2 A1A4Y4 B7U540 C9JR72 O00116

A 8.632 7.735 8.083 14.410 8.055

C 4.211 1.105 2.309 3.057 2.128

D 2.316 3.867 6.005 5.022 5.015

E 3.158 7.735 7.159 5.677 6.839

F 4.842 3.867 5.774 5.022 4.407

G 6.316 5.525 6.928 8.734 8.967

H 6.105 1.657 3.002 1.965 2.584

I 2.105 4.420 6.467 1.310 5.927

K 8.211 5.525 3.695 0.873 5.927

L 8.632 8.840 9.007 12.445 7.903

M 2.316 6.077 3.233 0.873 1.824

N 4.421 6.630 3.233 1.528 4.103

P 10.947 3.315 3.233 6.114 4.407

Q 4.211 3.315 3.464 3.275 3.495

R 4.000 3.315 7.159 7.642 5.775

S 6.947 8.287 6.005 4.367 6.231

T 5.474 7.735 4.388 5.895 5.927

V 4.842 7.182 7.159 7.205 5.927

W 0.000 1.105 1.155 1.747 1.216

Y 2.316 2.762 2.540 2.838 3.343

Lampiran 2 Data Compound Protein Interaction Ijah (Kurnia 2017)

Compound ID Protein ID weight

COM00000014 PRO00000377 1

COM00000016 PRO00001875 1

COM00000020 PRO00002082 1

COM00000020 PRO00001846 1

COM00000020 PRO00000615 1

18

Lampiran 3 Dataset Pruengkarn et al. (2017)

Dataset glass5 sebelum praproses

Record 0 1 2 3 176

RI 1.515888 1.517642 1.52213 1.522221 1.519693

Na 12.87795 12.9777 14.20795 13.21045 14.5604

Mg 3.43036 3.53812 3.82099 3.7716 0

Al 1.40066 1.21127 0.46976 0.79076 0.55964

Si 73.282 73.002 71.77 71.9884 73.478

K 0.68931 0.65205 0.11178 0.13041 0

Ca 8.04468 8.52888 9.5726 10.2452 11.21888

Ba 0 0 0 0 0

Fe 0.1224 0 0 0 0

Class negative negative negative negative positive

Dataset glass5 setelah praproses

Record 0 1 2 3 176

RI -1.16791 -0.34107 1.774376 1.817329 0.625379

Na -0.88844 -0.72294 1.31832 -0.33675 1.903112

Mg 0.616742 0.70585 0.939757 0.898916 -2.21984

Al -0.12317 -0.65052 -2.71522 -1.82141 -2.46496

Si 1.119543 0.61907 -1.58301 -1.19264 1.469875

K 0.6525 0.525924 -1.30944 -1.24615 -1.68917

Ca -0.99199 -0.46754 0.662939 1.391449 2.446065

Ba -0.6008 -0.6008 -0.6008 -0.6008 -0.6008

Fe 1.365041 -0.729 -0.729 -0.729 -0.729

Class 0 0 0 0 1

Dataset yeast3 sebelum praproses

Record 0 1 2 3 31

Mcg 0.64 0.58 0.42 0.51 0.41

Gvh 0.62 0.44 0.44 0.4 0.54

Alm 0.49 0.57 0.48 0.56 0.39

Mit 0.15 0.13 0.54 0.17 0.2

Erl 0.5 0.5 0.5 0.5 0.5

Pox 0 0 0 0.5 0

Vac 0.53 0.54 0.48 0.49 0.51

Nuc 0.22 0.22 0.22 0.22 0.22

Class negative negative negative negative positive

19

Lampiran 3 Dataset Pruengkarn et al. (2017) (lanjutan)

Dataset yeast3 setelah praproses

Record 0 1 2 3 31

Mcg 1.018787 0.581785 -0.58355 0.07195 -0.65639

Gvh 0.968876 -0.48362 -0.48362 -0.8064 0.323321

Alm -0.13863 0.966651 -0.27678 0.828492 -1.52022

Mit -1.53614 -1.81246 3.852081 -1.25982 -0.84534

Erl -1 -1 -1 -1 -1

Pox -1 -1 -1 1 -1

Vac 0.767467 1.022316 -0.50678 -0.25193 0.257768

Nuc -0.77645 -0.77645 -0.77645 -0.77645 -0.77645

Class 0 0 0 0 1

Dataset german sebelum praproses

Record 1 2 3 4 5

existing-acc A11 A12 A14 A11 A11

Duration 6 48 12 42 24

credit-history A34 A32 A34 A32 A33

Purpose A43 A43 A46 A42 A40

credit-amount 1169 5951 2096 7882 4870

savings-bonds A65 A61 A61 A61 A61

employement-

duration A75 A73 A74 A74 A73

inst-rate 4 2 2 2 3

marital-status A93 A92 A93 A93 A93

other-debtors A101 A101 A101 A103 A101

residence-since 4 2 3 4 4

Property A121 A121 A121 A122 A124

Age 67 22 49 45 53

inst-plan A143 A143 A143 A143 A143

Housing A152 A152 A152 A153 A153

credit-exist 2 1 1 1 2

Job A173 A173 A172 A173 A173

liable-person 1 1 2 2 2

telephone A192 A191 A191 A191 A191

foreign-worker A201 A201 A201 A201 A201

Class 1 2 1 1 2

20

Lampiran 3 Dataset Pruengkarn et al. (2017) (lanjutan)

Dataset german setelah praproses

Record 1 2 3 4 5

existing-acc -1.25394 -0.4588 1.13148 -1.25394 -1.25394

Duration -1.56931 2.85336 -0.9375 2.22155 0.32611

credit-history 1.40952 -0.58274 1.40952 -0.58274 0.41339

credit-amount -1.02622 1.308122 -0.5737 2.250744 0.780429

savings-bonds -1.23078 -0.19651 -0.19651 -0.19651 -0.19651

Employement-

duration 1.337409 -0.3178 0.509805 0.509805 -0.3178

inst-rate 0.918018 -0.86975 -0.86975 -0.86975 0.024135

residence-since 1.046463 -0.76559 0.140434 1.046463 1.046463

Age 3.484785 -1.50076 1.490567 1.047407 1.933726

credit-exist 1.026565 -0.70457 -0.70457 -0.70457 1.026565

liable-person -0.42808 -0.42808 2.333701 2.333701 2.333701

A40 -1 -1 -1 -1 1

A410 -1 -1 -1 -1 -1

A42 -1 -1 -1 1 -1

A43 1 1 -1 -1 -1

A44 -1 -1 -1 -1 -1

A45 -1 -1 -1 -1 -1

A46 -1 -1 1 -1 -1

A48 -1 -1 -1 -1 -1

A49 -1 -1 -1 -1 -1

A91 -1 -1 -1 -1 -1

A92 -1 1 -1 -1 -1

A93 1 -1 1 1 1

A101 1 1 1 -1 1

A102 -1 -1 -1 -1 -1

A103 -1 -1 -1 1 -1

A121 1 1 1 -1 -1

A122 -1 -1 -1 1 -1

A123 -1 -1 -1 -1 -1

A124 -1 -1 -1 -1 1

A141 -1 -1 -1 -1 -1

A142 -1 -1 -1 -1 -1

A143 1 1 1 1 1

A151 -1 -1 -1 -1 -1

A152 1 1 1 -1 -1

A153 -1 -1 -1 1 1

A171 -1 -1 -1 -1 -1

A172 -1 -1 1 -1 -1

A173 1 1 -1 1 1

A174 -1 -1 -1 -1 -1

21

Lampiran 3 Dataset Pruengkarn et al. (2017) (lanjutan)

Record 1 2 3 4 5

A191 -1 1 1 1 1

A192 1 -1 -1 -1 -1

A201 1 1 1 1 1

A202 -1 -1 -1 -1 -1

Class 0 1 0 0 1

Lampiran 4 Compound protein interaction dataset Ijah

Record 0 1 2 3 14574

A 0.00634 0.00837 0.00754 0.00587 0.0005

C 0.00078 0.00232 0.00128 0.00181 0.00024

D 0.0057 0.00604 0.00384 0.00158 0.00024

E 0.00686 0.00651 0.00901 0.00406 0.00029

F 0.00453 0.00558 0.00297 0.00316 0.00041

G 0.00621 0.00372 0.00544 0.00429 0.00036

H 0.00311 0 0.00242 0.00135 0.00021

I 0.00531 0.00465 0.00416 0.00565 0.00036

K 0.00686 0.0079 0.00768 0.00497 0.00018

L 0.00958 0.00697 0.01042 0.00948 0.0008

M 0.00272 0.00186 0.0016 0.00158 9.00E-05

N 0.00272 0.00604 0.00288 0.00271 0.00014

P 0.00492 0.00325 0.00585 0.00181 0.00039

Q 0.00401 0.00511 0.00553 0.00203 0.00012

R 0.00479 0.00465 0.00658 0.00226 0.00027

S 0.00583 0.00558 0.0074 0.00452 0.00052

T 0.00531 0.00604 0.00475 0.00429 0.00046

V 0.00608 0.00744 0.00553 0.00497 0.00042

W 0.00104 0.00139 0.00073 0.0009 0.00026

Y 0.00311 0.00279 0.00297 0.00271 0.00014

MolecularWeight 0.41919 0.40445 0.42632 0.42612 0.32879

HBondDonorCou

nt 0.00192 0 0.00592 0.0007 0.00533

H

BondAcceptorCo

unt

0.00766 0.00866 0.00986 0.0056 0.00488

RotatableBondCo

unt 0.00479 0.00673 0.00394 0.0021 0.012

Complexity 0.68695 0.71286 0.67343 0.67411 0.82167

MonoisotopicMas

s 0.41884 0.40419 0.42605 0.42581 0.32859

ExactMass 0.41884 0.40419 0.42605 0.42581 0.32871

XLogP 0.00297 0.00221 0.00069 0.00427 -0.00152

22

Lampiran 4 Compound protein interaction dataset Ijah (lanjutan)

Record 0 1 2 3 14574

Charge 0 0 0 0 0

HeavyAtomCount 0.0297 0.02886 0.03057 0.0315 0.02311

DefinedBondStere

oCount 0 0 0.00099 0 6.00E-05

UndefinedBondSt

ereoCount 0 0 0 0 0

IsotopeAtomCoun

t 0 0 0 0 0

CovalentUnitCou

nt 0.00096 0.00096 0.00099 0.0007 6.00E-05

Class 0 0 0 0 1

23

RIWAYAT HIDUP

Penulis merupakan anak kedua dari tiga bersaudara dari pasangan Suyanto

dan Linsi Apriani yang dilahirkan pada 28 Mei 1996 di Kota Pagaralam, Sumatera

Selatan. Penulis menempuh pendidikan di SMAN 4 Lahat pada tahun 2011 sampai

2014. Pendidikan S1 penulis tempuh di Departemen Ilmu Komputer, Fakultas

Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Selama menempuh pendidikan penulis beberapa kali menjadi asisten

praktikum Departemen Ilmu Komputer. Dimulai dari asisten praktikum pada mata

kuliah Penerapan Komputer pada tahun 2015-2016, asisten praktikum mata kuliah

Artificial Intelligence pada tahun 2017, dan asisten praktikum mata kuliah Sistem

Cerdas pada tahun 2018.

Selain menjadi asisten praktikum, penulis juga aktif di Badan Eksekutif

Mahasiswa pada tahun 2016/2017 sebagai anggota Pengembangan Sumberdaya

Mahasiswa. Penulis juga aktif sebagai anggota Sahabat Beasiswa Chapter Bogor

sejak tahun 2015. Penulis juga mengikuti kegiatan Rumah Belajar Leadership

(RumbeL) dibawah naungan Forum Indonesia Muda Bogor (FIM Hore Bogor) pada

tahun 2014 sampai 2016.