Hasil Pencarian  ::  Simpan CSV :: Kembali

"This skripsi discusses a method known DIALIGN to find the best alignment of two DNA sequences. This algorithm is based on segment-tosegment comparison instead of the commonly used residue-to-residue comparison. Also, this algorithm avoids the wellknown difficulties concerning the choice of appropriate gap penalties. In DIALIGN, all possible diagonals of the input sequences will be weighted and compared to find the diagonals which compose optimal alignment. Diagonal weight is based on matchprobability of residues in the diagonal. Having the maximum score, the alignment will be constructed by tracing back the components which produce the maximum score. The resulted alignment can be considered as consistent collections of diagonals. In the final, the algorithm is implemented in a program. According to the simulation of the program, DIALIGN algorithm is able to produce optimal sequence alignment from a pair of sequence. And the program performs well on short sequences."

"Skripsi ini membahas suatu metode yang biasa dikenal dengan nama DIALIGN untuk mencari penyejajaran terbaik dari dua barisan DNA. Algoritma ini berdasarkan pada perbandingan segmen dengan segmen bukan seperti yang biasa dilakukan yaitu perbandingan residu dengan residu. Selain itu, algoritma ini juga menghindari kesulitan dalam menentukan pemilihan untuk memberikan penalti yang tepat bagi gap. Pada DIALIGN, seluruh diagonaldiagonal yang mungkin dari input barisan yang diberikan akan diberi bobot dan dibandingkan dengan diagonal yang lain untuk mendapatkan diagonaldiagonal yang akan membentuk penyejajaran optimal. Penghitungan bobot dari diagonal berdasarkan pada probabilitas kesamaan residu pada diagonal. Setelah diperoleh skor maksimum, penyejajaran akan dibangun dengan cara menelusuri kembali komponen-komponen yang telah memproduksi skor maksimum. Penyejajaran yang telah dihasilkan merupakan sehimpunan diagonal-diagonal yang konsisten. Di akhir, algoritma DIALIGN diimplementasikan pada suatu program. Berdasarkan simulasi program, algoritma DIALIGN mampu memproduksi penyejajaran optimal dari sepasang barisan. Dan kinerja program sangat baik untuk barisan-barisan pendek.

---

This skripsi discusses a method known DIALIGN to find the best alignment of two DNA sequences. This algorithm is based on segment-tosegment comparison instead of the commonly used residue-to-residue comparison. Also, this algorithm avoids the wellknown difficulties concerning the choice of appropriate gap penalties. In DIALIGN, all possible diagonals of the input sequences will be weighted and compared to find the diagonals which compose optimal alignment. Diagonal weight is based on match probability of residues in the diagonal. Having the maximum score, the alignment will be constructed by tracing back the components which produce the maximum score. The resulted alignment can be considered as consistent collections of diagonals. In the final, the algorithm is implemented in a program. According to the simulation of the program, DIALIGN algorithm is able to produce optimal sequence alignment from a pair of sequence. And the program performs well on short sequences."

"Multiple sequence alignment (MSA) is a sequence alignment of three or more biological sequences, which are assumed to have an evolutionary relationship. Because three or more sequences of biologically relevant length can be difficult and are almost always time-consuming to align by hand, computational algorithm are used to produce and analyze the alignments. Computational algorithm can be constructed by transforming multiple sequence alignment problems into graph problems. The problem of finding anoptimal alignment turns into finding a gapped trace of a gapped extended alignment graph. However, this process is difficult to be done manually. Hence, we study the properties of a gapped trace and using these properties to build a general integer linear programming formulation for MSA problem."

"Salah satu dari masalah-masalah dominan pada komputasi biologi molekuler adalah penyejajaran barisan berganda (Multiple Sequence Alignment - MSA) dari DNA. Banyak metode yang telah diajukan untuk menyelesaikan masalah MSA seperti pemrograman dinamik dan heuristik. Satu metode telah diajukan oleh Althaus et al. untuk menyelesaikan masalah MSA yang didasarkan pada pemrograman linear bilangan bulat (Integer Linear Programming - ILP). Formulasi ILP umum dari masalah MSA diturunkan dari representasi graf dari masalah MSA. Walaupun formulasi ILP umum dari masalah MSA diketahui, membentuk model ILP dari suatu masalah MSA yang dapat diselesaikan langsung menggunakan suatu solver ILP tidaklah mudah. Sebuah program yang dapat membangun dan menyelesaikan model ILP dari sebuah masalah MSA menggunakan MATLAB telah dibuat. Metode yang digunakan untuk menyelesaikan model ILP tersebut adalah branch-and-bound. Program yang telah dibuat dapat menghasilkan model ILP dari sembarang masalah MSA yang diberikan tetapi hanya dapat menyelesaikan masalah MSA dari sejumlah kecil barisanbarisan DNA yang pendek. Hasil dari program tersebut adalah penejajaran barisan-barisan DNA dari masalah MSA yang diberikan.

---

One of the dominant problems in computational molecular biology is multiple sequence alignment (MSA) of DNA. Many methods have been proposed to solve MSA problem such as dynamic programming and heuristic. A method has been proposed by Althaus et al. to solve MSA problem which is based on integer linear programming (ILP). The general ILP formulation of the MSA is derived from the graph representation of the MSA problem. Although we have the general ILP formulation of the MSA problem, constructing the ILP model of an MSA that can be solved directly using an ILP solver is not straightforward. We develop a MATLAB program that can generate and solve the ILP model of an MSA problem. The method that is used to solve the ILP model is branch-and-bound. The constructed program can generate the ILP model of any given MSA problem but can only solve an MSA problem of a small number of short DNA sequences. The result of the program is the aligned sequences of the MSA problem."

"One of the dominant problems in computational molecular biology ismultiple sequence alignment (MSA) of DNA. Many methods have beenproposed to solve MSA problem such as dynamic programming and heuristic.A method has been proposed by Althaus et al. to solve MSA problem which isbased on integer linear programming (ILP). The general ILP formulation ofthe MSA is derived from the graph representation of the MSA problem.Although we have the general ILP formulation of the MSA problem,constructing the ILP model of an MSA that can be solved directly using anILP solver is not straightforward. We develop a MATLAB program that cangenerate and solve the ILP model of an MSA problem. The method that isused to solve the ILP model is branch-and-bound. The constructed programcan generate the ILP model of any given MSA problem but can only solve anMSA problem of a small number of short DNA sequences. The result of theprogram is the aligned sequences of the MSA problem."

"Tree Based Of Consistency Objective Function For Evaluation Alignment (T-COFFEE) merupakan algoritma untuk menyelesaikan permasalahan multiple sequence alignment (MSA). Algoritma ini menggabungkan dua teknik, pertama Tree Based yang merupakan Progressive Alignment dan kedua Consistency Objective Function berupa extending library. Pada pembahasan skripsi ini akan digunakan data sequence dari database ensembl yang terdiri dari database DNA atau protein yang akan diproses dengan global alignment (Needleman-Wunsch) dan local alignment (Smith- Waterman) dengan harapan informasi yang dihasilkan pada akhir pensejajaran akan menggambarkan hasil penyejajaran yang optimal. Proses pembentukan primary dan extended library pada T-COFFEE membutuhkan waktu lama sehingga untuk mempercepat waktu proses T-COFFEE digunakan teknik komputasi paralel Graphic Processing Unit (GPU). Skripsi ini akan menjelaskan algoritma T-COFFEE, algoritma paralel T-COFFEE, serta mengukur efisiensi dari kedua algoritma tersebut.

---

Tree Based Of Consistency Objective Function For Evaluation Alignment (T-COFFEE) is an algorithm to solve the problem of multiple sequence alignment (MSA). This algorithm combines two techniques, first is Tree-Based with Progressive Alignment and second is Consistency of Objective Function by extending library. In this skripsi, we use the data from the ensembl database that consisting of DNA or protein data. Those data will be processed by the global alignment (Needleman-Wunsch) and local alignment (Smith-Waterman) that is expected to give optimal alignment result at the end of the alignment process. The generating of Primary and Extended Library is the most time consuming, hence to speed up the T-COFFEE process, a parallel version of T-COFFEE algorithm is needed by implementing parallel computing on Graphic Processing Unit (GPU). In this skripsi, the T-COFFEE algorithm, the parallel T-COFFEE algorithm, and the measurement of their speed up and efficiency will be discuss."

"Perkembangan teknologi yang dapat membantu pengukuran luas dan volume suatu objek semakin umum. Salah satu teknologi yang dapat membantu pengukuran luas dan volume suatu objek adalah sensor Light and Detection Ranging (LiDAR). Dalam konteks pengukuran luas dan volume suatu objek dimana objek tersebut adalah bangunan, sensor LiDAR dapat dibantu oleh deep learning dan clustering agar dapat mengidentifikasi bangunan yang nantinya dapat dihitung luas dan volume bangunan tersebut. Dataset yang digunakan pada penelitian ini adalah LiDAR Margonda, Depok dan LiDAR Dublin, Irlandia. Metode deep learning yang digunakan untuk melakukan segmentasi semantik adalah Dynamic Graph Convolutional Neural Network (DGCNN) dan algoritma yang digunakan untuk melakukan pelabelan bangunan adalah Pairwise Linkage Clustering. Penelitian ini juga bermaksud untuk memberikan perbandingan dengan Euclidean Clustering sebagai algoritma pelabelan bangunan. Segmentasi semantik dilakukan agar dapat membedakan objek bangunan dengan objek bukan bangunan sedangkan pelabelan bangunan dilakukan agar dapat memisahkan setiap objek bangunan. Secara hasil, penelitian ini berhasil menggunakan DGCNN sebagai metode segmentasi semantik dan Pairwise Linkage Clustering sebagai metode pelabelan bangunan. Evaluasi dilakukan menggunakan metrik Accuracy, Recall, Precision, F-score dan Intersection over Union untuk metode segmentasi semantik sedangkan metrik yang digunakan untuk pelabelan bangunan adalah Accuracy, Recall, Precision, dan F-Score. Pada dataset Margonda, Depok nilai akurasi yang didapatkan oleh DGCNN adalah 82% dan nilai akurasi yang didapatkan oleh Pairwise Linkage Clustering adalah 4.7% untuk Scale Cut-Off Distance 100, 28% untuk Scale Cut-Off Distance 200, 38% untuk Scale Cut-Off Distance 400, dan 28% untuk Scale Cut-Off Distance 800. Pada dataset Dublin, Irlandia nilai akurasi yang didapatkan oleh DGCNN adalah 86% dan nilai akurasi yang didapatkan oleh Pairwise Linkage Clustering adalah 10% untuk Scale Cut-Off Distance 100, 30% untuk Scale Cut-Off Distance 200, 40% untuk Scale Cut-Off Distance 400, dan 35% untuk Scale Cut-Off Distance 800. Dalam pelabelan bangunan, Pairwise Linkage Clustering berhasil memberikan hasil yang lebih baik daripada Euclidean Clustering pada dataset Margonda, Depok sedangkan Euclidean Clustering berhasil memberikan hasil yang lebih baik daripada Pairwise Linkage Clustering di dataset Dublin, Irlandia.

---

With development of technology becoming more advanced, technology that can help to measure area and volume of an object becomes more common. One of the technology that can help measure area and volume of an object is a sensor called Light and Detection Ranging (LiDAR). In the context of measuring area and volume of an object where the object is a building, LiDAR sensor can be helped by deep learning and clustering to identify building and then the building’s area and volume can be measured. In this research the dataset used are Margonda, Depok and Dublin, Irlandia. Deep learning method used to do semantic segmentation is Dynamic Graph Convolutional Neural Network (DGCNN) and the algorithm to do the clustering is Pairwise Linkage Clustering. This research is also intended to give comparison with Euclidean Clustering as an algorithm to do clustering. Semantic segmentation is done so the map can be separated as building object and non building object. Result wise, this research has succeeded to use DGCNN as a method to do semantic segmentation and Pairwise Linkage Clustering as a method to do clustering. Evaluation is done by using matrix such as Accuracy, Recall, Precision, F-Score and Intersection over Union for semantic segmentation while matrix used to evaluate the clustering algorithm is Accuracy, Recall, Precision, and F-Score. In Margonda, Depok dataset DGCNN has the accuracy score of 82% and the accuracy for Pairwise Linkage Clustering with cut off distance 100 is 4.7%, with cut off distance 200 is 28%, with cut off distance 400 is 38%, with cut off distance 800 is 28%. In Dublin, Irlandia dataset DGCNN has the accuracy score of 86% and the accuracy for Pairwise Linkage Clustering with cut off distance 100 is 10%, with cut off distance 200 is 30%, with cut off distance 400 is 40% and with cut off distance 800 is 35%. In the clustering part, Pairwise Linkage Clustering gives better result in Margonda, Depok dataset while Euclidean Clustering gives better result in Dublin, Irlandia dataset.

"

"Barisan DNA dapat diartikan sebagai permutasi dari empat kode basa DNA yaitu A, T, G, dan C. Pada hasil sekuensing DNA, kadang kala ada basa DNA yang sulit terbaca dengan jelas apakah A, T, G, atau C. Untuk mengatasi masalah ini, maka diberikan kode-kode lain yang merupakan probabilitas munculnya A, T, G, atau C pada setiap kode basa DNA. Sehingga secara keseluruhan terdapat kode basa DNA yang dapat dibentuk dari kode A, T, G, dan C. Enam belas kode basa DNA yang telah terbentuk dapat dinyatakan dalam quaternion berbentuk. Dengan menggunakan perkalian titik antara keenambelas kode basa DNA tersebut, diperoleh matriks skoring. Matriks skoring dibutuhkan pada pensejajaran barisan DNA untuk memberikan skor kecocokan atau ketidakcocokan antara dua kode basa DNA. Algoritma pensejajaran barisan DNA yang diimplementasikan pada penelitian ini adalah Algoritma Needleman-Wunsch untuk pensejajaran global dan Algoritma Smith-Waterman untuk pensejajaran lokal, algoritma ini diimplementasikan menggunakan bahasa pemrograman berbasis open source (Octave). Kemudian program pensejajaran yang telah dibuat diaplikasikan untuk mensejajarkan barisan DNA dari bakteri Streptococcus pneumoniae yang diambil dari pangkalan data gen (GeneBank) dengan barisan DNA hasil sekuensing dari bakteri yang diduga Streptococcus pneumoniae. Dari hasil pensejajaran, diketahui bahwa kedua barisan mempunyai kemiripan yang maksimal.

---

DNA sequence can be defined as a permutation of four DNA base codes: A, T, G, and C. From the result of DNA sequencing, sometime there were dificulties to determine whether the DNA base code of A, T, G, or C. the Probability of other DNA base codes were given to solve this umbigue of DNA sequence reading with form of DNA base code which can be obtained from base code of A, T, G, and C. Sixteen of DNA base code can be represented with a quaternion form: . The scoring matrix was obtained from those sixteen of DNA base code using a dot product method. This scoring matrix can be applied in the DNA aligmnent for match and mismatch between two DNA base code.

In this study, we applied the Needleman-Wunsch Algorithm for gobal alignment and Smith-Waterman Algorithm for local aligment using the Octave, an open soucre program. The alignment program used for DNA sequences alignment from Streptococcus pneumoniae obtained from the GeneBank and the DNA sequence obtained from sequensing result and suspected as Streptococcus pneumoniae. From this alignment, we found that two DNA sequences have maximum similarity."

"Indonesia kaya akan warisan budaya, salah satunya adalah aksara Pegon. Aksara ini merupakan sistem penulisan yang berkembang selama penyebaran Islam di nusantara. Warisan budaya ini adalah adaptasi dari aksara Arab yang sering digunakan oleh para ulama Islam dalam penulisan manuskrip di masa lalu. Namun, seiring dominasi aksara Latin di Indonesia, penggunaan aksara Pegon saat ini semakin berkurang, hanya pada kalangan tertentu, sehingga menyebabkan sedikitnya individu yang mampu membaca aksara Pegon. Oleh karena itu, transliterasi antara aksara Pegon ke Latin diperlukan. Penelitian ini berfokus pada pengembangan transliterasi menggunakan pendekatan berbasis data dengan model sequence-to-sequence, mengikuti pedoman transliterasi Arab-Latin dari Kementerian Agama tahun 1987, hasil Kongres Aksara Pegon 2022, dan SNI 9047:2023. Hasil penelitian menunjukkan bahwa pendekatan berbasis data menggunakan metode sequence-to-sequence mencapai akurasi 99.76% dan CER 0.010624 untuk dataset bahasa Sunda dengan model terbaik BiGRU-Att, akurasi 99.31% dan CER 0.029255 untuk dataset bahasa Jawa dengan model terbaik BiGRU-Att, dan akurasi 99.58% dan CER 0.020466 untuk dataset gabungan bahasa dengan model BiLSTM-Att. Dari hasil ini, dapat dikatakan bahwa hasil prediksi tergolong baik dengan nilai akurasi di atas 70%, nilai loss mendekati 0, dan nilai Character Error Rate (CER) mendekati 0 untuk semua dataset.

---

Indonesia, rich in cultural heritage, includes Pegon script, a writing system that evolved during the spread of Islam in the archipelago. This cultural heritage is an adaptation of the Arabic script often used by Islamic scholars in manuscript writing in the past. However, the current use of Pegon script is less popular compared to the past due to the dominance of the Latin script in Indonesia, resulting in few individuals being able to read Pegon script. Therefore, transliteration between Pegon and Latin scripts is necessary. The research concentrates on developing transliteration using a data-driven approach with sequence-to-sequence models, following the Arabic-Latin transliteration guidelines from the Ministry of Religious Affairs in 1987, the results of the Pegon Script Congress 2022, and SNI 9047:2023. The results show that the data-driven approach using the sequence- to-sequence method achieves an accuracy of 99.76% and a CER of 0.010624 for the Sundanese dataset with the best model BiGRU-Att, an accuracy of 99.31% and a CER of 0.029255 for the Javanese dataset with the best model BiGRU-Att, and an accuracy of 99.58% and a CER of 0.020466 for the combined language dataset with the BiLSTM-Att model. From these results, it can be said that the prediction results are classified as good with accuracy values above 70%, loss values close to 0, and Character Error Rate (CER) values close to 0 for all datasets."