VARREL, Varrel (2025) Prediksi Struktur Sekunder Protein Menggunakan Bidirectional Long Short-Term Memory (Bi-LSTM). Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 2. HALAMAN JUDUL.pdf Download (32kB)
	Text 4. HALAMAN PENGESAHAN.pdf Download (306kB)
	Text 5. KATA PENGANTAR.pdf Download (76kB)
	Text 7. ABSTRAK.pdf Download (7kB)
	Text 8. ABSTRACT.pdf Download (74kB)
	Text 9. DAFTAR ISI.pdf Download (99kB)
	Text 12. BAB I PENDAHULUAN.pdf Download (26kB)

Abstract

Struktur sekunder protein memainkan peran penting dalam menentukan fungsinya dalam sel
dan memiliki kontribusi besar dalam bidang biomedis, termasuk dalam pengembangan obat
dan desain vaksin. Namun, metode eksperimental untuk mengidentifikasi struktur ini, seperti
kristalografi sinar-X dan spektroskopi NMR, memerlukan biaya tinggi dan waktu lama
sehingga mengakibatkan lambatnya kemajuan dalam penelitian dan penemuan terkait
protein. Oleh karena itu, prediksi struktur sekunder protein berbasis komputasi menjadi
solusi yang banyak diminati. Penelitian ini bertujuan untuk mengembangkan model prediksi
struktur sekunder protein ke dalam skema 8 kelas (Q8) menggunakan arsitektur
Bidirectional Long Short-Term Memory (Bi-LSTM) yang mampu menangkap informasi
sekuensial dari dua arah, sehingga meningkatkan akurasi prediksi. Implementasi model
dilakukan dengan menggunakan dataset CullPDB untuk pelatihan dan validasi serta dataset
CB513 untuk pengujian. Hyperparameter model seperti optimizer, learning rate, dropout
rate, dan jumlah lapisan LSTM juga dijadikan sebagai objek penelitian, dimana
hyperparameter tersebut dilakukan tuning untuk mencapai performa optimal. Evaluasi
model dilakukan menggunakan metrik akurasi untuk skema Q8 dan confusion matrix, serta
analisis lebih lanjut melalui precision, recall, dan F1-score pada tiap kelas struktur sekunder.
Hasil penelitian menunjukkan bahwa kombinasi hyperparameter terbaik, yaitu optimizer
Adam, learning rate 1 x 10-3, dropout rate 0.1, dan dua lapisan LSTM, memberikan akurasi
tertinggi sebesar 91,33% pada data validasi dan 67,28% pada data uji CB513.
Kesimpulannya, model Bi-LSTM menunjukkan performa yang baik dalam prediksi struktur
sekunder protein, meskipun masih menghadapi tantangan dalam menangani kelas dengan
jumlah data yang lebih sedikit.
Kata kunci : Prediksi struktur sekunder protein, Bi-LSTM, Tuning Hyperparameter,
Skema Q8

Actions (login required)

View Item