Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Algoritma Regularized Markov Clustering RMCL adalah suatu metode graf clustering yang merupakan pengembangan dari Markov Clustering MCL . Algoritma RMCL masih memiliki kelemahan pada parameter penggelembungan yang biasanya selalu diinputkan oleh pengguna untuk mendapatkan hasil clustering yang baik. Pada penelitian ini, RMCL digabungkan dengan algoritma Firefly untuk menganalisis jaringan interaksi protein yang disebut algoritma Firefly Regularized Markov Clustering FRMCL . Algoritma Firefly merupakan algoritma yang terinspirasi dari perilaku kunang-kunang dalam mencari koloninya. Implementasi algoritma FRMCL dilakukan pada data jaringan interaksi protein HIV-1 dan Human Herpesvirus 1. Data yang digunakan direpresentasikan ke dalam sebuah graf tak-berarah . Selanjutnya, posisi kunang-kunang pada algoritma firefly akan berperan sebagai parameter penggelembungan. Setiap firefly akan melakukan proses RMCL, sehingga diperoleh beberapa hasil RMCL dengan parameter berbeda. Setiap proses RMCL memberikan nilai global chaos, yang dipilih adalah global chaos minimum yang akan dijadikan best firefly, kemudian akan dilakukan proses perhitungan kembali. Posisi firefly baru ini selanjutnya bertindak sebagai parameter penggelembungan yang baru dan dilakukan proses FRMCL berlanjut hingga diperoleh cluster terbaik. Komputasi paralel akan digunakan saat setiap firefly menjalankan proses FRMCL dengan bahasa pemrograman OpenMP. Berdasarkan hasil simulasi yang dilakukan, diperoleh 14 cluster untuk data Human Herpesvirus 1 dan 4 cluster untuk data HIV-1. Sedangkan proses paralel yang dilakukan pada kedua data PPI tersebut diperoleh running time dan speed up yang menunjukkan komputasi paralel menggunakan 8 thread diperoleh 3,66x dan 4,51x lebih cepat dibandingkan dengan komputasi sekuensial.

---

ABSTRACT
Regularized Markov Clustering RMCL algorithm is a clustering graph method which is the development of Markov Clustering MCL . The RMCL algorithm still has weaknesses on inflate parameters that are usually always input by the user to get best clustering results. In this research, RMCL combined with the Firefly algorithm to analyze a protein interaction network called the Firefly Regularized Markov Clustering FRMCL algorithm. The Firefly algorithm is an algorithm that is inspired by the behavior of fireflies looking for their colonies. Implementation of the FRMCL algorithm was carried out on the data network of HIV 1 protein interactions and Human Herpesvirus 1. The data used to be represented in an undirected graph G. Then, firefly position on the firefly algorithm will act as an inflate parameter. Every firefly will perform the RMCL process, and then obtained some RMCL results with different parameters. Each RMCL process give generated from global chaos, which will be selected minimum global chaos which will be the best firefly, it will be processed back again. This new firefly position will act as a new inflate parameter and perform the FRMCL process until to produce the best clusters. Parallel computations will be used when each firefly runs the FRMCL process with the programming language using OpenMP. Based on the results of the simulation, 14 clusters are obtained for Human Herpesvirus 1 and 4 cluster data for HIV 1 data. The parallel processing performed on both PPI data is due to running time and speed shows 3,66x and 4,51x parallel computing using 8 thread which faster than sequential computing.

Abstrak :
Permasalahan lokasi alokasi sekolah bertujuan untuk menghasilkan distribusi peserta didik ke sekolah sedemikian sehingga total jarak perjalanan siswa minimum. Permasalahan ini termasuk jenis masalah kombinatorial dan dapat dimodelkan sebagai permasalahan p-median. Pada penelitian ini, pendekatan algoritma hibrida firefly-genetika digunakan untuk menyelesaikan masalah lokasi alokasi sekolah dengan studi kasus SMP Negeri di Jakarta Selatan. Algoritma firefly diusulkan karena kemampuannya yang baik dalam mengarahkan konvergensi solusi ke nilai fungsi objektif yang lebih baik dalam permasalahan dengan fungsi kontinu. Algoritma genetika diusulkan karena kemampuan operasi genetikanya yang dapat menjaga variasi individu dalam populasi sehingga dapat menghindarkan solusi terjebak di nilai optimum lokal. Hasil pengujian menunjukkan nilai jarak perjalanan yang didapatkan oleh algoritma hibrida firefly-genetika lebih baik daripada algoritma firefly dan algoritma genetika. Untuk nilai parameter yang sama, waktu komputasi algoritma hibrida firefly-genetika relatif sama dengan algoritma firefly, namun jauh lebih tinggi dari algoritma genetika. ......School location allocation problem aims to distribute students to schools such that the total of students travel distance is minimum. This problem is a type of combinatorial problem and can be modeled as a p-median problem. In this study, hybrid firefly-genetic algorithm is used to solve school location allocation problem with case study of South Jakarta junior public schools. Firefly algorithm is proposed because of its ability in directing the convergence to better solutions in continuous problems. Genetic algorithm is proposed because its genetic operators can maintain individual variation in the population to avoid a solution getting stuck at local optimum. The experiment results show that the total travel distance obtained by hybrid firefly-genetic algorithm is better than firefly algorithm and genetic algorithm. For the similar parameter values, the computational time of hybrid firefly-genetic algorithm is quite same as firefly algorithm, but much higher than genetic algorithm.

Abstrak :
ABSTRAK
Protein memiliki peranan yang sangat penting dalam kehidupan. Setiap protein berinteraksi dengan protein-protein lain, DNA, dan molekul-molekul lainnya, sehingga terbentuklah jaringan interaksi protein yang berukuran sangat besar. Untuk memudahkan dalam menganalisisnya, diperlukan metode clustering. Algoritma Soft Regularized Markov Clustering (SR-MCL) merupakan pengembangan metode clustering yang mengurangi kelemahan dari Regularized Markov Clustering dan Markov Clustering. Namun, SR-MCL masih memiliki kelemahan yaitu parameter inflasi yang selalu dimasukkan secara manual oleh peneliti. Penelitian ini, SR-MCL digabung dengan Algoritma Firefly yang selanjutnya disebut Firefly Soft Regularized Markov Clustering, dimana posisi setiap firefly menggantikan parameter inflasi. Posisi firefly akan terus diperbaharui dan proses clustering akan terus dilakukan sampai memperoleh global chaos kurang dari threshold. FSR-MCL akan diterapkan secara paralel menggunakan OpenMP, yaitu setiap thread menjalankan SR-MCL dengan posisi setiap firefly yang berbeda. Proses clustering data HIV-1 diperoleh sembilan protein sebagai pusat cluster yang sangat berpengaruh dalam pembentukan dan penyebaran virus, yaitu TAT, REV, ENV, GAG, POL, VPU, VPR, NEF, dan VIF, serta didapat parameter inflasi terbaiknya 8,0 dengan speed up 4,66 kali. Proses clustering data SC5314 diperoleh enam protein sebagai pusat cluster yang merupakan protein penting dalam penyebarannya, yaitu HSP90, CBK1, MED8, NOP1, CEK1, dan CDC4, serta didapat parameter inflasi terbaiknya 5,5 dengan speed up 3,01 kali.

---

ABSTRACT
Protein has a very important role in life. Each protein interacts with other proteins, DNA, and other molecules, resulting in a very large protein-protein interaction. To make it easier to analyze it, clustering method is needed. Soft Regularized Markov Clustering (SRMCL) algorithm is a development of clustering method that reduces the weakness of Regularized Markov Clustering and Markov Clustering. However, SR-MCL still has a weakness that is the parameter of inflation that is always entered manually by researchers. This study, SR-MCL combined with Firefly Algorithm, hereinafter called Firefly Soft Regularized Markov Clustering, where the position of each firefly replace the parameters of inflation. The firefly position will continue to be updated and the clustering process will continue until the global chaos is less than the threshold. FSR-MCL will be applied in parallel using OpenMP, ie each thread runs SR-MCL with the position of each different firefly. The process of clustering the HIV-1 data obtained by nine proteins as the center of the cluster is very influential in the formation and spread of the virus, namely TAT, REV, ENV, GAG, POL, VPU, VPR, NEF, and VIF, and got the best inflation parameter 8.0 with speed up 4.66 times. SC5314 data clustering process obtained six proteins as the center of the cluster which is an important protein in its spreading, namely HSP90, CBK1, MED8, NOP1, CEK1, and CDC4, and got the best inflation parameter 5.5 with speed up 3.01 times.