Langsung ke konten
Karya

AI · Knowledge Graph

VektorPedia

Mesin pencari yang menemukan serangga vektor virus tanaman dengan mengintegrasikan empat knowledge graph publik dan menjalankan analisis jaringan di atasnya.

Peran
Peneliti & Engineer (Tesis magister)
Durasi
Agu 2022 — Des 2023
Konteks
IPB University
Stack
  • Python
  • Vue
  • SPARQL
  • Knowledge Graph
  • Network Analysis

Masalah

Virus tanaman menyebar melalui serangga, tetapi pengetahuan tentang serangga mana yang membawa virus apa tersebar di banyak database keanekaragaman hayati. Peneliti dan praktisi penyakit tanaman tidak punya satu tempat untuk bertanya: "serangga apa saja yang kemungkinan menjadi vektor virus ini?"

Konteks

Ini adalah tesis magister saya di IPB University. Datanya sebenarnya sudah tersedia secara publik — di Global Biotic Interactions (GloBI), Wikidata, DBpedia, dan ontologi NCBI Taxonomy — tetapi dalam bentuk, identifier, dan tingkat kelengkapan yang berbeda-beda.

Solusi

Saya membangun VektorPedia, mesin pencari yang didukung knowledge graph keanekaragaman hayati yang terintegrasi. Data dari keempat sumber diambil dan diselaraskan menjadi satu graf yang menangkap hubungan antara serangga, virus, dan tanaman. Analisis jaringan pada graf itu memunculkan dan memberi skor pada kandidat serangga vektor.

Arsitektur

Detail lapisan

GloBI · Wikidata · DBpedia · NCBITaxon

Empat knowledge graph publik yang mendeskripsikan spesies, taksonomi, dan interaksi biotik.

Arsitektur yang disederhanakan — pilih satu lapisan untuk melihatnya.

Tantangan teknis

  • Sumber yang heterogen — setiap knowledge graph memakai identifier dan kosakatanya sendiri, sehingga entitas harus diselaraskan dulu sebelum analisis apa pun bisa bermakna.
  • Sinyal dari struktur — data interaksinya jarang; analisis jaringan dipakai untuk menyimpulkan kandidat vektor dari cara spesies saling terhubung, bukan hanya dari catatan langsung.
  • Dari riset menjadi produk — mengubah pipeline riset menjadi aplikasi pencarian yang bisa dipakai dalam waktu sekitar tiga bulan.

Dampak

knowledge graph publik terintegrasi
4knowledge graph publik terintegrasi
dari desain hingga aplikasi ter-deploy
3 blndari desain hingga aplikasi ter-deploy
publikasi terindeks
Scopuspublikasi terindeks

Penelitian ini dipublikasikan di jurnal terindeks Scopus (JISEBI, 2024) dan di-deploy di vektorpedia.ipb.ac.id.

Pelajaran

Knowledge graph kuat justru karena membawa konteks — tetapi sebagian besar usahanya ada pada pekerjaan penyelarasan yang tidak glamor. Pengalaman pencarian yang baik di atasnyalah yang membuat riset bisa dipakai oleh orang di luar laboratorium.

Cuplikan

Chat dengan saya