Ekstraksi Informasi Interaksi Senyawa- Protein pada Kumpulan Dokumen Abstrak.

Abstract

Farmakologi adalah studi yang berkaitan dengan obat-obatan terutama untuk mempelajari interaksi antara senyawa dan protein. Perkembangan studi farmakologi telah menghasilkan basis data interaksi senyawa-protein. Masalah saat ini adalah tidak semua interaksi senyawa-protein sepenuhnya tersedia di basis data. Informasi interaksi senyawa-protein sebagian besar tersebar di dokumen penelitian atau literatur. Pertumbuhan dokumen literatur mempengaruhi kesulitan bagi pengguna terutama untuk mendapatkan informasi interaksi senyawa-protein dengan cepat. Untuk menjawab tantangan ini, penelitian ini berupaya untuk mendapatkan informasi interaksi senyawa-protein menggunakan penambangan teks dari berbagai literatur penelitian yang berkaitan dengan farmakologi. Penelitian ini menggunakan machine learning dan pendekatan deep learning untuk mengklasifikasikan teks yang memiliki informasi interaksi senyawa-protein. Pembangunan sistem yang dapat mengekstrak informasi interaksi senyawa-protein ini juga berupaya untuk menemukan akurasi terbaik dari beberapa metode seperti (1) Naive Bayes, (2) Multinomial Naive Bayes, (3) Logistic Regression, (4) Convolutional Neural Network, (5) Recurrent Neural Network, dan (6) Hierarchical Attention Network. Metode-metode tersebut bertujuan untuk melakukan klasifikasi teks pada kelompok kalimat yang mengandung entitas senyawa dan protein. Evaluasi algoritme prediksi ini telah mencapai hasil akurasi yang baik. CNN mencapai hasil terbaik dengan akurasi sebesar 85.2%. RNN mencapai akurasi 83.6%, HAN memberikan akurasi 81.8%, Regresi Logistik memberikan nilai akurasi sebesar 80.1%, Naive Bayes mencapai akurasi sebesar 73.1%, dan yang terkecil dihasilkan dari Multinomial Naive Bayes dengan nilai akurasi sebesar 70,3%.