Prediksi Adverse Drug Reactions Menggunakan Multilabel Linear Discriminant Analysis dan Multi-label Learning

Abstract

Adverse Drug Reactions (ADR) atau yang biasa disebut dengan efek samping obat adalah reaksi terhadap obat yang tidak diharapkan dan berbahaya saat digunakan oleh manusia dalam dosis normal untuk profilaksis, diagnosis, terapi penyakit, atau modifikasi fungsi fisiologis. ADR telah menimbulkan banyak masalah dan kerugian dalam berbagai bidang, terutama bidang kesehatan dan ekonomi. Prediksi ADR selama siklus pengembangan obat dapat menjadi solusi untuk mengurangi kerugian yang ditimbulkan oleh ADR. Beberapa pendekatan komputasi telah dikembangkan untuk memprediksi potensi ADR dari obat-obatan. Prediksi ADR menggunakan pendekatan komputasi selama siklus pengembangan obat dapat mengurangi biaya pengembangan obat dan memberikan tindakan yang lebih aman bagi pasien. Efek samping dari obat digunakan sebagai kelas atau label data dalam melakukan prediksi ADR. Obat umumnya memiliki beberapa efek samping, sehingga data obat dalam penelitian ini direpresentasikan sebagai data multi-label dan prediksi ADR dikategorikan ke dalam masalah multi-label learning (pembelajaran multi-label). Data multi-label merupakan data berdimensi fitur besar. Reduksi dimensi fitur dapat membuat proses pelatihan model prediksi menjadi lebih efisien dan efektif. Oleh karena itu, tujuan penelitian ini adalah melakukan reduksi dimensi fitur terhadap data obat yang berupa data multi-label dan memprediksi ADR menggunakan pembelajaran multi-label. Reduksi dimensi fitur dilakukan dengan menggunakan Multi-label Linear Discriminant Analysis (MLDA) yang merupakan pengembangan dari Linear Discriminant Analysis (LDA) untuk menangani data multi-label. Model prediksi ADR dibangun dengan menggunakan tiga algoritme pembelajaran multi-label, yaitu Multi-label K-Nearest Neighbor (MLKNN), Neural Network (NN), dan Deep Neural Network (DNN). MLDA mampu mereduksi dimensi fitur dataset 1 dari 881 fitur menjadi 6 fitur baru dan dataset 2 dari 2892 fitur menjadi 6 fitur baru. Kinerja masing-masing model dievaluasi dengan menggunakan beberapa metrik evaluasi yang dikhususkan untuk pembelajaran multi-label, yaitu accuracy, hamming loss, F1-score, dan AUC-ROC. Penggunaan MLDA dalam membangun model prediksi ADR mampu meningkatkan kinerja model prediksi MLKNN, NN, dan DNN. Pada dataset 1, penggunaan MLDA meningkatkan nilai AUC-ROC model prediksi MLKNN, NN, dan DNN berturut-turut sebesar 1.56%, 5.67%, dan 6.53%. Adapun pada dataset 2 penggunaan MLDA meningkatkan nilai AUR-ROC model prediksi MLKNN, NN, dan DNN berturut-turut sebesar 3.88%, 6.67%, dan 6.90%. Berdasarkan hasil evaluasi kinerja model prediksi pada penelitian ini, model DNN yang diintegrasikan dengan MLDA menghasilkan kinerja terbaik untuk dataset 1 maupun dataset 2. Kemudian diikuti oleh model NN yang diintegrasikan dengan MLDA dan model MLKNN yang diintegrasikan dengan MLDA.