Perbandingan Beberapa Metode Klasifikasi dalam Memprediksi Interaksi Farmakodinamik.

Abstract

Interaksi antar obat atau sering disebut Drug-Drug Interaction (DDI) merupakan modifikasi efek suatu obat akibat obat lain yang diberikan secara bersamaan, sehingga keefektifan atau toksisitas satu obat atau lebih berubah. Salah satu mekanisme interaksi obat adalah interaksi farmakodinamik. Interaksi farmakodinamik merupakan interaksi dimana efek suatu obat diubah oleh obat lain pada tempat aksi. Perubahan efek obat akibat interaksi obat dapat bersifat membahayakan pasien dengan berkurangnya khasiat obat. Nilai yang dapat digunakan dalam memprediksi interaksi farmakodinamik adalah Side Effect Similarity (SES), Protein Target Connectedness (PTC) dan Cemichal Similarity (CS). Metode klasifikasi random forest, Support Vector Machine (SVM), dan regresi logistik biner merupakan metode klasifikasi yang dapat digunakan dalam memprediksi interaksi farmakodinamik. Metode random forest merupakan metode klasifikasi yang membentuk kumpulan pohon klasifikasi yang dapat menghasilkan error yang rendah dalam memprediksi interaksi farmakodinamik. Metode SVM merupakan metode klasifikasi yang cara kerjanya menemukan garis hyperplane yang baik sebagai pemisah antara interaksi farmakodinamik dengan non-interaksi farmakodinamik. Metode regresi logistik biner adalah memodelkan nilai peluang terjadinya interaksi farmakodinamik, sehingga regresi logistik menghasilkan rasio peluang untuk setiap peubah prediktor. Ketiga metode klasifikasi tersebut akan diterapkan dalam memprediksi interaksi farmakodinamik namun sebelum melakukan pemodelan klasifikasi akan dilakukan prepocessing data. Prepocessing data merupakan penanganan data yang dilakukan sebelum pemodelan klasifikasi dengan tujuan untuk meningkatkan tingkat akurasi dari setiap metode klasifikasi. Prepocessing data yang dilakukan adalah proses scaling, diskretisasi, interaksi antar peubah dan teknik resampling. Proses scaling dilakukan dengan tujuan mengubah nilai peubah bebas SES, PTC, dan CS kedalam skala yang sama. Diskretisasi dilakukan dengan membuat data numerik menjadi data kategorik (ordinal) sehingga pada data pasang obat akan terdapat beberapa interval tertentu. Interaksi antar peubah bebas juga dilakukan pada penelitian ini dengan cara mengalikan disetiap kombinasi peubah yang terjadi. Interaksi peubah ini dapat memberikan informasi tambahan dalam mempredikasi interaksi farmakodinamik. Data pasang obat memiliki kelas yang tidak seimbang oleh karena itu peneliti menggunakan teknik resampling yaitu undersampling untuk menangani masalah kelas yang tidak seimbang dengan cara menggunakan semua amatan dari kelas minoritas (interaksi farmakodinamik) dan menggunakan sebagian amatan dari kelas mayoritas (Golden Standard Negative (GSN)) yang diambil secara acak untuk menjadi kelas minoritas sehingga data akan menjadi seimbang. Penelitian ini bertujuan untuk membandingkan metode klasifikasi random forest, SVM , dan regresi logistik biner yang digunakan untuk memprediksi interaksi farmakodinamik berdasakan nilai AUC. Berdasarkan hasil analisis klasifikasi ketika tidak dilakukan prepocessing data maka metode klasifikasi yang baik digunakan untuk data pasang obat dalam memprediksi interaksi farmakodinamik adalah metode klasifikasi random forest. Metode klasifikasi random forest tanpa prepocessing data memiliki nilai AUC yang paling tinggi (56.08%) dibandingkan dengan metode klasifikasi lainnya. Namun ketika dilakukan prepocessing data yaitu melakukan proses scaling, teknik resampling, interaksi antar peubah, dan melakukan diskritisasi peubah maka dapat meningkatkan nilai sensitificity yang artinya bahwa dengan dilakukan prepocessing data maka dapat meningkatkan kemampuan dalam memprediksi interaksi farmakodinamik. Berdasarkan nilai AUC ketiga metode tersebut tidak jauh berbeda namun metode klasifikasi SVM yang memiliki nilai AUC tertinggi (67.91%) dibandingkan dengan metode klasifikasi random forest dan regresi logistik biner.