| dc.description.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. | id |
