dc.description.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%. | id |