Prediksi Efikasi Jamu Berdasarkan Metabolit pada Tanaman Obat Menggunakan Deep Belief Network

Abstract

Indonesia memiliki sekitar 30.000 dari total 40.000 tanaman tropis yang ada di dunia, dan 1000 spesies diantaranya dijadikan bahan baku pembuatan jamu. Jamu adalah obat tradisional Indonesia yang dipercaya secara turun temurun dan biasanya dibuat dari campuran berbagai tumbuhan. Dengan banyaknya bahan yang bisa dibuat menjadi formula Jamu, maka perlu dibuat landasan saintifik untuk memberikan pengetahuan ilmiah mengenai Jamu. Tumbuhan sebagai bahan penyusun Jamu memiliki kandungan senyawa atau metabolit yang berbeda-beda. Penelitian ini melakukan klasifikasi khasiat Jamu berdasarkan kandungan metabolit. dengan tahapan penelitian meliputi pra-proses data, tuning parameter, pembuatan model, dan analisa hasil. SMOTE digunakan pada tahap pra-proses sebagai teknik untuk mengatasi imbalance data. Pada penelitian ini, dilakukan perbandingan hasil klasifikasi terhadap data yang tidak seimbang dengan data yang seimbang. Hasil yang didapat penelitian ini adalah model Deep Belief Network yang dibuat bekerja lebih baik pada data yang seimbang, dengan akurasi 75.25%. Sedangkan untuk data yang tidak seimbang, akurasi yang didapatkan adalah 62.68%

Indonesia has about 30,000 of the total 40,000 tropical plants in the world, and 1000 species of which are used as raw materials for herbal medicine. Jamu is a traditional Indonesian medicine that is passed down from generation to generation and is usually made from a mixture of various plants. With so many ingredients that can be made into Jamu formulas, it is necessary to create a scientific basis to provide scientific knowledge about Jamu. Plants as ingredients for herbal medicine contain different compounds or metabolites. This study classified the efficacy of herbal medicine based on its metabolite content, with the research stages covering data pre-processing, parameters tuning, models building, and results analyzing. SMOTE is used in the pre-processing stage as a technique to overcome imbalance datasets. In this study, a comparison of the classification results was carried out on unbalanced data with balanced data. The result of this research is that the Deep Belief Network model is made to work better on balanced data, with an accuracy of 75.25%. As for the unbalanced data, the accuracy obtained is 62.68%.