Prediksi Kandidat Senyawa Herbal Sebagai Obat Obesitas Menggunakan Pemodelan Stacked Autoencoder-Deep Neural Network
Abstract
Obesitas merupakan kondisi kronis akibat akumulasi lemak yang berlebihan
dalam tubuh. Penyakit obesitas secara signifikan dapat meningkatkan resiko
munculnya penyakit bawaan lainnya seperti diabetes, penyakit jantung, hipertensi,
dan batu empedu. Penemuan obat obesitas dilakukan dengan menggunakan
machine learning untuk memprediksi Drug Target-Interaction (DTI). Penelitian ini
membangun model Stacked Autoencoders-Deep Neural Network (SAE-DNN)
dengan klasifikasi multi-label yang bertujuan untuk memprediksi kandidat senyawa
herbal sebagai obat obesitas. Ekstraksi fitur dilakukan dengan menggunakan tiga
fingerprint, yaitu PubChem, MACCS, dan Klekota-Roth. Hasil penelitian
menunjukkan bahwa model SAE-DNN mampu memprediksi DTI pada kasus
obesitas dengan kinerja yang baik. Model SAE-DNN dengan menggunakan fitur
PubChem fingerprint menghasilkan nilai metrik rata-rata terbaik dengan akurasi
0,8161, recall 0,8556, presisi 0,8491, dan F-measure 0,8445. Hasil prediksi
menggunakan fitur Pubchem fingerprint SAE-DNN menghasilkan 208 senyawa
herbal
Collections
- UT - Computer Science [2268]