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