Penerapan Metode Learning Vector Quantization (LVQ) untuk Klasifikasi Fungsi Senyawa Aktif Menggunakan Notasi Simplified Molecular Input Line System (SMILES)
| Main Author: | Ramzini, Suhhy |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/162073/1/Suhhy%20Ramzini.pdf http://repository.ub.ac.id/162073/ |
Daftar Isi:
- Senyawa aktif merupakan suatu zat (obat) yang mampu memberikan efek baik terhadap kondisi buruk tubuh manusia. Penggunaan senyawa aktif adalah untuk proses pencegahan bahkan penyembuhan suatu penyakit. Senyawa aktif sangat dibutuhkan dan berperan penting dalam dunia medis. Notasi Simplified Molecular Input Line System atau disingkat dengan SMILES merupakan representasi dari suatu senyawa (ikatan karbon) yang diciptakan oleh David Weininger pada tahun 1980. Tersusun dari karakter ASCII (American Standard Code for Information Interchange) sehingga dapat disimpan dalam variabel string dan diproses oleh komputer dengan mudah. Jumlah senyawa (notasi SMILES) saat ini sangat banyak dan perlu dilakukan klasifikasi untuk senyawa yang sudah teruji mampu dijadikan sebagai obat (senyawa aktif). Penelitian ini dilakukan untuk proses klasifikasi fungsi senyawa aktif menggunakan notasi SMILES menerapkan metode Learning Vector Quantization (LVQ) dengan dua kelas fungi senyawa aktif, yaitu kelas senyawa aktif untuk penyakit metabolisme dan kelas senyawa aktif untuk penyakit kanker. Terdapat 467 dataset dengan masing-masing data memiliki 11 fitur. Dalam proses pengujian didapatkan nilai learning rate sebesar 0,1, nilai decrement alpha sebesar 0,3, nilai minimum alpha sebesar 1 ∗ 10−14, dan maksimal epoch sebanyak 15 dengan menggunakan persentase data latih 80% dan data uji 20% dihasilkan akurasi sebesar 76,34%.