Ramzini, Suhhy (2018) Penerapan Metode Learning Vector Quantization (LVQ) untuk Klasifikasi Fungsi Senyawa Aktif Menggunakan Notasi Simplified Molecular Input Line System (SMILES). Sarjana thesis, Universitas Brawijaya.
Abstract
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%.
English Abstract
Active compound is a substance (medicine) capable of providing kind effect when the human bodies are in bad shape. Active compound often used for preventing or curing a disease. Active compound takes an important role in medical world. Simplified Molecular Input Line System notation, in short SMILES notation is representation of compound (carbon bond) created by David Weininger in 1980. SMILES notation composed of ASCII (American Standard Code for Information Interchange) characters so that it can be stored in string variable and easily processed by the computer. Currently, there are numbers of compounds (SMILES notation) and it makes the classification for tested compound that can be made into a medicine (active compound) becomes necessary. The purpose of this research is to classify the active compound function utilizing SMILES notation with Learning Vector Quantization (LVQ) method by using 2 active compound function classes, one for metabolic disease, and another for cancer disease. There are 467 datasets with each 11 features. On testing process, the obtained value for learning rate is 0.1, decrement alpha is 0.3, minimum alpha is 1 ∗ 10−14, and maximum epoch is 15 by using a percentage of 80% training data and 20% testing data which produce accuracy of 76.34%.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FTIK/2018/491/051808300 |
| Uncontrolled Keywords: | senyawa aktif, notasi Simplified Molecular Input Line System, metode Learning Vector Quantization, learning rate, decrement alpha, minimum alpha, maksimal epoch active compound, simplified molecular input line system notation, learning vector quantization method, learning rate, decrement alpha, minimum alpha, maximum epoch |
| Subjects: | 600 Technology (Applied sciences) > 610 Medicine and health > 610.28 Auxiliary techniques and procedures; apparatus, equipment, materials / Biomedical engineering > 610.285 Medical technology / Medicine—Data processing / Medical informatics |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 08 May 2019 01:22 |
| Last Modified: | 21 Oct 2021 01:58 |
| URI: | http://repository.ub.ac.id/id/eprint/162073 |
Preview |
Text
Suhhy Ramzini.pdf Download (3MB) | Preview |
Actions (login required)
 |
View Item |