Indarwati, Dwi Febry (2019) Klasifikasi Fungsi Senyawa Aktif Berdasarkan Data Simplified Molecular Input Line Entry System (SMILES) Menggunakan Metode Support Vector Machine (SVM). Sarjana thesis, Universitas Brawijaya.
Abstract
Senyawa kimia dapat dibedakan menjadi dua, yaitu senyawa aktif dan senyawa pasif. Saat ini masih banyak senyawa aktif yang belum diketahui peran farmakologinya, sehingga dibuatnya sistem untuk mengelompokkan fungsi senyawa aktif diharapkan dapat menunjang penelitian yang dilakukan oleh kimiawan di laboratorium. Untuk memudahkan proses komputasi pada sistem akan digunakan data SMILES. Data SMILES menggambarkan senyawa kimia dalam notasi baris. Penelitian yang dilakukan dengan menggunakan metode Support Vector Machine (SVM) karena metode SVM memiliki kemampuan generalisasi yang tinggi tampa membutuhkan dataset tambahan. Pada penelitian ini jumlah fitur yang digunakan sebanyak 15 fitur dan objek sebanyak 3 kelas fungsi senyawa aktif, diantaranya adalah metabolisme, infeksi, dan anti radang. Hasil dari pengujian terbaik ketika menggunakan kernel Gaussian RBF, menggunakan nilai lambda (λ) sebesar 5, nilai Complexity sebesar 0,1, nilai sigma (σ) sebesar 0,5, dan dengan jumlah iterasi sebanyak 5 mendapatkan akurasi sebesar 83,33%.
English Abstract
Chemical compounds can be divided into active compounds and passive compounds. At this time there are still many active compunds that the pharmacological role does not known yet, so the system being made for classify the functions of active compounds that expected to support chemists research in the laboratory. To simplify the process of making the system, the representation of molecular structure must be easily processed by a computer so that the SMILES notation will be used. SMILES notation describes chemical formula in a row notation. This system is using the SVM (Support Vector Machine) method because the SVM method has high generalization capabilities without requiring additional datasets. In this research uses as many as 15 features and objects as many as 3 classes of active compound functions, including metabolism, infection, and antiinflammation. The best test result is 83.33% when using the Gaussian kernel RBF, using a lambda value (λ) of 5, the complexity value is 0.1, the sigma value (σ) is 0.5, and with the number of iterations is 5.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FILKOM/2019/484/051905867 |
| Uncontrolled Keywords: | Senyawa Aktif, SMILES, K-means, SVM (Support Vector Machine), The active compound, SMILES, K-means, SVM (Support Vector Machine). |
| Subjects: | 000 Computer science, information and general works > 001 Knowledge > 001.012 Classification |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Nur Cholis |
| Date Deposited: | 19 Jul 2020 07:59 |
| Last Modified: | 25 Oct 2021 03:05 |
| URI: | http://repository.ub.ac.id/id/eprint/172015 |
Preview |
Text
Dwi Febry Indarwati - skripsi (2).pdf Download (3MB) | Preview |
Actions (login required)
 |
View Item |