ANALISIS KOMPARATIF ALGORITMA MACHINE LEARNING BERBASIS TREE DAN VEKTOR UNTUK PREDIKSI INHIBISI ISOENZIM SITOKROM P450 DENGAN INTERPRETASI SHAP

JAFARUDIN, PANJI ARIF (2026) ANALISIS KOMPARATIF ALGORITMA MACHINE LEARNING BERBASIS TREE DAN VEKTOR UNTUK PREDIKSI INHIBISI ISOENZIM SITOKROM P450 DENGAN INTERPRETASI SHAP. Skripsi thesis, UPN "Veteran" Yogyakarta.

	Text 123220091_Cover - PANJI ARIF JAFARUDIN.pdf Download (125kB)
	Text 123220091_Abstrak - PANJI ARIF JAFARUDIN.pdf Download (195kB)
	Text 123220091_Halaman Pengesahan - PANJI ARIF JAFARUDIN.pdf Download (618kB)
	Text 123220091_Daftar Isi - PANJI ARIF JAFARUDIN.pdf Download (318kB)
	Text 123220091_Daftar Pustaka - PANJI ARIF JAFARUDIN.pdf Download (144kB)
	Text 123220091_Fulltext - PANJI ARIF JAFARUDIN.pdf Restricted to Repository staff only Download (4MB)

Abstract

Inhibisi enzim Sitokrom P450 (CYP450) pada isoenzim CYP2C9, CYP2D6, dan
CYP3A4 merupakan faktor risiko utama terjadinya interaksi obat-obat (drug-drug
interaction) yang berpotensi memicu toksisitas serius. Pengujian laboratorium konvensional
memerlukan biaya tinggi dan waktu yang lama, sehingga pendekatan komputasional
berbasis in silico menjadi solusi yang mendesak. Namun, pemodelan machine learning
menghadapi tantangan class imbalance pada dataset bioaktivitas publik. Selain itu,
penggunaan threshold standar (0,5) sering menghasilkan nilai sensitivitas yang rendah, yang
secara klinis berisiko karena gagal mendeteksi inhibitor berbahaya. Masalah ini diperumit
oleh sifat kompleks algoritma ensemble dan vektor yang memiliki tingkat transparansi
rendah (black box), sehingga menyulitkan identifikasi alasan di balik sebuah prediksi medis.
Penelitian ini menerapkan pendekatan kuantitatif dengan desain eksperimental yang
bersifat komparatif. Sebanyak 54.364 data bioaktivitas diakuisisi dari database ChEMBL
dan PubChem melalui proses preprocessing yang ketat, mencakup penghapusan fragmen
garam, audit struktur, dan resolusi konflik aktivitas. Representasi molekul dikodekan
menggunakan fitur hibrida dari Morgan fingerprint dan MACCS keys menjadi vektor 2215
bit, dengan penerapan teknik SMOTE untuk menangani ketidakseimbangan data. Sebagai
bentuk perlakuan eksperimental, strategi optimasi mencakup pencarian hyperparameter
melalui framework Optuna dan decision threshold optimization menggunakan Indeks
Youden. Tiga algoritma disandingkan secara komparatif, yaitu Random Forest, Support
Vector Machine (SVM), dan Extreme Gradient Boosting (XGBoost), guna menentukan
arsitektur terbaik untuk data sparse berdimensi tinggi. Hasil penelitian kemudian
direalisasikan melalui proses serialisasi model menjadi format biner terkompresi (.pkl)
menggunakan pustaka joblib, diikuti dengan validasi fungsionalitas inferensi menggunakan
kode Python pada Jupyter Notebook.
Hasil eksperimen menunjukkan keunggulan signifikan algoritma XGBoost dengan
nilai Matthews Correlation Coefficient (MCC) tertinggi secara konsisten pada angka 0,5387
(CYP2C9), 0,5836 (CYP2D6), dan 0,6540 (CYP3A4). Implementasi Indeks Youden terbukti
berhasil meningkatkan sensitivitas deteksi secara dramatis, seperti pada target CYP2C9 yang
melonjak dari 0,6139 ke 0,7914, sehingga meminimalkan risiko false negative pada prediksi
inhibitor. Melalui analisis transparansi model dengan metode SHAP (SHapley Additive
exPlanations), fitur aromatik (Bit_MACCS_125) teridentifikasi sebagai kontributor utama
aktivitas inhibisi. Validasi lokal pada studi kasus Amlodipine mengonfirmasi kemampuan
model dalam menangkap fragmen struktural yang relevan secara farmakologi. Penelitian ini
memberikan kontribusi pada pengembangan instrumen virtual screening yang akurat,
sensitif, dan transparan dalam menjamin keamanan metabolisme obat.
Kata Kunci: Sitokrom P450, Interaksi Obat, Machine Learning, Threshold Optimization,
Explainable AI

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	PANJI ARIF JAFARUDIN (Penulis-123220091) ; Heru Cahya Rustamaji (Pembimbing)
Uncontrolled Keywords:	Sitokrom P450, Interaksi Obat, Machine Learning, Threshold Optimization, Explainable AI
Subjek:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Fakultas Teknik Industri > (S1) Informatika
Depositing User:	A.Md Eko Suprapti
Date Deposited:	01 Sep 2026 01:56
Last Modified:	01 Sep 2026 01:56
URI:	http://eprints.upnyk.ac.id/id/eprint/49265

Actions (login required)

View Item