Penerapan Metode Learning Vector Quantization (LVQ) untuk Klasifikasi Fungsi Senyawa Aktif Menggunakan Notasi Simplified Molecular Input Line System (SMILES)

  

Vol. 2, No. 12, Desember 2018, hlm. 6160-6168 http://j-ptiik.ub.ac.id

Penerapan Metode Learning Vector Quantization (LVQ) untuk Klasifikasi

  Simplified Molecular Input Fungsi Senyawa Aktif Menggunakan Notasi

  

Line System (SMILES)

_{1 2 3 1, 2}

Suhhy Ramzini , Dian Eka Ratnawati , Syaiful Anam

₃ Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

  Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Brawijaya _{1 2 3} Email: suhhyr@gmail.com, dian_ilkom@ub.ac.id, syaiful@ub.ac.id

  

Abstrak

  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

  −14

alpha sebesar , dan maksimal epoch sebanyak 15 dengan menggunakan persentase data latih

  1 ∗ 10 80% dan data uji 20% dihasilkan akurasi sebesar 76,34%.

  

Kata kunci: senyawa aktif, notasi simplified molecular input line system, metode learning vector quantization,

learning rate, decrement alpha, minimum alpha, maksimal epoch

  

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

−14

is 0.1, decrement alpha is 0.3, minimum alpha is , and maximum epoch is 15 by using a

  1 ∗ 10 percentage of 80% training data and 20% testing data which produce accuracy of 76.34% .

  

Keywords: active compound, simplified molecular input line system notation, learning vector quantization

method, learning rate, decrement alpha, minimum alpha, maximum epoch

  kemampuannya untuk melakukan penyembuhan 1.

   PENDAHULUAN atau pencegahan apabila tubuh sedang dalam

  kondisi yang buruk (Rizki et al, 2015). Senyawa Senyawa aktif merupakan zat yang sangat aktif dapat disebut sebagai obat yang mampu bermanfaat bagi kesehatan manusia karena

  Fakultas Ilmu Komputer Universitas Brawijaya

6160 memberikan efek fisiologis terhadap organisme lain dan biasanya senyawa aktif ditemukan dalam hewan dan tumbuhan (Salni et al, 2011). Pada dunia medis, penggunaan senyawa aktif ditujukan untuk melakukan penyembuhan atau pencegahan terhadap penyakit yang diderita oleh pasien. Pada tahun 80-an, David Weininger melakukan sebuah penelitian dan dalam penelitian itu dia berhasil membuat sebuah notasi yang berisi informasi-informasi dari kimia modern. Notasi kimia ini terdiri dari karakter

  ASCII (American Standart Code for Information Interchange ), sehingga membuat notasi kimia

  string (Yunmar, 2011). Regex digunakan dalam

  ”, dihasilkan akurasi sebesar 96% (Arifianto et al, 2014) dan penelitian dengan judul “Penerapan Learning

  Learning Vector Quantization

  Penelitian dengan judul “Klasifikasi Stroke berdasarkan Kelainan Patologis dengan

  Quantization (LVQ) dengan objek penelitian yang berbeda.

  Dasar dari pelaksanaan penelitian ini berasal dari beberapa studi literatur dan penelitian yang dilakukan sebelumnya menggunakan metode Learning Vector

  2.1. Kajian pustaka

  2. LANDASAN KEPUSTAKAAN

  jumlah masing-masing atom dan panjang dari notasi SMILES, kemudian dilakukan operasi pembagian terhadap keduanya dan hasil dari proses ini dijadikan sebagai nilai fitur untuk perhitungan menggunakan metode LVQ.

  Preprocessing juga berperan dalam menentukan

  boron (B), nitrogen (N), oksigen (O), fosfor (P), belerang (S), fluor (F), klor (Cl), brom (Br), yodium (I), dan juga senyawa hidroksida (OH).

  SMILES . Atom yang dicari adalah karbon (C),

  penelitian ini agar bisa menemukan masing- masing atom yang terdapat dalam notasi

  angka, dan simbol. Regex berfungsi untuk melakukan pencocokan terhadap pola teks atau

  ini dapat disimpan dalam suatu variabel string.

  regular expression (regex), karena notasi SMILES tersusun dari deretan karakter huruf,

  Pada penelitian ini dilakukan juga pemrosesan teks (preprocessing) menggunakan

  Berdasar alasan yang sudah disampaikan sebelumnya, solusi yang perlu dilakukan adalah dengan membuat program yang berfungsi untuk memberikan informasi mengenai kegunaan dari senyawa aktif agar dijadikan sebagai obat penyembuh atau pencegah suatu penyakit pada manusia. Program dibangun dengan menerapkan metode LVQ untuk melakukan proses klasifkasi, sedangkan notasi SMILES adalah objeknya.

  error yang dihasilkan metode LVQ lebih kecil (Sela et al, 2011).

  melalui data latih, proses ini dinamakan training. Sehingga dengan adanya training, metode LVQ mampu mengenali pola dari suatu objek dengan menghasilkan nilai bobot optimal (Martinuva, 2015). Kelebihan dari metode ini adalah mampu melakukan peringkasan terhadap dataset yang berukuran besar menjadi kecil, kemudian dibandingkan metode Backpropagation nilai

  Quantization (LVQ). Metode ini disebut sebagai supervised karena adanya proses pembelajaran

  Jaringan syaraf tiruan merupakan salah satu ilmu pembelajaran yang di dalamnya terdapat metode untuk melakukan klasifikasi dan proses ini dapat dilakukan terhadap senyawa aktif. Salah satu metode yang biasa dipakai dalam proses klasifkasi adalah Learning Vector

  Jumlah senyawayang ada saat ini sangat banyak, ada senyawa yang sudah dijadikan sebagai obat dan ada juga senyawa yang belum dapat dijadikan obat (masih dalam penelitian). Senyawa yang sudah dijadikan obat disebut sebagai senyawa aktif. Karena jumlah senyawa yang ada saat ini sangat banyak dan di antaranya banyak senyawa yang belum diketahui fungsi aktivitasnya (kegunaannya), maka perlu dilakukan klasifikasi agar dapat dikatehui fungsi senyawa aktif yang terdapat di dalamnya (sebagai obat penyakit tertentu pada manusia).

  Fungsi dari senyawa aktif sangatlah berguna dan dibutuhkan oleh para akademisi kesehatan agar dapat dilakukan penelitian dan dapat dijadikan sebagai obat untuk proses penyembuhan atau pencegahan suatu penyakit. Sebuah aplikasi atau program untuk memberikan informasi apakah senyawa yang didapatkan merupakan senyawa aktif yang dapat dijadikan obat penyembuhan atau pencegahan penyakit pada pasien belum ada di Indonesia, begitupun juga mengenai penggunaan notasi SMILES dalam hal untuk mengetahui fungsi senyawa aktifnya masih jarang dilakukan di Indonesia.

  proses komputerisasi dapat berjalan dengan mudah dan dapat disimpan dalam komputer dengan ukuran yang kecil (Junaedi, 2011).

  SMILES , hal tersebut berfungsi agar pada saat

  disingkat dengan SMILES adalah nama dari bentuk representasi ikatan kimia atau ikatan karbon. Setiap senyawa aktif memiliki notasi

  Simplified Molecular Input Line System atau

  Vector Quantization (LVQ) untuk Klasifikasi Status Gizi Anak” dihasilkan akurasi sebesar 88% (Budianita et al, 2013).

  2.2. Senyawa aktif

  1

  Berdasarkan Gambar 1, simbol

  1

  −

  5

  adalah parameter masukan, simbol

  1

  −

  2

  merupakan nilai bobot, kemudian simbol || −

  || dan || −

  layer ), lapisan kompetitif (competitive layer),

  2

  || merupakan proses perhitungan jarak, simbol

  1

  dan

  2

  mewakili kelas, terakhir terdapat

  1

  dan

  2

  dan lapisan keluaran (output layer). Dalam lapisan kompetitif, input akan berkompetisi agar dapat masuk ke dalam suatu kelas klasifikasi.

  sehingga pada lapisan masukan akan terhubung secara langsung dengan setiap neuron yang ada pada lapisan keluaran. Penghubung antar neuron adalah bobot (Martinuva, 2015). Struktur jaringan LVQ terdiri dari lapisan masukan (input

  Suatu zat yang mampu bereaksi untuk penyembuhan atau pencegahan pada saat tubuh dalam kondisi yang tidak stabil (buruk) diakibatkan oleh penyakit tertentu disebut sebagai senyawa aktif (Rizki et al). Senyawa aktif dapat ditemukan pada organisme lain seperti hewan dan tumbuhan. Senyawa aktif dimanfaatkan sebagai bahan obat yang mampu memberikan efek fisiologis terhadap organisme lain, senyawa aktif disebut juga sebagai senyawa bioaktif (Salni et al, 2011). Berdasarkan beberapa pendapat sebelumnya, dapat disimpulkan bahwa senyawa aktif adalah zat untuk dijadikan sebagai obat penyembuhan atau pencegahan penyakit tertentu pada manusia.

  pembelajaran terarah agar mampu mengenali pola suatu objek. Konsep dari metode ini adalah

  2.3. Simplified Molecular Input Line System ( SMILES)

  Notasi SMILES diciptakan oleh David Weininger pada tahun 1980 sebagai pemroses dari informasi-informasi dalam kimi modern.

  Notasi ini merupakan representasi dari ikatan kimia atau ikatan karbon. SMILES terdiri dari karakter-karakter ASCII (American Standard

  Code for Information Interchange ) sehingga

  mampu disimpan ke dalam variabel string dan dapat lebih mudah diproses oleh komputer (Junaedi, 2011).

  Suatu notasi SMILES terdiri dari beberapa atom dan senyawa, adapun atom-atom yang biasanya terdapat dalam notas SMILES menurut Weininger. (1988):

   Karbon (C).  Boron (B).  Nitrogen (N).  Oksigen (O).  Fosfor (P).  Belerang (S).  Fluor (F).  Klor (Cl).  Brom (Br).  Yodium (I).  Senyawa hidroksida (OH).

  Dalam notasi SMILES ikatan antar atom dilambangkan dengan tanda “-“ (strip) artinya ikatan tunggal, tanda “=” (sama dengan) artinya ikatan rangkap dua, dan tanda “#” (kres/pagar) artinya ikatan rangkap tiga. Kondisi percabangan dilambangkan dengan atom yang berada dalam tand a “( )” (kurung buka dan kurung tutup). Terakhir adalah kondisi apabila atom berikatan siklik (melingkar) diberikan angka yang mengikuti atom, seperti contoh notasi SMILES C1CCCBrCOC1 (Weininger, 1988).

  2.4. Learning Vector Quantization (LVQ) LVQ adalah metode yang melakukan

  competitive learning neural networks ,

  LVQ memiliki arsitektur single layer net

  maksudnya dalam metode ini terjadi proses

  training sel agar terbentuknya lapisan masukan

  (input layer) (Akbari et al, 2017). LVQ akan menghasilkan keluaran yang merupakan representasi dari sebuah kelas dan melalukan pengelompokann dengan jumlah kelas yang sudah ditentukan. Berikut kelebihan dan kelemahan yang dimiliki oleh metode LVQ, yaitu (Sela, 2011): 1.

  Nilai error yang dihasilkan lebih kecil dibanding backpropagation.

  2. Mampu meringkas dataset yang besar dan mengubanya menjadi lebih kecil.

  3. Tidak ada pembatasan dimensi seperti pada nearest neighbour .

  4. Dapat melakukan update model secara bertahap.

  5. Setiap atribut perlu dilakukan perhitungan jarak.

  6. Besar akurasi yang dihasilkan bergantung pada inisialisasi model dan parameter masukan, serta jumlah data latih.

  yang merupakan lapisan keluaran. Algoritme dari proses pelatihan LVQ adalah sebagai berikut (Fausett, 1994):

• [ −

  − [ −

  Data notasi SMILES didapatkan pada

  3.1. Pengumpulan data

  3. METODOLOGI PENELITIAN

  LVQ . Berdasarkan data notasi SMILES yang

  didapatkan, maka akan ada dua pola kelas yang akan dipelajari oleh metode LVQ yaitu kelas metabolisme dan kelas kanker. Hasil akhir dari proses ini adalah hasil kelas klasifikasi notasi

  SMILES yang berfungsi untuk dijadikan obat

  penyakit pada metabolisme atau penyakit kanker.

  0. Inisialisasi bobot dan alpha.

  3.2. Analisis kebutuhan

  Analisis kebutuhan dilakukan untuk mengetahui kebutuhan apa saja yang diperlukan agar program atau aplikasi dapat berjalan dengan baik. Kebutuhan yang diperlukan dalam membangun program klasifikasi fungsi senyawa aktif menggunakan notasi SMILES dengan menerapkan metode LVQ ini parameter masukan berupa nilai fitur. Kemudian kebutuhan yang harus terpenuhi oleh program adalah dapat menerima masukan berupa notasi SMILES, mampu melakukan preprocessing menggunakan

  Gambar 1. Struktur Jaringan LVQ

  6. Cek kondisi berhenti dengan syarat iterasi sudah mencapai maksimal atau alpha lebih kecil dari minimal alpha.

  ]; (3) 5. Pengurangan nilai alpha.

  ( )

  ( )

   Total jumlah data notasi SMILES yang terkumpul adalah sebanyak 467 yang terdiri dari 340 data notasi SMILES yang berfungsi untuk penyakit atau gangguan pada metabolisme dan 127 data notasi SMILES yang berfungsi untuk penyakit kanker. Data notasi SMILES akan dibagi menjadi data latih dan data uji dalam proses perhitungan

  =

  , maka ( )

  ]; (2) ≠

  ( )

  ( )

  =

  ( )

  maka

  ,

  =

  4. Melakukan update bobot dengan syarat

  3. Tentukan dari || − || (1)

  2. Setiap parameter masukan, kerjakan langkah 3-4.

  1. Selama kondisi berhenti belum terpenuhi, kerjakan langkah 2-6.

  website

2.5. Preprocessing

  kemudian hasilnya dijadikan sebagai nilai fitur dalam proses perhitungan metode LVQ.

  SMILES akan dilakukan proses pembagian,

  mengambil lambang atom yang terdapat pada notasi sehingga dapat ditentukan jumlah masing- masing atom dan panjang notasi SMILES. Jumlah masing-masing atom dan panjang

  SMILES adalah untuk melakukan pencarian dan

  melakukan perubahan bentuk data yang semula tidak terstruktur menjadi bentuk data terstruktur. Proses ini juga berfungsi dalam mengetahui posisi dan banyak dari suatu huruf atau kata (Manning et al, 2009). Regular expression (regex) formula yang digunakan dalam proses pencarian pola string/kalimat (Muliantara, 2009). Penggunaan regex ini adalah dalam pencarian dan mengambil karakter huruf, angka, atau simbol yang diinginkan.

  Preprocessing adalah proses untuk

  regex terhadap notasi SMILES , mampu

  melakukan klasifkasi dengan menerapkan metode LVQ, terakhir adalah dapat memberikan hasil (output) berupa informasi mengenai fungsi senyawa aktif dari notasi SMILES yang dimasukkan oleh pengguna.

  4. PERANCANGAN

  4.1. Perancangan perangkat lunak

  Program klasifikasi fungsi senyawa aktif menggunakan notasi SMILES dengan menerapkan metode LVQ yang dibuat ini berbasis bahasa pemrograman PHP. Dalam proses penyimpanan data digunakan database MySQL .

  Berdasarkan Gambar 2, program ini memiliki beberapa alur yaitu pertama adalah proses memasukkan data notasi SMILES, kemudian data notasi SMILES akan dilakukan

  preprocessing untuk mendapatkan nilai fitur.

  Pada penelitian ini, penggunaan regex dalam proses preprocessing terhadap notasi Setelah nilai fitur didapatkan, maka akan adalah berupa nilai fitur yang didapatkan dari dilakukan proses selanjutnya: proses operasi pembagian antara jumlah masing- masing atom dan panjang notasi SMILES. Nilai

• fitur digunakan untuk proses perhitungan

  Pelatihan data

  Proses metode LVQ untuk melakukan pembelajaran terhadap pola masing-masing menggunakan metode LVQ. Adapun 11 fiturnya kelas yang akan diklasifikasikan yaitu kelas yaitu atom C, atom Cl, atom B, atom Br, atom O, senyawa OH, atom N, atom S, atom P, atom I, metabolisme dan kelas kanker. Proses ini memerlukan nilai fitur dan nilai bobot awal, dan atom F yang masing-masing atom sudah

  

alpha , decrement alpha, minimum alpha, serta dilakukan operasi bagi dengan panjang notasi

maksimum epoch. SMILES .

• 4.3. Pelatihan data

  Pengujian data

  Proses ini adalah untuk menguji data latih agar diketahui kelas fungsi senyawa aktifnya.

  Proses pelatihan data dilakukan setelah nilai Proses pengujian juga dapat memberikan besar fitur didapatkan pada saat preprocessing. akurasi dari klasifikasi kelas.

  Sebagian dari nilai fitur yang didapatkan akan dijadikan sebagai nilai bobot awal kelas. Proses ini memerlukan nilai alpha, decrement alpha,

  minimum alpha , dan epoch maksimal sebagai

  masukan (inputan). Kemudian dilakukan perhitungan nilai euclidian terhadap masing- masing kelas. Dari hasil perhitungan ini, akan ditentukan kelas mana yang memiliki nilai

  euclidian terkecil, sehingga dapat dijadikan

  sebagai kelas keluaran. Terkahir adalah melakukan pembaharuan (update) bobot terhadap kelas dengan nilai euclidian terkecil. Pelatihan data bertujuan untuk memberikan pembelajaran kepada metode LVQ agar mampu mengenali pola masing-masing kelas dan menghasilkan bobot optimal. Bobot optimal yang didapatkan adalah nilai yang mewakili setiap kelas klasifikasi dan dipakai pada saat proses pengujian data uji. Alur dari proses pelatihan data menggunakan metode LVQ terdapat pada Gambar 3.

  4.4. Pengujian data

  Setelah dilakukan proses pelatihan data, maka akan dihasilkan bobot akhir yang berfungsi sebagai bobot optimal dan digunakan sebagai bobot kelas pada proses pengujian data. Hasil dari proses pengujian adalah kelas

  Gambar 2. Alur Proses Program klasifikasi fungsi senyawa aktif dari notasi SMILES .

  Dalam proses pengujian ini akan diberikan

  Preprocessing informasi mengenai besar akurasi yang 4.2.

  didapatkan dari klasifikasi kelas. Dari nilai

  Preprocessing menggunakan regex

  akurasi ini dapat diketahui mengenai terhadap notasi SMILES bertujuan untuk keberhasilan metode LVQ dalam melakukan melakukan pencarian dan mengambil lambang pembelajaran pada saat proses pelatihan data. atom yang terdapat pada notasi SMILES,

  Alur dari proses pengujian data menggunakan sehingga diketahui jumlah masing-masing atom metode LVQ terdapat pada Gambar 4. dan panjang notasi SMILES. Hasil akhir dari

  preprocessing menggunakan notasi SMILES

  5. PENGUJIAN DAN ANALISIS

  Skenario pengujian yang dilakukan pada program klasifikasi fungsi senyawa aktif menggunakan notasi dengan

  SMILES

  menerapkan metode LVQ adalah: 1.

  Pengujian untuk mengetahui pengaruh jumlah data latih terhadap besar akurasi.

  2. Pengujian untuk mengetahui pengaruh learning rate terhadap besar akurasi.

  3. Pengujian untuk mengetahui pengaruh decrement alpha terhadap besar akurasi.

  4. Pengujian untuk mengetahui pengaruh minimum alpha terhadap besar akurasi.

  5. Pengujian menggunakan cross validation.

  5.1. Pengujian pengaruh jumlah data latih Dataset yang digunakan pada pengujian ini

  berjumlah 467 data yang terdiri dari 340 data kelas metabolisme dan 127 data kelas kanker. Masing-masing kelas diambil dengan persentase sebanyak 40%, 50%, dan 80% untuk data latih dan 20% sebagai data uji. Nilai alpha, minimum

  alpha , decrement alpha, dan epoch maksimal

  secara berturut-turut adalah sebesar 0,1, 1 ∗

  −14

  , 0,15, dan 15. Pengujian ini bertujuan

  10 untuk mengetahui pengaruh jumlah data latih terhadap akurasi yang dihasilkan.

  Gambar 3. Alur Proses Pelatihan Data Pengaruh jumlah data latih terhadap akurasi

  100,00% 80,00% si a

  60,00% ur 40,00% k

  20,00% A

  0,00% 40% 50% 80% Besar 24,73% 53,76% 76,34% akurasi

  Gambar 5. Grafik Besar Akurasi Jumlah Data Latih

  Pada Gambar 5 dapat disimpulkan bahwa semakin banyak komposisi jumlah data, maka akurasi yang dihasilkan meningkat. Sebaliknya semakin sedikit komposisi jumlah data, maka akurasi yang dihasilkan menurun. Penggunaan komposisi data latih dengan persentase 80% menghasilkan akurasi terbaik, yaitu sebesar 76,34%. Proses pembelajaran LVQ berjalan dengan baik dalam mengenali pola data kelas metabolisme namun hanya sedikit pola data kelas kanker yang dikenal, karena komposisi data latih kelas kanker lebih sedikit

  Gambar 4. Alur Proses Pengujian Data dibandingkan komposisi data latih kelas metabolisme.

  5.2. Pengujian learning rate

  , 1 ∗ 10

  Data latih yang digunakan pada pengujian ini adalah data latih pada pengujian sebelumnya, yaitu data latih dengan persentase 80%. Nilai

  learning rate dan decrement alpha berturut-turut

  adalah sebesar 0,1 dan 0,3 karena menghasilkan akurasi terbaik pada proses sebelumnya. Data berjumlah sebanyak 374 yang terdiri dari 272 data kelas metabolisme dan 102 data kelas kanker. Sebanyak 20% data dijadikan sebagai data uji (data yang sama pada pengujian sebelumnya). Nilai minimum alpha yang ingin diuji adalah

  1 ∗ 10

  −6

  , 1 ∗ 10

  −8

  −10

  Pada Gambar 7 dapat dilihat bahwa decrement alpha yang menghasilkan akurasi terbaik pada klasifikasi data uji notasi SMILES adalah pada saat penggunaan 0,3, 0,5, dan 0,7 dengan besar 76,34%. Dapat disimpulkan bahwa dengan penggunaan decrement alpha yang berbeda, maka akan memengaruhi besar akurasinya. Decrement alpha tidak boleh terlalu besar ataupun terlalu kecil, karena akan menghasilkan akurasi yang kurang baik bahkan sangat jelek. Artinya LVQ tidak mampu melakukan pengenalan pola data kelas secara baik dan benar apabila decrement alpha terlalu besar atau terlalu kecil.

  , 1 ∗

  0,1 0,3 0,5 0,7 0,9 Besar akurasi 76,34% 74,19% 73,12% 73,12% 73,12%

  71,00% 72,00% 73,00% 74,00% 75,00% 76,00% 77,00%

  A k ur a si

  Pengaruh learning rate terhadap akurasi 0,1 0,3 0,5 0,7

  0.9 Besar akurasi 27,95% 76,34% 76,34% 76,34% 73,12% 0,00% 20,00% 40,00% 60,00% 80,00%

  100,00% A k ur a si

  5.4. Pengujian minimum alpha

  Gambar 7. Grafik Besar Akurasi Decrement Alpha

  Data latih yang digunakan pada pengujian ini adalah data latih pada pengujian sebelumnya, yaitu data latih dengan persentase 80%. Data berjumlah sebanyak 374 yang terdiri dari 272 data kelas metabolisme dan 102 data kelas kanker. Sebanyak 20% data dijadikan sebagai data uji (data yang sama pada pengujian sebelumnya). Nilai learning rate yang ingin diuji adalah 0,1 sampai 0,9. Nilai minimum alpha,

  Gambar 6. Grafik Besar Akurasi Learning Rate

  decrement alpha , dan epoch maksimal secara

  berturut-turut adalah sebesar 1 ∗ 10

  −14

  , 0,15, dan 15. Pengujian ini bertujuan untuk mengetahui besar pengaruh learning rate terhadap besar akurasi yang dihasilkan.

  Pada Gambar 6 dapat dilihat bahwa

  learning rate yang menghasilkan akurasi terbaik

  pada klasifikasi data uji notasi SMILES adalah 0,1 dengan besar 76,34%. Disimpulkan bahwa dengan penggunaan learning rate yang berbeda, maka akan memengaruhi besar akurasinya.. Pada penelitian ini, semakin besar learning rate, maka membuat algoritme berjalan tidak stabil dan akurasi yang dihasilkan menurun. Sedangkan semakin kecil learning rate, maka besar akurasi yang dihasilkan meningkat. Hal itu terjadi karena proses pembelajaran LVQ dalam mengenali pola data kelas metabolisme dan pola data kelas kanker berjalan lebih lama.

  5.3. Pengujian decrement alpha

  decrement alpha terhadap besar akurasi yang dihasilkan.

  Data latih yang digunakan pada pengujian ini adalah data latih pada pengujian sebelumnya, yaitu data latih dengan persentase 80%. Nilai

  learning rate adalah sebesar 0,1 karena

  menghasilkan akurasi terbaik pada proses sebelumnya. Data berjumlah sebanyak 374 yang terdiri dari 272 data kelas metabolisme dan 102 data kelas kanker. Sebanyak 20% data dijadikan sebagai data uji (data yang sama pada pengujian sebelumnya). Nilai decrement alpha yang ingin diuji adalah 0,1 sampai 0,9. Nilai minimum

  alpha

  dan epoch maksimal secara berturut-turut adalah sebesar 1 ∗ 10

  −14

  dan 15. Pengujian ini bertujuan untuk mengetahui besar pengaruh

  Pengaruh decrement alpha terhadap akurasi

  −14 −16

  75,26% , dan . Banyak epoch maksimal

  2 L1, L2, L4

  10 1 ∗ 10

  L3, dan

  adalah 15. Pengujian ini bertujuan untuk mengetahui pengaruh minimum alpha terhadap L5 72,04% besar akurasi yang dihasilkan.

  3 L1, L2, L3 L4, dan

  Pada Gambar 8 dapat dilihat semua L5 73,12%

  minimum alpha yang diujikan menghasilkan

  4 L1, L3, L2

  besar akurasi yang sama yaitu 76,34%. L4, dan Disimpulkan bahwa dengan penggunaan L5

  5 L2, L3, L1 71,57% minimum alpha yang berbeda pada klasifikasi

  data notasi SMILES tidak memengaruhi besar L4, dan akurasi yang dihasilkan. L5 RATA-RATA AKURASI 72,16%

  Pengaruh minimum alpha

  Berdasarkan Tabel 1 dapat disimpulkan

  terhadap akurasi

  bahwa dengan adanya proses pertukaran data latih menjadi data uji dan data uji menjadi data

  90,00% 80,00%

  latih dapat memengaruhi besar akurasi yang

  70,00%

  dihasilkan. Pada pengujian ini, fold

  2

  si 60,00% a

  menghasilkan akurasi terbaik yaitu 75,26%

  50,00% 40,00%

  dengan data latih merupakan gabungan dari

  ur k 30,00%

  kelompok data L1, L2, L3, dan L5 sedangkan

  A 20,00%

  data ujinya adalah kelompok data L4. Terjadinya

  10,00% 0,00% perbedaan besar akurasi yang dihasilkan pada

  1E-

  1E-

  1E-

  1E-

  1E-

  masing-masing fold karena adanya perbedaan

  06

  08

  10

  14

  16

  pola data notasi SMILES yang dikenali atau

  Besar 76,34% 76,34% 76,34% 76,34% 76,34% dipelajari oleh metode LVQ pada saat proses akurasi pelatihan data.

  Gambar 8. Grafik Besar Akurasi Minimum Alpha 6.

   PENUTUP

5.5. Pengujian cross validation

  6.1. Kesimpulan

  Pengujian cross validation bertujuan untuk 1.

  Cara melakukan preprocessing terhadap mengetahui apakah dengan melakukan notasi SMILES adalah pertama dengan pertukaran data latih menjadi data uji dan data membuat pola regular expression (regex) uji menjadi data latih akan memengaruhi besar untuk proses menemukan dan mengambil akurasi yang diperoleh. Dalam pengujian ini karakter. Digunakan fungsi preg_replace terbagi menjadi 5 fold (kelompok data) denga yang terdapat pada PHP agar dapat nama L1, L2, L3, L4, dan L5. Masing-masing melakukan manipulasi karakter sehingga kelompok akan berisi 93 data yang terdiri dari 68 mampu membedakan atom O dan OH. (340 data dibagi 5) data kelas metabolisme dan

  Kemudian menghitung panjang notasi 25 (127 dibagi 5) data kelas kanker. Adapun

  SMILES dan jumlah masing-masing atom. learning rate , decrement alpha, minimum alpha

  Terakhir adalah melakukan operasi yang digunakan adalah nilai yang menghasilkan pembagian antara jumlah masing-masing akurasi terbaik pada proses pengujian atom dengan panjang notasi SMILES, sebelumnya dan epoch maksimal berturut-turut sehingga dapat diketahui nilai fitur untuk

  −14 ,1, 0,3, , dan 15.

  1 ∗ 10 proses perhitungan LVQ.

  Tabel 1. Pengujian Cross Validation 2.

  Nilai fitur yang didapatkan pada

  preprocessing digunakan untuk proses FOLD DATA DATA BESAR

  pembelajaran LVQ dengan pelatihan data. LATIH UJI AKURASI

  Dari proses pelatihan data didapatkan bobot (%) optimal masing kelas (kelas metabolisme dan

1 L1, L2, L5 68,81%

  kelas kanker). Proses terakhir adalah

  L3, dan

  pengujian data dengan menggunakan nilai

  L4 bobot optimal sebagai penentu kelas klasifkasi dari data uji. Hasil yang diberikan adalah kelas klasifikasi dari metode LVQ terhadap data uji (notasi SMILES).

3. Penggunaan persentase 80% data latih, nilai

  learning rate sebesar 0,1, nilai decrement alpha

  Penelitian Sains (14): 38-41 .

  Brawijaya. Muliantara, A. 2009. Penerapan Regular

  Expression dalam Melindungi Alamat Email dari Spam Robot pada Konten Wordpress. Jurnal Ilmu Komputer(2): 16-23.

  Rizki, M. I., dan E. M. Hariandja. 2015.

  Aktivitas Farmakologis, Senyawa Aktif, dan Mekanisme Kerja Daun Salam (Syzygium polyanthum).

  Prosiding Seminar Nasional & Workshop “Perkembangan Terkini Sains Farmasi & Klinik (5): 239- 244.

  Salni, H. Marisa, dan W. R. Mukti. 2011.Isolasi Senyawa Antibakteri Dari Daun Jengkol (Pithecolobium lobatum Benth) dan Penentuan Nilai KHM-nya. Jurnal

  Sela, E. I., dan S. Hartati. 2011. Pengenalan Jenis Penyakit THT Menggunakan Jaringan Learning Vector Quantization.

  . Cambridge: Cambridge University Press. Martinuva, E. D. 2015. Implementasi Learning

  Prosiding Seminar Nasional Riset Teknologi Informasi (5): 71-76.

  Weininger, D. 1988. SMILES, a Chemical Language and Information System.

  1. Introduction to Methodology and Encoding Rules. Journal of

  Chemical Information and Cumputer Sciences (28): 31-36.

  Yunmar, R. A. 2011. Modul Pemrograman Web

  Regular Expression . Yogyakarta: STMIK AMIKOM.

  Vector Quantization (LVQ) Dalam Pemilihan Keminatan (Studi Kasus: Program Studi Teknik Informatika Universitas Brawijaya) . S1. Universitas

  Retrieval

  sebesar 0,3, nilai minimum alpha sebesar 1 ∗ 10

  2009. An Introduction to Information

  : 219-226. Manning, C. D., P. Raghavan, dan H. Schütze.

  Prosiding Konferensi Nasional “Inovas i dalam Desain dan Teknologi”IdeaTeh ch 2011. Sekolah Tinggi Teknik Surabaya

  −14

  , dan epoch maksimal adalah sebanyak 15 dalam klasifikasi terhadap data notasi SMILES dihasilkan akurasi sebesar 76,34%. Setiap perubahan nilai learning rate dan decrement alpha pada pelatihan data notasi SMILES akan memengaruhi besar akurasi yang didapat, sedangkan perubahan nilai minimum alpha tidak memengaruhi besar akurasi.

6.2. Saran

  Budianita, E., dan W. Prijodiprodjo. 2013.

  2014. Klasifikasi Stroke Berdasarkan Kelainan Patologis dengan Learning Vector Quantization. Jurnal EECCIS (8): 117-122.

  Penerapan Learning Vector Quantization (LVQ) untuk Klasifikasi Status Gizi Anak. IJCSS(7): 155-166.

  Setianingsih. 2017. Analisis Sentimen Menggunakan Metode Learning Vector Quantization. e-Proceeding of Engineering (4): 2283-2292.

  DAFTAR PUSTAKA Akbari, M I. H. A. D., A. Novianty, dan C.

  mengenali pola kelas kanker dengan baik, sehingga nilai akurasi yang dihasilkan lebih besar. Perlu dicoba dengan penggunaan metode lain seperti LVQ2 dan LVQ3 yang bertujuan untuk dijadikan sebagai pembanding besar akurasi yang dihasilkan, sehingga dapat diketahui metode dengan akurasi terbaik dalam melakukan klasifikasi data notasi SMILES.

  LVQ dapat melakukan pembelajaran dalam

  Saran yang dapat disampaikan untuk penelitian selanjutnya adalah dengan melakukan penambahan terhadap data kanker agar metode

  Fausett, L. 1994. Fundamentals of neural networks: architectures, algorithms, and applications . New Jersey: Prentice-Hall, Inc.

  Junaedi, H. 2011. Penggambaran Rantai Karbon dengan Menggunakan Simplified Molecular Input Line System (SMILES).

  Arifianto, A. S., M. Sarosa, dan O. Setyawati.