Implementasi LSTM yang Dioptimasi dengan Grey Wolf Optimizer untuk Prediksi Toksisitas: Studi Kasus Tipe Toksisitas NR-AR - Dalam bentuk buku karya ilmiah

MUHAMMAD ARIEF

Informasi Umum

Kode

24.04.708

Klasifikasi

006.32 - Neural networks, perceptrons, connectionism, neural computers

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Deep Learning

Informasi Lainnya

Abstraksi

Kebanyakan orang mengkonsumsi berbagai bahan zat kimia sepanjang hidup mereka seperti obat-obatan, produk pembersih rumah tangga hingga makanan. Dalam beberapa kasus, bahan zat kimia ini bisa berbahaya dan memiliki efek toksik pada tubuh kita. Penentuan toksisitas bahan kimia sangat penting untuk meminimalkan paparan kontaminan dalam produk sehari-hari. Toksisitas juga merupakan masalah utama dalam pengembangan obat baru, dengan lebih dari 30% kandidat obat gagal dalam uji klinis karena efek toksik yang tidak terdeteksi. Namun metode deteksi toksisitas saat ini yang masih banyak digunakan adalah in vivo dan in vitro yang dinilai paling tidak efesien dan tidak manusiawi. Alternatif dari dua metode sebelunya yaitu menggunakan metode in silico untuk menghemat waktu dan biaya dalam deteksi toksisitas. Salah satu metode in silico yang umum digunakan adalah Deep Learning. Oleh karena itu tujuan dari penelitian ini adalah untuk mengimplementasikan Deep Learning dengan metode Long Short-Term Memory (LSTM) yang dioptimasi Grey Wolf Optimization (GWO) dalam memprediksi toksisitas pada studi kasus tipe toksisitas Nuclear Receptor-Androgen Receptor (NR-AR). Dataset yang digunakan pada penelitian ini disediakan oleh Tox21 Data Challenge. Pada penelitian ini LSTM akan digunakan untuk memprediksi toksisitas NR-AR, sedangkan GWO digunakan untuk mengoptimasi hyperparameter dari LSTM.