Protein Pengikat RNA (RBPs) adalah pemain penting dalam ranah interaksi RNA, memegangperan kunci dalam regulasi genetik dan proses biologis. Mereka menunjukkan kemampuanluar biasa untuk mengikat berbagai jenis RNA, termasuk messenger RNA(mRNA), ribosomal RNA (rRNA), dan RNA non-koding, sehingga mempengaruhi ekspresi gen, stabilitas RNA, dan fungsi seluler. Penelitian tentang RBPs sangat penting untuk pemahamankomprehensif tentang regulasi gen, stabilitas RNA, dan fungsi nuansa RNA dalamsel. RBPberfungsi sebagai penjepit dalam mengatur ekspresi gen, pesan genetik, dan stabilitas RNA, dengan keterlibatan mereka melibatkan proses seluler kunci seperti transkripsi, translasi, splicing, dan modulasi RNA. Efektivitas RBPs sangat penting untuk pelaksanaan yang tepat dari berbagai fungsi biologis, termasuk perkembangan, regulasi, dan aktivitas seluler secarakeseluruhan. Optimasi arsitektur Convolutional Neural Networks (CNN) digunakan untukmelakukan metode klasifikasi RBP. CNN adalah jenis arsitektur jaringan saraf buatan yangdirancang khusus untuk memproses data dua dimensi. Hasil eksperimen mengungkap bahwapenggunaan ukuran lapisan padat sebesar 32 menghasilkan akurasi validasi tertinggi dibandingkan dengan ukuran lapisan padat lainnya. Oleh karena itu, penggunaan ukuranlapisan padat sebesar 32 muncul sebagai pilihan optimal untuk mencapai kinerja puncakdalam konteks tugas klasifikasi yang dipertimbangkan dalam eksperimen ini.