Pemodelan Prediktif dari Larvicidal Phytocompounds sebagai anti-Aedes Aegypti dengan Menggunakan metode Firefly Algorithm-Support Vector Machine

MUHAMMAD DENNIS FADILLAH

Informasi Umum

Kode

22.04.1074

Klasifikasi

610.28 - Biomedical Engineering

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Biomedical Engineering/ Biotechnology.

Dilihat

11 kali

Informasi Lainnya

Abstraksi

Nyamuk Aedes aegypti (Ae. aegypti) merupakan biang transmisi utama virus Dengue. Virus ini menyebabkan berbagai kasus demam seperti demam Dengue, Chikungunya, hingga Zika pada daerah iklim tropis. Solusi yang umum untuk mengatasi pertumbuhan Ae. aegypti adalah dengan menggunakan insektisida seperti pyrethroid. Namun seiring penggunaannya, Ae. aegypti menjadi kebal terhadap insektisida, ditambah sifatnya yang beracun berbahaya terhadap lingkungan. Adapun penelitian untuk menggunakan senyawa alternatif, yaitu larvicidal phytocompounds, dimana senyawa tersebut bersumber dari tanaman. Namun, pengembangan larvicidal phytocompound memerlukan waktu dan biaya yang tidak sedikit untuk pengujian biologis dan klinis. Untuk mengatasi batasan sumber daya dan waktu, adanya metode quantitative structure-activity relationship (QSAR) sebagai pendekatan alternatif, dimana properti dari senyawa kimia dapat diprediksi melalui pengetahuan dari struktur molekulnya. Metode algoritma firefly diusung untuk melakukan seleksi fitur senyawa dan support vector machine untuk membangun model prediktif aktifitas senyawa larvicidal phytocompounds. Dengan menggunakan firefly, didapatkan kombinasi fitur dilihat dari error terkecil pada saat pemilihan fitur. Adapun performa model terbaik, adalah kernel linear dengan nilai parameter validasi R^2 data latih 0.710 dan data uji 0.866, dan nilai Q^2 0.965, yang dimana nilai tersebut memenuhi threshold yang disepakati. Hal ini menunjukkan bahwa model valid untuk digunakan sebagai model untuk memprediksi aktifitas senyawa yang tidak diketahui nilainya sebagai anti Ae. aegypti.

Kata kunci : ae. aegypti, larvicidal phytocompounds, qsar, firefly algorithm, svm.