EUVIMEDEUVIMED entdecken
Crossref

PREDIKSI RESISTENSI OBAT PADA MYCOBACTERIUM TUBERCULOSIS MENGGUNAKAN HYBRID GRAPH NEURAL NETWORK–SENTENCE TRANSFORMER DAN XGBOOST DENGAN EXPLAINABILITY BERBASIS GRAPHRAG

Ahmad Fahim Nidhom, Sri Mulyono, Ella Heriyawati

Jurnal Rekayasa Sistem Informasi dan Teknologi · 31.05.2026 · 3 (4) · 648-660

DOI: 10.70248/jrsit.v3i4.3772 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Jurnal Rekayasa Sistem Informasi dan Teknologi, online erschienen am 31.05.2026. Verfasst von Ahmad Fahim Nidhom und 2 weiteren Autor:innen.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Resistensi obat pada Mycobacterium tuberculosis merupakan salah satu tantangan utama dalam pengendalian Tuberkulosis (TB), terutama dengan meningkatnya kasus multidrug-resistant tuberculosis (MDR-TB). Mutasi genetik pada bakteri TB berperan penting dalam menentukan tingkat resistensi terhadap obat anti-TB, sehingga analisis data genom menjadi pendekatan yang potensial untuk memprediksi resistensi obat secara lebih dini. Dataset genom yang digunakan dalam penelitian ini memiliki karakteristik kompleks dengan 49.328 entri mutasi yang terdiri dari 6.168 mutasi unik, di mana 3.550 di antaranya merupakan mutasi langka. Dataset klasifikasi mencakup 14.338 isolat TB dengan ketidakseimbangan kelas antara 12.862 isolat sensitif dan 1.476 isolat resisten (rasio ±9:1). Penelitian ini mengembangkan sistem prediksi resistensi obat menggunakan pendekatan Hybrid representation learning yang menggabungkan Graph Neural Network (GNN), Sentence Transformer, dan XGBoost. Hubungan biologis antara mutasi, gen, dan obat dimodelkan melalui biomedical knowledge graph. GNN menghasilkan representasi struktural graf (64 dimensi) dan Sentence Transformer menghasilkan representasi semantik (384 dimensi) yang digabungkan menjadi Hybrid embedding 448 dimensi sebagai fitur pada model klasifikasi XGBoost. Hasil evaluasi menunjukkan bahwa model Hybrid XGBoost mencapai akurasi 98,85%, precision 0,934, recall 0,957, dan F1-score 0,945 pada kelas resisten dengan 2.835 prediksi benar dari 2.868 data uji. Validasi terhadap literatur biologis menunjukkan konsistensi sebesar 81,8% (9 dari 11 kasus mutasi). Selain itu, implementasi GraphRAG sebagai mekanisme explainability menunjukkan bahwa 79% penjelasan yang dihasilkan konsisten dengan relasi biologis pada knowledge graph. Hasil penelitian menunjukkan bahwa pendekatan hybrid mampu meningkatkan akurasi prediksi sekaligus menyediakan penjelasan berbasis pengetahuan biologis untuk mendukung analisis resistensi obat berbasis genom.

Zitieren

APA

Nidhom, A. F., Mulyono, S., & Heriyawati, E. (2026). PREDIKSI RESISTENSI OBAT PADA MYCOBACTERIUM TUBERCULOSIS MENGGUNAKAN HYBRID GRAPH NEURAL NETWORK–SENTENCE TRANSFORMER DAN XGBOOST DENGAN EXPLAINABILITY BERBASIS GRAPHRAG. Jurnal Rekayasa Sistem Informasi dan Teknologi, 3(4), 648-660. https://doi.org/10.70248/jrsit.v3i4.3772

Vancouver

Nidhom AF, Mulyono S, Heriyawati E. PREDIKSI RESISTENSI OBAT PADA MYCOBACTERIUM TUBERCULOSIS MENGGUNAKAN HYBRID GRAPH NEURAL NETWORK–SENTENCE TRANSFORMER DAN XGBOOST DENGAN EXPLAINABILITY BERBASIS GRAPHRAG. Jurnal Rekayasa Sistem Informasi dan Teknologi. 2026;3(4):648-660. doi:10.70248/jrsit.v3i4.3772

BibTeX
@article{Nidhom2026,
  author = {Nidhom, Ahmad Fahim and Mulyono, Sri and Heriyawati, Ella},
  title = {PREDIKSI RESISTENSI OBAT PADA MYCOBACTERIUM TUBERCULOSIS MENGGUNAKAN HYBRID GRAPH NEURAL NETWORK–SENTENCE TRANSFORMER DAN XGBOOST DENGAN EXPLAINABILITY BERBASIS GRAPHRAG},
  journal = {Jurnal Rekayasa Sistem Informasi dan Teknologi},
  year = {2026},
  volume = {3},
  number = {4},
  pages = {648--660},
  doi = {10.70248/jrsit.v3i4.3772}
}
Kostenlos starten →