Pemanfaatan Hybrid Molecular Fingerprints dan XGBoost untuk Identifikasi Senyawa Herbal Antimalaria
Abstract
Malaria masih menjadi tantangan kesehatan global, terutama di daerah tropis, dengan resistensi obat dan efek samping yang mendorong pencarian alternatif lebih aman. Senyawa herbal berpotensi karena keanekaragaman hayati dan sifatnya yang ramah lingkungan. Penelitian ini menggunakan pendekatan supervised learning dengan Extreme Gradient Boosting (XGBoost) untuk memprediksi senyawa herbal antimalaria. Data senyawa aktif diperoleh dari PuChem, ChEMBL, DUDE, dan OMIM, sedangkan data senyawa herbal diambil dari HerbalDB dan IJAH Analytics. Metodologi meliputi pengumpulan data, ekstraksi fitur menggunakan hybrid molecular fingerprint (PubChem + Klekota-Roth), pelabelan kelas, pemodelan XGBoost, evaluasi, dan prediksi. Model XGBoost mencapai akurasi 0,75 dan mengidentifikasi kandidat potensial seperti Anacardic Acid dan Emetine dengan probabilitas tinggi. Senyawa lain seperti Cannabigerolic Acid dan Ginkgolic Acid juga menunjukkan potensi, tetapi memerlukan penelitian lebih lanjut terkait toksisitas dan mekanisme kerjanya. Penelitian ini membuktikan bahwa kombinasi hybrid molecular fingerprint dan XGBoost dapat mempercepat penemuan senyawa herbal antimalaria berbasis data ilmiah secara lebih efisien.