Penelitian Politeknik Negeri Indramayu: Pemanfaatan Geometric Deep Learning untuk Klasifikasi Inhibitor SARS-CoV-2

Dalam upaya global melawan pandemi Covid-19, penemuan senyawa yang dapat menghambat perkembangan virus SARS-CoV-2 menjadi perhatian utama para ilmuwan. Salah satu penelitian terbaru dari Politeknik Negeri Indramayu memberikan kontribusi signifikan melalui pendekatan teknologi berbasis Geometric Deep Learning. Penelitian ini bertajuk “Klasifikasi Inhibitors SARS-CoV-2 Menggunakan Geometric Deep Learning” dan dipimpin oleh Salamet Nur Himawan, dengan anggota tim Iryanto dan Robieth Sohiburroyan dari Program Studi D3 Teknik Informatika.

Latar Belakang dan Tujuan Penelitian

Virus SARS-CoV-2, penyebab wabah Covid-19, terus berkembang dan memunculkan jenis-jenis baru yang berpotensi memperburuk penyebaran penyakit. Untuk menghambat perkembangan virus ini, dibutuhkan antivirus yang efektif. Proses penemuan antivirus dimulai dari identifikasi senyawa kimia yang dapat berfungsi sebagai inhibitor—senyawa yang mampu mengganggu perkembangan virus. Dalam penelitian ini, tim peneliti memanfaatkan teknologi Geometric Deep Learning (GDL) untuk mengklasifikasikan senyawa-senyawa kimia yang berpotensi menjadi inhibitor SARS-CoV-2.

Ketua peneliti, Salamet Nur Himawan, menjelaskan, “Kami menggunakan GDL karena teknologi ini memiliki kemampuan untuk menganalisis struktur senyawa kimia secara geometris. Hal ini memungkinkan kami untuk mempelajari pola interaksi senyawa dengan target biologis, seperti virus, secara lebih efektif.”

Metode Penelitian

Penelitian ini menggunakan data pelatihan dari FDA-Approved Drug Library, yang merupakan kumpulan senyawa kimia yang telah disetujui oleh Badan Pengawas Obat dan Makanan Amerika Serikat (FDA). Data ini mencakup senyawa yang memiliki potensi sebagai inhibitor virus. Model Geometric Deep Learning yang dikembangkan dilatih untuk mengenali pola dalam data senyawa kimia tersebut, dengan tujuan mengklasifikasikan senyawa mana yang berpotensi besar menjadi inhibitor SARS-CoV-2.

Selama proses pelatihan model, parameter utama yang diamati adalah loss dan akurasi. Loss menunjukkan seberapa baik model mampu memprediksi output yang diinginkan, sementara akurasi menunjukkan tingkat keberhasilan model dalam mengklasifikasikan data.

Hasil Penelitian

Hasil pelatihan model menunjukkan bahwa loss terbaik mencapai 0.781, sementara akurasi terbaik mencapai 0.553. Meski hasil ini menunjukkan potensi, tim peneliti menyadari bahwa model masih bisa dioptimalkan. “Dengan menambah jumlah data latih yang lebih beragam, kami percaya bahwa akurasi model ini dapat meningkat secara signifikan,” kata Salamet Nur Himawan.

Hasil ini juga memperlihatkan bahwa Geometric Deep Learning merupakan pendekatan yang menjanjikan dalam klasifikasi inhibitor Covid-19. Dalam konteks pandemi yang terus berlangsung, model ini dapat digunakan sebagai alat bantu untuk mempercepat proses identifikasi senyawa potensial, yang pada akhirnya dapat mendukung pengembangan antivirus yang lebih efektif.

Kontribusi dan Implikasi

Penelitian ini memberikan dua kontribusi penting. Pertama, dari sisi ilmiah, penelitian ini menunjukkan bahwa Geometric Deep Learning dapat digunakan untuk mempelajari struktur senyawa kimia dengan lebih mendalam, terutama dalam konteks pengendalian penyakit. Kedua, dari sisi praktis, pendekatan ini dapat digunakan sebagai langkah awal dalam proses penemuan obat, khususnya untuk melawan virus seperti SARS-CoV-2.

Menurut Salamet Nur Himawan, “Penelitian ini adalah langkah awal yang membuka jalan bagi pengembangan teknologi berbasis kecerdasan buatan dalam bidang kesehatan. Kami berharap, hasil dari penelitian ini dapat diintegrasikan dengan upaya global untuk menemukan antivirus yang lebih efektif.”

Kesimpulan dan Harapan

Penelitian Klasifikasi Inhibitors SARS-CoV-2 Menggunakan Geometric Deep Learning merupakan salah satu contoh bagaimana teknologi dan ilmu pengetahuan dapat bersinergi untuk menghadapi tantangan global. Meski hasil awal menunjukkan bahwa akurasi model masih perlu ditingkatkan, potensi penggunaan GDL dalam klasifikasi senyawa kimia sangat menjanjikan.

Melalui penelitian ini, Politeknik Negeri Indramayu kembali menunjukkan perannya sebagai institusi pendidikan tinggi yang berkontribusi aktif dalam pengembangan ilmu pengetahuan dan teknologi. Harapannya, penelitian ini dapat menjadi pijakan bagi riset-riset lanjutan yang lebih mendalam, sehingga dapat mendukung upaya penanggulangan pandemi dan menciptakan solusi yang lebih efektif bagi masyarakat.