Perpustakaan Digital ITB

New Psychoactive Substances (NPS) merupakan senyawa psikoaktif yang berkembang pesat dan dirancang dengan memodifikasi struktur kimia untuk menghindari regulasi hukum narkotika. Keberagaman dan perubahan struktur yang cepat menyebabkan proses identifikasi NPS menjadi tantangan dalam klasifikasi senyawa narkotika. Kondisi ini menuntut adanya pendekatan yang lebih sistematis dan berbasis ilmiah agar klasifikasi NPS tidak hanya bergantung pada pertimbangan subjektif, tetapi memiliki landasan analisis yang jelas dan terukur. Penelitian ini bertujuan untuk memprediksi senyawa dalam mendukung proses klasifikasi New Psychoactive Substances (NPS) ke dalam golongan narkotika dengan memanfaatkan metode machine learning. Model yang dikembangkan berfungsi sebagai sistem pendukung, bukan alat klasifikasi final, dengan memberikan prediksi berdasarkan kemiripan struktur, sifat fisikokimia, dan interaksi terhadap reseptor di sistem saraf pusat. Dengan pendekatan ini, klasifikasi NPS diharapkan lebih konsisten, terstandar, dan memiliki dasar ilmiah yang kuat. Train set terdiri dari 53 senyawa narkotika sebagai kontrol positif dan 940 senyawa non-narkotika sebagai kontrol negatif, dengan rasio ketidakseimbangan kelas sebesar 1:17,7. Fitur diekstraksi dari berbagai sumber prediksi in silico meliputi SwissADME, ADMETlab 3.0, VEGA dan RDKit yang mencakup profil interaksi reseptor sistem saraf pusat, sifat fisikokimia, toksisitas, dan kemiripan struktur berbasis Morgan fingerprint melalui Tanimoto similarity. Lima variasi fitur (VARIASI-01 hingga VARIASI-05) diujikan pada empat algoritma klasifikasi, yaitu Logistic Regression, Random Forest, K-Nearest Neighbors, dan Support Vector Machine. Hasil menunjukkan bahwa Logistic Regression dengan VARIASI-05 memberikan performa terbaik dengan akurasi (0,71), presisi (0,77), recall (0,61), dan spesifisitas (0,81). Sebanyak 70 dari 115 senyawa NPS telah berhasil diklasifikasikan sebagai narkotika. Namun performa tersebut belum optimal karena data yang digunakan tidak memiliki informasi pembeda yang cukup antara senyawa narkotika dan non-narkotika yang dapat terlihat dari data yang beririsan antara kedua kelas. Berdasarkan hasil prediksi, model ini masih memerlukan pengembangan dengan data yang lebih representatif serta penerapan metode lanjutan agar dapat mencapai akurasi yang lebih baik sesuai tujuan penelitian.