Perenapan Convolutional Neural Network dan MobileNetV2 Untuk Menilai Aktivitas Antioksidan Prenil Flavonoid

Prenil flavonoid merupakan kelompok senyawa flavonoid yang memiliki aktivitas biologis tinggi, salah satunya sebagai antioksidan. Aktivitas antioksidan umumnya ditentukan melalui uji eksperimental seperti metode DPPH dengan parameter IC₅₀, namun metode ini membutuhkan waktu, biaya, dan sumber daya yang besar. Oleh karena itu, diperlukan pendekatan komputasional untuk mendukung skrining awal aktivitas antioksidan. Penelitian ini menerapkan Convolutional Neural Network (CNN) untuk mengklasifikasikan aktivitas antioksidan senyawa prenil flavonoid berdasarkan citra struktur molekul serta membandingkannya dengan arsitektur MobileNetV2. Dataset terdiri dari 153 citra struktur molekul yang dibagi ke dalam dua kelas, yaitu senyawa aktif dan tidak aktif berdasarkan nilai IC₅₀. Evaluasi dilakukan menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil menunjukkan bahwa CNN dasar memperoleh akurasi 53% namun mengalami underfitting dengan recall kelas senyawa aktif sebesar 0,00. Sebaliknya, MobileNetV2 memperoleh akurasi yang sama tetapi menunjukkan kinerja yang lebih baik dengan recall 0,79 dan F1-score 0,61 pada kelas senyawa aktif. Dengan demikian, MobileNetV2 dinilai lebih efektif dibandingkan CNN.