BAB 7.
QSAR, QSPR, PEMBELAJARAN MESIN, DAN VALIDASI MODEL
Capaian Pembelajaran Bab
Menjelaskan konsep inti qsar dan pembelajaran mesin dengan
istilah kimia dan komputasi yang tepat.
Membedakan representasi, data, algoritme, asumsi, dan keluaran
pada alur kerja terkait.
Menerapkan prosedur dasar menggunakan data kecil yang dapat
diperiksa secara manual.
Mengevaluasi kualitas hasil, sumber bias, data leakage, dan batas
penggunaan metode.
Menyusun dokumentasi, visualisasi, dan laporan yang dapat
direproduksi oleh kelompok lain.
Istilah Kunci
applicability domain, assay, atom attribution, boosting, calibration,
coefficient, confidence interval, conformal prediction,
cross-validation, decision context, decision tree, elastic net,
embedding, endpoint, external set, GNN, hyperparameter,
interpretability, interpretation, k-NN, kernel, lasso, leverage,
logistic regression, MAE, margin, MCC, message passing, MLR, MMP, model
card, multicollinearity, nested CV, neural network, OOD, PCR, PLS,
pretraining, probability, R2, random forest, residual, ridge, RMSE,
SHAP, SVM, task definition, uncertainty, unit, variance.
Gambar 7.1. Siklus pengembangan model QSAR/QSPR yang memisahkan data,
fitur, validasi, dan pelaporan.
7.1 Perumusan
Endpoint dan Desain Studi Prediktif
Model dimulai dari definisi endpoint yang konsisten, unit yang jelas,
protokol yang sebanding, dan tujuan penggunaan yang terukur. Pokok
bahasan ini menempatkan endpoint, assay, unit, task definition, dan
decision context sebagai komponen yang harus dipahami secara terpadu.
Dalam informatika kimia, suatu representasi atau algoritme tidak dinilai
hanya dari kecanggihannya, melainkan dari kesesuaian antara pertanyaan
kimia, bentuk data, asumsi matematis, dan keputusan yang hendak diambil.
Karena itu, mahasiswa perlu selalu menanyakan apa yang dipertahankan
oleh representasi, apa yang disederhanakan, dan informasi apa yang
mungkin hilang.
Dalam praktik penelitian, istilah endpoint, assay, unit, task
definition, dan decision context tidak berdiri sendiri. Setiap istilah
menentukan cara objek kimia dipetakan ke bentuk yang dapat diproses
komputer. Perubahan kecil dalam aturan atom, ikatan, satuan, scaling,
atau pembagian data dapat mengubah hasil analisis. Disiplin ini menuntut
dua ketelitian sekaligus: ketelitian kimia untuk menjaga makna molekul
dan ketelitian komputasi untuk menjaga konsistensi operasi. Keduanya
harus terdokumentasi sehingga orang lain dapat menelusuri asal suatu
hasil.
Alur kerja yang baik biasanya dimulai dengan definisi objek dan
endpoint, dilanjutkan pemeriksaan identitas serta kualitas data,
pemilihan representasi, penerapan metode, validasi, dan interpretasi.
Pada setiap tahap, parameter penting dicatat dalam metadata. Dengan pola
tersebut, kesalahan dapat dilokalisasi. Jika hasil berubah, peneliti
dapat menentukan apakah penyebabnya terletak pada data awal,
standardisasi, fitur, algoritme, atau prosedur evaluasi, bukan sekadar
mengulangi perhitungan secara coba-coba.
Contoh yang dapat digunakan untuk membumikan konsep ini adalah
memprediksi logS pada pH dan suhu tertentu. Contoh perlu dibahas pada
tiga tingkat. Tingkat pertama adalah struktur atau fenomena kimianya.
Tingkat kedua adalah cara komputer menyimpan dan memprosesnya. Tingkat
ketiga adalah konsekuensi ilmiah dari keluaran yang diperoleh.
Pembahasan berlapis seperti ini mencegah mahasiswa terjebak pada
penggunaan perangkat lunak tanpa memahami makna kimia dari input,
proses, dan output.
Kesalahan yang sering muncul adalah mencampur IC50 dari assay berbeda
tanpa harmonisasi. Kekeliruan tersebut dapat menghasilkan analisis yang
tampak rapi namun tidak valid. Tanda peringatannya antara lain hasil
yang terlalu baik, perubahan besar akibat parameter kecil, rekaman yang
tidak dapat dilacak, dan kesimpulan yang melampaui domain data.
Pencegahannya mencakup pemeriksaan kimia manual pada sampel, baseline
sederhana, visualisasi diagnostik, pengujian sensitivitas, serta
pembandingan dengan sumber atau metode independen.
Dalam pembelajaran S1, kedalaman materi sebaiknya bergerak dari
pemahaman konsep menuju kemampuan melakukan analisis. Mahasiswa
pertama-tama menjelaskan istilah dengan bahasanya sendiri, kemudian
membaca contoh, menjalankan prosedur terbimbing, mengubah satu
parameter, dan akhirnya mempertanggungjawabkan pilihan metode. Urutan
ini lebih kuat daripada menghafal nama algoritme karena membentuk
kebiasaan berpikir ilmiah dan keterampilan audit yang diperlukan pada
proyek nyata.
Perkembangan mutakhir, termasuk basis data terbuka, komputasi awan,
pembelajaran mesin, model graf, dan AI generatif, memperluas skala serta
kecepatan analisis. Namun prinsip dasar pada bagian ini tetap berlaku.
Model modern tetap membutuhkan identitas struktur yang benar, data yang
terkurasi, split yang jujur, metrik yang tepat, serta pelaporan
keterbatasan. Teknologi baru tidak menghapus kebutuhan validasi;
sebaliknya, skala yang lebih besar membuat kesalahan kecil dapat
menyebar lebih luas.
Aktivitas yang disarankan adalah menulis definisi endpoint
operasional dan kriteria inklusi. Hasil aktivitas tidak cukup berupa
angka atau gambar. Mahasiswa perlu melampirkan data masukan, aturan yang
dipakai, parameter, kode atau langkah kerja, tabel hasil, interpretasi
kimia, dan catatan keterbatasan. Dengan demikian, artefak pembelajaran
sekaligus menjadi portofolio yang menunjukkan penguasaan materi serta
kesiapan bekerja dalam tim multidisiplin.
Sebagai simpulan bagian, pemahaman terhadap endpoint, assay, unit,
task definition, dan decision context harus selalu dihubungkan dengan
bab lain. Representasi memengaruhi deskriptor; deskriptor memengaruhi
kemiripan dan model; kurasi memengaruhi seluruh keluaran; dan tujuan
keputusan menentukan metode yang layak. Hubungan berantai ini merupakan
tema utama buku: informatika kimia adalah sistem penalaran dan
pengelolaan bukti, bukan sekadar kumpulan perangkat komputasi.
Pendalaman
I — Objek, Makna, dan Tingkat Representasi
Dalam riset akademik, unit analisis pada 7.1 perumusan endpoint dan
desain studi prediktif perlu ditetapkan sebelum data dikumpulkan. Unit
itu dapat berupa satu struktur, satu bentuk ionisasi, satu konformer,
satu reaksi, satu hasil assay, atau satu pasangan molekul-target.
Pilihan unit menentukan arti endpoint dan hubungan operasionalnya dengan
assay. Bila unit analisis berubah di tengah pekerjaan, tabel yang tampak
konsisten dapat mencampurkan objek yang sebenarnya tidak setara. Karena
itu, setiap proyek perlu mempunyai definisi entitas, identifier utama,
aturan versi, dan kebijakan ketika satu senyawa mempunyai beberapa
rekaman atau beberapa keadaan kimia.
Pertama, representasi selalu bersifat selektif. Fokus bagian ini,
yaitu model dimulai dari definisi endpoint yang konsisten, unit yang
jelas, protokol yang sebanding, dan tujuan penggunaan yang terukur,
mengharuskan peneliti menjelaskan atribut mana yang dipertahankan dan
atribut mana yang diabaikan. Representasi yang menekankan endpoint
mungkin sangat efisien untuk pencarian, tetapi belum tentu memadai untuk
menalar unit. Sebaliknya, representasi yang kaya dapat memperbesar biaya
penyimpanan, waktu komputasi, dan risiko inkonsistensi. Prinsip yang
berguna adalah memakai representasi paling sederhana yang masih
mempertahankan informasi yang dibutuhkan oleh keputusan, kemudian
membandingkannya dengan representasi alternatif sebagai uji
ketahanan.
Selanjutnya, makna kimia tidak boleh dikalahkan oleh kenyamanan
format. Istilah assay, unit, dan task definition harus diterjemahkan ke
aturan yang dapat diuji: bagaimana nilainya diperoleh, satuan apa yang
digunakan, kondisi apa yang berlaku, dan kapan nilainya tidak dapat
dibandingkan. Pada kasus memprediksi logS pada pH dan suhu tertentu,
satu nilai tanpa konteks dapat menyesatkan karena dua laboratorium atau
dua perangkat mungkin menerapkan definisi, protokol, atau parameter yang
berbeda. Metadata bukan hiasan administratif; metadata adalah bagian
dari observasi dan menentukan apakah data layak digabungkan, dimodelkan,
atau digunakan kembali.
Pada sisi lain, terdapat perbedaan antara identitas, kesetaraan, dan
kemiripan. Dua rekaman dapat merujuk pada parent compound yang sama
tetapi berbeda garam, stereoisomer, tautomer, isotop, atau keadaan
protonasi. Pada saat yang sama, dua struktur berbeda dapat dianggap
ekuivalen untuk tujuan tertentu, misalnya ketika analisis hanya memakai
kerangka karbon. Hubungan tersebut perlu dinyatakan sebagai kebijakan,
bukan dibiarkan menjadi perilaku bawaan perangkat. Mahasiswa sebaiknya
menguji sedikitnya lima pasangan contoh dan mencatat bagaimana kebijakan
endpoint–decision context mengubah jumlah entitas unik serta
interpretasi hasil.
Dalam analisis yang lebih rinci, peta konsep pada bagian ini dapat
dibangun dengan menempatkan endpoint, assay, unit, task definition,
decision context sebagai simpul, lalu menambahkan relasi 'mewakili',
'diturunkan dari', 'mempengaruhi', 'divalidasi oleh', dan 'membatasi'.
Peta semacam itu membantu membedakan hubungan definisional dari hubungan
empiris. Hubungan definisional mengikuti aturan representasi, sedangkan
hubungan empiris memerlukan data dan pengujian. Ketika mahasiswa mampu
menunjukkan jenis relasi dan bukti yang menopangnya, pemahaman mereka
bergerak dari hafalan istilah menuju model mental yang dapat dipakai
untuk mendiagnosis kasus baru.
Pendalaman
II — Akuisisi Data, Kurasi, dan Rekayasa Alur Kerja
Dari perspektif kimia, sumber data untuk 7.1 perumusan endpoint dan
desain studi prediktif perlu dinilai pada empat lapis: otoritas sumber,
cara pengukuran atau pembangkitan, kelengkapan metadata, dan
kompatibilitas lisensi. Data publik tidak otomatis bebas masalah.
Rekaman dapat berasal dari agregasi sekunder, memiliki pembaruan yang
berbeda, atau menggunakan identifier yang berubah. Untuk memprediksi
logS pada pH dan suhu tertentu, prosedur yang aman adalah menyimpan
snapshot asli, tanggal akses, versi basis data, kueri yang digunakan,
serta checksum berkas. Langkah tersebut memungkinkan peneliti membedakan
perubahan akibat data sumber dari perubahan akibat kode analisis.
Dari perspektif komputasi, kurasi sebaiknya dirancang sebagai
serangkaian transformasi eksplisit, bukan penyuntingan manual
tersembunyi. Setiap transformasi—misalnya normalisasi nama, penanganan
nilai hilang, pemisahan campuran, standardisasi endpoint, atau konversi
assay—diberi nama, alasan, parameter, jumlah rekaman terdampak, dan
keluaran antara. Tabel audit sebelum-sesudah sangat berguna karena
menunjukkan apakah perubahan besar terjadi pada kelompok tertentu. Jika
satu aturan menghapus sebagian besar senyawa bermuatan atau kelas
struktur langka, konsekuensinya terhadap ruang kimia dan generalisasi
perlu dibahas.
Pada tahap verifikasi, urutan operasi dapat mengubah hasil.
Deduplicasi sebelum standardisasi mungkin menghasilkan jumlah entitas
berbeda dibanding deduplikasi setelah standardisasi; imputasi sebelum
split dapat menyebabkan kebocoran; perhitungan unit sebelum koreksi
struktur dapat mempertahankan kesalahan ke tahap berikutnya. Oleh sebab
itu, pipeline perlu dipandang sebagai objek ilmiah yang mempunyai
urutan, dependensi, dan versi. Diagram alir harus cukup rinci sehingga
kelompok lain dapat mengimplementasikan kembali pipeline tanpa menebak
langkah yang hilang.
Untuk pembelajaran berbasis proyek, kontrol kualitas memerlukan
kombinasi aturan otomatis dan inspeksi kimia. Aturan otomatis unggul
untuk skala besar, sedangkan inspeksi manual diperlukan untuk memahami
pola error dan memeriksa apakah aturan terlalu agresif. Sampel inspeksi
sebaiknya mencakup rekaman acak, outlier, struktur kompleks, nilai
ekstrem, serta kasus yang diubah atau dibuang oleh pipeline. Pada bagian
ini, kesalahan khas berupa mencampur IC50 dari assay berbeda tanpa
harmonisasi; karena itu, laporan kurasi perlu memperlihatkan contoh
konkret sebelum-sesudah dan bukan hanya jumlah akhir.
Dalam skenario industri, penyimpanan hasil kurasi hendaknya
memisahkan data mentah, data antara, data final, dan laporan kualitas.
Berkas final diberi skema kolom, tipe data, satuan, kamus nilai
kategorik, kebijakan nilai hilang, dan identifier yang menghubungkannya
ke sumber. Penggunaan format sederhana seperti CSV dapat diterima untuk
tabel kecil, tetapi struktur, spektrum, atau relasi kompleks mungkin
memerlukan SDF, JSON, basis data relasional, atau graf pengetahuan.
Pilihan format harus mengikuti struktur data serta kebutuhan validasi,
bukan sekadar kebiasaan perangkat lunak.
Pendalaman
III — Algoritme, Parameter, dan Kompleksitas Komputasi
Dalam riset akademik, algoritme pada 7.1 perumusan endpoint dan
desain studi prediktif dapat dipahami melalui empat komponen: masukan,
transformasi, parameter, dan keluaran. Masukan perlu mempunyai tipe
serta prasyarat yang jelas; transformasi menjelaskan operasi inti;
parameter mengendalikan perilaku; dan keluaran harus mempunyai arti
kimia yang dapat diinterpretasikan. Untuk memprediksi logS pada pH dan
suhu tertentu, mahasiswa perlu menuliskan pseudocode ringkas sebelum
menjalankan perangkat. Pseudocode memaksa pemisahan antara langkah
kimia, langkah numerik, serta langkah administratif seperti membaca dan
menulis berkas.
Pertama, parameter bukan sekadar tombol teknis. Threshold, radius,
ukuran bit, jumlah konformer, fungsi jarak, nilai regularisasi, atau
kriteria konvergensi mengandung asumsi mengenai variasi yang dianggap
penting. Analisis sensitivitas dapat dilakukan dengan memilih rentang
parameter yang masuk akal, menjalankan pipeline secara sistematis, dan
membandingkan stabilitas peringkat, klaster, koefisien, atau keputusan.
Bila perubahan kecil menghasilkan keputusan yang sangat berbeda, hasil
perlu dilaporkan sebagai tidak stabil dan tidak boleh disederhanakan
menjadi satu angka pasti.
Selanjutnya, kompleksitas komputasi menjadi relevan ketika koleksi
bertambah. Operasi pasangan pada n molekul dapat tumbuh mendekati n
kuadrat, pencarian subgraf dapat mahal, dan pembangkitan konformer atau
enumerasi pustaka dapat meledak secara kombinatorial. Strategi yang
tersedia meliputi screening awal, indeks, hashing, batching,
paralelisasi, sampling, serta penggunaan representasi bertingkat. Akan
tetapi, optimasi kecepatan harus diuji terhadap akurasi. Pipeline cepat
yang kehilangan kelas senyawa penting tidak lebih baik daripada pipeline
lambat yang tidak dapat dijalankan.
Pada sisi lain, implementasi perlu membedakan determinisme dan
stokastisitas. Algoritme deterministik diharapkan memberi keluaran sama
untuk input dan versi yang sama, sedangkan metode stokastik membutuhkan
seed serta pengulangan. Bahkan metode deterministik dapat berubah ketika
pustaka, model aromatisitas, urutan atom, perangkat keras, atau presisi
numerik berubah. Karena itu, catatan versi, parameter, seed, dan
lingkungan eksekusi merupakan bagian dari metode. Mahasiswa sebaiknya
mengulang analisis pada lingkungan baru untuk melihat bagian mana yang
benar-benar portabel.
Dalam analisis yang lebih rinci, baseline membantu menilai apakah
kerumitan tambahan mempunyai manfaat nyata. Baseline dapat berupa aturan
kimia sederhana, statistik deskriptif, pencarian exact match, model
linear, atau pemilihan acak yang dikontrol. Metode lebih kompleks baru
dianggap bernilai bila meningkatkan ukuran yang relevan, stabil pada
validasi, dan tidak mengorbankan interpretabilitas atau biaya secara
tidak proporsional. Perbandingan harus menggunakan data, split, dan
metrik yang sama. Dengan demikian, klaim kemajuan tidak bergantung pada
perubahan kondisi evaluasi.
Pendalaman
IV — Validasi, Ketidakpastian, dan Diagnosis Kesalahan
Dari perspektif kimia, validasi dimulai dengan menanyakan jenis
klaim. Klaim identitas memerlukan verifikasi struktur; klaim prediksi
memerlukan data uji yang independen; klaim cakupan memerlukan analisis
ruang kimia; dan klaim kausal memerlukan desain yang jauh lebih kuat
daripada korelasi. Pada 7.1 perumusan endpoint dan desain studi
prediktif, metrik harus dipilih setelah klaim dan biaya kesalahan
ditetapkan. Akurasi rata-rata tidak cukup bila false negative dan false
positive mempunyai konsekuensi berbeda atau bila data sangat tidak
seimbang.
Dari perspektif komputasi, pemisahan data harus meniru penggunaan
nyata. Split acak sering terlalu optimistis ketika analog dekat, seri
sintesis, batch, atau sumber yang sama muncul di data latih dan uji.
Alternatifnya adalah scaffold split, time split, group split, atau
external test set. Untuk memprediksi logS pada pH dan suhu tertentu,
mahasiswa perlu menjelaskan unit independensi: apakah tiap baris
benar-benar observasi independen, atau beberapa baris berasal dari
molekul, eksperimen, dan laboratorium yang sama. Tanpa definisi ini,
validasi dapat mengukur kemampuan mengingat alih-alih kemampuan
menggeneralisasi.
Pada tahap verifikasi, ketidakpastian mempunyai beberapa sumber:
variasi pengukuran, ketidaklengkapan sampling, pilihan representasi,
parameter model, dan pergeseran domain. Satu interval numerik tidak
selalu merangkum semuanya. Laporan yang baik memisahkan ketidakpastian
aleatorik dari epistemik sejauh mungkin, menunjukkan variasi antar-split
atau antar-seed, dan menandai prediksi di luar domain aplikasi. Untuk
keputusan laboratorium, daftar kandidat sebaiknya dilengkapi alasan
pemilihan, tingkat keyakinan, dan rencana eksperimen konfirmasi.
Untuk pembelajaran berbasis proyek, diagnosis error memerlukan
pemeriksaan pada tingkat agregat dan tingkat molekul. Pada tingkat
agregat, gunakan distribusi residual, confusion matrix, kurva kalibrasi,
learning curve, atau stabilitas klaster. Pada tingkat molekul, tampilkan
struktur contoh benar dan salah, tetangga terdekat, nilai
endpoint–decision context, serta kemungkinan penyebab kimia. Pola error
dapat mengungkap label salah, mekanisme berbeda, keadaan ionisasi yang
tidak sesuai, atau representasi yang gagal menangkap fitur penting.
Dalam skenario industri, ancaman validitas perlu ditulis secara
eksplisit. Ancaman internal berkaitan dengan kurasi, kebocoran,
parameter, dan pelaksanaan; ancaman eksternal berkaitan dengan
generalisasi ke kelas molekul, kondisi, atau laboratorium lain; ancaman
konstruk berkaitan dengan apakah endpoint benar-benar mengukur konsep
yang dimaksud. Tindakan mitigasi tidak selalu menghilangkan ancaman,
tetapi membuat pembaca mengetahui batas interpretasi. Transparansi ini
lebih ilmiah daripada menyembunyikan kelemahan di balik nilai metrik
yang tinggi.
Pendalaman
V — Studi Kasus, Keputusan, dan Portofolio Reprodusibel
Dalam riset akademik, studi kasus memprediksi logS pada pH dan suhu
tertentu dapat dirancang sebagai keputusan bertahap. Tahap pertama
menetapkan pertanyaan dan kriteria sukses; tahap kedua mengumpulkan
serta mengaudit data; tahap ketiga membandingkan representasi dan
metode; tahap keempat melakukan validasi; dan tahap kelima memilih
tindakan eksperimen. Setiap tahap menghasilkan artefak yang dapat
diperiksa. Pendekatan bertahap mencegah keputusan akhir bergantung pada
satu skor dan memungkinkan kelompok menghentikan proyek ketika kualitas
data tidak memadai.
Pertama, aktivitas menulis definisi endpoint operasional dan kriteria
inklusi sebaiknya menghasilkan lebih dari laporan naratif. Portofolio
minimum terdiri atas berkas data mentah atau tautan permanen, data
terkurasi, kamus data, notebook atau skrip, file environment, README,
gambar, tabel, dan log keputusan. Notebook tidak boleh menjadi
satu-satunya dokumentasi karena urutan eksekusi dan dependensi sering
tidak jelas. Skrip utama atau pipeline perlu dapat dijalankan dari awal
dengan satu perintah yang terdokumentasi.
Selanjutnya, komunikasi hasil harus menghubungkan angka dengan
struktur kimia. Tabel menyajikan nilai dan ketidakpastian, grafik
memperlihatkan pola, sedangkan gambar struktur memperlihatkan alasan
kimia yang mungkin. Caption perlu menyatakan apa yang dibandingkan, data
yang digunakan, dan pesan utama tanpa memaksa pembaca mencari penjelasan
di paragraf lain. Untuk setiap klaim utama, mahasiswa dapat membuat
matriks bukti yang menunjukkan data, analisis, visualisasi, serta
batasan yang mendukung klaim tersebut.
Pada sisi lain, kerja kelompok maksimal tiga mahasiswa dapat dibagi
menjadi peran kurator data, pengembang analisis, dan penelaah kimia,
tetapi seluruh anggota wajib memahami keseluruhan pipeline. Rotasi peran
pada beberapa iterasi mencegah ketergantungan pada satu orang. Log
kontribusi mencatat keputusan, commit, pemeriksaan silang, dan masalah
yang belum selesai. Penilaian kelompok perlu menggabungkan kualitas
produk, kemampuan menjelaskan pilihan, serta kemampuan mereproduksi
pekerjaan anggota lain.
Dalam analisis yang lebih rinci, refleksi akhir perlu menjawab empat
pertanyaan: informasi apa yang paling menentukan keputusan; asumsi apa
yang paling berisiko; bukti apa yang dapat mengubah kesimpulan; dan
eksperimen apa yang paling efisien untuk mengurangi ketidakpastian.
Jawaban tersebut memperlihatkan bahwa informatika kimia tidak berhenti
pada komputasi. Tujuannya adalah membangun rantai bukti yang dapat
dipertanggungjawabkan, menghemat eksperimen yang tidak perlu, serta
memilih eksperimen berikutnya secara lebih rasional.
Pendalaman
VI — Integrasi Lintas Bab dan Agenda Penelitian
Integrasi lintas bab menempatkan 7.1 perumusan endpoint dan desain
studi prediktif sebagai mata rantai dalam sistem yang lebih besar.
Keputusan tentang endpoint akan memengaruhi cara assay dihitung, cara
unit dibandingkan, dan cara task definition dimasukkan ke model atau
basis data. Mahasiswa perlu melatih penalaran hulu-hilir: menelusuri
dampak satu keputusan standardisasi hingga visualisasi dan kesimpulan,
lalu menelusuri balik sebuah anomali hasil menuju sumber data serta
representasi awal. Latihan penelusuran dua arah ini efektif untuk
menemukan asumsi tersembunyi yang tidak tampak ketika tiap bab
dipelajari secara terpisah.
Sebuah pertanyaan penelitian yang baik pada tema ini mengandung
objek, konteks, pembanding, dan kriteria keberhasilan. Contohnya, bukan
sekadar 'menerapkan metode pada memprediksi logS pada pH dan suhu
tertentu', melainkan membandingkan dua kebijakan representasi atau dua
strategi validasi dan mengukur pengaruhnya terhadap stabilitas
keputusan. Pertanyaan semacam itu dapat dijawab oleh mahasiswa S1 karena
ruang lingkupnya terukur, tetapi tetap memberi kontribusi metodologis.
Data dan kode terbuka memungkinkan replikasi, sedangkan variasi dataset
lokal dapat memberi konteks baru tanpa harus mengklaim penemuan yang
melampaui bukti.
Agenda pengembangan berikutnya dapat diarahkan pada integrasi
endpoint, assay, unit, task definition, decision context dengan data
eksperimen, literatur, spektrum, atau target biologis. Tantangannya
bukan hanya menggabungkan tabel, tetapi menyelaraskan identifier,
ontologi, satuan, tingkat granularitas, dan ketidakpastian. Prototipe
kecil lebih bernilai daripada sistem besar yang tidak dapat diaudit.
Mahasiswa dapat memulai dengan sepuluh hingga seratus entitas, membangun
skema yang jelas, menguji kueri atau analisis, lalu mengevaluasi apakah
perluasan skala mempertahankan makna kimia serta kinerja komputasi.
Pada akhirnya, penguasaan bagian ini dibuktikan melalui kemampuan
menjelaskan pilihan, bukan sekadar memperoleh keluaran. Mahasiswa harus
mampu menunjukkan alasan pemilihan data, representasi, algoritme,
parameter, metrik, dan bentuk visualisasi; menjelaskan alternatif yang
ditolak; serta menyatakan kondisi yang dapat membatalkan kesimpulan.
Dokumen keputusan tersebut dapat dimasukkan ke portofolio dan menjadi
dasar penyusunan proyek buku mini, tugas kelompok, skripsi, atau
penelitian kolaboratif yang menghubungkan informatika kimia dengan kimia
analitik, organik, anorganik, fisik, material, lingkungan, maupun
farmasi.
7.2 Regresi Linear,
MLR, dan Dasar QSAR Klasik
Regresi linear menghubungkan respons dengan deskriptor melalui
koefisien yang dapat ditafsirkan, tetapi memerlukan asumsi, pemeriksaan
residual, dan kontrol multikolinearitas. Pokok bahasan ini menempatkan
MLR, coefficient, residual, multicollinearity, dan interpretation
sebagai komponen yang harus dipahami secara terpadu. Dalam informatika
kimia, suatu representasi atau algoritme tidak dinilai hanya dari
kecanggihannya, melainkan dari kesesuaian antara pertanyaan kimia,
bentuk data, asumsi matematis, dan keputusan yang hendak diambil. Karena
itu, mahasiswa perlu selalu menanyakan apa yang dipertahankan oleh
representasi, apa yang disederhanakan, dan informasi apa yang mungkin
hilang.
Dalam kerangka pengambilan keputusan, istilah MLR, coefficient,
residual, multicollinearity, dan interpretation tidak berdiri sendiri.
Setiap istilah menentukan cara objek kimia dipetakan ke bentuk yang
dapat diproses komputer. Perubahan kecil dalam aturan atom, ikatan,
satuan, scaling, atau pembagian data dapat mengubah hasil analisis.
Disiplin ini menuntut dua ketelitian sekaligus: ketelitian kimia untuk
menjaga makna molekul dan ketelitian komputasi untuk menjaga konsistensi
operasi. Keduanya harus terdokumentasi sehingga orang lain dapat
menelusuri asal suatu hasil.
Alur kerja yang baik biasanya dimulai dengan definisi objek dan
endpoint, dilanjutkan pemeriksaan identitas serta kualitas data,
pemilihan representasi, penerapan metode, validasi, dan interpretasi.
Pada setiap tahap, parameter penting dicatat dalam metadata. Dengan pola
tersebut, kesalahan dapat dilokalisasi. Jika hasil berubah, peneliti
dapat menentukan apakah penyebabnya terletak pada data awal,
standardisasi, fitur, algoritme, atau prosedur evaluasi, bukan sekadar
mengulangi perhitungan secara coba-coba.
Contoh yang dapat digunakan untuk membumikan konsep ini adalah
hubungan log aktivitas dengan hidrofobisitas dan efek elektronik. Contoh
perlu dibahas pada tiga tingkat. Tingkat pertama adalah struktur atau
fenomena kimianya. Tingkat kedua adalah cara komputer menyimpan dan
memprosesnya. Tingkat ketiga adalah konsekuensi ilmiah dari keluaran
yang diperoleh. Pembahasan berlapis seperti ini mencegah mahasiswa
terjebak pada penggunaan perangkat lunak tanpa memahami makna kimia dari
input, proses, dan output.
Kesalahan yang sering muncul adalah menafsirkan korelasi sebagai
sebab-akibat. Kekeliruan tersebut dapat menghasilkan analisis yang
tampak rapi namun tidak valid. Tanda peringatannya antara lain hasil
yang terlalu baik, perubahan besar akibat parameter kecil, rekaman yang
tidak dapat dilacak, dan kesimpulan yang melampaui domain data.
Pencegahannya mencakup pemeriksaan kimia manual pada sampel, baseline
sederhana, visualisasi diagnostik, pengujian sensitivitas, serta
pembandingan dengan sumber atau metode independen.
Dalam pembelajaran S1, kedalaman materi sebaiknya bergerak dari
pemahaman konsep menuju kemampuan melakukan analisis. Mahasiswa
pertama-tama menjelaskan istilah dengan bahasanya sendiri, kemudian
membaca contoh, menjalankan prosedur terbimbing, mengubah satu
parameter, dan akhirnya mempertanggungjawabkan pilihan metode. Urutan
ini lebih kuat daripada menghafal nama algoritme karena membentuk
kebiasaan berpikir ilmiah dan keterampilan audit yang diperlukan pada
proyek nyata.
Perkembangan mutakhir, termasuk basis data terbuka, komputasi awan,
pembelajaran mesin, model graf, dan AI generatif, memperluas skala serta
kecepatan analisis. Namun prinsip dasar pada bagian ini tetap berlaku.
Model modern tetap membutuhkan identitas struktur yang benar, data yang
terkurasi, split yang jujur, metrik yang tepat, serta pelaporan
keterbatasan. Teknologi baru tidak menghapus kebutuhan validasi;
sebaliknya, skala yang lebih besar membuat kesalahan kecil dapat
menyebar lebih luas.
Aktivitas yang disarankan adalah membangun model dua-deskriptor dan
memeriksa residual. Hasil aktivitas tidak cukup berupa angka atau
gambar. Mahasiswa perlu melampirkan data masukan, aturan yang dipakai,
parameter, kode atau langkah kerja, tabel hasil, interpretasi kimia, dan
catatan keterbatasan. Dengan demikian, artefak pembelajaran sekaligus
menjadi portofolio yang menunjukkan penguasaan materi serta kesiapan
bekerja dalam tim multidisiplin.
Sebagai simpulan bagian, pemahaman terhadap MLR, coefficient,
residual, multicollinearity, dan interpretation harus selalu dihubungkan
dengan bab lain. Representasi memengaruhi deskriptor; deskriptor
memengaruhi kemiripan dan model; kurasi memengaruhi seluruh keluaran;
dan tujuan keputusan menentukan metode yang layak. Hubungan berantai ini
merupakan tema utama buku: informatika kimia adalah sistem penalaran dan
pengelolaan bukti, bukan sekadar kumpulan perangkat komputasi.
Pendalaman
I — Objek, Makna, dan Tingkat Representasi
Dalam skenario industri, unit analisis pada 7.2 regresi linear, mlr,
dan dasar qsar klasik perlu ditetapkan sebelum data dikumpulkan. Unit
itu dapat berupa satu struktur, satu bentuk ionisasi, satu konformer,
satu reaksi, satu hasil assay, atau satu pasangan molekul-target.
Pilihan unit menentukan arti MLR dan hubungan operasionalnya dengan
coefficient. Bila unit analisis berubah di tengah pekerjaan, tabel yang
tampak konsisten dapat mencampurkan objek yang sebenarnya tidak setara.
Karena itu, setiap proyek perlu mempunyai definisi entitas, identifier
utama, aturan versi, dan kebijakan ketika satu senyawa mempunyai
beberapa rekaman atau beberapa keadaan kimia.
Dalam riset akademik, representasi selalu bersifat selektif. Fokus
bagian ini, yaitu regresi linear menghubungkan respons dengan deskriptor
melalui koefisien yang dapat ditafsirkan, tetapi memerlukan asumsi,
pemeriksaan residual, dan kontrol multikolinearitas, mengharuskan
peneliti menjelaskan atribut mana yang dipertahankan dan atribut mana
yang diabaikan. Representasi yang menekankan MLR mungkin sangat efisien
untuk pencarian, tetapi belum tentu memadai untuk menalar residual.
Sebaliknya, representasi yang kaya dapat memperbesar biaya penyimpanan,
waktu komputasi, dan risiko inkonsistensi. Prinsip yang berguna adalah
memakai representasi paling sederhana yang masih mempertahankan
informasi yang dibutuhkan oleh keputusan, kemudian membandingkannya
dengan representasi alternatif sebagai uji ketahanan.
Pertama, makna kimia tidak boleh dikalahkan oleh kenyamanan format.
Istilah coefficient, residual, dan multicollinearity harus diterjemahkan
ke aturan yang dapat diuji: bagaimana nilainya diperoleh, satuan apa
yang digunakan, kondisi apa yang berlaku, dan kapan nilainya tidak dapat
dibandingkan. Pada kasus hubungan log aktivitas dengan hidrofobisitas
dan efek elektronik, satu nilai tanpa konteks dapat menyesatkan karena
dua laboratorium atau dua perangkat mungkin menerapkan definisi,
protokol, atau parameter yang berbeda. Metadata bukan hiasan
administratif; metadata adalah bagian dari observasi dan menentukan
apakah data layak digabungkan, dimodelkan, atau digunakan kembali.
Selanjutnya, terdapat perbedaan antara identitas, kesetaraan, dan
kemiripan. Dua rekaman dapat merujuk pada parent compound yang sama
tetapi berbeda garam, stereoisomer, tautomer, isotop, atau keadaan
protonasi. Pada saat yang sama, dua struktur berbeda dapat dianggap
ekuivalen untuk tujuan tertentu, misalnya ketika analisis hanya memakai
kerangka karbon. Hubungan tersebut perlu dinyatakan sebagai kebijakan,
bukan dibiarkan menjadi perilaku bawaan perangkat. Mahasiswa sebaiknya
menguji sedikitnya lima pasangan contoh dan mencatat bagaimana kebijakan
MLR–interpretation mengubah jumlah entitas unik serta interpretasi
hasil.
Pada sisi lain, peta konsep pada bagian ini dapat dibangun dengan
menempatkan MLR, coefficient, residual, multicollinearity,
interpretation sebagai simpul, lalu menambahkan relasi 'mewakili',
'diturunkan dari', 'mempengaruhi', 'divalidasi oleh', dan 'membatasi'.
Peta semacam itu membantu membedakan hubungan definisional dari hubungan
empiris. Hubungan definisional mengikuti aturan representasi, sedangkan
hubungan empiris memerlukan data dan pengujian. Ketika mahasiswa mampu
menunjukkan jenis relasi dan bukti yang menopangnya, pemahaman mereka
bergerak dari hafalan istilah menuju model mental yang dapat dipakai
untuk mendiagnosis kasus baru.
Pendalaman
II — Akuisisi Data, Kurasi, dan Rekayasa Alur Kerja
Dalam analisis yang lebih rinci, sumber data untuk 7.2 regresi
linear, mlr, dan dasar qsar klasik perlu dinilai pada empat lapis:
otoritas sumber, cara pengukuran atau pembangkitan, kelengkapan
metadata, dan kompatibilitas lisensi. Data publik tidak otomatis bebas
masalah. Rekaman dapat berasal dari agregasi sekunder, memiliki
pembaruan yang berbeda, atau menggunakan identifier yang berubah. Untuk
hubungan log aktivitas dengan hidrofobisitas dan efek elektronik,
prosedur yang aman adalah menyimpan snapshot asli, tanggal akses, versi
basis data, kueri yang digunakan, serta checksum berkas. Langkah
tersebut memungkinkan peneliti membedakan perubahan akibat data sumber
dari perubahan akibat kode analisis.
Dari perspektif kimia, kurasi sebaiknya dirancang sebagai serangkaian
transformasi eksplisit, bukan penyuntingan manual tersembunyi. Setiap
transformasi—misalnya normalisasi nama, penanganan nilai hilang,
pemisahan campuran, standardisasi MLR, atau konversi coefficient—diberi
nama, alasan, parameter, jumlah rekaman terdampak, dan keluaran antara.
Tabel audit sebelum-sesudah sangat berguna karena menunjukkan apakah
perubahan besar terjadi pada kelompok tertentu. Jika satu aturan
menghapus sebagian besar senyawa bermuatan atau kelas struktur langka,
konsekuensinya terhadap ruang kimia dan generalisasi perlu dibahas.
Dari perspektif komputasi, urutan operasi dapat mengubah hasil.
Deduplicasi sebelum standardisasi mungkin menghasilkan jumlah entitas
berbeda dibanding deduplikasi setelah standardisasi; imputasi sebelum
split dapat menyebabkan kebocoran; perhitungan residual sebelum koreksi
struktur dapat mempertahankan kesalahan ke tahap berikutnya. Oleh sebab
itu, pipeline perlu dipandang sebagai objek ilmiah yang mempunyai
urutan, dependensi, dan versi. Diagram alir harus cukup rinci sehingga
kelompok lain dapat mengimplementasikan kembali pipeline tanpa menebak
langkah yang hilang.
Pada tahap verifikasi, kontrol kualitas memerlukan kombinasi aturan
otomatis dan inspeksi kimia. Aturan otomatis unggul untuk skala besar,
sedangkan inspeksi manual diperlukan untuk memahami pola error dan
memeriksa apakah aturan terlalu agresif. Sampel inspeksi sebaiknya
mencakup rekaman acak, outlier, struktur kompleks, nilai ekstrem, serta
kasus yang diubah atau dibuang oleh pipeline. Pada bagian ini, kesalahan
khas berupa menafsirkan korelasi sebagai sebab-akibat; karena itu,
laporan kurasi perlu memperlihatkan contoh konkret sebelum-sesudah dan
bukan hanya jumlah akhir.
Untuk pembelajaran berbasis proyek, penyimpanan hasil kurasi
hendaknya memisahkan data mentah, data antara, data final, dan laporan
kualitas. Berkas final diberi skema kolom, tipe data, satuan, kamus
nilai kategorik, kebijakan nilai hilang, dan identifier yang
menghubungkannya ke sumber. Penggunaan format sederhana seperti CSV
dapat diterima untuk tabel kecil, tetapi struktur, spektrum, atau relasi
kompleks mungkin memerlukan SDF, JSON, basis data relasional, atau graf
pengetahuan. Pilihan format harus mengikuti struktur data serta
kebutuhan validasi, bukan sekadar kebiasaan perangkat lunak.
Pendalaman
III — Algoritme, Parameter, dan Kompleksitas Komputasi
Dalam skenario industri, algoritme pada 7.2 regresi linear, mlr, dan
dasar qsar klasik dapat dipahami melalui empat komponen: masukan,
transformasi, parameter, dan keluaran. Masukan perlu mempunyai tipe
serta prasyarat yang jelas; transformasi menjelaskan operasi inti;
parameter mengendalikan perilaku; dan keluaran harus mempunyai arti
kimia yang dapat diinterpretasikan. Untuk hubungan log aktivitas dengan
hidrofobisitas dan efek elektronik, mahasiswa perlu menuliskan
pseudocode ringkas sebelum menjalankan perangkat. Pseudocode memaksa
pemisahan antara langkah kimia, langkah numerik, serta langkah
administratif seperti membaca dan menulis berkas.
Dalam riset akademik, parameter bukan sekadar tombol teknis.
Threshold, radius, ukuran bit, jumlah konformer, fungsi jarak, nilai
regularisasi, atau kriteria konvergensi mengandung asumsi mengenai
variasi yang dianggap penting. Analisis sensitivitas dapat dilakukan
dengan memilih rentang parameter yang masuk akal, menjalankan pipeline
secara sistematis, dan membandingkan stabilitas peringkat, klaster,
koefisien, atau keputusan. Bila perubahan kecil menghasilkan keputusan
yang sangat berbeda, hasil perlu dilaporkan sebagai tidak stabil dan
tidak boleh disederhanakan menjadi satu angka pasti.
Pertama, kompleksitas komputasi menjadi relevan ketika koleksi
bertambah. Operasi pasangan pada n molekul dapat tumbuh mendekati n
kuadrat, pencarian subgraf dapat mahal, dan pembangkitan konformer atau
enumerasi pustaka dapat meledak secara kombinatorial. Strategi yang
tersedia meliputi screening awal, indeks, hashing, batching,
paralelisasi, sampling, serta penggunaan representasi bertingkat. Akan
tetapi, optimasi kecepatan harus diuji terhadap akurasi. Pipeline cepat
yang kehilangan kelas senyawa penting tidak lebih baik daripada pipeline
lambat yang tidak dapat dijalankan.
Selanjutnya, implementasi perlu membedakan determinisme dan
stokastisitas. Algoritme deterministik diharapkan memberi keluaran sama
untuk input dan versi yang sama, sedangkan metode stokastik membutuhkan
seed serta pengulangan. Bahkan metode deterministik dapat berubah ketika
pustaka, model aromatisitas, urutan atom, perangkat keras, atau presisi
numerik berubah. Karena itu, catatan versi, parameter, seed, dan
lingkungan eksekusi merupakan bagian dari metode. Mahasiswa sebaiknya
mengulang analisis pada lingkungan baru untuk melihat bagian mana yang
benar-benar portabel.
Pada sisi lain, baseline membantu menilai apakah kerumitan tambahan
mempunyai manfaat nyata. Baseline dapat berupa aturan kimia sederhana,
statistik deskriptif, pencarian exact match, model linear, atau
pemilihan acak yang dikontrol. Metode lebih kompleks baru dianggap
bernilai bila meningkatkan ukuran yang relevan, stabil pada validasi,
dan tidak mengorbankan interpretabilitas atau biaya secara tidak
proporsional. Perbandingan harus menggunakan data, split, dan metrik
yang sama. Dengan demikian, klaim kemajuan tidak bergantung pada
perubahan kondisi evaluasi.
Pendalaman
IV — Validasi, Ketidakpastian, dan Diagnosis Kesalahan
Dalam analisis yang lebih rinci, validasi dimulai dengan menanyakan
jenis klaim. Klaim identitas memerlukan verifikasi struktur; klaim
prediksi memerlukan data uji yang independen; klaim cakupan memerlukan
analisis ruang kimia; dan klaim kausal memerlukan desain yang jauh lebih
kuat daripada korelasi. Pada 7.2 regresi linear, mlr, dan dasar qsar
klasik, metrik harus dipilih setelah klaim dan biaya kesalahan
ditetapkan. Akurasi rata-rata tidak cukup bila false negative dan false
positive mempunyai konsekuensi berbeda atau bila data sangat tidak
seimbang.
Dari perspektif kimia, pemisahan data harus meniru penggunaan nyata.
Split acak sering terlalu optimistis ketika analog dekat, seri sintesis,
batch, atau sumber yang sama muncul di data latih dan uji. Alternatifnya
adalah scaffold split, time split, group split, atau external test set.
Untuk hubungan log aktivitas dengan hidrofobisitas dan efek elektronik,
mahasiswa perlu menjelaskan unit independensi: apakah tiap baris
benar-benar observasi independen, atau beberapa baris berasal dari
molekul, eksperimen, dan laboratorium yang sama. Tanpa definisi ini,
validasi dapat mengukur kemampuan mengingat alih-alih kemampuan
menggeneralisasi.
Dari perspektif komputasi, ketidakpastian mempunyai beberapa sumber:
variasi pengukuran, ketidaklengkapan sampling, pilihan representasi,
parameter model, dan pergeseran domain. Satu interval numerik tidak
selalu merangkum semuanya. Laporan yang baik memisahkan ketidakpastian
aleatorik dari epistemik sejauh mungkin, menunjukkan variasi antar-split
atau antar-seed, dan menandai prediksi di luar domain aplikasi. Untuk
keputusan laboratorium, daftar kandidat sebaiknya dilengkapi alasan
pemilihan, tingkat keyakinan, dan rencana eksperimen konfirmasi.
Pada tahap verifikasi, diagnosis error memerlukan pemeriksaan pada
tingkat agregat dan tingkat molekul. Pada tingkat agregat, gunakan
distribusi residual, confusion matrix, kurva kalibrasi, learning curve,
atau stabilitas klaster. Pada tingkat molekul, tampilkan struktur contoh
benar dan salah, tetangga terdekat, nilai MLR–interpretation, serta
kemungkinan penyebab kimia. Pola error dapat mengungkap label salah,
mekanisme berbeda, keadaan ionisasi yang tidak sesuai, atau representasi
yang gagal menangkap fitur penting.
Untuk pembelajaran berbasis proyek, ancaman validitas perlu ditulis
secara eksplisit. Ancaman internal berkaitan dengan kurasi, kebocoran,
parameter, dan pelaksanaan; ancaman eksternal berkaitan dengan
generalisasi ke kelas molekul, kondisi, atau laboratorium lain; ancaman
konstruk berkaitan dengan apakah endpoint benar-benar mengukur konsep
yang dimaksud. Tindakan mitigasi tidak selalu menghilangkan ancaman,
tetapi membuat pembaca mengetahui batas interpretasi. Transparansi ini
lebih ilmiah daripada menyembunyikan kelemahan di balik nilai metrik
yang tinggi.
Pendalaman
V — Studi Kasus, Keputusan, dan Portofolio Reprodusibel
Dalam skenario industri, studi kasus hubungan log aktivitas dengan
hidrofobisitas dan efek elektronik dapat dirancang sebagai keputusan
bertahap. Tahap pertama menetapkan pertanyaan dan kriteria sukses; tahap
kedua mengumpulkan serta mengaudit data; tahap ketiga membandingkan
representasi dan metode; tahap keempat melakukan validasi; dan tahap
kelima memilih tindakan eksperimen. Setiap tahap menghasilkan artefak
yang dapat diperiksa. Pendekatan bertahap mencegah keputusan akhir
bergantung pada satu skor dan memungkinkan kelompok menghentikan proyek
ketika kualitas data tidak memadai.
Dalam riset akademik, aktivitas membangun model dua-deskriptor dan
memeriksa residual sebaiknya menghasilkan lebih dari laporan naratif.
Portofolio minimum terdiri atas berkas data mentah atau tautan permanen,
data terkurasi, kamus data, notebook atau skrip, file environment,
README, gambar, tabel, dan log keputusan. Notebook tidak boleh menjadi
satu-satunya dokumentasi karena urutan eksekusi dan dependensi sering
tidak jelas. Skrip utama atau pipeline perlu dapat dijalankan dari awal
dengan satu perintah yang terdokumentasi.
Pertama, komunikasi hasil harus menghubungkan angka dengan struktur
kimia. Tabel menyajikan nilai dan ketidakpastian, grafik memperlihatkan
pola, sedangkan gambar struktur memperlihatkan alasan kimia yang
mungkin. Caption perlu menyatakan apa yang dibandingkan, data yang
digunakan, dan pesan utama tanpa memaksa pembaca mencari penjelasan di
paragraf lain. Untuk setiap klaim utama, mahasiswa dapat membuat matriks
bukti yang menunjukkan data, analisis, visualisasi, serta batasan yang
mendukung klaim tersebut.
Selanjutnya, kerja kelompok maksimal tiga mahasiswa dapat dibagi
menjadi peran kurator data, pengembang analisis, dan penelaah kimia,
tetapi seluruh anggota wajib memahami keseluruhan pipeline. Rotasi peran
pada beberapa iterasi mencegah ketergantungan pada satu orang. Log
kontribusi mencatat keputusan, commit, pemeriksaan silang, dan masalah
yang belum selesai. Penilaian kelompok perlu menggabungkan kualitas
produk, kemampuan menjelaskan pilihan, serta kemampuan mereproduksi
pekerjaan anggota lain.
Pada sisi lain, refleksi akhir perlu menjawab empat pertanyaan:
informasi apa yang paling menentukan keputusan; asumsi apa yang paling
berisiko; bukti apa yang dapat mengubah kesimpulan; dan eksperimen apa
yang paling efisien untuk mengurangi ketidakpastian. Jawaban tersebut
memperlihatkan bahwa informatika kimia tidak berhenti pada komputasi.
Tujuannya adalah membangun rantai bukti yang dapat
dipertanggungjawabkan, menghemat eksperimen yang tidak perlu, serta
memilih eksperimen berikutnya secara lebih rasional.
Pendalaman
VI — Integrasi Lintas Bab dan Agenda Penelitian
Integrasi lintas bab menempatkan 7.2 regresi linear, mlr, dan dasar
qsar klasik sebagai mata rantai dalam sistem yang lebih besar. Keputusan
tentang MLR akan memengaruhi cara coefficient dihitung, cara residual
dibandingkan, dan cara multicollinearity dimasukkan ke model atau basis
data. Mahasiswa perlu melatih penalaran hulu-hilir: menelusuri dampak
satu keputusan standardisasi hingga visualisasi dan kesimpulan, lalu
menelusuri balik sebuah anomali hasil menuju sumber data serta
representasi awal. Latihan penelusuran dua arah ini efektif untuk
menemukan asumsi tersembunyi yang tidak tampak ketika tiap bab
dipelajari secara terpisah.
Sebuah pertanyaan penelitian yang baik pada tema ini mengandung
objek, konteks, pembanding, dan kriteria keberhasilan. Contohnya, bukan
sekadar 'menerapkan metode pada hubungan log aktivitas dengan
hidrofobisitas dan efek elektronik', melainkan membandingkan dua
kebijakan representasi atau dua strategi validasi dan mengukur
pengaruhnya terhadap stabilitas keputusan. Pertanyaan semacam itu dapat
dijawab oleh mahasiswa S1 karena ruang lingkupnya terukur, tetapi tetap
memberi kontribusi metodologis. Data dan kode terbuka memungkinkan
replikasi, sedangkan variasi dataset lokal dapat memberi konteks baru
tanpa harus mengklaim penemuan yang melampaui bukti.
Agenda pengembangan berikutnya dapat diarahkan pada integrasi MLR,
coefficient, residual, multicollinearity, interpretation dengan data
eksperimen, literatur, spektrum, atau target biologis. Tantangannya
bukan hanya menggabungkan tabel, tetapi menyelaraskan identifier,
ontologi, satuan, tingkat granularitas, dan ketidakpastian. Prototipe
kecil lebih bernilai daripada sistem besar yang tidak dapat diaudit.
Mahasiswa dapat memulai dengan sepuluh hingga seratus entitas, membangun
skema yang jelas, menguji kueri atau analisis, lalu mengevaluasi apakah
perluasan skala mempertahankan makna kimia serta kinerja komputasi.
Pada akhirnya, penguasaan bagian ini dibuktikan melalui kemampuan
menjelaskan pilihan, bukan sekadar memperoleh keluaran. Mahasiswa harus
mampu menunjukkan alasan pemilihan data, representasi, algoritme,
parameter, metrik, dan bentuk visualisasi; menjelaskan alternatif yang
ditolak; serta menyatakan kondisi yang dapat membatalkan kesimpulan.
Dokumen keputusan tersebut dapat dimasukkan ke portofolio dan menjadi
dasar penyusunan proyek buku mini, tugas kelompok, skripsi, atau
penelitian kolaboratif yang menghubungkan informatika kimia dengan kimia
analitik, organik, anorganik, fisik, material, lingkungan, maupun
farmasi.
7.3 PCR, PLS,
Regularisasi, dan Seleksi Variabel
Pcr dan pls mengatasi banyak fitur berkorelasi, sedangkan ridge,
lasso, dan elastic net mengendalikan kompleksitas melalui penalti. Pokok
bahasan ini menempatkan PCR, PLS, ridge, lasso, dan elastic net sebagai
komponen yang harus dipahami secara terpadu. Dalam informatika kimia,
suatu representasi atau algoritme tidak dinilai hanya dari
kecanggihannya, melainkan dari kesesuaian antara pertanyaan kimia,
bentuk data, asumsi matematis, dan keputusan yang hendak diambil. Karena
itu, mahasiswa perlu selalu menanyakan apa yang dipertahankan oleh
representasi, apa yang disederhanakan, dan informasi apa yang mungkin
hilang.
Dari sudut pandang mahasiswa kimia, istilah PCR, PLS, ridge, lasso,
dan elastic net tidak berdiri sendiri. Setiap istilah menentukan cara
objek kimia dipetakan ke bentuk yang dapat diproses komputer. Perubahan
kecil dalam aturan atom, ikatan, satuan, scaling, atau pembagian data
dapat mengubah hasil analisis. Disiplin ini menuntut dua ketelitian
sekaligus: ketelitian kimia untuk menjaga makna molekul dan ketelitian
komputasi untuk menjaga konsistensi operasi. Keduanya harus
terdokumentasi sehingga orang lain dapat menelusuri asal suatu
hasil.
Alur kerja yang baik biasanya dimulai dengan definisi objek dan
endpoint, dilanjutkan pemeriksaan identitas serta kualitas data,
pemilihan representasi, penerapan metode, validasi, dan interpretasi.
Pada setiap tahap, parameter penting dicatat dalam metadata. Dengan pola
tersebut, kesalahan dapat dilokalisasi. Jika hasil berubah, peneliti
dapat menentukan apakah penyebabnya terletak pada data awal,
standardisasi, fitur, algoritme, atau prosedur evaluasi, bukan sekadar
mengulangi perhitungan secara coba-coba.
Contoh yang dapat digunakan untuk membumikan konsep ini adalah model
spektrum atau descriptor matrix dengan p lebih besar dari n. Contoh
perlu dibahas pada tiga tingkat. Tingkat pertama adalah struktur atau
fenomena kimianya. Tingkat kedua adalah cara komputer menyimpan dan
memprosesnya. Tingkat ketiga adalah konsekuensi ilmiah dari keluaran
yang diperoleh. Pembahasan berlapis seperti ini mencegah mahasiswa
terjebak pada penggunaan perangkat lunak tanpa memahami makna kimia dari
input, proses, dan output.
Kesalahan yang sering muncul adalah memilih komponen berdasarkan
performa test set. Kekeliruan tersebut dapat menghasilkan analisis yang
tampak rapi namun tidak valid. Tanda peringatannya antara lain hasil
yang terlalu baik, perubahan besar akibat parameter kecil, rekaman yang
tidak dapat dilacak, dan kesimpulan yang melampaui domain data.
Pencegahannya mencakup pemeriksaan kimia manual pada sampel, baseline
sederhana, visualisasi diagnostik, pengujian sensitivitas, serta
pembandingan dengan sumber atau metode independen.
Dalam pembelajaran S1, kedalaman materi sebaiknya bergerak dari
pemahaman konsep menuju kemampuan melakukan analisis. Mahasiswa
pertama-tama menjelaskan istilah dengan bahasanya sendiri, kemudian
membaca contoh, menjalankan prosedur terbimbing, mengubah satu
parameter, dan akhirnya mempertanggungjawabkan pilihan metode. Urutan
ini lebih kuat daripada menghafal nama algoritme karena membentuk
kebiasaan berpikir ilmiah dan keterampilan audit yang diperlukan pada
proyek nyata.
Perkembangan mutakhir, termasuk basis data terbuka, komputasi awan,
pembelajaran mesin, model graf, dan AI generatif, memperluas skala serta
kecepatan analisis. Namun prinsip dasar pada bagian ini tetap berlaku.
Model modern tetap membutuhkan identitas struktur yang benar, data yang
terkurasi, split yang jujur, metrik yang tepat, serta pelaporan
keterbatasan. Teknologi baru tidak menghapus kebutuhan validasi;
sebaliknya, skala yang lebih besar membuat kesalahan kecil dapat
menyebar lebih luas.
Aktivitas yang disarankan adalah menentukan hiperparameter melalui
cross-validation tersarang. Hasil aktivitas tidak cukup berupa angka
atau gambar. Mahasiswa perlu melampirkan data masukan, aturan yang
dipakai, parameter, kode atau langkah kerja, tabel hasil, interpretasi
kimia, dan catatan keterbatasan. Dengan demikian, artefak pembelajaran
sekaligus menjadi portofolio yang menunjukkan penguasaan materi serta
kesiapan bekerja dalam tim multidisiplin.
Sebagai simpulan bagian, pemahaman terhadap PCR, PLS, ridge, lasso,
dan elastic net harus selalu dihubungkan dengan bab lain. Representasi
memengaruhi deskriptor; deskriptor memengaruhi kemiripan dan model;
kurasi memengaruhi seluruh keluaran; dan tujuan keputusan menentukan
metode yang layak. Hubungan berantai ini merupakan tema utama buku:
informatika kimia adalah sistem penalaran dan pengelolaan bukti, bukan
sekadar kumpulan perangkat komputasi.
Pendalaman
I — Objek, Makna, dan Tingkat Representasi
Pada tahap verifikasi, unit analisis pada 7.3 pcr, pls, regularisasi,
dan seleksi variabel perlu ditetapkan sebelum data dikumpulkan. Unit itu
dapat berupa satu struktur, satu bentuk ionisasi, satu konformer, satu
reaksi, satu hasil assay, atau satu pasangan molekul-target. Pilihan
unit menentukan arti PCR dan hubungan operasionalnya dengan PLS. Bila
unit analisis berubah di tengah pekerjaan, tabel yang tampak konsisten
dapat mencampurkan objek yang sebenarnya tidak setara. Karena itu,
setiap proyek perlu mempunyai definisi entitas, identifier utama, aturan
versi, dan kebijakan ketika satu senyawa mempunyai beberapa rekaman atau
beberapa keadaan kimia.
Untuk pembelajaran berbasis proyek, representasi selalu bersifat
selektif. Fokus bagian ini, yaitu PCR dan PLS mengatasi banyak fitur
berkorelasi, sedangkan ridge, lasso, dan elastic net mengendalikan
kompleksitas melalui penalti, mengharuskan peneliti menjelaskan atribut
mana yang dipertahankan dan atribut mana yang diabaikan. Representasi
yang menekankan PCR mungkin sangat efisien untuk pencarian, tetapi belum
tentu memadai untuk menalar ridge. Sebaliknya, representasi yang kaya
dapat memperbesar biaya penyimpanan, waktu komputasi, dan risiko
inkonsistensi. Prinsip yang berguna adalah memakai representasi paling
sederhana yang masih mempertahankan informasi yang dibutuhkan oleh
keputusan, kemudian membandingkannya dengan representasi alternatif
sebagai uji ketahanan.
Dalam skenario industri, makna kimia tidak boleh dikalahkan oleh
kenyamanan format. Istilah PLS, ridge, dan lasso harus diterjemahkan ke
aturan yang dapat diuji: bagaimana nilainya diperoleh, satuan apa yang
digunakan, kondisi apa yang berlaku, dan kapan nilainya tidak dapat
dibandingkan. Pada kasus model spektrum atau descriptor matrix dengan p
lebih besar dari n, satu nilai tanpa konteks dapat menyesatkan karena
dua laboratorium atau dua perangkat mungkin menerapkan definisi,
protokol, atau parameter yang berbeda. Metadata bukan hiasan
administratif; metadata adalah bagian dari observasi dan menentukan
apakah data layak digabungkan, dimodelkan, atau digunakan kembali.
Dalam riset akademik, terdapat perbedaan antara identitas,
kesetaraan, dan kemiripan. Dua rekaman dapat merujuk pada parent
compound yang sama tetapi berbeda garam, stereoisomer, tautomer, isotop,
atau keadaan protonasi. Pada saat yang sama, dua struktur berbeda dapat
dianggap ekuivalen untuk tujuan tertentu, misalnya ketika analisis hanya
memakai kerangka karbon. Hubungan tersebut perlu dinyatakan sebagai
kebijakan, bukan dibiarkan menjadi perilaku bawaan perangkat. Mahasiswa
sebaiknya menguji sedikitnya lima pasangan contoh dan mencatat bagaimana
kebijakan PCR–elastic net mengubah jumlah entitas unik serta
interpretasi hasil.
Pertama, peta konsep pada bagian ini dapat dibangun dengan
menempatkan PCR, PLS, ridge, lasso, elastic net sebagai simpul, lalu
menambahkan relasi 'mewakili', 'diturunkan dari', 'mempengaruhi',
'divalidasi oleh', dan 'membatasi'. Peta semacam itu membantu membedakan
hubungan definisional dari hubungan empiris. Hubungan definisional
mengikuti aturan representasi, sedangkan hubungan empiris memerlukan
data dan pengujian. Ketika mahasiswa mampu menunjukkan jenis relasi dan
bukti yang menopangnya, pemahaman mereka bergerak dari hafalan istilah
menuju model mental yang dapat dipakai untuk mendiagnosis kasus
baru.
Pendalaman
II — Akuisisi Data, Kurasi, dan Rekayasa Alur Kerja
Selanjutnya, sumber data untuk 7.3 pcr, pls, regularisasi, dan
seleksi variabel perlu dinilai pada empat lapis: otoritas sumber, cara
pengukuran atau pembangkitan, kelengkapan metadata, dan kompatibilitas
lisensi. Data publik tidak otomatis bebas masalah. Rekaman dapat berasal
dari agregasi sekunder, memiliki pembaruan yang berbeda, atau
menggunakan identifier yang berubah. Untuk model spektrum atau
descriptor matrix dengan p lebih besar dari n, prosedur yang aman adalah
menyimpan snapshot asli, tanggal akses, versi basis data, kueri yang
digunakan, serta checksum berkas. Langkah tersebut memungkinkan peneliti
membedakan perubahan akibat data sumber dari perubahan akibat kode
analisis.
Pada sisi lain, kurasi sebaiknya dirancang sebagai serangkaian
transformasi eksplisit, bukan penyuntingan manual tersembunyi. Setiap
transformasi—misalnya normalisasi nama, penanganan nilai hilang,
pemisahan campuran, standardisasi PCR, atau konversi PLS—diberi nama,
alasan, parameter, jumlah rekaman terdampak, dan keluaran antara. Tabel
audit sebelum-sesudah sangat berguna karena menunjukkan apakah perubahan
besar terjadi pada kelompok tertentu. Jika satu aturan menghapus
sebagian besar senyawa bermuatan atau kelas struktur langka,
konsekuensinya terhadap ruang kimia dan generalisasi perlu dibahas.
Dalam analisis yang lebih rinci, urutan operasi dapat mengubah hasil.
Deduplicasi sebelum standardisasi mungkin menghasilkan jumlah entitas
berbeda dibanding deduplikasi setelah standardisasi; imputasi sebelum
split dapat menyebabkan kebocoran; perhitungan ridge sebelum koreksi
struktur dapat mempertahankan kesalahan ke tahap berikutnya. Oleh sebab
itu, pipeline perlu dipandang sebagai objek ilmiah yang mempunyai
urutan, dependensi, dan versi. Diagram alir harus cukup rinci sehingga
kelompok lain dapat mengimplementasikan kembali pipeline tanpa menebak
langkah yang hilang.
Dari perspektif kimia, kontrol kualitas memerlukan kombinasi aturan
otomatis dan inspeksi kimia. Aturan otomatis unggul untuk skala besar,
sedangkan inspeksi manual diperlukan untuk memahami pola error dan
memeriksa apakah aturan terlalu agresif. Sampel inspeksi sebaiknya
mencakup rekaman acak, outlier, struktur kompleks, nilai ekstrem, serta
kasus yang diubah atau dibuang oleh pipeline. Pada bagian ini, kesalahan
khas berupa memilih komponen berdasarkan performa test set; karena itu,
laporan kurasi perlu memperlihatkan contoh konkret sebelum-sesudah dan
bukan hanya jumlah akhir.
Dari perspektif komputasi, penyimpanan hasil kurasi hendaknya
memisahkan data mentah, data antara, data final, dan laporan kualitas.
Berkas final diberi skema kolom, tipe data, satuan, kamus nilai
kategorik, kebijakan nilai hilang, dan identifier yang menghubungkannya
ke sumber. Penggunaan format sederhana seperti CSV dapat diterima untuk
tabel kecil, tetapi struktur, spektrum, atau relasi kompleks mungkin
memerlukan SDF, JSON, basis data relasional, atau graf pengetahuan.
Pilihan format harus mengikuti struktur data serta kebutuhan validasi,
bukan sekadar kebiasaan perangkat lunak.
Pendalaman
III — Algoritme, Parameter, dan Kompleksitas Komputasi
Pada tahap verifikasi, algoritme pada 7.3 pcr, pls, regularisasi, dan
seleksi variabel dapat dipahami melalui empat komponen: masukan,
transformasi, parameter, dan keluaran. Masukan perlu mempunyai tipe
serta prasyarat yang jelas; transformasi menjelaskan operasi inti;
parameter mengendalikan perilaku; dan keluaran harus mempunyai arti
kimia yang dapat diinterpretasikan. Untuk model spektrum atau descriptor
matrix dengan p lebih besar dari n, mahasiswa perlu menuliskan
pseudocode ringkas sebelum menjalankan perangkat. Pseudocode memaksa
pemisahan antara langkah kimia, langkah numerik, serta langkah
administratif seperti membaca dan menulis berkas.
Untuk pembelajaran berbasis proyek, parameter bukan sekadar tombol
teknis. Threshold, radius, ukuran bit, jumlah konformer, fungsi jarak,
nilai regularisasi, atau kriteria konvergensi mengandung asumsi mengenai
variasi yang dianggap penting. Analisis sensitivitas dapat dilakukan
dengan memilih rentang parameter yang masuk akal, menjalankan pipeline
secara sistematis, dan membandingkan stabilitas peringkat, klaster,
koefisien, atau keputusan. Bila perubahan kecil menghasilkan keputusan
yang sangat berbeda, hasil perlu dilaporkan sebagai tidak stabil dan
tidak boleh disederhanakan menjadi satu angka pasti.
Dalam skenario industri, kompleksitas komputasi menjadi relevan
ketika koleksi bertambah. Operasi pasangan pada n molekul dapat tumbuh
mendekati n kuadrat, pencarian subgraf dapat mahal, dan pembangkitan
konformer atau enumerasi pustaka dapat meledak secara kombinatorial.
Strategi yang tersedia meliputi screening awal, indeks, hashing,
batching, paralelisasi, sampling, serta penggunaan representasi
bertingkat. Akan tetapi, optimasi kecepatan harus diuji terhadap
akurasi. Pipeline cepat yang kehilangan kelas senyawa penting tidak
lebih baik daripada pipeline lambat yang tidak dapat dijalankan.
Dalam riset akademik, implementasi perlu membedakan determinisme dan
stokastisitas. Algoritme deterministik diharapkan memberi keluaran sama
untuk input dan versi yang sama, sedangkan metode stokastik membutuhkan
seed serta pengulangan. Bahkan metode deterministik dapat berubah ketika
pustaka, model aromatisitas, urutan atom, perangkat keras, atau presisi
numerik berubah. Karena itu, catatan versi, parameter, seed, dan
lingkungan eksekusi merupakan bagian dari metode. Mahasiswa sebaiknya
mengulang analisis pada lingkungan baru untuk melihat bagian mana yang
benar-benar portabel.
Pertama, baseline membantu menilai apakah kerumitan tambahan
mempunyai manfaat nyata. Baseline dapat berupa aturan kimia sederhana,
statistik deskriptif, pencarian exact match, model linear, atau
pemilihan acak yang dikontrol. Metode lebih kompleks baru dianggap
bernilai bila meningkatkan ukuran yang relevan, stabil pada validasi,
dan tidak mengorbankan interpretabilitas atau biaya secara tidak
proporsional. Perbandingan harus menggunakan data, split, dan metrik
yang sama. Dengan demikian, klaim kemajuan tidak bergantung pada
perubahan kondisi evaluasi.
Pendalaman
IV — Validasi, Ketidakpastian, dan Diagnosis Kesalahan
Selanjutnya, validasi dimulai dengan menanyakan jenis klaim. Klaim
identitas memerlukan verifikasi struktur; klaim prediksi memerlukan data
uji yang independen; klaim cakupan memerlukan analisis ruang kimia; dan
klaim kausal memerlukan desain yang jauh lebih kuat daripada korelasi.
Pada 7.3 pcr, pls, regularisasi, dan seleksi variabel, metrik harus
dipilih setelah klaim dan biaya kesalahan ditetapkan. Akurasi rata-rata
tidak cukup bila false negative dan false positive mempunyai konsekuensi
berbeda atau bila data sangat tidak seimbang.
Pada sisi lain, pemisahan data harus meniru penggunaan nyata. Split
acak sering terlalu optimistis ketika analog dekat, seri sintesis,
batch, atau sumber yang sama muncul di data latih dan uji. Alternatifnya
adalah scaffold split, time split, group split, atau external test set.
Untuk model spektrum atau descriptor matrix dengan p lebih besar dari n,
mahasiswa perlu menjelaskan unit independensi: apakah tiap baris
benar-benar observasi independen, atau beberapa baris berasal dari
molekul, eksperimen, dan laboratorium yang sama. Tanpa definisi ini,
validasi dapat mengukur kemampuan mengingat alih-alih kemampuan
menggeneralisasi.
Dalam analisis yang lebih rinci, ketidakpastian mempunyai beberapa
sumber: variasi pengukuran, ketidaklengkapan sampling, pilihan
representasi, parameter model, dan pergeseran domain. Satu interval
numerik tidak selalu merangkum semuanya. Laporan yang baik memisahkan
ketidakpastian aleatorik dari epistemik sejauh mungkin, menunjukkan
variasi antar-split atau antar-seed, dan menandai prediksi di luar
domain aplikasi. Untuk keputusan laboratorium, daftar kandidat sebaiknya
dilengkapi alasan pemilihan, tingkat keyakinan, dan rencana eksperimen
konfirmasi.
Dari perspektif kimia, diagnosis error memerlukan pemeriksaan pada
tingkat agregat dan tingkat molekul. Pada tingkat agregat, gunakan
distribusi residual, confusion matrix, kurva kalibrasi, learning curve,
atau stabilitas klaster. Pada tingkat molekul, tampilkan struktur contoh
benar dan salah, tetangga terdekat, nilai PCR–elastic net, serta
kemungkinan penyebab kimia. Pola error dapat mengungkap label salah,
mekanisme berbeda, keadaan ionisasi yang tidak sesuai, atau representasi
yang gagal menangkap fitur penting.
Dari perspektif komputasi, ancaman validitas perlu ditulis secara
eksplisit. Ancaman internal berkaitan dengan kurasi, kebocoran,
parameter, dan pelaksanaan; ancaman eksternal berkaitan dengan
generalisasi ke kelas molekul, kondisi, atau laboratorium lain; ancaman
konstruk berkaitan dengan apakah endpoint benar-benar mengukur konsep
yang dimaksud. Tindakan mitigasi tidak selalu menghilangkan ancaman,
tetapi membuat pembaca mengetahui batas interpretasi. Transparansi ini
lebih ilmiah daripada menyembunyikan kelemahan di balik nilai metrik
yang tinggi.
Pendalaman
V — Studi Kasus, Keputusan, dan Portofolio Reprodusibel
Pada tahap verifikasi, studi kasus model spektrum atau descriptor
matrix dengan p lebih besar dari n dapat dirancang sebagai keputusan
bertahap. Tahap pertama menetapkan pertanyaan dan kriteria sukses; tahap
kedua mengumpulkan serta mengaudit data; tahap ketiga membandingkan
representasi dan metode; tahap keempat melakukan validasi; dan tahap
kelima memilih tindakan eksperimen. Setiap tahap menghasilkan artefak
yang dapat diperiksa. Pendekatan bertahap mencegah keputusan akhir
bergantung pada satu skor dan memungkinkan kelompok menghentikan proyek
ketika kualitas data tidak memadai.
Untuk pembelajaran berbasis proyek, aktivitas menentukan
hiperparameter melalui cross-validation tersarang sebaiknya menghasilkan
lebih dari laporan naratif. Portofolio minimum terdiri atas berkas data
mentah atau tautan permanen, data terkurasi, kamus data, notebook atau
skrip, file environment, README, gambar, tabel, dan log keputusan.
Notebook tidak boleh menjadi satu-satunya dokumentasi karena urutan
eksekusi dan dependensi sering tidak jelas. Skrip utama atau pipeline
perlu dapat dijalankan dari awal dengan satu perintah yang
terdokumentasi.
Dalam skenario industri, komunikasi hasil harus menghubungkan angka
dengan struktur kimia. Tabel menyajikan nilai dan ketidakpastian, grafik
memperlihatkan pola, sedangkan gambar struktur memperlihatkan alasan
kimia yang mungkin. Caption perlu menyatakan apa yang dibandingkan, data
yang digunakan, dan pesan utama tanpa memaksa pembaca mencari penjelasan
di paragraf lain. Untuk setiap klaim utama, mahasiswa dapat membuat
matriks bukti yang menunjukkan data, analisis, visualisasi, serta
batasan yang mendukung klaim tersebut.
Dalam riset akademik, kerja kelompok maksimal tiga mahasiswa dapat
dibagi menjadi peran kurator data, pengembang analisis, dan penelaah
kimia, tetapi seluruh anggota wajib memahami keseluruhan pipeline.
Rotasi peran pada beberapa iterasi mencegah ketergantungan pada satu
orang. Log kontribusi mencatat keputusan, commit, pemeriksaan silang,
dan masalah yang belum selesai. Penilaian kelompok perlu menggabungkan
kualitas produk, kemampuan menjelaskan pilihan, serta kemampuan
mereproduksi pekerjaan anggota lain.
Pertama, refleksi akhir perlu menjawab empat pertanyaan: informasi
apa yang paling menentukan keputusan; asumsi apa yang paling berisiko;
bukti apa yang dapat mengubah kesimpulan; dan eksperimen apa yang paling
efisien untuk mengurangi ketidakpastian. Jawaban tersebut memperlihatkan
bahwa informatika kimia tidak berhenti pada komputasi. Tujuannya adalah
membangun rantai bukti yang dapat dipertanggungjawabkan, menghemat
eksperimen yang tidak perlu, serta memilih eksperimen berikutnya secara
lebih rasional.
Pendalaman
VI — Integrasi Lintas Bab dan Agenda Penelitian
Integrasi lintas bab menempatkan 7.3 pcr, pls, regularisasi, dan
seleksi variabel sebagai mata rantai dalam sistem yang lebih besar.
Keputusan tentang PCR akan memengaruhi cara PLS dihitung, cara ridge
dibandingkan, dan cara lasso dimasukkan ke model atau basis data.
Mahasiswa perlu melatih penalaran hulu-hilir: menelusuri dampak satu
keputusan standardisasi hingga visualisasi dan kesimpulan, lalu
menelusuri balik sebuah anomali hasil menuju sumber data serta
representasi awal. Latihan penelusuran dua arah ini efektif untuk
menemukan asumsi tersembunyi yang tidak tampak ketika tiap bab
dipelajari secara terpisah.
Sebuah pertanyaan penelitian yang baik pada tema ini mengandung
objek, konteks, pembanding, dan kriteria keberhasilan. Contohnya, bukan
sekadar 'menerapkan metode pada model spektrum atau descriptor matrix
dengan p lebih besar dari n', melainkan membandingkan dua kebijakan
representasi atau dua strategi validasi dan mengukur pengaruhnya
terhadap stabilitas keputusan. Pertanyaan semacam itu dapat dijawab oleh
mahasiswa S1 karena ruang lingkupnya terukur, tetapi tetap memberi
kontribusi metodologis. Data dan kode terbuka memungkinkan replikasi,
sedangkan variasi dataset lokal dapat memberi konteks baru tanpa harus
mengklaim penemuan yang melampaui bukti.
Agenda pengembangan berikutnya dapat diarahkan pada integrasi PCR,
PLS, ridge, lasso, elastic net dengan data eksperimen, literatur,
spektrum, atau target biologis. Tantangannya bukan hanya menggabungkan
tabel, tetapi menyelaraskan identifier, ontologi, satuan, tingkat
granularitas, dan ketidakpastian. Prototipe kecil lebih bernilai
daripada sistem besar yang tidak dapat diaudit. Mahasiswa dapat memulai
dengan sepuluh hingga seratus entitas, membangun skema yang jelas,
menguji kueri atau analisis, lalu mengevaluasi apakah perluasan skala
mempertahankan makna kimia serta kinerja komputasi.
Pada akhirnya, penguasaan bagian ini dibuktikan melalui kemampuan
menjelaskan pilihan, bukan sekadar memperoleh keluaran. Mahasiswa harus
mampu menunjukkan alasan pemilihan data, representasi, algoritme,
parameter, metrik, dan bentuk visualisasi; menjelaskan alternatif yang
ditolak; serta menyatakan kondisi yang dapat membatalkan kesimpulan.
Dokumen keputusan tersebut dapat dimasukkan ke portofolio dan menjadi
dasar penyusunan proyek buku mini, tugas kelompok, skripsi, atau
penelitian kolaboratif yang menghubungkan informatika kimia dengan kimia
analitik, organik, anorganik, fisik, material, lingkungan, maupun
farmasi.
7.4
Klasifikasi: Logistik, Pohon, Random Forest, dan Boosting
Metode klasifikasi menghasilkan probabilitas atau kelas aktif-inaktif
dan perlu dievaluasi dengan metrik yang sesuai ketidakseimbangan. Pokok
bahasan ini menempatkan logistic regression, decision tree, random
forest, boosting, dan probability sebagai komponen yang harus dipahami
secara terpadu. Dalam informatika kimia, suatu representasi atau
algoritme tidak dinilai hanya dari kecanggihannya, melainkan dari
kesesuaian antara pertanyaan kimia, bentuk data, asumsi matematis, dan
keputusan yang hendak diambil. Karena itu, mahasiswa perlu selalu
menanyakan apa yang dipertahankan oleh representasi, apa yang
disederhanakan, dan informasi apa yang mungkin hilang.
Untuk menjaga interpretasi kimia, istilah logistic regression,
decision tree, random forest, boosting, dan probability tidak berdiri
sendiri. Setiap istilah menentukan cara objek kimia dipetakan ke bentuk
yang dapat diproses komputer. Perubahan kecil dalam aturan atom, ikatan,
satuan, scaling, atau pembagian data dapat mengubah hasil analisis.
Disiplin ini menuntut dua ketelitian sekaligus: ketelitian kimia untuk
menjaga makna molekul dan ketelitian komputasi untuk menjaga konsistensi
operasi. Keduanya harus terdokumentasi sehingga orang lain dapat
menelusuri asal suatu hasil.
Alur kerja yang baik biasanya dimulai dengan definisi objek dan
endpoint, dilanjutkan pemeriksaan identitas serta kualitas data,
pemilihan representasi, penerapan metode, validasi, dan interpretasi.
Pada setiap tahap, parameter penting dicatat dalam metadata. Dengan pola
tersebut, kesalahan dapat dilokalisasi. Jika hasil berubah, peneliti
dapat menentukan apakah penyebabnya terletak pada data awal,
standardisasi, fitur, algoritme, atau prosedur evaluasi, bukan sekadar
mengulangi perhitungan secara coba-coba.
Contoh yang dapat digunakan untuk membumikan konsep ini adalah
klasifikasi toksik-nontoksik dengan kelas toksik jarang. Contoh perlu
dibahas pada tiga tingkat. Tingkat pertama adalah struktur atau fenomena
kimianya. Tingkat kedua adalah cara komputer menyimpan dan memprosesnya.
Tingkat ketiga adalah konsekuensi ilmiah dari keluaran yang diperoleh.
Pembahasan berlapis seperti ini mencegah mahasiswa terjebak pada
penggunaan perangkat lunak tanpa memahami makna kimia dari input,
proses, dan output.
Kesalahan yang sering muncul adalah mengandalkan akurasi pada data
sangat tidak seimbang. Kekeliruan tersebut dapat menghasilkan analisis
yang tampak rapi namun tidak valid. Tanda peringatannya antara lain
hasil yang terlalu baik, perubahan besar akibat parameter kecil, rekaman
yang tidak dapat dilacak, dan kesimpulan yang melampaui domain data.
Pencegahannya mencakup pemeriksaan kimia manual pada sampel, baseline
sederhana, visualisasi diagnostik, pengujian sensitivitas, serta
pembandingan dengan sumber atau metode independen.
Dalam pembelajaran S1, kedalaman materi sebaiknya bergerak dari
pemahaman konsep menuju kemampuan melakukan analisis. Mahasiswa
pertama-tama menjelaskan istilah dengan bahasanya sendiri, kemudian
membaca contoh, menjalankan prosedur terbimbing, mengubah satu
parameter, dan akhirnya mempertanggungjawabkan pilihan metode. Urutan
ini lebih kuat daripada menghafal nama algoritme karena membentuk
kebiasaan berpikir ilmiah dan keterampilan audit yang diperlukan pada
proyek nyata.
Perkembangan mutakhir, termasuk basis data terbuka, komputasi awan,
pembelajaran mesin, model graf, dan AI generatif, memperluas skala serta
kecepatan analisis. Namun prinsip dasar pada bagian ini tetap berlaku.
Model modern tetap membutuhkan identitas struktur yang benar, data yang
terkurasi, split yang jujur, metrik yang tepat, serta pelaporan
keterbatasan. Teknologi baru tidak menghapus kebutuhan validasi;
sebaliknya, skala yang lebih besar membuat kesalahan kecil dapat
menyebar lebih luas.
Aktivitas yang disarankan adalah membandingkan ROC-AUC dan PR-AUC.
Hasil aktivitas tidak cukup berupa angka atau gambar. Mahasiswa perlu
melampirkan data masukan, aturan yang dipakai, parameter, kode atau
langkah kerja, tabel hasil, interpretasi kimia, dan catatan
keterbatasan. Dengan demikian, artefak pembelajaran sekaligus menjadi
portofolio yang menunjukkan penguasaan materi serta kesiapan bekerja
dalam tim multidisiplin.
Sebagai simpulan bagian, pemahaman terhadap logistic regression,
decision tree, random forest, boosting, dan probability harus selalu
dihubungkan dengan bab lain. Representasi memengaruhi deskriptor;
deskriptor memengaruhi kemiripan dan model; kurasi memengaruhi seluruh
keluaran; dan tujuan keputusan menentukan metode yang layak. Hubungan
berantai ini merupakan tema utama buku: informatika kimia adalah sistem
penalaran dan pengelolaan bukti, bukan sekadar kumpulan perangkat
komputasi.
Gambar 7.2. Plot eksperimen versus prediksi sebagai salah satu
diagnostik model regresi.
Pendalaman
I — Objek, Makna, dan Tingkat Representasi
Pada sisi lain, unit analisis pada 7.4 klasifikasi: logistik, pohon,
random forest, dan boosting perlu ditetapkan sebelum data dikumpulkan.
Unit itu dapat berupa satu struktur, satu bentuk ionisasi, satu
konformer, satu reaksi, satu hasil assay, atau satu pasangan
molekul-target. Pilihan unit menentukan arti logistic regression dan
hubungan operasionalnya dengan decision tree. Bila unit analisis berubah
di tengah pekerjaan, tabel yang tampak konsisten dapat mencampurkan
objek yang sebenarnya tidak setara. Karena itu, setiap proyek perlu
mempunyai definisi entitas, identifier utama, aturan versi, dan
kebijakan ketika satu senyawa mempunyai beberapa rekaman atau beberapa
keadaan kimia.
Dalam analisis yang lebih rinci, representasi selalu bersifat
selektif. Fokus bagian ini, yaitu metode klasifikasi menghasilkan
probabilitas atau kelas aktif-inaktif dan perlu dievaluasi dengan metrik
yang sesuai ketidakseimbangan, mengharuskan peneliti menjelaskan atribut
mana yang dipertahankan dan atribut mana yang diabaikan. Representasi
yang menekankan logistic regression mungkin sangat efisien untuk
pencarian, tetapi belum tentu memadai untuk menalar random forest.
Sebaliknya, representasi yang kaya dapat memperbesar biaya penyimpanan,
waktu komputasi, dan risiko inkonsistensi. Prinsip yang berguna adalah
memakai representasi paling sederhana yang masih mempertahankan
informasi yang dibutuhkan oleh keputusan, kemudian membandingkannya
dengan representasi alternatif sebagai uji ketahanan.
Dari perspektif kimia, makna kimia tidak boleh dikalahkan oleh
kenyamanan format. Istilah decision tree, random forest, dan boosting
harus diterjemahkan ke aturan yang dapat diuji: bagaimana nilainya
diperoleh, satuan apa yang digunakan, kondisi apa yang berlaku, dan
kapan nilainya tidak dapat dibandingkan. Pada kasus klasifikasi
toksik-nontoksik dengan kelas toksik jarang, satu nilai tanpa konteks
dapat menyesatkan karena dua laboratorium atau dua perangkat mungkin
menerapkan definisi, protokol, atau parameter yang berbeda. Metadata
bukan hiasan administratif; metadata adalah bagian dari observasi dan
menentukan apakah data layak digabungkan, dimodelkan, atau digunakan
kembali.
Dari perspektif komputasi, terdapat perbedaan antara identitas,
kesetaraan, dan kemiripan. Dua rekaman dapat merujuk pada parent
compound yang sama tetapi berbeda garam, stereoisomer, tautomer, isotop,
atau keadaan protonasi. Pada saat yang sama, dua struktur berbeda dapat
dianggap ekuivalen untuk tujuan tertentu, misalnya ketika analisis hanya
memakai kerangka karbon. Hubungan tersebut perlu dinyatakan sebagai
kebijakan, bukan dibiarkan menjadi perilaku bawaan perangkat. Mahasiswa
sebaiknya menguji sedikitnya lima pasangan contoh dan mencatat bagaimana
kebijakan logistic regression–probability mengubah jumlah entitas unik
serta interpretasi hasil.
Pada tahap verifikasi, peta konsep pada bagian ini dapat dibangun
dengan menempatkan logistic regression, decision tree, random forest,
boosting, probability sebagai simpul, lalu menambahkan relasi
'mewakili', 'diturunkan dari', 'mempengaruhi', 'divalidasi oleh', dan
'membatasi'. Peta semacam itu membantu membedakan hubungan definisional
dari hubungan empiris. Hubungan definisional mengikuti aturan
representasi, sedangkan hubungan empiris memerlukan data dan pengujian.
Ketika mahasiswa mampu menunjukkan jenis relasi dan bukti yang
menopangnya, pemahaman mereka bergerak dari hafalan istilah menuju model
mental yang dapat dipakai untuk mendiagnosis kasus baru.
Pendalaman
II — Akuisisi Data, Kurasi, dan Rekayasa Alur Kerja
Untuk pembelajaran berbasis proyek, sumber data untuk 7.4
klasifikasi: logistik, pohon, random forest, dan boosting perlu dinilai
pada empat lapis: otoritas sumber, cara pengukuran atau pembangkitan,
kelengkapan metadata, dan kompatibilitas lisensi. Data publik tidak
otomatis bebas masalah. Rekaman dapat berasal dari agregasi sekunder,
memiliki pembaruan yang berbeda, atau menggunakan identifier yang
berubah. Untuk klasifikasi toksik-nontoksik dengan kelas toksik jarang,
prosedur yang aman adalah menyimpan snapshot asli, tanggal akses, versi
basis data, kueri yang digunakan, serta checksum berkas. Langkah
tersebut memungkinkan peneliti membedakan perubahan akibat data sumber
dari perubahan akibat kode analisis.
Dalam skenario industri, kurasi sebaiknya dirancang sebagai
serangkaian transformasi eksplisit, bukan penyuntingan manual
tersembunyi. Setiap transformasi—misalnya normalisasi nama, penanganan
nilai hilang, pemisahan campuran, standardisasi logistic regression,
atau konversi decision tree—diberi nama, alasan, parameter, jumlah
rekaman terdampak, dan keluaran antara. Tabel audit sebelum-sesudah
sangat berguna karena menunjukkan apakah perubahan besar terjadi pada
kelompok tertentu. Jika satu aturan menghapus sebagian besar senyawa
bermuatan atau kelas struktur langka, konsekuensinya terhadap ruang
kimia dan generalisasi perlu dibahas.
Dalam riset akademik, urutan operasi dapat mengubah hasil.
Deduplicasi sebelum standardisasi mungkin menghasilkan jumlah entitas
berbeda dibanding deduplikasi setelah standardisasi; imputasi sebelum
split dapat menyebabkan kebocoran; perhitungan random forest sebelum
koreksi struktur dapat mempertahankan kesalahan ke tahap berikutnya.
Oleh sebab itu, pipeline perlu dipandang sebagai objek ilmiah yang
mempunyai urutan, dependensi, dan versi. Diagram alir harus cukup rinci
sehingga kelompok lain dapat mengimplementasikan kembali pipeline tanpa
menebak langkah yang hilang.
Pertama, kontrol kualitas memerlukan kombinasi aturan otomatis dan
inspeksi kimia. Aturan otomatis unggul untuk skala besar, sedangkan
inspeksi manual diperlukan untuk memahami pola error dan memeriksa
apakah aturan terlalu agresif. Sampel inspeksi sebaiknya mencakup
rekaman acak, outlier, struktur kompleks, nilai ekstrem, serta kasus
yang diubah atau dibuang oleh pipeline. Pada bagian ini, kesalahan khas
berupa mengandalkan akurasi pada data sangat tidak seimbang; karena itu,
laporan kurasi perlu memperlihatkan contoh konkret sebelum-sesudah dan
bukan hanya jumlah akhir.
Selanjutnya, penyimpanan hasil kurasi hendaknya memisahkan data
mentah, data antara, data final, dan laporan kualitas. Berkas final
diberi skema kolom, tipe data, satuan, kamus nilai kategorik, kebijakan
nilai hilang, dan identifier yang menghubungkannya ke sumber. Penggunaan
format sederhana seperti CSV dapat diterima untuk tabel kecil, tetapi
struktur, spektrum, atau relasi kompleks mungkin memerlukan SDF, JSON,
basis data relasional, atau graf pengetahuan. Pilihan format harus
mengikuti struktur data serta kebutuhan validasi, bukan sekadar
kebiasaan perangkat lunak.
Pendalaman
III — Algoritme, Parameter, dan Kompleksitas Komputasi
Pada sisi lain, algoritme pada 7.4 klasifikasi: logistik, pohon,
random forest, dan boosting dapat dipahami melalui empat komponen:
masukan, transformasi, parameter, dan keluaran. Masukan perlu mempunyai
tipe serta prasyarat yang jelas; transformasi menjelaskan operasi inti;
parameter mengendalikan perilaku; dan keluaran harus mempunyai arti
kimia yang dapat diinterpretasikan. Untuk klasifikasi toksik-nontoksik
dengan kelas toksik jarang, mahasiswa perlu menuliskan pseudocode
ringkas sebelum menjalankan perangkat. Pseudocode memaksa pemisahan
antara langkah kimia, langkah numerik, serta langkah administratif
seperti membaca dan menulis berkas.
Dalam analisis yang lebih rinci, parameter bukan sekadar tombol
teknis. Threshold, radius, ukuran bit, jumlah konformer, fungsi jarak,
nilai regularisasi, atau kriteria konvergensi mengandung asumsi mengenai
variasi yang dianggap penting. Analisis sensitivitas dapat dilakukan
dengan memilih rentang parameter yang masuk akal, menjalankan pipeline
secara sistematis, dan membandingkan stabilitas peringkat, klaster,
koefisien, atau keputusan. Bila perubahan kecil menghasilkan keputusan
yang sangat berbeda, hasil perlu dilaporkan sebagai tidak stabil dan
tidak boleh disederhanakan menjadi satu angka pasti.
Dari perspektif kimia, kompleksitas komputasi menjadi relevan ketika
koleksi bertambah. Operasi pasangan pada n molekul dapat tumbuh
mendekati n kuadrat, pencarian subgraf dapat mahal, dan pembangkitan
konformer atau enumerasi pustaka dapat meledak secara kombinatorial.
Strategi yang tersedia meliputi screening awal, indeks, hashing,
batching, paralelisasi, sampling, serta penggunaan representasi
bertingkat. Akan tetapi, optimasi kecepatan harus diuji terhadap
akurasi. Pipeline cepat yang kehilangan kelas senyawa penting tidak
lebih baik daripada pipeline lambat yang tidak dapat dijalankan.
Dari perspektif komputasi, implementasi perlu membedakan determinisme
dan stokastisitas. Algoritme deterministik diharapkan memberi keluaran
sama untuk input dan versi yang sama, sedangkan metode stokastik
membutuhkan seed serta pengulangan. Bahkan metode deterministik dapat
berubah ketika pustaka, model aromatisitas, urutan atom, perangkat
keras, atau presisi numerik berubah. Karena itu, catatan versi,
parameter, seed, dan lingkungan eksekusi merupakan bagian dari metode.
Mahasiswa sebaiknya mengulang analisis pada lingkungan baru untuk
melihat bagian mana yang benar-benar portabel.
Pada tahap verifikasi, baseline membantu menilai apakah kerumitan
tambahan mempunyai manfaat nyata. Baseline dapat berupa aturan kimia
sederhana, statistik deskriptif, pencarian exact match, model linear,
atau pemilihan acak yang dikontrol. Metode lebih kompleks baru dianggap
bernilai bila meningkatkan ukuran yang relevan, stabil pada validasi,
dan tidak mengorbankan interpretabilitas atau biaya secara tidak
proporsional. Perbandingan harus menggunakan data, split, dan metrik
yang sama. Dengan demikian, klaim kemajuan tidak bergantung pada
perubahan kondisi evaluasi.
Pendalaman
IV — Validasi, Ketidakpastian, dan Diagnosis Kesalahan
Untuk pembelajaran berbasis proyek, validasi dimulai dengan
menanyakan jenis klaim. Klaim identitas memerlukan verifikasi struktur;
klaim prediksi memerlukan data uji yang independen; klaim cakupan
memerlukan analisis ruang kimia; dan klaim kausal memerlukan desain yang
jauh lebih kuat daripada korelasi. Pada 7.4 klasifikasi: logistik,
pohon, random forest, dan boosting, metrik harus dipilih setelah klaim
dan biaya kesalahan ditetapkan. Akurasi rata-rata tidak cukup bila false
negative dan false positive mempunyai konsekuensi berbeda atau bila data
sangat tidak seimbang.
Dalam skenario industri, pemisahan data harus meniru penggunaan
nyata. Split acak sering terlalu optimistis ketika analog dekat, seri
sintesis, batch, atau sumber yang sama muncul di data latih dan uji.
Alternatifnya adalah scaffold split, time split, group split, atau
external test set. Untuk klasifikasi toksik-nontoksik dengan kelas
toksik jarang, mahasiswa perlu menjelaskan unit independensi: apakah
tiap baris benar-benar observasi independen, atau beberapa baris berasal
dari molekul, eksperimen, dan laboratorium yang sama. Tanpa definisi
ini, validasi dapat mengukur kemampuan mengingat alih-alih kemampuan
menggeneralisasi.
Dalam riset akademik, ketidakpastian mempunyai beberapa sumber:
variasi pengukuran, ketidaklengkapan sampling, pilihan representasi,
parameter model, dan pergeseran domain. Satu interval numerik tidak
selalu merangkum semuanya. Laporan yang baik memisahkan ketidakpastian
aleatorik dari epistemik sejauh mungkin, menunjukkan variasi antar-split
atau antar-seed, dan menandai prediksi di luar domain aplikasi. Untuk
keputusan laboratorium, daftar kandidat sebaiknya dilengkapi alasan
pemilihan, tingkat keyakinan, dan rencana eksperimen konfirmasi.
Pertama, diagnosis error memerlukan pemeriksaan pada tingkat agregat
dan tingkat molekul. Pada tingkat agregat, gunakan distribusi residual,
confusion matrix, kurva kalibrasi, learning curve, atau stabilitas
klaster. Pada tingkat molekul, tampilkan struktur contoh benar dan
salah, tetangga terdekat, nilai logistic regression–probability, serta
kemungkinan penyebab kimia. Pola error dapat mengungkap label salah,
mekanisme berbeda, keadaan ionisasi yang tidak sesuai, atau representasi
yang gagal menangkap fitur penting.
Selanjutnya, ancaman validitas perlu ditulis secara eksplisit.
Ancaman internal berkaitan dengan kurasi, kebocoran, parameter, dan
pelaksanaan; ancaman eksternal berkaitan dengan generalisasi ke kelas
molekul, kondisi, atau laboratorium lain; ancaman konstruk berkaitan
dengan apakah endpoint benar-benar mengukur konsep yang dimaksud.
Tindakan mitigasi tidak selalu menghilangkan ancaman, tetapi membuat
pembaca mengetahui batas interpretasi. Transparansi ini lebih ilmiah
daripada menyembunyikan kelemahan di balik nilai metrik yang tinggi.
Pendalaman
V — Studi Kasus, Keputusan, dan Portofolio Reprodusibel
Pada sisi lain, studi kasus klasifikasi toksik-nontoksik dengan kelas
toksik jarang dapat dirancang sebagai keputusan bertahap. Tahap pertama
menetapkan pertanyaan dan kriteria sukses; tahap kedua mengumpulkan
serta mengaudit data; tahap ketiga membandingkan representasi dan
metode; tahap keempat melakukan validasi; dan tahap kelima memilih
tindakan eksperimen. Setiap tahap menghasilkan artefak yang dapat
diperiksa. Pendekatan bertahap mencegah keputusan akhir bergantung pada
satu skor dan memungkinkan kelompok menghentikan proyek ketika kualitas
data tidak memadai.
Dalam analisis yang lebih rinci, aktivitas membandingkan ROC-AUC dan
PR-AUC sebaiknya menghasilkan lebih dari laporan naratif. Portofolio
minimum terdiri atas berkas data mentah atau tautan permanen, data
terkurasi, kamus data, notebook atau skrip, file environment, README,
gambar, tabel, dan log keputusan. Notebook tidak boleh menjadi
satu-satunya dokumentasi karena urutan eksekusi dan dependensi sering
tidak jelas. Skrip utama atau pipeline perlu dapat dijalankan dari awal
dengan satu perintah yang terdokumentasi.
Dari perspektif kimia, komunikasi hasil harus menghubungkan angka
dengan struktur kimia. Tabel menyajikan nilai dan ketidakpastian, grafik
memperlihatkan pola, sedangkan gambar struktur memperlihatkan alasan
kimia yang mungkin. Caption perlu menyatakan apa yang dibandingkan, data
yang digunakan, dan pesan utama tanpa memaksa pembaca mencari penjelasan
di paragraf lain. Untuk setiap klaim utama, mahasiswa dapat membuat
matriks bukti yang menunjukkan data, analisis, visualisasi, serta
batasan yang mendukung klaim tersebut.
Dari perspektif komputasi, kerja kelompok maksimal tiga mahasiswa
dapat dibagi menjadi peran kurator data, pengembang analisis, dan
penelaah kimia, tetapi seluruh anggota wajib memahami keseluruhan
pipeline. Rotasi peran pada beberapa iterasi mencegah ketergantungan
pada satu orang. Log kontribusi mencatat keputusan, commit, pemeriksaan
silang, dan masalah yang belum selesai. Penilaian kelompok perlu
menggabungkan kualitas produk, kemampuan menjelaskan pilihan, serta
kemampuan mereproduksi pekerjaan anggota lain.
Pada tahap verifikasi, refleksi akhir perlu menjawab empat
pertanyaan: informasi apa yang paling menentukan keputusan; asumsi apa
yang paling berisiko; bukti apa yang dapat mengubah kesimpulan; dan
eksperimen apa yang paling efisien untuk mengurangi ketidakpastian.
Jawaban tersebut memperlihatkan bahwa informatika kimia tidak berhenti
pada komputasi. Tujuannya adalah membangun rantai bukti yang dapat
dipertanggungjawabkan, menghemat eksperimen yang tidak perlu, serta
memilih eksperimen berikutnya secara lebih rasional.
Pendalaman
VI — Integrasi Lintas Bab dan Agenda Penelitian
Integrasi lintas bab menempatkan 7.4 klasifikasi: logistik, pohon,
random forest, dan boosting sebagai mata rantai dalam sistem yang lebih
besar. Keputusan tentang logistic regression akan memengaruhi cara
decision tree dihitung, cara random forest dibandingkan, dan cara
boosting dimasukkan ke model atau basis data. Mahasiswa perlu melatih
penalaran hulu-hilir: menelusuri dampak satu keputusan standardisasi
hingga visualisasi dan kesimpulan, lalu menelusuri balik sebuah anomali
hasil menuju sumber data serta representasi awal. Latihan penelusuran
dua arah ini efektif untuk menemukan asumsi tersembunyi yang tidak
tampak ketika tiap bab dipelajari secara terpisah.
Sebuah pertanyaan penelitian yang baik pada tema ini mengandung
objek, konteks, pembanding, dan kriteria keberhasilan. Contohnya, bukan
sekadar 'menerapkan metode pada klasifikasi toksik-nontoksik dengan
kelas toksik jarang', melainkan membandingkan dua kebijakan representasi
atau dua strategi validasi dan mengukur pengaruhnya terhadap stabilitas
keputusan. Pertanyaan semacam itu dapat dijawab oleh mahasiswa S1 karena
ruang lingkupnya terukur, tetapi tetap memberi kontribusi metodologis.
Data dan kode terbuka memungkinkan replikasi, sedangkan variasi dataset
lokal dapat memberi konteks baru tanpa harus mengklaim penemuan yang
melampaui bukti.
Agenda pengembangan berikutnya dapat diarahkan pada integrasi
logistic regression, decision tree, random forest, boosting, probability
dengan data eksperimen, literatur, spektrum, atau target biologis.
Tantangannya bukan hanya menggabungkan tabel, tetapi menyelaraskan
identifier, ontologi, satuan, tingkat granularitas, dan ketidakpastian.
Prototipe kecil lebih bernilai daripada sistem besar yang tidak dapat
diaudit. Mahasiswa dapat memulai dengan sepuluh hingga seratus entitas,
membangun skema yang jelas, menguji kueri atau analisis, lalu
mengevaluasi apakah perluasan skala mempertahankan makna kimia serta
kinerja komputasi.
Pada akhirnya, penguasaan bagian ini dibuktikan melalui kemampuan
menjelaskan pilihan, bukan sekadar memperoleh keluaran. Mahasiswa harus
mampu menunjukkan alasan pemilihan data, representasi, algoritme,
parameter, metrik, dan bentuk visualisasi; menjelaskan alternatif yang
ditolak; serta menyatakan kondisi yang dapat membatalkan kesimpulan.
Dokumen keputusan tersebut dapat dimasukkan ke portofolio dan menjadi
dasar penyusunan proyek buku mini, tugas kelompok, skripsi, atau
penelitian kolaboratif yang menghubungkan informatika kimia dengan kimia
analitik, organik, anorganik, fisik, material, lingkungan, maupun
farmasi.
7.5 SVM, Kernel, dan
Metode Berbasis Tetangga
Svm memaksimalkan margin dan kernel memetakan kesamaan; k-nn
menggunakan lokalitas, tetapi keduanya peka pada skala, parameter, dan
distribusi ruang kimia. Pokok bahasan ini menempatkan SVM, kernel,
margin, k-NN, dan hyperparameter sebagai komponen yang harus dipahami
secara terpadu. Dalam informatika kimia, suatu representasi atau
algoritme tidak dinilai hanya dari kecanggihannya, melainkan dari
kesesuaian antara pertanyaan kimia, bentuk data, asumsi matematis, dan
keputusan yang hendak diambil. Karena itu, mahasiswa perlu selalu
menanyakan apa yang dipertahankan oleh representasi, apa yang
disederhanakan, dan informasi apa yang mungkin hilang.
Untuk menjaga interpretasi kimia, istilah SVM, kernel, margin, k-NN,
dan hyperparameter tidak berdiri sendiri. Setiap istilah menentukan cara
objek kimia dipetakan ke bentuk yang dapat diproses komputer. Perubahan
kecil dalam aturan atom, ikatan, satuan, scaling, atau pembagian data
dapat mengubah hasil analisis. Disiplin ini menuntut dua ketelitian
sekaligus: ketelitian kimia untuk menjaga makna molekul dan ketelitian
komputasi untuk menjaga konsistensi operasi. Keduanya harus
terdokumentasi sehingga orang lain dapat menelusuri asal suatu
hasil.
Alur kerja yang baik biasanya dimulai dengan definisi objek dan
endpoint, dilanjutkan pemeriksaan identitas serta kualitas data,
pemilihan representasi, penerapan metode, validasi, dan interpretasi.
Pada setiap tahap, parameter penting dicatat dalam metadata. Dengan pola
tersebut, kesalahan dapat dilokalisasi. Jika hasil berubah, peneliti
dapat menentukan apakah penyebabnya terletak pada data awal,
standardisasi, fitur, algoritme, atau prosedur evaluasi, bukan sekadar
mengulangi perhitungan secara coba-coba.
Contoh yang dapat digunakan untuk membumikan konsep ini adalah kernel
Tanimoto untuk fingerprint biner. Contoh perlu dibahas pada tiga
tingkat. Tingkat pertama adalah struktur atau fenomena kimianya. Tingkat
kedua adalah cara komputer menyimpan dan memprosesnya. Tingkat ketiga
adalah konsekuensi ilmiah dari keluaran yang diperoleh. Pembahasan
berlapis seperti ini mencegah mahasiswa terjebak pada penggunaan
perangkat lunak tanpa memahami makna kimia dari input, proses, dan
output.
Kesalahan yang sering muncul adalah menyetel parameter menggunakan
test set. Kekeliruan tersebut dapat menghasilkan analisis yang tampak
rapi namun tidak valid. Tanda peringatannya antara lain hasil yang
terlalu baik, perubahan besar akibat parameter kecil, rekaman yang tidak
dapat dilacak, dan kesimpulan yang melampaui domain data. Pencegahannya
mencakup pemeriksaan kimia manual pada sampel, baseline sederhana,
visualisasi diagnostik, pengujian sensitivitas, serta pembandingan
dengan sumber atau metode independen.
Dalam pembelajaran S1, kedalaman materi sebaiknya bergerak dari
pemahaman konsep menuju kemampuan melakukan analisis. Mahasiswa
pertama-tama menjelaskan istilah dengan bahasanya sendiri, kemudian
membaca contoh, menjalankan prosedur terbimbing, mengubah satu
parameter, dan akhirnya mempertanggungjawabkan pilihan metode. Urutan
ini lebih kuat daripada menghafal nama algoritme karena membentuk
kebiasaan berpikir ilmiah dan keterampilan audit yang diperlukan pada
proyek nyata.
Perkembangan mutakhir, termasuk basis data terbuka, komputasi awan,
pembelajaran mesin, model graf, dan AI generatif, memperluas skala serta
kecepatan analisis. Namun prinsip dasar pada bagian ini tetap berlaku.
Model modern tetap membutuhkan identitas struktur yang benar, data yang
terkurasi, split yang jujur, metrik yang tepat, serta pelaporan
keterbatasan. Teknologi baru tidak menghapus kebutuhan validasi;
sebaliknya, skala yang lebih besar membuat kesalahan kecil dapat
menyebar lebih luas.
Aktivitas yang disarankan adalah melakukan pencarian hiperparameter
dalam cross-validation. Hasil aktivitas tidak cukup berupa angka atau
gambar. Mahasiswa perlu melampirkan data masukan, aturan yang dipakai,
parameter, kode atau langkah kerja, tabel hasil, interpretasi kimia, dan
catatan keterbatasan. Dengan demikian, artefak pembelajaran sekaligus
menjadi portofolio yang menunjukkan penguasaan materi serta kesiapan
bekerja dalam tim multidisiplin.
Sebagai simpulan bagian, pemahaman terhadap SVM, kernel, margin,
k-NN, dan hyperparameter harus selalu dihubungkan dengan bab lain.
Representasi memengaruhi deskriptor; deskriptor memengaruhi kemiripan
dan model; kurasi memengaruhi seluruh keluaran; dan tujuan keputusan
menentukan metode yang layak. Hubungan berantai ini merupakan tema utama
buku: informatika kimia adalah sistem penalaran dan pengelolaan bukti,
bukan sekadar kumpulan perangkat komputasi.
Pendalaman
I — Objek, Makna, dan Tingkat Representasi
Dari perspektif kimia, unit analisis pada 7.5 svm, kernel, dan metode
berbasis tetangga perlu ditetapkan sebelum data dikumpulkan. Unit itu
dapat berupa satu struktur, satu bentuk ionisasi, satu konformer, satu
reaksi, satu hasil assay, atau satu pasangan molekul-target. Pilihan
unit menentukan arti SVM dan hubungan operasionalnya dengan kernel. Bila
unit analisis berubah di tengah pekerjaan, tabel yang tampak konsisten
dapat mencampurkan objek yang sebenarnya tidak setara. Karena itu,
setiap proyek perlu mempunyai definisi entitas, identifier utama, aturan
versi, dan kebijakan ketika satu senyawa mempunyai beberapa rekaman atau
beberapa keadaan kimia.
Dari perspektif komputasi, representasi selalu bersifat selektif.
Fokus bagian ini, yaitu SVM memaksimalkan margin dan kernel memetakan
kesamaan; k-NN menggunakan lokalitas, tetapi keduanya peka pada skala,
parameter, dan distribusi ruang kimia, mengharuskan peneliti menjelaskan
atribut mana yang dipertahankan dan atribut mana yang diabaikan.
Representasi yang menekankan SVM mungkin sangat efisien untuk pencarian,
tetapi belum tentu memadai untuk menalar margin. Sebaliknya,
representasi yang kaya dapat memperbesar biaya penyimpanan, waktu
komputasi, dan risiko inkonsistensi. Prinsip yang berguna adalah memakai
representasi paling sederhana yang masih mempertahankan informasi yang
dibutuhkan oleh keputusan, kemudian membandingkannya dengan representasi
alternatif sebagai uji ketahanan.
Pada tahap verifikasi, makna kimia tidak boleh dikalahkan oleh
kenyamanan format. Istilah kernel, margin, dan k-NN harus diterjemahkan
ke aturan yang dapat diuji: bagaimana nilainya diperoleh, satuan apa
yang digunakan, kondisi apa yang berlaku, dan kapan nilainya tidak dapat
dibandingkan. Pada kasus kernel Tanimoto untuk fingerprint biner, satu
nilai tanpa konteks dapat menyesatkan karena dua laboratorium atau dua
perangkat mungkin menerapkan definisi, protokol, atau parameter yang
berbeda. Metadata bukan hiasan administratif; metadata adalah bagian
dari observasi dan menentukan apakah data layak digabungkan, dimodelkan,
atau digunakan kembali.
Untuk pembelajaran berbasis proyek, terdapat perbedaan antara
identitas, kesetaraan, dan kemiripan. Dua rekaman dapat merujuk pada
parent compound yang sama tetapi berbeda garam, stereoisomer, tautomer,
isotop, atau keadaan protonasi. Pada saat yang sama, dua struktur
berbeda dapat dianggap ekuivalen untuk tujuan tertentu, misalnya ketika
analisis hanya memakai kerangka karbon. Hubungan tersebut perlu
dinyatakan sebagai kebijakan, bukan dibiarkan menjadi perilaku bawaan
perangkat. Mahasiswa sebaiknya menguji sedikitnya lima pasangan contoh
dan mencatat bagaimana kebijakan SVM–hyperparameter mengubah jumlah
entitas unik serta interpretasi hasil.
Dalam skenario industri, peta konsep pada bagian ini dapat dibangun
dengan menempatkan SVM, kernel, margin, k-NN, hyperparameter sebagai
simpul, lalu menambahkan relasi 'mewakili', 'diturunkan dari',
'mempengaruhi', 'divalidasi oleh', dan 'membatasi'. Peta semacam itu
membantu membedakan hubungan definisional dari hubungan empiris.
Hubungan definisional mengikuti aturan representasi, sedangkan hubungan
empiris memerlukan data dan pengujian. Ketika mahasiswa mampu
menunjukkan jenis relasi dan bukti yang menopangnya, pemahaman mereka
bergerak dari hafalan istilah menuju model mental yang dapat dipakai
untuk mendiagnosis kasus baru.
Pendalaman
II — Akuisisi Data, Kurasi, dan Rekayasa Alur Kerja
Dalam riset akademik, sumber data untuk 7.5 svm, kernel, dan metode
berbasis tetangga perlu dinilai pada empat lapis: otoritas sumber, cara
pengukuran atau pembangkitan, kelengkapan metadata, dan kompatibilitas
lisensi. Data publik tidak otomatis bebas masalah. Rekaman dapat berasal
dari agregasi sekunder, memiliki pembaruan yang berbeda, atau
menggunakan identifier yang berubah. Untuk kernel Tanimoto untuk
fingerprint biner, prosedur yang aman adalah menyimpan snapshot asli,
tanggal akses, versi basis data, kueri yang digunakan, serta checksum
berkas. Langkah tersebut memungkinkan peneliti membedakan perubahan
akibat data sumber dari perubahan akibat kode analisis.
Pertama, kurasi sebaiknya dirancang sebagai serangkaian transformasi
eksplisit, bukan penyuntingan manual tersembunyi. Setiap
transformasi—misalnya normalisasi nama, penanganan nilai hilang,
pemisahan campuran, standardisasi SVM, atau konversi kernel—diberi nama,
alasan, parameter, jumlah rekaman terdampak, dan keluaran antara. Tabel
audit sebelum-sesudah sangat berguna karena menunjukkan apakah perubahan
besar terjadi pada kelompok tertentu. Jika satu aturan menghapus
sebagian besar senyawa bermuatan atau kelas struktur langka,
konsekuensinya terhadap ruang kimia dan generalisasi perlu dibahas.
Selanjutnya, urutan operasi dapat mengubah hasil. Deduplicasi sebelum
standardisasi mungkin menghasilkan jumlah entitas berbeda dibanding
deduplikasi setelah standardisasi; imputasi sebelum split dapat
menyebabkan kebocoran; perhitungan margin sebelum koreksi struktur dapat
mempertahankan kesalahan ke tahap berikutnya. Oleh sebab itu, pipeline
perlu dipandang sebagai objek ilmiah yang mempunyai urutan, dependensi,
dan versi. Diagram alir harus cukup rinci sehingga kelompok lain dapat
mengimplementasikan kembali pipeline tanpa menebak langkah yang
hilang.
Pada sisi lain, kontrol kualitas memerlukan kombinasi aturan otomatis
dan inspeksi kimia. Aturan otomatis unggul untuk skala besar, sedangkan
inspeksi manual diperlukan untuk memahami pola error dan memeriksa
apakah aturan terlalu agresif. Sampel inspeksi sebaiknya mencakup
rekaman acak, outlier, struktur kompleks, nilai ekstrem, serta kasus
yang diubah atau dibuang oleh pipeline. Pada bagian ini, kesalahan khas
berupa menyetel parameter menggunakan test set; karena itu, laporan
kurasi perlu memperlihatkan contoh konkret sebelum-sesudah dan bukan
hanya jumlah akhir.
Dalam analisis yang lebih rinci, penyimpanan hasil kurasi hendaknya
memisahkan data mentah, data antara, data final, dan laporan kualitas.
Berkas final diberi skema kolom, tipe data, satuan, kamus nilai
kategorik, kebijakan nilai hilang, dan identifier yang menghubungkannya
ke sumber. Penggunaan format sederhana seperti CSV dapat diterima untuk
tabel kecil, tetapi struktur, spektrum, atau relasi kompleks mungkin
memerlukan SDF, JSON, basis data relasional, atau graf pengetahuan.
Pilihan format harus mengikuti struktur data serta kebutuhan validasi,
bukan sekadar kebiasaan perangkat lunak.
Pendalaman
III — Algoritme, Parameter, dan Kompleksitas Komputasi
Dari perspektif kimia, algoritme pada 7.5 svm, kernel, dan metode
berbasis tetangga dapat dipahami melalui empat komponen: masukan,
transformasi, parameter, dan keluaran. Masukan perlu mempunyai tipe
serta prasyarat yang jelas; transformasi menjelaskan operasi inti;
parameter mengendalikan perilaku; dan keluaran harus mempunyai arti
kimia yang dapat diinterpretasikan. Untuk kernel Tanimoto untuk
fingerprint biner, mahasiswa perlu menuliskan pseudocode ringkas sebelum
menjalankan perangkat. Pseudocode memaksa pemisahan antara langkah
kimia, langkah numerik, serta langkah administratif seperti membaca dan
menulis berkas.
Dari perspektif komputasi, parameter bukan sekadar tombol teknis.
Threshold, radius, ukuran bit, jumlah konformer, fungsi jarak, nilai
regularisasi, atau kriteria konvergensi mengandung asumsi mengenai
variasi yang dianggap penting. Analisis sensitivitas dapat dilakukan
dengan memilih rentang parameter yang masuk akal, menjalankan pipeline
secara sistematis, dan membandingkan stabilitas peringkat, klaster,
koefisien, atau keputusan. Bila perubahan kecil menghasilkan keputusan
yang sangat berbeda, hasil perlu dilaporkan sebagai tidak stabil dan
tidak boleh disederhanakan menjadi satu angka pasti.
Pada tahap verifikasi, kompleksitas komputasi menjadi relevan ketika
koleksi bertambah. Operasi pasangan pada n molekul dapat tumbuh
mendekati n kuadrat, pencarian subgraf dapat mahal, dan pembangkitan
konformer atau enumerasi pustaka dapat meledak secara kombinatorial.
Strategi yang tersedia meliputi screening awal, indeks, hashing,
batching, paralelisasi, sampling, serta penggunaan representasi
bertingkat. Akan tetapi, optimasi kecepatan harus diuji terhadap
akurasi. Pipeline cepat yang kehilangan kelas senyawa penting tidak
lebih baik daripada pipeline lambat yang tidak dapat dijalankan.
Untuk pembelajaran berbasis proyek, implementasi perlu membedakan
determinisme dan stokastisitas. Algoritme deterministik diharapkan
memberi keluaran sama untuk input dan versi yang sama, sedangkan metode
stokastik membutuhkan seed serta pengulangan. Bahkan metode
deterministik dapat berubah ketika pustaka, model aromatisitas, urutan
atom, perangkat keras, atau presisi numerik berubah. Karena itu, catatan
versi, parameter, seed, dan lingkungan eksekusi merupakan bagian dari
metode. Mahasiswa sebaiknya mengulang analisis pada lingkungan baru
untuk melihat bagian mana yang benar-benar portabel.
Dalam skenario industri, baseline membantu menilai apakah kerumitan
tambahan mempunyai manfaat nyata. Baseline dapat berupa aturan kimia
sederhana, statistik deskriptif, pencarian exact match, model linear,
atau pemilihan acak yang dikontrol. Metode lebih kompleks baru dianggap
bernilai bila meningkatkan ukuran yang relevan, stabil pada validasi,
dan tidak mengorbankan interpretabilitas atau biaya secara tidak
proporsional. Perbandingan harus menggunakan data, split, dan metrik
yang sama. Dengan demikian, klaim kemajuan tidak bergantung pada
perubahan kondisi evaluasi.
Pendalaman
IV — Validasi, Ketidakpastian, dan Diagnosis Kesalahan
Dalam riset akademik, validasi dimulai dengan menanyakan jenis klaim.
Klaim identitas memerlukan verifikasi struktur; klaim prediksi
memerlukan data uji yang independen; klaim cakupan memerlukan analisis
ruang kimia; dan klaim kausal memerlukan desain yang jauh lebih kuat
daripada korelasi. Pada 7.5 svm, kernel, dan metode berbasis tetangga,
metrik harus dipilih setelah klaim dan biaya kesalahan ditetapkan.
Akurasi rata-rata tidak cukup bila false negative dan false positive
mempunyai konsekuensi berbeda atau bila data sangat tidak seimbang.
Pertama, pemisahan data harus meniru penggunaan nyata. Split acak
sering terlalu optimistis ketika analog dekat, seri sintesis, batch,
atau sumber yang sama muncul di data latih dan uji. Alternatifnya adalah
scaffold split, time split, group split, atau external test set. Untuk
kernel Tanimoto untuk fingerprint biner, mahasiswa perlu menjelaskan
unit independensi: apakah tiap baris benar-benar observasi independen,
atau beberapa baris berasal dari molekul, eksperimen, dan laboratorium
yang sama. Tanpa definisi ini, validasi dapat mengukur kemampuan
mengingat alih-alih kemampuan menggeneralisasi.
Selanjutnya, ketidakpastian mempunyai beberapa sumber: variasi
pengukuran, ketidaklengkapan sampling, pilihan representasi, parameter
model, dan pergeseran domain. Satu interval numerik tidak selalu
merangkum semuanya. Laporan yang baik memisahkan ketidakpastian
aleatorik dari epistemik sejauh mungkin, menunjukkan variasi antar-split
atau antar-seed, dan menandai prediksi di luar domain aplikasi. Untuk
keputusan laboratorium, daftar kandidat sebaiknya dilengkapi alasan
pemilihan, tingkat keyakinan, dan rencana eksperimen konfirmasi.
Pada sisi lain, diagnosis error memerlukan pemeriksaan pada tingkat
agregat dan tingkat molekul. Pada tingkat agregat, gunakan distribusi
residual, confusion matrix, kurva kalibrasi, learning curve, atau
stabilitas klaster. Pada tingkat molekul, tampilkan struktur contoh
benar dan salah, tetangga terdekat, nilai SVM–hyperparameter, serta
kemungkinan penyebab kimia. Pola error dapat mengungkap label salah,
mekanisme berbeda, keadaan ionisasi yang tidak sesuai, atau representasi
yang gagal menangkap fitur penting.
Dalam analisis yang lebih rinci, ancaman validitas perlu ditulis
secara eksplisit. Ancaman internal berkaitan dengan kurasi, kebocoran,
parameter, dan pelaksanaan; ancaman eksternal berkaitan dengan
generalisasi ke kelas molekul, kondisi, atau laboratorium lain; ancaman
konstruk berkaitan dengan apakah endpoint benar-benar mengukur konsep
yang dimaksud. Tindakan mitigasi tidak selalu menghilangkan ancaman,
tetapi membuat pembaca mengetahui batas interpretasi. Transparansi ini
lebih ilmiah daripada menyembunyikan kelemahan di balik nilai metrik
yang tinggi.
Pendalaman
V — Studi Kasus, Keputusan, dan Portofolio Reprodusibel
Dari perspektif kimia, studi kasus kernel Tanimoto untuk fingerprint
biner dapat dirancang sebagai keputusan bertahap. Tahap pertama
menetapkan pertanyaan dan kriteria sukses; tahap kedua mengumpulkan
serta mengaudit data; tahap ketiga membandingkan representasi dan
metode; tahap keempat melakukan validasi; dan tahap kelima memilih
tindakan eksperimen. Setiap tahap menghasilkan artefak yang dapat
diperiksa. Pendekatan bertahap mencegah keputusan akhir bergantung pada
satu skor dan memungkinkan kelompok menghentikan proyek ketika kualitas
data tidak memadai.
Dari perspektif komputasi, aktivitas melakukan pencarian
hiperparameter dalam cross-validation sebaiknya menghasilkan lebih dari
laporan naratif. Portofolio minimum terdiri atas berkas data mentah atau
tautan permanen, data terkurasi, kamus data, notebook atau skrip, file
environment, README, gambar, tabel, dan log keputusan. Notebook tidak
boleh menjadi satu-satunya dokumentasi karena urutan eksekusi dan
dependensi sering tidak jelas. Skrip utama atau pipeline perlu dapat
dijalankan dari awal dengan satu perintah yang terdokumentasi.
Pada tahap verifikasi, komunikasi hasil harus menghubungkan angka
dengan struktur kimia. Tabel menyajikan nilai dan ketidakpastian, grafik
memperlihatkan pola, sedangkan gambar struktur memperlihatkan alasan
kimia yang mungkin. Caption perlu menyatakan apa yang dibandingkan, data
yang digunakan, dan pesan utama tanpa memaksa pembaca mencari penjelasan
di paragraf lain. Untuk setiap klaim utama, mahasiswa dapat membuat
matriks bukti yang menunjukkan data, analisis, visualisasi, serta
batasan yang mendukung klaim tersebut.
Untuk pembelajaran berbasis proyek, kerja kelompok maksimal tiga
mahasiswa dapat dibagi menjadi peran kurator data, pengembang analisis,
dan penelaah kimia, tetapi seluruh anggota wajib memahami keseluruhan
pipeline. Rotasi peran pada beberapa iterasi mencegah ketergantungan
pada satu orang. Log kontribusi mencatat keputusan, commit, pemeriksaan
silang, dan masalah yang belum selesai. Penilaian kelompok perlu
menggabungkan kualitas produk, kemampuan menjelaskan pilihan, serta
kemampuan mereproduksi pekerjaan anggota lain.
Dalam skenario industri, refleksi akhir perlu menjawab empat
pertanyaan: informasi apa yang paling menentukan keputusan; asumsi apa
yang paling berisiko; bukti apa yang dapat mengubah kesimpulan; dan
eksperimen apa yang paling efisien untuk mengurangi ketidakpastian.
Jawaban tersebut memperlihatkan bahwa informatika kimia tidak berhenti
pada komputasi. Tujuannya adalah membangun rantai bukti yang dapat
dipertanggungjawabkan, menghemat eksperimen yang tidak perlu, serta
memilih eksperimen berikutnya secara lebih rasional.
Pendalaman
VI — Integrasi Lintas Bab dan Agenda Penelitian
Integrasi lintas bab menempatkan 7.5 svm, kernel, dan metode berbasis
tetangga sebagai mata rantai dalam sistem yang lebih besar. Keputusan
tentang SVM akan memengaruhi cara kernel dihitung, cara margin
dibandingkan, dan cara k-NN dimasukkan ke model atau basis data.
Mahasiswa perlu melatih penalaran hulu-hilir: menelusuri dampak satu
keputusan standardisasi hingga visualisasi dan kesimpulan, lalu
menelusuri balik sebuah anomali hasil menuju sumber data serta
representasi awal. Latihan penelusuran dua arah ini efektif untuk
menemukan asumsi tersembunyi yang tidak tampak ketika tiap bab
dipelajari secara terpisah.
Sebuah pertanyaan penelitian yang baik pada tema ini mengandung
objek, konteks, pembanding, dan kriteria keberhasilan. Contohnya, bukan
sekadar 'menerapkan metode pada kernel Tanimoto untuk fingerprint
biner', melainkan membandingkan dua kebijakan representasi atau dua
strategi validasi dan mengukur pengaruhnya terhadap stabilitas
keputusan. Pertanyaan semacam itu dapat dijawab oleh mahasiswa S1 karena
ruang lingkupnya terukur, tetapi tetap memberi kontribusi metodologis.
Data dan kode terbuka memungkinkan replikasi, sedangkan variasi dataset
lokal dapat memberi konteks baru tanpa harus mengklaim penemuan yang
melampaui bukti.
Agenda pengembangan berikutnya dapat diarahkan pada integrasi SVM,
kernel, margin, k-NN, hyperparameter dengan data eksperimen, literatur,
spektrum, atau target biologis. Tantangannya bukan hanya menggabungkan
tabel, tetapi menyelaraskan identifier, ontologi, satuan, tingkat
granularitas, dan ketidakpastian. Prototipe kecil lebih bernilai
daripada sistem besar yang tidak dapat diaudit. Mahasiswa dapat memulai
dengan sepuluh hingga seratus entitas, membangun skema yang jelas,
menguji kueri atau analisis, lalu mengevaluasi apakah perluasan skala
mempertahankan makna kimia serta kinerja komputasi.
Pada akhirnya, penguasaan bagian ini dibuktikan melalui kemampuan
menjelaskan pilihan, bukan sekadar memperoleh keluaran. Mahasiswa harus
mampu menunjukkan alasan pemilihan data, representasi, algoritme,
parameter, metrik, dan bentuk visualisasi; menjelaskan alternatif yang
ditolak; serta menyatakan kondisi yang dapat membatalkan kesimpulan.
Dokumen keputusan tersebut dapat dimasukkan ke portofolio dan menjadi
dasar penyusunan proyek buku mini, tugas kelompok, skripsi, atau
penelitian kolaboratif yang menghubungkan informatika kimia dengan kimia
analitik, organik, anorganik, fisik, material, lingkungan, maupun
farmasi.
7.6 Jaringan
Saraf, GNN, dan Representasi Terpelajar
Model neural dapat belajar representasi dari graf, string, atau
geometri 3d, tetapi membutuhkan data, regularisasi, interpretasi, dan
pembandingan baseline. Pokok bahasan ini menempatkan neural network,
message passing, GNN, embedding, dan pretraining sebagai komponen yang
harus dipahami secara terpadu. Dalam informatika kimia, suatu
representasi atau algoritme tidak dinilai hanya dari kecanggihannya,
melainkan dari kesesuaian antara pertanyaan kimia, bentuk data, asumsi
matematis, dan keputusan yang hendak diambil. Karena itu, mahasiswa
perlu selalu menanyakan apa yang dipertahankan oleh representasi, apa
yang disederhanakan, dan informasi apa yang mungkin hilang.
Ketika diterapkan pada koleksi molekul besar, istilah neural network,
message passing, GNN, embedding, dan pretraining tidak berdiri sendiri.
Setiap istilah menentukan cara objek kimia dipetakan ke bentuk yang
dapat diproses komputer. Perubahan kecil dalam aturan atom, ikatan,
satuan, scaling, atau pembagian data dapat mengubah hasil analisis.
Disiplin ini menuntut dua ketelitian sekaligus: ketelitian kimia untuk
menjaga makna molekul dan ketelitian komputasi untuk menjaga konsistensi
operasi. Keduanya harus terdokumentasi sehingga orang lain dapat
menelusuri asal suatu hasil.
Alur kerja yang baik biasanya dimulai dengan definisi objek dan
endpoint, dilanjutkan pemeriksaan identitas serta kualitas data,
pemilihan representasi, penerapan metode, validasi, dan interpretasi.
Pada setiap tahap, parameter penting dicatat dalam metadata. Dengan pola
tersebut, kesalahan dapat dilokalisasi. Jika hasil berubah, peneliti
dapat menentukan apakah penyebabnya terletak pada data awal,
standardisasi, fitur, algoritme, atau prosedur evaluasi, bukan sekadar
mengulangi perhitungan secara coba-coba.
Contoh yang dapat digunakan untuk membumikan konsep ini adalah
message passing mengagregasi informasi tetangga atom. Contoh perlu
dibahas pada tiga tingkat. Tingkat pertama adalah struktur atau fenomena
kimianya. Tingkat kedua adalah cara komputer menyimpan dan memprosesnya.
Tingkat ketiga adalah konsekuensi ilmiah dari keluaran yang diperoleh.
Pembahasan berlapis seperti ini mencegah mahasiswa terjebak pada
penggunaan perangkat lunak tanpa memahami makna kimia dari input,
proses, dan output.
Kesalahan yang sering muncul adalah menganggap model lebih dalam
selalu lebih baik. Kekeliruan tersebut dapat menghasilkan analisis yang
tampak rapi namun tidak valid. Tanda peringatannya antara lain hasil
yang terlalu baik, perubahan besar akibat parameter kecil, rekaman yang
tidak dapat dilacak, dan kesimpulan yang melampaui domain data.
Pencegahannya mencakup pemeriksaan kimia manual pada sampel, baseline
sederhana, visualisasi diagnostik, pengujian sensitivitas, serta
pembandingan dengan sumber atau metode independen.
Dalam pembelajaran S1, kedalaman materi sebaiknya bergerak dari
pemahaman konsep menuju kemampuan melakukan analisis. Mahasiswa
pertama-tama menjelaskan istilah dengan bahasanya sendiri, kemudian
membaca contoh, menjalankan prosedur terbimbing, mengubah satu
parameter, dan akhirnya mempertanggungjawabkan pilihan metode. Urutan
ini lebih kuat daripada menghafal nama algoritme karena membentuk
kebiasaan berpikir ilmiah dan keterampilan audit yang diperlukan pada
proyek nyata.
Perkembangan mutakhir, termasuk basis data terbuka, komputasi awan,
pembelajaran mesin, model graf, dan AI generatif, memperluas skala serta
kecepatan analisis. Namun prinsip dasar pada bagian ini tetap berlaku.
Model modern tetap membutuhkan identitas struktur yang benar, data yang
terkurasi, split yang jujur, metrik yang tepat, serta pelaporan
keterbatasan. Teknologi baru tidak menghapus kebutuhan validasi;
sebaliknya, skala yang lebih besar membuat kesalahan kecil dapat
menyebar lebih luas.
Aktivitas yang disarankan adalah membandingkan GNN dengan fingerprint
plus random forest. Hasil aktivitas tidak cukup berupa angka atau
gambar. Mahasiswa perlu melampirkan data masukan, aturan yang dipakai,
parameter, kode atau langkah kerja, tabel hasil, interpretasi kimia, dan
catatan keterbatasan. Dengan demikian, artefak pembelajaran sekaligus
menjadi portofolio yang menunjukkan penguasaan materi serta kesiapan
bekerja dalam tim multidisiplin.
Sebagai simpulan bagian, pemahaman terhadap neural network, message
passing, GNN, embedding, dan pretraining harus selalu dihubungkan dengan
bab lain. Representasi memengaruhi deskriptor; deskriptor memengaruhi
kemiripan dan model; kurasi memengaruhi seluruh keluaran; dan tujuan
keputusan menentukan metode yang layak. Hubungan berantai ini merupakan
tema utama buku: informatika kimia adalah sistem penalaran dan
pengelolaan bukti, bukan sekadar kumpulan perangkat komputasi.
Pendalaman
I — Objek, Makna, dan Tingkat Representasi
Dari perspektif komputasi, unit analisis pada 7.6 jaringan saraf,
gnn, dan representasi terpelajar perlu ditetapkan sebelum data
dikumpulkan. Unit itu dapat berupa satu struktur, satu bentuk ionisasi,
satu konformer, satu reaksi, satu hasil assay, atau satu pasangan
molekul-target. Pilihan unit menentukan arti neural network dan hubungan
operasionalnya dengan message passing. Bila unit analisis berubah di
tengah pekerjaan, tabel yang tampak konsisten dapat mencampurkan objek
yang sebenarnya tidak setara. Karena itu, setiap proyek perlu mempunyai
definisi entitas, identifier utama, aturan versi, dan kebijakan ketika
satu senyawa mempunyai beberapa rekaman atau beberapa keadaan kimia.
Pada tahap verifikasi, representasi selalu bersifat selektif. Fokus
bagian ini, yaitu model neural dapat belajar representasi dari graf,
string, atau geometri 3D, tetapi membutuhkan data, regularisasi,
interpretasi, dan pembandingan baseline, mengharuskan peneliti
menjelaskan atribut mana yang dipertahankan dan atribut mana yang
diabaikan. Representasi yang menekankan neural network mungkin sangat
efisien untuk pencarian, tetapi belum tentu memadai untuk menalar GNN.
Sebaliknya, representasi yang kaya dapat memperbesar biaya penyimpanan,
waktu komputasi, dan risiko inkonsistensi. Prinsip yang berguna adalah
memakai representasi paling sederhana yang masih mempertahankan
informasi yang dibutuhkan oleh keputusan, kemudian membandingkannya
dengan representasi alternatif sebagai uji ketahanan.
Untuk pembelajaran berbasis proyek, makna kimia tidak boleh
dikalahkan oleh kenyamanan format. Istilah message passing, GNN, dan
embedding harus diterjemahkan ke aturan yang dapat diuji: bagaimana
nilainya diperoleh, satuan apa yang digunakan, kondisi apa yang berlaku,
dan kapan nilainya tidak dapat dibandingkan. Pada kasus message passing
mengagregasi informasi tetangga atom, satu nilai tanpa konteks dapat
menyesatkan karena dua laboratorium atau dua perangkat mungkin
menerapkan definisi, protokol, atau parameter yang berbeda. Metadata
bukan hiasan administratif; metadata adalah bagian dari observasi dan
menentukan apakah data layak digabungkan, dimodelkan, atau digunakan
kembali.
Dalam skenario industri, terdapat perbedaan antara identitas,
kesetaraan, dan kemiripan. Dua rekaman dapat merujuk pada parent
compound yang sama tetapi berbeda garam, stereoisomer, tautomer, isotop,
atau keadaan protonasi. Pada saat yang sama, dua struktur berbeda dapat
dianggap ekuivalen untuk tujuan tertentu, misalnya ketika analisis hanya
memakai kerangka karbon. Hubungan tersebut perlu dinyatakan sebagai
kebijakan, bukan dibiarkan menjadi perilaku bawaan perangkat. Mahasiswa
sebaiknya menguji sedikitnya lima pasangan contoh dan mencatat bagaimana
kebijakan neural network–pretraining mengubah jumlah entitas unik serta
interpretasi hasil.
Dalam riset akademik, peta konsep pada bagian ini dapat dibangun
dengan menempatkan neural network, message passing, GNN, embedding,
pretraining sebagai simpul, lalu menambahkan relasi 'mewakili',
'diturunkan dari', 'mempengaruhi', 'divalidasi oleh', dan 'membatasi'.
Peta semacam itu membantu membedakan hubungan definisional dari hubungan
empiris. Hubungan definisional mengikuti aturan representasi, sedangkan
hubungan empiris memerlukan data dan pengujian. Ketika mahasiswa mampu
menunjukkan jenis relasi dan bukti yang menopangnya, pemahaman mereka
bergerak dari hafalan istilah menuju model mental yang dapat dipakai
untuk mendiagnosis kasus baru.
Pendalaman
II — Akuisisi Data, Kurasi, dan Rekayasa Alur Kerja
Pertama, sumber data untuk 7.6 jaringan saraf, gnn, dan representasi
terpelajar perlu dinilai pada empat lapis: otoritas sumber, cara
pengukuran atau pembangkitan, kelengkapan metadata, dan kompatibilitas
lisensi. Data publik tidak otomatis bebas masalah. Rekaman dapat berasal
dari agregasi sekunder, memiliki pembaruan yang berbeda, atau
menggunakan identifier yang berubah. Untuk message passing mengagregasi
informasi tetangga atom, prosedur yang aman adalah menyimpan snapshot
asli, tanggal akses, versi basis data, kueri yang digunakan, serta
checksum berkas. Langkah tersebut memungkinkan peneliti membedakan
perubahan akibat data sumber dari perubahan akibat kode analisis.
Selanjutnya, kurasi sebaiknya dirancang sebagai serangkaian
transformasi eksplisit, bukan penyuntingan manual tersembunyi. Setiap
transformasi—misalnya normalisasi nama, penanganan nilai hilang,
pemisahan campuran, standardisasi neural network, atau konversi message
passing—diberi nama, alasan, parameter, jumlah rekaman terdampak, dan
keluaran antara. Tabel audit sebelum-sesudah sangat berguna karena
menunjukkan apakah perubahan besar terjadi pada kelompok tertentu. Jika
satu aturan menghapus sebagian besar senyawa bermuatan atau kelas
struktur langka, konsekuensinya terhadap ruang kimia dan generalisasi
perlu dibahas.
Pada sisi lain, urutan operasi dapat mengubah hasil. Deduplicasi
sebelum standardisasi mungkin menghasilkan jumlah entitas berbeda
dibanding deduplikasi setelah standardisasi; imputasi sebelum split
dapat menyebabkan kebocoran; perhitungan GNN sebelum koreksi struktur
dapat mempertahankan kesalahan ke tahap berikutnya. Oleh sebab itu,
pipeline perlu dipandang sebagai objek ilmiah yang mempunyai urutan,
dependensi, dan versi. Diagram alir harus cukup rinci sehingga kelompok
lain dapat mengimplementasikan kembali pipeline tanpa menebak langkah
yang hilang.
Dalam analisis yang lebih rinci, kontrol kualitas memerlukan
kombinasi aturan otomatis dan inspeksi kimia. Aturan otomatis unggul
untuk skala besar, sedangkan inspeksi manual diperlukan untuk memahami
pola error dan memeriksa apakah aturan terlalu agresif. Sampel inspeksi
sebaiknya mencakup rekaman acak, outlier, struktur kompleks, nilai
ekstrem, serta kasus yang diubah atau dibuang oleh pipeline. Pada bagian
ini, kesalahan khas berupa menganggap model lebih dalam selalu lebih
baik; karena itu, laporan kurasi perlu memperlihatkan contoh konkret
sebelum-sesudah dan bukan hanya jumlah akhir.
Dari perspektif kimia, penyimpanan hasil kurasi hendaknya memisahkan
data mentah, data antara, data final, dan laporan kualitas. Berkas final
diberi skema kolom, tipe data, satuan, kamus nilai kategorik, kebijakan
nilai hilang, dan identifier yang menghubungkannya ke sumber. Penggunaan
format sederhana seperti CSV dapat diterima untuk tabel kecil, tetapi
struktur, spektrum, atau relasi kompleks mungkin memerlukan SDF, JSON,
basis data relasional, atau graf pengetahuan. Pilihan format harus
mengikuti struktur data serta kebutuhan validasi, bukan sekadar
kebiasaan perangkat lunak.
Pendalaman
III — Algoritme, Parameter, dan Kompleksitas Komputasi
Dari perspektif komputasi, algoritme pada 7.6 jaringan saraf, gnn,
dan representasi terpelajar dapat dipahami melalui empat komponen:
masukan, transformasi, parameter, dan keluaran. Masukan perlu mempunyai
tipe serta prasyarat yang jelas; transformasi menjelaskan operasi inti;
parameter mengendalikan perilaku; dan keluaran harus mempunyai arti
kimia yang dapat diinterpretasikan. Untuk message passing mengagregasi
informasi tetangga atom, mahasiswa perlu menuliskan pseudocode ringkas
sebelum menjalankan perangkat. Pseudocode memaksa pemisahan antara
langkah kimia, langkah numerik, serta langkah administratif seperti
membaca dan menulis berkas.
Pada tahap verifikasi, parameter bukan sekadar tombol teknis.
Threshold, radius, ukuran bit, jumlah konformer, fungsi jarak, nilai
regularisasi, atau kriteria konvergensi mengandung asumsi mengenai
variasi yang dianggap penting. Analisis sensitivitas dapat dilakukan
dengan memilih rentang parameter yang masuk akal, menjalankan pipeline
secara sistematis, dan membandingkan stabilitas peringkat, klaster,
koefisien, atau keputusan. Bila perubahan kecil menghasilkan keputusan
yang sangat berbeda, hasil perlu dilaporkan sebagai tidak stabil dan
tidak boleh disederhanakan menjadi satu angka pasti.
Untuk pembelajaran berbasis proyek, kompleksitas komputasi menjadi
relevan ketika koleksi bertambah. Operasi pasangan pada n molekul dapat
tumbuh mendekati n kuadrat, pencarian subgraf dapat mahal, dan
pembangkitan konformer atau enumerasi pustaka dapat meledak secara
kombinatorial. Strategi yang tersedia meliputi screening awal, indeks,
hashing, batching, paralelisasi, sampling, serta penggunaan representasi
bertingkat. Akan tetapi, optimasi kecepatan harus diuji terhadap
akurasi. Pipeline cepat yang kehilangan kelas senyawa penting tidak
lebih baik daripada pipeline lambat yang tidak dapat dijalankan.
Dalam skenario industri, implementasi perlu membedakan determinisme
dan stokastisitas. Algoritme deterministik diharapkan memberi keluaran
sama untuk input dan versi yang sama, sedangkan metode stokastik
membutuhkan seed serta pengulangan. Bahkan metode deterministik dapat
berubah ketika pustaka, model aromatisitas, urutan atom, perangkat
keras, atau presisi numerik berubah. Karena itu, catatan versi,
parameter, seed, dan lingkungan eksekusi merupakan bagian dari metode.
Mahasiswa sebaiknya mengulang analisis pada lingkungan baru untuk
melihat bagian mana yang benar-benar portabel.
Dalam riset akademik, baseline membantu menilai apakah kerumitan
tambahan mempunyai manfaat nyata. Baseline dapat berupa aturan kimia
sederhana, statistik deskriptif, pencarian exact match, model linear,
atau pemilihan acak yang dikontrol. Metode lebih kompleks baru dianggap
bernilai bila meningkatkan ukuran yang relevan, stabil pada validasi,
dan tidak mengorbankan interpretabilitas atau biaya secara tidak
proporsional. Perbandingan harus menggunakan data, split, dan metrik
yang sama. Dengan demikian, klaim kemajuan tidak bergantung pada
perubahan kondisi evaluasi.
Pendalaman
IV — Validasi, Ketidakpastian, dan Diagnosis Kesalahan
Pertama, validasi dimulai dengan menanyakan jenis klaim. Klaim
identitas memerlukan verifikasi struktur; klaim prediksi memerlukan data
uji yang independen; klaim cakupan memerlukan analisis ruang kimia; dan
klaim kausal memerlukan desain yang jauh lebih kuat daripada korelasi.
Pada 7.6 jaringan saraf, gnn, dan representasi terpelajar, metrik harus
dipilih setelah klaim dan biaya kesalahan ditetapkan. Akurasi rata-rata
tidak cukup bila false negative dan false positive mempunyai konsekuensi
berbeda atau bila data sangat tidak seimbang.
Selanjutnya, pemisahan data harus meniru penggunaan nyata. Split acak
sering terlalu optimistis ketika analog dekat, seri sintesis, batch,
atau sumber yang sama muncul di data latih dan uji. Alternatifnya adalah
scaffold split, time split, group split, atau external test set. Untuk
message passing mengagregasi informasi tetangga atom, mahasiswa perlu
menjelaskan unit independensi: apakah tiap baris benar-benar observasi
independen, atau beberapa baris berasal dari molekul, eksperimen, dan
laboratorium yang sama. Tanpa definisi ini, validasi dapat mengukur
kemampuan mengingat alih-alih kemampuan menggeneralisasi.
Pada sisi lain, ketidakpastian mempunyai beberapa sumber: variasi
pengukuran, ketidaklengkapan sampling, pilihan representasi, parameter
model, dan pergeseran domain. Satu interval numerik tidak selalu
merangkum semuanya. Laporan yang baik memisahkan ketidakpastian
aleatorik dari epistemik sejauh mungkin, menunjukkan variasi antar-split
atau antar-seed, dan menandai prediksi di luar domain aplikasi. Untuk
keputusan laboratorium, daftar kandidat sebaiknya dilengkapi alasan
pemilihan, tingkat keyakinan, dan rencana eksperimen konfirmasi.
Dalam analisis yang lebih rinci, diagnosis error memerlukan
pemeriksaan pada tingkat agregat dan tingkat molekul. Pada tingkat
agregat, gunakan distribusi residual, confusion matrix, kurva kalibrasi,
learning curve, atau stabilitas klaster. Pada tingkat molekul, tampilkan
struktur contoh benar dan salah, tetangga terdekat, nilai neural
network–pretraining, serta kemungkinan penyebab kimia. Pola error dapat
mengungkap label salah, mekanisme berbeda, keadaan ionisasi yang tidak
sesuai, atau representasi yang gagal menangkap fitur penting.
Dari perspektif kimia, ancaman validitas perlu ditulis secara
eksplisit. Ancaman internal berkaitan dengan kurasi, kebocoran,
parameter, dan pelaksanaan; ancaman eksternal berkaitan dengan
generalisasi ke kelas molekul, kondisi, atau laboratorium lain; ancaman
konstruk berkaitan dengan apakah endpoint benar-benar mengukur konsep
yang dimaksud. Tindakan mitigasi tidak selalu menghilangkan ancaman,
tetapi membuat pembaca mengetahui batas interpretasi. Transparansi ini
lebih ilmiah daripada menyembunyikan kelemahan di balik nilai metrik
yang tinggi.
Pendalaman
V — Studi Kasus, Keputusan, dan Portofolio Reprodusibel
Dari perspektif komputasi, studi kasus message passing mengagregasi
informasi tetangga atom dapat dirancang sebagai keputusan bertahap.
Tahap pertama menetapkan pertanyaan dan kriteria sukses; tahap kedua
mengumpulkan serta mengaudit data; tahap ketiga membandingkan
representasi dan metode; tahap keempat melakukan validasi; dan tahap
kelima memilih tindakan eksperimen. Setiap tahap menghasilkan artefak
yang dapat diperiksa. Pendekatan bertahap mencegah keputusan akhir
bergantung pada satu skor dan memungkinkan kelompok menghentikan proyek
ketika kualitas data tidak memadai.
Pada tahap verifikasi, aktivitas membandingkan GNN dengan fingerprint
plus random forest sebaiknya menghasilkan lebih dari laporan naratif.
Portofolio minimum terdiri atas berkas data mentah atau tautan permanen,
data terkurasi, kamus data, notebook atau skrip, file environment,
README, gambar, tabel, dan log keputusan. Notebook tidak boleh menjadi
satu-satunya dokumentasi karena urutan eksekusi dan dependensi sering
tidak jelas. Skrip utama atau pipeline perlu dapat dijalankan dari awal
dengan satu perintah yang terdokumentasi.
Untuk pembelajaran berbasis proyek, komunikasi hasil harus
menghubungkan angka dengan struktur kimia. Tabel menyajikan nilai dan
ketidakpastian, grafik memperlihatkan pola, sedangkan gambar struktur
memperlihatkan alasan kimia yang mungkin. Caption perlu menyatakan apa
yang dibandingkan, data yang digunakan, dan pesan utama tanpa memaksa
pembaca mencari penjelasan di paragraf lain. Untuk setiap klaim utama,
mahasiswa dapat membuat matriks bukti yang menunjukkan data, analisis,
visualisasi, serta batasan yang mendukung klaim tersebut.
Dalam skenario industri, kerja kelompok maksimal tiga mahasiswa dapat
dibagi menjadi peran kurator data, pengembang analisis, dan penelaah
kimia, tetapi seluruh anggota wajib memahami keseluruhan pipeline.
Rotasi peran pada beberapa iterasi mencegah ketergantungan pada satu
orang. Log kontribusi mencatat keputusan, commit, pemeriksaan silang,
dan masalah yang belum selesai. Penilaian kelompok perlu menggabungkan
kualitas produk, kemampuan menjelaskan pilihan, serta kemampuan
mereproduksi pekerjaan anggota lain.
Dalam riset akademik, refleksi akhir perlu menjawab empat pertanyaan:
informasi apa yang paling menentukan keputusan; asumsi apa yang paling
berisiko; bukti apa yang dapat mengubah kesimpulan; dan eksperimen apa
yang paling efisien untuk mengurangi ketidakpastian. Jawaban tersebut
memperlihatkan bahwa informatika kimia tidak berhenti pada komputasi.
Tujuannya adalah membangun rantai bukti yang dapat
dipertanggungjawabkan, menghemat eksperimen yang tidak perlu, serta
memilih eksperimen berikutnya secara lebih rasional.
Pendalaman
VI — Integrasi Lintas Bab dan Agenda Penelitian
Integrasi lintas bab menempatkan 7.6 jaringan saraf, gnn, dan
representasi terpelajar sebagai mata rantai dalam sistem yang lebih
besar. Keputusan tentang neural network akan memengaruhi cara message
passing dihitung, cara GNN dibandingkan, dan cara embedding dimasukkan
ke model atau basis data. Mahasiswa perlu melatih penalaran hulu-hilir:
menelusuri dampak satu keputusan standardisasi hingga visualisasi dan
kesimpulan, lalu menelusuri balik sebuah anomali hasil menuju sumber
data serta representasi awal. Latihan penelusuran dua arah ini efektif
untuk menemukan asumsi tersembunyi yang tidak tampak ketika tiap bab
dipelajari secara terpisah.
Sebuah pertanyaan penelitian yang baik pada tema ini mengandung
objek, konteks, pembanding, dan kriteria keberhasilan. Contohnya, bukan
sekadar 'menerapkan metode pada message passing mengagregasi informasi
tetangga atom', melainkan membandingkan dua kebijakan representasi atau
dua strategi validasi dan mengukur pengaruhnya terhadap stabilitas
keputusan. Pertanyaan semacam itu dapat dijawab oleh mahasiswa S1 karena
ruang lingkupnya terukur, tetapi tetap memberi kontribusi metodologis.
Data dan kode terbuka memungkinkan replikasi, sedangkan variasi dataset
lokal dapat memberi konteks baru tanpa harus mengklaim penemuan yang
melampaui bukti.
Agenda pengembangan berikutnya dapat diarahkan pada integrasi neural
network, message passing, GNN, embedding, pretraining dengan data
eksperimen, literatur, spektrum, atau target biologis. Tantangannya
bukan hanya menggabungkan tabel, tetapi menyelaraskan identifier,
ontologi, satuan, tingkat granularitas, dan ketidakpastian. Prototipe
kecil lebih bernilai daripada sistem besar yang tidak dapat diaudit.
Mahasiswa dapat memulai dengan sepuluh hingga seratus entitas, membangun
skema yang jelas, menguji kueri atau analisis, lalu mengevaluasi apakah
perluasan skala mempertahankan makna kimia serta kinerja komputasi.
Pada akhirnya, penguasaan bagian ini dibuktikan melalui kemampuan
menjelaskan pilihan, bukan sekadar memperoleh keluaran. Mahasiswa harus
mampu menunjukkan alasan pemilihan data, representasi, algoritme,
parameter, metrik, dan bentuk visualisasi; menjelaskan alternatif yang
ditolak; serta menyatakan kondisi yang dapat membatalkan kesimpulan.
Dokumen keputusan tersebut dapat dimasukkan ke portofolio dan menjadi
dasar penyusunan proyek buku mini, tugas kelompok, skripsi, atau
penelitian kolaboratif yang menghubungkan informatika kimia dengan kimia
analitik, organik, anorganik, fisik, material, lingkungan, maupun
farmasi.
7.7
Validasi Internal, Eksternal, dan Nested Cross-Validation
Validasi harus memisahkan pemilihan model dari estimasi performa dan
melaporkan variasi antar-split, bukan hanya satu angka terbaik. Pokok
bahasan ini menempatkan cross-validation, nested CV, external set,
confidence interval, dan variance sebagai komponen yang harus dipahami
secara terpadu. Dalam informatika kimia, suatu representasi atau
algoritme tidak dinilai hanya dari kecanggihannya, melainkan dari
kesesuaian antara pertanyaan kimia, bentuk data, asumsi matematis, dan
keputusan yang hendak diambil. Karena itu, mahasiswa perlu selalu
menanyakan apa yang dipertahankan oleh representasi, apa yang
disederhanakan, dan informasi apa yang mungkin hilang.
Untuk menjaga interpretasi kimia, istilah cross-validation, nested
CV, external set, confidence interval, dan variance tidak berdiri
sendiri. Setiap istilah menentukan cara objek kimia dipetakan ke bentuk
yang dapat diproses komputer. Perubahan kecil dalam aturan atom, ikatan,
satuan, scaling, atau pembagian data dapat mengubah hasil analisis.
Disiplin ini menuntut dua ketelitian sekaligus: ketelitian kimia untuk
menjaga makna molekul dan ketelitian komputasi untuk menjaga konsistensi
operasi. Keduanya harus terdokumentasi sehingga orang lain dapat
menelusuri asal suatu hasil.
Alur kerja yang baik biasanya dimulai dengan definisi objek dan
endpoint, dilanjutkan pemeriksaan identitas serta kualitas data,
pemilihan representasi, penerapan metode, validasi, dan interpretasi.
Pada setiap tahap, parameter penting dicatat dalam metadata. Dengan pola
tersebut, kesalahan dapat dilokalisasi. Jika hasil berubah, peneliti
dapat menentukan apakah penyebabnya terletak pada data awal,
standardisasi, fitur, algoritme, atau prosedur evaluasi, bukan sekadar
mengulangi perhitungan secara coba-coba.
Contoh yang dapat digunakan untuk membumikan konsep ini adalah outer
loop mengukur performa, inner loop memilih hiperparameter. Contoh perlu
dibahas pada tiga tingkat. Tingkat pertama adalah struktur atau fenomena
kimianya. Tingkat kedua adalah cara komputer menyimpan dan memprosesnya.
Tingkat ketiga adalah konsekuensi ilmiah dari keluaran yang diperoleh.
Pembahasan berlapis seperti ini mencegah mahasiswa terjebak pada
penggunaan perangkat lunak tanpa memahami makna kimia dari input,
proses, dan output.
Kesalahan yang sering muncul adalah data leakage melalui
standardisasi atau seleksi fitur sebelum split. Kekeliruan tersebut
dapat menghasilkan analisis yang tampak rapi namun tidak valid. Tanda
peringatannya antara lain hasil yang terlalu baik, perubahan besar
akibat parameter kecil, rekaman yang tidak dapat dilacak, dan kesimpulan
yang melampaui domain data. Pencegahannya mencakup pemeriksaan kimia
manual pada sampel, baseline sederhana, visualisasi diagnostik,
pengujian sensitivitas, serta pembandingan dengan sumber atau metode
independen.
Dalam pembelajaran S1, kedalaman materi sebaiknya bergerak dari
pemahaman konsep menuju kemampuan melakukan analisis. Mahasiswa
pertama-tama menjelaskan istilah dengan bahasanya sendiri, kemudian
membaca contoh, menjalankan prosedur terbimbing, mengubah satu
parameter, dan akhirnya mempertanggungjawabkan pilihan metode. Urutan
ini lebih kuat daripada menghafal nama algoritme karena membentuk
kebiasaan berpikir ilmiah dan keterampilan audit yang diperlukan pada
proyek nyata.
Perkembangan mutakhir, termasuk basis data terbuka, komputasi awan,
pembelajaran mesin, model graf, dan AI generatif, memperluas skala serta
kecepatan analisis. Namun prinsip dasar pada bagian ini tetap berlaku.
Model modern tetap membutuhkan identitas struktur yang benar, data yang
terkurasi, split yang jujur, metrik yang tepat, serta pelaporan
keterbatasan. Teknologi baru tidak menghapus kebutuhan validasi;
sebaliknya, skala yang lebih besar membuat kesalahan kecil dapat
menyebar lebih luas.
Aktivitas yang disarankan adalah menggambar diagram nested
cross-validation. Hasil aktivitas tidak cukup berupa angka atau gambar.
Mahasiswa perlu melampirkan data masukan, aturan yang dipakai,
parameter, kode atau langkah kerja, tabel hasil, interpretasi kimia, dan
catatan keterbatasan. Dengan demikian, artefak pembelajaran sekaligus
menjadi portofolio yang menunjukkan penguasaan materi serta kesiapan
bekerja dalam tim multidisiplin.
Sebagai simpulan bagian, pemahaman terhadap cross-validation, nested
CV, external set, confidence interval, dan variance harus selalu
dihubungkan dengan bab lain. Representasi memengaruhi deskriptor;
deskriptor memengaruhi kemiripan dan model; kurasi memengaruhi seluruh
keluaran; dan tujuan keputusan menentukan metode yang layak. Hubungan
berantai ini merupakan tema utama buku: informatika kimia adalah sistem
penalaran dan pengelolaan bukti, bukan sekadar kumpulan perangkat
komputasi.
Pendalaman
I — Objek, Makna, dan Tingkat Representasi
Dari perspektif komputasi, unit analisis pada 7.7 validasi internal,
eksternal, dan nested cross-validation perlu ditetapkan sebelum data
dikumpulkan. Unit itu dapat berupa satu struktur, satu bentuk ionisasi,
satu konformer, satu reaksi, satu hasil assay, atau satu pasangan
molekul-target. Pilihan unit menentukan arti cross-validation dan
hubungan operasionalnya dengan nested CV. Bila unit analisis berubah di
tengah pekerjaan, tabel yang tampak konsisten dapat mencampurkan objek
yang sebenarnya tidak setara. Karena itu, setiap proyek perlu mempunyai
definisi entitas, identifier utama, aturan versi, dan kebijakan ketika
satu senyawa mempunyai beberapa rekaman atau beberapa keadaan kimia.
Pada tahap verifikasi, representasi selalu bersifat selektif. Fokus
bagian ini, yaitu validasi harus memisahkan pemilihan model dari
estimasi performa dan melaporkan variasi antar-split, bukan hanya satu
angka terbaik, mengharuskan peneliti menjelaskan atribut mana yang
dipertahankan dan atribut mana yang diabaikan. Representasi yang
menekankan cross-validation mungkin sangat efisien untuk pencarian,
tetapi belum tentu memadai untuk menalar external set. Sebaliknya,
representasi yang kaya dapat memperbesar biaya penyimpanan, waktu
komputasi, dan risiko inkonsistensi. Prinsip yang berguna adalah memakai
representasi paling sederhana yang masih mempertahankan informasi yang
dibutuhkan oleh keputusan, kemudian membandingkannya dengan representasi
alternatif sebagai uji ketahanan.
Untuk pembelajaran berbasis proyek, makna kimia tidak boleh
dikalahkan oleh kenyamanan format. Istilah nested CV, external set, dan
confidence interval harus diterjemahkan ke aturan yang dapat diuji:
bagaimana nilainya diperoleh, satuan apa yang digunakan, kondisi apa
yang berlaku, dan kapan nilainya tidak dapat dibandingkan. Pada kasus
outer loop mengukur performa, inner loop memilih hiperparameter, satu
nilai tanpa konteks dapat menyesatkan karena dua laboratorium atau dua
perangkat mungkin menerapkan definisi, protokol, atau parameter yang
berbeda. Metadata bukan hiasan administratif; metadata adalah bagian
dari observasi dan menentukan apakah data layak digabungkan, dimodelkan,
atau digunakan kembali.
Dalam skenario industri, terdapat perbedaan antara identitas,
kesetaraan, dan kemiripan. Dua rekaman dapat merujuk pada parent
compound yang sama tetapi berbeda garam, stereoisomer, tautomer, isotop,
atau keadaan protonasi. Pada saat yang sama, dua struktur berbeda dapat
dianggap ekuivalen untuk tujuan tertentu, misalnya ketika analisis hanya
memakai kerangka karbon. Hubungan tersebut perlu dinyatakan sebagai
kebijakan, bukan dibiarkan menjadi perilaku bawaan perangkat. Mahasiswa
sebaiknya menguji sedikitnya lima pasangan contoh dan mencatat bagaimana
kebijakan cross-validation–variance mengubah jumlah entitas unik serta
interpretasi hasil.
Dalam riset akademik, peta konsep pada bagian ini dapat dibangun
dengan menempatkan cross-validation, nested CV, external set, confidence
interval, variance sebagai simpul, lalu menambahkan relasi 'mewakili',
'diturunkan dari', 'mempengaruhi', 'divalidasi oleh', dan 'membatasi'.
Peta semacam itu membantu membedakan hubungan definisional dari hubungan
empiris. Hubungan definisional mengikuti aturan representasi, sedangkan
hubungan empiris memerlukan data dan pengujian. Ketika mahasiswa mampu
menunjukkan jenis relasi dan bukti yang menopangnya, pemahaman mereka
bergerak dari hafalan istilah menuju model mental yang dapat dipakai
untuk mendiagnosis kasus baru.
Pendalaman
II — Akuisisi Data, Kurasi, dan Rekayasa Alur Kerja
Pertama, sumber data untuk 7.7 validasi internal, eksternal, dan
nested cross-validation perlu dinilai pada empat lapis: otoritas sumber,
cara pengukuran atau pembangkitan, kelengkapan metadata, dan
kompatibilitas lisensi. Data publik tidak otomatis bebas masalah.
Rekaman dapat berasal dari agregasi sekunder, memiliki pembaruan yang
berbeda, atau menggunakan identifier yang berubah. Untuk outer loop
mengukur performa, inner loop memilih hiperparameter, prosedur yang aman
adalah menyimpan snapshot asli, tanggal akses, versi basis data, kueri
yang digunakan, serta checksum berkas. Langkah tersebut memungkinkan
peneliti membedakan perubahan akibat data sumber dari perubahan akibat
kode analisis.
Selanjutnya, kurasi sebaiknya dirancang sebagai serangkaian
transformasi eksplisit, bukan penyuntingan manual tersembunyi. Setiap
transformasi—misalnya normalisasi nama, penanganan nilai hilang,
pemisahan campuran, standardisasi cross-validation, atau konversi nested
CV—diberi nama, alasan, parameter, jumlah rekaman terdampak, dan
keluaran antara. Tabel audit sebelum-sesudah sangat berguna karena
menunjukkan apakah perubahan besar terjadi pada kelompok tertentu. Jika
satu aturan menghapus sebagian besar senyawa bermuatan atau kelas
struktur langka, konsekuensinya terhadap ruang kimia dan generalisasi
perlu dibahas.
Pada sisi lain, urutan operasi dapat mengubah hasil. Deduplicasi
sebelum standardisasi mungkin menghasilkan jumlah entitas berbeda
dibanding deduplikasi setelah standardisasi; imputasi sebelum split
dapat menyebabkan kebocoran; perhitungan external set sebelum koreksi
struktur dapat mempertahankan kesalahan ke tahap berikutnya. Oleh sebab
itu, pipeline perlu dipandang sebagai objek ilmiah yang mempunyai
urutan, dependensi, dan versi. Diagram alir harus cukup rinci sehingga
kelompok lain dapat mengimplementasikan kembali pipeline tanpa menebak
langkah yang hilang.
Dalam analisis yang lebih rinci, kontrol kualitas memerlukan
kombinasi aturan otomatis dan inspeksi kimia. Aturan otomatis unggul
untuk skala besar, sedangkan inspeksi manual diperlukan untuk memahami
pola error dan memeriksa apakah aturan terlalu agresif. Sampel inspeksi
sebaiknya mencakup rekaman acak, outlier, struktur kompleks, nilai
ekstrem, serta kasus yang diubah atau dibuang oleh pipeline. Pada bagian
ini, kesalahan khas berupa data leakage melalui standardisasi atau
seleksi fitur sebelum split; karena itu, laporan kurasi perlu
memperlihatkan contoh konkret sebelum-sesudah dan bukan hanya jumlah
akhir.
Dari perspektif kimia, penyimpanan hasil kurasi hendaknya memisahkan
data mentah, data antara, data final, dan laporan kualitas. Berkas final
diberi skema kolom, tipe data, satuan, kamus nilai kategorik, kebijakan
nilai hilang, dan identifier yang menghubungkannya ke sumber. Penggunaan
format sederhana seperti CSV dapat diterima untuk tabel kecil, tetapi
struktur, spektrum, atau relasi kompleks mungkin memerlukan SDF, JSON,
basis data relasional, atau graf pengetahuan. Pilihan format harus
mengikuti struktur data serta kebutuhan validasi, bukan sekadar
kebiasaan perangkat lunak.
Pendalaman
III — Algoritme, Parameter, dan Kompleksitas Komputasi
Dari perspektif komputasi, algoritme pada 7.7 validasi internal,
eksternal, dan nested cross-validation dapat dipahami melalui empat
komponen: masukan, transformasi, parameter, dan keluaran. Masukan perlu
mempunyai tipe serta prasyarat yang jelas; transformasi menjelaskan
operasi inti; parameter mengendalikan perilaku; dan keluaran harus
mempunyai arti kimia yang dapat diinterpretasikan. Untuk outer loop
mengukur performa, inner loop memilih hiperparameter, mahasiswa perlu
menuliskan pseudocode ringkas sebelum menjalankan perangkat. Pseudocode
memaksa pemisahan antara langkah kimia, langkah numerik, serta langkah
administratif seperti membaca dan menulis berkas.
Pada tahap verifikasi, parameter bukan sekadar tombol teknis.
Threshold, radius, ukuran bit, jumlah konformer, fungsi jarak, nilai
regularisasi, atau kriteria konvergensi mengandung asumsi mengenai
variasi yang dianggap penting. Analisis sensitivitas dapat dilakukan
dengan memilih rentang parameter yang masuk akal, menjalankan pipeline
secara sistematis, dan membandingkan stabilitas peringkat, klaster,
koefisien, atau keputusan. Bila perubahan kecil menghasilkan keputusan
yang sangat berbeda, hasil perlu dilaporkan sebagai tidak stabil dan
tidak boleh disederhanakan menjadi satu angka pasti.
Untuk pembelajaran berbasis proyek, kompleksitas komputasi menjadi
relevan ketika koleksi bertambah. Operasi pasangan pada n molekul dapat
tumbuh mendekati n kuadrat, pencarian subgraf dapat mahal, dan
pembangkitan konformer atau enumerasi pustaka dapat meledak secara
kombinatorial. Strategi yang tersedia meliputi screening awal, indeks,
hashing, batching, paralelisasi, sampling, serta penggunaan representasi
bertingkat. Akan tetapi, optimasi kecepatan harus diuji terhadap
akurasi. Pipeline cepat yang kehilangan kelas senyawa penting tidak
lebih baik daripada pipeline lambat yang tidak dapat dijalankan.
Dalam skenario industri, implementasi perlu membedakan determinisme
dan stokastisitas. Algoritme deterministik diharapkan memberi keluaran
sama untuk input dan versi yang sama, sedangkan metode stokastik
membutuhkan seed serta pengulangan. Bahkan metode deterministik dapat
berubah ketika pustaka, model aromatisitas, urutan atom, perangkat
keras, atau presisi numerik berubah. Karena itu, catatan versi,
parameter, seed, dan lingkungan eksekusi merupakan bagian dari metode.
Mahasiswa sebaiknya mengulang analisis pada lingkungan baru untuk
melihat bagian mana yang benar-benar portabel.
Dalam riset akademik, baseline membantu menilai apakah kerumitan
tambahan mempunyai manfaat nyata. Baseline dapat berupa aturan kimia
sederhana, statistik deskriptif, pencarian exact match, model linear,
atau pemilihan acak yang dikontrol. Metode lebih kompleks baru dianggap
bernilai bila meningkatkan ukuran yang relevan, stabil pada validasi,
dan tidak mengorbankan interpretabilitas atau biaya secara tidak
proporsional. Perbandingan harus menggunakan data, split, dan metrik
yang sama. Dengan demikian, klaim kemajuan tidak bergantung pada
perubahan kondisi evaluasi.
Pendalaman
IV — Validasi, Ketidakpastian, dan Diagnosis Kesalahan
Pertama, validasi dimulai dengan menanyakan jenis klaim. Klaim
identitas memerlukan verifikasi struktur; klaim prediksi memerlukan data
uji yang independen; klaim cakupan memerlukan analisis ruang kimia; dan
klaim kausal memerlukan desain yang jauh lebih kuat daripada korelasi.
Pada 7.7 validasi internal, eksternal, dan nested cross-validation,
metrik harus dipilih setelah klaim dan biaya kesalahan ditetapkan.
Akurasi rata-rata tidak cukup bila false negative dan false positive
mempunyai konsekuensi berbeda atau bila data sangat tidak seimbang.
Selanjutnya, pemisahan data harus meniru penggunaan nyata. Split acak
sering terlalu optimistis ketika analog dekat, seri sintesis, batch,
atau sumber yang sama muncul di data latih dan uji. Alternatifnya adalah
scaffold split, time split, group split, atau external test set. Untuk
outer loop mengukur performa, inner loop memilih hiperparameter,
mahasiswa perlu menjelaskan unit independensi: apakah tiap baris
benar-benar observasi independen, atau beberapa baris berasal dari
molekul, eksperimen, dan laboratorium yang sama. Tanpa definisi ini,
validasi dapat mengukur kemampuan mengingat alih-alih kemampuan
menggeneralisasi.
Pada sisi lain, ketidakpastian mempunyai beberapa sumber: variasi
pengukuran, ketidaklengkapan sampling, pilihan representasi, parameter
model, dan pergeseran domain. Satu interval numerik tidak selalu
merangkum semuanya. Laporan yang baik memisahkan ketidakpastian
aleatorik dari epistemik sejauh mungkin, menunjukkan variasi antar-split
atau antar-seed, dan menandai prediksi di luar domain aplikasi. Untuk
keputusan laboratorium, daftar kandidat sebaiknya dilengkapi alasan
pemilihan, tingkat keyakinan, dan rencana eksperimen konfirmasi.
Dalam analisis yang lebih rinci, diagnosis error memerlukan
pemeriksaan pada tingkat agregat dan tingkat molekul. Pada tingkat
agregat, gunakan distribusi residual, confusion matrix, kurva kalibrasi,
learning curve, atau stabilitas klaster. Pada tingkat molekul, tampilkan
struktur contoh benar dan salah, tetangga terdekat, nilai
cross-validation–variance, serta kemungkinan penyebab kimia. Pola error
dapat mengungkap label salah, mekanisme berbeda, keadaan ionisasi yang
tidak sesuai, atau representasi yang gagal menangkap fitur penting.
Dari perspektif kimia, ancaman validitas perlu ditulis secara
eksplisit. Ancaman internal berkaitan dengan kurasi, kebocoran,
parameter, dan pelaksanaan; ancaman eksternal berkaitan dengan
generalisasi ke kelas molekul, kondisi, atau laboratorium lain; ancaman
konstruk berkaitan dengan apakah endpoint benar-benar mengukur konsep
yang dimaksud. Tindakan mitigasi tidak selalu menghilangkan ancaman,
tetapi membuat pembaca mengetahui batas interpretasi. Transparansi ini
lebih ilmiah daripada menyembunyikan kelemahan di balik nilai metrik
yang tinggi.
Pendalaman
V — Studi Kasus, Keputusan, dan Portofolio Reprodusibel
Dari perspektif komputasi, studi kasus outer loop mengukur performa,
inner loop memilih hiperparameter dapat dirancang sebagai keputusan
bertahap. Tahap pertama menetapkan pertanyaan dan kriteria sukses; tahap
kedua mengumpulkan serta mengaudit data; tahap ketiga membandingkan
representasi dan metode; tahap keempat melakukan validasi; dan tahap
kelima memilih tindakan eksperimen. Setiap tahap menghasilkan artefak
yang dapat diperiksa. Pendekatan bertahap mencegah keputusan akhir
bergantung pada satu skor dan memungkinkan kelompok menghentikan proyek
ketika kualitas data tidak memadai.
Pada tahap verifikasi, aktivitas menggambar diagram nested
cross-validation sebaiknya menghasilkan lebih dari laporan naratif.
Portofolio minimum terdiri atas berkas data mentah atau tautan permanen,
data terkurasi, kamus data, notebook atau skrip, file environment,
README, gambar, tabel, dan log keputusan. Notebook tidak boleh menjadi
satu-satunya dokumentasi karena urutan eksekusi dan dependensi sering
tidak jelas. Skrip utama atau pipeline perlu dapat dijalankan dari awal
dengan satu perintah yang terdokumentasi.
Untuk pembelajaran berbasis proyek, komunikasi hasil harus
menghubungkan angka dengan struktur kimia. Tabel menyajikan nilai dan
ketidakpastian, grafik memperlihatkan pola, sedangkan gambar struktur
memperlihatkan alasan kimia yang mungkin. Caption perlu menyatakan apa
yang dibandingkan, data yang digunakan, dan pesan utama tanpa memaksa
pembaca mencari penjelasan di paragraf lain. Untuk setiap klaim utama,
mahasiswa dapat membuat matriks bukti yang menunjukkan data, analisis,
visualisasi, serta batasan yang mendukung klaim tersebut.
Dalam skenario industri, kerja kelompok maksimal tiga mahasiswa dapat
dibagi menjadi peran kurator data, pengembang analisis, dan penelaah
kimia, tetapi seluruh anggota wajib memahami keseluruhan pipeline.
Rotasi peran pada beberapa iterasi mencegah ketergantungan pada satu
orang. Log kontribusi mencatat keputusan, commit, pemeriksaan silang,
dan masalah yang belum selesai. Penilaian kelompok perlu menggabungkan
kualitas produk, kemampuan menjelaskan pilihan, serta kemampuan
mereproduksi pekerjaan anggota lain.
Dalam riset akademik, refleksi akhir perlu menjawab empat pertanyaan:
informasi apa yang paling menentukan keputusan; asumsi apa yang paling
berisiko; bukti apa yang dapat mengubah kesimpulan; dan eksperimen apa
yang paling efisien untuk mengurangi ketidakpastian. Jawaban tersebut
memperlihatkan bahwa informatika kimia tidak berhenti pada komputasi.
Tujuannya adalah membangun rantai bukti yang dapat
dipertanggungjawabkan, menghemat eksperimen yang tidak perlu, serta
memilih eksperimen berikutnya secara lebih rasional.
Pendalaman
VI — Integrasi Lintas Bab dan Agenda Penelitian
Integrasi lintas bab menempatkan 7.7 validasi internal, eksternal,
dan nested cross-validation sebagai mata rantai dalam sistem yang lebih
besar. Keputusan tentang cross-validation akan memengaruhi cara nested
CV dihitung, cara external set dibandingkan, dan cara confidence
interval dimasukkan ke model atau basis data. Mahasiswa perlu melatih
penalaran hulu-hilir: menelusuri dampak satu keputusan standardisasi
hingga visualisasi dan kesimpulan, lalu menelusuri balik sebuah anomali
hasil menuju sumber data serta representasi awal. Latihan penelusuran
dua arah ini efektif untuk menemukan asumsi tersembunyi yang tidak
tampak ketika tiap bab dipelajari secara terpisah.
Sebuah pertanyaan penelitian yang baik pada tema ini mengandung
objek, konteks, pembanding, dan kriteria keberhasilan. Contohnya, bukan
sekadar 'menerapkan metode pada outer loop mengukur performa, inner loop
memilih hiperparameter', melainkan membandingkan dua kebijakan
representasi atau dua strategi validasi dan mengukur pengaruhnya
terhadap stabilitas keputusan. Pertanyaan semacam itu dapat dijawab oleh
mahasiswa S1 karena ruang lingkupnya terukur, tetapi tetap memberi
kontribusi metodologis. Data dan kode terbuka memungkinkan replikasi,
sedangkan variasi dataset lokal dapat memberi konteks baru tanpa harus
mengklaim penemuan yang melampaui bukti.
Agenda pengembangan berikutnya dapat diarahkan pada integrasi
cross-validation, nested CV, external set, confidence interval, variance
dengan data eksperimen, literatur, spektrum, atau target biologis.
Tantangannya bukan hanya menggabungkan tabel, tetapi menyelaraskan
identifier, ontologi, satuan, tingkat granularitas, dan ketidakpastian.
Prototipe kecil lebih bernilai daripada sistem besar yang tidak dapat
diaudit. Mahasiswa dapat memulai dengan sepuluh hingga seratus entitas,
membangun skema yang jelas, menguji kueri atau analisis, lalu
mengevaluasi apakah perluasan skala mempertahankan makna kimia serta
kinerja komputasi.
Pada akhirnya, penguasaan bagian ini dibuktikan melalui kemampuan
menjelaskan pilihan, bukan sekadar memperoleh keluaran. Mahasiswa harus
mampu menunjukkan alasan pemilihan data, representasi, algoritme,
parameter, metrik, dan bentuk visualisasi; menjelaskan alternatif yang
ditolak; serta menyatakan kondisi yang dapat membatalkan kesimpulan.
Dokumen keputusan tersebut dapat dimasukkan ke portofolio dan menjadi
dasar penyusunan proyek buku mini, tugas kelompok, skripsi, atau
penelitian kolaboratif yang menghubungkan informatika kimia dengan kimia
analitik, organik, anorganik, fisik, material, lingkungan, maupun
farmasi.
7.8 Metrik
Regresi, Klasifikasi, Ranking, dan Kalibrasi
Rmse, mae, r², q², mcc, f1, auc, enrichment, dan calibration error
menjawab pertanyaan berbeda sehingga harus dipilih sesuai penggunaan.
Pokok bahasan ini menempatkan RMSE, MAE, R2, MCC, dan calibration
sebagai komponen yang harus dipahami secara terpadu. Dalam informatika
kimia, suatu representasi atau algoritme tidak dinilai hanya dari
kecanggihannya, melainkan dari kesesuaian antara pertanyaan kimia,
bentuk data, asumsi matematis, dan keputusan yang hendak diambil. Karena
itu, mahasiswa perlu selalu menanyakan apa yang dipertahankan oleh
representasi, apa yang disederhanakan, dan informasi apa yang mungkin
hilang.
Sebagai bagian dari alur kerja reprodusibel, istilah RMSE, MAE, R2,
MCC, dan calibration tidak berdiri sendiri. Setiap istilah menentukan
cara objek kimia dipetakan ke bentuk yang dapat diproses komputer.
Perubahan kecil dalam aturan atom, ikatan, satuan, scaling, atau
pembagian data dapat mengubah hasil analisis. Disiplin ini menuntut dua
ketelitian sekaligus: ketelitian kimia untuk menjaga makna molekul dan
ketelitian komputasi untuk menjaga konsistensi operasi. Keduanya harus
terdokumentasi sehingga orang lain dapat menelusuri asal suatu
hasil.
Alur kerja yang baik biasanya dimulai dengan definisi objek dan
endpoint, dilanjutkan pemeriksaan identitas serta kualitas data,
pemilihan representasi, penerapan metode, validasi, dan interpretasi.
Pada setiap tahap, parameter penting dicatat dalam metadata. Dengan pola
tersebut, kesalahan dapat dilokalisasi. Jika hasil berubah, peneliti
dapat menentukan apakah penyebabnya terletak pada data awal,
standardisasi, fitur, algoritme, atau prosedur evaluasi, bukan sekadar
mengulangi perhitungan secara coba-coba.
Contoh yang dapat digunakan untuk membumikan konsep ini adalah model
screening memerlukan ranking awal yang baik selain klasifikasi global.
Contoh perlu dibahas pada tiga tingkat. Tingkat pertama adalah struktur
atau fenomena kimianya. Tingkat kedua adalah cara komputer menyimpan dan
memprosesnya. Tingkat ketiga adalah konsekuensi ilmiah dari keluaran
yang diperoleh. Pembahasan berlapis seperti ini mencegah mahasiswa
terjebak pada penggunaan perangkat lunak tanpa memahami makna kimia dari
input, proses, dan output.
Kesalahan yang sering muncul adalah menggunakan R² tinggi tanpa
memeriksa error absolut. Kekeliruan tersebut dapat menghasilkan analisis
yang tampak rapi namun tidak valid. Tanda peringatannya antara lain
hasil yang terlalu baik, perubahan besar akibat parameter kecil, rekaman
yang tidak dapat dilacak, dan kesimpulan yang melampaui domain data.
Pencegahannya mencakup pemeriksaan kimia manual pada sampel, baseline
sederhana, visualisasi diagnostik, pengujian sensitivitas, serta
pembandingan dengan sumber atau metode independen.
Dalam pembelajaran S1, kedalaman materi sebaiknya bergerak dari
pemahaman konsep menuju kemampuan melakukan analisis. Mahasiswa
pertama-tama menjelaskan istilah dengan bahasanya sendiri, kemudian
membaca contoh, menjalankan prosedur terbimbing, mengubah satu
parameter, dan akhirnya mempertanggungjawabkan pilihan metode. Urutan
ini lebih kuat daripada menghafal nama algoritme karena membentuk
kebiasaan berpikir ilmiah dan keterampilan audit yang diperlukan pada
proyek nyata.
Perkembangan mutakhir, termasuk basis data terbuka, komputasi awan,
pembelajaran mesin, model graf, dan AI generatif, memperluas skala serta
kecepatan analisis. Namun prinsip dasar pada bagian ini tetap berlaku.
Model modern tetap membutuhkan identitas struktur yang benar, data yang
terkurasi, split yang jujur, metrik yang tepat, serta pelaporan
keterbatasan. Teknologi baru tidak menghapus kebutuhan validasi;
sebaliknya, skala yang lebih besar membuat kesalahan kecil dapat
menyebar lebih luas.
Aktivitas yang disarankan adalah membuat tabel metrik dan
interpretasinya. Hasil aktivitas tidak cukup berupa angka atau gambar.
Mahasiswa perlu melampirkan data masukan, aturan yang dipakai,
parameter, kode atau langkah kerja, tabel hasil, interpretasi kimia, dan
catatan keterbatasan. Dengan demikian, artefak pembelajaran sekaligus
menjadi portofolio yang menunjukkan penguasaan materi serta kesiapan
bekerja dalam tim multidisiplin.
Sebagai simpulan bagian, pemahaman terhadap RMSE, MAE, R2, MCC, dan
calibration harus selalu dihubungkan dengan bab lain. Representasi
memengaruhi deskriptor; deskriptor memengaruhi kemiripan dan model;
kurasi memengaruhi seluruh keluaran; dan tujuan keputusan menentukan
metode yang layak. Hubungan berantai ini merupakan tema utama buku:
informatika kimia adalah sistem penalaran dan pengelolaan bukti, bukan
sekadar kumpulan perangkat komputasi.
Pendalaman
I — Objek, Makna, dan Tingkat Representasi
Dalam skenario industri, unit analisis pada 7.8 metrik regresi,
klasifikasi, ranking, dan kalibrasi perlu ditetapkan sebelum data
dikumpulkan. Unit itu dapat berupa satu struktur, satu bentuk ionisasi,
satu konformer, satu reaksi, satu hasil assay, atau satu pasangan
molekul-target. Pilihan unit menentukan arti RMSE dan hubungan
operasionalnya dengan MAE. Bila unit analisis berubah di tengah
pekerjaan, tabel yang tampak konsisten dapat mencampurkan objek yang
sebenarnya tidak setara. Karena itu, setiap proyek perlu mempunyai
definisi entitas, identifier utama, aturan versi, dan kebijakan ketika
satu senyawa mempunyai beberapa rekaman atau beberapa keadaan kimia.
Dalam riset akademik, representasi selalu bersifat selektif. Fokus
bagian ini, yaitu RMSE, MAE, R², Q², MCC, F1, AUC, enrichment, dan
calibration error menjawab pertanyaan berbeda sehingga harus dipilih
sesuai penggunaan, mengharuskan peneliti menjelaskan atribut mana yang
dipertahankan dan atribut mana yang diabaikan. Representasi yang
menekankan RMSE mungkin sangat efisien untuk pencarian, tetapi belum
tentu memadai untuk menalar R2. Sebaliknya, representasi yang kaya dapat
memperbesar biaya penyimpanan, waktu komputasi, dan risiko
inkonsistensi. Prinsip yang berguna adalah memakai representasi paling
sederhana yang masih mempertahankan informasi yang dibutuhkan oleh
keputusan, kemudian membandingkannya dengan representasi alternatif
sebagai uji ketahanan.
Pertama, makna kimia tidak boleh dikalahkan oleh kenyamanan format.
Istilah MAE, R2, dan MCC harus diterjemahkan ke aturan yang dapat diuji:
bagaimana nilainya diperoleh, satuan apa yang digunakan, kondisi apa
yang berlaku, dan kapan nilainya tidak dapat dibandingkan. Pada kasus
model screening memerlukan ranking awal yang baik selain klasifikasi
global, satu nilai tanpa konteks dapat menyesatkan karena dua
laboratorium atau dua perangkat mungkin menerapkan definisi, protokol,
atau parameter yang berbeda. Metadata bukan hiasan administratif;
metadata adalah bagian dari observasi dan menentukan apakah data layak
digabungkan, dimodelkan, atau digunakan kembali.
Selanjutnya, terdapat perbedaan antara identitas, kesetaraan, dan
kemiripan. Dua rekaman dapat merujuk pada parent compound yang sama
tetapi berbeda garam, stereoisomer, tautomer, isotop, atau keadaan
protonasi. Pada saat yang sama, dua struktur berbeda dapat dianggap
ekuivalen untuk tujuan tertentu, misalnya ketika analisis hanya memakai
kerangka karbon. Hubungan tersebut perlu dinyatakan sebagai kebijakan,
bukan dibiarkan menjadi perilaku bawaan perangkat. Mahasiswa sebaiknya
menguji sedikitnya lima pasangan contoh dan mencatat bagaimana kebijakan
RMSE–calibration mengubah jumlah entitas unik serta interpretasi
hasil.
Pada sisi lain, peta konsep pada bagian ini dapat dibangun dengan
menempatkan RMSE, MAE, R2, MCC, calibration sebagai simpul, lalu
menambahkan relasi 'mewakili', 'diturunkan dari', 'mempengaruhi',
'divalidasi oleh', dan 'membatasi'. Peta semacam itu membantu membedakan
hubungan definisional dari hubungan empiris. Hubungan definisional
mengikuti aturan representasi, sedangkan hubungan empiris memerlukan
data dan pengujian. Ketika mahasiswa mampu menunjukkan jenis relasi dan
bukti yang menopangnya, pemahaman mereka bergerak dari hafalan istilah
menuju model mental yang dapat dipakai untuk mendiagnosis kasus
baru.
Pendalaman
II — Akuisisi Data, Kurasi, dan Rekayasa Alur Kerja
Dalam analisis yang lebih rinci, sumber data untuk 7.8 metrik
regresi, klasifikasi, ranking, dan kalibrasi perlu dinilai pada empat
lapis: otoritas sumber, cara pengukuran atau pembangkitan, kelengkapan
metadata, dan kompatibilitas lisensi. Data publik tidak otomatis bebas
masalah. Rekaman dapat berasal dari agregasi sekunder, memiliki
pembaruan yang berbeda, atau menggunakan identifier yang berubah. Untuk
model screening memerlukan ranking awal yang baik selain klasifikasi
global, prosedur yang aman adalah menyimpan snapshot asli, tanggal
akses, versi basis data, kueri yang digunakan, serta checksum berkas.
Langkah tersebut memungkinkan peneliti membedakan perubahan akibat data
sumber dari perubahan akibat kode analisis.
Dari perspektif kimia, kurasi sebaiknya dirancang sebagai serangkaian
transformasi eksplisit, bukan penyuntingan manual tersembunyi. Setiap
transformasi—misalnya normalisasi nama, penanganan nilai hilang,
pemisahan campuran, standardisasi RMSE, atau konversi MAE—diberi nama,
alasan, parameter, jumlah rekaman terdampak, dan keluaran antara. Tabel
audit sebelum-sesudah sangat berguna karena menunjukkan apakah perubahan
besar terjadi pada kelompok tertentu. Jika satu aturan menghapus
sebagian besar senyawa bermuatan atau kelas struktur langka,
konsekuensinya terhadap ruang kimia dan generalisasi perlu dibahas.
Dari perspektif komputasi, urutan operasi dapat mengubah hasil.
Deduplicasi sebelum standardisasi mungkin menghasilkan jumlah entitas
berbeda dibanding deduplikasi setelah standardisasi; imputasi sebelum
split dapat menyebabkan kebocoran; perhitungan R2 sebelum koreksi
struktur dapat mempertahankan kesalahan ke tahap berikutnya. Oleh sebab
itu, pipeline perlu dipandang sebagai objek ilmiah yang mempunyai
urutan, dependensi, dan versi. Diagram alir harus cukup rinci sehingga
kelompok lain dapat mengimplementasikan kembali pipeline tanpa menebak
langkah yang hilang.
Pada tahap verifikasi, kontrol kualitas memerlukan kombinasi aturan
otomatis dan inspeksi kimia. Aturan otomatis unggul untuk skala besar,
sedangkan inspeksi manual diperlukan untuk memahami pola error dan
memeriksa apakah aturan terlalu agresif. Sampel inspeksi sebaiknya
mencakup rekaman acak, outlier, struktur kompleks, nilai ekstrem, serta
kasus yang diubah atau dibuang oleh pipeline. Pada bagian ini, kesalahan
khas berupa menggunakan R² tinggi tanpa memeriksa error absolut; karena
itu, laporan kurasi perlu memperlihatkan contoh konkret sebelum-sesudah
dan bukan hanya jumlah akhir.
Untuk pembelajaran berbasis proyek, penyimpanan hasil kurasi
hendaknya memisahkan data mentah, data antara, data final, dan laporan
kualitas. Berkas final diberi skema kolom, tipe data, satuan, kamus
nilai kategorik, kebijakan nilai hilang, dan identifier yang
menghubungkannya ke sumber. Penggunaan format sederhana seperti CSV
dapat diterima untuk tabel kecil, tetapi struktur, spektrum, atau relasi
kompleks mungkin memerlukan SDF, JSON, basis data relasional, atau graf
pengetahuan. Pilihan format harus mengikuti struktur data serta
kebutuhan validasi, bukan sekadar kebiasaan perangkat lunak.
Pendalaman
III — Algoritme, Parameter, dan Kompleksitas Komputasi
Dalam skenario industri, algoritme pada 7.8 metrik regresi,
klasifikasi, ranking, dan kalibrasi dapat dipahami melalui empat
komponen: masukan, transformasi, parameter, dan keluaran. Masukan perlu
mempunyai tipe serta prasyarat yang jelas; transformasi menjelaskan
operasi inti; parameter mengendalikan perilaku; dan keluaran harus
mempunyai arti kimia yang dapat diinterpretasikan. Untuk model screening
memerlukan ranking awal yang baik selain klasifikasi global, mahasiswa
perlu menuliskan pseudocode ringkas sebelum menjalankan perangkat.
Pseudocode memaksa pemisahan antara langkah kimia, langkah numerik,
serta langkah administratif seperti membaca dan menulis berkas.
Dalam riset akademik, parameter bukan sekadar tombol teknis.
Threshold, radius, ukuran bit, jumlah konformer, fungsi jarak, nilai
regularisasi, atau kriteria konvergensi mengandung asumsi mengenai
variasi yang dianggap penting. Analisis sensitivitas dapat dilakukan
dengan memilih rentang parameter yang masuk akal, menjalankan pipeline
secara sistematis, dan membandingkan stabilitas peringkat, klaster,
koefisien, atau keputusan. Bila perubahan kecil menghasilkan keputusan
yang sangat berbeda, hasil perlu dilaporkan sebagai tidak stabil dan
tidak boleh disederhanakan menjadi satu angka pasti.
Pertama, kompleksitas komputasi menjadi relevan ketika koleksi
bertambah. Operasi pasangan pada n molekul dapat tumbuh mendekati n
kuadrat, pencarian subgraf dapat mahal, dan pembangkitan konformer atau
enumerasi pustaka dapat meledak secara kombinatorial. Strategi yang
tersedia meliputi screening awal, indeks, hashing, batching,
paralelisasi, sampling, serta penggunaan representasi bertingkat. Akan
tetapi, optimasi kecepatan harus diuji terhadap akurasi. Pipeline cepat
yang kehilangan kelas senyawa penting tidak lebih baik daripada pipeline
lambat yang tidak dapat dijalankan.
Selanjutnya, implementasi perlu membedakan determinisme dan
stokastisitas. Algoritme deterministik diharapkan memberi keluaran sama
untuk input dan versi yang sama, sedangkan metode stokastik membutuhkan
seed serta pengulangan. Bahkan metode deterministik dapat berubah ketika
pustaka, model aromatisitas, urutan atom, perangkat keras, atau presisi
numerik berubah. Karena itu, catatan versi, parameter, seed, dan
lingkungan eksekusi merupakan bagian dari metode. Mahasiswa sebaiknya
mengulang analisis pada lingkungan baru untuk melihat bagian mana yang
benar-benar portabel.
Pada sisi lain, baseline membantu menilai apakah kerumitan tambahan
mempunyai manfaat nyata. Baseline dapat berupa aturan kimia sederhana,
statistik deskriptif, pencarian exact match, model linear, atau
pemilihan acak yang dikontrol. Metode lebih kompleks baru dianggap
bernilai bila meningkatkan ukuran yang relevan, stabil pada validasi,
dan tidak mengorbankan interpretabilitas atau biaya secara tidak
proporsional. Perbandingan harus menggunakan data, split, dan metrik
yang sama. Dengan demikian, klaim kemajuan tidak bergantung pada
perubahan kondisi evaluasi.
Pendalaman
IV — Validasi, Ketidakpastian, dan Diagnosis Kesalahan
Dalam analisis yang lebih rinci, validasi dimulai dengan menanyakan
jenis klaim. Klaim identitas memerlukan verifikasi struktur; klaim
prediksi memerlukan data uji yang independen; klaim cakupan memerlukan
analisis ruang kimia; dan klaim kausal memerlukan desain yang jauh lebih
kuat daripada korelasi. Pada 7.8 metrik regresi, klasifikasi, ranking,
dan kalibrasi, metrik harus dipilih setelah klaim dan biaya kesalahan
ditetapkan. Akurasi rata-rata tidak cukup bila false negative dan false
positive mempunyai konsekuensi berbeda atau bila data sangat tidak
seimbang.
Dari perspektif kimia, pemisahan data harus meniru penggunaan nyata.
Split acak sering terlalu optimistis ketika analog dekat, seri sintesis,
batch, atau sumber yang sama muncul di data latih dan uji. Alternatifnya
adalah scaffold split, time split, group split, atau external test set.
Untuk model screening memerlukan ranking awal yang baik selain
klasifikasi global, mahasiswa perlu menjelaskan unit independensi:
apakah tiap baris benar-benar observasi independen, atau beberapa baris
berasal dari molekul, eksperimen, dan laboratorium yang sama. Tanpa
definisi ini, validasi dapat mengukur kemampuan mengingat alih-alih
kemampuan menggeneralisasi.
Dari perspektif komputasi, ketidakpastian mempunyai beberapa sumber:
variasi pengukuran, ketidaklengkapan sampling, pilihan representasi,
parameter model, dan pergeseran domain. Satu interval numerik tidak
selalu merangkum semuanya. Laporan yang baik memisahkan ketidakpastian
aleatorik dari epistemik sejauh mungkin, menunjukkan variasi antar-split
atau antar-seed, dan menandai prediksi di luar domain aplikasi. Untuk
keputusan laboratorium, daftar kandidat sebaiknya dilengkapi alasan
pemilihan, tingkat keyakinan, dan rencana eksperimen konfirmasi.
Pada tahap verifikasi, diagnosis error memerlukan pemeriksaan pada
tingkat agregat dan tingkat molekul. Pada tingkat agregat, gunakan
distribusi residual, confusion matrix, kurva kalibrasi, learning curve,
atau stabilitas klaster. Pada tingkat molekul, tampilkan struktur contoh
benar dan salah, tetangga terdekat, nilai RMSE–calibration, serta
kemungkinan penyebab kimia. Pola error dapat mengungkap label salah,
mekanisme berbeda, keadaan ionisasi yang tidak sesuai, atau representasi
yang gagal menangkap fitur penting.
Untuk pembelajaran berbasis proyek, ancaman validitas perlu ditulis
secara eksplisit. Ancaman internal berkaitan dengan kurasi, kebocoran,
parameter, dan pelaksanaan; ancaman eksternal berkaitan dengan
generalisasi ke kelas molekul, kondisi, atau laboratorium lain; ancaman
konstruk berkaitan dengan apakah endpoint benar-benar mengukur konsep
yang dimaksud. Tindakan mitigasi tidak selalu menghilangkan ancaman,
tetapi membuat pembaca mengetahui batas interpretasi. Transparansi ini
lebih ilmiah daripada menyembunyikan kelemahan di balik nilai metrik
yang tinggi.
Pendalaman
V — Studi Kasus, Keputusan, dan Portofolio Reprodusibel
Dalam skenario industri, studi kasus model screening memerlukan
ranking awal yang baik selain klasifikasi global dapat dirancang sebagai
keputusan bertahap. Tahap pertama menetapkan pertanyaan dan kriteria
sukses; tahap kedua mengumpulkan serta mengaudit data; tahap ketiga
membandingkan representasi dan metode; tahap keempat melakukan validasi;
dan tahap kelima memilih tindakan eksperimen. Setiap tahap menghasilkan
artefak yang dapat diperiksa. Pendekatan bertahap mencegah keputusan
akhir bergantung pada satu skor dan memungkinkan kelompok menghentikan
proyek ketika kualitas data tidak memadai.
Dalam riset akademik, aktivitas membuat tabel metrik dan
interpretasinya sebaiknya menghasilkan lebih dari laporan naratif.
Portofolio minimum terdiri atas berkas data mentah atau tautan permanen,
data terkurasi, kamus data, notebook atau skrip, file environment,
README, gambar, tabel, dan log keputusan. Notebook tidak boleh menjadi
satu-satunya dokumentasi karena urutan eksekusi dan dependensi sering
tidak jelas. Skrip utama atau pipeline perlu dapat dijalankan dari awal
dengan satu perintah yang terdokumentasi.
Pertama, komunikasi hasil harus menghubungkan angka dengan struktur
kimia. Tabel menyajikan nilai dan ketidakpastian, grafik memperlihatkan
pola, sedangkan gambar struktur memperlihatkan alasan kimia yang
mungkin. Caption perlu menyatakan apa yang dibandingkan, data yang
digunakan, dan pesan utama tanpa memaksa pembaca mencari penjelasan di
paragraf lain. Untuk setiap klaim utama, mahasiswa dapat membuat matriks
bukti yang menunjukkan data, analisis, visualisasi, serta batasan yang
mendukung klaim tersebut.
Selanjutnya, kerja kelompok maksimal tiga mahasiswa dapat dibagi
menjadi peran kurator data, pengembang analisis, dan penelaah kimia,
tetapi seluruh anggota wajib memahami keseluruhan pipeline. Rotasi peran
pada beberapa iterasi mencegah ketergantungan pada satu orang. Log
kontribusi mencatat keputusan, commit, pemeriksaan silang, dan masalah
yang belum selesai. Penilaian kelompok perlu menggabungkan kualitas
produk, kemampuan menjelaskan pilihan, serta kemampuan mereproduksi
pekerjaan anggota lain.
Pada sisi lain, refleksi akhir perlu menjawab empat pertanyaan:
informasi apa yang paling menentukan keputusan; asumsi apa yang paling
berisiko; bukti apa yang dapat mengubah kesimpulan; dan eksperimen apa
yang paling efisien untuk mengurangi ketidakpastian. Jawaban tersebut
memperlihatkan bahwa informatika kimia tidak berhenti pada komputasi.
Tujuannya adalah membangun rantai bukti yang dapat
dipertanggungjawabkan, menghemat eksperimen yang tidak perlu, serta
memilih eksperimen berikutnya secara lebih rasional.
Pendalaman
VI — Integrasi Lintas Bab dan Agenda Penelitian
Integrasi lintas bab menempatkan 7.8 metrik regresi, klasifikasi,
ranking, dan kalibrasi sebagai mata rantai dalam sistem yang lebih
besar. Keputusan tentang RMSE akan memengaruhi cara MAE dihitung, cara
R2 dibandingkan, dan cara MCC dimasukkan ke model atau basis data.
Mahasiswa perlu melatih penalaran hulu-hilir: menelusuri dampak satu
keputusan standardisasi hingga visualisasi dan kesimpulan, lalu
menelusuri balik sebuah anomali hasil menuju sumber data serta
representasi awal. Latihan penelusuran dua arah ini efektif untuk
menemukan asumsi tersembunyi yang tidak tampak ketika tiap bab
dipelajari secara terpisah.
Sebuah pertanyaan penelitian yang baik pada tema ini mengandung
objek, konteks, pembanding, dan kriteria keberhasilan. Contohnya, bukan
sekadar 'menerapkan metode pada model screening memerlukan ranking awal
yang baik selain klasifikasi global', melainkan membandingkan dua
kebijakan representasi atau dua strategi validasi dan mengukur
pengaruhnya terhadap stabilitas keputusan. Pertanyaan semacam itu dapat
dijawab oleh mahasiswa S1 karena ruang lingkupnya terukur, tetapi tetap
memberi kontribusi metodologis. Data dan kode terbuka memungkinkan
replikasi, sedangkan variasi dataset lokal dapat memberi konteks baru
tanpa harus mengklaim penemuan yang melampaui bukti.
Agenda pengembangan berikutnya dapat diarahkan pada integrasi RMSE,
MAE, R2, MCC, calibration dengan data eksperimen, literatur, spektrum,
atau target biologis. Tantangannya bukan hanya menggabungkan tabel,
tetapi menyelaraskan identifier, ontologi, satuan, tingkat granularitas,
dan ketidakpastian. Prototipe kecil lebih bernilai daripada sistem besar
yang tidak dapat diaudit. Mahasiswa dapat memulai dengan sepuluh hingga
seratus entitas, membangun skema yang jelas, menguji kueri atau
analisis, lalu mengevaluasi apakah perluasan skala mempertahankan makna
kimia serta kinerja komputasi.
Pada akhirnya, penguasaan bagian ini dibuktikan melalui kemampuan
menjelaskan pilihan, bukan sekadar memperoleh keluaran. Mahasiswa harus
mampu menunjukkan alasan pemilihan data, representasi, algoritme,
parameter, metrik, dan bentuk visualisasi; menjelaskan alternatif yang
ditolak; serta menyatakan kondisi yang dapat membatalkan kesimpulan.
Dokumen keputusan tersebut dapat dimasukkan ke portofolio dan menjadi
dasar penyusunan proyek buku mini, tugas kelompok, skripsi, atau
penelitian kolaboratif yang menghubungkan informatika kimia dengan kimia
analitik, organik, anorganik, fisik, material, lingkungan, maupun
farmasi.
7.9
Domain Aplikasi, Ketidakpastian, dan Deteksi Out-of-Distribution
Prediksi paling dapat dipercaya untuk molekul yang cukup mirip dengan
data latih; leverage, jarak, ensemble, conformal prediction, dan
uncertainty estimation membantu menilai reliabilitas. Pokok bahasan ini
menempatkan applicability domain, leverage, uncertainty, OOD, dan
conformal prediction sebagai komponen yang harus dipahami secara
terpadu. Dalam informatika kimia, suatu representasi atau algoritme
tidak dinilai hanya dari kecanggihannya, melainkan dari kesesuaian
antara pertanyaan kimia, bentuk data, asumsi matematis, dan keputusan
yang hendak diambil. Karena itu, mahasiswa perlu selalu menanyakan apa
yang dipertahankan oleh representasi, apa yang disederhanakan, dan
informasi apa yang mungkin hilang.
Ketika diterapkan pada koleksi molekul besar, istilah applicability
domain, leverage, uncertainty, OOD, dan conformal prediction tidak
berdiri sendiri. Setiap istilah menentukan cara objek kimia dipetakan ke
bentuk yang dapat diproses komputer. Perubahan kecil dalam aturan atom,
ikatan, satuan, scaling, atau pembagian data dapat mengubah hasil
analisis. Disiplin ini menuntut dua ketelitian sekaligus: ketelitian
kimia untuk menjaga makna molekul dan ketelitian komputasi untuk menjaga
konsistensi operasi. Keduanya harus terdokumentasi sehingga orang lain
dapat menelusuri asal suatu hasil.
Alur kerja yang baik biasanya dimulai dengan definisi objek dan
endpoint, dilanjutkan pemeriksaan identitas serta kualitas data,
pemilihan representasi, penerapan metode, validasi, dan interpretasi.
Pada setiap tahap, parameter penting dicatat dalam metadata. Dengan pola
tersebut, kesalahan dapat dilokalisasi. Jika hasil berubah, peneliti
dapat menentukan apakah penyebabnya terletak pada data awal,
standardisasi, fitur, algoritme, atau prosedur evaluasi, bukan sekadar
mengulangi perhitungan secara coba-coba.
Contoh yang dapat digunakan untuk membumikan konsep ini adalah
menandai kandidat jauh dari ruang kimia latih. Contoh perlu dibahas pada
tiga tingkat. Tingkat pertama adalah struktur atau fenomena kimianya.
Tingkat kedua adalah cara komputer menyimpan dan memprosesnya. Tingkat
ketiga adalah konsekuensi ilmiah dari keluaran yang diperoleh.
Pembahasan berlapis seperti ini mencegah mahasiswa terjebak pada
penggunaan perangkat lunak tanpa memahami makna kimia dari input,
proses, dan output.
Kesalahan yang sering muncul adalah menyajikan semua prediksi dengan
kepastian sama. Kekeliruan tersebut dapat menghasilkan analisis yang
tampak rapi namun tidak valid. Tanda peringatannya antara lain hasil
yang terlalu baik, perubahan besar akibat parameter kecil, rekaman yang
tidak dapat dilacak, dan kesimpulan yang melampaui domain data.
Pencegahannya mencakup pemeriksaan kimia manual pada sampel, baseline
sederhana, visualisasi diagnostik, pengujian sensitivitas, serta
pembandingan dengan sumber atau metode independen.
Dalam pembelajaran S1, kedalaman materi sebaiknya bergerak dari
pemahaman konsep menuju kemampuan melakukan analisis. Mahasiswa
pertama-tama menjelaskan istilah dengan bahasanya sendiri, kemudian
membaca contoh, menjalankan prosedur terbimbing, mengubah satu
parameter, dan akhirnya mempertanggungjawabkan pilihan metode. Urutan
ini lebih kuat daripada menghafal nama algoritme karena membentuk
kebiasaan berpikir ilmiah dan keterampilan audit yang diperlukan pada
proyek nyata.
Perkembangan mutakhir, termasuk basis data terbuka, komputasi awan,
pembelajaran mesin, model graf, dan AI generatif, memperluas skala serta
kecepatan analisis. Namun prinsip dasar pada bagian ini tetap berlaku.
Model modern tetap membutuhkan identitas struktur yang benar, data yang
terkurasi, split yang jujur, metrik yang tepat, serta pelaporan
keterbatasan. Teknologi baru tidak menghapus kebutuhan validasi;
sebaliknya, skala yang lebih besar membuat kesalahan kecil dapat
menyebar lebih luas.
Aktivitas yang disarankan adalah menambahkan kolom confidence dan
alasan penandaan. Hasil aktivitas tidak cukup berupa angka atau gambar.
Mahasiswa perlu melampirkan data masukan, aturan yang dipakai,
parameter, kode atau langkah kerja, tabel hasil, interpretasi kimia, dan
catatan keterbatasan. Dengan demikian, artefak pembelajaran sekaligus
menjadi portofolio yang menunjukkan penguasaan materi serta kesiapan
bekerja dalam tim multidisiplin.
Sebagai simpulan bagian, pemahaman terhadap applicability domain,
leverage, uncertainty, OOD, dan conformal prediction harus selalu
dihubungkan dengan bab lain. Representasi memengaruhi deskriptor;
deskriptor memengaruhi kemiripan dan model; kurasi memengaruhi seluruh
keluaran; dan tujuan keputusan menentukan metode yang layak. Hubungan
berantai ini merupakan tema utama buku: informatika kimia adalah sistem
penalaran dan pengelolaan bukti, bukan sekadar kumpulan perangkat
komputasi.
Pendalaman
I — Objek, Makna, dan Tingkat Representasi
Pertama, unit analisis pada 7.9 domain aplikasi, ketidakpastian, dan
deteksi out-of-distribution perlu ditetapkan sebelum data dikumpulkan.
Unit itu dapat berupa satu struktur, satu bentuk ionisasi, satu
konformer, satu reaksi, satu hasil assay, atau satu pasangan
molekul-target. Pilihan unit menentukan arti applicability domain dan
hubungan operasionalnya dengan leverage. Bila unit analisis berubah di
tengah pekerjaan, tabel yang tampak konsisten dapat mencampurkan objek
yang sebenarnya tidak setara. Karena itu, setiap proyek perlu mempunyai
definisi entitas, identifier utama, aturan versi, dan kebijakan ketika
satu senyawa mempunyai beberapa rekaman atau beberapa keadaan kimia.
Selanjutnya, representasi selalu bersifat selektif. Fokus bagian ini,
yaitu prediksi paling dapat dipercaya untuk molekul yang cukup mirip
dengan data latih; leverage, jarak, ensemble, conformal prediction, dan
uncertainty estimation membantu menilai reliabilitas, mengharuskan
peneliti menjelaskan atribut mana yang dipertahankan dan atribut mana
yang diabaikan. Representasi yang menekankan applicability domain
mungkin sangat efisien untuk pencarian, tetapi belum tentu memadai untuk
menalar uncertainty. Sebaliknya, representasi yang kaya dapat
memperbesar biaya penyimpanan, waktu komputasi, dan risiko
inkonsistensi. Prinsip yang berguna adalah memakai representasi paling
sederhana yang masih mempertahankan informasi yang dibutuhkan oleh
keputusan, kemudian membandingkannya dengan representasi alternatif
sebagai uji ketahanan.
Pada sisi lain, makna kimia tidak boleh dikalahkan oleh kenyamanan
format. Istilah leverage, uncertainty, dan OOD harus diterjemahkan ke
aturan yang dapat diuji: bagaimana nilainya diperoleh, satuan apa yang
digunakan, kondisi apa yang berlaku, dan kapan nilainya tidak dapat
dibandingkan. Pada kasus menandai kandidat jauh dari ruang kimia latih,
satu nilai tanpa konteks dapat menyesatkan karena dua laboratorium atau
dua perangkat mungkin menerapkan definisi, protokol, atau parameter yang
berbeda. Metadata bukan hiasan administratif; metadata adalah bagian
dari observasi dan menentukan apakah data layak digabungkan, dimodelkan,
atau digunakan kembali.
Dalam analisis yang lebih rinci, terdapat perbedaan antara identitas,
kesetaraan, dan kemiripan. Dua rekaman dapat merujuk pada parent
compound yang sama tetapi berbeda garam, stereoisomer, tautomer, isotop,
atau keadaan protonasi. Pada saat yang sama, dua struktur berbeda dapat
dianggap ekuivalen untuk tujuan tertentu, misalnya ketika analisis hanya
memakai kerangka karbon. Hubungan tersebut perlu dinyatakan sebagai
kebijakan, bukan dibiarkan menjadi perilaku bawaan perangkat. Mahasiswa
sebaiknya menguji sedikitnya lima pasangan contoh dan mencatat bagaimana
kebijakan applicability domain–conformal prediction mengubah jumlah
entitas unik serta interpretasi hasil.
Dari perspektif kimia, peta konsep pada bagian ini dapat dibangun
dengan menempatkan applicability domain, leverage, uncertainty, OOD,
conformal prediction sebagai simpul, lalu menambahkan relasi 'mewakili',
'diturunkan dari', 'mempengaruhi', 'divalidasi oleh', dan 'membatasi'.
Peta semacam itu membantu membedakan hubungan definisional dari hubungan
empiris. Hubungan definisional mengikuti aturan representasi, sedangkan
hubungan empiris memerlukan data dan pengujian. Ketika mahasiswa mampu
menunjukkan jenis relasi dan bukti yang menopangnya, pemahaman mereka
bergerak dari hafalan istilah menuju model mental yang dapat dipakai
untuk mendiagnosis kasus baru.
Pendalaman
II — Akuisisi Data, Kurasi, dan Rekayasa Alur Kerja
Dari perspektif komputasi, sumber data untuk 7.9 domain aplikasi,
ketidakpastian, dan deteksi out-of-distribution perlu dinilai pada empat
lapis: otoritas sumber, cara pengukuran atau pembangkitan, kelengkapan
metadata, dan kompatibilitas lisensi. Data publik tidak otomatis bebas
masalah. Rekaman dapat berasal dari agregasi sekunder, memiliki
pembaruan yang berbeda, atau menggunakan identifier yang berubah. Untuk
menandai kandidat jauh dari ruang kimia latih, prosedur yang aman adalah
menyimpan snapshot asli, tanggal akses, versi basis data, kueri yang
digunakan, serta checksum berkas. Langkah tersebut memungkinkan peneliti
membedakan perubahan akibat data sumber dari perubahan akibat kode
analisis.
Pada tahap verifikasi, kurasi sebaiknya dirancang sebagai serangkaian
transformasi eksplisit, bukan penyuntingan manual tersembunyi. Setiap
transformasi—misalnya normalisasi nama, penanganan nilai hilang,
pemisahan campuran, standardisasi applicability domain, atau konversi
leverage—diberi nama, alasan, parameter, jumlah rekaman terdampak, dan
keluaran antara. Tabel audit sebelum-sesudah sangat berguna karena
menunjukkan apakah perubahan besar terjadi pada kelompok tertentu. Jika
satu aturan menghapus sebagian besar senyawa bermuatan atau kelas
struktur langka, konsekuensinya terhadap ruang kimia dan generalisasi
perlu dibahas.
Untuk pembelajaran berbasis proyek, urutan operasi dapat mengubah
hasil. Deduplicasi sebelum standardisasi mungkin menghasilkan jumlah
entitas berbeda dibanding deduplikasi setelah standardisasi; imputasi
sebelum split dapat menyebabkan kebocoran; perhitungan uncertainty
sebelum koreksi struktur dapat mempertahankan kesalahan ke tahap
berikutnya. Oleh sebab itu, pipeline perlu dipandang sebagai objek
ilmiah yang mempunyai urutan, dependensi, dan versi. Diagram alir harus
cukup rinci sehingga kelompok lain dapat mengimplementasikan kembali
pipeline tanpa menebak langkah yang hilang.
Dalam skenario industri, kontrol kualitas memerlukan kombinasi aturan
otomatis dan inspeksi kimia. Aturan otomatis unggul untuk skala besar,
sedangkan inspeksi manual diperlukan untuk memahami pola error dan
memeriksa apakah aturan terlalu agresif. Sampel inspeksi sebaiknya
mencakup rekaman acak, outlier, struktur kompleks, nilai ekstrem, serta
kasus yang diubah atau dibuang oleh pipeline. Pada bagian ini, kesalahan
khas berupa menyajikan semua prediksi dengan kepastian sama; karena itu,
laporan kurasi perlu memperlihatkan contoh konkret sebelum-sesudah dan
bukan hanya jumlah akhir.
Dalam riset akademik, penyimpanan hasil kurasi hendaknya memisahkan
data mentah, data antara, data final, dan laporan kualitas. Berkas final
diberi skema kolom, tipe data, satuan, kamus nilai kategorik, kebijakan
nilai hilang, dan identifier yang menghubungkannya ke sumber. Penggunaan
format sederhana seperti CSV dapat diterima untuk tabel kecil, tetapi
struktur, spektrum, atau relasi kompleks mungkin memerlukan SDF, JSON,
basis data relasional, atau graf pengetahuan. Pilihan format harus
mengikuti struktur data serta kebutuhan validasi, bukan sekadar
kebiasaan perangkat lunak.
Pendalaman
III — Algoritme, Parameter, dan Kompleksitas Komputasi
Pertama, algoritme pada 7.9 domain aplikasi, ketidakpastian, dan
deteksi out-of-distribution dapat dipahami melalui empat komponen:
masukan, transformasi, parameter, dan keluaran. Masukan perlu mempunyai
tipe serta prasyarat yang jelas; transformasi menjelaskan operasi inti;
parameter mengendalikan perilaku; dan keluaran harus mempunyai arti
kimia yang dapat diinterpretasikan. Untuk menandai kandidat jauh dari
ruang kimia latih, mahasiswa perlu menuliskan pseudocode ringkas sebelum
menjalankan perangkat. Pseudocode memaksa pemisahan antara langkah
kimia, langkah numerik, serta langkah administratif seperti membaca dan
menulis berkas.
Selanjutnya, parameter bukan sekadar tombol teknis. Threshold,
radius, ukuran bit, jumlah konformer, fungsi jarak, nilai regularisasi,
atau kriteria konvergensi mengandung asumsi mengenai variasi yang
dianggap penting. Analisis sensitivitas dapat dilakukan dengan memilih
rentang parameter yang masuk akal, menjalankan pipeline secara
sistematis, dan membandingkan stabilitas peringkat, klaster, koefisien,
atau keputusan. Bila perubahan kecil menghasilkan keputusan yang sangat
berbeda, hasil perlu dilaporkan sebagai tidak stabil dan tidak boleh
disederhanakan menjadi satu angka pasti.
Pada sisi lain, kompleksitas komputasi menjadi relevan ketika koleksi
bertambah. Operasi pasangan pada n molekul dapat tumbuh mendekati n
kuadrat, pencarian subgraf dapat mahal, dan pembangkitan konformer atau
enumerasi pustaka dapat meledak secara kombinatorial. Strategi yang
tersedia meliputi screening awal, indeks, hashing, batching,
paralelisasi, sampling, serta penggunaan representasi bertingkat. Akan
tetapi, optimasi kecepatan harus diuji terhadap akurasi. Pipeline cepat
yang kehilangan kelas senyawa penting tidak lebih baik daripada pipeline
lambat yang tidak dapat dijalankan.
Dalam analisis yang lebih rinci, implementasi perlu membedakan
determinisme dan stokastisitas. Algoritme deterministik diharapkan
memberi keluaran sama untuk input dan versi yang sama, sedangkan metode
stokastik membutuhkan seed serta pengulangan. Bahkan metode
deterministik dapat berubah ketika pustaka, model aromatisitas, urutan
atom, perangkat keras, atau presisi numerik berubah. Karena itu, catatan
versi, parameter, seed, dan lingkungan eksekusi merupakan bagian dari
metode. Mahasiswa sebaiknya mengulang analisis pada lingkungan baru
untuk melihat bagian mana yang benar-benar portabel.
Dari perspektif kimia, baseline membantu menilai apakah kerumitan
tambahan mempunyai manfaat nyata. Baseline dapat berupa aturan kimia
sederhana, statistik deskriptif, pencarian exact match, model linear,
atau pemilihan acak yang dikontrol. Metode lebih kompleks baru dianggap
bernilai bila meningkatkan ukuran yang relevan, stabil pada validasi,
dan tidak mengorbankan interpretabilitas atau biaya secara tidak
proporsional. Perbandingan harus menggunakan data, split, dan metrik
yang sama. Dengan demikian, klaim kemajuan tidak bergantung pada
perubahan kondisi evaluasi.
Pendalaman
IV — Validasi, Ketidakpastian, dan Diagnosis Kesalahan
Dari perspektif komputasi, validasi dimulai dengan menanyakan jenis
klaim. Klaim identitas memerlukan verifikasi struktur; klaim prediksi
memerlukan data uji yang independen; klaim cakupan memerlukan analisis
ruang kimia; dan klaim kausal memerlukan desain yang jauh lebih kuat
daripada korelasi. Pada 7.9 domain aplikasi, ketidakpastian, dan deteksi
out-of-distribution, metrik harus dipilih setelah klaim dan biaya
kesalahan ditetapkan. Akurasi rata-rata tidak cukup bila false negative
dan false positive mempunyai konsekuensi berbeda atau bila data sangat
tidak seimbang.
Pada tahap verifikasi, pemisahan data harus meniru penggunaan nyata.
Split acak sering terlalu optimistis ketika analog dekat, seri sintesis,
batch, atau sumber yang sama muncul di data latih dan uji. Alternatifnya
adalah scaffold split, time split, group split, atau external test set.
Untuk menandai kandidat jauh dari ruang kimia latih, mahasiswa perlu
menjelaskan unit independensi: apakah tiap baris benar-benar observasi
independen, atau beberapa baris berasal dari molekul, eksperimen, dan
laboratorium yang sama. Tanpa definisi ini, validasi dapat mengukur
kemampuan mengingat alih-alih kemampuan menggeneralisasi.
Untuk pembelajaran berbasis proyek, ketidakpastian mempunyai beberapa
sumber: variasi pengukuran, ketidaklengkapan sampling, pilihan
representasi, parameter model, dan pergeseran domain. Satu interval
numerik tidak selalu merangkum semuanya. Laporan yang baik memisahkan
ketidakpastian aleatorik dari epistemik sejauh mungkin, menunjukkan
variasi antar-split atau antar-seed, dan menandai prediksi di luar
domain aplikasi. Untuk keputusan laboratorium, daftar kandidat sebaiknya
dilengkapi alasan pemilihan, tingkat keyakinan, dan rencana eksperimen
konfirmasi.
Dalam skenario industri, diagnosis error memerlukan pemeriksaan pada
tingkat agregat dan tingkat molekul. Pada tingkat agregat, gunakan
distribusi residual, confusion matrix, kurva kalibrasi, learning curve,
atau stabilitas klaster. Pada tingkat molekul, tampilkan struktur contoh
benar dan salah, tetangga terdekat, nilai applicability domain–conformal
prediction, serta kemungkinan penyebab kimia. Pola error dapat
mengungkap label salah, mekanisme berbeda, keadaan ionisasi yang tidak
sesuai, atau representasi yang gagal menangkap fitur penting.
Dalam riset akademik, ancaman validitas perlu ditulis secara
eksplisit. Ancaman internal berkaitan dengan kurasi, kebocoran,
parameter, dan pelaksanaan; ancaman eksternal berkaitan dengan
generalisasi ke kelas molekul, kondisi, atau laboratorium lain; ancaman
konstruk berkaitan dengan apakah endpoint benar-benar mengukur konsep
yang dimaksud. Tindakan mitigasi tidak selalu menghilangkan ancaman,
tetapi membuat pembaca mengetahui batas interpretasi. Transparansi ini
lebih ilmiah daripada menyembunyikan kelemahan di balik nilai metrik
yang tinggi.
Pendalaman
V — Studi Kasus, Keputusan, dan Portofolio Reprodusibel
Pertama, studi kasus menandai kandidat jauh dari ruang kimia latih
dapat dirancang sebagai keputusan bertahap. Tahap pertama menetapkan
pertanyaan dan kriteria sukses; tahap kedua mengumpulkan serta mengaudit
data; tahap ketiga membandingkan representasi dan metode; tahap keempat
melakukan validasi; dan tahap kelima memilih tindakan eksperimen. Setiap
tahap menghasilkan artefak yang dapat diperiksa. Pendekatan bertahap
mencegah keputusan akhir bergantung pada satu skor dan memungkinkan
kelompok menghentikan proyek ketika kualitas data tidak memadai.
Selanjutnya, aktivitas menambahkan kolom confidence dan alasan
penandaan sebaiknya menghasilkan lebih dari laporan naratif. Portofolio
minimum terdiri atas berkas data mentah atau tautan permanen, data
terkurasi, kamus data, notebook atau skrip, file environment, README,
gambar, tabel, dan log keputusan. Notebook tidak boleh menjadi
satu-satunya dokumentasi karena urutan eksekusi dan dependensi sering
tidak jelas. Skrip utama atau pipeline perlu dapat dijalankan dari awal
dengan satu perintah yang terdokumentasi.
Pada sisi lain, komunikasi hasil harus menghubungkan angka dengan
struktur kimia. Tabel menyajikan nilai dan ketidakpastian, grafik
memperlihatkan pola, sedangkan gambar struktur memperlihatkan alasan
kimia yang mungkin. Caption perlu menyatakan apa yang dibandingkan, data
yang digunakan, dan pesan utama tanpa memaksa pembaca mencari penjelasan
di paragraf lain. Untuk setiap klaim utama, mahasiswa dapat membuat
matriks bukti yang menunjukkan data, analisis, visualisasi, serta
batasan yang mendukung klaim tersebut.
Dalam analisis yang lebih rinci, kerja kelompok maksimal tiga
mahasiswa dapat dibagi menjadi peran kurator data, pengembang analisis,
dan penelaah kimia, tetapi seluruh anggota wajib memahami keseluruhan
pipeline. Rotasi peran pada beberapa iterasi mencegah ketergantungan
pada satu orang. Log kontribusi mencatat keputusan, commit, pemeriksaan
silang, dan masalah yang belum selesai. Penilaian kelompok perlu
menggabungkan kualitas produk, kemampuan menjelaskan pilihan, serta
kemampuan mereproduksi pekerjaan anggota lain.
Dari perspektif kimia, refleksi akhir perlu menjawab empat
pertanyaan: informasi apa yang paling menentukan keputusan; asumsi apa
yang paling berisiko; bukti apa yang dapat mengubah kesimpulan; dan
eksperimen apa yang paling efisien untuk mengurangi ketidakpastian.
Jawaban tersebut memperlihatkan bahwa informatika kimia tidak berhenti
pada komputasi. Tujuannya adalah membangun rantai bukti yang dapat
dipertanggungjawabkan, menghemat eksperimen yang tidak perlu, serta
memilih eksperimen berikutnya secara lebih rasional.
Pendalaman
VI — Integrasi Lintas Bab dan Agenda Penelitian
Integrasi lintas bab menempatkan 7.9 domain aplikasi, ketidakpastian,
dan deteksi out-of-distribution sebagai mata rantai dalam sistem yang
lebih besar. Keputusan tentang applicability domain akan memengaruhi
cara leverage dihitung, cara uncertainty dibandingkan, dan cara OOD
dimasukkan ke model atau basis data. Mahasiswa perlu melatih penalaran
hulu-hilir: menelusuri dampak satu keputusan standardisasi hingga
visualisasi dan kesimpulan, lalu menelusuri balik sebuah anomali hasil
menuju sumber data serta representasi awal. Latihan penelusuran dua arah
ini efektif untuk menemukan asumsi tersembunyi yang tidak tampak ketika
tiap bab dipelajari secara terpisah.
Sebuah pertanyaan penelitian yang baik pada tema ini mengandung
objek, konteks, pembanding, dan kriteria keberhasilan. Contohnya, bukan
sekadar 'menerapkan metode pada menandai kandidat jauh dari ruang kimia
latih', melainkan membandingkan dua kebijakan representasi atau dua
strategi validasi dan mengukur pengaruhnya terhadap stabilitas
keputusan. Pertanyaan semacam itu dapat dijawab oleh mahasiswa S1 karena
ruang lingkupnya terukur, tetapi tetap memberi kontribusi metodologis.
Data dan kode terbuka memungkinkan replikasi, sedangkan variasi dataset
lokal dapat memberi konteks baru tanpa harus mengklaim penemuan yang
melampaui bukti.
Agenda pengembangan berikutnya dapat diarahkan pada integrasi
applicability domain, leverage, uncertainty, OOD, conformal prediction
dengan data eksperimen, literatur, spektrum, atau target biologis.
Tantangannya bukan hanya menggabungkan tabel, tetapi menyelaraskan
identifier, ontologi, satuan, tingkat granularitas, dan ketidakpastian.
Prototipe kecil lebih bernilai daripada sistem besar yang tidak dapat
diaudit. Mahasiswa dapat memulai dengan sepuluh hingga seratus entitas,
membangun skema yang jelas, menguji kueri atau analisis, lalu
mengevaluasi apakah perluasan skala mempertahankan makna kimia serta
kinerja komputasi.
Pada akhirnya, penguasaan bagian ini dibuktikan melalui kemampuan
menjelaskan pilihan, bukan sekadar memperoleh keluaran. Mahasiswa harus
mampu menunjukkan alasan pemilihan data, representasi, algoritme,
parameter, metrik, dan bentuk visualisasi; menjelaskan alternatif yang
ditolak; serta menyatakan kondisi yang dapat membatalkan kesimpulan.
Dokumen keputusan tersebut dapat dimasukkan ke portofolio dan menjadi
dasar penyusunan proyek buku mini, tugas kelompok, skripsi, atau
penelitian kolaboratif yang menghubungkan informatika kimia dengan kimia
analitik, organik, anorganik, fisik, material, lingkungan, maupun
farmasi.
7.10
Interpretabilitas, Kausalitas, dan Pelaporan Model
Feature importance, shap, atom attribution, matched molecular pairs,
dan analisis residual membantu memahami model, tetapi penjelasan
prediktif tidak otomatis bersifat kausal. Pokok bahasan ini menempatkan
interpretability, SHAP, atom attribution, MMP, dan model card sebagai
komponen yang harus dipahami secara terpadu. Dalam informatika kimia,
suatu representasi atau algoritme tidak dinilai hanya dari
kecanggihannya, melainkan dari kesesuaian antara pertanyaan kimia,
bentuk data, asumsi matematis, dan keputusan yang hendak diambil. Karena
itu, mahasiswa perlu selalu menanyakan apa yang dipertahankan oleh
representasi, apa yang disederhanakan, dan informasi apa yang mungkin
hilang.
Sebagai bagian dari alur kerja reprodusibel, istilah
interpretability, SHAP, atom attribution, MMP, dan model card tidak
berdiri sendiri. Setiap istilah menentukan cara objek kimia dipetakan ke
bentuk yang dapat diproses komputer. Perubahan kecil dalam aturan atom,
ikatan, satuan, scaling, atau pembagian data dapat mengubah hasil
analisis. Disiplin ini menuntut dua ketelitian sekaligus: ketelitian
kimia untuk menjaga makna molekul dan ketelitian komputasi untuk menjaga
konsistensi operasi. Keduanya harus terdokumentasi sehingga orang lain
dapat menelusuri asal suatu hasil.
Alur kerja yang baik biasanya dimulai dengan definisi objek dan
endpoint, dilanjutkan pemeriksaan identitas serta kualitas data,
pemilihan representasi, penerapan metode, validasi, dan interpretasi.
Pada setiap tahap, parameter penting dicatat dalam metadata. Dengan pola
tersebut, kesalahan dapat dilokalisasi. Jika hasil berubah, peneliti
dapat menentukan apakah penyebabnya terletak pada data awal,
standardisasi, fitur, algoritme, atau prosedur evaluasi, bukan sekadar
mengulangi perhitungan secara coba-coba.
Contoh yang dapat digunakan untuk membumikan konsep ini adalah
menyoroti substruktur yang mendorong prediksi aktivitas. Contoh perlu
dibahas pada tiga tingkat. Tingkat pertama adalah struktur atau fenomena
kimianya. Tingkat kedua adalah cara komputer menyimpan dan memprosesnya.
Tingkat ketiga adalah konsekuensi ilmiah dari keluaran yang diperoleh.
Pembahasan berlapis seperti ini mencegah mahasiswa terjebak pada
penggunaan perangkat lunak tanpa memahami makna kimia dari input,
proses, dan output.
Kesalahan yang sering muncul adalah menggunakan penjelasan post-hoc
untuk membuktikan mekanisme biologis. Kekeliruan tersebut dapat
menghasilkan analisis yang tampak rapi namun tidak valid. Tanda
peringatannya antara lain hasil yang terlalu baik, perubahan besar
akibat parameter kecil, rekaman yang tidak dapat dilacak, dan kesimpulan
yang melampaui domain data. Pencegahannya mencakup pemeriksaan kimia
manual pada sampel, baseline sederhana, visualisasi diagnostik,
pengujian sensitivitas, serta pembandingan dengan sumber atau metode
independen.
Dalam pembelajaran S1, kedalaman materi sebaiknya bergerak dari
pemahaman konsep menuju kemampuan melakukan analisis. Mahasiswa
pertama-tama menjelaskan istilah dengan bahasanya sendiri, kemudian
membaca contoh, menjalankan prosedur terbimbing, mengubah satu
parameter, dan akhirnya mempertanggungjawabkan pilihan metode. Urutan
ini lebih kuat daripada menghafal nama algoritme karena membentuk
kebiasaan berpikir ilmiah dan keterampilan audit yang diperlukan pada
proyek nyata.
Perkembangan mutakhir, termasuk basis data terbuka, komputasi awan,
pembelajaran mesin, model graf, dan AI generatif, memperluas skala serta
kecepatan analisis. Namun prinsip dasar pada bagian ini tetap berlaku.
Model modern tetap membutuhkan identitas struktur yang benar, data yang
terkurasi, split yang jujur, metrik yang tepat, serta pelaporan
keterbatasan. Teknologi baru tidak menghapus kebutuhan validasi;
sebaliknya, skala yang lebih besar membuat kesalahan kecil dapat
menyebar lebih luas.
Aktivitas yang disarankan adalah menyusun model card yang menyatakan
data, metrik, batasan, dan penggunaan. Hasil aktivitas tidak cukup
berupa angka atau gambar. Mahasiswa perlu melampirkan data masukan,
aturan yang dipakai, parameter, kode atau langkah kerja, tabel hasil,
interpretasi kimia, dan catatan keterbatasan. Dengan demikian, artefak
pembelajaran sekaligus menjadi portofolio yang menunjukkan penguasaan
materi serta kesiapan bekerja dalam tim multidisiplin.
Sebagai simpulan bagian, pemahaman terhadap interpretability, SHAP,
atom attribution, MMP, dan model card harus selalu dihubungkan dengan
bab lain. Representasi memengaruhi deskriptor; deskriptor memengaruhi
kemiripan dan model; kurasi memengaruhi seluruh keluaran; dan tujuan
keputusan menentukan metode yang layak. Hubungan berantai ini merupakan
tema utama buku: informatika kimia adalah sistem penalaran dan
pengelolaan bukti, bukan sekadar kumpulan perangkat komputasi.
Pendalaman
I — Objek, Makna, dan Tingkat Representasi
Pertama, unit analisis pada 7.10 interpretabilitas, kausalitas, dan
pelaporan model perlu ditetapkan sebelum data dikumpulkan. Unit itu
dapat berupa satu struktur, satu bentuk ionisasi, satu konformer, satu
reaksi, satu hasil assay, atau satu pasangan molekul-target. Pilihan
unit menentukan arti interpretability dan hubungan operasionalnya dengan
SHAP. Bila unit analisis berubah di tengah pekerjaan, tabel yang tampak
konsisten dapat mencampurkan objek yang sebenarnya tidak setara. Karena
itu, setiap proyek perlu mempunyai definisi entitas, identifier utama,
aturan versi, dan kebijakan ketika satu senyawa mempunyai beberapa
rekaman atau beberapa keadaan kimia.
Selanjutnya, representasi selalu bersifat selektif. Fokus bagian ini,
yaitu feature importance, SHAP, atom attribution, matched molecular
pairs, dan analisis residual membantu memahami model, tetapi penjelasan
prediktif tidak otomatis bersifat kausal, mengharuskan peneliti
menjelaskan atribut mana yang dipertahankan dan atribut mana yang
diabaikan. Representasi yang menekankan interpretability mungkin sangat
efisien untuk pencarian, tetapi belum tentu memadai untuk menalar atom
attribution. Sebaliknya, representasi yang kaya dapat memperbesar biaya
penyimpanan, waktu komputasi, dan risiko inkonsistensi. Prinsip yang
berguna adalah memakai representasi paling sederhana yang masih
mempertahankan informasi yang dibutuhkan oleh keputusan, kemudian
membandingkannya dengan representasi alternatif sebagai uji
ketahanan.
Pada sisi lain, makna kimia tidak boleh dikalahkan oleh kenyamanan
format. Istilah SHAP, atom attribution, dan MMP harus diterjemahkan ke
aturan yang dapat diuji: bagaimana nilainya diperoleh, satuan apa yang
digunakan, kondisi apa yang berlaku, dan kapan nilainya tidak dapat
dibandingkan. Pada kasus menyoroti substruktur yang mendorong prediksi
aktivitas, satu nilai tanpa konteks dapat menyesatkan karena dua
laboratorium atau dua perangkat mungkin menerapkan definisi, protokol,
atau parameter yang berbeda. Metadata bukan hiasan administratif;
metadata adalah bagian dari observasi dan menentukan apakah data layak
digabungkan, dimodelkan, atau digunakan kembali.
Dalam analisis yang lebih rinci, terdapat perbedaan antara identitas,
kesetaraan, dan kemiripan. Dua rekaman dapat merujuk pada parent
compound yang sama tetapi berbeda garam, stereoisomer, tautomer, isotop,
atau keadaan protonasi. Pada saat yang sama, dua struktur berbeda dapat
dianggap ekuivalen untuk tujuan tertentu, misalnya ketika analisis hanya
memakai kerangka karbon. Hubungan tersebut perlu dinyatakan sebagai
kebijakan, bukan dibiarkan menjadi perilaku bawaan perangkat. Mahasiswa
sebaiknya menguji sedikitnya lima pasangan contoh dan mencatat bagaimana
kebijakan interpretability–model card mengubah jumlah entitas unik serta
interpretasi hasil.
Dari perspektif kimia, peta konsep pada bagian ini dapat dibangun
dengan menempatkan interpretability, SHAP, atom attribution, MMP, model
card sebagai simpul, lalu menambahkan relasi 'mewakili', 'diturunkan
dari', 'mempengaruhi', 'divalidasi oleh', dan 'membatasi'. Peta semacam
itu membantu membedakan hubungan definisional dari hubungan empiris.
Hubungan definisional mengikuti aturan representasi, sedangkan hubungan
empiris memerlukan data dan pengujian. Ketika mahasiswa mampu
menunjukkan jenis relasi dan bukti yang menopangnya, pemahaman mereka
bergerak dari hafalan istilah menuju model mental yang dapat dipakai
untuk mendiagnosis kasus baru.
Pendalaman
II — Akuisisi Data, Kurasi, dan Rekayasa Alur Kerja
Dari perspektif komputasi, sumber data untuk 7.10 interpretabilitas,
kausalitas, dan pelaporan model perlu dinilai pada empat lapis: otoritas
sumber, cara pengukuran atau pembangkitan, kelengkapan metadata, dan
kompatibilitas lisensi. Data publik tidak otomatis bebas masalah.
Rekaman dapat berasal dari agregasi sekunder, memiliki pembaruan yang
berbeda, atau menggunakan identifier yang berubah. Untuk menyoroti
substruktur yang mendorong prediksi aktivitas, prosedur yang aman adalah
menyimpan snapshot asli, tanggal akses, versi basis data, kueri yang
digunakan, serta checksum berkas. Langkah tersebut memungkinkan peneliti
membedakan perubahan akibat data sumber dari perubahan akibat kode
analisis.
Pada tahap verifikasi, kurasi sebaiknya dirancang sebagai serangkaian
transformasi eksplisit, bukan penyuntingan manual tersembunyi. Setiap
transformasi—misalnya normalisasi nama, penanganan nilai hilang,
pemisahan campuran, standardisasi interpretability, atau konversi
SHAP—diberi nama, alasan, parameter, jumlah rekaman terdampak, dan
keluaran antara. Tabel audit sebelum-sesudah sangat berguna karena
menunjukkan apakah perubahan besar terjadi pada kelompok tertentu. Jika
satu aturan menghapus sebagian besar senyawa bermuatan atau kelas
struktur langka, konsekuensinya terhadap ruang kimia dan generalisasi
perlu dibahas.
Untuk pembelajaran berbasis proyek, urutan operasi dapat mengubah
hasil. Deduplicasi sebelum standardisasi mungkin menghasilkan jumlah
entitas berbeda dibanding deduplikasi setelah standardisasi; imputasi
sebelum split dapat menyebabkan kebocoran; perhitungan atom attribution
sebelum koreksi struktur dapat mempertahankan kesalahan ke tahap
berikutnya. Oleh sebab itu, pipeline perlu dipandang sebagai objek
ilmiah yang mempunyai urutan, dependensi, dan versi. Diagram alir harus
cukup rinci sehingga kelompok lain dapat mengimplementasikan kembali
pipeline tanpa menebak langkah yang hilang.
Dalam skenario industri, kontrol kualitas memerlukan kombinasi aturan
otomatis dan inspeksi kimia. Aturan otomatis unggul untuk skala besar,
sedangkan inspeksi manual diperlukan untuk memahami pola error dan
memeriksa apakah aturan terlalu agresif. Sampel inspeksi sebaiknya
mencakup rekaman acak, outlier, struktur kompleks, nilai ekstrem, serta
kasus yang diubah atau dibuang oleh pipeline. Pada bagian ini, kesalahan
khas berupa menggunakan penjelasan post-hoc untuk membuktikan mekanisme
biologis; karena itu, laporan kurasi perlu memperlihatkan contoh konkret
sebelum-sesudah dan bukan hanya jumlah akhir.
Dalam riset akademik, penyimpanan hasil kurasi hendaknya memisahkan
data mentah, data antara, data final, dan laporan kualitas. Berkas final
diberi skema kolom, tipe data, satuan, kamus nilai kategorik, kebijakan
nilai hilang, dan identifier yang menghubungkannya ke sumber. Penggunaan
format sederhana seperti CSV dapat diterima untuk tabel kecil, tetapi
struktur, spektrum, atau relasi kompleks mungkin memerlukan SDF, JSON,
basis data relasional, atau graf pengetahuan. Pilihan format harus
mengikuti struktur data serta kebutuhan validasi, bukan sekadar
kebiasaan perangkat lunak.
Pendalaman
III — Algoritme, Parameter, dan Kompleksitas Komputasi
Pertama, algoritme pada 7.10 interpretabilitas, kausalitas, dan
pelaporan model dapat dipahami melalui empat komponen: masukan,
transformasi, parameter, dan keluaran. Masukan perlu mempunyai tipe
serta prasyarat yang jelas; transformasi menjelaskan operasi inti;
parameter mengendalikan perilaku; dan keluaran harus mempunyai arti
kimia yang dapat diinterpretasikan. Untuk menyoroti substruktur yang
mendorong prediksi aktivitas, mahasiswa perlu menuliskan pseudocode
ringkas sebelum menjalankan perangkat. Pseudocode memaksa pemisahan
antara langkah kimia, langkah numerik, serta langkah administratif
seperti membaca dan menulis berkas.
Selanjutnya, parameter bukan sekadar tombol teknis. Threshold,
radius, ukuran bit, jumlah konformer, fungsi jarak, nilai regularisasi,
atau kriteria konvergensi mengandung asumsi mengenai variasi yang
dianggap penting. Analisis sensitivitas dapat dilakukan dengan memilih
rentang parameter yang masuk akal, menjalankan pipeline secara
sistematis, dan membandingkan stabilitas peringkat, klaster, koefisien,
atau keputusan. Bila perubahan kecil menghasilkan keputusan yang sangat
berbeda, hasil perlu dilaporkan sebagai tidak stabil dan tidak boleh
disederhanakan menjadi satu angka pasti.
Pada sisi lain, kompleksitas komputasi menjadi relevan ketika koleksi
bertambah. Operasi pasangan pada n molekul dapat tumbuh mendekati n
kuadrat, pencarian subgraf dapat mahal, dan pembangkitan konformer atau
enumerasi pustaka dapat meledak secara kombinatorial. Strategi yang
tersedia meliputi screening awal, indeks, hashing, batching,
paralelisasi, sampling, serta penggunaan representasi bertingkat. Akan
tetapi, optimasi kecepatan harus diuji terhadap akurasi. Pipeline cepat
yang kehilangan kelas senyawa penting tidak lebih baik daripada pipeline
lambat yang tidak dapat dijalankan.
Dalam analisis yang lebih rinci, implementasi perlu membedakan
determinisme dan stokastisitas. Algoritme deterministik diharapkan
memberi keluaran sama untuk input dan versi yang sama, sedangkan metode
stokastik membutuhkan seed serta pengulangan. Bahkan metode
deterministik dapat berubah ketika pustaka, model aromatisitas, urutan
atom, perangkat keras, atau presisi numerik berubah. Karena itu, catatan
versi, parameter, seed, dan lingkungan eksekusi merupakan bagian dari
metode. Mahasiswa sebaiknya mengulang analisis pada lingkungan baru
untuk melihat bagian mana yang benar-benar portabel.
Dari perspektif kimia, baseline membantu menilai apakah kerumitan
tambahan mempunyai manfaat nyata. Baseline dapat berupa aturan kimia
sederhana, statistik deskriptif, pencarian exact match, model linear,
atau pemilihan acak yang dikontrol. Metode lebih kompleks baru dianggap
bernilai bila meningkatkan ukuran yang relevan, stabil pada validasi,
dan tidak mengorbankan interpretabilitas atau biaya secara tidak
proporsional. Perbandingan harus menggunakan data, split, dan metrik
yang sama. Dengan demikian, klaim kemajuan tidak bergantung pada
perubahan kondisi evaluasi.
Pendalaman
IV — Validasi, Ketidakpastian, dan Diagnosis Kesalahan
Dari perspektif komputasi, validasi dimulai dengan menanyakan jenis
klaim. Klaim identitas memerlukan verifikasi struktur; klaim prediksi
memerlukan data uji yang independen; klaim cakupan memerlukan analisis
ruang kimia; dan klaim kausal memerlukan desain yang jauh lebih kuat
daripada korelasi. Pada 7.10 interpretabilitas, kausalitas, dan
pelaporan model, metrik harus dipilih setelah klaim dan biaya kesalahan
ditetapkan. Akurasi rata-rata tidak cukup bila false negative dan false
positive mempunyai konsekuensi berbeda atau bila data sangat tidak
seimbang.
Pada tahap verifikasi, pemisahan data harus meniru penggunaan nyata.
Split acak sering terlalu optimistis ketika analog dekat, seri sintesis,
batch, atau sumber yang sama muncul di data latih dan uji. Alternatifnya
adalah scaffold split, time split, group split, atau external test set.
Untuk menyoroti substruktur yang mendorong prediksi aktivitas, mahasiswa
perlu menjelaskan unit independensi: apakah tiap baris benar-benar
observasi independen, atau beberapa baris berasal dari molekul,
eksperimen, dan laboratorium yang sama. Tanpa definisi ini, validasi
dapat mengukur kemampuan mengingat alih-alih kemampuan
menggeneralisasi.
Untuk pembelajaran berbasis proyek, ketidakpastian mempunyai beberapa
sumber: variasi pengukuran, ketidaklengkapan sampling, pilihan
representasi, parameter model, dan pergeseran domain. Satu interval
numerik tidak selalu merangkum semuanya. Laporan yang baik memisahkan
ketidakpastian aleatorik dari epistemik sejauh mungkin, menunjukkan
variasi antar-split atau antar-seed, dan menandai prediksi di luar
domain aplikasi. Untuk keputusan laboratorium, daftar kandidat sebaiknya
dilengkapi alasan pemilihan, tingkat keyakinan, dan rencana eksperimen
konfirmasi.
Dalam skenario industri, diagnosis error memerlukan pemeriksaan pada
tingkat agregat dan tingkat molekul. Pada tingkat agregat, gunakan
distribusi residual, confusion matrix, kurva kalibrasi, learning curve,
atau stabilitas klaster. Pada tingkat molekul, tampilkan struktur contoh
benar dan salah, tetangga terdekat, nilai interpretability–model card,
serta kemungkinan penyebab kimia. Pola error dapat mengungkap label
salah, mekanisme berbeda, keadaan ionisasi yang tidak sesuai, atau
representasi yang gagal menangkap fitur penting.
Dalam riset akademik, ancaman validitas perlu ditulis secara
eksplisit. Ancaman internal berkaitan dengan kurasi, kebocoran,
parameter, dan pelaksanaan; ancaman eksternal berkaitan dengan
generalisasi ke kelas molekul, kondisi, atau laboratorium lain; ancaman
konstruk berkaitan dengan apakah endpoint benar-benar mengukur konsep
yang dimaksud. Tindakan mitigasi tidak selalu menghilangkan ancaman,
tetapi membuat pembaca mengetahui batas interpretasi. Transparansi ini
lebih ilmiah daripada menyembunyikan kelemahan di balik nilai metrik
yang tinggi.
Pendalaman
V — Studi Kasus, Keputusan, dan Portofolio Reprodusibel
Pertama, studi kasus menyoroti substruktur yang mendorong prediksi
aktivitas dapat dirancang sebagai keputusan bertahap. Tahap pertama
menetapkan pertanyaan dan kriteria sukses; tahap kedua mengumpulkan
serta mengaudit data; tahap ketiga membandingkan representasi dan
metode; tahap keempat melakukan validasi; dan tahap kelima memilih
tindakan eksperimen. Setiap tahap menghasilkan artefak yang dapat
diperiksa. Pendekatan bertahap mencegah keputusan akhir bergantung pada
satu skor dan memungkinkan kelompok menghentikan proyek ketika kualitas
data tidak memadai.
Selanjutnya, aktivitas menyusun model card yang menyatakan data,
metrik, batasan, dan penggunaan sebaiknya menghasilkan lebih dari
laporan naratif. Portofolio minimum terdiri atas berkas data mentah atau
tautan permanen, data terkurasi, kamus data, notebook atau skrip, file
environment, README, gambar, tabel, dan log keputusan. Notebook tidak
boleh menjadi satu-satunya dokumentasi karena urutan eksekusi dan
dependensi sering tidak jelas. Skrip utama atau pipeline perlu dapat
dijalankan dari awal dengan satu perintah yang terdokumentasi.
Pada sisi lain, komunikasi hasil harus menghubungkan angka dengan
struktur kimia. Tabel menyajikan nilai dan ketidakpastian, grafik
memperlihatkan pola, sedangkan gambar struktur memperlihatkan alasan
kimia yang mungkin. Caption perlu menyatakan apa yang dibandingkan, data
yang digunakan, dan pesan utama tanpa memaksa pembaca mencari penjelasan
di paragraf lain. Untuk setiap klaim utama, mahasiswa dapat membuat
matriks bukti yang menunjukkan data, analisis, visualisasi, serta
batasan yang mendukung klaim tersebut.
Dalam analisis yang lebih rinci, kerja kelompok maksimal tiga
mahasiswa dapat dibagi menjadi peran kurator data, pengembang analisis,
dan penelaah kimia, tetapi seluruh anggota wajib memahami keseluruhan
pipeline. Rotasi peran pada beberapa iterasi mencegah ketergantungan
pada satu orang. Log kontribusi mencatat keputusan, commit, pemeriksaan
silang, dan masalah yang belum selesai. Penilaian kelompok perlu
menggabungkan kualitas produk, kemampuan menjelaskan pilihan, serta
kemampuan mereproduksi pekerjaan anggota lain.
Dari perspektif kimia, refleksi akhir perlu menjawab empat
pertanyaan: informasi apa yang paling menentukan keputusan; asumsi apa
yang paling berisiko; bukti apa yang dapat mengubah kesimpulan; dan
eksperimen apa yang paling efisien untuk mengurangi ketidakpastian.
Jawaban tersebut memperlihatkan bahwa informatika kimia tidak berhenti
pada komputasi. Tujuannya adalah membangun rantai bukti yang dapat
dipertanggungjawabkan, menghemat eksperimen yang tidak perlu, serta
memilih eksperimen berikutnya secara lebih rasional.
Pendalaman
VI — Integrasi Lintas Bab dan Agenda Penelitian
Integrasi lintas bab menempatkan 7.10 interpretabilitas, kausalitas,
dan pelaporan model sebagai mata rantai dalam sistem yang lebih besar.
Keputusan tentang interpretability akan memengaruhi cara SHAP dihitung,
cara atom attribution dibandingkan, dan cara MMP dimasukkan ke model
atau basis data. Mahasiswa perlu melatih penalaran hulu-hilir:
menelusuri dampak satu keputusan standardisasi hingga visualisasi dan
kesimpulan, lalu menelusuri balik sebuah anomali hasil menuju sumber
data serta representasi awal. Latihan penelusuran dua arah ini efektif
untuk menemukan asumsi tersembunyi yang tidak tampak ketika tiap bab
dipelajari secara terpisah.
Sebuah pertanyaan penelitian yang baik pada tema ini mengandung
objek, konteks, pembanding, dan kriteria keberhasilan. Contohnya, bukan
sekadar 'menerapkan metode pada menyoroti substruktur yang mendorong
prediksi aktivitas', melainkan membandingkan dua kebijakan representasi
atau dua strategi validasi dan mengukur pengaruhnya terhadap stabilitas
keputusan. Pertanyaan semacam itu dapat dijawab oleh mahasiswa S1 karena
ruang lingkupnya terukur, tetapi tetap memberi kontribusi metodologis.
Data dan kode terbuka memungkinkan replikasi, sedangkan variasi dataset
lokal dapat memberi konteks baru tanpa harus mengklaim penemuan yang
melampaui bukti.
Agenda pengembangan berikutnya dapat diarahkan pada integrasi
interpretability, SHAP, atom attribution, MMP, model card dengan data
eksperimen, literatur, spektrum, atau target biologis. Tantangannya
bukan hanya menggabungkan tabel, tetapi menyelaraskan identifier,
ontologi, satuan, tingkat granularitas, dan ketidakpastian. Prototipe
kecil lebih bernilai daripada sistem besar yang tidak dapat diaudit.
Mahasiswa dapat memulai dengan sepuluh hingga seratus entitas, membangun
skema yang jelas, menguji kueri atau analisis, lalu mengevaluasi apakah
perluasan skala mempertahankan makna kimia serta kinerja komputasi.
Pada akhirnya, penguasaan bagian ini dibuktikan melalui kemampuan
menjelaskan pilihan, bukan sekadar memperoleh keluaran. Mahasiswa harus
mampu menunjukkan alasan pemilihan data, representasi, algoritme,
parameter, metrik, dan bentuk visualisasi; menjelaskan alternatif yang
ditolak; serta menyatakan kondisi yang dapat membatalkan kesimpulan.
Dokumen keputusan tersebut dapat dimasukkan ke portofolio dan menjadi
dasar penyusunan proyek buku mini, tugas kelompok, skripsi, atau
penelitian kolaboratif yang menghubungkan informatika kimia dengan kimia
analitik, organik, anorganik, fisik, material, lingkungan, maupun
farmasi.
Persamaan dan Metrik
Penting
ŷ = β₀ + β₁x₁ + … + βₚxₚ
Regresi linear
RMSE = √[(1/n) Σᵢ (yᵢ − ŷᵢ)²]
RMSE
R² = 1 − Σ(yᵢ − ŷᵢ)² / Σ(yᵢ − ȳ)²
R²
Praktikum 7 — Model QSAR
yang Divalidasi
Membangun baseline regresi/klasifikasi, nested cross-validation,
metrik, domain aplikasi, dan model card.
Tujuan
Mengubah konsep bab menjadi prosedur komputasi yang dapat
diperiksa.
Mencatat data, parameter, versi perangkat, dan keputusan
analisis.
Menyajikan hasil dalam tabel, gambar, dan narasi kimia yang
konsisten.
Mengidentifikasi keterbatasan serta rencana validasi
lanjutan.
Bahan dan Perangkat
Komputer dengan Python 3.11 atau lebih baru.
Jupyter Notebook atau editor kode.
RDKit, pandas, NumPy, matplotlib, dan scikit-learn sesuai
kebutuhan.
Dataset kecil yang legal digunakan dan dicatat sumber serta
lisensinya.
Langkah Kerja
Buat folder proyek dan salin data mentah ke folder yang tidak
diubah.
Tuliskan pertanyaan kimia, endpoint, unit, dan kriteria
keberhasilan.
Audit struktur dan metadata; catat rekaman yang invalid atau
meragukan.
Jalankan prosedur analisis tahap demi tahap; simpan parameter dan
log.
Buat minimal dua visualisasi diagnostik dan satu tabel ringkas.
Lakukan pemeriksaan manual pada sedikitnya sepuluh rekaman.
Simpulkan hasil, ketidakpastian, domain aplikasi, dan pekerjaan
lanjutan.
Kemas data terproses, kode, environment, README, dan laporan.
Contoh kode awal (perlu disesuaikan dengan
dataset):
Luaran Wajib
Notebook atau skrip yang dapat dijalankan ulang dari
awal.
Data dictionary dan catatan kurasi.
Tabel hasil utama serta minimal dua gambar dengan
caption.
Laporan 4–8 halaman yang memuat metode, hasil, pembahasan,
batasan, dan kontribusi anggota.
Pertanyaan Analisis
Keputusan apa yang berubah jika parameter utama diubah?
Bagian mana yang paling rentan terhadap kesalahan kimia dan
kesalahan komputasi?
Apakah hasil berada dalam domain data dan metode yang
digunakan?
Bukti apa yang masih diperlukan sebelum hasil dipakai untuk
eksperimen?
Ringkasan Bab
QSAR dan Pembelajaran Mesin harus dipahami sebagai hubungan
antara objek kimia, data, representasi, metode, dan keputusan.
Kurasi, metadata, provenance, validasi, dan dokumentasi bukan
tahap tambahan, melainkan bagian inti analisis.
Metode sederhana yang transparan merupakan baseline wajib sebelum
metode kompleks digunakan.
Keluaran komputasi perlu dibaca bersama domain aplikasi,
ketidakpastian, dan kebutuhan verifikasi eksperimen.
Artefak kerja yang baik mencakup data, kode, parameter,
environment, hasil, interpretasi, dan batasan.
Latihan dan Tugas Individu
Jelaskan dengan contoh hubungan antara endpoint dan decision
context pada konteks memprediksi logS pada pH dan suhu
tertentu.
Identifikasi minimal tiga risiko jika peneliti mencampur IC50
dari assay berbeda tanpa harmonisasi.
Jelaskan dengan contoh hubungan antara MLR dan interpretation
pada konteks hubungan log aktivitas dengan hidrofobisitas dan efek
elektronik.
Identifikasi minimal tiga risiko jika peneliti menafsirkan
korelasi sebagai sebab-akibat.
Jelaskan dengan contoh hubungan antara PCR dan elastic net pada
konteks model spektrum atau descriptor matrix dengan p lebih besar dari
n.
Identifikasi minimal tiga risiko jika peneliti memilih komponen
berdasarkan performa test set.
Jelaskan dengan contoh hubungan antara logistic regression dan
probability pada konteks klasifikasi toksik-nontoksik dengan kelas
toksik jarang.
Identifikasi minimal tiga risiko jika peneliti mengandalkan
akurasi pada data sangat tidak seimbang.
Jelaskan dengan contoh hubungan antara SVM dan hyperparameter
pada konteks kernel Tanimoto untuk fingerprint biner.
Identifikasi minimal tiga risiko jika peneliti menyetel parameter
menggunakan test set.
Jelaskan dengan contoh hubungan antara neural network dan
pretraining pada konteks message passing mengagregasi informasi tetangga
atom.
Identifikasi minimal tiga risiko jika peneliti menganggap model
lebih dalam selalu lebih baik.
Jelaskan dengan contoh hubungan antara cross-validation dan
variance pada konteks outer loop mengukur performa, inner loop memilih
hiperparameter.
Identifikasi minimal tiga risiko jika peneliti data leakage
melalui standardisasi atau seleksi fitur sebelum split.
Jelaskan dengan contoh hubungan antara RMSE dan calibration pada
konteks model screening memerlukan ranking awal yang baik selain
klasifikasi global.
Identifikasi minimal tiga risiko jika peneliti menggunakan R²
tinggi tanpa memeriksa error absolut.
Jelaskan dengan contoh hubungan antara applicability domain dan
conformal prediction pada konteks menandai kandidat jauh dari ruang
kimia latih.
Identifikasi minimal tiga risiko jika peneliti menyajikan semua
prediksi dengan kepastian sama.
Jelaskan dengan contoh hubungan antara interpretability dan model
card pada konteks menyoroti substruktur yang mendorong prediksi
aktivitas.
Identifikasi minimal tiga risiko jika peneliti menggunakan
penjelasan post-hoc untuk membuktikan mekanisme biologis.
Buat peta konsep yang menghubungkan seluruh subbab dan beri satu
contoh aliran data dari awal hingga keputusan.
Pilih satu artikel atau dataset terbuka, lalu audit representasi,
provenance, metode, validasi, dan keterbatasannya.
Rancang eksperimen komputasi kecil yang dapat diselesaikan dalam
dua minggu oleh kelompok tiga mahasiswa.
Tuliskan refleksi 300 kata: bagian mana yang paling membutuhkan
pengetahuan kimia dan bagian mana yang paling membutuhkan pengetahuan
komputasi?
Refleksi Bab
Tuliskan refleksi 500–700 kata yang menjawab: konsep apa yang paling
mengubah cara Anda melihat molekul sebagai data; keputusan apa yang
paling rentan terhadap kesalahan; serta bukti apa yang diperlukan
sebelum keluaran komputasi digunakan untuk merancang eksperimen.
