ABSTRAK Nama : Aries Fitriawan Program Studi : Ilmu Komputer Judul : Metode Klasifikasi Multi-Label Menggunakan Deep Belief Networks untuk Virtual Screening Senyawa Obat Dalam penelitian bidang farmasi, target dari senyawa obat adalah protein yang memiliki hubungan dengan penyakit. Jika obat bisa berinteraksi dengan protein target, obat tersebut dapat digunakan untuk menyembuhkan penyakit. Obat multi-target adalah senyawa obat yang dapat berikatan dengan lebih dari satu protein target. Senyawa obat yang memiliki multi-target protein dianggap lebih potensial untuk dikembangkan sebagai obat di masa depan. Kasus identifikasi protein target dari senyawa obat ini dapat dikategorikan dalam masalah klasifikasi multi-label. Pada penelitian ini, penyelesaian masalah klasifikasi multi-label untuk senyawa obat dilakukan dengan pendekatan metode Deep Belief Networks (DBN) dan transformasi data Binary Relevance (BR). Data yang digunakan adalah data senyawa obat di dalam subset protein Protease dan Kinase pada website DUD-E docking. Hasil percobaan menunjukkan bahwa metode DBN dapat digunakan sebagai metode virtual screening untuk obat multi-target. Metode DBN juga menunjukkan performa yang lebih baik dibandingkan dengan data benchmarking DUD-E dan metode pemodelan pharmacophore. Akurasi dari hasil testing untuk metode DBN mencapai rentang antara 97% sampai 98%. kata kunci : Deep Belief Networks, desain obat, klasifikasi multi-label, virtual screening.