ABSTRAK Nama : Rizki Triyani Pusparini Program Studi : Magister Ilmu Komputer Judul : Prediksi Inhibitor ERα pada Kanker Payudara menggu- nakan Molecule Attention Transformer Hydrogen Bond (MATH) Kanker payudara menempati urutan kedua penyebab kematian wanita, pencegahan- nya dapat dilakukan dengan skrining dini dan meningkatkan kesadaran diri. Obat terapi hormon dengan target kadar estrogen menawarkan perawatan potensial. Na- mun, penemuan obat konvensional untuk perawatan kanker payudara memerlukan proses yang ekstensif dan mahal. Studi ini menyajikan kerangka kerja untuk men- ganalisis hubungan Quantitative Structure-Activity Relationship (QSAR) dari in- hibitor reseptor estrogen alfa. Pendekatan kami menggunakan supervised learn- ing, mengintegrasikan informasi self-attention Transformer dan graf molekul untuk memprediksi inhibitor reseptor estrogen alfa. Kami melatih lima model klasifikasi untuk memprediksi inhibitor pada kanker payudara. Di antara semua model, model MATH yang kami usulkan mencapai precision, recall, f1-score, dan specifity yang unggul, dengan nilai masing-masing 0,952, 0,972, 0,960, dan 0,922, beserta dengan ROC-AUC 0,977. MATH menunjukkan kinerja yang kuat, menunjukkan potensi untuk membantu peneliti di bidang farmasi dan kesehatan khususnya dalam mengi- dentifikasi kandidat senyawa penghambat alfa estrogen dan memandu jalur pene- muan obat. Kata kunci: drug discovery, estrogen alpha, molecular graph, molecule self-attention