ABSTRAK Bidang medis merupakan salah satu area dengan pertumbuhan data teks yang cepat. Salah satu informasi penting yang terkandung dalam dokumen medis adalah informasi obat dan interaksi antarobat. Penemuan informasi obat merupakan permasalahan yang esensial dalam area medis karena merupakan dasar penyelesaian permasalahan lain seperti interaksi antarobat, reaksi negatif penggunaan obat, atau pembuatan sistem informasi medis. Siknifikansi penyelesaian permasalahan penggalian informasi obat dan interaksi antarobat juga ditunjukkan dengan diadakannya berbagai kompetisi komputasi untuk keperluan ini. Sementara untuk kasus lokal dalam negeri, belum ada publikasi hasil penelitian komputasi untuk penggalian informasi obat dan interaksi antarobat dari dokumen medis. Berdasarkan kenyataan bahwa penggalian informasi terkait obat dari dokumen medis merupakan hal yang krusial dan studinya masih terus berkembang, sementara pada tingkat lokal nasional belum banyak dilakukan, permasalahan yang diusulkan untuk diselesaikan pada penelitian adalah bagaimana menyusun metode ekstraksi informasi nama obat dan interaksi antarobat dari sumber data teks medis. Pada penelitian ini digunakan dua jenis dataset. Dataset pertama berupa korpus label obat nasional dan dataset kedua adalah open dataset teks medis. Sesuai karakteristik masing-masing dataset, digunakan dua model pendekatan yaitu unsupervised dan supervised. Pendekatan unsupervised terdiri atas tahapan-tahapan: ekstraksi entitas, ekstraksi relasi antarentitas, dan pengelompokan entitas nama obat yang mirip berdasarkan kandungan obat. Untuk menyelesaikan permasalahan ekstraksi entitas dan relasi antarentitas diusulkan metode berbasis rule. Sementara untuk penyusunan kelompok entitas digunakan bi-clustering. Untuk menyelesaikan permasalahan ekstraksi entitas nama obat dan prediksi informasi informasi Drug-Drug Interaction (DDI) pada open dataset diusulkan model representasi data baru. Model representasi data ini mengatasi permasalahan multi token untuk entitas tunggal yang belum diselesaikan pada penelitian sebelumnya. Usulan representasi data baru ini diuji dengan beberapa model pembelajaran yaitu: Multi Layer Perceptor(MLP), Deep Belief Network (DBN), Sparse Auto Encoder (SAE) dan Long Short Term Memory (LSTM). Tantangan utama untuk permasalahan prediksi kandungan informasi DDI pada open dataset adalah kalimat yang tidak lengkap dan panjang kalimat yang sangat bervariasi. Untuk menyelesaikan tantangan ini diusulkan pemilihan fitur data berdasarkan kategori POS-Tagging token penyusun kalimat. Ujicoba metode usulan untuk dataset label obat menghasilkan nilai f-score lebih dari 0.9. Sementara uji coba pendekatan supervised yang diterapkan pada open dataset, kinerja terbaik ditunjukkan oleh model LSTM dengan f-score lebih dari 0.8. Eksperimen prediksi kelas DDI diterapkan pada dataset DrugBank. Hasil eksperimen menunjukkan nilai akurasi lebih dari 0.85 dengan nilai f-score terbaik 0.7397. Kata Kunci: ektraski interaksi, ekstraksi entitas, dokumen medis, supervised learning, unsupervised learning