Hasil Pencarian  ::  Simpan CSV :: Kembali

"Diabetes mellitus tipe-2 (T2DM) merupakan penyakit metabolisme kronis yang sering diderita oleh orang dewasa. T2DM ditandai dengan menurunnya insulin dalam tubuh. Enzim dipeptidil peptidase-4 (DPP-4) dapat mengkatalisasi penurunan hormon peptida inkretin, terutama peptide-1 seperti hormon gastric inhibitory peptide (GIP) dan glucagon-like peptide-1 (GLP-1), yang mengakibatkan penurunan sintesis insulin. Inhibitor DPP-4 adalah target obat yang menjanjikan untuk T2DM, karena dapat memblokir kerja enzim DPP-4 dengan menghambat kerja hormon GLP-1 dan GIP. Penelitian ini menggunakan data inhibitor DPP-4 yang akan diekstraksi ciri menggunakan metode Extended-Connectivity Fingerprint (ECFP) dan Functional-Class Fingerprints (FCFP). Hasil ekstraksi ciri tersebut digunakan sebagai vektor masukan untuk metode deep neural network (DNN) untuk memprediksi inhibitor DPP-4 ke dalam senyawa aktif dan tidak aktif. Selain itu, metode CatBoost diusulkan sebagai metode pemilihan fitur terhadap hasil ekstraksi ciri metode ECFP dan FCFP. Dalam penelitian ini akan membandingkan performa metode DNN dengan menggunakan pemilihan fitur metode CatBoost dan tanpa menggunakan pemilihan fitur metode CatBoost. Hasil dari penelitian ini menunjukkan bahwa metode DNN menggunakan ekstraksi ciri ECFP_6 dengan proporsi pemilihan fitur sebesar 90% memiliki nilai sensitivitas, spesifisitas, akurasi, dan MCC berturut-turut adalah 0.927,0.881,0.906, dan 0.810.

---

Diabetes mellitus type-2 (T2DM) is a chronic metabolic disease that often affects adults. T2DM is characterized by a decrease of insulin in the body. The dipeptidyl peptidase-4 (DPP-4) enzyme can catalyze a decrease of incretin peptide hormones, especially peptide-1, such as gastric inhibitory peptide (GIP) hormone and glucagon-like peptide-1 (GLP-1), which results in decreased insulin synthesis. DPP-4 inhibitors are a promising drug target for T2DM because they block the action of the DPP-4 enzyme by inhibiting the activity of the GLP-1 and GIP hormones. This study uses DPP-4 inhibitor data, which will be feature extracted using the Extended-Connectivity Fingerprint (ECFP) and Functional-Class Fingerprints (FCFP) methods. The results of feature extraction are used as input vectors of the deep neural network (DNN) method to predict DPP-4 inhibitors into active and inactive compounds. In addition, the CatBoost method is proposed as a feature selection method for the feature extraction results of the ECFP and FCFP methods. In this study, we will compare the performance of the DNN method using the feature selection of the CatBoost method and without using the feature selection of the CatBoost method. The results of this study indicate that the DNN method using feature extraction ECFP_6 with 90% of the feature selection having sensitivity, specificity, accuracy, and MCC values, respectively, 0.927, 0.881, 0.906, and 0.810."

"Penelitian ini mengusulkan tiga algoritma meta-heuristik berbasis Fuzzy K-modes untuk clustering binary data set. Ada tiga metode metaheuristik diterapkan, yaitu Particle Swarm Optimization (PSO), Genetika Algoritma (GA), dan Artificial Bee Colony (ABC). Ketiga algoritma digabungkan dengan algoritma K-modes. Tujuannya adalah untuk memberikan modes awal yang lebih baik untuk K-modes. Jarak antara data ke modes dihitung dengan menggunakan koefisien Jaccard. Koefisien Jaccard diterapkan karena dataset mengandung banyak nilai nol . Dalam rangka untuk melakukan pengelompokan set data real tentang supplier otomotif di Taiwan, algoritma yang diusulkan diverifikasi menggunakan benchmark set data. Hasil penelitian menunjukkan bahwa PSO K-modes dan GA K-modes lebih baik dari ABC K-modes. Selain itu, dari hasil studi kasus, GA K-modes memberikan SSE terkecil dan juga memiliki waktu komputasi lebih cepat dari PSO K-modes dan ABC K-modes.

---

This study proposed three meta-heuristic based fuzzy K-modes algorithms for clustering binary dataset. There are three meta-heuristic methods applied, namely Particle Swarm Optimization (PSO) algorithm, Genetic Algorithm (GA) algorithm, and Artificial Bee Colony (ABC) algorithm. These three algorithms are combined with k-modes algorithm. Their aim is to give better initial modes for the k-modes. Herein, the similarity between two instances is calculated using jaccard coefficient. The Jaccard coefficient is applied since the dataset contains many zero values. In order to cluster a real data set about automobile suppliers in Taiwan, the proposed algorithms are verified using benchmark data set. The experiments results show that PSO K-modes and GA K-modes is better than ABC K-modes. Moreover, from case study results, GA fuzzy K-modes gives the smallest SSE and also has faster computational time than PSO fuzzy K-modes and ABC fuzzy K-modes."

"Diabetes mellitus tipe-2 (T2DM) merupakan penyakit metabolisme kronis yang sering diderita oleh orang dewasa. T2DM ditandai dengan menurunnya insulin dalam tubuh. Enzim dipeptidil peptidase-4 (DPP-4) dapat mengkatalisasi penurunan hormon peptida inkretin, terutama peptide-1 seperti hormon gastric inhibitory peptide (GIP) dan glucagon-like peptide-1 (GLP-1), yang mengakibatkan penurunan sintesis insulin. Inhibitor DPP-4 adalah target obat yang menjanjikan untuk T2DM, karena dapat memblokir kerja enzim DPP-4 dengan menghambat kerja hormon GLP-1 dan GIP. Penelitian ini menggunakan data inhibitor DPP-4 yang akan diekstraksi ciri menggunakan metode Extended-Connectivity Fingerprint (ECFP) dan Functional-Class Fingerprints (FCFP). Hasil ekstraksi ciri tersebut digunakan sebagai vektor masukan untuk metode deep neural network (DNN) untuk memprediksi inhibitor DPP-4 ke dalam senyawa aktif dan tidak aktif. Selain itu, metode CatBoost diusulkan sebagai metode pemilihan fitur terhadap hasil ekstraksi ciri metode ECFP dan FCFP. Dalam penelitian ini akan membandingkan performa metode DNN dengan menggunakan pemilihan fitur metode CatBoost dan tanpa menggunakan pemilihan fitur metode CatBoost. Hasil dari penelitian ini menunjukkan bahwa metode DNN menggunakan ekstraksi ciri ECFP_6 dengan proporsi pemilihan fitur sebesar 90% memiliki nilai sensitivitas, spesifisitas, akurasi, dan MCC berturut-turut adalah 0.927,0.881,0.906, dan 0.810.

---

Diabetes mellitus type-2 (T2DM) is a chronic metabolic disease that often affects adults. T2DM is characterized by a decrease of insulin in the body. The dipeptidyl peptidase-4 (DPP-4) enzyme can catalyze a decrease of incretin peptide hormones, especially peptide-1, such as gastric inhibitory peptide (GIP) hormone and glucagon-like peptide-1 (GLP-1), which results in decreased insulin synthesis. DPP-4 inhibitors are a promising drug target for T2DM because they block the action of the DPP-4 enzyme by inhibiting the activity of the GLP-1 and GIP hormones. This study uses DPP-4 inhibitor data, which will be feature extracted using the Extended-Connectivity Fingerprint (ECFP) and Functional-Class Fingerprints (FCFP) methods. The results of feature extraction are used as input vectors of the deep neural network (DNN) method to predict DPP-4 inhibitors into active and inactive compounds. In addition, the CatBoost method is proposed as a feature selection method for the feature extraction results of the ECFP and FCFP methods. In this study, we will compare the performance of the DNN method using the feature selection of the CatBoost method and without using the feature selection of the CatBoost method. The results of this study indicate that the DNN method using feature extraction ECFP_6 with 90% of the feature selection having sensitivity, specificity, accuracy, and MCC values, respectively, 0.927, 0.881, 0.906, and 0.810."

"ABSTRAKPengelompokan supplier penting untuk memberikan informasi kepada pembeli. Penelitian ini mengusulkan meta-heuristik berbasis algoritma K-modes untuk mengelompokkan dataset dalam bentuk biner. Ada dua metode metaheuristik yang digunakan dalam penelitian ini, yaitu particle swarm optimization (PSO) dan genetic algorithm (GA). Meta-heuristik yang diterapkan untuk memberikan modes awal yang lebih baik untuk algoritma K-modes. Penelitian ini menggunakan pengukuran Jaccard dalam hal pengukuran similarity dan menggunakan tiga dataset untuk memvalidasi algoritma yang diusulkan. Hasil percobaan dan hasil statistik menunjukkan bahwa PSO berbasis algoritma K-modes lebih baik dari GA berbasis algoritma K-modes. Dalam hasil evaluasi menggunakan data dari sebuah perusahaan automobile di Taiwan, PSO berdasarkan PSO berbasis algoritma K-modes memiliki SSE kecil dari pada GA berbasis algoritma K-modes.

---

ABSTRACTSupplier clustering is important for providing more important information for the buyer. This study proposes meta-heuristics based K-modes algorithm for clustering binary dataset. There are two metaheuristic methods applied in this study, namely particle swarm optimization (PSO) and genetic algorithm (GA). The meta-heuristics are applied to give better initial modes for the K-modes algorithm. In terms of similarity measurement, this study uses Jaccard measurement since the real data set consists of higher number of value zero than one. In order to validate the proposed algorithms, three benchmark datasets are employed. The experiments results and statistical results show that PSO based K-modes algorithm is better than GA based K- modes algorithm. The data set from a exisibition company in Taiwan. In model evaluation results, PSO based K- modes algorithm has the SSE lowest than GA based K- modes algorithm."

"Categorical data is a kind of data that is used for computational in computer science. To obtain the information from categorical data input, it needs a clustering algorithm. There are so many clustering algorithms that are given by the researchers. One of the clustering algorithms for categorical data is k-modes. K-modes uses a simple matching approach. This simple matching approach uses similarity va-lues. In K-modes, the two similar objects have similarity value 1, and 0 if it is otherwise. Actually, in each attribute, there are some kinds of different attribute value and each kind of attribute value has different number. The similarity value 0 and 1 is not enough to represent the real semantic distance between a data object and a cluster. Thus in this paper, we generalize a k-modes algorithm for catego-rical data by adding the weight and diversity value of each attribute value to optimize categorical data clustering.

---

Data Kategorial merupakan suatu jenis data perhitungan di ilmu komputer .Untuk mendapatkan infor-masi dari input data kategorial diperlukan algoritma klastering. Ada berbagai jenis algoritma klas-tering yang dikembangkan peneliti terdahulu. Salah satunya adalah K-modes. K-modes menggunakan pendekatan simple matching. Pendekatan simple matching ini menggunakan nilai similarity. Pada K-modes, jika dua objek data mirip, maka akan diberi nilai. Jika dua objek data tidak mirip, maka diberi nilai 0. Pada kenyataannya, tiap atribut data terdiri dari beberapa jenis nilai atribut dan tiap jenis nilai atribut terdiri dari jumlah yang berbeda. Nilai similarity 0 dan 1 kurang merepresentasi jarak antara sebuah objek data dan klaster secara nyata. Oleh karena itu, pada paper ini, kami mengembangkan algoritma K-modes untuk data kategorial dengan penambahan bobot dan nilai diversity pada setiap atribut untuk mengoptimalkan klastering data kategorial."

"Pada skripsi ini akan melakukan Analisis dan pengujian program perbaikan penulisan kalimat dengan menggunakan fungsi levenshtein distance yang diimplementasikan pada SIMPLE-O. Kesalahan pengetikkan dapat terjadi ketika kata yang diketik tidak memiliki struktur yang sama dengan kata yang sebenarnya. Fungsi levenshtein distance merupakan sebuah fungsi yang dapat digunakan untuk menilai kesamaan dari dua buah string. Dalam melakukan proses pengecekan kesamaan dua buah string, fungsi ini akan memeriksa kesamaan struktur huruf pada string pertama dan kedua. Fungsi levenshtein distcane akan melakukan beberapa tahapan proses ketika melakukan pemeriksaan kesamaan struktur yaitu, menghitung panjang kedua string yang akan diperiksa dan menentukan jumlah transposisi yang terjadi pada string kedua. Keefketifan program perbaikan kata pada skripsi ini adalah 92 dan dapat menaikkan akurasi sebesar 1.45.

---

This thesis will talk about the analysis and testing results of sentence correction program using Levenshtein distance function implemented in SIMPLE O. Levenshtein distance function is a function that can be used to find similarities from two strings. In finding similarities between the two strings, this function will find similarities in letter structure between both compared strings. The Levenshtein distance function will go through a few steps when finding similarities between compared structures by first counting the length of both strings, which will then be used to figure out the transposition in the second string. The efectiveness percentage of typing correction program is 92 and increase 1.45 the accuration of SIMPLE O."

"Pengembangan inhibitor Dipeptidyl Peptidae-4 (DPP-4) sangat diperlukan dalam pengobatan Diabetes Mellitus tipe 2 dengan efek samping yang rendah. Pemodelan hubungan kuantitatif struktur aktivitas (QSAR) merupakan pendekatan analisis hubungan struktur kimia dengan aktivitasnya yang banyak digunakan dalam desain obat penyakit Diabetes. Pada tesis ini, model QSAR klasifikasi dibangun untuk memprediksi struktur aktivitas senyawa pada inhibitor DPP-4 yang dapat memblokir kerja enzim DPP-4. Dalam representasi molekul digunakan circular fingerprint ECFP dan FCFP yang menyajikan notasi SMILES dalam format vektor biner. Fingerprint ECFP dan FCFP yang berdiameter 4 dan 6 sebagai input data dalam membangun model QSAR klasifikasi. Pada QSAR klasifikasi dengan pendekatan deep learning memberikan waktu yang cepat dalam proses virtual screening senyawa aktif atau tidak aktif dalam inhibitor DPP-4. Penelitian ini menggunakan model Hybrid Deep Learning 1D CNN-LSTM untuk memprediksi aktivitas senyawa inhibitor dalam kelas aktif atau tidak aktif berdasarkan nilai aktivitas biologis dengan proporsi data latih dan data uji yang berbeda. Dalam arsitektur 1D CNN-LSTM terdiri dari model 1D CNN sebagai tahap ektraksi fitur dan output dari lapisan konvolusi 1D CNN digunakan dalam lapisan LSTM. Selain itu, pemilihan fitur dengan metode Random Forest-Recursive Feature Elimination (RF-RFE) digunakan untuk memperoleh fitur yang optimal dari dataset ECFP dan FCFP. Selanjutnya, penelitian ini membandingkan performa model dengan menerapkan pemilihan fitur RF-RFE dan tanpa pemilihan fitur RF-RFE. Hasil penelitian ini menunjukkan bahwa model QSAR klasifikasi menggunakan Hybrid Deep Learning yaitu 1D CNN-LSTM dengan pemilihan fitur RF-RFE memperoleh performa model yang lebih baik dibandingkan model tanpa pemilihan fitur optimal. Performa model 1D CNN-LSTM dengan pemilihan fitur RF-RFE menggunakan data ECFP_4 dengan proporsi data latih 80% memiliki akurasi sebesar 0.9075, sensitivitas 0.9008, spesifisitas 0.9142, dan nilai MCC 0.8151.

---

The development of Dipeptidyl Peptidase-4 (DPP-4) inhibitors is urgently needed in the treatment of Type 2 Diabetes Mellitus with low side effects. Activity structure quantitative relationship modeling (QSAR) is an analytical approach to the relationship between chemical structure and activity which is widely used in diabetes drug design. In this thesis, a classification QSAR model was built to predict the structure of the activity of the DPP-4 inhibitor compound that can block the action of the DPP-4 enzyme. In molecular representation, ECFP and FCFP circular fingerprints are used which present SMILES notation in binary vector format. ECFP and FCFP fingerprints with diameters of 4 and 6 as input data in building a classification QSAR model. The QSAR classification with a deep learning approach provides fast time in the virtual screening process for active or inactive compounds in DPP-4 inhibitors. This study uses the Hybrid Deep Learning 1D CNN-LSTM model to predict the activity of inhibitor compounds inactive or inactive classes based on the value of biological activity with different proportions of training data and test data. The 1D CNN-LSTM architecture consists of a 1D CNN model as the feature extraction stage and output of 1D CNN convolution layer is used in the LSTM layer. In addition, feature selection using the Random Forest-Recursive Feature Elimination (RF-RFE) method was used to obtain optimal features from the ECFP and FCFP datasets. Furthermore, this study compares the performance of the model by applying the RF-RFE feature selection and without the RF-RFE feature selection. The results of this study indicate that the classification QSAR model using Hybrid Deep Learning, namely 1D CNN-LSTM with RF-RFE feature selection, obtains better model performance than the model without optimal feature selection. The performance of the CNN-LSTM 1D model with RF-RFE feature selection using ECFP_4 data with a proportion of 80% training data has an accuracy of 0.9075, sensitivity of 0.9008, specificity of 0.9142, and an MCC value of 0.8151.

"

"Diabetes mellitus adalah penyakit tidak menular tetapi merupakan salah satu penyebab kematian tertinggi di dunia karena dapat menyebabkan kerusakan organ dan memicu berbagai jenis penyakit. Menurut Federasi Diabetes Internasional (IDF) pada tahun 2017, jumlah orang dengan diabetes di dunia telah meningkat menjadi 425 juta, dan diperkirakan jumlahnya akan terus meningkat menjadi 629 juta orang pada tahun 2045. Dengan diabetes mellitus tipe 2 mencapai 90-95% dari total populasi penderita diabetes yang umumnya orang dengan T2DM di atas 45 tahun, tetapi saat ini ada juga orang dengan T2DM di antara remaja dan anak-anak dan populasi meningkat. Oleh karena itu, dalam penelitian ini, senyawa yang merupakan kandidat potensial untuk DMT2 akan dicari. Penelitian terbaru menunjukkan bahwa dengan mencegah hidrolisis pati, melalui penghambatan enzim α-amilase dapat digunakan sebagai strategi untuk mengendalikan hiperglikemia. Jadi, dalam mendesain obat untuk terapi penyakit T2DM adalah mencari senyawa yang mampu menghambat enzim α-amilase, yang kemudian dapat mengurangi peningkatan kadar glukosa darah postprandial secara signifikan. Penelitian ini dilakukan secara silico oleh farmakofor, skrining virtual, docking molekul dan pertumbuhan fragmen dengan target protein α-amilase. Penentuan fitur farmakofor dan penambatan molekul didasarkan pada struktur 3D α-amilase yang diperoleh dari Data Bank Protein dengan kode (ID GDP: 1HNY) dengan ligan standar acarbose dan miglitol yang diperoleh dari basis data ChemSpider. Fragmen yang digunakan adalah senyawa mirip timbal yang berasal dari basis data MOE dengan total 653.214 senyawa dan dipilih 5 fragmen potensial yang kemudian menghasilkan sebanyak 64.000 senyawa baru menggunakan metode penanaman Fragmen (pertumbuhan fragmen). Selain itu, semua senyawa baru adalah simulasi tambatan molekul dengan kondisi enzim α-amilase yang kaku dan fleksibel. Berdasarkan hasil simulasi penambatan molekuler, enam senyawa baru diperoleh dengan interaksi molekuler yang berpotensi menghambat protein target. Kemudian dilanjutkan dengan tes farmakologis (ADME dan toksisitas) melalui beberapa perangkat lunak seperti Osiris DataWarrior, SwissADME, admetSAR, pkCSM, dan Toxtree. Berdasarkan interaksi molekuler dan uji farmakologis tiga senyawa baru ditemukan menjadi kandidat inhibitor terbaik, yaitu senyawa Kojai-1 Kojai-5 dan Fhama-3.

---

Diabetes mellitus is a non-communicable disease but it is one of the highest causes of death in the world because it can cause organ damage and trigger various types of diseases. According to the International Diabetes Federation (IDF) in 2017, the number of people with diabetes in the world has increased to 425 million, and it is estimated that the number will continue to increase to 629 million by 2045. With type 2 diabetes mellitus reaching 90-95% of the total population Diabetics are generally people with T2DM over 45 years, but currently there are also people with T2DM among teenagers and children and the population is increasing. Therefore, in this study, compounds which are potential candidates for T2DM will be sought. Recent research shows that by preventing the hydrolysis of starch, through inhibition of the α-amylase enzyme can be used as a strategy to control hyperglycemia. So, in designing drugs for the treatment of T2DM disease is to look for compounds that are able to inhibit the α-amylase enzyme, which can then significantly reduce postprandial blood glucose levels. The research was carried out silicoally by pharmacophores, virtual screening, molecular docking and fragment growth with the target protein α-amylase. Determination of pharmacophoric features and molecular tethering is based on 3D α-amylase structure obtained from the Protein Bank Data coded (ID GDP: 1HNY) with standard ligand acarbose and miglitol obtained from the ChemSpider database. The fragments used were lead-like compounds derived from the MOE database with a total of 653,214 compounds and 5 potential fragments were selected which then produced as many as 64,000 new compounds using the Fragment planting method (fragment growth). In addition, all new compounds are molecular moorings simulations with rigid and flexible α-amylase enzymes. Based on the results of molecular docking simulations, six new compounds were obtained by molecular interactions that could potentially inhibit the target protein. Then proceed with pharmacological tests (ADME and toxicity) through several software such as Osiris DataWarrior, SwissADME, admetSAR, pkCSM, and Toxtree. Based on molecular interactions and pharmacological tests, three new compounds were found to be the best inhibitor candidates, namely Kojai-1 Kojai-5 and Fhama-3 compounds."

"Propolis merupakan senyawa resin yang dikumpulkan dan diolah oleh lebah madu dari berbagai macam sumber tanaman dan banyak digunakan sebagai obat tradisional. Propolis tersusun atas komponen yang bervariasi serta memiliki aktivitas biologis yang luas dimana salah satunya adalah aktivitas anti-diabetes. Diabetes melitus merupakan penyakit metabolik di seluruh dunia yang diindikasikan oleh hiperglikemia atau tingginya kadar gula darah. Penyakit ini disebabkan oleh defisiensi sekresi insulin, resistansi enzim insulin, atau kerusakan. Diantara klasifikasi diabetes melitus, tipe 2 adalah kasus paling banyak dengan proporsi 90 - 95% dari total kasus diabetes. Sayangnya, obat diabetes melitus komersial saat ini masih menghasilkan banyak efek samping yang berbahaya. Pada aktivitas antidiabetes propolis, penelitian umum yang dilakukan membahas nilai kritis seperti gula darah, HbA1c, dan berat badan subjek penelitian. Disisi lain, penelitian yang menjawab aktivitas antidiabetes masih terbatas pada struktur atau kelas senyawa kimia tertentu seperti pada flavonoid, steroid, dan isoflavonoid. Pada penelitian ini akan dilakukan pengujian aktivitas antidiabetes tipe 2 dari propolis secara in silico dan mempelajari mekanismenya pada tubuh manusia. Sebagai bentuk kebaruan, akan menggunakan 30 senyawa uji yang berasal dari dua kelompok propolis Sulawesi Selatan yaitu hasil penelusuran menggunakan LC-MS / MS dan berdasarkan publikasi Miyata et al. (2020). Penelitian ini diawali dengan penentuan target protein yang meregulasi diabetes melitus tipe 2. Kemudian persiapan bahan dilakukan untuk masing-masing ligan dan target protein. Selanjutnya dilakukan analisis penambatan molekuler, analisis interaksi molekuler, visualisasi 2D dan 3D. Berdasarkan hasil analisis, aktivitas antidiabetes tipe 2 diperoleh dari senyawa 1,2,2-Trimethyl-3 - [(4-methylphenyl) carbamoyl] cyclopentane carboxylic acid dengan menginhibisi Aldose Reductase, Macarangin dengan mengaktivasi NAD-Dependent protein deacetylase sirtuin-6, (1'S) -2-trans, 4-trans-absisic acid dengan menginhibisi Dipeptidyl Peptidase 4, serta Broussoflavonol F dan Glyasperin A dengan menginhibisi Fructose-1,6-bisphosphatase. Dari hasil analisis pada penelitian ini ditunjukkan bahwa aktivitas antidiabetes dari propolis sulawesi selatan terbukti pada skala atomik.

---

Propolis is a resin compound which is collected and processed by honey bees from various plant sources and is widely used as traditional medicine. Propolis is composed of various components and has extensive biological activity, one of which is anti-diabetic activity. Diabetes mellitus is a metabolic disease throughout the world that is indicated by hyperglycemia or high blood sugar levels. This disease is generally caused by deficiency of insulin secretion, insulin enzyme resistance, or both. Among the classification of diabetes mellitus, type 2 is the most cases with a percentage of 90 - 95% of the total diabetes cases. In antidiabetic activity of propolis, research is generally conducted to discuss critical values ​​such as blood glucose, HbA1c, and body weight of research subjects. Unfortunately, current diabetes mellitus therapy still produces many dangerous side effects. On the other hand, research that answers the mechanism of antidiabetic activity is still limited to the structure or class of certain chemical compounds such as flavonoids, steroids, and isoflavonoids. This research will evaluate type 2 antidiabetic activity of propolis in silico and study its mechanism in the human body. As a form of novelty, 30 molecules derived from two groups of South Sulawesi propolis, namely results of LC-MS / MS identification and based on the publication of Miyata et al. (2020). The research begins with the determination of target proteins which regulate type 2 diabetes mellitus. Then material preparation was carried out for each ligand and target protein. Furthermore, molecular docking analysis, molecular interaction analysis, 2D and 3D visualization were performed. Based on the analysis, type 2 antidiabetic activity was obtained from 1,2,2-Trimethyl-3 - [(4-methylphenyl) carbamoyl] cyclopentane carboxylic acid with the mechanism of inhibiting Aldose Reductase, Macarangin by activating the NAD-Dependent protein deacetylase sirtuin-6, (1'S) -2-trans, 4-trans-abscisic acid with the mechanism of inhibiting Dipeptidyl Peptidase 4, and Broussoflavonol F and Glyasperin A with the mechanism of inhibiting Fructose-1,6-bisphosphatase. From the results of the analysis in this study it was shown that the antidiabetic activity of South Sulawesi propolis was proven on the atomic scale."