<![CDATA[Penelitian ini bertujuan untuk membangun model prediksi resistensi obat pada Mycobacterium tuberculosis yang akurat dan dapat dijelaskan (explainable) melalui integrasi Hybrid Graph Neural Network (GNN), Sentence Transformer, XGBoost, dan Graph Retrieval-Augmented Generation (GraphRAG). Metode penelitian yang digunakan adalah pendekatan komputasi berbasis hybrid representation learning dengan memanfaatkan data mutasi dari Tuberculosis Drug Resistance Database (TBDB) yang terdiri atas 49.328 entri mutasi. Tahapan penelitian meliputi preprocessing data, pembentukan biomedical knowledge graph, ekstraksi embedding struktural menggunakan GNN berdimensi 64, embedding semantik menggunakan Sentence Transformer berdimensi 384, penggabungan fitur menjadi hybrid embedding 448 dimensi, klasifikasi menggunakan XGBoost, serta implementasi GraphRAG sebagai mekanisme explainability. Hasil penelitian menunjukkan bahwa model Hybrid GNN–Sentence Transformer dan XGBoost mampu mencapai akurasi 98,85%, precision 93,4%, recall 95,7%, F1-score 94,5%, dan ROC-AUC 0,998, serta mengungguli model berbasis representasi tunggal. Validasi terhadap literatur ilmiah dan katalog mutasi WHO menunjukkan tingkat akurasi kasus sebesar 95%, lebih tinggi dibandingkan model tabular yang memperoleh 86%. Selain itu, GraphRAG menghasilkan interpretasi berbasis bukti biologis dengan tingkat konsistensi 79%, tanpa ditemukan kesalahan under-risk, sehingga mampu meningkatkan transparansi dan keandalan hasil prediksi. Simpulan penelitian ini adalah bahwa integrasi representasi struktural graf dan representasi semantik teks melalui pendekatan hybrid, yang didukung mekanisme explainability berbasis GraphRAG, efektif dalam meningkatkan akurasi prediksi resistensi obat pada Mycobacterium tuberculosis serta menyediakan penjelasan yang dapat ditelusuri dan relevan untuk mendukung pengambilan keputusan klinis berbasis genomik. ]]>
