3030/0425/P/2025 INTEGRASI MACHINE LEARNING DALAM DESAIN DAN OPTIMALISASI ELECTROCHEMICAL OXIDATION UNTUK PENYISIHAN SENYAWA KAFEIN TUGAS AKHIR Karya tulis sebagai salah satu syarat untuk memperoleh gelar Sarjana dari Institut Teknologi Bandung Oleh SHAFIRA RAFAYOLA NIM : 15320080 (Program Studi Sarjana Teknik Lingkungan) INSTITUT TEKNOLOGI BANDUNG JANUARI 2025 LEMBAR PENGESAHAN Tugas Akhir Sarjana INTEGRASI MACHINE LEARNING DALAM DESAIN DAN OPTIMALISASI ELECTROCHEMICAL OXIDATION UNTUK PENYISIHAN SENYAWA KAFEIN Adalah benar dibuat oleh saya sendiri dan belum pernah dibuat dan diserahkan sebelumnya baik sebagian maupun seluruhnya, baik oleh saya maupun orang lain, baik di ITB maupun di institusi pendidikan lainnya. Bandung, 30 Januari 2025 Penulis, Shafira Rafayola NIM. 15320080 Dosen Pembimbing Tugas Akhir Mengetahui, Ketua Program Studi Teknik Lingkungan ITB Dr. Mont. Kania Dewi, S.T., M.T. NIP. 197208281997022001 Dosen Pembimbing Utama Rofiq Iqbal, S.T., M.T., Ph.D. Dosen Pembimbing Pendamping Dhimas Dwinandha, S.T., M.Eng., Ph.D. ABSTRAK INTEGRASI MACHINE LEARNING DALAM DESAIN DAN OPTIMALISASI ELECTROCHEMICAL OXIDATION UNTUK PENYISIHAN SENYAWA KAFEIN Oleh Shafira Rafayola NIM: 15320080 (Program Studi Sarjana Teknik Lingkungan) Electrochemical oxidation (EO) merupakan teknologi berbasis proses oksidasi lanjutan yang terbukti efektif dalam penyisihan senyawa organik persisten seperti kafein. Namun, keterbatasan metode eksperimental konvensional yang membutuhkan waktu dan energi yang tinggi menyebabkan optimalisasi proses EO menjadi sulit. Dengan memanfaatkan machine learning (ML), penelitian ini bertujuan memodelkan kondisi optimal EO pada proses penyisihan kafein. Salah satu metode EO yang paling umum digunakan adalah elektro-Fenton, yang memanfaatkan Fe 2+ untuk pembentukan •OH radikal yang dapat mengoksidasi senyawa organik. Percobaan elektro-Fenton dengan variasi pH, konsentrasi Fe²⁺ dilakukan untuk memperoleh data kondisi optimal proses EO yang nantinya akan digunakan pada pemodelan ML. Hasil percobaan menunjukkan bahwa pada kondisi optimal pH 3 dan konsentrasi Fe²⁺ sebesar 1 mM, efisiensi penyisihan kafein maksimum sebesar 85% tercapai dalam waktu 50 menit. Model ML yang terpilih berdasarkan performa terbaik adalah random forest (RF) dengan nilai RMSE: 42,45; R 2 :0,61; MAE: 24,30. Dari model RF yang telah dikembangkan, diketahui bahwa tiga variabel yang paling berpengaruh terhadap waktu proses EO untuk mencapai efisiensi >80% adalah jenis anode, kepadatan arus listrik, dan luas area anode. Dengan kondisi optimal yang telah diprediksi melalui model RF, waktu yang dibutuhkan untuk mencapai efisiensi >80% adalah 3,44 menit. Kata kunci: Electrochemical oxidation, Penyisihan Kafein, Machine Learning, Random Forest ABSTRACT INTEGRATION OF MACHINE LEARNING IN THE DESIGN AND OPTIMIZATION OF ELECTROCHEMICAL OXIDATION FOR CAFFEINE REMOVAL By Shafira Rafayola NIM: 15320080 (Environmental Engineering Undergraduate Study Program) Electrochemical oxidation (EO) is an advanced oxidation process-based technology proven effective in removing persistent organic compounds such as caffeine. However, the limitations of conventional experimental methods, which require significant time and energy, make the optimization of the EO process challenging. By utilizing machine learning (ML), this study aims to model the optimal EO conditions for caffeine removal.