PREDIKSI NILAI DESKRIPTOR KUANTUM PADA MATERIAL NANOCAGE BERBASIS BORON NITRIDA MENGGUNAKAN ALGORITMA ANN, CNN, DAN RNN TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar Magister dari Institut Teknologi Bandung Oleh RIKE PRADILA NIM: 20923012 (Program Studi Magister Sains Komputasi) INSTITUT TEKNOLOGI BANDUNG Januari 2025 i ABSTRAK PREDIKSI NILAI DESKRIPTOR KUANTUM PADA MATERIAL NANOCAGE BERBASIS BORON NITRIDA MENGGUNAKAN ALGORITMA ANN, CNN, DAN RNN Oleh Rike Pradila NIM: 20923012 (Program Studi Magister Sains Komputasi) Penelitian ini bertujuan untuk mengembangkan metode prediksi nilai deskriptor kuantum yaitu HOMO-LUMO gap pada material nanocage boron nitrida dengan ukuran yang lebih besar menggunakan pendekatan ML. Dataset diperoleh melalui perhitungan DFT pada nanocage B 12N12, B24N24, dan B36N36 untuk menentukan nilai HOMO-LUMO gap sebagai target prediksi. Tiga model ML yaitu ANN, CNN dan RNN digunakan untuk mengevaluasi kemampuan mempelajari pola dari data dari nanocage kecil (B 12N12 dan B24N24) dan menggeneralisasikannya untuk memprediksi HOMO-LUMO gap pada nanocage yang lebih besar (B 36N36) yang tidak dimasukkan dalam dataset pelatihan. Hasil penelitian menunjukkan bahwa RNN memberikan performa terbaik dengan nilai RMSE sebesar 0,9289, MSE sebesar 0,8629, MAE sebesar 0,6457, dan R 2 sebesar 0,91. Kemudian CNN dengan nilai RMSE sebesar 0,8115, MSE sebesar 0,6585, MAE sebesar 0,7292 dan R 2 sebesar 0,73 yang menunjukkan kemampuan signifikan dalam menangkap hubungan non-linear antara fitur struktural dan sifat elektronik molekul. Sebaliknya, ANN menunjukkan performa paling rendah dengan nilai RMSE sebesar 0,4746, MSE sebesar 0,225, MAE sebesar 0,3805, dan R 2 sebesar 0,65 mencerminkan keterbatasannya dalam menangkap pola hubungan kompleks pada dataset nanocage dengan fitur terbatas. Temuan ini diharapkan dapat menjadi dasar bagi pengembangan metode prediksi berbasis pembelajaran mesin yang lebih efisien dan akurat untuk mendesain material nanocage boron nitrida dengan ukuran dan kompleksitas yang lebih besar. Dengan memanfaatkan pendekatan ML seperti RNN dan CNN, penelitian ini menunjukkan potensi untuk mengurangi waktu dan biaya komputasi yang dibutuhkan oleh metode berbasis teori, terutama dalam aplikasi eksplorasi material fungsional yang memerlukan analisis cepat dan skalabilitas tinggi. Kata kunci: Prediksi, HOMO-LUMO gap, Boron Nitrida, Machine Learning ii ABSTRACT PREDICTION OF QUANTUM DESCRIPTOR VALUES IN BORON NITRIDE NANOCAGE-BASED MATERIALS USING ANN, CNN, AND RNN ALGORITHMS By Rike Pradila NIM: 20923012 (Master’s Program in Computational Science) This research aims to develop a method for predicting quantum descriptor values, specifically the HOMO-LUMO gap, in larger boron nitride nanocage materials using a machine learning approach. The dataset was obtained through DFT calculations on B 12N12, B24N24, and B36N36 nanocages to determine the HOMO- LUMO gap values as prediction targets. Three ML models ANN, CNN, and RNN were employed to evaluate their ability to learn patterns from smaller nanocages (B 12N12 and B24N24) and generalize to predict the HOMO-LUMO gap for a larger nanocage (B 36N36) excluded from the training dataset. The results show that RNN achieved the best performance with an RMSE of 0,9289, MSE of 0,8629, MAE of 0,6457, and R² of 0,91. CNN demonstrated significant capability in capturing non- linear relationships between structural features and electronic properties, achieving an RMSE of 0,8115, MSE of 0,6585, MAE of 0,7292, and R² of 0,73. In contrast, ANN showed the lowest performance, with an RMSE of 0,4746, MSE of 0,225, MAE of 0,3805, and R² of 0,65, reflecting its limitations in capturing complex patterns in nanocage datasets with limited features. These findings are expected to serve as a foundation for developing more efficient and accurate ML-based prediction methods for designing boron nitride nanocages of greater size and complexity. By leveraging ML approaches such as RNN and CNN, this study highlights the potential to reduce the computational time and cost associated with theory-based methods, particularly in applications requiring rapid analysis and high scalability for functional material exploration. Keywords: Prediction, HOMO-LUMO gap, Boron Nitride, Machine Learning iii PREDIKSI NILAI DESKRIPTOR KUANTUM PADA MATERIAL NANOCAGE BERBASIS BORON NITRIDA MENGGUNAKAN ALGORITMA ANN, CNN, DAN RNN HALAMAN PEHNGESAHAN Oleh Rike Pradila NIM: 20923012 (Program Studi Magister Sains Komputasi) Institut Teknologi Bandung Menyetujui Tim Pembimbing Tanggal 6 Januari 2025 Ketua ________________________________ Anggota ________________________________ Drs. M. Abdulkadir Martoprawiro, Ph.D. Dr. Atthar Luqman Ivansyah, M.Si. iv PEDOMAN PENGGUNAAN TESIS Tesis Magister yang tidak dipublikasikan terdaftar dan tersedia di Perpustakaan Institut Teknologi Bandung, dan terbuka untuk umum dengan ketentuan bahwa hak cipta ada pada penulis dengan mengikuti aturan HaKI yang berlaku di Institut Teknologi Bandung. Referensi kepustakaan diperkenankan dicatat, tetapi pengutipan atau peringkasan hanya dapat dilakukan seizin penulis dan harus disertai dengan kaidah ilmiah untuk menyebutkan sumbernya. Sitasi hasil penelitian Tesis ini dapat di tulis dalam bahasa Indonesia sebagai berikut: Pradila, R. (2025): Prediksi Nilai Deskriptor Kuantum pada Material Nanocage Berbasis Boron Nitrida menggunakan Algoritma ANN, CNN, dan RNN, Tesis Program Magister, Institut Teknologi Bandung. dan dalam bahasa Inggris sebagai berikut: Pradila, R. (2025): Prediction Of Quantum Descriptor Values in Boron Nitride Nanocage-Based Materials Using ANN, CNN, and RNN Algorithms, Master’s Thesis, Institut Teknologi Bandung. Memperbanyak atau menerbitkan sebagian atau seluruh tesis haruslah seizin Dekan Sekolah Pascasarjana, Institut Teknologi Bandung. HALAMAN PERUNTUKAN v HALAMAN PERUNTUKAN Dipersembahkan kepada orang tua, suami, adik, mertua serta keluarga besarku tercinta yang senantiasa mendukung lahir dan batin. vi KATA PENGANTAR Puji syukur penulis ucapkan kehadirat Allah SWT karena atas rahmat serta izin- Nya tesis yang berjudul Prediksi Nilai Deskriptor Kuantum pada Material Nanocage Berbasis Boron Nitrida menggunakan Algoritma ANN, CNN, dan RNN dapat diselesaikan dengan baik, sebagai syarat memperoleh gelar Magister di Program Studi Magister Sains Komputasi. Keberhasilan penyusunan tesis ini pun tidak lepas dari segala bentuk bantuan dari berbagai pihak. Oleh karena itu, penulis hendak menyampaikan terima kasih kepada: 1. Drs. Muhamad Abdulkadir Martoprawiro, M.S, Ph.D. dan Dr. Atthar Luqman Ivansyah, S.Si., M.Si., selaku dosen pembimbing yang telah memberikan saran serta arahan mulai dari ide topik tesis sampai selesai penyusunan tesis, sedemikian hingga penulis dapat terus berkembang menjadi akademisi yang lebih baik. 2. Dr. Eng Dwi Irwanto, selaku selaku ketua program studi Magister Sains Komputasi yang senantiasa memberikan motivasi dalam setiap masukan dan arahan yang diberikan. 3. Seluruh staf pengajar dan tata usaha program studi Magister Sains Komputasi, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Bandung atas segala bentuk ilmu dan bantuan yang telah diberikan selama masa studi. 4. Keluarga tercinta yang senantiasa mengingatkan sekaligus mendukung dalam penyusunan tesis. Penulis juga mengucapkan terima kasih kepada seluruh pihak lainnya yang tidak dapat disebutkan satu per satu yang telah memberikan banyak masukan dan bantuan dalam bentuk apapun. Bandung, Januari 2025 vii DAFTAR ISI ABSTRAK ............................................................................................................ i ABSTRACT ........................................................................................................... ii HALAMAN PEHNGESAHAN ............................................................................. iii PEDOMAN PENGGUNAAN TESIS.................................................................... iv HALAMAN PERUNTUKAN ................................................................................ v KATA PENGANTAR ...........................................................................................