Representasi permukaan energi potensial (PES) sangat penting dalam simulasi dinamika molekuler (MD) dan Monte Carlo (MC). Ada dua pendekatan utama: potensi empiris (cepat namun kurang akurat dan terbatas) dan metode ab initio seperti DFT (lebih akurat tetapi mahal secara komputasi). Pembelajaran mesin (ML) muncul sebagai solusi dengan potensial pembelajaran mesin (MLP) yang menggabungkan akurasi metode ab initio dengan efisiensi komputasi, memungkinkan simulasi skala besar. Penelitian ini akan membangun MLP menggunakan deskriptor smooth edition dari Deep Potential (DeepPot-SE) untuk sistem molekul hidrazin (N2H4), menganalisis performanya, dan membandingkan hasilnya dengan perhitungan DFT, dengan tujuan menciptakan potensial pembelajaran mesin yang efektif. Ruang lingkup penelitian terbatas pada molekul hidrazin, menggunakan dinamika Langevin untuk stabilitas molekul, dan mengadopsi deskriptor DeepPot-SE yang dikembangkan oleh Zhang dkk.