ABSTRAK Muhammad Kamal Islahudin
PUBLIC Alice Diniarti
COVER Muhammad Kamal Islahudin
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 1 Muhammad Kamal Islahudin
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 2 Muhammad Kamal Islahudin
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 3 Muhammad Kamal Islahudin
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 4 Muhammad Kamal Islahudin
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
BAB 5 Muhammad Kamal Islahudin
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
PUSTAKA Muhammad Kamal Islahudin
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan
Baterai lithium-ion (LIB) merupakan alat penyimpan energi elektrokimia
dengan performa tinggi karena memiliki sifat-sifat yang unggul seperti densitas
energi yang besar dan memiliki daya tinggi. Saat ini, LIB komersial menggunakan
cairan sebagai elektrolitnya. Namun, elektrolit ini dapat menyebabkan kebakaran
atau bahkan ledakan. Elektrolit padat (solid-state electrolyte, SSE) merupakan
solusi terbaik untuk menggantikan elektrolit cair saat ini. Li10GeP2S12 (LGPS)
adalah kandidat kuat untuk dapat bersaing dengan elektrolit cair komersial karena
konduktivitas ionik yang sangat tinggi (12 ms cm-1). Peningkatan sifat LGPS
dilakukan melalui strategi substitusi: substitusi kation aliovalen, substitusi kation
isovalen, substitusi oksigen, dan substitusi anion. Pembelajaran mesin adalah
metode yang efektif untuk mempermudah ruang pencarian untuk mendapatkan
strategi substitusi terbaik. Pembuatan model pembelajaran mesin dimulai dengan
mengumpulkan data dari penelitian-penelitian yang menyintesis LGPS
tersubstitusi. Data yang sudah terkumpul dieksplorasi dan dianalisis untuk
memproses korelasi antara fitur. Kemudian, Berbagai model pembelajaran mesin
diterapkan ke data yang telah terkumpul untuk mendapatkan kandidat model.
Bagging Classifier, Extra Trees Classifier, dan Random Forest Classifier adalah
kandidat model terbaik untuk melakukan klasifikasi. Setelah pembuatan model,
Bayesian optimization dilakukan untuk mengoptimalkan model. Random Forest
Classifier merupakan model terbaik di antara yang lain berdasarkan skor leave one
out cross validation (LOOCV), dengan skor LOOCV 0,80. Korelasi antara fitur
dan properti target diperiksa menggunakan permutation importance dan shapley
additive explanations (SHAP). Energi aktivasi adalah fitur terpenting pada studi
ini dan substitusi kation aliovalen adalah strategi terbaik untuk meningkatkan
konduktivitas ionik LGPS SSE. Namun, data yang lebih berkualitas diperlukan
untuk dapat meningkatkan performa model dengan kemampuan klasifikasi yang
lebih baik.