Perpustakaan Digital ITB

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.