Perpustakaan Digital ITB

Carbon dots (CDs) merupakan salah satu material yang banyak diteliti dikarenakan banyaknya karakteristik unggul sehingga dapat diaplikasikan dalam berbagai bidang. CDs memiliki morfologi kuasi-sferis dengan ukuran diameter kurang dari 20 nm dan tersusun atas inti sp2 karbon hibrid terkonjugasi dengan gugus fungsi organik yang mendekorasi permukaannya. Hal ini membuat CDs memiliki panjang gelombang yang dapat diatur, tidak beracun, pergeseran stoke yang besar, dan lifetime luminesensi yang panjang. Oleh karenanya CDs dapat dimanfaatkan sebagai sensor kimia, bioimaging, anti-pemalsuan, perangkat optoelektronik dan lain sebagainya. Untuk dapat memanfaatkan CDs dengan optimal, diperlukan strategi dalam mengatur sifat-sifat optiknya sehingga memiliki fotoluminesensi yang mencakup fluoresensi dan fosforesensi. Salah satu yang berpengaruh terhadap sifat optik dari CDs adalah parameter sintesis material. Untuk mencari formulasi sintesis yang sesuai dalam menghasilkan CDs dengan sifat optik yang optimal diperlukan suatu trobosan dalam memformulasikan proses sintesis agar eksperimen yang dilakukan dapat efektif dan efisien. Salah satu cara yang dapat dilakukan adalah melakukan studi secara eksperimen dan komputasi menggunakan machine learning untuk mempelajari dan memprediksi sifat optik CDs. Sintesis material dengan jumlah percobaan yang minimum menjadi hal krusial untuk percepatan pengembangan CDs dikarenakan hal tersebut membutuhkan waktu, tenaga dan biaya yang cukup besar. Dalam menganalisa hubungan parameter sintesis dengan sifat optik CDs diperlukan metode komputasi yang handal. Machine learning (ML) menjadi salah satu metode komputasi yang mulai diimplementasikan diberbagai bidang, termasuk bidang sains material untuk mempelajari data eksperimen CDs. Oleh karena itu, pada penelitian ini dilakukan studi pengaruh parameter sintesis terhadap sifat optik (fluoresensi dan fosforesensi) CDs dipandu oleh machine learning. Machine learning mampu mempelajari data yang besar dengan kompleksitas yang tinggi untuk menghasilkan prediksi yang tepat. Selain itu, pemanfaatan machine learning dalam memandu sintesis material dalam memprediksi fosforesensi CDs belum pernah dilakukan sebelumnya. Penelitian ini melaporkan hasil sintesis CDs yang menghasilkan room temperature phosphorescence (RTP) menggunakan radiasi gelombang mikro dari microwave dengan etilendiamin dan asam fosfat sebagai prekursor. Parameter sintesis sepert konsentrasi prekursor dan lama radiasi yang divariasikan, menghasilkan CDs dengan beragam karakteristik optik yang nantinya akan digunakan sebagai data set awal ML. Hasil karakterisasi Transmission Electron Microscopy (TEM) dan Fourier-Transform Infrared (FTIR) mengkonfirmasi terbentuknya CDs yang ditunjukkan dari titik-titik yang terdispersi pada gambar TEM serta adanya puncak pada spektrum FTIR yang menunjukkan vibrasi ikatan sp3 C-H dan C=C yang mengindikasikan terbentukanya sistem konjugasi ? sebagai struktur inti dari CDs. Hasil sintesis CDs menunjukkan fluoresensi biru dan fosforesensi hijau saat dieksitasi pada panjang gelombang 365 nm. Pendaran fosforesen CDs dapat bertahan hingga 7 detik dan dapat dilihat menggunakan mata telanjang. Spektrum photoluminescence (PL) menunjukkan puncak emisi dari CDs berada di panjang gelombang masing-masing 420 nm dan 515 nm untuk fluorensi dan fosforesensi. Variasi parameter sintesis pada CDs menghasilkan lifetime fosforesen tertinggi hingga 1,566 s yang menunjukkan ultralong room temperature phosphorescence (URTP). Data eksperimen kemudian dipelajari menggunakan tiga algortima ML meliputi extreme gradient boost (XGB), random forest (RF) dan decision tree (DT). Hasil evaluasi model ML, menunjukkan XGB dengan koefisien determinasi (R2) dan mean absolute error (MAE) terbaik diantara model yang lain. Hasil pengaturan hyperparameter model XGB menunjukkan R2 hingga 0,904 dan 0,915 untuk masing-masing tes dan train data set. Model XGB digunakan untuk memprediksi lifetime rata-rata dari data baru yang berisi parameter sintesis CDs yang belum pernah dilakukan sebelumnya. Hasil prediksi yang paling optimal kemudian divalidasi dengan melakukan eksperimen ulang, dan dari hasil prediksi didapatkan lifetime rata-rata tertinggi hingga 1,597 s dengan galat pengukuran hingga 7,33%.