Perpustakaan Digital ITB

Pewarna tekstil sintetik merupakan salah satu polutan yang tergolong sebagai persistent organic pollutants (POPs) karena tidak dapat diolah dengan metoda pengolahan limbah konvensional. Dalam hal ini, metoda advanced oxidation processes (AOPs) berbasis proses fotokatalitik merupakan solusi alternatif yang menarik karena dapat mendegradasi pewarna sintetik menjadi CO2 dan H2O dengan cahaya matahari. Salah satu fotokatalis yang banyak digunakan adalah seng oksida (ZnO) karena memiliki sifat oksidasi dan fotokatalitik yang baik serta band gap yang memadai. Meskipun begitu, ZnO memiliki band gap yang lebar (3,2 eV) sehingga hanya mampu memanfaatkan sinar ultraviolet (UV) yang hanya 7% dari spektrum sinar matahari. Penambahan doping pada ZnO merupakan salah satu cara untuk mengurangi band gap ZnO agar dapat lebih banyak menyerap energi dari sinar matahari. Maka dari itu, perlu dilakukan optimasi penggunaan doping agar ZnO dapat memanfaatkan energi matahari dengan lebih optimal. Dalam penelitian ini, machine learning digunakan untuk melakukan optimasi tersebut mengingat sudah ada beberapa peneliti yang menggunakan machine learning untuk optimasi fotokatalis yang lain sebelumnya. Penelitian ini mengkaji tentang penggunaan machine learning untuk optimasi konsentrasi doping pada ZnO untuk mendapatkan nilai band gap terendah dan performa fotodegradasi tertinggi dari ZnO yang dihasilkan serta menentukan tingkat akurasi dari machine learning yang dibuat. Dalam penelitian ini, methylene blue (MB) dipilih sebagai model untuk zat warna sintetik karena mudah ditemui pada industry tekstil dan bersifat mematikan untuk mikroorganisme pengurai. Kemudian optimasi dilakukan dengan memvariasikan jenis doping (Fe dan Al), sumber cahaya (cahaya tampak, UV, matahari) dan waktu degradasi berdasarkan data dari jurnal-jurnal penelitian sebelumnya. Algoritma machine learning dibuat dengan bahasa Python. Dari penelitian ini, didapakan bahwa machine learning buatan penulis dapat menentukan nilai bandgap dari ZnO terdoping Fe atau Al secara akurat dengan akurasi rata-rata 97,5%. Akan tetapi, machine learning tersebut masih belum bisa memprediksi performa fotodegradasi dari ZnO secara akurat dimana akurasi dari ketiga model antara lain berkisar di rentang 72,22 – 84,87%. Saran yang bisa dilakukan antara lain dengan melakukan eksperimen laboratorium untuk menguji nilai band gap di dunia nyata dan menambah data fotodegrdasi untuk meningkatkan akurasi machine learning serta menambah database dengan hasil penelitian dari polutan pewarna tekstil yang lain.