Perpustakaan Digital ITB

Carbon dots (CDs) merupakan salah satu jenis nanopartikel karbon yang telah banyak diteliti karena sifat-sifat uniknya, seperti fluoresensi yang dapat diatur, stabilitas, dan biokompatibilitas. Namun, mendapatkan CDs dengan fluoresensi tertentu dapat menjadi tantangan karena banyak faktor yang memengaruhi sintesisnya, seperti konsentrasi prekursor, waktu reaksi, pH, dan jenis pelarut. Untuk memvariasikan faktor-faktor sintesis tersebut diperlukan percobaan berulang dengan kesalahan yang membutuhkan biaya yang tidak sedikit. Untuk memprediksi panjang gelombang puncak fluoresensi pada CDs, salah satu metode yang dapat digunakan adalah dengan menggunakan machine learning. Machine learning (ML) adalah teknik yang memungkinkan komputer untuk belajar tanpa diberi instruksi secara eksplisit. Pada penelitian ini, machine learning digunakan untuk memprediksi panjang gelombang puncak emisi fluoresensi CDs. CDs disintesis menggunakan prekursor etilendiamin (EDA) dan asam fosfat (PA) dengan bantuan radiasi gelombang mikro. Parameter sintesis seperti volume prekursor dan lama waktu radiasi divariasikan, bersama dengan panjang gelombang puncak emisi fluoresensi (eksitasi 365 nm) digunakan untuk membangun dataset yang digunakan sebagai input pada algoritma ML. Algoritma yang digunakan adalah algoritma seperti decision tree, random forest, dan XGBoost. Algoritma diuji dengan menggunakan nilai R2 dan RMSE. Berdasarkan hasil sintesis, CDs menunjukan fluoresensi berwarna biru saat disinari dengan sinar UV dengan intensitas dan panjang gelombang yang berbeda-beda antar sampel. Hasil ML XGBoost yang telah dioptimasi menunjukan R2 sekitar 0,94 pada data uji dan 0,99 pada data latih.