digilib@itb.ac.id +62 812 2508 8800

ABSTRAK Fauzi Teja Sukma
PUBLIC Resti Andriani

BAB 1 Fauzi Teja Sukma
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan

BAB 2 Fauzi Teja Sukma
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan

BAB 3 Fauzi Teja Sukma
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan

BAB 4 Fauzi Teja Sukma
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan

BAB 5 Fauzi Teja Sukma
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan

PUSTAKA Fauzi Teja Sukma
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan

Sebagian besar komponen penyusun turbin gas berasal dari paduan super berbasis nikel yang diberi pelapisan atau coating. Kelemahannya adalah biaya manufaktur dan harga Ni yang relatif mahal. Oleh karena itu, dilakukan penelitian untuk menemukan paduan baru sebagai pengganti paduan super yang relatif lebih murah. Salah satu paduan yang berpotensi dapat menyamai performa paduan super dengan harga yang relatif lebih murah adalah paduan super entropi tinggi FeNiCrCoAl. Adapun tujuan dari penelitian ini adalah untuk mempelajari pengaruh temperatur dan komposisi terhadap nilai stacking fault energy paduan FeNiCrCoAl dengan perhitungan termodinamika dan machine learning sebagai saran panduan desain paduan. Simulasi dilakukan dengan mengumpulkan parameter yang digunakan untuk perhitungan termodinamika dari literatur. Parameter tersebut digunakan untuk menghitung nilai stacking fault energy (SFE) dengan memanfaatkan perangkat lunak Matlab. Hasil dari perhitungan tersebut menjadi dataset untuk model machine learning random forest, dan decision tree. Dataset dibagi menjadi data train dan data test dengan rasio 75:25. Model machine learning dibangun menggunakan data train sedangkan data test digunakan untuk mengevaluasi performa model machine learning. Performa model diukur melalui beberapa metrik evaluasi seperti root mean square error (RMSE) dan accuracy. Berdasarkan simulasi yang dilakukan, peningkatan temperatur meningkatkan nilai SFE. Pada suhu 300 K, penambahan atom Ni meningkatkan SFE dari 89,34 mJ/m2 menjadi 96,06 mJ/m2, penambahan atom Al meningkatkan SFE dari 53,51 mJ/m2 menjadi 131,41 mJ/m2, peningkatan Cr menurunkan SFE dari 107,89 mJ/m2 menjadi 17,97 mJ/m2, peningkatan Fe meningkatkan SFE dari 87,2 mJ/m2 menjadi 98,3 mJ/m2 dan peningkatan Co menurunkan SFE dari 82,26 mJ/m2 menjadi 63,18 mJ/m2. Kontribusi magnetik terhadap SFE terjadi secara signifikan pada suhu rendah. Model Machine learning terbaik adalah random forest dengan RMSE 4,75 dan accuracy 0,98. Panduan desain untuk HESA FeNiCrCoAl pada suhu 300 K, dapat mengikuti rentang Ni 17-25 at%; Cr 24-35 at%; Al 5- 15 at%; Co 20-35 at%; Fe 15-25 at%.