![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
ABSTRAK Andi M. N. F. Syamsul
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
COVER Andi M. N. F. Syamsul
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 1 Andi M. N. F. Syamsul
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 2 Andi M. N. F. Syamsul
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 3 Andi M. N. F. Syamsul
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 4 Andi M. N. F. Syamsul
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
BAB 5 Andi M. N. F. Syamsul
PUBLIC Yati Rochayati ![](https://digilib.itb.ac.id/assets/icon/pdf.gif)
PUSTAKA Andi M. N. F. Syamsul
PUBLIC Yati Rochayati
Mineral lempung adalah material yang memiliki berbagai manfaat,
terutama pada properti pembengkakan dan kapasitas pertukaran kation yang
dimilikinya. Material ini memiliki variasi komposisi yang beragam, yang
setiap variasinya menghasilkan properti yang berbeda. Dengan kemajuan
metode komputasi Ab initio seperti Density Functional Theory (DFT), banyak
penelitian telah dilakukan untuk mengukur sifat material ini secara komputasi.
Namun, karena mineral lempung memiliki variasi komposisi yang yang
banyak, penelitian menggunakan metode DFT sering menghadapi tantangan.
Salah satu sifat penting yang perlu diukur dalam menentukan komposisi
dan struktur mineral lempung adalah kestabilannya secara termodinamis.
Dalam studi ini, metode pembelajaran mesin digunakan untuk memprediksi
kestabilan mineral lempung menggunakan deskriptor komposisi. Metode
pembelajaran mesin eXtreme Gradient Boosting (XGBoost) dipilih karena
dikenal memiliki efisiensi dan akurasi yang tinggi dalam melakukan regresi.
Tiga jenis deskriptor komposisi yang dipilih adalah Magpie, Fraction, dan
MatScholar. Setiap deskriptor ini menggambarkan properti unik dari
komposisi material: Magpie berfokus pada stoikiometri unsur, Fraction
menyediakan informasi tentang fraksi komposisi unsur, dan MatScholar
menggunakan embedding vektor berdasarkan literatur ilmiah. Pengukuran
stabilitas dilakukan dengan menghitung nilai energi formasi menggunakan
metode XGBoost. Proses validasi dilakukan dengan membandingkan nilai
energi formasi dari jenis mineral lempung yakni piropilit dan magnesium
montmorilonit yang diperoleh dari metode DFT dengan hasil dari prediksi
XGBoost. Hasil validasi menunjukkan bahwa XGBoost memiliki performa
yang baik dalam mengukur energi formasi mineral lempung. Selain itu,
analisis feature importance dari deskriptor memberikan wawasan tentang
properti fisis yang paling mempengaruhi energi formasi. Fitur-fitur penting
ini mencakup elektronegativitas maksimum, titik lebur, dan embedding
maksimum dari literatur ilmiah, yang semuanya memiliki kaitan langsung
dengan stabilitas material. Dengan demikian, penelitian ini tidak hanya membuktikan efektivitas metode XGBoost dalam memprediksi kestabilan
mineral lempung, tetapi juga membantu dalam memahami fitur-fitur yang
menentukan kestabilan material ini.