Perpustakaan Digital ITB

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.