Perpustakaan Digital ITB

Perkembangan teknologi cahaya berskala nano saat ini telah banyak dimanfaatkan, baik dalam segi kesehatan seperti membantu mendeteksi kanker maupun dalam bidang manipulasi cahaya seperti pemanduan gelombang. Dalam teknologi berskala nano ini, salah satu komponen yang dipergunakan adalah sistem nano partikel. Dari berbagai jenis struktur geometri, geometri bola merupakan geometri yang relatif mudah untuk disintesis dan dipelajari. Namun dalam sintesis nano partikel bola, kadang terjadi agregasi, misalnya agregasi rantai atau agregasi bergerombol. Namun untuk suatu aplikasi tertentu, salah satu bentuk agregasi lebih diinginkan daripada yang lainnya. Oleh karena itu, perlu suatu mekanisme yang cepat dan mudah, dimana setelah sintesis dapat ditentukan agregasi yang terjadi. Salah satu cara identifikasi sistem nano partikel serta aplikasinya adalah melalui hamburan cahaya pada sistem tertentu. Pada Tesis ini, dipelajari respon hamburan pada geometri bola berupa penampang lintang hambur menggunakan metode komputasi elektromagnetik berupa persamaan integral permukaan. Pada bagian pertama, ditinjau kasus satu bola hingga lima bola yang disusun secara linier. Didapatkan bahwa penampang lintang hambur sangat bergantung pada konfigurasi geometri penghambur, arah datang dan polarisasi dari gelombang iluminasi. Bergantung dari jenis konfigurasi dan arah serta polarisasi iluminasi, didapatkan kasus dengan penampang lintang hamburan dengan dua puncak yang cukup signifikan perbedaan nilainya, dan kasus lain diperoleh bentuk penampang hambur yang memiliki sebaran yang lebar dengan sebuah nilai puncak. Pada bagian kedua tesis ini, dibangun sistem pembelajaran mesin untuk mempelajari kasus hamburan dengan menyatakan sistem agregat linier bola-bola nano yang dibedakan menjadi tiga klasifikasi agregasi. Klasifikasi pertama adalah kasus bola-bola nano tidak beragregasi, klasifikasi kedua adalah terdapat beberapa bola-bola nano yang beragregasi dan ada yang tidak, serta klasifikasi ketiga adalah semua bola-bola nano beragregasi. Sistem pembelajaran mesin dilatih dengan menggunakan sebagian dari dataset berupa informasi mengenai konfigurasi agregat dan spektrum penampang lintang hamburannya. Sebagian dari dataset yang dimiliki dan tidak pergunakan untuk Latihan dipakai sebagai kasus uji bagi pembelajaran mesin yang dibuat. Ada enam algoritma yang digunakan dalam pembelajaran mesin ini,yakni Logistic Regression (LR), Linear Discriminant Analysis (LDA), K-nearest neighbors Classifier (KNN), Decision Tree Classifier (CART), Gaussian Naive Bayes (NB), dan Support Vector Machine (SVM). Hasil pembelajaran mesin pada kasus pengujian data bola tiga menggunakan model terlatih untuk satu, dua, empat, dan lima bola menunjukkan nilai akurasi data uji pada SVM sebesar 0,91 dan CART sebesar 0,90 dengan nilai akurasi data latih pada SVM sebesar 0,67 dan CART sebesar 0,52.