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


BAB 1 Leonardus Hans Sebastian T
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan

BAB 2 Leonardus Hans Sebastian T
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan

BAB 3 Leonardus Hans Sebastian T
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan

BAB 4 Leonardus Hans Sebastian T
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan

BAB 5 Leonardus Hans Sebastian T
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan

PUSTAKA Leonardus Hans Sebastian T
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan

Perkembangan teknologi dalam memenuhi kebutuhan manusia memunculkan konsep baru yang berusaha memadukan 5 atau lebih unsur dengan entropi paduan tinggi yang disebut sebagai high entropy alloy (HEA). Penelitian terkait HEA menjadi hal yang menarik akibat perubahan sifat mekanis lebih baik dibandingkan paduan konvensional. HEA FeNiCrCoCu merupakan salah satu paduan yang diminati karena sifat ketahanan aus dan ketahanan iradiasi yang tinggi. Demi memahami sifat mekanis ini, kontribusi oleh stacking fault energy (SFE) menjadi bagian integral penelitian terkait akibat kontribusinya yang signifikan terhadap deformasi pada HEA. Percobaan konvensional memerlukan biaya dan waktu yang panjang akibat prosesnya yang membutuhkan trial dan error. Pengembangan teknologi baik berupa simulasi perhitungan termodinamika maupun machine learning menjadi hal yang penting dalam meningkatkan efektivitas penelitian. Oleh karena itu, penelitian ini bertujuan untuk menentukan pengaruh temperatur dan komposisi terhadap kontribusi magnetik dan SFE, menentukan hubungan SFE terhadap sifat mekanis, menentukan model machine learning terbaik, dan memberikan panduan desain HEA FeNiCrCoCu. Simulasi dilakukan dengan menentukan parameter yang digunakan dalam perhitungan termodinamika dari berbagai literatur. Parameter dan algoritma perhitungan termodinamika kemudian dimasukkan ke dalam program MATLAB untuk dihasilkan perhitungan yang menjadi database. Database tersebut menjadi basis data yang dibagi menjadi 80% data training dan 20% data test. Kemudian database digunakan oleh model machine learning, yaitu decision tree, random forest, dan neural network, untuk dipelajari. Setelah data dipelajari, model diminta untuk memprediksi nilai SFE dari data test untuk mengevaluasi model. Performa dan akurasi model kemudian diukur menggunakan perhitungan root mean squared error (RMSE) serta akurasi untuk menentukan model terbaik. Berdasarkan simulasi yang dilakukan, peningkatan temperatur akan meningkatkan SFE paduan sedangkan kontribusi magnetik akan semakin menurun. Peningkatan kadar Fe dan Ni akan meningkatkan SFE paduan, dan peningkatan kadar Cr akan menurunkan SFE. Pada suhu di bawah 250 K, peningkatan Cu akan meningkatkan SFE sedangkan di atas 250 K akan menurunkan SFE. Pada suhu di bawah 1050 K, peningkatan Co akan meningkatkan SFE sedangkan di bawah 1050 K akan menurunkan SFE. Dalam memprediksi nilai SFE, ketiga model machine learning menunjukkan performa yang baik dengan akurasi di atas 96% dengan model terbaik yang digunakan adalah random forest dengan RMSE 1,31 dan accuracy 98,97%. Panduan desain HEA FeNiCrCoCu pada suhu 800 K mengikuti rentang Fe 5 – 16%; Ni 5 – 16%; Cr 22 – 40%; Co 5 – 9%; Cu 26 – 40%.