ABSTRAK Leonardus Hans Sebastian T
PUBLIC Resti Andriani
BAB 1 Leonardus Hans Sebastian T
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan
BAB 2 Leonardus Hans Sebastian T
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan
BAB 3 Leonardus Hans Sebastian T
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan
BAB 4 Leonardus Hans Sebastian T
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan
BAB 5 Leonardus Hans Sebastian T
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan
PUSTAKA Leonardus Hans Sebastian T
Terbatas  Resti Andriani
» Gedung UPT Perpustakaan
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%.