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


COVER
PUBLIC Open In Flip Book Rina Kania

BAB I
PUBLIC Open In Flip Book Rina Kania

Bab II
PUBLIC Open In Flip Book Rina Kania

Bab III
PUBLIC Open In Flip Book Rina Kania

BAB IV
PUBLIC Open In Flip Book Rina Kania

BAB V
PUBLIC Open In Flip Book Rina Kania

DAFTAR PUSTAKA
PUBLIC Open In Flip Book Rina Kania

LAMPIRAN
PUBLIC Open In Flip Book Rina Kania

Simulasi dinamika molekuler (MD) sangat penting dalam mengeksplorasi sifat material kompleks, dimana akurasi dalam mendeskripsikan interaksi antar-atom sangat krusial untuk menghasilkan hasil yang andal. Potensial empiris menawarkan efisiensi komputasi namun terbatas dalam hal transferabilitas, sementara metode ab initio seperti teori fungsional kerapatan (DFT) memberikan akurasi yang lebih tinggi namun memerlukan biaya komputasi yang besar. Potensial pembelajaran mesin (MLP), seperti Deep Potential Smooth Edition (DeepPot-SE), menjadi alternatif yang skalabel dan akurat. Studi ini menggunakan DeepPot-SE untuk membangun model MLP untuk molekul hidrazin (N2H4) dalam simulasi MD. Representasi multi-body dari lingkungan atom dalam DeepPot-SE memberikan efisiensi komputasi yang tinggi dengan tetap mempertahankan akurasi. Data pelatihan dari perhitungan DFT digunakan untuk melatih model, mencapai root mean square deviation (RMSD) sebesar 0,040 kcal/mol untuk energi dan 0,079 kcal/mol/Å untuk gaya, menunjukkan akurasi yang setara dengan DFT. Melalui DeepPot-SE, model potensial pembelajaran mesin berhasil dilatih menggunakan data energi dan gaya dari simulasi hidrazin. Hasil model ini menunjukkan performa yang sangat baik, dengan RMSD rendah dan konsistensi tinggi antara nilai referensi dan prediksi, mengindikasikan kemampuan model dalam memprediksi energi dan gaya pada berbagai konfigurasi atom dengan akurat. Proses pelatihan menunjukkan pembelajaran yang efektif, sebagaimana ditunjukkan oleh keselarasan kurva kerugian pelatihan dan pengujian. Model ini menyediakan pendekatan yang efisien dan akurat untuk memprediksi sifat molekul dan memiliki potensi untuk diterapkan pada sistem molekul yang lebih kompleks di masa mendatang. Kata kunci: Potensial Interatomik Pembelajaran Mesin, Dinamika Molekuler, Hidrazin.