Perpustakaan Digital ITB

Penelitian ini bertujuan untuk mengembangkan metode prediksi nilai deskriptor kuantum yaitu HOMO-LUMO gap pada material nanocage boron nitrida dengan ukuran yang lebih besar menggunakan pendekatan ML. Dataset diperoleh melalui perhitungan DFT pada nanocage B12N12, B24N24, dan B36N36 untuk menentukan nilai HOMO-LUMO gap sebagai target prediksi. Tiga model ML yaitu ANN, CNN dan RNN digunakan untuk mengevaluasi kemampuan mempelajari pola dari data dari nanocage kecil (B12N12 dan B24N24) dan menggeneralisasikannya untuk memprediksi HOMO-LUMO gap pada nanocage yang lebih besar (B36N36) yang tidak dimasukkan dalam dataset pelatihan. Hasil penelitian menunjukkan bahwa RNN memberikan performa terbaik dengan nilai RMSE sebesar 0,9289, MSE sebesar 0,8629, MAE sebesar 0,6457, dan R2 sebesar 0,91. Kemudian CNN dengan nilai RMSE sebesar 0,8115, MSE sebesar 0,6585, MAE sebesar 0,7292 dan R2 sebesar 0,73 yang menunjukkan kemampuan signifikan dalam menangkap hubungan non-linear antara fitur struktural dan sifat elektronik molekul. Sebaliknya, ANN menunjukkan performa paling rendah dengan nilai RMSE sebesar 0,4746, MSE sebesar 0,225, MAE sebesar 0,3805, dan R2 sebesar 0,65 mencerminkan keterbatasannya dalam menangkap pola hubungan kompleks pada dataset nanocage dengan fitur terbatas. Temuan ini diharapkan dapat menjadi dasar bagi pengembangan metode prediksi berbasis pembelajaran mesin yang lebih efisien dan akurat untuk mendesain material nanocage boron nitrida dengan ukuran dan kompleksitas yang lebih besar. Dengan memanfaatkan pendekatan ML seperti RNN dan CNN, penelitian ini menunjukkan potensi untuk mengurangi waktu dan biaya komputasi yang dibutuhkan oleh metode berbasis teori, terutama dalam aplikasi eksplorasi material fungsional yang memerlukan analisis cepat dan skalabilitas tinggi.