Perpustakaan Digital ITB

Electrochemical oxidation (EO) merupakan teknologi berbasis proses oksidasi lanjutan yang terbukti efektif dalam penyisihan senyawa organik persisten seperti kafein. Namun, keterbatasan metode eksperimental konvensional yang membutuhkan waktu dan energi yang tinggi menyebabkan optimalisasi proses EO menjadi sulit. Dengan memanfaatkan machine learning (ML), penelitian ini bertujuan memodelkan kondisi optimal EO pada proses penyisihan kafein. Salah satu metode EO yang paling umum digunakan adalah elektro-Fenton, yang memanfaatkan Fe2+ untuk pembentukan •OH radikal yang dapat mengoksidasi senyawa organik. Percobaan elektro-Fenton dengan variasi pH, konsentrasi Fe²? dilakukan untuk memperoleh data kondisi optimal proses EO yang nantinya akan digunakan pada pemodelan ML. Hasil percobaan menunjukkan bahwa pada kondisi optimal pH 3 dan konsentrasi Fe²? sebesar 1 mM, efisiensi penyisihan kafein maksimum sebesar 85% tercapai dalam waktu 50 menit. Model ML yang terpilih berdasarkan performa terbaik adalah random forest (RF) dengan nilai RMSE: 42,45; R2 :0,61; MAE: 24,30. Dari model RF yang telah dikembangkan, diketahui bahwa tiga variabel yang paling berpengaruh terhadap waktu proses EO untuk mencapai efisiensi >80% adalah jenis anode, kepadatan arus listrik, dan luas area anode. Dengan kondisi optimal yang telah diprediksi melalui model RF, waktu yang dibutuhkan untuk mencapai efisiensi >80% adalah 3,44 menit.