Perpustakaan Digital ITB

Korosi logam merupakan permasalahan teknis dan ekonomi yang berdampak be- sar pada berbagai sektor industri. Penelitian ini menyusun kerangka pembelajaran mesin untuk memprediksi corrosion inhibition efficiency (CIE%) berdasarkan lima belas deskriptor yang memadukan deskriptor kimia kuantum berbasis teori Frontier Molecular Orbital, deskriptor struktural molekul, dan konsentrasi inhibitor. Dataset utama merupakan himpunan terkurasi 1.364 senyawa inhibitor korosi besi (Fe) da- lam larutan HCl; setelah pembersihan data diperoleh 1.188 sampel dengan deskrip- tor kuantum yang dihitung menggunakan DFT B3LYP/6-31G* melalui paket OR- CA. Fitur dinormalisasi dengan RobustScaler, target ditransformasi dengan fung- si logit, dan data latih diperkuat melalui augmentasi Gaussian noise. Model uta- ma berupa Artificial Neural Network (ANN) dibandingkan dengan beberapa model pembanding, yaitu Multilayer Perceptron, Random Forest, XGBoost, k-Nearest Nei- ghbors, Ridge Regression, Bayesian Ridge, Lasso, Linear Regression, dan prediktor rata-rata. Seluruh metrik dihitung pada ruang target ter-logit. Hasil evaluasi pada data uji menunjukkan kinerja yang moderat: model berbasis pohon memberikan R 2 uji tertinggi, yaitu Random Forest (R 2 = 0,6745) dan XGBoost (R 2 = 0,6602), sedangkan ANN sebagai model utama mencapai R 2 = 0,5964 (RMSE = 0,1089; MAE = 0,0636) dengan kesenjangan latih-uji tersempit. Ketiga model teratas ke- mudian diterapkan dalam kerangka penyaringan terkendali applicability domain (applicability-domain-governed screening) atas 49 molekul obat dan analog struk- turnya yang deskriptor kuantumnya dihitung menggunakan ORCA DFT pada ting- kat teori yang sama. Dalam kerangka ini, keputusan penyaringan dikendalikan le- bih dahulu oleh status applicability domain setiap kandidat—berbasis konsensus tiga metode (leverage, jarak k-tetangga terdekat, dan bounding box) terhadap data latih—sehingga hanya prediksi di dalam domain yang diperlakukan sebagai reko- mendasi, sedangkan ekstrapolasi ditandai secara eksplisit; seluruh 49 molekul obat berada di dalam domain. Kandidat dengan prediksi CIE% tertinggi adalah Ana- log 39 (94,34%), Analog 17 (93,82%), dan Analog 38 (92,95%), diikuti Tinidazole (92,74%) dan Sulfadiazine (91,92%). Kerangka yang sama diterapkan pada pe- nyaringan virtual pustaka QM9: dari 132.000 molekul dihasilkan 13.212 kandidat teratas (10% teratas), dengan 9.294 di antaranya berada di dalam domain. Perkiraan transfer elektron ?N Lukovits dihitung sebagai indikator rezim mekanistik, bukan sebagai validator independen atas peringkat model. Oleh karena itu, hasil peneliti- an ini paling tepat dibaca sebagai pengurutan kandidat awal pada ruang deskriptor yang tersedia, bukan sebagai bukti final bahwa pendekatan ini telah mempercepat alur penemuan inhibitor korosi secara menyeluruh.