Optimisasi Parameter Fotokatalis Menggunakan Machine Learning

Hardiyansyah, Muhammad Reza (2024) Optimisasi Parameter Fotokatalis Menggunakan Machine Learning. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5009201028_Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (3MB) | Request a copy

Abstract

Fotokatalisis adalah proses di mana reaksi kimia dipercepat oleh katalis yang diaktifkan oleh cahaya, seperti sinar ultraviolet atau cahaya tampak. Proses ini tidak memerlukan biaya tinggi, namun tidak semua material cocok sebagai katalis. Oleh karena itu, diperlukan optimisasi untuk mengidentifikasi parameter yang mempengaruhi proses fotokatalis, sehingga parameter tersebut dapat difokuskan untuk meningkatkan performansi hidrogen. Salah satu alat untuk optimisasi dapat menggunakan Machine Learning. Kemudian didapatkan hasil untuk parameter yang benar benar berpengaruh adalah Diameter kristal, Dislokasi dan Specific Surface Area. Setelah diketahui parameter apa yang berpengaruh, selanjutnya dilakukan clustering berdasarkan ketiga parameter tersebut. Setelah didapatkan jenis bahan yang cocok yaitu variasi TiO2/Ni(OH)2 terdoping rGO. Selanjutnya dilakukan sintesis material dan pengujian chronoamperometri dengan variasi perbandingan TiO2/Ni(OH)2 (1:1), (1:3), (1:9) dengan variasi doping rGO 5%, 6.5%, 8.5%, 10%. Sehingga didapatkan untuk performansi hidrogen terbaik pada variasi (3:1) TiO2/Ni(OH)2 terdoping rGO 8.5% sebesar 1835,657532 μmol H2.g-1.h-1. Selanjutnya data hasil uji hidrogen akan di jadikan sebagai data validasi untuk prediksi menggunakan machine learning. Untuk hasil validasi menggunakan CatBoost dan XGBoost didapatkan untuk nilai r2 sebesar 0.9479 dan 0.9852 kemudian untuk nilai MAE nya yaitu 54,7087 dan 15,249. Kedua model sudah dapat memprediksi data dengan baik akan tetapi untuk model XGBoost memiliki nilai performansi yang lebih baik sehingga dapat generalisasi data dengan lebih baik
==============================================================================================================================
Photocatalysis is a process in which chemical reactions are accelerated by catalysts activated by light, such as ultraviolet or visible light. This process does not require high costs, but not all materials are suitable as catalysts. Therefore, optimisation is needed to identify the parameters that affect the photocatalyst process, so that these parameters can be focused on to improve hidrogen performance. One of the tools for optimisation can be Machine Learning. Then the results obtained for the parameters that really affect are crystal diameter, dislocation and specific surface area. After knowing what parameters are influential, clustering is then carried out based on these three parameters. After obtaining a suitable type of material, namely the variation of TiO2/Ni(OH)2 doped rGO. Furthermore, material synthesis and chronoamperometry testing were carried out with variations in the ratio of TiO2/Ni(OH)2 (1:1), (1:3), (1:9) with rGO doping variations of 5%, 6.5%, 8.5%, 10%. It was obtained for the best hidrogen performance in the variation (3:1) TiO2/Ni(OH)2 doped rGO 8.5% of 1835.657532 μmol H2.g-1.h-1. Furthermore, the hidrogen test data will be used as testing data for prediction using machine learning. For validation results using CatBoost and XGBoost, the r2 value is 0.9479 and 0.9852, and the MAE value is 54.7087 and 15.249. Both models can predict the data well, but the XGBoost model has a better performance value so that it can generalise the data better.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Fotokatalis, Hidrogen, Machine Learning, Hydrogen, Photocatalyst
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning. Support vector machines.
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Physics Engineering > 30201-(S1) Undergraduate Thesis
Depositing User:	Muhammad Reza Hardiyansyah
Date Deposited:	19 Aug 2024 07:03
Last Modified:	19 Aug 2024 07:03
URI:	http://repository.its.ac.id/id/eprint/111603

Actions (login required)

View Item