Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Rasio kekuatan dan densitas aluminium yang tinggi serta ketahanan aluminium yang tinggi terhadap korosi membuat aluminium menjadi material yang populer digunakan oleh industri aviasi. Sebagai salah satu aplikasinya, aluminium kerap digunaakn sebagai komponen pada helikopter. Menurut Rashid, dkk rotor adalah komponen yang paling rentan pada helikopter. Lalu Weber, dkk mengatakan bahwa 65% pilot pernah menerbangkan helikopter dengan kondisi rotor yang rusak. Banyaknya faktor yang dapat menyebabkan kerusakan pada rotor mempersulit penemuan solusi untuk kegagalan komponen. Ketangguhan patah adalah ketahanan suatu material akan perambatan retak. Penambahan laju retak dapat terjadi karena beberapa mekanisme seperti fatigue, creep, kesalahan pemilihan material, SCC, dan lainnya. Karena itu, rekayasa material mengenai ketangguhan patah menarik sangat menarik untuk dipelajari. Metode eksperimental trial and error untuk rekayasa material memerlukan banyak waktu panjang, biaya tinggi, dan akurasi penelitian yang sangat ditentukan oleh kemampuan peneliti. Metode pembelajaran mesin regresi menggunakan data dokumentasi terdahulu sehingga dapat memangkas waktu dan biaya untuk rekayasa material. Pada penelitian ini berhasil dikembangkan model pembelajaran mesin dengan menggunakan algoritma XGBoost. Kemampuan prediksi cukup baik, dibuktikan dari perbandingan nilai aktual dan prediksi serta nilai metrik model sebesar 0,906. ......The high strength-to-density ratio and corrosion resistance of aluminum have made it a popular material in the aviation industry. One of its applications is in helicopter components. According to Rashid et al., the rotor is the most vulnerable component in a helicopter. Furthermore, Weber et al. stated that 65% of pilots have flown helicopters with damaged rotors. The numerous factors that can cause rotor damage make finding solutions to component failures challenging. Fracture toughness is the resistance of a material to crack propagation. Increased crack propagation can occur due to various mechanisms such as fatigue, creep, material selection errors, SCC (Stress Corrosion Cracking), and others. Therefore, studying fracture toughness in materials engineering is highly interesting. Traditional trial-and-error experimental methods for materials engineering require extensive time, high costs, and research accuracy heavily dependent on the abilities of the researchers. Regression machine learning methods using past documentation data can help reduce time and costs in materials engineering. In this study, a machine learning model using the XGBoost algorithm was successfully developed. The predictive capability was quite good, as evidenced by the comparison between actual and predicted values, as well as a model metric value of 0.906.

Abstrak :
Kanker payudara adalah sekelompok penyakit di mana sel-sel di jaringan payudara berubah dan membelah secara tidak terkendali, yang biasanya menghasilkan benjolan atau massa. World Health Organization (WHO) telah merilis data dari Global Burden of Cancer (GLOBOCAN) yang menyebutkan bahwa jumlah kasus dan kematian akibat kanker payudara diperkirakan terus meningkat hingga lebih dari 13,1 juta pada tahun 2030. Salah satu metode yang menjadi gold standard dalam mendiagnosis kanker payudara adalah melalui pemeriksaan histopatologi, yang melibatkan pengambilan jaringan utuh melalui operasi, biopsi atau kerokan untuk menentukan jenis tumor payudara baik ganas ataupun jinak. Pemeriksaan ini berfungsi untuk melihat perubahan morfologi sel dari jaringan dengan metode paraffin. Metode machine learning dan deep learning berperan penting dalam klasifikasi kanker payudara. Belakangan ini, metode deep learning telah mengalami kemajuan yang besar dan kinerja yang baik dalam visi computer dan pemrosesan gambar yang diterapkan dalam metode klasifikasi pada citra gambar histopatologi. Dalam penelitian ini, penulis mengklasifikasi dua kelas pada kanker payudara menggunakan metode Xtreme of Inception (Xception) pada data citra histopatologi menjadi dua kelas, yaitu kelas jinak dan kelas ganas, yang terbagi menjadi dua kasus, dimana kasus 1 memiliki rasio pemisah data dimana data training : validation : testing sebesar 8:1:1 dan kasus kedua memiliki rasio 7:2:1. Dari hasil simulasi yang telah dilakukan, diperoleh hasil evaluasi dari kedua kasus penelitian bahwa pada evaluasi training model, kasus 1 memiliki hasil terbaik dimana pemisah data memiliki rasio 8:1:1 yang memiliki rata-rata accuracy 98,11%, validation 98,45% serta running time 663027.5772 ms. Seperti halnya pada evaluasi training model, pada evaluasi testing model kasus 1 dengan rasio pemisah data 8:1:1 memiliki hasil terbaik yaitu precision 96,56%, recall 99,55%, accuracy 99,55% serta running time 607,6727 ms. ...... Breast cancer is a group of diseases in which cells in the breast tissue change and divide uncontrollably, which usually results in a lump or mass. The World Health Organization (WHO) has released data from the Global Burden of Cancer (GLOBOCAN) which states that the number of cases and deaths from breast cancer is expected to continue to increase to more than 13.1 million in 2030. One of the methods that has become the gold standard in diagnosing Breast cancer is through histopathological examination, which involves taking intact tissue through surgery, biopsy or scraping to determine the type of breast tumor whether malignant or benign. This examination serves to see changes in cell morphology of tissues with the paraffin method. Machine learning and deep learning methods play an important role in breast cancer classification. Recently, deep learning methods have experienced great progress and good performance in computer vision and image processing applied in classification methods on histopathological images. In this study, the authors classified two classes of breast cancer using the Xtreme of Inception (Xception) method on histopathological image data into two classes, namely the benign class and the malignant class, which were divided into two cases, where case 1 had a data separator ratio where the training data : validation : testing is 8:1:1 and the second case has a ratio of 7:2:1. From the simulation results that have been carried out, the evaluation results of the two research cases show that in the training model evaluation, case 1 has the best results where the data separator has a ratio of 8:1:1 which has an average accuracy of 98.11%, validation of 98.45 % and running time 663027.5772 ms. As with the evaluation of the training model, the evaluation of testing model case 1 with a data separation ratio of 8:1:1 has the best results, namely 96.56% precision, 99.55% recall, 99.55% accuracy and 607.6727 ms running time.

Abstrak :
Tren cyber-attack atau serangan siber terus bertambah banyak setiap tahunnya. Menurut data dari patrolisiber.id, terdapat 61 laporan penipuan melalui e-mail dengan jumlah kerugian mencapai lebih dari 144 miliar rupiah dan merupakan modus penipuan dengan kerugian terbesar pada tahun 2019. Teknik machine learning telah diadaptasi pada algoritma deteksi dalam Intrusion Detection System (IDS) sebagai perangkat untuk memeriksa semua traffic jaringan karena dapat membawa manfaat dalam pengembangan performanya yang berskala besar dalam meningkatkan detection rate dan pengurangan processing time. Salah satu metode machine learning pada IDS adalah decision tree, yaitu metode yang dapat bekerja dengan cepat, menghasilkan akurasi yang baik, dan mudah untuk diinterpretasi. Penelitian ini bertujuan untuk melakukan klasifikasi jenis serangan cyber-attack terhadap jaringan Wi-Fi dan Internet of Things melalui penerapan teknik machine learning dengan metode decision tree. Untuk menghindari overfitting pada model, akan digunakan teknik lanjutan yaitu post-pruning dengan menggunakan algoritma reduced error pruning. Hasil yang diperoleh dari penelitian ini adalah pengembangan performa model decision tree setelah dilakukan metode reduced error pruning dibanding model yang tidak dilakukan pruning. Evaluasi kinerja model yang sudah dilakukan pruning dengan ukuran nilai metrik accuracy, F1 score, recall, dan precision pada data testing masing-masing adalah sebesar 94.67%, 94.79%, 94.9%, dan 94.69%. ......The trend of cyber-attacks continues to increase every year. According to data from patrolsiber.id, there are 61 reports of fraud via e-mail with a total loss of more than 144 billion rupiahs and is the mode of fraud with the biggest losses in 2019. Machine learning techniques have been adapted to the detection algorithms in the Intrusion Detection System (IDS) as a tool to examine all network traffic because they can bring benefits in the development of large-scale performance in increasing the detection rate and reducing processing time. One of the machine learning methods in the IDS is the decision tree, which is a method that works quickly, produces good accuracy, and is easy to interpret. This study aims to classify types of cyber-attacks against Wi-Fi networks and the Internet of Things through the application of machine learning techniques with the decision tree method. To avoid overfitting on the model, an advanced technique will be used, namely post-pruning using the reduced error pruning algorithm. The results obtained from this study are the development of the performance of the decision tree model after the reduced error pruning method is used compared to the model without pruning. Evaluation of the performance of the model that has been pruned with the metrics measurement of accuracy, F1 score, recall, and precision in data testing is 94.67%, 94.79%, 94.9%, and 94.69%, respectively.

Abstrak :
Stroke merupakan penyebab utama kematian dan kecacatan di Indonesia. Mengingat sempitnya jendela waktu pengobatan stroke iskemik hiperakut dan potensi komplikasi yang terkait dengan intervensi trombolisis, prognostikasi yang akurat esensial dalam memastikan terapi yang cepat dan tepat. Penelitian ini memanfaatkan pembelajaran mesin, khususnya Random Forest (RF), bertujuan untuk mengembangkan model yang mampu memprediksi hasil klinis (Δ NIHSS) pasien stroke iskemik hiperakut setelah trombolisis, berdasarkan CT scan otak, data klinis, dan nilai laboratorium. Klasifikasi Δ NIHSS menggunakan tiga skenario berbeda —CT, CT + Data klinis, dan CT + Data klinis + Data lab— dan dikategorikan menjadi 2 dan 3 kelas yang akan digunakan dalam pemantauan model prediksi mana yang memberikan performa paling optimal. Pengumpulan data studi kohort ini diperoleh saat kedatangan awal pasien, terdiri dari data klinis, laboratorium, dan data CT otak non-kontras dari rekam medis dan Picture Archiving Communication System (PACS) Rumah Sakit Cipto Mangunkusumo Jakarta dengan periode 10 tahun sejak November 2014 hingga Februari 2023 dan total 145 pasien. Arsitektur dari Bacchi et al.1 yakni convolutional neural network (CNN) dan model pembelajaran mesin konvensional lainnya juga dianalisis sebagai pendekatan alternatif. Hasil penelitian menunjukkan bahwa algoritma RF (2 kelas) menggunakan data validasi dan skenario CT + Data klinis + Data lab menampilkan akurasi tertinggi (75%) dan unggul dalam sensitivitas dan spesifisitas (0,61 dan 0,59). Performa metrik juga menunjukkan tren peningkatan dari setiap skenario. Model ini diharapkan dapat meningkatkan efisiensi penatalaksanaan stroke iskemik hiperakut dengan memberikan informasi tambahan kepada klinisi dalam pengambilan keputusan terkait intervensi trombolisis. ......Stroke is the leading cause of both mortality and disability in Indonesia. Given the narrow time frame for treating acute ischemic stroke and the potential complications associated with thrombolysis intervention, accurate prognostication is essential to ensure a prompt and appropriate treatment. The National Institutes of Health Stroke Scale (NIHSS) can be utilized to identify individuals who may benefit from reperfusion therapy. The data for this cohort study acquired during the initial presentation, comprising clinical, laboratory, and non-contrast brain CT data from the medical records and Picture Archiving Communication System (PACS) of Cipto Mangunkusumo Hospital Jakarta. The study included 145 patients who experienced acute ischemic stroke and received thrombolysis treatment from November 2014 to February 2023. Currently, there is no clinical outcome prediction model for hyperacute ischemic stroke using data from Indonesia. By utilizing machine learning, specifically Random Forest, the author aims to develop a model capable of predicting the clinical outcome (Δ NIHSS) of hyperacute ischemic stroke patients following thrombolysis, based on brain CT scans, clinical data, and laboratory values. The classification of Δ NIHSS used three distinctive scenarios —CT, CT + Clinic, and CT + Clinic + Lab— and is categorized by 2 and 3 classes will be used in monitoring which prediction model gives optimal performance. Architecture derived from the research conducted by Bacchi et al.1 employed a convolutional neural network (CNN) and other conventional machine learning models were also analyzed as alternative approach. Result revealed that RF algorithm (2 classes) using data validation and CT + Clinic + Lab scenario displays the highest accuracy (75%) and excels in sensitivity and specificity (0,61 and 0,59). The performance metrics show continuous improvement, indicating that this model can enhance hyperacute ischemic stroke management by providing clinicians with additional decision-making support for thrombolysis intervention.

Abstrak :
Sebagai salah satu cara untuk memindahkan risiko, banyak orang menginginkan produk asuransi sebagai jaminan proteksi atas dirinya. Pada masa digital ini dimana internet, media sosial dan media komunikasi digital lainnya sudah menjadi bagian dari kehidupan sehari-hari. Perusahaan asuransi juga perlu untuk mengetahui preferensi pelanggannya untuk menjangkau pelanggan potensial dan mengoptimalkan model bisnisnya. Terlebih di masa pandemi COVID-19 yang dialami oleh seluruh dunia, perusahaan jasa transportasi sedang dilanda kesulitan. Namun hal ini merupakan potensi yang sangat besar untuk penjualan asuransi perjalanan ketika pandemi sudah berakhir dan perjalanan dimulai kembali. Salah satu cara untuk mendapatkan preferensi pelanggan adalah dengan studi historikal terkait data-data pelanggan sebelumnya. Masalah preferensi ini dapat disederhanakan menjadi klasifikasi biner, dan sudah banyak metode yang umum digunakan untuk masalah ini seperti Logistic Regression, Gradient Boosting Machine dan Random forest. Namun, belum banyak yang menyelesaikan masalah tersebut menggunakan metode Convolutional Neural Network (CNN). Metode ini memanfaatkan algoritma tabular convolution untuk mengubah data tabular menjadi bentuk citra yang kemudian diklasifikasikan menggunakan CNN. Dari hasil simulasi diperoleh bahwa penggunaan metode ini dapat menyaingi akurasi metode Logistic Regression, Gradient Boosting Machine dan Random Forest dengan iterasi yang cukup rendah. ...... Many people seek insurance products as a guarantee of protection for themselves, as a way to transfer the risk that they are facing. In this digital era where the internet, social media and other digital communication media have become a part of everyday life, insurance companies also need to know their customers’ preferences to reach potential customers and optimize their business models. Especially during the COVID- 19 pandemic experienced by the whole world, transportation service companies are experiencing many difficulties. But due to this pandemic, there lies a huge potential of travel insurance when the pandemic ends and demands surge for travel business. One way to get customer preferences is by historical studies related to previous customer data. This preference problem can be reduced to binary classification with many methods commonly used to address this problem, such as Logistic Regression, Gradient Boosting Machines and Random Forest. However, not many has solved this problem using the Convolutional Neural Network (CNN) method. This method utilizes the tabular convolution algorithm to convert tabular data into image form which will then be classified using CNN. The results obtained that the use of this method can compete with Logistic Regression, Gradient Boosting Machine and Random Forest with a fairly low iteration.

Abstrak :
Prediksi klaim dan prediksi risiko asuransi dilakukan untuk mengklasifikasikan klaim dan tingkat risiko dalam industri asuransi. Dari sudut pandang pembelajaran mesin, masalah prediksi klaim merupakan klasifikasi dua kelas dan masalah prediksi risiko adalah klasifikasi multi-kelas. Untuk mengklasifikasikan klaim dan risiko, model pembelajaran mesin akan memprediksi berdasarkan data historis. Dalam data historis pemohon asuransi, akan ada kemungkinan nilai yang hilang (missing values) sehingga perlu untuk mengatasi masalah tersebut agar memberikan kinerja yang lebih baik. XGBoost adalah metode pembelajaran mesin yang banyak digunakan untuk masalah klasifikasi dan dapat menangani nilai yang hilang (missing values) tanpa dilakukan proses imputasi terlebih dahulu. Penelitian ini menganalisis kinerja metode XGBoost dalam menangani nilai-nilai yang hilang (missing values) untuk prediksi klaim dan prediksi risiko dalam asuransi dan kinerja tersebut juga dibandingkan dengan metode imputasi standard lainnya, yaitu metode mean dan k-nearest neighbors (KNN). Simulasi menunjukkan bahwa model XGBoost tanpa dilakukan proses imputasi memberikan hasil yang sebanding dengan model XGBoost dengan imputasi ......Claim prediction and risk prediction of insurance is carried out to classify claims and the levels of risk in insurance industries. From the machine learning point of view, the problem of claim prediction is a two-class classification, and the problem of risk level prediction is a multi-class classification. To classify the claims and risk, a machine learning model will predict based on historical data. In the insurance applicant's historical data, there will be the possibility of missing values so that it is necessary to deal with these problems to provide better performance. XGBoost is a machine learning method that is widely used for classification problems and can handle missing values without an imputation preprocessing. This study analyzed the performance of the XGBoost model in handling missing values for claim prediction and risk prediction in insurance and the performance is also compared with other standard imputation methods, i.e the mean and k-nearest neighbors (KNN) method. The simulations show that the XGBoost model without any imputation preprocessing gives a comparable result to one of the XGBoost models with an imputation preprocessing.

Abstrak :
Tujuan: Faktor embrio sangat mempengaruhi hasil dari fertilization in vitro (FIV). Salah satu metode untuk memastikan embrio tidak memiliki kromosom aneuploid adalah Prosedur Pengujian Genetik Praimplantasi untuk Aneuploidi atau Skrining Genetik Praimplantasi, yang melibatkan biopsi blastomer pada fase 8 sel atau trofektoderm pada fase blastokista. Prosedur ini merupakan prosedur yang invasif dan berpotensi membahayakan embrio. Metode: Penelitian adalah penelitian cross-sectional pada pasien program FIV yang dilanjutkan dengan pemeriksaan kromosom dengan NGS di Pusat IVF RS Pondok Indah dan Pusat FIV Morula RS Bunda pada bulan Desember 2021 sampai dengan Desember 2022. Embrio yang mencapai stadium blastokista pada hari ke 5 atau 6 dibersihkan dan dimasukkan ke dalam tabung PCR selama seminggu; dilanjutkan dengan anotasi oleh embriologi untuk menentukan penilaian morfologi dan parameter morfokinetik menggunakan Microscopcopy Time-Lapse. Uji chi-square digunakan untuk menganalisis variabel bivariat. Hasil: Seratus dua puluh empat sampel didapatkan pada hari ke 5 pasien yang menjalani prosedur FIV. Sebanyak 50,8% memiliki kromosom aneuploid, dan 49,2% adalah euploid. Median karakteristik morfokinetik yaitu 3,86 kali lipat. Ditemukan bahwa tingkat ekspansi, time to pro-nuclear fading, dan time to the synchrony of the third cell cycle berhubungan secara signifikan dengan status euploid (p = =0,000; 0,041 dan 0,036). Kesimpulan: Tingkat ekspansi terbukti secara bermakna memiliki pengaruh dalam memprediksi status ploidi embrio. Metode: Penelitian adalah penelitian cross-sectional pada pasien program FIV yang dilanjutkan dengan pemeriksaan kromosom dengan NGS di Pusat IVF RS Pondok Indah dan Pusat FIV Morula RS Bunda pada bulan Desember 2021 sampai dengan Desember 2022. Embrio yang mencapai stadium blastokista pada hari ke 5 atau 6 dibersihkan dan dimasukkan ke dalam tabung PCR selama seminggu; dilanjutkan dengan anotasi oleh embriologi untuk menentukan penilaian morfologi dan parameter morfokinetik menggunakan Microscopcopy Time-Lapse. Uji chi-square digunakan untuk menganalisis variabel bivariat. Hasil: Seratus dua puluh empat sampel didapatkan pada hari ke 5 pasien yang menjalani prosedur FIV. Sebanyak 50,8% memiliki kromosom aneuploid, dan 49,2% adalah euploid. Median karakteristik morfokinetik yaitu 3,86 kali lipat. Ditemukan bahwa tingkat ekspansi, time to pro-nuclear fading, dan time to the synchrony of the third cell cycle berhubungan secara signifikan dengan status euploid (p = =0,000; 0,041 dan 0,036). Kesimpulan: Tingkat ekspansi terbukti secara bermakna memiliki pengaruh dalam memprediksi status ploidi embio. ......Objective : Embryonic factors greatly influence IVF outcomes. One method to ensure the embryo does not have aneuploid chromosomes is Preimplantation Genetic Testing for Aneuploidy or Preimplantation Genetic Screening procedure, which involves undergoing a biopsy of the blastomeres in the 8-cell phase or the trophectoderm in the blastocyst phase. The procedure is invasive and can potentially harm the embryo. Methods: This study is a cross-sectional that requires patients undergoing IVF followed by chromosome examination with NGS that was conducted at the IVF Center at Pondok Indah Hospital and Morula IVF Center at Bunda Hospital from December 2021 to December 2022. Each embryo that reaches the blastocyst stage on day 5 or 6 will be washed and put into a PCR tube for a week; then, embryologists annotate them to determine morphological assessment and morphokinetic parameters using Time-Lapse Microscopy. The chi-square test was used to analyse bivariate variables. Results: One hundred twenty four samples were collected on day 5 of patients undergoing the IVF procedure. 50.8% of the samples were aneuploid chromosomes, and 49.2% were euploid. The morphokinetic characteristics median was 3.86 fold. It was found that expansion grade, time to pro-nuclear fading, and time to the synchrony of the third cell cycle were significantly associated with euploid status (p = =0.000; 0.041 and 0.036). Conclusion: The expansion grade has been proven as the most influential component for accurately predicting the ploidy status of embryos.

Abstrak :
Pembelajaran mesin merupakan ilmu yang mempelajari cara membuat komputer dapat melakukan pembelajaran secara mandiri tanpa dilakukan pemrograman secara eksplisit. Proses identifikasi batuan melalui klasifikasi dan klasterisasi dapat dilakukan menggunakan pembelajaran mesin. Daerah penelitian dilakukan pada wilayah Manjimup, Australia Bagian Barat. Penelitian ini bertujuan untuk menentukan klasifikasi dan klasterisasi mineral batuan menggunakan pembelajaran mesin. berdasarkan data spektral yaitu Short-Wavelength Infrared (SWIR), dan Mid or Thermal Infrared (TIR) yang berasal dari pengukuran spektrum elektromagnetik untuk mengidentifikasi fitur-fitur mineral batuan. Klasifikasi dilakukan menggunakan pembelajaran mesin tersupervisi untuk menentukan akurasi terbaik dengan lima jenis metode, antara lain K-Nearest Neighbors (K-NN), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), dan Multi-layer Perceptron (MLP). Metode SVM menjadi akurasi terbaik pada data SWIR dan metode MLP menjadi akurasi terbaik pada data TIR untuk klasifikasi mineral batuan. Klasterisasi dilakukan menggunakan pembelajaran mesin tidak tersupervisi metode K-Means untuk menentukan kelompok batuan teroptimal berdasarkan informasi geologi yang dimiliki. Tiga kelompok batuan menjadi jumlah kelompok batuan teroptimal berdasarkan informasi geologi yang dimiliki.

---

Machine Learning gives computers the ability to learn without being explicitly programmed. Classification and clustering method used in machine learning able to identifying rocks. The study area is located in the Manjimup region, Western Australia. This study aims to determine the classification and clustering of rock minerals using machine learning. based on spectral data namely Short-Wavelength Infrared (SWIR), and Mid or Thermal Infrared (TIR) collected from electromagnetic spectrum measurements to identify rock mineral features. Classification method used in supervised machine learning able to determine the best accuracy from five types of methods, which are K-Nearest Neighbors (K-NN), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), and Multi-layer Perceptron (MLP). SVM method becomes the best accuracy on SWIR data and the MLP method becomes the best accuracy on TIR data for rock mineral classification. Clustering method used in unsupervised machine learning which is the K-means algorithm able to determine optimal rock clusters based on geological information they have. Three rock clusters become the most optimal number of rock clusters based on the geological information.

Abstrak :
Paduan super berbasis besi-nikel biasanya mengandung lebih dari delapan elemen paduan dan umum digunakan dalam aplikasi aerospace seperti pada komponen cakram turbin menjadikan perubahan komposisi dapat menyebabkan perubahan sifat mekanis yang signifikan. Paduan super ini mengandung 15–60% besi dan 25–45% nikel dan digunakan dalam bilah dan cakram mesin yang memerlukan sifat ekspansi termal rendah. Paduan super berbasis besi ini menarik untuk dipelajari karena karakteristik temperatur tinggi dan koefisien ekspansi termal yang rendah tetapi di sisi lain menawarkan harga yang lebih ekonomis. Dalam aplikasi temperatur tinggi kekuatan tarik akan berubah sesuai dengan temperaturnya sehingga rentan terjadi kegagalan. Sementara dalam aplikasi seperti turbin yang dalam penggunaannya sering ditemukan kegagalan karena bekerja pada putaran yang tinggi dan lingkungan abrasif dibutuhkan nilai kekerasan yang sesuai. Sehingga dibutuhkan sebuah solusi yang kompetitif dan efisien dalam proses desain dan rekayasa paduan super berbasis besi-nikel. Metode pembelajaran mesin deep learning regresi dapat menjadi solusi dalam memberikan prediksi kekuatan tarik, kekerasan dan titik lebur yang presisi untuk aplikasi tertentu sehingga tidak dibutuhkan eksperimen yang memakan waktu. Dalam penelitian ini dilakukan variasi parameter berupa arsitektur model, learning rate, test size, random state, batch size, dan epoch dalam rangka mencari parameter optimum bagi model C2P besi-nikel. Nilai akurasi optimum yang dihasilkan dengan matriks R2 sebesar 98,2% dan matriks RRMSE 4,12%. Nilai ini didapat menggunakan parameter yaitu 4 hidden layers dengan noda (128,128,128,128), learning rate sebesar 10-3, test size sebesar 0,2, random state sebesar 25, batch size sebesar 64, dan epoch sebesar 250. ......Iron-nickel-based superalloys typically contain more than eight alloying elements and are commonly used in aerospace applications such as in turbine disc components where compositional changes can lead to significant changes in mechanical properties. This superalloy contains 15–60% iron and 25–45% nickel and is used in engine blades and discs where low thermal expansion properties are required. This iron-based super alloy is interesting to study because of its high temperature characteristics and low coefficient of thermal expansion, but on the other hand offers a more economical price. In high temperature applications the tensile strength will change according to the temperature so that it is susceptible to failure. Meanwhile, in applications such as turbines where failure is often found due to working at high rotations and an abrasive environment, an appropriate hardness value is required. So that a competitive and efficient solution is needed in the design and engineering process of iron-nickel-based super alloys. The deep learning regression machine learning method can be a solution in providing precise predictions of tensile strength, hardness and melting point for certain applications, eliminating the need for time-consuming experiments. In this study, various parameters were carried out in the form of model architecture, learning rate, test size, random state, batch size, and epoch in order to find the optimum parameters for the iron-nickel C2P model. The optimum accuracy value generated by the R2 matrix is 98.2% and the RRMSE matrix is 4.12%. This value is obtained using parameters, namely 4 hidden layers with dense (128,128,128,128), learning rate of 10-3, test size of 0.2, random state of 25, batch size of 64, and epoch of 250.

Abstrak :
Penggunaan material poli asam laktat (PLA) sebagai material alami ramah lingkungan untuk berbagai aplikasi mulai dipertimbangkan karena kemampuan degradasi dan keunggulan sifat mekaniknya. Akan tetapi, PLA memiliki ketangguhan yang rendah, sehingga tidak cocok digunakan untuk produk yang memiliki kemungkinan besar mengalami gangguan impak. plasticizer untuk mengurangi interaksi antar rantai PLA serta meningkatkan fleksibilitasnya. Penerapan material PLA terplastisasi sebagai bahan baku untuk berbagai aplikasi memerlukan spesifikasi sifat mekanik tertentu. Pembuatan produk dengan sifat mekanik yang sesuai tentunya memerlukan proses yang panjang dan akan memakan biaya yang besar. Oleh karena itu, pembelajaran mesin hadir sebagai solusi dalam menciptakan proses pemilihan material yang efektif, efisien, singkat, dan hemat, dengan memanfaatkan data dan ilmu komputasi untuk menciptakan prediksi. Dalam penelitian ini, prediksi kekuatan impak material PLA terplastisasi melibatkan tiga model pembelajaran mesin, dengan K-Nearest Neighbors (KNN) sebagai model terpilih karena performanya yang stabil dan baik. Metrik evaluasi skor R² sebesar 0,839, RMSE sebesar 0,080, dan RRMSE sebesar 15,327 dihasilkan dari parameter K dengan nilai 1. Eksperimen dengan pengujian Fourier Transform Infrared Spectroscopy (FTIR) dan simulasi daya campur menggunakan perangkat lunak Material Studio juga dilakukan sebagai validasi prediksi model KNN. Eksperimen ini melibatkan material campuran PLA dengan plasticizer poli etilen glikol (PEG) dan menghasilkan kesimpulan bahwa peningkatan kekuatan impak PLA akibat penambahan PEG terjadi karena adanya interaksi antara kedua konstituen tanpa melibatkan mekanisme pencampuran secara kimia, yang dibuktikan dengan perubahan perilaku spektrum FTIR dan nilai energi pencampuran yang besar dari hasil simulasi Material Studio. ......The use of poly(lactic acid) (PLA) as an environmentally friendly natural material for various applications has begun to be considered due to its degradation ability and superior mechanical properties. However, PLA has low toughness, making it unsuitable for products with a high probability of impact failure. This deficiency can be overcome by adding a plasticizer to reduce the interaction between PLA chains and increase flexibility. The application of plasticized PLA material as a raw material for various applications requires certain specifications for its mechanical properties. The manufacture of products with appropriate mechanical properties certainly requires a long process and will cost a lot. Therefore, machine learning is present as a solution for creating an effective, efficient, short, and economical material selection process by leveraging data and computational science to make predictions. In this study, the prediction of the impact strength of plasticized PLA materials involved three machine learning models, with K-Nearest Neighbors (KNN) as the chosen model because of its stability and good performance. The evaluation metrics R2 score of 0.839, RMSE of 0.080, and RRMSE of 15.327 were generated from the K parameter value of 1. Experiments with Fourier Transform Infrared Spectroscopy (FTIR) testing and miscibility simulations using Material Studio software were also carried out as validations of the KNN model prediction. These experiments used polyethylene glycol (PEG)-plasticized PLA and led to the conclusion that the interaction between the two constituents causes the increase in PLA impact strength due to the addition of PEG without involving a chemical mixing mechanism, as evidenced by changes in the behavior of the FTIR spectrum and large mixing energy values from the Material Studio simulation results.