IMPLEMENTASI MACHINE LEARNING UNTUK MEMPREDIKSI ENERGI ATOMISASI MOLEKUL DENGAN ALGORITMA BOOSTED REGRESSION TREE DAN NEURAL NETWORK

CARLO ABIMANYU, Drs. Pekik Nurwantoro, M.S., Ph.D.

2020 | Skripsi | S1 FISIKA

Seiring dengan peningkatan daya komputasi serta tersedianya berbagai database terkait fenomena Fisika, membuat analisis berbasis statistical learning menjadi layak dilakukan untuk menyelesaikan permasalahan Fisika secara numerik. Pada penelitian ini, telah dibuat 2 model machine learning dengan algoritma Extreme Gradient Boosted (XGB) Regression Tree dan Neural Network untuk memprediksi energi atomisasi molekul. Fitur yang digunakan untuk training model dikonstruksi dari definisi Matriks Coulomb. Adapun dataset yang digunakan diperoleh dari database PubChem yang memuat 16,242 molekul dengan unsur penyusun C, H, N, O, P, dan S. Untuk model XGB diperoleh hasil MAE = 16, 69 kcal/mol dengan durasi training 86,7 detik. Sedangkan untuk model Neural Network diperoleh hasil MAE = 77, 14 kcal/mol dengan durasi pelatihan 195,0 detik. Sehingga pada penelitian ini model XGB dipilih sebagai model yang optimal. Pendekatan machine learning ini dapat menjadi salah satu alternatif untuk memperoleh penyelesaian persamaan Schrodinger pada sistem molekul.

Along with improvement in computing power and the vailability of various databases related to physical phenomena, it makes statistical learning-based analysis feasible to solve physics problems numerically. In this research, 2 machine learning models have been made with Extreme Gradient Boosted (XGB) Regression Tree and Neural Network algorithm to predict the atomization energy of molecules. Features that used to train the models are constructed from the definition of Coulomb Matrix. The data set obtained from PubChem database which contained 16242 molecules made up of C, H, N, O, P, and S. For the XGB model, the results obtained MAE = 16.69 kcal/mol with 86.7 seconds fitting duration. Meanwhile, for the Neural Network model, the results obtained MAE = 77.14 kcal/mol with 195.0 seconds fitting duration. So that in this study the XGB model was chosen as the optimal model. This machine learning approach can be an alternative for solving the Schrodinger equation in the molecular system.

Kata Kunci : Matriks Coulomb, machine learning, energi atomisasi