Peningkatan Akurasi Prediksi Energi Atomisasi Molekul Menggunakan Pendekatan Algoritma Generalisasi Bertumpuk

Yusyril Dwi Kurniawan, Drs. Pekik Nurwantoro, M.S., Ph.D.

2023 | Skripsi | FISIKA

Pembelajaran mesin (machine Learning) dapat menjadi jalan pintas untuk menyelesaikan permasalahan fisika yang rumit dengan tidak membutuhkan banyak daya komputasi. Pada penelitian ini dilakukan penerapan Extreme Gradien Boosted (XGB) Regression Tree, Light Gradien Boosting Machine (LGBM) Regression Tree dan Random Forest Regression Tree dalam memprediksi energi atomisasi molekul. Fitur yang digunakan untuk melatih model dikonstruksi dari definisi Matriks Coulomb. Dataset yang digunakan diperoleh dari database PubChem yang memuat 16,242 molekul dengan unsur penyusun C, H, N, O, P, dan S. Dataset dibagi menjadi dua yaitu data training sebanyak 70?n data testing sebanyak 30%. Model dievaluasi dengan metriks MAE. Hasil terbaik yang diperoleh adalah model XGB, MAE = 16.6038 kcal/mol dengan durasi pelatihan 90.89 detik. Diterapkan pula metode Generalisasi Bertumpuk (Stacked Generalization) yang dapat menggabungkan beberapa algoritma tunggal sekaligus yang berbeda. Hasil yang diperoleh Stacked Generalization, MAE = 15.6918 kcal/mol, mengalami peningkatan akurasi prediksi sebesar 5.49?ri hasil terbaik model pembangunnya (XGB). 

Machine Learning can be a bypass to solving complex physics problems without requiring a lot of computational power. In this research, machine learning is implemented using Extreme Gradient Boosted (XGB) Regression Tree, Light Gradient Boosting Machine (LGBM) Regression Tree and Random Forest Regression Tree to predict molecular atomization energy. The features used to train the model are constructed from the definition of the Coulomb Matrix. The dataset used was obtained from the PubChem database which contains 16,242 molecules with the constituent elements C, H, N, O, P, and S. Dataset is divided into two, namely data training as much as 70% and 30% testing data. The model is evaluated with the MAE metric. The best results obtained is the XGB model, MAE = 16.6038 kcal/mol with a training duration of 90.89 seconds. The Stacked Generalization is also applied which can combine several different single algorithms at once. In this study, the results obtained for Stacked Generalization is MAE = 15.6918 kcal/mol, increased by 5.49% in prediction accuracy from the best results of the model that built it (XGB).

Kata Kunci : Matriks Coulomb, machine learning, stacked generalization, energi atomisasi