Laporkan Masalah

PREDIKSI INDEKS BIAS MATERIAL LAPISAN TIPIS HASIL SPEKTROSKOPI ELIPSOMETRI DENGAN PEMBELAJARAN MESIN

Edward Junior Pambudi Tatuhas, Dr. Iman Santoso, S.Si., M.Sc.

2024 | Skripsi | FISIKA

Spektroskopi elipsometri adalah teknik pengukuran optik yang banyak digunakan untuk mengkarakterisasi material lapisan tipis, dengan mengukur perubahan polarisasi cahaya untuk menghasilkan parameter ? dan ?. Meskipun teknik ini memiliki keunggulan non-kontak dan akuisisi data yang cepat sehingga banyak diminati, analisis data elipsometri sering kali menghadapi tantangan, terutama dalam proses fitting data yang iteratif dan mahal secara komputasi. Penelitian ini mengembangkan dua model neural network, yaitu dengan arsitektur multilayer perceptron (MLP) dan convolutional neural network (CNN), untuk memprediksi indeks bias material lapisan tipis dengan konstanta penyerapan nol menggunakan lima pasang nilai ? dan ? yang diukur pada sudut tertentu sebagai fitur dari model neural network. Model MLP menghasilkan prediksi yang memiliki nilai mean absolute error (MAE) sebesar 0,02 untuk material uji Al2O3 dan 0,03 untuk TiO2, sedangkan model CNN memiliki MAE sebesar 0,09 dan 0,11 untuk material yang telah disebutkan. Pada penelitian ini, model MLP dipilih sebagai solusi optimal. Pendekatan machine learning ini menawarkan alternatif untuk menyelesaikan masalah inversi dalam analisis data spektroskopi elipsometri.

Spectroscopic ellipsometry is a widely used optical measurement technique for characterizing thin film materials by measuring changes in light polarization to produce ? and ? parameters. Despite its non-contact advantage and rapid data acquisition making it highly attractive, ellipsometry data analysis often faces challenges, particularly in the iterative and computationally expensive data fitting process. This study develops two neural network models, namely a multilayer perceptron (MLP) and a convolutional neural network (CNN), to predict the refractive index of thin film materials with zero absorption constants using five pairs of ? and ? values measured at specific angles as features for the neural network models. The MLP model achieved a mean absolute error (MAE) of 0.02 for the test material Al2O3 and 0.03 for TiO2, while the CNN model had MAEs of 0.09 and 0.11 for the aforementioned materials. In this study, the MLP model was chosen as the optimal solution. This machine learning approach offers an alternative for solving the inverse problem in spectroscopic ellipsometry data analysis.

Kata Kunci : Elipsometri, lapisan tipis, indeks bias, pembelajaran mesin

  1. S1-2024-398442-abstract.pdf  
  2. S1-2024-398442-bibliography.pdf  
  3. S1-2024-398442-tableofcontent.pdf  
  4. S1-2024-398442-title.pdf