PREDIKSI DIAMETER NANOFIBER PVA DARI HASIL ELEKTROSPINNING MENGGUNAKAN MACHINE LEARNING
Ardhi Kamal Haq, Dr.Eng. Ahmad Kusumaatmaja, S.Si., M.Sc.
2024 | Tesis | S2 Ilmu Fisika
Proses elektrospinning
yang dipengaruhi oleh beberapa parameter menjadikan diameter fiber yang dihasilkan
bervariasi nilainya. Tidak jarang, peneliti harus mencoba berulang kali
elektrospinning untuk mendapatkan diameter fiber yang diinginkan, apalagi dalam
skala nano. Kehadiran machine learning menjadi solusi dari
ketidaklinear-an dari parameter tersebut untuk memprediksi nilai diameter nanofiber
yang dibutuhkan. Sehingga penelitian ini bertujuan untuk menyelesaikan
permasalahan tersebut dengan 3 parameter variasi, yakni konsentrasi larutan,
jarak kolektor, dan tegangan. Bahan yang dipakai adalah polivinyl alcohol
(PVA) dengan molecular weight 89000-98000. Nilai variasi yang digunakan
untuk kosentrasi larutan adalah 8,10,12, dan 14%, untuk jarak kolektor 10,
12,5, dan 15 cm, sementara untuk tegangan 8, 10, 12 kV. Hasil eksperimen
kemudian diamati pada scanning electron microscope (SEM) untuk diukur
nilai diameter nanofiber nya. Data diameter yang didapatkan selanjutnya
diproses dengan machine learning untuk dicari korelasi tiap parameter
terhadap diameter fiber. Kemudian, data telah dilatih menggunakan 6
model algoritma terpilih yakni, regresi linear, E-net, KNN, random
forest, decision tree, dan XGBoost untuk diprediksi nilai
diameternya. Hasilnya, pengaruh terbesar terhadap nilai diameter nanofiber
PVA adalah dari konsentrasi larutan yakni sebesar 86,8%, diikuti oleh jarak
kolektor 26,6?n tegangan 26,2%. Data eksperimen komputasi menyatakan bahwa
model XGBoost memperoleh koefisien determinasi (R2) tertinggi
yakni 0.92 dan MSE terkecil sebesar 572 nm.
The electrospinning
process is influenced by several parameters, causing the resulting fiber
diameter to vary in value. Not infrequently, researchers have to try
electrospinning repeatedly to get the desired fiber diameter, especially on a
nanoscale. The presence of machine learning is a solution to the nonlinearity
of these parameters to predict the required nanofiber diameter value. So this
study aims to solve this problem with 3 variation parameters: solution
concentration, collector distance, and voltage. The material used is polyvinyl
alcohol (PVA) with a molecular weight of 89000-98000. The variation values
??used for solution concentration are 8,10,12, and 14%, for collector distances
of 10, 12.5, and 15 cm, while for voltages of 8, 10, and 12 kV. The
experimental results were then observed on a scanning electron microscope (SEM)
to measure the nanofiber diameter value. The diameter data obtained was then
processed with machine learning to find the correlation of each parameter to
the fiber diameter. Then, the data was trained using 6 selected algorithm
models, namely, linear regression, E-net, KNN, random forest, decision tree,
and XGBoost to predict the diameter value. As a result, the largest influence
on the diameter value of PVA nanofiber is from the solution concentration which
is 86.8%, followed by the collector distance 26.6% and voltage 26.2%.
Computational experimental data states that the XGBoost model obtains the
highest coefficient of determination (R2) of 0.92 and the smallest MSE of 572
nm.
Kata Kunci : Solution concentration, collector distance, voltage, nanofiber, electrospinning, prediction, machine learning.
