Model Klasifikasi Sistem Kristal dari Material Polimer Berbasis ResNet-1D Menggunakan Sinar-X

Naufal Suryo Saputro, Prof. Ir. Nazrul Effendy, S.T, M.T., Ph.D., IPM., ASEAN Eng.; Dr.-Ing. Ir. Kusnanto

2026 | Skripsi | FISIKA TEKNIK

Analisis difraksi sinar-X (XRD) merupakan metode utama dalam karakterisasi struktur kristal material. Namun, pendekatan konvensional berbasis search match memiliki keterbatasan karena membutuhkan intervensi manual, bergantung pada keahlian pakar, serta kurang efisien dalam penanganan dataset berukuran besar. Permasalahan ini semakin menonjol pada material polimer yang menunjukkan pola difraksi kompleks akibat keberadaan fasa kristalin dan amorf secara bersamaan. Penelitian ini bertujuan mengembangkan model klasifikasi sistem kristal polimer berbasis pembelajaran mendalam dengan arsitektur ResNet- 1D untuk meningkatkan akurasi dan efisiensi analisis XRD.

Dataset terdiri atas 10.948 difraktogram konversi dari berkas CIF polimer serta data eksperimen XRD pada recycled polypropylene (rPP) dengan tujuh variasi perlakuan. Data melalui tahapan pra-pengolahan (koreksi latar, normalisasi, resampling) dan augmentasi berbasis fisis (penambahan derau Gaussian, penskalaan intensitas, dan pergeseran puncak). Model ResNet-1D dengan blok residual dan mekanisme squeeze-and-excitation dilatih menggunakan strategi single-seed dan ensemble multi-seed dengan test-time augmentation serta kalibrasi probabilitas.

Model tunggal dengan augmentasi mencapai akurasi 0,82 pada data konversi dan mengklasifikasi seluruh sampel rPP dengan benar. Model ensemble memperoleh akurasi 0,83 serta performa sempurna pada data eksperimen. Kombinasi ResNet-1D, augmentasi data, dan strategi ensemble terbukti efektif mengurangi domain gap antara data konversi dan eksperimen.

X-ray diffraction (XRD) is a fundamental technique for characterizing the crystal structure of materials. However, conventional search match methods are constrained by manual intervention, dependence on expert knowledge, and inefficiency in handling large datasets. These challenges are more evident in polymers, which often display complex diffraction patterns due to the coexistence of crystalline and amorphous phases. This study develops a deep learning-based classification model for polymer crystal systems using a ResNet-1D architecture to improve both accuracy and efficiency of XRD analysis.

The dataset comprises 10,948 simulated diffractograms generated from polymer CIF files and experimental XRD data from recycled polypropylene (rPP) with seven treatment variations. Preprocessing involved background correction, normalization, and resampling, followed by physics-based augmentation through Gaussian noise, intensity scaling, and peak shifting. The ResNet-1D model with residual blocks and a squeeze-and-excitation mechanism was trained using singleseed and ensemble multi-seed strategies with test-time augmentation and probability calibration.

The single model with augmentation achieved 0.82 accuracy on simulated data and correctly classified all rPP samples. The ensemble model reached 0.83 accuracy and perfect experimental performance. The integration of ResNet-1D, data augmentation, and ensemble learning effectively reduces the domain gap between simulated and experimental XRD data, establishing a robust framework for polymer crystal system classification.

Kata Kunci : Difraksi sinar-x, polimer, klasifikasi sistem kristal, augmentasi data, ResNet-1D, pembelajaran mendalam