Karakterisasi, Analisis Komposit dengan Filler Limbah PV/MWCNT serta Prediksi Stress dan Displacement Menggunakan ANN Berbasis Optimasi

Edi Purnomo, Ir. Muhammad Akhsin Muflikhun, S.T., MSME., Ph.D.; Yi Chieh Wu, Ph. D.

2026 | Tesis | S2 Teknik Mesin

Penggunaan panel surya menurut laporan yang disampaikan oleh International Renewable Energy Agency (IRENA) limbahnya pada tahun 2050 akan mencapai kurang lebih 78 jt ton. Angka limbah ini tentu sangat fantastis, sehingga pada penelitian ini bermaksud memanfaatkan limbah solar panel atau photovoltaic (PV) dengan menjadikannya sebagai bubuk berukuran mikro untuk dijadikan filler pada matriks komposit. Bubuk limbah PV dipadukan dengan Multi-Walled Carbon Nanotubes (MWCNT) sebagai hybrid filler yang ditunjukkan untuk meningkatkan sifat mekanis komposit Glass Fiber Reinforced polymer (GFRP). Proses manufaktur komposit ini menggunakan teknik Vacuum Assisted Resin Infusion (VARI), dengan variasi kandungan filler limbah PV (1-5%) dan MWCNT (0,1-0,5%). Hasil pengujian kekuatan tarik terbaik dari perpaduan filler tersebut berada pada 2% PV dan 0,4% MWCNT. Jika dibandingkan GFRP biasa tanpa filler kekuatan dapat ditingkatkan hingga 200,5%, dengan nilai UTS sebesar 397,54 MPa. Pada jumlah filler tersebut kekuatan spesifik komposit memiliki nilai tertinggi sebesar 209,62 MPa.cm³/g, dimana perilaku ini menandakan bahwa material memiliki efisiensi yang sangat baik. Namun, dengan bertambahnya filler di dalam matriks komposit dapat membuat komposit menjadi lebih tidak ductile dan lebih menjadi brittle. 

Hasil pengukuran fraksi volume penyusun komposit, dengan menggunakan konsep Archimedes dan standar ASMT D2584, ditemukan fraksi volume serat sebesar 53,34?n matriks sebesar 46,66%. Pengujian DSC menunjukkan stabilitas termal tertinggi pada komposit berada pada komposisi filler 1% PV dan 0,4% MWCNT. Kemudian, pengamatan SEM menemukan bahwa komposit dengan filler PV dan MWCNT memiliki perpaduan yang  membentuk mechanical interlocking dan bigde effect, dimana hal tersebut menjadi penjembatanan distribusi tegangan antara filler PV dengan PV dan PV dengan matriks. Selain itu, pengamatan SEM menemukan partikel PV berbentuk irreguler particle dan distribusi rata-rata ukurannya ± 2 ?m. Pengujian FTIR menunjukkan bahwa dengan menambahkan filler PV dan MWCNT pada matriks komposit tidak muncul gugus fungsi baru. Hasil tersebut mengartikan filler tidak menciptakan ikatan kovalen antara matriks dan filler. Pendekatan DIC yang dilakukan pada penelitian ini berhasil digunakan untuk melihat distribusi tegangan selama pengujian mekanis dan dapat digunakan sebagai pendekatan perhitungan poisson rasio material.

 Selain melakukan pengujian eksperimental,  penelitian ini menggunakan pendekatan Artificial Neural Netwok (ANN) untuk memprediksi pertambahan panjang dan tegangan komposit. Model terbaik yang ditemukan pada penelitian ini untuk memprediksi tegangan adalah 2 hidden layer (HL), 175 neuron pada HL pertama, 147 neuron pada HL kedua, dengan aktivasi fungsi ReLU, dan optimizer Amsgrad. Validasi model ini menunjukkan mean square error (MSE) 28,745 dan koefisien determinasi (R²) menjadi 0,9962. Selanjutnya, model ANN terbaik dalam memprediksi pertambahan panjang adalah 1 HL, 191 neuron, dengan aktivasi fungsi ReLu, dan optimizer Adam. Validasi model ini menunjukkan mean square error (MSE) 0,027219 dan koefisien determinasi (R²) menjadi 0,987. Hasil pembangunan ini menunjukkan model ANN mampu belajar dan memprediksi dengan baik. Secara keseluruhan pemanfaatan limbah PV dipadukan dengan MWCNT yang difungsikan sebagai filler komposit mampu meningkatkan menciptakan material baru yang kuat, serta menjadi solusi inovatif dalam mencegah pencemaran lingkungan dan dukungan terhadap Sustainable Development Goals (SDGs) ke-12.

According to a report by the International Renewable Energy Agency (IRENA), the deployment of solar panels is projected to produce almost 78 million tons of garbage by 2050. This waste number is indeed substantial; so, this research aims to repurpose solar panel or photovoltaic (PV) waste by converting it into micro-sized powder for use as a filler in the composite matrix. Photovoltaic waste powder is amalgamated with Multi-Walled Carbon Nanotubes (MWCNT) as a hybrid filler, demonstrating an enhancement in the mechanical characteristics of Glass Fiber Reinforced Polymer (GFRP) composites. The composite production process employs the Vacuum Assisted Resin Infusion (VARI) technique, incorporating changes in the filler content of PV waste (1-5%) and MWCNT (0,1-0,5%). The optimal tensile strength test results from this filler combination were observed at 2% PV and 0,4% MWCNT. When compared to standard GFRP without filler, the strength can be enhanced by as much as 205,5%, yielding a UTS value of 397,54 MPa. At this filler quantity, the composite's specific strength reaches a maximum of 209,62 MPa.cm³/g, signifying excellent material efficiency. Nevertheless, the incorporation of filler into the composite matrix may result in decreased ductility and increased brittleness.

The results of the measurement of the volume fraction of the composite components, using the Archimedes concept and ASMT D2584 standard, found a fiber volume fraction of 53,34% and a matrix of 46,66%. DSC testing showed the highest thermal stability in the composite at a filler composition of 1% PV and 0,4% MWCNT. Then, SEM observations found that the composite with PV and MWCNT fillers has a combination that forms mechanical interlocking and the bigde effect, which bridges the stress distribution between PV filler and PV, and PV and the matrix. Additionally, SEM observations found that PV particles are irregularly shaped and have an average size distribution of ± 2 ?m. FTIR testing shows that adding PV and MWCNT fillers to the composite matrix does not introduce new functional groups. The results indicate that the filler does not create covalent bonds between the matrix and the filler. The DIC approach used in this study was successfully employed to observe the stress distribution during mechanical testing and can be used as an approach for calculating the material's Poisson's ratio.

In addition to conducting experimental tests, this research uses the Artificial Neural Network (ANN) approach to predict the elongation and stress of composites. The best model found in this study for predicting stress is 2 hidden layers (HL), 175 neurons in the first HL, 147 neurons in the second HL, with ReLU activation function, and Amsgrad optimizer. Validation of this model shows a mean square error (MSE) of 28,745 and a coefficient of determination (R2) of 0,9962. Furthermore, the best ANN model for predicting elongation is 1 HL, 191 neurons, with ReLu activation function, and Adam optimizer. Validation of this model shows a mean square error (MSE) of 0,027219 and a coefficient of determination (R2) of 0,987. The results of this development show that the ANN model is capable of learning and predicting well. Overall, the utilization of PV waste combined with MWCNTs functioning as composite fillers can enhance the creation of strong new materials, as well as provide an innovative solution in preventing environmental pollution and supporting the 12th Sustainable Development Goals (SDGs).

Kata Kunci : Photovoltaic Waste, MWCNT, GFRP, VARI, Artificial Neural Network