Aryanti, Gustin Vitria (2025) Prediksi Massa Inti Atom Menggunakan Pendekatan Machine Learning dengan Model Neural Network (NN) dan Support Vector Regression (SVR). Diploma atau S1 thesis, UIN Sultan Maulana Hasanudin Banten.

	Teks S_FIS_211720058_Cover.pdf Download (35kB)
	Teks S_FIS_211720058_Lampiran Depan.pdf Download (1MB)
	Teks S_FIS_211720058_Bab I.pdf Download (157kB)
	Teks S_FIS_211720058_Bab II.pdf Restricted to Hanya staf repositori Download (320kB)
	Teks S_FIS_211720058_Bab III.pdf Restricted to Hanya staf repositori Download (180kB)
	Teks S_FIS_211720058_Bab IV.pdf Restricted to Hanya staf repositori Download (233kB)
	Teks S_FIS_211720058_Bab V.pdf Download (66kB)
	Teks S_FIS_211720058_Daftar Pustaka.pdf Download (124kB)

Abstrak

Inti atom memiliki struktur kompleks karena melibatkan berbagai interaksi fisika seperti gaya kuat antar nukleon dan gaya tolak menolak antar proton. Interaksi-interaksi ini menyebabkan prediksi teoritis massa inti menjadi tantangan tersendiri. Pendekatan machine learning dapat digunakan sebagai alternatif yang lebih fleksibel dalam menangkap pola dalam data eksperimen. Penelitian ini bertujuan untuk mengevaluasi kinerja dua model machine learning, yaitu Neural Network (NN) dan Support Vector Regression (SVR), dalam memprediksi massa inti atom. Kedua model dilatih menggunakan data karakteristik inti atom dari basis data AME2020. Model NN dirancang dengan beberapa hidden layer, sedangkan model SVR dioptimasi melalui pemilihan parameter C, E, dan jenis kernel. Model dievaluasi menggunakan metrik evaluasi Root Mean Square Error (RMSE) dengan hasil nilai RMSE paling kecil untuk model NN sebesar 0.81 MeV pada jumlah input 12 fitur, sedangkan SVR menghasilkan nilai RMSE paling kecil sebesar 2.45 MeV pada jumlah input 2 fitur. Berdasarkan hasil tersebut, model NN menunjukkan peningkatan kinerja seiring bertambahnya jumlah fitur, sedangkan SVR justru menunjukkan kecenderungan penurunan kinerja pada kondisi yang sama. Hal ini menunjukkan bahwa langkah seperti seleksi fitur atau pemilihan parameter lebih lanjut diperlukan untuk meningkatkan kinerja model tersebut. Meskipun model SVR menunjukkan kinerja yang menurun seiring bertambahnya fitur, secara keseluruhan baik SVR maupun NN masih mampu memberikan hasil prediksi yang lebih akurat dibandingkan pendekatan teoritis model tetes cairan. Temuan ini menunjukkan bahwa model machine learning dapat menjadi alternatif yang potensial dalam studi prediksi massa inti, terutama untuk menangani kompleksitas yang sulit dijelaskan melalui model teoritis.

Tipe Item/Data:	Skripsi/Tesis/Disertasi (Diploma atau S1)
Kata Kunci (keywords):	Massa inti atom, machine learning, neural network, support vector regression
Subjek:	500 Ilmu Pengetahuan Alam dan Mathemetics > 530 Fisika
Divisi:	Fakultas Saintek > Fisika
User Penyetor:	S.S.I Fadhilah NH
Tanggal Disetorkan:	27 Aug 2025 08:34
Perubahan Terakhir:	27 Aug 2025 08:37
URI:	http://repository.uinbanten.ac.id/id/eprint/17440

Actions (login required)

Lihat Item