Lewati ke konten
SDGs Center UDINUS

Catatan bukti · UDINUS · SDGs

Pembelajaran ensemble yang tangguh untuk klasifikasi dan prediksi akurat diameter pembatas pori pada kerangka logam-organik

Rektorat UDINUS 2026 Terbit 2026-10-30

Catatan bukti · UDINUS · SDGs

Unit
Rektorat UDINUS
Periode
2026
Tujuan
Nomor
d3f9e20d-7eb7-4ef2-a79e-076f1a6fdff1
Terbit
2026-10-30

Universitas Dian Nuswantoro (UDINUS), melalui partisipasi Prabowo, Wahyu Aji Eko; Akrom, Muhamad; Rustad, Supriadi; Herowati, Wise; Azies, Harun Al; Dipojono, Hermawan Kresno; Subagjo; Rusydi, Febdian; dan Kasai, Hideaki, melaksanakan penelitian mengenai pembelajaran ensemble untuk mengklasifikasikan dan memprediksi diameter pembatas pori (PLD) pada kerangka logam-organik (MOF). MOF merupakan material berpori yang dapat disesuaikan dan telah banyak dipelajari untuk adsorpsi gas, pemisahan, dan katalisis. Kegiatan ini membahas klasifikasi dan prediksi PLD untuk mendukung penyaringan serta perancangan MOF secara rasional.

Penelitian tersebut mengembangkan pipeline pembelajaran mesin ensemble menggunakan Random Forest (RF), XGBoost (XGB), dan Light Gradient Boosting Machine (LGBM). Pipeline digunakan untuk mengklasifikasikan kelas pori dan melakukan regresi PLD dengan dataset terkurasi yang berasal dari Cambridge Structural Database. Untuk menangani ketidakseimbangan antar kelas pori, peneliti mengevaluasi TomekLinks, Synthetic Minority Oversampling Technique (SMOTE), dan SMOTETomek. Strategi resampling tersebut dinilai berdasarkan kinerja klasifikasi dan regresi.

Di antara pendekatan yang dievaluasi, RF memberikan kinerja keseluruhan paling kuat, sedangkan konfigurasi RF dan TomekLinks menghasilkan keseimbangan terbaik antara klasifikasi dan regresi. Pada set pengujian yang ditahan, model terbaik mencapai R2 hingga 0.999 dan RMSE serendah 0.124 Å untuk regresi PLD. Analisis kepentingan fitur menunjukkan bahwa sifat unsur pada pusat logam dan deskriptor topologis yang berkaitan dengan linker sama-sama memberikan kontribusi besar terhadap prediksi PLD.

Kegiatan ini juga mencakup penilaian domain penerapan menggunakan analisis leverage/Williams-plot. Sebagian besar struktur pengujian berada dalam domain yang dimodelkan, sedangkan kasus di luar domain ditandai secara eksplisit. Workflow yang diusulkan memungkinkan estimasi PLD yang memperhatikan domain untuk penyaringan MOF throughput tinggi. Sumber menyatakan bahwa validasi eksternal menggunakan koleksi MOF independen dan kuantifikasi ketidakpastian tetap penting untuk penerapan yang lebih luas. Kegiatan yang terdokumentasi menunjukkan partisipasi UDINUS dalam penelitian komputasional mengenai klasifikasi, prediksi, dan penyaringan MOF tanpa memperluas temuan di luar dataset dan analisis yang dilaporkan.

Rujukan https://www.scopus.com/pages/publications/105034351423?origin=resultslist