Gustin Vitria Aryanti Primary Author mixed material bibliography serang 2025 monographic id Indonesia

Text

xii + 77 hlm.; 18 x 25 cm 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. 530 UIN SMH Banten Perpustakaan Pusat SKRIPSI FIS 045 SKRIPSI FIS 045 My Library SKRIPSI FIS 045 30861 2025-08-27 15:25:47 2025-08-27 15:27:05 machine generated