PREDIKSI ENERGI MOLEKUL MENGGUNAKAN KOMPARASI ALGORITMA RANDOM FOREST DAN GRADIENT BOOSTING BERBASIS MACHINE LEARNING

Selika, Selika (2025) PREDIKSI ENERGI MOLEKUL MENGGUNAKAN KOMPARASI ALGORITMA RANDOM FOREST DAN GRADIENT BOOSTING BERBASIS MACHINE LEARNING. Skripsi thesis, UNAMA.

	Text BAB I.pdf Download (211kB)
	Text BAB II.pdf Restricted to Registered users only Download (412kB)
	Text BAB III.pdf Restricted to Registered users only Download (183kB)
	Text BAB IV.pdf Restricted to Registered users only Download (3MB)
	Text BAB V.pdf Download (15kB)
	Text DAFTAR PUSTAKA.pdf Download (470kB)

Abstract

Energi molekul merupakan parameter penting dalam berbagai penelitian kimia dan fisika, terutama untuk memahami sifat-sifat molekul dan aplikasinya. Prediksi energi molekul yang akurat dapat membantu mempercepat analisis tanpa perlu melakukan eksperimen laboratorium yang memakan waktu dan biaya. Penelitian ini bertujuan untuk membandingkan performa algoritma Random Forest dan Gradient Boosting dalam memprediksi energi molekul berdasarkan fitur-fitur molekul yang tersedia dalam dataset. Dataset yang digunakan adalah Energy Molecule dari Kaggle, yang mencakup berbagai data molekul dan sifat-sifatnya. Penelitian ini mencakup proses eksplorasi data, rekayasa fitur berbasis multipol bentuk molekul, serta pembagian data menjadi data latih dan uji. Model Random Forest dan Gradient Boosting dilatih untuk memprediksi energi molekul, dan performa kedua algoritma dibandingkan menggunakan metrik evaluasi seperti Mean Absolute Error (MAE), dan koefisien determinasi (R²). Hasil penelitian diharapkan dapat memberikan wawasan tentang keunggulan masing-masing algoritma dalam prediksi energi molekul serta kontribusi dalam pengembangan metode berbasis machine learning untuk bidang kimia komputasi.

Actions (login required)

View Item