PERBANDINGAN PERFORMA ALGORITMA RANDOM FOREST REGRESSOR DAN XGBOOST REGRESSOR DALAM PREDIKSI BAND GAP MATERIAL SEMIKONDUKTOR SILIKON Muhammad Rizky Anugraha), Teguh Budi Prayitnob) , Haris Suhendarc)
UNJ
Abstract
Material semikonduktor memainkan peran krusial dalam berbagai aplikasi teknologi modern, termasuk bidang elektronik, fotovoltaik, dan optoelektronik. Salah satu sifat utama dari material semikonduktor adalah band gap, yang merupakan energi yang diperlukan suatu elektron untuk dapat tereksitasi. Band gap adalah parameter kunci yang memengaruhi perilaku elektronik dan optik material semikonduktor. Dalam penelitian ini, machine learning digunakan untuk memprediksi nilai band gap material semikonduktor yaitu silikon. Silikon merupakan salah satu material semikonduktor yang sangat penting dan banyak digunakan dalam berbagai aplikasi teknologi modern. Dataset yang digunakan diambil dari Materials Project (MP), yang menyediakan beragam data mengenai material yang telah diuji, serta ciri ciri dan karakteristiknya. MP menyediakan informasi tentang berbagai jenis material, termasuk data sifat-sifat material, struktur kristal, kestabilan termal, dan lainnya yang dapat digunakan untuk membangun model machine learning. Penelitian ini bertujuan untuk mengembangkan dan membandingkan performa dua algoritma machine learning, yaitu Random Forest Regressor dan XGBoost Regressor, dalam memprediksi band gap material silikon dengan akurasi tinggi berdasarkan ciri-ciri dan karakteristik material yang tersedia dalam dataset Materials Project. Evaluasi dilakukan juga terhadap kedua model machine learning tersebut dalam memprediksi band gap material silikon.
