Prediksi Laju Korosi Aluminium 6061 Variasi Inhibitor Daun Teh Hijau Dengan Pendekatan Machine Learning Artificial Neural Network (ANN).

Andrean, Janu and Prof. Dr. Ir. Femiana Gapsari, M.F. ST., MT. and Ir. Ari Wahjudi, MT. (2024) Prediksi Laju Korosi Aluminium 6061 Variasi Inhibitor Daun Teh Hijau Dengan Pendekatan Machine Learning Artificial Neural Network (ANN). Sarjana thesis, Universitas Brawijaya.

Abstract

Korosi adalah degradasi atau penurunan mutu logam akibat reaksi elektrokimia suatu logam dengan lingkungannya. Penambahan inhibitor pada lingkungannya merupakan cara penghambatan korosi yang relatif murah dan mudah untuk dilakukan. Inhibitor korosi didefinisikan sebagai suatu zat yang apabila ditambahkan dalam jumlah sedikit ke dalam lingkungan akan menurunkan serangan korosi. Jenis inhibitor yang dipilih pada penelitian ini adalah daun teh hijau (Camellia Sinensis) karena pada ekstraknya memiliki senyawa antioksidan yang berperan sebagai penyumbang elektron. Antioksidan bekerja dengan memberikan elektronnya kepada senyawa yang memiliki sifat antioksidan, sehingga menyebabkan perlambatan aktivitas dari senyawa oksidan tersebut. Penelitian ini bertujuan untuk mengintegrasikan kemampuan machine learning dalam memprediksi laju korosi aluminium 6061 dengan variabel inhibitor ekstrak daun teh hijau pada perbandingan 1000, 2000, 3000, dan 4000 ppm. Pengujian dilakukan dengan menguji laju korosi, analisis FTIR, UV-Vis, dan pengolahan data menggunakan Artificial Neural Network (ANN). Hasil penelitian menyimpulkan bahwa inhibitor daun teh hijau pada konsentrasi 3000 ppm merupakan titik optimum untuk menghambat korosi aluminium 6061 di lingkungan HCl 1M. Laju korosi pada aluminium 6061 dengan penggunaan inhibitor 3000 ppm adalah 4.511 (mmpy) dengan efisiensi mencapai 82,68%. Selain itu, evaluasi kinerja model machine learning menunjukkan bahwa model mampu memprediksi laju korosi aluminium 6061 dengan baik, didukung oleh nilai-nilai seperti R-squared (R2), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE). Dengan demikian, penelitian ini merupakan langkah maju dalam pengembangan metode prediksi dan pemahaman terhadap pengaruh inhibitor daun teh hijau terhadap laju korosi aluminium 6061.

English Abstract

Corrosion is the degradation or decrease in metal quality due to electrochemical reactions of a metal with its environment. Adding inhibitors to the environment is a relatively cheap and easy way to inhibit corrosion. A corrosion inhibitor is defined as a substance that, when added in small amounts to the environment, will reduce corrosion attacks. The type of inhibitor chosen in this study was green tea leaves (Camellia Sinensis) because the extract contains antioxidant compounds which act as electron donors. Antioxidants work by giving electrons to compounds that have antioxidant properties, thereby causing a slowdown in the activity of these oxidant compounds. This research aims to integrate machine learning capabilities in predicting the corrosion rate of aluminum 6061 with the inhibitor variable green tea leaf extract at a ratio of 1000, 2000, 3000 and 4000 ppm. Testing was carried out by testing the corrosion rate, FTIR analysis, UV-Vis, and data processing using an Artificial Neural Network (ANN). The research results concluded that green tea leaf inhibitor at a concentration of 3000 ppm was the optimum point to inhibit the corrosion of aluminum 6061 in a 1M HCl environment. The corrosion rate for aluminum 6061 using an inhibitor of 3000 ppm is 4,511 (mmpy) with an efficiency of 82.68%. In addition, the performance evaluation of the machine learning model shows that the model is able to predict the corrosion rate of aluminum 6061 well, supported by values such as R squared (R2), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE). Thus, this research is a step forward in developing prediction methods and understanding the effect of green tea leaf inhibitors on the corrosion rate of aluminum 6061.

Item Type:	Thesis (Sarjana)
Identification Number:	0524071328
Uncontrolled Keywords:	Korosi, Inhibitor, Daun Teh Hijau, Artificial Neural Network, Aluminium 6061.
Divisions:	Fakultas Teknik > Teknik Mesin
Depositing User:	S Sucipto
Date Deposited:	27 Aug 2024 01:29
Last Modified:	27 Aug 2024 01:29
URI:	http://repository.ub.ac.id/id/eprint/229326

Text (DALAM MASA EMBARGO) Janu Andrean.pdf Restricted to Registered users only Download (10MB)

Actions (login required)

View Item