Pemindaian Senyawa Organik
Bergugus Fungsi -OCH3 sebagai
Inhibitor Korosi pada Baja Karbon
Menggunakan Pembelajaran Mesin
Mohammad Rayhan Ramadano
NIM 2006575240
Dosen Penguji
Wahyuaji Narottama Putra, S.T., M.T.
NIP 198301052012121005
Dosen Pembimbing:
Dr. Ir. Jaka Fajar Fatriansyah, M.Sc. IPM
NIP. 0020068506
Alur Pembahasan
Bab 1
Pendahuluan
1.
2.
3.
4.
5.
Latar Belakang
Rumusan Masalah
Tujuan Penelitian
Manfaat
Penelitian
Ruang
Lingkup
Penelitian
Bab 2
Tinjauan Pustaka
1.
2.
3.
4.
5.
Fenomena
Korosi
Inhibitor
Korosi
Sifat
Elektronik
Pengujian EIS
Machine
Learning
6.
7.
8.
Deep Learning &
ANN
Python,
One-Hot
Encoding, & SMILES
PubChem
&
Materials Studio
Bab 3
Metodologi
Penelitian
1.
Diagram Alir
Penelitian
2.
Alat dan Bahan
Penelitian
3.
Prosedur Penelitian
Bab 1 Pendahuluan
Latar Belakang
Situation
Complication
Question
Terjadi fenomena korosi pada
baja struktural yang
menyebabkan kerugian dan
potensi bahaya yang besar
Korosi dapat dicegah dengan
inhibitor, tetapi prosedur
penentuan inhibitor yang
cocok tergolong sulit
Bagaimana cara untuk
mempermudah pencarian inhibitor
sesuai pengaplikasiannya?
Bab 1 Pendahuluan
Rumusan Masalah Tujuan Penelitian
Apakah dapat dibuat model pembelajaran mesin
untuk senyawa organik tersebut agar dapat
memprediksi sifat-sifat pencegahan korosi?
Mendapatkan model atau desain pembelajaran
mesin yang dapat digunakan untuk memprediksi
efisiensi dari inhibitor organic.
Bagaimana langkah yang dapat dilakukan untuk
mengoptimasi model pembelajaran mesin yang
telah dibuat?
Mendapatkan metode untuk mengoptimasi akurasi
prediksi dari model pembelajaran mesin yang
dibuat
Bagaimana cara mengaplikasikan model ini untuk
memilih material inhibitor yang sesuai dengan jenis
logam yang diinhibisi?
Mendapatkan model atau desain pembelajaran
mesin yang dapat memprediksi efisiensi yang
optimal dari senyawa organik sebagai inhibitor
korosi pada material baja karbon
Bab 1 Pendahuluan
Manfaat Penelitian
Ruang Lingkup Penelitian
Digunakan data sekunder yang berasal
dari database Pubchem
Dilakukan validasi melalui percobaan
laboratorium dengan metode EIS
Mendapatkan desain model algoritma
pembelajaran mesin untuk
memprediksi dan menentukan sifat
struktur elektronik senyawa inhibitor
organik pada baja karbon dengan
akurasi yang tinggi
Data yang digunakan terbatas pada
senyawa organik bergugus fungsi
-OCH3
Variabel bebas berupa struktur
senyawa inhibitor. Variabel terikat
berupa energi LUMO, HOMO, serta
adsorpsi
Menggunakan metode ANN dengan
bahasa pemrograman python
Bab 2 Tinjauan Pustaka
Fenomena Korosi
●
●
Reaksi oksidasi logam membentuk
senyawa oksida, sulfida, dsb.
Syarat fenomena korosi:
○
Anoda dan katoda
○
Elektrolit
○
Metallic path
Korosi pada baja
Fe → Fe2+ + 2eO2 + 4H+ + 4e- → 2H2O
O2 + 2H2O + 4e- → 2OH●
Jenis korosi pada baja
○
Sweet Corrosion (CO2)
○
Sour Corrosion (H2S)
Bab 2 Tinjauan Pustaka
●
●
●
Inhibitor Korosi Organik
Senyawa organik penghambat laju korosi
Berdasarkan mekanisme, dibagi menjadi 2, yaitu anodik dan katodik
Dipengaruhi oleh ukuran molekul, tipe dan jumlah ikatan, distribusi muatan,
gugus polar, jenis logam, dan lingkungan
Mekanisme
adsorpsi fisika dan
kimiawi inhibitor
organik
Bab 2 Tinjauan Pustaka
Sifat Elektronik
●
Menyatakan susunan dan perilaku elektron pada material
●
●
●
LUMO atau pita konduksi
menyatakan kemampuan untuk
menerima elektron (afinitas
elektron)
HOMO atau pita valensi
menyatakan kemampuan
mendonorkan elektron (energi
ionisasi)
Band gap, afinitas elektron,
energi ionisasi, dan
elektrogatifitas berkorelasi
dengan tingkat efisiensi
inhibitor
Bab 2 Tinjauan Pustaka
Pengujian Electrochemical Impedance Spectroscopy (EIS)
●
●
Teknik pengukuran elektrokimia
yang memanfaatkan respon sinyal
arus bolak balik yang berasal dari
permukaan elektroda
Hal yang bisa dianalisis yaitu
transfer massa, transfer elektron,
dan difusi pada permukaan
elektroda
Fungsi Impedansi Pengukuran EIS
Bab 2 Tinjauan Pustaka
Machine Learning
●
●
●
Cabang dari AI yang mengizinkan
komputer untuk belajar langsung dari
data, contoh , dan pengalaman
Terdapat 2 pembagian ML, yaitu
supervised dan unsupervised ML
Supervised learning menggunakan
data berlabel, sedangkan
unsupervised tidak berlabel
Alur Unsupervised Learning
Alur Supervised Learning
Bab 2 Tinjauan Pustaka
Deep Learning & Artificial Neural Network (ANN)
●
●
●
Subset dari ML yang merupakan model
pemrosesan data yang meniru cara sistem
saraf memproses data
Terdiri dari node/neuron yang membentuk
lapisan/layer.
Terdapat faktor pembobotan antarkoneksi
node yang memungkinkan perhitungan dan
pemetaan non-linear.
Fungsi Pembobotan Neural Network
x
w
Ilustrasi ANN
= input yang diberikan pada neuron (i)
= pembobotan dari setiap neuron (i)
Bab 2 Tinjauan Pustaka
Python, One-Hot Encoding, SMILES
Molecular
Structure
*Kode pemrograman ditulis dalam
bahasa python
SMILES
One-Hot
Encoding
Format yang
mentranslasikan struktur
3D senyawa kimia
menjadi rangkaian
simbol yang dapat
dipahami komputer
Pendekatan yang
dilakukan untuk
mengubah fitur menjadi
format yang dapat
dipahami mesin (ex:
biner)
Bab 2 Tinjauan Pustaka
PubChem dan Materials Studio
PubChem
Materials Studio
Database struktur senyawa
kimia beserta aktivitas
biologisnya yang dapat
diakses secara bebas
Perangkat lunak pemodelan dan simulasi
untuk mengembangkan material baru
dengan memprediksi hubungan antara
struktur atom dan molekul material dengan
sifat dan perilakunya
Bab 3 Metodologi Penelitian
Alur Penelitian
Bab 3 Metodologi Penelitian
Alat dan Bahan Penelitian
Alat
1.
2.
3.
4.
5.
6.
7.
8.
Bahan
Gaussian
Google Collaboratory
Laptop
Materials Studio
Microsoft Excel
Python
Visual Studio Code
Peralatan EIS
1.
2.
a.
b.
c.
Dataset struktur senyawa inhibitor
organik dari PubChem
Bahan Eksperimen EIS
Logam baja karbon
Senyawa inhibitor hasil scanning
Elektrolit atau lingkungan asam
Bab 3 Metodologi Penelitian
Jadwal Penelitian
Lampiran
Referensi
[1]
“LAPORAN KINERJA Kementerian Pekerjaan Umum dan Perumahan Rakyat 2021,” Jakarta, 2022.
[2]
Kementerian PUPR, “Raker Komisi V DPR RI, Serapan Anggaran Kementerian PUPR di Tahun 2022 Capai 93.7%,” Jan. 18, 2023.
https://pu.go.id/berita/raker-komisi-v-dpr-ri-serapan-anggaran-kementerian-pupr-di-tahun-2022-capai-937#:~:text=Secara%20garis%20be
sar%20realisasi%20serapan,capaian%20fisik%2096%2C2%25. (accessed Apr. 10, 2023).
[3]
Kementerian Keuangan Republik Indonesia, “Pembangunan Infrastruktur Jadi Salah Satu Fokus APBN 2023,” Dec. 20, 2022.
https://www.kemenkeu.go.id/informasi-publik/publikasi/berita-utama/Fokus-APBN-2023 (accessed Apr. 10, 2023).
[4]
J. Ahmad, F. Aslam, R. Martinez-Garcia, M. H. El Ouni, and K. M. Khedher, “Performance of sustainable self-compacting fiber reinforced
concrete with substitution of marble waste (MW) and coconut fibers (CFs),” Sci Rep, vol. 11, no. 1, Dec. 2021, doi: 10.1038/s41598-021-01931-x.
[5]
A. M. Pawlak, T. Górny, Ł. Dopierała, and P. Paczos, “The Use of CFRP for Structural Reinforcement—Literature Review,” Metals, vol. 12,
no. 9. MDPI, Sep. 01, 2022. doi: 10.3390/met12091470.
[6]
J. Odrobiňák and J. Gocál, “Experimental measurement of structural steel corrosion,” in Procedia Structural Integrity, Elsevier B.V.,
2018, pp. 1947–1954. doi: 10.1016/j.prostr.2018.12.266.
[7]
S. Papavinasam, “Evaluation and Selection of Corrosion Inhibitor,” in Uhlig’s Corrosion Handbook, 2nd ed.Wiley, 2000, pp. 1169–1178.
[8]
S. Hadisaputra, A. A. Purwoko, A. Hakim, N. Prasetyo, and S. Hamdiani, “Corrosion Inhibition Properties of Phenyl Phthalimide
Derivatives against Carbon Steel in the Acidic Medium: DFT, MP2, and Monte Carlo Simulation Studies,” ACS Omega, vol. 7, no. 37, pp.
33054–33066, Sep. 2022, doi: 10.1021/acsomega.2c03091.
[9]
E. D. D. During, Corrosion Atlas 3rd, Expanded, and Revised Edition, 3rd ed. Amsterdam: Elsevier, 2018.
[10]
K. Esfandiari, M. Banihashemi, and P. Soleimani, “Influence of Impressed Current Cathodic Protection Systems on Chemical
Characteristics of Underground Water,” Water Environment Research, vol. 92, no. 12, pp. 2105–2111, Dec. 2020, doi: 10.1002/wer.1371.
[11]
Y. Song, G. Jiang, Y. Chen, P. Zhao, and Y. Tian, “Effects of chloride ions on corrosion of ductile iron and carbon steel in soil
environments,” Sci Rep, vol. 7, no. 1, Dec. 2017, doi: 10.1038/s41598-017-07245-1.
[12]
A. A. Nyokana, “‘Effect of concrete quality and cover depth on the efficiency of impressed anodic current to induce corrosion of steel
in concrete,’” Johannesburg, 2018. doi: 10.13140/RG.2.2.29397.99044.
Lampiran
Referensi
[13]
P. E. Barnes, “An Investigation into the Corrosion Fatigue Behaviour of High Strength Carbon Steel Tensile Armour Wires,” 2014, doi:
10.13140/RG.2.1.1863.0883.
[14]
S. N. Smith, S. Ling, and R. Franco, “A Parametric Study of Sour Corrosion of Carbon Steel,” 2014. [Online]. Available:
https://www.researchgate.net/publication/254547347
[15]
S. Gao, P. Jin, B. Brown, D. Young, S. Nesic, and M. Singer, “Corrosion behavior of mild steel in sour environments at elevated
temperatures,” Corrosion, vol. 73, no. 8, pp. 915–926, 2017, doi: 10.5006/2366.
[16]
S. Paul and B. Kundu, “Investigation of Sweet and Sour Corrosion of Mild Steel in Oilfield Environment by Polarization, Impedance, XRD
and SEM Studies,” CORROSION SCIENCE AND TECHNOLOGY, vol. 17, no. 5, pp. 249–256, 2018.
[17]
I. A. Fioravante, R. S. Nunes, H. A. Acciari, and E. N. Codaro, “Films formed on carbon steel in sweet environments - A review,” Journal
of the Brazilian Chemical Society, vol. 30, no. 7. Sociedade Brasileira de Quimica, pp. 1341–1349, 2019. doi: 10.21577/0103-5053.20190055.
[18]
S. S. Pathak, S. K. Mendon, M. D. Blanton, and J. W. Rawlins, “Magnesium-Based sacrificial anode cathodic protection coatings
(Mg-Rich primers) for aluminum alloys,” Metals, vol. 2, no. 3. MDPI AG, pp. 353–376, Sep. 01, 2012. doi: 10.3390/met2030353.
[19]
C.-C. Wen, H.-J. Tsai, S.-Y. Hsu, and H.-C. Yeh, “Environmental Impact Assessment of Sacrificial Anode Method in Taiwan Strait,” J
Environ Prot (Irvine, Calif), vol. 11, no. 08, pp. 622–635, 2020, doi: 10.4236/jep.2020.118037.
[20]
Kazumi Nishimura, Hidetoshi Shindo, and Kenji Kato, “Highly Corrosion-resistant Zn-Mg Alloy Galvanized Steel Sheet for Building
Construction Materials,” 2000.
[21]
N. Ali and A. S. Majeed, “Review on Types and Methods of Electroplating on Metals,” 2021. [Online]. Available:
https://www.researchgate.net/publication/350872502
[22]
O. S. I. Fayomi, I. G. Akanade, and A. A. Sode, “A Review on the Efficacy of Electroplating in Deteriorating Environments,” in Journal of
Physics: Conference Series, Institute of Physics Publishing, Dec. 2019. doi: 10.1088/1742-6596/1378/4/042084.
[23]
B. E. Brycki, I. H. Kowalczyk, A. Szulc, O. Kaczerewska, and M. Pakiet, “Organic Corrosion Inhibitors,” in Corrosion Inhibitors, Principles
and Recent Applications, InTech, 2018. doi: 10.5772/intechopen.72943.
Lampiran
Referensi
[27]
P. Futas and A. Pribulova, “Evaluation of Metallurgical Quality of Cast Iron Using Quality Criteria.” [Online]. Available:
www.intechopen.com
[28]
Camila G. Dariva and Alexandre F. Galio, “Corrosion Inhibitors - Principles, Mechanisms, and applications,” in Developments in
Corrosion Protection, Nova Science Publishers, Inc., 2014. doi: 10.5772/57255.
[29]
C. D. Sherrill, “Introduction to Electronic Structure Theory.” 2002.
[30]
Peter Atkins and Julio de Paula, Atkins’ Physical Chemistry 8th Edition, 8th ed. New York: W. H. Freeman and Company, 2006.
[31]
T. Tiwari, T. Tiwari, and S. Tiwari, “How Artificial Intelligence, Machine Learning and Deep Learning are Radically Different?,”
International Journal of Advanced Research in Computer Science and Software Engineering, vol. 8, no. 2, p. 1, Mar. 2018, doi:
10.23956/ijarcsse.v8i2.569.
[32]
R. Cioffi, M. Travaglioni, G. Piscitelli, A. Petrillo, and F. De Felice, “Artificial intelligence and machine learning applications in smart
production: Progress, trends, and directions,” Sustainability (Switzerland), vol. 12, no. 2. MDPI, Jan. 01, 2020. doi: 10.3390/su12020492.
[33]
M. Haenlein and A. Kaplan, “A brief history of artificial intelligence: On the past, present, and future of artificial intelligence,” Calif
Manage Rev, vol. 61, no. 4, pp. 5–14, Aug. 2019, doi: 10.1177/0008125619864925.
[34]
S. Atakishiyev, M. Salameh, H. Yao, and R. Goebel, “Explainable Artificial Intelligence for Autonomous Driving: A Comprehensive
Overview and Field Guide for Future Research Directions,” Dec. 2021, [Online]. Available: http://arxiv.org/abs/2112.11561
[35]
M. Yousef Shaheen, “Applications of Artificial Intelligence (AI) in healthcare: A review.”
[36]
C. Krittanawong, H. J. Zhang, Z. Wang, M. Aydar, and T. Kitai, “Artificial Intelligence in Precision Cardiovascular Medicine,” Journal of
the American College of Cardiology, vol. 69, no. 21. Elsevier USA, pp. 2657–2664, May 30, 2017. doi: 10.1016/j.jacc.2017.03.571.
[37]
M. Mohammed, M. B. Khan, and E. B. M. Bashie, Machine learning: Algorithms and Applications. CRC Press, 2016. doi:
10.1201/9781315371658.
[38]
P. Harrington, “Machine Learning in Action.”
[39]
E. G. Learned-Miller, “Introduction to Supervised Learning,” 2014.
[40]
S. B. Kotsiantis, “Supervised Machine Learning: A Review of Classification Techniques,” 2007.
Lampiran
Referensi
[42]
Y. Lecun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553. Nature Publishing Group, pp. 436–444, May 27, 2015.
doi: 10.1038/nature14539.
[43]
R. Dastres and M. Soori, “Artificial Neural Network Systems Computer Integrted Manufacturing View project Modern CAD/CAM
Systems View project Artificial Neural Network Systems,” 2021. [Online]. Available: https://www.researchgate.net/publication/350486076
[44]
A. L. S. Saabith, M. Fareez, and T. Vinothraj, “Python current trend applications-an overview PYTHON CURRENT TREND
APPLICATIONS-AN OVERVIEW POPULAR WEB DEVELOPMENT FRAMEWORKS IN PYTHON,” International Journal of Advance Engineering and
Research Development, vol. 6, no. 10, 2019, [Online]. Available: https://www.researchgate.net/publication/344569950
[45]
A. S. Saabith, T. Vinothraj, and M. Fareez, “A Review on Python Libraries and IDEs for Data Science.” [Online]. Available: www.ijres.org
[46]
C. Seger, “An investigation of categorical variable encoding techniques in machine learning: binary versus one-hot and feature
hashing,” 2018.
[47]
“Sustainable Futures / P2 Framework Manual 2012 EPA-748-B12-001 Appendix F. SMILES Notation Tutorial.” Accessed: Apr. 10, 2023.
[Online]. Available: https://www.epa.gov/sites/default/files/2015-05/documents/appendf.pdf
[48]
“Materials Studio Overview Datasheet.” Accelrys Software Inc. Accessed: Apr. 09, 2023. [Online]. Available:
https://photos.labwrench.com/equipmentManuals/18530-6440.pdf
[49]
S. Kim et al., “PubChem substance and compound databases,” Nucleic Acids Res, vol. 44, no. D1, pp. D1202–D1213, 2016, doi:
10.1093/nar/gkv951.
[50]
H. S. Magar, R. Y. A. Hassan, and A. Mulchandani, “Electrochemical impedance spectroscopy (Eis): Principles, construction, and
biosensing applications,” Sensors, vol. 21, no. 19. MDPI, Oct. 01, 2021. doi: 10.3390/s21196578.
Terima kasih
CREDITS: This presentation template was created by Slidesgo, and
includes icons by Flaticon, and infographics & images by Freepik