PENGEMBANGAN MODEL ANFIS UNTUK PREDIKSI KAPASITANSI DAN RESISTANSI MATERIAL KARBON AKTIF UNTUK SUPERKAPASITOR

MULYATI, MULYATI (2026) PENGEMBANGAN MODEL ANFIS UNTUK PREDIKSI KAPASITANSI DAN RESISTANSI MATERIAL KARBON AKTIF UNTUK SUPERKAPASITOR. S2 thesis, Universitas Mercu Buana Jakarta - Menteng.

	Text (Cover) cover perbaikan - mulyati.pdf Download (612kB)
	Text (Bab 1) BAB 1 - mulyati.pdf Restricted to Registered users only Download (156kB)
	Text (Bab 2) BAB II - mulyati.pdf Restricted to Registered users only Download (613kB)
	Text (Bab 3) BAB III - mulyati.pdf Restricted to Registered users only Download (271kB)
	Text (Bab 4) BAB IV - mulyati.pdf Restricted to Registered users only Download (519kB)
	Text (Bab 5) BAB V - mulyati.pdf Restricted to Registered users only Download (131kB)
	Text (Daftar Pustaka) DAFTAR PUSTAKA - mulyati.pdf Restricted to Registered users only Download (182kB)
	Text (Lampiran) Lampiran - mulyati (1).pdf Restricted to Registered users only Download (396kB)

Abstract

Superkapasitor berbasis karbon aktif memiliki kapasitansi spesifik (Cs) dan Equivalent Series Resistance (ESR) yang dipengaruhi oleh karakteristik struktur serta kimia material. Hubungan antarparameter tersebut bersifat kompleks dan nonlinear sehingga sulit dianalisis menggunakan pendekatan konvensional. Selain itu, penelitian sebelumnya lebih banyak memprediksi Cs, sedangkan pemodelan ESR sebagai target terpisah masih terbatas. Penelitian ini bertujuan membangun dan menganalisis model Adaptive Neuro-Fuzzy Inference System (ANFIS) untuk memprediksi Cs dan ESR berdasarkan enam parameter karakterisasi karbon aktif, yaitu luas permukaan spesifik (SBET), volume pori (Vp), diameter pori (Dp), ukuran kristalit, sudut difraksi 2θ, dan gugus fungsi. Penelitian ini menggunakan dataset yang terdiri atas 40 sampel karbon aktif. Dua model ANFIS dibangun secara terpisah, yaitu model prediksi Cs dan model prediksi ESR. Setiap model menggunakan enam variabel input, dua Generalized Bell Membership Function (GbellMF) pada setiap input, 64 aturan fuzzy, metode pembelajaran hybrid, dan maksimum 50 epoch. Pengujian dilakukan menggunakan tiga rasio data testing:training, yaitu 1:1, 1:2, dan 1:3. Kinerja setiap model dievaluasi menggunakan Root Mean Square Error (RMSE). Analisis sensitivitas juga dilakukan berdasarkan perubahan nilai RMSE untuk mengidentifikasi parameter input yang paling berpengaruh terhadap prediksi Cs dan ESR. Hasil pengujian menunjukkan bahwa rasio testing:training 1:3 menghasilkan kinerja terbaik dengan RMSE sebesar 10,55 F/g untuk prediksi Cs dan 0,1295 Ω untuk prediksi ESR. Pada model Cs, sensitivitas tertinggi mencapai ΔRMSE sebesar 83,006 F/g, sedangkan SBET menghasilkan ΔRMSE sebesar 73,973 F/g. Pada model ESR, ukuran kristalit menjadi parameter paling sensitif dengan ΔRMSE sebesar 0,7164 Ω, diikuti SBET sebesar 0,6321 Ω. Hasil ini menunjukkan bahwa setiap parameter karakterisasi memberikan pengaruh yang berbeda terhadap kinerja model. Secara keseluruhan, ANFIS mampu memetakan hubungan nonlinear antara karakteristik karbon aktif dan performa superkapasitor serta menghasilkan prediksi Cs dan ESR dengan kesalahan terendah pada rasio data 1:3. Kata kunci: superkapasitor, karbon aktif, ANFIS, kapasitansi spesifik, Equivalent Series Resistance, analisis sensitivitas.

Item Type:	Thesis (S2)
NIM/NIDN Creators:	55424110001
Uncontrolled Keywords:	superkapasitor, karbon aktif, ANFIS, kapasitansi spesifik, Equivalent Series Resistance, analisis sensitivitas.
Subjects:	000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 000. Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum
Divisions:	Pascasarjana > Magister Teknik Elektro
Depositing User:	CLAUDIA ASTRIANI
Date Deposited:	22 Sep 2026 02:19
Last Modified:	22 Sep 2026 02:19
URI:	http://repository.mercubuana.ac.id/id/eprint/103841

Actions (login required)

View Item