Article Per Year (5 Year)
p-Index From 2020 - 2025
7.06
P-Index
This Author published in this journals
All Journal Techno.Com: Jurnal Teknologi Informasi Jurnal Teknologi dan Manajemen Informatika Jurnal Algoritma Eksergi: Chemical Engineering Journal JAIS (Journal of Applied Intelligent System) JOIN (Jurnal Online Informatika) JOURNAL OF APPLIED INFORMATICS AND COMPUTING International Journal of New Media Technology Sebatik Jurnal ULTIMATICS KOMPUTIKA - Jurnal Sistem Komputer METIK JURNAL Building of Informatics, Technology and Science Jurnal Pengabdian Masyarakat Sains Indonesia (Indonesian Journal Of Science Community Services) International Journal of Advances in Data and Information Systems Abdimasku : Jurnal Pengabdian Masyarakat Jurnal Pendidikan, Sains, Geologi, dan Geofisika (GeoScienceEd Journal) JoMMiT : Jurnal Multi Media dan IT Jurnal Algoritma Journal of Computing Theories and Applications NERO (Networking Engineering Research Operation) Journal of Multiscale Materials Informatics Jurnal Inovasi Pendidikan dan Pembelajaran
Akrom, Muhamad
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Chemical Engineering, Chemistry & Bioengineering Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Health Professions Industrial & Manufacturing Engineering Library & Information Science Materials Science & Nanotechnology Physics Public Health Social Sciences

Published : 59 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 59 Documents
Search

 1   2   3   4   5 
Comparison of Linear and Non-Linear Machine Learning Algortima for Predicting the Effectiveness of Plant Extracts as Corrosion Inhibitors Mulyana, Yudha; Akrom, Muhamad; Trisnapradika, Gustina Alfa
IJNMT (International Journal of New Media Technology) Vol 11 No 1 (2024): IJNMT (International Journal of New Media Technology)
Publisher : Universitas Multimedia Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31937/ijnmt.v11i1.3572

Abstract

This research aims to develop a Machine Learning (ML) model that can predict the corrosion inhibitor potential of plant extracts with high accuracy. Corrosion is a serious problem in industry because it can reduce the service life of materials and cause economic losses. This research focuses on the use of green inhibitors, especially plant extracts, which are considered environmentally friendly and have high anticorrosion efficiency. The dataset used includes molecular and physicochemical features of plant extracts. The ML model development process involves data normalization, selection of linear and non-linear ML algorithms, model training with k-fold crossvalidation, and model performance evaluation using regression metrics such as MSE, RMSE, MAE, and R2. Experiments compare various ML algorithms and show that the AdaBoost Regressor (ABR) model exhibits the best prediction performance with the highest R2 value of 0.993 and a low MSE of 0.002. These results provide new insights into the potential of ML models to predict effective corrosion inhibitors from plant extracts. The ABR model had a low prediction error, indicating high accuracy in predicting corrosion inhibition efficiency. In addition, the analysis of important features shows that two features, Conc and LUMO, have a significant influence on the ABR model. This research makes an important contribution to the development of effective prediction methods in the corrosion control industry. The ABR model can serve as a basis for designing more effective and environmentally friendly corrosion inhibitor materials, as well as a reference for other researchers in developing ML models that accurately predict the corrosion inhibition efficiency of plant extracts.
Investigasi Model Machine Learning Terbaik untuk Memprediksi Kemampuan Penghambatan Korosi oleh Senyawa Benzimidazole Akrom, Muhamad; Sumarjono, Cornellius Adryan Putra; Trisnapradika, Gustina Alfa
Komputika : Jurnal Sistem Komputer Vol. 13 No. 1 (2024): Komputika: Jurnal Sistem Komputer
Publisher : Computer Engineering Departement, Universitas Komputer Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34010/komputika.v13i1.11048

Abstract

This research aims to investigate the corrosion inhibition performance of Benzimidazole compounds using a machine learning (ML) approach. The main challenge in developing ML is to obtain a model with high accuracy so that the prediction results are relevant and accurate to the actual properties of a material. In this research, we evaluate various linear and non-linear algorithms to obtain the best model. Based on the coefficient of determination (R2) and root mean square error (RMSE) metrics, it was found that the AdaBoost Regressor (ADA) model was the model with the best predictive performance in predicting the corrosion inhibition performance of benzimidazole compounds. This approach offers a new perspective on the ability of ML models to predict effective corrosion inhibitors.
Investigasi Efisiensi Penghambatan Korosi Senyawa Quinoxaline Berbasis Machine Learning Adiprasetya, Vicenzo Frendyatha; Akrom, Muhamad; Trisnapradika, Gustina Alfa
Eksergi Vol 21, No 2 (2024)
Publisher : Prodi Teknik Kimia, Fakultas Teknologi Industri, UPN "Veteran" Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31315/e.v21i2.10025

Abstract

Korosi memberikan kekhawatiran serius bagi sektor industri dan akademik karena mempunyai dampak negatif yang signifikan terhadap sejumlah bidang, termasuk perekonomian, lingkungan, masyarakat, industri, keamanan, dan keselamatan. Saat ini, banyak peminat topik pengendalian kerusakan bahan berbasis molekul organik. Quinoxaline mempunyai potensi sebagai inhibitor korosi karena tidak beracun, mudah diproduksi, dan efektif dalam berbagai kondisi korosif. Mengeksplorasi kemungkinan kandidat penghambat korosi melalui penelitian eksperimental adalah proses yang memakan waktu dan sumber daya yang intensif. Dengan menggunakan pendekatan machine learning (ML) berdasarkan model quantitative structure-property relationship (QSPR), kami mengevaluasi beragam algoritma linier dan non-linier sebagai model prediktif nilai corrosion inhibition efficiency (CIE) dalam penelitian ini. Kami menemukan bahwa, untuk kumpulan data senyawa quinoxaline, model non-linier Gradient Boosting Regressor (GBR) mengungguli keseluruhan model linier dan non-linier, serta hasil dari literatur dalam hal kinerja prediksi berdasarkan metrik root mean squared error (RMSE), mean squared error (MSE), mean absolute deviation (MAD), mean absolute percentage error (MAPE) dan coefficient of determination (R2). Secara keseluruhan, penelitian kami memberikan sudut pandang baru tentang kapasitas model ML untuk memperkirakan kemampuan penghambatan korosi pada permukaan besi oleh senyawa organik quinoxaline.
Optimizing Quantum Neural Networks for Predicting the Effectiveness of Drug Compounds as Corrosion Inhibitors Mawaddah, Lubna; Rosyid, Muhammad Reesa; Santosa, Akbar Priyo; Akrom, Muhamad
Building of Informatics, Technology and Science (BITS) Vol 6 No 1 (2024): June 2024
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v6i1.5318

Abstract

Corrosion, caused by electrochemical reactions in corrosive environments, can degrade the quality and lifespan of materials, potentially leading to significant losses in various industrial sectors. One common strategy to reduce corrosion rates is by using corrosion inhibitors. A significant challenge in this field is the time-consuming and costly process of testing new corrosion inhibitors in the laboratory. Consequently, there is a need for more efficient and cost-effective methods to predict the effectiveness of potential corrosion inhibitors using machine learning techniques. This research addresses this problem by applying a quantum machine learning (QML) approach with quantum neural network (QNN) algorithms to evaluate the effectiveness of drug compounds as corrosion inhibitors. The study aims to optimize QNN models by investigating three different quantum circuit configurations to identify the most effective design. The results showed that Model-01, consisting of three layers, demonstrated the best performance with an MSE of 38.81, an RMSE of 6.23, and an MAE of 6.19, along with the shortest training time of 32 seconds, indicating an optimal balance between complexity and generalizability. Overall, this QML approach provides new insights into the predictive ability of QNN models in assessing the effectiveness of drug compounds as corrosion inhibitors, demonstrating the potential of quantum computing to enhance predictive accuracy and efficiency in investigating anti-corrosion materials
Artificial Intelligence Berbasis QSPR Dalam Kajian Inhibitor Korosi Akrom, Muhamad; Sudibyo, Usman; Kurniawan, Achmad Wahid; Setiyanto, Noor Ageng; Pertiwi, Ayu; Safitri, Aprilyani Nur; Hidayat, Novianto; Al Azies, Harun; Herawati, Wise
JoMMiT Vol 7 No 1 (2023): Artikel Jurnal Volume 7 Issue 1, Juni 2023
Publisher : Politeknik Negeri Media Kreatif

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46961/jommit.v7i1.721

Abstract

Baja termasuk material yang memiliki ketahanan rendah terhadap serangan korosi Ketika berada pada lingkungan korosif. Inhibitor organik mampu menghambat korosi dengan efisiensi inhibisi yang tinggi. Tinjauan komparatif penting bagi pengembangan metode evaluasi kinerja inhibitor disajikan dalam karya ini. Kami mereview perkembangan artificial intelligence berbasis mesin learning dengan model QSPR dalam kajian penghambatan korosi. Makalah ini menjelaskan bagaimana metode pembelajaran mesin berbasis data dapat menghasilkan model yang menghubungkan sifat-aktivitas molekuler dengan penghambatan korosi oleh inhibitor berbasis bahan alam (green inhibitor). Teknik ini dapat digunakan untuk memprediksi kinerja senyawa yang belum disintesis atau diuji. Keberhasilan model ini memberikan paradigma untuk penemuan senyawa baru yang cepat, penghambat korosi yang efektif untuk berbagai logam dan paduan.
Investigasi Model Machine Learning Regresi Pada Senyawa Obat Sebagai Inhibitor Korosi Rosyid, Muhammad Reesa; Mawaddah, Lubna; Akrom, Muhamad
Jurnal Algoritma Vol 21 No 1 (2024): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.21-1.1598

Abstract

Korosi merupakan tantangan signifikan bagi daya tahan material, yang seringkali menyebabkan kerugian ekonomi yang besar. Penelitian ini memanfaatkan teknik Machine Learning (ML) untuk memprediksi efektivitas senyawa obat sebagai inhibitor korosi. Kami menggunakan lima algoritma ML yang menonjol: Regresi Linear, Support Vector Machines (SVM), K-Nearest Neighbors (KNN), Random Forest, dan XGBoost. Model-model ini dilatih dan dievaluasi menggunakan dataset yang terdiri dari 14 fitur molekuler dengan efisiensi inhibisi korosi (IE%) sebagai variabel target. Hasil pelatihan model awal mengidentifikasi Random Forest dan XGBoost sebagai yang berkinerja terbaik berdasarkan metrik seperti Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan R-squared (R²). Penyetelan hiperparameter lebih lanjut menggunakan GridSearchCV menunjukkan bahwa XGBoost, setelah penyetelan, secara signifikan mengungguli model lainnya, mencapai kesalahan terendah dan nilai R² tertinggi, menunjukkan akurasi prediktif yang superior untuk aplikasi ini. Temuan ini menegaskan potensi ML, khususnya XGBoost, dalam meningkatkan pemodelan prediktif inhibitor korosi, sehingga memberikan wawasan berharga bagi bidang ilmu korosi.
INVESTIGASI EKSTRAK BAHAN ALAM SEBAGAI INHIBITOR KOROSI HIJAU PADA BAJA MENGGUNAKAN TEORI FUNGSIONAL KERAPATAN Akrom, Muhamad
Sebatik Vol. 26 No. 1 (2022): Juni 2022
Publisher : STMIK Widya Cipta Dharma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46984/sebatik.v26i1.1686

Abstract

Salah satu material yang ketahanannya terhadap korosi rendah adalah baja ketika berinteraksi dengan lingkungan korosif. Penggunaan green inhibitor mampu memberikan kinerja penghambatan korosi yang baik dengan efisiensi inhibisi yang tinggi pada baja. Green inhibitor yang dalam struktur senyawanya mengandung gugus heteroatom (seperti O, N, S, P) dan cincin aromatik efisien digunakan sebagai inhibitor korosi pada baja. Makalah ini memberikan tinjauan komparatif penting bagi pengembangan green inhibitor ekstrak bahan alam pada baja. Kajian DFT pada level atomik berdasarkan orbital molekuler, parameter kuantum kimia, dan karakteristik adsorpsi menunjukkan hasil yang sesuai dengan hasil eksperimen. Distribusi kerapatan elektron melalui plot Frontier Molecular Orbitals (FMO) menggambarkan prediksi situs aktif melalui distribusi daerah HOMO-LUMO molekul inhibitor yang berinteraksi dengan permukaan baja. Untuk mendapatkan korelasi antara sifat elektronik molekul inhibitor dengan potensi penghambatan (inhibisi) korosi, kalkulasi parameter kimia kuantum seperti potensial ionisasi (I), afinitas elektron (A), kekerasan global (η), elektronegativitas absolut (χ), kelembutan global (σ), fraksi elektron yang ditransfer (ΔN), elektrofilisitas global (ɷ) dan donasi balik elektron (ΔEback-donation) menunjukkan reaktivitas molekul inhibitor yang berpotensi sangat baik untuk dapat berinteraksi dan berikatan kuat dengan permukaan logam, sehingga berpotensi menghasilkan efisiensi inhibisi yang tinggi. Mekanisme inhibisi korosi dapat melalui adsorpsi kimia dan/atau adsorpsi fisika dengan membentuk senyawa kompleks antara molekul inhibitor dengan permukaan baja untuk melindungi dari lingkungan korosif. Pengembangan kajian ke depan harus dapat menampilkan mekanisme interaksi dan inhibisi dari molekul inhibitor secara lebih detail dan sistematis pada level atomik pada beberapa permukaan logam seperti Fe, Al, Cu, dan lainnya.
Hybrid Quantum Key Distribution Protocol with Chaotic System for Securing Data Transmission Setiadi, De Rosal Ignatius Moses; Akrom, Muhamad
Journal of Computing Theories and Applications Vol. 1 No. 2 (2023): JCTA 1(2) 2023
Publisher : Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/jcta.v1i2.9547

Abstract

This research proposes a combination of Quantum Key Distribution (QKD) based on the BB84 protocol with Improved Logistic Map (ILM) to improve data transmission security. This method integrates quantum key formation from BB84 with ILM encryption. This combination creates an additional layer of security, where by default, the operation on BB84 is only XOR-substitution, with the addition of ILM creating a permutation operation on quantum keys. Experiments are measured with several quantum measurements such as Quantum Bit Error Rate (QBER), Polarization Error Rate (PER), Quantum Fidelity (QF), Eavesdropping Detection (ED), and Entanglement-based detection (EDB), as well as classical cryptographic analysis such as Bit Error Ratio (BER), Entropy, Histogram Analysis, and Normalized Pixel Change Rate (NPCR) and Unified Average Changing Intensity (UACI). As a result, the proposed method obtained satisfactory results, especially perfect QF and BER, and EBD, which reached 0.999.
Perbandingan Model Machine Learning Terbaik untuk Memprediksi Kemampuan Penghambatan Korosi oleh Senyawa Benzimidazole Sumarjono, Cornellius Adryan Putra; Akrom, Muhamad; Trisnapradika, Gustina Alfa
Techno.Com Vol. 22 No. 4 (2023): November 2023
Publisher : LPPM Universitas Dian Nuswantoro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33633/tc.v22i4.9201

Abstract

Penelitian ini merupakan studi eksperimen untuk melakukan penyelidikan inhibitor korosi oleh senyawa Benzimidazole dengan melakukan pendekatan machine learning (ML). Karena korosi menyebabkan banyak kerugian yang timbul karena kehilangan material konstruksi, keselamatan kerja dan pencemaran lingkungan akibat produk korosi dalam bentuk senyawa yang mencemarkan lingkungan. Melakukan pendekatan ML adalah untuk mendapatkan model akurasi yang terbaik sehingga dapat digunakan untuk memprediksi dengan relevan dan akurat terhadap suatu material. Dalam penelitian ini, kami mengevaluasi algoritma ML dengan metode linear dan nonlinear dengan menggunakan metode k-fold cross-validation untuk membantu dalam mengukur performa model ML. Mengacu pada metrik coefficient of determination (R2) dan root mean square error (RMSE), kami menyimpulkan bahwa model AdaBoost regressor (ADA) merupakan model dengan performa prediksi terbaik dari eksperimen yang kami lakukan dari literatur untuk dataset senyawa benzimidazole. Keberhasilan model penelitian ini menawarkan perspektif baru tentang kemampuan model ML untuk memprediksi penghambat korosi yang efektif.  
Investigasi Model Machine Learning Regresi Pada Senyawa Obat Sebagai Inhibitor Korosi Rosyid, Muhammad Reesa; Mawaddah, Lubna; Akrom, Muhamad
Jurnal Algoritma Vol 21 No 1 (2024): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.21-1.1598

Abstract

Korosi merupakan tantangan signifikan bagi daya tahan material, yang seringkali menyebabkan kerugian ekonomi yang besar. Penelitian ini memanfaatkan teknik Machine Learning (ML) untuk memprediksi efektivitas senyawa obat sebagai inhibitor korosi. Kami menggunakan lima algoritma ML yang menonjol: Regresi Linear, Support Vector Machines (SVM), K-Nearest Neighbors (KNN), Random Forest, dan XGBoost. Model-model ini dilatih dan dievaluasi menggunakan dataset yang terdiri dari 14 fitur molekuler dengan efisiensi inhibisi korosi (IE%) sebagai variabel target. Hasil pelatihan model awal mengidentifikasi Random Forest dan XGBoost sebagai yang berkinerja terbaik berdasarkan metrik seperti Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan R-squared (R²). Penyetelan hiperparameter lebih lanjut menggunakan GridSearchCV menunjukkan bahwa XGBoost, setelah penyetelan, secara signifikan mengungguli model lainnya, mencapai kesalahan terendah dan nilai R² tertinggi, menunjukkan akurasi prediktif yang superior untuk aplikasi ini. Temuan ini menegaskan potensi ML, khususnya XGBoost, dalam meningkatkan pemodelan prediktif inhibitor korosi, sehingga memberikan wawasan berharga bagi bidang ilmu korosi.
Co-Authors Achmad Wahid Kurniawan Adiprasetya, Vicenzo Frendyatha Aldiansah, Ilham Pratama Alfa Trisnapradika, Gustina Ardyansyah, Nibras Bahy Ariyanto, Noval Ayu Pertiwi Budi, Setyo De Rosal Ignatius Moses Setiadi Desrina Desrina Diah Rahayu Ningtias, Diah Rahayu Dian Arif Rachman Ditha Sabrani, Amalia Gumelar, Rizky Syah habiburrahman, Lalu Hariati, Endang Harun Al Azies Herawati, Wise Herowati, Wise Hidayat, Ari Hidayat, Novianto Hidayat, Novianto Nur Hilmy, Nur Amalina Rahmaputri HOTIMAH, NURUL Huryati, Huryati Husnawati Amini, Titik Ignasius, Darnell Imam Muslim, Rachmat Islahudin Jalaluddin Jalaluddin Jannah, Rauhun Kurniawan, Azril Lingga Dewi, Adhe Mawaddah, Lubna Miyati, Hijiul Moch Anjas Aprihartha Muhamad Fadil Muhammad Naufal, Muhammad Muhammad Sanusi Mulyana, Yudha Musafir, Musafir Noor Ageng Setiyanto, Noor Ageng Nur Safitri, Aprilyani Prabowo, Wahyu Aji Eko Putra, Dzaki Asari Surya Putranto, Nicholaus Verdhy Rahman, Irfan Fauzia Rana, Bastion Jader Rizky Pratama, Muhammad Hafiz Rosyid, Muhammad Reesa Safitri, Aprilyani Nur Sahrul Kadri, Agus Santosa, Akbar Priyo setiawan, nabila putri Sudibyo, Usman Sumarjono, Cornellius Adryan Putra Supriadi Rustad T. Sutojo Trinapradika, Gustina Alfa Trisnapradika, Gustina Alfa Umam, Saripul Wahyu Astuti, Ristina Widia Wati, Via Yani, Rindi Zihab, Zihab Zulfiani, Nila