PERBANDINGAN METODE SUPPORT VECTOR REGRESSION DAN RANDOM FOREST UNTUK MEMPREDIKSI WAKTU PARUH NUKLIDA DERET URANIUM, THORIUM, DAN NEPTUNIUM

Abstrak

Prediksi waktu paruh radionuklida merupakan salah satu tantangan menarik dalam fisika nuklir karena pengaruh interaksi kompleks di dalam inti atom dan relasi nonlinier antar-parameter inti atom. Pendekatan teoretis, seperti model kulit dan model tetes cairan memerlukan komputasi yang rumit sehingga sangat bergantung pada pendekatan metode yang digunakan. Perkembangan teknologi machine learning telah membuka peluang baru untuk memodelkan fenomena inti atom secara lebih efisien melalui pelatihan pola langsung dari data eksperimen. Penelitian ini bertujuan untuk membandingkan kemampuan model Support Vector Regression (SVR) dengan kernel Radial Basis Function (RBF) dan model Random Forest (RF) dalam memprediksi waktu paruh radionuklida berdasarkan nomor mass (A). Dataset yang digunakan terdiri atas 15 radionuklida dengan jangkauan waktu paruh yang cukup besar. Paremeter evaluasi yang digunakan meliputi Mean Absolute Error (MAE) dan koefisien determinasi (R²). Dari hasil analisis, terlihat bahwa model SVR dengan kernel RBF mampu memberikan performa yang jauh lebih baik dibandingkan model RF, dengan nilai R² sebesar 0,974 dan MAE sekitar 0,38, sedangkan model RF menghasilkan R² sebesar 0,845 dan MAE sekitar 1,76. Temuan ini menunjukkan bahwa SVR lebih efektif dalam menangkap karakteristik non-linear yang kompleks pada dataset nuklir berukuran kecil. Selain itu, penelitian ini mengindikasikan bahwa integrasi parameter fisika inti yang lebih komprehensif berpotensi meningkatkan akurasi prediksi secara signifikan. Dengan demikian, pendekatan machine learning, khususnya SVR, menawarkan alternatif yang menjanjikan untuk mendukung estimasi sifat nuklir ketika data eksperimen terbatas atau sulit diperoleh.

Kata kunci

• Machine Learning
• Random Forest
• fisika nuklir
• struktur inti atom
• support vector regression
• waktu paruh radionuklida