embeddedfont="" style="font-size: 12pt; font-style: italic; line-height: 27px; font-family: Times New Roman, " times="">Carbon capture storage (CSS)embeddedfont="" style="font-size: 12pt; line-height: 27px; font-family: Times New Roman, " times=""> material merupakan bahan yang cukup penting dalam kehidupan kita saat ini. Bahan ini berperan sebagai penyerap gas radikal bebas yang mengandung karbon yang selama ini menjadi pencemar udara. Salah satu efek yang kita kenal adalah efek rumah kaca embeddedfont="" style="font-size: 12pt; font-style: italic; line-height: 27px; font-family: Times New Roman, " times="">(global warming)embeddedfont="" style="font-size: 12pt; line-height: 27px; font-family: Times New Roman, " times=""> yang diakibatkan oleh lapisan karbon di atmosfer bumi yang meningkat, sehingga menyebabkan pemanasan global. Disisi lain kita mencoba secara aktif mereduksi jumlah gas buang yang mengandung embeddedfont="" style="font-size: 12pt; font-style: italic; line-height: 27px; font-family: Times New Roman, " times="">carbon embeddedfont="" style="font-size: 12pt; line-height: 27px; font-family: Times New Roman, " times="">dengan berbagai cara. Salah satu di antaranya adalah dengan memanfaatkan material yang dapat menangkap gas karbon, baik itu dalam bentuk cairan, membran, maupun sorbents padat. Pada penelitian ini akan dilakukan perhitungan/prediksi dari properti thermodinamik dari beragam absorbents, hingga meningkatkan kemampuan absorpsi dengan memanfaatkan teknologi pembelajaran mesin menggunakan metode embeddedfont="" style="font-size: 12pt; font-style: italic; line-height: 27px; font-family: Times New Roman, " times="">Convolutional Neural network embeddedfont="" style="font-size: 12pt; line-height: 27px; font-family: Times New Roman, " times="">danembeddedfont="" style="font-size: 12pt; font-style: italic; line-height: 27px; font-family: Times New Roman, " times=""> Artificial neural Netwokembeddedfont="" style="font-size: 12pt; line-height: 27px; font-family: Times New Roman, " times="">. Kemudian kita juga dapat memprediksi material absorbent yang pontesial terhadap penangkapan karbon. Sehingga kita dapat mengidentifikasi bahan yang paling cost effective dari beragam opsi adsropbents, yang di dalamnya melibatkan pemilihan solid adsorbents dan penyusunan konfigurasi proses. Kita pun akan melakukan pengembangan model pembelajaran mesin dalam mendapatkan nilai akurasi yang tinggi sehingga dapat mendapatkan hasil prediksi yang optimal.
embeddedfont="" class="TextRun SCXW219269131 BCX2" data-contrast="none" style="color: rgb(0, 0, 0); font-size: 11pt; line-height: 19.425px; font-family: Calibri, ">Kata Kunci : embeddedfont="" class="TextRun SCXW219269131 BCX2" data-contrast="none" style="color: rgb(0, 0, 0); font-size: 11pt; font-style: italic; line-height: 19.425px; font-family: Calibri, ">carbon captureembeddedfont="" class="TextRun SCXW219269131 BCX2" data-contrast="none" style="color: rgb(0, 0, 0); font-size: 11pt; line-height: 19.425px; font-family: Calibri, ">, embeddedfont="" class="TextRun SCXW219269131 BCX2" data-contrast="none" style="color: rgb(0, 0, 0); font-size: 11pt; font-style: italic; line-height: 19.425px; font-family: Calibri, ">neural network, akurasi, carbon, absorsi, machine learning