Machine Learning (ML) untuk Material Semikonduktor

Abstract

Puji  dan  syukur  penulis  panjatkan  ke  hadirat  Tuhan  Yang  Maha  Esa  atas  limpahan rahmatnya, dan karunia-Nya yang melimpah sehingga buku berjudul “Machine Learning (ML) untuk Material Semikonduktor” dapat terselesaikan dengan baik. Dalam era revolusi industri 4.0 dan menuju 5.0, semikonduktor bukan lagi sekadar fondasi elektronika, melainkan pusat inovasi  yang  mendorong  batas  kemampuan  manusia.  Buku Machine  Learning  untuk  Bahan Semikonduktor ini lahir dari kebutuhan mendesak untuk mengintegrasikan kecerdasan buatan (AI),  khususnya  machine  learning  (ML),  guna  mengatasi  tantangan  kompleks  dalam  desain, produksi, dan optimalisasi material semikonduktor canggih. Dari silikon klasik hingga graphene super  fleksibel,  SiC  penakluk  panas  ekstrem,  dan  GaN  pendobrak  5G,  dunia  semikonduktor menghadapi  kendala  seperti  deteksi  cacat  presisi,  efisiensi  produksi,  serta  transisi  ke komputasi kuantum dan energi terbarukan. 

Indonesia, dengan posisi strategis di rantai pasok global semikonduktor melalui inisiatif Kementerian  Diklat  Sains  Teknologi,  memerlukan  talenta  lokal  yang  mahir  AI-for-materials untuk mencapai kemandirian teknologi di tengah dominasi TSMC, Samsung Foundry, dan Intel yang semakin mengandalkan ML-accelerated EDA tools. 

Buku ini tersusun dalam sepuluh bab yang mengikuti pipeline lengkap dari  materials discovery  hingga  fab  deployment  dengan  narasi  yang  mengalir  dari  konteks  historis  hingga aplikasi  futuristik.  Bab  pertama  menguraikan  evolusi  material  semikonduktor  secara kronologis dan teknis: dari silikon dominan ke germanium untuk infrared detection, material optoelektronik  generasi  ketiga  (GaN,  SiC),  graphene  transparan  fleksibel,  transition  metal dichalcogenides  (MoS2,  WS2)  untuk  2D  electronics,  serta  batas  akhir  Moore's  Law  yang mendorong post-silicon paradigms termasuk quantum computing chips. 

Bab kedua membangun fondasi pembelajaran mesin yang solid meliputi sejarah AI dari perceptron  hingga  transformer  architectures,  empat  paradigma  learning  (supervised, unsupervised,  reinforcement,  self-supervised),  aplikasi  industri  seperti  defect  classification pada SECOM dataset, algorithmic complexity analysis untuk high-dimensional fab data, sinergi ML-elektrotechnology, serta etika AI dalam critical infrastructure.