Abstract

Pengembangan biomaterial antibakteri yang berkelanjutan sangat penting untuk kemajuan bioteknologi lingkungan dan meningkatkan pengendalian patogen. Komposit hidrogel berbasis kitin menunjukkan aktivitas antimikroba alami. Namun, penentuan formulasi optimal masih menjadi tantangan akibat interaksi nonlinier antara kitin, PVA, gelatin, dan honey (madu). Studi ini memperkenalkan jaringan saraf tiruan Multilayer Perceptron (MLP) sebagai kerangka kerja prediktif dan optimasi cerdas untuk menentukan komposisi hidrogel paling efektif terhadap Pseudomonas aeruginosa. Model MLP dilatih menggunakan dataset sekunder dan dievaluasi melalui R², MSE, RMSE, dan MAE untuk menilai akurasi prediksi dan kinerja generalisasi. Model mencapai R² sebesar 0.991 pada tahap pelatihan dan 0.914 pada tahap pengujian, menunjukkan kemampuan yang baik dalam menangkap hubungan variabel yang kompleks. Kemudian, optimasi berbasis grid mengidentifikasi formulasi optimal yang terdiri dari 0.06 g/mL kitosan, 0.05 g/mL PVA, 0.00 g/mL gelatin, dan 0.01 g/mL honey (madu), menghasilkan zona inhibisi maksimum sebesar 30.66 mm. Selain itu, validasi eksternal menunjukkan bahwa model MLP menghasilkan bias rata-rata sebesar 4.80%, melampaui Response Surface Methodologydan mengonfirmasi kemampuannya yang superior dalam pemodelan nonlinier. Hasil ini menunjukkan potensi jaringan saraf MLP sebagai salah satu algoritma pemodelan untuk mempercepat penemuan dan optimasi hidrogel antibakteri ramah lingkungan dalam aplikasi bioteknologi lingkungan.

Concepts :

Access to Document

Citations by Year