Studi mengenai katalisis dengan menggunakan nanopartikel merupakan salah satu hal yang banyak dipelajari dalam bidang nanosains modern. Aplikasi TiO2 dalam bidang katalisis dikembangkan melalui pembentukan TiO2 nanopartikel. Sintesis one-dimensional material untuk menghasilkan yield yang cukup banyak masih terus dikembangkan. Metode molten-salt digunakan untuk mensintesis single-crystalline TiO2 nanowires dalam jumlah banyak dan dimensi yang terkontrol. Pada penelitian ini dilakukan sintesis TiO2 nanowires dengan menggunakan metode molten-salt serta modifikasinya dengan penambahan logam transisi sehingga terjadi perubahan karakteristik. TiO2 anatase berbentuk bubuk, NaCl, dan Na2HPO4 dicampurkan kemudian dikalsinasi menggunakan furnace pada suhu 825 °C selama 8 jam dan didinginkan perlahan hingga mencapai suhu ruang. Penambahan logam dilakukan untuk melihat pengaruhnya terhadap kemampuan katalisis. Sintesis dilakukan dengan cara yang sama dengan penambahan logam pada saat pencampuran dengan mortar. TiO2 nanowires dan M-O/ TiO2 nanowires yang telah disintesis dikarakterisasi dengan menggunakan XRD, SEM, TEM, serta UV-Vis DRS. Adanya penambahan logam transisi tidak mempengaruhi struktur dan morfologi dari TiO2 nanowires, namun terdapat perubahan pada ukuran kristal dan nilai ban gapnya. Katalis yang telah dipreparasi digunakan pada reaksi reduksi 4-nitrophenol dengan adanya NaBH4. Adanya katalis pada reaksi tersebut mempercepat proses reduksi 4-nitrophenol menjadi 4-aminophenol yang ditandai dengan adanya perubahan warna. Penurunan kecepatan reaksi secara signifikan ditunjukkan pada penggunaan katalis Ag2O/TiO2 nanowires dengan waktu reaksi 18 detik untuk penggunaan katalis sebanyak 0,1 gram. Uji reusabilitas juga dilakukan terhadap katalis Ag2O/TiO2 nanowires.
The study of catalysis using nanoparticles is one of the things that widely studied in the field of modern nanoscience. The application of TiO2 in the field of catalysis was developed through the formation of TiO2 nanoparticles. The synthesis of one-dimensional material to produce sufficient yields is still being developed. The molten-salt method was used to synthesize large quantities of single-crystalline TiO2 nanowires and controlled dimensions. In this study, the synthesis of TiO2 nanowires was carried out using the molten-salt method and its modification with the addition of transition metals so that changes in characteristics occurred. Anatase TiO2 in the form of powder, NaCl, and Na2HPO4 mixed and then calcined using furnaces at 825 ° C for 8 hours and cooled slowly to reach room temperature. Metal addition was added to see the effect on the ability of catalysis. Synthesis was done in the same way as adding metal during mixing with mortar. The synthesized TiO2 nanowires and M-O/TiO2 nanowires were characterized using XRD, SEM, TEM, and UV-Vis DRS. The addition of transition metals does not affect the structure and morphology of TiO2 nanowires, but there are changes in the size of the crystal and the value of the band gap. The prepared catalyst was used in the 4-nitrophenol reduction reaction in the presence of NaBH4. The presence of a catalyst in the reaction accelerates the process of reducing 4-nitrophenol to 4-aminophenol which is characterized by a change in color. A significant decrease in reaction speed was shown in the use of Ag2O/TiO2 nanowires catalysts with a reaction time of 18 seconds for catalyst use of 0.1 gram. Reusability tests were also carried out on Ag2O/TiO2 nanowires catalysts.
"Analisis triclustering merupakan pengembangan dari analisis clustering dan analisis biclustering. Tujuan dari analisis triclustering yaitu mengelompokkan data tiga dimensi secara simultan atau bersamaan. Data tiga dimensi tersebut dapat berupa observasi, atribut, dan konteks. Salah satu pendekatan yang digunakan dalam analisis triclustering, yaitu pendekatan berdasarkan pattern contohnya, adalah metode Timesvector. Metode Timesvector bertujuan untuk mengelompokkan matriks data yang menunjukkan pola yang sama atau berbeda pada data tiga dimensi. Metode Timesvector memiliki langkah kerja yang dimulai dengan mereduksi matriks data tiga dimensi menjadi matriks data dua dimensi untuk mengurangi kompleksitas dalam pengelompokkan. Pada metode ini akan digunakan algoritma Spherical K-means dalam pengelompokkannya. Tahap selanjutnya, yaitu mengidentifikasi pola dari cluster yang dihasilkan pada Spherical K-means. Pola yang dimaksud terdiri dari tiga jenis, yaitu DEP (Differentially Expressed Pattern), ODEP (One Differentially Expressed Pattern), dan SEP (Similarly Expressed Pattern). Penerapan dari metode Timesvector dilakukan pada data ekspresi gen yaitu data tumor otak yang dilakukan dalam 6 skenario. Masing-masing skenario menggunakan banyak cluster yang sama tetapi nilai threshold yang berbeda-beda. Hasil dari ke enam skenario akan divalidasi menggunakan nilai coverage dan nilai tricluster diffusion (TD). Hasil penerapan metode timesvector menunjukkan bahwa dengan menggunakan threshold sebesar 1,5 memberikan hasil yang paling optimal karena memiliki nilai coverage yang tinggi sebesar 57% dan nilai TD yang rendah sebesar 2,95594E-06. Nilai coverage yang tinggi menunjukkan kemampuan metode dalam mengekstrak data dan nilai TD yang rendah menunjukkan bahwa tricluster yang dihasilkan memiliki volume yang besar dan koherensi yang tinggi. Berdasarkan pola yang dihasilkan menggunakan skenario yang optimal diperoleh sebanyak 49 ODEP cluster dengan pasien ke-empat selalu memiliki pola ekspresi yang berbeda dibandingkan dengan pasien lainya. Hal ini dapat digunakan oleh ahli medis untuk melakukan tindakan selanjutnya terhadap pasien tumor otak.
Triclustering analysis is the development of clustering analysis and biclustering analysis. The purpose of triclustering analysis is to group three-dimensional data simultaneously or simultaneously. The three-dimensional data can be in the form of observations, attributes, and context. One of the approaches used in triclustering analysis, namely an approach based on a pattern, for example, is the Timesvector method. Timesvector method aims to group data matrices that show the same or different patterns in three-dimensional data. The Timesvector method has a work step that starts with reducing the three-dimensional data matrix to a two-dimensional data matrix to reduce complexity in a grouping. In this method, the Spherical K-means algorithm will be used in grouping it. The next step is to identify the pattern of the clusters generated in the Spherical K-means. The pattern referred to consists of three types, namely DEP (Differentially Expressed Pattern), ODEP (One Differentially Expressed Pattern), and SEP (Similar Expressed Pattern). The application of the Timesvector method was carried out on gene expression data, namely brain tumor data carried out in 6 scenarios. Each scenario uses the same many clusters but different threshold values. The results of the six scenarios will be validated using the coverage value and the tricluster diffusion (TD) value. The results of applying the timesvector method show that using a threshold of 1.5 gives the most optimal results because it has a high coverage value of 57% and a low TD value of 2.95594E-06. A high coverage value indicates the method's ability to extract data and a low TD value indicates that the resulting tricluster has a large volume and high coherence. Based on the pattern generated using the optimal scenario, there were 49 ODEP clusters with the fourth patient always having a different expression pattern compared to other patients. This can be used by medical experts to perform further action on brain tumor patients.
"