Muhammad Sontang Sihotang
Departemen Fisika, Universitas Sumatera Utara, Medan, Indonesia
ABSTRAK
Limbah tulang ikan merupakan sumber biomineral yang potensial untuk dikonversi menjadi material bernilai tambah berbasis kalsium fosfat, khususnya hidroksiapatit (Hydroxyapatite/HAp). Penelitian ini mengusulkan suatu kerangka analisis multiskala berbasis Python untuk ekstraksi, karakterisasi, analisis kuantitatif dan interpretasi fisik kalsium fosfat yang berasal dari limbah tulang ikan, dengan fokus pada pengembangan hidroksiapatit berstruktur nano. Kerangka penelitian mengintegrasikan karakterisasi eksperimental, meliputi X-ray diffraction (XRD), Fourier-Transform Infrared Spectroscopy (FTIR), Scanning / Transmission Electron Microscopy (SEM / FE-SEM / TEM), Energy-Dispersive X-ray Spectroscopy (EDS), analisis unsur, distribusi ukuran partikel, serta karakterisasi permukaan, dengan pengolahan data berbasis Python.
Python digunakan bukan hanya sebagai perangkat visualisasi, tetapi sebagai mesin analisis komputasional untuk melakukan pra-pemrosesan data, deteksi puncak XRD dan FTIR, estimasi ukuran kristalit, segmentasi citra SEM / FE-SEM / TEM, pengukuran distribusi ukuran partikel, analisis rasio Ca/P, analisis korelasi, serta pemodelan hubungan antara kondisi proses, struktur, ukuran partikel, dan sifat material. Pendekatan ini selanjutnya dikembangkan menjadi kerangka multiskala yang menghubungkan material makroskopik, mikrostruktur, nanostruktur, susunan ion dan molekul, struktur atom, nukleus, nukleon, hingga perspektif fisika partikel fundamental.
Hubungan antara hidroksiapatit nanostruktur dan fisika partikel energi tinggi tidak diposisikan sebagai proses pengecilan ukuran material secara mekanik menuju quark atau Higgs Boson, melainkan sebagai hierarki deskripsi materi berdasarkan skala panjang, energi, struktur dan interaksi fundamental. Kerangka ini diharapkan dapat menghasilkan pendekatan baru yang mengintegrasikan valorisasi limbah biologis, material kalsium fosfat, nanoteknologi, analisis komputasional berbasis Python, fisika multiskala, serta perspektif fisika materi fundamental.
Kata kunci : limbah tulang ikan, kalsium fosfat, hidroksiapatit, nano-hidroksiapatit, Python, analisis multiskala, fisika material, distribusi ukuran partikel, fisika nuklir, fisika partikel fundamental.
PENDAHULUAN
Latar belakang
Peningkatan jumlah limbah hasil pengolahan ikan merupakan salah satu persoalan lingkungan sekaligus peluang pengembangan material berbasis biomassa. Tulang ikan merupakan salah satu fraksi limbah yang mengandung mineral kalsium fosfat dalam jumlah signifikan dan berpotensi dikonversi menjadi material bernilai tambah.
Salah satu material yang paling menarik adalah hidroksiapatit:
[Ca{10}(PO4_6(OH_2], yang secara struktur dan komposisi memiliki kemiripan dengan fase mineral an-organik pada jaringan tulang biologis.
Pemanfaatan tulang ikan sebagai sumber hidroksiapatit memiliki dua keuntungan strategis. Pertama, limbah biologis dikonversi menjadi material fungsional. Kedua, proses tersebut dapat dikembangkan menuju material berukuran mikro dan nano yang mempunyai karakteristik permukaan dan antarmuka yang berbeda dibandingkan material berukuran makro.
Ketika ukuran partikel diperkecil dari skala makro menuju mikro dan nano, rasio luas permukaan terhadap volume meningkat secara signifikan. Untuk model partikel berbentuk bola :
[\frac{A}{V}=\frac{6}{d}]
sehingga:
[d\downarrow \quad \Rightarrow \quad \frac{A}{V}\uparrow]
Perubahan tersebut dapat mempengaruhi energi permukaan, reaktivitas, interaksi antarmuka, adsorpsi, dispersi, stabilitas koloid, serta sifat fisik dan kimia material.
Oleh sebab itu, penelitian mengenai tulang ikan tidak cukup hanya diarahkan pada pertanyaan:
“Apakah tulang ikan dapat menghasilkan kalsium fosfat ?”
Pertanyaan yang lebih fundamental adalah:
Bagaimana perubahan struktur materi dari skala makro, mikro hingga nano mempengaruhi sifat material, dan bagaimana struktur tersebut dapat dipahami dalam hierarki materi hingga skala atomik, nuklir, dan partikel fundamental ?
Kesenjangan penelitian
Penelitian mengenai hidroksiapatit yang berasal dari sumber biologis umumnya berfokus pada:
- metode ekstraksi;
- fase kristal;
- ukuran partikel;
- morfologi;
- rasio Ca/P;
- sifat permukaan;dan
- aplikasi biomedis atau material.
Namun, data dari berbagai instrumen sering dianalisis secara terpisah.
XRD memberikan informasi kristalografi.
FTIR memberikan informasi ikatan dan gugus fungsi.
SEM / FESEM / TEM memberikan informasi morfologi.
EDS / ICP memberikan informasi komposisi unsur.
BET memberikan informasi luas permukaan.
DLS memberikan informasi ukuran hidrodinamik.
Penelitian ini mengusulkan agar seluruh informasi tersebut diintegrasikan melalui analisis komputasional berbasis Python.
Dengan demikian:
[Data_{eksperimen}
\rightarrow
Python
\rightarrow
Feature\ extraction
\rightarrow
Multiscale\ analysis
\rightarrow
Structure-Property\ relationship]
menjadi inti metodologi penelitian.
TUJUAN PENELITIAN
Penelitian ini bertujuan untuk:
- Mengembangkan metode pemanfaatan limbah tulang ikan sebagai sumber kalsium fosfat dan menghasilkan hidroksiapatit dengan ukuran mikro hingga nano ;
- Mengkarakterisasi struktur kristal, komposisi,
morfologi, ukuran partikel, dan sifat permukaan ;
- Mengukur distribusi ukuran partikel secara
Kuantitatif ;
- Menganalisis hubungan antara ukuran partikel,
struktur kristal, komposisi, dan sifat permukaan ;
- Membangun Model multiskala dari material
makroskopik hingga nano-struktur ;
- Menghubungkan secara konseptual struktur material
dengan struktur atomik, nuklir, dan fisika partikel
fundamental.
- Mengembangkan sistem analisis data berbasis Python;
KERANGKA KONSEPTUAL PENELITIAN
Kerangka utama penelitian dapat dinyatakan:
[\boxed{Limbah\ Tulang\ Ikan\rightarrow
Kalsium\ Fosfat\rightarrowHidroksiapatit\rightarrow
Nano-Hidroksiapatit}]
Kemudian dilakukan analisis multiskala:
[\boxed{Makro\rightarrowMikro\rightarrowNano
\rightarrowAtom\rightarrowNukleus\rightarrow
Nukleon\rightarrowQuark}]
Sedangkan perspektif fisika fundamental diteruskan melalui:
[Quark + Lepton + Boson\rightarrowStandard\ Model
\rightarrowHiggs\ Field]
Penting ditegaskan bahwa dua rangkaian tersebut merupakan hierarki struktur dan deskripsi fisika, bukan jalur perubahan fisik langsung dari tulang ikan menjadi Quark atau Higgs boson
- HIRARKI SKALA MATERI
|
No. |
Skala |
Orde panjang |
Objek Utama |
Pendekatan Fisika |
|
1. |
Makro |
(10^{-3}-10^0) m | Tulang / material | Fisika material |
|
2. |
Mikro |
(10^{-6}) m | Pori, grain, mikrostruktur | Material physics |
|
3. |
Nano |
(10^{-9}) m | Nano-HAp | Nanoscience |
|
4. |
Atom |
(\sim10^{-10}) m | Ca, P, O, H | Atomic physics |
|
5. |
Femto meter |
(10^{-15}) m | Nukleus | Nuclear physics |
|
6. |
Sub-nuklir |
(<10^{-15}) m | Nukleon / Quark | Particle physics |
|
7. |
Skala energi tinggi |
sangat kecil | Partikel Fundamental | High Energy Physics |
Istilah seperti atto (10⁻¹⁸ m), zepto (10⁻²¹ m) dan yocto (10⁻²⁴ m) dapat digunakan untuk menunjukkan orde skala panjang secara konseptual, tetapi tidak boleh ditafsirkan sebagai ukuran partikel HAp yang dapat dicapai melalui proses penggilingan.
METODOLOGI PENELITIAN
Bahan
Bahan utama:
- limbah tulang ikan;
- air de-ionisasi;
- bahan pencuci/deproteinasi;
- bahan pengatur pH jika digunakan;
- bahan pendukung proses ekstraksi.
Jenis ikan lele, sumber limbah tulang ikan lele, kondisi awal, dan massa bahan harus dicatat secara sistematis.
PREPARASI LIMBAH TULANG IKAN
Tahapan umum:
[Tulang\ ikan\rightarrowPencucian\rightarrow
Penghilangan\ jaringan\ organik\rightarrow
Pengeringan\rightarrowPenghalusan\rightarrowEkstraksi/kalsinasi\rightarrowCaP/HAp]
Parameter proses yang harus dicatat:
- temperatur;
- waktu;
- pH;
- ukuran awal;
- metode penggilingan;
- atmosfer proses;
- laju pemanasan;
- metode pendinginan.
Parameter tersebut kemudian menjadi input dataset Python.
KARAKTERISASI MATERIAL
XRD
XRD digunakan untuk memperoleh:
- fase kristal;
- posisi puncak;
- intensitas;
- FWHM;
- kristalinitas;
- ukuran kristalit.
Estimasi ukuran kristalit dapat dilakukan dengan persamaan Scherrer:
[D=\frac{K\lambda}{\beta\cos\theta}]
Namun koreksi pelebaran instrumental harus dilakukan apabila data memungkinkan.
FTIR
FTIR digunakan untuk mengidentifikasi:
- gugus fosfat;
- hidroksil;
- karbonat;
- sisa komponen organik.
Data FTIR selanjutnya dianalisis menggunakan Python untuk:
- baseline correction;
- smoothing;
- peak detection;
- peak area;
- peak intensity;
- peak position.
SEM/ FE-SEM / TEM
SEM / FE-SEM / TEM digunakan untuk memperoleh:
- morfologi;
- bentuk partikel;
- agregasi;
- ukuran partikel;
- distribusi partikel.
Citra digital kemudian diproses menggunakan Python.
ANALISIS CITRA BERBASIS PYTHON
Alur:
[Citra\rightarrowPreprocessing\rightarrow
Thresholding\rightarrowSegmentation\rightarrow
Particle\ detection\rightarrowMeasurement]
Parameter yang dapat diperoleh:
- diameter ekuivalen;
- luas;
- perimeter;
- aspect ratio;
- circularity;
- eccentricity;
- distribusi ukuran.
Untuk partikel ke-(i):
[d_i=Equivalent\ Diameter_i]
dan:
[\bar d=\frac{1}{N}\sum_{i=1}^{N}d_i.]
Distribusi dapat dilaporkan dengan:
[D_{10},D_{50},D_{90}.]
PERBEDAAN PARTICLE SIZE DAN CRYSTALLITE SIZE
Ini merupakan aspek penting dalam artikel.
[D_{particle}\neq D_{crystallite}]
secara umum.
Particle size diperoleh terutama melalui mikroskopi atau teknik distribusi partikel.
Crystallite size dapat diestimasi dari pelebaran puncak XRD.
Sebuah nanopartikel dapat terdiri atas beberapa crystallite.
Oleh karena itu, interpretasi hasil harus membedakan:
[Particle] dengan:
[Crystallite.]
ANALISIS KOMPOSISI DENGAN PYTHON
Data EDS / ICP / XPS dimasukkan ke dalam dataset:
|
Unsur |
Konsentrasi (%) |
|
Ca |
36 |
|
P |
17.5 |
|
O |
42 |
|
Mg |
0.75 |
|
Na |
0.5 |
|
lainnya |
3.25 |
import numpy as np
import pandas as pd
# ==========================================
# 1. INPUT DATA KONSENTRASI (EDS / ICP / XPS)
# ==========================================
# Masukkan nilai hasil pengujian instrumen di sini (% Weight / % Atomic)
data_komposisi = {
‘Unsur’: [‘Ca’, ‘P’, ‘O’, ‘Mg’, ‘Na’, ‘Lainnya’],
‘Konsentrasi (%)’: [36.00, 17.50, 42.00, 0.75, 0.50, 3.25] # Data eksperimen
}
# Membuat DataFrame
df_komposisi = pd.DataFrame(data_komposisi)
# ==========================================
# 2. PEMROSESAN DATA & PERHITUNGAN
# ==========================================
# Mengambil nilai konsentrasi Kalsium (Ca) dan Fosfor (P)
ca_val = df_komposisi.loc[df_komposisi[‘Unsur’] == ‘Ca’, ‘Konsentrasi (%)’].values[0]
p_val = df_komposisi.loc[df_komposisi[‘Unsur’] == ‘P’, ‘Konsentrasi (%)’].values[0]
# Menghitung Rasio Ca/P Eksperimen
ca_p_ratio = ca_val / p_val
# Menghitung Persentase Relatif Terhadap Total Konsentrasi
total_konsentrasi = df_komposisi[‘Konsentrasi (%)’].sum()
df_komposisi[‘Proporsi (%)’] = (df_komposisi[‘Konsentrasi (%)’] / total_konsentrasi) * 100
# ==========================================
# 3. OUTPUT TABEL & ANALISIS
# ==========================================
print(“==================================================”)
print(” TABEL ANALISIS KOMPOSISI UNSUR (PYTHON) “)
print(“==================================================”)
print(df_komposisi.to_string(index=False))
print(“————————————————–“)
print(f”Total Konsentrasi Unsur : {total_konsentrasi:.2f}%”)
print(f”Rasio Ca/P Eksperimen : {ca_p_ratio:.3f}”)
print(f”Rasio Ca/P Murni (Stoikiometri HAp) : 1.667″)
# Evaluasi Fase Material (Perbaikan Indentasi di sini)
deviasi = abs(ca_p_ratio – 1.667)
if deviasi <= 0.05:
print(“Interpretasi : Fase Hidroksiapatit (HAp) Murni”)
elif ca_p_ratio < 1.667:
print(“Interpretasi : Calcium-Deficient Hydroxyapatite (CDHAp)”)
else:
print(“Interpretasi : Biphasic Calcium Phosphate / Ada Substitusi Ionik”)
print(“==================================================”)
Rasio utama:
dibandingkan dengan nilai teoritis HAp:
= 1.667
Penyimpangan dapat menunjukkan substitusi ionik, fase lain, atau variasi komposisi bahan biologis.
ANALISIS LUAS PERMUKAAN
Untuk model bola:
[V=\frac{4}{3}\pi r^3
]
sehingga:
[\frac{A}{V}=\frac{6}{d}.]
Dengan Python dapat dibuat kurva:
[Surface/Volume=f(Particle\ Size)]
untuk menunjukkan transisi:
[Makro\rightarrow Mikro\rightarrow Nano.]
INTEGRASI DATA PYTHON
Seluruh data digabungkan menjadi satu matriks:
[X=[T, t, pH, Ca/P, Dp, D_c, Crystallinity, BET,
Zeta, FTIR, XRD ].
Dengan:
- (T) = temperatur;
- (t) = waktu;
- (D_p) = particle size;
- (D_c) = crystallite size.
Selanjutnya dilakukan:
- korelasi;
- regresi;
- analisis multivariat;
- clustering;
- machine learning.
MACHINE LEARNING
Model dapat digunakan untuk memprediksi:
[D_p=f(T,t,pH)]
atau:
[Crystallinity=f(T,t,pH).]
Algoritma yang dapat diuji:
- Linear Regression;
- Random Forest;
- Gradient Boosting;
- Support Vector Regression;
- Neural Network.
Evaluasi menggunakan:
[R^2][RMSE][MAE.]
Validasi silang (cross-validation) harus digunakan untuk mencegah overfitting.
ANALISIS MULTISKALA
Hasil eksperimen dapat disusun:
[Processing\rightarrowComposition\rightarrow
Crystal\ Structure\rightarrowParticle\ Size
\rightarrowSurface\rightarrowProperty]
Ini merupakan inti dari multiscale structure–property relationship.
Contoh:
[Temperatur\rightarrowKristalinitas]
[Kristalinitas\rightarrowUkuran\ kristalit]
[Ukuran\rightarrowLuas\ permukaan]
[Luas\ permukaan\rightarrowInteraksi\ permukaan].
HUBUNGAN DENGAN FISIKA ATOMIK
Hidroksiapatit terdiri atas unsur:
[Ca,\ P,\ O,\ H.]
Setiap unsur terdiri atas atom.
Secara sederhana:
[Atom=Nukleus+Elektron.]
Nukleus terdiri atas:
[Nukleus=Proton+Neutron.]
Proton dan neutron selanjutnya merupakan partikel komposit yang tersusun dari quark dan gluon dalam kerangka QCD.
Dengan demikian:
[HAp\rightarrowAtom\rightarrowNukleus
\rightarrowNukleon\rightarrowQuark.]
HUBUNGAN DENGAN HIGH ENERGY PHYSICS
Pada skala sangat kecil, peningkatan resolusi struktur membutuhkan momentum transfer yang semakin besar.
Secara heuristik:
[\lambda\sim\frac{\hbar c}{E}.]
Dengan:
[\hbar c\approx197.3;MeV,fm.]
Sehingga:
[E\approx\frac{197.3}{L(fm)}MeV.]
Hubungan ini memungkinkan Python membuat peta panjang–energi:
[Length\ Scale\leftrightarrowEnergy\ Scale.]
Namun, hubungan ini merupakan interpretasi fisika fundamental dan bukan proses transformasi HAp menjadi partikel elementer.
DARI QUARK MENUJU HIGGS FIELD
Dalam Standard Model, materi fundamental mencakup:
Quarks
- up;
- down;
- charm;
- strange;
- top;
Leptons
- electron;
- muon;
- tau;
Serta boson pembawa interaksi dan Higgs boson.
Secara konseptual:
[Quarks+Leptons+Bosons\rightarrowStandard\
Model.]
Higgs boson berkaitan dengan eksitasi kuantum dari Higgs field.
Dengan demikian, penelitian ini tidak menyatakan bahwa hidroksiapatit mengandung Higgs boson, melainkan Menempatkan struktur HAp dalam HIERARKI FUNDAMENTAL MATERI.
HASIL YANG DIHARAPKAN
Karena data eksperimen belum tersedia, nilai numerik tidak boleh dibuat secara hipotetik.
Hasil yang akan dimasukkan meliputi:
Tabel 1. Karakteristik bahan
| Sampel | Ca / P | Fase | Kristalinitas | Ukuran kristalit |
| S1 | [ ] | [ ] | [ ] | [ ] |
| S2 | [ ] | [ ] | [ ] | [ ] |
| S3 | [ ] | [ ] | [ ] | [ ] |
Tabel 2. Distribusi ukuran partikel
| Sampel | D10 | D50 | D90 | Mean | SD |
| S1 | [ ] | [ ] | [ ] | [ ] | [ ] |
| S2 | [ ] | [ ] | [ ] | [ ] | [ ] |
| S3 | [ ] | [ ] | [ ] | [ ] | [ ] |
FIGUR UTAMA YANG DIREKOMENDASIKAN
Untuk artikel Q1, minimal dirancang enam figur utama.
Figure 1
Kerangka konseptual penelitian
[Fish\ Bone\rightarrowCaP\rightarrowNano-HAp
\rightarrowAtomic\rightarrowNuclear\rightarrow
Particle.]
Figure 2
XRD dan analisis Python
Raw data → pre-processing → peak detection → crystallite size.
Figure 3
SEM / FESEM / TEM dan particle-size distribution
Citra → segmentation → histogram → D10/D50/D90.
Figure 4
Hubungan ukuran partikel dengan surface-to-volume ratio.
Figure 5
Correlation matrix dan machine-learning model.
Figure 6
Peta multiskala materi dan energi
[Macro\rightarrowMicro\rightarrowNano\rightarrow
Atomic\rightarrowNuclear\rightarrowQuark
\rightarrowStandard\ Model.]
NOVELTY PENELITIAN
Novelty penelitian ini bukan sekadar:
“Menghasilkan hidroksiapatit dari tulang ikan.”
Novelty yang lebih kuat adalah:
Novelty 1
Mengembangkan fish-bone-derived calcium phosphate sebagai material bernilai tambah dalam kerangka ekonomi sirkular.
Novelty 2
Mengintegrasikan karakterisasi material multi-instrumen ke dalam Python-enabled computational workflow.
Novelty 3
Mengubah data SEM / FE-SEM / TEM dan XRD menjadi parameter kuantitatif yang dapat dibandingkan lintas skala.
Novelty 4
Membangun structure–property relationship berbasis data.
Novelty 5
Mengembangkan multiscale physics framework yang secara konseptual menghubungkan nano-material dengan struktur atomik, nuklir, dan fundamental.
Novelty 6
Menggunakan analisis panjang–energi untuk menjelaskan perbedaan antara skala material dan skala fisika partikel energi tinggi.
SIGNIFIKANSI ILMIAH
Penelitian ini menempatkan limbah tulang ikan bukan sekadar sebagai sumber kalsium, tetapi sebagai titik awal untuk mempelajari transformasi materi secara multiskala.
Secara konseptual:
[\boxed{Limbah\rightarrowMaterial\rightarrow
Nanomaterial\rightarrowStruktur Atomik
\rightarrowStruktur Nuklir\rightarrow
Materi Fundamental}]
Python berfungsi sebagai jembatan komputasional yang memungkinkan berbagai data eksperimen diterjemahkan menjadi parameter fisik yang dapat dibandingkan.
Dengan demikian, penelitian ini berada pada irisan:
- Zero Waste
- Circular Economy
- Biomaterials
- Nanotechnology
- Computational Materials Science
- Multiscale Physics
- Fundamental Physics.
KETERBATASAN PENELITIAN
Beberapa batasan perlu ditegaskan.
Pertama, ukuran partikel yang diperoleh dari SEM / FE-SEM / TEM tidak identik dengan ukuran hidrodinamik dari DLS.
Kedua, ukuran kristalit yang diperoleh dari XRD bukan secara otomatis ukuran partikel.
Ketiga, tulang ikan merupakan bahan biologis sehingga variasi spesies, habitat, umur, dan proses pengolahan dapat menyebabkan variasi komposisi.
Keempat, machine learning membutuhkan dataset yang cukup besar dan berkualitas.
Kelima, hubungan dengan Quark dan Higgs field merupakan interpretasi fundamental, bukan bukti bahwa proses pengolahan material menghasilkan quark atau Higgs boson.
KESIMPULAN
Penelitian ini mengembangkan suatu kerangka
Analisis Multiskala Berbasis Python untuk mengubah limbah tulang ikan menjadi material kalsium fosfat dan hidroksiapatit nano-struktur yang dapat dikarakterisasi secara kuantitatif.
Keunggulan utama pendekatan ini terletak pada INTEGRASI antara Karakterisasi Eksperimental dan Analisis Komputasional.
Python dapat digunakan untuk mengolah data X-RD, FT-IR, SEM/FE-SEM / TEM, EDS / ICP, distribusi ukuran partikel, luas permukaan, serta hubungan struktur–sifat.
Kerangka multiskala selanjutnya memungkinkan struktur material dipahami melalui hierarki:
[Makro\rightarrowMikro\rightarrowNano\rightarrow
Atom\rightarrowNukleus\rightarrowNukleon\rightarrow
Quark\rightarrowStandard\ Model.]
Higgs field ditempatkan pada tingkat Fisika Fundamental sebagai bagian dari Kerangka Standard Model, bukan sebagai Komponen Hidroksiapatit.
Dengan demikian, pendekatan ini membuka peluang pengembangan Penelitian Lintas Disiplin yang menggabungkan valorisasi limbah tulang ikan, material kalsium fosfat, nano-HAp, komputasi Python, fisika material, fisika nuklir dan perspektif fisika partikel fundamental.
ARAH PENGEMBANGAN PENELITIAN
Tahapan berikutnya yang diperlukan adalah:
Tahap 1 — Eksperimen
[Fish\ bone\rightarrow CaP/HAp]
Tahap 2 — Karakterisasi
[XRD+FTIR+SEM/FE-SEM-TEM+EDS/ICP+BET+DLS]
Tahap 3 — Python
[Raw\ Data\rightarrowProcessing\rightarrow
Feature\rightarrowModel
Tahap 4 — Optimasi
[Machine\ Learning\rightarrowOptimal\ Processing]
Tahap 5 — Multiscale Physics
[Macro\rightarrowMicro\rightarrowNano\rightarrow
Atomic\rightarrowNuclear\rightarrowParticle.]
Tahap 6 — Publikasi
Artikel eksperimental → artikel komputasional → perspective
e / review fisika fundamental.
