The purpose of this study is to use quantitative structure-property relationship (QSPR)-based machine learning (ML) to examine the corrosion inhibition capabilities of benzimidazole compounds. The primary difficulty in ML development is creating a model with a high degree of precision so that the predictions are correct and pertinent to the material's actual attributes. We assess the comparison between the extra trees regressor (EXT) as an ensemble model and the decision tree regressor (DT) as a basic model. It was discovered that the EXT model had better predictive performance in predicting the corrosion inhibition performance of benzimidazole compounds based on the coefficient of determination (R2) and root mean square error (RMSE) metrics compared DT model. This method provides a fresh viewpoint on the capacity of ML models to forecast potent corrosion inhibitors.

Penilaian secara periodik terhadap driver perlu dilakukan, untuk mengevaluasi kinerja. Pelaksanaan evaluasi membutuhkan waktu sehingga evaluasi sering dilakukan ketika terjadi keluhan dari penumpang, memberikan efek perubahan yang sifatnya sementara juga, setelah keluhan teratasi maka driver maupun pimpinan divisi transportasi menganggap tidak akan terjadi lagi kejadian yang sama. Bentuk evaluasi seperti di atas seringkali hanya  dilakukan terhadap driver yang dikeluhkan penumpang.   Penilaian kinerja yang termodel dan menyeluruh terhadap semua driver, yang sifatnya periodik dengan Sistem Pendukung Keputusan berbasis Profile Matching mampu meminimalisir kejadikan yang dikeluhkan penumpang..