ESTIMASI KUAT TEKAN BETON 28 HARI MENGGUNAKAN ALGORITMA NEURAL NETWORK

Article Sidebar

eProsiding Sistem Informasi
PDF
Published: Dec 11, 2021
Keywords:
Estimasi, Kuat Tekan Beton, Rapid Miner, Neural Network

Main Article Content

Chandra Hilmawan
Rissa Nurfitriana Handayani

Abstract

Kuat tekan beton berperan sangat penting dalam pembangunan infrastruktur, beton sendiri merupakan bahan yang diperoleh dari campuran semen hidrolik, agregat kasar, agregat halus, air dan bahan tambahan lainnya. Akan tetapi tidak dapat ditentukan secara pasti ketahanan beton tersebut, maka dari itu salah satu cara untuk mengetahuinya menggunakan aplikasi rapid miner dengan perhitungan estimasi menggunakan algoritma neural network. Akurasi yang dihasilkan dari algoritma neural network terhadap dataset concrete compressive strength menggunakan split validation paling baik dihasilkan pada rasio 90% data training dan 10% data testing dengan root mean square error sebesar 6.782

Article Details

Issue
Vol. 2 No. 1 (2021): eProsiding Sistem Informasi (POTENSI) 2021
Section
Articles

References

Direktorat Riset dan Pengabdian Masyarakat UI. (2017). Laporan Pertanggung Jawaban Kegiatan Seminar Infrastruktur 2017. Depok: Direktorat Riset dan Pengabdian Masyarakat Universitas Indonesia.

Undang-Undang Republik Indonesia. (2009). Undang-Undang Nomor 22 Tahun 2009 Tentang Lalu Lintas dan Jalan. Jakarta: Undang-Undang Republik Indonesia.

Tjokrodimulyo, K. (2017). Teknologi Beton. Yogyakarta: KMTS FT UGM.

Mulyono, T. (2015). Teknologi Beton. Yogyakarta: Andi Offset.

Setiyorini, T., & Wahono, R. S. (2015). Penerapan Metode Bagging untuk Mengurangi Data Noise pada Neural Network untuk Estimasi Kuat Tekan Beton. Journal of Intelligent Systems, 37-42.

Chou, J., & Pham, A. (2013). Enhanced Artificial Intelligence for Ensemble Approach to predicting High Performance Concrete Compressive Strength. Construction and Building Materials, 554-563.

Chen, H., Zhang, J., Xu, Y., Chen, B., & Zhang, K. (2013). Performance Comparisson of Artificial Neural Network and Logistic Regression Model for Differentiating lung nodules on CT Scans. Expert System with Application, 11503-11509.

Nazari, A., & Pacheco, F. T. (2013). Predicting Compressive Strength of Different Geopolymers by Artificial Neural Network. Ceramics International, 2247-2257.

Setiyorini, T., & Asmono, R. T. (2018). Komparasi Metode Neural Network, Support Vector Machine dan Linear Regression pada Estimasi Kuat Tekan Beton. Jurnal Techno Nusa Mandiri, 51-56.