Hubungan Kehalusan, Strength Activity Index, Berat Jenis Fly Ash dengan Kuat Tekan Mortar Menggunakan Artificial Neural Network
Kehalusan, <em>strength activity index</em> dan berat jenis <em>fly ash</em> mempunyai pengaruh yang signifikan terhadap hasil kuat tekan mortar. Perlu dilakukan penelitian untuk mencari pengaruh sifat-sifat tersebut dengan mengetahui hubungan antara sifat fisik <em>fly...
Main Authors: | , , |
---|---|
Format: | Article |
Language: | Indonesian |
Published: |
Lembaga Penelitian dan Pengabdian kepada Masyarakat (LP2M)
2012-09-01
|
Series: | Jurnal Teknik ITS |
Subjects: | |
Online Access: | http://ejurnal.its.ac.id/index.php/teknik/article/view/1238 |
Summary: | Kehalusan, <em>strength activity index</em> dan berat jenis <em>fly ash</em> mempunyai pengaruh yang signifikan terhadap hasil kuat tekan mortar. Perlu dilakukan penelitian untuk mencari pengaruh sifat-sifat tersebut dengan mengetahui hubungan antara sifat fisik <em>fly ash </em>dengan kuat tekan mortar. <em>Artificial Neural Network</em> (ANN) merupakan suatu model komputasi yang bekerja seperti sel saraf biologis pada otak manusia, dipakai untuk mencari hubungan tersebut melalui proses pembelajaran <em>Back-Propagation</em>. Langkah-langkah penelitian meliputi pengumpulan data, pemodelan, dan pengujian pemodelan yang sudah dibuat. Kehalusan, berat jenis dan <em>strength activity index</em> dipakai sebagai <em>input</em> dan kuat tekan mortar umur 28 hari sebagai target <em>output</em> dalam pemodelan. Pengujian dilakukan untuk mencari performa ANN yang paling optimal pada proses pelatihan dengan nilai <em>Mean Square Error (MSE) validation</em> terkecil<em>.</em> Dari penelitian yang telah dilakukan disimpulkan bahwa ANN dapat digunakan untuk membentuk hubungan antara kehalusan, <em>strength activity index</em> dan berat jenis <em>fly ash</em> <em>dengan</em> hasil kuat tekan mortar dengan kesalahan antara 0%-0.054%. Pada pengujian parameter pelatihan, didapatkan bahwa performa yang optimal dihasilkan dengan 1 <em>hidden layer</em> dengan 3 <em>node</em> dengan prosentase data 70% <em>training</em>, 15% <em>t</em>esting, dan 15% <em>validation </em>dan MSE rata-rata 5.57x10<sup>-5</sup>. |
---|---|
ISSN: | 2301-9271 2337-3539 |