PEMODELAN MIX DESIGN BETON DENGAN LEAST SQUARES SUPPORT VECTOR MACHINE
Keywords:
Representasi, Feminisme, Film, Penyalin Cahaya.Abstract
Pemodelan mix design beton yang biasa dilakukan secara manual melalui trial and error bersifat tidak efektif, tidak efisien, dan mahal. Model prediksi dengan menggunakan Artificial Intelligence (AI) terbukti dapat memprediksi mix design beton berdasarkan perilaku material penyusunnya. Penelitian ini bertujuan untuk menciptakan suatu pemodelan komputasi baru untuk memprediksi mix design beton dengan menggunakan LS-SVM dengan aplikasi MATLAB R2017a dan toolbox LS-SVMlab. Untuk penelitian ini, dibuat dua model terpisah yang terintegrasi dengan Graphical User Interface (GUI): model pertama dapat memprediksi kuat tekan maupun slump dan model kedua digunakan untuk tahap pengujian di laboratorium yang hanya dapat memprediksi kuat tekan. Hasil penelitian menunjukkan kinerja pemodelan komputasi dalam memprediksi campuran beton sudah cukup baik, dimana RMSE untuk model prediksi kuat tekan beton sebesar 5,07 MPa dan 6,68 cm untuk model prediksi slump. Berdasarkan hasil pengujian di laboratorium, hasil kuat tekan yang dihasilkan jauh dari hasil prediksi yang dihasilkan oleh pemodelan komputasi.References
Abolpour, B., Abolpour, B., Abolpour, R., & Bakhshi, H. (2013). Estimation of Concrete Compressive Strength by a Fuzzy Logic Model. Research on Chemical Intermediates, 39(2), 707–719. https://doi.org/10.1007/s11164-012-0591-0
Amhudo, R. L., Tavio, T., & Putu Raka, I. G. (2018). Comparison of Compressive and Tensile Strengths
81
of Dry-Cast Concrete with Ordinary Portland and Portland Pozzolana Cements. Civil Engineering Journal, 4(8), 1760. https://doi.org/10.28991/cej-03091111
Brabanter, K. De, Karsmakers, P., Ojeda, F., Alzate, C., Brabanter, J. De, Pelckmans, K., … Suykens, J. a K. (2011). Least Squares - Support Vector Machine Matlab/ C Toolbox. Retrieved from https://www.esat.kuleuven.be/sista/lssvmlab/
Kanbar-Agha, F. (1963). Effect of Aggregate on the Quality of Concrete. Kansas State University.
Liu, G., & Zheng, J. (2019). Prediction Model of Compressive Strength Development in Concrete Containing Four Kinds of Gelled Materials with the Artificial Intelligence Method. Applied Sciences, 9(6), 1039. https://doi.org/10.3390/app9061039
Nikoo, M., Torabian Moghadam, F., & Sadowski, Ł. (2015). Prediction of Concrete Compressive Strength by Evolutionary Artificial Neural Networks. Advances in Materials Science and Engineering, 2015, 1–8. https://doi.org/10.1155/2015/849126
Nugraha, P., & Antoni. (2007). Teknologi Beton. Andi, Yogyakarta.
Popovics, S., & Ujhelyi, J. (2008). Contribution to the Concrete Strength versus Water-Cement Ratio Relationship. Journal of Materials in Civil Engineering, 20(7), 459–463. https://doi.org/10.1061/(ASCE)0899-1561(2008)20:7(459)
Santosa, S., Budi, B. S., Setiyono, K. J., Hadi, T., & Hardono, T. S. (2016). Pemodelan Desain Campuran Beton dengan Backpropagation Neural Networks. Jurnal Teknologi Informasi, 12(April), 25–30.
Wang, H., & Hu, D. (2005). Comparison of SVM and LS-SVM for regression. Proceedings of 2005 International Conference on Neural Networks and Brain Proceedings, ICNNB’05, 1(5), 279–283. IEEE. https://doi.org/10.1109/icnnb.2005.1614615
Yeh, I.-C. (1998). Modeling of Strength of High-Performance Concrete Using Artificial Neural Networks. Cement and Concrete Research, 28(12), 1797–1808. https://doi.org/10.1016/S0008-8846(98)00165-3
Yeh, I.-C. (2007a). Computer-Aided Design for Optimum Concrete Mixtures. Cement and Concrete Composites, 29(3), 193–202. https://doi.org/10.1016/j.cemconcomp.2006.11.001
Yeh, I.-C. (2007b). Modeling Slump Flow of Concrete Using Second-Order Regressions and Artificial Neural Networks. Cement and Concrete Composites, 29(6), 474–480. https://doi.org/10.1016/j.cemconcomp.2007.02.001
