Tentang Penelitian
Informasi tentang dataset, model, dan metodologi yang digunakan
Latar Belakang Penelitian
Penelitian ini bertujuan untuk mengembangkan model prediksi kuat tekan beton High Performance Concrete (HPC) dan Ultra High Performance Concrete (UHPC) pada umur 28 hari menggunakan pendekatan Machine Learning.
Model Artificial Neural Network (ANN) dengan arsitektur multilayer perceptron dilatih menggunakan data campuran beton dari berbagai sumber literatur untuk mempelajari hubungan non-linear antara komposisi material dan kuat tekan beton.
Sistem ini memungkinkan prediksi kuat tekan secara cepat berdasarkan delapan parameter material: semen, silica fume, fly ash, air, superplasticizer, serat baja, agregat kasar, dan agregat halus.
Dataset
| Total sampel | 1.072 |
| Jumlah fitur | 8 |
| Target | f'c 28 hari (MPa) |
| Rentang f'c | 5 – 207 MPa |
| Separator CSV | Titik koma (;) |
Sumber Data
- Dataset literatur HPC (289 sampel)
- UHPC publik – Bolbolvand 2025 (157 sampel)
- Mix Design Prof. Dr. Taufiq Rochman, ST, MT POLINEMA (626 sampel)
Arsitektur Model SVR
Kernel RBF memetakan fitur ke ruang dimensi tinggi. SVR mencari hyperplane yang meminimalkan penyimpangan di luar ε-tube (0.1 MPa).
Parameter Pelatihan
| Kernel | RBF (Radial Basis Function) |
| C (Regularisasi) | 100 |
| Gamma (γ) | scale (1 / (n_features · Var(X))) |
| Epsilon (ε) | 0.1 MPa |
| Loss Function | ε-insensitive (Vapnik) |
| Normalisasi | StandardScaler (wajib) |
| Pembagian Data | 80% latih / 20% uji |
| Cross-Validation | K-Fold (k=5) |
Perbandingan Model ML
Evaluasi pada data uji (20% dari total dataset). Klik Pilih untuk mengganti model prediksi aktif.
| Model | R² Score | RMSE (MPa) | MAE (MPa) | MAPE (%) | Status | Aksi |
|---|---|---|---|---|---|---|
| ANN Terbaik R² | 0.9476 | 10.7800 | 6.5381 | 15.37% | Tersedia | |
| XGBoost | 0.9312 | 12.3535 | 5.2649 | 9.52% | Tersedia | |
| Random Forest | 0.9453 | 11.0148 | 5.1547 | 11.11% | Tersedia | |
| SVR | 0.9266 | 12.7639 | 5.2687 | 9.84% | Aktif |
Fitur Input Model
| # | Variabel | Nama | Satuan | Rentang Dataset |
|---|---|---|---|---|
| 1 | semen |
Semen (Portland Cement) | kg/m³ | 190 – 1000 |
| 2 | silica_fume |
Silica Fume | kg/m³ | 0 – 280 |
| 3 | fly_ash |
Fly Ash (Abu Terbang) | kg/m³ | 0 – 130 |
| 4 | air |
Air (Water) | kg/m³ | 120 – 215 |
| 5 | superplasticizer |
Superplasticizer | kg/m³ | 0 – 55 |
| 6 | serat_baja |
Serat Baja (Steel Fiber) | kg/m³ | 0 – 200 |
| 7 | agregat_kasar |
Agregat Kasar (Coarse Aggregate) | kg/m³ | 0 – 1200 |
| 8 | agregat_halus |
Agregat Halus (Fine Aggregate) | kg/m³ | 400 – 1100 |
Metode Rekomendasi Campuran
Fitur rekomendasi campuran menggunakan Differential Evolution — algoritma optimisasi global berbasis populasi — untuk mencari kombinasi parameter input yang menghasilkan prediksi kuat tekan paling mendekati target f'c yang ditentukan.