Showing papers by "Januarti Jaya Ekaputri published in 2012"
TL;DR: Blending agregat merupakan proses untuk menentukan proporsi ying tepat dari agregats ying kemudian dicampur sehingga dapat ditemukan gradasi atau susunan besar butir gregat ying sesuai dengan spesifikasi batasan ying ada.
Abstract: Blending agregat merupakan proses untuk menentukan proporsi yang tepat dari agregat yang kemudian dicampur sehingga dapat ditemukan gradasi atau susunan besar butir agregat yang sesuai dengan spesifikasi batasan yang ada. Blending agregat dapat diselesaikan menggunakan beberapa metode, diantaranya metode coba-coba, metode grafis dan metode optimasi. Di Indonesia, penyelesaian blending agregat masih dikerjakan secara manual (metode coba-coba dan metode grafis). Dengan menggunakan metode tersebut dibutuhkan waktu yang cukup lama untuk mengetahui hasil dari proses blending agregatnya. Tujuan dari penelitian ini adalah dapat dibuat sebuah program yang bisa menjalankan proses blending agregat dengan cepat, baik itu untuk agregat halus maupun agregat kasar. Salah satu metode yang dapat digunakan untuk menyelesaikan permasalahan tersebut adalah dengan menggunakan algoritma genetika. Algoritma Genetika merupakan metode optimasi yang dikembangkan berdasarkan pada teori evolusi biologi. Pada penelitian ini, syarat batasan gradasi agregat yang dipakai untuk blending diambil dari ASTM C33-03. Hasil dari program ini berupa nilai proporsi dari tiap agregat yang di blending . Berdasarkan hasil analisa yang telah dilakukan, dapat diketahui bahwa hasil proporsi agregat yang dihasilkan dari program ini dapat menghasilkan gradasi agregat yang memenuhi atau paling mendekati syarat batasan gradasi ASTM C33-03. Program blending agregat ini dapat digunakan untuk blending n agregat sekaligus, dimana n merupakan jumlah jenis agregat dan hasil dari programnya dapat diketahui dengan cepat karena untuk sekali proses running hanya dibutuhkan waktu < 10 detik saja.
2 citations
TL;DR: In this paper, the authors mencoba memprediksi kuat tekan beton umur 7, 14, and 28 hari, namun kurang dari 10%.
Abstract: Penambahan fly ash dan penggunaan steam curing membuat produksi beton lebih ekonomis, baik dari segi waktu maupun biaya. Selain ekonomis, kualitas beton juga harus dikontrol, salah satunya adalah kuat tekan. Di Indonesia prediksi kuat tekan beton diatur PBI 1971. Peraturan ini hanya dapat digunakan untuk prediksi kekuatan beton normal, sehingga tidaklah akurat jika peraturan ini kita gunakan untuk memprediksi kuat tekan beton berbahan campuran fly ash yang dirawat dengan steam curing . Sebagai solusinya Day (2006) mengusulkan prediksi menggunakan metode kematangan ( maturity method ). Penelitian ini mencoba memprediksi kuat tekan beton umur 7, 14 dan 28 hari berdasarkan data kuat tekan dan faktor waktu-suhu umur umur dasar 1 dan 2 hari. Benda uji beton yang digunakan berbentuk silinder 15 x 30 cm, berbahan campuran fly ash tipe F dan dirawat dengan perawatan uap ( steam curing ). Dari hasil penelitian ini diketahui nilai error antara kuat tekan prediksi dengan kuat tekan aktual kurang dari 5% untuk umur 7 dan 28 hari untuk semua benda uji, sedangan untuk umur 14 hari untuk benda uji 2 memberikan error di atas 5%, namun kurang dari 10%. Secara ilmu statistik dapat dikatakan kuat tekan prediksi sama dengan kuat tekan aktualnya. Hal ini dibuktikan dengan nilai t hitung berada di daerah penerimaan.
TL;DR: In this article, an Artificial Neural Network (ANN) merupakan suatu model komputasi ying bekerja seperti sel saraf biologis pada otak manusia, dipakai untuk mencari hubungan tersebut melalui proses pembelajaran Back-Propagation.
Abstract: Kehalusan, strength activity index dan berat jenis fly ash mempunyai pengaruh yang signifikan terhadap hasil kuat tekan mortar. Perlu dilakukan penelitian untuk mencari pengaruh sifat-sifat tersebut dengan mengetahui hubungan antara sifat fisik fly ash dengan kuat tekan mortar. Artificial Neural Network (ANN) merupakan suatu model komputasi yang bekerja seperti sel saraf biologis pada otak manusia, dipakai untuk mencari hubungan tersebut melalui proses pembelajaran Back-Propagation . Langkah-langkah penelitian meliputi pengumpulan data, pemodelan, dan pengujian pemodelan yang sudah dibuat. Kehalusan, berat jenis dan strength activity index dipakai sebagai input dan kuat tekan mortar umur 28 hari sebagai target output dalam pemodelan. Pengujian dilakukan untuk mencari performa ANN yang paling optimal pada proses pelatihan dengan nilai Mean Square Error (MSE) validation terkecil . Dari penelitian yang telah dilakukan disimpulkan bahwa ANN dapat digunakan untuk membentuk hubungan antara kehalusan, strength activity index dan berat jenis fly ash dengan hasil kuat tekan mortar dengan kesalahan antara 0%-0.054%. Pada pengujian parameter pelatihan, didapatkan bahwa performa yang optimal dihasilkan dengan 1 hidden layer dengan 3 node dengan prosentase data 70% training , 15% t esting, dan 15% validation dan MSE rata-rata 5.57x10 -5 .