Tugas Akhir

KLASIFIKASI KELAS MUTU BETON DENGAN METODE ARTIFICIAL NEURAL NETWORK

Penulis Kristanto,Yodik
Jenis

Tugas Akhir

Tahun

2026

Kode

713/UB/FT-inf/26

Bahasa

INDONESIA

Tugas Akhir Tersedia
Unduh Laporan

KLASIFIKASI KELAS MUTU BETON DENGAN METODE ARTIFICIAL NEURAL NETWORK

#2214321009/FT-Inf

Pengarang: Kristanto,Yodik

Pembimbing Pertama: M.Mahaputra Hidayat.,S.KOM.,M.KOM

Pembimbing Kedua: Arif Arizal,S.KOM.,M.CS

Jenis: Tugas Akhir

Penerbit: UBHARA - FT - Inf

Tahun Terbit: 2026

Bahasa: INDONESIA

Kode: 713/UB/FT-inf/26

No. Klasifikasi: 005.4 Kri,k

Jenis Karya: S1


Jenis

Tugas Akhir

Tahun

2026

Status

Tersedia

Kode

713/UB/FT-inf/26

Deskripsi Fisik

xv , 92 hlm, 30 cm

Subyek

Mutu beton merupakan faktor penting dalam menentukan kekuatan

Kata Kunci

beton kelas mutu beton Artificial Neural Network prediksi ma- chine learning

Anotasi

ABSTRAKSI Mutu beton merupakan faktor penting dalam menentukan kekuatan dan ketahanan struktur. Namun, metode konvensional melalui pengujian laboratorium memerlukan waktu dan biaya yang cukup besar. Oleh karena itu, penelitian ini bertujuan membangun model Artificial Neural Network (ANN) untuk klasifikasi mutu beton berdasarkan jenis dan proporsi material penyusunnya. Dataset yang digunakan berasal dari PT Merak Jaya Beton sebanyak 2124 buah data dengan parameter semen, fly ash, air, agregat halus, agregat kasar, admixture, serta jenis material seperti jenis pasir, merek semen dan admixture, serta ukuran batu. Penelitian ini memprediksi 18 kelas mutu beton, mulai dari B0, K100, K125, K150, K175, K200, hingga K500. Data diproses melalui tahap preprocessing yang meliputi pengecekan missing value, augmentasi, encoding, normalisasi, serta pembagian data menjadi 80% data training dan 20% data testing. Model ANN dibangun menggunakan TensorFlow dan Keras dengan pendekatan supervised learning. Pelatihan model dilakukan menggunakan tiga variasi epoch, yaitu 50, 100, dan 150. Hasil pengujian menunjukkan bahwa model mampu melakukan klasifikasi dengan baik, dengan akurasi sebesar 88,86% pada epoch 50, 91,66% pada epoch 100, dan 94,12% pada epoch 150. Evaluasi menggunakan confusion matrix, recall, precision, dan F1-score menunjukkan bahwa model masih men- galami kebingungan pada beberapa kelas tertentu. Secara keseluruhan, model dengan epoch 150 memberikan performa terbaik dibandingkan epoch 50 dan 100.

Catatan

Wisuda 2026

Di-entri: 17 September 2026 04:39