Tentang Penelitian
Informasi tentang dataset, model, dan metodologi yang digunakan
Latar Belakang Penelitian
Penelitian ini bertujuan mengembangkan model prediksi properti Self-Compacting Concrete (SCC) — beton yang mampu mengalir dan memadatkan dirinya sendiri tanpa vibrator — menggunakan pendekatan Machine Learning.
Model Artificial Neural Network (ANN) multi-output dilatih untuk memprediksi dua properti SCC sekaligus: setting time (waktu pengikatan, jam) dan kuat tekan (f'c, MPa), berdasarkan enam parameter komposisi material.
Dataset bersumber dari hasil uji laboratorium SCC yang dikumpulkan oleh Suryadi, Triwulan & Aji (2011) dari Surabaya, Indonesia, mencakup 575 data eksperimen dengan variasi komposisi semen, kerikil, pasir, fly ash, superplasticizer, dan faktor air-semen (FAS).
Dataset
| Total sampel | 575 |
| Jumlah fitur | 6 |
| Target output | Setting Time (jam) + f'c (MPa) |
| Rentang f'c | 27 – 90 MPa |
| Rentang Setting Time | 48 – 100 Jam |
| Separator CSV | Titik koma (;) |
Sumber Data
- Suryadi, Triwulan & Aji (2011) — Uji Laboratorium SCC, Surabaya
-
File:
Hasil Uji Lab Suryadi.xlsx
Arsitektur Model SVR (Multi-Output)
Menggunakan MultiOutputRegressor — dua model SVR-RBF terpisah, keduanya menggunakan scaler_scc.pkl.
Parameter Pelatihan
| Kernel | RBF (Radial Basis Function) |
| C (Regularisasi) | 100 |
| Gamma (γ) | scale |
| Epsilon (ε) | 0.1 |
| Multi-Output | MultiOutputRegressor (sklearn) |
| Normalisasi | StandardScaler (wajib) |
| Pembagian Data | 80% latih / 20% uji |
Perbandingan Model ML
Evaluasi pada data uji (20% dari total dataset). Metrik ditampilkan per target prediksi. Klik Pilih untuk mengganti model aktif.
Target: Setting Time (Jam)
| Model | R² | RMSE (Jam) | MAE (Jam) | MAPE (%) | Status | Aksi |
|---|---|---|---|---|---|---|
| ANN | 0.8171 | 5.2869 | 4.3164 | 6.27% | Tersedia | |
| XGBoost Best avg R² | 0.8252 | 5.1691 | 4.1323 | 6.01% | Tersedia | |
| Random Forest | 0.8189 | 5.2612 | 4.2685 | 6.14% | Tersedia | |
| SVR | 0.7043 | 6.7236 | 5.0275 | 7.14% | Aktif |
Target: Kuat Tekan f'c (MPa)
| Model | R² | RMSE (MPa) | MAE (MPa) | MAPE (%) | Status | Aksi |
|---|---|---|---|---|---|---|
| ANN | 0.9491 | 3.6032 | 2.7500 | 5.47% | Tersedia | |
| XGBoost Best avg R² | 0.9482 | 3.6336 | 2.7739 | 5.52% | Tersedia | |
| Random Forest | 0.9517 | 3.5088 | 2.6661 | 5.31% | Tersedia | |
| SVR | 0.9388 | 3.9517 | 2.9411 | 6.02% | Aktif |
Fitur Input Model
| # | Variabel | Nama | Satuan | Rentang Dataset |
|---|---|---|---|---|
| 1 | semen |
Semen (Portland Cement) | kg/m³ | 240 – 680 |
| 2 | kerikil |
Kerikil (Coarse Aggregate) | kg/m³ | 609 – 980 |
| 3 | pasir |
Pasir (Fine Aggregate) | kg/m³ | 755 – 1110 |
| 4 | fly_ash |
Fly Ash (Abu Terbang) | kg/m³ | 30 – 160 |
| 5 | superplasticizer |
Superplasticizer | lt/m³ | 1.95 – 6.15 |
| 6 | fas |
Faktor Air-Semen (FAS) | — | 0.215 – 0.475 |
Target Output (Multi-Output)
| # | Variabel | Nama | Satuan | Rentang Dataset |
|---|---|---|---|---|
| 1 | setting_time |
Setting Time (Waktu Pengikatan) | Jam | 48 – 100 |
| 2 | kuat_tekan |
Kuat Tekan (Compressive Strength) | MPa | 27 – 90 |
Metode Rekomendasi Campuran
Fitur rekomendasi campuran menggunakan Differential Evolution — algoritma optimisasi global berbasis populasi — untuk mencari kombinasi enam parameter SCC yang menghasilkan prediksi kuat tekan paling mendekati target f'c yang ditentukan. Hasil juga menampilkan prediksi setting time campuran tersebut.