aplikasi artificial neural network untuk...

Jurnal Teknik Sipil ISSN 2302-0253

Pascasarjana Universitas Syiah Kuala 13 Pages pp. 35- 47

Volume 1, No. 1, Agustus 2012 - 35

APLIKASI ARTIFICIAL NEURAL NETWORK UNTUK

MEMPREDIKSI NILAI POTENSIAL KOROSI PADA BALOK

BETON BERTULANG

Fitriani1, Mochammad Afifuddin

2, M. Ridha

2

1) Magister Teknik Sipil Program Pascasarjana Universitas Syiah Kuala Banda Aceh

2) Fakultas Teknik Universitas Syiah Kuala

Abstract: Damage to concrete structures due to corrosion of steel reinforcement can be identified and evaluated from potential value measured on the surface of the concrete. The purpose of this study is to predict the value of the potential corrosion of reinforced concrete beams by applying Artificial Neural Network (ANN). Data on laboratory test results in the form of the corrosion potential on the surface of the concrete blocks used as secondary data for the modeling. Modeling with eight input variables was done in three steps, they are training, validating and forecasting using MatLab. The resilient backpropagation (trainrp) was used for the training method. The data of 0, 4, 8, 12 and 16 weeks were selected for the training step, whereas the data of 2, 6, 10 and 14 weeks were used for validating. The step for forecasting was carried out after the suitable validation result was achieved. The average percentage difference between laboratory and ANN results were 16,10%. From the testing system which was conducted on the comparison of prediction results with the secondary data produces an average accuracy percentage of 84.13%. In the period of training, the percentage difference were obtained about 5.18% and the average accuracy were 95.05%, while for the validation was obtained the average of percentage difference about 29.66% and the average of the accuracy were 70.49%. For forecasting the fifth until the twelfth months was obtained fluctuating values as well as secondary data used in this modeling. The difference between the target ANN with the experimental results are not so different, it can be concluded that the ANN successfully predicted the corrosion potential

Keywords: corrosion potential, reinforcement concrete, Artificial Neural Network (ANN), prediction

Abstrak: Kerusakan struktur beton akibat korosi baja tulangan dapat diketahui dan dievaluasi dari nilai

potensial yang diukur pada permukaan beton. Tujuan penelitian ini adalah untuk memprediksi nilai

potensial korosi pada balok beton bertulang dengan mengaplikasikan Artificial Neural Network (ANN).

Data hasil pengujian laboratorium berupa nilai potensial korosi pada permukaan balok beton digunakan

sebagai data sekunder untuk permodelan. Permodelan dengan delapan variabel masukan dilakukan

dalam tiga tahap, yaitu training, validasi dan forecasting menggunakan software MatLab. Metode

pelatihan yang digunakan adalah resilient backpropagation (trainrp). Data dari minggu 0, 4, 8, 12 dan

16 dipilih untuk tahap training, sedangkan data minggu ke - 2, 6, 10 dan 14 digunakan untuk validasi.

Forecasting dilakukan setelah hasil validasi sesuai. Diperoleh persentase selisih antara hasil

laboratorium terhadap hasil ANN rata-rata sebesar 16,10%. Dari pengujian sistem yang dilakukan

terhadap perbandingan hasil prediksi dengan data sekunder menghasilkan persentase keakuratan rata-

rata sebesar 84,13%. Pada periode training diperoleh persentase selisih sebesar 5,18% dan keakuratan

rata-rata sebesar 95,05%, sedangkan untuk validasi diperoleh persentase selisih sebesar 29,66% dan

keakuratan rata – rata sebesar 70,49 %. Untuk prediksi bulan ke-5 hingga bulan ke-12 diperoleh nilai

yang fluktuatif sama halnya dengan data sekunder yang digunakan pada permodelan ini. Selisih antara

target ANN dengan hasil eksperimen tidak jauh berbeda, maka dapat dikatakan ANN berhasil

memprediksi potensial korosi.

Kata Kunci : potensial korosi, beton bertulang, Artificial Neural Network (ANN), prediksi

Jurnal Teknik Sipil

Pascasarjana Universitas Syiah Kuala

Volume 1, No.1, Agustus 2012 - 36

Korosi baja tulangan pada beton adalah sebuah

proses elektrokimia. Sel korosi terbentuk

karena perbedaan konsentrasi ion dan gas di

sekitar logam.

Korosi bisa terjadi jika antara anoda dan

katoda terdapat selisih potensial listrik. Nilai

potensial suatu bahan diperoleh dengan

mengukur selisih potensial dari bahan tersebut

dengan suatu elektroda baku seperti elektroda

kolomel jenis SCE (Saturated Colomel

Elekrode) dan SHE (Standar Hydrogen

Elektrode) dan AgCl, semakin negatif (aktif)

potensial bahan semakin besar kecenderungan

untuk terjadi korosi (Fontana, 1987).

Korosi baja dalam beton berperan penting

dalam penentuan daya tahan struktur beton.

Beberapa peneliti telah mempelajari perilaku

korosi dan berbagai jenis tindakan

perlindungan untuk mengendalikan korosi.

Penelitian yang menerapkan ANN untuk

analisis dan pemodelan korosi baja dalam

beton telah banyak dilakukan, antara lain pada

jurnal bertajuk Neural Network Analysis for

Corrosion of Steel in Concrete (Thirumalai

Parthiban dkk, 2004) dan Prediction of Onset

of Corrosion in Concrete Bridge Decks Using

Neural Networks and Case-Based Reasoning

(Morcous, G. dan Lounis, Z., 2005). Demikian

pula Neven Ukrainczyk dan Velimir

Ukrainczyk dari University of Zagreb, Croatia

(2004, 2005) juga menggunakan pemodelan

ANN untuk menentukan korosi tulangan dalam

struktur beton. Dari penelitian tersebut

diperoleh kesimpulan bahwa dengan

menggunakan model ANN, tingkat kerusakan

struktur beton bertulang dapat diprediksi

secara cepat dan akurat.

Pada penelitian ini, ANN diaplikasikan

untuk memprediksi nilai potensial korosi pada

balok beton bertulang, dalam hal ini beton

normal konvensional dan beberapa variasi

beton busa.

Dasar Teori ANN

Beberapa hal yang mendasari kerja

Jaringan Syaraf Manusia (JSM), diantaranya

mengenai penyimpanan informasi dan daya

ingat, dimana bila suatu sinyal tertentu melalui

sinapsis secara berulang-ulang, maka sinapsis

tersebut menjadi lebih mampu menghantarkan

sinyal pada kesempatan berikutnya. Hal ini

mendasari adanya proses belajar atau pelatihan

(learning), jadi ANN yang akan digunakan

pasti melalui proses pelatihan secara berulang-

ulang terlebih dahulu.

ANN merupakan salah satu representasi

buatan dari otak manusia yang selalu mencoba

untuk mensimulasikan proses pembelajaran

pada otak manusia tersebut. Istilah buatan

digunakan karena jaringan syaraf ini

diimplementasikan dengan menggunakan

program computer yang mampu

menyelesaikan sejumlah proses perhitungan

selama proses pembelajaran.

Bidang-bidang Aplikasi ANN

- Aerospace

Autopilot pesawat terbang, simulasi jalur

penerbangan, sistem kendali pesawat,

perbaikan autopilot, simulasi komponen

pesawat.

- Otomotif

Sistem kendali otomatis mobil.

- Keuangan dan perbankan

Jurnal Teknik Sipil


37 - Volume 1, No. 1, Agustus 2012

Pendeteksian uang palsu, evaluator

aplikasi kredit, pengidentifikasian pola-pola

data pasar saham.

- Pertahanan (Militer)

Pengendali senjata, pendeteksi bom,

penelusuran target, pembedaan objek,

pengendali sensor, sonar, radar, dan

pengolahan sinyal citra yang meliputi

kompresi data, ekstraksi bagian istimewa, dan

penghilangan derau, pengenalan sinyal atau

citra.

- Elektronik

Pembuatan perangkat keras yang bisa

mengimplementasikan ANN secara efisien,

machine vision, pengontrol gerakan dan

penglihatan robot, sintesis suara.

- Broadcast

Pencarian klip berita melalui pengenalan

wajah.

- Medis

Analisis sel kanker payudara, pen-

deteksian kanker kulit dan lain- lain

- Pengenalan suara

Pengenalan percakapan, klasiflkasi suara.

- Pengenalan tulisan

Pengenalan tulisan tangan, penerjemahan

tulisan ke dalam tulisan latin.

- Matematika

Alat pemodelan adalah dimana bentuk

eksplisit dari hubungan antara variabel-

variabel tertentu tidak diketahui.

- Pengenalan benda bergerak

Selain pola dari citra diam, ANN juga

bisa digunakan untuk mendeteksi citra

bergerak dari video seperti citra orang yang

bergerak, dan lain-lain.

- ANN digunakan sebagai detektor virus

komputer, penginderaan bau, dan lain-

lain.

Gambar 1. Struktur Sederhana ANN

Pada Gambar 1 tampak bahwa NN terdiri

atas satuan-satuan pemroses berupa neuron a

sebagai output menerima input dari neuron p1,

p2, p3, …, pR dengan bobot W1, W2, W3, …,

WR. Hasil penjumlahan seluruh impuls neuron

dibandingkan dengan nilai ambang tertentu

melalui fungsi aktivasi f setiap neuron. Fungsi

aktivasi digunakan sebagai penentu keluaran

suatu neuron.

Algoritma Backpropagation

ANN backpropagation adalah metode

yang paling sederhana dan mudah dipahami

dari metode-metode yang lain. ANN-BP akan

merubah bobot biasnya untuk mengurangi

perbedaan antara output jaringan dan target

output. Setelah pelatihan selesai, dilakukan

pengujian terhadap jaringan yang telah dilatih.

Pembelajaran algoritma jaringan syaraf

membutuhkan perambatan maju dan diikuti

dengan perambatan mundur. Keduanya

dilakukan untuk semua pola pelatihan.

Jurnal Teknik Sipil



Gambar 2. Arsitektur jaringan backpropagation

Sebuah studi yang sistematis untuk

mengembangkan metode yang cocok yang

dapat menerima, menganalisa dan

mengevaluasi data eksperimen dengan

menggunakan metode backpropagation.

Metoda ini cepat dan mampu menghasilkan

output yang memiliki kesalahan minimum

untuk konfigurasinya. Hal ini menyebabkan

pengembangan jaringan backpropagation

dapat melatih dan menguji sistem, menghitung

parameter tertentu untuk kondisi yang berbeda

dan mengenali pola perilaku.

Secara umum tahapan pengembangan

aplikasi Artificial Neural Network

Backpropagation (ANN-PB) seperti

ditunjukkan pada Gambar 2. Pada penelitian

ini digunakan metode ANN-PB dengan

pertimbangan metode ini sangat baik dalam

menangani masalah pengenalan pola-pola

kompleks dan non-linier [18].

METODOLOGI PENELITIAN

Data

Data yang digunakan adalah data

sekunder yang diperoleh dari penelitian Fajri

(2011). Benda uji berupa balok beton busa

berukuran 15cm x 20cm x 80cm dengan

tulangan utama 4Ø10 mm dan Ø6–10 cm

untuk sengkang. Data potensial korosi diambil

2 minggu sekali selama empat bulan. Bentuk

dan dimensi benda uji diperlihatkan pada

Gambar 3.

80 cm

15 cm

20 cm

2 cm

3 cm

76 cm

Tulangan Utama

4 Ø 10 mm

Tulangan Sengkang

Ø 6 mm - 10 cm

Model Balok Beton BertulangGambar 3a. Model Balok Beton Bertulang

Gambar 3b. Hasil Pemetaan Tulangan

Sumber : Fajri (2011)

Diagram Alir Penelitian

Mulai

Studi Literatur

data sekunder hasil

penelitian laboratorium

Permodelandengan ANN

Prosesing

data

Pembahasan

Kesimpulan

Selesai

data

Training

Preprocessing

Inisialisasi

bobot awal

Penentuan

parameter

Run program

Posprocessing

data

ValidasiTidak

Forecasting

Ya

Hasil

tabel & grafik

Gambar 4. Metode Penelitian

Penelitian diawali dengan studi pustaka,

yaitu mengidentifikasi peubah potensial korosi

beton. Langkah berikutnya mempelajari

penelitian-penelitian yang pernah dilakukan

Pola Keluaran

Lapisan

Tersembunyi

Pola Masukan

Jurnal Teknik Sipil



untuk mengetahui metoda yang digunakan dan

ketepatan perkiraan yang telah dicapai.

Dari hasil studi pustaka, lalu diidentifikasi

masalah yang ada, yaitu perlunya suatu

permodelan ANN, yang selengkapnya

disajikan pada Gambar 5.

Penentuan Pola

Data dibagi menjadi data pelatihan dan

pengujian. Untuk proses pembelajaran dipilih

data minggu ke-0, 4, 8, 12 dan 16, sedangkan

untuk proses validasi digunakan data minggu

ke-2, 6, 10 dan minggu ke-14.

Jumlah data dalam satu periode dipakai

sebagai jumlah masukan. Sebagai targetnya

diambil data periode kedua setelah periode

pertama berakhir. Agar memudahkan dalam

input data di dalam Matlab maka data-data

tersebut terlebih dahulu dientry ke dalam

Microsoft Excel.

Untuk tiap data dalam deret waktu, data

tersebut ditransformasi linear ke interval [0.1,

0.9] dengan menggunakan fungsi:

1.0)(8.0

'

ab

axx ………….(1)

X1

X2

X3

X4

X5

X6

X7

X8

Z6

Z5

Z4

Z3

Z2

Z1

U1.1

U2.1

V1.1

V2.1

W1

W2

W3

bu bv bw

bias hidden 1 bias hidden 2 bias output

Input Layer

Hidden Layer 1

Hidden Layer 2

Output Layer

BBN 3 cm

BBN 2 cm

BBF 3 cm

BBF 2 cm

BBP 3 cm

BBP 2 cm

BNK 3 cm

BNK 2 cm

Y

Z1

Z2

Z3

Gambar 5. Arsitektur Jaringan Prediksi Nilai

Potensial Beton

Kedelapan variabel data tersebut adalah :

1. x1 = Beton Busa Normal, selimut beton 3

cm

2. x2 = Beton Busa Normal, selimut beton 2

cm

3. x3 = Beton Busa Fly ash, selimut beton 3

cm

4. x4 = Beton Busa Fly ash, selimut beton 2

cm

5. x5 = Beton Busa Pozzolan, selimut beton 3

cm

6. x6 = Beton Busa Pozzolan, selimut beton 2

cm

7. x7 = Beton Normal Konvensional, selimut

beton 3 cm

8. x8 = Beton Normal Konvensional, selimut

beton 2 cm

Mulai

input data

fungsi P fungsi T

net (membangun

jaringan)

inisialisasi jaringan

newff (minmax(pn),[x1 x2 x3...],

{act1 act2 act3...},

trainrp)

inisialisasi bobot

set bobot (-0,5 s/d

0,5[net.{Iw,b,Lw}]) dan

penentuan parameter (epoch=p1,

goal=p2, lr=p3, mc=p5)

training

(net=train[net,pn,

tn]) dan validasi

(bn=sim[net,Qn])

prestd (p,t) =

pn, meanp, stdp,

tn, meant, stdt

Hasil output

sesuai target

(r1 ˜ 1)

Ya

Tidak

forecasting

{[Qn=trastd(N,meanp,stdp)];

[bn=sim(net,Qn)];

[b=poststd(bn,meant,stdt)]}

Selesai

preprocessing/

normalisasi

Gambar 6. Bagan alir BPNN pada Matlab

Permodelan dengan Artificial Neural

Network

Permodelan dengan ANN dilakukan untuk

data sekunder hasil pengujian nilai potensial

korosi beton. Permodelan dilakukan dengan

metode resilent backpropagation (RB) dan

menggunakan sofware Matlab. Permodelan

dimulai dengan membagi data hasil penelitian

Jurnal Teknik Sipil



laboratorium ke dalam suatu kelompok

variabel yang akan dipelajari polanya.

Pembagian data

Data dibagi menjadi data pelatihan dan

pengujian. Aspek pembagian data harus

ditekankan agar jaringan mendapat data

pelatihan yang secukupnya dan data pengujian

dapat menguji prestasi pelatihan yang

dilakukan berdasarkan nilai MSE (Mean

Square Error) data pelatihan dan pengujian.

a. Training

Untuk proses pembelajaran (training)

digunakan data sekunder hasil penelitian

laboratorium. Langkah-langkah permodelan

adalah sebagai berikut:

1. Preprocessing

Preprocessing dilakukan untuk

menormalisasi data yang akan dilatih.

dengan fungsi mean dan standar deviasi.

Fungsi mean dan standar deviasi akan

membawa data ke bentuk normal dengan

mean = 0 dan standar deviasi = 1.

2. Membangun jaringan

ANN dibangun dengan metode resilent

backpropagation. Neural network ini

terdiri atas lapisan input, 2 lapisan

tersembunyi dan lapisan output. Lapisan

input terdiri dari 8 neuron, lapisan

tersembunyi pertama terdiri dari 6 neuron

dengan fungsi aktivasi sigmoid,

sedangkan lapisan tersembunyi kedua

terdiri dari 3 neuron dengan fungsi

aktivasi sigmoid. Lapisan output terdiri

dari 1 neuron dengan fungsi purelin.

3. Inisialisasi bobot awal

Pemilihan bobot awal sangat

mempengaruhi jaringan syaraf dalam

mencapai minimum terhadap error, serta

cepat tidaknya proses pelatihan menuju

kekonvergenan. Apabila nilai bobot

terlalu besar, maka input ke setiap lapisan

tersembunyi atau lapisan output jatuh

pada daerah dimana fungsi turunan

sigmoidnya terlalu kecil, maka input ke

setiap lapisan tersembunyi atau lapisan

output sangat kecil, yang menyebabkan

proses pelatihan berjalan sangat lambat.

Biasanya bobot awal diinisialisasi secara

random dengan nilai antara -0,5 sampai

0,5 atau -1 sampai 1, atau interval lainnya.

Untuk permodelan ini akan digunakan

default Matlab yang akan memilih bobot

awal pada interval -0,5 sampai 0,5.

4. Penetapan parameter pembelajaran

Parameter pembelajaran untuk setiap

algoritma perlatihan berbeda beda.

Parameter-parameter yang ditetapkan

adalah maksimum epoch, kinerja tujuan,

learning rate dan momentum. Selain

parameter-parameter tersebut, parameter

lainnya digunakan default dari program

MatLab.

5. Postprocessing

Postprocessing dilakukan untuk melihat

kinerja jaringan. Hasil output neural

network dibandingkan dengan target.

Hasil perbandingan berupa koefisien

Jurnal Teknik Sipil



korelasi, apabila koefisien korelasi

mendekati 1, maka hasil output jaringan

semakin mendekati target.

b. Validasi

Untuk proses pemeriksaan (validasi)

digunakan data minggu 2, 6, 10 dan minggu

ke-14. Hasil kesalahan output jaringan pada

saat validasi tidak boleh berbeda jauh melebihi

dari target jaringan pada saat training. Apabila

hasil validasi tidak sesuai, maka pelatihan

harus diulang hingga hasil validasi sesuai.

c. Forecasting

Forecasting atau prediksi data baru

dilakukan apabila hasil validasi telah sesuai.

Algoritma terbaik adalah algoritma yang

memiliki koefisien korelasi yang mendekati 1

pada pelatihan, dan memiliki hasil validasi

sesuai dengan kesalahan terkecil.

Pengolahan Data

Langkah-langkah pengolahan data:

1. Melakukan proses transformasi data nilai

potensial korosi balok beton bertulang

periode minggu ke nol s/d minggu ke-16

untuk kemudian dijadikan input tiap 4

mingguan pada masing-masing pola yang

akan dibentuk.

2. Menentukan nilai target masing-masing

pola mingguan.

3. Melakukan proses inisialisasi bobot input

dan bobot layer awal sebelum jaringan

dibentuk dengan cara randomisasi dan

melakukan proses aktivasi sigmoid biner.

4. Menjalankan proses pembelajaran

(pelatihan dan pengujian) pada ANN yang

dibentuk dengan cara melakukan iterasi

yang berulang-ulang secara manual pada

beberapa iterasi awal dan dengan

menggunakan software Matlab sampai

dengan iterasi-n.

5. Menghitung nilai kesalahan output

berdasarkan target yang telah ditentukan

pada setiap iterasi dengan metode MSE

(Mean Square Error) dan menyimpan

bobot optimal jaringan pada iterasi-n jika

tingkat error output terhadap target sudah

memenuhi syarat batas error.

6. Melakukan penghitungan prediksi /

peramalan nilai potensial korosi periode

bulan ke-5 hingga bulan ke-12 dengan

nilai input minggu ke-16 (bulan ke-4)

dengan menggunakan sistem optimal

yang telah dibentuk berdasarkan ANN.

Berikut ini adalah salah satu grafik nilai

potensial korosi dari data sekunder :

Gambar 7. Grafik Nilai Potensial Korosi Beton

Busa Normal (Selimut Beton 3 cm)

Perhitungan Peramalan (forecasting)

Setelah model terbaik diperoleh,

selanjutnya peramalan dapat dilakukan. Hasil

ramalan tidak selalu akurat atau sering berbeda

dengan keadaan sesungguhnya (data aktual).

Jurnal Teknik Sipil



Perbedaan antara ramalan dengan keadaan

sesungguhnya disebut dengan kesalahan

ramalan (forecast error), dalam hal ini diukur

dengan mean square error dengan rumus :

N

OutputetTMSE

2)arg( (2)

HASIL DAN DISKUSI

Penelitian yang dilakukan menetapkan

konfigurasi ANN-BP sebagai berikut :

- jumlah sel lapisan tersembunyi 1 = 6

- jumlah sel lapisan tersembunyi 2 = 3

- konstanta belajar/learning rate = 0,2

- besar galat/error = 0.01

- jumlah epoch = 1000

- fungsi aktivasi = logsig dan purelin

Data hasil testing dari jaringan syaraf

harus dikembalikan ke bentuk finansial untuk

dianalisis. Simulasi dilakukan baik pada

periode training maupun periode testing.

Dari proses pembelajaran (pelatihan &

pengujian) diperoleh grafik perubahan error

seperti tampak pada Gambar 11a-11f. Setelah

dilakukan simulasi, output jaringan dan target

dianalisis dengan regresi linier sesuai dengan

pola parameter jaringan, yang menghasilkan

korelasi yang baik dimana hasil dari korelasi

tersebut mendekati 1 yang berarti memiliki

kecocokan hubungan antara output dan target.

Hasil terbaik antara target dan output jaringan

menempati posisi output jaringan(o) dan

target(*) yang hampir sama. Hal ini dapat

dilihat pada Gambar 12a-12f.

Persentase selisih antara hasil ANN

terhadap hasil laboratorium rata – rata sebesar

16.10% dan rata-rata keakuratan adalah

84,13%. Nilai potensial korosi pada

permodelan ANN untuk tahap training

(minggu ke - 0, 4, 8, 12 dan 16) umumnya

tidak jauh berbeda dengan hasil penelitian

laboratorium dengan persentase selisih rata-

rata 5.18% dan nilai keakuratannya sebesar

95.05%, sedangkan untuk tahap validasi

(minggu ke - 2, 6, 10, 14) terjadi perbedaan

nilai rata-rata sekitar 29.66% dengan nilai

keakuratan prediksi sebesar 70.49%.

Grafik perbandingan hasil laboratorium

dan ANN untuk salah satu titik pengukuran

(Titik 7A - minggu 0) dan (Titik 1A-minggu

14) dapat dilihat pada Gambar 8 dan

Gambar 9.

Gambar 8. Perbandingan Hasil Lab. dan ANN

dari Data Sekunder (Titik 7A –

Minggu 0)

Gambar 9. Perbandingan Hasil Lab. dan ANN

dari Data Sekunder (Titik 1A –

Minggu 14)

Jurnal Teknik Sipil



Hasil peramalan untuk bulan ke-5 hingga

bulan ke-12 diperoleh nilai yang fluktuatif

sama halnya dengan data sekunder yang

digunakan pada permodelan ini, namun secara

umum menunjukkan peningkatan dari nilai

awal prediksi rata-rata berkisar antara 3%

hingga 5%. Grafik hasil forecasting untuk

salah satu titik pengukuran (titik 7A) dapat

dilihat pada Gambar 10 di bawah ini. Dalam

hal ini pemanfaatan ANN untuk aplikasi

praktis peramalan secara umum dapat

diandalkan.

Gambar 10. Grafik Nilai Potensial Korosi Beton Hasil Forecasting dari ANN (Titik 7A)

Tabel 1. Hasil forecasting (pada titik 7A)

Titik

xo x1 x2 x3 x4 x5 x6 x7 x8

(bulan) BBN

3 cm

BBN

2 cm

BBF

3 cm

BBF

2 cm

BBP

3 cm

BBP

2 cm

BNK

3 cm

BNK

2 cm

7A 4 355.33 237.33 548.33 553.33 428.00 314.67 564.33 515.33

5 538.13 467.62 524.03 516.34 556.73 524.56 484.50 545.65

6 530.28 504.43 457.90 557.51 565.23 463.65 555.88 555.05

7 538.08 486.07 501.18 559.13 569.87 458.50 557.90 557.34

8 480.93 525.65 515.94 453.71 481.62 451.57 453.98 454.39

9 490.13 530.61 523.81 456.48 495.69 452.75 458.90 451.57

10 481.12 534.26 508.78 508.65 485.35 528.87 501.90 499.56

11 536.02 528.78 512.87 513.11 535.62 533.27 524.65 527.16

12 536.37 534.58 525.39 522.90 536.33 536.53 537.49 536.33

Jurnal Teknik Sipil



Gambar 11a.Grafik Perubahan Error Titik 1A Gambar 11b.Grafik Perubahan Error Titik 1B

Gambar 11c. Grafik Perubahan Error Titik 4A Gambar 11d. Grafik Perubahan Error Titik 4B

Gambar 11e. Grafik Perubahan Error Titik 7A Gambar 11f. Grafik Perubahan Error Titik 7B

Gambar 12a. Perbandingan Target & Output Titik 1A Gambar 12b.Perbandingan Target & Output Titik 1B

Jurnal Teknik Sipil



Gambar 12c.Perbandingan Target & Output Titik 4A Gambar 12d.Perbandingan Target & Output Titik 4B

Gambar 12e. Perbandingan Target & Output Titik 7A Gambar 12f. Perbandingan Target & Output Titik 7B

KESIMPULAN DAN SARAN

Dari hasil pengolahan data dan

pembahasan, maka diambil kesimpulan

sebagai hasil akhir dari penelitian ini, saran

dikemukakan dengan maksud agar

penelitian yang dilakukan oleh pihak lain

dapat lebih baik lagi.

Kesimpulan

1. Penerapan jaringan syaraf untuk

peramalan membutuhkan waktu yang

relatif lebih lama karena perlu

melakukan banyak percobaan dalam

menetapkan jumlah hidden layer,

jumlah neuron dalam hidden layer

dan parameter-parameter pelatihan

serta menerapkan teknik

pembelajaran pada jaringan yang

direncanakan.

2. Nilai potensial korosi yang diperoleh dari

permodelan ANN untuk tahap training

(minggu ke - 0, 4, 8, 12 dan 16) umumnya

tidak jauh berbeda dengan hasil penelitian

laboratorium dengan persentase selisih

rata-rata 5,18%, sedangkan tahap validasi

(minggu ke - 2, 6, 10, 14) diperoleh

persentase selisih sebesar 29,66%. Total

rata-rata persentase selisih seluruhnya

sebesar 16,10%.

3. Dari pengujian sistem yang dilakukan

terhadap perbandingan hasil prediksi

dengan data sekunder menghasilkan

persentase rata-rata nilai keakuratan

sebesar 84,13%, dimana untuk data

training sebesar 95,05% dan validasi

sebesar 70,49%.

Jurnal Teknik Sipil


Volume 1, No.1 Agustus 2012 - 46

4. Untuk peramalan bulan ke-5 hingga

bulan ke-12 diperoleh nilai yang

fluktuatif, sama halnya dengan data

sekunder yang digunakan pada

permodelan ini, namun secara umum

menunjukkan peningkatan nilai rata-

rata berkisar antara 3% hingga 5%.

Saran

Penelitian ini diharapkan dapat

dilanjutkan oleh peneliti lain, dengan

memperhatikan beberapa hal dan saran

sebagai berikut:

1. Salah satu kekurangan ANN adalah

bila sedikit data yang digunakan pada

pelatihan maka kemampuan

pembacaan polanya juga tidak terlalu

baik. Untuk menghasilkan

permodelan yang lebih baik maka

diperlukan lebih banyak data input

sehingga hasil prediksi dapat lebih

akurat.

2. Untuk permodelan lainnya agar data

sekunder yang dipakai bukan hanya

berupa data potensial korosi saja, tapi

juga data unsur pembentuk nilai

potensial korosi, seperti kandungan

klorida, faktor air semen dan lain-lain.

3. Selain resilient backpropagation

(trainrp), agar dilakukan penelitian

lebih lanjut dengan menggunakan

metode pelatihan jaringan

backpropagation lainnya seperti

metode penurunan gradien dengan

momentum (traingdm), variabel laju

pemahaman (traingda, traingdx), atau

algoritma gradient conjugate

(traincgf, traincgp, traincgb) sehingga

dapat dibandingkan tingkat keakuratan

secara keseluruhan. Dengan

mengembangkan model jaringan yang lain,

tidak menutup kemungkinan dapat dicapai

hasil yang lebih baik dalam memprediksi

nilai potensial korosi.

4. Penelitian ini dapat dilanjutkan oleh

peneliti lain dengan menggunakan ANN

untuk membuat permodelan masalah-

masalah teknik lainnya.

DAFTAR PUSTAKA

ASTM C876-91, 1991. Half-Cell Potentials of

Uncoated Reinforcing Steel in Concrete. Vol.

03.02, Current Edition Approved March 11,

Published May 1991. Original Published as C

p876-77. Last Previos Edition C876-87.

Akbar, A., 2011. Permodelan Artificial Neural

Network (ANN) Untuk Memprediksi Perilaku

Profil Kanal (C) Ferosemen Dengan

Konfigurasi I Yang Dibebani Lentur. Skripsi.

Banda Aceh: Universitas Syiah Kuala.

Bentur A., Diamond S., and Berke N.S., 1997. Stell

Corrosion in Concrete. E & FN SPON.

Broomfield., 1997. Corrosion of Steel in Concrete,

Understanding, Investigation and Repair.

London: E & FN SPON.

Demuth, H., Hagan, M., and Beale, M., Neural

Network Toolbox User’s Guide for Use with

MATLAB 7.0 (Release 2010b)., The

MathWorks Inc., 2010. (Akses 5 Maret 2012).

Fajri, 2011. Studi Perilaku Korosi Tulangan pada

Beton Busa dengan Pozzolan sebagai

Pengganti Semen dalam Kondisi Terendam.

Tesis. Banda Aceh: Universitas Syiah Kuala.

Fontana M. G., and N. G. Greene., 1987. Corrosion

Engineering, New York: Mc. Graw-Hill.

Kusumadewi, T, 2004. Membangun Jaringan Syaraf

Buatan Menggunakan Matlab dan Excel Link.

Yogyakarta: Graha Ilmu.

Neven Ukrainczyk and Velimir Ukrainczyk, Use of

Neural Network to Evaluate Rebar Corrosion

in Continental Environment. Croatia:

University of Zagreb.

Siang, J.J., 2005, Jaringan Syaraf Tiruan dan

Pemrogramannya Menggunakan Matlab.

Yogyakarta: Andi.

Thirumalai P. et all., 2005. Neural Network Analysis

for Corrosion of Steel in Concrete. Journal of

Jurnal Teknik Sipil



Elsevier Corrosion Science 47. Hal:

1625–1642.

Wiryanto D. dan Sahari B., 2006. Simulasi

Numerik Berbasis Komputer sebagai

Solusi Pencegah Bahaya Akibat

Kegagalan Bangunan. Seminar Nasional

“Kegagalan Bangunan, Solusi dan

Pencegahan”, Kampus UPH, Lippo

Karawaci.

Yani, E., 2005, Pengantar Jaringan Saraf

Tiruan. Artikel kuliah

http://trirezqiariantoro.files.wordpress.co

m/2007/05/jaringan_syaraf_tiruan.pdf

(Akses 29 Februari 2012)

www.cementportland.blogspot.com

http://lecturer.eepis-its.edu/~entin

/Kecerdasan%20Buatan/Buku/Bab%208

%20Jaringan%20Syaraf%20Tiruan.pdf (Akses

29 Februari 2012).

http://id.wikipedia.org/wiki/Jaringan saraf

tiruan (Akses 5 Maret 2012).

www.techsource.com.my

Wang, X., and Xu J., The Model of Teaching Quality

Evaluation Based on BP Neural Networks and

Its Aplication. First International Workshop on

Education Tehnology and Computer Science,

2009. Hal: 916-919.

http://trirezqiariantoro.files.wordpress.com/2007/05/jaringan_syaraf_tiruan.pdf

http://trirezqiariantoro.files.wordpress.com/2007/05/jaringan_syaraf_tiruan.pdf

http://www.cementportland.blogspot.com/

http://lecturer.eepis-its.edu/~entin%20/Kecerdasan%20Buatan/Buku/Bab%208%20%20%20%20Jaringan



http://id.wikipedia.org/wiki/Jaringan%20%20%20%20%20%20%20%20%20%20%20saraf%20%20tiruan

http://id.wikipedia.org/wiki/Jaringan%20%20%20%20%20%20%20%20%20%20%20saraf%20%20tiruan

http://www.techsource.com.my/

aplikasi artificial neural network untuk...

Documents