Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Matriks Teknik Sipil
Rahmawati, Nanda Milenia Dwi
Unknown Affiliation
Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Engineering Materials Science & Nanotechnology

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
AKURASI PENGGUNAAN METODE SUPPORT VECTOR MACHINE (SVM) DALAM PREDIKSI KAPASITAS DUKUNG FONDASI TIANG Dananjaya, Raden Harya; Sutrisno, Sutrisno; Rahmawati, Nanda Milenia Dwi
Matriks Teknik Sipil Vol 11, No 2 (2023): Juni
Publisher : Program Studi Teknik Sipil FT UNS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/mateksi.v11i2.65101

Abstract

Kapasitas dukung merupakan hal penting yang harus diperhatikan pada saat merancang sebuah fondasi. Artificial intelligence dapat digunakan sebagai salah satu metode untuk memprediksi daya dukung fondasi. Salah satu metode di dalam artificial intelligence yang sering digunakan adalah support vector machine (SVM). Keuntungan dari penggunaan metode SVM adalah pengurangan asumsi yang digunakan untuk memperoleh hubungan antara variabel bebas dengan variabel terikat pada proses prediksi. Penelitian ini bertujuan untuk mengetahui akurasi SVM dalam memprediksi kapasitas dukung fondasi dengan menggunakan data cone penetration test (CPT). Features atau variabel bebas yang digunakan sebagai input adalah diameter tiang (D), panjang tiang (L), pile material, pile type, installation method, nilai qc (tahanan conus) dan fs (tahanan gesek). Untuk melakukan kalibrasi dan validasi, digunakan data loading test. Proses validasi dilakukan dengan menggunakan metode k-fold cross validation yang pada penelitian ini menggunakan 10-folds cross validation. Hasil penelitian menunjukkan bahwa model SVM yang menghasilkan akurasi terbaik adalah dengan menggunakan kernel polynomial, C sebesar 0,5 dan g sebesar 0,1. Proporsi data training dan testing yang menghasilkan akurasi tertinggi adalah 90% : 10%, yang mana memiliki nilai R2 dan RMSE pada proses testing sebesar 0,9287 dan 637,1087 kN, secara berturut-turut.    
Co-Authors Raden Harya Dananjaya, Raden Harya Sutrisno, Sutrisno