Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Journal of Sustainable Construction Jurnal Teknik Sipil
Simanta, Djoni
Unknown Affiliation
Civil Engineering, Building, Construction & Architecture Transportation

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Deep Convolutional Neural Network untuk Mendeteksi Retak pada Permukaan Beton yang Memiliki Void Hadinata, Patrick Nicholas; Simanta, Djoni; Eddy, Liyanto
Journal of Sustainable Construction Vol 1 No 1 (2021): Journal of Sustainable Construction
Publisher : Universitas Katolik Parahyangan

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1562.616 KB) | DOI: 10.26593/josc.v1i1.5151

Abstract

Convolutional neural network berbasis encoder-decoder telah dirancang dan dilatih menggunakan dataset eksternal untuk mendeteksi retak pada permukaan beton yang relatif sederhana. Namun, pada kenyataannya permukaan beton memiliki banyak fitur seperti void pada permukaan yang disebabkan oleh udara yang terperangkap saat proses pencampuran beton. Oleh karena itu, pada penelitian ini kemampuan convolutional neural network akan diteliti lebih lanjut untuk mendeteksi retak pada permukaan beton yang memiliki void. Tujuan pertama penelitian ini adalah menguji model yang dilatih dengan dataset eksternal pada permukaan beton ber-void. Jika model tidak berhasil membedakan void dengan retak, maka tujuan kedua penelitian ini adalah menyusun dataset pelatihan internal baru yang secara khusus membedakan void dengan retak, yang kemudian akan ditambahkan pada dataset eksternal untuk diinvestigasi performanya. Penelitian ini menggunakan arsitektur U-Net dan arsitektur DeepLabV3+ sebagai encoder-decoder untuk mengoperasikan semantic image segmentation. Model encoder-decoder yang dilatih dengan dataset eksternal tidak berhasil membedakan void dengan retak saat pengujian. Maka, dataset internal yang terdiri dari gambar beton ber-void dibentuk dan digabungkan dengan dataset eksternal. Dengan penambahan dataset internal yang baru, hasil pengujian menunjukkan bahwa model berhasil membedakan void dengan retak pada permukaan beton. U-Net mencapai nilai F1 sebesar 85,92%, sedangkan DeepLabV3+ mencapai nilai F1 sebesar 84,09%.
Studi Analisis Beban Dorong untuk Gedung Beton Bertulang Pranata, Yosafat Aji; Simanta, Djoni
Jurnal Teknik Sipil Vol 2 No 1 (2006): Jurnal Teknik Sipil
Publisher : Universitas Kristen Maranatha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.28932/jts.v2i1.10358

Abstract

The planning of earthquake-resistant building structures in Indonesia is very important considering that most of Indonesia is located in an earthquake area with moderate to high intensity. The latest trend in earthquake-resistant building planning today is performance-based design. The performance-based planning concept is a combination of resistance and service aspects. In this study, six reinforced concrete buildings with moment-bearing frame structural systems with special and medium criteria, ten stories high, consisting of a regular (symmetrical) building and an irregular (symmetrical) building, were designed in accordance with the Earthquake Resistance Planning Procedure for Buildings [SNI 1726, 2002] and the Concrete Structure Calculation Procedure for Buildings [SNI 03-2874, 2002]. The seismic behavior of these structures was evaluated using static nonlinear/pushover analysis and inelastic dynamic time history analysis. The study results show that the pushover analysis yields actual ductility (ua) and seismic reduction factor (R) greater than the design pq and R, so the pushover analysis is rational enough to be used in determining the ductility and R factor of regular reinforced concrete building structures. At the same transition target, the building designed with SRPMK generates less base shear force than the building designed with SRPMM. The results of the performance-based design evaluation show that all the buildings reviewed are included in the Damage Control Performance level so that the building is in a category that in the post-earthquake damage that occurs varies between the Immediate Occupancy and Life Safety performance levels, the risk of casualties is very low, the building structure may be damaged, but does not collapse. While the results of the time history analysis show for all buildings analyzed with the 1940 El Centro, 1992 Flores and 1971 Pacoima Dam earthquakes, the transitions, drifts and plastic joint rotations that occurred have not exceeded the allowable limits, while for the Bucharest earthquake produced transitions and drifts that exceeded the ultimate limit performance, buildings in region 4 produced plastic joint rotations that have not exceeded the allowable limits and buildings in region 6 rotations have exceeded.
Deep Convolutional Neural Network untuk Mendeteksi Retak pada Permukaan Beton yang Memiliki Void Hadinata, Patrick Nicholas; Simanta, Djoni; Eddy, Liyanto
Journal of Sustainable Construction Vol 1 No 1 (2021): Journal of Sustainable Construction
Publisher : Universitas Katolik Parahyangan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26593/josc.v1i1.5151

Abstract

Convolutional neural network berbasis encoder-decoder telah dirancang dan dilatih menggunakan dataset eksternal untuk mendeteksi retak pada permukaan beton yang relatif sederhana. Namun, pada kenyataannya permukaan beton memiliki banyak fitur seperti void pada permukaan yang disebabkan oleh udara yang terperangkap saat proses pencampuran beton. Oleh karena itu, pada penelitian ini kemampuan convolutional neural network akan diteliti lebih lanjut untuk mendeteksi retak pada permukaan beton yang memiliki void. Tujuan pertama penelitian ini adalah menguji model yang dilatih dengan dataset eksternal pada permukaan beton ber-void. Jika model tidak berhasil membedakan void dengan retak, maka tujuan kedua penelitian ini adalah menyusun dataset pelatihan internal baru yang secara khusus membedakan void dengan retak, yang kemudian akan ditambahkan pada dataset eksternal untuk diinvestigasi performanya. Penelitian ini menggunakan arsitektur U-Net dan arsitektur DeepLabV3+ sebagai encoder-decoder untuk mengoperasikan semantic image segmentation. Model encoder-decoder yang dilatih dengan dataset eksternal tidak berhasil membedakan void dengan retak saat pengujian. Maka, dataset internal yang terdiri dari gambar beton ber-void dibentuk dan digabungkan dengan dataset eksternal. Dengan penambahan dataset internal yang baru, hasil pengujian menunjukkan bahwa model berhasil membedakan void dengan retak pada permukaan beton. U-Net mencapai nilai F1 sebesar 85,92%, sedangkan DeepLabV3+ mencapai nilai F1 sebesar 84,09%.
Co-Authors Eddy, Liyanto Hadinata, Patrick Nicholas Yosafat Aji Pranata