Article Per Year (5 Year)
p-Index From 2021 - 2026
1.77
P-Index
This Author published in this journals
All Journal Jurnal Teknik Sipil Media Komunikasi Dunia Ilmu Sipil (MoDuluS) Matriks Teknik Sipil
Raden Harya Dananjaya, Raden Harya
Unknown Affiliation
Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Engineering Materials Science & Nanotechnology Transportation

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 12 Documents
Search

 1   2 
KUAT TEKAN TANAH LEMPUNG PLASTISITAS TINGGI YANG DISTABILISASI PADA INDEKS LIKUIDITAS 0.5 DAN 0.75 MENGGUNAKAN SEMEN Purwana, Yusep Muslih; Dananjaya, Raden Harya
Jurnal Teknik Sipil Vol 14, No 2 (2017)
Publisher : Program Studi Teknik Sipil Fakultas Teknik Universitas Atma Jaya Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (217.379 KB) | DOI: 10.24002/jts.v14i2.1530

Abstract

Tanah lempung plastisitas tinggi diklasifikasikan sebagai tanah lunak dengan daya dukung dan kekuatan yang rendah. Stabilisasi tanah dibutuhkan untuk meningkatkan sifat tekniknya. Pencampuran tanah menggunakan semen telah dilakukan untuk menstabilisasi tanah ini. Pengaruh semen dan faktor air semen terhadap kuat tekan tanah dengan masa perawatan yang berbeda telah diinvestigasi. Uji kuat tekan bebas tanah (UCS) dilakukan pada tanah yang distabilisasi dengan kandungan semen 5%, 10%, dan 15% dari berat basah tanah dengan faktor air semen 20%, 25%, 30%, dan 35% dari berat semen. Masa perawatan sampel adalah 0, 3, 7, dan 14 hari. Tanah distabilisasi pada indeks likuidtias 0.50 dan 0.75. Hasil pengujian menunjukkan bahwa semakin tinggi proporsi semen yang digunakan, maka semakin besar peningkatan kuat tekan tanah, namun sebaliknya semakin tinggi faktor air semen yang digunakan, maka kuat tekan tanah semakin berkurang. Selain itu, tanan yang distabilisasi pada indeks likuiditas yang lebih rendah memberikan kuat tekan yang lebih tinggi. Kuat tekan tanah tertinggi dicapai pada campuran semen 15% dengan faktor air semen 20% yang distabilisasi pada indeks likuiditas 0.50, dimana kuat tekan tanah meningkat hingga 29.5 kali dari kuat tekan semula.
Studi Perbandingan Penurunan dan Tegangan Tanah di Bawah Fondasi Lentur Menggunakan Metode Empiris dan Elemen Hingga Hosiana, Nikita; Chrismaningwang, Galuh; Surjandari, Niken Silmi; Dananjaya, Raden Harya
Media Komunikasi Dunia Ilmu Sipil (MoDuluS) Vol 6 No 2 (2024): Desember 2024
Publisher : Universitas Veteran Bangun Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32585/modulus.v6i2.5534

Abstract

Safe infrastructure development requires a strong foundation to distribute the building load to the ground below. The study of soil behavior under load is very important in geotechnical engineering. This research aims to compare soil stress calculations using the Boussinesq and UNStrain theories and compare the settlement values at foundation corners in the immediate settlement calculations using the Steinbrenner and UNStrain methods. UNStrain is an application that uses the finite element method to calculate soil deformation and stress. However, it still requires validation because this program is still in the development stage and requires testing for accuracy. The accuracy of UNStrain application calculations was validated using empirical methods by comparing soil stress values with the Boussinesq theory. The research was carried out in the case of a flexible foundation with an evenly distributed load in longitudinal strips of 90 kN/m on sandy soil. RMSE shows a value of 2.90 kN/m² for vertical stress and 2.64 kN/m² for horizontal stress, while MAPE for vertical stress is 2.94% and horizontal stress is 5.79%, which shows that it is accurate in comparison to UNStrain soil stress calculations towards Boussinesq's theory. Calculation of the settlement at the corner of the foundation with the immediate Steinbrenner settlement produces a value of 0.40 cm and UNStrain produces a value of 0.79 cm.
Penggunaan Metode Machine Learning Random Forest untuk Prediksi Longsor pada Kabupaten Karanganyar Kusumawati, Rahayu; Dananjaya, Raden Harya; Surjandari, Niken Silmi
Media Komunikasi Dunia Ilmu Sipil (MoDuluS) Vol 5 No 2 (2023)
Publisher : Universitas Veteran Bangun Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32585/modulus.v5i2.4489

Abstract

Tanah longsor adalah salah satu bencana alam yang banyak terjadi di Indonesia terutama Provinsi Jawa Tengah, dengan salah satu daerah yang memiliki kerawanan longsor yang cukup tinggi adalah Kabupaten Karanganyar. Penelitian ini dilakukan untuk menyediakan informasi mengenai kerawanan longsor wilayah Kabupaten Karanganyar dalam suatu bentuk peta yang nantinya dapat dijadikan sebagai sumber tinjauan informasi yang detail dalam upaya mitigasi bencana. Penelitian ini akan memertimbangkan sembilan faktor pengondisi longsor, yaitu jarak terhadap jalan sekunder dan tersier, elevasi, slope, Topographic Wetness Index (TWI), tataguna lahan, litologi, Normalized Difference Vegetation Index (NDVI), dan hujan. Penyusunan peta kerawanan longsor dilakukan menggunakan machine learning dengan metode Random Forest pada pengaturan parameter default dengan bantuan modul Scikit Learn. Validasi model dilakukan menggunakan metode ten-folds cross validation. Hasil prediksi longsor selanjutnya diklasifikasikan men-jadi lima kelas kerawanan longsor menggunakan metode Natural Breaks (Jenk’s) yang performanya akan dievaluasi dengan nilai landslide density.  Hasil penelitian ini menunjukkan bahwa metode machine learn-ing Random Forest dapat digunakan untuk memetakan wilayah kerawanan longsor pada Kabupaten Ka-ranganyar. Model yang dihasilkan mampu mengklasifikasikan seluruh wilayah kerawanan longsor dengan nilai AUC mencapai 0,9678, serta menunjukkan hasil klasifikasi yang baik ditandai dengan semakin meningkatnya nilai landslide density pada kelas kerawanan yang semakin tinggi.
Aplikasi Machine Learning Method pada Pemetaan Kerawanan Tanah Longsor di Kabupaten Karanganyar Putri, Nada Hanifah; Dananjaya, Raden Harya; Surjandari, Niken Silmi
Media Komunikasi Dunia Ilmu Sipil (MoDuluS) Vol 6 No 1 (2024)
Publisher : Universitas Veteran Bangun Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32585/modulus.v6i1.4490

Abstract

Indonesia berada dalam zona iklim tropis yang rawan untuk mengalami bencana hidrometeorologi. Pemetaan kerawanan longsor merupakan salah satu upaya mitigasi yang dapat dilakukan untuk mengurangi dampak dari bencana tanah longsor. Penelitian ini bertujuan untuk membuat peta kerawanan longsor wilayah Kabupaten Karanganyar menggunakan machine learning yang diklasifikasikan menjadi lima kelas yaitu sangat rendah, rendah, sedang, tinggi, dan sangat tinggi. Metode yang digunakan untuk pembuatan model adalah Voting Classifier Ensemble Technique. Sembilan faktor pengondisi yang digunakan yaitu jarak terhadap jalan sekunder dan tersier, slope, TWI, elevasi, land use, litologi, NDVI, serta curah hujan. Algoritma machine learning didapatkan dari modul Scikit Learn. Kombinasi parameter yang digunakan yaitu pada metode Random Forest menggunakan parameter random_state = 0, n_estimators = 750, criterion = 'entropy', metode Support Vector Machine menggunakan parameter random_state = 0, Probability = True, gamma = 0.005, C = 1, metode K-Nearest Neighbors menggunakan parameter n_neighbors = 11, weights = 'distance', leaf_size = 20, dan metode Voting Classifier menggunakan parameter voting = 'soft', weights = [1,1,1] untuk parameter lain yang digunakan diatur sesuai dengan default modul. Model yang didapatkan memiliki AUC sebesar 0,9563 yang mendekati 1 sehingga dapat dikatakan bahwa model yang dimiliki performa yang baik untuk melakukan prediksi probabilitas longsor.
Penggunaan Metode Artificial Neural Network dalam Pembuatan Peta Kerentanan Longsor Wilayah Kabupaten Karanganyar Salwa, Atilla; Dananjaya, Raden Harya; Surjandari, Niken Silmi
Media Komunikasi Dunia Ilmu Sipil (MoDuluS) Vol 6 No 1 (2024)
Publisher : Universitas Veteran Bangun Nusantara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32585/modulus.v6i1.4493

Abstract

Tanah longsor menjadi bencana alam yang marak terjadi di Indonesia. Selama sepuluh tahun terakhir terdapat 2975 kejadian tanah longsor yang terjadi di Jawa Tengah, di mana 101 kejadian tanah longsor berada di Kabupaten Karanganyar. Penelitian ini bertujuan untuk membuat peta kerentanan longsor pada wilayah Kabupaten Karanganyar. Peta kerentanan akan dibagi menjadi lima kelas, yaitu sangat rendah, rendah, sedang, tinggi dan sangat tinggi dengan menggunakan metode natural breaks (jenk’s). Penelitian ini menggunakan 9 faktor pengondisi longsor yaitu jarak terhadap jalan sekunder, jarak terhadap jalan tersier, slope, topographic wetness index (TWI), elevasi, tata guna lahan (landuse), litologi, normalized difference vegetation index (NDVI), dan hujan. Pembuatan peta dilakukan dengan menggunakan Artificial Neural Network dengan bantuan modul scikit learn dan metode ten-folds cross validation digunakan sebagai metode validasi model yang dihasilkan. Nilai landslide density dihitung pada penelitian ini untuk evaluasi performa dari hasil klasifikasi kerentanan longsor. Parameter machine learning yang digunakan pada penelitian ini adalah hidden layer sizes, activation, maximum iteration dan random state. Performa model Artificial Neural Network yang dihasilkan menggunakan parameter tersebut menunjukkan hasil yang excellent.  Nilai AUC yang didapat pada penelitian ini sebesar 0,9140 dengan nilai ten-folds cross validation 0,7444.
PENERAPAN ARTIFICIAL NEURAL NETWORK (ANN) DALAM MEMPREDIKSI KAPASITAS DUKUNG FONDASI TIANG Dananjaya, Raden Harya; Sutrisno, Sutrisno; Fitriady, Syahid
Matriks Teknik Sipil Vol 10, No 4 (2022): Desember
Publisher : Program Studi Teknik Sipil FT UNS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/mateksi.v10i4.65034

Abstract

Beberapa tahun terakhir banyak penelitian terkait prediksi kapasitas dukung fondasi menggunakan artificial neural network (ANN). Keuntungan dari model ANN dibandingkan metode tradisional dalam prediksi kapasitas dukung fondasi adalah kemampuan model ANN untuk menangkap hubungan non linier dan kompleks antara kapasitas dukung dan faktor-faktor yang mempengaruhinya. Penelitian ini bertujuan untuk mengembangkan script untuk memprediksi kapasitas dukung fondasi tiang berdasarkan hasil uji CPT menggunakan sistem kecerdasan buatan. Metode yang digunakan adalah artificial neural network (ANN) dengan menggunakan beberapa skenario berdasarkan variasi hidden layer, fungsi aktivasi, dan learning rate. Model dengan performa paling baik berdasarkan metode k-folds cross validation digunakan untuk memprediksi kapasitas dukung fondasi tiang. Hasil penelitian ini menunjukkan bahwa metode kecerdasan buatan dengan model artificial neural network dapat diterapkan dalam memprediksi kapasitas dukung fondasi tiang. Model yang dihasilkan mampu memprediksi nilai kapasitas dukung dengan nilai R2 mencapai 0,91 saat proses testing.
STUDI KOMPARASI HASIL DOWNSCALING DATA HUJAN TRMM PADA BERBAGAI RESOLUSI Dananjaya, Raden Harya; Fitri, Siti Nurtita; Cahyaningsih, Yunita
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.v11i2.65087

Abstract

Data curah hujan adalah salah satu data krusial yang diperlukan untuk mitigasi bencana. Daerah Karanganyar Jawa Tengah yang berada di dataran tinggi merupakan daerah rawan bencana longsor. Namun, data hujan yang tersedia tidak memadai. Perkembangan teknologi pengindraan jarak jauh dapat dijadikan alternatif untuk melengkapi data curah hujan, misalnya data Tropical Rainfall Measuring Mission (TRMM). Dikarenakan resolusi spasial dari data TRMM terlalu kasar, maka perlu dilakukan downscaling atau peningkatan resolusi pada data TRMM sebelum digunakan. Selain itu, kalibrasi data TRMM hasil downscaling perlu dilakukan untuk meningkatkan akurasi. Penelitian ini bertujuan untuk membandingkan nilai keakuratan dari data curah hujan TRMM hasil downscaling dan kalibrasi dengan resolusi spasial 1 km, 500 m, dan 250 m terhadap data hujan stasiun. Proses downscaling dilakukan menggunakan metode regresi linier dengan bantuan aplikasi GRASS GIS dan dilakukan untuk memperoleh resolusi dengan ukuran cell 1 km, 500 m, dan 250 m. Variabel bebas yang digunakan dalam proses tersebut adalah data NDVI. Setelah proses downscaling selesai, dilakukan proses kalibrasi dan validasi menggunakan data curah hujan stasiun. Proses validasi dilakukan dengan menghitung koefisien determinasi (R2), Bias (B), dan Root Mean Square Error (RMSE). Hasil validasi menunjukkan bahwa data TRMM yang telah ter-downscaling dan terkalibrasi memiliki akurasi yang relatif tinggi dengan nilai R2, Bias, dan RMSE secara berturut-turut berkisar antara 0,90-0,92; 0,05-0,06; dan 256,67-266,63. Dari ketiga nilai validasi yang dihitung, nilai R2 dan RMSE untuk resolusi 500 m memiliki akurasi paling baik.
PENGGUNAAN ARTIFICIAL NEURAL NETWORK UNTUK MEMPREDIKSI LOAD-SETTLEMENT CURVE PADA FONDASI TIANG Dananjaya, Raden Harya; Sutrisno, Sutrisno; Brahman, Damian Paska Santyo
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.v11i2.66780

Abstract

Dalam beberapa tahun terakhir Artificial Neural Network telah diterapkan pada banyak masalah geoteknik. Berhubungan dengan desain fondasi tiang, prediksi penurunan tiang yang akurat diperlukan untuk memastikan kinerja struktural yang sesuai. Pada penelitian ini bertujuan untuk membangun model ANN untuk memprediksi penurunan tiang berdasarkan data uji CPT. Data yang diperoleh dari literatur, digunakan untuk mengembangkan model. Selain itu dalam penelitian ini membahas parameter terbaik untuk mendapatkan model yang optimal. Akhirnya pada penelitian ini membandingkan prediksi yang diperoleh ANN dengan static load test di lapangan dengan metode validasi menggunakan k-fold cross validation. Setelah melakukan training dan testing didapatkan hasil uji koefisien determinasi sebesar 0,77 dan RMSE 174 kN. Hasil cross validation koefisien determinasi adalah 0,68.
AKURASI METODE RANDOM FOREST PADA PROSES DOWNSCALING DAN KALIBRASI DATA TRMM Dananjaya, Raden Harya; Chrismaningwang, Galuh; Prihantoro, Fajar Era
Matriks Teknik Sipil Vol 11, No 4 (2023): Desember
Publisher : Program Studi Teknik Sipil FT UNS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/mateksi.v11i4.70261

Abstract

Penelitian ini bertujuan untuk mengetahui pengaruh proses downscaling dan kalibrasi dengan metode Random Forest (RF) terhadap peningkatan akurasi data TRMM. Pada penelitian ini dilakukan proses downscaling, kalibrasi, dan validasi data TRMM. Proses downscaling data TRMM dilakukan dengan mencari hubungan antara data NDVI dan TRMM menggunakan metode RF. Dalam regresi ini data NDVI berperan sebagai variabel bebas dan data TRMM sebagai variabel terikat.  Proses pembuatan model RF dilakukan dengan bantuan aplikasi Jupiter Notebook. Setelah dilakukan downscaling, data TRMM dikalibrasi menggunakan data hujan dari enam stasiun pengamatan dengan metode Geographical Differential Analysis (GDA). Proses downscaling dan kalibrasi dilakukan dengan bantuan aplikasi GRASS GIS. Kemudian hasil kalibrasi dan downscaling data TRMM harus diuji validitasnya dengan menggunakan data hujan testing dari tiga stasiun pengamatan. Pengujian validitas dilakukan dengan menghitung koefisien determinasi (R2), Bias (B), dan Root Mean Square Error (RMSE). Hasil validasi menunjukkan data TRMM yang ter-downscaling dan terkalibrasi memiliki akurasi yang relatif tinggi dengan nilai R2, Bias, dan RMSE secara berturut-turut 0,9986; 0,0297; dan 276,282. Berdasarkan nilai validasi maka dapat disimpulkan proses downscaling dan kalibrasi dengan metode RF dapat meningkatkan akurasi data TRMM.     
PENGARUH VARIABEL BEBAS DALAM ANALISIS KAPASITAS DUKUNG DAN PENURUNAN FONDASI TIANG MENGGUNAKAN CORRELATION BASED FEATURE SELECTION (CFS) Dananjaya, Raden Harya; Sutrisno, Sutrisno; Apriliani, Taufiqah
Matriks Teknik Sipil Vol 11, No 3 (2023): September
Publisher : Program Studi Teknik Sipil FT UNS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/mateksi.v11i3.65116

Abstract

Fondasi berfungsi sebagai penyalur beban konstruksi ke tanah dan menstabilkan struktur pada bangunan. Estimasi kapasitas dukung dan penurunan fondasi menjadi salah satu bagian penting dalam perancangan bangunan. Dikarenakan perilaku tanah yang kompleks, beberapa asumsi digunakan dalam perancangan fondasi. Sistem kecerdasan buatan (AI) sering digunakan untuk mengatasi masalah tersebut. Penelitian ini membahas tingkat signifikasi variabel bebas terhadap hasil prediksi artificial neural network (ANN) dan support vector machine (SVM) menggunakan metode correlation-based feature selection (CFS). Tingkat akurasi diukur menggunakan koefisien determinasi (R2) dan root mean square error (RMSE).  Data set yang digunakan berasal dari pengujian cone penetration test (CPT), karakteristik tiang, dan pengujian beban tiang statis. Data kemudian dibagi menjadi data training dan testing. Setelah pembuatan model dengan data training, model divalidasi menggunakan data testing. Tingkat akurasi diukur menggunakan koefisien determinasi (R2) dan root mean square error (RMSE). Hasil CFS menunjukkan bahwa faktor yang paling berpengaruh pada kapasitas dukung adalah hambatan konus (qc) dengan nilai korelasi (|r|) sebesar 0,7672, sedangkan faktor yang paling berpengaruh terhadap penurunan fondasi tiang adalah diameter fondasi (D) dengan nilai korelasi  (|r|) sebesar 0,4287.
Co-Authors Adriyati, Meilani Afandi, Heri Aji, Estu Waskita Anggraeni, Fitria Apriliani, Taufiqah Baihaqi, Fajar Andi Bambang Setiawan Brahman, Damian Paska Santyo Cahyaningsih, Yunita Chrismaningwang, Galuh Damarhadi, Prayogo Dewi, Rahma Kusuma Dewi, Rahma Kusuma Diliaristianto, Kurniawan Djarwanti, Noegroho Djarwanti, Noegroho Dwinanda, Ramadhani Febrian Fahreza N., Lukman Faturrahman, Muhammad Rizki Fitri, Siti Nurtita Fitriady, Syahid Hadiani, Rr. Rintis Hanif, Fawwaz Hendry Gunawan, Hendry Hermawan, Reza Bagus Hosiana, Nikita Kalimanto, Demarda Kalimanto, Demarda Kurniawan, Elang Fajar Kurniawan, Elang Fajar Kurniawan, Pengkuh Jalu Kusriyanto, Nur Sahid Mahmudah Mahmudah Niken Silmi Surjandari Nomleni, Ida Agustin Nugrahanti Putri, Asri Pangesthi Nurrosied, Imam Prasetyo, Ichsan Prayitno, Rendi Teguh Prihantoro, Fajar Era Purnomo Putri, Raden Ajeng Dinasti Purnomo, Ari Putri, Nada Hanifah Rahayu Kusumawati, Rahayu Rahma, Hida Alifa Rahmawati, Nanda Milenia Dwi Rifai, Rahman Salwa, Atilla Sutrisno, Sutrisno Syahidi, Shofa Tawakkal, M Zikry Tecnikal, Deki Umar, Abdulloh Utami, Etika Cahyaning Utami, Neura Citra Wellianto, Fany A. Wibowo, Fajar Tri Wicaksono, Nyco Maulana Yahya, Ramzi Yusep Purwana Muslih Zoki Sihotang, Albert Yuan