Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Syntax Literate: Jurnal Ilmiah Indonesia
Yosua Buntu Sumule
Fakultas Teknologi Mineral, Universitas Pembangunan Nasional “Veteran” Yogyakarta, Indonesia
Humanities Education Environmental Science Law, Crime, Criminology & Criminal Justice Social Sciences Other

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

Found 1 Documents
Search

 1 
Analisis Hubungan Kuat Tekan Uniaksial dan Kuat Tarik Tidak Langsung Batuan Sedimen dengan Metode Regresi dan Jaringan Saraf Tiruan Yosua Buntu Sumule; Dimas Daffa Dhiya Ulhaq
Syntax Literate Jurnal Ilmiah Indonesia
Publisher : Syntax Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (1636.734 KB) | DOI: 10.36418/syntax-literate.v7i5.6931

Abstract

Kekuatan batuan memiliki peranan penting dalam industri pertambangan. Kekuatan tersebut dapat menentukan banyak aspek dalam penambangan seperti geometri lereng, penggalian, peledakan, dan pengeboran. Kekuatan batuan dapat meliputi kuat tarik, kuat tekan, dan kuat geser. Secara umum, hubungan antara kuat tarik tidak langsung adalah 10% dari kuat tekan uniaksial dan hal tersebut mengacu pada rule of thumb yang umum digunakan dalam industri pertambangan. Akan tetapi, rule of thumb yang lazim digunakan dalam pertambangan perlu dilakukan analisis mengenai keakuratan hasil nilai UTS terutama pada batuan dengan nilai kuat tekan yang kecil. Maka dari itu perlu dilakukan pendekatan matematika untuk mengetahui hubungan dari kedua jenis kekuatan tersebut secara akurat. Metode yang digunakan untuk melihat keakuratan hubungan antara kuat tekan dan kuat tarik tidak langsung yaitu dengan pendekatan regresi linier, polinomial dua ordo, statistik, logaritmik, eksponensial, dan artificial neuron network (jaringan saraf tiruan). Keakuratan dari ke-enam metode tersebut akan dianalisis melalui root mean square error (RMSE), Mean Absolut Percentage error (MAPE). Hasil dari pendekatan ke-enam metode tersebut didapat bahwa pendekatan menggunakan regresi artificial neuron network adalah yang paling akurat dengan nilai RMSE 0,03994 dan MAPE 16,63% dengan kategori MAPE adalah peramalan baik.
Co-Authors Dimas Daffa Dhiya Ulhaq