<![CDATA[Abstrak – Beton menjadi bahan yang penting dan banyak digunakan untuk pembangunan seperti perumahan, gedung, jembatan, jalan dan lain-lain. Beton banyak digunakan karena memiliki kuat tekan yang tinggi dan fleksibel sesuai kebutuhan jenis pembangunannya. Oleh karena itu pengukuran kuat tekan beton menjadi hal yang sangat penting. Namun pengukuran kuat tekan beton saat ini masih dilakukan dengan cara konvensional dan menggunakan rumus standar yang ada dalam ilmu Teknik Sipil. Cara tersebut masih kurang efektif dan kurang akurat karena banyak faktor yang mempengaruhi kuat tekan beton. Oleh karena itu pengukuran kuat tekan beton menjadi hal yang sangat penting dalam dunia Teknik Sipil. Seperti pada penelitian sebelumnya data kuat tekan beton bersifat nonlinear dan memiliki varians yang tinggi. Metode Neural Network sangat cocok untuk mengatasi masalah nonlinear. K-Fold Cross Validation merupakan salah satu metode yang mampu mengurangi varians yang tinggi sehingga dapat meningkatakan akurasi. Pada penelitian ini, diperoleh hasil RMSE sebesar 0,388 pada penerapan Neural Network dan K-Fold Cross Validation, dan RMSE sebesar 0,499 pada penerapan Neural Network dan Sliding Window Validation. Nilai RMSE menunjukkan penggunaan K-Fold Cross Validation lebih rendah dibanding Sliding Window Validation. Hal tersebut membuktikan bahwa K-Fold Cross Validation mampu meningkatkan kinerja yang lebih baik dengan mengurangi varians yang tinggi pada estimasi kuat tekan beton.Kata kunci: Kuat Tekan Beton; Estimation; Neural Network; K-Fold Cross Validation; Sliding Window Validation. Abstract - Concrete is an important material and is widely used for construction such as housing, buildings, bridges, roads and others. Concrete is widely used because it has high compressive strength and is flexible according to the needs of the type of construction. Therefore, measuring the compressive strength of concrete is very important. However, measuring the compressive strength of concrete is currently still done conventionally and using standard formulas in Civil Engineering. This method is still less effective and less accurate because many factors affect the compressive strength of concrete. Therefore, measuring the compressive strength of concrete is very important in the world of Civil Engineering. As in previous studies, concrete compressive strength data is nonlinear and has high variance. The Neural Network method is very suitable for overcoming nonlinear problems. K-Fold Cross Validation is one method that can reduce high variance so that it can increase accuracy. In this study, the RMSE results were obtained of 0.388 in the application of Neural Network and K-Fold Cross Validation, and RMSE of 0.499 in the application of Neural Network and Sliding Window Validation. The RMSE value shows that the use of K-Fold Cross Validation is lower than Sliding Window Validation. This proves that K-Fold Cross Validation is able to improve better performance by reducing high variance in concrete compressive strength estimates.Keywords: Concrete Compressive Strength; Estimation; Neural Network; K-Fold Cross Validation; Sliding Window Validation.]]>
