Analisis Jaringan Syaraf Tiruan Backpropagation untuk Prediksi Kelas Tanah, N-SPT, dan Kohesi Tak Terdrainase

Ridwan Setiadi (Universitas Gunadarma)
Sri Wulandari (Universitas Gunadarma)

Jurnal Teknik Sipil
Vol 26 No 3 (2019)

AbstrakJaringan syaraf tiruan (JST) adalah salah satu alat yang dapat digunakan untuk memprediksi sesuatu yang terlalu sulit untuk dimodelkan atau terlalu rumit diprogram melalui algoritma komputer biasa. Pada dasarnya, JST dibangun lalu dilatih untuk mengenali pola data pelatihan yang terdiri dari input dan target. Idealnya, JST yang sukses memiliki nilai kuadrat eror rata-rata atau mean squared-error (MSE) yang kecil dan jumlah data pelatihan yang berhasil dikenali besar. Ada tiga JST yang dibuat dalam penelitian ini, yaitu JST klasifikasi tanah, JST prediksi N-SPT, dan JST prediksi kohesi tak terdrainase. JST klasifikasi tanah memiliki MSE pelatihan senilai 0,0351 dan mampu mengenali 56 dari total 57 atau 98,2% data pelatihan sementara MSE pengujiannya senilai 0,6534 dan mampu mengenali 6 dari 10 atau 60% data pengujian. JST prediksi N-SPT memiliki MSE pelatihan senilai 0,368 dan mampu mengenali 29 dari 37 atau 78,38% data pelatihan sementara MSE pengujiannya senilai 1,4697 dan mampu mengenali 6 dari 10 atau 60% data pengujian. JST prediksi kohesi tak terdrainase memiliki MSE pelatihan senilai 0,0059 dan mampu mengenali 27 dari 28 atau 96,43% data pelatihan sementara MSE pengujiannya seniai 0,0225 dan mampu mengenali 9 dari 10 atau 90% data pengujian.Abstract Artificial Neural Network (ANN) is a tool which can be used to predict something too complicated to be modeled or to be programmed by using ordinary computer algorithm. Basically, ANN is built then trained to recognize pattern of training data consisting of inputs and targets. Ideally, a successful ANN has low mean squared-error (MSE) and high amount of recognizable training data. There are three ANN built, they are: classifying-soil-class ANN, predicting-N-SPT ANN, and predicting-undrained-cohession ANN. MSE from training session of classifying-soilclass ANN is 0.0351 and it can recognize 56 of 57 or 98.2% training data while MSE from testing session is 0.6534 and it can recognize 6 of 10 or 60% testing data. MSE from training session of predicting-N-SPT ANN is 0.368 and it can recognize 29 of 37 or 78.38% training data while MSE from testing session is 1.4697 and it can recognize 6 of 10 or 60% testing data. MSE from training session of predicting-undrained-cohession ANN is 0.0059 and it can recognize 27 of 28 or 96.43% training data while MSE from testing session is 0.0225 and it can recognize 9 of 10 or 90% testing data.