Upload
others
View
5
Download
0
Embed Size (px)
Citation preview
TESIS – RC142501
JUDUL: PREDIKSI KEKUATAN BETON BERDASARKAN
PARAMETER DESIGN, HAMMER TEST DAN TEST
ULTRASONIC PULSE VELOCITY (UPV) DENGAN
MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
(ANN)
YULIA HELENA MARGARITA RADA
3114202005
DOSEN PEMBIMBING
Dr.techn.Pujo Aji, S.T.M.T.
NIP. 19730208 199802 1 001
PROGRAM MAGISTER
BIDANG KEAHLIAN STRUKTUR
DEPARTEMEN TEKNIK SIPIL
FAKULTAS TEKNIK SIPIL LINGKUNGAN DAN KEBUMIAN
INSTITUT TEKNOLOGI SEPULUH NOVEMBER
SURABAYA
2018
2
TESIS – RC142501
JUDUL: PREDIKSI KEKUATAN BETON BERDASARKAN
PARAMETER DESIGN, HAMMER TEST DAN TEST
ULTRASONIC PULSE VELOCITY (UPV) DENGAN
MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
(ANN)
YULIA HELENA MARGARITA RADA
3114202005
DOSEN PEMBIMBING
Dr.techn.Pujo Aji, S.T.M.T.
NIP. 19730208 199802 1 001
PROGRAM MAGISTER
BIDANG KEAHLIAN STRUKTUR
DEPARTEMEN TEKNIK SIPIL
FAKULTAS TEKNIK SIPIL LINGKUNGAN DAN KEBUMIAN
INSTITUT TEKNOLOGI SEPULUH NOVEMBER
SURABAYA
2018
4
v
PREDIKSI KEKUATAN BETON BEDASARKAN
PARAMETER DESIGN, HAMMER TEST DAN
TEST ULTRASONIC PULSE VELOCITY (UPV) DENGAN
MENGGUNAKAN ARTIFICIAL NEURAL NETWORK (ANN)
Nama Mahasiswa : Yulia Helena Margarita Rada NRP : 3114202005 Dosen Pembimbing : Dr.Techn.Pujo Aji, S.T.M.T.
ABSTRAK
Secara umum pengujian kekuatan beton dilakukan pada umur beton 28
hari atau sesuai umur beton yang ditetapkan, apabila dilakukan pengujian beton
diluar atau sebelum beton berumur 28 hari, beton tersebut hanya digunakan untuk
menentukan bahwa mampu atau belumnya benda uji beton tersebut untuk
menerima beban kerja selanjutnya. Benda uji yang digunakan memiliki dimensi
yang standar dan telah melalui proses pengecoran, curing, dan disimpan dibawah
pengawasan laboratorium. Namun seiring dengan laju peningkatan pemanfaatan
beton yang terus meningkat, maka dewasa ini dibutuhkan metode yang efektif dan
efisien dalam memprediksi kuat tekan beton.
Dengan menggunakan metode Artificial Neural Network ANN untuk
memodelkan hubungan yang kompleks antara input dan output untuk menemukan
pola-pola pada data. Pada penelitian ini digunakan tiga kasus dalam pemodelan
ANN untuk memprediksi kekuatan beton umur 3 hari dan kekuatan beton umur 28
hari dari data parameter desain beton, data pengujian test Hammer dan data
pengujian Ultrasonik Pulse Velocity (UPV). Dari hasil penelitian ini diperoleh
nilai Mean Square Error ( MSE) validation terkecil sekitar 1,819 dan nilai regresi
sebesar 0,978 untuk prediksi kekuatan beton diumur 3 hari.
Kata Kunci : Kekuatan beton, Parameter Desain beton, Hammer test , Tes UPV ,
Metode ANN.
vi
vii
PREDICTION OF CONCRETE STRENGTH BASED ON DESIGN PARAMETERS , HAMMER TEST AND
ULTRASONIC PULSE VELOCITY (UPV) TEST USING ARTIFICIAL NEURAL NETWORK (ANN)
Student’s name : Yulia Helena Margarita Rada NRP : 3114202005 Supervisor : Dr.Techn.Pujo Aji, S.T.M.T.
ABSTRACT
Generally, concrete strength testing is performed at 28 days of concrete or
as determined concrete age, If concrete testing is conducted less or more than or
before the 28 days, the concrete is only used to assess the capacity of the concrete
to receive the load. Usually, the specimens in this study used have spesific
dimensions speciments were cast cured and stored under laboratory supervision.
Increasing of concrete construction, needed an effective and efficient method in
predicting the compressive strength of concrete.
Artificial Neural Network ANN method is required to model the complex
relationship between input and output to find patterns in the data. In this study
three cases were used in ANN modeling to predict the strength of three days
concrete and 28 days concrete strength from concrete design parameter data,
Hammer test test data and Ultrasonic Pulse Velocity (UPV) test data. The results
show that the minimum Mean Square Error (MSE) validation way obtain about
1,819 and regression 0,978 when the modal used to predict strength of concrete at
three days.
Keywords: Concrete Strength, Concrete Design Parameters, Hammer Test, UPV
Test, ANN Method.
viii
ix
KATA PENGANTAR
Puji dan syukur kehadirat Tuhan Yang Maha Kuasa, atas segala kasih karuniaNYa sehingga tesis ini dapat diselesaikan dengan baik.Tesis ini ditujukan untuk memenuhi salah satu syarat memperoleh gelar Magister Teknik pada Program Pascasarjana Bidang Keahlian Struktur pada Jurusan Teknik Sipil Fakultas Teknik Sipil Lingkungan dan Kebumian ITS Surabaya.
Dalam pengerjaan tesis ini, penulis mendapat bantuan dan dukungan dari berbagai pihak. Oleh karena itu, dalam kesempatan ini, penulis ingin menyampaikan terima kasih yang sebesar-besarnya kepada:
1. Bapak Dr. techn. Pujo Aji, S.T., M.T., selaku dosen pembimbing yang
telah membimbing, memberi masukan dan perhatian.
2. Ibu Endah Wahyuni, S.T., M.Sc.Ph.D. selaku Ketua Program Studi Pascasarjana Jurusan Teknik sipil atas perhatian dan dorongannya dalam penyelesaian studi
3. Bapak Budi Suswanto, S.T., M.T., Ph.D, selaku dosen wali.
4. Bapak Prof. Ir. Priyo Suprobo, M.S., Ph. D, Selaku Kepala Laboratorium Beton dan Material Bangunan Jurusan Teknik Sipil ITS
5. Bapak-ibu di Lab. Beton dan Material Bangunan Jurusan Teknik Sipil ITS : Pak Harjo, Pak Toto, Pak Titus, Pak Basar, Pak Pri, Pak Dedy, Pak Hendra, Mas Nanang, Mas Wawan , Mbak Triasiska dan seluruh pegawai yang telah banyak membantu selama penelitian di Lab.
6. Staf Dosen dan pegawai Jurusan Teknik Sipil yang telah banyak membantu selama proses pendidikan di ITS.
7. Bapak Robin dan Bapak Dimas di Pascasarjana jurusan Teknik sipil yang telah banyak membantu penulis selama menempuh pendidikan.
8. Teman-teman saya yang bersama-sama dalam penelitian di laboratorium Pak Abraham Tuanakkota, Aulia Rahman, Ibu Ratni dan Ibu wiwik
9. Pimpinan dan rekan-rekan di Universitas Musamus Merauke yang telah memberikan dorongan dan motivasi dalam penyelesaian studi.
10. Papa dan Mama yang selalu memberi dukungan, dan do’a kepada penulis.
11. Suami saya Andrias, dan kedua anakku Gabriel dan Chatrin Boseren yang menjadi sumber motivasi dan semangat dalam penyelesaian pendidikan
12. Bapak Petrus Bhato dan Ibu Susana Riberu yang selalu memberikan dorongan dan motivasi bagi penulis.
13. Saudara dan saudariku yang ada di Merauke, Biak, Surabaya dan Malang yang selalu memberi dukungan dan doa kepada penulis
x
14. Bapak Sabar dan ibu Misa serta keluarga dan para tetangga di Gang 5 Kejawen Gebang Sukolilo Surabaya yang senantiasa membantu, mengurus dan memberi perhatian kepada anak-anak saya selama menempuh pendidikan.
15. Oma Yeni Wulandari, Ibu Sarah Yarolo, ade Viona Pasalbessy, Bapak Paulus Purnomo, yang selalu memberikan motivasi dan doa kepada penulis
16. Warga jemaat KSP Agape Gereja Elohim Snerbo Biak Numfor yang selalu memberi dukungan doa kepada saya
17. Dan semua pihak yang tidak bisa disebutkan satu persatu disini, penulis menyampaikan terima kasih yang sebesar-besarnya.
Semoga Tesis ini dapat bermanfaat bagi penulis dan pembaca. Kritik dan
saran masih diharapkan penulis demi kesempurnaan tesis ini.
Januari, 2018
Penulis
xi
DAFTAR ISI
HALAMAN JUDUL
LEMBAR PENGESAHAN ................................................................................. iii
ABSTRAK ............................................................................................................. v
KATA PENGANTAR .......................................................................................... ix
DAFTAR ISI ......................................................................................................... xi
DAFTAR GAMBAR............................................................................................xv
DAFTAR TABEL.............................................................................................. xvii
DAFTAR LAMPIRAN ...................................................................................... xix
BAB 1 PENDAHULUAN ..................................................................................... 1
1.1. Latar belakang. ......................................................................................... 1
1.2. Rumusan masalah..................................................................................... 2
1.2.1. Masalah Umum................................................................................. 2
1.2.2. Masalah Khusus. ............................................................................... 2
1.3. Tujuan Penelitian. ................................................................................... 3
1.3.1. Tujuan Umum. .................................................................................. 3
1.3.2. Tujuan Khusus. ................................................................................. 3
1.4. Batasan Masalah................................................................................... …3
1.5. Manfaat Penelitian. ................................................................................. …4
BAB 2 KAJIAN PUSTAKA DAN DASAR TEORI ........................................... 5
2.1. Parameter Design Campuran Beton. ............................................................. 5
2.2. Mix Design Beton. .................................................................................... 5
2.3. Desdruktif Test (DT) dan Non Desdruktif Test (NDT). .......................... 6
2.3.1. Hammer Test. ............................................................................................. 6
xii
2.3.2. Ultrasonic Pulse Velocity (UPV). .............................................................. 9
2.3.3. Kuat Tekan Beton. ....................................................................................11
2.4. Jaringan Saraf Tiruan (Artificial Neural Network). ............................... 12
2.4.1. Deskripsi JST ANN. .................................................................................13
2.4.2. Arsitektur Jaringan pada ANN..................................................................14
2.4.3. Proses Pembelajaran ANN........................................................................16
2.4.4. Fungsi Aktivasi. ........................................................................................17
2.4.5. Algoritma Backpropagation. .....................................................................18
2.5. Pemodelan ANN. .............................................................................................20
2.6. Generalisasi............................................................................................ .22
2.7. Penggunaan ANN dalam Penelitian sebelumnya. .................................. 22
BAB 3 METODOLOGI PENELITIAN ............................................................ 25
3.1. Umum. .............................................................................................................25
3.2. Diagram Alir Penelitian. ......................................................................... 25
3.3. Studi Literatur. .................................................................................................28
3.4. Penentuan Parameter Desain Campuran Beton. .......................................... 29
3.5. Persiapan Material............................................................................................29
3.5.1. Semen. ......................................................................................................29
3.5.2. Fly Ash. ....................................................................................................29
3.5.3. Superplasticizer. .......................................................................................30
3.5.4. Agregat Kasar. ..........................................................................................30
3.5.5. Agregat Halus. ..........................................................................................31
3.6. Pengujian Material. ..........................................................................................31
3.7. Membuat Mix Desain Beton. .................................................................. 31
3.8. Proses Pembuatan Beton......................................................................... 36
3.9. Curing (Perawatan Beton). ..................................................................... 36
xiii
3.10. Pengujian Beton. .............................................................................................. 37
3.10.1. Pengujian Hammer Test. .......................................................................... 37
3.10.2. Pengujian Ultrasonic Pulse Velocity (UPV). ............................................ 39
3.10.3. Pengujian Kuat Tekan . ............................................................................ 42
3.11. Perancangan Pemodelan ANN. .............................................................. 43
3.12. Kesimpulan. ..................................................................................................... 45
BAB 4 ANALISA DATA DAN PEMBAHASAN ............................................ 47
4.1. Umum. ............................................................................................................. 47
4.2. Pemodelan ANN. ............................................................................................. 47
4.2.1. Pemodelan ANN pada Kasus I. ................................................................ 47
4.2.2. Pemodelan ANN pada Kasus II. ............................................................... 48
4.2.3. Pemodelan ANN pada Kasus III. .............................................................. 49
4.3. Hasil dari Pemodelan ANN. ................................................................... 50
4.3.1. Hasil dari Pemodelan ANN Kasus I. ........................................................ 50
4.3.2. Hasil dari Pemodelan ANN Kasus II. ....................................................... 55
4.3.3. Hasil dari Pemodelan ANN Kasus III. ...................................................... 60
4.4. Rekap Hasil Training Pemodelan ANN pada Kasus I,II dan III. ........... 65
BAB 5 KESIMPULAN DAN SARAN .............................................................. 67
5.1. Kesimpulan. ..................................................................................................... 67
5.2. Saran. ...................................................................................................... 67
DAFTAR PUSTAKA .......................................................................................... 69
xiv
“Halaman yang dikosongkan”
xv
DAFTAR GAMBAR
Gambar 2.1 Ilustrasi Skematik Kerja Rebound Hammer ( ACI 228.IR-95)
....................................................................................................... 7
Gambar 2.2 Marking Area ................................................................................. 8
Gambar 2.3 Direct transmission (transmisi langsung) ...................................... 10
Gambar 2.4 Semi-direct transmission (transmisi semi langsung) ..................... 10
Gambar 2.5 Indirect transmission (transmisi tidak langsung) .......................... 10
Gambar 2.6 Proses pengujian kuat tekan beton ................................................ 12
Gambar 2.7 Struktur dari sebuah sel syaraf (neuron) ........................................ 13
Gambar 2.8 Arsitektur jaringan layer tunggal ................................................... 15
Gambar 2.9 Arsitektur Lapisan layer jamak ..................................................... 16
Gambar 2.10 Tiga lapis Jaringan backpropagation ............................................. 19
Gambar 3.1 Diagram Alir Penelitian ................................................................. 25
Gambar 3.2 (Lanjutan) Diagram Alir Penelitian ............................................... 26
Gambar 3.3 (Lanjutan) Diagram Alir Penelitian ............................................... 27
Gambar 3.4 (Lanjutan) Diagram Alir Penelitian ............................................... 28
Gambar 3.5 Posisi benda uji sebelum di Rebound Hammer ............................. 37
Gambar 3.6 Pengujian Rebound hammer posisi sudut 0°
tegak lurus horizontal ................................................................... 38
Gambar 3.7 Alat monitor mekanis Profometer 4 .............................................. 40
Gambar 3.6 Kabel konektor .............................................................................. 40
Gambar 3.9 Tranducer dan Receiver ................................................................ 41
Gambar 3.10 Benda uji kuat tekan beton silinder ............................................... 42
Gambar 4.1 Plot Performance pemodelan ANN pada kasus I kombinasi 1
....................................................................................................... 51
Gambar 4.2 Plot Error Histogram pemodelan ANN pada kasus I
kombinasi 1 ................................................................................... 52
Gambar 4.3 Plot Error Regression pemodelan ANN pada kasus I
kombinasi 1 ................................................................................... 53
xvi
Gambar 4.4 Plot Performance pemodelan ANN pada kasus II
kombinasi 2 ................................................................................... 56
Gambar 4.5 Plot Error Histogram pemodelan ANN pada kasus II
kombinasi 2 .................................................................................. 57
Gambar 4.6 Plot Error Regression pemodelan ANN pada kasus II
kombinasi 2 .................................................................................. 58
Gambar 4.7 Plot Performance pemodelan ANN pada kasus III
kombinasi 1 ................................................................................... 61
Gambar 4.8 Plot Error Histogram pemodelan ANN pada kasus III
kombinasi 1 .................................................................................. 62
Gambar 4.9 Plot Error Regression pemodelan ANN pada kasus III
kombinasi 1 .................................................................................. 63
xvii
DAFTAR TABEL
Tabel 2.1 Klasifikasi kualitas beton berdasarkan kecepatan
gelombang .......................................................................................... 11
Tabel 3.1 Komposisi Kimia Fly Ash dari PT. Tjiwi Kimia ............................... 30
Tabel 3.1 Job mix design metode DoE ............................................................... 32
Tabel 3.2 Proporsi campuran beton dan kebutuhan sampel ............................... 33
Tabel 3.3 Kasus I Pemodelan ANN ................................................................... 43
Tabel 3.4 Kasus II Pemodelan ANN .................................................................. 44
Tabel 3.5 Kasus III Pemodelan ANN ................................................................. 44
Tabel 4.1 Pemodelan kombinasi parameter input kasus I .................................. 47
Tabel 4.2 Pemodelan kombinasi parameter input kasus II ................................. 48
Tabel 4.3 Pemodelan kombinasi parameter input kasus III ............................... 49
Tabel 4.4 Nilai MSE validation kombinasi parameter input
kasus I ................................................................................................ 50
Tabel 4.5 Hasil prediksi kuat tekan pada kasus I kombinasi 1........................... 53
Tabel 4.6 Nilai MSE validation kombinasi parameter input
kasus II .............................................................................................. 55
Tabel 4.7 Hasil prediksi kuat tekan pada kasus II kombinasi 2 ......................... 58
Tabel 4.8 Nilai MSE validation kombinasi parameter input
kasus III ............................................................................................. 60
Tabel 4.9 Hasil prediksi kuat tekan pada kasus III kombinasi 1 ........................ 63
Tabel 4.10 Rekap nilai MSE validation dan nilai regresi .................................... 65
Tabel 4.11 Rekapitulasi nilai error dari kasus I,II dan III ................................... 66
xviii
xix
DAFTAR LAMPIRAN
Lampiran 1 Pengujian Berat Jenis Agregat halus ................................................. 71
Lampiran 2 Pengujian Kelembaban Agregat halus .............................................. 72
Lampiran 3 Pengujian Air Resapan pada agregat halus........................................ 73
Lampiran 4 Pengujian Berat Volume Agregat Halus ........................................... 74
Lampiran 5 Pengujian Agregat Halus dari Bahan Organik .. ............................... 75
Lampiran 6 Pengujian Kebersihan Agregat Halus terhadap Lumpur/
(Pengendapan) ................................................................................... 76
Lampiran 7 Pengujian Kebersihan Agregat Halus terhadap Lumpur/
(Pencucian) ........................................................................................ 77
Lampiran 8 Analisa Saringan Agregat Halus........................................................ 78
Lampiran 9 Pengujian Berat Jenis Agregat Kasar ................................................ 80
Lampiran 10 Pengujian Kelembaban Agregat Kasar ........................................... 81
Lampiran 11 Pengujian Air Resapan pada Agregat Kasar.................................... 82
Lampiran 12 Pengujian Berat Volume Agregat Kasar ......................................... 83
Lampiran 13 Pengujian Kebersihan Agregat Kasar terhadap Lumpur/
(Pencucian) ...................................................................................... 84
Lampiran 14 Pengujian Keausan Agregat Kasar .................................................. 85
Lampiran 15 Analisa Saringan Agregat Kasar...................................................... 86
Lampiran 16 Job mix design metode DoE (w/c 0,45) .......................................... 88
Lampiran 17 Job mix design metode DoE (w/c 0, 50) ......................................... 90
Lampiran 18 Job mix design metode DoE (w/c 0,55) .......................................... 92
Lampiran 19 Proporsi Campuran Beton dan Kebutuhan
Sampel (w/c 0,45) ........................................................................... 94
Lampiran 20 Proporsi Campuran Beton dan Kebutuhan
Sampel (w/c 0,50) ........................................................................... 95
Lampiran 21 Proporsi Campuran Beton dan Kebutuhan
Sampel (w/c 0,55) ........................................................................... 96
Lampiran 22 Hasil Pengujian Hammer test beton umur 3 hari ............................. 97
xx
Lampiran 23 Hasil Pengujian Hammer test beton
umur 28 hari……………………………………………………..101
Lampiran 24 Hasil Pengujian Ultrasonic Pulse Velocity (UPV)
umur beton 3 hari………………………………………………..105
Lampiran 25 Hasil Pengujian Ultrasonic Pulse Velocity (UPV)
umur beton 28 hari ………………………………………………109
Lampiran 26 Hasil Pengujian Kuat Tekan Beton dan
Standar Deviasi …………………………………………………113
1
2
1
BAB 1
PENDAHULUAN
1.1. Latar belakang.
Secara umum pengujian kekuatan beton dilakukan pada umur 28 hari atau
sesuai umur beton yang ditetapkan, apabila dilakukan pengujian beton diluar atau
sebelum beton berumur 28 hari, beton tersebut hanya digunakan untuk
menentukan bahwa mampu atau belumnya benda uji beton tersebut untuk
menerima beban kerja selanjutnya. Benda uji yang digunakan memiliki dimensi
standard yang telah melalui proses pengecoran, curing, dan disimpan dibawah
pengawasan laboratorium. Namun seiring dengan laju pertumbuhan yang terus
meningkat, maka dewasa ini dibutuhkan metode yang efektif dan efisien dalam
memprediksi kekuatan beton. Dengan menggunakan metode Artificial Neural
Network (ANN) untuk memodelkan hubungan yang kompleks antara input dan
output untuk menemukan pola-pola pada data sehingga dapat memprediksi
kekuatan beton umur 3 hari dan kekuatan beton umur 28 hari.
Mengacu pada penelitian terdahulu yang di lakukukan oleh (Liu, C., Jen,
dkk, 2009) memperkirakan kekuatan beton menggunakan nilai rebound dan
desain parameter material beton. Pada pengujian Hammer test yang dilakukannya
dapat dikatakan kurang lengkap oleh beberapa hal yaitu data yang tidak
ditampilkan, steam curing belum diterapkan dan pengaruh- pengaruhnya, kuat
tekan (output) pada posisi umur berapa hari dilakukan uji hammer test, metode
yang digunakan adalah analisis regresi yang dilakukan untuk membuat rumus
matematika dari hasil penelitian menunjukkan bahwa koefisisen korelasi yang
diperoleh dapat mencapai 0.9622 dan menyatakan bahwa metode yang diusulkan
memiliki nilai referensial (rujukan).
2
Pada penelitian ini digunakan beberapa kasus dalam pemodelan ANN
untuk memprediksi kekuatan beton umur 3 hari dan kekuatan beton umur 28 hari
berdasarkan data mix dari parameter desain beton l, data pengujian Hammer Test
dan data pengujian Ultrasonic Pulse Velocity (UPV). Diharapkan dengan
penelitian ini selain untuk membentuk hubungan kekuatan beton 3 hari dan
kekuatan beton 28 hari dapat juga bermanfaat pada bidang teknik sipil sebagai
metode yang tepat dalam memprediksi secara cepat dan hemat sehingga
menghasilkan struktur yang aman, untuk mengontrol kekuatan beton secara
periodik.
1.2. Rumusan Masalah
1.2.1. Masalah Umum
Bagaimana membentuk hubungan kekuatan beton umur 3 hari dikaitkan
dengan kekuatan beton umur 28 hari menggunakan parameter desain campuran
beton terdiri dari w/c 0.45,0.50,0.55, pengujian hammer test, pengujian Ultrasonic
Pulse Velocity (UPV) dan pengujian kuat tekan hancur (f’c) menggunakan Metode
ANN.
1.2.2. Masalah Khusus
1. Bagaimana cara menganalisa proporsi campuran beton
2. Bagaimana cara membuat variasi campuran beton
3. Bagaimana cara membentuk model ANN agar mampu menghubungkan
antara kekuatan beton umur 3 hari dengan kekuatan beton umur 28 hari
4. Bagaimana cara kerja ANN
5. Bagaimana performa akhir metode ANN
3
1.3. Tujuan Penelitian
Tujuan dari Penelitian ini adalah
1.3.1. Tujuan Umum
Dapat menggunakan metode ANN pada penelitian ini untuk membentuk
hubungan kekuatan beton umur 3 hari dikaitkan dengan kekuatan beton umur
28 hari menggunakan parameter desain campuran beton terdiri dari w/c
0.45,0.50,0.55, pengujian hammer test, pengujian Ultrasonic Pulse Velocity
(UPV) dan pengujian kuat tekan hancur (f’c). Diharapkan dengan penelitian
ini dapat memprediksi kekuatan beton umur 3 hari dan kekuatan beton umur
28 hari.
1.3.2. Tujuan Khusus
1. Untuk mendapatkan proporsi campuran beton.
2. Untuk mendapatkan variasi campuran beton.
3. Untuk mendapatkan model ANN yang mengubungkan antara
kekuatan beton pada umur 3 hari dengan kekuatan beton umur 28
hari.
4. Untuk mengetahui cara kerja ANN.
5. Untuk mengtahui perform akhir dari model ANN.
1.4. Batasan Masalah
Batasan masalah dalam penelitian ini adalah.
1. Benda uji beton yang digunakan silinder ukuran ( ø10 x 20 cm).
2. Fly ash yang digunakan adalah fly ash kelas F dari PT. Tjiwi Kimia
Kabupaten Mojokerto
4. Campuran kimia yang digunakan adalah Superplasticizer berbahan dasar
Naphthalane.
5. Semen yang digunakan adalah semen Gresik tipe II
6. Pengujian beton dilakukan pada umur 3 dan 28 hari.
7. Pada Pengujian Hammer Test didistribusi 10 titik pntul dan diambil nilai
rata-rata, dengan posisi sudut 0° tegak lurus horizontal.
8. Pengujian UPV dilakukan dengan cara direct transmission
4
9. Metode yang digunakan adalah Artificial Neural Network (ANN).
10. Perancangan dan perencanaan Campuran beton dengan menggunakan Metode
Departement of Evironment (DoE)
11. Kuat tekan rencana (f’cr) tidak ditentukan karena untuk mencari generik data
yang akan dimasukkan didalam pemodelan ANN untuk mencari hubungan
antara input dan target output.
1.5. Manfaat Penelitian
Dengan adanya penelitian ini dapat memprediksi kekuatan beton secara
cepat, tepat , akurat dan efisien.
1. Data yang digunakan dalam pemodelan harus benar-benar valid dan
memiliki range yang lebar.
2. Data baru yang akan diprediksi hasil kuat tekannya harus masuk dalam
range data yang dibuat pada pemodelan.
3. Perlu dilakukan penelitian lebih lanjut dengan jumlah data yang lebih
banyak, sehingga data yang ditraining menjadi lebih banyak dan hasil
pemodelan dapat lebih teliti.
4. Dapat mengetahui faktor apa saja yang mempengaruhi kekuatan beton dari
penelitian yang dibuat.
5. Dapat memberikan solusi alternative untuk memprediksi kekuatan beton
sehingga dijadikan referensi untuk penelitian selanjutnya.
5
BAB 2
KAJIAN PUSTAKA
2.1. Parameter Design Campuran Beton
Parameter design campuran beton merupakan dasar utuk mendapatkan
kekuatan beton yang akurat . berdasarkan penelitian yang dilakukan oleh (Liu, C.,
Jen, dkk, 2009) Keakuratan model taksiran didasarkan pada parameter yang
diketahui proporsi campuran bahan, yang melibatkan fly ash, terak dan campuran
kimia. Bahan pozzolan digunakan untuk meningkatkan keseragaman beton
dengan menambahkan fly ash untuk memperkenalkan variabel campuran yang
meningkatkan hasil kualitas pasta dan kualitas beton secara keseluruhan. Pada
penelitian ini diharapkan juga mengurangi parameter pada design campuran beton
sehingga menghasilkan kekuatan yang akurat.
2.2. Mix Design Beton
Mix Design dapat didefinisikan sebagai proses merancang dan memilih
bahan yang cocok dan menentukan proporsi relatif dengan tujuan memproduksi
beton dengan kekuatan tertentu, daya tahan tertentu dan seekonomis mungkin.
Pemilihan campuran beton dilakukan dalam 3 (tiga) tahap :
1. Tahap pertama adalah penentuan standar deviasi
2. Tahap kedua menetapkan kuat tekan rata-rata f’cr
3. Tahap ketiga pemilihan proporsi campuran untuk menghasilkan f’cr.
Desain campuran beton diproporsi untuk mencapai kekuatan berdasarkan
konsep probabilistic yang ditujukan untuk menjamin pencapaian kekuatan yang
cukup memuaskan. Disamping syarat kekuatan, hasil proporsi material untuk
campuran beton harus memenuhi syrat-syarat sebagai berikut :
1. Kelecakan dan konsistensi yang menjadikan beton mudah di cor tanpa terjadi
kekeroposan, segregasi dan bleeding yang berlebihan.
2. Ketahanan terhadap berbagai pengaruh lingkungan tersebut di SNI 2847
Pasal 6
3. Sesuai syarat uji kekuatan SNI 2847 Pasal 7.6.
6
Pengendali mutu beton wajib menjaga mutu beton yang memenuhi 3 syarat ini.
(Aji, 2010)
2.3. Destruktif Test (DT) dan Non Destruktif Test (NDT)
Kekuatan tekan beton dapat diuji dalam dua cara yaitu Destruktif Test
(DT) dan Non Destruktif Test (NDT), Destruktif Test (DT) adalah pengujian
yang sifatnya merusak benda uji, sampel ditekan sampai pecah, dari situ diperoleh
data kekuatan beton yang sifatnya actual. pengujian Non Destruktif Test (NDT)
adalah salah satu metode yang digunakan untuk memprediksi kekuatan beton
tanpa merusak benda uji pelaksanaannya dapat dilakukan ditempat kerja (insitu),
hasilnya berupa data kekuatan yang bersifat perkiraan, metode yang umum
dipakai adalah Hammer Test dan Test UPV. (Happy, dkk, 2013)
2.3.1. Hammer Test
Hammer test atau Rebount Hammer Test (RHT), dikembangkan di
jerman pada tahun 1930, berdasarkan ASTM C805 dan BS 4408 bagian 4,
dimanfaatkan untuk menguji kekerasan permukaan beton (Liu, C., Jen, dkk,
2009). Pada tahun 1948 Hammer test di kembangkan oleh seorang insinyur
berkebangsaan swiss, Dr. Ernest Schmidt yang selanjutnya dikenal dengan
Swiss Hammer. untuk mengetahui keadaan beton dan menilai keadaan beton
dari bunyi metalik yang dihasilkan dalam suatu konstruksi dilakukan dengan
memukul beton tersebut dengan sebuah hammer (Arwanto, 2006). Pada tahun
1979, metode pengujian RHT tercantum pada ASTM (ASTM C 805-79)
sebagai metode pengujian standar, menjelaskan bahwa metode ini dapat
digunakan untuk memperkirakan keseragaman beton dan mendeteksi daerah
berkualitas rendah dalam beton, namun tidak berarti sebagai metode pengganti
pada pengujian beton (Liu, C., Jen, dkk, 2009). Secara umum penggunaan alat
ini untuk memeriksa keseragaman beton dan membandingkan satu beton
terhadap yang lain , tetapi hanya dapat digunakan sebagai indikasi kasar
kekuatan beton secara mutlak.
7
Hammer test merupakan peralatan NDT yang nyaman , mudah
dikerjakan, murah, pengukurannya dapat dilakukan dengan cepat yaitu suatu alat
pemeriksaan mutu beton tanpa merusak beton (Lubis, 2013). Beton dengan mutu
rendah akan memiliki nilai rendah. Namun, ketika dua spesimen beton memiliki
kekuatan yang sama dan kekakuan yang berbeda , nilai-nilai rebound yang
dihasilkan satu sama lain tidak mungkin sama. Jumlah energi yang hilang lebih
besar dengan beton kekakuan rendah dari energi yang hilang dengan beton
kekakuan tinggi. Alasan ini terkait dengan parameter material. Misalnya jumlah
agregat kasar dan bagaimana penggabungan agregat dalam campuran beton hal
ini mempengaruhi kekuatan beton, sehingga dapat pula mempengaruhi nilai
rebound. (Liu, C., Jen, dkk, 2009)
Gambar 2.1 Ilustrasi Skematik Kerja Rebound Hammer (ACI 228. IR-95)
Pada gambar 2.1. menunjukkan cara kerja Rebound hammer, ada 3
metode dalam melakukan pengujian dengan palu beton, setiap metode memiliki
grafik nilai rebound vs estimasi kuat beton yang berbeda yaitu :
1. Sudut 0° untuk penguian pengujian tegak lurus horizontal
2. Sudut - 90° untuk pengujian tegak lurus kebawah
3. Sudut +90° untuk pengujian tegak lurus keatas
8
beberapa faktor lain yang perlu diperhatikan dalam melaksanakan pengujian
yaitu :
Umur struktur.
Pada tahap konstruksi umur beton sangat mempengaruhi terhadap
hasil pengujian dengan palu beton, umur beton dari 1 hingga 14 hari
mengalami peningkatan yang signifikan, sedangkan 14 hari hingga 28
hari beton mengalami peningkatan yang tidak terlalu
signifikan berkisar antara 1-3 Mpa. Berbeda hal-nya dengan pengujian
terhadap struktur eksisting yang sudah berumur panjang, akan banyak
faktor yang mempengaruhi terhadap hasil pengujian yang berkaitan
erat dengan depresiasi bangunan (penurunan mutu).
Kondisi permukaan.
Pastikan kondisi permukaan beton tidak terlalu lembab,kasar dan
kering sehingga pembacaan nilai rebound dapat lebih efektif.
Aspek diatas perlu diperhatikan dengan benar sehingga pengujian dapat
dilaksanakan sesuai dengan prosedur peraturan yang berlaku. Berikut merupakan
langkah-langkah dalam melakukan pengujian :
1. M a r k i n g A r e a .
Pengujian pada satu objek struktur minimal dilakukan dengan 10x pukulan
sehingga didapatkan 10 nilai rebound. Marking area dilakukan dengan cara
membuat persegi dengan lebar 3x2,5cm (2,5cm merupakan jarak
minimal pembacaan antar titik uji) hingga didapat titik uji berjumlah 10,
seperti pada gambar berikut :
1 2 3
4 5 6
7 8 9
10
Gambar 2.2 Marking area
9
2. Tahap pengujian.
Pengujian dilakukan dengan cara menghentakan plunger (kepala hammer )
kebagian struktur yang akan di uji. Jarak pengujian sesuai dengan tahap
marking area yaitu berkisar ±2,5cm.
3. Tahap kontrol terhadap hasil pengujian.
Setelah melakukan pengujian hendaknya menghitung nilai rata-rata dari data
nilai rebound tersebut. ASTM memberikan syarat bahwa hasil pengujian tidak
boleh memiliki rentan yang begitu jauh antar hasil pengujian, hal
ini berkaitan erat dengan beberapa faktor yang menyebabkan kesalahan
bacaan dari hasil pengujian bisa karena keberadaan tulangan dekat pengujian
atau karena ada void pada daerah pengujian sehingga memberikan nilai yang
begitu kecil, syarat tersebut yaitu ±5 dari hasil rata-rata nilai rebound,
maksudnya adalah bahwa hasil pengujian terhadap nilai 10 rebound tersebut
harus masuk dalam kisaran batas plus 5 dan min 5 terhadap nilai rata-rata
rebound.
2.3.2. Ultrasonic Pulse Velocity (UPV)
Ultrasonic Pulse Velocity adalah pengujian kekuatan beton secara tidak
langsung , melalui pengukuran kecepatan perambatan gelombang elektronik
longitudinal pada media beton. (Happy, dkk, 2013) Dalam pengujian
Ultrasonik Pulse Velocity (UPV) ada 3 macam metode yaitu :
1. Direct transmission (transmisi langsung)
2. Semi-direct transmission (transmisi semi langsung)
3. Indirect of surface transmission (transmisi tidak langsung pada permukaan)
Indirect transmission (transmisi tidak langsung) biasanya digunakan dalam
pengujian untuk mengukur kedalaman retakan sedangkan Direct transmission
(transmisi langsung) biasa digunakan dalam mengukur tingkat kepadatan beton ,
estimasi kuat tekan hingga modulus elastisitas.
10
Gambar 2.3 Direct transmission (transmisi langsung)
Gambar 2.4 Semi-direct transmission (transmisi semi langsung)
Gambar 2.5 Indirect transmission (transmisi tidak langsung)
Cara kerja alat, dengan memberi getaran gelombang longitudinal lewat
tranduser elektro – akustik, melalui cairan perangkai yang berwujud gemuk
ataupun sejenis pasta selulose, yang dioleskan pada permukaan beton sebelum tes
dimulai. Saat gelombang merambat melalui media yang berbeda, yaitu gemuk dan
beton, pada batas gemuk dan beton akan terjadi pantulan gelombang yang
merambat dalam bentuk gelombang geser dan longitudinal. Gelombang geser
merambat tegak lurus lintasan, dan gelombang longitudinal merambat sejajar
11
lintasan. Pertama kali yang mencapai tranduser penerima adalah gelombang
longitudinal. Oleh tranduser menjadi sinyal gelombang elektronik yang dapat
dideteksi oleh tranduser penerima, sehingga waktu tempuh gelombang dapat
diukur. (Lawson dkk, 2011)
Banyak penelitian yang dilakukan oleh para peneliti tentang hubungan
kecepatan Gelombang UPV dan kuat tekan beton menyimpulkan bahwa
kecepatan gelombang UPV paling terpengaruh oleh kekuatan beton. Pada beton
yang pemadatan yang kurang baik, atau mengalami kerusakan butiran material,
gelombang UPV akan mengalami penurunan kecepatan. Perubahan kekuatan
beton pada tes UPV ditunjukkan dengan perbedaan kecepatan gelombangnya, jika
turun adalah tandanya bahwa beton mengalami penurunan kekuatan, sebaliknya
jika kecepatannya naik, adalah tanda bahwa kekuatan beton meningkat.
Whitehurst dalam penelitiannya untuk mengetahui hubungan kecepatan
gelombang dan kualitas beton, hasilnya seperti Tabel 2.1 (Happy, dkk, 2013)
Tabel 2.1 Klasifikasi Kualitas Beton berdasarkan Kecepatan Gelombang
Kecepatan Gelombang Longitudinal Kualitas Beton
Km/ (detik.103) Ft/detik
> 4,5 >15 Sangat Bagus
3,5-4,5 12-15 Bagus
3,0-3,5 10-12 Diragukan
2,0-3,0 7-10 Jelek
< 2,0 <7 Sangat Jelek
2.3.3 Kuat Tekan Beton
Salah satu cara Destruktif Test (DT) adalah pengujian kuat tekan beton
dengan cara merusak benda uji / sampel hingga memperoleh nilai kekuatan yang
bersifat actual. Pengujian ini yang paling umum dilakukan karena mudah untuk
dilaksanakan. Hasil uji kuat tekan beton dapat bervariasi oleh berbagai factor dari
material penyusunnya, tipe benda uji, ukuran benda uji, tipe cetakan, curing,
keadaan permukaan benda uji, dan kekakuan mesin uji tekan. Peralatan yang
12
digunakan dalam pengujian kuat tekan beton adalah Compression Testing
Machine (CTM) pengujiaan dengan menggunakan sudah sangat meluas
digunakan di berbagai Negara. Pengujian dapat dilakukan dengan berbagai tipe
mesin, baik yang digerakkan secara otomatis oleh system hidrolis ataupun dengan
system hidrolis yang masih manual, juga dengan berbagai mesin menurut
kapasitas maksimumnya.(Arwanto R,2006)
Gambar 2.6 Proses pengujian kuat tekan beton
2.4. Jaringan Saraf Tiruan (Artificial Neural Network )
Jaringan saraf tiruan (artificial neural network), atau disingkat JST, adalah
system komputasi dimana arsitektur dan operasi diilhami dari pengetahuan
tentang sel saraf biologis di dalam otak, yang merupakan salah satu representasi
buatan dari otak manusia yang selalu mencoba menstimulasi proses pembelajaran
pada otak manusia tersebut. JST dapat digambarkan sebagai model matematis dan
komputasi untuk fungsi aproksimasi non linier, klasifikasi data cluster dan regresi
13
non-parametrik atau sebuah stimulasi dari koneksi model saraf biologi. (Arif, H.,
2006)
Gambar 2.7 Struktur dari sebuah sel syaraf (neuron)
2.4.1. Deskripsi JST ANN
Artificial Neural Network (ANN) sederhana pertama kali diperkenalkan
oleh Warren McCulloch dan Walter Pitts pada tahun 1943. Kemudian mengalami
perkembangan terus menerus hingga tahun 1990 dan pada saat itu perkembangan
yang sangat ramai dibicarakan mengenai aplikasi model-model jaringan saraf
tiruan untuk menyelesaikan berbagai masalah didunia nyata. (Siang, 2009)
Beberapa aplikasi jaringan syaraf tiruan adalah sebagai berikut :
1. Pengenalan Pola ( Pattern Recognition)
Jaringan syaraf tiruan dapat dipakai untuk mengenali pola (misal huruf, angka,
suara dan tanda tangan) yang sudah sedikit berubah. Hal ini mirip dengan otak
manusia yang masih mampu mengenali orang yang sudah beberapa waktu
tidak dijumpainya (mungkin wajah/bentuk tubuhnya sudah sedikit berubah).
2. Signal Processing
Jaringan syaraf tiruan (model ADALINE) dapat dipakai untuk menekan noise
dalam saluran telpon.
14
3. Peramalan
Jaringan syaraf tiruan juga dapat dipakai untuk meramalkan apa yang akan
terjadi dimasa yang akan datang berdasarkan pola kejadian yang ada di masa
lampau. Ini dapat dilakukan mengingat kemampuan jaringan syaraf tiruan
untuk mengingat dan membuat generalisasi dari apa yang sudah ada
sebelumnya.
Karakteristik Jaringan Syaraf Tiruan ditentukan oleh:
a. Pola hubungan antar-neuron ( disebut dengan arsitektur jaringan).
b. Metode penentuan bobot-bobot sambungan (disebut dengan pelatihan atau
proses belajar jaringan).
c. Fungsi aktivasi.
2.4.2 Arsitektur Jaringan pada ANN
Hubungan antar neuron dalam ANN mengikuti pola tertentu tergantung
pada arsitekturnya dan berhubungan dengan algoritma pembelajaran yang
digunakan untuk melatih network. ANN memiliki beberapa arsitektur jaringan
yang sering digunakan dalam berbagai aplikasi, yaitu :
a. Jaringan dengan layer tunggal (single layer networks)
Jaringan dengan layer tunggal hanya memiliki satu lapisan dengan bobot
terhubung, 1 layer inputdan 1 layer output. Jaringan ini hanya menerima
input, kemudian secara langsung akan mengolahnya menjadi output tanpa
harus melalui layer tersembunyi.
15
Gambar 2.8 Arsitektur Lapisan layer Jamak
b. Jaringan dengan layer jamak (multi layer network)
Jaringan dengan lapisan jamak memiliki ciri khas tertentu, yaitu memiliki 3
jenis layer yakni layerinput, layeroutput, dan layer tersembunyi seperti
ditunjukkan pada Gambar 4. Layer tersembunyi dapat terdiri dari satu atau lebih
lapisan yang terletak diantara lapisan input dan lapisan output. Jaringan dengan
layer jamak ini dapat menyelesaikan masalah yang lebih kompleks dibandingkan
dengan layer tunggal, meskipun terkadang proses pelatihan lebih kompleks dan
lama. (Arif, 2006)
W13
W11
W12 W14W15
W16
Nilai Input
Lapisan Input
Matriks Bobot
Lapisan Output
Nilai Output
16
Gambar 2.9 Arsitektur Lapisan layer Jamak
2.4.3. Proses Pembelajaran ANN
Berdasarkan cara memodifikasi bobotnya, ada 2 macam pelatihan yang
dikenal yaitu dengan supervise (supervised) dan tanpa supervise (unsupervised
Learning).
1. Supervised
Dalam pelatihan dengan supervise, terdapat sejumlah pasangan data (masukan
– target keluaran) yang dipakai untuk melatih jaringan hingga diperoleh bobot
yang diinginkan. Pasangan data tersebut berfungsi sebagai “guru” untuk
melatih jaringan hingga diperoleh bentuk yang terbaik. “guru” akan
memberikan informasi yang jelas tentang bagaimana system harus mengubah
dirinya untuk meningkatkan unjuk kerjanya.
Nilai Input
Lapisan Input
Matriks Bobot
Matriks Bobot Kedua
Lapisan Input
Lapisan Output
Nilai Output
V11V12
V13 V15
W1
V16V14
W2
17
2. Unsupervised Learning
Tidak ada “ guru” yang akan mengarahkan proses pelatihan. Dalam
pelatihannya, perubahan bobot jaringan dilakukan berdasarkan parameter
tertentu dan jaringan dimodifikasi menurut ukuran parameter tersebut. (Siang,
2009)
2.4.4. Fungsi aktivasi
ANN menggunakan Fungsi aktivasi untuk membatasi keluaran dari neuron
agar sesuai dengan batasan sinyal/ nilai keluaran yang ditetapkan. (Prasetyo,
2014) secara umum, ada 4 macam fungsi aktivasi yang dikenal dipakai
diberberbagai jenis ANN :
1. Fungsi aktivasi linear
Fungsi aktivasi ini biasanya digunakan untuk keluaran ANN yang nilai
keluarannya diskret. Jika v adalah nilai gabungan dari semua vector oleh
adder, maka sinyal keluaran y didapatkan dengan memberikan nilai v apayang
dilakukan pada nilai v yang didapat sehingga umumnya ANN yang
menggunakan fungsi aktivasi.
Nilai y sebagai nilai keluaran, diformulasikan seperti pada persamaan berikut :
Y = sign(v) = v …………………………………..………………………..(2.1)
2. Fungsi aktivasi step
Jika v adalah nilai gabungan dari semua vector oleh adder, maka keluaran y
didapatkan dengan memberikan ambang batas pada nilai v berdasarkan nilai T
yang diberikan.
Nilai y diformulasikan sebagai berikut :
y =sign(v) = *
……………….………………………..….(2.2)
Bentuk diatas disebut juga ambang batas bipolar, ada juga yang berbentuk
ambang batas biner. Formulasinya sebagai berikut:
y =sign(v) = *
……………………………………………...(2.3)
18
3. Fungsi aktivasi sigmoid biner
Untuk ANN dengan nilai keluaran kontinu biasanya menggunakan fungsi
aktivasi sigmoid. Nilai sinyal keluaran y dihitung menggunakan fungsi kurva
sigmoid dengan interval nilai keluaran mulai 0 sampai 1.
Nilai y diformulasikan sebagai berikut :
y = sign (v) =
……………………………………………………...(2.4)
parameter a adalah parameter kemiringan (slope) pada kurva sigmoid yang
dihasilkan. Semakin besar nilai a, maka semakin tegak kurva yang
diberikandan semakin kecil kurva maka semakin landau kurva yang diberikan.
Umumnya nilai a yang digunakan adalah 1 sehingga formula yang umum
digunakan menjadi seperti berikut :
y =
…………………………………………………………………...(2.5)
4. Fungsi aktivasi sigmoid bipolar
Fungsi aktivasi ini sebenarnya sama dengan sigmoid biner, hanya saja batas
nilai keluaran yang diberikan adalah -1 sampai 1. Fungsi aktivasi ini sangat
baik digunakan untuk proses klasifikasi karena lebih tangguh dalam
menangani data-data yang banyak didominasi oleh nilai nol.
Nilai y didiformulasikan sebagai berikut :
y= sign (v) =
…………………………………………………..(2.6)
Nilai parameter a yang digunakan umumnya 1 sehingga formula diatas
berubah menjadi seperti berikut :
y =
……………………………………………………………....(2.7)
2.4.5. Algoritma Back propagation
Algoritma back propagation merupakan Algoritma yang sering digunakan
dalam menyelesaikan masalah-masalah yang rumit. Algoritma propagasi balik,
pertama kali dirumuskan oleh Werbos dan dipopulerkan oleh Rumelhart dan
McClelland untuk dipakai di ANN.
19
Backpropagation terdiri atas tiga lapisan atau lebih untuk pengolah.
Gambar 5 menunjukan jaringan backpropagation dengan tiga lapis pengolah,
bagian bawah sebagai masukan, bagian tengah disebut sebagai lapisan
tersembunyi dan bagian atas disebut sebagai lapisan keluaran. Ketiga lapisan ini
terhubung secara penuh (Hermawan, 2006)
Gambar 2.10 Tiga lapis Jaringan backpropagation
1. Lapisan masukan (inputlayer)
Lapisan input berfungsi sebagai penghubung jaringan ke dunia luar (sumber
data). Neuron-neuron ini tidak melakukan perubahan apapun terhadap data,
tapi hanya meneruskan data ini ke lapisan berikutnya.
2. Lapisan tersembunyi (hiddenlayer)
Suatu jaringan dapat memiliki lebih dari satu lapisan tersembunyi (hidden
layer) atau bahkan bisa juga tidak memilikinya sama sekali. Jika jaringan
memiliki beberapa lapisan tersembunyi, maka lapisan tersembunyi terbawah
berfungsi untuk menerima masukan dari lapisan input.
20
3. Lapisan keluaran (outputlayer)
Prinsip kerja neuron-neuron pada lapisan ini sama dengan prinsip kerja neuron-
neuron pada lapisan tersembunyi (hiddenlayer), tapi keluaran dari neuron pada
lapisan ini sudah dianggap sebagai hasil dari proses.
Secara umum langkah-langkah proses algoritma back propagation adalah
sebagai berikut (Adhi,2009):
1. Melakukan inialisasi bobot dan bias.
2. Menyebarkan nilai pada setiap input unit keseluruhan jaringan pada hidden
layer.
3. Menghitung nilai input pada unit hidden layer.
4. Menghitung output dari hidden layer.
5. Menyebarkan nilai setiap input pada hidden unit ke seluruh jaringan pada
layer output
6. Menghitung koreksi error pada unit output
7. Menghitung koreksi error pada unit hidden
8. Melakukan update bobot dan bias pada layeroutput
9. Melakukan update bobot dan bias pada layerhidden.
10. Melakukan langkah 2 sampai langkah 9 untuk perbaikan bias dan bobot.
2.5. Permodelan ANN
Langkah awal untuk memodelkan algoritma adalah dengan training data
spesifikasi input dan output pada data percobaan, yang kemudian dites dengan
menggunakan ANN, hingga didapat hubungan input dan output.Untuk
membandingkan hasil input ini dengan dengan target output untuk setiap
masukkan diperlukan perhitungan nilai error. Fungsi error yang umumnya
digunakan adalah MSE ( Mean Square Error). MSE merupakan rata-rata kuadrat
dari selisih antara output dengan target outout. MSE dapat dirumuskan sebagai
berikut :
MSE =∑( )
………………………………………………………………....(2.8)
21
Dimana :
o : Output jaringan
t : Target output
n : Jumlah data
Tujuan utamanya adalah untuk memperoleh nilai error ini sekecil-kecilnya
dengan cara iterative mengganti nilai bobot yang terhubung pada semua neuron
pada ANN. Untuk mengetahui seberapa banyak bobot harus diganti, setiap
iterasimemerlukan perhitungan error yang berasosiasi dengan setiap neuron pada
output dan hidden layer. (Adhi, 2009)
Mathworks (2007) menyebutkan, terdapat 6 (enam) langkah dasar dalam
membentuk pemodelan ANN selain pengumpulan data, karena pengumpulan data
merupakan hal yang harus dilakukan terlebih dahulu dan terjadi diluar program
Matlab. Enam langkah tersebut antara lain:
0. Pengumpulan data
Pengumpulan data harus sudah dilakukan sebelum akan membuat pemodelan.
Data yang diperoleh dikelompokkan menjadi data yang akan menjadi input dan
output.
1. Membentuk NN
Cara yang paling mudah untuk membentuk NN adalah menggunakan satu
fungsi bentuk jaringan, salah satunya adalah two-layer feedforward network.
2. Mengatur NN
Setelah NN dibentuk, NN harus disusun. Langkah penyusunan tersebut adalah
dengan menguji data input dan data target output, menentukan jaringan input
dan output sesuai dengan jumlah data yang ada, dan memilih pengaturan input
dan output agar dihasilkan performa pemodelan yang baik.
3. Inisialisai bobot dan bias
Inisialisasi bobot dan bias akan dilakukan secara otomatis didalam NN ketika
arsitektur jaringan sudah ditentukan.
22
4. Melatih (training) NN
Setelah dilakukan inisialisasi bobot dan bias, jaringan siap untuk di training.
Jaringan multilayer telah terlatih untuk pendekatan fungsi regresi nonlinier.
Proses training membutuhkan kumpulan contoh-contoh jaringan input dan
output.
5. Validasi NN
Ketika training jaringan sudah komplit, dilakukan validasi jaringan yang
merupakan post-training analysis untuk mengecek performa jaringan dan
menentukan apakah perlu dilakukan proses training lagi, perubahan arsitektur
jaringan atau perubahan data.
6. Menggunakan NN
Setelah NN ditraining dan divalidasi, pemodelan NN bisa digunakan untuk
mencari hasil outputan dari nilai inputan yang berbeda.
2.6. Generalisasi
Jaringan dikatakan mempunyai sifat generalisasi yang baik jika jaringan
mampu mengenali pola yang diujikan terhadap pola yang tidak pernah diujikan
atau tidak digunakan pada proses pelatihan. Dengan sifat generalisasi ini, ANN
akan tetap mampu memberikan output yang merupakan hasil interpolasi dari
output-output hasil pemetaan dari input yang terletak pada range input yang
pernah dipelajarinya tersebut dalam proses training. Sifat generalisasi ini sangat
dipengaruhi oleh kualitas pola input-output yang digunakan pada proses pelatihan.
(Adhi, 2009)
2.7. Penggunaan ANN dalam Penelitian sebelumnya
ANN sudah banyak diaplikasikan dalam berbagai disiplin ilmu, khususnya
dalam teknik sipil untuk menyelesaikan masalah yang ada
Menurut Solikha, (2012), ANN dipakai untuk mencari hubungan
kehalusan, strength activity index danberat jenis fly ash dengan kuat tekan mortar.
Terbukti dengan nilai eror yang sangat kecil dari setiap percobaan pembuatan
pemodelan dari beberapa populasi data. Hasil regresi dari tiap training data juga
23
mendekati sama dengan 1. Hal ini menunjukkan antara input dan output memiliki
hubungan yang tepat
Singh dan Kotiyal (2013), memodelkan ANN dengan input berasal dari
parameter Nilai rebound, kedalaman penetrasi dan kecepatan UPV, target adalah
kuat tekan actual menggunakan CTM sedangkan output adalah kekuatan yang
diprediksi oleh ANN dalam penelitiannya membuat beberapa variasi dengan
kombinasi hubungan perbandingan sehingga menghasilkan prosentase RMSE
16,720 untuk penggunaan metode rebound palu, tingkat akurasi yang dicapai
untuk estimasi kekuatan beton dengan metode penetrasi tidak dianjurkan untuk
digunakan sendiri untuk memprediksi kekuatan beton jadi bila digabungkan/
dikombinasi dengan menggunakan masukan dari palu rebound memprediksi lebih
akurat dibandingka dengan model ANN memiliki masukkan dari NDT tunggal.
Prosentase akar rata-rata MSE yang diperoleh 3,144, sedangkan metode UPV
menunjukan hubungan terburuk antara kekuatan yang diprediksi dengan kekuatan
yang sebenarnya hal ini disebabkan kecepatan UPV paling terpengaruh dengan
komposisi beton dibandingkan dengan metode NDT lainnya namun analisis ANN
hubungan antara kecepatan UPV dan kekuatan tekan dikorelasi dengan baik
sehingga dapat memprediksi kekuatan. Presentase RSME diperoleh 12,759.
Zulkarnain, ( 2015), menggunakan ANN untuk memodelkan prediksi kuat
tekan beton umur 28 hari dengan hasil yang lebih baik daripada menggunakan
persamaan linear. Pemodelan ini tidak terlalu akurat untuk beton umur muda (3
dan 7 hari), namun ANN dapat menghasil prediksi yang akurat untuk beton umur
28 dan 91 hari dengan rata-rata eror sebesar ±7%.
24
25
1
25
BAB 3
METODOLOGI PENELITIAN
3.1. Umum Metodologi merupakan gambaran tahap-tahap yang akan dilakukan untuk
mencapai tujuan penulisan, sehingga memberi kemudahan dalam melakukan
penelitian.
3.2. Diagram Alir Penelitian
Gambar 3.1 Diagram Alir Penelitian
Mulai
Studi Literatur
Penentuan Parameter Desain Campuran Beton
a. Perbandingan w/c : 0.45, 0.50, 0.55b. Jumlah Semenc. Penambahan Fly ash : 0%, 10%, 15%, 20%, 25%d. Jumlah Agregat Kasare. Jumlah Agrgat halus
Persiapan Material
Agregat Halus
AgregatKasar
Superplasticizer(Napthalene)Fly AshSemen
A
26
Gambar 3.2 (Lanjutan) Diagram Alir Penelitian
A
Pengujian material untuk pemeriksaan sifat dan karakteristik bahan
Pengujian sifat-sifatAgregat Kasar :
a. Berat Jenis Batu Pecahb. Kelembaban Udarac. Resapan Aird. Berat Volumee. Tes Kebersihan terhadap Lumpurf. Tes Keausan Batu Pecahg. Analisa Saringan Batu Pecah
Pengujian sifat-sifat Agregat Halus :
a. Berat Jenis Pasirb. Kelembaban Pasirc. Resapan Aird. Berat Volumee. Tes Kebersihan terhadap Bahan
Organikf. Tes Kebersihan terhadap Lumpur/
(Pengendapan)g. Tes Kebersihan terhadap Lumpur/
(Pencucian)h. Analisa Saringan Pasir
B
27
Gambar 3.3 (Lanjutan) Diagram Alir Penelitian
Membuat mix design untuk beton silinder(ø 10 x 20 cm2) variasi w/c : 0.45, 0.50, 0.55 dengan penambahan jumlah fly ash sebanyak 0%, 10%, 15%, 20%,25%. Untuk masing-masing variasi dibuat 3 buah benda uji
Membuat Beton
Curing
Pengujian Beton
Tes UPV(Ultrasonic Pulse Velocity) Hammer test Tes Kuat Tekan
Beton
C
B
28
Gambar 3.4 (Lanjutan) Diagram Alir Penelitian
3.3. Studi Literatur
Studi literature dilakukan dengan mengumpulkan informasi tentang
kekuatan beton berdasarkan parameter desain material campuran beton, pengujian
hammer test, pengujian ultrasonik pulse velocity (UPV) dan pengujian kuat tekan
hancur , serta pemahaman mengenai ANN, cara kerja dan pembuatan model ANN
dengan program bantu software matlab, sehingga dapat menghasilkan nilai MSE
yang terkecil. Informasi yang diperoleh antara lain dari Jurnal, Handouts,
Peraturan-peraturan, Artikel-artikel dan hasil penelitian sebelumnya.
C
Permodelan Metode ANN
Menentukan presentase data training, validasi dan testing
Analisa hasil validasi dan testing
Membandingkan target dan output
Masukkan data input dan output pada ANN
Menentukan hiden layer zise dan hiden node
Selesai
Kesimpulan
Training
29
3.4. Penentuan Parameter Desain campuran beton
Sebagai tahapan pertama yaitu penetapan parameter desain campuran
beton erdiri dari perbandingan w/c 0.45, 0.50, 0,55, jumlah semen penambahan
fly ash sebanyak 0%, 10%,15%,20%,25% terhadap jumlah semen, jumlah agregat
kasar, jumlah agregat halus.
3.5. Persiapan Material
Material yang disiapkan sebelum melakukan penelitian antara lain :
Semen
Fly Ash
Superplasticizer
Agregat Kasar
Agregat Halus
3.5.1.Semen
Semen yang di gunakan dalam penelitian ini adalah semen Gresik tipe II
3.5.2. Fly Ash
Fly Ash atau abu terbang yang merupakan sisa pembakaran dari batu
bara. dalam perkembangannya, fly ash tidak hanya digunakan sebagai
pengganti sebagian semen tetapi dapat juga digunakan sebagai pengganti
seluruh semen. Dengan demikian fly ash difungsikan sebagai bahan pengikat
pada beton. fly ash harus diaktifkan dengan bahan campuran kimia (alkali
aktivaktor) sehingga terjadi proses polimerisasi yang selanjutnya dapat
mengikat agregat-agregat. Fly Ash yang digunakan adalah Fly Ash kelas F
yang berasal dari PT. Tjiwi Kimia Kabupaten Mojokerto.
30
Tabel 3.1 Komposisi Kimia Fly Ash dari PT.Tjiwi Kimia
No. Zat Penyusun % Massa
1 SiO2 73,21
2 Al2O3 2,15
3 Fe2O3 5,20
4 CaO 6,72
5 MgO 4,66
6 Na2O 0,75
7 K2O 0,27
8 SO3 0,26
9 H2O 1,54
10 LOI 4,69
Berdasarkan ASTM C168-03 Klasifikasi Fly Ash sebagai berikut :
SiO2 + Al2O3 + Fe2O3 > 70% (kelas F)
SiO2 + Al2O3 + Fe2O3 kalau diantara 50- 70 % (kelas C)
Berdasarkan hasil pengujian Fly Ash yang dipakai adalah “F”
SiO2 + Al2O3 + Fe2O3 = 73,21 + 2,15 + 5,20 = 80,56 % (kelas F)
3.5.3. Superplasticizer
Superplaticizer yang digunakan pada penelitian ini berbahan dasar
Naphthalane atau berjenis SNF.
3.5.4. Aggregat Kasar
Agregat kasar menurut ASTM C-33 adalah agregat dengan ukuran
saringan no.4. Ukuran agregat tidak boleh melebihi 1,5 dari diameter silinder
yang digunakan.
Agregat kasar yang digunakan dalam penelitian ini merupakan agregat
berupa batu pecah Agregat yang digunakan pada penelitian ini berupa split ½.
Agregat kasar memerlukan pengetesan agar dapat diketahui bahwa material
tersebut telah memenuhi persyaratan yang berlaku untuk pembuatan beton.
31
3.5.5. Agregat Halus
Agregat halus yang dipakai pada penelitian ini merupakan agregat
dari daerah kabupaten Lumajang. Seperti pada agregat kasar, agregat halus
juga memerlukan pengujian agar dapat diketahui bahwa material tersebut
memenuhi persyaratan yang berlaku untuk pembuatan beton. Untuk
pengujian sifat dan karakteristik dari agregat kasar dan agregat halus
dilakukan di Laboratorium Beton ITS.
3.6. Pengujian Material
Pengujian material dilakukan berdasarkan ASTM untuk memeriksa sifat
dan karakteristik bahan yaitu agregat kasar dan agregat halus.
3.7. Membuat Mix Desain Beton
Pada penelitian ini, hasil pemeriksaan laboratorium untuk bahan /
material beton selanjutnya dipakai untuk menentukan nilai proporsi berat antara
bahan-bahan yang akan dicampur, dengan diketahuinya perbandingan berat
campuran beton ( jumlah semen, penambahan fly ash, superplasticizer, aggregate
kasar dan agregat halus), ukuran beton berbentuk silinder (ø 10 x 20 cm2).
Penelitian ini menggunakan variasi antara tingkat w/c pada nilai 0.45, 0.50, 0.55
dengan penambahan Fly ash pada komposisi campuran sebanyak
0%,10%,15%,20%,25% sehingga diperoleh 15 variasi dengan umur beton 3 dan
28 hari. Pada setiap pengujian dibutuhkan 3 buah benda uji untuk mendapatkan
data yang akurat sehingga nilai yang didapatkan pada analisa penelitian
merupakan rata-rata dari nilai pengetesan yang diperoleh. Jumlah sampel yang
akan dibuat sebanyak 90 buah benda uji untuk satu benda uji akan dilakukan tiga
kali pengujian pada beton. Metode yang digunakan dalam perancangan proporsi
campuran beton adalah British Standart atau Departement of Evironment (DoE)
Yang dimuat dalam buku standart No. SK.SNI.T-15-1990-03.
32
Tabel 3.1 Job mix Design Metode DoE
No. Uraian Tabel/ Grafik
Perhitungan
Nilai
1. Kuat Tekan yang
disyaratkan
Ditetapkan ….MPa pada 28
hari bagian tak
memenuhi syarat
5% (k = 1,64)
2 Deviasi Standar Diketahui …..MPa
3 Nilai tambah (Margin) 1,64+SD
4 Kekuatan rata-rata
yang ditargetkan
(Poin 1 +poin 3) ……MPa
5 Jenis Semen Ditetapkan Semen Portland
6. Jenis Agregat Kasar
dan Jenis Agregat
Halus
Ditetapkan Batu Pecah
7. Faktor Air Semen
bebas
Berdasarkan table dan
Grafik FAS
(diambil yang
terkecil)
8 Faktor Air Semen
maksimum
Ditetapkan 0,60
9 Slump Ditetapkan …..mm
10 Ukuran Agregat
Maksimum
Ditetapkan …..mm
11 Kadar Air bebas Berdasarkan Tabel kadar
air bebas
…..kg/m3
12 Kadar Semen Poin 11 : poin 8 …..kg/m3
13 Jumlah Semen
minimum
Ditetapkan …..kg/m3
14 Susunan besar butir
agregat halus
Berdasarkan grafik gradasi
agregat halus
Daerah gradasi
susunan butir 2
15 Presentase agregat
halus
Berdasarkan grafik
presentase agregat halus
…..%
33
16 Berat jenis relatif,
agregat (kering
Permukaan)
Diketahui dari hasil
pengujian
…..
17 Berat jenis beton Berdasarkan grafik berat
jenis beton
…..
18 Kadar Agregat
Gabungan
Poin 17-12-11 …..kg/m3
19 Kadar Agrgat Halus Poin 15x18 …..kg/m3
20 Kadar Agregat Kasar Poin 18-19 …..kg/m3
Banyaknya
bahan (teoritis)
Semen (Kg) Agregat Halus
(Kg)
Agregat Kasar
(Kg)
Tiap m3
campuran
Nilai dari poin
12
Nilai dari poin 19 Nilai dari poin 20
Tabel 3.2 Proporsi Campuran Beton dan Kebutuhan Sampel
No. Kuat Beton Rencana
Komposisi Campuran Beton
Kebutuhan Sampel
Bahan 3 Hari 28 Hari 1 f’cr =…MPa
w/c= 0,45
Fly Ash = 0%
Semen = …..Kg 3 3
Fly Ash =…..Kg
Pasir = ……Kg
Kerikil …..Kg
Air ……Kg
SP…….Kg
2 f’cr =… MPa
w/c= 0,45
Fly Ash = 10%
Semen = …..Kg 3 3
Fly Ash =…..Kg
Pasir = ……Kg
Kerikil …..Kg
Air ……Kg
SP…….Kg
3 f’cr =… MPa
w/c= 0,45
Semen = …..Kg 3 3
Fly Ash =…..Kg
34
Fly Ash = 15% Pasir = ……Kg
Kerikil …..Kg
Air ……Kg
SP…….Kg
4 f’cr =… MPa
w/c= 0,45
Fly Ash = 20%
Semen = …..Kg 3 3
Fly Ash =…..Kg
Pasir = ……Kg
Kerikil …..Kg
Air ……Kg
SP…….Kg
5 f’cr =… MPa
w/c= 0,45
Fly Ash = 25%
Semen = …..Kg 3 3
Fly Ash =…..Kg
Pasir = ……Kg
Kerikil …..Kg
Air ……Kg
SP…….Kg
Fly Ash =…..Kg
Pasir = ……Kg
Kerikil …..Kg
Air ……Kg
SP…….Kg
6 f’cr =… MPa
w/c= 0,50
Fly Ash = 0%
Semen = …..Kg 3 3
Fly Ash =…..Kg
Pasir = ……Kg
Kerikil …..Kg
Air ……Kg
SP…….Kg
7 f’cr = … MPa
w/c= 0,50
Fly Ash = 10%
Semen = …..Kg 3 3
Fly Ash =…..Kg
Pasir = ……Kg
35
Kerikil …..Kg
Air ……Kg
SP…….Kg
8 f’cr = … MPa
w/c= 0,50
Fly Ash = 15%
Semen = …..Kg 3 3
Fly Ash =…..Kg
Pasir = ……Kg
Kerikil …..Kg
Air ……Kg
SP…….Kg
9 f’cr = …MPa
w/c= 0,50
Fly Ash = 20%
Semen = …..Kg 3 3
Fly Ash =…..Kg
Pasir = ……Kg
Kerikil …..Kg
Air ……Kg
SP…….Kg
10 f’cr = … MPa
w/c= 0,50
Fly Ash = 25%
Semen = …..Kg 3 3
Fly Ash =…..Kg
Pasir = ……Kg
Kerikil …..Kg
Air ……Kg
SP…….Kg
11 f’cr =… MPa
w/c= 0,55
Fly Ash = 0%
Semen = …..Kg 3 3
Fly Ash =…..Kg
Pasir = ……Kg
Kerikil …..Kg
Air ……Kg
SP…….Kg
12 f’cr =… MPa
w/c= 0,55
Fly Ash = 10%
Semen = …..Kg 3 3
Fly Ash =…..Kg
Pasir = ……Kg
36
Kerikil …..Kg
Air ……Kg
SP…….Kg
13 f’cr =… MPa
w/c= 0,55
Fly Ash = 15%
Semen = …..Kg 3 3
Fly Ash =…..Kg
Pasir = ……Kg
Kerikil …..Kg
Air ……Kg
SP…….Kg
14 f’cr =… MPa
w/c= 0,55
Fly Ash = 20%
Semen = …..Kg 3 3
Fly Ash =…..Kg
Pasir = ……Kg
Kerikil …..Kg
Air ……Kg
SP…….Kg
15 f’cr =… MPa
w/c= 0,55
Fly Ash = 25%
Semen = …..Kg 3 3
Fly Ash =…..Kg
Pasir = ……Kg
Kerikil …..Kg
Air ……Kg
SP…….Kg
3.8. Proses Pembuatan beton
Setelah membuat mix desain, langkah selanjutnya adalah membuat beton .
Langkah-langkah pembuatannya berdasarkan ASTM
3.9. Curing (Perawatan Beton)
Pada Penelitian ini setelah beton dilepaskan dari cetakan pada umur satu
hari dilanjutkan dengan perawatan beton selama 3 hari dan 28 hari yaitu dengan
merendam beton silinder di dalam bak yang berisi air. Beton dikeluarkan dari
rendaman air untuk diangin-anginkan sehari sebelum pengujian beton .
37
3.10. Pengujian Beton
Beton silinder yang telah cukup waktu dikeluarkan dari dalam bak air
kemudian di lap kering pada permukaan beton kemudian di timbang masing-
masing beton yang akan di uji karena pengujiannya melalui tiga tahap, maka satu
buah benda uji beton dipakai untuk tiga kali/ tahap pengujian yaitu Rebound
Hammer Test (RHT), test UPV dan Uji Kuat Tekan hancur dilakukan pada umur
3 hari dan 28 hari.
3.10.1. Pengujian Hammer Test
Pengujian Hammer test dilakukan pada beton silinder Ukuran (ǿ 10 x 20
cm) pada umur 3 hari dan 28 hari, dengan memberikan tumbukan sebanyak
10 titik dan diambil nilai rata-rata. cara penggunaannya sudut yang dilakukan
rebound hammer adalah posisi sudut 0° posisi tegak lurus horizontal,untuk
sudut -90° posisi tegak lurus keatas dan untuk sudut +90° posisi tegak lurus
kebawah diapit oleh alat CTM (Compression Testing Machine) adapun cara
pengujiannya dilihat pada gambar –gambar dibawah ini
Gambar 3.5 Posii benda uji sebelum di Rebound Hammer
38
Gambar 3.6 Pengujian rebound hammer posisi sudut 0° tegak lurus horizontal
Penggunaan alat ini berpedoman pada BS 4408 pt. 4 atau ASTM G80S-89
Persamaan yang digunakan :
Menghitung Kuat tekan beton rata-rata
σbm= ∑
…………………...…………………….……(3.1)
Dimana :
σbm = Kuat tekan beton rata-rata
N = Jumlah pukulan
σb = Kuat tekan beton
Menghitung Standar Deviasi
S=√∑
.………………………………….…….(3.2)
Dimana :
σbm = Kuat tekan beton rata-rata
N = Jumlah benda uji
39
σb =Kuat tekan beton
S = Standar Deviasi/ mutu pelaksanaan
Menghitung Kuat tekan karakteristik
σbk = σbm – (k1 x S x k2) ………………..…………………(3.3)
Dimana :
σbk = Kuat tekan beton rata-rata
σbm = Kuat tekan beton karakteristik (kg/cm2)
k1= Konstanta Statistik/ factor pengali Standar deviasi
S = Standar Deviasi
k2 = Konstanta statistic 5% cacat : 1,64 (PBI hal. 40)
3.10.2. Pengujian Ultrasonik Pulse Velocity (UPV)
Alat yang digunakan pada pengujian ini adalah Profometer 4.
1 set peralatan Profometer 4 yang terdiri dari :
Profometer 4 instrument
Kabel konektor antar Profometer 4 instrument dengan kepala tranducer dan
receiver.
tranducer dan receiver.
Alat pendukung lainnya berupa gemuk (fat)
Adapun peralatan UPV dapat dilihat pada gambar berikut ini :
40
Alat monitor mekanis Profometer 4
Gambar 3.8 Kabel konektor
41
Gambar 3.9 Tranducer dan Receiver.
Pengujian UPV dilakukan dengan metode langsung (Direct Transmission)
menggunakan sampel sebanyak 90 buah, persamaan yang digunakan untuk
menghitung kekuatan beton berdasarkan ASTM C 597-02 adalah :
Persamaan yang digunakan:
Estimasi kepadatan beton
V =
…………….....………..……………………………….(3.4)
Dimana:
V : Kecepatan gelombang longitudinal (km/detik atau m/detik)
L : Jarak lintasan (km,m,mm)
T :Waktu tempuh gelombang ultrasonic (detik)/ diperoleh dari
pengujian.
menjadi sinyal gelombang elektronik yang dapat dideteksi oleh tranduser
penerima, sehingga waktu tempuh
gelombang dapat diukur. Waktu tempuh T yang dibutuhkan untuk merambatkan
gelombang pada lintasan beton
sepanjang L dapat diukur, sehingga kecepatan gelombang dapat dicari dengan
rumus (Lawson dkk, 2011):
42
3.10.3. Test Kuat Tekan Hancur
Tes kuat tekan beton dilakukan pada umur 3 hari dan 28 hari, 1 benda uji
digunakan untuk tiga tahap pengujian yang sama diambil nilai rata-rata dari setiap
nilai f’c yang diperoleh. Persamaan yang digunakan untuk menghitung Kekuatan
Tekan Beton berpedoman pada ASTM C39-86 “Standart Test Method for
Compressive Strength of Cylindrical Concrete Speciments”.
Gambar 3.10. Benda Uji kuat tekan beton silinder
f’c =
......……………………………………...……………........(3.5)
Dimana :
f’c = Kuat tekan beton pada umur tertentu (MPa)
P = Beban tekan maksimum (N)
A = Luas Penampang benda uji (mm2)
Rumus Kuat Tekan Beton
f’c = fcr -1,64x S ………...…………………………….….……(3.6)
Dimana :
f’c = Kuat Tekan (MPa)
fcr = Kuat tekan rata-rata (MPa)
S = Deviasi Standar
43
1)( 2
2
nxxSD ratai
Standar deviasi (SD) dihitung dengan rumusan sebagai berikut. …………………………..…………….( 3.7) Dimana: xi = nilai x ke-i xrata2 = nilai rata-rata dari kuat tekan benda uji satu varian n = jumlah benda uji satu varian
3.11. Perancangan Permodelan ANN
Permodelan ANN dalam Software Matlab dibuat menggunakan algoritma
bacpropagation, secara umum dilakukan dengan tahapan sebagai berikut :
1. Masukkan data input dan output
Data yang menjadi input adalah desain beton awal terdiri dari w/c 0.45,0.50,
0.55, jumlah semen, jumlah penambahan fly ash 0%,10%.15%,20%,25%,
hasil pengujian Hammer test, hasil pengujian test UPV sedangkan yang
menjadi output adalah data kuat tekan beton umur 3 hari untuk kasus I dan
data kuat tekan beton umur 28 hari untuk kasus II dan kasus III.
Tabel 3.3 Kasus I Pemodelan ANN
Variabel Komponen
A Parameter Desain Campuran Beton Terdiri
dari : W/c 0.45, 0.50, 0.55, Jumlah Semen
sebanyak (3,15-5,15 Kg), Penambahan Fly
Ash 0%,10%, 15%, 20%, 25% sebanyak (0-
1,29 Kg)
B Hasil Pengujian Hammer Test Umur 3 Hari
C Hasil Pengujian UPV Umur 3 hari
D Output Kekuatan Beton Umur 3 Hari
Pada table 3.3 kasus pertama yang akan dicari adalah prediksi kekuatan
beton umur 3 hari dengan menggunakan komponen input terdiri dari mix design
44
beton awal, hasil pengujian hammer 3 hari, hasil pengujian UPV umur 3 hari
sedangkan target output kekuatan beton umur 3 hari.
Tabel 3.4 Kasus II Pemodelan ANN
Variabel Komponen
A Parameter Desain Campuran Beton Terdiri dari :
W/c 0.45, 0.50, 0.55, Jumlah Semen sebanyak
(3,15-5,15 Kg), Penambahan Fly Ash 0%,10%,
15%, 20%, 25% sebanyak (0-1,29 Kg)
B Hasil Pengujian Hammer Test Umur 28 Hari
C Hasil Pengujian UPV Umur 28 hari
D Output Kekuatan Beton Umur 28 Hari
Pada table 3.4 kasus kedua yang akan dicari adalah prediksi kekuatan beton
umur 28 hari dari data kekuatan beton umur 28 hari menggunakan komponen
input terdiri dari mix design beton awal, hasil pengujian hammer umur 3 hari,
hasil pengujian UPV umur 3 hari, sedangkan target output kekuatan beton umur
28 hari.
Tabel 3.5 Kasus III Pemodelan ANN
Variabel Komponen
A Parameter Desain Campuran Beton Terdiri dari :
W/c 0.45, 0.50, 0.55, Jumlah Semen sebanyak
(3,15-5,15 Kg), Penambahan Fly Ash 0%,10%,
15%, 20%, 25% sebanyak (0-1,29 Kg)
B Hasil Pengujian Hammer Test Umur 3 Hari
C Hasil Pengujian UPV Umur 3 hari
D Output Kekuatan Beton Umur 28 Hari
Pada table 3.5 kasus ini yang akan dicari prediksi kekuatan beton umur 28
hari dari data kekuatan beton umur 3 hari menggunakan komponen input terdiri
45
dari mix design beton awal, hasil pengujian hammer umur 3 hari, hasil pengujian
UPV umur 3 hari, sedangkan target output kekuatan beton umur 28 hari.
2. Menentukan jumlah node hidden layer.
Kemampuan suatu model ANN bergantung pada jumlah hidden layer. Inti dari
algoritma backpropagation adalah hidden layer. Hidden layer berpengaruh
tehadap kemampuan model ANN untuk menggeneralisasi suatu fungsi/pola.
Dalam penelitian ini, digunakan 1 hidden layer dengan variasi jumlah node
hidden layer 1,2,3,4,dan5.
3. Menentukan prosentase data yang akan menjadi data training, testing dan
validation. Porsi terbesar adalah data untuk training, dimana data ini
digunakan untuk mendefinisikan parameter model (melatih kemampuan
model). Data untuk validasi digunakan dengan tujuan untuk menguji
kemampuan model selama proses pembentukannya. Sedangkan data untuk
testing digunakan untuk memeriksa keakuratan pemodelan jika di uji pada
data diluar sampel. Dalam penelitian ini, prosentase data training, testing dan
validasi, yaitu kombinasi 70% data training, 15% data testing dan 15% data
validation.
4. Training jaringan
Dari prosentase data training, validasi dan testing dilakukan training dengan
beberapa variasi parameter input. Dari hasil training tiap kombinasi dipilih
hasil training yang menghasilkan Mean Square Error (MSE) validation
terkecil. Hasil training ok jika didapatkan pada tampilan performance
menunjukkan kurva validasi dan testing memiliki bentuk yang hampir sama,
tampilan regresi mendekati 45o dengan nilai R mendekati atau sama dengan
1, dan nilai eror yang kecil.
3.12. Kesimpulan
Tahapan terakhir dari penelitian ini adalah mengambil kesimpulan.
Kesimpulan yang diambil adalah hasil dari analisa yang telah dilakukan dalam
penelitian ini, apakah hasil pemodelan dapat dipakai untuk memprediksi kekuatan
beton umur 3 hari dan kekuatan beton umur 28 hari dengan beberapa kasus yang
46
dibuat dapat memperoleh nilai MSE validation yang terkecil dan seberapa besar
nilai error yang dihasilkan.
47
BAB IV ANALISA DATA DAN PEMBAHASAN
4.1. Umum
Dalam bab ini akan dijelaskan mengenai hasil dari pekerjaan tesis. Hasil
tersebut diantaranya adalah studi kasus dan analisa data untuk pemodelan, hasil
atau perfoma akhir pemodelan, hasil validasi pemodelan dan perhitungan error
dari hasil pemodelan.
4.2. Pemodelan ANN
Pemodelan ANN dilakukan dengan proses seperti yang telah dijelaskan pada
BAB III. Pemodelan dilakukan dalam 3 kasus berdasarkan kombinasi parameter
input , dengan menggunakan 1 hidden layer, 10 hidden node dan prosentase data
yang dipakai 75% training, 15% testing dan 15% validation. Hal ini dilakukan
untuk menghasilkan Mean Square Error (MSE) validation terkecil.
4.2.1. Pemodelan ANN Pada Kasus I
Pada pemodelan ini dibuat kombinasi sebanyak 15 dengan parameter
input dan target output adalah kuat tekan beton umur 3 hari, kombinasi
tersebut dapat di lihat pada Tabel 4.1 berikut.
Tabel 4.1 Pemodelan Kombinasi Parameter Input Kasus I Kombinasi Input
1 w/c Semen fly ash hammer test 3 hari
UPV 3 hari
2 w/c Semen fly ash hammer test 3 hari
3 w/c Semen fly ash 4 w/c Semen 5 w/c
6 Semen fly ash hammer test 3 hari
UPV 3 hari
7 Semen fly ash hammer test 3 hari
8 Semen fly ash
48
9 Semen
10 fly ash hammer test 3 hari UPV 3 hari
11 fly ash hammer test 3 hari
12 fly ash
13
hammer test 3 hari UPV 3 hari
14
hammer test 3 hari
15 UPV 3 hari
4.2.2. Pemodelan ANN Pada Kasus II
Pada pemodelan ini dibuat kombinasi sebanyak 15 dengan parameter
input dan target output adalah kuat tekan beton umur 28 hari, kombinasi
tersebut dapat di lihat pada Tabel 4.2 berikut.
Tabel 4.2 Pemodelan Kombinasi Parameter Input Kasus II Kombinasi Input
1 w/c Semen fly ash
hammer test 28 hari
UPV 28 hari
2 w/c Semen fly ash
hammer test 28 hari
3 w/c Semen fly ash 4 w/c Semen 5 w/c
6 Semen fly ash hammer test 3 hari
UPV 28hari
7 Semen fly ash
hammer test 28 hari
8 Semen fly ash 9 Semen
10 fly ash hammer test 28 hari
UPV 28 hari
11 fly ash hammer test 28 hari
12 fly ash
49
13
hammer test 28 hari
UPV 28 hari
14
hammer test 28 hari
15 UPV 28 hari
4.2.3. Pemodelan ANN Pada Kasus III
Pada pemodelan ini dibuat kombinasi sebanyak 15 dengan parameter
input dan target output adalah kuat tekan beton umur 28 hari, kombinasi
tersebut dapat di lihat pada Tabel 4.3 berikut.
Tabel 4.3 Kombinasi Parameter Input Kasus III
Kombinasi Input
1 w/c Semen fly ash hammer test 3 hari
UPV 3 hari
2 w/c Semen fly ash hammer test 3 hari
3 w/c Semen fly ash 4 w/c Semen 5 w/c
6 Semen fly ash hammer test 3 hari
UPV 3 hari
7 Semen fly ash hammer test 3 hari
8 Semen fly ash 9 Semen
10 fly ash hammer test 3 hari
UPV 3 hari
11 fly ash hammer test 3 hari
12 fly ash
13
hammer test 3 hari UPV 3 hari
14
hammer test 3 hari
15 UPV 3 hari
50
4.3. Hasil dari Pemodelan ANN
4.3.1 Hasil dari Pemodelan ANN Kasus I
Dari hasil pemodelan masing-masing kombinasi parameter input
pada kasus I didapat nilai MSE validation seperti ditunjukkan pada tabel
berikut:
Tabel 4.4 Nilai MSE validation kombinasi parameter input Kasus I
Kombinasi Input MSE
1 w/c semen fly ash hammer test 3 hari
UPV 3 hari 0.556
2 w/c semen fly ash hammer test 3 hari 2.603
3 w/c semen fly ash 3.593 4 w/c semen 1.902 5 w/c 6.579
6 Semen fly ash
hammer test 3 hari
UPV 3 hari 1.538
7 Semen fly ash
hammer test 3 hari 1.501
8 Semen fly ash 1.041 9 Semen 1.582
10 fly ash
hammer test 3 hari
UPV 3 hari 5.252
11 fly ash
hammer test 3 hari 6.312
12 fly ash 2.234
13
hammer test 3 hari
UPV 3 hari 4.998
14
hammer test 3 hari 2.591
15 UPV 3 hari 2.754
51
Dari Tabel 4.4 nilai MSE validation terkecil dari target output ditandai oleh
cell yang berwarna kuning. nilai MSE validation terkecil adalah 0,556. Untuk
hasil plot performance, error histogram dan plot regression dapat dilihat pada
Gambar berikut :
1. Hasil plot performance
Gambar 4.1 Plot performance pemodelan ANN pada kasus I kombinasi 1
Dari gambar 4.1 dilihat bahwa running pemodelan berhenti pada iterasi ke
8. Hasil dari kurva validation (warna hijau), kurva test (warna merah) dan kurva
training (warna biru) memiliki bentuk yang hampir sama. Hasil ini sudah sesuai
dengan kriteria hasil pemodelan yang baik.Grafik plot performance ini pada
dasarnya sebagai generalisasi dari hasil pemodelan. Untuk hasil detailnya seperti
besar nilai erornya dan nilai regresi bisa dilihat pada grafik plot error dan plot
regresi.
52
2. Hasil plot Error Histogram
Gambar 4.2 Plot error histrogram pemodelan ANN pada kasus I kombinasi 1
Pada Gambar 4.2 diatas, batang biru menunjukkan data training, batang
putih menunjukkan data validation, dan batang merah muda menunjukkan data
testing.
3. Hasil plot regression
Regression plot menunjukkan hubungan antara nilai output dengan
targetnya. Jika training sempurna, nilai output dan target akan sama, namun dalam
kenyataannya hal ini jarang terjadi. Hasil plot regression dapat dilihat pada
Gambar 4.3 berikut
53
Gambar 4.3 Plot Regression pemodelan ANN pada Kasus I Kombinasi I
Pada Gambar 4.3 diatas, terdapat tiga hasil yang menggambarkan data
training, validation dan testing. Garis solid menggambarkan sudut 450 antara
output dan target. Nilai R mengindikasikan hubungan antara output dan target.
Nilai R yang dihasilkan 0,985 mendekati atau sama dengan 1, hal ini
mengindikasikan bahwa terdapat hubungan linier yang tepat antara output dan
target. Pada Tabel 4.5 dibawah ini ditunjukkan besarnya nilai eror antara target
dan output.
Tabel 4.5 Hasil Prediksi Kuat Tekan pada Kasus I Kombinasi 1
No. Kuat Tekan
Aktual (MPa)
Kuat Tekan Prediksi ANN
(MPa) Presentasi Error terhadap target
(%)
1 25.73 29.90 16.22 2 26.9 27.64 2.73 3 29.92 29.85 0.25 4 23.73 22.72 4.24 5 24.36 24.03 1.35
54
6 29.98 29.85 0.45 7 14.99 15.27 1.89 8 18.74 18.77 0.18 9 21.86 21.75 0.49 10 12.99 12.97 0.14 11 19.99 24.36 21.87 12 24.98 25.00 0.09 13 17.49 18.04 3.15 14 20.23 20.07 0.81 15 22.49 22.40 0.38 16 17.55 17.56 0.06 17 18.8 17.73 5.70 18 19.74 19.79 0.25 19 18.42 18.21 1.12 20 19.3 18.42 4.58 21 19.36 19.39 0.16 22 14.96 15.19 1.50 23 16.86 16.73 0.79 24 17.17 17.87 4.09 25 11.61 11.78 1.50 26 11.86 11.65 1.78 27 12.11 12.25 1.13 28 12.49 12.38 0.89 29 12.99 13.10 0.82 30 13.49 14.57 8.04 31 11.3 11.36 0.53 32 12.8 12.81 0.10 33 15.11 15.10 0.05 34 13.36 13.40 0.30 35 14.11 15.47 9.64 36 15.61 15.57 0.24 37 12.18 12.13 0.44 38 12.24 12.60 2.96 39 13.42 13.31 0.82 40 7.49 7.90 5.49 41 10.24 9.79 4.35 42 10.36 11.19 8.04 43 9.49 9.30 2.01 44 10.8 11.12 2.96 45 11.74 11.51 1.94
Error rata-rata : 2.81
55
Dari tabel 4.5 Error rata-rata yang dihasilkan pada pemodelan ANN Kasus
I kombinasi 1 sebesar 2,81 %, dapat disimpulkan bahwa antara input dan output
memiliki hubungan yang cukup tepat.
4.3.2 Hasil dari Pemodelan Kasus II
Dari hasil pemodelan masing-masing kombinasi parameter input pada
kasus II didapat nilai MSE validation seperti ditunjukkan pada tabel berikut:
Tabel 4.6 Nilai MSE Validation Kombinasi Parameter Input Kasus II
Kombinasi Input MSE
1 w/c Semen fly ash
hammer test 28 hari
UPV 28 hari 2.382
2 w/c Semen fly ash
hammer test 28 hari 1.422
3 w/c Semen fly ash 3.82 4 w/c Semen 4.533 5 w/c 8.855
6 Semen fly ash
hammer test 28 hari
UPV 28 hari 11.656
7 Semen fly ash
hammer test 28 hari 6.198
8 Semen fly ash 2.206 9 Semen 6.853
10 fly ash
hammer test 28 hari
UPV 28 hari 8.142
11 fly ash
hammer test 28 hari 15.518
12 fly ash 6.743
13
hammer test 28 hari
UPV 28 hari 13.713
14
hammer test 28 hari 27.009
15 UPV 28 hari 21.395
56
Dari Tabel 4.6 nilai MSE validation terkecil dari target output ditandai oleh
cell yang berwarna kuning. nilai MSE validation terkecil adalah 1,422 pada
kombinasi ke 2. Untuk hasil plot performance, error histogram dan plot
regression dapat dilihat pada Gambar berikut :
1. Hasil plot performance
Gambar 4.4 Plot performance pemodelan ANN pada kasus II kombinasi 2
Dari Gambar 4.4 menunjukkan bahwa running pemodelan berhenti pada
iterasi ke 7. Hasil dari kurva validation (warna hijau), kurva test (warna merah)
dan kurva training (warna biru), memiliki bentuk yang hampir sama. Hasil ini
sudah sesuai dengan kriteria hasil pemodelan yang baik. Grafik plot performance
ini pada dasarnya sebagai generalisasi dari hasil pemodelan. Untuk hasil detailnya
seperti nilai regresi bisa dilihat pada grafik plot error dan plot regresi.
57
2. Hasil plot eror histogram
Gambar 4.5 Plot error histrogram pemodelan ANN pada kasus II kombinasi 2
Pada Gambar 4.5 diatas, batang biru menunjukkan data training, batang
putih menunjukkan data validation, dan batang merah muda menunjukkan data
testing.
3. Hasil plot regression
Plot regression menunjukkan hubungan antara nilai output dengan
targetnya. Jika training sempurna, nilai output dan target akan sama, namun dalam
kenyataannya hal ini jarang terjadi. Hasil plot regression dapat dilihat pada
Gambar 4.6 berikut.
58
Gambar 4.6 Plot Regression pemodelan ANN pada Kasus II Kombinasi 2
Gambar 4.6 menggambarkan hasil regresi data training, validation dan
testing. Garis solid menggambarkan sudut 450 antara output dan target. Nilai R
mengindikasikan hubungan antara output dan target. Nilai R yang dihasilkan
0,976 mendekati atau sama dengan 1, hal ini mengindikasikan bahwa terdapat
hubungan linier yang tepat antara output dan target. Pada Tabel 4.7 dibawah ini
ditunjukkan besarnya nilai eror antara target dan output.
Tabel 4.7 Hasil Prediksi Kuat Tekan pada Kasus II Kombinasi 2
No. Kuat Tekan
Aktual (MPa)
Kuat Tekan Prediksi ANN
(MPa) Presentasi Error terhadap target
(%)
1 35.72 35.85 0.37 2 36.16 36.16 0.00 3 38.78 39.45 1.74 4 29.17 33.00 13.12 5 36.22 36.16 0.18 6 39.03 36.15 0.32 7 19.17 20.36 6.22
59
8 27.23 26.27 3.53 9 29.92 29.81 0.35 10 34.1 32.45 4.84 11 35.35 35.61 0.72 12 38.47 38.10 0.96 13 28.98 28.89 0.32 14 30.04 29.75 0.96 15 30.41 30.25 0.52 16 23.92 24.01 0.38 17 27.1 24.30 10.32 18 27.35 25.50 6.76 19 30.48 31.34 2.81 20 33.73 32.39 3.97 21 34.16 34.21 0.14 22 24.48 23.74 3.02 23 24.67 25.61 3.79 24 31.85 31.74 0.33 25 18.42 18.08 1.83 26 20.3 20.62 1.59 27 22.79 22.70 0.40 28 20.53 20.64 0.52 29 24.04 23.75 1.19 30 26.1 26.27 0.64 31 28.17 28.47 1.06 32 28.6 28.58 0.07 33 29.42 29.47 0.17 34 19.98 22.65 13.34 35 25.61 25.52 0.35 36 27.35 27.93 2.12 37 21.73 20.88 3.90 38 24.98 25.01 0.11 39 27.48 28.15 2.46 40 13.68 17.55 28.27 41 22.48 19.05 15.26 42 25.36 26.43 4.20 43 19.98 19.88 0.51 44 22.98 21.45 6.64 45 22.98 23.20 0.95
Eror rata-rata : 3.36
60
Dari table 4.7 Nilai error rata-rata yang dihasilkan pada pemodelan ANN
kasus II sebesar 3,36 % dapat disimpulkan bahwa antara input dan output
memiliki hubungan yang cukup tepat.
4.3.3 Hasil dari Pemodelan Kasus III
Dari hasil pemodelan masing-masing kombinasi parameter input pada
kasus III didapat nilai MSE validation seperti ditunjukkan pada tabel berikut:
Tabel 4.8 Nilai MSE validation Kombinasi Parameter Input Kasus III Kombinasi Input MSE
1 w/c Semen fly ash
hammer test 3 hari
UPV 3 hari 1.819
2 w/c Semen fly ash
hammer test 3 hari 6.288
3 w/c Semen fly ash 4.4848 4 w/c Semen 6.803 5 w/c 11.6586
6 Semen fly ash hammer test 3 hari
UPV3 hari 6.5306
7 Semen fly ash hammer test 3 hari 8.888
8 Semen fly ash 3.32 9 Semen 6.85
10 fly ash
hammer test 3 hari
UPV 3 hari 10.736
11 fly ash
hammer test 3 hari 28.093
12 fly ash 29.85
13
hammer test 3 hari
UPV 3 hari 7.33
14
hammer test 3 hari 2.31
15 UPV 3 hari 17.28
61
Dari Tabel 4.8 nilai MSE validation terkecil dari target output ditandai oleh
cell yang berwarna kuning. nilai MSE validation terkecil adalah 1,819. Untuk
hasil plot performance dan plot regression dapat dilihat pada Gambar berikut :
1. Hasil plot performance
Gambar 4.7 Plot performance pemodelan ANN pada kasus III kombinasi 1
Dari Gambar 4.7 menunjukkan bahwa running pemodelan berhenti pada
iterasi ke 10. Hasil dari kurva validation (warna hijau), kurva test (warna merah)
kurva training (warna biru) dan memiliki bentuk yang hampir sama. Hasil ini
sudah sesuai dengan kriteria hasil pemodelan yang baik. Grafik plot performance
ini pada dasarnya sebagai generalisasi dari hasil pemodelan. Untuk hasil detailnya
seperti nilai regresi bisa dilihat pada grafik plot error dan plot regresi.
62
2. Hasil plot error histogram
Gambar 4.8 Plot error histrogram pemodelan ANN pada kasus III kombinasi 1
Pada Gambar 4.8 diatas, batang biru menunjukkan data training, batang
putih menunjukkan data validation, dan batang merah muda menunjukkan data
testing.
3. Hasil plot regression
Plot regression menunjukkan hubungan antara nilai output dengan
targetnya. Jika training sempurna, nilai output dan target akan sama, namun dalam
kenyataannya hal ini jarang terjadi. Hasil plot regression dapat dilihat pada
Gambar 4.9 berikut.
63
Gambar 4.9 Plot Regression pemodelan ANN pada Kasus III Kombinasi I
Gambar 4.9 menggambarkan hasil regresi data training, validation dan
testing. Garis solid menggambarkan sudut 450 antara output dan target. Nilai R
mengindikasikan hubungan antara output dan target. Nilai R yang dihasilkan
0,978 mendekati atau sama dengan 1, hal ini mengindikasikan bahwa terdapat
hubungan linier yang tepat antara output dan target. Pada Tabel 4.9 dibawah ini
ditunjukkan besarnya nilai eror antara target dan output.
Tabel 4.9 Hasil Prediksi Kuat Tekan pada kasus III Kombinasi 1
No. Kuat Tekan
Aktual (MPa)
Kuat Tekan Prediksi ANN
(MPa) Presentasi Error terhadap target
(%)
1 35.72 35.69 0.09 2 36.16 35.92 0.66 3 38.78 38.74 0.09 4 29.17 29.22 0.19 5 36.22 36.12 0.26 6 39.03 40.27 3.19 7 19.17 20.13 4.98
64
8 27.23 27.19 0.13 9 29.92 27.02 9.70 10 34.1 34.08 0.06 11 35.35 35.37 0.06 12 38.47 36.59 4.89 13 28.98 28.76 0.77 14 30.04 30.02 0.08 15 30.41 30.43 0.07 16 23.92 24.54 2.60 17 27.1 26.51 2.19 18 27.35 27.40 0.18 19 30.48 30.62 0.45 20 33.73 33.44 0.86 21 34.16 34.29 0.37 22 24.48 24.54 0.23 23 24.67 28.82 16.83 24 31.85 32.73 2.75 25 18.42 18.14 1.52 26 20.3 20.43 0.62 27 22.79 22.26 2.31 28 20.53 20.89 1.73 29 24.04 23.75 1.22 30 26.1 27.68 6.06 31 28.17 27.10 3.81 32 28.6 28.59 0.04 33 29.42 29.46 0.15 34 19.98 14.78 26.02 35 25.61 25.71 0.39 36 27.35 27.30 0.19 37 21.73 21.49 1.09 38 24.98 25.48 1.98 39 27.48 27.16 1.15 40 13.68 13.73 0.39 41 22.48 19.76 12.09 42 25.36 25.45 0.35 43 19.98 20.85 4.37 44 22.98 23.03 0.22 45 22.98 22.88 0.42
Error rata-rata : 2.62
65
Dari table 4.9 terlihat bahwa nilai error rata-rata yang dihasilkan pada
pemodelan ANN kasus III sebesar 2,62 %. Dapat disimpulkan bahwa antara input
dan output memiliki hubungan yang cukup tepat.
4.4. Rekap Hasil Training Pemodelan ANN pada Kasus I,II dan III
Nilai MSE validation terkecil dan hasil regresi dari masing-masing
kombinasi parameter input dikelompokkan menjadi 1 tabel, sehingga hasil
training secara keseluruhan dapat dianalisa. Hasil rekap nilai MSE validation dan
hasil regresi dari masing-masing kasus dapat dilihat pada table 4.10 berikut:
Tabel 4.10 Rekap nilai MSE Validation dan nilai Regresi
Dari hasil pemodelan pada Tabel 4.10 menunjukkan bahwa dari tiap
kasus I, II,III pada kombinasi parameter input menghasilkan MSE validation
terkecil begitu pula dengan nilai regresi. Hal ini menunjukkan bahwa dengan
menggunakan kombinasi parameter input dapat mengetahui pengaruh parameter
input terhadap prediksi kekuatan beton dengan memperoleh nilai MSE validation
dari setiap kombinasi. Hasil pemodelan dari setiap kasus menunjukkan bahwa
pemodelan mampu membentuk hubungan yang baik antara input, target dan
output. Terbukti dengan hasil eror yang kecil antara target dan output.
Kasus Kombinasi Output MSE RHammer UPV
test 3 hari 3 hariHammer
test 28 hariHammer UPV
test 3 hari 3 hari
Input
11
2 2
3 1
Semen
Semen
Semen
w/c
w/c
w/c f'c 28 hari 1.819 0.978
Fly Ash
Fly Ash
Fly Ash
f'c 3 hari 0.556 0.985
f'c 28hari 1.422 0.976
66
Tabel 4.11. Rekapitulasi nilai Error dari kasus I,II dan III
Kombinasi Kasus Input Output Error
1 1 w/c Semen fly ash
hammer test 3 hari
UPV 3 hari
f'c 3 hari 2.81%
2 2 w/c Semen fly ash
hammer test 28
hari f'c 28 hari 3.36%
1 3 w/c Semen fly ash
hammer test 3 hari
UPV 3 hari
f'c 28 hari 2.62%
Nilai rata-rata error pada Tabel 4.11 mewakili setiap kombinasi dari
training pemodelan yang telah dibuat sebelumnya. Pada kekuatan beton target
umur 28 hari, nilai rata-rata error yang diperoleh pada kasus III kombinasi 1
dengan parameter input terdiri dari w/c , semen, fly ash, hammer test umur 3
hari, data test UPV umur 3 hari.
1
67
BAB V Kesimpulan dan Saran
5.1. Kesimpulan
Dari hasil penelitian yang telah dilakukan dapat diambil beberapa
kesimpulan, antara lain :
1. Dengan menggunakan metode ANN untuk memodelkan prediksi kuat
tekan beton dapat menunjukkan hasil yang baik.
2. Hasil dari pemodelan dari setiap studi kasus data menunjukkan bahwa
pemodelan mampu membentuk hubungan yang baik dari kekuatan beton
umur 3 hari yang dikaitkan dengan kekuatan beton umur 28 hari.
3. Dengan kombinasi parameter input yang dibuat dapat menunjukkan nilai
MSE validation dari setiap kombinasi, selain itu pula jika nilai MSE
validation ditetapkan, maka dalam memprediksi kekuatan beton tidak
banyak memerlukan data parameter input.
4. Kekuatan beton yang menjadi target adalah beton umur 28 hari yang
menggunakan data input beton umur 3 hari memperoleh MSE validation
terkecil pada kombinasi 1 sebesar 1, 819 dan nilai regresi sebesar 0,978.
5.2. Saran
Dari hasil penelitian yang telah dilakukan dapat diambil beberapa saran untuk
penelitian selanjutnya, antara lain :
1. Penggunaan program bantu lain yang mungkin dapat memodelkan dengan
lebih akurat.
2. Perubahan presentase data training, validation, dan testing
3. Pemodelan ANN digunakan variasi lainnya
68
69
DAFTAR PUSTAKA
Adhi, A. Buana, “Implementasi Permodelan Artificial Neural Network (ANN) dalam Prediksi Date Time Series Penjualan Studi Kasus PT. Varia Usaha Beton”, Tugas Akhir ITS, Surabaya, 2009
Aji, P.; Purwono, R., “Pengendalian Mutu Beton SESUAI SNI, ACI dan ASTM”, ITSPress, Surabaya, 2010
Arief, H., “Jaringan Saraf Tiruan Teori dan Aplikasi”, Andi Yogyakarta. 2006.
Arwanto, R., “Respon Kuat Tekan Hammer Test Dengan Compression Test pada Beton Normal dan Beton Pasca Bakar ”, Media Komunikasi Teknik Sipil Vol. 14 No.5, Pebruari 2006
Happy, S. Anggraeni; Eddy, E. Susilo; Wedhanto, S., “Perbandingan Kekuatan Beton Berdasarkan Hasil Ultrasonik Pulse Velocity Test Dengan Uji Tekan (020M)”, Konferensi Nasional Teknik Sipil (KoNTeks 7) Universitas Sebelas Maret (UNS) – Surakarta, 24-26 Oktober 2013.
Kesturi, L., “Estimasi Biaya Tahap Konseptual pada Konstruksi Gedung Perkantoran Dengan Metode Artificial Neural Network”, Skripsi UI, Jakarta 2012
Liu, C. Jen; Sue, L. Mou; Kou, H. Chang, “Estimating the Strength of Concrete Using Surface Rebound Value and Design Parameters of Concrete Material”, Tamkang Journal of Science and Engineering, Vol.12 No.1, 2009, pp.1-7
Lubis M., “Pengujian Struktur Beton Dengan Metode Hammer Test dan Metode Uji Pembebanan (Load Test)”, Petunjuk Praktikum , Jurusan teknik Sipil Fakultas Teknik USU, Sumatera Utara, 2013
Singh, P. Vijay; Kotiyal, C. Yogesh, “Prediction of Compressive Strength Using
Artificial Neural Network”, International Journal of Civil, Environmental, Structural, Construction and Architectural Engineering Vol:7, No:12, 2013
Prasetyo, E., “Data Maining Mengelola Data Menjadi Informasi Menggunakan Matlab”, Andi Yogyakarta,2014
Siang, J. Jong, “Jaringan Syaraf Tiruan dan Pemrogramannya menggunakan MATLAB”, Andi Yogyakarta, Juli 2004.
70
Solikha N., “Hubungan Kehalusan, Strength Activity Index, Berat Jenis Fly Ash Dengan Kuat Tekan Mortar Menggunakan Artificial Neural Network”, Tugas Akhir ITS, Surabaya,2012
Zulkarnain, “Prediksi Kekuatan Beton 28 Hari Menggunakan Data Beton 5 Jam dengan Metode Artificial Neural Network (ANN)”, Tugas Akhir ITS, Surabaya 2015
71
Lampiran : 1
Pengujian Berat Jenis Agregat Halus
Contoh : Pasir Dikerjakan :
Asal : Lumajang Dihitung :
Tanggal Uji : 13 Pebruari 2016 Digambar :
Pekerjaan : Tesis Diperiksa :
Nomor Benda Uji I
(gram)
II
(gram)
1 Berat Labu + Pasir + Air (W1) 1570 1570
2 Berat Pasir SSD 500 500
3 Berat Labu + Air (W2) 1250 1250
4 Berat Jenis Pasir (gr/cm3 ) 500 /
( 500 + W2 ) W1
2,7 2,7
Rata-rata (%) 2,7
72
Lampiran : 2
Pengujian Kelembaban Agregat Halus
Contoh : Pasir Dikerjakan :
Asal : Lumajang Dihitung :
Tanggal Uji : 13 Pebruari 2016 Digambar :
Pekerjaan : Tesis Diperiksa :
Nomor Benda Uji I
(gram)
II
(gram)
1 Berat Pasir Asli (W2) 500 500
2 Berat Pasir Oven (W1) 495 497
3 Kelembaban Pasir (%) =
((W2-W1) / (W2)) x 100%
1 0,6
Rata-rata = 1+0,6/2 (%) 0,8
73
Lampiran : 3
Pengujian Air Resapan pada Agregat Halus
Contoh : Pasir Dikerjakan :
Asal : Lumajang Dihitung :
Tanggal Uji : 14 Pebruari 2016 Digambar :
Pekerjaan : Tesis Diperiksa :
Nomor Benda Uji I
(gram)
II
(gram)
1 Berat Pasir SSD 500 500
2 Berat Pasir (W1) 485 480
3 Kadar Air Resapan (%) = ((500-
W1) / W1)x 100%
3,093 4
Rata-rata = 3,093+4/2 (%) 3,54
74
Lampiran : 4
Pengujian Berat Volume Agregat Halus
Contoh : Pasir Dikerjakan :
Asal : Lumajang Dihitung :
Tanggal Uji : 14 Pebruari 2016 Digambar :
Pekerjaan : Tesis Diperiksa :
Percobaan Dengan Rojokan
Tanpa Rojokan
1 Berat Silinder (W1) (Kg) 2,575 2,575
2 Berat Silinder + Pasir (W2) (Kg) 7,745 7,700
3 Berat Pasir (W2-W1) (Kg) 5,170 5,125
4 Volume Silinder (V) ( lt) 3 3
5 Berat Volume (KG/lt) = (W2-
W1)/ V
1,72 1,70
Rata-rata =1,72 - 1,70 =0,02 Kg/lt 20 Kg/ m3
75
Lampiran : 5
Pengujian Agregat Halus dari Bahan Organik
Contoh : Pasir Dikerjakan :
Asal : Lumajang Dihitung :
Tanggal Uji : 15 Pebruari 2016 Digambar :
Pekerjaan : Tesis Diperiksa :
Percobaan 1 2
Volume Pasir (cc) 130 130
Larutan NaOH (cc) 70 70
Warna yang timbul Putih Bening Putih Bening
76
Lampiran : 6
Pengujian Kebersihan Agregat Halus terhadap Lumpur /
(Pengendapan)
Contoh : Pasir Dikerjakan :
Asal : Lumajang Dihitung :
Tanggal Uji : 15 Pebruari 2016 Digambar :
Pekerjaan : Tesis Diperiksa :
Percobaan I
II
1 Tinggi Lumpur (h) (mm) 1,5 1,5
2 Tinggi Pasir (H) (mm) 5,9 5,8
3 Kadar Lumpur (%) = (h/H x
100%)
2,542 2,586
Rata-rata (%) 2,564
77
Lampiran : 7
Pengujian Kebersihan Agregat Halus terhadap Lumpur /
(Pencucian)
Contoh : Pasir Dikerjakan :
Asal : Lumajang Dihitung :
Tanggal Uji : 15 Pebruari 2016 Digambar :
Pekerjaan : Tesis Diperiksa :
Nomor Benda Uji I
(gram)
II
(gram)
1 Berat kering sebelum dicuci (W1) 500 500
2 Berat kering setelah dicuci (W2) 485 480
3 Kadar Lumpur (%) = ((W1-W2) /
(W1) x 100%
3 4
Rata-rata (%) 3,5%
78
Lampiran : 8
Pengujian Analisa Saringan Agregat Halus
Contoh : Pasir Dikerjakan :
Asal : Lumajang Dihitung :
Tanggal Uji : 15 Pebruari 2016 Digambar :
Pekerjaan : Tesis Diperiksa :
Lubang Ayakan Pasir
Tertahan
No. mm Gram E (%) Komulatif E
(%)
Lolos (%)
3” 76,2 - - - -
3/2” 39,1 - - - -
3/4” 19,1 - - - -
3/8” 9,5 - - - -
No. 4 4,76 10 1,34 1,34 98,66
No. 8 2,38 35 4,6 6,03 93,97
No. 16 1,1 55 7,38 13,41 86,59
No. 30 0,59 115 15,43 28,84 71,16
No. 50 0,297 90 12,08 40,92 59,08
No. 100 0,149 255 34,34 75,26 24,74
Pan 0 185 24,83 100 0
Jumlah 745 100 265,8
Fm Kr = 2,658
79
(Lanjutan Lampiran 8) Gambar Kurva Gradasi Agregat Halus
Berdasarkan hasil penelitian gradasi agregat Halus/ pasir setelah diayak
dan di hitung kelolosan agregat melewati lubang ayakan kemudian dimasukkan
ke dalam kurva ayakan dinyatakan bahwa agregat halus / pasir masuk dalam
kategori gradasi pasir zona 3 ( prosentase kelolosan dapat dilihat pada lampiran
pengujian analisa saringan agregat halus) yang ditandai dengan garis lengkung
berwarna biru pada kurva diatas
Kurva Hasil Pengujian
80
Lampiran : 9
Pengujian Berat Jenis Air Agregat Kasar
Contoh : Batu Pecah Dikerjakan :
Asal : Mojokerto Dihitung :
Tanggal Uji : 16 Pebruari 2016 Digambar :
Pekerjaan : Tesis Diperiksa :
Nomor Benda Uji I
(gram)
II
(gram)
1 Berat Batu Pecah di udara (W1) 3000 3000
2 Berat Batu Pecah di air (W2) 1896 1884
3 Berat Jenis = W1/(W1-W2) 2,71 2,69
Rata-rata (%) 2,70
81
Lampiran : 10
Pengujian Kelembaban Agregat Kasar
Contoh : Batu Pecah Dikerjakan :
Asal : Mojokerto Dihitung :
Tanggal Uji : 17 Pebruari 2016 Digambar :
Pekerjaan : Tesis Diperiksa :
Nomor Benda Uji I
(gram)
II
(gram)
1 Berat Batu Pecah Asli (W2) 500 500
2 Berat Batu Pecah Oven (W1) 490 495
3 Kelembaban Batu Pecah (%) =
((W2-W1) / (W2)) x 100%
2 1
Rata-rata (%) 1,5
82
Lampiran : 11
Pengujian Air Resapan pada Agregat Kasar
Contoh : Batu Pecah Dikerjakan :
Asal : Mojokerto Dihitung :
Tanggal Uji : 17 Pebruari 2016 Digambar :
Pekerjaan : Tesis Diperiksa :
Nomor Benda Uji I
(gram)
II
(gram)
1 Berat Batu Pecah SSD 3000 3000
2 Berat Batu Pecah Oven (W) 2970 2935
3 Kadar Air Resapan (%) = ((3000-
W) / W)x 100%
1,01 2,21
Rata-rata (%) 1,61
83
Lampiran : 12
Pengujian Berat Volume Agregat Kasar
Contoh : Batu Pecah Dikerjakan :
Asal : Mojokerto Dihitung :
Tanggal Uji : 18 Pebruari 2016 Digambar :
Pekerjaan : Tesis Diperiksa :
Percobaan Dengan Rojokan
Tanpa Rojokan
1 Berat Silinder (W1) (Kg) 5015 5015
2 Berat Silinder + Batu Pecah (W2)
(Kg)
19640 19185
3 Berat Batu Pecah (W2-W1) (Kg) 14,625 14,170
4 Volume Silinder (V) ( lt) 10 10
5 Berat Volume (KG/lt) = (W2-
W1)/ V
1,46 1,41
Rata-rata 1,435
84
Lampiran : 13
Pengujian Kebersihan Agregat Kasar terhadap Lumpur /
(Pencucian)
Contoh : Batu Pecah Dikerjakan :
Asal : Mojokerto Dihitung :
Tanggal Uji : 18 Pebruari 2016 Digambar :
Pekerjaan : Tesis Diperiksa :
Nomor Benda Uji I
(gram)
II
(gram)
1 Berat Batu Pecah Asli (W1) 1000 1000
2 Berat Batu Pecah Oven (W2) 986 990
3 Kelembaban Batu Pecah (%) =
((W1-W2) / (W1) x 100%
1,4 1
Rata-rata (%) 1,2
85
Lampiran : 14
Pengujian Keausan Agregat Kasar
Contoh : Batu Pecah Dikerjakan :
Asal : Mojokerto Dihitung :
Tanggal Uji : 19 Pebruari 2016 Digambar :
Pekerjaan : Tesis Diperiksa :
Nomor Benda Uji I
(gram)
1 Berat sebelum diabrasi (W1) 5000
2 Berat sesudah diabrasi (W2) 3640
3 Keausan (%) = ((W1-W2) x 100% 27,2
86
Lampiran : 15
Pengujian Analisa Saringan Agregat Kasar
Contoh : Batu Pecah Dikerjakan :
Asal : Mojokerto Dihitung :
Tanggal Uji : 19 Pebruari 2016 Digambar :
Pekerjaan : Tesis Diperiksa :
Lubang Ayakan Batu Pecah
Tertahan
No. mm Gram E (%) Komulatif E
(%)
Lolos (%)
3” 76,2 - - - 100
3/2” 39,1 - - - 100
3/4” 19,1 50 1 1 99
3/8” 9,5 4040 80,8 81,8 18,2
No. 4 4,76 910 18,2 100 0
No. 8 2,38 0 0 100 0
No. 16 1,1 0 0 100 0
No. 30 0,59 0 0 100 0
No. 50 0,297 0 0 100 0
No. 100 0,149 0 0 100 0
Pan 0 0 0 - -
Jumlah 5000 100 682,8
Fm Kr = 6,82
87
(Lanjutan Lampiran 15) Gambar Kurva Gradasi Agregat Kasar
Berdasarkan hasil penelitian gradasi agregat kasar/ batu pecah setelah
melewati proses pengayakkan kemudian ditimbang untuk mendapatkan jumlah
banyaknya agregat yang lolos melewati lubang ayakan. Dari lubang ayakan yang
ditimbang diperoleh 50 gram untuk agregat yang lolos pada ayakan berdiameter
19 mm, agregat sebanyak 4040 gram pada ayakan berdiameter 9,5 mm dan
sebanyak 910 gram untuk agregat pada ayakan berdiameter 4,76 mm setelah itu
dihitung presentase kelolosannya diperoleh agregat yang lolos 99% pada ayakan
berdiameter 19,1 dan agregat yang lolos pada ayakan berdiameter 4,76 sebanyak
18,2% kemudian dimasukan ke dalam grafik kurva ayakan batu pecah dan diambil
kesimpulan bedasarkan data dan gambar yang disesuaikan berdasarkan peraturan
ASTM yang disyaratkan dapat dinyatakan bahwa agregat kasar / batuh pecah
masuk dalam kategori gradasi B.
Kurva Hasil
Pengujian
88
Lampiran : 16
Job mix design metode DoE (w/c 0,45)
No. Uraian Nilai
1 Kuat Tekan yang
disyaratkan
f'c 32,6 Mpa (28 hari)
2 Deviasi Standar 3 N/ mm2
3 Nilai tambah (margin) 4,92 Mpa
4 Kekuatan rata-rata yang di
targetkan
37,52 Mpa
5 Jenis semen Semen Portland Type I
6 Jenis aggregat kasar dan
aggregat halus
Batu pecah, alami
7 Faktor air semen bebas 0.45
8 Faktor air semen
maksimum
0,60
9 Slump 75-150 mm
10 Ukuran Aggregat
Maksimum
20 mm
11 Kadar air bebas 205
12 Jumlah semen 456 kg/m3
13 Jumlah semen minimum 325 kg/m3
14 Sususnan besar butir
aggregat halus
Daerah gradasi susunan butir 3
15 Presentase aggregat halus 40%
16 Berat Jenis relatif aggregat
kering permukaan
2.7
17 Berat Jenis beton 2419
18 Kadar aggregat gabungan 1758 Kg/m3
89
19 Kadar aggregat Halus 703.2 Kg/m3
20 Kadar aggregat kasar 1054.8 Kg/m3
Banyaknya bahan (teoritis) Semen
(Kg)
Aggregat
Halus (Kg)
Aggregat
Kasar (Kg)
Air
Tiap m3 campuran 456 703.2 1054.8 205
0.00157 0.71592 1.104024 1.656036 0.32185
0.2 0.143184 0.2208048 0.3312072 0.06437
90
Lampiran : 17
Job mix design metode DoE (w/c 0,50)
No. Uraian Nilai
1 Kuat Tekan yang
disyaratkan
f'c 26 Mpa (28 hari)
2 Deviasi Standar 3 N/ mm2
3 Nilai tambah (margin) 4,92 Mpa
4 Kekuatan rata-rata yang di
targetkan
30,92 Mpa
5 Jenis semen Semen Portland Type I
6 Jenis aggregat kasar dan
aggregat halus
Batu pecah, alami
7 Faktor air semen bebas 0.5
8 Faktor air semen
maksimum
0,60
9 Slump 75-150 mm
10 Ukuran Aggregat
Maksimum
20 mm
11 Kadar air bebas 205
12 Jumlah semen 410 kg/m3
13 Jumlah semen minimum 325 kg/m3
14 Sususnan besar butir
aggregat halus
Daerah gradasi susunan butir 3
15 Presentase aggregat halus 40%
16 Berat Jenis relatif aggregat
kering permukaan
2.7
17 Berat Jenis beton 2419
18 Kadar aggregat gabungan 1804 Kg/m3
19 Kadar aggregat Halus 721.6 Kg/m3
91
20 Kadar aggregat kasar 1082.4 Kg/m3
Banyaknya bahan (teoritis) Semen
(Kg)
Aggregat
Halus (Kg)
Aggregat
Kasar (Kg)
Air
Tiap m3 campuran 410 721.6 1082.4 205
0.00157 0.6437 1.132912 1.699368 0.32185
0.2 0.12874 0.2265824 0.3398736 0.06437
92
Lampiran 18
Job mix design metode DoE (w/c 0,55)
No. Uraian Nilai
1 Kuat Tekan yang
disyaratkan
f'c 24 Mpa (28 hari)
2 Deviasi Standar 3 N/ mm2
3 Nilai tambah (margin) 4,92 Mpa
4 Kekuatan rata-rata yang di
targetkan
28,92 Mpa
5 Jenis semen Semen Portland Type I
6 Jenis aggregat kasar dan
aggregat halus
Batu pecah, alami
7 Faktor air semen bebas 0.55
8 Faktor air semen maksimum 0.6
9 Slump 75 - 150 mm
10 Ukuran Aggregat
Maksimum
20 mm
11 Kadar air bebas 205
12 Jumlah semen 373 kg/m3
13 Jumlah semen minimum 325 kg/m3
14 Sususnan besar butir
aggregat halus
Daerah gradasi susunan butir 3
15 Presentase aggregat halus 40%
16 Berat Jenis relatif aggregat
kering permukaan
2.7
17 Berat Jenis beton 2419
18 Kadar aggregat gabungan 1841Kg/m3
19 Kadar aggregat Halus 644.35 Kg/m3
20 Kadar aggregat kasar 1196.65 Kg/m3
93
Banyaknya bahan (teoritis) Semen
(Kg)
Aggregat
Halus (Kg)
Aggregat
Kasar (Kg)
Air
Tiap m3 campuran 373 736.4 1104.6 205
0.00157 0.58561 1.156148 1.734222 0.32185
0.2 0.117122 0.2312296 0.3468444 0.06437
94
Lampiran : 19
Proporsi campuran beton dan kebutuhan sampel ( w/c 0,45)
No. KUAT BETON RENCANA KOMPOSISI CAMPURAN BETON BANYAKNYA
BENDA UJI BAHAN
1 32,6 Mpa, W/C=0.45,Fly Ash
0%
SEMEN 5.155 Kg 6
FLY ASH Kg
PASIR 7,950 Kg
KERIKIL 11,920 Kg
AIR 2,320 Kg
SP Kg
2 32,6 Mpa, W/C=0.45,Fly Ash
10%
SEMEN 4,382 Kg 6
FLY ASH 0,515 Kg
PASIR 7,950 Kg
KERIKIL 11,920 Kg
AIR 2,320 Kg
SP 0,00258 Kg
3 32,6 Mpa, W/C=0.45,Fly Ash
15%
SEMEN 4,375 Kg 6
FLY ASH 0,775 Kg
PASIR 7,950 Kg
KERIKIL 11,920 Kg
AIR 2,320 Kg
SP 0.0077 Kg
4 32,6 Mpa, W/C=0.45, Fly Ash
20%
SEMEN 4,110 Kg 6
FLY ASH 1,031 Kg
PASIR 7,950 Kg
KERIKIL 11,920 Kg
AIR 2,320 Kg
SP 0,0128 Kg
5 32,6 Mpa, W/C=0.45, Fly Ash
25%
SEMEN 3,846 Kg 6
FLY ASH 1,290 Kg
PASIR 7,950 Kg
KERIKIL 11,920 Kg
AIR 2,320 Kg
SP 0.0194 Kg
95
Lampiran : 20
Proporsi campuran beton dan kebutuhan sampel (w/c 0,50) No. KUAT BETON RENCANA KOMPOSISI CAMPURAN
BETON
BANYAKNYA
BENDA UJI
BAHAN
6 26 Mpa, W/C=0.50,
Fly Ash 0%
SEMEN 4.635 Kg 6
FLY ASH Kg
PASIR 8.156 Kg
KERIKIL 12.236 Kg
AIR 2.318 Kg
SP Kg
7 26 Mpa, W/C=0.50,
Fly Ash 10%
SEMEN 4,170 Kg 6
FLY ASH 0.464 Kg
PASIR 8.156 Kg
KERIKIL 12.236 Kg
AIR 2.318 Kg
SP 0.002 Kg
8 26 Mpa, W/C=0.50,
Fly Ash 15%
SEMEN 3.934 Kg 6
FLY ASH 0.695 Kg
PASIR 8.156 Kg
KERIKIL 12.236 Kg
AIR 2.318 Kg
SP 0.005 Kg
9 26 Mpa, W/C=0.50,
Fly Ash 20%
SEMEN 3.7 Kg 6
FLY ASH 0.926 Kg
PASIR 8.156 Kg
KERIKIL 12.235 Kg
AIR 2.318 Kg
SP 0.007 Kg
10 26 Mpa, W/C=0.50,
Fly Ash 25%
SEMEN 3.462 Kg 6
FLY ASH 1.158 Kg
PASIR 8.156 Kg
KERIKIL 12.235 Kg
AIR 2.318 Kg
SP 0.011 Kg
96
Lampiran : 21
Proporsi campuran beton dan kebutuhan sampel (w/c 0,55)
No. KUAT BETON RENCANA KOMPOSISI CAMPURAN BETON BANYAKNYA
BENDA UJI BAHAN
11 24 Mpa, W/C=0.55, Fly Ash 0% SEMEN 4.216 Kg 6
FLY ASH Kg
PASIR 8.324 Kg
KERIKIL 12.486 Kg
AIR 2.318 Kg
SP Kg
12 24 Mpa, W/C=0.55, Fly Ash 10% SEMEN 3.792 Kg 6
FLY ASH 0.422 Kg
PASIR 8.324 Kg
KERIKIL 12.486 Kg
AIR 2.318 Kg
SP 0.001 Kg
13 24 Mpa, W/C=0.55, Fly Ash 15% SEMEN 3,580 Kg 6
FLY ASH 0.632 Kg
PASIR 8.324 Kg
KERIKIL 12.486 Kg
AIR 2.318 Kg
SP 0.001 Kg
14 24 Mpa, W/C=0.55, Fly Ash 20% SEMEN 3.366 Kg 6
FLY ASH 0.844 Kg
PASIR 8.324 Kg
KERIKIL 12.486 Kg
AIR 2.318 Kg
SP 0.003 Kg
15 24 Mpa, W/C=0.55, Fly Ash 25% SEMEN 3,150 Kg 6
FLY ASH 1.054 Kg
PASIR 8.324 Kg
KERIKIL 12.486 Kg
AIR 2.318 Kg
SP 0.005 Kg
97
Lampiran : 22
Hasil pengujian hammer test umur beton 3 hari
1 2 3 4 5 6 7 8 9 10
0,45-0.1 30 30 30 32 32 33 31 32 32 33 31.5 -0.633333333 0.4011111110,45-0.2 33 32 31 34 32 32 33 32 32 31 32.2 0.066666667 0.0044444440,45-0.3 32 32 32 32 33 33 32 34 34 33 32.7 0.566666667 0.321111111
96.4 0.7266666732.133333330.6027713770.98854505931.14478827
1 2 3 4 5 6 7 8 9 10
0,45-10.1 30 29 30 28 28 29 32 32 31 30 29.9 -0.7 0.490,45-10.2 32 32 32 31 31 30 28 29 29 29 30.3 -0.3 0.090.45-10.3 30 33 33 30 30 32 32 33 32 31 31.6 1 1
91.8 1.5830.6
0.8888194421.45766388429.14233612
1 2 3 4 5 6 7 8 9 10
0.45-15.1 32 32 30 33 30 31 31 32 31 30 31.2 -0.2 0.040,45-15.2 30 31 32 30 32 30 33 32 32 31 31.3 -0.1 0.010,45-15.3 31 32 31 32 30 33 32 31 32 33 31.7 0.3 0.09
94.2 0.1431.4
0.2645751310.43390321530.96609678
Kode Sampel
Angka Pantul rata-rata (σb)
Angka Pantul(σb-σbm) (σb-σbm)2
σbk =
(k1xSxk2) =
(k1xSxk2) =σbk =
(k1xSxk2)
∑ =σbm =
S =
∑ =σbm =
∑ =
σbk =
σbm =S =
Kode Sampel
Angka Pantul Angka Pantul rata-rata (σb) (σb-σbm) (σb-σbm)2
Kode Sampel
Angka Pantul Angka Pantul rata-rata (σb) (σb-σbm) (σb-σbm)2
S =
98
1 2 3 4 5 6 7 8 9 10
0,45-20.1 29 29 28 31 28 30 29 29 31 30 29.4 -0.433333333 0.187777778
0,45-20.230 29 29 32 28 29 32 29 29 32
29.9 0.066666667 0.004444444
0,45-20.332 29 29 32 30 32 29 29 28 32
30.2 0.366666667 0.134444444
89.5 0.3266666729.833333330.4041451880.66279810929.17053522
1 2 3 4 5 6 7 8 9 10
0,45-25.1 30 32 30 29 30 29 28 29 30 30 29.7 -0.633333333 0.401111111
0,45-25.229 30 30 30 29 32 31 29 30 32
30.2 -0.133333333 0.017777778
0,45-25.333 33 29 30 33 31 30 30 32 30
31.1 0.766666667 0.587777778
91 1.0066666730.333333330.2533444440.41548488929.91784844
1 2 3 4 5 6 7 8 9 10
0,50-0.1 32 32 30 28 29 28 29 33 31 28 30 -0.333333333 0.1111111110,50-0.2 33 32 29 29 28 32 29 28 30 30 30 -0.333333333 0.1111111110,50-0.3 31 29 28 30 31 33 32 33 32 31 31 0.666666667 0.444444444
91 0.6666666730.333333330.5773502690.94685444129.38647889
1 2 3 4 5 6 7 8 9 10
0,50-10.1 33 29 32 33 33 33 31 30 31 31 31.6 -0.366666667 0.1344444440,50-10.2 32 31 31 32 33 32 31 31 32 33 31.8 -0.166666667 0.0277777780.50-10.3 33 33 30 32 32 32 30 30 33 30 32.5 0.533333333 0.284444444
95.9 0.4466666731.966666670.4725815630.77503376331.1916329
(σb-σbm)2(σb-σbm)Angka Pantul rata-rata (σb)
Angka PantulKode Sampel
(σb-σbm)2(σb-σbm)Angka Pantul rata-rata (σb)
Angka Pantul
Angka Pantul rata-rata (σb) (σb-σbm) (σb-σbm)2
Kode Sampel
Angka Pantul
Angka Pantul rata-rata (σb) (σb-σbm) (σb-σbm)2
Angka Pantul
∑ =σbm =
S =
σbm =S =
∑ =σbm =
S =
(k1xSxk2)σbk =
(k1xSxk2)σbk =
(k1xSxk2)σbk =
(k1xSxk2)σbk =
∑ =
S =σbm =
∑ =
Kode Sampel
99
1 2 3 4 5 6 7 8 9 10
0.50-15.1 33 30 32 29 31 34 29 30 34 29 31.1 -0.233333333 0.0544444440,50-15.2 31 31 29 30 29 31 33 34 34 30 31.2 -0.133333333 0.0177777780,50-15.3 32 34 31 30 30 33 34 34 29 30 31.7 0.366666667 0.134444444
94 0.2066666731.333333330.3214550250.52718624230.80614709
1 2 3 4 5 6 7 8 9 10
0,50-20.1 27 28 26 27 26 27 30 26 26 26 26.9 -0.366666667 0.1344444440,50-20.2 28 27 28 26 27 26 26 28 27 28 27.1 -0.166666667 0.0277777780,50-20.3 26 26 27 26 30 32 27 26 30 28 27.8 0.533333333 0.284444444
81.8 0.4466666727.266666670.4725815630.77503376326.4916329
1 2 3 4 5 6 7 8 9 10
0,50-25.1 27 27 28 27 27 28 27 27 27 27 27.2 18.86666667 355.95111110,50-25.2 31 28 27 28 28 26 28 30 28 26 28 19.66666667 386.77777780,50-25.3 29 29 29 29 29 28 28 30 28 28 28.7 20.36666667 414.8011111
25 30 288.3333333333.7416573876.1363181142.197015219
1 2 3 4 5 6 7 8 9 10
0,55-0.1 30 30 30 30 29 29 28 30 29 28 29.3 -0.966666667 0.9344444440,55-0.2 31 31 30 31 30 30 29 31 30 29 30.2 -0.066666667 0.0044444440,55-0.3 32 33 31 33 29 32 31 30 30 32 31.3 1.033333333 1.067777778
90.8 2.0066666730.266666671.00166528
1.64273105928.62393561
(σb-σbm)2(σb-σbm)Angka Pantul rata-rata (σb)
Kode Sampel
Angka Pantul Angka Pantul rata-rata (σb) (σb-σbm) (σb-σbm)2
Kode Sampel
Angka Pantul Angka Pantul rata-rata (σb) (σb-σbm) (σb-σbm)2
(k1xSxk2)
Angka PantulKode Sampel
(σb-σbm)2(σb-σbm)Angka Pantul rata-rata (σb)
Angka PantulKode Sampel
(k1xSxk2)σbk =
S =
∑ =σbm =
S =
26
σbk =
(k1xSxk2)σbk =
σbm =S =
∑ =σbm =
S =
(k1xSxk2)σbk =
∑ =σbm =
100
1 2 3 4 5 6 7 8 9 10
0,55-10.1 29 30 29 28 29 28 29 29 28 29 28.8 -1.033333333 1.0677777780,55-10.2 31 29 30 30 30 30 29 31 29 28 29.7 -0.133333333 0.0177777780.55-10.3 32 32 31 32 31 29 31 31 29 32 31 1.166666667 1.361111111
89.5 2.4466666729.833333331.1060440021.81391216328.01942117
1 2 3 4 5 6 7 8 9 10
0.55-15.1 29 28 30 28 29 31 30 32 30 32 29.9 -0.366666667 0.1344444440,55-15.2 32 29 33 28 29 30 30 29 33 31 30.4 0.133333333 0.0177777780,55-15.3 29 28 33 33 31 30 28 32 29 32 30.5 0.233333333 0.054444444
90.8 0.2066666730.266666670.3214550250.52718624229.73948043
1 2 3 4 5 6 7 8 9 10
0,55-20.1 29 28 28 30 29 29 28 28 29 29 28.7 -0.666666667 0.4444444440,55-20.2 30 29 30 28 28 30 29 30 30 28 29.2 -0.166666667 0.0277777780,55-20.3 31 28 31 29 32 31 30 29 31 30 30.2 0.833333333 0.694444444
88.1 1.1666666729.366666670.7637626161.25257069
28.11409598
1 2 3 4 5 6 7 8 9 10
0,55-25.1 29 28 28 28 29 28 30 28 29 30 28.7 -0.833333333 0.6944444440,55-25.2 29 30 29 28 30 31 30 29 30 29 29.5 -0.033333333 0.0011111110,55-25.3 30 31 30 30 31 28 32 31 29 32 30.4 0.866666667 0.751111111
88.6 1.4466666729.53333333
0.8504900551.39480369
28.13852964
Angka Pantul rata-rata (σb) (σb-σbm) (σb-σbm)2
(σb-σbm)2
Kode Sampel
Angka Pantul Angka Pantul rata-rata (σb) (σb-σbm) (σb-σbm)2
Kode Sampel
Angka Pantul Angka Pantul rata-rata (σb)
(σb-σbm) (σb-σbm)2
Kode Sampel
Angka Pantul Angka Pantul rata-rata (σb) (σb-σbm)
(k1xSxk2)σbk =
(k1xSxk2)σbk =
σbm =S =
∑ =σbm =
S =
∑ =
(k1xSxk2)σbk =
(k1xSxk2)σbk =
∑ =σbm =
S =
∑ =σbm =
Kode Sampel
Angka Pantul
S =
101
Lampiran : 23
Hasil pengujian hammer test umur beton 28 hari
1 2 3 4 5 6 7 8 9 100,45-0.1 37 32 32 33 38 34 33 34 32 34 33.9 -2.1667 4.6944440,45-0.2 33 34 35 35 36 35 33 34 35 34 34.4 -1.6667 2.7777780,45-0.3 44 39 43 39 39 41 37 40 38 39 39.9 3.83333 14.69444
108.2 22.1666736.066666673.3291640595.45982905730.60683761
1 2 3 4 5 6 7 8 9 100,45-10.1 35 36 35 35 34 35 34 34 35 34 34.7 -2.3 5.290,45-10.2 37 35 36 35 36 35 35 38 35 36 35.8 -1.2 1.440.45-10.3 42 39 39 39 39 40 44 40 44 39 40.5 3.5 12.25
111 18.9837
3.080584365.05215835131.94784165
1 2 3 4 5 6 7 8 9 100.45-15.1 34 32 32 33 32 34 33 34 32 34 33 -1.6333 2.6677780,45-15.2 34 37 34 34 35 34 37 36 33 36 35 0.36667 0.1344440,45-15.3 35 35 37 35 35 37 39 37 34 35 35.9 1.26667 1.604444
103.9 4.40666734.633333331.4843629392.43435521932.19897811
Kode SampelAngka Pantul Angka Pantul
rata-rata (σb)(σb-σbm) (σb-σbm)2
Angka Pantul Angka Pantul rata-rata (σb)
(σb-σbm) (σb-σbm)2
σbm =S =
(k1xSxk2)
Kode Sampel
∑ =σbm =
S =(k1xSxk2)
σbk =
∑ =σbm =
S =(k1xSxk2)
σbk =
∑ =
σbk =
(σb-σbm) (σb-σbm)2Angka Pantul rata-rata (σb)
Kode SampelAngka Pantul
102
1 2 3 4 5 6 7 8 9 100,45-20.1 30 27 28 30 33 33 30 33 30 34 30.8 -3.8667 14.95111
0,45-20.236 38 34 33 38 33 33 39 35 34
35.3 0.63333 0.401111
0,45-20.333 39 39 36 39 40 37 40 39 37
37.9 3.23333 10.45444104 25.80667
34.666666673.5921210085.89107845228.77558821
1 2 3 4 5 6 7 8 9 100,45-25.1 28 34 35 29 32 31 30 34 33 33 30.8 -3.8667 14.95111
0,45-25.238 34 36 30 33 35 36 36 37 38
35.3 0.63333 0.401111
0,45-25.336 38 39 40 38 35 37 37 40 39
37.9 3.23333 10.45444104 25.80667
34.666666673.5921210085.89107845228.77558821
1 2 3 4 5 6 7 8 9 100,50-0.1 29 30 31 29 33 32 34 36 30 32 31.6 -2.5 6.250,50-0.2 36 34 38 36 36 30 31 33 38 34 34.6 0.5 0.250,50-0.3 35 36 36 40 34 36 34 38 36 36 36.1 2 4
102.3 10.534.1
2.2912878473.7577120730.34228793
1 2 3 4 5 6 7 8 9 100,50-10.1 29 31 33 33 34 35 34 35 31 30 32.5 -0.8 0.640,50-10.2 35 34 38 36 33 29 29 34 28 34 33 -0.3 0.090.50-10.3 29 32 34 28 34 32 36 36 39 34 34.4 1.1 1.21
99.9 1.9433.3
0.984885781.61521267931.68478732
Kode SampelAngka Pantul Angka Pantul
rata-rata (σb)(σb-σbm) (σb-σbm)2
Angka Pantul rata-rata (σb)
(σb-σbm) (σb-σbm)2
Kode SampelAngka Pantul Angka Pantul
rata-rata (σb)(σb-σbm) (σb-σbm)2
σbm =S =
(k1xSxk2)σbk =
∑ =σbm =
S =(k1xSxk2)
σbk =
Angka Pantul rata-rata (σb)
(σb-σbm) (σb-σbm)2
Kode Sampel
S =(k1xSxk2)
σbk =
∑ =σbm =
S =(k1xSxk2)
σbk =
∑ =
Angka Pantul
Kode SampelAngka Pantul
∑ =σbm =
103
1 2 3 4 5 6 7 8 9 100.50-15.1 33 34 35 37 34 35 37 30 36 32 34.3 -0.8333 0.6944440,50-15.2 36 37 36 34 34 35 35 34 36 30 34.7 -0.4333 0.1877780,50-15.3 31 34 35 35 40 37 39 41 38 34 36.4 1.26667 1.604444
105.4 2.48666735.133333331.1150485791.82867966933.30465366
1 2 3 4 5 6 7 8 9 100,50-20.1 32 28 30 31 32 29 32 36 30 33 31.3 -0.7333 0.5377780,50-20.2 29 33 32 34 33 33 31 30 34 32 32.1 0.06667 0.0044440,50-20.3 31 34 32 32 33 32 35 32 36 30 32.7 0.66667 0.444444
96.1 0.98666732.033333330.7023769171.15189814430.88143519
1 2 3 4 5 6 7 8 9 100,50-25.1 31 34 28 30 29 30 32 34 36 31 31.5 -3.5667 12.721110,50-25.2 30 32 34 38 31 34 39 36 40 39 35.3 0.23333 0.0544440,50-25.3 35 39 38 37 42 43 38 37 40 35 38.4 3.33333 11.11111
105.2 23.8866735.066666673.4559128085.66769700429.39896966
1 2 3 4 5 6 7 8 9 100,55-0.1 32 34 28 30 31 30 32 34 36 31 31.8 -1.9333 3.7377780,55-0.2 35 34 38 36 33 30 29 34 29 34 33.2 -0.5333 0.2844440,55-0.3 35 36 36 40 34 36 35 38 36 36 36.2 2.46667 6.084444
101.2 10.1066733.733333332.247962043.68665774630.04667559
(σb-σbm) (σb-σbm)2
(σb-σbm) (σb-σbm)2
(σb-σbm) (σb-σbm)2
Angka Pantul rata-rata (σb)
Kode SampelAngka Pantul Angka Pantul
rata-rata (σb)
Kode SampelAngka Pantul Angka Pantul
rata-rata (σb)
Kode SampelAngka Pantul Angka Pantul
rata-rata (σb)(σb-σbm) (σb-σbm)2
Kode Sampel
∑ =σbm =
S =(k1xSxk2)
σbk =
∑ =σbm =
S =(k1xSxk2)
σbk =
∑ =σbm =
S =(k1xSxk2)
σbk =
∑ =σbm =
S =(k1xSxk2)
σbk =
Angka Pantul
104
1 2 3 4 5 6 7 8 9 100,55-10.1 29 30 30 29 32 31 30 32 31 32 30.6 -1 10,55-10.2 28 34 32 29 32 31 30 34 33 33 31.6 0 00.55-10.3 30 34 32 34 33 35 31 30 35 32 32.6 1 1
94.8 231.6
11.6429.96
1 2 3 4 5 6 7 8 9 100.55-15.1 32 28 30 31 32 29 32 31 30 33 30.8 -0.9 0.810,55-15.2 29 30 31 29 33 32 34 35 30 32 31.7 0 00,55-15.3 31 34 32 32 33 32 35 32 35 30 32.6 0.9 0.81
95.1 1.6231.70.9
1.47630.224
1 2 3 4 5 6 7 8 9 100,55-20.1 32 34 28 30 29 30 32 34 36 31 31.6 -0.4667 0.2177780,55-20.2 32 30 33 31 32 29 32 36 30 33 31.8 -0.2667 0.0711110,55-20.3 31 34 32 33 33 32 35 32 36 30 32.8 0.73333 0.537778
96.2 0.82666732.066666670.6429100511.05437248331.01229418
1 2 3 4 5 6 7 8 9 100,55-25.1 29 28 28 30 29 29 28 28 29 30 28.8 -0.8667 0.7511110,55-25.2 30 29 30 31 28 30 29 32 30 28 29.7 0.03333 0.0011110,55-25.3 28 30 30 29 32 31 30 32 31 32 30.5 0.83333 0.694444
89 1.44666729.66666667
0.8504900551.3948036928.27186298
(σb-σbm) (σb-σbm)2
Angka Pantul rata-rata (σb)
(σb-σbm) (σb-σbm)2
Angka Pantul Angka Pantul rata-rata (σb)
(σb-σbm) (σb-σbm)2
Kode SampelAngka Pantul Angka Pantul
rata-rata (σb)(σb-σbm) (σb-σbm)2
∑ =σbm =
S =(k1xSxk2)
σbk =
∑ =σbm =
S =(k1xSxk2)
σbk =
Angka Pantul Angka Pantul rata-rata (σb)
Kode Sampel
Kode Sampel
∑ =σbm =
S =(k1xSxk2)
σbk =
∑ =σbm =
S =(k1xSxk2)
σbk =
Kode Sampel Angka Pantul
105
Lampiran : 24
Hasil pengujian Ultrasonic Pulse Velocity ( UPV)
umur beton 3 hari
1 2 3 4 5
L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 51.14 51.53 50.75 49.99 51.4V (μs) 39.11 38.81 39.41 40.01 38.91L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 50.94 51.33 50.56 49.8 51.2V (μs) 39.26 38.96 39.56 40.16 39.06L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 49.58 49.21 48.15 49.83 50.84V (μs) 40.34 40.64 41.54 40.14 39.34L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 50.98 50.85 50.59 50.21 49.47V (μs) 39.23 39.33 39.53 39.83 40.43L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 49.54 49.18 48.11 49.79 50.8V (μs) 40.37 40.67 41.57 40.17 39.37L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 49.18 48.82 47.77 49.42 50.42V (μs) 40.67 40.97 41.87 40.47 39.67L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 54.240 53.52 54.99 52.81 54.99V (μs) 36.87 37.37 36.37 37.87 36.37L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 56.05 55.43 54.82 55.9 55.59V (μs) 35.68 36.08 36.48 35.78 35.98L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 54.220 53.49 54.96 52.78 54.96V (μs) 36.89 37.39 36.39 37.89 36.39L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 52.30 54.00 53.71 54.59 52.85V (μs) 38.24 37.04 37.24 36.64 37.84L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 54.640 53.91 55.4 53.19 55.4V (μs) 36.60 37.10 36.1 37.6 36.1L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 54.35 53.62 55.1 52.91 55.1V (μs) 36.80 37.30 36.3 37.8 36.3
0,45-0.1
0,45-0.2
0,45-0.3
0,45-10.1
0,45-10.2
0.45-10.3
0.45-15.1
0,45-15.2
0,45-15.3
0,45-20.1
0,45-20.2
0,45-20.3
39.40
Kode Sampel
Estimasi Angka Kecepatan Gelombang Kecepatan Gelombang Rata-rata
39.25
36.90
36.97
36.00
36.99
37.40
36.70
40.40
39.67
40.43
40.73
106
L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 51.88 52.02 53.98 52.98 51.48V (μs) 38.55 38.45 37.05 37.75 38.85L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 54.66 51.69 51.3 51.83 50.65V (μs) 36.59 38.69 38.99 38.59 39.49L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 53.72 50.72 50.85 50.98 50.09V (μs) 37.23 39.43 39.33 39.23 39.93L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 50.81 50.81 50.43 49.68 51.07V (μs) 39.36 39.06 39.66 40.26 39.16L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 50.94 50.81 50.56 50.18 49.43V (μs) 39.26 39.36 39.56 39.86 40.46L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 50.56 50.94 50.18 49.43 50.81V (μs) 39.56 39.26 39.86 40.46 39.36L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 54.81 51.83 51.43 51.96 50.77V (μs) 36.49 38.59 38.89 38.49 39.39L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 54.02 50.99 51.12 51.26 50.35V (μs) 37.02 39.22 39.12 39.02 39.72L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 50.68 51.07 50.3 49.55 50.94V (μs) 39.46 39.16 39.76 40.36 39.26L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 55.46 52.78 52.59 51.69 51.89V (μs) 36.06 37.89 38.03 38.69 38.54L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 51.49 52.49 52.1 50.59 50.39V (μs) 38.84 38.10 38.39 39.53 39.69L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 49.86 51.67 54.48 51.93 42.63V (μs) 40.11 38.71 36.71 38.51 46.91L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 50.51 50.61 51.01 53.01 59.1V (μs) 39.60 39.52 39.21 37.73 33.84L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 53.76 50.76 50.89 51.02 50.13V (μs) 37.20 39.40 39.3 39.2 39.9L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 50.13 50.51 49.75 49.02 50.38V (μs) 39.90 39.60 40.2 40.8 39.7
0,50-20.2
0,50-20.3
0,50-0.2
0,50-0.3
0,50-10.1
0,50-10.2
0.50-10.3
0.50-15.1
0,50-15.2
0,50-15.3
0,50-20.1
38.13
38.47
39.03
39.50
0,45-25.1
0,45-25.2
0,45-25.3
0,50-0.1
37.84
38.91
40.19
37.98
39.00
39.70
39.70
38.37
38.82
39.60
40.04
107
0,50-25.1 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 48.54 48.08 49.14 47.62 47.85V (m/s) 41.2 41.6 40.7 42 41.8
0,50-25.2 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 47.39 48.08 47.73 46.73 47.17V (m/s) 42.2 41.6 41.9 42.8 42.4
0,50-25.3 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 43.4 45.5 46.08 45.15 45.49V (m/s) 43.6 44 43.4 44.3 43.97
0,55-0.1 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 45.93 48.71 47.33 47.33 46.55V (m/s) 43.54 41.06 42.26 42.26 42.96
0,55-0.2 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 46.04 46.9 46.15 46.58 44.8V (m/s) 43.44 42.64 43.34 42.94 44.64
0,55-0.3 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 45.52 45.93 44.9 45.62 46.04V (m/s) 43.94 43.54 44.54 43.84 43.44
0,55-10.1 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 46.9 47.13 46.04 47.13 47.46V (m/s) 42.64 42.44 43.44 42.44 42.14
0,55-10.2 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 46.02 46.88 46.13 46.55 44.78V (m/s) 43.46 42.66 43.36 42.96 44.66
0.55-10.3 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 45.65 45.73 45.13 45.13 50V (m/s) 43.82 43.74 44.32 44.32 43.52
0.55-15.1 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 48.52 48.05 50 47.6 47.82V (m/s) 41.22 41.62 40.72 42.02 41.82
0,55-15.2 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 50 50 50 47.28 47.51V (m/s) 42.6 41.7 41.1 42.3 42.1
0,55-15.3 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 45.89 48.66 47.28 47.28 46.51V (m/s) 43.58 41.1 42.3 42.3 43
0,55-20.1 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 49.04 48.69 47.64 49.29 50.28V (m/s) 40.78 41.08 41.98 40.58 39.78
0,55-20.2 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 47.71 48.05 46.71 47.82 46.6V (m/s) 41.92 41.62 42.82 41.82 42.92
0,55-20.3 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 47.04 47.26 46.17 47.26 47.6V (m/s) 42.52 42.32 43.32 42.32 42.02
43.42
43.94
41.48
41.96
42.46
40.84
42.22
42.50
41.46
42.18
43.85
42.42
43.40
43.86
42.62
108
L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 54.35 55.56 54.64 56.82 54.35V (μs) 36.80 36.00 36.6 35.2 36.8L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 56.82 54.05 54.95 55.25 53.91V (μs) 35.20 37.00 36.4 36.2 37.1L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 55.69 53.91 54.5 55.1 55.6V (μs) 35.91 37.10 36.7 36.3 35.97
0,55-25.3
0,55-25.2
0,55-25.1 36.28
36.38
36.40
109
Lampiran: 25
Hasil pengujian Ultrasonic Pulse Velocity ( UPV)
umur beton 28 hari
1 2 3 4 5
0,45-0.1 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 45.96 48.73 47.35 47.35 46.58V (m/s) 43.52 41.04 42.24 42.24 42.94
0,45-0.2 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 46.73 46.08 45.77 46.95 47.06V (m/s) 42.8 43.4 43.7 42.6 42.5
0,45-0.3 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 45.99 46.96 46.96 45.88 45.88V (m/s) 43.49 42.59 42.59 43.59 43.59
0,45-10.1 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 47.51 47.1 47.85 47.62 46.73V (m/s) 42.1 42.46 41.8 42 42.8
0,45-10.2 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 45.98 46.84 46.08 46.51 44.74V (m/s) 43.5 42.7 43.4 43 44.7
0.45-10.3 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 45.25 45.15 45.87 45.05 44.64V (m/s) 44.2 44.3 43.6 44.4 44.8
0.45-15.1 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 48.9 48.54 47.51 49.14 50.13V (m/s) 40.9 41.2 42.1 40.7 39.9
0,45-15.2 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 47.28 47.51 46.95 47.62 48.08V (m/s) 42.3 42.1 42.6 42 41.6
0,45-15.3 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 48.08 46.4 46.51 46.62 45.77V (m/s) 41.6 43.1 43 42.9 43.7
0,45-20.1 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 47.73 48.08 46.73 47.85 46.62V (m/s) 41.9 41.6 42.8 41.8 42.9
0,45-20.2 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 46.62 47.06 45.98 46.73 47.17V (m/s) 42.9 42.5 43.5 42.8 42.4
0,45-20.3 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 46.07 45.61 45.71 45.4 45.51V (m/s) 43.41 43.85 43.75 44.05 43.95
42.20
42.82
43.80
Kecepatan Gelombang Rata-rata
Kode Sampel
Angka Kecepatan GelombangEstimasi
42.40
43.00
43.17
42.23
43.46
44.26
40.96
42.12
42.86
110
0,45-25.1 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 46.95 47.17 46.08 47.17 47.51V (m/s) 42.6 42.4 43.4 42.4 42.1
0,45-25.2 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 47.06 47.85 46.62 47.17 45.35V (m/s) 42.5 41.8 42.9 42.4 44.1
0,45-25.3 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 45.87 46.4 45.15 46.3 46.08V (m/s) 43.6 43.1 44.3 43.2 43.4
0,50-0.1 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 46.84 47.85 48.54 48.54 47.17V (m/s) 42.7 41.8 41.2 42.4 42.2
0,50-0.2 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 47.73 46.95 46.95 45.87 46.3V (m/s) 41.9 42.6 42.6 43.6 43.2
0,50-0.3 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 46.51 46.84 45.66 46.73 46.95V (m/s) 43 42.7 43.8 42.8 42.6
0,50-10.1 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 50 46.84 47.51 46.08 46.73V (m/s) 40 42.7 42.1 43.4 42.8
0,50-10.2 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 46.95 46.95 48.31 45.98 46.08V (m/s) 42.6 42.6 41.4 43.5 43.4
0.50-10.3 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 46.51 45.56 46.95 45.87 46.84V (m/s) 43 43.9 42.6 43.6 42.7
0.50-15.1 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 46.81 46.59 47.47 47.59 45.74V (m/s) 42.73 42.93 42.13 42.03 43.73
0,50-15.2 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 45.72 45.52 46.36 46.47 44.7V (m/s) 43.74 43.94 43.14 43.04 44.74
0,50-15.3 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 45.58 45.67 45.07 45.07 45.9V (m/s) 43.88 43.8 44.38 44.38 43.58
0,50-20.1 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 49.02 46.95 47.85 49.5 49.02V (m/s) 40.8 42.6 41.8 40.4 40.8
0,50-20.2 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 47.96 46.95 47.62 48.31 47.39V (m/s) 41.7 42.6 42 41.4 42.2
0,50-20.3 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 46.62 47.06 46.73 46.84 45.87V (m/s) 42.9 42.5 42.8 42.7 43.6
41.98
42.90
42.78
42.98
42.20
42.70
43.16
42.71
43.72
44.00
41.28
42.58
42.74
43.52
42.06
111
0,50-25.1 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 48.54 48.08 49.14 47.62 47.85V (m/s) 41.2 41.6 40.7 42 41.8
0,50-25.2 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 47.39 48.08 47.73 46.73 47.17V (m/s) 42.2 41.6 41.9 42.8 42.4
0,50-25.3 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 43.4 45.5 46.08 45.15 45.49V (m/s) 43.6 44 43.4 44.3 43.97
0,55-0.1 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 45.93 48.71 47.33 47.33 46.55V (m/s) 43.54 41.06 42.26 42.26 42.96
0,55-0.2 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 46.04 46.9 46.15 46.58 44.8V (m/s) 43.44 42.64 43.34 42.94 44.64
0,55-0.3 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 45.52 45.93 44.9 45.62 46.04V (m/s) 43.94 43.54 44.54 43.84 43.44
0,55-10.1 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 46.9 47.13 46.04 47.13 47.46V (m/s) 42.64 42.44 43.44 42.44 42.14
0,55-10.2 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 46.02 46.88 46.13 46.55 44.78V (m/s) 43.46 42.66 43.36 42.96 44.66
0.55-10.3 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 45.65 45.73 45.13 45.13 50V (m/s) 43.82 43.74 44.32 44.32 43.52
0.55-15.1 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 48.52 48.05 50 47.6 47.82V (m/s) 41.22 41.62 40.72 42.02 41.82
0,55-15.2 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 50 50 50 47.28 47.51V (m/s) 42.6 41.7 41.1 42.3 42.1
0,55-15.3 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 45.89 48.66 47.28 47.28 46.51V (m/s) 43.58 41.1 42.3 42.3 43
0,55-20.1 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 49.04 48.69 47.64 49.29 50.28V (m/s) 40.78 41.08 41.98 40.58 39.78
0,55-20.2 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 47.71 48.05 46.71 47.82 46.6V (m/s) 41.92 41.62 42.82 41.82 42.92
0,55-20.3 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 47.04 47.26 46.17 47.26 47.6V (m/s) 42.52 42.32 43.32 42.32 42.02
43.42
43.94
41.48
41.96
42.46
40.84
42.22
42.50
41.46
42.18
43.85
42.42
43.40
43.86
42.62
112
0,55-25.1 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 48.33 47.87 48.92 47.42 47.64V (m/s) 41.38 41.78 40.88 42.18 41.98
0,55-25.2 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 48 47 47.6 48.3 47.4V (m/s) 41.74 42.64 42.04 41.44 42.24
0,55-25.3 L (m) 0.200 0.200 0.200 0.200 0.200T (μs) 46.6 46.93 45.75 46.82 47.04V (m/s) 42.92 42.62 43.73 42.72 42.52
42.02
42.90
41.64
113
Lampiran : 26
Hasil pengijian kuat tekan dan Standar deviasi
1. Hasil pengujian beton silinder ukuran 20 x 10 cm2 umur 3 hari
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,45-0.1 3-Mar-17 6-Mar-17 3860 3865 20600 78.5 262.42 25.74 (1.79) 3.21 0,45-0.2 3-Mar-17 6-Mar-17 3835 3840 21550 78.5 274.52 26.93 (0.60) 0.36 0,45-0.3 3-Mar-17 6-Mar-17 3800 3895 23950 78.5 305.10 29.93 2.40 5.74
82.60 9.31 27.53
2.16
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,45-10.1 7-Mar-17 10-Mar-17 3805 3830 19500 78.5 248.41 24.37 (1.79) 3.21 0,45-10.2 7-Mar-17 10-Mar-17 3890 3915 19600 78.5 249.68 24.49 (1.92) 3.67 0.45-10.3 7-Mar-17 10-Mar-17 3840 3860 24000 78.5 305.73 29.99 3.71 13.74
78.85 20.62 26.28
3.21
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0.45-15.1 7-Mar-17 10-Mar-17 3810 3830 12000 78.5 152.87 15.00 (3.54) 12.54 0,45-15.2 7-Mar-17 10-Mar-17 3845 3860 15000 78.5 191.08 18.75 0.21 0.04 0,45-15.3 7-Mar-17 10-Mar-17 3815 3835 17500 78.5 222.93 21.87 3.33 11.11
55.61 23.69 18.54
3.44
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,45-20.1 7-Mar-17 10-Mar-17 3800 3895 10400 78.5 132.48 13.00 (6.33) 40.09 0,45-20.2 7-Mar-17 10-Mar-17 3860 3875 16000 78.5 203.82 19.99 0.67 0.44 0,45-20.3 7-Mar-17 10-Mar-17 3865 3880 20000 78.5 254.78 24.99 5.67 32.09
57.99 72.63 19.33
6.03
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,45-25.1 7-Mar-17 10-Mar-17 3855 3875 14000 78.5 178.34 17.50 (2.58) 6.67 0,45-25.2 7-Mar-17 10-Mar-17 3860 3880 16200 78.5 206.37 20.24 0.17 0.03 0,45-25.3 7-Mar-17 10-Mar-17 3855 3875 18000 78.5 229.30 22.49 2.42 5.84
60.23 12.54 20.08
2.50
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
∑ =
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
114
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,50-0.1 10-Mar-17 13-Mar-17 3825 3865 14050 78.5 178.98 17.56 (1.15) 1.31 0,50-0.2 10-Mar-17 13-Mar-17 3840 3870 15050 78.5 191.72 18.81 0.10 0.01 0,50-0.3 10-Mar-17 13-Mar-17 3825 3860 15800 78.5 201.27 19.74 1.04 1.08
56.11 2.41 18.70
1.10
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,50-10.1 10-Mar-17 13-Mar-17 3845 3880 14750 78.5 187.90 18.43 (0.60) 0.36 0,50-10.2 10-Mar-17 13-Mar-17 3830 3865 15450 78.5 196.82 19.31 0.27 0.07 0.50-10.3 10-Mar-17 13-Mar-17 3860 3890 15500 78.5 197.45 19.37 0.33 0.11
57.11 0.55 19.04
0.52
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0.50-15.1 13-Mar-17 16-Mar-17 3880 3885 11980 78.5 152.61 14.97 (1.37) 1.88 0,50-15.2 13-Mar-17 16-Mar-17 3865 3870 13500 78.5 171.97 16.87 0.53 0.28 0,50-15.3 13-Mar-17 16-Mar-17 3820 3825 13750 78.5 175.16 17.18 0.84 0.71
49.03 2.87 16.34
1.20
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,50-20.1 13-Mar-17 16-Mar-17 3880 3885 9050 78.5 115.29 11.31 (0.54) 0.29 0,50-20.2 13-Mar-17 16-Mar-17 3880 3885 9350 78.5 119.11 11.68 (0.17) 0.03 0,50-20.3 13-Mar-17 16-Mar-17 3840 3845 10050 78.5 128.03 12.56 0.71 0.50
35.55 0.82 11.85
0.64
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,50-25.1 14-Mar-17 17-Mar-17 3940 3945 10000 78.5 127.39 12.50 (0.50) 0.25 0,50-25.2 14-Mar-17 17-Mar-17 3850 3855 10400 78.5 132.48 13.00 - - 0,50-25.3 14-Mar-17 17-Mar-17 3885 3900 10800 78.5 137.58 13.50 0.50 0.25
38.99 0.50 13.00
0.50
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
115
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,55-0.1 20-Mar-17 23-Mar-17 3845 3850 9050 78.5 115.29 11.31 (1.77) 3.13 0,55-0.2 20-Mar-17 23-Mar-17 3865 3875 10250 78.5 130.57 12.81 (0.27) 0.07 0,55-0.3 20-Mar-17 23-Mar-17 3825 3835 12100 78.5 154.14 15.12 2.04 4.17
39.24 7.37 13.08
1.92
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,55-10.1 21-Mar-17 24-Mar-17 3870 3875 10700 78.5 136.31 13.37 (1.00) 1.00 0,55-10.2 21-Mar-17 24-Mar-17 3855 3860 11300 78.5 143.95 14.12 (0.25) 0.06 0.55-10.3 21-Mar-17 24-Mar-17 3900 3905 12500 78.5 159.24 15.62 1.25 1.56
43.11 2.62 14.37
1.15
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0.55-15.1 21-Mar-17 24-Mar-17 3905 3920 9750 78.5 124.20 12.18 (0.44) 0.19 0,55-15.2 21-Mar-17 24-Mar-17 3910 3920 9800 78.5 124.84 12.25 (0.37) 0.14 0,55-15.3 21-Mar-17 24-Mar-17 3855 3870 10750 78.5 136.94 13.43 0.81 0.66
37.87 0.99 12.62
0.70
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,55-20.1 21-Mar-17 24-Mar-17 3855 3875 6000 78.5 76.43 7.50 (2.21) 4.87 0,55-20.2 21-Mar-17 24-Mar-17 3825 3840 8300 78.5 105.73 10.37 0.67 0.44 0,55-20.3 21-Mar-17 24-Mar-17 3825 3845 9000 78.5 114.65 11.25 1.54 2.38
29.12 7.69 9.71 1.96
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,55-25.1 24-Mar-17 27-Mar-17 3800 3825 7600 78.5 96.82 9.50 (1.19) 1.41 0,55-25.2 24-Mar-17 27-Mar-17 3840 3875 8650 78.5 110.19 10.81 0.12 0.02 0,55-25.3 24-Mar-17 27-Mar-17 3800 3835 9400 78.5 119.75 11.75 1.06 1.13
32.05 2.55 10.68
1.13
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
Kg/cm2
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji
116
2. Hasil pengujian beton silinder ukuran 20 x 10 cm2 umur 28 hari
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,45-0.1 3-Mar-17 31-Mar-17 3850 3885 28600 78.5 364.33 35.74 (1.17) 1.36 0,45-0.2 3-Mar-17 31-Mar-17 3830 3865 28950 78.5 368.79 36.18 (0.73) 0.53 0,45-0.3 3-Mar-17 31-Mar-17 3840 3875 31050 78.5 395.54 38.80 1.90 3.59
110.72 5.48 36.91 1.66
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,45-10.1 7-Mar-17 4-Apr-17 3890 3915 23350 78.5 297.45 29.18 (5.64) 31.86 0,45-10.2 7-Mar-17 4-Apr-17 3805 3830 29000 78.5 369.43 36.24 1.42 2.01 0.45-10.3 7-Mar-17 4-Apr-17 3840 3860 31250 78.5 398.09 39.05 4.23 17.88
104.47 51.74 34.82 5.09
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0.45-15.1 7-Mar-17 4-Apr-17 3825 3875 15350 78.5 195.54 19.18 (6.27) 39.30 0,45-15.2 7-Mar-17 4-Apr-17 3865 3915 21800 78.5 277.71 27.24 1.79 3.21 0,45-15.3 7-Mar-17 4-Apr-17 3810 3855 23950 78.5 305.10 29.93 4.48 20.05
76.36 62.56 25.45 5.59
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,45-20.1 7-Mar-17 4-Apr-17 3810 3884 27300 78.5 347.77 34.12 (1.87) 3.51 0,45-20.2 7-Mar-17 4-Apr-17 3815 3855 28300 78.5 360.51 35.37 (0.62) 0.39 0,45-20.3 7-Mar-17 4-Apr-17 3845 3885 30800 78.5 392.36 38.49 2.50 6.25
107.97 10.15 35.99 2.25
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,45-25.1 7-Mar-17 4-Apr-17 3850 3895 23200 78.5 295.54 28.99 (0.83) 0.69 0,45-25.2 7-Mar-17 4-Apr-17 3890 3935 24050 78.5 306.37 30.05 0.23 0.05 0,45-25.3 7-Mar-17 4-Apr-17 3855 3895 24350 78.5 310.19 30.43 0.60 0.36
89.48 1.11 29.83 0.75
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
(Xi- X rata2) (Xi- X rata)^2
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
Tanggal Berat (gram)
Kg/cm2Dibuat DiujiKode
∑ =X rata-rata =
117
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,50-0.1 10-Mar-17 7-Apr-17 3850 3885 19150 78.5 243.95 23.93 (2.21) 4.87 0,50-0.2 10-Mar-17 7-Apr-17 3830 3870 21700 78.5 276.43 27.12 0.98 0.96 0,50-0.3 10-Mar-17 7-Apr-17 3805 3845 21900 78.5 278.98 27.37 1.23 1.51
78.42 7.34 26.14
1.92
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,50-10.1 10-Mar-17 7-Apr-17 3875 3915 24400 78.5 310.83 30.49 (2.31) 5.34 0,50-10.2 10-Mar-17 7-Apr-17 3850 3890 27000 78.5 343.95 33.74 0.94 0.88 0.50-10.3 10-Mar-17 7-Apr-17 3865 3910 27350 78.5 348.41 34.18 1.37 1.89
98.41 2.77 32.80
1.18
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0.50-15.1 13-Mar-17 10-Apr-17 3860 3880 19600 78.5 249.68 24.49 (2.52) 6.35 0,50-15.2 13-Mar-17 10-Apr-17 3825 3880 19750 78.5 251.59 24.68 (2.33) 5.44 0,50-15.3 13-Mar-17 10-Apr-17 3835 3865 25500 78.5 324.84 31.87 4.85 23.55
81.04 35.34 27.01
4.20
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,50-20.1 13-Mar-17 10-Apr-17 3830 3910 14750 78.5 187.90 18.43 (2.08) 4.34 0,50-20.2 13-Mar-17 10-Apr-17 3855 3860 16250 78.5 207.01 20.31 (0.21) 0.04 0,50-20.3 13-Mar-17 10-Apr-17 3835 3870 18250 78.5 232.48 22.81 2.29 5.25
61.55 9.63 20.52
2.19
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,50-25.1 14-Mar-17 11-Apr-17 3890 3920 16430 78.5 209.30 20.53 (3.02) 9.13 0,50-25.2 14-Mar-17 11-Apr-17 3905 3935 19230 78.5 244.97 24.03 0.48 0.23 0,50-25.3 14-Mar-17 11-Apr-17 3890 3920 20885 78.5 266.05 26.10 2.55 6.48
70.66 15.84 23.55
2.81
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
KodeTanggal Berat (gram)
118
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,55-0.1 20-Mar-17 17-Apr-17 3805 3845 22545 78.5 287.20 28.17 (0.56) 0.31 0,55-0.2 20-Mar-17 17-Apr-17 3820 3875 22890 78.5 291.59 28.61 (0.13) 0.02 0,55-0.3 20-Mar-17 17-Apr-17 3905 3904 23545 78.5 299.94 29.42 0.69 0.48
86.20 0.81 28.73
0.63
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,55-10.1 21-Mar-17 18-Apr-17 3885 3930 15990 78.5 203.69 19.98 (4.33) 18.79 0,55-10.2 21-Mar-17 18-Apr-17 3895 3915 20495 78.5 261.08 25.61 1.30 1.68 0.55-10.3 21-Mar-17 18-Apr-17 3920 3880 21890 78.5 278.85 27.36 3.04 9.23
72.95 29.70 24.32
3.85
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0.55-15.1 21-Mar-17 18-Apr-17 3905 3945 17390 78.5 221.53 21.73 (3.00) 9.00 0,55-15.2 21-Mar-17 18-Apr-17 3895 3910 19990 78.5 254.65 24.98 0.25 0.06 0,55-15.3 21-Mar-17 18-Apr-17 3860 3890 21990 78.5 280.13 27.48 2.75 7.56
74.19 16.62 24.73
2.88
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,55-20.1 21-Mar-17 18-Apr-17 3845 3890 11090 78.5 141.27 13.86 (6.71) 45 0,55-20.2 21-Mar-17 18-Apr-17 3890 3935 17990 78.5 229.17 22.48 1.91 4 0,55-20.3 21-Mar-17 18-Apr-17 3805 3840 20295 78.5 258.54 25.36 4.79 23
61.70 72 20.57
5.99
Beban (P) Luas Xi Uji kuat tekan Xi Uji kuat tekanSebelum Sesudah (cm^2) individual individual
Sampel Perendaman Perendaman (Kg/cm2) (MPa)0,55-25.1 24-Mar-17 21-Apr-17 3860 3905 15990 78.5 203.69 19.98 (2.00) 4.00 0,55-25.2 24-Mar-17 21-Apr-17 3840 3880 18390 78.5 234.27 22.98 1.00 1.00 0,55-25.3 24-Mar-17 21-Apr-17 3865 3900 18390 78.5 234.27 22.98 1.00 1.00
65.95 6.00 21.98
1.73
∑ =
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
∑ =X rata-rata =
Standart deviasi (Xi-X rata-rata/n-1)^1/2 =
KodeTanggal Berat (gram)
(Xi- X rata2) (Xi- X rata)^2Dibuat Diuji Kg/cm2
KodeTanggal Berat (gram)