Journals ITB
JETS

Journal of Engineering and Technological Sciences
  1. Home
  2. Archives
  3. Vol 29 (2022) Issue 1
  4. Articles

Prediksi Nilai SPT Pada Tanah Non Kohesif Berdasarkan Data CPT dan Sifat Fisik Tanah Menggunakan Jaringan Saraf Tiruan

Published: | DOI: 10.5614/jts.2022.29.1.5 | Vol 29, Issue 1 (2022)

Authors

Abstract

Abstrak Standard Penetration Test (SPT) dan Cone Penetration Test (CPT) merupakan tes penyelidikan tanah awal yang sering digunakan saat memulai suatu konstruksi. Telah banyak penelitian sebelumnya yang membahas tentang korelasi linier antara nilai SPT dan CPT, namun nilai koefisien korelasinya (R2) cenderung kecil. Jaringan saraf tiruan (JST) merupakan teknik yang dapat memecahkan masalah yang kompleks dan non-linier. Pada penelitian ini akan dilakukan prediksi nilai SPT menggunakan jaringan saraf tiruan pada tanah granular menggunakan algoritma backpropagation. Panelitian ini menggunakan 117 data dari beberapa wilayah di Provinsi Riau. Data masukan yang digunakan berupa nilai tahanan ujung (qc) dan nilai tahanan selimut (fs) dari pengujian CPT dan nilai tekanan overburden efektif (σ

Keywords

Physics; Mathematics

Keywords: Artificial Neuron Network, back-propagation, CPT, granular, SPT

1. Pendahuluan

Penyelidikan tanah merupakan langkah awal dalam memulai sebuah konstruksi. Penyelidikan awal tanah di lapangan biasanya menggunakan Standard Penetration Test (SPT) dan Cone Penetration Test (CPT). Selain itu, juga dilakukan penyelidikan tanah di laboratorium yang bertujuan untuk mendapatkan informasi lebih lanjut tentang tanah. Penyelidikan tanah di lapangan dan laboratorium bertujuan untuk mendapatkan

parameter sifat fisik dan mekanik tanah yang akan berguna dalam analisis dan desain pondasi. Selain itu, data yang diperoleh dapat digunakan sebagai pembanding, khususnya untuk penyelidikan tanah sejenis. Nilai SPT menunjukkan adanya korelasi dengan nilai CPT (pengujian Sondir) dan sifat fisik tanah lainnya. Hubungan ini telah banyak dipelajari oleh para peneliti sebelumnya. Pada Tabel 1 di bawah ini, terdapat beberapa korelasi antara nilai SPT, CPT dan sifat fisik tanah oleh beberapa peneliti terdahulu. Hubungan ini menggunakan parameter Kc, dimana Kc

*Penulis Korespondensi

7DEHO.RUHODVLQLODL637EHUGDVDUNDQSHQHOLWLDQWHUGDKXOX

5HIHUHQVL.F0SD1RWHV
$NFD3DVLU
3DVLUEHUODQDX
/DQDXEHUSDVLU
0D\QH3DVLU.DQDGD-HSDQJ1RUZDJLD&KLQDGDQ,WDOLD ' -PP
$KPHGHWDO3DVLUEHUVLKGDQODQDXEHUSDVLU)& -
6KDKULHWDO3DVLU6ZHGHQ
/HPSXQJ/HPSXQJEHUODQDXGDQODQDX
/DQDXEHUSDVLUODQDX-SDVLU
3DVLUKDOXVGDQ3DVLUEHUOHPSXQJ
/HPSXQJEHUSDVLUSDVLUEHUODQDXSDVLUEHUOHPSXQJEHUODQDX
3DVLUEHUNHULNLOSDVLUNDVDUGDQSDVLU-NHULNLO
/LQJZDQGDHWDO/HPSXQJGDQSDVLUEHUODQDX7DQ]DQLD ' PP
GRV6DQWRV %LFDOKR3DVLU9LFWRULD
3DVLU%HUODQDX
/DQDX%HUSDVLU
$ODPHWDO/HPSXQJ%HUODQDX
/HPSXQJ

DGDODKUDVLRDQWDUDTF GDQ1-637DWDX.F TF1637 GDODP 0SD ' DGDODK GLDPHWHU EXWLU \DQJ PHOHZDWL VDULQJDQ GDQ )& DGDODK NDQGXQJDQ EXWLUDQKDOXV1XJURKRHWDO

.RUHODVL LQL FHQGHUXQJ OLQLHU VHGDQJNDQ SDGD XPXPQ\D WDQDK GDUL VDWX WHPSDW NH WHPSDW ODLQ PHPLOLNL VLIDW \DQJ EHUYDULDVL GHQJDQ NHWLGDNSDVWLDQ \DQJEHVDUKDOLQLGLVHEDENDQROHKIRUPDVLWDQDK\DQJ VDQJDW NRPSOHNV -DNVD .DUHQD VLIDW WDQDK \DQJ NRPSOHNV GDQ QRQOLQLHU PDND GLSHUOXNDQ VXDWX LQRYDVLGDODPPHQHQWXNDQQLODL637\DQJOHELKHIHNWLI GDQGDSDWPHQ\HOHVDLNDQSHUVDPDDQNRPSOHNVIRUPDVL WDQDKVHKLQJJDQDQWLQ\DGLKDUDSNDQVXDWXPRGHOGDSDW PHPSUHGLNVLQLODL637GHQJDQQLODLHUURU\DQJNHFLO

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

VHEDJDLPDVXNDQMDULQJDQ<DQJ NHGXD DGDODKODSLVDQ WHQJDK DWDX ELDVD GLVHEXW ODSLVDQ WHUVHPEXQ\L \DQJ PHUHVSRQV SURSHUWL WHUWHQWX \DQJ PXQJNLQ WHUOLKDW GDODP SROD PDVXNDQ 7HUNDGDQJ DGD OHELK GDUL VDWX ODSLVDQ WHUVHPEXQ\L GL MDULQJDQ /DSLVDQ WHUDNKLU DGDODK ODSLVDQ NHOXDUDQ \DQJ EHUIXQJVL VHEDJDL VDOXUDQ NHOXDU XQWXN MDULQJDQ VDUDI WLUXDQ $OJRULWPD SHPEHODMDUDQ \DQJ SDOLQJ VHULQJ GLJXQDNDQ ROHK SDUD SHQHOLWL NKXVXVQ\D GL ELGDQJ UHND\DVD JHRWHNQLN DGDODKDOJRULWPD%DFNSURSDJDWLRQ

+LQJJD VDDW LQL -67 PDVLK PHQMDGL LQRYDVL EDJL SDUD SHQHOLWL GDODP PHQ\HOHVDLNDQ SHUPDVDODKDQ \DQJ NRPSOHNV NKXVXVQ\D GL ELGDQJ JHRWHNQLN %HEHUDSD SHQHOLWLDQ VHEHOXPQ\D \DQJ PHQJJXQDNDQ PHQJJXQDNDQ MDULQJDQ VDUDI WLUXDQ LQL VHSHUWL SHQHQWXDQ GD\D GXNXQJ WLDQJ SDQFDQJ .XUXS *ULIILQ SHULODNX IRQGDVL GDQJNDO VHSHUWL SHUNLUDDQSHQXUXQDQ &KHQHWDO0$6KDKLQ HW DO GDQ GD\D GXNXQJ .XR HW DO 3DGPLQLHWDO OLNXLIDNVL*RK VWDELOLWDV OHUHQJ=KDR GDQEDQ\DNVWXGLWHUNDLWODLQQ\D

3HQHOLWLDQWHQWDQJSUHGLNVLQLODL637MXJDWHODKEDQ\DN GLODNXNDQ ROHK SHQHOLWL VHEHOXPQ\D 3HQHOLWLDQ WHUNDLW \DQJ WHODK GLODNXNDQ VHEHOXPQ\D VHSHUWL SUHGLNVL 1- 637EHUGDVDUNDQGDWD&37GHQJDQORNDVLSHQHOLWLDQGL 'XEDL GDQ $EX 'KDEL 8QL (PLUDW $UDE 7DUDZQHK GLPDQDKDVLOSHQHOLWLDQGLSHUROHKQLODL5 GDQ 0$( 3HQHOLWLDQ VHUXSD MXJD WHODK GLODNXNDQ GHQJDQ ORNDVL SHQHOLWLDQ GL ,]PLU 7XUNL GHQJDQPDVXNDQ GDWD EHUXSD SHUVHQWDVH NHULNLO SDVLU ODQDX GDQ OHPSXQJ (U]LQ 7XVNDQ GHQJDQ

hasil penelitian nilai \(R^2\) pada pelatihan 0,9738 dan \(R^2\) pada pengujian 0,9348, MAE pada pelatihan 0,01 dan MAE pada pengujian 0,05 dan nilai RMSE pada pelatihan 0,04 dan pada pengujian 0,08. R<sup>2</sup>, RMSE dan MAE merupakan tolok ukur dalam menentukan keakuratan suatu persamaan atau ramalan. Semakin kecil nilai RMSE dan MAE menunjukkan tingkat akurasi yang lebih tinggi, sedangkan nilai R<sup>2</sup> yang mendekati 1 menunjukkan tingkat akurasi yang baik.

2. Metodologi

Data set berupa data hasil pengujian di lapangan (CPT, SPT) dan pengujian di laboratorium (sampel UDS). Pengelompokan data sesuai dengan kedalaman penyelidikan tanah yang sama di suatu lokasi. Data-data qc, fs, kadar air, berat volume merupakan variabel input dengan input berupa nilai SPT (Nugroho et al., 2021). Data input dan output dimasukan dalam jaringan saraf tiruan (aplikasi Matlab) untuk mendapatkan model terbaik. Secara umum prosedur penelitian dapat dilihat pada Gambar 1 berikut ini:

2.1 Pengumpulan data

Pengumpulan data merupakan suatu kegiatan yang bertujuan untuk mencari data yang dibutuhkan dalam proses penelitian guna mencapai tujuan penelitian. Dalam penelitian ini data yang dibutuhkan adalah data hasil SPT, CPT (sondir) dan uji laboratorium. Dalam pengujian SPT, data yang dibutuhkan adalah nilai SPT.

Pada pengujian Sondir, data yang dibutuhkan adalah nilai tahanan ujung (q<sub>c</sub>) dan tahanan selimut (f<sub>s</sub>). Dalam pengujian laboratorium, data yang dibutuhkan adalah nilai tekanan overburden efektif \((\sigma'_0)\), persentase pasir dan butiran halus. Data tersebut diperoleh dari Laboratorium Mekanika Tanah Fakultas Teknik Universitas Riau. Data yang diperoleh merupakan hasil pengujian di beberapa wilayah di Pulau Sumatera, diantaranya Provinsi Riau, Kepulauan Riau, Sumatera Utara, Sumatera Barat, Sumatera Selatan dan Jambi dari tahun 2005 hingga 2020. Statistik semua data dapat dilihat pada Tabel 2 di bawah (Fernando et al., 2021).

2.2 Normalisasi data

Pada penelitian ini akan dikembangkan jaringan saraf tiruan dengan algoritma back-propagation. Pada algoritma backpropagation fungsi aktivasi yang digunakan harus memenuhi beberapa kriteria yaitu: kontinyu, mudah dibedakan dan fungsi yang tidak turun. Fungsi aktivasi yang sering digunakan adalah fungsi sigmoid biner yang mempunyai range 0 sampai 1 dan fungsi aktivasi sigmoid bipolar yang mempunyai range -1 sampai 1. Fungsi tersebut akan membawa kisaran nilai masukan yang tak terhingga ke keluaran yang berhingga nilai. Untuk membawa kisaran nilai keluaran ke dalam kisaran masukan, data masukan harus dinormalisasi, yaitu mengubah data menjadi kisaran fungsi aktivasinya (Nugroho et al., 2022). Pada penelitian ini akan dilakukan penelitian dengan menggunakan fungsi aktivasi sigmoid bipolar,

9

Gambar 1. Bagan alir metodologi

Tabel 2. Statistik data yang dikumpulkan

Variableqcfs(σ'0)SandFinesN-SPT
Variable(kPa)(kPa)(kPa)(%)(%)(blows/ft)
Max24525274.68467.2899.950.4659
Min196.29.8128.30549.540.11
Mean7088.052109.697162.96791.5838.41718.257
SD5204.65266.81397.18711.73911.73912.228

NHPXGLDQ GDWDQ\D DNDQ GLQRUPDOLVDVL GHQJDQ PHQWUDQVIRUPDVLNDQ GDWD WHUVHEXW PHQMDGL UDQJH - VDPSDL 5XPXV \DQJ GLJXQDNDQ DGDODK PHWRGH QRUPDOLVDVL PLQ-PD[ GHQJDQ PHQJJXQDNDQ 3HUVDPDDQ VHEDJDLEHULNXW

\[Xnormalization = \frac{Xcurrent - ((Xmax + Xmin)/2)}{(Xmax - Xmin)/2}\](1)

3HODWLKDQGDQSHQJXMLDQGDWD

3HPEXDWDQ PRGHO MDULQJDQ VDUDI WLUXDQ GLODNXNDQ GHQJDQ PHPEDJL GDWD PHQMDGL GXD EDJLDQ \DLWX VHEDJDL GDWD ODWLK GDQ VHEDJDL GDWD XML 'DWD ODWLK PHUXSDNDQ GDWD \DQJ DNDQ GLJXQDNDQ XQWXN PHODWLK MDULQJDQ VHGDQJNDQ GDWD XML PHUXSDNDQ GDWD \DQJ EHOXPSHUQDKGLJXQDNDQGDODPSHODWLKDQMDULQJDQGDQ EHUWXMXDQXQWXNPHQLODLNLQHUMD VXDWXMDULQJDQ'DODP SHQHOLWLDQLQLWHUGDSDWGDWDGLPDQDGDWDDNDQ GLJXQDNDQ VHEDJDL GDWD ODWLK WUDLQLQJ GDWD GDQ GDWDVHEDJDLGDWDXMLWHVWLQJGDWD

3HUDQFDQJDQPRGHOMDULQJDQVDUDIWLUXDQ

5DQFDQJDQDUVLWHNWXUPRGHOMDULQJDQVDUDIWLUXDQ\DQJ DNDQ GLNHPEDQJNDQ GLVHVXDLNDQ GHQJDQ DSOLNDVL \DQJ DNDQ GLNHPEDQJNDQ 8QWXN PHPSUHGLNVL QLODL 637 \DQJ PHPEXWXKNDQ GDWD PDVXNDQ \DQJ UHODWLI EHVDU GLSHUOXNDQMDULQJDQPXOWLOD\HU GHQJDQDOJRULWPDEDFN-SURSDJDWLRQ GDQ PHWRGH SHPEHODMDUDQ \DQJ GLDZDVL 'HQJDQ EDQ\DNQ\D GDWD \DQJ DNDQ GLJXQDNDQ GDQ SHUPDVDODKDQ \DQJ UHODWLI NRPSOHNV \DQJ KDUXV

0RGHOL7UDLQOPB+/B1

)XQJVLDNWLYDVL7DQVLJ)XQJVLDNWLYDVL7DQVLJ
)XQJVLSHODWLKDQ7UDLQOP)XQJVLSHODWLKDQ7UDLQOP
/DSLVDQWHUVHPEXQ\L/DSLVDQWHUVHPEXQ\L
1HXURQ/DSLVDQ7HUVHPEXQ\L1HXURQ/DSLVDQ7HUVHPEXQ\L

GLVHOHVDLNDQ PDND PRGHO -67 \DQJ DNDQ GLNHPEDQJNDQ DGDODK -67 GHQJDQ DUVLWHNWXU MDULQJDQ PXOWLOD\HU\DQJWHUGLULGDULWLJD ODSLV\DLWX

  • ,QSXWOD\HU \DQJWHUGLULGDULEHEHUDSDQHXURQ \DQJ MXPODKQ\DGLVHVXDLNDQGHQJDQSRODPDVXNDQ
  • 6DWX DWDX OHELK KLGGHQ OD\HU GHQJDQ EHEHUDSD QHXURQ\DQJMXPODKQ\DGLODNXNDQGHQJDQWULDODQG HUURU \DQJ GLSLOLK DGDODK \DQJ PHQJKDVLONDQ NRQYHUJHQVL GHQJDQ MXPODK LWHUDVL HSRFK SDOLQJ VHGLNLW
  • 2XWSXW OD\HU \DQJ WHUGLUL GDUL EHEHUDSD QHXURQ WHUJDQWXQJSDGDSRODNHOXDUDQ\DQJGLLQJLQNDQ

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

6HEDJDL FRQWRK EHULNXW DGDODK WULDO \DQJ GLODNXNDQ GHQJDQ SURVHV YDULDVL VHVXDL GHQJDQ \DQJ WHODK GLMHODVNDQVHEHOXPQ\D

0RGHOL7UDLQOPB+/B1

-LNDPHQJJXQDNDQKLGGHQOD\HU EHOXPPHQGDSDWNDQMDULQJDQSHUIRUPDWHUEDLN YDULDVLGDSDWGLODNXNDQGHQJDQ PHQDPEDKMXPODKKLGGHQOD\HU

‡0RGHOL7UDLQOPB+/B1+/ B+/‡0RGHOL7UDLQOPB+/B1+/ B1+/
)XQJVLDNWLYDVL7DQVLJ)XQJVLDNWLYDVL7DQVLJ
)XQJVLSHODWLKDQ7UDLQOP)XQJVLSHODWLKDQ7UDLQOP
/DSLVDQWHUVHPEXQ\L/DSLVDQWHUVHPEXQ\L
1HXURQ/DSLVDQ7HUVHPEXQ\L1HXURQ/DSLVDQ7HUVHPEXQ\L
1HXURQ/DSLVDQ7HUVHPEXQ\L1HXURQ/DSLVDQ7HUVHPEXQ\L

-LNDPHQJJXQDNDQIXQJVLSHODWLKDQ7UDLQOP EHOXPPHQGDSDWNDQMDULQJDQGHQJDQNLQHUMDWHUEDLNVHODQMXWQ\DGDSDW GLODNXNDQYDULDVLGHQJDQPHQJJDQWLIXQJVLSHODWLKDQODLQQ\D

‡0RGHOLWUDLQFJEB+/B1 ‡0RGHOLWUDLQFJEB+/B1
)XQJVLDNWLYDVL7DQVLJ)XQJVLDNWLYDVL7DQVLJ
)XQJVL3HODWLKDQ7UDLQFJE)XQJVL3HODWLKDQ7UDLQFJE
/DSLVDQWHUVHPEXQ\L/DSLVDQWHUVHPEXQ\L
1HXURQ/DSLVDQ7HUVHPEXQ\L1HXURQ/DSLVDQ7HUVHPEXQ\L

Jurnal Teknik Sipil

Jika menggunakan fungsi aktivasi sigmoid bipolar belum mendapatkan jaringan kinerja terbaik, maka dapat dilanjutkan dengan memvariasikannya menjadi fungsi aktivasi sigmoid biner. Proses pelatihan dapat dihentikan jika telah memperoleh jaringan dengan nilai MSE kecil dan R yang mendekati 1.

2.5 Pengujian model jaringan saraf tiruan

Pengujian model jaringan yang telah dikembangkan bertujuan untuk mengukur ketepatan atau kinerja model jaringan dalam memprediksi nilai keluaran yang kemudian dibandingkan dengan nilai aslinya. Tolok ukur yang digunakan dalam menilai akurasi dalam penelitian ini adalah nilai RMSE dan MAE. Suatu persamaan dikatakan memiliki akurasi yang baik jika memiliki nilai RMSE dan MAE yang kecil. Rumus yang digunakan dalam menghitung RMSE dan MAE dapat dilihat pada Persamaan (2) dan Persamaan (3) berikut:

\[RMSE = \sqrt{\frac{1}{n} \sum_{i=1}^{n} (f_i - y_i)^2}\] (2)

\[MAE = \frac{1}{n} \sum_{i=1}^{n} |f_i - y_i|\] (3)

Dimana RMSE adalah Root Mean Square Error, MAE adalah Mean Absolute Error, fi adalah nilai asli, yi adalah nilai hasil prediksi, n adalah jumlah data.

3. Hasil dan Kesimpulan

3.1 Hasil tahap pembuatan model

Arsitektur jaringan dilakukan dengan cara trial and error jumlah hidden layer, neuron, dan fungsi aktivasi pada model JST. Model terbaik merupakan arsitektur jaringan dimana nilai R pada data training dan data uji nilainya paling mendekati 1. Pada penelitian ini didapatkan bahwa jaringan dengan performa terbaik adalah jaringan dengan arsitektur jaringan berupa 1 hidden layer dan 40 neuron pada hidden layer menggunakan fungsi aktivasi traincgb. Arsitektur jaringan yang telah dikembangkan dapat dilihat pada Gambar 2.

Perbedaan antara nilai antara output dan target pada data latih adalah kecil dimana nilai korelasinya adalah R<sub>training</sub>

11

Gambar 2. Arsitektur jaringan NN_Nspt (NC)

=0.94764, R validation =0.98962. Pada data uji beda antara nilai output dan target juga kecil, dimana korelasi menpunyai nilai \(R_{Test} = 0.93521\) dan \(R_{All} = 0.94719\). Hasil regresi pada tanah non cohesive (granular), Model Regresi JST NN Nspt (NC), dapat dilihat pada Gambar 3.

3.2 Bobot dan bias

Satu set data pada input layer terdiri dari 5 (lima) neuron dan jumlah neuron pada lapisan tersembunyi (hidden layer) ada 40. Neuron input layer untuk masuk ke hidden layer harus dihitung weight (bobot) dan bias masing-masing. input layer berupa matrik (5x1),i; matrik bobot berupa matrik (40x5); dan matrik bias berupa matrik (40x1),i sehingga:

\[[Z_1]_{40x1,(i)} = [W_1]_{40x5,(i)} [I]_{5x1,(i)} + [b_i]_{40x1,(i)}\](4)

dimana [W1] adalah matrik bobot pada Tabel 3 dan [bi] adalah matrik bias input sesuai Tabel 4.

Demikian juga neuron pada hidden layer untuk masuk lapisan output (output layer) harus diberi bobot dan bias output (WO, BO), sehingga:

\[[Y_1]_{1x1,(i)} = [Z_1]_{1x40,(i)} [W_2]_{40x1,(i)} + [b_o]_{1x1,(i)}\] (5)

[W<sub>2</sub>] adalah matrik bobot output pada Tabel 5 dan [b<sub>0</sub>] adalah matrik bias output pada Tabel 6.

3.3. Hasil tahap pengujian model

Pada tahap ini akan dilakukan simulasi terhadap data masukan yang ada, baik pada data latih maupun pada data uji dalam memprediksi nilai SPT. Hasil simulasi kemudian dibandingkan dengan nilai SPT asli untuk menghitung nilai RMSE dan MAE yang dapat dilihat pada Tabel 7. Untuk menghitung nilai RMSE dan dengan menggunakan MAE, dapat dilakukan Persamaan (2) dan Persamaan (3). Pada Gambar 4 dapat dilihat grafik antara nilai SPT prediksi dengan nilai SPT asli yang selanjutnya dapat ditentukan oleh nilai R<sup>2</sup> untuk mengukur tingkat akurasi prediksi.

Perhitungan Prediksi nilai SPT dapat dihitung secara manual dengan operasi matriks menggunakan nilai

24

Gambar 3. Model regresi JST NN_Nspt (NC)

7DEHO%RERWGDULLQSXWOD\HU NHKLGGHQOD\HU>:,@

:L:L-:L-:L-:L
:L:L-:L:L:L-
:L:L-:L:L:L
:L:L-:L-:L-:L
:L-:L-:L-:L:L-
:L-:L:L-:L-:L
:L:L-:L:L:L
:L-:L:L-:L:L
:L:L:L:L:L
:L:L:L:L-:L-
:L:L:L-:L-:L
:L-:L:L-:L:L
:L:L:L-:L:L-
:L-:L-:L:L:L-
:L-:L:L-:L-:L-
:L:L-:L-:L-:L
:L:L-:L-:L-:L
:L:L:L:L-:L-
:L-:L-:L-:L-:L
:L:L:L:L-:L
:L-:L-:L:L-:L-
:L:L-:L:L-:L-
:L-:L:L-:L-:L
:L-:L-:L:L-:L-
:L-:L-:L-:L-:L-
:L-:L-:L-:L:L-
:L-:L-:L-:L:L-
:L:L:L:L:L
:L-:L-:L-:L:L-
:L:L-:L-:L-:L-
:L:L-:L-:L:L
:L-:L-:L-:L:L-
:L-:L-:L-:L:L-
:L:L:L:L:L
:L:L-:L:L-:L
:L-:L-:L-:L:L
:L-:L:L-:L:L-
:L:L-:L-:L:L
:L:L-:L:L-:L-
:L-:L-:L-:L-:L-

Jurnal Teknik Sipil

7DEHO%LDVGDULLQSXWOD\HU NHRXWSXWOD\HU >%,@

EK-EKEKEKEK-
EKEK-EKEKEK-
EK-EK-EKEKEK-
EK-EKEKEKEK
EK-EKEK-EK-EK-
EK-EK-EK-EKEK-
EKEK-EK-EKEK
EK-EK-EK-EKEK

7DEHO%RERWGDULKLGGHQOD\HU NHRXWSXWOD\HU >:2@

:R:R-:R-:R:R-
:R-:R-:R-:R:R
:LR:R-:R-:R:R
:R:R-:R:R:R-
:R-:R-:R:R-:R
:R-:R-:R-:R:R-
:R:R-:R:R:R-
:R:R:R:R:R-

7DEHO %LDVGDULKLGGHQOD\HUNHRXWSXWOD\HU >%@0DWULNV [

E-

7DEHO8NXUDQDNXUDVL11B1VSW1&

7LQMDXDQ'DWD/DWLK'DWD8ML
506(
0$(

PDWULNV ERERW GDQ PDWULNV ELDV GHQJDQ ODQJNDK-ODQJNDKEHULNXW

1RUPDOLVDVLGDWDPDVXNDQ;LVHVXDLGHQJDQIXQJVL DNWLYDVL \DQJ GLJXQDNDQ 'DODP SHQHOLWLDQ LQL GLODNXNDQ QRUPDOLVDVL GDWD GHQJDQ PHQJJXQDNDQ IXQJVL DNWLYDVL VLJPRLG ELSRODU GDWD GLWUDQVIRUPDVLNDQ PHQMDGL UHQWDQJ - KLQJJD 3URVHV QRUPDOLVDVL PHQJJXQDNDQ SHUVDPDDQ 'DWD PDVXNDQ WHUGLUL GDUL QHXURQ VHKLQJJD GDWD PDVXNDQQRUPDOLVDVLGLWDPSLONDQGDODPPDWULNV; RUGH[^>;@[L `GLPDQDLDGDODKMXPODKGDWD

Input Layer, \[[X_i]_{1x5,(i)} = \frac{1 - e^{Xi}}{1 + e^{Xi}}\] (a)

6HODQMXWQ\D DGDODK PHQJKLWXQJ RSHUDVL SDGD ODSLVDQ WHUVHPEXQ\L KLGGHQ OD\HU 3URVHV SHUKLWXQJDQ GHQJDQ SHUNDOLDQ PDWULNV +LGGHQ OD\HU WHUGLUL GDUL QHXURQ ROHK NDUHQDLWX ERERW GDULLQSXWOD\HU NHKLGGHQOD\HU GLWDPSLONDQGDODP PDWULNV :, RUGH [ ^>:,@[ L ` GDQ ELDV GDUL LQSXW OD\HU NH KLGGHQ OD\HU GLWDPSLONDQ GDODP PDWULNV E, RUGH [ ^>%,@[ L ` 6HODQMXWQ\D

SHUNDOLDQ PDWULNV GLODNXNDQ GHQJDQ PHQJJXQDNDQ 3HUVDPDDQ EHULNXW

+LGGHQ/D\HULQSXW

\[Z_i]_{1x40,(i)} = [X_i]_{1x5,(i)}[W_I]_{5x40,(i)} + [b_i]_{1x40,(i)}\] (b)

$NWLINDQKLGGHQOD\HU VHVXDLGHQJDQIXQJVLDNWLYDVL \DQJ GLJXQDNDQ 5XPXV \DQJ GLJXQDNDQ DGDODK UXPXVDNWLYDVLVLJPRLGELSRODU

\[f(x) = \frac{1 - e^{-x}}{1 + e^{-x}}\]

GHQJDQPHQJJXQDNDQ3HUVDPDDQEHULNXW

+LGGHQ/D\HURXWSXW

\[[Z_o]_{1x40,(i)} = f([Z_i]_i) = \frac{1 - e^{-[Z_i]_i}}{1 + e^{-[Z_i]_i}}\] (c)

3HUKLWXQJDQ GL ODSLVDQ NHOXDUDQ 3URVHV SHQJKLWXQJDQQ\D PHQJJXQDNDQ SHUNDOLDQ PDWULNV GLPDQD OD\HU NHOXDUDQ GLWDPSLONDQ GDODP PDWULNV [ 1LODL KLGGHQ OD\HU GLWDPSLONDQ GDODP PDWULNV [ ERERW GDUL KLGGHQ OD\HU KLQJJD RXWSXW OD\HU GDODP PDWULNV [ GDQ QLODL ELDV GDODP PDWULNV [3URHV SHUKLWXQJDQ GHQJDQ PHQJJXQDNDQ SHUNDOLDQ PDWULNV GHQJDQ PHQJJXQDNDQ 3HUVDPDDQ EHULNXW

2XWSXW/D\HU

\[Y_i = [Z_o]_{1x40,(i)}[W_o]_{40x1,(i)} + [b_o]_{1x1,(i)}\] (d)

)XQJVL DNWLYDVL \DQJ GLJXQDNDQ SDGD ODSLVDQ NHOXDUDQ DGDODK IXQJVL OLQLHU GHQJDQ 3HUVDPDDQ EHULNXW

2XWSXW

\[Y = f(Y_i) (e)\]

/DQJNDKWHUDNKLU DGDODK GH-QRUPDOLVDVL QLODL NHOXDUDQ \DQJGLDNWLINDQGHQJDQPHQJJXQDNDQ3HUVDPDDQ

'LVNXVL

.HKDQGDODQ 0RGHO -67 WHUEDLN GDSDW GLOLKDW SDGD SHUEHGDDQDQWDUDQLODL637SUHGLNVLGDQQLODL637KDVLO SH\HOLGLNDQ (IHNWLILWDV PRGHO -67 \DQJ GLUHNRPHQGDVLNDQ11-1VSW1& DNDQGLEDQGLQJNDQ GHQJDQ SHQHOLWLDQ VHEHOXPQ\D XQWXN PHQHQWXNDQ WLQJNDW NHHIHNWLIDQ 6HEDJDL SHPEDQGLQJ DNDQ GLODNXNDQ SUHGLNVL QLODL 637 GHQJDQ PHQJJXQDNDQ

NRUHODVL NRQYHQVLRQDO *DPEDU ROHK $NFD $NFD *DPEDU ROHK 0D\QH 3 0D\QH GDQ *DPEDU ROHK $KPHG GNN $KPHG HW DO 3URVHV SUHGLNVL QLODL 637 LQL PHQJJXQDNDQ QLODL .F VHSHUWL \DQJ GLMHODVNDQ SDGD EDJLDQ SHQGDKXOXDQ 7DEHO GL EDZDK LQL PHQDPSLONDQ QLODL 506( GDQ 0$(

3UHGLNVLEHUGDVDUNDQPRGHOWHUEDLN

0RGHO NRUHODVL WHUEDLN DGDODK DSDELOD QLODL SUHGLNVL VDPDDWDXPHQGHNDWLQLODLWDUJHWQLODLDVOL .HGHNDWDQ

7

*DPEDU3UHGLNVL1-637PHQJJXQDNDQ-67PRGHO11B1VSW11

9

*DPEDU3UHGLNVLQLODL637PHQJJXQDNDQNRUHODVL$NFD

11

*DPEDU3UHGLNVLQLODL637PHQJJXQDNDQNRUHODVL0D\QH

1

*DPEDU.RUHODVLSHQJJXQDDQ1-637$KPHGHWDO

7DEHO3UHGLNVLQLODL637PHQJJXQDNDQNRUHODVLNRQYHQVLRQDO

'DWD/DWLK'DWD8ML
3HQHOLWLDQ506(0$(506(0$(
$NFD
0D\QH
$KPHGHWDO
1XJURKRHWDO
5

*DPEDU'HVLJQFKDUW SUHGLNVL1-637961-637DVOL

7

*DPEDU%DJDQGHVDLQTF961-637

٧ariabel BebasOutput
CFPTProperties Tanah N-SPT (blows/ft)
NoInputOutput (Prediksi)Asli
qc
(kPa)		fs
(kPa)		σ,ν
(kPa)		Sand
(%)		Fines
(%)		Akca
(2003)		Mayne
(2006)		Ahmed
(2014)		Nugroho
(2020)		ASTM
1830.07754.33261.95097.842.1601.1291.8951.6343.9375
25787.90084.51742.00556.3843.627.87513.21411.3949.68910
36848.362249.2686.82098.801.2009.31715.63613.48115.66715
44640.885215.82180.1299.400.6006.31410.5969.13620.48220
57470.69297.345164.5692.207.80010.16417.05614.70625.31026
614262.2349.050110.4098.121.89019.40432.56228.07529.49330
77429.189151.30357.5078.7021.3010.10816.96214.62435.92236
820110.50155.33163.7868.3831.6227.36145.91439.58841.79742
911104.92158.92288.6794.755.25015.10925.35421.86043.86946
1024525.0098.10361.6781.4418.5633.36755.99348.27851.81050
1124525.00098.100363.32079.6220.3833.36755.99348.27859.48359

Tabel 9. Verifikasi prediksi N-SPT menggunakan NN_Nspt (NC) dengan korelasi konvensional oleh peneliti sebelumnya.

nilai prediksi dan nilai target bisa terlihat dari nilai R2. Jika nilai \(R^2\)=1, artinya nilai prediksi sama dengan nilai terget

Gambar 8 (a) dan (b) adalah diagram desain antara nilai SPT yang diprediksi dan nilai SPT asli. Dalam design chart ini, ditampilkan garis regresi linier dari prediksi dengan JST dan prediksi dengan korelasi konvensional. Prediksi N-SPT menggunakan JST memberikan hasil yang lebih akurat dan efektif dibandingkan dengan korelasi konvensional, hal ini terlihat melalui nilai R<sup>2</sup> JST (warna merah) yang lebih besar atau mendekati 1 dibandingkan dengan perkiraan konvensional. Pada data latih R<sup>2</sup> = 0,9103 dan data uji R<sup>2</sup> = 0.9311.

Gambar 9 (a) dan (b) merupakan design chart antara nilai tahanan ujung (qc) dan nilai SPT (N-SPT), pada grafik ini menunjukkan gabungan regresi linier dari data asli, prediksi menggunakan JST dan prediksi menggunakan 3 korelasi dengan peneliti sebelumnya. Pada grafik ini terlihat jelas bahwa regresi linier pada JST menunjukkan hasil yang sangat mendekati data asli, terlihat bahwa regresi linier pada JST (hitam) hampir bertepatan dengan regresi linier pada data asli (pada merah), dimana dapat diartikan bahwa prediksi dengan JST hampir mendekati nilai sebenarnya di lapangan.

Selanjutnya untuk mengetahui efektifas prediksi nilai SPT menggunakan jaringan saraf tiruan dibandingkan dengan prediksi nilai SPT menggunakan korelasi konvensional. Pada Tabel 9 di bawah ini, beberapa contoh perbandingan prediksi nilai SPT menggunakan jaringan saraf tiruan dan korelasi konvensional.

4. Kesimpulan

Berdasarkan penelitian yang telah dilakukan, didapatkan kesimpulan sebagai berikut:

  • Jaringan saraf tiruan dianggap mampu dan efisien dalam memprediksi nilai SPT pada penelitian ini. Pernyataan ini didukung dengan nilai error yang kecil dan tingkat akurasi yang tinggi dibandingkan dengan korelasi konvensional. Pada data latih didapatkan nilai RMSE 3.646, MAE 2.533 dan R<sup>2</sup> 0.9103 sedangkan pada data uji didapatkan nilai RMSE 2.955, MAE 2.190, dan R<sup>2</sup> 0.9311.
  • 2. Arsitektur jaringan saraf tiruan dengan performa terbaik didapatkan yaitu model dengan 1 hidden layer dan 40 neuron pada hidden layer. Fungsi aktivasi yang digunakan adalah sigmoid bipolar/tansig, fungsi pelatihan traincgb dan menggunakan algoritma Backpropagation.
  • 3. Design chart hubungan antara N-SPT Asli dan N-SPT prediksi seperti pada Gambar 8. dan design chart antara nilai qc dan N-SPT seperti pada Gambar 9. menunjukkan bahwa prediksi nilai SPT menggunakan JST menunjukkan hasil yang hampir mendekati dengan nilai di lapangan, hal ini dapat dilihat dari garis regresi data asli hampir berhimpitan dengan garis regresi prediksi dengan IST

Ucapan Terima Kasih

Terima kasih penulis ucapkan kepada Laboratorium Mekanika Tanah Fakultas Teknik Universitas Riau dan juga kepada CV. Geoteknik Multi Services yang telah menyediakan data hasil pengujian lapangan dan pengujian laboratorium. Data-data tersebut sangat berguna bagi penulis dalam proses penelitian hingga penelitian ini selesai.

Research Intelligence

Data from OpenAlex ↗

Metrics

0.00
FWCIfield-weighted
4th
Percentilevs same year + field
Article
Work type
GOLD
Open Access

Topics

Geotechnical and construction materials studies Primary
1.00
Civil and Structural Engineering › Engineering › Physical Sciences
Computer Science and Engineering
0.94
Geodetic Measurements and Engineering Structures
0.90

Related Research

Semantic Profile AI-classified research signals

Core Domains
Physics 0.48
level 0
Mathematics 0.32
level 0

Institution Network

  • Riau University ID
    Soewignjo Agus Nugroho · Hendra Fernando · Reni Suryanita

References

  1. Ahmed, S. M., Agaiby, S. W., & Abdel-Rahman, A. H. (2014). A unified CPT-SPT correlation for non-crushable and crushable cohesionless soils. Ain Shams Engineering Journal, 5(1), 63-73. https://doi.org/10.1016/j.asej.2013.09.009 DOI: 10.1016/j.asej.2013.09.009
  2. Akca, N. (2003). Correlation of SPT-CPT data from the United Arab Emirates. Engineering Geology, 67(3-4), 219-231. https://doi.org/10.1016/S0013-7952(02)00181-3 DOI: 10.1016/s0013-7952(02
  3. Alam, M., Aaqib, M., Sadiq, S., Mandokhail, S. J., Adeel, M. B., Maqsood-Ur-Rehman, & Kakar, N. A. (2018). Empirical SPT-CPT correlation for soils from Lahore, Pakistan. IOP Conference Series: Materials Science and Engineering, 414(1). https://doi.org/10.1088/1757-899X/414/1/012015 DOI: 10.1088/1757-899x/414/1/012015
  4. Chen, Y.-L., Azzam, R., & Zhang, F.-B. (2006). The displacement computation and construction pre-control of a foundation pit in Shanghai utilizing FEM and intelligent methods. Geotechnical & Geological Engineering, 24(6), 1781-1801.
  5. dos Santos, M. D., & Bicalho, K. V. (2017). Proposals of SPT-CPT and DPL-CPT correlations for sandy soils in Brazil. Journal of Rock Mechanics and Geotechnical Engineering, 9(6), 1152-1158. https://doi.org/10.1016/j.jrmge.2017.08.001 DOI: 10.1016/j.jrmge.2017.08.001
  6. Erzin, Y., & Tuskan, Y. (2017). Prediction of standard penetration test (SPT) value in Izmir, Turkey using radial basis neural network. Celal Bayar oeniversitesi Fen Bilimleri Dergisi, 37-41. https://doi.org/10.18466/cbayarfbe.319912 DOI: 10.18466/cbayarfbe.319912
  7. Ghaderi, A., Abbaszadeh Shahri, A., & Larsson, S. (2019). An artificial neural network based model to predict spatial soil type distribution using piezocone penetration test data (CPTu). Bulletin of Engineering Geology and the Environment, 78(6), 4579-4588. https://doi.org/10.1007/s10064-018-1400-9 DOI: 10.1007/s10064-018-1400-9
  8. Goh, A. T. C. (2002). Probabilistic neural network for evaluating seismic liquefaction potential. Canadian Geotechnical Journal, 39(1), 219-232. https://doi.org/10.1139/t01-073 DOI: 10.1139/t01-073
  9. Jaksa, M. B. (1995). The influence of spatial variability on the geotechnical design properties of a stiff, overconsolidated clay. Ph.D. Thesis, University of Adelaide, Australia., December. https://www.researchgate.net/publication/238346452
  10. Kuo, Y. L., Jaksa, M. B., Lyamin, A. V., & Kaggwa, W. S. (2009). ANN-based model for predicting the bearing capacity of strip footing on multi-layered cohesive soil. Computers and Geotechnics, 36(3), 503-516. https://doi.org/10.1016/j.compgeo.2008.07.002 DOI: 10.1016/j.compgeo.2008.07.002
  11. Kurup, P. U., & Griffin, E. P. (2006). Prediction of soil composition from CPT data using general regression neural network. Journal of Computing in Civil Engineering, 20(4), 281-289. DOI: 10.1061/(asce)0887-3801(2006)20:4(281
  12. Lingwanda, M. I., Larsson, S., & Nyaoro, D. L. (2015). Correlations of SPT, CPT and DPL Data for Sandy Soil in Tanzania. Geotechnical and Geological Engineering, 33(5), 1221-1233. https://doi.org/10.1007/s10706-015-9897-1 DOI: 10.1007/s10706-015-9897-1
  13. Mayne, P. W. (2007). In-situ test calibrations for evaluating soil parameters. In Characterisation and Engineering Properties of Natural Soils (Vols. 3-4). https://doi.org/10.1201/noe0415426916.ch2 DOI: 10.1201/noe0415426916.ch2
  14. Neaupane, K. M., & Achet, S. H. (2004). Use of backpropagation neural network for landslide monitoring: A case study in the higher Himalaya. Engineering Geology, 74(3-4), 213-226. https://doi.org/10.1016/j.enggeo.2004.03.010 DOI: 10.1016/j.enggeo.2004.03.010
  15. Padmini, D., Ilamparuthi, K., & Sudheer, K. P. (2008). Ultimate bearing capacity prediction of shallow foundations on cohesionless soils using neurofuzzy models. Computers and Geotechnics, 35(1), 33-46.
  16. Shahin, M. A., Jaksa, M. B., & Maier, H. R. (2005). Neural network based stochastic design charts for settlement prediction. Canadian Geotechnical Journal, 42(1), 110-120. https://doi.org/10.1139/t04-096 DOI: 10.1139/t04-096
  17. Shahin, M. A., Maier, H. R., & Jaksa, M. B. (2003). Settlement prediction of shallow foundations on granular soils using B-spline neurofuzzy models. Computers and Geotechnics, 30(8), 637-647. https://doi.org/10.1016/j.compgeo.2003.09.004 DOI: 10.1016/j.compgeo.2003.09.004
  18. Shahin, Mohamed A., Maier, H. R., & Jaksa, M. B. (2002). Predicting Settlement of Shallow Foundations using Neural Networks. Journal of Geotechnical and Geoenvironmental Engineering, 128(9), 785-793. https://doi.org/10.1061/(asce)1090-0241(2002)128:9(785) DOI: 10.1061/(asce
  19. Shahri, A., Juhlin, C., & Malemir, A. (2014). A reliable correlation of SPT-CPT data for southwest of Sweden. Electronic Journal Of Geotechnical Engineering.
  20. Tarawneh, B. (2017). Predicting standard penetration test N-value from cone penetration test data using artificial neural networks. Geoscience Frontiers. https://doi.org/10.1016/j.gsf.2016.02.003 DOI: 10.1016/j.gsf.2016.02.003
  21. Zhao, H. (2008). Slope reliability analysis using a support vector machine. Computers and Geotechnics, 35(3), 459-467.