Penerapan Metode Bagging untuk Mengurangi Data Noise pada Neural Network untuk Estimasi Kuat Tekan Beton

Tyas Setiyorini, Romi Satria Wahono

Abstract


Beton adalah bahan yang diolah yang terdiri dari semen, agregat kasar, agregat halus, air dan bahan tambahan lainnya. Kuat tekan beton sangat bergantung pada karakteristik dan komposisi bahan-bahan pembentuk beton. Metode neural network memiliki kinerja yang baik dalam mengatasi masalah data nonlinear, namun neural network memiliki keterbatasan dalam mengatasi data noise yang tinggi. Untuk menyelesaikan masalah tersebut diperlukan metode bagging untuk mengurangi data noise pada metode neural network. Beberapa eksperimen dilakukan untuk mendapatkan arsitektur yang optimal dan menghasilkan estimasi yang akurat. Hasil eksperiman dari delapan kombinasi parameter penelitian pada dataset concrete compressive strength dengan neural network didapatkan nilai rata-rata RMSE adalah 0,069 dan nilai RMSE terkecil adalah 0,057, sedangkan dengan menggunakan neural network dan bagging didapatkan nilai rata-rata RMSE adalah 0,062 dan nilai RMSE terkecil adalah 0,055. Hasil eksperimen dari delapan kombinasi parameter penelitian pada dataset slump dengan neural network didapatkan nilai rata-rata RMSE adalah 0,020 dan nilai RMSE terkecil adalah 0,011 sedangkan dengan neural network dan bagging didapatkan nilai rata-rata RMSE adalah 0,016 dan nilai RMSE terkecil adalah 0,010. Maka dapat disimpulkan estimasi kuat tekan beton dengan menggunakan metode bagging dan neural network lebih akurat dibanding dengan metode individual neural network.


Full Text:

PDF

References


Alshihri, M. M., Azmy, A. M., & El-Bisy, M. S. (2009). Neural networks for predicting compressive strength of structural light weight concrete. Construction and Building Materials, 23(6), 2214–2219.

Breiman, L. (1996). Bagging predictors. Machine Learning, 26(2), 123–140.

Chen, H., Zhang, J., Xu, Y., Chen, B., & Zhang, K. (2012). Performance comparison of artificial neural network and logistic regression model for differentiating lung nodules on CT scans. Expert Systems with Applications, 39(13), 11503–11509.

Chou, J.-S., & Pham, A.-D. (2013). Enhanced artificial intelligence for ensemble approach to predicting high performance concrete compressive strength. Construction and Building Materials, 49, 554–563.

Culp, M., Michailidis, G., & Johnson, K. (2011). On Adaptive Regularization Methods in Boosting. Journal of Computational and Graphical Statistics, 20(4), 937–955.

Dem, J. (2006). Statistical Comparisons of Classifiers over Multiple Data Sets, 7, 1-30

Dimopoulos, L. F., Tsiros, L. X., Serelis, K., & Chronopoulou, A. (2004). Combining Neural Network Models to Predict Spatial Patterns of Airborne Pollutant Accumulation in Soils around an Industrial Point Emission Source. Journal of the Air & Waste Management Association, 54(12), 1506–1515.

Erdal, H. I. (2013). Two-level and hybrid ensembles of decision trees for high performance concrete compressive strength prediction. Engineering Applications of Artificial Intelligence, 26(7), 1689–1697.

Erdal, H. I., Karakurt, O., & Namli, E. (2013). High performance concrete compressive strength forecasting using ensemble models based on discrete wavelet transform. Engineering Applications of Artificial Intelligence, 26(4), 1246–1254.

Han, J., Kamber, M., & Pei, J. (2012). Data Mining Concepts and Techniques. San Fransisco: Morgan Kauffman.

Jong Jek Siang. (2009). Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan MATLAB. Yogyakarta : Andi Yogyakarta.

Kim, M., & Kang, D. (2012). Expert Systems with Applications Classifiers selection in ensembles using genetic algorithms for bankruptcy prediction. Expert Systems With Applications, 39(10), 9308–9314.

Kim, M.-J., & Kang, D.-K. (2010). Ensemble with neural networks for bankruptcy prediction. Expert Systems with Applications, 37(4), 3373–3379.

Larose, D. T. (2007). Data Mining Methods and Model. New Jersey: John Willey & Sons, Inc.

Maimon, Oded&Rokach, Lior. (2010). Data Mining and Knowledge Discovey Handbook. New York: Springer

Mulyono, Tri. (2004). Teknologi Beton. Yogyakarta: Andi Publishing.

Nazari, A., & Pacheco Torgal, F. (2013). Predicting compressive strength of different geopolymers by artificial neural networks. Ceramics International, 39(3), 2247–2257.

Shukla, A., Tiwari, R., & Kala, R. (2010). Real Life Applications of Soft Computing. New York: CRC Press.

Sumanto. (2014). Statistika Deskriptif. Yogyakarta: Center of Academic Publishing Service.

Tjokrodimuljo, Kardiyono. (1996). Teknologi Beton. Yogyakarta: Nafiri.

Vercellis, Carlo (2009). Business Intelligent: Data Mining and Optimization for Decision Making. Southern Gate, Chichester, West Sussex: John Willey & Sons, Ltd.

Witten, I. H., Frank, E., & Hall, M. A. (2011). Data Mining: Practical Machine Learning and Tools. Burlington: Morgan Kaufmann Publisher.


Refbacks

  • There are currently no refbacks.




Journal of Intelligent Systems(JIS, ISSN 2356-3982)
Copyright © 2020IlmuKomputer.Com. All rights reserved.