Uji Validasi Hasil Kecerdasan Buatan Dalam Skala Laboratorium (Tentang Optimalisasi Pemanfaatan Limbah Abu Ampas Tebu Sebagai Material Pozzolanik Dalam Penggunaan Material Maju Pada Beton Normal Menggunakan Kecerdasan Buatan)

Abstract

Abu ampas tebu merupakan material alternatif yang dapat digunakan sebagai material substitusi semen dalam produksi beton. Kandungan SiO₂ yang tinggi pada abu ampas tebu membuatnya menjadi pilihan yang layak untuk campuran beton. Perancangan mix design dengan campuran bahan substitusi membutuhkan percobaan berkali-kali untuk menemukan komposisi yang tepat untuk mutu beton yang ingin dicapai. Artificial Intelligence (AI) menjadi pilihan untuk menjadi teknologi yang dapat meringakan pekerjaan dalam bidang teknik sipil, oleh karena itu AI menjadi pilihan tepat untuk dijadikan alat prediksi mix design. Tujuan dari penelitian ini adalah memvalidasi nilai hasil prediksi pemrograman AI dengan nilai aktual hasil percobaan langsung. Dalam pemrograman dipakai tiga pemodelan prediksi, yaitu random forrest, decision tree, regresi linier yang dimana pada setiap model diambil tiga rancangan prediksi. Nilai prediksi kuat tekan dan kuat tarik yang sudah dihasilkan oleh pemodelan AI dilakukan analisis menggunakan tiga indikator error, yaitu mean absolute error (MAE), root mean squared error (RMSE), dan mean absolute percentage error (MAPE). Pengujian beton yang dilakukan adalah kuat tekan dan kuat tarik belah dengan benda uji silinder diameter 15 cm dan tinggi 30 cm diuji pada umur 28 hari. Dari hasil penelitian yang dilakukan didapatkan bahwa pemodelan prediksi dengan menggunakan model prediksi random forrest pada ketiga prediksi nilai aktual kuat tekannya mampu melampaui nilai prediksi yang dihasilkan oleh AI dengan tiga nilai aktual kuat tekannya beruturut-turut adalah 26,03 Mpa, 30,27 Mpa, dan 25,94 Mpa, sedangkan tiga nilai prediksinya berturut-turut adalah 11,93 Mpa, 25,33 Mpa, 23,90 Mpa. Berbeda dengan hasil evaluasi error menggunakan tiga indikator didapatkan bahwa random forrest memiliki nilai error yang terbesar diantara model prediksi lainya dan model prediksi regresi linier memili nilai eror yang terkecil.