<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="117773">
 <titleInfo>
  <title>APLIKASI ARTIFICIAL NEURAL NETWORK (ANN)  UNTUK MEMPREDIKSI POTENSI KOROSI TULANGAN PADA BETON BUSA POZZOLAN</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>Fadhliah</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas Teknik</publisher>
   <dateIssued>2013</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code"></languageTerm>
  <languageTerm type="text"></languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Skripsi</form>
  <extent></extent>
 </physicalDescription>
 <note>Tujuan penelitian  ini adalah untuk membuat suatu  permodelan prediksi terhadap  nilai potensial  korosi  tulangan  pada  beton  busa  pozzolan  dengan  mengaplikasikan Artificial Neural Network  (ANN).  Data hasil pengujian laboratorium  berupa nilai potensial  korosi  pada permukaan balok beton busa pozzolan berukuran 10 cm x  10 cm x 50 cm digunakan  sebagai  data sekunder untuk permodelan. Permodelan dengan delapan  variabel   masukan   dilakukan   dalam  tiga  tahap,  yaitu  training  (pelatihan), validasi   dan  forecasting  (prediksi)   menggunakan  software   MATLAB.    Metode pelatihan  yang digunakan  adalah   resilient  backpropagation  (trainrp).   Data dari minggu ke- 0, 2, 4, 6 dan 8 dipilih untuk tahap training, sedangkan data minggu ke 1, 3, dan  7 digunakan untuk  validasi. Setelah dipastikan hasil  pelatihan  dan validasi memperoleh pola  data yang baik, dilanjutkan dengan forecasting. Persentase selisih antara hasil laboratorium terhadap hasil ANN keseluruhan rata-rata  sebesar 12,65%, dan keakuratan rata-rata sebesar 87,35%. Pada periode training diperoleh persentase selisih sebesar 1,93%  dan keakuratan   rata-rata sebesar  98,07%,  sedangkan  untuk validasi diperoleh persentase selisih sebesar 26,95% dan keakuratan rata-rata sebesar&#13;
73,05%. Untuk  prediksi bulan ke-3 hingga  bulan ke-12 diperoleh nilai yang fluktuatif sehingga hal  ini  sesuai dengan  data sekunder  yang  digunakan  pada  permodelan ini. Prediksi  ANN terhadap nilai  potensial  korosi  tulangan  beton busa pozzolan pada kondisi kering  bernilai  rendah yaitu berkisar antara -50 mV sampai -200 mV. Pada lingkungan perendaman air laut nilai potensial korosi  termasuk kategori menengah&#13;
hingga  tinggi  yaitu  antara  -250  mV sampai  -400  mV.  Pada  lingkungan  perendaman air  tawar dan  basah  kering air  laut  menghasilkan  nilai  potensial   korosi  kategori menengah  dengan  nilai  masing-masing yaitu antara  -200  mV  sampai  -360  mV,  dan diantara -250 mV sampai -350 mV. Nilai  potensial korosi yang dihasilkan berbeda- beda pada setiap perlakuan  lingkungannya, sehingga  dapat   diketahui  bahwa nilai potensial  korosi  dipengaruhi oleh lingkungannya.&#13;
&#13;
&#13;
&#13;
&#13;
&#13;
&#13;
&#13;
</note>
 <note type="statement of responsibility"></note>
 <classification>0</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>117773</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2023-12-08 11:19:43</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2023-12-08 11:19:43</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>