<?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="155755">
 <titleInfo>
  <title>APLIKASI ARTIFICIAL  NEURAL NETWORK UNTUK MEMPREDIKSI NILAI POTENSIAL KOROSI PADA BALOK BETON BERTULANG</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>FITRIANI</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>Prog. Studi Megister Teknik Sipil</publisher>
   <dateIssued>2012</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code">id</languageTerm>
  <languageTerm type="text">Indonesia</languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Theses</form>
  <extent></extent>
 </physicalDescription>
 <note>Kerusakan   struktur  beton akibat korosi baja  tulangan dapat diketahui dan dievaluasi dari nilai potensial yang diukur pada permukaan beton. Tujuan Penelitian  ini adalah untuk memprediksi  nilai potensial korosi pada balok beton bertulang dengan mengaplikasikan Artificial  Neural Network (ANN).  Data basil pengujian laboratorium berupa nilai potensial korosi pada permukaan balok beton digunakan sebagai data sekunder untuk permodelan. Permodelan dengan delapan tarlabel  masukan dilakukan dalam tiga tahap, yaitu   training, validasi dan forecasting menggunakan software Matlab. Metode pelatihan yang digunakan adalah resilient backpropagation  (trainrp). Data dari minggu 0, 4, 8, 12  dan 16&#13;
'dipilih   untuk tahap   training, sedangkan data minggu   ke - 2,  6,  10 dan 14 digunakan untuk validasi. Forecasting dilakukan setelah hasil validasi sesuai Diperoleh persentase selisih antara hasil laboratorium terhadap hasil ANN rata-rata   sebesar  16,10%.  Dari  pengujian  sistem  yang dilakukan terhadap perbandingan  basil prediksi dengan data  sekunder menghasilkan persentase keakuratan rata-rata sebesar 84,13%. Pada periode training diperoleh persentase selisih sebesar 5,18% dan keakuratan rata-rata sebesar 95,05%, sedangkan untuk validasi diperoleh persentase selisih sebesar 29,66% dan keakuratan  rata -  rata sebesar 70,49 %. Untuk prediksi bulan ke--5 hingga bulan ke-12 diperoleh  nilai yang  fluktuatif sama halnya  dengan data  sekunder yang  digunakan pada  permodelan ini. Selisih antara target ANN dengan hasil  eksperimen tidak jauh berbeda, maka dapat dikatakan ANN berhasil memprediksi potensial korosi.&#13;
&#13;
Kata Kunci: potensial korosi,  beton bertulang, Artificial Neural Network (ANN), prediksi&#13;
</note>
 <note type="statement of responsibility"></note>
 <subject authority="">
  <topic>CONCRETE - STRUCTURAL ENGINEERING</topic>
 </subject>
 <classification>624.183</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>155755</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2025-05-09 15:41:24</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2025-05-09 15:56:26</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>