PENENTUAN NILAI STABILITAS MARSHALL DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK TUGAS AKHIR Diajukan untuk Melengkapi Tugas-tugas dan Memenuhi Syarat untuk Menempuh Ujian Sarjana Teknik Sipil Disusun oleh:
RENDI PRATAMA SIREGAR 10 0404 132
Dosen Pembimbing: Ir. ZULKARNAIN A. MUIS, M.Eng.Sc IRWAN SURANTA SEMBIRING, ST, MT
DEPARTEMEN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS SUMATERA UTARA 2016
1
Universitas Sumatera Utara
ABSTRAK
Stabilitas Marshall pada aspal beton merupakan salah satu parameter terpenting didalam campuran dan kualitas material. Bagian ini bergantung pada banyak faktor seperti gradasi, persentase agregat hancur, kadar aspal, dan kualitas material. Pada penelitian ini, variasi dari stabilitas marshall dengan kadar aspal disimulasikan dengan menggunakan program Artificial Neural Network (ANN) dengan pelatihan algoritma Levenberg-Marquardt Back Propagation (LMBP). Persentase dari agregat pecah/hancur; persentase lolos ayakan yang melalui ayakan nomor 200, 50, 30, 8, 4 dan ½ inch, dan persentase dari kadar aspal telah ditetapkan sebagai jaringan input dan stabilitas marshall sebagai jaringan output. Pada tahap pertama, menentukan kemampuan penyamarataan maksimum dari setiap jaringan dengan sebuah angka yang telah ditetapkan pada neuron di hidden layer. Perbandingan nilai maksimum ini menyatakan bahwa jaringan dengan 8 neuron di hidden layer memiliki kemampuan penyamarataan maksimum. Pada tahap kedua, variasi dari data aktual stabilitas marshall dibandingkan dengan hasil simulasinya. Simulasi ini terlihat bagus untuk menentukan stabilitas marshall.
i
Universitas Sumatera Utara
KATA PENGANTAR
Bismillaahirrahmaanirrahiim Puji dan syukur penulis ucapkan kepada ALLAH SWT karena atas limpahan rahmat dan karunia-Nya saya dapat menyelesaikan Tugas Akhir ini. Tugas Akhir ini mengambil judul: PENENTUAN NILAI STABILITAS MARSHALL DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK. Tugas Akhir ini merupakan syarat yang diwajibkan bagi mahasiswa untuk memperoleh gelar Sarjana Teknik. Pada kesempatan ini, dengan tulus dan kerendahan hati, penulis menyampaikan rasa hormat dan terima kasih serta penghargaan sebesar-besarnya kepada bapak Ir. Zulkarnain A. Muis, M.Eng.Sc. sebagai pembimbing Tugas Akhir dan Koordinator Tugas Akhir Bidang Studi Transportasi, serta bapak Irwan Suranta Sembiring, S.T., M.T. sebagai Co pembimbing Tugas Akhir atas kesediaannya membimbing, memotivasi, pengarahan, kesediaan waktu dan kesabaran kepada penulis sehingga penulis dapat menyelesaikan tugas akhir ini. Rasa hormat dan terima kasih yang sama juga penulis tujukan kepada: 1. Bapak Prof.Dr.Ing. Johannes Tarigan selaku Ketua Departemen Teknik Sipil, Fakultas Teknik, Universitas Sumatera Utara. 2. Bapak Ir. Syahrizal, M.T. selaku sekretaris Departemen Teknik Sipil, Fakultas Teknik, Universitas Sumatera Utara.
ii
Universitas Sumatera Utara
3. Bapak Medis S.Surbakti, ST, MT dan Bapak Ir. Andi Putra Rambe, MBA selaku Dosen Pembanding/Penguji yang telah memberikan masukan dan kritikan yang membangun dalam menyelesaikan tugas akhir ini. 4. Bapak dan Ibu dosen staff pengajar Departemen Teknik Sipil, Fakultas Teknik, Universitas Sumatera Utara yang telah membekali penulis dengan berbagai ilmu pengetahuan hingga selesainya tugas akhir ini. 5. Teristimewa untuk kedua orang tua saya H. Panusunan Siregar dan Ibu Hj. Asmaraya atas segala doa, kasih, semangat, dan keikhlasan atas segala pengorbanannya selama ini sehingga penulis dapat menyelesaikan Tugas Akhir ini. 6. Adik-adik saya Juanda Andika Siregar, Patriana Dwi Puspita Siregar, Silvana Ira Puspita Siregar, dan Febriani Tri Puspita Siregar yang tak henti memberikan motivasi, dukungan, dan perhatiannya. 7. Sahabat saya M. Yusuf, Ahmad Himawan Umna Gultom, Rosadi Patra Tanjung, M. Rifqy Haikal Ritonga, Dede Oktria Syaferi, Ahmad Tirta Pratama, Tengku Fakhri Noor, Aditya Hariyanto dan Fadlin Alwi Kurniawan Harahap. Yang membantu memberikan saya bantuan baik lisan maupun tulisan dalam mengerjakan Tugas Akhir saya ini. 8. Seluruh teman-teman Teknik Sipil USU 2010, dan terkhususnya anak subjurusan transportasi yang tidak dapat saya sebutkan satu persatu, atas segala ketulusan hati dalam memberikan masukan, semangat dan kesetiakawanannya.
iii
Universitas Sumatera Utara
Penulis sungguh menyadari bahwa Tugas Akhir ini masih jauh dari kata sempurna. Karena itu penulis membuka diri terhadap kritikan dan saran bagi penyempurnaan tugas akhir ini. Dan, akhirnya penulis berharap tulisan ini memberikan manfaat bagi pengembangan ilmu pengetahuan khususnya di lingkungan Departemen Teknik Sipil USU. Medan, April 2016 Hormat saya,
RENDI PRATAMA SIREGAR NIM. 10 0404 132
iv
Universitas Sumatera Utara
DAFTAR ISI
i
ABSTRAK KATA PENGANTAR
ii
DAFTAR ISI
v
DAFTAR TABEL
ix
DAFTAR GAMBAR
x
BAB I PENDAHULUAN I.1. Latar Belakang
1
I.2. Rumusan Masalah
4
I.3. Pembatasan Masalah
4
I.4. Tujuan
5
I.5. Manfaat
5
I.6. Sistematika Penulisan
5
BAB II TINJAUAN PUSTAKA II.1. Umum II.2. Bahan Campuran Aspal Panas II.2.1. Agregat II.2.1.1. Sifat Agregat
7 12 12 13
v
Universitas Sumatera Utara
II.2.1.2. Klasifikasi Agregat
14
II.2.1.3. Jenis Agregat dan Persyaratan Sifat Agregat
14
II.2.1.4. Sifat-sifat Fisik Agregat dan Hubungannya Dengan . . . . ...
Kinerja Campuran
18
II.2.2. Aspal
19
II.2.2.1. Jenis Aspal
20
II.2.2.2. Komposisi Aspal
21
II.2.2.3. Sifat Aspal
22
II.2.2.4. Pemeriksaan Properties Aspal
23
II.2.3. Anti Stipping Agent
27
II.3. Marshall Test
29
II.3.1. Pengujian Marshall Untuk Perencaaan Campuran
30
II.3.1.1. Berat Isi Benda Uji Padat
32
II.3.1.2 Pengujian Stabilitas dan Flow
32
II.3.1.3. Pengujian Volumetrik
33
II.4. Analisa Campuran Beraspal
35
II.4.1. Rumusan Perhitungan dan Parameternya II.5. Evaluasi Hasil Uji Marshall II.5.1. Stabilitas
36 40 41
vi
Universitas Sumatera Utara
II.5.2. Pelelehan
41
II.5.3. Evaluasi VMA
42
II.5.4. VIM
42
II.5.5. VFA
43
II.5.6. Pengaruh Pemadatan
43
II.6. Hubungan Stabilitas Marshall Dengan Jaringan Saraf Tiruan . . . . . . . .
(Artificial Neural Network)
44
II.7. Program Jaringan Saraf Tiruan
44
II.7.1. Definisi Jaringan Saraf Tiruan
44
II.7.2. Arsitektur Jaringan
46
II.7.3. Jaringan Backpropagation
49
II.7.4. Fungsi Matlab Dalam Artificial Neural Network
51
II.7.5. Perkembangan Program Artificial Neural Network
52
II.7.6. Tampilan Utama Pada Matlab
53
II.7.7. Menu-menu Pada Program Neural Network
54
BAB III METODOLOGI PENELITIAN III.1. Diagram Alur (Flowchart)
72
III.2. Persiapan Penelitian
73
III.3. Pengembangan Model Artificial Neural Network
73
vii
Universitas Sumatera Utara
BAB IV HASIL DAN PEMBAHASAN IV.1. Persiapan Data
77
IV.1.1 Data Marshall Test dan Extraction Test
77
IV.2. Perhitungan Nilai Stabilitas Marshall Dengan Program Artificial . . . ..
Neural Network
78
IV.2.1 Variasi Parameter Untuk Desain Artificial Neural Network…78 IV.3. Proses Running Program Artificial Neural Network
80
IV.3.1. Proses Pengolahan Data
88
IV.3.2. Tabel Hasil Simulasi Artificial Neural Network
93
IV.3.3. Grafik Hasil Simulasi Artificial Neural Network
95
IV.3.4. Hasil Output Artificial Neural Network Terhadap Nilai . . . . . .. ...
Stabilitas Marshall
97
IV.3.5. Perbandingan Nilai Stabilitas Marshall AMP Karya Murni . . . . .
Dengan Artificial Neural Network
105
IV.3.6. Grafik Perbandingan Antara Data Aktual Dengan Hasil . . . . . . .
Simulasi Neuron 8
112
BAB V KESIMPULAN DAN SARAN V.1. Kesimpulan
113
V.2. Saran
114
viii
Universitas Sumatera Utara
DAFTAR PUSTAKA
115
LAMPIRAN
ix
Universitas Sumatera Utara
DAFTAR TABEL
Tabel 2.1 Ketentuan Sifat Campuran Laston (AC)
9
Tabel 2.2 Ketentuan Agregat Kasar untuk Campuran Beton Aspal
15
Tabel 2.3 Ketentuan Agregat Halus untuk Campuran Beton Aspal
16
Tabel 2.4 Gradasi Bahan Pengisi
17
Tabel 2.5 Amplop Gradasi Agregat Gabungan untuk Campuran Aspal
18
Tabel 4.1 Hasil Simulasi Pada Jaringan Dengan Neuron 3 Pada Hidden Layer
93
Tabel 4.2 Hasil Simulasi Pada Jaringan Dengan Neuron 6 Pada Hidden Layer
93
Tabel 4.3 Hasil Simulasi Pada Jaringan Dengan Neuron 8 Pada Hidden Layer
94
Tabel 4.4 Hasil Simulasi Pada Jaringan Dengan Neuron 10 Pada Hidden Layer 94 Tabel 4.5 Hasil Output Neuron 3
97
Tabel 4.6 Hasil Output Neuron 6
99
Tabel 4.7 Hasil Output Neuron 8
101
Tabel 4.8 Hasil Output Neuron 10
103
Tabel 4.9 Data Aktual Stabilitas Marshall Dengan Data Simulasi Neuron 8
106
x
Universitas Sumatera Utara
DAFTAR GAMBAR
Gambar 2.1 Hubungan volume dan rongga-density benda uji campur panas
33
Gambar 2.2 Jaringan Saraf dengan Lapisan Tunggal
46
Gambar 2.3 Jaringan Saraf dengan Banyak Lapisan
47
Gambar 2.4 Jaringan Saraf dengan Kompetitif
48
Gambar 2.5 Tampilan Program Matlab
53
Gambar 2.6 Tampilan Program Neural Network
53
Gambar 2.7 Tampilan Window Import to Network/Data Manager
55
Gambar 2.8 Tampilan Window Create Network or Data
56
Gambar 2.9 Tampilan Menu View
60
Gambar 2.10 Tampilan Menu Train (Training Info)
60
Gambar 2.11 Tampilan Menu Train (Training Parameters)
62
Gambar 2.12 Tampilan Menu Simulate
63
Gambar 2.13 Tampilan Menu Adapt (Adaption Info)
64
Gambar 2.14 Tampilan Menu Adaption Parameters
64
Gambar 2.15 Tampilan Menu Reinitialize Weights
65
Gambar 2.16 Tampilan Menu View/Edit Weights
65
Gambar 2.17 Tampilan Window Neural Network Training
66
xi
Universitas Sumatera Utara
Gambar 2.18 Tampilan Plot Performance
67
Gambar 2.19 Tampilan Plot Training State
68
Gambar 2.20 Tampilan Plot Regression
69
Gambar 3.1 Diagram Flowchart
72
Gambar 4.1 Tampilan Awal Program Matlab
81
Gambar 4.2 Tampilan Awal Neural Network
81
Gambar 4.3 Tampilan Menu Import to Network/Data Manager
82
Gambar 4.4 Tampilan Menu Neural Network/Data Manager
82
Gambar 4.5 Tampilan Menu Create Network or Data
83
Gambar 4.6 Tampilan Menu View
83
Gambar 4.7 Tampilan Menu Train, Training Info
84
Gambar 4.8 Tampilan submenu Training Parameters
84
Gambar 4.9 Tampilan Menu Simulate
85
Gambar 4.10 Tampilan Menu Adapt
85
Gambar 4.11 Tampilan Menu Neural Network Training (nntraintool)
86
Gambar 4.12 Tampilan Menu Performance
86
Gambar 4.13 Tampilan Menu Regression
87
Gambar 4.14 Tampilan Menu network1_outputs
87
Gambar 4.15 Tampilan Menu Performance
89
xii
Universitas Sumatera Utara
Gambar 4.16 Tampilan Menu Regression
89
Gambar 4.17 Tampilan Menu Performance
90
Gambar 4.18 Tampilan Menu Regression
90
Gambar 4.19 Tampilan Menu Performance
91
Gambar 4.20 Tampilan Menu Regression
91
Gambar 4.21 Tampilan Menu Performance
92
Gambar 4.22 Tampilan Menu Regression
92
Gambar 4.23 Grafik simulasi R dengan MSE pada Neuron 3
95
Gambar 4.24 Grafik simulasi R dengan MSE pada Neuron 6
95
Gambar 4.25 Grafik simulasi R dengan MSE pada Neuron 8
96
Gambar 4.26 Grafik simulasi R dengan MSE pada Neuron 10
96
Gambar 4.27 Kurva Grafik Data Neuron 8 dengan Data Aktual
112
xiii
Universitas Sumatera Utara