Pemodelan Matematis Kuat Tekan Beton Menggunakan Regresi Linier Berganda dan Regresi Nonlinier sebagai Dasar Perancangan Material Struktur Pelindung Pertahanan
Mathematical Modeling of Concrete Compressive Strength Using Multiple Linear Regression and Nonlinear Regression as a Basis for Designing Defense Protective Structure Materials
DOI:
https://doi.org/10.59585/bajik.v5i1.2037Keywords:
Kuat Tekan Beton, Regresi Linier Berganda, Metode Kuadrat Terkecil, Hukum Abrams, Material PertahananAbstract
Beton merupakan material utama dalam pembangunan struktur pelindung di sektor pertahanan, misalnya bunker, shelter, pos jaga, dan hanggar. Mutu beton umumnya diukur melalui kuat tekannya, namun pengujian tekan di laboratorium membutuhkan waktu hingga 28 hari atau lebih. Penelitian ini menyusun model matematis untuk memprediksi kuat tekan beton berdasarkan komposisi campuran dan umurnya. Data yang digunakan berjumlah 1.030 sampel beton dari UCI Machine Learning Repository dengan delapan variabel bebas. Data tersebut dibagi menjadi 80% data latih dan 20% data uji. Tiga model dibandingkan, yakni regresi linier berganda (Model 1), regresi linier berganda dengan transformasi logaritma pada umur (Model 2), serta regresi nonlinier hukum Abrams. Parameter regresi linier ditentukan dengan metode kuadrat terkecil dalam bentuk matriks, sementara parameter hukum Abrams ditentukan dengan metode Levenberg–Marquardt. Hasil penelitian menunjukkan bahwa Model 2 menghasilkan R2 = 0,8157 pada data uji dengan RMSE 6,98 MPa, jauh lebih unggul daripada Model 1 (R2 = 0,5828; RMSE 10,49 MPa). Model 2 juga signifikan secara simultan (F = 460,0) dan tidak mengalami multikolinearitas serius (VIF < 10). Berdasarkan hukum Abrams, beton mutu tinggi (≥ 55 MPa) pada umur 28 hari memerlukan rasio air/binder sekitar 0,31. Apabila komponen lain ditetapkan pada nilai rata-ratanya, Model 2 memperkirakan kebutuhan semen sekitar 408,8 kg/m3 untuk mencapai 55 MPa. Model yang dihasilkan dapat digunakan sebagai alat bantu awal dalam perancangan campuran beton untuk struktur pelindung pertahanan
References
Abrams, D. A. (1918) Design of Concrete Mixtures. Bulletin 1. Chicago: Structural Materials Research Laboratory, Lewis Institute.
ACI Committee 363 (2010) Report on High-Strength Concrete (ACI 363R-10). Farmington Hills, MI: American Concrete Institute.
Badan Standardisasi Nasional (2019) SNI 2847:2019 Persyaratan Beton Struktural untuk Bangunan Gedung dan Penjelasan. Jakarta: BSN.
Darusman and Rumbyarso, Y. P. A. (2025) ‘Penerapan Machine Learning untuk Prediksi Kekuatan Beton’, PETIR: Jurnal Pengkajian dan Penerapan Teknik Informatika, 18(1), pp. 61–74. doi: 10.33322/petir.v18i1.2777.
Feng, D.-C., Liu, Z.-T., Wang, X.-D., Chen, Y., Chang, J.-Q., Wei, D.-F. and Jiang, Z.-M. (2020) ‘Machine Learning-Based Compressive Strength Prediction for Concrete: An Adaptive Boosting Approach’, Construction and Building Materials, 230, p. 117000. doi: 10.1016/j.conbuildmat.2019.117000.
Hao, H., Hao, Y., Li, J. and Chen, W. (2016) ‘Review of the Current Practices in Blast-Resistant Analysis and Design of Concrete Structures’, Advances in Structural Engineering, 19(8), pp. 1193–1223. doi: 10.1177/1369433216656430.
Kutner, M. H., Nachtsheim, C. J., Neter, J. and Li, W. (2005) Applied Linear Statistical Models. 5th edn. New York: McGraw-Hill/Irwin.
Li, P., Zhang, Z. and Gu, J. (2024) ‘Prediction of Concrete Compressive Strength Based on ISSA-BPNN-AdaBoost’, Materials, 17, p. 5727. doi: 10.3390/ma17235727.
Liu, J., Li, J., Fang, J., Su, Y. and Wu, C. (2022) ‘Ultra-High Performance Concrete Targets against High Velocity Projectile Impact – A-State-of-the-Art Review’, International Journal of Impact Engineering, 160, p. 104080. doi: 10.1016/j.ijimpeng.2021.104080.
Liu, J., Wei, J., Li, J., Su, Y. and Wu, C. (2024) ‘A Comprehensive Review of Ultra-High Performance Concrete (UHPC) Behaviour under Blast Loads’, Cement and Concrete Composites, 148, p. 105449. doi: 10.1016/j.cemconcomp.2024.105449.
Marquardt, D. W. (1963) ‘An Algorithm for Least-Squares Estimation of Nonlinear Parameters’, Journal of the Society for Industrial and Applied Mathematics, 11(2), pp. 431–441.
Montgomery, D. C., Peck, E. A. and Vining, G. G. (2012) Introduction to Linear Regression Analysis. 5th edn. Hoboken, NJ: John Wiley & Sons.
Neville, A. M. (2011) Properties of Concrete. 5th edn. Harlow: Pearson Education.
Salsabilla, N. S., Hermawan, O. H. and Utami, M. Y. (2025) ‘Analisis Nilai Kuat Tekan Beton akibat Subtitusi Metakaolin dengan Variasi Metode Perlakuan Perawatan Beton’, Menara: Jurnal Teknik Sipil, 20(1), pp. 49–57. doi: 10.21009/jmenara.v20i1.50305.
Setiyorini, T. and Asmono, R. T. (2018) ‘Komparasi Metode Neural Network, Support Vector Machine dan Linear Regression pada Estimasi Kuat Tekan Beton’, Jurnal TECHNO Nusa Mandiri, 15(1), pp. 51–56. doi: 10.33480/techno.v15i1.58.
U.S. Department of Defense (2008) Structures to Resist the Effects of Accidental Explosions (UFC 3-340-02). Washington, DC: U.S. Department of Defense.
Yeh, I.-C. (1998) ‘Modeling of Strength of High-Performance Concrete Using Artificial Neural Networks’, Cement and Concrete Research, 28(12), pp. 1797–1808.
Yeh, I.-C. (2007) Concrete Compressive Strength – UCI Machine Learning Repository. doi: 10.24432/C5PK67.
Zhen, L., Qu, C., Tang, M.-L. and Yin, J. (2025) ‘High-Performance Concrete Strength Regression Based on Machine Learning with Feature Contribution Visualization’, Mathematics, 13, p. 3965. doi: 10.3390/math13243965.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Muhammad Rafi Solaahudin, Sovian Aritonang

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.




