Pemodelan Statistik dan Prediksi Laju Korosi pada Baja Kapal Perang Menggunakan Analisis Regresi dan Simulasi Monte Carlo

Statistical Modeling and Prediction of Corrosion Rate in Warship Steel Using Regression Analysis and Monte Carlo Simulation

Authors

  • Jethro Fairuz Budhi Universitas Pertahanan Republik Indonesia
  • Sovian Aritonang Universitas Pertahanan Republik Indonesia

DOI:

https://doi.org/10.59585/bajik.v5i1.2050

Keywords:

Korosi Baja Laut, Prediksi Laju Korosi, Regresi Linear, Simulasi Monte Carlo, Pemodelan Statistik

Abstract

Korosi menurunkan ketebalan dan kekuatan baja di lingkungan laut sehingga prediksi laju korosi yang disertai ukuran ketidakpastian diperlukan untuk memahami degradasi material kapal. Penelitian ini bertujuan membangun model statistik untuk memprediksi kehilangan ketebalan dan laju korosi baja laut melalui analisis regresi linear dan simulasi Monte Carlo. Penelitian menggunakan pendekatan kuantitatif non-eksperimental berbasis data sekunder yang diseleksi dengan purposive sampling. Dari sembilan publikasi landasan, satu publikasi menyediakan pasangan lama paparan dan kehilangan korosi yang memenuhi kriteria, dan nilainya dibaca dari grafik sehingga berupa estimasi. Data dianalisis per kelompok suhu (4 °C, n = 5; 10 °C, n = 4; dan 22 °C, n = 9) menggunakan Python. Model dievaluasi dengan R², MAE, dan RMSE, sedangkan ketidakpastian prediksi ditentukan melalui 10.000 iterasi Monte Carlo. Hasil menunjukkan koefisien regresi yang signifikan pada seluruh kelompok (p < 0,05) dengan R² antara 0,950 dan 0,972, serta laju korosi rata-rata 0,069; 0,106; dan 0,180 mm/tahun. Model pangkat sebagai pembanding nonlinear memberi kecocokan sedikit lebih baik pada 4 °C dan 10 °C, dan interval prediksi 95% paling lebar terjadi pada 10 °C. Temuan ini menunjukkan bahwa regresi linear yang dilengkapi simulasi Monte Carlo dapat menggambarkan kehilangan ketebalan beserta rentang ketidakpastiannya. Namun, hasilnya dibatasi oleh jumlah data yang kecil dan tidak mewakili kondisi aktual kapal perang tertentu.

 

References

Ben Seghier, M.E.A., Knudsen, O.Ø., Skilbred, A.W.B. and Höche, D. (2023) ‘An intelligent framework for forecasting and investigating corrosion in marine conditions using time sensor data’, npj Materials Degradation. doi: 10.1038/s41529-023-00404-y.

Hodson, T.O. (2022) ‘Root mean square error (RMSE) or mean absolute error (MAE): when to use them or not’, Geoscientific Model Development, 15(14), pp. 5481–5487. doi: 10.5194/gmd-15-5481-2022.

Jiang, F. and Hirohata, M. (2022) ‘A GAN-augmented corrosion prediction model for uncoated steel plates’, Applied Sciences, 12(9), p. 4706. doi: 10.3390/app12094706.

Jung, K.-H. and Lee, J.-H. (2024) ‘Prediction of corrosion rate for carbon steel using regression model with commercial LPR sensor data’, Applied Sciences, 14(23), p. 10836. doi: 10.3390/app142310836.

Kim, M., Kim, T. and Cha, D. (2026) ‘Probabilistic corrosion prediction of marine steel under future climate change scenarios using physics-informed Gaussian process regression’, Scientific Reports, 16, p. 31105. doi: 10.1038/s41598-026-73740-z.

Melchers, R.E., Jeffrey, R., Chaves, I.A. and Petersen, R.B. (2025) ‘Predicting corrosion for life estimation of ocean and coastal steel infrastructure’, Materials and Corrosion, 76, pp. 776–789. doi: 10.1002/maco.202314201.

Ouyang, Q., Rao, J. and Guo, C. (2026) ‘A Weibull distribution-based corrosion rate model for intelligent monitoring of steel structures in marine splash zones’, Sensors, 26(4), p. 1401. doi: 10.3390/s26041401.

United Nations Conference on Trade and Development (UNCTAD) (2025) Review of maritime transport 2025: staying the course in turbulent waters. Geneva: United Nations. Available at: https://unctad.org/system/files/official-document/rmt2025overview_en.pdf.

Virtanen, P. et al. (2020) ‘SciPy 1.0: fundamental algorithms for scientific computing in Python’, Nature Methods, 17(3), pp. 261–272. doi: 10.1038/s41592-019-0686-2.

Wang, F. et al. (2025) ‘Model construction of corrosion resistance of alloying elements for low alloy steel in marine atmospheric corrosive environment based on machine learning’, Corrosion Reviews, 43, pp. 143–153. doi: 10.1515/corrrev-2023-0162.

Wang, Z., Sobey, A.J. and Wang, Y. (2021) ‘Corrosion prediction for bulk carrier via data fusion of survey and experimental measurements’, Materials & Design, 208, p. 109910. doi: 10.1016/j.matdes.2021.109910.

Wu, B., Luo, Y., Yu, S. and Fan, E. (2026) ‘Corrosion potential prediction of marine engineering steel based on machine learning’, npj Materials Degradation, 10, p. 96. doi: 10.1038/s41529-026-00809-5.

Xu, D. et al. (2023) ‘A review of trends in corrosion-resistant structural steels research—from theoretical simulation to data-driven directions’, Materials, 16(9), p. 3396. doi: 10.3390/ma16093396.

Downloads

Published

2026-11-21

How to Cite

Budhi, J. F., & Aritonang, S. (2026). Pemodelan Statistik dan Prediksi Laju Korosi pada Baja Kapal Perang Menggunakan Analisis Regresi dan Simulasi Monte Carlo: Statistical Modeling and Prediction of Corrosion Rate in Warship Steel Using Regression Analysis and Monte Carlo Simulation. Barongko: Jurnal Ilmu Kesehatan, 5(1), 2558–2567. https://doi.org/10.59585/bajik.v5i1.2050

Most read articles by the same author(s)

<< < 1 2 3 4 > >>