<![CDATA[Abstrak Standard Penetration Test (SPT) dan Cone Penetration Test (CPT) merupakan tes penyelidikan tanah awal yang sering digunakan saat memulai suatu konstruksi. Telah banyak penelitian sebelumnya yang membahas tentang korelasi linier antara nilai SPT dan CPT, namun nilai koefisien korelasinya (R2) cenderung kecil. Jaringan saraf tiruan (JST) merupakan teknik yang dapat memecahkan masalah yang kompleks dan non-linier. Pada penelitian ini akan dilakukan prediksi nilai SPT menggunakan jaringan saraf tiruan pada tanah granular menggunakan algoritma backpropagation. Panelitian ini menggunakan 117 data dari beberapa wilayah di Provinsi Riau. Data masukan yang digunakan berupa nilai tahanan ujung (qc) dan nilai tahanan selimut (fs) dari pengujian CPT dan nilai tekanan overburden efektif (σ'0) serta persentase pasir dan butiran halus. JST dianggap efektif dalam penelitian ini dengan nilai RMSE 3,646, MAE 2,533 dan R2 0,9103 untuk data latih dan RMSE 2,955, MAE 2,190, R2 0,9311 untuk data uji. Selanjutnya model JST ini disebut sebagai NN_Nspt (NC). Kata-kata Kunci: back-propagation, CPT, granular, Jaringan Saraf Tiruan, SPT Abstract The Standard Penetration Test (SPT) and the Cone Penetration Test (CPT) are kinds of Soil Investigation Tests that are used to determine bearing capacity and soil parameters for designing a construction. There are many previous studies had been defined the linear correlation between SPT and CPT values. However, the linear correlation predisposed get correlation coefficient (R2) small. Artificial neural networks (ANN) is an Artificial Intelligence model that can solve complex and non-linear problems. This research aims to conduct SPT value prediction using ANN in granular soil (non-cohesive) with a backpropagation algorithm function. This study used 117 data taken from several provinces on Sumatera island. The variables of input data are taken from CPT, i.e cone resistance (qc)and sleeve resistance (fs), and from the UDS test. The laboratory data were effective overburden pressure (σ‘0), the percentage of sand, and the percentage of fine grain. The best ANN model had a single hidden layer and 40 neurons with RMSE values 3.646, MAE 2.533, and R2 0.9103 for training data and RMSE 2.955, MAE 2.190, R2 0.9311 for testing data. Thus, the best ANN model has been proposed as NN_Nspt (NC). Keywords: Artificial Neuron Network, back-propagation, CPT, granular, SPT]]>
Copyrights © 2022
