{
      "dir": "disk0/00/00/51/05",
      "subjects": [
        "CJ"
      ],
      "corp_creators": [
        "Universitas Bojonegoro"
      ],
      "creators": [
        {
          "name": {
            "family": "Yulis Widhiastuti",
            "given": "Widhiastuti",
            "honourific": null,
            "lineage": null
          }
        },
        {
          "name": {
            "family": "Eko Wahyu Abryandoko",
            "given": "Abryandoko",
            "honourific": null,
            "lineage": null
          }
        },
        {
          "name": {
            "family": "Achmad Safi\u2019i",
            "given": "Safi\u2019i",
            "honourific": null,
            "lineage": null
          }
        }
      ],
      "lastmod": "2026-06-12 06:39:46",
      "rev_number": 7,
      "metadata_visibility": "show",
      "uri": "https://repository.unigoro.ac.id/id/eprint/5105",
      "abstract": "Sektor konstruksi berkontribusi signifikan terhadap emisi gas rumah kaca global, dengan beton sebagai penyumbang utama akibat produksi semen Portland yang menghasilkan sekitar 8% dari total emisi CO\u2082 dunia. Penggunaan Supplementary Cementitious Materials (SCM) seperti fly ash, silica fume, dan ground granulated blast furnace slag sebagai substitusi parsial semen telah diakui sebagai strategi kunci untuk mengurangi jejak karbon beton. Namun, hubungan kompleks antara komposisi campuran dan emisi karbon memerlukan pendekatan prediktif yang efisien untuk memfasilitasi evaluasi cepat pada tahap desain awal. Penelitian ini mengembangkan dan mengevaluasi model pembelajaran mesin untuk memprediksi jejak karbon beton berbasis SCM berdasarkan komposisi materialnya. Dataset global yang mencakup 1.456 desain campuran dari 136 publikasi ilmiah di 27 negara digunakan setelah preprocessing dengan metode Interquartile Range (IQR) untuk eliminasi outlier, menghasilkan 1.294 sampel valid. Empat algoritma regresi diuji dan dioptimasi: Support Vector Regression (SVR), Random Forest Regression (RFR), Decision Tree Regression (DTR), dan Gradient Boosting Regression (GBR), dengan hyperparameter tuning melalui 5-fold cross-validation. Hasil menunjukkan bahwa semua model mencapai akurasi prediksi sangat tinggi (R\u00b2 > 0,998), dengan GBR menunjukkan performa superior (R\u00b2 = 0,9996, RMSE = 1,7452 kg CO\u2082/m\u00b3, MAE = 1,2779 kg CO\u2082/m\u00b3, MAPE = 0,5260%). Analisis cross-validation mengkonfirmasi robustness model dengan Mean R\u00b2 = 0,9995 dan deviasi standar minimal (0,0003) untuk GBR. Analisis feature importance mengidentifikasi semen sebagai faktor dominan (>99,8% kontribusi) terhadap prediksi emisi karbon, diikuti oleh superplasticizer dan GGBFS dengan kontribusi minimal. Analisis sensitivitas menunjukkan hubungan linear kuat antara kandungan semen dan emisi karbon (gradien ~0,82 kg CO\u2082 per kg semen), sementara material lain menunjukkan pengaruh yang sangat kecil. Temuan ini memberikan dasar kuantitatif yang kuat untuk strategi reduksi emisi melalui maksimalisasi substitusi SCM dan menyediakan alat prediktif yang dapat mempercepat inovasi beton berkelanjutan tanpa memerlukan analisis LCA komprehensif untuk setiap variasi campuran.",
      "date": "2026-01-01",
      "ispublished": "pub",
      "publisher": "LPPM UNIVERSITAS BOJONEGORO",
      "title": "Laporan Penelitian Internal Dosen : Analisis Jejak Karbon Pada Desain Campuran Beton Menggunakan Model Regresi Pembelajaran Mesin",
      "datestamp": "2026-06-12 06:39:46",
      "eprintid": 5105,
      "userid": 16,
      "full_text_status": "public",
      "keywords": "beton; jejak karbon; machine learning; XGBoost; supplementary cementitious \r\nmaterials; Life Cycle Assessment; keberlanjutan; emisi CO\u2082; desain material berkelanjutan.",
      "eprint_status": "archive",
      "divisions": [
        "ts"
      ],
      "type": "other",
      "status_changed": "2026-06-12 06:39:46",
      "documents": [
          {
            "pos": 1,
            "format": "text",
            "docid": 11819,
            "main": "Laporan Penelitian.pdf",
            "rev_number": 1,
            "mime_type": "application/pdf",
            "language": "en",
            "files": [
                {
                  "uri": "https://repository.unigoro.ac.id/id/file/63240",
                  "fileid": 63240,
                  "hash": "348d490b2f039bf6535d0b8370a130a1",
                  "filesize": 1422836,
                  "mime_type": "application/pdf",
                  "mtime": "2026-06-12 06:37:44",
                  "hash_type": "MD5",
                  "datasetid": "document",
                  "filename": "Laporan Penelitian.pdf",
                  "objectid": 11819
                }
            ],
            "uri": "https://repository.unigoro.ac.id/id/document/11819",
            "placement": 1,
            "security": "public",
            "eprintid": 5105
          }
      ],
      "date_type": "published"
    }