Laporan Penelitian Internal Dosen : Prediksi Kinerja Mekanis Beton Berbasis Agregat Daur Ulang Menggunakan Machine Learning: Sebuah Studi Komparatif Dengan Beton KonvensionalSujiatSujiatauthorAbryandokoEko Wahyu AbryandokoauthorSafi’iAchmad Safi’iauthorBeton berbasis agregat daur ulang (Recycled Aggregate Concrete/RAC) merupakan alternatif material konstruksi yang sustainable untuk mengurangi eksploitasi sumber daya alam dan mengelola limbah konstruksi dan demolisi. Namun, prediksi kinerja mekanis RAC masih menjadi tantangan karena variabilitas properti agregat daur ulang yang tinggi. Penelitian ini bertujuan untuk mengembangkan model machine learning untuk memprediksi kuat tekan beton berbasis agregat daur ulang dan membandingkan performanya dengan prediksi beton normal. Dataset yang digunakan terdiri dari 2165 sampel (1600 beton normal dan 565 beton agregat daur ulang) yang dikumpulkan dari berbagai publikasi ilmiah. Data preprocessing meliputi handling missing values, penghapusan duplikat, dan deteksi outlier menggunakan metode Interquartile Range (IQR) yang diterapkan per kelompok usia curing. Tiga algoritma tree-based machine learning (Random Forest, XGBoost, dan LightGBM) diimplementasikan dan dioptimasi menggunakan RandomizedSearchCV dengan 5-fold cross-validation. Hasil penelitian menunjukkan bahwa LightGBM memberikan performa terbaik dengan R² = 0,92, MAE = 2,45 MPa, dan RMSE = 3,52 MPa pada testing set. Model mampu memprediksi kuat tekan beton normal (R² = 0,92) dan beton agregat daur ulang (R² = 0,91) dengan akurasi yang hampir setara, mengindikasikan generalisasi yang robust. Feature importance analysis mengungkapkan bahwa usia curing, kandungan semen, dan kandungan air merupakan faktor terpenting dalam prediksi kuat tekan, sementara untuk RAC, penyerapan air agregat daur ulang (WRCA) juga memberikan kontribusi signifikan. Error analysis menunjukkan bahwa residual bersifat random dan terdistribusi mendekati normal tanpa bias sistematis. Model ini dapat diandalkan untuk prediksi kuat tekan beton pada range 20-60 MPa dengan error rata-rata ±3-4 MPa, dan dapat diintegrasikan dalam software desain mix proporsi untuk meningkatkan efisiensi proses desain dan mendukung penggunaan material konstruksi berkelanjutanProdi Teknik Sipil2026-01-01LPPM UNIVERSITAS BOJONEGOROOther