Klasifikasi Getaran pada Material Beton Menggunakan Fast Fourier Transform (FFT) dan Artifical Neural Network (ANN)

Anindy, Balqis Mahira (2025) Klasifikasi Getaran pada Material Beton Menggunakan Fast Fourier Transform (FFT) dan Artifical Neural Network (ANN). Other thesis, Institut Teknologi Sepuluh Nopember.

Text 2040211118-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (5MB) | Request a copy

Abstract

Beton merupakan material yang umum digunakan dalam konstruksi karena kekuatan tekan dan durabilitasnya. Namun, beton juga rentan mengalami keretakan akibat beban berlebih, getaran berulang, dan perubahan lingkungan. Keretakan yang tidak terdeteksi sejak dini dapat menyebabkan penurunan integritas struktural hingga potensi kegagalan bangunan. Penelitian ini mengembangkan sistem klasifikasi kondisi beton berbasis getaran menggunakan Fast Fourier Transform (FFT) dan Artificial Neural Network (ANN). Data getaran diambil dari sensor akselerometer ADXL345 pada tiga sumbu x, y, z, lalu diolah menggunakan FFT untuk memperoleh spektrum frekuensi. Nilai amplitudo dari hasil FFT kemudian diproses menjadi fitur statistik berupa nilai minimum, maksimum, dan rata-rata, yang digunakan sebagai input untuk pelatihan dan pengujian model ANN. Penelitian ini mengklasifikasikan kondisi beton ke dalam tiga kategori, yaitu utuh, sedikit retak, dan retak. Model ANN diuji dengan beberapa struktur hidden layer dan diperoleh hasil terbaik pada struktur 16 dan 4 neuron dengan akurasi klasifikasi sebesar 99,13%. Sistem ini juga dirancang berbasis Internet of Things (IoT) dengan integrasi MQTT dan Node-RED, sehingga memungkinkan monitoring kondisi beton secara real-time dan penyimpanan data ke dalam database. Hasil penelitian menunjukkan bahwa pendekatan ini efektif dalam mendeteksi perubahan pola getaran akibat keretakan beton, serta mampu memberikan hasil klasifikasi yang akurat dan stabil. Dengan demikian, sistem ini dapat menjadi solusi alternatif yang efisien, otomatis, dan ekonomis untuk pemantauan kondisi struktural bangunan serta mendukung tindakan pemeliharaan yang lebih cepat dan tepat.
====================================================================================================================================
Concrete is a widely used material in construction due to its compressive strength and durability. However, it remains vulnerable to cracking caused by excessive loads, repeated vibrations, and environmental changes. Undetected cracks may lead to reduced structural integrity and potential building failure. This research develops a vibration-based classification system for concrete condition using Fast Fourier Transform (FFT) and Artificial Neural Network (ANN). Vibration data is collected using an ADXL345 accelerometer on the X, Y, and Z axes, then transformed into the frequency domain through FFT to extract amplitude features. These features are further processed into statistical values minimum, maximum, and average which serve as input for the ANN model. The concrete is classified into three conditions: intact, slightly cracked, and cracked. Several ANN architectures were tested, and the best performance was achieved with a 16-4 hidden layer structure, resulting in a classification accuracy of 99.13%. The system is also integrated with an Internet of Things (IoT) platform using MQTT and Node-RED, allowing real-time condition monitoring and automatic data logging. The results show that this approach effectively detects vibration pattern changes due to concrete cracking and delivers high classification accuracy. Therefore, the proposed system offers a reliable, automated, and efficient solution for structural health monitoring and supports timely maintenance decisions.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Getaran, Beton, FFT, ANN, ADXL345, Klasifikasi
Subjects:	Q Science > QA Mathematics > QA336 Artificial Intelligence Q Science > QA Mathematics > QA404 Fourier series Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science)
Divisions:	Faculty of Vocational > 36304-Automation Electronic Engineering
Depositing User:	Balqis Mahira Anindy
Date Deposited:	04 Aug 2025 04:30
Last Modified:	04 Aug 2025 04:30
URI:	http://repository.its.ac.id/id/eprint/125778

Actions (login required)

View Item