Fly ash merupakan salah satu limbah industri yang jumlahnya sangat besar, khususnya di negara-negara yang masih bergantung pada pembangkit listrik fosil berbahan bakar batu bara. Penelitian ini bertujuan untuk memodelkan karakteristik tegangan tembus pada isolator polimer silikon rubber yang dipadukan dengan filler fly ash berdasarkan komposisi, wilayah dan sinar ultraviolet. Pemodelan dilakukan menggunakan metode Backpropagation Neural Network (BPNN), sebuah pendekatan kecerdasan buatan yang dikenal efektif dalam menangani masalah non-linear dan kompleksitas data. Data dari penelitian sebelumnya tentang polimer silikon rubber fly ash batu bara akan dilakukan pemodelan menggunakan metode BPNN untuk mengetahui efektifitas metode Backpropagation Neural Network (BPNN) dalam meningkatkan kinerja material polimer silikon rubber yang diperkuat dengan fly ash batu bara sehingga diperoleh nilai RMSE pada iterasi ke-1 sebesar 15,53 dan pada iterasi ke-100 sebesar 7,22. Hasil analisis menunjukkan bahwa metode Backpropagation Neural Network (BPNN) terbukti efektif dalam kinerja material polimer silikon rubber yang diperkuat dengan fly ash batu bara. Dengan menggunakan Backpropagation Neural Network (BPNN) ini menghasilkan penurunan nilai RMSE yang kecil dimana hasil RMSE yang kecil tersebut menunjukkan bahwa model memiliki akurasi yang tinggi dan mampu mengoptimalisasikan dengan baik.

Fly ash is one of the most abundant industrial wastes, especially in countries that still rely heavily on fossil fuel power plants using coal. This study aims to model the breakdown voltage characteristics of silicone rubber polymer insulators combined with fly ash filler based on composition, region, and ultraviolet radiation. The modeling is conducted using the Backpropagation Neural Network (BPNN) method, an artificial intelligence approach known for its effectiveness in handling non-linear problems and complex data. Data from previous studies on coal fly ash silicone rubber polymer will be modeled using the BPNN method to assess the effectiveness of the Backpropagation Neural Network (BPNN) in enhancing the performance of silicone rubber polymer material reinforced with coal fly ash. The RMSE value at the 1st iteration is 15.53, and at the 100th iteration, it is 7.22. The analysis results demonstrate that the Backpropagation Neural Network (BPNN) method is effective in improving the performance of silicone rubber polymer material reinforced with coal fly ash. Using the Backpropagation Neural Network (BPNN) resulted in a small decrease in the RMSE value, indicating that the model has high accuracy and is capable of optimizing well.