Perpustakaan Digital ITB

Kestabilan lereng adalah aspek krusial dalam perencanaan operasional tambang terbuka, khususnya dalam tambang batubara di Indonesia. Metode analisis kestabilan lereng konvensional seperti kesetimbangan batas dan elemen hingga memerlukan waktu komputasi yang lama. Penelitian ini mengembangkan alternatif menggunakan pendekatan kecerdasan buatan dengan metode XGBoost, CatBoost, dan deep learning untuk membuat model prediksi faktor keamanan statis dan dinamis, serta ANFIS untuk klasifikasi status lereng (stable/unstable). Data penelitian terdiri dari 264 data sekunder dari tambang batubara di Indonesia. Parameter input meliputi material properties (berat jenis, kohesi, sudut gesek dalam), geometri lereng (tinggi dan sudut lereng keseluruhan), parameter hidrogeologi (Hu), beban seismik, jenis lereng (highwall, lowwall, dan sidewall), serta target output berupa faktor keamanan statis, faktor keamanan dinamis, dan status lereng. Data dibagi dengan proporsi 80:20 untuk training dan testing, dengan kriteria lereng stabil didefinisikan ketika FK dinamis ? 1,1 dan PoF ? 5%. Metodologi penelitian mengimplementasikan XGBoost, CatBoost, dan deep learning yang dioptimalisasi menggunakan genetic algorithm untuk optimasi hyperparameter. Untuk klasifikasi, dikembangkan dua model ANFIS dengan struktur berbeda: ANFIS-1 memprediksi faktor keamanan dan probabilitas kelongsoran untuk mendapatkan status lereng, sedangkan ANFIS-2 secara langsung memprediksi status lereng. Hasil evaluasi menunjukkan performa superior model GA-XGBoost untuk prediksi faktor keamanan statis dengan RMSE 0,1372, MAE 0,1003, dan R² 0,9188, sementara GA-CatBoost unggul pada prediksi faktor keamanan dinamis dengan RMSE 0,1641, MAE 0,1174, dan R² 0,7646. Untuk klasifikasi kestabilan lereng, model ANFIS-2 menunjukkan performa terbaik dengan accuracy 80%, precision 92%, recall 79%, dan F1-Score 85%.