Perpustakaan Digital ITB

Menentukan daya dukung fondasi tiang dan memperkirakan perilaku deformasi terhadap pembebanan aksial tekan merupakan tantangan bagi ahli geoteknik dan fondasi. Dengan adanya kondisi tanah yang sangat bervariasi dan interaksi yang kompleks antara tiang dengan tanah, maka perilaku tiang aktual kemungkinan selalu berbeda dengan prediksi, termasuk prediksi menggunakan beberapa metode yang telah tersedia dalam foundation engineering. Dalam beberapa tahun terakhir, perkembangan articial intelligence di bidang geoteknik sudah memberikan hasil prediksi yang sangat baik. Dalam studi ini, digunakan metode deep learning dengan teknik Long Short Term-Memory (LSTM) untuk memprediksi kurva beban-penurunan pada fondasi tiang bor. Tujuan dari penelitian ini, untuk mengembangkan sebuah model LSTM yang efektif untuk memprediksi kurva load-settlement fondasi tiang bor dengan cepat, berdasarkan data jenis tanah dan N-SPT, yang dapat digunakan sebagai alat bantu dalam perencanaan dan evaluasi fondasi tiang bor sebelum melakukan static load test tiang. Sebanyak 47 data tanah dan 71 hasil pile load test berhasil dikumpulkan yang meliputi berbagai wilayah di DKI Jakarta. Rincian data tersebut adalah 47 data di Jakarta Selatan, 9 data di Jakarta Barat, 10 data di Jakarta Pusat, 4 data di Jakarta Utara, dan 1 data di Jakarta Timur. Sebaran jenis tanah ekivalen dari 71 data tiang dan 47 data tanah yang terkumpul, menunjukkan bahwa jenis tanah berbutir halus yang mendominasi perilaku fondasi tiang di wilayah DKI Jakarta. Studi ini juga telah berhasil membangun model Long Short Term-Memory (LSTM) untuk memprediksi kurva load-settlement fondasi tiang bor. Proses pengembangan model meliputi persiapan data katalog tiang, pemrosesan data menjadi dataset, eksperimen, dan pengujian. Konfigurasi model yang optimal dari 38 eksperimen model yang terdiri dari optimasi Adam, 380 epoch, 3 layer LSTM, dan 20 neuron LSTM per layer, yang memiliki performa RMSE data train dan data test masing-masing 519.9 kN dan 618.6 kN, MAE data train dan data test masing-masing 423.3 kN dan 492.4 kN, R2 adalah 0.98 untuk data train dan 0.96 untuk data test, dan MAPE sebesar 11.1% untuk data train dan 13.1 % untuk data test. Model LSTM yang telah dikembangkan menunjukkan performa yang baik dalam hal analisis sensitivitas.