Perpustakaan Digital ITB

Pengujian oedometer untuk menentukan parameter konsolidasi tanah, seperti indeks kompresibilitas (Cc) dan tekanan prakonsolidasi (pc), memerlukan waktu yang lama dan sampel tanah tak terganggu yang sulit diperoleh. Sebagai alternatif, Machine Learning (ML) dapat digunakan untuk mempercepat prediksi parameter konsolidasi. Namun, model ML sering kali dianggap sebagai "black box", yang menghambat pemahaman tentang bagaimana prediksi dilakukan. Dalam penerapannya pada bidang rekayasa geoteknik, studi terkini telah menunjukkan keberhasilan model machine learning untuk memprediksi kurva konsolidasi tanah (kurva e-log p) dengan kinerja statistik yang baik. Namun, untuk dapat memahami cara kerja ML dengan baik, diperlukan interpretasi model yang jelas. Interpretasi ini penting agar hasil prediksi dapat dipahami secara transparan dan dapat dipercaya, serta sejalan dengan prinsip-prinsip geoteknik yang ada. Penelitian ini bertujuan mengembangkan model Machine Learning (ML) untuk memprediksi parameter konsolidasi secara akurat dan transparan menggunakan pendekatan Explainable AI (XAI). Dengan XAI, sensitivitas tiap fitur dianalisis agar prediksi selaras dengan prinsip geoteknik. Penelitian ini juga membandingkan model LSTM, RNN, BiLSTM, dan BiRNN untuk menentukan model yang paling andal, serta memberikan pemahaman lebih dalam tentang kontribusi fitur terhadap hasil prediksi. Hasil evaluasi menunjukkan bahwa BiLSTM merupakan model terbaik dengan MAE 0.0258 dan R² 0.888, unggul dalam menangkap pola sekuensial e-log? secara akurat. Untuk prediksi parameter, korelasi Azzouz et al. (1976) memberikan hasil terbaik pada Cc (23.77% ± 20.8), namun BiLSTM menjadi model ML paling akurat untuk Cc (56.74% ± 44.4) dan Pc (61.18% ± 43.86), terutama saat menggunakan metode Boone. Analisis XAI mengungkap fitur penting seperti dry unit weight, depth, dan SQD Ratio, serta menunjukkan keunggulan SHAP dan Integrated Gradients dalam interpretasi temporal, dibandingkan LIME yang cenderung bias pada timestep awal. Validasi interpretasi melalui metode dropout menegaskan perlunya pendekatan kombinatif untuk meningkatkan keandalan model dan mendukung pengambilan keputusan geoteknik berbasis data.