Perpustakaan Digital ITB

Konstruksi terowongan perkotaan menghadapi tantangan ketidakpastian dalam menklasifikasi kondisi tanah bawah permukaan secara kontinu sepanjang jalur penggalian. Investigasi borehole yang bersifat terbatas pada titik-titik tertentu menimbulkan ketidakpastian geologi yang berpotensi mempengaruhi kinerja dan keamanan konstruksi terowongan perkotaan. Penelitian ini mengkaji pemanfaatan data operasional EPB TBM secara real time untuk melakukan inferensi komposisi butiran tanah secara kontinu sepanjang jalur terowongan MRT Jakarta. Enam parameter operasional TBM, yaitu advance speed, thrust force, cutter torque, cutter rotation speed, foam solution flow, dan earth chamber pressure diintegrasikan dengan data geoteknik yang mencakup distribusi ukuran butiran tanah clay, silt, dan sand. Tiga algoritma machine learning dibandingkan, yaitu Ordinary Least Squares (OLS), Random Forest (RF), dan XGBoost, menggunakan dua pendekatan, yaitu static dengan pembagian data 70% training dan 30% testing, serta pendekatan incremental berbasis sequential spatial splitting yang mencerminkan kondisi operasi TBM di lapangan. Pada skema static, ketiga model menunjukkan kemampuan prediksi yang terbatas, dengan RF tampil paling stabil dan konsisten dibandingkan dua model lainnya. Pada skema incremental, performa antarmodel menjadi lebih variatif: OLS rentan mengalami ketidakstabilan akibat ekstrapolasi di luar rentang data pelatihannya, sementara XGBoost relatif lebih stabil. Pada kedua skema, kemampuan prediksi seluruh model tetap terbatas, mengindikasikan bahwa parameter operasional TBM saja belum cukup representatif untuk memprediksi komposisi butiran tanah. Keterbatasan ini sebagian besar disebabkan oleh sedikitnya titik data berlabel yang tersedia untuk pelatihan model. Penelitian lanjutan disarankan untuk memperluas label data spasial antarborehole sebagai langkah pengembangan selanjutnya.