Perpustakaan Digital ITB

Squeezing pada terowongan dalam merupakan salah satu permasalahan geoteknik yang kompleks karena dipengaruhi oleh kualitas massa batuan, kekuatan batuan, kedalaman, geometri bukaan, serta kapasitas support. Penelitian ini bertujuan untuk mengevaluasi performa machine learning dalam memprediksi kondisi squeezing dan non-squeezing, serta menganalisis pengaruh integrasi pengetahuan empiris berupa Competence Factor (CF) dan Support Capacity Factor (SCF). Model yang digunakan meliputi Logistic Regression, Support Vector Machine, dan Random Forest. Integrasi pengetahuan empiris dilakukan melalui dua pendekatan, yaitu feature-level integration dan threshold screening integration. Hasil penelitian menunjukkan bahwa model non-linear memberikan performa lebih baik dibandingkan model linear. Random Forest dengan feature-level integration menghasilkan performa terbaik dengan F1-score sebesar 90,53% dan AUC sebesar 97,61%. Penambahan CF dan SCF tidak memberikan peningkatan performa yang sangat signifikan, namun meningkatkan interpretabilitas model secara geomekanik. Sementara itu, threshold screening menghasilkan model yang lebih konservatif dengan recall tinggi, tetapi cenderung menurunkan precision. Dengan demikian, empirical knowledge lebih tepat digunakan sebagai fitur interpretatif dan lapisan screening risiko, sedangkan machine learning tetap berperan sebagai model prediksi utama.