Perpustakaan Digital ITB

Permasalahan geoteknik yang semakin kompleks menuntut pemahaman perilaku tanah hingga ke level elemen. Model konstitutif, seperti Hardening Soil (HS), banyak digunakan untuk merepresentasikan perilaku non-linear tanah. Namun, model konstitutif umumnya memerlukan parameter input yang kompleks, tidak intuitif, serta bergantung pada korelasi atau asumsi tambahan yang dapat menurunkan akurasi prediksi. Hingga saat ini, belum ada model konstitutif yang mampu merepresentasikan perilaku non-linear tanah secara akurat menggunakan parameter tanah dasar yang diperoleh melalui uji laboratorium sederhana. Seiring dengan berkembangnya teknologi Machine Learning, pendekatan berbasis data (data-driven) membuka peluang baru dalam membangun model perilaku tanah yang lebih efisien. Penelitian ini bertujuan mengembangkan model kurva stress–strain dan pore water pressure (PWP)–strain berbasis data dengan menggunakan algoritma Random Forest (RF), Multi-Output Random Forest (MORF), dan Backpropagation Neural Network (BPNN). Model dikembangkan dengan pendekatan direct dan increment prediction menggunakan parameter indeks tanah sebagai satu-satunya input dan tambahan variabel historis tegangan, tanpa korelasi tambahan. Dataset yang digunakan merupakan hasil uji triaxial Consolidated Undrained (CU) dari berbagai sampel tanah. Secara umum, model ensemble ML terbukti lebih unggul dibanding deep learning, terutama dalam stabilitas prediksi di zona initial loading dan non-failure. Error terbesar ditemukan pada zona failure untuk tanah berplastisitas rendah, dan pada zona non-linear awal untuk tanah plastis. Temuan ini menunjukkan bahwa karakteristik plastisitas dan tingkat deformasi sangat memengaruhi akurasi prediksi. Hasil studi ini menegaskan potensi pendekatan data-driven sebagai alternatif model konstitutif yang lebih sederhana dan efisien untuk aplikasi rekayasa geoteknik ke depan.