Perpustakaan Digital ITB

Gerusan lokal pada pilar jembatan merupakan salah satu penyebab utama kegagalan struktural jembatan di berbagai belahan dunia, termasuk Indonesia, sebagaimana ditunjukkan oleh beberapa kasus kerusakan jembatan akibat gerusan pada musim banjir di Indonesia. Metode empiris HEC-18 (Hydraulic Engineering Circular No. 18) yang selama ini umum digunakan diketahui cenderung overestimasi hingga 30–40% pada kondisi tertentu, khususnya live-bed scour dan bilangan Froude tinggi, sehingga berpotensi menimbulkan inefisiensi biaya konstruksi. Penelitian ini bertujuan membandingkan akurasi prediksi kedalaman gerusan lokal pilar berpenampang lingkaran antara HEC-18 dan lima algoritma Machine Learning (Artificial Neural Network, Support Vector Regression, Random Forest, Gradient Boosting Machine, dan Linear Regression) berbasis 407 data sekunder hasil eksperimen laboratorium dari basis data gerusan pilar internasional, yang dibagi menjadi 327 data latih dan 82 data uji. Evaluasi menggunakan metrik RMSE, MAE, R², NSE, PBIAS, dan RSR, uji signifikansi statistik (paired t-test, Wilcoxon, dan Diebold-Mariano), analisis interpretabilitas (SHAP, PDP, ICE, two-way PDP), serta simulasi gerusan temporal berbasis pendekatan kuasi-tunak pada hidrograf banjir sintetis menggunakan model terbaik. Hasil penelitian menunjukkan bahwa HEC-18 menghasilkan overestimasi pada 90.2% data uji (RMSE = 0.254 ft, R² = 0.795, PBIAS = ?32.59%), dengan deviasi terbesar pada kondisi Froude tinggi (Fr ? 0.8, R² = ?1.206) dan live-bed scour (98.0% overestimasi), yang dikonfirmasi bersifat sistematis secara fisik melalui karakterisasi Diagram Shields. XGBoost terbukti sebagai model dengan akurasi tertinggi (R² = 0.975, RMSE = 0.088 ft, PBIAS = ?3.53%; bootstrap 95% CI R² = [0.890; 0.993]), diikuti ANN, RF, SVR, dan LR, dengan reduksi RMSE terhadap HEC-18 mencapai 65.4% dan keunggulan signifikan secara statistik (p < 0.001), jauh lebih andal dibandingkan CI HEC-18 yang mencapai [0.246; 0.891]. Analisis SHAP mengidentifikasi lebar pilar sebagai variabel paling dominan, dengan konsistensi arah pengaruh sesuai teori hidraulika pada 8 dari 9 variabel input. Evaluasi sub-kelompok data menunjukkan HEC-18 tetap kompetitif pada kondisi clear-water dengan Fr < 0.8, sementara model ML memberikan perbaikan signifikan pada kondisi live-bed dan Fr tinggi, dengan rentang interpolasi valid ii meliputi lebar pilar 0.052–3.002 ft, kedalaman aliran 0.066–6.234 ft, kecepatan aliran 0.490–7.080 ft/s, dan bilangan Froude 0.068–1.498. Pada tahap simulasi temporal, pendekatan kuasi-tunak berbasis XGBoost diterapkan pada hidrograf banjir sintetis berdurasi 151 jam yang hidraulikanya diverifikasi terlebih dahulu terhadap HEC-RAS (R² > 0.99). Seluruh durasi hidrograf berlangsung dalam kondisi clear-water, dengan kedalaman gerusan desain XGBoost sebesar 1.313 m (basis Manning) hingga 1.379 m (basis HECRAS model ber-pilar), lebih akurat terhadap data observasi laboratorium acuan (error ?6.9% hingga ?2.2%) dibandingkan HEC-18 (error ?17.9%), serta dinyatakan TERVALIDASI (selisih ?10%) dengan efisiensi komputasi ±2000 kali lebih cepat dibandingkan simulasi HEC-RAS penuh. Model XGBoost juga mengungkap pola respons non-linear terhadap rasio V/Vc, berbeda dari HEC-18 yang memprediksi peningkatan gerusan secara monoton dan linear. Untuk mengantisipasi risiko underestimasi pada kondisi live-bed, direkomendasikan penerapan faktor keamanan K_safety = 1.09 (setara persentil ke-95, Under- Prediction Rate ?5%) pada prediksi XGBoost sebelum digunakan sebagai kedalaman desain akhir. Kebaruan penelitian ini terletak pada integrasi evaluasi komparatif stasioner dengan skema simulasi kuasi-tunak temporal yang divalidasi silang terhadap pemodelan hidraulika numerik penuh, pendekatan yang belum banyak dieksplorasi pada studi gerusan pilar jembatan berbasis data sekunder. Penelitian ini menyimpulkan bahwa model Machine Learning, khususnya XGBoost, secara signifikan mengungguli HEC-18 dalam akurasi dan konsistensi fisik prediksi gerusan lokal pilar jembatan berpenampang lingkaran, sehingga direkomendasikan pendekatan hybrid (HEC-18 sebagai batas atas konservatif, XGBoost sebagai estimasi optimal) untuk mendukung revisi pedoman desain jembatan di Indonesia.