Perpustakaan Digital ITB

Dinding bata terkekang (Confined Masonry) banyak digunakan sebagai sistem struktur bangunan sederhana dan menengah di Indonesia, namun hingga saat ini belum memiliki standar nasional (SNI) yang mengatur perhitungan kapasitas lateral dan daktilitasnya, sehingga perencanaan umumnya masih mengandalkan formula empiris dari negara lain seperti Alcocer dan Riahi. Formula-formula tersebut umumnya dibangun dari asumsi mekanisme keruntuhan tunggal dan database dengan cakupan terbatas, sehingga akurasinya perlu dievaluasi lebih lanjut. Tugas akhir ini bertujuan untuk (1) membandingkan keakurasian dan keandalan model machine learning dengan persamaan empiris konvensional dalam memprediksi kapasitas lateral (?max) dan drift maksimum (Rmax) dinding confined masonry, serta (2) mengevaluasi pengaruh masing-masing parameter input terhadap kedua output tersebut menggunakan pendekatan Explainable Machine Learning. Penelitian menggunakan database gabungan 115 spesimen dinding confined masonry dari Indonesia dan berbagai negara, dengan empat algoritma ensemble learning (XGBoost, Random Forest, AdaBoost, dan Gradient Boosting) serta tiga metode Explainable Machine Learning (SHAP, ALE, dan PFI). Hasil penelitian menunjukkan model XGBoost memberikan performa terbaik untuk prediksi ?max (R² = 0,797), sementara model Gradient Boosting terbaik untuk prediksi Rmax (R² = 0,518), keduanya mengungguli formula Alcocer dan Riahi. Analisis Explainable Machine Learning mengidentifikasi rasio tulangan kolom longitudinal (?At) dan tegangan aksial (?0) sebagai variabel paling berpengaruh terhadap ?max, sementara h/L dan kuat tekan pasangan bata (Fm) memberikan interpretasi mekanistik paling andal terhadap Rmax. Penelitian ini menunjukkan bahwa pendekatan berbasis machine learning yang didukung interpretasi Explainable Machine Learning dapat menjadi alternatif yang lebih akurat dan andal dibandingkan formula empiris konvensional dalam memprediksi perilaku dinding confined masonry.