Latar Belakang & Masalah Utama
Proyek infrastruktur transportasi, khususnya terowongan, sering mengalami keterlambatan waktu (time overrun) dan melebihi anggaran (cost overrun). Studi oleh Flyvbjerg et al. (2002) menunjukkan 90% proyek transportasi global mengalami overrun biaya, dengan proyek terowongan termasuk yang paling rentan (rata-rata 33.8% overrun). Penyebabnya meliputi:
- Ketidakpastian geologi (kondisi batuan, aliran air tanah).
- Kesalahan estimasi teknis dan bias optimisme.
- Faktor politik & ekonomi seperti manipulasi data proyek.
Namun, penelitian Mohammad Mohammadi (2021) dalam tesisnya di KTH Royal Institute of Technology menyoroti bahwa pengabaian ketidakpastian geologi menjadi akar masalah utama.
Inovasi Model Probabilistik KTH
Mohammadi memperbaiki model estimasi waktu dan biaya probabilistik sebelumnya (Isaksson & Stille, 2005) dengan beberapa pembaruan kritis:
1. Pemecahan Aktivitas Konstruksi menjadi sub-aktivitas (e.g., pengeboran, peledakan, ventilasi) untuk estimasi lebih akurat.
2. Pemodelan Variabel Stokastik untuk:
- Waktu eksepsional (penanganan insiden seperti kebocoran air).
- Zona geoteknik (panjang zona dengan kondisi geologi serupa).
3. Distribusi Campuran (Mixture Distributions) untuk menghitung total waktu proyek dengan Monte Carlo simulation.
Contoh Aplikasi: Pada Uri Headrace Tunnel (India), model ini memprediksi waktu konstruksi 24 bulan — sangat dekat dengan realitas (25 bulan).
Studi Kasus: Uri Headrace Tunnel
- Panjang Terowongan: 2,712 meter
- Metode Konstruksi: Drill & blast.
Hasil Estimasi:
- Waktu normal (T_N): Distribusi normal dengan mean μ = 24 bulan.
- Waktu eksepsional (T_E): Diestimasi sebagai variabel stokastik (e.g., insiden aliran air besar).
- Akurasi Model: Hanya 1 bulan deviasi dari aktual.
Angka Kunci:
- Proyek terowongan di Eropa mengalami overrun biaya 34% (vs. jalan raya 20.4%).
- Skala fluktuasi (δ) dalam model memengaruhi akurasi estimasi zona geoteknik.
Kritik & Tantangan Model
1. Minor Delays Tidak Tercover: Masalah kecil seperti kerusakan mesin atau keterlambatan survei belum dimodelkan secara eksplisit.
2. Multi-Excavation Faces: Proyek besar dengan banyak titik galian (e.g., 8 wajah ekskavasi) memerlukan identifikasi critical path yang kompleks.
3. Ketergantungan Data Historis: Subjektivitas ahli dalam menilai production effort (Q) bisa memengaruhi hasil.
Solusi Potensial:
- Gunakan distribusi Poisson untuk minor delays.
- Integrasi AI & machine learning untuk analisis data geologi historis.
Relevansi dengan Industri Konstruksi Modern
Model ini cocok untuk:
- Kontrak Berbasis Risiko: Membantu pembagian risiko adil antara kontraktor dan owner.
- Proyek Megastruktur: Seperti terowongan bawah laut atau subway.
- Negara dengan Kondisi Geologi Kompleks: Contoh: Indonesia dengan aktivitas seismik tinggi.
Tren Global:
- AS & Eropa sudah mulai adopsi model probabilistik (e.g., CEVP® oleh WSDOT).
- Swedia menggunakan pendekatan serupa untuk proyek seperti Hallandsås Tunnel.
Kesimpulan
Model Mohammadi menawarkan terobosan signifikan dalam manajemen proyek terowongan dengan:
✅ Estimasi lebih akurat melalui pendekatan probabilistik.
✅ Fleksibilitas untuk berbagai metode konstruksi dan kondisi geologi.
❌ Namun, perlu pengembangan lebih lanjut untuk minor delays dan proyek multi-fase.
Sumber : Mohammadi, M. (2021). Probabilistic Time Estimation in Tunnel Projects. Licentiate Thesis, KTH Royal Institute of Technology, Stockholm.