Latar Belakang dan Signifikansi Penelitian
Pondasi dangkal sering dipilih karena efisiensi biaya dan waktu konstruksi singkat, namun prediksi penurunannya masih menjadi tantangan. Penelitian oleh Tarawneh dkk. (2019) ini mengembangkan formula berbasis kecerdasan buatan (Artificial Neural Networks/ANN dan Genetic Programming-Symbolic Regression/GP-SR) untuk memprediksi penurunan pondasi di tanah granuler dengan akurasi tinggi. Studi ini menawarkan solusi praktis bagi insinyur geoteknik dengan memanfaatkan data uji penetrasi kerucut (CPT) dan uji beban lapangan.
Metodologi dan Studi Kasus
Penelitian ini menggunakan dua pendekatan utama:
1. Eksperimen Lapangan:
- Database dari 44 uji beban pondasi (270 titik data) pada tanah granuler pasca-perbaikan tanah (Dynamic Compaction/Rapid Impact Compaction).
- Parameter input: lebar pondasi (B), tekanan beban (P), dan resistansi ujung CPT (qₑ).
- Output: Penurunan (S) yang diukur dengan dial gauge.
2. Pemodelan Kecerdasan Buatan:
- ANN: Dibangun dengan 3 lapisan (input, hidden, output) menggunakan fungsi aktivasi sigmoid. Data dibagi menjadi 70% pelatihan, 15% validasi, dan 15% pengujian.
- GP-SR: Menggunakan software Eureqa untuk menghasilkan formula matematis berbasis genetika.
Temuan Kunci dan Angka Penting
- Akurasi Model:
- ANN Model 1 mencapai R² 0.93, MSE 0.16, dan MAE 0.2, menjadi yang terbaik dibandingkan model lain.
- GP-SR menghasilkan dua formula dengan R² 0.84 dan 0.78.
Perbandingan antara FEM dan ANN dalam Prediksi Penurunan Tanah
Dalam menganalisis penurunan tanah akibat beban, terdapat perbedaan signifikan antara hasil yang diperoleh menggunakan Finite Element Method (FEM) dan Artificial Neural Network (ANN).
-
FEM cenderung over-prediksi penurunan tanah. Misalnya, pada beban 337.5 kPa, FEM memprediksi penurunan sebesar 5.14 mm, padahal hasil aktualnya hanya 2.67 mm, yang berarti prediksi FEM dua kali lebih besar daripada kenyataannya.
-
Sebaliknya, ANN lebih akurat dalam memprediksi penurunan tanah. Hasilnya hanya memiliki deviasi kurang dari 1 mm dibandingkan dengan data lapangan, menunjukkan bahwa ANN mampu memberikan prediksi yang lebih mendekati kenyataan.
Formula ANN untuk Prediksi Penurunan:
Formula ANN dihitung menggunakan persamaan yang melibatkan tekanan (P), beban efektif (qₑ), dan lebar pondasi (B). Formula tersebut berbentuk ekspresi yang memperhitungkan turunan variabel-variabel ini untuk menghasilkan estimasi penurunan tanah.
Dengan menggunakan ANN, prediksi penurunan tanah menjadi lebih akurat karena ANN dapat menangani hubungan kompleks antara variabel-variabel tersebut.
Analisis dan Nilai Tambah
1. Kelebihan ANN:
- Cepat dan efisien setelah pelatihan data.
- Adaptif untuk berbagai kondisi tanah granuler selama masih dalam rentang data pelatihan.
2. Kritik terhadap FEM:
- Metode konvensional seperti Mohr-Coulomb pada FEM terlalu konservatif, berpotensi menyebabkan desain berlebihan.
3. Aplikasi Industri:
- Cocok untuk proyek infrastruktur cepat seperti jalan tol atau jembatan di daerah berpasir.
- Integrasi dengan IoT untuk real-time monitoring penurunan pondasi.
Kesimpulan dan Rekomendasi
- ANN dan GP-SR terbukti lebih unggul dalam prediksi penurunan dibanding FEM.
- Rekomendasi:
- Gunakan ANN untuk proyek dengan data CPT memadai.
- Lakukan kalibrasi model secara berkala dengan data baru untuk meningkatkan akurasi.
Sumber : Tarawneh, B., AL Bodour, W., & Al Ajmi, K. (2019). Intelligent Computing Based Formulas to Predict the Settlement of Shallow Foundations on Cohesionless Soils. The Open Civil Engineering Journal, 13, 1-9.