Pendahuluan: Tantangan Tersembunyi dalam Konstruksi Terowongan Kota
Di balik kemajuan infrastruktur kota modern yang melibatkan jaringan terowongan bawah tanah seperti MRT, subway, dan jalur kereta cepat, tersimpan tantangan serius: penurunan tanah (settlement) yang berpotensi merusak bangunan di permukaan maupun bawah tanah. Masalah ini tidak hanya disebabkan oleh faktor geologi, tapi juga oleh kombinasi interaksi kompleks antara berbagai parameter teknis, geometris, dan geoteknik.
Untuk menjawab tantangan ini, studi dari tim peneliti di Pan African University dan beberapa universitas di Kenya mengembangkan model prediksi berbasis Artificial Neural Network (ANN) dengan pendekatan baru bernama Partial Dependency Approach (PDA). Studi ini menggunakan data nyata dari proyek Crossrail London dan menunjukkan bahwa sifat indeks tanah, seperti moisture content, plasticity limit, dan plasticity index, adalah faktor dominan yang sering diabaikan.
Latar Belakang: Mengapa Prediksi Settlement Itu Kompleks dan Penting
Dalam proyek terowongan kota, deformasi tanah sangat dipengaruhi oleh:
- Operasi mesin bor (TBM)
- Geometri terowongan
- Sifat mekanik dan indeks tanah
Metode prediksi tradisional, seperti regresi linier atau model numerik, kerap gagal menangkap kompleksitas interaksi antar parameter. ANN memang menawarkan akurasi tinggi, tetapi masih sering dianggap sebagai black-box model yang kurang transparan.
Melalui integrasi dengan Partial Dependency Plot (PDP), ANN dalam studi ini berhasil memberikan gambaran yang lebih jelas tentang parameter mana yang paling berpengaruh, serta bagaimana interaksinya memengaruhi deformasi.
Studi Kasus: Proyek Crossrail London
Lokasi dan Data
- Lokasi: Hyde Park, London
- Formasi tanah: London Clay Formation (LCF)
- Diameter terowongan: 7,1 m
- Kedalaman: 34,5 m
- Metode penggalian: Earth Pressure Balance (EPB)
Data Monitoring:
- 239 titik pemantauan permukaan
- 104 titik pemantauan bawah tanah
- Monitoring dilakukan saat penggalian terowongan Westbound (TBM1) oleh Crossrail
Metodologi: Dua Model, Satu Tujuan
1. Multiple Linear Regression (MLR)
- 12 parameter dimasukkan, termasuk:
- Jarak horizontal dan vertikal terhadap TBM
- Tekanan muka TBM
- Volume loss
- Moisture content, plastic limit, plasticity index
- Stiffness horizontal dan vertikal
- R² model permukaan: 0,8193
- R² model bawah tanah: 0,8991
Namun, model ini tidak bisa menangkap interaksi parameter secara mendalam.
2. Artificial Neural Network (ANN) + PDA
- Menggunakan Bayesian Regularization (BR) sebagai algoritma pelatihan
- Model optimal menggunakan:
- 5 neuron
- 3000 epoch
- RMSE permukaan: 0,133
- Akurasi permukaan: 90%, bawah tanah: 88%
Keunggulan utama: ANN berbasis PDA mampu memvisualisasikan interaksi antara parameter, misalnya:
- Ketika plasticity index dan trough width meningkat bersama, dampaknya menurun.
- Namun, kombinasi moisture content dan shear strength justru memberikan dampak negatif saat nilai salah satu rendah.
Temuan Utama: Parameter Paling Mempengaruhi Settlement
1. Moisture Content (X10)
- Pengaruh besar terhadap subsurface settlement
- Dihubungkan dengan fluktuasi muka air tanah saat penggalian berlangsung
2. Plasticity Index (X12) dan Plastic Limit (X11)
- Semakin tinggi PI → semakin kecil potensi deformasi
- Interaksinya dengan parameter geometri seperti transverse trough width signifikan
3. Shear Strength (Su) dan Stiffness (Eh)
- Turun drastis saat tekanan muka TBM naik → menyebabkan deformasi naik
4. TBM Face Pressure (X3)
- Interaksi tinggi dengan sifat mekanik dan indeks
- Kenaikan face pressure → subsurface settlement meningkat drastis
5. Volume Loss (X4)
- Faktor penting, tapi tidak sepenting lebar trough (X5)
Pentingnya Partial Dependency Approach (PDA)
Salah satu kekuatan model ini adalah kemampuannya menunjukkan efek interaksi dua variabel terhadap settlement secara visual dan kuantitatif. Misalnya:
- Kombinasi nilai rendah dari X1 (jarak dari TBM) dan X12 (PI) → memberikan efek settlement maksimal
- Sementara pasangan variabel dengan efek searah seperti X7 (Su) dan X10 (MC) → interaksinya justru minimal
Artinya, hubungan linier atau korelasi tinggi antar variabel tidak selalu menjamin interaksi kuat. Inilah yang tidak bisa ditangkap oleh model MLR biasa.
Perbandingan dengan Penelitian Sebelumnya
1. Chen et al. (2019):
- Menggunakan GRNN untuk prediksi settlement → RMSE = 1,35
- Model ANN-PDA dalam studi ini: RMSE jauh lebih kecil = 0,133
2. Zhang et al. (2020):
- Gunakan XGBoost → RMSE = 0,11
- ANN model ini hampir setara, tapi dengan visualisasi interaksi lebih unggul
3. Khatami et al. (2013):
- Gunakan ANN untuk twin tunnel settlement
- Tidak mempertimbangkan sifat indeks tanah → hasil kurang representatif untuk clay
Kesimpulan: Studi ini adalah yang pertama mengintegrasikan indeks tanah secara komprehensif dalam prediksi ANN untuk kasus nyata proyek besar.
Implikasi Praktis: Untuk Siapa dan Mengapa Ini Penting
1. Bagi Insinyur Geoteknik:
- Harus mempertimbangkan moisture content dan plasticity dalam desain penyangga terowongan
- Hindari pendekatan yang hanya mengandalkan kuat geser dan modulus elastisitas
2. Bagi Desainer dan Perencana Terowongan:
- Model ini bisa digunakan sebagai alat bantu pengambilan keputusan dalam menentukan parameter operasional TBM
- Bisa digunakan pada tahap feasibility maupun monitoring real-time
3. Bagi Peneliti dan Pengembang AI Teknik Sipil:
- ANN berbasis PDA bisa dikembangkan untuk prediksi deformasi pada proyek lainnya: bendungan tanah, fondasi, dinding penahan
- Potensial dikombinasikan dengan sistem BIM dan IoT
Kesimpulan: Bukan Hanya Soal Prediksi, Tapi Juga Transparansi dan Pemahaman
Model ANN berbasis Partial Dependency Approach dalam studi ini menawarkan pendekatan prediktif yang tidak hanya akurat, tapi juga transparan. Ini adalah kunci penting bagi proyek-proyek besar yang melibatkan interaksi parameter kompleks dan risiko geoteknik tinggi.
Dengan akurasi tinggi, visualisasi yang intuitif, serta kemampuan menangkap interaksi parameter yang selama ini tersembunyi, pendekatan ini bisa menjadi standar baru dalam analisis deformasi tanah untuk proyek terowongan modern.
Sumber : Samar Ali Hassan, Stanley Muse Shitote, Joseph Ng’ang’a Thuo, Dennis Cheruiyot Kiplangat. Predictive Models to Evaluate the Interaction Effect of Soil-Tunnel Interaction Parameters on Surface and Subsurface Settlement. Civil Engineering Journal, Vol. 8, No. 11, November 2022.