TY  - GEN
N2  - Modulus deformasi tanah (Es) merupakan parameter geoteknik fundamental yang berperan penting dalam analisis penurunan dan perencanaan fondasi, namun penentuan nilainya secara langsung melalui pengujian laboratorium maupun lapangan seringkali memerlukan biaya dan waktu yang signifikan. Penelitian ini mengusulkan pendekatan berbasis ensemble machine learning untuk memprediksi Es secara akurat menggunakan parameter indeks tanah yang umum tersedia, meliputi void ratio (e), degree of saturation (Sr), liquid limit (LL), plastic limit (PL), dan koefisien kompresibilitas (?1?2). Dataset yang digunakan bersumber dari repositori yang dipublikasikan oleh Sun, yang memuat data pengujian laboratorium pada tanah lempung dengan variasi karakteristik yang beragam. Beberapa model ensemble dikembangkan dan dibandingkan, mencakup Random Forest, HistGradientBoosting, XGBoost, Voting Regressor, dan Stacking Regressor. Proses hyperparameter tuning dilakukan menggunakan RandomizedSearchCV dengan skema 5-fold cross-validation untuk memperoleh konfigurasi model yang optimal. Hasil evaluasi menunjukkan bahwa Random Forest tampil sebagai model terbaik dengan nilai Rē sebesar 0,983 dan RMSE sebesar 0,3073 MPa pada data uji, didukung oleh rata-rata CV Rē sebesar 0,9651 yang mencerminkan stabilitas generalisasi yang tinggi. Analisis feature importance secara konsisten mengidentifikasi ?1?2 sebagai prediktor paling dominan terhadap Es, dengan kontribusi kepentingan melebihi 0,96 pada kedua metode evaluasi MDI/Gain dan Permutation Importance. Temuan ini menunjukkan bahwa model ensemble machine learning yang dikembangkan mampu menjadi alat estimasi Es yang akurat, efisien, dan praktis dalam mendukung perencanaan geoteknik berbasis data.
KW  - soil deformation modulus
KW  -  ensemble machine learning
KW  -  random forest
KW  -  feature 
importance
KW  -  geotechnical engineering
KW  -  index properties
KW  -  soil compressibility
PB  - LPPM UNIVERSITAS BOJONEGORO
ID  - repository5104
A1  - Ichwan Hadi Saputra, Saputra
A1  - Eko Wahyu Abryandoko, Abryandoko
A1  - Putri Sekar Arumdalu, Arumdalu
Y1  - 2026/01/01/
UR  - https://repository.unigoro.ac.id/id/eprint/5104/
AV  - public
TI  - Laporan Penelitian Internal Dosen : Prediksi Parameter Kekuatan Geser Tanah Berbasis Data Menggunakan Pembelajaran Mesin
ER  -