Laporan Penelitian Internal Dosen : Prediksi Parameter Kekuatan Geser Tanah Berbasis Data Menggunakan Pembelajaran Mesin

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 (α1–2). 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 R² sebesar 0,983 dan RMSE sebesar 0,3073 MPa pada data uji, didukung oleh rata-rata CV R² sebesar 0,9651 yang mencerminkan stabilitas generalisasi yang tinggi. Analisis feature importance secara konsisten mengidentifikasi α1–2 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.