Prediksi Penurunan Pondasi Tiang Bor Menggunakan Metode Support Vector Machine

Mustika, Rezqya (2025) Prediksi Penurunan Pondasi Tiang Bor Menggunakan Metode Support Vector Machine. S2 thesis, Universitas Andalas.

	Text (Cover dan Abstrak) Cover dan Abstrak.pdf - Published Version Restricted to Repository staff only Download (698kB) | Request a copy
	Text (BAB I) BAB I.pdf - Published Version Restricted to Repository staff only Download (607kB) | Request a copy
	Text (BAB Akhir) BAB Akhir.pdf - Published Version Restricted to Repository staff only Download (560kB) | Request a copy
	Text (Daftar Pustaka) Daftar Pustaka.pdf - Published Version Restricted to Repository staff only Download (603kB) | Request a copy
	Text (Tesis Fulltext) Tesis Fulltext.pdf - Published Version Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Penurunan pondasi tiang bor merupakan salah satu faktor penting dalam kestabilan struktur bangunan, sehingga diperlukan metode prediksi yang akurat. Seiring berkembanganya teknologi, metode-metode prediksi juga mengalami kemajuan dan menciptakan peluang baru untuk memudahkan dalam memprediksi suatu nilai dan mendapatkan hasil yang akurat. Metode SVM yang merupakan salah satu machine learning ini memudahkan menentukan angka penurunan pondasi dibandingkan mengukur penurunan langsung dilapangan. Penetian ini bertujuan membangun model prediksi penurunan fondasi tiang bor menggunakan Support Vector Machine (SVM). Kemudian membandingkan hasil penurunan prediksi oleh model Support Vector Machine (SVM) dengan penurunan analisis sebagai validasi terhadap keakuratan model. Penelitian ini menggunakan data pengujian lapangan yaitu N-SPT (Standart Pentration Test), data Q (beban bangunan), dan data fondasi yang diperoleh dari beberapa literatur. Kemudian dilakukan memasukan beberapa parameter input, seperti L (panjang pondasi), D (diameter pondasi), Qp (Daya dukung ujung pondasi) dan Qs (Daya dukung sisi pondasi) serta parameter output yaitu penurunan pondasi. Evaluasi untuk kinerja pemodelan ini menggunakan matriks evaluasi R2 dan RMSE. Analisis kinerja model menunjukkan hasil pada data training, model mencapai nilai R sebesar 0.9943 dan RMSE 0.1, menandakan kemampuan model yang luar biasa dalam mempelajari pola data yang ada. Namun mengalami penurunan performa yang signifikan pada data testing, R sebesar 0.447 dan RMSE 0.394. Kesenjangan besar antara kinerja pada data training dan testing ini menjadi indikasi kuat adanya overfitting ringan. Model telah belajar terlalu banyak data training, sehingga model sangat akurat pada data yang sudah dilihatnya, tetapi kurang mampu melakukan generalisasi atau membuat prediksi yang andal pada data baru atau yang belum pernah ditemui.

Actions (login required)

View Item