<![CDATA[Program pemantauan lereng merupakan bagian dari sistem pengelolaan lereng untuk memitigasi risiko keruntuhan lereng. Kehadiran instrumentasi pemantauan tidak hanya membantu identifikasi bahaya dan mengontrol risiko tetapi juga mengurangi kecemasan tenaga kerja dengan memastikan kondisi lapangan yang dipantau oleh personel yang berpengalaman dan kompeten. Radar stabilitas lereng telah muncul sebagai instrumen utama dalam pemantauan berkelanjutan kondisi pit karena dirancang guna mendeteksi deformasi lereng hingga skala milimeter. Saat ini, dengan metode pemantauan radar yang ada, insinyur menetapkan nilai batas berdasarkan perpindahan atau kecepatan, yang biasanya bervariasi, tergantung pada karakteristik geoteknik daerah tersebut. Sementara itu, masalah muncul ketika nilai ambang yang terlalu konservatif diterapkan, menyebabkan banyak prediksi dan alarm yang salah. Penelitian ini mencoba mengatasi masalah ini dengan mengintegrasikan kecerdasan buatan untuk mendapatkan prediksi yang lebih akurat dan lebih cepat. Kecerdasan buatan dalam bentuk regresi terawasi dan pengelompokan tanpa pengawasan digunakan untuk mengevaluasi data radar secara langsung. Model regresi linier digunakan untuk mengukur hubungan antara waktu dan pergerakan. Berdasarkan teori pergerakan inversi kecepatan, gerakan linier secara bertahap akan berubah karakteristiknya ke arah gerakan progresif. Oleh karena itu, model linier dipilih sebagai model yang tepat untuk mengidentifikasi pergerakan selama masih dalam fase linier sedini mungkin. Hasil dari metode sebelumnya selanjutnya akan dikelompokkan menggunakan metode pengelompokan tanpa pengawasan. Ini adalah teknik pengelompokan fitur-ruang non-parametrik yang tidak memerlukan pengetahuan sebelumnya tentang jumlah klaster, dan tidak membatasi bentuk klaster. Kluster dengan jumlah piksel yang kurang dari jumlah ambang minimum piksel akan difilter sebagai prediksi palsu, dan sisanya tetap. Hasil uji coba menunjukkan bahwa metode ini mampu mengurangi prediksi palsu dan memiliki akurasi yang lebih baik dalam memprediksi pergerakan riil. Namun, pengalaman dan penilaian insinyur masih diperlukan untuk menentukan dengan benar parameter kecerdasan buatan serta memvalidasi hasil prediksi dengan kondisi riil. Peningkatan dengan mudah dapat dilakukan dengan meningkatkan frekuensi akuisisi data, sementara penelitian lebih lanjut diperlukan dengan melakukan analisis beberapa variasi kerangka waktu.]]>
