<![CDATA[Pondasi merupakan elemen struktural yang sangat krusial dalam menjamin kestabilan bangunan terhadap beban gempa. Ketidakstabilan pada sistem pondasi dapat memicu keruntuhan total struktur meskipun elemen atas telah dirancang tahan gempa. Penelitian ini bertujuan untuk mengembangkan model prediksi stabilitas pondasi menggunakan pendekatan deep learning berbasis Long Short-Term Memory (LSTM) dengan memanfaatkan data gaya dan momen sambungan (joint reactions) hasil analisis struktur dari perangkat lunak SAP2000. Dataset terdiri atas tiga jenis bangunan berbeda, yakni pondasi utama, gedung service, dan gedung klinik teduh, yang masing-masing memuat komponen gaya (F1, F2, F3) dan momen (M1, M2, M3). Data diproses melalui tahapan normalisasi, penyusunan time series lima langkah ke belakang, dan pelatihan model menggunakan arsitektur LSTM dua lapis dengan dropout 0,2. Evaluasi dilakukan dengan skema validasi silang (Time Series Split) dan pengujian data unseen. Hasil penelitian menunjukkan bahwa model mampu melakukan prediksi dengan akurasi, presisi, recall, dan F1-score sebesar 1,0000. Grafik perbandingan training loss dan validation loss memperlihatkan konvergensi yang stabil tanpa indikasi overfitting. Sistem ini juga berhasil mengintegrasikan deteksi noise berbasis threshold error, memungkinkan klasifikasi anomali struktural secara otomatis. Kesimpulan dari penelitian ini menyatakan bahwa model LSTM sangat efektif dalam memprediksi respons pondasi terhadap gempa serta mendeteksi ketidaknormalan pola gaya dan momen.]]>
Copyrights © 2025
