Pengembangan Model Prediksi Indeks Prioritas Jembatan Menggunakan Artificial Neural Network sebagai Alternatif Efisien Evaluasi Ekonomi BMS Indonesia (Studi Kasus pada Jembatan Jalan Tol Solo-Ngawi)
Amanda Githa Cahyani, Akhmad Aminullah, Andreas Triwiyono
1Departemen Teknik Sipil dan Lingkungan, Universitas Gadjah Mada, Yogyakarta, INDONESIA
Jalan Grafika No 2 Yogyakarta
INTISARI
Penanganan dan pemeliharaan jembatan merupakan aspek krusial dalam menjaga kelancaran transportasi dan keselamatan publik, terutama di Indonesia yang memiliki ribuan jembatan dengan kondisi dan usia yang bervariasi. Evaluasi ekonomi dalam Bridge Management System (BMS) menjadi dasar pengambilan keputusan prioritas perbaikan dan pemeliharaan, namun metode konvensional seringkali memerlukan waktu lama dan sumber daya yang besar. Penelitian ini mengembangkan model prediksi indeks prioritas jembatan menggunakan Artificial Neural Network (ANN) sebagai alternatif yang lebih efisien dan akurat dalam mendukung evaluasi ekonomi BMS Indonesia. Metode ANN dipilih karena kemampuannya dalam menangani data non-linear dan kompleks, serta adaptabilitasnya terhadap berbagai variabel input yang mempengaruhi kondisi jembatan. Model ANN yang dikembangkan menggunakan arsitektur feedforward dengan dua hidden layer (20-12 neuron) dan algoritma Levenberg-Marquardt, dilatih dengan data 80 jembatan pada ruas Solo-Ngawi menggunakan 15 parameter kondisi. Hasil pelatihan menunjukkan penurunan Mean Squared Error (MSE) yang signifikan hingga mencapai nilai terbaik 0.010864, dengan akurasi keseluruhan 0.9010 dan R-squared 0.8011 terhadap data aktual. Analisis fitur penting mengungkapkan bahwa kondisi sambungan, jarak pengalihan, dan LHRT merupakan faktor paling kritis dalam menentukan prioritas penanganan. Model menunjukkan performa yang dapat diterima dengan akurasi 80% pada prioritas sedang dan rendah, namun masih memerlukan perbaikan pada kategori prioritas tinggi. Penelitian ini membuktikan bahwa ANN dapat menjadi screening tool yang efektif dan ekonomis untuk mendukung pengambilan keputusan manajemen pemeliharaan jembatan, mengurangi ketergantungan pada inspeksi manual yang intensif biaya dan memberikan kontribusi signifikan terhadap optimalisasi alokasi sumber daya dalam sistem BMS Indonesia.
REFERENSI
Althaqafi, E. and Chou, E. (2022). “Developing bridge deterioration models using an artificial neural network.” Infrastructures, 7(8), 101.
Assaad, R. and El-Adaway, I. H. (2020). “Bridge infrastructure asset management system: Comparative computational machine
learning approach for evaluating and predicting deck deterioration conditions.” Journal of Infrastructure Systems, 26(3),
04020021.
Sobanjo, J., Asce, M., Mtenga, ; Primus, & Rambo-Roddenberry, M. (2010). “Reliability-Based Modeling of Bridge Deterioration Hazards”. Journal of Bridge Engineering. https://doi.org/10.1061/ASCEBE.1943-5592.0000074
Directorate General of Bina Marga. (1993). Bridge Management System (BMS): Bridge Inspection Manual, Ministry of Public
Works, Jakarta, Indonesia.
Huang, Y. (2010). “Artificial neural network model of bridge deterioration.” Journal of Performance of Constructed Facilities,
24(6), 597-602.
Kusuma, R., Santoso, P., and Nugroho, Y. (2020). “Bridge management challenges in Indonesian archipelago infrastructure:
Current practices and future prospects.” International Journal of Civil Engineering, 18(4), 435-447.
Nguyen, T. and Dinh, K. (2019). “Prediction of bridge deck condition rating based on artificial neural networks.” Journal of
Science and Technology in Civil Engineering, 13(3), 15-25.
Nili, M. H., Zahraie, B., and Taghaddos, H. (2020). “BrDSS: A decision support system for bridge maintenance planning
employing bridge information modeling.” Smart Structures and Systems, 26(4), 533-544.
Peng, J., Yang, Y., Bian, H., Zhang, J., and Wang, L. (2022). “Optimisation of maintenance strategy of deteriorating bridges
considering sustainability criteria.” Structural and Infrastructure Engineering, 18(3), 395-411.
Sastrawiria, R. P. P., Seigo, N., and Kudo, T. (2024). “Implementation of High-Precision Life Cycle Cost Analysis (HP-LCCA)
on Indonesian Bridge Management System.” Buildings, 14(10), 3208.
Singh, R. and Kumar, A. (2023). “Hybrid machine learning models for bridge health monitoring and damage detection in smart
infrastructure.” Engineering Applications of Artificial Intelligence, 118, 105123.
Sony, S., Gamage, S., Sadhu, A., and Samarabandu, J. (2022). “Vibration-based multiclass damage detection and localization
using long short-term memory networks.” Structures, 35, 436-451.
Sun, L., Shang, Z., Xia, Y., Bhowmick, S., and Nagarajaiah, S. (2020). “Review of bridge structural health monitoring aided by
big data and artificial intelligence: from condition assessment to damage detection.” Journal of Structural Engineering,
146(5), 04020073.
Wang, L. Chen, X., and Liu, Y. (2017). “Computational intelligence methods for bridge condition evaluation and maintenance
scheduling.” Advances in Engineering Software, 114, 30-44.
Wang, Q. Zhang, H., and Li, M. (2020). “Risk assessment and reliability analysis of bridge structures using advanced machine
learning techniques.” Reliability Engineering & System Safety, 198, 106927.
Zhang, F. and Li, W. (2023). “Intelligent decision support systems for bridge management using ensemble machine learning
methods.” Advances in Engineering Software, 181, 103789.
Zhang, G. Q., Wang, B., Li, J., and Xu, Y. L. (2022). “The application of deep learning in bridge health monitoring: a literature
review.” Advances in Bridge Engineering, 3(1), 22.
Zhang, Y. and Yuen, K. V. (2022). “Review of artificial intelligence-based bridge damage detection.” Advances in Mechanical Engineering, 14(6), 1-21.