Optimasi Strategi Investigasi Geoteknik Menggunakan Artificial Intelligence Random Forest untuk Desain Fondasi Dangkal = Optimization of Geotechnical Investigation Strategies with Artificial Intelligence Random Forest for Shallow Foundation Design

Investigasi geoteknik konvensional seringkali terkendala oleh keterbatasan jumlah titik uji yang mengakibatkan tingginya ketidakpastian dalam desain fondasi. Penelitian ini bertujuan untuk mengoptimalkan strategi investigasi geoteknik melalui penerapan Artificial Intelligence dengan algoritma Random Forest (RF) untuk memprediksi daya dukung fondasi dangkal pada kondisi data terbatas. Penelitian ini mengintegrasikan dataset sintetik berbasis Gaussian Random Field (GRF) dengan data lapangan riil dari database ISSMGE untuk mengevaluasi kemampuan generalisasi model AI dalam menghadapi kondisi tanah yang kompleks. Metodologi penelitian diawali dengan membangkitkan dataset sintetik tahanan konus (qc) menggunakan metode GRF dengan Simulasi Monte Carlo. Model RF dilatih menggunakan 13 fitur spasial yang mengintegrasikan teknik interpolasi IDW dan Kriging. Validasi eksternal dilakukan menggunakan data sekunder yang berpedoman pada standar ISO 22476-1:2012. Hasil penelitian menunjukkan bahwa model RF mampu mengatasi keterbatasan sampling dengan performa yang sangat stabil. Pada pengujian data lapangan dengan hanya 9 titik CPT, model RF mencapai nilai koefisien determinasi R2 sebesar 0,778. Analisis tingkat kepentingan fitur mengonfirmasi bahwa fitur QC_idw merupakan prediktor paling dominan dalam memitigasi anomali lokal. Disimpulkan bahwa integrasi dataset sintetik GRF dan algoritma Random Forest efektif menghasilkan estimasi desain fondasi yang andal dan akseptabel meskipun dengan jumlah investigasi minimal, sehingga mampu menekan risiko kegagalan desain akibat heterogenitas tanah.