OPTIMASI STRATEGI INVESTIGASI GEOTEKNIK MENGGUNAKAN KECERDASAN BUATAN K-NEAREST NEIGHBORS (KNN) UNTUK DESAIN FONDASI DANGKAL

Penelitian ini dilatarbelakangi oleh ketidakpastian dalam perencanaan fondasi dangkal akibat penggunaan faktor keamanan yang bersifat konservatif dan asumtif, serta keterbatasan data investigasi geoteknik yang tidak mampu merepresentasikan heterogenitas spasial tanah secara akurat. Penelitian ini bertujuan untuk mengoptimalkan strategi investigasi geoteknik dengan memanfaatkan algoritma K-Nearest Neighbors (KNN) berbasis data Cone Penetration Test (CPT) untuk memprediksi kapasitas dukung fondasi dangkal secara lebih andal dan efisien. Metodologi penelitian menggunakan pendekatan hibrida antara pemodelan stokastik dan machine learning. Variabilitas spasial tanah dimodelkan secara sintetik melalui Gaussian Random Field (GRF) dengan parameter Length Scale (LS) 10 m dan Coefficient of Variation (COV) 20%, serta divalidasi menggunakan data riil lapangan dari basis data ISSMGE. Model KNN dikembangkan dengan 13 fitur spasial dan dioptimasi menggunakan GridSearchCV. Evaluasi performa dilakukan pada berbagai skenario jumlah sampel CPT (3, 5, 9, 16, dan 20 titik) dengan metrik koefisien determinasi (R²) dan ambang kelayakan R² ≥ 0,70. Hasil penelitian menunjukkan bahwa jumlah sampel CPT merupakan faktor paling dominan dalam akurasi prediksi. Strategi investigasi optimal diperoleh pada 9 titik sampel CPT, dengan model KNN mencapai R² = 0,722 pada data sintetik dan R² = 0,733 pada validasi lapangan, melampaui batas kelayakan yang ditetapkan. Sebaliknya, metode konvensional (baseline menggunakan CPT terdekat) gagal memberikan prediksi yang andal dengan R² = -1,187 pada data lapangan. Analisis fitur mengungkapkan bahwa QC_idw (estimasi tahanan konus melalui interpolasi IDW) merupakan prediktor paling dominan, dengan pola kepentingan fitur yang konsisten antara data sintetik dan lapangan, membuktikan validitas pendekatan GRF dalam mereplikasi kondisi tanah nyata. Penelitian ini menyimpulkan bahwa integrasi KNN dengan pemodelan spasial GRF mampu menghasilkan strategi investigasi geoteknik yang lebih efisien dan akurat, mengurangi ketergantungan pada asumsi konservatif, serta memberikan rekomendasi praktis berupa 9 titik CPT sebagai jumlah minimum investigasi untuk area seluas 30×30 m dengan 20 fondasi. Pendekatan ini menawarkan solusi inovatif untuk menjawab tantangan ketidakpastian geoteknik sekaligus meningkatkan efisiensi biaya dan keandalan desain fondasi dangkal.