Anda di halaman 1dari 10

Analisa data dan Keandalan untuk Geoteknik

Analisa Stability lereng dengan pendekatan statistik


dan probability
Mila Kusuma W.
Putu Tantri K.S.

Metode Fractile
A. Pengenalan
Metode Fractile adalah suatu metode sederhana yang cocok (menurut kami) untuk
diaplikasikan dalam bidang Geoteknik. Dimana data tanah yang diperoleh adalah sangat
sedikit padahal belum tentu data tanah yang diperoleh tersebut sudah mewakili kondisi tanah
sebenarnya dilapangan. Sehingga dilakukan pemilihan nilai data lain dengan beberapa asumsi
yang digunakan. Asumsi yang dipilih dalam aplikasi perhitungan geoteknik adalah dimana
data tersebut memiliki kegagalan pendesainan antar 0% - 15%. Sehingga nantinya akan
terdapat lebih dari 1 nilai yang digunakan sebagai acuan pertimbangan dalam pendesainan.
Dalam buku Analyzing Uncertainty in civil engineering juga sedikit mengulas
penggunaan metode Fractile untuk menganalisa data tanah yang minim untuk mengetahui
slope stability melalui nilai sudut geser dalam tanah dan nilai c pada tanah. Selain untuk
aplikasi di bidang Teknik Sipil, metode ini juga dilakukan untuk bidang ekonomi karena
dianggap memiliki estimasi yang lebih teliti dan bila fungsi regresi yang akan dianalisa
dianggap sulit pada saat covariates untuk dua populasi memiliki distribusi yang berbeda. (On
Fractile Regression, univ.of Michigan and Indian Statistical Institute) Selain itu metode ini
juga digunakan untuk mensimulasi Non-Gaussian Procces dengan menggunakan distribusi
Fractile (Kok-Kwang Phoon,Ser-Tong Quek, Hongwei Huang (2003). Penulis belum
memperoleh gambaran jelas tentang definisi Fractile method karena selain bidang bahasan
yang ditemukan melalui literature search engine internet sangat minim kususnya untuk
bidang Geoteknik, juga disebabkan lebih banyaknya kata-kata Fractal metode yang sering
dibahas secara terperinci sedangkan penulis belum bisa memastikan apakah Fractal adalah
sama dengan Fractile method.

Metode Monte Carlo


B. Pengenalan
Metode Monte Carlo adalah algoritma komputasi untuk mensimulasikan berbagai
perilaku sistem fisika dan matematika. Penggunaan klasik metode ini adalah untuk
mengevaluasi integral definit, terutama integral multidimensi dengan syarat dan batasan yang
rumit. Metode Monte Carlo sangat penting dalam fisika komputasi dan bidang terapan
lainnya, dan memiliki aplikasi yang beragam mulai dari perhitungan kromodinamika

Metode Fractile dan Monte Carlo

Page 1

Analisa data dan Keandalan untuk Geoteknik


kuantum esoterik hingga perancangan aerodinamika. Metode ini terbukti efisien dalam
memecahkan persamaan diferensial integral medan radians, sehingga metode ini digunakan
dalam perhitungan iluminasi global yang menghasilkan gambar-gambar fotorealistik model
tiga dimensi, dimana diterapkan dalam video games, arsitektur, perancangan, film yang
dihasilkan oleh komputer, efek-efek khusus dalam film, bisnis, ekonomi, dan bidang lainnya.
Karena algoritma ini memerlukan pengulangan (repetisi) dan perhitungan yang amat
kompleks, metode Monte Carlo pada umumnya dilakukan menggunakan komputer, dan
memakai berbagai teknik simulasi komputer.
Algoritma Monte Carlo adalah metode Monte Carlo numerik yang digunakan untuk
menemukan solusi problem matematis (yang dapat terdiri dari banyak variabel) yang susah
dipecahkan, misalnya dengan kalkulus integral, atau metode numerik lainnya.
Metode Monte Carlo digunakan dengan istilah sampling statistik. Penggunaan nama
Monte Carlo, yang dipopulerkan oleh para pioner bidang tersebut (termasuk Stanislaw
Marcin Ulam, Enrico Fermi, John von Neumann dan Nicholas Metropolis), merupakan nama
kasino terkemuka di Monako. Penggunaan keacakan dan sifat pengulangan proses mirip
dengan aktivitas yang dilakukan pada sebuah kasino. Dalam autobiografinya Adventures of a
Mathematician, Stanislaw Marcin Ulam menyatakan bahwa metode tersebut dinamakan
untuk menghormati pamannya yang seorang penjudi, atas saran Metropolis.
Penggunaannya yang cukup dikenal adalah oleh Enrico Fermi pada tahun 1930, ketika
ia menggunakan metode acak untuk menghitung sifat-sifat neutron yang waktu itu baru saja
ditemukan. Metode Monte Carlo merupakan simulasi inti yang digunakan dalam Manhattan
Project, meski waktu itu masih menggunakan oleh peralatan komputasi yang sangat
sederhana. Sejak digunakannya komputer elektronik pada tahun 1945, Monte Carlo mulai
dipelajari secara mendalam. Pada tahun 1950-an, metode ini digunakan di Laboratorium
Nasional Los Alamos untuk penelitian awal pengembangan bom hidrogen, dan kemudian
sangat populer dalam bidang fisika dan riset operasi. Rand Corporation]]an Angkatan Udara
AS merupakan dua institusi utama yang bertanggung jawab dalam pendanaan dan
penyebaran informasi mengenai Monte Carlo waktu itu, dan mereka mulai menemukan
aplikasinya dalam berbagai bidang.
Penggunaan metode Monte Carlo memerlukan sejumlah besar bilangan acak, dan hal
tersebut semakin mudah dengan perkembangan pembangkit bilangan pseudoacak, yang jauh
lebih cepat dan praktis dibandingkan dengan metode sebelumnya yang menggunakan tabel
bilangan acak untuk sampling statistik.
(disadur dari website :http://id.wikipedia.org/wiki/Metode_Monte_Carlo)
C. Aplikasi dalam bidang Geoteknik (Monte Carlo)
Suatu timbunan dengan dimensi seperti terlihat pada Gambar 1, akan dibangun diatas
tanah lunak. Adapun data tanah dapat dilihat pada Lampiran 1. Dari data-data yang ada
kemudian diminta untuk melakukan analisa stabilitas lereng dengan metode statistik dan
probabilitas dengan menggunakan metode Monte Carlo.

Metode Fractile dan Monte Carlo

Page 2

Analisa data dan Keandalan untuk Geoteknik


50 meter
1:2

6 meter

Sesuai data yang ada

Gambar 1. Dimensi Timbunan yang akan di bangun.


Terdapat 3 data tanah dengan masing-masing kedalaman bervariasi. Untuk
mengetahui apakah data tersebut perlu diolah secara individual atau bisa diolah sebagai satu
data yang sama, terlebih dahulu dilakukan penzonaan. Penzonaan kali ini hanya dilakukan
dengan mempertimbangkan nilai N-SPT saja karena data tanah yang diketahui hanyalah NSPT selain nilai Cu. Hasil penzonaan nilai N-SPT dapat dilihat pada Gambar 2. Dari Gambar
tersebut pada kedalaman 1 sampai 20 meter memiliki nilai N-SPT yang sama, namun tidak
bisa dikategorikan sebagai 1 zona yang sama karena berdasarkan data sondir jenis tanah pada
kedalaman tersebut adalah berbeda. Sedangkan nilai N-SPT pada kedalaman diatas 20 adalah
berbeda, sehingga tidak bisa dikategorikan sebagai 1 zona yang sama. Untuk itu perhitungan
selanjutnya dilakukan secara terpisah, yaitu B1,B2 dan B3.

Metode Fractile dan Monte Carlo

Page 3

Analisa data dan Keandalan untuk Geoteknik


Grafik hub antara N-SPT dan
Kedalaman
0

10

20

30

40

10

15
B-1

20

B-2
B-3

25

30

35

40

45

Gambar 2. Korelasi hubungan N-SPT dengan kedalaman


Dalam menganalisa stabilitas lereng, nilai Cu tanah dasar merupakan data yang penting
untuk digunakan. langkah-langkah analisa data yang dilakukan adalah:
a. Lakukan test statistik untuk mengetahui apakah data tersebut masih mengikuti
distribusi normal ataukah lainnya. Bila masih mengikuti distribusi normal maka untuk
perhitungan probabilistik selanjutnya juga berdasarkan distribusi normal. Dalam tugas
ini, perhitungan distribusi normal dilakukan dengan menggunakan metode chi square.
Adapun hasil analisa data dapat dilihat pada Tabel 1, 2 dan 3.

Metode Fractile dan Monte Carlo

Page 4

Analisa data dan Keandalan untuk Geoteknik


Tabel 1. Analisa Distribusi normal dengan metode Chi square pada titik B1
B1 (jumlah data 28)
lapisan

SPSS

Tabel

df

5%

2%

Lapis 1

16.28571

16.919

19.679

Lapis 2

9.142857

3.841

5.421

Lapis 3

Komentar
Normal
tdk Normal
Normal

Normal karena nilai data sama

Lapis 4

Normal

Tabel 2. Analisa Distribusi normal dengan metode Chi square pada titik B2
B2 (jumlah data 28)
Tabel
lapisan

SPSS

df

5%

2%

Komentar

Lapis 1

10.5

12.592

15.033

Normal

Lapis 2

9.285714286

15.507

18.168

Normal

Lapis 3

2.285714286

3.841

5.421

Normal

Lapis 4

3.841

5.421

tdk normal

Lapis 5

3.428571429

9.488

11.668

Normal

Tabel 3. Analisa Distribusi normal dengan metode Chi square pada titik B3
B3 (jumlah data 28)
Tabel
lapisan

SPSS

df

Komentar
5%

2%

Lapis 1

3.841

5.421

Lapis 2

0.214285714

9.488

11.668

Normal

Lapis 3

3.714285714

7.815

9.837

Normal

Lapis 4

2.285714286

3.841

5.421

Normal

Lapis 5
Lapis 6

Normal karena nilai data sama


11.21428571

15.507

tdk normal

Normal
18.168

Normal

Dari hasil Tabel 1, 2 dan 3 dapat dilihat bahwa hampir semua data nilai Cu
merupakan data Normal sehingga dapat dianalisa mengikuti distribusi normal. Namun
ada 3 data yang tidak Normal yang disebabkan oleh rentang nilai data yang terlalu
jauh sehingga untuk menormalkan data tersebut maka dilakukan pembagian data lagi
sehingga pada Lapis 2 titik B1 dibagi menjadi 2 bagian, begitu juga pada Lapis 4 titik
B2 dan Lapis 1 Titik B3. Namun pada tugas ini, data tersebut diasumsikan normal
mengingat hanya sebagian kecil data saja yang tidak mengikuti distribusi normal.
Hasil perhitungan analisa distribusi Normal dengan program bantu SPSS dapat dilihat
pada Lampiran 2.
b. Ambil Harga-harga Cu secara acak (random) untuk masing-masing lapisan tanah.
Diasumsikan disini nilai-nilai cu adalah betul-betul independent atau tidak
bergantung dari lapis satu ke lapis lainnya. Hitung safety Factor sejumlah data. Dari
data yang ada,terdapat sedikit masalah dengan jumlah data dimana untuk perhitungan
monte carlo. Dimana jumlah data monte carlo yang diijinkan adalah lebih besar dari
Metode Fractile dan Monte Carlo

Page 5

Analisa data dan Keandalan untuk Geoteknik


20, namun pada kenyataannya data yang ada hanya memiliki nilai Cu yang kurang
dari 20. Untuk itu, nilai Cu dibuat setiap 1 meteran dengan mengambil nilai cu
mengikuti grafik yang ada pada data tanah tersebut sehingga jumlah data yang ada
akan lebih besar dari 20. Selain itu, nilai Cu yang ada pada data tanah tersebut tidak
sampai kedalaman tanah yang ada sehingga nilai Cu diperoleh dengan melakukan
korelasi dengan nilai N-SPT. Adapun korelasi nilai Cu terhadap nilai N-SPT dapat
dilihat pada Gambar 3 berikut ini.

Gambar 3. Korelasi Nilai Cu terhadap N-SPT


Dengan menggunakan harga Cu tiap lapisan yang sudah ada, kemudian dengan
program bantu Xstabel dilakukan perhitungan nilai Safety factor (SF). Masing masing
titik memiliki jumlah layer yang berbeda namun nilai data Cu pada masing-masing
layer diseragamkan yaitu 28 data. pada titik B1 terdapat 4 layer, titik B2 terdapat 5
layer dan titik B3 terdapat 6 layer. Jumlah layer ditentukan berdasarkan jenis tanah
yang ada. Hasil dari perhitungan nilai SF dengan program Xstable dapat dilihat pada
Lampiran 3.
c. Setelah memperoleh nilai SF seperti pada poin b, maka kemudian lakukan analisa
distribusi harga-harga SF min yang diperoleh dengan menggunakan metode chi
square, dan selanjutnya dapat dihitung kemungkinan terjadinya longsor. Hasil dari
analisa distribusi harga Sfmin dapat dilihat pada Tabel 4 berikut ini.
Tabel 4. Analisa Distribusi Harga SF
Tabel
Titik

SPSS

df

5%

2%

Komentar

B1

15.714

11

19.675

22.618

Normal

B2

4.857

19

30.144

33.687

Normal

B3

20.217

7.815

9.837

tdk Normal

Dari Hasil analisa pada Tabel 4, titik B2 bukan merupakan data Normal sehingga
tidak bisa dihitung menggunakan distribusi Normal. Namun dalam tugas ini, data
tersebut diasumsikan normal sehingga perhitungan Peluang kelongsoran dengan
menggunakan hukum Normal. Adapun rumusan Failure Probability adalah sebagai
berikut.
SF SF 1 SF
Pr Pr ob SF 1 Pr ob

SF
SF

Metode Fractile dan Monte Carlo

Page 6

Analisa data dan Keandalan untuk Geoteknik


Dimana : SF = mean data
SF = Standard deviasi data.
Hasil dari perhitungan peluang kelongsoran dapat dilihat pada Tabel 5.
Tabel 5. Hasil analisa Perhitungan Probability Failure.
Titik

Mean

Standar
Deviasi

1 SF

SF

Hasil Tabel

(1- hasil tabel)

B1

0.73

0.1846927

1.46188747

0.9279

0.0721

B2

0.678429

0.2691698

1.19467853

0.883

0.117

B3

0.713214

0.0361994

7.92238781

0.9999997

3E-07

Dari hasil perhitungan pada Tabel 5, diketahui nilai Prosentase terjadinya keruntuhan
pada timbunan. Timbunan yang dibangun diatas tanah area B1 memiliki prosentase
keruntuhan sebesar 7.21 %, pada area B2 11.7 % dan Pada B3 memiliki prosentase
keruntuhan yang sangat kecil sekali. Hasil analisa distribusi Normal terhadap nilai
SFmin dengan menggunakan program bantu SPSS dapat dilihat pada Lampiran 4.
D. Aplikasi dalam bidang Geoteknik (Fractile)
Seperti halnya pada poin C, dengan data dan kondisi dimensi timbunan yang
sama kemudian dilakukan analisa statistik dengan menggunakan metode Fractile.
Disini kita menghitung kestabilan dari sebuah timbunan dengan menggunakan
kombinasi dari harga-harga rata-ratanya dan standard deviasi, untuk undraine
cohesion (Cu). Sebelum dilakukan analisa statistik terlebih dahulu dilakukan
pengolahan data Cu, dimana dalam tugas ini data Cu diambil pada tiap 1 meter
kedalaman. Karena masing-masing titik memiliki kedalaman tanah lunak sebesar 40
meter, maka masing-masing titik memiliki data Cu sebanyak 40. Namun, untuk
perhitungan dengan metode ini dilakukan perlayer sesuai dengan jenis tanahnya.
Sehingga data Cu yang diolah adalah nilai Cu rata-rata perlayer/per jenis tanah yang
sama. Perhitungan rata-rata nilai Cu untuk setiap jenis tanahnya pada masing-masing
titik bor dapat dilihat pada Lampiran 5.
Pada metode ini, perhitungan nilai SF dilakukan dengan beberapa kombinasi
nilai Cu. Adapun kombinasi yang dilakukan adalah:
Cu tanpa dikombinasi,
Cu -
untuk (t) = 85 %,
Cu (1.28 )
untuk (t) = 90 %,
Cu (1.65
untuk (t) = 95 %,
Nilai Cu yang akan diolah untuk memperoleh nilai SF dengan metode ini dapat dilihat
pada Tabel 6, 7 dan 8. Dimana Tabel 6 merupakan nilai Cu yang akan diolah untuk
Titik B1, Tabel 7 untuk Titik B2 dan Tabel 8 Untuk titik B3.

Metode Fractile dan Monte Carlo

Page 7

Analisa data dan Keandalan untuk Geoteknik


Tabel 6. Nilai Cu yang akan diolah untuk memperoleh nilai SF pada titik B1.
B1
Kedalaman

Cu

Cu- cu

cu

Cu- 1.28cu

Cu- 1.65cu

1 - 28 meter

1.389286

0.393784

0.995501

0.885241708

0.739541488

29-33 meter

18.5

3.354102

15.1459

14.20674948

12.96573176

34-35 meter

20

20

20

20

36-37 meter

20

20

20

20

Tabel 7. Nilai Cu yang akan diolah untuk memperoleh nilai SF pada titik B2.
B2
Kedalaman

Cu
1.3

1-9 meter

Cu- cu

cu

10-21 meter

3.85

22-24 meter

1.8

25-28 meter

1.775

29-41 meter

7.325

0.634429

Cu- 1.28cu

Cu- 1.65cu

0.665571

0.487931037

0.253192353

1.24645

2.60355

2.254544636

1.79335832

0.173205

1.626795

1.578297497

1.514211617

0.05

1.725

1.711

1.6925

3.959522

3.365478

2.256812158

0.79178911

Tabel 8. Nilai Cu yang akan diolah untuk memperoleh nilai SF pada titik B3.
B3
Kedalaman

Cu

Cu- cu

cu

Cu- 1.28cu

Cu- 1.65cu

1-4 meter

1.05

0.1

0.95

0.922

0.885

5-9 meter

2.34

0.626897

1.713103

1.537571685

1.305619751

10-15 meter

3.216667

0.116905

3.099762

3.067028882

3.02377421

16-18 meter

3.666667

0.23094

3.435727

3.371063329

3.285615489

3.8

3.8

3.8

7.235097

6.364196983

5.213364719

3.8

19
20-41 meter

10.34545

3.110357

Data yang ada dalam Tabel 6, 7 dan 8 tersebut kemudian diolah untuk mendapatkan
nilai safety factor dengan menggunakan program Xstabel. Running/ proses pengolahan data
Xstabel untuk satu nilai Cu dilakukan secara berulang-ulang untuk memperoleh nilai safety
factor yang tersendah dari data tanah tersebut. Hasil running program Xstabel dapat diliha
pada Tabel
Tabel 9. Nilai Safety factor dari masing-masing titik bor.
B1
Cu

Cu- cu

Cu- 1.28cu

Cu- 1.65cu

0.728

0.54

0.491

0.411

B2
Cu

Cu- cu

Cu- 1.28cu

Cu- 1.65cu

0.69

0.376

0.287

0.155

B3
Cu

Cu- cu

Cu- 1.28cu

Cu- 1.65cu

0.687

0.636

0.546

0.604

Metode Fractile dan Monte Carlo

Page 8

Analisa data dan Keandalan untuk Geoteknik

Dari Tabel diatas diketahui hasil bahwa pada Titik B1 nilai SF minimal adalah 0.411
sedangkan nilai SF maksimal adalah 0.728. Maksudnya adalah untuk pendesaian perkuatan
kita boleh mengasumsikan SF adalah 0.411 dengan kurang lebih 5% terjadi sliding tetapi
dengan konsekuensi biaya pemasangan perkuatannya relatif lebih mahal. Boleh juga kita
mengasumsikan SF adalah 0.491 dengan prosentase terjadinya keruntuhan 10%, atau SF
adalah 0.54 dengan prosentase terjadinya keruntuhan adalah 15%. Sedangkan untuk menekan
biaya desain perkuatan boleh juga mengasumsikan SF= 0.728 dengan prosentase keruntuhan
adalah lebih dari 15%. Kesimpulan yang serupa juga dilakukan pada titik B2 dan B3 sesuai
dengan nilai SF yang ada di Tabel. Untuk pemilihan penggunaan nilai SF untuk pendesaian
perkuatan adalah tergantung dari keberanian dan pertimbangan lain-lain dari perencana.
Metode ini digunakan sebagai ukuran dalam mempertimbangkan suatu desain perkuatan.

Kesimpulan
Terdapat banyak perbedaan antara metode Fractile dan Metode Monte Carlo, baik
dilihat dari langkah-langkah perhitungan hingga hasil-hasil yang diperoleh.
Dilihat dari langkah perhitungan:
Metode Fractile menggunakan hanya 4 data Cu dengan prosentase kegagalan sudah
ditentukan terlebih dahulu yaitu 5%,10%,15% dan >15% sedangkan metode Monte
Carlo menggunakan lebih dari 20 data dimana hasil akhirnya yang berupa SFmin
tersebut dirata-rata baru kemudian dihitung prosentase kegagalan yang terjadi dengan
nilai rata-rata Sfmin yang diperoleh tersebut.
Proses perhitungan dengan metode Fractile lebih cepat dan mudah jika dibandingkan
dengan metode Monte Monte Carlo karena pada metode Monte Carlo perlu dilakukan
analisa Distribusi terhadap data Cu dan data Sfminimum.
Dilihat dari hasil analisa:

Jika dilihat dari nilai SF mak dan SF min.


Hasil perbandingan nilai SF min dan maks dari kedua metode yang digunakan dapat
dilihat pada Tabel 10. Dari perbandingan tersebut dapat dilihat bahwa ternyata nilai
SF faktor dengan Metode Fractile baik SF min maupun SF mak adalah lebih kecil jika
dibandingkan dengan metode Monte Carlo. Sehingga dapat disimpulkan bahwa
penggunaan metode Fractile dianggap lebih aman untuk pendesainan perkuatan pada
pelaksanaan dilapangan. Namun dengan metode ini akan meningkatkan biaya
anggaran proyek. Lain halnya dengan metode Monte Carlo, dengan metode ini biaya
pelaksanaan pemasangan perkuatan akan lebih murah jika dibandin dengan metode
Fractile tetapi konsekuensinya akan lebih tidak aman. Kesimpulan tersebut dapat
digunakan sebagai salah satu pertimbangan dalam perencanaan desain.

Metode Fractile dan Monte Carlo

Page 9

Analisa data dan Keandalan untuk Geoteknik


Tabel 10. Perbandingan nilai SF min dan Mak pada metode Fractile dan Monte Carlo

TITIK

SF

KET
Monte Carlo
Mak

B1

Fractile
0.921

0.54

B2

0.491

Min

0.452

0.411

Mak

1.155

0.69

0.376

B3

0.287

Min

0.435

0.155

Mak

0.756

0.687

0.636

0.546

Min

0.728

0.679

0.604

Dilihat dari prosentase kegagalan(kegagalan disini maksudnya adalah kegagalan


desain perkuatan sehingga terjadi sliding)
Metode Monte Carlo hanya memiliki 1 nilai SF sehingga memiliki 1 nilai prosentase
kegagalan,sedangkan metode Fractile memiliki 4 nilai SF dan 4 nilai prosentase
kegagalan.
Tabel 11. Perbandingan prosentase kegagalan pada metode Fractile dan Monte Carlo

Monte Carlo
SF
%gagal

Titik

B1

0.73

7.21

B2

0.678

11.7

B3

0.713

sangat
kecil

Fractile
SF
0.728
0.54
0.491
0.411
0.69
0.376
0.287
0.155
0.687
0.636
0.546

%gagal
>15
15
10
5
>15
15
10
5
>15
15
10

0.604

Dari Tabel 11 dapat dilihat bahwa terdapat nilai prosentase kegagalan yang berbeda
antara 2 metode yang digunakan. Metode Monte Carlo cenderung mengganggap
prosentase kegagalan lebih kecil dibandingkan metode Fractile pada saat nilai SF
yang sama. Hal tersebut menyimpulkan bahwa metode Fractile akan lebih aman untuk
pendesaian perkuatan dibandingkan metode Monte Carlo tapi akan lebih mahal.

Metode Fractile dan Monte Carlo

Page 10

Anda mungkin juga menyukai