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, Ir. Akhmad Aminullah, S.T., M.T., Ph.D., IPU. ; Prof. Dr. Ing. Ir. Andreas Triwiyono, IPU.

2025 | Tesis | S2 Teknik Sipil

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 0.9109 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.

Bridge maintenance and management are crucial aspects in ensuring smooth transportation and public safety, especially in Indonesia, which has thousands of bridges with varying conditions and ages. Economic evaluation within the Bridge Management System (BMS) serves as the foundation for decision-making in repair and maintenance prioritization. However, conventional methods often require considerable time and resources. This study develops a predictive model for bridge priority index using Artificial Neural Network (ANN) as a more efficient and accurate alternative to support the economic evaluation of Indonesia’s BMS. ANN was chosen due to its capability in handling non-linear and complex data, as well as its adaptability to various input variables that influence bridge conditions. The developed ANN model adopts a feedforward architecture with two hidden layers (20–12 neurons) and the Levenberg-Marquardt algorithm, trained on data from 80 bridges along the Solo–Ngawi toll road using 15 condition parameters. Training results indicate a significant reduction in Mean Squared Error (MSE), achieving the best value of 0.010864, with an overall accuracy of 0.9109 and an R-squared of 0.8011 compared to actual data. Feature importance analysis reveals that joint condition, detour distance, and Average Daily Traffic (ADT) are the most critical factors in determining maintenance priority. The model demonstrates acceptable performance with 80?curacy in medium and low-priority categories, but still requires improvement for the high-priority category. This research proves that ANN can serve as an effective and economical screening tool to support decision-making in bridge maintenance management, reducing reliance on costly manual inspections and contributing significantly to optimizing resource allocation within Indonesia’s BMS.

Kata Kunci : Artificial Neural Network, Indeks Prioritas Jembatan, Evaluasi Ekonomi, Bridge Management System, Prediksi, Pemeliharaan Infrastruktur.