Komparasi BMS dengan Algoritma Random Forest dan XGBoost dalam Penentuan Prioritas Pemeliharaan Jembatan (Studi Kasus pada Ruas Jalan Tol Solo-Ngawi)

Ismail Wahyudi, Ir. Akhmad Aminullah, S.T., M.T., Ph.D., IPU. ; Ir. Suprapto Siswosukarto, Ph.D., IPM.

2026 | Tesis | S2 Teknik Sipil

Penelitian ini mengintegrasikan metode evaluasi kelayakan ekonomi konvensional Bridge Management System (BMS) dengan machine learning menggunakan algoritma Random Forest dan eXtreme Gradient Boosting (XGBoost). Langkah ini diambil untuk mengatasi kelemahan fundamental pada metode BMS tradisional yang memiliki bias ekonomi, di mana jembatan pada rute minor dengan volume lalu lintas rendah cenderung diabaikan meskipun mengalami kerusakan struktural kritis serta untuk memangkas waktu pemrosesan data penanganan jembatan yang sebelumnya memerlukan perhitungan panjang dan iteratif. Penelitian ini bertujuan untuk mengembangkan sistem penentuan prioritas penanganan jembatan yang lebih objektif dan dinamis pada ruas Jalan Tol Solo–Ngawi yang mencakup 70 jembatan.

Metode penelitian diawali dengan melakukan penilaian ulang nilai kondisi (NK) jembatan mengacu pada Pedoman Pemeriksaan Jembatan 2022. Selanjutnya, evaluasi kelayakan ekonomi dilakukan berdasarkan panduan IBMS 1993 untuk menghitung indikator Net Present Value per meter persegi (NPV/m²) dan Internal Rate of Return (IRR). Fitur masukan model mencakup 11 nilai kondisi elemen jembatan yang dirangkum melalui Weighted Condition Score (WCS), serta variabel ekonomi pendukung seperti sisa umur layan, panjang jembatan, lebar jembatan, LHRT, jarak pengalihan, biaya pemeliharaan jembatan (BPJ), dan biaya operasional kendaraan (BOK).

Hasil pengujian menunjukkan bahwa model XGBoost memiliki supremasi performa yang secara konsisten mengungguli arsitektur Random Forest di seluruh metrik. Pada tugas memprediksi nilai kelayakan ekonomi NPV/m², XGBoost mencapai koefisien determinasi (R² Test) sebesar 0,9867 dengan galat MAE sebesar Rp9.702.534, mengungguli Random Forest. Untuk prediksi IRR, XGBoost mencatatkan R² Test sebesar 0,9757 dengan MAE sebesar 1,29%, lebih baik dibandingkan dengan Random Forest (R² Test = 0,9447, MAE = 2,14%). Analisis tingkat kepentingan fitur (Feature Importance) membuktikan bahwa XGBoost mampu mendistribusikan bobot secara logis dengan memberikan penekanan penting pada elemen struktural utama pemikul beban (seperti pilar/kepala jembatan, gelagar, dan pondasi). Algoritma machine learning secara cerdas mampu mengidentifikasi dan menaikkan prioritas jembatan kritis rute minor dengan menyeimbangkan efisiensi finansial investasi dan risiko keselamatan struktural. 

This research integrates the conventional economic feasibility evaluation of the Bridge Management System (BMS) with machine learning using Random Forest and eXtreme Gradient Boosting (XGBoost) algorithms. This addresses a fundamental flaw in traditional BMS methods, which exhibit an economic bias where minor route bridges with low traffic volumes are often neglected despite critical structural damage. Additionally, it reduces the data processing time that previously required lengthy, iterative calculations. This study aims to develop a more objective and dynamic bridge maintenance prioritization system for the Solo–Ngawi Toll Road, encompassing 70 bridges.

The methodology began by reassessing bridge condition values based on the 2022 Bridge Inspection Guidelines. Subsequently, an economic feasibility evaluation was conducted following the 1993 IBMS guidelines to calculate Net Present Value per square meter (NPV/m²) and Internal Rate of Return (IRR). The model's input features included 11 condition values of bridge elements, summarized through a Weighted Condition Score (WCS), alongside supporting economic variables such as remaining service life, bridge length and width, Annual Average Daily Traffic (AADT), diversion distance, bridge maintenance costs, and vehicle operating costs.

Test results demonstrated that the XGBoost model achieved performance supremacy, consistently outperforming Random Forest across all metrics. In predicting the NPV/m² economic feasibility, XGBoost achieved a coefficient of determination (R² Test) of 0.9867 with a Mean Absolute Error (MAE) of Rp9,702,534. For IRR prediction, XGBoost recorded an R² Test of 0.9757 and an MAE of 1.29%, outperforming Random Forest (R² Test = 0.9447, MAE = 2.14%). Feature Importance analysis proved that XGBoost logically distributed weights by emphasizing major load-bearing structural elements like piers/abutments, girders, and foundations. Intelligently, the machine learning algorithm identifies and elevates the priority of critical minor route bridges, balancing investment financial efficiency with structural safety risks.

Kata Kunci : BMS, Random Forest, XGBoost, NPV/m2, IRR, Prioritas Penanganan Jembatan