IMPLEMENTASI DEEP LEARNING MENGGUNAKAN LONG SHORT-TERM MEMORY UNTUK PREDIKSI STABILITAS PONDASI TAHAN GEMPA

Safitri; Fatsyahrina Fitriastuti; Ryan Ari Setyawan; Teguh Widodo

doi:10.51401/jinteks.v7i2.5663

Authors

Safitri Universitas Janabadra
Fatsyahrina Fitriastuti Universitas Janabadra
Ryan Ari Setyawan Universitas Janabadra
Teguh Widodo Universitas Janabadra

DOI:

https://doi.org/10.51401/jinteks.v7i2.5663

Keywords:

LSTM, Prediksi Time-Series, Deep Learning, Joint Reactions, Noise Detection

Abstract

Pondasi merupakan elemen struktural yang sangat krusial dalam menjamin kestabilan bangunan terhadap beban gempa. Ketidakstabilan pada sistem pondasi dapat memicu keruntuhan total struktur meskipun elemen atas telah dirancang tahan gempa. Penelitian ini bertujuan untuk mengembangkan model prediksi stabilitas pondasi menggunakan pendekatan deep learning berbasis Long Short-Term Memory (LSTM) dengan memanfaatkan data gaya dan momen sambungan (joint reactions) hasil analisis struktur dari perangkat lunak SAP2000. Dataset terdiri atas tiga jenis bangunan berbeda, yakni pondasi utama, gedung service, dan gedung klinik teduh, yang masing-masing memuat komponen gaya (F1, F2, F3) dan momen (M1, M2, M3). Data diproses melalui tahapan normalisasi, penyusunan time series lima langkah ke belakang, dan pelatihan model menggunakan arsitektur LSTM dua lapis dengan dropout 0,2. Evaluasi dilakukan dengan skema validasi silang (Time Series Split) dan pengujian data unseen. Hasil penelitian menunjukkan bahwa model mampu melakukan prediksi dengan akurasi, presisi, recall, dan F1-score sebesar 1,0000. Grafik perbandingan training loss dan validation loss memperlihatkan konvergensi yang stabil tanpa indikasi overfitting. Sistem ini juga berhasil mengintegrasikan deteksi noise berbasis threshold error, memungkinkan klasifikasi anomali struktural secara otomatis. Kesimpulan dari penelitian ini menyatakan bahwa model LSTM sangat efektif dalam memprediksi respons pondasi terhadap gempa serta mendeteksi ketidaknormalan pola gaya dan momen.

References

A. S. B. Karno, “Analisis Data Time Series Menggunakan LSTM (Long Short Term Memory) dan ARIMA (Autocorrelation Integrated Moving Average) dalam Bahasa Python,” vol. XI, no. 1, pp. 1–7, 2020.

Misdi and A. Hamzah, “TIME HISTORY ANALYSIS PADA STRUKTUR BANGUNAN YANG MENGGUNAKAN BASE ISOLATOR,” J. Al Ulum LPPM Univ. Al Washliyah Medan, vol. 13, no. 1, 2025.

A. Shabani, “A review of graphical user interfaces of OpenSees software framework,” FRONTLINER, vol. 1998, no. July, pp. 1–7, 2023, doi: 10.3389/fbuil.2023.1233116.

I. Cholissodin dan A. A. Soebroto, “AI , MACHINE LEARNING & DEEP LEARNING ( Teori & Implementasi ),” no. December, 2021.

B. Lindemann, T. Müller, H. Vietz, N. Jazdi, dan M. Weyrich, “ScienceDirect A survey on long short-term memory networks for time series prediction,” Procedia CIRP, vol. 99, no. July 2020, pp. 650–655, 2023, doi: 10.1016/j.procir.2021.03.088.

I. U. Khan, S. Jeong, dan S. H. Sim, “Investigation of Issues in Data Anomaly Detection Using Deep-Learning- and Rule-Based Classifications for Long-Term Vibration Measurements,” Appl. Sci., 2024.

I. Choi, H. Yong, dan B. Kwan, “Convolutional neural network-based seismic response prediction method using spectral acceleration of earthquakes and conditional vector of structural property,” Soil Dyn. Earthq. Eng., vol. 187, no. September, p. 109021, 2024, doi: 10.1016/j.soildyn.2024.109021.

R. L. Abduljabbar, H. Dia, P. W. Tsai, dan S. Liyanage, “Short-Term Traffic Forecasting: An LSTM Network for Spatial-Temporal Speed Prediction,” Futur. Transp., pp. 21–37, 2021.

S. Documentation, “SAP2000 v23.0.0 Release Notes,” pp. 2–7, 2021.

A. Moghar dan M. Hamiche, “Stock Market Prediction Using LSTM Recurrent Neural Network,” Procedia Comput. Sci., vol. 170, pp. 1168–1173, 2020, doi: 10.1016/j.procs.2020.03.049.

A. W. Saputra, A. P. Wibawa, U. Pujianto, A. B. P. Utama, dan A. Nafalski, “LSTM-based Multivariate Time-Series Analysis: A Case of Journal Visitors Forecasting,” vol. 14, no. 1, pp. 57–62, 2022.

C. Yang, L. Yang, W. Guo, dan P. Xu, “Deep learning based structural damage identification for the strain field of a subway bolster,” Alexandria Eng. J., vol. 81, no. September, pp. 264-28, 2023, doi: 10.1016/j.aej.2023.09.031.

J. Jia dan Y. Li, “Deep Learning for Structural Health Monitoring: Data, Algorithms, Applications, Challenges, and Trends,” Sensors, 2023.

J. Han, H. Yang, Y. Liu, Z. Lu, K. Zeng, dan R. Jiao, “A Deep Learning Application for Deformation Prediction from Ground-Based InSAR,” Remote Sens., 2022.

E. Naf’an, F. Islami, dan G. Gushelmi, DASAR-DASAR DEEP LEARNING dan Contoh Aplikasinya. 2022.

B. Etim, A. Al-Ghosoun, J. Renno, M. Seaid, dan M. S. Mohamed, “Machine Learning-Based Modeling for Structural Engineering: A Comprehensive Survey and Applications Overview,” pp. 1–36, 2024.

D. Zhexebay et al., “applied sciences Deep Learning for Early Earthquake Detection: Application of Convolutional Neural Networks for P-Wave Detection,” pp. 1–16, 2025.