Model Keputusan Probabilistik Penentuan Jenis Pemeliharaan Jalan Berbasis Dynamic Bayesian Network dengan Integrasi Faktor Genangan Perkotaan

Ardi Utami, Dewa Ayu Nyoman Ardi Utami (2026) Model Keputusan Probabilistik Penentuan Jenis Pemeliharaan Jalan Berbasis Dynamic Bayesian Network dengan Integrasi Faktor Genangan Perkotaan. Doctoral thesis, Institut Teknologi Sepuluh Nopember.

Text 03111960010004-Doctoral.pdf - Accepted Version Restricted to Repository staff only Download (9MB) | Request a copy

Abstract

Pemeliharaan jalan perkotaan menghadapi tantangan yang semakin kompleks akibat interaksi faktor lingkungan, lalu lintas, dan kondisi perkerasan yang bersifat dinamis serta mengandung ketidakpastian. Pada kawasan perkotaan tropis, genangan berulang akibat curah hujan tinggi dan keterbatasan sistem drainase menjadi salah satu faktor yang mempercepat deteriorasi perkerasan jalan, namun umumnya masih diperlakukan sebagai faktor eksternal yang terpisah dari sistem pengambilan keputusan pemeliharaan. Selain itu, pendekatan pemeliharaan yang digunakan masih didominasi oleh metode deterministik yang belum mampu merepresentasikan hubungan kausal antarvariabel, ketidakpastian, dan dinamika perubahan kondisi jalan dari waktu ke waktu, sehingga kurang adaptif dalam mendukung pengambilan keputusan. Oleh karena itu, penelitian ini mengembangkan model pengambilan keputusan pemeliharaan jalan berbasis Dynamic Bayesian Network (DBN) sebagai kerangka probabilistik yang mampu memodelkan hubungan sebab-akibat, merepresentasikan ketidakpastian, serta memperbarui probabilitas kondisi jalan berdasarkan data terbaru secara temporal. Model memodelkan hubungan kausal antara curah hujan, drainase, genangan, beban lalu lintas, struktur perkerasan, riwayat pemeliharaan, kondisi jalan, dan jenis pemeliharaan untuk memprediksi probabilitas kondisi jalan pada periode mendatang sekaligus menghasilkan rekomendasi jenis pemeliharaan. Pengembangan model dilakukan menggunakan pendekatan Design Science Research (DSR) dengan memanfaatkan data jaringan jalan perkotaan sebagai wilayah studi sebagai dasar pembentukan, pembelajaran, validasi, dan implementasi model. Dari 1.378 ruas jalan yang teridentifikasi diperoleh 181 ruas jalan sebagai unit analisis. Parameter probabilistik model dikembangkan melalui estimasi Conditional Probability Table (CPT) menggunakan metode Expectation-Maximization (EM). Hasil penelitian menunjukkan bahwa model DBN mampu merepresentasikan hubungan kausal antara faktor lingkungan, karakteristik perkerasan, kondisi jalan, dan keputusan pemeliharaan secara probabilistik dan temporal. Validasi prediksi menghasilkan nilai Mean Absolute Percentage Error (MAPE) sebesar 3,85%, yang menunjukkan tingkat akurasi prediksi yang sangat baik. Implementasi model pada sepuluh ruas jalan terpilih menghasilkan tingkat kesesuaian sebesar 90% berdasarkan pendekatan Maximum A Posteriori (MAP) State Matching. Analisis sensitivitas menunjukkan bahwa struktur perkerasan merupakan faktor paling berpengaruh terhadap kondisi jalan pada kondisi awal dengan nilai sensitivitas maksimum sebesar 0,18, sedangkan pada horizon temporal tahun ketiga kondisi drainase menjadi faktor yang paling dominan dengan nilai sensitivitas maksimum sebesar 0,289. Hasil ini mengindikasikan bahwa pengaruh faktor lingkungan, khususnya drainase dan genangan, semakin signifikan terhadap deteriorasi jalan dalam jangka menengah dan panjang.Simulasi skenario menunjukkan bahwa pada kondisi optimal probabilitas kondisi jalan kategori baik masih mencapai 66,7% pada Tahun 2032, sedangkan pada kondisi terburuk hanya mencapai sekitar 19%, dengan dominasi kondisi rusak ringan dan rusak berat. Selain itu, probabilitas kebutuhan pemeliharaan rutin menurun dari sekitar 63% pada Tahun 2022 menjadi 38% pada Tahun 2032, sementara probabilitas pemeliharaan berkala, rehabilitasi, dan rekonstruksi meningkat secara bertahap. Temuan tersebut menunjukkan bahwa akumulasi faktor risiko berupa curah hujan tinggi, genangan, drainase buruk, beban lalu lintas tinggi, dan tidak adanya pemeliharaan dapat mempercepat deteriorasi jalan dan meningkatkan kebutuhan intervensi pemeliharaan yang lebih besar. Penelitian ini memberikan kontribusi konseptual, metodologis, dan implementatif melalui pengembangan model Dynamic Bayesian Network (DBN) yang mengintegrasikan deteriorasi perkerasan akibat genangan, pemodelan ketidakpastian, inferensi probabilistik adaptif, dan pengambilan keputusan pemeliharaan dalam satu kerangka terintegrasi. Model yang dihasilkan tidak hanya mampu memprediksi kondisi jalan secara probabilistik, tetapi juga memberikan rekomendasi jenis pemeliharaan berdasarkan perubahan kondisi dan risiko yang dihadapi. Dengan demikian, model ini berpotensi dimanfaatkan oleh pengelola jalan dan pemerintah daerah sebagai sistem pendukung keputusan dalam menyusun strategi pemeliharaan yang lebih adaptif, proaktif, dan berbasis risiko.
==================================================================================================================================
Urban road maintenance faces increasingly complex challenges due to the interaction of environmental factors, traffic loads, and pavement conditions which are dynamic and involve uncertainty. In tropical urban areas, recurrent urban waterlogging caused by high rainfall and inadequate drainage system is one of the factors accelerates pavement deterioration. However, it is generally still treated as an external factor that is separated from road maintenance decision-making systems. In addition, the maintenance approaches currently used are still dominated by deterministic methods that cannot represent causal relationships among variables, uncertainty, and the dynamics of road condition changes over time, making them less adaptive in supporting decision-making. Therefore, this study develops a road maintenance decision-making model based on a Dynamic Bayesian Network (DBN)-based road maintenance decision-making model as a probabilistic framework capable of modeling causal relationships, representing uncertainty, and updating the probability of road conditions based on newly evidence data over time. The model represents the causal relationships among rainfall, drainage, waterlogging, traffic loading, pavement structure, maintenance history, road condition, and maintenance type to predict the probability of future road conditions while simultaneously generating maintenance type recommendations. The model was developed using the Design Science Research (DSR) approach by utilizing urban road network data from a study area as the basis for model development, parameter learning, validation, and implementation. Of the 1,378 road segments identified, 181 road segments were selected as the units of analysis. The probabilistic parameters of the model were developed through Conditional Probability Table (CPT) estimation using the Expectation-Maximization (EM) method. The results indicate that the DBN model can represent the causal relationships among environmental factors, pavement characteristics, road conditions, and maintenance decisions in a probabilistic and temporal manner. Model validation produced a Mean Absolute Percentage Error (MAPE) value of 3.85%, indicating a very high level of predictive accuracy. Implementation of the model on ten selected road segments achieved a conformity level of 90% based on the Maximum A Posteriori (MAP) State Matching approach. Sensitivity analysis revealed that pavement structure was the most influential factor affecting road condition in the initial period, with a maximum sensitivity value of 0.18, whereas drainage condition became the dominant factor in the third temporal horizon, with a maximum sensitivity value of 0.289. These findings indicate that environmental factors, particularly drainage and inundation, become increasingly significant in influencing pavement deterioration over medium- and long-term periods. Scenario simulations showed that under optimal conditions, the probability of roads remaining in good condition reached 66.7% in 2032, whereas under the worst-case scenario it declined to approximately 19%, accompanied by the dominance of minor and severe deterioration conditions. In addition, the probability of routine maintenance requirements decreased from approximately 63% in 2022 to 38% in 2032, while the probabilities of periodic maintenance, rehabilitation, and reconstruction increased gradually. These findings demonstrate that the accumulation of risk factors, including high rainfall, waterlogging, poor drainage conditions, heavy traffic loads, and the absence of maintenance activities, can accelerate pavement deterioration and increase the need for more intensive maintenance interventions. This study provides conceptual, methodological, and practical contributions through the development of a Dynamic Bayesian Network (DBN) model that integrates inundation-induced pavement deterioration, uncertainty modelling, adaptive probabilistic inference, and maintenance decision-making within a unified framework. The developed model is capable not only of predicting road conditions probabilistically but also of recommending maintenance types based on changing conditions and associated risks. Therefore, the model has the potential to be utilized by road agencies and local governments as a decision support system for developing more adaptive, proactive, and risk-based maintenance strategies

Item Type:	Thesis (Doctoral)
Uncontrolled Keywords:	dynamic bayesian network, keputusan probabilistik, pemeliharaan jalan, genangan perkotaan, deteriorasi perkerasan, sistem pendukung keputusan. dynamic bayesian network, probabilistic decision-making, road maintenance, urban waterlogging, pavement deterioration, decision support system.
Subjects:	T Technology > TA Engineering (General). Civil engineering (General) T Technology > TE Highway engineering. Roads and pavements > TE228.3 Intelligent transportation systems.
Divisions:	Faculty of Civil, Environmental, and Geo Engineering > Civil Engineering > 22001-(S3) PhD Theses
Depositing User:	Dewa Ayu Nyoman Ardi Utami
Date Deposited:	27 Jul 2026 04:12
Last Modified:	27 Jul 2026 04:12
URI:	http://repository.its.ac.id/id/eprint/138743

Actions (login required)

View Item