LAPORAN BAB V

Metode Kesetimbangan Batas (Bagian 4)

Disusun sebagai Salah Satu Syarat untuk Menyelesaikan Praktikum Geoteknik
Pertambangan pada Jurusan Teknik Pertambangan Fakultas Sains dan Teknologi
Universitas Islam Negeri Syarif Hidayatullah Jakarta

Disusun Oleh:
Nama : Gilang Amanda Muhtar
NIM : 11190980000008
Kelompok : 6 (Enam)
Nama Asisten Dosen: 1. Rendy Adrista Farrand, S.T (199710082020120000)
2. Ananda Riandini Dae Dore (11180980000003)
3. Krisna Bayu Kartawinata (11180980000035)
4. Luthfi Adnantio Reksadipo (11180980000009)
5. Muhammad Afifi Sartana (11180980000004)
6. Mutiara Nur Alifia (11180980000017)
7. Raihana Herawisista Afifa (11180980000027)

Program Studi Teknik Pertambangan

Fakultas Sains dan Teknologi
Universitas Islam Negeri Syarif
Hidayatullah Jakarta
2022M/1443H
 BAB V
Metode Kesetimbangan Batas (Bagian 4)

5.1 Hari dan Tanggal Praktikum

Praktikum ini dilakukan pada Kamis, 07 April 2022

5.2 Tujuan Praktikum

1. Praktikan mampu memahami pemahaman dasar mengenai

pemrograman statistik dengan menggunakan Matlab sebagai dasar
analisis probabilitas dan sensitivitas pada lereng.
2. Praktikan mampu melakukan analisis kestabilan lereng dengan
menggunakan metode kesetimbangan batas melalui proses
mensimulasikan hasil komputasi statistik.
3. Praktikan mampu menentukan probabilitas kelongsoran lereng
berdasarkan data statistik yang telah diberikan dan diolah.

5.3 Abstrak

Dari hasil yang didapatkan serta analisis yang dilakukan, FK mean

memiliki nilai yang lebih kecil daripada FK Deterministik. Hal ini
disebabkan FK Mean adalah harga FK yang diperoleh dari hasil rata-
rata analisis ketidakpastian parameter masukan yang digunakan
berdasarkan pendekatan statistik. Sedangkan FK Deterministik adalah
harga FK yang diperoleh dari analisis keadaan terburuk pada
kemungkinan suatu kelongsoran akan terjadi. Harga PoF akan
berbanding terbalik dengan harga FK. Begitupun terhadap nilai RI yang
mana akan semakin kecil seiring kenaikan harga PoF yang didapatkan.
Didapatkan parameter kohesi adalah parameter yang paling sensitif.
Pada analisis Monte Carlo didapatkan harga PoF yang lebih besar
 daripada analisis Latin Hypercube begitupun harga RI nya. Sehingga
Probabilitas Kelongsoran disimpulkan dapat memberikan hasil yang lebih
baik dibandingkan dengan FK. Karena FK bersifat kasuistis dan tidak
dapat diberlakukan untuk kondisi lereng yang lain.
.

Kata kunci : Latin Hypercube, Monte Carlo, Sensitivitas, Probabilitas.

5.4 Dasar Teori

Dalam operasi penambangan terbuka, desain lereng merupakan hal

terpenting dalam menentukan keseimbangan antara kemiringan lereng dan
keuntungan produksi tambang. Dinding tambang yang didesain dengan
kemiringan yang curam dapat meningkatkan produksi tambang tetapi
beresiko mengalami longsor.Kestabilan lereng tambang umumnya
dinyatakan dengan nilai Faktor Keamanan (FK) yang diperoleh dari
Metode Kesetimbangan Batas (Limit Equilibrium Method). Nilai FK=1
dinyatakan sebagai batas kritis lereng stabil. Realita yang ada, masih
ditemui lereng yang tidak stabil dengan nilai FK > 1 atau lereng yang
stabil dengan nilai FK < 1 (Hoek, 1974, dalam Steffen, 2008). Hal ini
disebabkan karena besaran ketidakpastian tidak ditangkap oleh nilai FK.
Jika tedapat lereng yang memiliki nilai FK=3, bukan berarti lereng
tersebut dua kali lebih stabil daripada nilai FK=1.5. Ketidakpastian atau
aspek-aspek realitas akan mempengaruhi proses pengerjaan, sehingga,
para ahli geoteknik bekerja dalam kondisi pesimis atau terlalu optimis.
(Lalitya et al., 2017)
 Tabel 4.1 Sumber Ketidakpastian pada Lereng

Ketidakpastian dapat terjadi karena adanya variabilitas acak dari

aspek yang dianalisis atau ketidaktahuan akan aspek tersebut.(M.
Azizi et al., 2012).

Perencanaan dan konstruksi geoteknik biasanya dikaitkan dengan

ketidakpastian yang besar dan data yang terbatas pada kondisi lokasi.
Untuk menggambarkan kinerja geoteknik seakurat mungkin, maka perlu
untuk menggabungkan informasi dari berbagai sumber (pengukuran
lokasi, pengetahuan ahli, dan data dari literatur). Para insinyur
mengumpulkan beberapa hipotesis tentang kondisi situs dan kemudian
mengumpulkan pengamatan lapangan (misalnya, pengukuran deformasi,
tekanan, atau data lain yang relevan) untuk mengidentifikasi hipotesis
yang benar.(Kook-Kwang & Jianye, 2018) Ketidakpastian tidak dapat
dihindari dalam rekayasa geoteknik, dan dapat muncul dari beban, sifat
geoteknik, model perhitungan, dan sebagainya. Untuk mengatasi
ketidakpastian ini secara rasional dalam analisis dan desain geoteknik,
beberapa pendekatan analisis dan desain berbasis keandalan (probabilitas)
telah dikembangkan untuk struktur geoteknik. Meskipun upaya ini secara
signifikan memfasilitasi pemahaman dan penerapan pendekatan berbasis
keandalan geoteknik, ada beberapa alasan teknik tersebut belum banyak
dilirik:

(1) pelatihan praktisi geoteknik dalam probabilitas dan statistik sering

terbatas dan, karenanya, mereka merasa kurang nyaman berurusan dengan
pemodelan probabilistik daripada bekerja dengan deterministik pemodelan
dan
(2) algoritma keandalan seringkali canggih secara matematis dan
komputasi dan menjadi rintangan utama bagi praktisi geoteknik saat
menggunakan pendekatan berbasis keandalan geoteknik.. (Kook-Kwang &
Jianye, 2018)

Banyak fenomena acak yang terjadi secara alami dan kontinu dapat
dimodelkan dengan baik dengan jumlah distribusi yang relatif
kecil. Enam distribusi kontinu berikut sangat umum dalam aplikasi
teknik:
1. Eksponensial
2. Gamma
3. Seragam
4. Weibull
5. Rayleigh
6. Biasa
7. Lognormal
Distribusi eksponensial dan gamma adalah anggota dari keluarga
Bernoulli, yang diturunkan dari gagasan bahwa setiap saat dalam
waktu merupakan percobaan Bernoulli independen. Ini adalah
analog waktu kontinu dari distribusi binomial geometris dan
negatif.
Secara Khusus, bentuk dari distribusi gamma adalah merupakan
anggota dari Bernoulli family dan merupakan analog waktu kontinu
dari distribusi binomial negatif. Ini berasal dari urutan tak terbatas
dari percobaan Bernoulli, satu pada setiap saat dalam waktu,
dengan tingkat keberhasilan rata-rata , dan mengatur waktu antara
setiap kejadian ke-k dari keberhasilan dalam proses Poisson.
Secara khusus, jika Tk didefinisikan sebagai waktu untuk
keberhasilan ke-k dalam proses Poisson, maka Tk adalah jumlah
dari k variabel acak terdistribusi eksponensial independen Ei
masing-masing dengan parameter λ.(Fenton & Griffiths, 2008)

Gambar 5.1 Contoh Grafik Distribusi Gamma

 Distribusi normal mungkin merupakan distribusi tunggal yang
paling penting yang digunakan saat ini. Ini sebagian besar karena
jumlah variabel acak cenderung berdistribusi normal, seperti yang
dibuktikan oleh teorema limit pusat—teorema yang akan segera
dibahas. Oleh karena itu, banyak fenomena tipe “aditif” alami, atau
fenomena yang melibatkan banyak faktor akumulasi, sehingga
cenderung berdistribusi normal. Misalnya, kekuatan kohesif tanah
disebabkan oleh jumlah interaksi elektrokimia yang sangat besar
yang terjadi pada tingkat molekuler; dengan demikian, distribusi
normal telah banyak digunakan untuk mewakili distribusi kohesi.

Gambar 5.2. Contoh Grafik Distribusi Normal

Dari sudut pandang pemodelan sifat material dan beban di

bidang teknik, yang umumnya non-negatif, distribusi normal
menderita kerugian karena membiarkan nilai negatif. Misalnya,
jika modulus elastisitas tanah dimodelkan dengan menggunakan
distribusi normal, maka akan ada kemungkinan tidak nol untuk
memperoleh modulus elastisitas negatif. Karena modulus
elastisitas negatif tidak terjadi dalam praktik, normal tidak dapat
menjadi distribusi sebenarnya. Sebagai pendekatan, normal sering
digunakan untuk mewakili sifat material. Kesalahan yang terjadi
mungkin sedikit ketika koefisien variasi v kecil. mungkin baik-baik
saja kecuali pada ekstrem inilah kegagalan terjadi- Misalnya, jika v
0,3, maka P [X < 0] 0,0004, yang ditentukan. Cara sederhana untuk
menghindari masalah tersebut adalah dengan menyesuaikan
distribusi non-negatif ke populasi yang bersangkutan, dan salah
satu kandidat tersebut adalah distribusi lognormal (Gambar 1.34).
Distribusi lognormal muncul dari distribusi normal melalui
transformasi sederhana, meskipun nonlinier. Khususnya, jika G
adalah variabel acak terdistribusi normal yang memiliki rentang <
g < +∞, maka X = exp{G} akan memiliki rentang 0 x < . Kita
katakan bahwa variabel acak X yang dihasilkan berdistribusi
lognormal, perhatikan bahwa logaritma naturalnya terdistribusi

normal.

Gambar 5.3. Contoh Grafik Distribusi Lognormal

5.5 Langkah Kerja

5.5.1 Alat dan Bahan Praktikum

5.5.1.1 Alat Praktikum

1) Laptop.
2) Software Slide.
3) Software MATLAB
4) Kalkulator.

5.5.1.2 Bahan Praktikum

1) Data geometri lereng pada masing-masing studi kasus.
2) Data parameter statistik dari material.

5.5.2 Diagram Alir Praktikum

Praktikum dimulai.

Disiapkan alat-alat praktikum seperti laptop,

Software Slide serta kalkulator serta bahan-bahan
seperti data pendukung untuk praktikum.
Digunakan software MATLAB untuk menentukan
mean, nilai relative minimum dan maksimum
serta standar deviasi dari masing-masing
parameter statistik yang perlu dianalisis dengan
memasukan perintah tertentu.

Dimasukan parameter statistik ke dalam software

slide untuk dilakukan analisis probabilitas
kelongsoran dengan metode Monte Carlo dan
Latin Hypercube. Dibuat juga histogram dari
hasil yang didapatkan.

Dilakukan analisis sensitivitas dengan merubah

bagian Statistics pada menu Project Setting.

Dilakukan analisis hasil dari analisis sensitivitas

berupa Sensitivity Plot
Dilakukan langkah sebelumnya untuk Problema
2a dan 2b dengan menyesuaikan keadaan Muka
Air Tanah serta jenis beban yang bekerja
nantinya.

Dibandingkan hasil FK setiap studi kasus,

ditampilkan dalam bentuk grafik hubungan antar
perlakuan.

Praktikum telah selesai dilakukan.

5.6 Temuan dan Hasil Praktikum
5.6.1 Temuan Praktikum

Tabel 5.2. Parameter Statistik Clayey Siltstone Problem 1

Saturated
Residual Friction Angle Residual Cohesion
Parameter Statistik Density
(°) (kN/m3)
(kN/m3)
Distribusi Data Gamma Normal Lognormal
Mean 14.1508 29.33 72.103
Standar Deviasi 13.10305308 8.855 142.269
R. Minimum 11.9908 11.71 64.063
R. Maximum 9.4292 10.26 98.343

Tabel 5.3 Parameter Statitik Siltstone Problem 2a

Saturated
Residual Friction Angle Residual Cohesion
Parameter Statistik Density
(°) (kN/m3)
(kN/m3)
Distribusi Data Normal Normal Normal
Mean 18 89.51 2.26
Standar Deviasi 7.06 94.01 0.16
R. Minimum 13.19 89.48 0.36
R. Maximum 8.16 140.95 0.41

Tabel 5.4. Parameter Statitik Carb Sandstone Problem 2a

Saturated
Residual Friction Angle Residual Cohesion
Parameter Statistik Density
(°) (kN/m3)
(kN/m3)
Distribusi Data Lognormal Normal Gamma
Mean 5.64 12.35 56.0942
Standar Deviasi 7.59 6.25 82.29332
R. Minimum 4.37 9.71 56.0442
R. Maximum 17.61 9.25 86.2658
 Tabel 5.5. Parameter Statistik Sandstone Problema 2b

Saturated
Residual Friction Angle Residual Cohesion
Parameter Statistik Density
(°) (kN/m3)
(kN/m3)
Distribusi Data Lognormal Normal Gamma
Mean 8.548 22.3667 53.991
Standar Deviasi 12.64 8.3578 77.115
R. Minimum 2.078 15.8967 53.963
R. Maximum 31.052 17.2333 130.901

Tabel 5.6. Parameter Statitik Carb Sandstone Problem 2b

Saturated
Residual Friction Angle Residual Cohesion
Parameter Statistik Density
(°) (kN/m3)
(kN/m3)
Distribusi Data Lognormal Normal Gamma
Mean 5.64 12.35 56.0942
Standar Deviasi 7.59 6.25 82.29332
R. Minimum 4.37 9.71 56.0442
R. Maximum 17.61 9.25 86.2658

Tabel 5.7. Geometri Lereng masing-masing Problema

Geometri 1 2a 2b
Tinggi Lereng
23.07 21.87 21.87
(m)
Slope Angle (°) 18 55 55
5.6.2 Hasil praktikum

Tabel 5.8. Hasil FK Mean dan FK Deterministik Setiap Problema (Latin

Hypercube)

Latin Hypercube
Problem
FK Deterministik FK Mean
a
JS BS GLE JS BS GLE
1 2.056 2.338 2.34 1.794 1.892 1.904
2a 1.481 1.659 1.658 1.336 1.603 2.306
2b 1.584 1.791 1.8 1.449 1.595 1.612

Tabel 5.9. Hasil FK Mean dan FK Deterministik Setiap Problema (Monte Carlo)

Monte Carlo
Problem
FK Deterministik FK Mean
a
JS BS GLE JS BS GLE
1 2.056 2.338 2.34 1.763 1.817 1.831
2a 1.505 1.678 1.667 1.33 1.57 2.295
2b 1.584 1.791 1.8 1.375 1.501 1.519

Grafik Hubungan FK Mean terhadap FK De-

terministik Latin Hypercube Problema 1
12
10
FK Deterministik

8
6
4
2
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5
FK Mean

JS BS GLE

Gambar 5.4. Grafik Hubungan FK Mean terhadap FK Deterministik Problema 1

(Latin Hypercube)
 Grafik Hubungan FK Mean terhadap FK De-
terministik Latin Hypercube Problema 2a
12
10
FK Deterministik

8
6
4
2
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5
FK Mean

JS BS GLE
Gamba
r 5.5. Grafik Hubungan FK Mean terhadap FK Deterministik Problema 2a (Latin
Hypercube)

Grafik Hubungan FK Mean terhadap FK De-

terministik Latin Hypercube Problema 2b
12
10
FK Deterministik

8
6
4
2
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5
FK Mean

JS BS GLE

Gambar 5.6. Grafik Hubungan FK Mean terhadap FK Deterministik Problema 2b

(Latin Hypercube)
 Grafik Hubungan FK Mean terhadap FK De-
terministik Monte Carlo Problema 1
12
10
FK deterministik

8
6
4
2
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5
FK Mean

JS BS GLE

Gambar 5.7. Grafik Hubungan FK Mean terhadap FK Deterministik Problema 1

(Monte Carlo)

Grafik Hubungan FK Mean terhadap FK De-

terministik Monte Carlo Problema 2a
12
10
FK Deterministik

8
6
4
2
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5
FK Mean

JS BS GLE

Gambar 5.8. Grafik Hubungan FK Mean terhadap FK Deterministik Problema 2a

(Monte Carlo)
 Grafik Hubungan FK Mean terhadap FK De-
terministik Monte Carlo Problema 2b
12
10
FK Deterministik

8
6
4
2
0
0.5 1 1.5 2 2.5 3 3.5 4 4.5
FK Mean

JS BS GLE

Gambar 5.9. Grafik Hubungan FK Mean terhadap FK Deterministik Problema 2b

(Monte Carlo)

Tabel 5.10. Hasil Probability of Failure Monte Carlo Setiap Problema

Monte Carlo
Problema PoF
JS BS GLE
1 24.286 27.143 18.033
2a 57.895 50 20
2b 22 14.286 14

Tabel 5.11. Hasil Reliability Index Monte Carlo Problema 1

Monte Carlo
Problema 1 RI
JS BS GLE
Normal 0.795 0.815 0.83
Lognormal 0.871 0.904 0.911

Tabel 5.12. Hasil Reliability Index Monte Carlo Problema 2a

 Monte Carlo
Problema
RI
2a
JS BS GLE
Normal 0.282 0.375 0.764
Lognormal -0.003 0.148 0.93

Tabel 5.13. Hasil Reliability Index Monte Carlo Problema 2b

Monte Carlo
Problema
RI
2b
JS BS GLE
Normal 0.797 0.929 0.947
Lognormal 0.79 0.991 1.02

Grafik Hubungan PoF terhadap RI Monte Carlo

Problema 1
3.5
3
2.5
2
PoF

1.5
1
0.5
0
Normal Lognormal
RI

JS 24.286 BS 24.286 GLE 18.033

Gambar 5.10 Grafik Hubungan PoF terhadap RI Monte Carlo Problema 1

 Grafik Hubungan PoF terhadap RI Monte Carlo
Problema 2a
3.5
3
2.5
2
PoF

1.5
1
0.5
0
Normal Lognormal
RI

JS 57.895 BS 50 GLE 20

Gambar 5.11 Grafik Hubungan PoF terhadap RI Monte Carlo Problema 2a

Grafik Hubungan PoF terhadap RI Monte Carlo

Problema 2b
3.5
3
2.5
2
PoF

1.5
1
0.5
0
Normal Lognormal
RI

JS 22 BS 14.286 GLE 14

Gambar 5.12 Grafik Hubungan PoF terhadap RI Monte Carlo Problema 2b

Tabel 5.14. Hasil Probability of Failure Latin Hypercube Problema 1

 Latin Hypercube
Problema PoF
JS BS GLE
1 24.286 20.29 18.182
2a 40 33.333 0
2b 22 18 18.367

Tabel 5.15. Hasil Reliability Index Latin Hypercube Problema 1

Latin Hypercube
Problema 1 RI
JS BS GLE
Normal 0.739 0.781 0.795
Lognormal 0.778 0.855 0.89

Tabel 5.16. Hasil Reliability Index Latin Hypercube Problema 2a

Latin Hypercube
Problema
RI
2a
JS BS GLE
Normal 0.41 0.55 1.408
Lognormal 0.229 0.452 1.964

Tabel 5.17. Hasil Reliability Index Latin Hypercube Problema 2b

Latin Hypercube
Problema
RI
2b
JS BS GLE
Normal 0.722 0.812 0.826
Lognormal 0.696 0.848 0.871
 Grafik Hubungan PoF terhadap RI Latin Hy-
percube Problema 1
3.5
3
2.5
2
PoF

1.5
1
0.5
0
Normal Lognormal
RI

JS 24.286 BS 20.29 GLE 18.182

Gambar 5.13 Grafik Hubungan PoF terhadap RI Latin Hypercube Problema 1

Grafik Hubungan PoF terhadap RI Latin Hy-

percube Problema 2a
3.5
3
2.5
2
PoF

1.5
1
0.5
0
Normal Lognormal
RI

JS 24.286 BS 20.29 GLE 18.182

Gambar 5.14 Grafik Hubungan PoF terhadap RI Latin Hypercube Problema 2a

 Grafik Hubungan PoF terhadap RI Latin Hy-
percube Problema 2b
3.5
3
2.5
2
PoF

1.5
1
0.5
0
Normal Lognormal
RI

JS 24.286 BS 20.29 GLE 18.182

Gambar 5.15 Grafik Hubungan PoF terhadap RI Latin Hypercube Problema 2b

Gambar 5.16 Histogram Plot Latin Hypercube BS

 Gambar 5.17 Histogram Plot Latin Hypercube JS

Gambar 5.18 Histogram Plot Latin Hypercube GLE

Gambar 5.19 Histogram Plot Monte Carlo BS

Gambar 5.20 Histogram Plot Monte Carlo JS

Gambar 5.21 Histogram Plot Monte Carlo GLE

Gambar 5.22 Sensitivity Plot BS Problem 1

 Gambar 5.23 Sensitivity Plot JS Problem 1

Gambar 5.24 Sensitivity Plot GLE Problem 1

Gambar 5.25 Histogram Plot Latin Hypercube BS 2a
Gambar 5.26 Histogram Plot Latin Hypercube JS 2a
Gambar 5.27 Histogram Plot Latin Hypercube GLE 2a
Gambar 5.28 Histogram Plot Monte Carlo BS 2a
Gambar 5.29 Histogram Plot Monte Carlo JS 2a
Gambar 5.30 Histogram Plot Monte Carlo GLE 2a
Gambar 2.31 Sensitivity Plot BS 2a

Gambar 2.32 Sensitivity Plot JS 2a

 Gambar 2.33 Sensitivity Plot GLE 2a

Gambar 2.34 Histogram Plot Latin Hypecube BS 2b

Gambar 2.35 Histogram Plot Latin Hypercube JS 2b
Gambar 2.36 Histogram Plot Latin Hypercube GLE 2b
Gambar 2.37 Histogram Plot Monte Carlo BS 2b
Gambar 2.38 Histogram Plot Monte Carlo JS 2b
Gambar 2.39 Histogram Plot Monte Carlo GLE 2b
Gambar 2.40 Histogram Plot BS 2b
Gambar 2.41 Histogram Plot JS 2b
Gambar 2.42 Histogram Plot GLE 2b
5.7 Bahasan Pertanyaan pada Modul

1) Jelaskan fungsi analisis probabilitas dan analisis sensitivitas

pada analisis kestabilan lereng metode kesetimbangan batas!

Analisis probabilistik menggunakan pendekatan statistic

dalam menentukan harga FK rata-rata dari beberapa analisis
yang dilakukan dengan parameter hasil berupa FK mean,
digunakan untuk mengetahui seberapa besar kemungkinan
suatu lereng dapat longsor yang diwakilkan oleh nilai PoF yang
didapat. Sedangkan analisis sensitivitas digunakan untuk
mengetahui dari beberapa parameter masukan yang digunakan
dalam sebuah analisis kestabilan lereng, parameter yang paling
sensitive atau berpengaruh pada harga FK yang didapatkan
nantinya.

2) Apa perbedaan antara FK mean dan FK deterministik?

FK mean adalah harga FK yang didapatkan dari

pendekatan statistika dalam menentukan nilai FK yang
merupakan fungsi rata-rata dari setiap peluang/probabilitas
yang diperhitungkan mulai dari yang teraman hingga yang
paling beresiko. FK deterministic adalah harga FK yang
didapatkan dari sebuah analisis dengan menggunakan metode
kesetimbangan batas dengan mengasumsikan harga FK dari
keadaan terburuk dimana longsoran akan terjadi.

3) Jelaskan mengapa pada disposal, yang digunakan adalah nilai

residual, bukan nilai peak nya!
 Residual adalah perbedaan antara nilai observasi dengan nilai
prediksi yang diperoleh dengan menggunakan model regresi
estimasi. Untuk setiap kombinasi nilai prediktor, diasumsikan
distribusi residual adalah normal.Sedangkan nilai peak adalah
titik puncak dari suatu populasi terkait. Penggunaan nya
berkenaan pada prinsip shear strength. Dimana disposal
diasumsikan berada pada keadaan terburuk dimana akan
terbentuk angle of repose. Sehingga untuk menyesuaikan pada
kondisi ini maka parameter Sudut Geser Dalam serta Kohesi
material diasumsikan berada pada keadaan nilai residual.
Zydroń (2011) menyatakan bahwa untuk menghitung stabilitas
lereng yang aman disarankan menggunakan parameter kuat
geser sisa pada kadar air maksimum. Dalam penelitiannya
didapatkan kuat geser sisa yang mencapai 80% dari kuat geser
puncak Uji direct shear mengacu ke standard pengukuran SNI
2813:2008 dengan menghasilkan data nilai puncak (peak) dan
nilai sisa (residual) dari kohesi (c) dan sudut geser dalam (phi).
4) Apa perbedaan antara distribusi normal, lognormal, dan
gamma?

Perbedaan utama antara distribusi normal dan lognormal adalah

bahwa distribusi normal memberikan efek penjumlahan,
sedangkan distribusi log-normal memberikan efek
perkalian. Distribusi log-normal biasanya digambarkan sebagai
variabel log yang ditransformasi, digunakan sebagai parameter
nilai ekspektasi, atau mean dan deviasi standar dari
distribusinya. Sedangkan distribusi Gamma memiliki parameter
α dan β.
5) Jika FK > 1.07 dan dibawah 1.25, apakah sudah pasti PoF nya
100%? Analisis!

Belum pasti, karena pada dasarnya nilai FK itu berbanding

terbalik dengan nilai PoF dalam sebuah analisis. Dalam analisis
 yang dilakukan pada praktikum kali ini, jika harga FK nya
adalah 1.817 maka nilai PoF nya adalah 27.143% sedangkan
jika harga FK nya adalah 1.831 maka nilai PoF nya adalah
24.285%. (Problema 1) Selain itu, PoF juga dapat dipengaruhi
oleh sumber ketidakpastian lereng seperti geometri lereng dan
pembebanan. Pada Problema 2a percobaan awal didapatkan
harga FK sebesar 1.257 dan PoF nya sebesar 100%. (Gambar
terlampir pada lampiran)

5.8 Pembahasan

Dari hasil yang didapatkan serta analisis yang dilakukan, FK mean

memiliki nilai yang lebih kecil daripada FK Deterministik. Hal ini
disebabkan FK Mean adalah harga FK yang diperoleh dari hasil rata-rata
analisis ketidakpastian parameter masukan yang digunakan berdasarkan
pendekatan statistik. Sedangkan FK Deterministik adalah harga FK yang
diperoleh dari analisis keadaan terburuk pada kemungkinan suatu
kelongsoran akan terjadi. Harga PoF akan berbanding terbalik dengan
harga FK. Begitupun terhadap nilai RI yang mana akan semakin kecil
seiring kenaikan harga PoF yang didapatkan. Didapatkan parameter kohesi
adalah parameter yang paling sensitif. Pada analisis Monte Carlo
didapatkan harga PoF yang lebih besar daripada analisis Latin Hypercube
begitupun harga RI nya. Sehingga Probabilitas Kelongsoran disimpulkan
dapat memberikan hasil yang lebih baik dibandingkan dengan FK. Karena
FK bersifat kasuistis dan tidak dapat diberlakukan untuk kondisi lereng
yang lain.

Metode probabilitas kelongsoran merupakan suatu pendekatan yang

mempertimbangkan seluruh variasi yang ada pada parameter masukan
yang menghasilkan nilai FK tertentu. Hal ini didasarkan bahwa nilai
seluruh parameter masukan acak tersebut memiliki peluang yang sama
dalam menghasilkan FK tertentu akibat adanya ketidakpastian dari seluruh
parameter masukan. Cara ini lebih merepresentasikan nilai variasi alami
yang dimiliki masing-masing parameter masukan mengingat dalam
pengambilan data parameter masukan tersebut sangatlah minim dengan
pertimbangan biaya uji yang mahal. Probabilitas Kelongsoran juga dinilai
memberikan hasil yang lebih baik dibandingkan dengan FK. Karena FK
bersifat kasuistis dan tidak dapat diberlakukan untuk kondisi lereng yang
lain. Hasil analisis balik dari beberapa lereng yang diteliti oleh Hoek &
Bray bahwa masih terdapat lereng batuan yang longsor meskipun memiliki
nilai FK di atas ambang batas.(Febriadi & Anaperta, 2020) Pada
praktikum kali ini digunakan 3 buah parameter masukan yaitu kohesi,
sudut geser dalam, dan bobot densitas tersaturasi. Distribusi data masing-
masing parameter yang perlu dianalisis ditentukan melalui faktor
likelihood serta pendekatan tingkat kepercayaan yang direpresentasikan
oleh masing-masingnya.

Digunakan dua metode probabilistic, yaitu metode Monte Carlo dan

metode Latin Hypercube. Metode Monte Carlo ini sangat berguna dalam
pemecahan permasalahan yang berkaitan dengan variabel acak, selain
sederhana juga lebih fleksibel dalam menggabungkan suatu varietas
distribusi probabilitas yang cukup besar tanpa banyak penafsiran, hingga
didapatkan nilai probabilitas kelongsoran. Metode Latin Hypercube adalah
metode statistik untuk menghasilkan sampel nilai parameter yang hampir
acak dari distribusi multidimensi. Metode ini banyak digunakan untuk
menghasilkan sampel yang dikenal sebagai sampel acak terkontrol dan
sering diterapkan dalam analisis Monte Carlo karena dapat secara dramatis
mengurangi jumlah simulasi yang diperlukan untuk mencapai hasil yang
akurat. Probabilitas kelongsoran lereng ditentukan dengan cara
menghitung luas (FK< 1) di bawah fungsi yang sudah ditentukan
sebelumnya dari hasil proses fitting. Pada analisis probabilistik,
didapatkan nilai PoF Monte Carlo lebih besar dari analisis Latin
Hypercube. Hal ini dapat terjadi karena analisis Latin Hypercube
mengurangi jumlah simulasi probabilistik kelongsoran sehingga
didapatkan hasil yang paling akurat dengan memperkecil pengaruh sumber
ketidakpastian berupa sifat geoteknik dalam proses analisisnya. Sehingga
didapatkan harga FK baik FK Mean maupun Deterministik yang lebih
besar dari analisis Monte Carlo.

Dengan fokus pada parameter masukan dengan berbagai variabilitasnya,

maka dibutuhkan sebuah parameter untuk menyatakan kekuatan relatif
masing-masing parameternya. Koefisien korelasi menyatakan kekuatan
relatif dari hubungan antara dua parameter. Korelasi antara parameter
kekuatan dapat mempengaruhi distribusi probabilitas lereng. Koefisien
korelasi akan selalu jatuh antara -1 dan 1. Didapatkan koefisien korelasi
pada analisis Monte Carlo di rentang 0 sampai 1, sehingga harga PoF nya
lebih besar dari analisis Latin Hypercube dengan koefisien korelasi antar
parameter -1 sampai 0. Koefisien ini didapatkan dari jumlah partisi data
yang berada di luar lingkup garis distribusi yang muncul. Koefisien
korelasi memiliki pengaruh yang cukup besar terhadap perhitungan
Probabilitas Kelongsoran (PK) lereng. Dimana koefisien korelasi negatif
akan menurunkan nilai PK dan sebaliknya untuk koefisien korelasi positif.
(Arifadillah et al., 2018)
Hal menarik dari metode probabilistik adalah representasi yang
eksplisit dari ketidakpastian dalam kajian stabilitas lereng.Nilai faktor
keamanan desain lereng dapat dioptimasi dengan nilai probabilitas
kelongsoran sehingga dapat memberikan tingkat keyakinan terhadap
desain tersebut. (M. A. Azizi et al., 2011) Fungsi distribusi probabilitas
menggambarkan penyebaran suatu variabel acak yang digunakan untuk
memperkirakan nilai probabilitas kemunculan suatu parameter. Fungsi
distribusi probabilitas memiliki sifat-sifat penyebaran yang khas dan unik
yang menjadikan fungsi yang satu akan berbeda dengan fungsi yang
lainnya. Beberapa keuntungan metode Monte Carlo yakni sederhana, lebih
fleksibel dalam menggabungkan suatu varietas distribusi probabilitas yang
cukup besar tanpa banyak penarfsiran, dan kemampuan untuk
memodelkan korelasi di antara variable dengan mudah (Hammah and
Yacoub, 2009). Umumnya analisis stabilitas lereng dengan metode
kesetimbangan batas menggunakan simulasi Monte Carlo untuk
menghitung probabilitas kelongsoran. Hasil analisis statistik dari masing-
masing nilai parameter masukan (nilai minimum, maksimum, rata-rata,
standar deviasi) dicocokkan ke dalam 7 fungsi asumsi yang akan dipilih
(Pada program SLIDE ada 7 fungsi : normal, seragam, triangular, beta,
eksponensial, lognormal, gamma). Menggunakan metode Monte Carlo
maka akan memperbanyak data secara acak mengikuti fungsi yang
ditentukan. Untuk menentukan fungsi yang cocok, maka dapat ditentukan
dari hasil proses pencocokan.(Fenton & Griffiths, 2008). Namun
penggunaan metode Monte Carlo merepresentasikan simulasi kasus yang
sebenarnya kurang representatif sehingga mempengaruhi keakuratan harga
PK yang didapatkan. Dengan analisis silang antara metode Latin
Hypercube terhadap hasil analisis Monte Carlo menghasilkan harga PK
yang lebih akurat. (Lebih mendekati realitas).

Untuk mengetahui hubungan tinggi muka air tanah terhadap FK , maka

dilakukan pembuatan grafik sensitifitas yang menghubungkan antara
tinggi muka air tanah terhadap besarnya FK. Hubungan antara tinggi muka
air tanah dan FK dapat dilihat longsorannya. (Mulyadi et al., 2017)
Ketidakpastian tidak dapat dihindari dalam rekayasa geoteknik, dan dapat
muncul dari beban, sifat geoteknik, model perhitungan, dan sebagainya.
Untuk mengatasi ketidakpastian ini secara rasional dalam analisis dan
desain geoteknik, beberapa pendekatan analisis dan desain berbasis
keandalan (probabilitas) telah dikembangkan untuk struktur geoteknik.
Pendekatan desain lereng yang menggunakan FK sebagai indikator
kestabilan lereng didefinisikan sebagai rasio antara gaya penahan terhadap
gaya penggerak sepanjang bidang permukaan longsor. Pendekatan FK
merupakan suatu teknik deterministik desain yang menggunakan nilai rata-
rata sebagai estimasi nilai yang mewakili seluruh variasi/ketidakpastian
faktor masukan.

Ada dua kelemahan dalam pendekatan FK untuk desain lereng yaitu

nilai ambang batas FK minimum didasarkan pada jumlah kasus yang
terbatas dan kombinasi pengaruh banyak faktor, sehingga sulit diterapkan
pada beberapa kondisi tertentu, selain itu nilai FK tidak memberikan suatu
skala linear terhadap penilaian probabilitas kelongsoran lereng. (M. Azizi
et al., 2012) Secara defenisi ada hubungan linier antara nilai PK dengan
peluang (likelihood) kelongsoran, sementara tidak berlaku untuk hubungan
FK dengan peluang kelongsoran PK. FK yang besar tidak menggambarkan
lereng yang lebih stabil, karena besaran ketidak pastian yang implisit tidak
ditangkap oleh nilai FK. Lereng dengan nilai FK= 3 bukan berarti 2 kali
lebih stabil daripada FK 1.5 sementara lereng dengan nilai PK 5 %
menunjukkan 2 kali lebih stabil dari lereng dengan nilai PK 10 %.

Analisis kemantapan lereng tunggal merupakan salah satu bentuk dari

permodelan geoteknik yang bertujuan untuk mengetahui faktor keamanan
dari lereng tunggal yang bersifat deterministik, yang berdasarkan tinggi
jenjang dan besar sudut lereng yang telah ditentukan sebelumnya. Hasil
karakterisasi terhadap parameter masukan yang mencakup nilai relatif
minimum dan relatif maksimum, standar devisiasidan jenis fungsi
distribusi masukan dalam analisis kestabilan lereng tunggal. Berdasarkan
ambang batas nilai FK dan PK lereng tambang terbuka (SRK,2010) untuk
jenis lereng tunggal (single slope) FK (min) ialah 1.1 dan PK (max) 25-
50%. Pada analisis Problema 1 , 2a dan 2b didapatkan FK tertinggi adalah
2.34 dan terendah adalah 1.58 dengan rata-rat harga PK adalah 25,7%
untuk metode Monte Carlo dan 18.45% untuk metode Latin Hypercube
sehingga sesuai dengan kriteria lereng dinamis tunggal. (Kriteria Aman).
Hasil analisis kestabilan lereng menggunakan pendekatan probabilitas ini
menghasilkan faktor keamanan yang dimungkinkan membangkitkan nilai
dengan kapasitas probabilitas kelongsoran dan indeks reliabilitas lereng.
(Yudho & Santosa, 2020)

Ketidakpastian pada lereng menjadikan penentuan dari suatu keidealan

suatu lereng menjadi hal yang sulit direpresentasikan, geometri lereng,
karakteristik, beban, dan probabilitas kelongsoran adalah sumber-sumber
utama pada faktor ketidakpastian pada lereng. Ketidakpastian dapat
terjadi karena adanya variabilitas acak dari aspek yang dianalisis atau
ketidaktahuan akan aspek tersebut.(M. Azizi et al., 2012). Kestabilan dari
suatu lereng pada kegiatan penambangan dipengaruhi oleh kondisi geologi
daerah setempat, bentuk keseluruhan lereng pada lokasi tersebut, kondisi
air tanah setempat, faktor luar seperti getaran akibat peledakan ataupun
alat mekanis yang beroperasi dan juga dari teknik penggalian yang
digunakan dalam pembuatan lereng. Struktur geologi pada analisa
kestabilan lereng penambangan adalah bidang-bidang lemah dalam hal ini
bidang ketidakselarasan (discontinuity) seperti kekar, patahan dan bidang-
bidang perlapisan. Struktur geologi merupakan hal yang penting di dalam
analisa kemantapan lereng karena merupakan bidang lemah di dalam suatu
masa batuan dan dapat menurunkan atau memperkecil kestabilan lereng.
(Nurhasan et al., 2019)

Terzaghi (1950) membagi penyebab longsor terdiri dari, akibat pengaruh

dalam (internal effect) dan pengaruh luar (external effect). Pengaruh luar
yaitu pengaruh yang menyebabkan bertambahnya gaya geser dengan tanpa
adanya perubahan kuat geser tanah. Pengaruh dalam yaitu longsoran yang
terjadi dengan tanpa adanya perobahan kondisi dari luar atau gempa bumi.
Pada praktikum kali ini digunakan pengaruh dalam, pengaruh dalam
berupa perlakuan faktor kegempaan yang merupakan beban dinamis
sedangkan beban alat dengan variasi letak nya dapat dianggap beban statis
sesuai dengan keadaan dan kondisi nya.(Hunt, 2006) Salah satu cara yang
telah lama digunakan untuk menghitung pengaruh seismik terhadap
stabilitas adalah analisis pseudostatik. Dalam analisis ini, beban gempa
direpresentasikan sebagai suatu gaya statis yang disamakan dengan berat
massa tanah dikalikan dengan suatu koefisien gempa, k. Gaya pseudostatik
digunakan pada cara limit equilibrium dan ditinjau sebagai gaya statis
yang bekerja hanya ke satu arah. (Wangke, 2010) Ada berbagai tanggapan
mengenai letak dimana gaya pseudostatik bekerja. Terzaghi (1950)
mengusulkan bahwa gaya pseudostatik seharusnya bekerja pada titik berat
dari setiap irisan atau titik berat dari keseluruhan massa tanah. Hal ini
dapat diterima hanya jika percepatannya konstan pada seluruh massa
tanah, namun pada kenyataannya tidak seperti itu. Seed (1979)
menunjukkan bahwa lokasi yang diasumsikan untuk gaya seismik dapat
memiliki efek yang cukup besar dalam perhitungan faktor keamanan. Pada
suatu kasus, perubahan letak gaya pseudostatik dari titik berat ke sisi
bawah irisan dapat mengurangi faktor keamanan sebesar 0.1. Tegangan
geser pada tanah merupakan hal yang sangat berpengaruh dalam
menganalisis stabilitas lereng. Jika tegangan geser tanah pada suatu lereng
berkurang dan dikalahkan oleh gaya berat dari suatu massa tanah itu
sendiri, maka besar kemungkinan akan terjadi keruntuhan pada lereng
tersebut. Penurunan tegangan geser yang berakibat pada melemahnya
permukaan lereng dapat disebabkan oleh beberapa faktor, diantaranya
yaitu akibat adanya pembebanan dinamis dari gempa. (Zaika & Syafi’ah,
2011)

Koefisien seismic ini mengontrol gaya pseudostatik yang bekerja pada

tanah. Jika material lereng diasumsikan dalam kondisi rigid, maka gaya
intarsia (gaya pseudostatik) akan sama besar dengan percepatan horizontal
gempanya. Dalam pemodelan numerik nilai faktor kemanaan ditunjukan
oleh nilai Strength Factor. Menurut SNI 8460:2017 tentang Persyaratan
Perancangan Geoteknik yang dikeluarkan oleh Badan Standar Nasional
dimana faktor keamanan minimum yang di syaratkan untuk model pseudo-
statik adalah lebih besar dari 1,1 (FK>1,1), dengan menggunakan
koefisien seismik yang didapatkan dari percepatan puncak di permukaan
(PGA)dengan penentuan kelas situs dan faktor amplifikasi, sedangkan
untuk kondisi tanpa beban gempa faktor keamanan minimum yang di
syaratkan adalah lebih besar dari 1.5 (FK>1.5)

Dengan melihat hasil tersebut maka dapat disimpulkan bahwa

kenaikan muka air tanah dapat mempengaruhi stabilitas lereng. (Gambar
5.4) (Gambar 5.5) (Gambar 5.6) (Gambar 5.7) (Gambar 5.8) (Gambar 5.9)
Hal tersebut terlihat dari menurunnya faktor keamanan pada pemodelan
dengan kondisi muka air tanah yang semakin dangkal. Meskipun tanpa
beban gempa, namun jika muka air tanah semakin dekat dengan
permukaan, maka stabilitas lereng tersebut menurun. Tetapi, tidak terlihat
adanya penurunan yang signifikan pada nilai faktor keamanan untuk
variasi muka air tanah tanpa beban gempa dan hanya dengan beban alat.
Sedangkan pengaruh kenaikan beban gempa pada kondisi muka air tanah
yang paling kritis, paling dangkal, menunjukkan penurunan yang cukup
besar pada nilai faktor keamanan. (Gambar 5.4) (Gambar 5.5) (Gambar
5.7) (Gambar 5.8)

Dalam menganalisis kestabilan lereng harus diketahui sistem tegangan

yang bekerja dan sifat fisik dan mekanik pada tanah atau batuan tersebut.
Tegangan dalam massa batuan terdiri dari tegangan vertikal dan horizontal
serta tekanan air pori. Beban yang dapat berada di sebuah struktur terbagi
menjadi dua, yaitu beban statis dimana besaran nya tetap serta titik dan
arah garis kerja nya tetap. Sedangkan beban dinamis adalah beban yang
besaran dan intensitas nya berubah-ubah menurut fungsi waktu.
Pembebanan merupakan salah satu faktor yang dapat mempengaruhi
tegangan yang bekerja pada material lereng, keberadaan alat berat yang
digunakan diatas lereng dikategorikan sebagai beban statis yang besaran
dan intensitas nya tetap. (Yunanto, 2019) Didapatkan harga FK terendah
pada skema pembebanan lereng dengan alat disertai beban dinamis berupa
faktor kegempaan (Tabel 5.8) (Tabel 5.9) Hal ini dapat terjadi karena
lereng dikenakan dua jenis beban sekaligus yang bekerja pada suatu fungsi
waktu. Jenis material yang merupakan salah satu dari sumber
ketidakpastian pada lereng juga berpengaruh pada harga FK, teramati
bahwa harga FK dengan material heterogen akan lebih besar dari yang ber
material homogen, hal ini diasumsikan terjadi karena lereng dengan
material heterogen mempunyai nilai kohesi dan sudut geser dalam yang
berbeda di setiap lapisan material nya dimana yang memiliki nilai kohesi
dan sudut geser dalam yang lebih tinggi akan menopang bagian lereng
dengan nilai kohesi dan sudut geser dalam yang lebih rendah. Namun hal
ini juga bergantung pada stratigrafi material pembentuk serta
geomorfologi nya (tinggi lapisan) (Tabel 5.8) (Tabel 5.9) Dari kurva
distribusi pada gambar 5.16, gambar 5.17 dan gambar 5.18 menunjukkan
38 dari 100 lereng serupa diperkirakan akan runtuh pada suatu waktu
selama umur lereng, karena tidak bersinggungan dengan kurva distribusi
data, sedangkan pada gambar 5.19 , gambar 5.20 dan 5.21 menunjukan 18
dari 100 lereng serupa diperkirakan akan runtuh pada suatu waktu selama
umur lereng, karena tidak bersinggungan dengan kurva distribusi datanya.
Hal ini menunjukan pada analisis Latin Hypercube menghilangkan asumsi
berlebihan sehingga harga PK yang didapatkan lebih rendah dari asumsi
metode Monte Carlo. Selain itu, perubahan geometri lereng akan
memengaruhi persebaran data dari kurva distribusi FK. Perubahan
geometri lereng seperti penurunan tinggi lereng dan pelandaian
kemiringan lereng akan menyebabkan perubahan karakterisasi material
penyusun lereng sehingga jumlah sampel dari material kohesi, sudut gesek
dalam dan bobot isi akan semakin berkurang. Dengan begitu kurva
distribusi pada lereng setelah perubahan geometri akan semakin terfokus
atau terkonsentrasi pada nilai mean dan nilai tengah data sehingga
 menyebabkan persebaran data semakin menurun dengan begitu tingkat
ketidakpastian (uncertainty) data juga akan semakin menurun. Akibatnya
pada suatu kondisi dengan jumlah sampel 100 nilai FK yang kurang dari 1
tidak ada lagi sehingga menyebabkan nilai PK dari lereng menjadi 0%.
(Manullang, 2020) Nilai PK dan FK yang diperoleh dari hasil pemodelan
bergantung pada bidang gelincir yang dianalisis. Setiap bidang gelincir
akan memberikan nilai PK dan FK yang berbeda yang disebabkan karena
besarnya beban atau gaya-gaya penggerak yang harus diatasi oleh tiap
bidang gelincir. Beban tersebut ditunjukkan melalui dimensi material atau
jenis batuan yang berada di atas bidang gelincir.

Pada analisis sensitifitas didapatkan bahwa pada setiap problema,

parameter kohesi adalah parameter yang paling sensitif sehingga sangat
berpengaruh pada kemungkinan-kemungkinan peristiwa kelongsoran yang
dapat terjadi. (Gambar 5.22) (Gambar 5.31) (Gambar 5.41)
Lebih lanjut dapat diartikan bahwa kenaikan harga kohesi tanah akan
sangat berpengaruh pada kemungkinan-kemungkinan peristiwa
kelongsoran yang dapat terjadi dibandingkan dengan parameter sudut
geser dalam dan bobot isi tersaturasi.

5.9 Kesimpulan dan Saran

5.9.1 Kesimpulan

1. Software MATLAB digunakan untuk menganalisis kriteria

parameter masukan seperti Mean, Standar Deviasi, serta nilai
Relatif minimum dan maksimum dengan tanpa harus
mendeskripsikan variabel baru per perintah nya .
2. Dari hasil yang didapatkan serta analisis yang dilakukan, FK mean
memiliki nilai yang lebih kecil daripada FK Deterministik. Hal ini
disebabkan FK Mean adalah harga FK yang diperoleh dari hasil
 rata-rata analisis ketidakpastian parameter masukan yang
digunakan berdasarkan pendekatan statistik. Sedangkan FK
Deterministik adalah harga FK yang diperoleh dari analisis
keadaan terburuk pada kemungkinan suatu kelongsoran akan
terjadi. Harga PoF akan berbanding terbalik dengan harga FK.
Begitupun terhadap nilai RI yang mana akan semakin kecil seiring
kenaikan harga PoF yang didapatkan. Didapatkan parameter kohesi
adalah parameter yang paling sensitif. Pada analisis Monte Carlo
didapatkan harga PoF yang lebih besar daripada analisis Latin
Hypercube begitupun harga RI nya. Sehingga Probabilitas
Kelongsoran disimpulkan dapat memberikan hasil yang lebih baik
dibandingkan dengan FK. Karena FK bersifat kasuistis dan tidak
dapat diberlakukan untuk kondisi lereng yang lain.
3. Harga Probabilitas kelongsoran berbanding terbalik dengan
kenaikan harga FK. Dimana apabila probabilitas atau kemungkinan
terjadinya kelongsoran semakin rendah, maka harga FK yang
dianalisis akan semakin tinggi. Harga Indeks Kepercayaan pun
akan linear dengan kenaikan harga FK.

5.9.2 Saran

Agar kepada pengawas serta geotechnical engineer terkait

untuk mengawasi nilai faktor keamanan pada lereng sehingga perlu
untuk membuat perbaikan seperti menyunting geometri lereng
secara berkala jika terdapat potensi kelongsoran dan membangun
sistem penyaliran dan penirisan tambang yang ideal untuk
mencegah lereng terendam air dan memperhatikan faktor beban
pada lereng serta distribusinya yang akan berpengaruh pada
komposisi material pembentuk lereng untuk menyesuaikan dengan
gaya tahanan yang dapat dibebankan pada lereng terkait. Selain itu
dapat mempertimbangkan analisis statistic karena dapat
 menjabarkan banyak kemungkinan yang dapat terjadi untuk
menanggulangi sifat FK Deterministik yang kausistis.

5.10 Daftar Pustaka

Arifadillah, R. R., Zakaria, Z., Sophian, R. I., Teknik, F., & Universitas, G.
(2018). DESAIN LERENG OPTIMAL BERDASARKAN PROBABILITAS
KELONGSORAN. 5(3), 210–218.
Azizi, M. A., Harminuke, R., & Handayani, E. (2011). TMK-4 KARAKTERISASI
PARAMETER MASUKAN UNTUK ANALISIS TAMBANG BATUBARA
BUKIT ASAM TBK . TANJUNG ENIM ,. 26–27.
Azizi, M., Kramadibrata, S., & Wattimena, R. (2012). Analisis risiko kestabilan
lereng tambang terbuka (studi kasus tambang mineral x). 19–27.
Febriadi, A., & Anaperta, Y. M. (2020). Analisis Kestabilan Lereng pada Blok
Timur Tambang Muara Tiga Besar Utara PT. Bukit Asam Tbk, Kabupaten
Muara Enim, Provinsi Sumatera Selatan. Bina Tambang, 5(4), 11–20.
Fenton, G. A., & Griffiths, D. V. (2008). Risk Assessment in Geotechnical
Engineering. In Risk Assessment in Geotechnical Engineering.
https://doi.org/10.1002/9780470284704
Hunt, R. E. (2006). Geotechnical Investigation Methods. Geotechnical
Investigation Methods. https://doi.org/10.1201/9781420042757
Kook-Kwang, P., & Jianye, C. (2018). Risk and Reliability in Geotechnical
Engineering. In Risk and Reliability in Geotechnical Engineering.
https://doi.org/10.1201/b17970
Lalitya, T., Indrawan, I. G., & Bassmantra, A. (2017). Analisis kestabilan lereng
tambang terbuka batubara dengan metode probabilitas pada highwall dan
lowwall pit tania panel 2, pt. kaltim prima coal, kalimantan timur.
1(September), 172–189.
Manullang, P. (2020). ANALISIS PROBABILITAS KELONGSORAN LERENG
PADA DESAIN LERENG TAMBANG BATUBARA DENGAN
MENGGUNAKAN METODE KESETIMBANGAN BATAS. Proceeding
TPT XXIX PERHAPI 2020, 597–608.
Mulyadi, R. R., Ariyanto, R., Hartami, P. N., Nugroho, B., & Azizi, M. A. (2017).
Analisis Sensitivitas Tinggi Muka Air Tanah Terhadap Kestabilan Lereng
 Perbukitan Batugamping Kaliwadas Berdasarkan Hasil Pengukuran
Geolistrik Wenner. Proceeding Seminar Nasional Geomekanika IV Padang,
March 2019, 225–231.
Nurhasan, R., Astawa, R. M., & Wattimena, R. K. (2019). Probabilistik
Kelongsoran Lereng Tambang Terbuka Grasberg PT Freeport Indonesia
( Probabilistic Of Slope Failure Grasberg Open Pit Mining Abstrak The
stability of a slope in mining activities is highly influenced by geology ,
especially the nature of rock. 7(June), 1–7.
Wangke, F. R. (2010). Stabilitas Lereng Studi Kasus Gempa Padang September
2009 Stabilitas Lereng Studi Kasus Gempa Padang September 2009.
September.
Wyllie, D. C., & Mah, C. W. (2017). Rock slope engineering: Civil and mining,
4th edition. Rock Slope Engineering: Fourth Edition, 1–432.
https://doi.org/10.1201/9781315274980
Yudho, C., & Santosa, F. (2020). Analisa kestabilan lereng berdasarkan
probabilitas kelongsoran pada tambang pirofilit di pt gunung bale, kabupaten
malang, provinsi jawa timur [1]. Prosiding Seminar Teknologi Kebumian
Dan Kelautan.
Yunanto, A. (2019). Evaluasi Kondisi Geologi Teknik bagi Perancangan
Terowongan Saluran Pengelak Bendungan Cipanas Provinsi Jawa Barat. 1–
381.
Zaika, Y., & Syafi’ah. (2011). Pengaruh beban dinamis dan kadar air tanah
terhadap stabilitas lereng pada tanah lempung berpasir. 5(1), 35–39.
5.11 Lampiran

Lampiran 5.1 Dimensi Lereng Problem 1

Lampiran 5.2 Histogram Bishop Simplified latin Problem 1
Lampiran 5.3 Histogram Janbu Simplified latin Problem 1
Lampiran 5.4 Histogram Morgenstren Price Latin Problem 1
Lampiran 5.5 Histogram Bishop Simplified Monte Problem 1
Lampiran 5.6 Histogram Janbu Simplified Monte Problem 1
Lampiran 5.7 Histogram Morgenstren Price Monte Problem 1
Lampiran 5.8 FK Bishop Simplified Latin Problem 1
Lampiran 5.9 Janbu Simplified Latin Problem 1
Lampiran 5.10 Morgenstren Price Latin Problem 1
Lampiran 5.11 Bishop Simplified Mean Problem 1
Lampiran 5.12 Jambu Simplified Mean Problem 1
Lampiran 5.13 Morgenstran Price Mean Problem 1
Lampiran 5.14 Bishop Simplified Sensi Problem 1
Lampiran 5.16 Janbu Simplified Sensi Problem 1
Lampiran 5.17 Morgenstren Price Sensi Problem 1
Lampiran 5.18 Sentivity Plot Bishop Simplified Problem 1
Lampiran 5.19 sentivity Janbu Simlpified Problem 1
Lampiran 5. 20 Sentivity Morgenstren Price Problem 1
Lampiran 5.21 Dimensi Lereng Problem 2a
Lampiran 5.22 Histogram Bishop Simplified Problem 2a
Lampiran 5.23 Histogram Janbu Simplified Problem 2a
Lampiran 5.24 Histogram Morgenstren Price Problem 2a
Lampiran 5.25 Histogram Bishop Simplified Monte Problem 2a
Lampiran 5.26 Janbu Simplified Monte Problem 2a
Lampiran 5.27 Morgenstren Price Monte Problem 2a
Lampiran 5.28 FK Prob Bishop problem 2a
Lampiran 5.29 FK Prob Janbu problem 2a
Lampiran 5.30 FK Prob Morgenstren Price problem 2a
Lampiran 5.31 FK Prob Bishop Monte problem 2a
Lampiran 5.32 FK Prob Janbu Monte problem 2a

Lampiran 5.33 FK Prob GLE Monte problem 2a

Lampiran 5.34 Sentivity Bishop Problem 2a
Lampiran 5.35 Sentivity Janbu Problem 2a
Lampiran 5.36 Sentivity GLE Problem 2a
Lampiran 5.37 Sentivity Plot Bishop Problem 2a
Lampiran 5.38 Sentivity Plot Janbu Problem 2a
Lampiran 5.39 Sentivity Plot GLE Problem 2a

Lampiran 5.40 Dimensi Lereng Problem 2b

Lampiran 5.41 Histogram Bishop Problem 2b
Lampiran 5.42 Histogram Janbu Problem 2b
Lampiran 5.43 Histogram GLE Problem 2b
Lampiran 5.44 Histogram Bishop Monte Problem 2b
Lampiran 5.45 Histogram Janbu Monte Problem 2b
Lampiran 5.46 Histogram GLE Monte Problem 2b
Lampiran 5.47 FK Prob Bishop problem 2b
Lampiran 5.48 FK Prob Janbu problem 2b
Lampiran 5.49 FK Prob GLE problem 2b
Lampiran 5.50 FK Prob Bishop Monte problem 2b
Lampiran 5.51 FK Prob Janbu Monte problem 2b
Lampiran 5.52 FK Prob GLE Monte problem 2b
Lampiran 5.53 Sentivity Bishop Problem 2b
Lampiran 5.54 Sentivity Janbu Problem 2b
Lampiran 5.55 Sentivity GLE Problem 2b
Lampiran 5.56 Sentivity Plot Bishop Problem 2b
Lampiran 5.57 Sentivity Plot Janbu Problem 2b
Lampiran 5.58 Sentivity Plot GLE Problem 2b