Estimasi Biaya Proyek Peningkatan Jalan Aspal dengan Metode Artificial Neural Network

Muhammad Fadly Akbar, Ir. Tantri Nastiti Handayani, S.T., M.Eng., Ph.D.; Ir. Ashar Saputra, S.T., M.T., Ph.D., IPM., Asean.Eng.

2024 | Tesis | S2 Teknik Sipil

Estimasi biaya proyek merupakan salah satu langkah awal yang krusial dalam proyek konstruksi. Hal ini terjadi karena estimasi biaya merupakan dasar untuk setiap pengambilan keputusan dalam setiap fase siklus hidup proyek konstruksi. Pada tahap konseptual, estimasi biaya proyek dihadapkan dengan minimnya informasi yang ada. Selain itu, masih banyak subjektivitas pada pembuatan estimasi biaya konseptual sehingga menghasilkan nilai error yang tinggi. Penelitian ini bertujuan untuk membentuk suatu model estimasi biaya proyek peningkatan jalan aspal dengan metode Artificial Neural Network (ANN) yang memanfaatkan data historis yang ada dari proyek sebelumnya. 

Pada penelitian akan dilakukan pemodelan Artificial Neural Network (ANN) menggunakan 30 data proyek peningkatan jalan aspal di Indonesia yang akan dibagi menjadi 27 data pelatihan dan 3 data pengujian. Pada pemodelan ANN, variabel bebas (X) yang akan digunakan adalah berupa Indeks Kemahalan Konstruksi (IKK), Indeks Harga Perdagangan Besar (IHPB), serta dimensi dari beberapa item pekerjaan dan variabel terikat (Y) berupa biaya pekerjaan perkerasan aspal. Penentuan variabel bebas dilakukan menggunakan Cost Significant Item (CSI) untuk mengidentifikasi item pekerjaan yang berkontribusi 80% terhadap biaya pekerjaan perkerasan aspal. Pemodelan ANN dibuat dengan 3 skema, dengan masing-masing skema terdiri dari 3 variasi jumlah neuron pada hidden layer, yaitu sebanyak 15, 20, dan 25. Pemodelan ANN skema 1, 2, dan 3 terdiri variabel bebas berupa dimensi item pekerjaan yang memiliki persentase 81.04%, 93.94%, serta 96.64% terhadap biaya keseluruhan.

Pada seluruh skema, pemodelan ANN dengan Mean Average Percentage Error (MAPE) terbaik dihasilkan dari variasi 20 neuron pada hidden layer. Nilai MAPE terendah didapatkan dari pemodelan ANN skema 2 dengan nilai MAPE sebesar 1.53%. Kemudian, diikuti oleh pemodelan ANN skema 3 dengan nilai MAPE sebesar 2.17?n pemodelan ANN skema 1 dengan nilai MAPE sebesar 2.77%. Hasil dari penelitian ini dapat diterapkan untuk membantu proses estimasi biaya pada tahap konseptual serta menjadi kontrol terhadap pembuatan rencana anggaran biaya khususnya pada proyek peningkatan jalan aspal.

Cost estimation of a project is one of the crucial initial steps in a construction project. This is because cost estimation forms the basis for every decision-making process in each phase of the construction project's lifecycle. At the conceptual stage, project cost estimation faces the challenge of limited information. Additionally, there is still a significant amount of subjectivity in the creation of conceptual cost estimates, resulting in high error values. This research aims to develop a cost estimation model for asphalt road improvement projects using the Artificial Neural Network (ANN) method that utilizes historical data from previous projects.

In this research, ANN modeling will be conducted using data from 30 asphalt road improvement projects in Indonesia, which will be divided into 27 training data sets and 3 testing data sets. In ANN modeling, the independent variables (X) to be used include the Construction Cost Index (CCI), Wholesale Price Index (WPI), as well as dimensions of several work items, while the dependent variable (Y) is the cost of asphalt paving work. The selection of independent variables is done using the Cost Significant Item (CSI) method to identify work items that contribute 80% to the cost of asphalt paving work. The ANN modeling will be carried out with 3 schemes, each consisting of 3 variations in the number of neurons in the hidden layer, namely 15, 20, and 25 neurons. ANN modeling schemes 1, 2, and 3 consist of independent variables representing work item dimensions with percentages of 81.04%, 93.94%, and 96.64% of the total costs, respectively.

In all schemes, the ANN modeling with the best Mean Average Percentage Error (MAPE) was achieved with the variation of 20 neurons in the hidden layer. The lowest MAPE value was obtained from ANN modeling scheme 2 with a MAPE value of 1.53%. This was followed by ANN modeling scheme 3 with a MAPE value of 2.17% and ANN modeling scheme 1 with a MAPE value of 2.77%. The results of this research can be applied to assist the cost estimation process at the conceptual stage and serve as a control for budget planning, especially for asphalt road improvement projects.

Kata Kunci : Artificial Neural Network (ANN), Cost Significant Item (CSI), estimasi biaya konseptual, Indeks Kemahalan Konstruksi (IKK), Indeks Harga Perdagangan Besar (IHPB)