Anda di halaman 1dari 17

Konferensi Nasional Teknik Jalan ke-9

APLIKASI TEKNIK PEMODELAN ARTIFICIAL NEURAL NETWORK DAN POTENSI IMPLEMENTASINYA PADA PENYELENGGARAAN JALAN DAN JEMBATAN DI INDONESIA

APLIKASI TEKNIK PEMODELAN ARTIFICIAL NEURAL NETWORK


DAN POTENSI IMPLEMENTASINYA PADA PENYELENGGARAAN
JALAN DAN JEMBATAN DI INDONESIA
Deni Wiharjito, ST., M.MT
Kegiatan Pelaksanaan Jalan Bebas Hambatan Tanjung Priok E2,
Balai Besar Pelaksanaan Jalan Nasional IV, Ditjen. Bina Marga, Kementerian PU
E-mail: deni_wbm@yahoo.co.id

Abstrak
Penyelenggara jalan dan jembatan di Indonesia saat ini mengalami tantangan yang semakin berat
dari hari ke hari dengan berbagai permasalahannya yang kompleks, dalam menghadapinya
diperlukan pengambilan keputusan secara cepat dan tepat, bila diperlukan maka dikembangkanlah
suatu model yang mampu merepresentasikan realita yang ada. Salah satu alternatif pendekatan
teknik pemodelan tingkat lanjut saat ini adalah Artificial Neural Network (ANN), teknik ini terbukti
sesuai untuk memodelkan permasalahan yang kompleks dimana hubungan antara variabel pada
model tidak diketahui secara pasti. Selama beberapa tahun terakhir, aplikasi ANN telah meningkat di
berbagai bidang keilmuan, juga termasuk bidang engineering. Saat ini ANN secara khusus telah
diaplikasikan pada bidang jalan dan jembatan dengan tingkat keberhasilan yang memuaskan. Makalah ini
memberikan pandangan umum kepada masyarakat bidang jalan dan jembatan yang tidak terbiasa
dengan ANN, juga untuk menjelaskan hal-hal yang berhubungan dengan ANN beserta beberapa
aplikasinya pada bidang jalan dan jembatan di Indonesia. Diharapkan pembahasan ini dapat menarik
minat para pemangku kepentingan, para ahli, serta para praktisi di bidang jalan dan jembatan untuk
memberikan perhatian yang lebih pada teknik yang menjanjikan ini. Pada bagian akhir dibahas potensi
implementasi ANN pada penyelenggaraan jalan dan jembatan di Indonesia.
Kata kunci: Artificial Neural Network, jalan dan jembatan

1. Latar Belakang
Jalan merupakan salah satu prasarana transportasi yang berfungsi sebagai urat nadi kehidupan
masyarakat, mempunyai peranan penting untuk pengembangan kehidupan berbangsa dan bernegara,
sehingga jalan mempunyai peranan mewujudkan sasaran pembangunan berupa pemerataan
pembangunan beserta hasil-hasilnya, pertumbuhan ekonomi, dan perwujudan keadilan sosial bagi seluruh
masyarakat Indonesia (UU No.38/2004). Jembatan berfungsi sebagai jalan untuk menghubungkan dua
lokasi yang terpisah karena kondisi alam atau sebab lainnya, meski total panjang seluruh jembatan di
Indonesia sangat kecil sekali bila dibandingkan dari total panjang jalan, tapi keberadaan jembatan sangat
penting karena jika terputus akan memberikan hambatan yang sangat tinggi dan nilai investasinya besar.
Menyadari peran dan fungsi dari jalan dan jembatan yang vital seperti tersebut di atas, maka
tanggung jawab yang diemban penyelenggara jalan dan jembatan di Indonesia pastilah sangat
besar. Penyelenggara jalan dan jembatan di Indonesia saat ini mengalami tantangan yang semakin
berat dari hari ke hari dengan berbagai permasalahannya yang kompleks, dalam menghadapinya
diperlukan pengambilan keputusan secara cepat dan tepat, bila diperlukan maka dikembangkanlah
suatu model yang mampu merepresentasikan realita yang ada, biasanya berdasarkan cara-cara
konvensional yaitu dengan bantuan matematika dan statistik. Salah satu alternatif pendekatan teknik
pemodelan tingkat lanjut saat ini adalah Artificial Neural Network (ANN), teknik ini terbukti sesuai
untuk memodelkan permasalahan yang kompleks dimana hubungan antara variabel pada model
tidak diketahui secara pasti. Selama beberapa tahun terakhir, aplikasi ANN telah meningkat di berbagai
bidang keilmuan, juga termasuk bidang engineering. Saat ini ANN secara khusus telah diaplikasikan pada
bidang jalan dan jembatan dengan tingkat keberhasilan yang memuaskan.

Halaman

Konferensi Nasional Teknik Jalan ke-9


APLIKASI TEKNIK PEMODELAN ARTIFICIAL NEURAL NETWORK DAN POTENSI IMPLEMENTASINYA PADA PENYELENGGARAAN JALAN DAN JEMBATAN DI INDONESIA

Makalah ini bermaksud untuk memberikan pandangan umum kepada masyarakat bidang jalan
dan jembatan yang tidak terbiasa dengan ANN, juga untuk menjelaskan hal-hal yang berhubungan
dengan ANN beserta beberapa aplikasinya pada bidang jalan dan jembatan di Indonesia. Diharapkan
pembahasan ini dapat menarik minat para pemangku kepentingan, para ahli, dan para praktisi di bidang
jalan dan jembatan untuk memberikan perhatian lebih pada teknik yang menjanjikan ini. Selain itu juga
dibahas potensi implementasi ANN pada penyelenggaraan jalan dan jembatan di Indonesia.

2. Artificial Neural Network


Artificial Neural Network (ANN) atau dalam istilah bahasa Indonesia dikenal sebagai Jaringan
Syaraf Tiruan, merupakan model sistem pemrosesan informasi yang berdasarkan pada struktur jaringan
syaraf di otak, cara kerjanya adalah belajar dari pengalaman. Model sistem yang menyerupai otak ini
menjanjikan teknik yang lebih sederhana untuk mencari solusi terbaik, metode perhitungan yang
terinspirasi dari jaringan syaraf biologi ini merupakan tingkat lanjut di bidang komputasi. Tetapi perlu
ditekankan bahwa metode tersebut hanya menyerupai otak saja bukan merupakan kemampuan otak
sebenarnya, karena bahkan fungsi dari kemampuan otak hewan sederhana tidak mungkin untuk dibuat
oleh komputer. Komputer mampu menghapalkan segala sesuatunya dengan baik, begitu juga dengan
melakukan perhitungan matematika yang kompleks, tetapi komputer kesulitan untuk mengenali pola
walaupun yang sederhana sekalipun. Sehingga komputer tidak mampu melakukan generalisasi pola pada
masa lampau untuk digunakan pada masa yang akan datang.
2.1. Konsep Dasar
Penelitian biologi lanjut saat ini menjanjikan sebuah pemahaman awal dari mekanisme pemikiran
alam, dari penelitian tersebut menunjukkan bahwa otak menyimpan informasi sebagai pola, dimana
beberapa pola tersebut sangat rumit dan memberikan kita kemampuan untuk mengenali wajah seseorang
dari berbagai sudut pandang yang berbeda. Menggunakan pola untuk melakukan pemecahan masalah
merupakan cara baru di bidang komputasi. ANN belajar dari sekumpulan data yang diberikan dan
menggunakan data tersebut untuk melakukan penyesuaian pada bobot-bobotnya agar dapat menangkap
hubungan antara variabel input dengan variabel output. Dengan kondisi ini, maka ANN tidak memerlukan
pengetahuan terlebih dahulu tentang hubungan antara variabel input dengan variabel output, yang mana
hal ini merupakan salah satu keuntungan dari ANN dibandingkan dengan metode matematika dan statistik
(metode konvensional). Sehingga dapat dikatakan bahwa kualitas model ANN sangat dipengaruhi oleh
data-data yang diberikan, bila tidak hati-hati dalam memasukkan data yang akan digunakan dalam
pengembangan model maka akan dikenal istilah garbage in-garbage out.
2.2. Proses Kerja
Dasar proses kerja elemen dari ANN merupakan simulasi neuron biologis yang terdiri dari
dendrit, soma, akson, dan sinapsis. Neuron biologis melakukan empat kegiatan dasar, yaitu menerima
input dari beberapa sumber, lalu mengkombinasikan input tersebut, kemudian melakukan sebuah operasi
pada input untuk menghasilkan output, dan terakhir menyampaikan hasil output tersebut ke neuron yang
lain (Anderson, D. and McNeil, G., 1992). ANN sendiri terdiri dari beberapa artificial neuron.
Sinapsis

Soma
Akson

Myelin pelindung

Nukleus

Dendrit

Gambar 1. Representasi Neuron Biologis

Halaman

Konferensi Nasional Teknik Jalan ke-9


APLIKASI TEKNIK PEMODELAN ARTIFICIAL NEURAL NETWORK DAN POTENSI IMPLEMENTASINYA PADA PENYELENGGARAAN JALAN DAN JEMBATAN DI INDONESIA

Gambar 2. Artificial Neuron


Gambar 1 memperlihatkan representasi dasar neuron biologis dan Gambar 2 memperlihatkan
artificial neuron. Terlihat pada Gambar 2 bahwa berbagai input (x1, x2, ..., xn) dan bias, b diberikan ke
dalam jaringan, kemudian input tersebut dikalikan dengan bobot koneksi, (w1, w2, ..., wn). Hasil perkalian
yang ada dijumlahkan sesuai persamaan 1 dan kemudian dilakukan proses melalui sebuah fungsi aktivasi
seperti persamaan 2 untuk mendapatkan sebuah output, y.
n

y_in w ij x ij b b j ; j 1,..., m
i 1

y (y_in)

...(1)
...(2)

Terdapat beberapa macam fungsi aktivasi yang biasa digunakan untuk mengembangkan model
ANN, tetapi dari pengalaman didapatkan bahwa fungsi aktivasi sigmoid atau tangent hyperbolic dapat
digunakan untuk mendekati fungsi kontinu/menerus apapun:
a. Fungsi Sigmoid Binner:
Nilai output pada interval 0 sampai 1, juga bisa digunakan untuk nilai output 0 atau 1, sesuai
persamaan 3 dan Gambar 3.

y f ( x)

1
1 ex

...(3)

y
1

x
0
Gambar 3. Fungsi Sigmoid Binner
b. Fungsi Sigmoid Bipolar:
Nilai output pada interval 1 sampai 1, sesuai persamaan 4 dan Gambar 4.

y f (x)

1 e x
2

1
x
1 e
1 e x

...(4)

Halaman

Konferensi Nasional Teknik Jalan ke-9


APLIKASI TEKNIK PEMODELAN ARTIFICIAL NEURAL NETWORK DAN POTENSI IMPLEMENTASINYA PADA PENYELENGGARAAN JALAN DAN JEMBATAN DI INDONESIA

y
1
x

0
-1

Gambar 4. Fungsi Sigmoid Bipolar


c. Fungsi Hyperbolic Tangent:
Nilai output pada interval 1 sampai 1, sesuai persamaan 5 dan Gambar 5.

e x e x
y f (x) x
e e x

...(5)

y
1
x

0
-1

Gambar 5. Fungsi Hyperbolic Tangent


2.3. Arsitektur Jaringan
Hubungan antar neuron dalam ANN mengikuti pola tertentu tergantung pada arsitekturnya dan
berhubungan dengan algoritma pembelajaran yang digunakan untuk melatih jaringan. Arsitektur jaringan
ANN untuk pemodelan pada umumnya merupakan Multi-Layer Perceptron (MLP), memiliki satu atau lebih
hidden layer (lapisan tersembunyi) terletak di antara layer input dan layer output dengan bobot-bobot
terhubung seperti diilustrasikan Gambar 6. Kelebihan dari MLP yaitu efektif pada permasalahan yang
kompleks, memiliki kemampuan interpolasi dan generalisasi yang baik, serta dapat mengklasifikasikan
data menerus. Kelemahan yang utama pada MLP adalah tidak terjaminnya untuk menemukan solusi
global terbaik dalam waktu singkat.
bias 1

Input 2:

x1

x2

z1

y1

Output 1

y2

Output 2

yn

.. .

.. .

.. . . .

.. . . .

.. . . .

zn
Input m:

Matrik bobot hidden layer ke output layer (vij)

Input 1:

Matrik bobot input layer ke hidden layer (wij)

bias 2

Output n

Output layer

xm
Hidden layer
Input layer

Gambar 6. ANN Multi-Layer Perceptron

Halaman

Konferensi Nasional Teknik Jalan ke-9


APLIKASI TEKNIK PEMODELAN ARTIFICIAL NEURAL NETWORK DAN POTENSI IMPLEMENTASINYA PADA PENYELENGGARAAN JALAN DAN JEMBATAN DI INDONESIA

2.4. Proses Training


Proses training/pelatihan/belajar yang dimaksud adalah optimasi bobot koneksi dengan
menggunakan suatu algoritma training untuk meningkatkan performa ANN dengan berangsur-angsur
merubah setiap bobot koneksi yang terdapat pada jaringan melalui proses perhitungan iterasi yang
dilakukan sampai tidak ada lagi peningkatan performa lebih lanjut yang dicapai, bertujuan mencari solusi
optimal yang biasanya merupakan permasalahan optimasi nonlinier, ilustrasi kondisi ini diperlihatkan
Gambar 7. Proses optimasi bobot koneksi biasa dikenal sebagai kalibrasi model, ekivalen dengan fase
estimasi parameter pada model statistik konvensional.
14.0

Error

12.0

Solusi sub optimal

10.0

8.0
Error
6.0

4.0

w0

Bobot

-2.000

-1.000

0.000

1.000

2.000

3.000

4.000

5.000

6.000
6.000

5.000

4.000

3.000

2.000

1.000

0.000

-1.000

W2

-2.000

-3.000

0.0

-3.000

2.0

Solusi optimal

w*

W1

Gambar 7. Error Dalam Pencarian Solusi Optimal


2.5. Pemodelan ANN
Dalam mengembangkan model ANN diperlukan langkah-langkah yang sistematis untuk
mendapatkan model dengan performa yang baik. Langkah-langkah yang dimaksud yaitu menentukan
variabel input-output, divisi data, pra pemrosesan data, menentukan arsitektur jaringan, inisiasi bobot
koneksi, menentukan kriteria performa, pemilihan metode optimasi pada proses training, kriteria berhenti,
dan analisa sensitifitas. Langkah-langkah tersebut dijelaskan pada sub bagian berikut.
2.5.1. Menentukan Variabel Input-Output
Langkah penting pertama dalam mengembangkan model ANN adalah memilih variabel input
yang memiliki pengaruh yang paling signifikan terhadap performa output dari model. Variabel input dalam
jumlah banyak akan memperbesar ukuran jaringan, yang akan berakibat pada penurunan kecepatan
proses training dan penurunan efisiensi jaringan.
2.5.2. Divisi Data
Model ANN dapat melakukan geralisasi berupa interpolasi nonlinier sesuai data input-output
yang ada. Tidak seperti metode statistik konvensional, ANN secara umum memiliki nilai parameter yang
lebih banyak berupa bobot koneksi sehingga dapat terjadi overfitting pada data training, terutama jika data
training memiliki gangguan (noise). Dengan kata lain proses kalibrasi lebih akan menuju proses
mengingat daripada generalisasi. Untuk mengatasi kondisi ini maka diperlukan proses validasi untuk
memastikan model mampu melakukan generalisasi sesuai rentang data yang digunakan dalam proses
kalibrasi. Sehingga dalam suatu data set yang akan digunakan dalam mengembangkan model ANN perlu
dilakukan divisi data menjadi tiga sub-set data, yaitu data training, data validasi, dan data testing. Data
training digunakan untuk menyesuaikan bobot koneksi, data validasi digunakan untuk mengontrol error

Halaman

Konferensi Nasional Teknik Jalan ke-9


APLIKASI TEKNIK PEMODELAN ARTIFICIAL NEURAL NETWORK DAN POTENSI IMPLEMENTASINYA PADA PENYELENGGARAAN JALAN DAN JEMBATAN DI INDONESIA

yang terjadi saat proses training, sedangkan data testing digunakan untuk mengecek kemampuan ANN
dalam melakukan generalisasi. Cara pembagian divisi data dapat mempengaruhi secara signifikan hasil
yang pemodelan, karena ANN memiliki kesulitan dalam melakukan ekstrapolasi di luar rentang data yang
digunakan dalam kalibrasi model maka nilai minimum dan maksimum pada data input-output harus masuk
di dalam data training dan data validasi. Prinsip divisi data diilustrasikan pada Gambar 8, titik kotak hitam
mewakili data training dan validasi, sedangkan titik kotak putih mewakili data testing.

Gambar 8. Prinsip Divisi Data


2.5.3. Pra Pemrosesan Data
Langkah berikutnya adalah melakukan pra pemrosesan data menjadi bentuk yang tepat sebelum
diaplikasikan pada ANN. Pra pemrosesan data dilakukan untuk memastikan semua data menerima
perhatian yang sama selama proses training, serta dapat mempercepat proses training. Data output harus
diskalakan sesuai dengan fungsi aktivasi yang digunakan pada output layer, sedangkan untuk data input
tidak perlu dilakukan tapi selalu disarankan untuk juga dilakukan. Untuk merubah menjadi rentang nilai
skala antara 0 sampai 1 digunakan persamaan 6, sedangkan untuk merubah menjadi rentang nilai skala
antara 1 sampai 1 sesuai persamaan 7.
x = (Xdata Xmin) / (Xmax Xmin)
x = [ 2 (Xdata Xmin) / (Xmax Xmin) ] 1

...(6)
...(7)

2.5.4. Arsitektur Jaringan


Menentukan arsitektur jaringan merupakan salah satu kegiatan yang paling utama dan sulit
dalam mengembangkan model ANN, yaitu penentuan jumlah layer dan jumlah neuron pada setiap layer.
Tetapi tidak ada satupun teori yang dapat menjelaskan untuk menentukan arsitektur jaringan yang
optimal, biasanya arsitektur jaringan didapat dengan menentukan jumlah layer dan jumlah neuron pada
setiap layer. Jaringan dengan lebih dari satu hidden layer dapat memperbesar ukuran jaringan yang
berakibat pada penurunan kecepatan proses training serta tidak akan menemukan solusi umum, tetapi
menjadi terlalu spesifik atau overtraining.
2.5.5. Inisiasi Bobot
Inisiasi/pemilihan bobot awal sangat mempengaruhi ANN dalam mencapai minimum global atau
mungkin hanya minimum lokal terhadap nilai error pada saat dilakukan proses training, selain itu juga
berpengaruh juga terhadap durasi proses proses training untuk mencapai konvergensi. Dengan
mengubah bobot awal maka titik start error saat melakukan pemodelan dapat dimodifikasi, konsep ini
diperlihatkan pada Gambar 9. Pada kondisi A, hasil final dari pemodelan akan memberikan solusi sub
optimal, sedangkan pada kondisi B akan tercapai solusi optimal. Inisiasi bobot awal menggunakan
bilangan acak antara 0 sampai 1, dimana untuk masing-masing arsitektur jaringan dicoba dengan
beberapa macam bobot awal acak.

Halaman

Konferensi Nasional Teknik Jalan ke-9


APLIKASI TEKNIK PEMODELAN ARTIFICIAL NEURAL NETWORK DAN POTENSI IMPLEMENTASINYA PADA PENYELENGGARAAN JALAN DAN JEMBATAN DI INDONESIA

Kondisi A
Titik start

Kondisi B

Solusi sub optimal

Solusi optimal

Error

Error

Titik start

Bobot

Bobot

Gambar 9. Pengaruh Perubahan Bobot Awal


2.5.6. Kriteria Performa
Untuk mengukur performa model diperlukan penetapan kriteria performa sebelumnya, berfungsi
untuk mengukur ketepatan model dalam memprediksi suatu keadaan. Beberapa kriteria performa yang
ada antara lain:
Mean Absolute Error (MAE) / Mean Absolute Deviation (MAD);
Mean Squared Error (MSE);
Mean Absolute Percentage Error (MAPE) / Mean Magnitude of Relative Error (MMRE);
Root Mean Squared Error (RMSE);
Largest Absolute Percentage Error (LAPE);
Koefisien korelasi (r);
Koefisien determinasi (r2);
dan lain-lain.
Pada proses pemodelan ANN dapat digunakan hanya satu kriteria atau beberapa kriteria performa
digunakan secara bersamaan, tetapi secara umum digunakan kriteria performa lebih dari satu secara
bersamaan dalam usaha mencari nilai bobot koneksi yang seoptimal mungkin.
2.5.7. Algoritma Training
Algoritma training yang umum digunakan untuk proses training adalah algoritma
Backpropagation, yang terdiri dari metode Gradient Descent dan Gradient Descent With Momentum.
Proses perhitungan kedua metode ini terlalu lambat untuk menyelesaikan permalahan yang ada,
membutuhkan ratusan atau bahkan ribuan kali iterasi. Saat ini telah dikembangkan algoritma training
dengan performa lebih baik yang mampu mencapai kondisi konvergen antara 10 sampai 100 kali lebih
cepat daripada algoritma Backpropagation, antara lain:
algoritma Resilient Backpropagation;
algoritma Conjugate Gradient;
algoritma quasi-Newton;
algoritma Levenberg-Marquardt.
2.5.8. Kriteria Berhenti
Kriteria berhenti digunakan untuk memutuskan kapan saatnya menghentikan proses training
untuk mencegah terjadinya overtraining, selain itu juga untuk menentukan apakah model telah dilatih
secara optimal atau sub optimal, sebagai ilustrasi diperlihatkan Gambar 10. Metode penghentian awal
digunakan sebagai kriteria berhenti, proses pelatihan akan dihentikan ketika error pada proses validasi
akan mulai meningkat atau dengan kata lain meminimalkan error seluruh data set.

Halaman

Konferensi Nasional Teknik Jalan ke-9


APLIKASI TEKNIK PEMODELAN ARTIFICIAL NEURAL NETWORK DAN POTENSI IMPLEMENTASINYA PADA PENYELENGGARAAN JALAN DAN JEMBATAN DI INDONESIA

Titik optimal
proses training

Error

Validasi

Training

Iterasi proses training

Gambar 10. Titik Optimal Proses Training


2.5.9. Analisa Sensitifitas
Setelah model ANN berhasil dikembangkan dan diuji, langkah berikutnya adalah melakukan
analisa sensitifitas secara grafis dan analitis seperti sebagai berikut:
Analisa sensitifitas grafis berupa visualisasi plot 2 dimensi (2D) atau 3 dimensi (3D) dengan variabel
output sebagai sebuah fungsi dari setiap variabel input, dalam membuat grafik selain variabel yang
ditinjau menggunakan nilai rata-rata atau nilai tengah antara nilai minimum dan maksimum. Evaluasi
bertujuan untuk mengetahui pengaruh dari setiap variabel input terhadap output yang dihasilkan,
untuk kemudian memeriksa konsistensi logis pada kontinuitas hasil prediksi model terhadap teori atau
pengetahuan yang ada.
Analisa sensitifitas analitis berfungsi untuk mengetahui bobot relatif atau besar pengaruh setiap
variabel input terhadap output, sehingga dapat diketahui variabel input mana yang memiliki pengaruh
yang signifikan terhadap hasil prediksi. Untuk menganalisanya dapat menggunakan proses komputasi
bobot-bobot dalam hidden layer seperti yang diajukan oleh Garson (1991) atau Olden (2004) (Shahin
dkk, 2009).
2.6. Software
Pada proses training pasti terjadi perhitungan iterasi yang panjang dan melelahkan bila dilakukan
secara manual, apapun algoritma yang digunakan. Sehingga diperlukan bantuan software untuk
pelaksanaan perhitungan iterasi, beberapa software untuk tujuan tersebut sudah cukup banyak tersedia di
pasaran, diantaranya adalah:
Matlab dari The MathWorks, Inc.;
Neuro Solutions dari NeuroDimension, Inc.;
Visual Basic;
NeuroShell;
NeuralWorks Predict dari NeuralWare;
Microsoft Excel (add-in program Solver);
Neuframe dari Neurosciences Corp.;
dan lain-lain.
2.7. Perbandingan Metode Konvensional dengan ANN
Beberapa kelebihan dan kekurangan ANN dibandingkan dengan teknik pemodelan konvensional
matematika dan statistik, ditampilkan dalam Tabel 1 dan 2.
Tabel 1. Perbandingan Matematika dengan ANN
No.
1.
2.
3.
4.
5.

Matematika
Memerlukan asumsi untuk menyederhanakan
permasalahan yang akan dimodelkan (-)
Sering tidak mencapai hasil optimal (-)
Model bersifat statis (-)
Bila model memiliki nilai performa baik, akan
memberikan hasil prediksi yang konsisten (+)
Tidak ada masalah dengan ekstrapolasi (+)

Keterangan:
(+) = kelebihan

ANN
Tidak diperlukan asumsi apapun untuk
menyederhanakan permasalahan (+)
Berpeluang besar mencapai hasil optimal (+)
Model bersifat dinamis (+)
Walaupun model memiliki nilai performa baik,
diperlukan pemeriksanaan konsistensi hasil prediksi (-)
Memberikan performa terbaik saat tidak melakukan
ekstrapolasi (-)

(-) = kekurangan

Halaman

Konferensi Nasional Teknik Jalan ke-9


APLIKASI TEKNIK PEMODELAN ARTIFICIAL NEURAL NETWORK DAN POTENSI IMPLEMENTASINYA PADA PENYELENGGARAAN JALAN DAN JEMBATAN DI INDONESIA

Tabel 2. Perbandingan Statistik dengan ANN


No.
1.
2.

3.
4.
5.

Statistik
Memiliki struktur dan jumlah parameter model
tertentu yang berupa operasi linier dan nonlinier
terbatas, cenderung kaku (-)
Untuk permasalahan yang kompleks akan sulit
sekali menemukan model yang tepat karena
biasanya berupa permasalahan nonlinier bebas (-)
Terdapat standar pengembangan model (+)
Bila model memiliki nilai performa baik, akan
memberikan hasil yang konsisten (+)
Probabilistik (+)

Keterangan:
(+) = kelebihan

ANN
Secara umum memiliki struktur yang dapat diatur
sesuai kebutuhan dengan jumlah parameter lebih
banyak berupa bobot koneksi, lebih fleksibel (+)
Memiliki peluang jauh lebih besar untuk
mendapatkan hasil optimal pada permasalahan
kompleks yang umumnya bersifat nonlinier bebas
(+)
Tidak adanya standar pengembangan model (-)
Walaupun model memiliki nilai performa baik,
diperlukan pemeriksanaan konsistensi hasil (-)
Deterministik, untuk probabilistik diperlukan analisa
lebih lanjut yang rumit (-)

(-) = kekurangan

2.8. Hybrid Neural Network


Istilah hybrid berarti sesuatu yang berasal dari sumber yang bermacam-macam/heterogen, atau
terdiri dari elemen-elemen yang berbeda-beda. Untuk meningkatkan tingkat akurasi hasil prediksi dari
ANN, dibuatlah Hybrid Neural Network (HNN) yang biasanya merupakan hasil kombinasi dari ANN, Fuzzy
Logic, dan Evolutionary Algorithm. Fuzzy Logic berfungsi untuk menghadapi faktor ketidak pastian model,
sedangkan Evolutionary Algorithm merupakan metode optimasi global, yang paling dikenal adalah
Genetic Algorithm dan Simulated Annealing. Keuntungan metode optimasi global tersebut adalah
kemampuan untuk mencapai solusi optimal atau mendekati solusi optimal, tetapi kelemahannya adalah
proses komputasi yang lama untuk mencapai kondisi konvergen.

3. Aplikasi ANN pada Bidang Jalan dan Jembatan di Indonesia


ANN telah diaplikasikan pada bidang jalan dan jembatan di Indonesia walaupun masih pada
tahap awal, tulisan yang adapun masih sangat terbatas. Beberapa aplikasi yang ada diantaranya diulas
pada sub bagian berikut ini.
3.1. Perkiraan Profil Perkerasan
Siegfried (2009) mengaplikasikan metode ANN untuk memperkirakan profil sistem
perkerasan dengan menggunakan hasil pengujian FWD pada beberapa lokasi jalan di Jawa Barat.
Variabel input yang digunakan adalah: AREA, Area under Pavement Profile (AUPP), Area Index
(AI4), Base Curvature Index (BCI), Base Damage Index (BDI), dan Deflection Ratio (DR), dengan
variabel output tebal lapisan beraspal dan tebal lapisan granular. Untuk proses training menggunakan
algoritma Backpropagation. Plot hasil pelatihan dengan data pelatihan untuk lapisan beraspal dan
lapisan granular secara berturut-turut diperlihatkan pada Gambar 11 dan 12. Model ANN untuk
memperkirakan tebal lapisan beraspal dan tebal lapisan granular memiliki RMSE yang kecil yaitu
masing-masing 1,2% dan 2,24%. Perkiraan tebal lapisan beraspal memberikan grafik yang lebih
mendekati garis kesamaan (Gambar 11) dibandingkan dengan perkiraan untuk tebal lapisan
granular (Gambar 12).
Disimpulkan bahwa ANN dapat menjadi salah satu metode alternatif yang cepat dan efisien
dalam penentuan profil perkerasan, dimana aplikasi ANN ini dalam sistem manajemen
pemeliharaan jalan bisa menghemat biaya dan waktu bila dibandingkan dengan metode
konvensional yang ada seperti test pit dan core drill.

Halaman

Konferensi Nasional Teknik Jalan ke-9


APLIKASI TEKNIK PEMODELAN ARTIFICIAL NEURAL NETWORK DAN POTENSI IMPLEMENTASINYA PADA PENYELENGGARAAN JALAN DAN JEMBATAN DI INDONESIA

Gambar 11. Hasil Pelatihan vs Data Pelatihan untuk Lapisan Beraspal

Gambar 12. Hasil Pelatihan vs Data Pelatihan untuk Lapisan Granular


3.2. Estimasi Biaya Konseptual Proyek Konstruksi Jalan
Indra Cahya Kusuma (2009) mengembangkan model ANN untuk estimasi biaya konseptual
proyek konstruksi jalan, berdasarkan data-data penanganan jalan yang dilaksanakan oleh SNVT
Pembangunan Jalan dan Jembatan Propinsi Jawa Barat, Direktorat Jenderal Bina Marga yang terdiri dari
pembangunan jalan baru, penanganan periodik, serta pelebaran dan peningkatan jalan. Variabel input
yang digunakan adalah tahun awal pelaksanaan, durasi bulan pekerjaan, panjang perkerasan, lebar
perkerasan, tipe perkerasan, dan tipe terrain. Variabel output berupa besaran nilai proyek yang
dikerjakan.
Software yang digunakan untuk mengembangkan model ANN adalah Matlab versi 7.5 dan Visual
Basic dengan bahasa pemrograman C#. Model ANN terbaik memiliki bentuk arsitektur 6-6-1 (6 neuron
input, 6 neuron hidden layer, 1 neuron output) yang dikembangkan dengan software Visual Basic bahasa
pemrograman C#, algoritma Backpropagation metode Gradient Descent With Momentum. Hasil estimasi
memberikan MMRE sebesar 11,44% untuk seluruh data pelatihan dan pengujian, dengan tingkat
generalisasi yang baik. Plot data aktual (target) dengan data estimasi (output) diperlihatkan Gambar 13.

Halaman

10

Konferensi Nasional Teknik Jalan ke-9


APLIKASI TEKNIK PEMODELAN ARTIFICIAL NEURAL NETWORK DAN POTENSI IMPLEMENTASINYA PADA PENYELENGGARAAN JALAN DAN JEMBATAN DI INDONESIA

(Data training & testing) :


Perbandingan Target dan Output sistem

Biaya (Rp. Milyar)

100
Biaya Aktual

80

Biaya estimasi

60
40
20
0
0

Data ke-

10

15

20

Gambar 13. Plot Data Aktual (Target) Dengan Data Estimasi (Output)
Hasil analisa sensitifitas grafis pada Gambar 14 menunjukan bahwa perbedaan tahun awal
pelaksanaan pekerjaan dapat menyebabkan kenaikan biaya konstruksi. Hal tersebut dikarenakan pola
data yang dipelajari oleh ANN saat proses training. Pola tersebut berlaku sama untuk variabel-variabel
lainnya yaitu durasi pekerjaan, panjang perkerasan, dan lebar perkerasan untuk masing-masing tipe
konstruksi maupun tipe terrain. Setiap perubahan besaran variabel tersebut akan mempengaruhi kenaikan
estimasi biaya konstruksi. Hasil ini cukup common sense serta dapat diterapkan terhadap proyek
dengan ruang lingkup yang hampir serupa dengan proyek sejenis yang telah dilaksanakan.

tipe perk.1 - terrain 1


tipe perk.1 - terrain 2
Poly. (tipe perk.1 - terrain 1)
Poly. (tipe perk.1 - terrain 2)

tipe perk.2 - terrain 1


tipe perk.2 - terrain 2
Poly. (tipe perk.2 - terrain 1)
Poly. (tipe perk.2 - terrain 2)

tipe perk.1 - terrain 1


tipe perk.1 - terrain 2
Poly. (tipe perk.1 - terrain 1)
Poly. (tipe perk.1 - terrain 2)

70
R2 = 0.9986

R2 = 1

35
30

R2 = 0.9991

25

R2 = 1

20
15

R = 0.9997

10

Estimasi Biaya Konstruksi


(Rp.milyar)

Estimasi Biaya Konstruksi


(Rp.milyar)

40

60
50

R2 = 0.9994

40
30

R2 = 0.9999

20
R2 = 1
10

5
0

2004

2005

2006

2007

2008

1.2

2.9

4.5

Tahun

tipe perk.1 - terrain 1


tipe perk.1 - terrain 2
Poly. (tipe perk.1 - terrain 1)
Poly. (tipe perk.1 - terrain 2)

6.1

7.8

9.4

11.0

12.7

14.3

15.9

Durasi (bln)

tipe perk.1 - terrain 1


tipe perk.1 - terrain 2
Poly. (tipe perk.1 - terrain 1)
Poly. (tipe perk.1 - terrain 2)

tipe perk.2 - terrain 1


tipe perk.2 - terrain 2
Poly. (tipe perk.2 - terrain 1)
Poly. (tipe perk.2 - terrain 2)

70

tipe perk.2 - terrain 1


tipe perk.2 - terrain 2
Poly. (tipe perk.2 - terrain 1)
Poly. (tipe perk.2 - terrain 2)

70

60

R2 = 0.9994

Estimasi Biaya Konstruksi


(Rp.milyar)

Estimasi Biaya Konstruksi


(Rp.milyar)

tipe perk.2 - terrain 1


tipe perk.2 - terrain 2
Poly. (tipe perk.2 - terrain 1)
Poly. (tipe perk.2 - terrain 2)

60

R2 = 0.9996

50

50

R2 = 0.9992

R2 = 0.9997

40

40
30

R2 = 0.9999

30

R2 = 0.9996

20

20
2

R = 0.9997

10

R2 = 0.9993

10
0

0
0.7

2.0

3.2

4.5

5.7

7.0

8.2

Panjang Perkerasan (km)

9.5

10.7

12.0

6.0

6.9

7.8

8.8 9.7 10.6 11.5 12.4 13.3 14.3


Lebar Perkerasan (m)

Gambar 14. Analisa Sensitifitas Grafis ANN untuk Estimasi Biaya Konseptual Proyek Konstruksi Jalan
American Association of Cost Engineering, AACE (1997) menyatakan bahwa pada tahap
konseptual toleransi tingkat ketelitian estimasi diharapkan berkisar antara -30% sampai +50%, sehingga
dapat dinyatakan bahwa model ANN untuk estimasi biaya konseptual tersebut dapat diterima.

Halaman

11

Konferensi Nasional Teknik Jalan ke-9


APLIKASI TEKNIK PEMODELAN ARTIFICIAL NEURAL NETWORK DAN POTENSI IMPLEMENTASINYA PADA PENYELENGGARAAN JALAN DAN JEMBATAN DI INDONESIA

3.3. Pengaruh Pelaksanaan Konstruksi Pada Daya Dukung Selimut Pondasi Tiang Bor Jembatan
Deni Wiharjito (2010) mengembangkan model pengaruh pelaksanaan konstruksi terhadap daya
dukung selimut pondasi tiang bor diameter besar pada tanah ekspansif dengan pendekatan ANN,
berdasarkan data uji beban pondasi tiang bor Jembatan Suramadu Bentang Tengah. Dari hasil simulasi
didapatkan model ANN 9-2-1 (9 neuron input, 2 neuron hidden layer, 1 neuron output) memiliki
kemampuan optimal dengan MAPE sebesar 7% dan r2 sebesar 0,900 dimana model memiliki kemampuan
generalisasi yang baik seperti tampak pada hasil prediksi untuk data testing. Kemampuan model
diperlihatkan pada Gambar 15.
3,600
Data training
Data validasi

3,300

Data testing
Equal line
Error +10%

3,000

ANN: Qs (ton)

Error -10%
2,700

2,400

2,100

Semua data
Data training
Data validasi
Data testing

1,800

1,500
1,500

1,800

2,100

2,400

2,700

MAPE
7.0%
7.5%
4.1%
7.4%
3,000

R2
0.900
0.935
1.000
1.000
3,300

3,600

Data: Qs (ton)

Gambar 15. Scatter Plot Kemampuan Model ANN Daya Dukung Selimut
Sebagai perbandingan dengan teknik pemodelan konvensional, output analisa dengan regresi
linier dengan software Minitab terlihat pada Gambar 16, beberapa koefisien variabel input yang memiliki
tanda positif/negatif yang tidak sesuai dengan hasil studi terdahulu yaitu N-spt rata-rata selimut tiang (Ns)
bertanda negatif yang seharusnya positif, umur tiang (U) bertanda negatif yang seharusnya positif, dan
specific gravity bentonite slurry setelah proses pembersihan lubang bor (SG) bertanda positif yang
seharusnya negatif. Dengan kondisi ini dinyatakan pendekatan regresi linier gagal memodelkan daya
dukung selimut, dikarenakan oleh model daya dukung selimut bersifat nonlinier dan kompleks.
Dari hasil analisa sensitifitas grafis 2 dimensi (2D) dan 3 dimensi (3D) didapatkan bahwa daya
dukung selimut untuk kondisi sebelum dan setelah grouting meningkat sejalan dengan perubahan jenis
tanah dari clay-shale menjadi sand, peningkatan nilai N-spt rata-rata selimut tiang, peningkatan panjang
tiang tertanam, peningkatan diameter tiang, dan peningkatan umur tiang. Selain itu terlihat bahwa daya
dukung selimut untuk kondisi sebelum dan setelah grouting menurun sejalan dengan peningkatan durasi
pelaksanaan konstruksi dan peningkatan specific gravity bentonite slurry. Penggunaan alat bor jenis
Auger menghasilkan daya dukung selimut yang lebih tinggi dibandingkan jenis RCD, selain itu juga terlihat
bahwa grouting dapat meningkatkan daya dukung selimut. Hasil analisa sensitifitas untuk kondisi sebelum
dan setelah grouting telah sesuai dengan teori rekayasa pondasi. Salah satu analisa sensitifitas grafis 3D
model daya dukung selimut ditampilkan pada Gambar 17.

Halaman

12

Konferensi Nasional Teknik Jalan ke-9


APLIKASI TEKNIK PEMODELAN ARTIFICIAL NEURAL NETWORK DAN POTENSI IMPLEMENTASINYA PADA PENYELENGGARAAN JALAN DAN JEMBATAN DI INDONESIA

Regression Analysis: Qs versus T, Ns, L, D, G, U, A, CD, SG


The regression equation is
Qs = - 41701 + 5228 T - 60.4 Ns + 58.2 L + 3304 D + 609 G - 8.5 U
+ 1111 A - 4.41 CD + 31988 SG
Predictor
Constant
T
Ns
L
D
G
U
A
CD
SG
S = 187.4

Coef
-41701
5228
-60.40
58.22
3304.3
608.6
-8.51
1110.8
-4.409
31988

SE Coef
12962
1530
21.63
23.44
556.8
401.0
11.58
464.4
2.440
10450

R-Sq = 97.0%

T
-3.22
3.42
-2.79
2.48
5.93
1.52
-0.73
2.39
-1.81
3.06

P
0.032
0.027
0.049
0.068
0.004
0.204
0.503
0.075
0.145
0.038

R-Sq(adj) = 90.3%

Analysis of Variance
Source
Regression
Residual Error
Total

DF
9
4
13

SS
4584926
140443
4725368

MS
509436
35111

F
14.51

P
0.010

Gambar 16. Output Analisa Regresi Linier Daya Dukung Selimut dengan Software Minitab

Gambar 17. Analisa Sensitifitas Grafis 3D Model Daya Dukung Selimut Sebelum Grouting (G = 0) dan
Jenis Alat Bor RCD (A = 0)

Halaman

13

Konferensi Nasional Teknik Jalan ke-9


APLIKASI TEKNIK PEMODELAN ARTIFICIAL NEURAL NETWORK DAN POTENSI IMPLEMENTASINYA PADA PENYELENGGARAAN JALAN DAN JEMBATAN DI INDONESIA

Hasil analisa sensitifitas analitis dengan metode Garson (1991) disajikan dalam Gambar 18,
dimana bobot relatif terbesar dimiliki oleh variabel diameter tiang (D) dengan mendominasi pengaruh
terhadap daya dukung selimut sebesar 21,9%. Sedangkan bobot relatif untuk variabel lainnya relatif kecil
yang terdistribusi merata dengan nilai antara 6,4%-15,4%.
25%
21.9%
20%
15.4%
13.5%

15%

10.6%
10%

9.4%

8.5%

7.9%
6.5%

6.4%

SG

5%
0%
D

Ns

CD

Gambar 18. Bobot Relatif Model Daya Dukung Selimut


Dari hasil pemodelan ANN didapatkan bahwa pemilihan jenis alat bor yang tidak tepat, durasi
pelaksanaan konstruksi yang lama, serta banyak kandungan bentonite slurry pada lubang bor dapat
mereduksi daya dukung selimut. Model ANN ini dapat dijadikan sebagai salah satu acuan dalam
pelaksanaan pekerjaan konstruksi pondasi tiang bor serupa sehingga akan didapatkan daya dukung yang
optimal, pada akhirnya dapat mendorong sektor konstruksi yang lebih efisien, efektif dan bernilai tinggi
bagi kenyamanan lingkungan terbangun.

4. Potensi Implementasi ANN Pada Penyelenggaraan Jalan dan Jembatan di


Indonesia
Implementasi ANN sangat luas, sama seperti implementasi matematika dan statistik yang
diimplementasikan di berbagai bidang. Sehingga implementasi ANN pada penyelenggaraan jalan dan
jembatan di Indonesia juga memiliki potensi yang sangat besar, dimana sebagai teknik pemodelan tingkat
lanjut yang memiliki peluang besar memberikan model yang optimal dapat digunakan untuk memprediksi
suatu kondisi berdasarkan data-data historis. Karakteristik model dapat dipelajari untuk membantu
pemahaman kondisi yang ada.
Direktorat Jenderal Bina Marga sebagai salah satu ditjen teknis pada Kementerian Pekerjaan
Umum (PU) mempunyai tugas merumuskan serta melaksanakan kebijakan dan standardisasi teknis di
bidang bina marga/jalan dan jembatan. Dalam melaksanakan fungsinya sebagai penyelenggara jalan dan
jembatan memiliki siklus manajemen yang dimulai dari adanya perumusan kebijakan berupa konsep dan
asas yang menjadi pedoman dan dasar rencana dalam pelaksanaan suatu kegiatan. Lalu kebijakan
diterjemahkan menjadi perencanaan serta dilanjutkan menjadi prioritas program dan program tahunan
untuk kemudian dibuatkan usulan kebutuhan penganggaran beserta pengendalian anggarannya. Siklus
berlanjut menuju pembuatan desain untuk kemudian ditindak lanjuti dengan pengadaan tanah serta
pelaksanaan konstruksi. Setelah masa konstruksi berakhir maka dilanjutkan dengan kegiatan operasi dan
pemeliharaan, terakhir dilakukan evaluasi kinerja. Seluruh kegiatan tersebut dari perumusan kebijakan
sampai evaluasi kinerja dicatat menjadi suatu data base yang akan digunakan sebagai dasar perumusan
kebijakan serta seluruh kegiatan berikutnya. Siklus manajemen ini diperlihatkan pada Gambar 19. Seperti
telah dijelaskan, seluruh kegiatan pada siklus manajemen penyelenggaraan jalan dan jembatan dicatat
dan disimpan menjadi suatu data base, dimana data ini bila diperlukan dapat digunakan untuk
mengembangkan model ANN sehingga dapat dipelajari karakteristik permasalahan yang ada secara
mendalam dan komprehensif agar proses pengambilan keputusan menjadi lebih baik. Yang masih
menjadi kendala utama saat ini adalah lokasi data base yang masih belum terintegrasi seluruhnya,
beberapa data penting keberadaannya masih tersebar di satker-satker terkait, sehingga agak menyulitkan
pengumpulannya bila dibutuhkan dalam waktu singkat.

Halaman

14

Konferensi Nasional Teknik Jalan ke-9


APLIKASI TEKNIK PEMODELAN ARTIFICIAL NEURAL NETWORK DAN POTENSI IMPLEMENTASINYA PADA PENYELENGGARAAN JALAN DAN JEMBATAN DI INDONESIA

Kebijakan

Evaluasi

Perencanaan

Operasi &
Pemeliharaan

Program
DATA BASE

Penganggaran

Konstruksi
Pengadaan
Tanah

Desain

Gambar 19. Siklus Manajemen Penyelenggaraan Jalan dan Jembatan


Setiap tahapan kegiatan pada siklus manajemen tersebut sangat penting, karena
mempengaruhi tahapan selanjutnya secara langsung. Apalagi Direktorat Jenderal Bina Marga pada
kurun waktu 4 tahun terakhir ini memiliki anggaran tertinggi, sehingga kegagalan pencapaian target
penyerapan Direktorat Jenderal Bina Marga akan mempengaruhi juga target penyerapan Kementerian PU
secara signifikan. Gambar 20 memperlihatkan besarnya anggaran dan porsi anggaran Direktorat Jenderal
Bina Marga terhadap Kementerian PU tahun anggaran 2006-2011.

Gambar 20. Anggaran Direktorat Jenderal Bina Marga


Beberapa isu permasalahan utama pada pelaksanaan penyelenggaraan jalan dan jembatan di
Indonesia antara lain:
Masih banyaknya titik kemacetan lalu-lintas di perkotaan terutama di kota metropolitan seperti
Jakarta, Bandung, Semarang, Surabaya, Medan, Palembang, Denpasar, dan Makasar;
Masih dominannya hambatan penyediaan tanah;
Pembebanan berlebih (overloading) masih terjadi, terutama di lintas Pantura Jawa dan lintas
Timur Sumatera;
Meningkatkan/mempertahankan tingkat kenyamanan prasarana jalan dengan keterbatasan
alokasi pendanaan untuk penanganan jaringan jalan.
Untuk memecahkan masalah-masalah tersebut tentu bukan perkara yang mudah, karena tidak hanya
melibatkan personil di internal penyelenggara jalan dan jembatan, tapi juga memerlukan koordinasi lintas
instansi terkait dan juga berhubungan dengan masyarakat luas. Kerugian yang terjadi akibat masalahmasalah tersebut sebagian besar baru diketahui secara kualitatif ataupun bila diketahui secara kuantitatif
masih berdasarkan metode konvensional yang sub optimal. ANN dalam hal ini bila diperlukan dapat
berperan dengan memberikan estimasi nilai kuantitatif kerugian secara akurat, dan juga dapat diketahui
karakteristik permasalahan yang terjadi, serta dapat dipelajari variabel mana saja yang memberikan
pengaruh besar untuk kemudian ditindak lanjuti dengan mencari solusi yang tepat dalam menanganinya.

Halaman

15

Konferensi Nasional Teknik Jalan ke-9


APLIKASI TEKNIK PEMODELAN ARTIFICIAL NEURAL NETWORK DAN POTENSI IMPLEMENTASINYA PADA PENYELENGGARAAN JALAN DAN JEMBATAN DI INDONESIA

5. Kesimpulan
Dari pembahasan yang telah dilakukan seperti tersebut di atas, maka dapat ditarik beberapa
kesimpulan akhir sebagai berikut:
1) ANN merupakan salah satu teknik pemodelan kuantitatif yang berdasarkan suatu kumpulan data
untuk menentukan parameter model, secara umum memiliki struktur yang dapat diatur sesuai
kebutuhan dengan nilai parameter lebih banyak yang berupa bobot koneksi, kondisi ini membuat
model ANN lebih fleksibel dan memiliki peluang besar untuk mendapatkan hasil optimal pada
permasalahan kompleks yang umumnya bersifat nonlinier.
2) ANN telah diaplikasikan pada bidang jalan dan jembatan di Indonesia walaupun masih pada tahap
awal dan tulisan yang ada masih sangat terbatas. Pada makalah ini telah dibahas beberapa aplikasi
ANN yang meliputi Perkiraan Profil Perkerasan (Siegfried, 2009), Estimasi Biaya Konseptual
Proyek Konstruksi Jalan (Indra, 2009), dan Pengaruh Pelaksanaan Konstruksi Pada Daya
Dukung Selimut Pondasi Tiang Bor Jembatan (Wiharjito, 2010), dimana model ANN pada ketiga
tulisan tersebut berhasil dengan baik.
3) Implementasi ANN pada penyelenggaraan jalan dan jembatan di Indonesia memiliki potensi yang
sangat besar dan luas, diantaranya pada proses pengambilan keputusan sesuai siklus manajemen
penyelenggaraan jalan dan jembatan, selain itu sehubungan dengan beberapa isu permasalahan
utama dapat berperan untuk memberikan estimasi nilai kuantitatif kerugian secara akurat beserta
karakteristiknya untuk kemudian ditindak lanjuti dengan mencari solusi yang tepat dalam
menanganinya.

Daftar Pustaka
Anderson, D. and McNeil, G. (1992) Artificial Neural Networks Technology. 775 Daedalian Drive, Rome.
Demuth, H. and Beale, M. (1998) Neural Network Toolbox for Use in Matlab. MathWorks, Inc., USA.
Fausett, L. V. (1994) Fundamentals Neural Networks: Architecture, Algorithms, and Applications.
Prentice-Hall, Englewood Cliffs, N.J.
Garson, G. D. (1991) Interpreting neural-network connection weights. AI Expert, Vol. 6, No. 7.
Kusuma, I.C. (2009) Estimasi Biaya Konseptual Proyek Konstruksi Jalan Dengan Artificial Neural
Network Untuk Peningkatan Akurasi. Tesis. Fakultas Teknik Program Studi Teknik Sipil, Depok.
Neural Connection (1997) Neural Connection 2.0 Users Guide. SPSS Inc and Recognition Systems Inc.
USA.
Shahin, M.A., Jaksa, M.B., and Maier, H.R. (2009) Recent Advances and Future Challenges for Artificial
Neural Systems in Geotechnical Engineering Applications. Advances in Artificial Neural
Systems, Volume 2009, Article ID 308239.
Siegfried (2009) Perkiraan Profil Perkerasan Menggunakan Metoda Jaringan Syaraf Buatan. Kolokium
Hasil Penelitian dan Pengembangan Jalan dan Jembatan TA 2009. Pusat Penelitian dan
Pengembangan Jalan dan Jembatan, Bandung.
Undang-Undang Republik Indonesia Nomor 38 tahun 2004 tentang Jalan.
Wiharjito, D. (2010) Pemodelan Pengaruh Pelaksanaan Konstruksi Terhadap Daya Dukung Pondasi
Tiang Bor Diameter Besar Pada Tanah Ekspansif. Lomba Karya Tulis Konstruksi Indonesia
2010. Pusat Pembinaan Keahlian dan Teknik Konstruksi, Badan Pembinaan Konstruksi,
Kementerian PU, Jakarta.

Ucapan Terima Kasih


Syukur alhamdulillah Penulis ucapkan kepada Allah S.W.T. atas rahmat dan karunia-Nya sehingga dapat
menyelesaikan makalah ini. Terima kasih untuk istriku tercinta Nur Asri Amalria Shally, putraku tersayang
Muhammad Fahmi Niryandito, dan keempat orang tuaku yang telah memberikan motivasi dan semangat
untuk menyelesaikan makalah ini, serta para pimpinan dan rekan-rekan di lingkungan Kegiatan
Pelaksanaan Jalan Bebas Hambatan Tanjung Priok E2 dan di Satker atas dukungannya.

Halaman

16

Konferensi Nasional Teknik Jalan ke-9


APLIKASI TEKNIK PEMODELAN ARTIFICIAL NEURAL NETWORK DAN POTENSI IMPLEMENTASINYA PADA PENYELENGGARAAN JALAN DAN JEMBATAN DI INDONESIA

Biodata Penulis
Deni Wiharjito lahir di Surabaya tahun 1980. Setelah lulus dari SMU Negeri di Surabaya
pada tahun 1998, melanjutkan studi di Jurusan Teknik Sipil, Fakultas Teknik Sipil dan
Perencanaan (FTSP), Institut Teknologi Sepuluh Nopember (ITS) Surabaya yang
diselesaikan pada tahun 2003. Tahun 2006 menyelesaikan studi di Program Pascasarjana
ITS Surabaya pada Program Studi Magister Manajemen Teknologi (MMT) bidang keahlian
Manajemen Proyek.
Tahun 2003 bekerja pada Konsultan Perencanaan dan Supervisi, lalu tahun 2004 bekerja di Proyek Pembangunan
Jembatan Suramadu. Tahun 2005 diangkat menjadi CPNS Kementerian PU pada Satminkal Direktorat Jenderal
Bina Marga, ditempatkan di Induk Pembangunan Jembatan Suramadu. Tahun 2007 sampai 2009 ditempatkan di
Satuan Kerja Sementara Pembangunan Jembatan Nasional Suramadu Bentang Tengah. Pada awal tahun 2010
sampai dengan sekarang ditugaskan pada Kegiatan Pelaksanaan Jalan Bebas Hambatan Tanjung Priok Seksi E2.

Halaman

17