JURNAL TEKNIK SIPIL DAN MANAJEMEN

2009
15(4): 405–409

ESTIMASI BIAYA PRA RENCANA PROYEK JALAN KERETA API

PERKOTAAN DENGAN PEMODELAN PARAMETRIK

Rifat Sonmez1 and Bahadir Ontepeli2

1 Department of Civil Engineering, Middle East Technical University, Ankara, 06531 Turkey,
E-mail: rsonmez@metu.edu.tr
2Renaissance Construction, 110 Refik Belendir Sok., Ankara, 06540 Turkey
Received 18 Feb 2009; accepted 07 July 2009

Abstrak. Makalah ini memaparkan sebuah metode permodelan parametrik untuk estimasi biaya pra perencanaan dari sistem jalan kereta api
perkotaan. Data 13 light rail dan proyek metro terletak di turki telah dikumpulkan untuk kuantifikasi dari dampak parameter pada biaya proyek.
Model parametrik telah dikembangkan menggunakan analisis regresi dan teknik jaringan saraf. Sepuluh model regresi linier digunakan untuk
menentukan parameter secara signifikan mempengaruhi biaya proyek kereta api perkotaan. Dua jaringan saraf dianggap sebagai sebuah alternatif
untuk model regresi, terutama untuk identifikasi hubungan non-linier. Prediksi perilaku dan kinerja model ini dibandingkan untuk menentukan
model yang menyajikan hubungan yang memadai dan memiliki akurasi yang memadai. Metode yang diusulkan memberikan pendekatan yang kuat
untuk penentuan model biaya parametrik memuaskan selama tahap-tahap awal proyek dengan memasukkan penggunaan terkoordinasi analisis
regresi dan teknik jaringan syaraf tiruan.
Kata kunci: Pra estimasi biaya, proyek kereta api perkotaan, analisis regresi, jaringan saraf.

1. Pendahuluan
Biaya perkiraan mungkin diperlukan pada tahap awal
proyek, sebelum menyelesaikan desain rinci untuk beberapa
tujuan termasuk penganggaran dan keputusan kelayakan. Pra
estimasi biaya desain biasanya ditentukan oleh parametrik
permodelan teknik selama tahap awal proyek, sebagai
estimasi biaya rinci tidak dapat dilakukan. Pada pemodelan
parametrik, biaya proyek yang sama sebelumnya dan data
parameter penting berdampak biaya yang akan disusun. Data
ini digunakan untuk model variasi dalam biaya proyek
menggunakan parameter. Analisa regresi dan teknik jaringan
syaraf pemodelan secara umum diterapkan untuk kuantifikasi
dari dampak parameter biaya. Kunci kelayakan dan
penggaran keputusan dibuat berdasarkan dengan informasi
yang sangat terbatas
Studi pemodelan parametrik sebelumnya difokuskan pada estimasi
parameter biaya konstruksi untuk proyek bangunan dan jalan raya. Pra
estimasi biaya sistem kereta api perkotaan sangat penting terutama di
Eropa dimana light rail signifikan dan konstruksi metro diharapkan.
Dewan Pertimbangan Riset Kereta Api Eropa memperkirakan potensi
baru proyek light rail sebesar 30 miliar euro, dan proyek-proyek metro
baru 95 milyar euro selama 15 tahun kedepan di Eropa (Light ... 2004).
Potensi pertumbuhan baru proyek kereta api perkotaan lebih tinggi
terutama untuk negara berkembang seperti Turki. Tujuan utama dari
makalah ini adalah mengembangkan model parametrik untuk pra desain
estimasi biaya proyek kereta api perkotaan. Analisa regresi dan teknik
jaringan syaraf dimasukkan untuk mendapatkan model parametrik yang
memuaskan.

Model parametrik dikembangkan untuk estimasi biaya

konstrusi pra desain dalam beberapa penelitian. Ada analisis
regresi digunakan untuk estimasi biaya parametrik proyek
bangunan (Kouskoulas Dan Koehn 1974; Karshenas 1984;
Sonmez 2008). Jaringan syaraf telah diusulkan sebagai alternatif
analisis regresi untuk estimasi pra desain biaya proyek bangunan
(Gunaydin and Dogan 2004; Kim et al 2005.). Model parametrik
juga telah dikembangkan untuk estimasi biaya proyek jalan tol. 2. Data Proyek
Model jaringa neural dengan 10 parameter dilatih oleh data dari
14 proyek dan telah divalidasi dengan 4 proyek untuk pra Data 13 proyek kereta api perkotaan telah kemudian dikumpulkan
estimasi biaya proyek jalan tol (Hegazy and Ayed 1998). untuk mengembangkan model parametrik (Ontepeli 2005). Proyek-proyek
Keuntungan utama dari jaringan syaraf adalah kemampuan terdiri dari 8 metro dan 5 proyek light rail transit. Panjang sistem kereta
mereka mengidentifikasi hubungan antara parameter dan biaya. api perkotaan adalah antara 1,7-8,5 km. Proyek-proyek yang terletak di
Namun, model yang kompleks dikembangkan dengan data turki dan kontrak antara 1986-2005. Jumlah kontrak proyek telah
terbatas. Oleh karena itu, penggunaan terkoordinasi regresi dan meningkat untuk tahun 2005 adlah antara 50 juta sampai 820 juta TL (1
teknik jaringan saraf dapat mengakibatkan pengembangan model EUR = 2.11 TL). Jumlah kontrak tidak termasuk biaya rolling stock dan
parametrik memuaskan (Sonmez 2004). sistem elektro mekanis. Semua proyek terdiri dari sistem rel kereta api
jalur ganda.

405
JOURNAL OF CIVIL ENGINEERING AND MANAGEMENT ISSN 1392–3730 print / ISSN 1822–3605 online
http:/www.jcem.vgtu.lt DOI: 10.3846/1392-3730.2009.15.405-409
 406 R. Sonmez, B. Ontepeli. Predesign cost estimation of urban railway projects with parametric modeling

Wawancara dilakukan dengan para ahli dari kontrak tor
untuk mengidentifikasi parameter yang akan berdampak biaya
proyek kereta api perkotaan. Enam faktor yang diidentifikasi
sebagai parameter utam yang dapat mempengaruhi biaya
proyek. Parameter pertama, para pakar mengidentifikasi
persentase dari total panjang bagian terowongan yang
dilaksanakan oleh TBM boring dan atau NATM, melebihi dari
panjang garis (PTN). Para ahli percaya bahwa beberapa persen
bagian terowongan memiliki dampak yang sangat signifikan
terhadap biaya unit proyek kereta api perkotaan. Parameter
penting kedua, diidentifikasi adalah persentase total panjang
bagian yang dinaikkan atas total panjang jalur utama (PES).
Beberapa persen dari total panjang per bagian terowongan
dilaksanakan dengan metode cut and cover method selama
panjang jalur utama (PCC) adalah parameter keempat. Dalam
beberapa proyek-proyek pengadaan dan instalasi rel tidak
termasuk dalam ruang lingkup kontraktor. Dimasukkannya
penyediaan dan pemasangan rel (SRW) telah diidentifikasi
sebagai parameter kelima. Terakhir, parameter ke enam, jumlah
stasiun bawah tanah (UGS) dalam proyek tersebut. Para ahli
berpikir bahwa jumlah stasiun bawah tanah bisa berdampak
pada biaya unit proyek.
Lima parameter sekunder juga telah diidentifikasi
disamping enam parameter utama. Dampak parameter sekunder
pada biaya proyek tidak diharapkan dapat menjadi signifikan
sebagai dampak dari yang utama. Ringkasan parameter
sekunder disajikan pada Tabel 1. Analisis Regresi dilakukan
untuk menentukan signifikansi dampak parameter primer dan
sekunder tentang satuan biayaproyek kererta api perkotaan.
Pentingnya parameter dalam model regresi yang sesuai dengan
parameter. Secara umum, nilai P besar akan menunjukkan bahwa
kontribusu parameter untuk model mungkin tidak signifikan.
Pencantuman parameter tidak signifikan dalm model dapat menyebabkan
prediksi yang buruk. Oleh karena itu, penghapusan parameter yang tidak
signifikan dapat meningkatkan performa model prediksi.
Nilai P dari β4 dengan parameter PCC adalah 0,92 pada model
regresi pertama (Tabel 2). Nilai adalah nilai P terbesar dalam model,
sehingga, parameter PCC telah dieliminasi. Model regresi kedua (R2)
termasuk semua parameter utama yang tersisa. Hasil model kedua
mengungkapkan bahwa UGS parameter dengan nilaim P 0,69 tidak
memberikan kontribusi pada model secara signifikan, sehingga
parameter ini tidak dimasukkan dalm model regresi ketiga. PAG dan
SRW adalah parameter ketiga dan keempat dieliminasi, sebagai nilai-
nilai P dari koefisien sesuai dengan variabel yang menunjukkan bahwa
parameter tidak akan memiliki kontribusi yang signifikan terhadap
model. R5 regresi model kelima termasuk parameter persentase
bagian terowongan yang signifikan sebagai nilai P terbesar di model
adalah 0,01.
Parameter sekunder tidak dimasukkan dalam model regresi awal
R1 sebagi data dari hanya 13 proyek yang tersedia. Arti penting dari
parameter sekunder ditentukan pada bagian kedua dari analisis
regresi; dengan mengevaluasi satu parameter pada suatu waktu.
Parameter sekunder pertama dievaluasi adalah CTP. Variabel bebas
dari model regresi keenam (R6) terdiri dari parameter yang signifikan
PTN, PES, dan parameter CTP.

Table 2. Model Regresi

Parameter yang sesuai dengan Nilai koefisien

Model
Koefisien dengan P
Table 1. Parameter Sekunder Nilai P terbesar
R1 PCC 0.92
R2 UGS 0.69
Parameter Keterangan R3 PAG 0.23
CTP Jenis kontrak (dibayar sekaligus atau harga satuan) R4 SRW 0.23
AGS Jumlah grade stations R5 PES 0.01
EST Jumlah elevated stations R6 CTP 0.40
TLM Total panjang jalur utama R7 AGS 0.33
PDO Persentase total panjang dari bagian depressed- R8 EST 0.71
open (bagian jalan) ke TLM R9 TLM 0.66
R10 PDO 0.47

3. Model Analisis Regresi

Parameter utama yang di maksud adalah yang telah CTP tidak memberikan kontribusi ke model, sebagai nilai P dari
diketahui nilainya di bagian pertama dari analisis regresi. koefisien yang sesuai adalah 0,4. Arti penting dari parameter sekunder
sisa AGS, EST, TLM, dan PDO dievaluasi dalam model regresi R7, R8,
Ke enam parameter mengandung variabel bebas pada
R9 dsn R10 masing-masing. Model terdiri dari parameter PTN, PES dan
model regresi yang pertama. Biaya per km dari jalur variabel sekunder memiliki kontribusi yang signifikan sebagai nilai-nilai
ganda untuk tahun 2005 (UC) menggunakan variabel P dari koefisien adalah sama atau lebih besar dari 0,3.
dependent pada model parametrik-nya. Model regresi
pertama (R1) mengikuti bentuk sbb :
UC = β0 + β1PTN + β2PES + β3PAG + β4PCC +
β5SRW + β6UGS.(1)
Journal of Civil Engineering and Management, 2009, 15(4): 405–409
Model regresi hanya dikembangkan meliputi hubungan
linier antara parameter dan biaya unit proyek kereta api
perkotaan. Pencantuman istilah non-linier mengubah hasil
model secara signifikan. Namun ketika beberapa parameter
dan biaya menjadi tantangan, jaringan neural memberikan
solusi ampuh untuk menentukan hubungan non-linier antara
parameter dan biaya.
4. Model Jaringan Neural
Model jaringan syaraf terdiri dari unit komputasi sederhana
yang diatur dalam urutan lapisan dan saling terkait dengan
sistem koneksi. Model jaringa neural memiliki kemampuan
untuk menentukan hubungan antara parameter input dan
output. Dalam pemodelan biaya parametrik jaringan neural
bisa mengukur dampak parameter biaya dengan menangkap
hubungan yang ada di data catatan proyek. Sebuah model
jaringa syaraf khas parametrik akan mencakup parameter pada
lapisan masukan, dan biaya dalam lapisan antara lapisan inptu
dan output untuk mewakili hubungan antara parameter dan
biaya.
Dua model jaringan neural umpan-maju diangap sebagai
sebuah altertnatif untuk model regresi linier dikembangkan.
Pada model jaringa neural pertama (N1) dari keenam
parameter utama dimasukkan ke dalam layer input, dan
lonjakan harga satuan (UC) dimasukkan ke dalam layer output
(gbr 1). Jaringan neural N1 memiliki satu lapisan tersembunyi
dengan 7 unit tersembunyi (HU). Jumlah unit pada lapisan
tersembunyi ditentukan dengan menambahkan jumlah unit
masukan dengan jumlah unit output. Model jaringan neural
dilatih dengan algoritma pelatihan back-propagasi (Rumelhart
et al.1986) menggunakan data dari 13 proyek. Dlam kedua
model jaringan syaraf tiruan (N2) hanya dua parameter yang
memberikan kontribusi signifikan terhadap model regresi
linier dimasukkan. Parameter input terdiri dari persentase
tunnels sections (PTN) dan persentase dari elevated sections
(PES). Outputnya
Fig. 1. Neural network model N1
407
adalah lonjakan harga satuan. Sebuah hidden layer dengan 3 unit
tersembunyi dimasukkan dalam model jaringa neural kedua.
Kontribusi model jaringan neural dalam penentuan model parameter
yang memadai sangat penting terutama pada saat penentuan hubungan
non-linier potensial. Namun, model jaringa neural memiliki keterbatasan
tertentu. Salah satu ketrbatsan utama model jaringan neural dapat terjadi
terutama ketika jaringan syaraf yang kompleks yang dilatih dengan
jumlah data yang minim. Jaringan neural dapat mengingat data dan
menangkap hubungan rumit tertentu, yang dapat mengakibatkan kinerja
yang buruk atau perilaku prediksi prediktif tidak memadai. Situasi ini
dapat terjadi dalam pemodelan biaya parametrik, sebagai parameter
biasanya terdapat beberapa hal yang dipertimbangkan dalam model
jaringan neural dan data terbatas yang tersedia untuk pelatihan.
Perbandinga kinerja prediksi dari model jaringan neural dengan model
regresi linire akan memberikan indikasi untuk kekutan prediksi model.
5. Perkraan Kinerja dari Modell
Perkiraan kinerja model regresi linier R5 dan 2 model jaringan neural
dibandingkan untuk menetukan model dengan akurasi yang memadai
untuk estimasi parameter biaya proyek kereta api perkotaan. Sebuah
metode yang didasarkan pada teknik validasi silang digunakan untuk
membandingkan kinerja prediksi. Pertama dua proyek dipilih secara acak
sebagai sampel uji pertama, maka proyek yang tersisa digunakan untuk
mengembangkan regresi dan model jaringan neural. Biaya proyek dalam
sampel uji diduga dengan model yang dikembangkan. Prosedur ini
diulang untuk sampel uji 2-6, masing-masing berisi 2 proyek yang
berbeda yang dipilh secara acak. Ada 3 proyek dalam sampel uji 6,
sebagai jumlah proyek adalah 13. Mean Absolute Percent Error (MAPE)
atau persen rata-rata kesalahan mutlak digunakan untuk membandingkan
prediksi kinerja model.
408 R. Sonmez, B. Ontepeli. Predesign cost estimation of urban railway projects with parametric modeling

MAPE dihitung sebagai berikut: yang ditinggikan tidak akan berdampak pada biaya unit. Hubungan ini
disarankan oleh N2 model jaringan syaraf tiruan tidak memadai, karena
harga satuan diharapkan meningkat, terutama bila persentase kenaikan
bagian terowongan. Meskipun jaringan neural

Nilai MAPE dari R5 model regresi, 6 parameter model

jaringan neural (N1) disajikan pada tabel 3. N2 memilki
prediksi kinerja terbaik dengan nilai MAPE 33,4 antar model.
Nilai MAPE dari model regresi R5 35.2. Prediksi kinerja dari
model jaringa neural dengan 6 parameter itu jauh lebih buruk
dari kinerja N2 dan R5.

Table 3. Kinerja Prediksi dari Model

Model MAPE
R5 35.2
N1 49.8
N2 33.3

Rentang akurasi yang diharapkan untuk perkiraan

kemungkinan dapat dianggap sebagai -30% sampai +50%
(Cost 1997). Kinerja prediksi kedua N2 model dan R5 berada Fig. 2. Sensitivity analysis of model R5
dalam kisaran yang direkomendasikan. Model neural network
dengan 2 parameter yang signifikan tampaknya memiliki
kinerja sedikit lebih baik dari model regresi. Jaringan neural
dan model regresi dengan 2 parameter telah ditentukan
sebagai nilai 2 model calon berdasarkan hasil perbandingan
prediksikinerja. Unuk pemilihan model akhir perilaku
prediktif dari kedua model di analisis.

6. Prediksi Perilaku Model

Predikisi perilaku model dapat divisualisasikan dengan
analisis sensitivitas untuk mengungkapkan bagaimana model
menangkap dampak parameter biaya. Analisis sensitivitas
model memainkan peranan penting untuk menentukan
kecukupan hubungan yang disarankan oleh model. Perilaku
prediktif model jaringan neural penting, khususnya sebagai
model yang memiliki potensi untuk menampilkan hubungan Fig. 3. Sensitivity analysis of model N2
kompleks yang tidak perlu, terutama ketika mereka dilatih
dengan data yang jarang. N2 prediksi memiliki kinerja sedikit lebih baik dari pada R5 model
Analisis sensitivitas R5 model dan N2 dilakukan dengan regresi, analisis sensitivitas menunjukkan bahwa model bukanlah salah
memvariasikan parameter PTN dan PES. Tingkat minimum satu yang memadai. Sebagai kesimpulan R5 model regresi dipilh sebagai
untuk kedua parameter persentase bagian terowongan (PTN) model yang tepat untuk estimasi parametrik proyek sistem kereta api
dan persentase bagian ditinggikan (PES) adalah 0%. Tingkat perkotaan di Turki.
maksimum untuk PTN adalah 99%, dan 24% untuk PES.
Output dari model R5 dan N@ diplotkan terhaadp berbagai
tingkat PTN dan PES untuk membandingkan perilaku prediksi
model. Plot dari R5 diberikan pada gambar 2 dan plot N2 7. Ringkasan dan Kesimpulan
diberikan gambar 3.
Plot R5 menggambarkan permukaan liniear seperti yang Model parametrik dikembangkan untuk sisitem kereta api perkotaan
diharapkan, menunjukkan bahwa model regresi menggunakan data metro dan proyek light train dar Turki. Model dapat
menunnjukkan peningkatan yang terus menerus seragam digunakan untuk memperkirakan biaya proyek awal ketika gambar
dalam biaya satuan sebagai persentase dari bagian terowongan konstruksi belum ada dan perkiraan biaya rinci tidak dapat ditentukan.
dan persentase kenaikan bagian yang ditinggikan. Model N2 Analisis regresi dan teknik jaringan neural telah dilaksanakan untuk
jaringan neural di sisi lain menyajikan permukaan non linier. pengembangan model parametrik. Tergantung pada data proyek, serta
Model ini menunjukkan bahwa setelah persentase bagian hubungan antara parameter dan biaya, masing-masing teknik memiliki
terowongan mencapai 66%, meningkatkan persentase bagian kelebihan tertentu. Penggunaan terkoordinasi dari kaedua teknik
terowongan atau persentase bagian menyediakan pendekatan yang kuat untuk pemodelan biaya parametrik.
Journal of Civil Engineering and Management, 2009, 15(4): 405–409 409

Analisis sensitivitas mengungkapkan informasi penting
tentang perilaku prediksi dari model jaringan neural
parametrik. Meskipun prediksi kinerja model jaringan saraf
masuk akal, mungkin menyarankan model hubungan yang
tidak memadai antara parameter dan biaya. Oleh karena itu,
visualisasi perilaku prediktif model jaringan neural memainkan
peranan penting untuk memilih model biaya parametrik yang
memuaskan, terutama bila data proyek jarang tersedia.
Referensi
Cost Estimate Classification System Recommended Practice.
1997. No. 187, AACE International, Morgantown, WV.
Light Rail and Metro Systems in Europe. 2004. The European
Rail Research Advisory Council, Brussels, Belgium.
Gunaydin, H. M. and Dogan, S. Z. 2004. A neural network
approach for early cost estimation of structural systems of
buildings, International Journal of Project Management
22: 595–602. doi:10.1016/j.ijproman.2004.04.002
Hegazy, T. and Ayed, A. 1998. Neural network model for pa-
rametric cost estimation of highway projects, Journal of
Construction Engineering and Management 124(3): 210–
218. doi:10.1061/(ASCE)0733-9364(1998)124:3(210)
Karshenas, S. 1984. Predesign cost estimating method for mul-
tistory buildings, Journal of Construction Engineering
and Management 110(1): 79–86.
doi:10.1061/(ASCE)0733-9364(1984)110:1(79)
Kim, G. H.; Seo, D. S. and Kang, K. I. 2005. Hybrid models of
neural networks and genetic algorithms for predicting pre-
liminary cost estimates, Journal of Computing in Civil
Engineering 19(2): 208–211.
doi:10.1061/(ASCE)0887-3801(2005)19:2(208)
Kouskoulas, V. and Koehn, E. 1974. Predesign cost-estimation
function for buildings, Journal of the Construction Divi-
sion 100(CO4): 589–604.
Ontepeli, M. B. 2005. Conceptual Cost Estimating of Urban
Railway System Projects. MS thesis, Middle East Techni-
cal University, Ankara, Turkey.
Rumelhart, D. E.; Hinton, G. E., and Williams, R. J. 1986.
Learning internal representations by error propagation,
Parallel Distributed Processing, Vol. 1 Foundations (MIT
Press, Cambridge, MA).
Sonmez, R. 2004. Conceptual cost estimation of building pro-
jects with regression analysis and neural networks, Cana-
dian Journal of Civil Engineering 31: 677–683.
doi:10.1139/l04-029
Sonmez, R. 2008. Parametric range estimating of construction
costs using regression models and bootstrap, Journal of
Construction Engineering and Management 134(12):
1011–1016.
doi:10.1061/(ASCE)0733-9364(2008)134:12(1011)

MIESTŲ GELEŽINKELIŲ PROJEKTŲ PRIEŠPROJEKTINIŲ IŠLAIDŲ SKAIČIAVIMAS, TAIKANT

PARAMETRINĮ MODELIAVIMĄ

R. Sonmez, B. Ontepeli

Santrauka
Pateiktas miesto geležinkelių sistemų priešprojektinių išlaidų skaičiavimo metodas, pagrįstas parametriniu modeliavimu.
Parametrų įtaka projekto išlaidoms nustatyta išnagrin jus 13 nedidelių geležinkelių ir metro projektų Turkijoje. Pa-
rametriniai modeliai sudaryti taikant regresinę analizę bei dirbtinio intelekto tinklus. Parametrų įtakos miestų geležinkelių
projektavimo išlaidoms reikšmingumui nustatyti sudaryta 10 tiesin s regresijos modelių. Kaip alternatyva regresijos mo-
deliams sudaryti 2 neuroniniai tinklai, ypač nagrin jant netiesines priklausomybes. Pasiūlytais modeliais gauti rezultatai
palyginti tarpusavyje, siekiant nustatyti adekvačias priklausomybes ir užtikrinti reikiamą tikslumą. Pasiūlytas metodas
leidžia sukurti parametrinį projekto išlaidų modelį ankstyvojoje priešprojektin je stadijoje. Tai pasiekta suderintai panau-
dojus regresinę analizę ir dirbtinio intelekto tinklus.

Reikšminiai žodžiai: priešprojektinių išlaidų skaičiavimas, miesto geležinkelių projektai, regresin analiz , neuroniniai
tinklai.

Rifat SONMEZ. Assoc. Professor, Department of Civil Engineering, Middle East Technical University. Research inter-
ests: conceptual cost estimation, construction labour productivity, time-cost-resource optimization.

Bahadir ONTEPELI. Deputy Project Manager, Renaissance Construction. Research interests: conceptual cost estima-
tion.