2009
15(4): 405–409
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
Studi pemodelan parametrik sebelumnya difokuskan pada estimasi
proyek, sebelum menyelesaikan desain rinci untuk beberapa parameter biaya konstruksi untuk proyek bangunan dan jalan raya. Pra
tujuan termasuk penganggaran dan keputusan kelayakan. Pra estimasi biaya sistem kereta api perkotaan sangat penting terutama di
estimasi biaya desain biasanya ditentukan oleh parametrik Eropa dimana light rail signifikan dan konstruksi metro diharapkan.
permodelan teknik selama tahap awal proyek, sebagai Dewan Pertimbangan Riset Kereta Api Eropa memperkirakan potensi
estimasi biaya rinci tidak dapat dilakukan. Pada pemodelan baru proyek light rail sebesar 30 miliar euro, dan proyek-proyek metro
parametrik, biaya proyek yang sama sebelumnya dan data baru 95 milyar euro selama 15 tahun kedepan di Eropa (Light ... 2004).
parameter penting berdampak biaya yang akan disusun. Data Potensi pertumbuhan baru proyek kereta api perkotaan lebih tinggi
ini digunakan untuk model variasi dalam biaya proyek terutama untuk negara berkembang seperti Turki. Tujuan utama dari
menggunakan parameter. Analisa regresi dan teknik jaringan makalah ini adalah mengembangkan model parametrik untuk pra desain
syaraf pemodelan secara umum diterapkan untuk kuantifikasi estimasi biaya proyek kereta api perkotaan. Analisa regresi dan teknik
dari dampak parameter biaya. Kunci kelayakan dan jaringan syaraf dimasukkan untuk mendapatkan model parametrik yang
penggaran keputusan dibuat berdasarkan dengan informasi memuaskan.
yang sangat terbatas
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 Pentingnya parameter dalam model regresi yang sesuai dengan
untuk mengidentifikasi parameter yang akan berdampak biaya parameter. Secara umum, nilai P besar akan menunjukkan bahwa
proyek kereta api perkotaan. Enam faktor yang diidentifikasi kontribusu parameter untuk model mungkin tidak signifikan.
sebagai parameter utam yang dapat mempengaruhi biaya Pencantuman parameter tidak signifikan dalm model dapat menyebabkan
proyek. Parameter pertama, para pakar mengidentifikasi prediksi yang buruk. Oleh karena itu, penghapusan parameter yang tidak
persentase dari total panjang bagian terowongan yang signifikan dapat meningkatkan performa model prediksi.
dilaksanakan oleh TBM boring dan atau NATM, melebihi dari
panjang garis (PTN). Para ahli percaya bahwa beberapa persen Nilai P dari β4 dengan parameter PCC adalah 0,92 pada model
bagian terowongan memiliki dampak yang sangat signifikan regresi pertama (Tabel 2). Nilai adalah nilai P terbesar dalam model,
terhadap biaya unit proyek kereta api perkotaan. Parameter sehingga, parameter PCC telah dieliminasi. Model regresi kedua (R2)
penting kedua, diidentifikasi adalah persentase total panjang termasuk semua parameter utama yang tersisa. Hasil model kedua
bagian yang dinaikkan atas total panjang jalur utama (PES). mengungkapkan bahwa UGS parameter dengan nilaim P 0,69 tidak
Beberapa persen dari total panjang per bagian terowongan memberikan kontribusi pada model secara signifikan, sehingga
dilaksanakan dengan metode cut and cover method selama parameter ini tidak dimasukkan dalm model regresi ketiga. PAG dan
panjang jalur utama (PCC) adalah parameter keempat. Dalam SRW adalah parameter ketiga dan keempat dieliminasi, sebagai nilai-
beberapa proyek-proyek pengadaan dan instalasi rel tidak nilai P dari koefisien sesuai dengan variabel yang menunjukkan bahwa
termasuk dalam ruang lingkup kontraktor. Dimasukkannya parameter tidak akan memiliki kontribusi yang signifikan terhadap
penyediaan dan pemasangan rel (SRW) telah diidentifikasi model. R5 regresi model kelima termasuk parameter persentase
sebagai parameter kelima. Terakhir, parameter ke enam, jumlah bagian terowongan yang signifikan sebagai nilai P terbesar di model
stasiun bawah tanah (UGS) dalam proyek tersebut. Para ahli adalah 0,01.
berpikir bahwa jumlah stasiun bawah tanah bisa berdampak
pada biaya unit proyek. 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.
Lima parameter sekunder juga telah diidentifikasi Parameter sekunder pertama dievaluasi adalah CTP. Variabel bebas
disamping enam parameter utama. Dampak parameter sekunder dari model regresi keenam (R6) terdiri dari parameter yang signifikan
pada biaya proyek tidak diharapkan dapat menjadi signifikan PTN, PES, dan parameter CTP.
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.
Model regresi hanya dikembangkan meliputi hubungan adalah lonjakan harga satuan. Sebuah hidden layer dengan 3 unit
linier antara parameter dan biaya unit proyek kereta api tersembunyi dimasukkan dalam model jaringa neural kedua.
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 Kontribusi model jaringan neural dalam penentuan model parameter
parameter dan biaya. 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
4. Model Jaringan Neural yang buruk atau perilaku prediksi prediktif tidak memadai. Situasi ini
Model jaringan syaraf terdiri dari unit komputasi sederhana dapat terjadi dalam pemodelan biaya parametrik, sebagai parameter
yang diatur dalam urutan lapisan dan saling terkait dengan biasanya terdapat beberapa hal yang dipertimbangkan dalam model
sistem koneksi. Model jaringa neural memiliki kemampuan jaringan neural dan data terbatas yang tersedia untuk pelatihan.
untuk menentukan hubungan antara parameter input dan Perbandinga kinerja prediksi dari model jaringan neural dengan model
output. Dalam pemodelan biaya parametrik jaringan neural regresi linire akan memberikan indikasi untuk kekutan prediksi model.
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. 5. Perkraan Kinerja dari Modell
Pada model jaringa neural pertama (N1) dari keenam
parameter utama dimasukkan ke dalam layer input, dan Perkiraan kinerja model regresi linier R5 dan 2 model jaringan neural
lonjakan harga satuan (UC) dimasukkan ke dalam layer output dibandingkan untuk menetukan model dengan akurasi yang memadai
(gbr 1). Jaringan neural N1 memiliki satu lapisan tersembunyi untuk estimasi parameter biaya proyek kereta api perkotaan. Sebuah
dengan 7 unit tersembunyi (HU). Jumlah unit pada lapisan metode yang didasarkan pada teknik validasi silang digunakan untuk
tersembunyi ditentukan dengan menambahkan jumlah unit membandingkan kinerja prediksi. Pertama dua proyek dipilih secara acak
masukan dengan jumlah unit output. Model jaringan neural sebagai sampel uji pertama, maka proyek yang tersisa digunakan untuk
dilatih dengan algoritma pelatihan back-propagasi (Rumelhart mengembangkan regresi dan model jaringan neural. Biaya proyek dalam
et al.1986) menggunakan data dari 13 proyek. Dlam kedua sampel uji diduga dengan model yang dikembangkan. Prosedur ini
model jaringan syaraf tiruan (N2) hanya dua parameter yang diulang untuk sampel uji 2-6, masing-masing berisi 2 proyek yang
memberikan kontribusi signifikan terhadap model regresi berbeda yang dipilh secara acak. Ada 3 proyek dalam sampel uji 6,
linier dimasukkan. Parameter input terdiri dari persentase sebagai jumlah proyek adalah 13. Mean Absolute Percent Error (MAPE)
tunnels sections (PTN) dan persentase dari elevated sections atau persen rata-rata kesalahan mutlak digunakan untuk membandingkan
(PES). Outputnya prediksi kinerja model.
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
Model MAPE
R5 35.2
N1 49.8
N2 33.3
Analisis sensitivitas mengungkapkan informasi penting Kim, G. H.; Seo, D. S. and Kang, K. I. 2005. Hybrid models of
tentang perilaku prediksi dari model jaringan neural neural networks and genetic algorithms for predicting pre-
parametrik. Meskipun prediksi kinerja model jaringan saraf liminary cost estimates, Journal of Computing in Civil
masuk akal, mungkin menyarankan model hubungan yang Engineering 19(2): 208–211.
doi:10.1061/(ASCE)0887-3801(2005)19:2(208)
tidak memadai antara parameter dan biaya. Oleh karena itu, Kouskoulas, V. and Koehn, E. 1974. Predesign cost-estimation
visualisasi perilaku prediktif model jaringan neural memainkan function for buildings, Journal of the Construction Divi-
peranan penting untuk memilih model biaya parametrik yang sion 100(CO4): 589–604.
memuaskan, terutama bila data proyek jarang tersedia. 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,
Referensi Parallel Distributed Processing, Vol. 1 Foundations (MIT
Press, Cambridge, MA).
Cost Estimate Classification System Recommended Practice.
Sonmez, R. 2004. Conceptual cost estimation of building pro-
1997. No. 187, AACE International, Morgantown, WV.
jects with regression analysis and neural networks, Cana-
Light Rail and Metro Systems in Europe. 2004. The European
dian Journal of Civil Engineering 31: 677–683.
Rail Research Advisory Council, Brussels, Belgium.
doi:10.1139/l04-029
Gunaydin, H. M. and Dogan, S. Z. 2004. A neural network
Sonmez, R. 2008. Parametric range estimating of construction
approach for early cost estimation of structural systems of
costs using regression models and bootstrap, Journal of
buildings, International Journal of Project Management
Construction Engineering and Management 134(12):
22: 595–602. doi:10.1016/j.ijproman.2004.04.002
1011–1016.
Hegazy, T. and Ayed, A. 1998. Neural network model for pa-
doi:10.1061/(ASCE)0733-9364(2008)134:12(1011)
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)
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.