Abstrak
Estimasi biaya tahap konseptual dapat didefinisikan sebagai perkiraan biaya proyek
yang dilakukan sebelum sejumlah informasi yang signifikan terkumpul dari detail desain,
dengan lingkup pekerjaan yang masih belum lengkap. Berdasarkan pertimbangan tentang
pentingnya estimasi total biaya konstruksi, Tujuan penelitian ini adalah untuk mengetahui
hasil estimasi Model Jaringan Syaraf Tiruan dan Regresi Polinomial untuk konstruksi jalan
raya di Kabupaten Bulukumba. Model yang diterapkan dalam penelitian berbasis Jaringan
Syaraf Tiruan dan Regresi Polinomial. Data yang digunakan berupa data sekunder yang
didapatkan melalui Dinas Pekerjaan Umum dan Bina Marga dalam bentuk Rekapitulasi Jalan
Rabat Beton dan Kartu Inventaris Barang. Analisis Data dilakukan menggunakan Program
Komputer MATLAB R2015b.
Berdasarkan hasil estimasi, Model Jaringan Syaraf Tiruan memiliki tingkat validasi
yang lebih baik bila dibandingakn dengan metode Regresi Polinomial dalam melakukan
estimasi biaya tahap konseptual untuk jalan Rabat Beton. Hal ini dapat dilihat dari Mean
Absolute Persentage Error (MAPE) untuk Jaringan Syaraf Tiruan sebesar 6,09% lebih kecil
dari Regresi Polinomial yaitu 6,46%. Sedangkan untuk jenis jalan Laston, Mean Absolute
Persentage Error (MAPE) untuk Jaringan Syaraf Tiruan sebesar 40,58% lebih kecil dari
Regresi Polinomial yaitu 45,30%.
1Dosen,
Jurusan Teknik Sipil, Universitas Hasanuddin, Makassar 90245, INDONESIA
2Mahasiswa,Jurusan Teknik Sipil, Universitas Hasanuddin, Makassar, INDONESIA
BTN Minasa Upa Blok B10 No. 4, Makassar 90245. E-mail: andi.wardiman@gmail.com
1. PENDAHULUAN konstruksi jalan raya di Kabupaten
Konsep estimasi biaya merupakan hal Bulukumba.
yang paling penting dalam perencanaan
proyek. Untuk mengetahui total biaya 2. TINJAUAN PUSTAKA
berdasarkan draf umum proyek yang 2.1.Estimasi Biaya
direncanakan (Kan, 2002). Sama halnya Perkiraan biaya dibedakan dari
dengan perencanaan lainnya, estimasi biaya anggaran dalam hal perkiraan biaya terbatas
merupakan pekerjaan yang cukup pada tabulasi biaya yang diperlukan untuk
menantang. Sebab menggunakan suatu kegiatan tertentu proyek ataupun
keterbatasan informasi yang dimiliki proyek secara keseluruhan. Sedangkan
kemudian digunakan untuk mengetahui total anggaran merupakan perencanaan terinci
biaya proyek, dimana banyak faktor yang perkiraan biaya dari bagian atau keseluruhan
tidak diketahui berpengaruh pada proyek kegiatan proyek yang dikaitkan dengan
tersebut. waktu. Definisi perkiraan biaya menurut
Estimasi biaya tahap konseptual dapat National Estimating Society – USA adalah
didefinisikan sebagai perkiraan biaya proyek sebagai berikut : “Perkiraan biaya adalah seni
yang dilakukan sebelum sejumlah informasi memperkirakan ( the art of approximating )
yang signifikan terkumpul dari detail desain, kemungkinan jumlah biaya yang diperlukan
dengan lingkup pekerjaan yang masih belum untuk suatu kegiatan yang didasarkan atas
lengkap. Salah satu metode estimasi biaya informasi yang tersedia pada saat itu“.
konseptual pada konstruksi bangunan gedung
adalah metode parametrik. 2.2.Estimasi Biaya Konseptual
Hasil output estimasi konseptual sangat Estimasi tahap konseptual adalah
diperlukan owner dalam menentukan nilai “suatu proses yang tidak pasti, karena
tender. Hal ini kemudian memungkinkan perhitungannya berdasarkan sejumlah besar
harga tender dapat mendekati perkiraan penilaian, pengalaman, kurang tersedianya
biaya. Karena biasanya owner tidak mau informasi serta adanya ketidakpastian selama
biaya yang dikeluarkan selama pelaksanaan tahap konseptual” (Schuette & Liska, 1994).
kontruksi nanti melebihi anggaran yang Berikut beberapa karakteristik atau sifat dari
dianggarkan sebelumnya. Selain itu, nilai estimasi biaya tahap konseptual:
estimasi biaya konseptual merupakan suatu a. Bersifat ketidakpastian/ Tingkat
kebutuhan oleh owner atau perencana akurasinya masih rendah
sehingga tidak ada penjabaran komponen b. Informasi waktu maupun biaya (sumber
biaya secara jelas, sedangkan komponen daya) masih sangat terbatas.
biaya langsung dan biaya tidak langsung
merupakan kebutuhan suatu kontraktor yang 2.3.Jaringa Syaraf Tiruan
perhitungan nilainya sudah tidak dalam tahap Jaringan saraf tiruan (JST) (Bahasa
skematik lagi karena keseluruhan Inggris: artificial neural network (ANN), atau
perhitungan berdasarkan desain yang sudah juga disebut simulated neural network
pasti. (SNN), atau umumnya hanya disebut neural
network (NN)), adalah jaringan dari
1.2.Maksud dan Tujuan Penelitian sekelompok unit pemproses kecil yang
Tujuan penelitian ini adalah untuk dimodelkan berdasarkan jaringan saraf
mengetahui hasil estimasi Model Jaringan manusia. JST merupakan sistem adaptif yang
Syaraf Tiruan dan Regresi Polinomial untuk dapat mengubah strukturnya untuk
memecahkan masalah berdasarkan informasi
eksternal maupun internal yang mengalir 3.2.2. Regresi Polinomial
melalui jaringan tersebut. Variabel input untuk model regresi
adalah X dalam hal ini yaitu volume jalan.
2.4.Regresi Model Polinomial Sedangkan variable output Y yaitu total biaya
Regresi dapat digunakan untuk jalan. Dalam hal ini variable akan dibagi
meramalkan suatu keadaan dimasa akan menjadi dua yaitu untuk jenis jalan Laston
datang. Umumnya metode ini lebih banyak dan Rabat Beton.
digunakan di bidang ekonomi, maka penulis
mencoba untuk menggunakan regresi 4. HASIL DAN PEMBAHASAN
khususnya model polinomial untuk 1.1.Data Pengolahan
mengestimasi total biaya konstruksi jalan di Data yang didapatkan dari Dinas
Bulukumba, sebab model polinomial Pekerjaan Umum dan Bina Marga dihimpun
menghasilkan persamaan regresi berupa garis dalam program Microsoft Excel. Data yang
kurva yang identik dengan metode konsep didapatkan berupa Rekapitulasi total biaya
nilai hasil, yang juga berbentuk kurva. konstruksi untuk Rabat beton dan Kartu
Inventaris Barang. Adapun data yang
3. METODE PENELITIAN digunakan merupakan data sekunder
3.1.Rancangan Penelitian dikarenakan peneliti tidak ikut serta dalam
Metode penelitian yang dilakukan melakukan pengukuran maupun
dalam penelitian ini adalah permodelan penghitungan total biaya jalan. Format
berbasis Jaringan Syaraf Tiruan dan Regresi penggolongan data untuk Jaringan Syaraf
Polinomial. Data yang digunakan berupa data Tiruan meliputi nama jalan, panjang, lebar,
sekunder yang didapatkan melalui Dinas tebal, tahun konstruksi, dan total biaya
Pekerjaan Umum dan Bina Marga dalam konstruksi. Sedangkan untuk regresi
bentuk Rekapitulasi Jalan Rabat Beton dan polynomial berupa volume dan total biaya
Kartu Inventaris Barang. Analisis Data konstruksi. Jumlah sampel yang digunakan
dilakukan menggunakan Program Komputer yaitu 112 sampel training laston, 28 sampel
MATLAB R2015b yang merupakan keluaran testing laston, 70 sampel training rabat beton,
terbaru saat laporan ini disusun. dan 17 sampel testing rabat beton. Data
training digunakan dalam pembuatan
3.2.Definisi Variabel Penelitian persamaan maupun model algoritma yang
3.2.1. Jaringan Syaraf Tiruan akan digunkanan. Data testing dipakai
Variabel input untuk model ini sebagai representasi diluar dari sampel.
ditentukan sebanyak empat variabel (V1, V2,
V3, dan V4). Dengan V1 adalah panjang 1.2. Jaringan Syaraf Tiruan
jalan, V2 adalah lebar jalan, V3 adalah tebal 1.2.1. Persiapan Data
jalan, dan V4 adalah tahun konstruksi. Data yang diperoleh dari Rekapitulasi
Sedangkan untuk variable output yaitu total total biaya konstruksi dan Kartu Inventaris
biaya konstruksi. Ada dua jenis variabel input Barang kemudian di list menjadi dua bagian
yang memungkinkan berpengaruh pada sesuai dengan jenis konstruksi yang
estimasi biaya konstruksi jalan yaitu variabel digunakan. Dalam hal ini input data berupa
objek dan variabel subjek. Dimana V1, V2 panjang, lebar, tebal, dan tahun. Serta total
dan V3 merupakan variable objek dan V4 biaya konstruksi sebagai outputnya. List data
merupakan variable subjek. Dalam hal ini yang telah direkap dapat dilihat pada
variable akan dibagi menjadi dua yaitu untuk lampiran Tabel 1 Data Pembuatan Model JST
jenis jalan Laston dan Rabat Beton.
Laston dan Tabel 3 Data Pembuatan Model Jumlah Iterasi maksimum 1000
JST Rabat Beton. untuk training
Performance goal 0
1.2.2. Pra-proses Data Maximum validation failures 0
Jaringa Syaraf Tiruan merupakan alat Initial µ 0,005
estimasi yang baik. Namun dalam µ decrease factor 0,1
menterjemahkan data kedalam model, µ increase factor 10
Jaringan Syaraf Tiruan tidak dapat mengenali
Maximum µ 1e10
satuan dan nilai yang tidak berada pada
kisaran 0 s.d. 1. Sehingga dilakukan pra-
1.2.4. Hasil Permodelan Jaringan Syaraf
proses data untuk mengubah data yang telah
Tiruan
terekap menjadi interval 0 s.d. 1
Training dilakukan dengan memasukan
menggunakan rumus (2.1). Data hasil pra
input data sebagai input, dan output data
proses dapat dilihat pada lampiratn Tabel 2
sebagai target. Training dilakukan berulang
Hasil Normalisasi Data Pembuatan Model
kali hingga didapatkan nilai MSE terkecil
JST Laston dan lampiran Tabel 4 Hasil
dalam 1000 iterasi yang dilakukan.
Normalisasi Data Pembuatan Model JST
Tabel 4.3 Jumlah Training Data Laston
Rabat Beton.
No Model Iterasi MSE
1.2.3. Parameter 1 Training 1 44 0,002403
Model jaringan yang dipilih merupakan 2 Training 2 3 0,002403
feed forward backprob dimana proses kerja 3 Training 3 4 0,002055
akan berjalan satu arah dengan menggunakan 4 Training 4 13 0,002971
Bayesian regularization algorithm. BR 5 Training 5 27 0,00236
(Bayesian regularization) adalah algoritma Tabel 4.4 Jumlah Training Data Rabat Beton
training yang memperbarui weight dan bias No Model Iterasi MSE
berdasarkan LM (Lavenberg-Marquardt)
1 Training 1 53 0,00106
optimization (Foresee & Hagan, 1997;
MacKay, 1992). 2 Training 2 20 0,00039
Tabel 4.1 Model Jaringan 3 Training 3 2 0,00114
Network Type Feed Forward 4 Training 4 28 0,00107
Backprob 5 Training 5 0 0,00102
Training trainbr (Bayesian Tabel 4.5 dan Tabel 4.6
Function Regularization) memperlihatkan hasil weight dan bias untuk
Peformance MSE (Mean Square model jaringan syaraf, dimana weight pada
Function Error) awal proses pembuatan tidak diketahui
Number of Layer 1 nilainya. Weight baru dapat diketahui setelah
Number of 2 mengalami serangkaian proses dan
Neurons optimalisasi dengan fungsi matematika.
Transfer tansig Weight untuk tahap awal (W1) berjumlah 10
Function buah didapatkan dari 5 variabel sampel dan 2
Network yang telah dibuat dapat hidden neuron. Weight 2 (W2) berjumlah 2
dijalankan dengan memasukkan beberapa buah dari 2 hidden neuron dan sebuah hasil.
parameter. Parameter untuk jumlah iterasi Nilai b1 dan b2 merupakan bias yang terjadi
(epochs) 1000. pada masing masing tahap yang kemudian
Tabel 4.2 Training Parameter
digunakan untuk mengoptimalkan hasi mempermudah proses pengolahan data. Pada
estimasi. akhir proses pembuatan model regresi
Tabel 4.5 Weight dan Bias Model Jaringan polinomial didapatkan model sebagai berikut
Syaraf Laston :
Weight 1 [-1.6288 0.081939;
0.6756 0.057629] 𝑦 = −287,263𝑥 2 + 3778972,399𝑥 −
Weight 2 [-1.112 0.8655] 226281946,485 (4.1)
Bias 1 [0.061722;
Fungsi (4.1) mewakili seluruh data
0.45076]
sampel yang kemudian digunakan untuk
Bias 2 [0.23353] mengestimasi total biaya dari konstruksi
Tabel 4.6 Weight dan Bias Model Jaringan jalan jenis Laston sendangkan Grafik 4.3
Syaraf Rabat Beton memperlihatkan sebaran data asli untuk
Weight 1 [-1.9552 -0.23512 testing terhadap fungsi regresi polynomial
0.031092; yang ada, dimana x adalah volume dan y
-2,8917 0,95475 0,35102] adalah biaya. Terlihat bahwa rata-rata sampel
Weight 2 [-1,6498 0,63864] berada pada area kurang dari 600 m3
Bias 1 [-0,51228; sedangkan untuk sampel yang memiliki
-0,32767] volume lebih dari 600 m3 hanya ada beberapa
Bias 2 [0,014627] saja.
Dipohusodo, Istimawan 1996. “Manajemen Roring, Hence S.D. 2014. “Model Estimasi
Proyek dan Konstruksi Jilid 2”. Biaya Tahap Konseptual Konstruksi
Yogyakarta : Kanisius. Bangunan Gedung dengan Metode
Parametrik”. Manado : Universitas
Dinas Bina Marga. 2015. “Kartu Inventaris Sam Ratulangi.
Barang Jalan, Irigasi dan Jaringan”.
Bulukumba : Dinas Pekerjaan Umum Sastraatmadja, Soedradjat. 1984. “Analisa
dan Bina Marga. Anggaran Biaya Pelaksanaan”.
Bandung : Nova
Flood I. and Kartam N. 1994. “Neural
networks in civil engineering. I: Shamisi, Maitha H. Al dkk. 2010.“Using
principles and understanding”. Journal MATLAB to Develop Artificial Neural
of Computing in Civil Engineering. Network Model for Predicting Global
Solar Radiation in Al Ain City”. Saudi
Gong Li, Jing Shi. 2012. “Applications of Arabia: InTech.
Bayesian methods in wind energy
conversion systems”. Renewable Soeharto, Imam. 1995. “Manajemen Proyek
Energy. Dari Konseptual Sampai Operasional”.
Jakarta : Erlangga.
Hajek, Victor G. 1994. “Manajemen Proyek
Perekayasaan”. Jakarta : Erlangga. Wilmot C. G. and Mei B. 2005. “Neural
network modeling of highway
Haykin, S. 1999. “Neural Networks: A construction costs”. Journal of
Comprehensive Foundation”. Upper Construction Engineering and
Saddle River, NJ: Prentice Hall Management.
International Inc.
Xinxing Pan; Lee, B.; Chunrong Zhang.
Hecht-Nielsen, R. 1990. "Neurocomputing". 2013. "A comparison of neural network
Addison-Wesley Publishing Co. backpropagation algorithms for
Foresee and Hagan. 1997. electricity load forecasting". Intelligent
"Proceedings of the International Joint Energy Systems (IWIES), 2013 IEEE
Conference on Neural Networks". International Workshop.
Hendarsin, Shirley L.2000. “Penuntun
Prakstis Perencanaan Teknik Jalan
Dell'Isola, M. D. 2002. “Architect's
Essentials of Cost Management”.
Canada: John Wiley and Sons.
Phaobunjong, K. 2002. “Parametric Cost
Estimating Model for Conceptual Cost
Estimating of Building Construction
Projects”.
Bley, A. F. 1990. “Dissertation presented to
the University of Texas at Austin in
partial fulfillment of the requirements
for the degree of Doctor of Philosophy.
Improved Conceptual Estimating
Performance Using a Knowledge-
Based Approach.”