1 PB
1 PB
ABSTRACT
Cost estimation in the process of building design has an important role. Therefore the need for estimation tools
from both the planning and project management aspects needs to be developed. This paper discusses the benefits
of Artificial Neural Network methodology to overcome the problem of cost estimation of the value of structural
work at the stage of building design process. The value of the structural work itself has a considerable allocation of
the total contract and is an important work item in a building construction project. The related data to the value
of structural work and the design of work items from 8 projects used for training and testing Artificial Neural
Network (ANN) method with seven design variables used in estimating the cost value of structural work from
Pratama Hospital building in remote areas in Indonesia, We obtained the best empirical equations from ANN
simulation for hospital cost estimate building contract at the planning stage with the best ANN structure 7-9-1 (7
input variables, 1 hidden layer with 9 neurons and 1 output) with the result of an average cost estimation 96.51%
achieved.
Keywords: Artificial Neural Network; Building design; Cost estimation; Hospital; The value of
structural project.
ABSTRAK
Pengambilan keputusan dalam estimasi biaya dalam proses perancangan bangunan memiliki peranan
penting. Oleh sebab itu kebutuhan akan alat estimasi baik dari sisi desain perencanaan maupun
manajemen proyek perlu dikembangkan. Makalah ini membahas manfaat metodologi jaringan syaraf
tiruan (Artificial Neural Network) untuk mengatasi masalah estimasi biaya nilai pekerjaan struktural
pada tahap proses perancangan bangunan. Nilai pekerjaan struktural sendiri memiliki alokasi yang
cukup besar dari total kontrak dan merupakan item pekerjaan yang cukup penting dalam suatu
pekerjaan konstruksi bangunan. Data terkait nilai pekerjaan struktural dan desain item pekerjaan dari
8 proyek digunakan untuk pelatihan dan pengujian Metode Artificial Neural Network (ANN) dengan
tujuh variabel desain digunakan dalam memprakirakan nilai biaya pekerjaan struktural dari bangunan
Rumah Sakit Pratama pada daerah terpencil di Indonesia. Dari simulasi ANN diperoleh persamaan
empiris terbaik untuk prakiraan harga kontrak gedung rumah sakit pada tahap perencanaan dengan
struktur ANN terbaik 7-9-1 (7 variabel input, 1 hidden layer dengan 9 neuron dan 1 output) dengan
hasil akurasi estimasi biaya rata – rata 96.51% tercapai.
Kata Kunci: Artificial Neural Network; Desain bangunan; Nilai pekerjaan struktural; Prakiraan biaya;
Rumah sakit.
14
Aulia Yudha Prathama, Akhmad Aminullah, dan Ashar Saputra PENDEKATAN
ANN (ARTIFICIAL NEURAL NETWORK) UNTUK PENENTUAN PROSENTASE BOBOT ...
15
| VOL 7, NO.1, DESEMBER 2017; 14-25
mendorong proses umpan balik yang dapat untuk mendapatkan konfigurasi jaringan
membantu perencana untuk mencapai solusi arsitektur model terbaik. Pemodelan untuk
optimal. tahap training menggunakan delapan data
Data sampel yang digunakan untuk pada proyek nomer 2, 4, 5, 6, 7, 10, 11, dan 12.
estimasi biaya dalam makalah ini berasal dari Untuk pengujian data validasi hasil dari tahap
laporan penelitian analisis biaya konstruksi training, menggunakan empat data lain di luar
Rumah Sakit Pratama pada Kementerian training set pada proyek nomer 1, 3, 8, dan 9.
Kesehatan tahun 2015. Sebagai negara ber Tahapan terkait metodologi akan dipaparkan
kembang, Indonesia dikatakan sedang pada bagian berikut.
mengalami pertumbuhan populasi yang cepat
dan sejajar, dengan ini pelayanan kesehatan Aplikasi ANN dalam Estimasi Biaya
bagi rakyat harus dicukupi pemerintah sampai Pekerjaan Struktural
sektor daerah. Inspirasi untuk model Artificial Neural
Pembangunan Rumah Sakit Pratama mem Network berasal dari studi proses di otak
punyai tujuan memfasilitasi dan membantu manusia. Jaringan-jaringan tersebut mem
pelayanan kesehatan terutama di daerah peroleh pengetahuan melalui proses pem
wilayah terpencil di Indonesia agar pelayanan belajaran. Dalam hal ini koneksi antar-neuron
dan kesehatan masyarakat semakin meningkat yang dikenal sebagai bobot sinaptik digunakan
dan merata. Dengan pertimbangan ini, terkait untuk mengingat pengetahuan (Kusumadewi,
biaya pekerjaan struktural yang mempengaruhi 2004). Kemampuan belajar jaringan saraf ini
hasil bangunan konstruksi menjadi isu yang memberi keuntungan dalam memecahkan
semakin penting di negara-negara berkembang masalah kompleks yang solusi analitik dan
seperti Indonesia. Minimnya data, keterbatasan numeriknya sulit didapat. Estimasi biaya
waktu, dan kekurangan sumber daya yang pekerjaan struktural pada tahap perancangan
paham mengenai perhitungan prakiraaan awal adalah salah satunya masalah.
harga pekerjaan struktural merupakan masalah Beberapa peneliti telah menggunakan
utama. Oleh karena itu perlu dilakukan juga jaringan syaraf tiruan sebagai alat untuk
peninjauan pada faktor-faktor yang memliki prediksi dan optimasi sebelumnya, tetapi di
korelasi erat terhadap biaya pekerjaan struk bidang estimasi biaya hanya ada sedikit yang
tural pembangunan gedung Rumah Sakit mengaplikasinya. Karya-karya Shtub dan
Pratama selain faktor jarak lokasi proyek dan Versano, terdiri dari model ANN alternatif
IKK (Indeks Kemahalan Konstruksi) yang untuk memperkirakan biaya. Shtub dan
khususnya tersedia pada tahap persiapan, Versano telah mengembangkan sebuah sistem
sehingga dapat tercipta suatu metode per yang berbasis pada ANN yang dilatih untuk
hitungan prakiraan biaya menggunakan menafsirkan estimasi biaya ketika sebuah
metode ANN yang lebih akurat. teknologi baru diperkenalkan untuk pipa baja.
Mereka juga menemukan bahwa jaringan
Metode syaraf tiruan mengungguli regresi linier
Untuk mencapai tujuan penelitian di atas, analisis untuk estimasi biaya. Zhang dan Fuh
sebuah metodologi penelitian dua langkah merancang model ANN untuk estimasi biaya
perlu dikembangkan. Pada tahap pertama, awal produk kemasan. Dalam model mereka,
model estimasi nilai biaya berbasis ANN pada mereka mengekstrak dan menghitung variabel
penelitian sebelumnya dipelajari dan diselidiki. sensitif biaya dari desain produk. Korelasi
Pada tahap kedua, model ANN dirancang antara variabel komponen biaya dan biaya
untuk estimasi nilai biaya pekerjaan struktural akhir produk ditemukan dengan menggunakan
dalam tahap perancangan pembangunan algoritma ANN berdasarkan data pekerjaan
Rumah Sakit Pratama. Kemudian model diuji sebelumnya.
16
Aulia Yudha Prathama, Akhmad Aminullah, dan Ashar Saputra PENDEKATAN
ANN (ARTIFICIAL NEURAL NETWORK) UNTUK PENENTUAN PROSENTASE BOBOT ...
Pada hasil studi Erlianingsih (2016), arsitektur jaringan syaraf tiruan umpan balik
rumus empiris terbaik dari hasil permodelan dan sistem teknik pembelajaran backpropagation.
Artificial Neural Network yang dapat digunakan Perangkat lunak MATLAB serta
memprakirakan biaya pembangunan gedung spreadsheet excel digunakan untuk pemodelan.
kampus pada tahap konseptual untuk prakira Model telah dikembangkan dalam tiga tahap:
an biaya dengan konfigurasi ANN 6-9-1 (6 fase pemodelan, fase pelatihan, dan tahap
(enam) variabel input), 1(satu) hidden layer pengujian. Tahap pemodelan melibatkan
dengan 9 (sembilan) neuron dan 1 (satu) output). analisis data, identifikasi variabel estimasi
Prosentase error / MMRE maksimal yang biaya dan pemilihan arsitektur jaringan. Tahap
dihasilkan adalah sebesar 6.39%. Sementara pelatihan memerlukan persiapan data dan
hasil penelitian Kesturi (2012) Estimasi Biaya penerapan alogaritma pembelajaran untuk
Tahap Konseptual pada Konstruksi Gedung pelatihan. Tahap pengujian mengevaluasi
Perkantoran dengan Metode ANN, meneliti akurasi prediksi model ANN terkait biaya
terkait penggunaan model arsitektur ANN sebenarnya dibandingkan dengan perkiraan
untuk estimasi biaya pada gedung perkantoran biaya ANN dan persentase kesalahan biaya
memiliki nilai deviasi MMRE sebesar 7.79% kemudian dihitung.
lebih baik dari kriteria deviasi tahap konseptual
menurut AACE (American Association of Cost Tahap Pemodelan
Engineering), yaitu, kelas 4: dengan range Tahap pemodelan, yaitu perancangan
deviasi -15% - -30% dan +25%-+50%. Aptiyasa arsitektur ANN. Tahapan Ini merupakan proses
(2012), dalam penelitiannya tentang cost yang kompleks dan dinamis yang memerlukan
model estimasi konseptual bangunan gedung penentuan struktur permodelan dan aturan
rumah sakit menghasilkan nilai akurasi model internal (yaitu, jumlah lapisan tersembunyi
estimasi biaya pembangunan gedung rumah dan neuron dan jenis fungsi aktivasi). Model ini
sakit dengan metode “Cost Significant Model” dirancang sesuai dengan jenis data dan respon
adalah berkisar antara rentang -12.97% sampai yang dibutuhkan oleh aplikasi ANN (Gambar
dengan +26.80%, dengan rata-rata +2.865%. 1).
Smith dan Mason, (1997) juga meneliti
kinerja, stabilitas, dan kemungkinan pemodelan
estimasi biaya menggunakan regresi versus
ANN untuk mengembangkan hubungan
dengan estimasi biaya. Mereka menjelaskan
bahwa data biaya tidak memungkinkan untuk
desain model yang umum dipilih. Masalah
arsitek model menjadi lebih kompleks karena
dimensi dari variabel independen berkembang.
Kurangnya pengembangan model estimasi
biaya menggunakan ANN untuk tahap
desain perencanaan awal memotivasi penulis
dan model ANN untuk ke depannya perlu
dikembangkan.
17
| VOL 7, NO.1, DESEMBER 2017; 14-25
Tabel 1. Desain Variabel Model ANN untuk Mencari Harga Pek. Struktur
Variabel Definisi Range Data
(1) (2) (3)
x1 Luas Bangunan 1194.69 - 2263.45 m2
x2 Bentang Kolom Rata-Rata 3.43 - 4.96 m
x3 Prosentase Pekerjaan Struktur Tanah dan Pondasi 1.53 - 6.10%
x4 Prosentase Pekerjaan Beton dan Pelat Lantai 15.07 - 26.43%
x5 Prosentase Pekerjaan Struktur Atap 11.29 - 16.10%
x6 IKK 77.59 - 219.74
x7 Jarak Lokasi Proyek dengan Pusat Kota 28 - 523 Km
y Harga Pek. Struktur Rp 2,170,388,545,00 - Rp 6,260,812,639,00
Model ANN saat ini telah dirancang Nilai prosentase pekerjaan struktur tanah
untuk memasukkan input layer dari tujuh dan pondasi, perkerjaan beton dan pelat
elemen pemprosesan (neuron) yang sesuai lantai, pekerjaan struktur atap terlebih dahulu
dengan tujuh parameter input dan output layer kita cari besaran nilainya dengan pendekatan
dari satu elemen pemrosesan (neuron) sebagai ANN. Ketiga varibel tersebut kita gunakan
target. Satu hidden layer dari sembilan elemen sebagai output data awal yang dicari sebagai
proses dipilih setelah beberapa percobaan variabel output ANN, dengan input varibel
selama tahap pengujian. Fungsi hidden layer seperti: luas bangunan, koefisien gempa,
adalah mengekstrak serta mengingat fitur yang kemiringan atap, bentuk bangunan, jumlah
berguna. Subfitur dari pola input kemudian ruangan kamar rawat inap, jenis material
digunakan untuk memprediksi hasil jaringan atap, tinggi bangunan, jarak bentang kolom
atau nilai lapisan output (Kusumadewi, 2004). terpanjang, dan jarak bentang kolom rata-
Oleh karena itu, sejumlah elemen pemrosesan rata, sehingga output awal ANN didapatlah
yang efektif biasanya ditentukan oleh uji coba nilai pada variabel x3, x4, dan x5 pada tabel
untuk hidden layer, karena tidak ada aturan untuk 1. Jarak lokasi proyek dengan pusat ibukota
menentukannya. Model ANN dibentuk secara provinsi serta nilai IKK diasumsikan memiliki
empiris, bukan berasal dari teoritis. Parameter pengaruh terhadap penambahan alokasi biaya
kunci (yaitu, variabel desain bangunan) untuk pada item pekerjaan struktural. Nilai IKK
lapisan masukan dipilih dari analisis data menurut BPS (2015) digunakan sebagai proxy
eksperimental untuk mengevaluasi hasil output untuk mengukur tingkat kesulitan geografis
data (yaitu, biaya pekerjaan struktur) yang suatu daerah, semakin sulit letak geografis
ditunjukkan pada Tabel 1. Model estimasi biaya suatu daerah maka semakin tinggi pula tingkat
didasarkan pada variabel desain berikut dan harga di daerah tersebut. Penghitungan dari
target output sesuai pada gambar. (Gambar 1). Indeks Kemahalan Konstruksi (IKK) karenanya
didasarkan atas suatu pendekatan tertentu
Analisis Data dan Identifikasi Variabel dengan metode yang dikembangkan oleh BPS.
Desain Selain variabel yang dipertimbangkan di
Penyusunan model dilakukan dengan atas, ada beberapa variabel penting lainnya
mengatur parameter yang telah disesuaikan yang belum diperhitungkan dalam pemodelan
untuk mendapatkan hasil waktu komputasi, error ANN ini. Menurut Setyawati (2002) dalam
model dan error prediksi yang minimal (Wartati pemilihan variabel input berpengaruh secara
dkk., 2016). Parameter ini adalah pendorong signifikan terhadap keakuratan prediksi
biaya utama dari contoh kasus. Metode ANN jaringan syaraf, seseorang dapat memperoleh
mendefinisikan karakteristik formal bangunan hasil yang berbeda atau lebih baik jika variabel
dan jumlah bahan yang dibutuhkan untuk input penting lainnya sudah dipelajari.
konstruksi struktural bangunan. Variabel yang dapat diselidiki meliputi tinggi
18
Aulia Yudha Prathama, Akhmad Aminullah, dan Ashar Saputra PENDEKATAN
ANN (ARTIFICIAL NEURAL NETWORK) UNTUK PENENTUAN PROSENTASE BOBOT ...
19
| VOL 7, NO.1, DESEMBER 2017; 14-25
20
Aulia Yudha Prathama, Akhmad Aminullah, dan Ashar Saputra PENDEKATAN
ANN (ARTIFICIAL NEURAL NETWORK) UNTUK PENENTUAN PROSENTASE BOBOT ...
21
| VOL 7, NO.1, DESEMBER 2017; 14-25
sekitar 6.06% sedangkan deviasi rata-rata sekitar profesional menggunakan informasi yang lebih
3.49% (Tabel 2). Keakuratan perkiraan biaya akurat dan lengkap tentang desain bangunan
dapat mendekati sistem pakar professional untuk pekerjaan struktural. Pada tahap
yang dikembangkan oleh Mohamed dan Celik, perancangan desain awal bagi para perencana
di mana perkiraan biaya total ditemukan antara profesional, keakuratan model estimasi biaya
kisaran 2% dan 4% dari biaya sebenarnya. Tentu yang digunakan untuk dasar dari perencanaan
saja, kita tidak boleh lupa bahwa perencana memiliki justifikasi yang tak ternilai untuk
membuat keputusan yang lebih baik.
Signifikan
Koefisien
Koefisien
Korelasi
Korelasi
Variabel Input
Nilai
Nilai
Keterangan Keterangan Keterangan Keterangan
Luas Bangunan 0.929 Hub. Kuat 0.001 Ada Hubungan 0.976 Hub. Kuat 0 Ada Hubungan
(mendekati 1) (Kurang dari 0.01) (mendekati 1) (Kurang dari 0.01)
Bentang Kolom 0.929 Hub. Kuat 0.001 Ada Hubungan 0.976 Hub. Kuat 0 Ada Hubungan
Rata-Rata (mendekati 1) (Kurang dari 0.01) (mendekati 1) (Kurang dari 0.01)
Prosentase 0.571 Hub. Kuat 0.48 Tidak Ada 0.738 Hub. Kuat 0.37 Tidak Ada Hubungan
Pekerjaan (mendekati 1) Hubungan (lebih (mendekati 1) (lebih dari 0.05)
Struktur Tanah dari 0.05)
dan Pondasi
Prosentase 0.143 Hub.Lemah 0.621 Tidak Ada 0.167 Hub.Lemah 0.693 Tidak Ada Hubungan
Pekerjaan Beton (mendekati 0) Hubungan (lebih (mendekati 0) (lebih dari 0.05)
dan Pelat Lantai dari 0.05)
Prosentase 0.357 Hub.Lemah 0.316 Tidak Ada 0.595 Hub. Kuat 0.12 Tidak Ada Hubungan
Pekerjaan (mendekati 0) Hubungan (lebih (mendekati 1) (lebih dari 0.05)
Struktur Atap dari 0.05)
IKK 0.357 Hub.Lemah 0.316 Tidak Ada 0.524 Hub. Kuat 0.183 Tidak Ada Hubungan
(mendekati 0) Hubungan (lebih (mendekati 1) (lebih dari 0.05)
dari 0.05)
Jarak Lokasi 0.214 Hub.Lemah 0.458 Tidak Ada 0.31 Hub.Lemah 0.456 Tidak Ada Hubungan
Proyek dengan (mendekati 0) Hubungan (lebih (mendekati 0) (lebih dari 0.05)
Pusat Kota dari 0.05)
22
Aulia Yudha Prathama, Akhmad Aminullah, dan Ashar Saputra PENDEKATAN
ANN (ARTIFICIAL NEURAL NETWORK) UNTUK PENENTUAN PROSENTASE BOBOT ...
Permen PU dapat dikaji ulang agar dapat lebih nilai pekerjaan struktur bangunan pada tahap
kompeten dan dapat digunakan untuk acuan awal proses perancangan bangunan Rumah
ke depannya. Terkait Permen PU itu sendiri Sakit Pratama. Pendekatan ini terbukti mampu
sudah cukup lama belum dilakukan revisi memberikan perkiraan biaya pekerjaan
dan tentunya kurang cukup kompeten bila struktur yang akurat dengan menggunakan
digunakan untuk perkembangan konstruksi tujuh parameter yang tersedia di awal tahap
pada masa sekarang. perencanaan. Model ANN ini menetapkan
metodologi yang dapat memberikan cara
Tabel 4. Perbandingan Prosentase estimasi biaya pekerjaan struktur yang
Komponen Pekerjaan Berdasarkan Permen ekonomis untuk Rumah Sakit Pratama pada
PU No.45/PRT/M/2007 proses desain bangunan di masa akan datang.
No. Prosentase Pekerjaan (%) Kelemahan utama dari metode perkiraan
Proyek Pondasi Struktur Atap biaya konvensional adalah kebutuhan akan
informasi proyek yang terperinci, selain itu
2 3.76 46.69 15.25
ketidakpastian mengenai pengembangan
4 2.82 34.65 14.84 proyek dan perubahan beberapa parameter
5 1.96 32.10 12.82 desain, dan lain-lainnya. Hasil permodelan
6 2.03 33.05 11.28 ANN kami telah dikembangkan untuk estimasi
7 1.52 33.27 12.47 biaya awal dari nilai pekerjaan struktural
10 3.05 35.80 16.04 pada bangunan Rumah Sakit Pratama dengan
menerapkan prinsip-prinsip pembelajaran
11 3.29 35.12 15.20
neural network yang sudah mengalami proses
12 6.03 39.07 16.10
pelatihan dan validasi. Model ANN ini
Rerata 3.06 36.22 14.25 membuktikan bahwa jaringan syaraf tiruan
Range mampu mengurangi ketidakpastian terkait
5 - 10% 25 - 35% 8 - 10%
Permen PU dengan biaya suatu item pekerjaan struktural
bangunan Rumah Sakit Pratama.
Metode Artificial Neural Network (ANN) Kemampuan permodelan ANN untuk
mempelajari penyelesaian masalah dari contoh, estimasi biaya merupakan hal inovatif dan
sehingga kinerja model jaringan syaraf tiruan perlu dikembangkan. Pendekatan metode
untuk estimasi biaya sangat bergantung pada ini memperluas kemungkinan membangun
kualitas dan kuantitasnya contoh inputnya model berbasis pengetahuan skala penuh
pada proses training, semakin banyak contoh untuk memprediksi biaya pekerjaan struktural
yang ada, kemungkinan semakin sedikit Rumah Sakit Pratama. Pendekatan ini dapat
prediksi error yang dihasilkan dari model memecahkan pemetaan non-linear yang
ANN. Dengan demikian, untuk mempelajari kompleks untuk memprediksi total biaya
metode pemodelan dan prediksi, dan membuat setiap paket pekerjaan pada tahap proses
model ANN untuk prediksi biaya pekerjaan perancangan dan konstruksi. ANN juga
struktural yang akurat, perlu kebutuhan untuk dapat dimanfaatkan di bidang manajemen
keandalan, kualitas tinggi, data biaya pekerjaan proyek lainnya seperti mencari besaran dari
struktural skala penuh dari berbagai jenis dan nilai kualitas, produktivitas, konstrukabilitas,
kondisi. prediksi rekayasa nilai, penjadwalan, dan lain-
Meskipun data yang dipilih untuk model lainnya.
ANN pada penelitian ini terbatas cakupannya,
hasilnya dapat mendorong penelitian lebih
DAFTAR PUSTAKA
lanjut terhadap kumpulan data yang diperluas
Al-Tabtabai H, Alex AP. Modeling The Cost
ke depannya. Tujuan utama dari penelitian ini
Of Political Risk In International
adalah untuk memperkenalkan pendekatan
Construction Projects. Project Manage
baru dan alternatif untuk menggunakan
J2000;31(3):4–13.
jaringan syaraf tiruan untuk estimasi biaya
23
| VOL 7, NO.1, DESEMBER 2017; 14-25
24
Aulia Yudha Prathama, Akhmad Aminullah, dan Ashar Saputra PENDEKATAN
ANN (ARTIFICIAL NEURAL NETWORK) UNTUK PENENTUAN PROSENTASE BOBOT ...
Safitri, R. A., 2015. Optimasi Pradesain Squeira I., 1999. Neural Network-Based Cost
Dimensi Gelagar Jembatan Komposit Estimating, Master’s Thesis. Department
Baja-Beton Dengan Menggunakan of Building, Civil and Environmental
Pemodelan ANN (Artificial Neural Engineering, Concordia University
Network). Yogyakarta: Tesis. Suryani, E., 2015. Optimasi Dimensi Balok
Universitas Gadjah Mada. Beton Prategang Profil I Untuk
Saner C., 1993. A Proposal For Cost-Estimation Jembatan Kelas A Dengan Meng
For Structural Systems Of 4–8 Storey gunakan Pemodelan ANN (Artificial
Residential Buildings. MSc Thesis, Neural Network). Yogyakarta: Tesis.
Istanbul Technical University Universitas Gadjah Mada.
Sebastian, N. P., 2016. Prediksi Dimensi Syamsi, M. I., 2015. Prediksi Rating Factor
Optimum Struktur Atap Rangka Jembatan Beton Prategang Tipe-I
Baja Canai Dengan Metode Artificial Dengan Metode Artificial Neural
Neural Network. Yogyakarta: Tesis. Network. Yogyakarta: Tesis.
Universitas Gadjah Mada. Universitas Gadjah Mada.
Setyawati, Dkk, 2002. Neural Network Wartati, D., Nur A.E., 2016. Aplikasi Jaringan
for Cost Estimation. AACE Inter Saraf Tiruan dan Particle Swarm
nationalTransaction,ES131. Optimization untuk Peramalan
Shtub A, Versano R. Estimating The Cost Of Steel Indeks Harga Saham Bursa Efek
Pipe Bending, A Comparison Between Indonesia. Jurnal Teknosains UGM
Neural Networks Andregression Vol.6, ISSN: 2089-6131 (Print), ISSN:
Analysis. Prod Econ 1999;62:201–7. 2443-1311 (Online)
Shottlander, E.D., 2006. How Accurate are Wijiyanto, N.A, Kusrini D.E., Irhamah, 2012.
Your Estimates? AACE International Peramalan Nilai Kontrak Konstruksi
Transactions. PT’X’ dengan Menggunakan
Pendekatan Regeresi Time Series dan
Siang, J.J., 2009. Jaringan Syaraf Tiruan dan ANFIS. Jurnal Sains dan Seni ITS
Pemogramannya Menggunakan Vol.1,ISSN:2301-928X.
MATLAB. Yogyakarta: Penerbit
ANDI. Yudhistira, A. T., 2014. Prediksi Penurunan
Kapasitas Struktur Atas Jembatan
Sodikov, J., 2005. Cost Estimation of Highway Rangka Baja Dengan Metode Artificial
Projects in Developing Countries: Neural Network. Yogyakarta: Tesis.
Artificial Neural Network Approach. Universitas Gadjah Mada.
Journal of the Eastern Asia Society
for Transportation Studies, Vol. 6, Zhang YF, Fuh JYH, 1998. A Neural Network
1036-1047. Approach For Early Cost Estimation Of
Packaging Products. Comput Ind Eng
1998;34(2):433–50.
25