Publisher

PUBLICASCIENTIFICSOLUTIONPUBLICASCIENTIFICSOLUTION

Journal Jurnal Teknik IndonesiaJurnal Teknik Indonesia Abstract

Estimasi biaya akurat untuk infrastruktur drainase merupakan tantangan kritis di daerah perkotaan yang berkembang pesat, terutama di daerah dengan data proyek historis terbatas. Di Indonesia, metode estimasi yang tidak memadai sering menyebabkan kelebihan biaya dan alokasi anggaran yang tidak efisien, yang menunjukkan kebutuhan akan pendekatan prediktif yang lebih andal. Penelitian ini bertujuan untuk mengembangkan dan memvalidasi Jaringan Syaraf Buatan (ANN) untuk memprediksi biaya konstruksi drainase di lingkungan dengan data yang terbatas. Desain penelitian kuantitatif digunakan dengan data dari 10 proyek drainase di Kabupaten Buton Selatan, yang kemudian diperluas menjadi 150 sampel melalui augmentasi data berbasis aturan. Model ANN, yang didasarkan pada arsitektur Multilayer Perceptron (MLP), dilatih dan divalidasi menggunakan 5-fold cross-validation. Kinerjanya dievaluasi menggunakan R², MAE, RMSE, dan MAPE, dan dibandingkan dengan model Regresi Linear Berganda (MLR), Random Forest (RF), dan Regresi Vektor Support (SVR). Hasilnya menunjukkan bahwa model ANN yang diusulkan mencapai kinerja prediktif yang unggul, dengan R² sebesar 0.9978 dan MAPE sebesar 3.04%, yang secara signifikan melebihi model patokan.

Conclusion

Penelitian ini berhasil mengembangkan dan memvalidasi model Jaringan Syaraf Buatan (ANN) yang ditingkatkan dengan analisis pentingnya fitur untuk memprediksi biaya infrastruktur drainase di daerah dengan data yang terbatas untuk Kabupaten Buton Selatan, Indonesia, dengan kinerja prediktif yang luar biasa (MAE = IDR 5.04%) dan secara signifikan melebihi Regresi Linear, Random Forest, dan Regresi Vektor Support.Inovasi kunci termasuk analisis Pentingnya Permutasi, 5-fold cross-validation, dan augmentasi data berbasis aturan, yang memperluas 10 proyek asli menjadi 150 sampel yang valid secara teknis dan ekonomi, sambil mengidentifikasi biaya unit batu bata sebagai penggerak dominan biaya proyek total.Model ini menyediakan alat pendukung keputusan praktis bagi otoritas lokal, meningkatkan perencanaan anggaran, mengurangi kesalahan estimasi dari sekitar 20-25% menjadi sekitar 3%, dan mendukung disiplin fiskal, dengan implementasi mungkin pada platform yang dapat diakses seperti Google Colab.Penelitian masa depan harus mengeksplorasi integrasi data harga material real-time, memperluas kerangka kerja ke domain infrastruktur lainnya, mengembangkan antarmuka pengguna yang ramah pengguna untuk pemangku kepentingan non-teknis, dan menyelidiki pendekatan hibrid ANN-machine learning untuk lebih meningkatkan akurasi dan ketahanan prediktif, sehingga mendorong estimasi biaya yang didorong AI di pengaturan sumber daya yang terbatas.

Future Research

Untuk penelitian lanjutan, disarankan untuk mengintegrasikan data harga material real-time, memperluas kerangka kerja ke domain infrastruktur lainnya, mengembangkan antarmuka pengguna yang ramah pengguna untuk pemangku kepentingan non-teknis, dan menyelidiki pendekatan hibrid ANN-machine learning untuk lebih meningkatkan akurasi dan ketahanan prediktif. Selain itu, penelitian dapat dilakukan untuk mengeksplorasi cara-cara baru dalam meningkatkan kualitas estimasi biaya, seperti dengan menggunakan teknik-teknik analisis data yang lebih canggih atau dengan menggabungkan data dari sumber-sumber yang berbeda. Dengan demikian, penelitian ini dapat memberikan kontribusi yang signifikan dalam meningkatkan perencanaan infrastruktur dan alokasi anggaran yang lebih efisien di daerah dengan data yang terbatas.

References

1. Artificial Neural Networks for Sustainable Development of the Construction Industry. artificial neural... doi.org/10.3390/su142214738Artificial Neural Networks for Sustainable Development of the Construction Industry artificial neural doi 10 3390 su142214738
2. Artificial Neural Network Models to Predict the Cost and Time of Wastewater Projects | Journal of Engineering.... doi.org/10.31026/j.eng.2023.01.06Artificial Neural Network Models to Predict the Cost and Time of Wastewater Projects Journal of Engineering doi 10 31026 j eng 2023 01 06
3. Predicting the Final Cost of Iraqi Construction Project Using Artificial Neural Network (ANN). predicting... indjst.org/articles/predicting-the-final-cost-of-iraqi-construction-project-using-artificial-neural-network-annPredicting the Final Cost of Iraqi Construction Project Using Artificial Neural Network ANN predicting indjst articles predicting the final cost of iraqi construction project using artificial neural network ann

Metadata

File size	225.77 KB
Pages	7
DMCA	Report