PENERAPAN JARINGAN SYARAF TIRUAN UNTUK PREDIKSI BIAYA PROYEK KONTRUKSI JALAN MENGGUNAKAN METODE BACKPROPAGATION DENGAN MODEL MLP (STUDI KASUS : JALAN WILAYAH KABUPATEN PEKALONGAN)
DOI:
https://doi.org/10.70248/jismdb.v2i4.2777Keywords:
Artificial Neural Network, Prediksi Harga Satuan, Evaluasi Model, Estimasi Biaya, StreamlitAbstract
Penelitian ini bertujuan untuk mengembangkan sistem prediksi harga satuan dan estimasi biaya proyek jalan berbasis web menggunakan model Artificial Neural Network (ANN) dengan arsitektur Multilayer Perceptron (MLP) dan algoritma backpropagation. Model dilatih dengan data historis harga satuan empat jenis pekerjaan jalan—Lapis Pondasi Agregat, Pelaburan Keras, Aggregat Penutup Burda, dan Latasir Manual—dari tahun 2017 hingga 2024. Data diproses melalui tahapan cleaning, transformasi ke long format, encoding, dan normalisasi. Proses pelatihan menggunakan 300 epoch dengan batch size 32 dan validasi 20% dari data pelatihan. Hasil evaluasi menunjukkan performa model yang sangat baik dengan nilai Mean Squared Error (MSE) sebesar 598.031.344,79, Mean Absolute Error (MAE) sebesar 12.923,91, Mean Absolute Percentage Error (MAPE) sebesar 24,68%, serta koefisien determinasi (R²) sebesar 0,9818. Visualisasi scatter plot dan histogram distribusi prediksi juga menunjukkan kedekatan yang konsisten antara nilai aktual dan prediksi. Dengan performa tersebut, model ANN terbukti mampu melakukan prediksi harga satuan yang akurat dan dapat digunakan untuk membantu pengambilan keputusan dalam perencanaan anggaran proyek konstruksi jalan.
References
C. Utomo dkk., “Model Pelatihan Kelayakan Proyek Untuk UMKM Konstruksi dalam Pengembangan Usaha,” Sewagati, vol. 7, no. 3, hal. 405–411, 2023.
A. AlTalhoni, H. Liu, dan O. Abudayyeh, “Forecasting Construction Cost Indices: Methods, Trends, and Influential Factors,” Buildings, vol. 14, no. 10. 2024, doi: 10.3390/buildings14103272.
R. Nasution, “Pengembangan Sistem Prediksi Kegagalan Mesin Berbasis AI untuk Industri Manufaktur,” J. Terap. Ilmu Pengetah., vol. 1, no. 1, hal. 47–51, 2024.
I. Soeharto, Manajemen Proyek Dari Konseptual Sampai Operasional. Jakarta: Erlangga, 1997.
L. A. ZAHIR dan M. MUHLIS, “JARINGAN SARAF TIRUAN (NEURAL NETWORK) UNTUK ESTIMASI PRODUKTIVITAS PEKERJA KONSTRUKSI,” J. DAKTILITAS, vol. 2, no. 2, hal. 142–153, 2022.
M. Ridwan, B. P. Sutardi, dan L. M. G. Jaya, “Rancang Bangun Aplikasi Perhitungan Rencana Anggaran Biaya (RAB) Pembangunan Rumah Tinggal,” Ranc. Bangun Apl. Perhitungan Rencana Anggar. Biaya, vol. 4, no. 1, hal. 57–64, 2018.
A. Bimantoro, S. Sumarno, dan H. S. Tambunan, “Estimasi Pemberantasan Hama di Kebun Bah Jambi Menggunakan Algoritma Backpropagation,” J. Comput. Syst. Informatics, vol. 2, no. 2, hal. 222–231, 2021.
Y. A. Tondayana dan D. Prayogo, “The Implementation of ANN in Predicting Construction Costs Considering Macroeconomic Factors: Penerapan Metode ANN Dalam Memprediksi Biaya Konstruksi Bangunan Dengan Mempertimbangkan Faktor Makroekonomi,” Dimens. Utama Tek. Sipil, vol. 11, no. 2, hal. 94–107, 2024.
R. Dewanti, A. Aminullah, dan H. Priyosulistyo, “Estimasi Biaya Struktur Gedung Rumah Sakit dengan Bentuk Persegi Panjang Menggunakan Metode Artificial Neural Network,” J. Civ. Eng. Plan., vol. 2, no. 2, hal. 139–149, 2021.
S. N. Mugume, J. Murungi, P. M. Nyenje, J. I. Sempewo, J. Okedi, dan J. Sörensen, “Development and application of a hybrid artificial neural network model for simulating future stream flows in catchments with limited in situ observed data,” J. Hydroinformatics, vol. 26, no. 8, hal. 1944–1969, 2024.
L. B. V De Amorim, G. D. C. Cavalcanti, dan R. M. O. Cruz, “The choice of scaling technique matters for classification performance,” Appl. Soft Comput., vol. 133, hal. 109924, 2023.
A. Pranolo dkk., “Enhanced Multivariate Time Series Analysis Using LSTM: A Comparative Study of Min-Max and Z-Score Normalization Techniques,” Ilk. J. Ilm., vol. 16, no. 2, hal. 210–220, 2024.
D. A. Pragana, D. W. Manurung, dan A. P. Windarto, “Analisa Metode Backpropagation Pada Prediksi Rata-rata Harga Beras Bulanan Di Tingkat Penggilingan Menurut Kualitas,” J. Comput. Informatics Res., vol. 2, no. 3, hal. 76–84, 2023.
N. Paeedeh dan K. Ghiasi-Shirazi, “Improving the backpropagation algorithm with consequentialism weight updates over mini-batches,” Neurocomputing, vol. 461, hal. 86–98, 2021.
A. Y. Naufal, M. Tafrikan, dan A. K. Rachmawati, “Implementasi Backpropagation ANN dan Algoritma Genetika Terhadap Estimasi Pendapatan Agen Ekspedisi Pengiriman Barang,” Walisongo J. Inf. Technol., vol. 5, no. 1, hal. 65–78, 2023.
W.-B. Chiu dan L.-M. Chang, “Machine learning multilayer perceptron method for building information modeling application in engineering performance prediction,” J. Chinese Inst. Eng., vol. 46, no. 7, hal. 713–725, 2023.
R. Ali, J. Hussain, dan S. W. Lee, “Multilayer perceptron-based self-care early prediction of children with disabilities,” Digit. Heal., vol. 9, hal. 20552076231184056, 2023.
A. Lazcano, M. A. Jaramillo-Morán, dan J. E. Sandubete, “Back to basics: The power of the multilayer perceptron in financial time series forecasting,” Mathematics, vol. 12, no. 12, hal. 1920, 2024.
D. Chicco, M. J. Warrens, dan G. Jurman, “The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation,” Peerj Comput. Sci., vol. 7, hal. e623, 2021.
E. M. M. Alzeyani dan C. Szabó, “Comparative Evaluation of Model Accuracy for Predicting Selected Attributes in Agile Project Management,” Mathematics, vol. 12, no. 16, hal. 2529, 2024.
