PENGGUNAAN MACHINE LEARNING UNTUK ESTIMASI BIAYA DAN WAKTU KONSTRUKSI BANGUNAN GEDUNG
DOI:
https://doi.org/10.54314/jssr.v8i3.3322Abstract
Abstrak: Cost and time estimation of building construction projects often face challenges due to the complexity of influencing variables, such as material type, architectural design, geographical conditions, and labor productivity. This study implements a machine learning algorithm to improve the accuracy of cost and project duration estimation by utilizing historical construction project datasets. The methodology used includes data preprocessing, feature selection, and model training using the Random Forest Regressor algorithm and Artificial Neural Network (ANN). The dataset consists of 500 building projects in Indonesia with attributes such as floor area, number of floors, type of structure, location, contract value, and completion time. The evaluation results show that Random Forest has better performance than ANN on both estimation targets. For cost estimation, Random Forest produces MAE of 2,283.68 million rupiah and MAPE of 62.31%, while ANN has MAE of 2,944.58 million rupiah and MAPE of 65.04%. In the project completion time estimation, Random Forest recorded MAE of 153.36 days and MAPE of 59.89%, while ANN produced MAE of 245.76 days and MAPE of 77.12% for time estimation. This study proves that machine learning can be used effectively to support more accurate and efficient construction project planning.
Â
Kata kunci: Construction Cost Estimation, Project Duration Estimation, Machine Learning, Random Forest, Artificial Neural Network, Building Construction Projects.
Abstract: Estimasi biaya dan waktu proyek konstruksi bangunan gedung sering kali menghadapi tantangan karena kompleksitas variabel yang mempengaruhi, seperti jenis material, desain arsitektural, kondisi geografis, serta produktivitas tenaga kerja. Penelitian ini mengimplementasikan algoritma machine learning untuk meningkatkan akurasi estimasi biaya dan durasi proyek dengan memanfaatkan dataset historis proyek konstruksi. Metodologi yang digunakan meliputi praproses data, seleksi fitur, dan pelatihan model menggunakan algoritma Random Forest Regressor dan Artificial Neural Network (ANN). Dataset terdiri dari 500 proyek bangunan gedung di Indonesia dengan atribut seperti luas lantai, jumlah lantai, jenis struktur, lokasi, nilai kontrak, serta waktu penyelesaian. Hasil evaluasi menunjukkan bahwa Random Forest memiliki performa lebih baik dibandingkan ANN pada kedua target estimasi. Untuk estimasi biaya, Random Forest menghasilkan MAE sebesar 2.283,68 juta rupiah dan MAPE 62,31%, sedangkan ANN memiliki MAE sebesar 2.944,58 juta rupiah dan MAPE 65,04%. Pada estimasi waktu penyelesaian proyek, Random Forest mencatat MAE sebesar 153,36 hari dan MAPE 59,89%, sedangkan ANN menghasilkan MAE sebesar 245,76 hari dan MAPE 77,12% untuk estimasi waktu. Studi ini membuktikan bahwa machine learning dapat digunakan secara efektif untuk mendukung perencanaan proyek konstruksi yang lebih akurat dan efisien.
Â
Keywords: Estimasi Biaya Konstruksi, Estimasi Durasi Proyek, Machine Learning, Random Forest, Artificial Neural Network, Proyek Bangunan Gedung.
Â
Downloads
References
Akbar, M. F., T. N. Handayani, and Ashar Saputra. 2024. “Pemodelan Artificial Neural Network Untuk Estimasi Biaya Proyek Peningkatan Jalan Aspal Dengan Variabel Bebas Dimensi Item Pekerjaan.†(September):1–7.
Binanto, Iwan, M. Rizky Fajar Mali, Basilius Arilla Dimas N, and Ajitama Jaya. 2024. “Perbandingan Algoritma Random Forest Dan Artificial Neural Network Untuk Dataset Water Potability.†Jtriste 11(1):53–59. doi: 10.55645/jtriste.v11i1.510.
Hidayah, Hilda Khoirotul, Endah Septa Sintiya, Teknologi Informasi, Politeknik Negeri Malang, Neural Network, Dissolved Gas Analysis, Duval Pentagon, Duval Triangle, Support Vector Machine, Artificial Neural Network, Analisis Gas Terlarut, Kadar Air, Tegangan Antar, and Tegangan Antar. n.d. “Implementasi Machine Learning Pada Sistem Informasi.†2:571–80.
Leni, D., & Sumiati, R. 2022. “Perbandingan Alogaritma Machine Learning Untuk Prediksi Sifat Mekanik Pada Baja Paduan Rendah.†Jurnal Rekayasa Material, Manufaktur Dan Energi 5(2):167–74.
Purmala, Yulio Agefa. 2021. “Implementation of Machine Learning to Increase Productivity in the Manufacturing Industry: A Literature Review.†Operations Excellence: Journal of Applied Industrial Engineering 13(2):267. doi: 10.22441/oe.2021.v13.i2.026.
Putra, Purwa Hasan, Indri Dhitisari, Politeknik Negeri Medan, and Politeknik Negeri Medan. 2024. “INOVASI SMART FARMING OPTIMALISASI BAWANG MERAH.†4307(4):1788–92.
Putra, Purwa Hasan, Bister Purba, and Yulia Agustina Dalimunthe. 2023. “Random Forest and Decision Tree Algorithms for Car Price Prediction.†1(2):81–89.
Saragih, Triando Hamonangan, Mohammad Reza Faisal, and Muhammad Haekal. 2022. “Efesiensi Energi Pada Bangunan.†09(1):22–32.
Tahapari, Yesia, Arief Setiawan Budi Nugroho, and Latif Budi Suparma. 2021. “Model Estimasi Biaya Dengan Cost Significant Model Dan Artificial Neural Network Proyek Peningkatan Jalan Aspal Di Yogyakarta.†Jurnal Teknik Sipil 16(2):122–33. doi: 10.24002/jts.v16i2.4778.
Tondayana, Yoszy Aldo, Mahasiswa Program, Studi Magister, Teknik Sipil, Universitas Kristen Petra, Dosen Program, Studi Magister, Teknik Sipil, and Universitas Kristen Petra. 2024. “PENERAPAN METODE ARTIFICIAL NEURAL NETWORK DALAM MEMPREDIKSI BIAYA KONSTRUKSI BANGUNAN DENGAN.†11(2):94–107. doi: 10.9744/duts.11.2.94-107.
