ESTIMASI BIAYA TAHAP KONSEPTUAL PADA KONSTRUKSI GEDUNG PERKANTORAN DENGAN METODE ARTIFICIAL NEURAL NETWORK SKRIPSI

Transkripsi

1 UNIVERSITAS INDONESIA ESTIMASI BIAYA TAHAP KONSEPTUAL PADA KONSTRUKSI GEDUNG PERKANTORAN DENGAN METODE ARTIFICIAL NEURAL NETWORK SKRIPSI LUDYA KESTURI FAKULTAS TEKNIK PROGRAM SARJANA DEPOK JUNI 2012

2 1155/FT.01/SKRIP/09/2012 UNIVERSITAS INDONESIA ESTIMASI BIAYA TAHAP KONSEPTUAL PADA KONSTRUKSI GEDUNG PERKANTORAN DENGAN METODE ARTIFICIAL NEURAL NETWORK SKRIPSI Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana LUDYA KESTURI FAKULTAS TEKNIK PROGRAM STUDI TEKNIK SIPIL KEKHUSUSAN MANAJEMEN KONSTRUKSI DEPOK JUNI 2012

3 HALAMAN PERNYATAAN ORISINALITAS Skripsi ini adalah hasil karya saya sendiri, dan semua sumber baik yang dikutip maupun dirujuk telah saya nyatakan dengan benar. Nama : Ludya Kesturi NPM : Tanda Tangan : Tanggal : 22 Juni 2012 ii

4 HALAMAN PENGESAHAN Skripsi ini diajukan oleh : Nama : Ludya Kesturi NPM : Program Studi : Teknik Sipil Judul Skripsi : Estimasi Biaya Tahap Konseptual pada Konstruksi Gedung Perkantoran dengan Metode Artificial Neural Network Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima sebagai bagian persyaratan yang diperlukan untuk memperoleh gelar Sarjana Teknik pada Program Studi Teknik Sipil, Fakultas Teknik,. DEWAN PENGUJI Pembimbing 1 : Ir. Wisnu Isvara, M.T. ( ) Pembimbing 2 : Prof. Dr. Ir. Yusuf Latief ( ) Penguji : Ir. Setyo Supriadji, M.S. ( ) Penguji : Rosmariani S.T., M.T. ( ) Ditetapkan di : Depok Tanggal : 22 Juni 2012 iii

5 UCAPAN TERIMA KASIH Puji dan syukur penulis panjatkan kepada Allah SWT karena hanya berkat rahmat dan ridho-nya penulis dapat menyelesaikan penyusunan skripsi ini. Penelitian ini merupakan salah satu syarat untuk dapat melanjutkan ke tahap berikutnya yaitu penyusunan skripsi, dan lebih dekat lagi kepada gelar Sarjana Teknik dari Departemen Teknik Sipil, Fakultas Teknik,. Secara khusus penulis mempersembahkan seminar skripsi ini kepada orang tua khususnya Mama dan Almarhum Ayah. Terima kasih atas kasih sayang dan dukungan yang diberikan selama ini. Serta kepercayaan dan teladan bagi diri penulis. Penulis menyadari bahwa dalam penulisan skripsi ini, masih terdapat kekurangan dan keterbatasan. Oleh karena itu, penulis terbuka terhadap kritik dan saran untuk perbaikan dan penyempurnaan penelitian ini. Semoga penelitian ini berguna bagi perkembangan bidang konstruksi di Indonesia. Dalam proses pembuatan skripsi ini penulis banyak mendapatkan bantuan dan dukungan dari berbagai pihak, baik perorangan maupun instansi terkait. Pada kesempatan kali ini penulis ingin mengucapkan terima kasih sebesar-besarnya kepada seluruh pihak yang telah membantu terwujudnya skripsi ini, antara lain kepada: (1) Bapak Prof. Dr. Ir. Yusuf Latief, selaku Ketua Bimbingan Skripsi pada peminatan Manajemen Konstruksi, serta Pembimbing Skripsi penulis yang telah bersedia meluangkan waktu, tenaga, pemikiran, dan memberikan pengarahan yang berharga dalam pembuatan seminar ini. (2) Bapak Ir. Wisnu Isvara, MT., selaku Pembimbing Skripsi penulis atas pengarahan yang diberikan kepada penulis sejak awal, serta peluangan waktu, tenaga, dan pemikiran beliau dalam memberikan bimbingan yang sangat bermanfaat bagi seminar skripsi penulis (3) Bapak Suratman, ST., MT. dan Ibu Rosmariani, ST., MT., selaku dosen penguji dalam Sidang Seminar Skripsi penulis atas masukan dan rekomendasi yang telah diberikan. iv

6 (4) Kak Panggih selaku narasumber, atas kebersediaan beliau dalam membantu seminar skripsi penulis khususnya dalam penyediaan data yang diperlukan. (5) Kepada Kak Julian Bagus yang rela meluangkan waktunya untuk memberikan ilmu mengenai ANN (6) Seluruh dosen pengajar yang telah mengajar selama penulis menempuh perkuliahan di FTUI. Terima Kasih atas dedikasi dan ilmu yang bermanfaat, semoga Tuhan memberkati. (7) Seluruh staff pegawai di lingkungan FTUI terutama bagian administrasi, juga keamanan, teknologi informasi, dan lain-lain. Terima kasih telah membantu kelancaran jalannya perkuliahan di Teknik Sipil FTUI. (8) Kakak-kakak penulis yang ikut membantu memperlancar kegiatan penulis selama penelitian skripsi ini. (9) Sahabat-sahabat serta teman-teman SMA penulis yang senantiasa memberikan dukungan kepada penulis; Vina, Utie, Ipeh, Caca, Popo, Fina, Nisa. Terimakasih karena selalu ada untuk penulis termasuk di saat penulisan skripsi ini. (10) Jennyvera dan juga rekan-rekan satu bimbingan lain, yang telah melewati masa-masa bimbingan bersama dengan penulis. Terimakasih atas kekooperatifannya dan dukungan semangatnya. (11) Seluruh teman-teman angkatan 2008 atas dukungan, doa, serta masukan yang diberikan. Terima kasih telah mewarnai kehidupan kampus penulis. (12) Seluruh pihak dan teman-teman lainnya yang tidak dapat disebutkan satu persatu. Terima Kasih Banyak. Depok, 22 Juni 2012 Penulis v

7 HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI TUGAS AKHIR UNTUK KEPENTINGAN AKADEMIS Sebagai sivitas akademik, saya yang bertanda tangan di bawah ini: Nama : Ludya Kesturi NPM : Program studi : Teknik Sipil Departemen : Teknik Sipil Fakultas : Teknik Jenis Karya : Skripsi demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Hak Bebas Royalti Noneksklusif (Non-exclusive Royalty- Free Right) atas karya ilmiah saya yang berjudul : Estmiasi Biaya Tahap Konseptual pada Konstruksi Gedung Perkantoran dengan Metode Artificial Neural Network beserta perangkat yang ada (jika diperlukan) dengan Hak Bebas Royalti Noneksklusif ini berhak menyimpan, mengalihmedia/ formatkan, mengelola dalam bentuk pangkalan data (database), merawat, dan memublikasikan tugas akhir saya selama tetap mencantumkan nama saya sebagai penulis/pencipta dan sebagai pemilik Hak Cipta. Demikian Pernyataan ini saya buat dengan sebenarnya. Dibuat di: Depok Pada tanggal : 22 Juni 2012 Yang Menyatakan (Ludya Kesturi) vi

8 ABSTRAK Nama : Ludya Kesturi Program Studi : Teknik Sipil Judul : Estimasi Biaya Tahap Konseptual pada Konstruksi Gedung Perkantoran dengan Metode Artificial Neural Network Estimasi biaya tahap konseptual pada konstruksi merupakan hal fundamental bagi keberlangsungan suatu proyek. Perlu dikembangkan suatu metode estimasi biaya yang mampu memiliki performa serta akurasi tinggi. Penelitian ini dikhususkan untuk memberikan gambaran mengenai metode jaringan syaraf tiruan pada estimasi biaya proyek tahap konseptual untuk proyek gedung kantor. Untuk mencapai optimasi model, perlu digunakan variabel-variabel yang tepat sebagai input sehingga kesahihan dan keakurasian output dapat dipertanggungjawabkan. Variabel yang mempengaruhi biaya proyek gedung kantor yang tersedia pada tahap konseptual antara lain, lokasi, pondasi, luas total, tingkat, lapis basement, konstruksi atap, finishing grade, tahun, dan durasi pembangunan. Variabel ini kemudian dimasukkan dalam suatu desain struktur jaringan yang paling cocok sehingga keakurasiannya mencapai 7,79%, memenuhi standar AACE. Kata kunci: Estimasi biaya tahap konseptual, estimasi biaya gedung perkantoran, Jaringan Syaraf Tiruan ABSTRACT Name : Ludya Kesturi Study Program: Civil Engineering Title : Conceptual Cost Estimation of Office Building Constructions Using Artifical Neural Network Method Conceptual estimation is one of the most fundamental part in construction projects. Thus, it needed a development in estimation methods in order to gain more accuracy and better performance in cost estimations. This research especially provides an explanation in the implementation of Artificial Neural Network method in office building construction cost estimation. To reach model optimization, correct variables are needed as inputs to gain output which is accurate and reliable. The variables which affect the office building construction project cost and available at the conceptual phase are, location, foundation, area, number of story, number of basement story, roof construction, finishing grade, year, and project duration. The variables then run in the best network structure and most fitting model of artificial neural network to obtain the best result, which is 7,79% complimentary to AACE standard. Keywords: Cost estimation in conceptual phase, office building cost estimation, Artificial Neural Network vii

9 DAFTAR ISI HALAMAN JUDUL... i HALAMAN PERNYATAAN ORISINALITAS... ii HALAMAN PENGESAHAN... iii UCAPAN TERIMA KASIH... iv HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI... vi ABSTRAK... vii DAFTAR ISI... viii DAFTAR TABEL... x DAFTAR GAMBAR... xi DAFTAR LAMPIRAN... xii 1. PENDAHULUAN Latar Belakang Perumusan Masalah Deskripsi Masalah Signifikansi Masalah Rumusan Masalah Tujuan Penelitian Batasan Penelitian Manfaat Penelitian Model Operasional Peneltian Keaslian Penelitian TINJAUAN PUSTAKA Pendahuluan Estimasi Biaya Estimasi Biaya Proyek Konstruksi Jenis-Jenis Estimasi Biaya Proyek Metode-Metode Estimasi Biaya Proyek Tingkat Keakurasian Estimasi Biaya Proyek Estimasi Biaya Tahap Konseptual Tingkatan Estimasi Biaya Tahap Konseptual Karakteristik Estimasi Biaya Tahap Konseptual Proses Estimasi Biaya Konstruksi Tahap Konseptual Kualitas Estimasi Biaya padatahap Konseptual Dasar Perhitungan Estimasi Biaya pada Tahap Konseptual Gedung Definisi Gedung Klasifikasi Gedung Tata Bangunan Faktor-Faktor yang Mempengaruhi Biaya Konstruksi Gedung Gedung Kantor Perencanaan Gedung Kantor Spesifikasi Gedung Kantor pada Tahap Konseptual Metode Estimasi Biaya Tahap Konseptual Gedung Kantor Jaringan Syaraf Tiruan (Artificial Neural Network) Deskripsi Artificial Neural Network viii

10 ix Konsep Dasar Model Artificial Neural Network Arsitektur Jaringan pada Artificial Neural Network Proses Pembelajaran Algoritma Artificial Neural Network Penggunaan Algoritma Back Propagation Evaluasi Kinerja Model ANN Variabel-Variabel yang Digunakan dalam Model ANN Kerangka Pikir dan Hipotesa METODOLOGI PENELITIAN Pendahuluan Pemilihan Strategi Penelitian Proses Penelitian Variabel Penelitian Instrumen Penelitian Pengumpulan Data Metode Analisa Kesimpulan PENGUMPULAN DAN PENGOLAHAN DATA Pendahuluan Pengumpulan Data Penetapan Variabel Identifikasi Variabel Validasi Variabel Penetapan Variabel Pengolahan Data TEMUAN DAN PEMBAHASAN Pendahuluan Temuan Pembahasan KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR ACUAN DAFTAR REFERENSI ix

11 DAFTAR TABEL Tabel 2.1 Matriks Klasifikasi Estimasi AACE Tabel 2.2 Klasifikasi Bangunan Gedung Pemerintah Tabel 2.3 Klasifikasi bangunan rumah negara Tabel 2.4 Tabel Biaya Square Foot Gedung Apartemen dan Perkantoran Tabel 2.5 Analogi Jaringan Syaraf Biologis dengan ANN Tabel 2.6 Variabel Biaya untuk Bangunan Gedung dari Kajian Literatur Tabel 2.7 Variabel Penelitian Tabel 3.1 Strategi Penelitian Berdasarkan Research Question Tabel 3.2 Tabel Variabel Bebas (X) dan Variabel Terikat (Y) Tabel 3.3 Format Formulir Validasi Pakar Tabel 4.1 Rekap Data Tabel 4.2 Identifikasi Variabel Tabel 4.3 Tabel Kuesioner Validasi Pakar Tabel 4.4 Variabel Setelah Validasi Pakar Tabel 4.5 Variabel yang Dieliminasi Tabel 4.6 Spesifikasi Bangunan Gedung Permenpu No.45 Tahun Tabel 4.7 Kategori Finishing Grade Penelitian Tabel 4.8 Saran Pakar Mengenai Variabel Tambahan Tabel 4.9 Variabel yang Akan Digunakan Pada Penelitian Tabel 4.10 Tabel Data Skenario Tabel 4.11 Variabel Skenario Tabel 4.12 Rekap Hasil Skenario Tabel 4.13 Tabel Data Skenario Tabel 4.14 Variabel Skenario Tabel 4.15 Rekap Hasil Skenario Tabel 4.16 Tabel Data Skenario Tabel 4.17 Variabel Skenario Tabel 4.18 Rekap Hasil Skenario Tabel 4.19 Tabel Data Skenario Tabel 4.11 Variabel Skenario Tabel 4.12 Rekap Hasil Skenario Tabel 5.1 Identifikasi Variabel dan Kajian Literatur Tabel 5.2 Variabel Berdasarkan Data Proyek Tabel 5.3 Properti Pelatihan Tabel 5.4 Variabel Skenario Tabel 5.5 Data untuk Pelatihan Skenario Tabel 5.6 Hasil Pelatihan dengan MMRE Terbaik Tabel 5.7 Range dan Karakteristik Statistik Variabel Tabel 5.8 Kriteria Pelatihan Terbaik Tabel 5.9 Arsitektur Jaringan Pelatihan Terbaik Tabel 5.10 Bobot dari Layar Masukan ke Layar Tersembunyi Tabel 5.11 Bobot dari Layar Tersembunyi ke Layar Keluaran Tabel 6.1 Variabel yang Berpengaruh Terhadap Biaya Gedung Kantor Tabel 6.2 Kriteria Permodelan ANN x

12 DAFTAR GAMBAR Gambar 1.1 Model Operasional Penelitian... 8 Gambar 2.1 Timeline Perkembangan Artificial Intelligence Gambar 2.2 Akurasi Estimasi Biaya versus Tahap Konstruksi Gambar 2.3 Aplikasi dari Metode Estimasi Selama Delivery Proyek Gambar 2.4 Peningkatan Akurasi Estimasi Sesuai Tingkatan Definisi Proyek.. 24 Gambar 2.5 Alur Proses Estimasi Biaya Tahap Konseptual Gambar 2.6 Skema Subsistem Dan Sistem Kontrol Gambar 2.8 Diagram Klasifikasi Kepemilikan Gedung Kantor Gambar 2.9 Sirkulasi pada Gedung Kantor Gambar 2.9 Tinggi Panel Optimum Gambar 2.10 Jarak antar Lantai/Floor-to-Floor Height Gambar 2.11 Struktur Unit Jaringan Syaraf Tiruan Gambar 2.12 Model neuron MCP dengan input terbobot Gambar 2.13 Perceptron Gambar 2.14 Model Matematis Sebuah Neuron Dasar Gambar 2.15 Model ANN dengan Multi-Layer Gambar 2.16 Feedback (Recurrent) Network Gambar 2.17 Kerangka Pikir Gambar 3.1 Diagram Alur Analisis dan Pemodelan ANN Gambar 4.1 Flow Chart Permodelan ANN Gambar 5.1 Performance Pelatihan Gambar 5.2 Regresi untuk Data Training dan Data Tes Gambar 5.3 Jaringan Permodelan ANN Terbaik Gambar 5.4 Grafik Sensitivitas Luas Bangunan Terhadap Nilai Kontrak Gambar 5.5 Grafik Sensitivitas Jumlah Tingkat Terhadap Nilai Kontrak Gambar 5.6 Grafik Sensitivitas Finishing Grade Terhadap Nilai Kontrak Gambar 5.7 Grafik Sensitivitas Tahun Terhadap Nilai Kontrak Gambar 5.8 Grafik Sensitivitas Durasi Terhadap Nilai Kontrak xi

13 DAFTAR LAMPIRAN Lampiran 1 Kuesioner Validasi Variabel Lampiran 2 Command MATLAB ANN Lampiran 3 Risalah Sidang Skripsi xii

14 BAB 1 PENDAHULUAN 1.1. Latar Belakang Sebelum pelaksanaan suatu proyek konstruksi, pada dasarnya harus dilakukan estimasi biaya untuk memperkirakan nilai yang dibutuhkan demi keberlangsungan proses konstruksi ke depannya. Dalam prakteknya, estimasi biaya tersebut terbagi-bagi menjadi beberapa jenis estimasi, yang dibedakan bergantung kepada cakupan waktu estimasi biaya tersebut dilakukan, dan lingkup informasi yang tersedia untuk acuan estimasi biaya tersebut. Estimasi pada tahap awal, di mana informasi yang tersedia masih sangat umum, serta detail rancangan yang belum lengkap secara signifikan, disebut estimasi tahap konseptual. Conceptual Estimate memberikan gambaran biaya proyek konstruksi yang diperlukan, secara umum, sehingga dapat menjadi salah satu masukan bagi studi kelayakan. Estimasi tahap konseptual adalah tahapan dimana owner/pemilik membutuhkan informasi biaya seawal mungkin pada suatu proyek, sehingga owner dapat mengambil keputusan untuk besar kecilnya proyek dan memperkirakan nilai proyek [1]. Selain itu, menurut Cheng dan Hsieh [2], conceptual cost estimate merupakan basis dari evaluasi proyek, desain engineering, budgeting biaya, serta manajemen biaya, yang tidak hanya memiliki peranan penting pada studi kelayakan suatu proyek, melainkan juga merupakan hal fundamental bagi kesuksesan suatu proyek. Estimasi konseptual merupakan salah satu dari output perencanaan biaya awal dan merupakan salah satu bagian informasi terpenting. Estimasi biaya tahap konseptual merupakan masukan fundamental untuk decision making proses awal suatu proyek [3]. Sesuai namanya, estimasi tahap konseptual merupakan estimasi yang dibangun berdasar konsep umum yang biasanya disediakan pada awal proses konstruksi. Pada tahap ini, gambar teknik dari konstruksi belum ada untuk dapat menjadi acuan, atau bilapun ada maka masih belum sangat detail. Oleh karena itu, estimasi biaya berdasarkan informasi-informasi tersebut akan sangat sulit dilakukan. Tersedianya database berupa perhitungan biaya proyek sebelumnya untuk proses estimasi biaya tahap konseptual akan sangat membantu, sehingga dalam penyajiannya estimasi dapat menghasilkan output yang terbaik serta 1

15 2 seakurat mungkin. Sesuai pendapat Stephen D. Schuette dan Roger W. Liska [4], perhitungan biaya/harga tahap konseptual dapat berasal dari perhitungan detail proyek sebelumnya, kemudian digabungkan menjadi paket-paket pekerjaan (work packages) yang sejenis. Terdapat beberapa metode yang dapat digunakan dalam perhitungan estimasi biaya. Menurut S. Singh [5], secara tradisional model untuk estimasi biaya dibangun menggunakan metode statistik. Analisa regresi dapat mewakili alternatif metode tradisional, dengan kelemahan hakiki berupa kebergantungannya akan fungsi matematikal dalam perhitungan cost estimate tersebut [6]. Selain itu, metode tradisional memiliki hambatan dalam perhitungan estimasi yang akurat, disebabkan oleh banyaknya variabel yang akan dibutuhkan juga terutama dalam penentuan interaksi diantaranya. Oleh karena itu, metode tradisional memiliki kemampuan yang terbatas [7]. Suatu metode scientific perlu dikembangkan untuk digunakan dalam proses perencanaan serta desain proyek dalam rangka meningkatkan akurasi estimasi biaya tahap konseptual [8]. Warren S. McCulloch, seorang neurophysiologist dan Walter Pitts, seorang mathematician, pada tahun 1943 menemukan suatu model matematis yang merepresentasikan sel-sel syaraf yang disebut McCulloh-Pitts neuron (yang kemudian menjadi cikal bakal sistem jaringan saraf tiruan atau yang biasa disebut dengan Artificial Neural Network). Metode ini telah berkembang pesat dan digunakan pada berbagai aplikasi. Jaringan saraf tiruan merupakan sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Jaringan saraf tiruan mampu melakukan pengenalan kegiatan berbasis data masa lalu. Data masa lalu akan dipelajari oleh jaringan saraf tiruan (Artificial Neural Networks) sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari [9]. Beberapa peneliti bahkan menyebutkan hubungan antara penggunaan teknik ANN dengan akurasi estimasi biaya dapat memperlihatkan kinerja yang lebih baik dari pada cara-cara tradisional. Setyawati, Creese, dan Sahirman [10] menyatakan Neural Network telah menunjukkan hasil lebih baik dibandingkan

16 3 dengan analisa regresi pada estimasi biaya gedung. Garza dan Rouhana [11] menyatakan permodelan biaya dengan menggunakan teknik ANN menghasilkan akurasi lebih baik dimana rata-rata kesalahannya lebih kecil dari multiple regression. Saat ini, di Indonesia tersedia pedoman perhitungan estimasi biaya bagi Bangunan Gedung dan Rumah Negara, berupa Peraturan Menteri Pekerjaan Umum No.45/2007. Estimasi dengan pedoman tersebut dapat digunakan dengan informasi awal seperti jenis dan kelas bangunan, luas dan jumlah lantai, lokasi bangunan, komponen dan utilitas bangunan, serta tenaga kerja ahli yang dikerahkan. Namun dalam implementasinya masih sering ditemukan kesulitan penggunaan Permen PU Tahun ini dalam perhitungan estimasi biaya. Diantaranya tidak tersedianya keofisien/faktor pengali untuk perhitungan bangunan gedung dengan jumlah lantai lebih dari 8 lantai. Adapun tujuan dari penulisan ini ialah penulis bermaksud mencoba memberikan suatu pedoman demi menanggulangi hambatan-hambatan yang biasanya ditemukan pada proses estimasi biaya tahap konseptual, khususnya untuk konstruksi gedung kantor. Gedung kantor yang umum digunakan, biasanya memiliki lebih dari delapan lantai dengan fasilitas-fasilitas fungsional khusus. Dengan menilik basis data dari proyek sebelumnya, metode yang pernah dipakai sebelumnya, serta karakteristikkarakteristik dari proyek-proyek Gedung Kantor sebelumnya, dan dengan menggunakan analisa menurut metode Artificial Neural Network, penulis berusaha menghasilkan acuan bagi perhitungan estimasi biaya tahap konseptual proyek gedung kantor/office. Oleh karena itu, penulis bermaksud menghasilkan peramalan yang akurat dan lebih efisien, dengan mengidentifikasi parameter-parameter estimasi biaya pada tahap konseptual yang berpengaruh terhadap proyek yang pada akhirnya bermanfaat sebagai acuan dalam menentukan variabel-variabel persamaan estimasi biaya dengan metode ANN. Menurut Phaobunjong, K., dan Popescu, C.M, [12] parameter-parameter yang digunakan dalam penelitian tahap konseptual haruslah memiliki sifat-sifat yang bersifat mudah untuk dikuantifikasi nilainya dan cukup ketersediaannya pada tahap awal. Dengan hal-hal tersebut, diharapkan

17 4 penelitian ini dapat memberikan hasil berupa estimasi biaya tahap konseptual yang lebih baik dan memenuhi syarat Perumusan Masalah Perumusan masalah adalah untuk membatasi masalah penelitian yang telah ditetapkan. Perumusan masalah juga merupakan inti dari suatu penelitian. Berdasarkan uraian latar belakang dari penelitian ini, maka perlu dilakukan deskripsi dan signifikansi masalah penelitian yang akan dilakukan, sehingga akan mendapatkan suatu rumusan masalah yang akan dijawab dari penelitian ini Deskripsi Masalah Estimasi biaya tahap konseptual memegang peranan penting dalam menjadi patokan fundamental bagi penentuan keputusan-keputusan yang berhubungan dengan kelangsungan suatu proyek ke depannya. Namun demikian, ketersediaan informasi pada tahap ini tentu saja yang paling minim dibandingkan dengan estimasi biaya pada tahap-tahap selanjutnya. Sesuai dengan pernyataan Mr. Kul B. Uppal [13], yaitu estimasi pada fase konseptual biasanya dibuat pada saat sebuah proyek masih diklasifikasikan sebagai proposal, sehingga estimasi fase konseptual ialah estimasi dengan paling sedikit detail proyek yang dapat diperoleh. Oleh karena itu, biasanya estimasi biaya konseptual didasarkan pada data historis, dengan penyesuaian yang dibutuhkan. Metode yang umum digunakan untuk menghitung estimasi biaya yang berbasis data historis ialah parametric estimation (linear maupun non-linear regression). Namun metode ini membutuhkan asumsi mengenai interrelationship antar atribut konstruksi dengan biaya yang kemudian akan diaplikasikan ke statistical regression (curve fitting) berbasis data masa lalu. Metode jaringan syaraf tiruan, bukan merupakan bersifat parametrik sehingga dapat tidak terbebani oleh kelemahan ini. Asumsi mengenai bentuk dari fungsi tidak perlu dibuat di awal training, sehingga cost engineer tidak perlu terlibat dalam kegiatan yang paling memakan waktu dalam parametric costing tersebut [14]. Hal ini menjadi keuntungan tersendiri, sebab estimasi pada tahap konseptual biasanya harus dibuat dalam jangka waktu yang singkat. Elemen

18 5 esensial dari cost management ialah kemampuan untuk, secara akurat dan cepat, mengestimasi biaya [15]. Estimasi biaya tahap konseptual juga biasa dipakai untuk meninjau alternatif-alternatif yang dibuat perihal konstruksi dari proyek pada tahap awal, seperti alternatif pengadaan, subkontraktor, ataupunsuperstruktur konstruksi. Oleh karena itu, metode estimasi haruslah mudah digunakan demi memenuhi seluruh tuntutan estimasi alternatif-alternatif konstruksi pada tahap awal. Dalam hal ini, data historis yang tersedia pada umumnya tidak semuanya sempurna, seperti misalanya ditemukan hubungan non-linier antar data. Penggunaan metode konvensional mengharuskan sejumlah transformasi atau konversi data agar rangkaian data menjadi linier dan kemudian baru dapat digunakan. Sementara, jaringan syaraf tiruan dapat lebih siap menghadapi hubungan non-linier yang tedapat dalam rangkaian data. Sedangkan mengenai perihal data set, jaringan syaraf tiruan dapat secara lebih efektif, dibandingkan regresi linier, mengatasi data set yang tidak lengkap [16] Signifikansi Masalah Estimasi biaya tahap konseptual sangat penting bagi suatu proyek karena akan mempengaruhi perencanaan dan studi kelayakan dari suatu proyek. Namun, pada kenyataannya estimasi pada tahap ini memiliki tingkat akurasi yang rendah. Pada tahap awal, biasanya tingkat keakurasian dari estimasi biaya yang tercapai hanyalah ±25% dan ±50% [17]. Berbagai metode untuk membantu perhitungan estimasi biaya telah diperkenalkan, salah satunya ialah metode regresi linier. Namun fakta mengatakan, kesalahan pada perhitungan estimasi biaya tahap awal belum berkurang [18]. Hal itu disebabkan oleh detail proyek yang belum terdefinsi secara jelas dan juga karena faktor-faktor bersifat kualitatif yang dapat mempengaruhi persamaan, sehingga keakurasian pun belum tercapai. Selain itu, akan muncul banyak hambatan bagi perhitungan estimasi biaya dengan berdasar pada informasi current, seperti kurangnya informasi secara mendetail dan masih banyaknya ketidakpastian hubungan antar parameter. Metode untuk perhitungan estimasi biaya proyek lain yang lebih baik, oleh sebab itu, perlu dikembangkan. ANN menggunakan pendekatan parametrik

19 6 yang berbasis dari data-data masa lalu. Artificial Neural Network bersifat murni data-driven, yang tidak bergantung dengan asumsi pada fungsi, smoothness dari distribusi, dan telah dipercaya sebagai alat predisksi yang universal [19]. Namun untuk mencapai hal tersebut, diperlukan identifikasi parameter yang sesuai. Karena beberapa faktor desain permodelan, seperti variabel input, memiliki pengaruh signifikan terhadap akurasi dari peramalan dengan Neural Network [20]. Oleh karena itu, perlu dilakukan peninjauan pada faktor-faktor yang memiliki korelasi erat terhadap biaya pembanguan gedung kantor, yang khususnya tersedia pada tahap konseptual, sehingga dapat tercipta suatu estimasi biaya menggunakan jaringan syaraf tiruan yang lebih akurat Rumusan Masalah Berdasarkan latar belakang di atas, adapun rumusan masalah dalam penelitian ini antara lain : a. Faktor-faktor apa saja yang berpengaruh terhadap biaya pembangunan kontruksi gedung kantor? b. Bagaimana membuat suatu model berdasarkan faktor-faktor yang berpengaruh terhadap biaya pembangunan kontruksi gedung kantor dengan menggunakan metode ANN dalam rangka meningkatkan keakurasian estimasi biaya dalam tahap konseptual? 1.3. Tujuan Penelitian Adapun tujuan penelitian ini adalah : a. Mengindentifikasi faktor-faktor yang berpengaruh terhadap biaya pembangunan kontruksi gedung kantor. b. Membuat model estimasi biaya kontruksi gedung kantor pada tahap konseptual dengan metode ANN.

20 Batasan Penelitian Adapun batasan masalah di dalam penelitian yang dilakukan ini adalah pada hal-hal berikut : a. Adapun yang dimaksud parameter biaya konseptual kontruksi di sini adalah parameter-parameter biaya dari bentuk fisik bangunan (total biaya kontruksi bangunan diluar biaya pembebasan lahan, perhitungan harga tanah, pemeliharaan, perbaikan gedung dan finansial lainnya, dan lain-lain). b. Faktor-faktor yang digunakan ialah faktor-faktor yang memberikan pengaruh langsung pada biaya konstruksi gedung kantor yang tersedia pada tahap konseptual. Faktor-faktor ini diidentifikasi oleh penulis dan kemudian divalidasi oleh pakar bidang terkait dan hanya digunakan pada model apabila variansi data memenuhi. c. Cakupan lokasi proyek hanya untuk kota Jakarta, Bekasi, Tanggerang, dan Bandung Manfaat Penelitian Sesuai dengan maksud dan tujuan penelitian, adapun manfaat penelitian ini untuk memberikan konstribusi berupa, antara lain : a. Kepada diri penulis secara pribadi, agar menambah pengetahuan maupun kemampuan dalam mengestimasi biaya proyek secara umum, dan pengaplikasian model Artificial Neural Network secara khusus. b. Survey dan penelitian ini diharapkan dapat mengenalkan lagi jaringan saraf tiruan/artificial Neural Network kepada terhadap praktisi di bidang konstruksi khususnya, agar lebih familiar dengan pemakaian aplikasi (ANN) untuk estimasi biaya pada tahap awal,juga memberikan gambaran parameterparameter yang berhubungan erat dalam estimasi biaya konstruksi gedung kantor tahap konseptual, sehingga dapat meningkatkan performa estimasi biaya tahap awal. c. Memberikan pemahaman kepada pihak kontraktor, owner maupun konsultan bahwa penerapan metode pemodelan biaya dengan menggunakan teknik ANN dapat menghasilkan akurasi lebih baik dimana rata-rata kesalahannya lebih kecil dibanding dengan metode tradisional, menghasilkan peramalan relatif

21 8 yang lebih akurat dan lebih efisien, yang pada akhirnya bermanfaat sebagai acuan dalam menghitung estimasi biaya pada tahap konseptual yang merupakan langkah awal dari kesuksesan suatu proses konstruksi proyek itu sendiri Model Operasional Penelitian Sumber: Hasil Olahan Gambar 1.1 Model Operasional Penelitian

22 Keaslian Penelitian Adapun beberapa penelitian/tesis/journal yang terdahulu yang relevan dengan penelitian ini dan dapat dijadikan sebagai referensi, antara lain sebagai berikut : a. Alice E. Smith dan Anthony K. Mason Cost Estimation Predictive Modeling: Regression versus Neural Network, 1996 a) Meneliti performance, stabilitas, dan kemudahan dari penentuan CER (Cost Estimating Relationship) estimasi biaya menggunakan metode Artificial Neural Network b) Neural Network dapat menjadi substitusi model estimasi biaya yang baik daripada regresi linier, apabila CER (cost estimation relationship) sulit untuk untuk didefinisikan. Namun penggunaan ANN harus tetap berhatihati diantaranya terhadap sampel yang bias. Cross validation dapat digunakan untuk mencapai unbiased sample. b. Bina R. Setyawati, Sidharta Sahirman, Dr. Robert C. Creese, PE CCE. Neural Network for Cost Estimation, AACE International Transaction a) Tujuan Penelitian Tujuan penelitian ini adalah untuk menginvestigasiapplicability dari Jaringan Syaraf Tiruan pada estimasi biaya konstruksi gedung. Arsitektur jaringan dibangun dan dikembangkan dalam berberapan kemungkinan untu mengetahui efek masing-masing struktur pada peforma model. Model dengan hasil terbaik akan digunakan untuk perhitungan estimasi berdasar input yang tersedia. b) Kesimpulan Estimasi biaya dengan menggunakan metode Artificial Neural Network memiliki tingkat akurasi lebih tinggi dibanding dengan Analisa Regresi. Untuk mendapatkan model regresi linier yang sesuai perlu metode statistikal baru. Kriteria learning process pada estimasi menggunkaan Artificial Neural Network juga perlu dimodifikasi. Lebih baik menggunakan absolute percentage error dibanding absolute error value untuk mengukur performa statistik.

23 10 c. Bina R. Setyawati, Sidharta Sahirman, dan Dr. Robert C. Creese, PE CCE. Neural Netwoks for Cost Estimation (Part 2). AACE International Transactions a) Tujuan Penelitian Meneliti lebih lanjut applicability dari metode Artificial Neural Network pada estimasi biaya konstruksi gedung. Hal-hal yang diteliti ialah data preparation (menentukan dan menysun data), data transformation, jumlah data yang digunakan, dan variabel-variable input data. b) Kesimpulan Dari penelitian ini didapat hasil terbaik bagi cost estimation modelling menggunakan Artificial Neural Network dengan menggunakan semua data yang available, persiapan data berupa konversi waktu dan lokasi dengan indeks yang tersedia, tidak dilakukan transformasi data (tranformasi log dan normalized), menggunkaan regresi linier untuk mengeliminasi data yang outlier atau menyusun data sehingga semua data (termasuk yang memiliki extreme values) dapat dimasukkan ke training set. Arsitektur jaringan terbaik untuk penelitian ini ialah 3 layer feed forward dengan 4 hidden nodes, fungsi aktivasi hyperbolic tangent, dua input variabel (luas total dan luas lantai) dengan training cycle 2000 epochs dengan menggunakan 60% dari data yang tersedia. d. Julian Bagus H. Permodelan Estimasi Biaya Konseptual pada Proyek Konstruksi Bangunan Pabrik dengan Teknik Jaringan Syaraf Tiruan. Tesis, Program Pascasarjana Fakultas Teknik Sipil UI, Depok a) Tujuan Penelitian Menentukan variabel-variabel yang digunakan untuk membentuk model Artificial Neural Network untuk estimasi biaya konstruksi pabrik. Juga membandingkan keakurasian estimasi biaya tersebut dengan estimasi biaya menggunakan regresi linier b) Kesimpulan Variabel yang digunakan pada peneletian ialah tahun pelaksanaan, lokasi pabrik, durasi (hari), luas bangunan pabrik, jumlah tingkat bangunan, tinggi pabrik, bentuk topografi, tipe bangunan pabrik, tipe pondasi, tipe

24 11 rangka atap pabrik, tipe material dinding pabrik, tipe finishing atap pabrik dan tipe finishing lantai pabrik. Hasil output estimasi dengan jaringan syaraf titruan memprediksi besaran biaya kontruksi lebih baik untuk data proyek baru dengan rata-rata tingkat kesalahan estimasi sebesar % dibanding keluaran regresi linier yaitu rata-rata sebesar -30,60%. Menurut AACE (1997) menyatakan bahwa toleransi tingkat ketelitian estimasi pada tahap konseptual diharapkan berada dalam rentang -20% sampai +30% dari biaya proyek sebenarnya berdasarkan pedoman tersebut dapat dinyatakan bahwa system prototype estimasi biaya konseptual yang dibuat dapat diterima e. Ashraf M. Elazouni, Ibrahim A. Nosair, Yousif A. Mohieldin, dan Ayman G. Mohamed. Estimating: Resource Requirements at Conceptual Design State Using Neural Networks. Journal of Computing in Civil Engineering a. Tujuan Penelitian Penelitian ini dimaksudkan untuk menentukan resource requirement pada silo walls dengan slipform system di tahap konseptual proyek tersebut. Penelitian menggunakan data historis dari proyek serupa b. Kesimpulan Mengestimasi kebutuhan resource pada tahap konseptual dapat menggunakan analogi dengan data yang diperoleh pada proyek serupa di masa lalu. Artificial Neural Network cocok digunakan pada model yang berbasis analogi dibandingkan metode analisi lain. Data menggunakan 28 proyek di masa lalu dengan 23 data set sebagai training set. Outputnya dibandingkan dengan metode regresi linier sebagai validasi, dan hasil perbandingan tersebut menunjukkan bahwa metode jaringan syaraf tiruan memiliki akurasi yang lebih baik.

25 BAB 2 TINJAUAN PUSTAKA 2.1. Pendahuluan Artificial Intelligence, atau kecerdasan buatan yang dioperasikan oleh mesin dalam melakukan analisa yang biasanya dilakukan oleh intelegensi manusia, telah mengalami perkembangan pesat sejak pertama dicetuskannya pada tahun Artificial Intelligence menjadi cabang yang sangat penting pada ilmu komputer, terutama apabila solusi yang reliable mengenai masalah yang berhubungan dengan perilaku, pembelajaran, dan adaptasi dari suatu kompilasi data dengan analisa inteligensi dibutuhkan. Selama masa perkembangannya, Artificial Intelligence terbagi menjadi dua tipe, yaitu AI Konvensional dan AI komputasional. AI konvensional melibatkan metode-metode yang sering disebut machine reasoning. Expert system dan case-based reasoning merupakan contoh dari AI tipe ini. Sementara itu, AI komputasional melibatkan pengembangan atau pembelajaran melalui penalaran parameter dengan sistem konektivitas yang dilakukan secara iteratif oleh suatu soft-computing. Penalaran AI komputasional dilakukan berdasar data empiris yang diasosiasikan dengan data non-simbolik serta tak teratur, yang kemudian dianalisa menggunakan sistem komputasi lunak. Metode-metode pokoknya meliputi; Fuzzy Network, Evolutionary Computation, dan Artificial Neural Network. Gambar 2.1 Timeline Perkembangan Artificial Intelligence Sumber: Neural Networks, A Tutorial 12

26 13 Artificial Neural Network telah banyak diaplikasikan pada berbagai area dan menunjukkan hasil yang memuaskan, salah satunya pada praktek estimasi. Pendapat yang dikemukan oleh Bart Kosko [21] mengenai ANN, Artificial Neural Network terdiri dari unit-unit processing sederhana, atau neuron, yang dapat diprogram secara menyeluruh melalui sistem komputasi tertentu. Kita dapat memprogram maupun melatih network untuk menyimpan, mengenali, dan mengingat pola dari entri database untuk memecahkan masalah optimasi kombinasi, memperbaiki data-data pengukuran yang bersifat noise, mengontrol permasalahan yang ill-defined, atau secara singkat; mengestimasi suatu hal dari sampel terkait saat kita tidak tahu bentuk dari fungsinya. Input maupun output dari Artificial Neural Network memiliki sistem dinamis yang trainable. Sehingga ANN dapat memprogram sendiri hubungan diantara keduanya, dengan bobot dari tiap-tiap penghubung atau sinapsis yang sesuai secara iteratif. Oleh karena itu jaringan syaraf tiruan ini mengikuti bentuk atau sistem dari sampel data. Atau dengan kata lain, ANN dapat menjelaskan hubungan yang terbentuk dari data-data historis. Perbedaan metode ini dari metode estimasi biaya proyek lain ialah sistem jaringan syaraf tiruan ini tidak membutuhkan model matematis seperti yang diperlukan pada metode statisik konvensional lain seperti regresi linier. Metode ANN ini juga dapat mengenali pola lama dan menyesuikannya pada pola baru, sehingga model dapat digunakan secara berkelanjutan. Namun penggunaan tersebut juga akan tidak mencapai performa maksimal apabila variabel-variabel pendukungnya tidak terdefinisi secara jelas atau terlalu acak. Diperlukan identifikasi jelas mengenai parameter-parameter yang berpengaruh terhadap biaya proyek bangunan, khususnya yang tersedia pada tahap konseptual. Oleh karena itu bab ini menyediakan penjelasan mengenai estimasi biaya, serta deskripsi lebih detail mengenai estimasi biaya pada tahap konseptual secara lebih khususnya, lalu deskripsi dan aspek biaya mengenai gedung dan gedung kantor khususnya, serta penjelasan mengenai metode artificial neural network.

27 Estimasi Biaya Estimasi biaya memegang peranan penting dalam penyelenggaraan proyek. Definisi estimasi biaya, menurut National Estimating Society USA, ialah seni memperkirakan kemungkinan jumlah biaya yang diperlukan untuk suatu kegiatan yang didasarkan atas informasi yang tersedia pada waktu itu. Oleh karena itu, estimasi biaya sangat bergantung pada ketersediaan detail mengenai proyek dalam tahapan proyek ketika estimasi tersebut dilakukan. Estimasi dibutuhkan pada saat proses perencanaan, disaat keputusan-keputusan preliminary menganai proyek harus ditentukan, kemudian selanjutnya dibutuhkan untuk tujuan budgetary, lalu estimasi juga dibutuhkan pada tahap development proyek baik dalam proses desain maupun pembangunan [22]. Menurut American Association of Cost Engineering (AACE), estimasi biaya perlu dibedakan atau diklasifikasikan, sesuai dengan tingkatan definisi proyek itu sendiri. Yang nantinya pengklasifikasian itu bertujuan untuk: a. Sebagai guidelines untuk memudahkan dalam menyediakan dasar sebagai bahan perbandingan dan mengkorelasikan karakteristik utama yang umum dipakai dalam pengklasifikasian estimasi biaya b. Menggunakan tingkatan definisi proyek sebagai karakteristik dominan dalam mengkategorikan estimasi c. Meningkatkan komunikasi antara seluruh stakeholder yang terlibat dalam proses persiapan, evaluasi, serta mencegah mis-interprestasi estimasi biaya atas kesalahan penafsiran atau kesalahan penggunaan estimasi Oleh karena itu pada sub-bab ini akan dijelaskan pengertian dan deskripsi menganai estimasi biaya proyek secara lebih mendetail, berikut dengan jenis-jenis estimasi biaya menurut tahapan dalam siklus proyek, dilanjutkan dengan tingkat keakurasian masing-masing tahap estimasi, beserta metode yang umum digunakan untuk menghitung estimasi biaya proyek Estimasi Biaya Proyek Konstruksi Menurut L.R.Dysert [23], estimasi biaya merupakan prediksi biaya-biaya yang mungkin terjadi dari suatu proyek dengan ruang lingkup yang sudah diberikan, di mana proyek harus diselesaikan di lokasi yang telah ditentukan dan

28 15 waktu yang telah ditetapkan. Menurut National Estimating Society (USA), estimasi biaya ialah pekerjaan analisa biaya yang menyangkut pengkajian biaya kegiatandari kegiatan proyek terdahulu yang akan dipakai sebagai bahan untuk menyusun cost. Di dalam dunia konstruksi, estimasi biaya adalah bagian yang sangat penting. Estimasi biaya digunakan oleh konsultan untuk menyusun budget bagi klien/owner, yang kemudian akan digunakan sebagai bench mark. Estimasi juga digunakan untuk alasan monetary, bagi dasar perhitungan kebutuhan funding kepada institusi finansial. Selain itu estimasi biaya digunakan oleh kontraktor dalam antisipasi memenangkan kontrak proyek (bid estimate). Jika proyek berlanjut, estimasi juga dibuat untuk menghitung actual budget yang mana akan digunakan sebagai salah satu management tool proyek [24]. Sebagai tambahan, fungsi estimasi biaya dalam dunia konstruksi, menurut Pratt [25], ialah: a. Untuk melihat apakah perkiraan biaya konstruksi dapat terpenuhi oleh biaya yang ada b. Untuk mengatur aliran dana ketika pelaksanaan konstruksi sedang berjalan c. Untuk kompentesi pada saat proses penawaran. Estimasi biaya berdasarkan spesifikasi dan gambar kerja yang disiapkan owner, harus menjamin bahwa pekerjaan akan terlaksana dengan tepat dan kontraktor dapat menerima keuntungan yang layak Estimasi biaya merupakan area dari kegiatan engineering dimana pengalaman dan pertimbangan teknis dipakai dalam mengaplikasikan ilmu pengetahuan khususnya masalah perkiraan biaya dan pengendalian biaya [26]. Estimator harus mengetahui alur dan proses proyek secara spesifik, untuk mempersiapkan tipe estimasi yang akan dilakukan secara tepat. Langkah berikutnya ialah mengerti bagaimana proses proyek akan dibangun atau metode pembangunannya. Dari mulai preliminary, engineering desain, sampai pengadaan, hingga tahap konstruksi, lalu start-up dan close-up. Hal tersebut ialah kunci dari estimasi biaya suatu proyek yang sukses [27]. Menurut Barrie dan Paulson [28], keakuratan estimasi biaya tahap konseptual dipengaruhi langsung oleh keahlian dan pengalaman estimator dalam

29 16 menganalisa rencana proyek yang minim akan informasi dan data. Tingkat akurasi dalam estimasi biaya merupakan hal yang penting terutama pada tahap awal estimasi. Tingkat akurasi merupakan suatu tingkatan dari pengukuran atau perhitungan yang bervariasi terhadap nilai aktual yang terjadi. Akurasi dari suatu estimasi merupakan suatu indikasi dari tingkatan perkiraan biaya terhadap realisasi biaya proyek yangdikeluarkan pada saat proyek selesai [29]. Menurut Dan E. Schottlander [30], mengapa estimasi yang akurat itu penting karena tanpa keakuratan, pembuatan keputusan yang efektif hanyalah sebuah kompromi. Oleh karena itu diperlukan persiapan bagi pencapaian perhitungan estimasi biaya yang akurat, sebagai berikut: menganalisa pekerjaan, mereview dokumen, mengetahui lingkup pekerjaan, mengunjungi site proyek, mengerti metode konstruksi yang akan dipakai, membuat perkiraan layout, engineering check (gambar teknik, pricing bahan, dan lain-lain), membuat jadwal pembuatan estimasi, mengetahui subkontraktor dan vendor, mengetahui faktor resiko, allowance, porsi pricing, dan mark up Jenis-Jenis Estimasi Biaya Proyek Estimasi biaya dilakukan beberapa kali selama perencanaan maupun saat proyek berlangsung. Estimasi pada tiap tahap, akan sangat mempengaruhi performa estimasi tahap berikutnya. Pada tahap pertama, estimasi biaya dipergunakan untuk mengetahui berapa besar biaya yang diperlukan untuk membangun proyek atau investasi, selanjutnya estimasi biaya berkembang, yaitu memiliki fungsi dengan spektrum yang amat luas dalam merencanakan dan mengendalikan sumber daya seperti material, tenaga kerja, pelayanan, maupun waktu [31]. Menurut Schexnayder dan Mayo [32], jenis-jenis estimasi menurut peruntukkannya ialah: a. Estimasi untuk Perencanaan Konseptual Estimasi pada tahap ini hanya berdasar pada informasi atau parameter yang sangat general seperti, ukuran konstruksi, mutu konstruksi yang diantisipasi, serta kegunaan bangunan. Pada estimasi tahap konseptual ini, owner harus menyediakan scope document, yang berfungsi sebagai basis dari mana

30 17 estimasi tersebut dijalankan. Estimasi biaya konseptual digunakan untuk menentukan fisibilitas proyek dan mengembangkan project financing. Ekspektasi akurasi pada estimasi tahap ini ialah ±15 sampai 20%. b. Estimasi untuk Studi Kelayakan Menggunakan informasi desain pendahuluan dan setelah lingkup proyek terdefinisi secara jelas, suatu estimasi untuk studi kelayakan dapat disiapkan. Item-item utama yang dibutuhkan dapat dicari biayanya dan menjadi input bagi estimasi. Dengan identifikasi lingkup proyek yang lebih baik tersebut, ekspektasi akurasi meningkat menjadi ±10 sampai 15%. c. Estimasi untuk Engineering dan Desain Berdasarkan pada dokumen desain level skematik, kebutuhan utama proyek dapat diukur secara kuantitatif, dan tipe konstruksi dapat ditentukan. Contohnya kuantitas baja dalam ton, superstruktur menggunakan baja atau beton. Suatu estimasi dengan tingkat akurasi ±5 sampai dengan 10% dapat disediakan pada tahap ini. d. Estimasi untuk Konstruksi Ini merupakan perhitungan biaya berdasarkan set lengkap dari dokumen kontrak. Estimasi untuk konstruksi dapat dibuat berdasarkan biaya rata-rata historis atau dengan mendata pekerja serta pekerjaan dan menghitung biaya produksi. Metode yang digunakan bergantung pada tipe konstruksi. Seperti contohnya, konstruksi tipe gedung lebih banyak menggunakan data historis untuk perhitungannya, sementara konstruksi jalan raya biasanya mengacu pada produktivitas pekerjaan. Dalam tahap ini, ekspektasi akurasi ialah ±5%. e. Estimasi untuk Change Order Estimasi ini dilakukan pada saat proyek telah berjalan yang diakibatkan oleh perubahan pekerjaan yang diminta oleh Owner pada proyek.

31 18 Gambar 2.2 Akurasi Estimasi Biaya versus Tahap Konstruksi Sumber: Construction Management Fundamentals, 2004 Untuk tiap-tiap tahapan estimasi tersebut tingkat keakurasian bergantung pada ketersediaan infromasi, sehingga keakurasian bertambah sesuai dengan tingkatan tahapan proyek. Seperti pendapat Jamshid Sodikov [33], keaurasian estimasi biaya meningkat seiring dengan berjalannya tahapan proyek yang diakibatkan oleh bertambah detailnya informasi yang tersedia Metode-Metode Estimasi Biaya Proyek Untuk melakukan estimasi biaya terdapat beberapa cara atau metode, sesuai dengan informasi yang tersedia atau tahapan konstruksi. Menurut Michael D. Dell Isola [34], metode estimasi biaya dapat dibagai menjadi empat kategori utama. Penjelasan akan masing-masing metode yaitu sebagai berikut: a. Metode Harga Unit Satuan Metode harga unit satuan dapat juga dikategorikan menjadi pembagian empat kategori utama: a) Metode Akomodasi. Metode ini pada dasarnya merupakan metode dengan perhitungan kalkulasi dari biaya yang diperlukan dalam membangun suatu fasilitas berdasarkan major measure dari fasilitas tersebut. Seperti contohnya, estimasi biaya untuk sebuah tempat parkir. Perhitungan tersebut dapat

32 19 didasarkan pada unit price luas parkir bagi tiap unit mobil yang kemudian dikalikan dengan kapasitas unit mobil yang tersedia pada tempat parkir tersebut. b) Metode Meter Kubik. Metode ini tidak biasa digunakan pada sistem estimasi biaya, kecuali untuk konstruksi yang identik dengan volume, seperti misalnya gudang penyimpanan. Berdasarkan sifat dari pengukurannya, metode meter kubik akan bersifat sensitif terhadap volume dari konstruksi dan varian yang mempengaruhinya. Negara-negara Eropa seperti Jerman sangat sering menggunakan metode ini sebagai perhitungan biaya konstruksi. Metode ini dapat juga efektif, namun cenderung rancu saat digunakan pada konstruksi umum. c) Metode Meter Persegi. Metode biaya per meter persegi merupakan metode yang paling sering digunakan di Amerika. Metode ini sangat sering digunakan baik pada proyek pemerintah maupun swasta. Meskipun efektif, metode meter persegi sangat bergantung pada bagaimana pengukuran bagi biaya per meter persegi tersebut dibuat pertama kalinya. Misalnya, unit biaya per meter persegi pada gedung kantor secara net dan secara gross sebenarnya memiliki perbedaan sekitar 30 atau 40%. d) Metode Area Fungsional. Metode area fungsional adalah metode estimasi biaya berdasarkan luas area dengan fungsi tertentu. Area fungsional ditentukan sesuai dengan ruang dengan masing-masing kegunaannya pada suatu bangunan; misalnya, pada sekolah, area fungsionalnya antara lain ruang kelas, kafetaria, gymnasium, dan lain-lain. Kelebihan metode ini dari metode meter persegi ialah variasinya terletak pada ruang sehingga estimasi dapat lebih sesuai. b. Metode Cost-Modelling dan Parametrik Metode ini mengutilisasi model yang telah terdeterminasi dari proyek sebelumnya dan menggunakannya untuk memprediksi biaya proyek yang

33 20 akan dibangun. Pendekatan ini biasanya diaplikasikan pada proyek yang berulang dengan tipe yang serupa atau mirip lalu mereplikasi anilisa teoritis dan expectation-nya pada proyek yang diinginkan. Pada prosesnyafasilitas statistik dapat dimanfaatkan sebagai alat prediksi dan asesmen cost terutama pada sistem konstruksi yang rumit, seperti piping atau proses komponen. Namun pendekatan ini memiliki aplikasi yang paling sedikit di dunia konstruksi. c. Analisa Biaya Sistem/Elemental Sistem ini menjembatani pendekatan estimasi biaya tahap konseptual yang telah dijelaskan sebelumnya dengan estimasi quantity survey-based. Konsep dasar dari estimasi dengan pendekatan ini ialah dengan merinci konstruksi hingga komponen elemental, biasanya dengan basis UNIFORMAT. Saat informasi menganai desain sangat terbatas, merupakan hal yang penting untuk bekerjasama dengan desainer, dalam membuat asumsi untuk menjadi basis estimasi. Data historis dari konstruksi setipe dapat digunakan sebagai basis estimasi menurut komponen atau elemen bangunannya. Langkah estimasi dengan metode ini ialah menyiapkan format elemental untuk suatu tipe konstruksi spesifik. Kemudian dapat dilakukan mekanisme pengkombinasian, seperti misalnya digunakan cost dari data historis untuk komponen bangunan tertentu, yang kemudian dikombinasikan dengan perhitungan biaya menurut sistem atau asembli bagian konstruksi tertentu, dan analisa biaya detail untuk bagian konstruksi tertentu. d. Metode Survey Kuantitas Metode survey kuantitas biasanya digunakan saat detail desain secara terinci tersedia dan estimator diharuskan untuk menghitungcost keseluruhan proyekatau paling tidak komponen utamanya. Pricing dapat terdiri dari unit price seluruh bangunan, atau juga termsuk labor, material dan alat. Tingkatan dari detail estimasi ialah individual unit pada tiap pekerjaan, agar dapat diketahui bagaimana pekerjaan akan dilangsungkan.

34 21 Gambar 2.3 Aplikasi dari Metode Estimasi Selama Delivery Proyek Sumber: Architect s Essentials of Cost Management, Tingkat Keakurasian Estimasi Biaya Proyek Tingkat ketersediaan informasi mengenai proyek mempengaruhi keakurasian estimasi biaya yang dilakukan pada tahapan tersebut. Tingkat akurasi tersebut sebanding dengan informasi yang tersedia, faktor risiko dan ketidakpastian. Dengan mengetahui tingkatan estimasi beserta metode yang tepat, diharapkan estimasi biaya konstruksi dapat diantisipasi lebih awal dan biaya realisasi pun tidak jauh berbeda dengan apa yang telah diprediksikan, atau meningkatkan level keakurasian. Berikut klasifikasi tingkat keakuratan estimasi biaya proyek dalam tiap tahapnya, menurut Association for the Advancement of Computing in Education (AACE) :

35 22 Tabel 2.1 Matriks Klasifikasi Estimasi AACE Primary Charateristic Estimate Level of Project End Usage Class definiton (Typical (Expressed as % purpose of of complete estimate) definition) Class 5 0 % to 2 % Concept screenning Secondary Charaterictic Methodolgy (Typical Expected Accuracy estimating method) Range (Typical low and high range)(a) Capacity Factored, L -20% to -50% Parametric models, H + 30% to + 100% judgment or analogy, Preparation Effort (Typical of degree effort relative to least cost index)(b) 1 Class 4 1 % to 10% Study or Equipment factor and L -15% to -30% 2 to 4 Feasibility parametric models H +20% to +50% Class 3 10% to 40% Budget, Semi-detailes unit L -10% to -20% 3 to 10 Authoratio cost with Assembly H +10% to +30% n or level line items control Class 2 30% to 70% Control or Detailes unit cost with L -5% to -15% 4 to 20 Bid tender forced detailed take H +5% to 20% off Class 1 50% to 100% Check Detailes unit cost with L -3% to -10% 5 to 100 estimate or detailed take off H +3% to +15% bid tender Sumber : AACE International Recommended Practice No.18R-97, Cost Estimate Classification System AACE memiliki sistem bernomor yang membedakan estimasi biaya menjadi lima level yang berebeda. Tiap level mewakili tingkat akurasi yang berbeda. Class 5 atau estimasi biaya kelas 5 ialah estimasi kasar untuk magnitude estimates, capacity factored estimates, atau parametric estimates. Class 5 hanya memiliki informasi yang sedikit atau tidak sama sekali, yaitu dari 0-2% infromasi keseluruhan. Oleh karena itu, variansnya sangat tinggi, jangka rendahnya ialah -20

36 23 sampai -50 persen, sedangkan jangka tingginya +30 sampai +100%. Adapun Estimasi biaya pada tahap konseptual ini akan menentukan suatu kelayakan proyek yang dituntut secara cepat dan akan menyaring beberapa desain alternatif yang akan dipakai. Dasar perhitungan biaya/harga dari estimasi ini berasal dari perhitungan detail proyek sebelumnya (data historis) yang kemudian digabungkan menjadi per paket-paket pekerjaan (work packages). Dalam hal ini tersedianya data base yang menyimpan data-data proyek sebelumnya berupa perhitungan biaya proyek, bentuk desain, dan lainnya akan banyak membantu didalam proses conceptual estimate [35]. Class 4 atau estimasi biaya kelas 4 ialah estimasi biaya yang digunakan untuk uji kelayakan proyek. Estimasi ini juga hanya memiliki sedikit informasi, tipikalnya 1-15%. Metode yang digunakan ialah equipment factored atau parametric model. Level varians dari estimasi ini, untuk jangka rendahnya -15 sampai -30% dan +20 sampai +50% untuk jangka tinggi. Tahap ini merupakan estimasi biaya tahap awal yang berupa hitungan kasar dan biasanya dilakukan pada saat sebelum proses adanya desain. Hasil dari perhitungan dari tahap feasibility estimate biasanya berupa nilai harga proyek meliputi perhitungan harga tanah, desain, pajak, pemeliharaan serta perbaikan gedung, dan lainnya. Cost engineer sangat berperan dalam feasibility estimate, karena seorang cost engineer pada tahap ini tidak hanya dituntut mempunyai keahlian dalam menghitung dengan handal tetapi juga mempunyai keahlian dan pengetahuan terhadap umur bangunan, prinsip-prinsip akuntansi, perpajakan, dan mengerti konsep desain. Setelah semua biaya yang diperlukan dihitung maka selanjutnya melakukan perbandingan dengan penerimaan bruto per tahunnya akhirnya dapat diketahui penerimaan netto dari proyek tersebut. Adapun tujuan dari perhitungan ini adalah untuk menentukan layak tidaknya proyek ini dilanjutkan [36]. Class 3 atau estimasi biaya kelas 3, biasanya dibuat untuk perhitungan budget, authorization, atau untuk estimasi kontrol. Level informasi yang dapat diperoleh biasanya sekitar 10-40%. Level akurasi estimasi kelas 3 bervariasi, untuk jangka rendah -10 sampai -20%, sementara untuk jangka tingginya +10 sampai +30%. Estimasi biaya kelas 3 merupakan estimasi biaya semi-detail yang menggunakan cara unit cost atau assembly.

37 24 Class 2 atau estimasi biaya kelas 2, digunakan untuk tujuan cost control atau untuk urusan pelelangan dan penawaran tender. Informasi yang tersedia pada kelas ini biasanya 30-70%. Estimasi ini dapat dikategorikan estimasi detail dengan unit cost detail. Range akurasi untuk estimasi kelas ini, untuk jangka rendah -5 sampai -15%, dan jangka tingginya +5 sampai +20%. Pada tahap ini informasi proyek yang diperlukan untuk pelaksanaan secara detail sudah didapat. Pada tahap ini biasanya melakukan perhitungan berdasarkan quantity take-off yang berdasarkan dokumen proyek yang terdiri dari spesifikasi dan gambar. Setelah perhitungan quantity take-off selesai maka estimator akan menggabungkan biaya material, biaya kebutuhan pekerja, biaya peralatan,subkontraktor, biaya overhead dan profit. Setiap item pekerjaan dalam detailed estimate akan mempunyai kodekode pekerjaan tersendiri untuk memudahkan pemantauan proses pekerjaan [37]. Class 1 atau estimasi biaya kelas 1 memiliki informasi paling lengkap biasanya % dari infromasi yang dibutuhkan. Informasi tersebut diperoleh termasuk dari gambar teknik lengkap dan spesifikasi. Terkadang dengan tambahan lokasi dan kerangka waktu. Level akurasi untuk estimasi tahap ini ialah -3 sampai -10% dan +3 sampai +15%. Gambar 2.4 Peningkatan Akurasi Estimasi Sesuai Tingkatan Definisi Proyek Sumber: AACE International Transaction, Estimasi Biaya Tahap Konseptual Tahap konseptual ialah tahap pertama di mana kebutuhan proyek dianalisa, alternatif-alternatif ditinjau, tujuan dan objektif proyek ditentukan, dan

38 25 sponsor telah teridentifikasi [38]. Aktivitas utama dalam tahap ini ialah mengembangkan estimasi untuk menentukan kelayakan suatu proyek, menganalisa biaya alternatif desain, serta pemilihan desain optimal untuk sebuah proyek. 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 [39]. Bahkan bisa dibilang estimasi biaya pada tahap ini memiliki jumlah informasi paling sedikit. Hal yang penting dalam pemilihan metode estimasi biaya konseptual ialah harus akurat dan mudah [40]. Dalam hal ini, karena estimasi berdasarkan pada beberapa data awal yang ada sangat minim, maka estimasi biasanya didasarkan pada pengalaman mengenai proyek-proyek setipe sebelumnya. Tersedianya data dan informasi proyek masa lalu, oleh karena itu memegang peranan penting dalam kualitas estimasi biaya konseptual proyek yang dihasilkan Tingkatan Estimasi Biaya Tahap Konseptual Estimasi biaya tahap konseptual terdiri dari beberapa tingkatan, yang biasanya bergantung pada perkembangan di proses perencanaan awal suatu proyek. Masing-masing estimasi tersebut biasanya terkait dengan perkembangan pada desain, yang merupakan bahan analisa suatu estimasi. Tingkatan estimasi tahap konseptual tersebut, menurut F.E. Gould [41], adalah: a. Estimasi Preliminary Tahapan dimana Owner/pemilik membutuhkan informasi biaya seawal mungkin pada suatu proyek, sehingga owner dapat mengambil keputusan untuk besar kecilnya proyek dan memperkirakan nilai proyek. Tahap konseptual dilakukan pada awal perencanaan berdasarkan pengalaman dan intuisi perencana, sehingga ketelitian estimasi ini hanya mencapai ±20%. b. Estimasi Skematik Tahapan dimana proses perencanaan sudah mencapai 30%. Pada tahapan ini estimasi sudah mencapai finishing dasar. Estimasi dilakukan berdasarkan keperluan dari kegunaan bangunan industri, misalnya jumlah lantai atau

39 26 ruangan yang dibutuhkan dalam bangunan pabrik namun belum detail. Jadi tingkat ketelitian masih berkisar ±15%. c. Estimasi Design Development Pada tahap estimasi ini dimana proses perencanaan sudah mencapai 60% dan perencanaan sudah lengkap beserta detail-detail yang ada, sehingga waktu yang diperlukan untuk melakukan estimasi pada tahap ini lebih banyak daripada tahap skematik. Estimasi pada tahap ini dilakukan berdasarkan semua detail yang ada sehingga tingkat ketelitiannya sudah mencapai ±10% Karakteristik Estimasi Biaya Tahap Konseptual Berikut beberapa karakteristik dari estimasi biaya proyek tahap konseptual: a. Bersifat Tidak Pasti Sesuai dengan namanya, tahap konseptual ialah tahap dalam proyek konstruksi di mana konsep dasar suatu proyek beserta dengan atributnya yang lain dibangun. Dalam tahap ini desain, budgeting, maupun aspek proyek lainnya belum mencapai fiksasi sehingga dapat semerta-merta berubah. Oleh sebab itu, seringkali pada tahap ini, di mana ide-ide desain ditampung dan latar belakang finansial diperjelas, terdapat banyak alternatif desain maupun pembiayaan. Hal itulah yang membuat urgensi estimasi biaya tahap konseptual meningkat karena harus dilakukan alnalisa untuk masing-masing alternatif. Hasil estimasi pada tahap konseptual juga di tahap selanjutnya akan berubah. Estimasi biaya pada proyek konstruksi akan bertambah akurat seiring tahap proyek berjalan. Menurut AACE, tahap konseptual dimulai dari kelas 5 hingga kelas 3 (concept screening, feasibility study, dan budget authorization). Sehingga harapan akurasi estimasinya hanya berada dari sekitar ±10% hingga ±30%. b. Krusial Estimasi pertama yang dipertimbangkan oleh project owner ialah estimasi biaya konseptual [42]. Estimasi yang dihasilkan dapat bernilai terlalu rendah dari biaya sebenarnya dan mengecoh owner untuk tetap menjalankan proyek dan menimbulkan masalah di depannya, atau malah bernilai terlalu tinggi dari

40 27 biaya aslinya dan menghentikan proyek yang akan berjalan padahal sebenarnya proyek sangat viable. Estimasi biaya tahap konseptual merupakan estimasi yang menyediakan cost informations untuk keputusan-keputusan finansial basis pada proyek. Sementara bagi konsultan desain, desain dengan dasar estimasi konseptual yang salah akan menyebabkan masalah juga pada desain di tahapan proyek yang akan dijalankan berikutnya [43]. c. Sumbernya Terbatas Estimasi tahap konseptual dilakukan dengan dasar informasi yang sangat terbatas. Owner mungkin sudah memiliki visi jelas mengenai akomodasi, fungsi, dan standar kualitas dari konstruksi, namun masih jauh untuk mencapai detail hingga volume beton ataupun mortar yang akan digunakan [44]. Itulah sebabnya banyak dihasilkan estimasi pada tahap ini yang bernilai subjektif, karena perhitungan pada tahap konseptual hanya berdasarkan sejumlah penilaian dan pengalaman. Proyek masa lalu dapat didasarkan dengan proyek masa lalu dengan ketersediaan data historis. Estimasi pada tahap konseptual merupakan campuran dari seni dan ilmu pengetahuan. Ilmu pengetahuan dari estimasi menginformasikan biaya dari pekerjaan atau proyek yang terdahulu. Seninya adalah dalam menvisualisasikan proyek yang baru dengan membandingkan faktor-faktor perbandingan dengan proyek sebelumnya dan menyesuaikannya dengan keadaan proyek yang sekarang [45] Proses Estimasi Biaya Konstruksi Tahap Konseptual Estimasi biaya sebuah proyek ialah sebuah kegiatan yang dilakukan secara iteratif hingga dicapai suatu hasil yang maksimal. Estimasi biaya dilakukan di tiap tahap proyek dengan tujuan yang berbeda. Tim manajemen atau owner, seringkali meminta estimasi biaya tahap konseptual untuk mempelajari kelayakan proyek dan mencari bahan pertimbangan bagi keputusan-keputusan penting proyek seperti aspek desain. Langkah pertama untuk estimator dalam menyusun estimasi biaya tahap konseptual ialah mengumpulkan informasi serta studi lapangan. Meskipun data eksisting pada tahap ini sedikit, namun biasanya owner/tim manajemen telah

41 28 memberikan scope/lingkup berupa gambaran besar proyek, beserta ekspektasi kualitas atau performance proyek. Dari situ dapat ditarik informasi awal proyek seperti lokasi, tipe struktur utama, faktor mayor desain, serta kualitas konstruksi yang owner/manajemen antisipasi. Selain itu studi lapangan juga perlu dilakukan demi mendapat kondisi lapangan proyek aktual, karena faktor-faktor yang terdapat di lapangan seperti kondisi tanah (seperti apakah pekerjaan pemindahan atau penimbunan tanah yang diperlukan) tidak dapat diprediksi sendiri tanpa peninjauan langsung. Pengalaman menunjukkan bahwa memberikan perhatian di awal terhadap site issues serta melakukan survey lokasi yang memadai, dapat mengurangi resiko penyimpangan biaya di masa mendatang [46]. Langkah berikutnya ialah mengumpulkan informasi tambahan. Dalam hal estimasi biaya awal, estimasi sangat bergantung pada data historis, sementara estimasi mendetail hingga quantity estimate yang lengkap dapat berkembang seiring tahap perencanaan proyek [47]. Data historis dapat diperoleh dari praktisi konstruksi yang berpengalaman kerja, pada database biaya yang dipublikasikan untuk umum, infromasi dari organisasi lain, maupun dari manajemen owner. Dari manapun data historis proyek, harus diperhatikan kesahihan maupun keabsahan data. Data historis yang diperoleh harus comparable dengan proyek yang dilakukan sekarang, selain itu timeframe-nya harus adjusted. Diperlukan pula pengukuran yang konsisten antara data lama dan data baru. Setelah semua data yang diperlukan dan dapat diperoleh terkumpul, dilakukan estimasi biaya tahap konseptual. Setelah didapatkan output yang sekiranya paling akurat, hasil diserahkan pada manajemen/owner untuk ditindaklanjuti. Pada tahap konseptual, biasanya tersedia alternatif-alternatif desain proyek, sehingga apabila satu alternatif tidak disetujui atau dengan kata lain hasil estimasi menunjukkan proyek tidak viable, maka akan dilakukan estimasi ulang untuk alternatif selanjutnya. Berikut seterusnya estimasi biaya menunjukkan alternatif proyek yang paling baik.

42 29 Gambar 2.5 Alur Proses Estimasi Biaya Tahap Konseptual Sumber: Phabounjong K., Kualitas Estimasi Biaya pada Tahap Konseptual Kualitas estimasi biaya tahap konseptual dibutuhkan pada taraf maksimal. Baik dari keakurasiannya maupun kecepatan tersedia hasilnya. Untuk mencapai hal tersebut, kualitas estimasi biaya tahap konseptual bergantung pada aspek-aspek seperti: a. Kualitas Lingkup Proyek Pada tahap awal, tersedia lingkup/scope proyek yang dapat menjadi dasar estimasi. Lingkup proyek menggambarkan karakteristik ptoyek. Adapun lingkup itu sendiri umumnya terdiri dari, definisi proyek, fungsi konstruksi, pendekatan desain, lokasi proyek, informasi kondisi lapangan beserta sekitarnya, serta terkadang metode dan teknologi yang akan dipakai. Namun setiap proyek tidak sama adanya, terkadang owner belum bisa menyediakan lingkup pada taraf tersebut selama masa perencanaan konseptual. Terkadang pula, lingkup proyek telalu luas atau terdapat lingkup ganda. Dalam hal ini owner acapkali pula meminta bantuan konsultan untuk membuat/merencanakan desain-desain umum konstruksi, untuk kemudian dianalisa satu-persatu. Pada prakteknya, dapat juga terjadi pelencengan pada

43 30 perkembangan proyek dari lingkup awal. Sehingga, estimasi yang dibuat di tahap konseptual pun tidak relevan. Penting pula pada pelaksanaannya agar diusahakan tetap tercapai kekonsistensian lingkup proyek. Pihak owner pun harus berkomitmen untuk menentukan lingkup proyek yang sesuai di awal. b. Kualitas Informasi Alfredo F Serpell [48] membagi kualitas informasi menjadi dua, yaitu kualitas informasi historis dan kualitas informasi terkini. Pada prakteknya, estimasi biaya pada tahap konseptual sangat bergantung kepada data historis. Karena data proyek yang akan dijalankan tidak cukup kuat untuk menjadi dasar estimasi biaya saat itu. Tersedianya data informasi yang cukup detail dan lengkap mengenai proyek serupa masa lalu memegang penting dalam kualitas perkiraan biaya yang dilakukan di masa kini. Namun tetap harus diperhatikan pengaplikasiannya, sebab apabila tidak digunakan secara sesuai, data historis yang bagus pun akan menghasilkan estimasi biaya yang tidak berkualitas. Untuk dapat mengutilisasi data historis secara maksimal, diperlukan pengetahuan proyek, terutama untuk menangani estimasi untuk konstruksi yang kompleks. Data historis harus comparable dengan data proyek masa kini, sehingga harus divalidasi lagi data historis yang tepat. Informasi terkini mengenai proyek harus didapatkan selengkap mungkin karena mempengaruhi estimasi biaya proyek tersebut. Selain informasi mengenai aspek konstruksi yang nantinya akan diutilisasi bersama dengan data historis pada suatu model estimasi, informasi saat ini juga terkait dengan harga dan indeks harga lokal, produktivitas pekerja di wilayah lokasi pembangunan, serta kondisi spesifik pada lapangan. c. Tingkat Ketidakpastian Terdapat beberapa faktor ketidakpastian yang dapat mengakibatkan perubahan kondisi selama atau setelah proses estimasi berlangsung. Hal tersebut diantaranya perubahan kondisi pasar, perubahan besar dalam angka eskalasi dan lain-lain. Karena estimasi dilakukan pada tahap awal, maka dapat pula terjadi ketidakpastian dari aspek proyek seperti perubahan aspek desain, teknologi proyek, dan kompleksitas proyek. Faktor ketidakpastian sangat berperan dalam mempengaruhi kualitas estimasi pada tahap

44 31 konseptual, karena selain estimasi tersebut didasarkan pada informasi proyek yang sangat minim, perubahan signifikan pada aspek proyek dapat mengurangi keakurasian estimasi dengan sangat besar, hingga pada tahap tidak dapat dipergunakan. d. Performa Estimator Estimator ialah orang yang bertanggung jawab untuk mengorganisir dan menganalisis seluruh informasi mengenai proyek dan mengkalkulasikan ke dalam estimasi. Pada masa awal proyek dimana segala sesuatu masih dalam bentuk konseptual, kecakapan dan pengalaman estimator untuk mengambil keputusan mengenai input untuk estimasi yang tepat akan menentukan hasil akhir suatu perkiraan biaya. Keahlian tersebut merupakan penguasaan dalam hal kemampuan mengenali aspek cost driver pada proyek konstuksi, serta pengalaman dan pengetahuan di bidang konstruksi, dan keterampilan dalam menggunakan aplikasi estimasi. Keahlian estimator dalam memahami proyek yang telah dilaksanakan sebelumnya juga krusial untuk menyesuaikan informasi yang didapat dengan informasi eksisting berdasarkan kondisi saat ini. e. Proses Estimasi Pada dunia kontruksi banyak dikenal metode estimasi baik yang konvensional maupun pengembangan baru. Industri konstruksi terbukti lambat dalam menyesuaikan diri untuk teknik baru dalam estimasi biaya tahap awal [49]. Menurut penelitian, beberapa teknik estimasi baru yang telah dikembangkan dengan baik, tidak diacuhkan dan tidak dipergunakan [50]. Menurut penelitian tersebut, para estimator skeptikal terhadap kemampuan aplikasi-aplikasi estimasi terbaru yang kebanyakan tidak membutuhkan proffesional judgement dalam korporasi aspek konstruksinya untuk menentukan prediksi biaya. Meski metode konvensional yang menggunakan penilaian subjektif menujukkan hasil yang tidak memuaskan [51], bukti menyatakan bahwa masih terjadi peningkatan dalam jumlah sangat sedikit dalam pemakaian teknik-teknik baru pada praktek estimasi biaya di dunia konstruksi [52].

45 Dasar Perhitungan Estimasi Biaya pada Tahap Konseptual Pada tahap konseptual, karena infromasi yang tersedia sangat minim, maka pada umumnya digunakan estimasi prediktif dengan korporasi data masa lalu. Metode yang tepat untuk mengutilisasi jenis estimais tersebut ialah parametrik dan permodelan biaya. Pada teknik parametrik, data-data historis digunakan untuk mengembangkan hubungan-hubungan biaya berdasarkan analisis statistik. Estimasi parametrik mempredikasi siklus biaya suatu sistem, menggunakan model matematik yang terdiri dari sejumlah parameter dan berdasarkan proyek historis. Pengertian lain dari estimasi parametrik yaitu estimasi dari suatu sistem yang dibuat berdasar komponen-komponen teragregasi, oleh model matematik yang terdiri dari parameter-parameter [53]. Dalam beberapa analisis parametrik, perhitungan parameter utama harus dijelaskan hubungannya dengan variabelvariabel bebas sebelum analisis dapat dilakukan. Variabel-variabel dalam perhitungan parametrik dapat diidentifikasi dengan memfokuskan karakteristikkarakteristik suatu sistem yang berhubungan langsung terhadap output (dalam hal ini biaya) berdasarkan studi yang terintegrasi. Hubungan matematik untuk korelasi data dapat digunakan untuk menyatakan permodelan tersebut. Model-model matematik yang paling poluler adalah bentuk linier dari perhitungan aritmatik, logaritmik, dan semi-logaritmik. Dalam teknik estimasi biaya proyek konstruksi, variabel terikat merupakan biaya/nilai kontrak dan dua atau lebih variabel bebas seperti ukuran, lokasi, kapasitas, waktu, dan sebagainya, yang berpengaruh terhadap biaya proyek tersebut. Umumnya tiga bentuk perhitungan dalam estimasi parametrik ialah sebagai berikut: a. Hubungan Linier Cost = a + bx+ cx (2.1) b. Hubungan Logaritmik Log (Cost) = a + b log X 1 + c log X 2 +. (2.2) c. Hubungan Eksponensial Cost = a + bx C 1 + d X E 2 +. (2.3)

46 33 Dimana: a, b, c, d, dan e konstan dan X 1, X 2, X 3, X 4,. merupakan karakteristik/variabel komponen yang mempengaruhi biaya 2.4. Gedung Tipe konstruksi yang dibangun beragam berdasarkan fungsi dan tujuannya. Bangunan tinggi atau gedung dibangun karena suatu kebutuhan. Di atas tanah yang makin langka dan mahal terutama di kota-kota besar, diperlukan konsentrasi ruang-ruang kerja maupun tempat tinggal, seperti perkantoran, apartemen, dan hotel, sehingga ruang tanah yang terbatas itu dapat dimanfaatkan sebaik-baik mungkin. Pembangunan adalah kegiatan mendirikan bangunan gedung yang diselenggarakan melalui perencanaan teknis, pelaksanaan konstruksi dan pengawasan konstruksi/manajemen konstruksi (MK), baik merupakan pembangunan baru, perbaikan sebagian atau seluruhnya, maupun perluasan bangunan gedung yang sudah ada, dan/atau lanjutan pembangunan bangunan gedung yang belum selesai, dan/atau perawatan (rehabilitasi, renovasi, restorasi) Definisi Gedung Gedung menurut Peraturan Menteri Pekerjaan Umum No. 45/PRT/M/2007 [54], ialah wujud fisik hasil pekerjaan konstruksi yang menyatu dengan tempat dan kedudukannya, sebagian atau seluruhnya berada di atas dan/atau di dalam tanah dan/atau air, yang berfungsi sebagai tempat manusia melakukan kegiatan, baik untuk hunian atau tempat tinggal, kegiatan keagamaan, kegiatan usaha, kegiatan sosial, budaya, maupun kegiatan khusus. Sedangkan menurut Undang-Undang RI Nomor 28 Tahun 2002 tentang Bangunan Gedung [55], bangunan umum adalah bangunan yang digunakan untuk kepentingan umum dan bangunan gedung fungsi khusus, yang dalam pembangunannya dan/atau pemanfaatannya membutuhkan pengelolaan khusus dan/atau memiliki kompleksitas tertentu yang dapat menimbulkan dampak penting terhadap masyarakat dan lingkungannya. Prasarana dan sarana bangunan gedung adalah

47 34 fasilitas kelengkapan di dalam dan diluar bangunan gedung yang mendukung pemenuhan terselenggaranya fungsi bangunan gedung. Bangunan gedung sebagai tempat manusia melakukan kegiatannya, mempunyai perananyang sangat strategis dalam pembentukan watak, perwujudan produktivitas, dan jati diri manusia. Oleh karena itu, penyelenggaraan bangunan gedung perlu diatur dan dibinademi kelangsungan dan peningkatan kehidupan serta penghidupan masyarakat, sekaligusuntuk mewujudkan bangunan gedung yang fungsional, andal, berjati diri, serta seimbang,serasi, dan selaras dengan lingkungannya. Adapun asas pembangunan gedung menurut Peraturan Menteri PU No 45/PRT/M/2007 [56], berdasarkan prinsip: a. Kemanfaatan, keselamatan, keseimbangan, serta keserasian/keselarasan bangunan gedung dengan lingkungannya b. Hemat, tidak berlebihan, efektif dan efisien, serta sesuai dengan kebutuhan dan ketentuan teknis yang disyaratkan c. Terarah dan terkendali sesuai rencana, program/satuan kerja, serta fungsi setiap kementerian/lembaga/instansi pemilik/pengguna bangunan gedung d. Semaksimal mungkin menggunakan hasil produksi dalam negeri dengan memperhatikan kemampuan/potensi nasional Klasifikasi Gedung Menurut PERMENPU No. 45 Tahun 2007 Klasifikasi Gedung Negara dibagi menjadi: a. Klasifikasi berdasarkan tingkat dan lingkup pelayanan: a) Bangunan gedung pemerintah, lembaga tinggi/tertinggi negara Tabel 2.2 Klasifikasi Bangunan Gedung Pemerintah Kelas A Penggunaan Bangunan Gedung kantor departemen, kantor menteri negara, Lembaga Tinggi/Tertinggi Negara, Lembaga Pemerintah non-departemen, dan Gedung Kantor Gubernur

48 35 Tabel 2.3 (Sambungan) Kelas B C Penggunaan Bangunan Pelayanan Kesehatan edngan wilayah pelayanan nasional/propinsi: Rumah Sakit Kelas A dan B Pendidikan Tinggi : universitas/akademi Bangunan Gedung kantor pemerintah maupun Badan Usaha lainnya dengan wilayah pelayanan nasional Gedung Kantor Kanwil, Dinas, kabupaten Pelayanan kesehatan dengan wilayah pelayanan kabupaten: rumah sakit kelas C Bangunangedung kantor pemerintah maupun Badan Usaha lainnya dengan wilayah pelayanan propinsi/kabupaten Gedung Kantor kecamatan Pelayanan Kesehatan tingkat pelayanan lokal (Puskesmas) Pendidikan tingkat lanjutan/dasar Bangunan Gedung kantor pemerintah mauoun Badan Usaha lainnya dengan wilayah kecamatan Sumber : Pedoman Teknis Pembangunan Gedung Negara Untuk bangunan gedung negara dengan fungsi khusus, seperti : Gedung reaktor nuklir Gedung laboratorium Gedung terminal udara Gedung terminal laut Gedung terminal bus Stasiun kereta api Stadion olahraga Rumah tahanan Gudang benda berbahaya Bangunan bersifat monumental Klasifikasinya disesuaikan dengan klasifikasi pelayanan atau satminkalnya.

49 36 b) Bangunan Rumah Negara Tabel 2.4 Klasifikasi bangunan rumah negara Tipe A B C D E Untuk Keperluan Pejabat/Golongan (a) Sekjen, Dirjen, Irjen (b) Pejabat-pejabat yang jabatannya setingkat dengan (a) (a) Direktur, Kepala Biro, Inspektur, Ka-Kanwil (b) Pejabat-pajabat yang jabatannya setingkat dengan (a) (c) Pegawai Negeri yang Golongannya IV/d s/d IV/e (a) Kepala Sub Dit. Kepala Bagian (b) Pejabat-pejabat yang jabatannya setingkat dengan (a) (c) Pegawai Negeri yang golongannya IV/a s/d IV/c (a) Kepala Seksi, Kepala Sub Bagian (b) Pejabat-pejabat yang jabatannya setingkat dengan (a) (c) Pegawai Negeri yang golongannya III/a s/d III/d (a) Kepala Sub Seksi (b) Pejabat-pejabat yang jabatannya setingkat dengan (a) (c) Pegawai Negeri yang golongannya II/d kebawah Sumber : Pedoman Teknis Pembangunan Gedung Negara b. Klasifikasi berdasarkan tingkat kompleksitas: a) Bangunan Sederhana Bangunan gedung negara yang termasuk sebagai bangunan sederhana didasarkan pada : (a) Fungsi : bangunan gedung Sekolah Dasar dan bangunan gedung SLTP/SMU, bangunan gedung kantor tingkatan pelayanan kecamatan dan yang setara. (b) Teknologi : bangunan dengan teknologi sederhana (c) Jumlah lantai : bangunan dengan jumlah lantai sampai dengan 2 lantai

50 37 b) Bangunan Tidak Sederhana (a) Fungsi : bangunan gedung perguruan tinggi, bangunan rumah tipe A dan B, bangunan rumah sakit, bangunan gedung kantor tingkat pelayanan pusat, provinsi atau kabupaten yang setara (b) Teknologi : bangunan dengan teknologi tidak sederhana (c) Jumlah lantai : bangunan dengan jumlah lantai diatas dengan 2 lantai c) Bangunan Khusus Bangunan gedung negara yang termasuk sebagai bangunan khusus adalah bangunan-bangunan yang dalam perencanaa dan pelaksanaannya memerlukan penyelesaian khusus, seperti : bangunan yang bersifat monumental, bangunan reaktor nuklir, bangunan peribadahan, bangunan gedung dewan perwakilan rakyat, bangunan gedung olahraga, dan yang setara Tata Bangunan Persyaratan Tata Bangunan dan Lingkungan Gedung berdasarkan Peraturan Menteri Pekerjaan Umum No. 45/PRT/M/2007 [57] ialah: a. Peruntukkan Lokasi Setiap bangunan gedung negara harus diselenggarakan sesuai dengan peruntukkan lokasi yang diatur dalam RTRW Kabupaten/Kota dan/atau RTBL yang bersangkutan b. Koefisien Dasar Bangunan Ketentuan besarnya koefisien dasar bangunan mengikuti ketentuan yang diatur dalam peraturan daerah setempat tentang bangunan gedung untuk lokasi yang bersangkutan c. Koefisien Lantai Bangunan Ketentuan besarnya koefisien lantai bangunan mengikuti ketentuan yang diatur dalam peraturan daerah setempat tentang bangunan gedung untuk lokasi yang bersangkutan d. Ketinggian Bangunan Ketinggian bangunan gedung, sepanjang tidak bertentangan dengan peraturan daerah setempat tentang ketinggian maksimum bangunan pada lokasi

51 38 maksimum adalah 8 lantai. Untuk bangunan gedung negara yang akan dibangun lebih dari 8 lantai harus mendapat persetujuan dari Menteri Pekerjaan Umum. e. Ketinggian Langit-Langit Ketinggian langit-langit bangunan gedung kantor minimum adalah 2,80 meter dihitung dari permukaan lantai. Untuk bangunan gedung olahraga, ruang pertemuan, dan bangunan lainnya dengan fungsi yang memerlukan ketinggian langit-langit khusus, agar mengikuti standar nasional indonesia yang dipersyaratkan. f. Jarak antar blok/massa Bangunan Sepanjang tidak bertentangan dengan peraturan daerah setempat tentang bangunan gedung, maka jarak antar blok/masa bangunan harus mempertimbangkan hal-hal seperti: (a) Keselamatan terhadap bahaya kebakaran (b) Kesehatan termasuk sirkulasi udara dan pencahayaan (c) Kenyamanan (d) Keselarasan dan keseimbangan dengan lingkungan g. Koefisien Daerah Hijau Perbandingan antara luas area hijau dengan luas persil bangunan gedung, sepanjang tidak bertentangan dengan peraturan daerah setempat tentang bangunan gedung, harus diperhitungkan dengan mempertimbangkan: (a) Daerah resapan air (b) Ruang terbuka hijau kabupaten/kota Untuk bangunan gedung yang mempunyai KDB kurang dari 40% harus mempunyai KDH minimum sebesar 15%. h. Garis Sempadan Bangunan Ketentuan besarnya garis sempadan, baik garis sempadan bangunan maupun garis sempadan pagar harus mengikuti ketentuan yang diatur dalam RTBL peraturan daerah tentang bangunan gedung, atau peraturan daerah tentang garis sempadan bangunan untuk lokasi yang bersangkutan.

52 39 i. Wujud Arsitektur Wujud arsitektur bangunan gedung memiliki kriteria sebagai berikut: (a) Mencerminkan fungsi bangunan (b) Seimbang, serasi, dan selaras dengan lingkungannya (c) Indah namun tidak berlebihan (d) Efisien dalam penggunaan sumber daya baik dalam pemanfaatn maupun dalam pemeliharaannya (e) Mempertimbangkan nilai sosial budaya setempat (f) Mempertimbangkan kaidah pelestarian bangunan j. Kelengkapan Sarana dan Prasarana Bangunan Prasaran dan sarana pada bangunan gedung seperti: (a) Sarana parkir kendaraan (b) Sarana untuk penyandang cacat dan lansia (c) Sarana penyediaan air minum (d) Sarana drainase, limbah, dan sampah (e) Sarana ruang terbuka hijau (f) Sarana hidran kebakaran halaman (g) Sarana pencahayaan halaman (h) Sarana jalan masuk dan keluar (i) Penyediaan fasilitas ruang ibadah, ruang ganti, ruang bayi/ibu, toilet, dan fasilitas komunikasi dan informasi k. Keselamatan dan Kesehatan Kerja (K3), serta Asuransi Setiap pembangunan gedung harus memenuhi persyaratan K3 sesuai yang ditetapkan dalam Surat Keputusan Bersama Menteri Tenaga Kerja dan Menteri Pekerjaan Umum Nomor Kep.174/MEN/1986 dan 10/KPTS Faktor-faktor yang Mempengaruhi Biaya Konstruksi Gedung (Building Cost Driver) Terdapat beberapa faktor yang memepengaruhi biaya pembangunan suatu gedung. Sebelumnya, pada proyek konstruksi terdapat istilah building cost dan construction cost. Building cost atau biaya kapital, yaitu mencakup biaya pembelian tanah, biaya konstruksi, biaya profesional, biaya furnishing, financing

53 40 charges, dan biaya-biaya lainnya yang diperlukan untuk membangun sampai menyiapkan suatu gedung agar siap ditempati. Sementara construction cost atau biaya konstruksi, ialah biaya yang diperlukan untuk membangun suatu gedung sesuai kontrak yang disepakati oleh kontraktor untuk memenuhi pekerjaan konstruksi gedung. Jenis biaya yang dimaksud dalam penelitian dan sub-bab ini ialah biaya konstruksi. Menurut Herbert Swinburne [58], terdapat lima elemen yang dapat menentukan biaya konstruksi gedung. Elemen-elemen tersebut ialah tipe gedung, kompleksitas, kualitas gedung, dimensi gedung, dan lokasi gedung. Penjabaran kelima elemen tersebut ialah sebagai berikut: a. Tipe Gedung Tiap tipe gedung memiliki karakteristik yang berbeda yang pada akhirnya akan mempengaruhi biaya konstruksinya. Suatu hal yang tidak mungkin, misalnya, biaya per m 2 pada rumah sakit sama besarnya dengan biaya per m 2 gedung parkir. Alasan kenapa tipe gedung dapat mempengaruhi biaya gedung ialah fungsi dan okupansi dari gedung tersebut, yang pada akhirnya akan mempengaruhi standar pembangunan gedung [59]. Gedung dapat dibuat untuk tujuan residensial, komersil, industrial, edukasional, institusional, reliji, dan rekreasional masing-masing dengan kompleksitas yang berbeda sehingga range biaya konstruksi dapat bervariasi [60]. Berikut adalah contoh perbandingan biaya total per square foot dari gedung kantor dan apartemen (core dan shell saja): Tabel 2.5 Tabel Biaya Square Foot Gedung Apartemen dan Gedung Perkantoran Building Element Apartment Building Office Building 15 st 162,000 SF 15 st 140,000 SF (shell & core) A.10 Foundations $ 1.05 $1.64 A.20 Basement Construction B.10 Superstructure B.20 Exterior Closure

54 41 Tabel 2.4 (Sambungan) Building Element Apartment Building Office Building 15 st 162,000 SF 15 st 140,000 SF (shell & core) B.30 Roofing C.10 Interior Construction C.20 Staircases C.30 Interior Finishes D.10 Conveying D.20 Plumbing D.30 HVAC D.40 Fire Protection D.50 Electrical F.10 Special Construction Z. General Conditions (Sitework Excluded) $ 92.81/SF $89.22/SF Sumber: R.S Mean s Square Foot Costs Dapat dilihat bahwa total cost per square foot kedua gedung hampir samasama mencapai $90 per square foot, namun distribusi biayanya bervariasi pada elemen-elemennya. Perbedaan yang signifikan dapat dilihat di elemen superstruktur, gedung kantor memiliki biaya superstruktur yang lebih tinggi dibandingkan gedung apartemen karena spans-nya lebih lebar dibanding gedung apartemen. Sehingga dimensi superstruktur gedung kantor akan relatif lebih besar. Selain itu, biaya interior construction juga memiliki perbedaan yang cukup besar. Hal itu disebabkan karena konstruksi gedung kantor hanya dibuat shell dan core-nya, sementara variasi konstruksi untuk estetika yang lebih baik biasanya digunakan di public spaces saja. b. Kompleksitas Menurut Herbert Swinburne [61], kompleksitas gedung yang dapat mempengaruhi biaya konstruksi dapat dibagi menjadi:

55 42 a) Kompleksitas Akibat Fungsi Berdasarkan tujuan gedung dibangun, gedung tersebut dapat memiliki tingkat kerumitan berbeda. Misalnya perbedaan konstruksi yang dimiliki antar gedung pabrik dengan fasilitas riset medikal. Untuk fasilitas laboratorium, biaya konstruksinya dapat melebihi bangunan fungsional lain karena requirement filtrasi, kontrol, dan kebersihannya biasanya ekstrim [62]. b) Kompleksitas Akibat Desain Perimeter, bentuk, dan desain suatu gedung bisa dibuat simpel ataupun kompleks, dan hal ini dapat mempengaruhi biaya konstruksi dengan signifikan. Gedung dengan bentuk yang kompleks, memiliki benefit dari segi estetik namun secara bersamaan menambah biaya pembangunan. Misalnya gedung dengan high-quality skin system, dengan gelas atau batu, harus menambah biaya konstruksi karena dibutuhkan pekerja dengan skill khusus [63]. c. Mutu Gedung Kualitas dari gedung merupakan fungsi dari desain yang diinginkan dengan biaya yang diinvestasikan bagi pembangunan gedung [64]. Menurut Herbert Swinburne [65], kualitas gedung dapat didefinsikan dengan dua jenis, kualitas fisik dan kualitas desain. Kualitas fisik dihasilkan oleh material, peralatan, dan usaha konservasi lingkungan di sekitar site. Sedangkan kualitas desain lebih bersifat intanjibel, yaitu dihasilkan dengan imej gedung, kenyaman, serta fitur-fitur lain dari gedung yang dimaksudkan untuk mengkondisikan suasana tertentu pada gedung. Kualitas-kualitas ini didesain dan dibangun oleh owner, arsitek, dan konsultan struktur dari gedung tersebut. Kualitas intanjibel desain biasanya disusun pada tahap brainstorming gedung, sementara kualitas fisik ditentukan seiring berjalannya waktu dalam menentukan detail konstruksi maupun arsitektur gedung. Beberapa owner terkadang memiliki keinginan spesifik mengenai kualitas gedung. Faktorfaktor kualitatif tersebut tidak hanya mempengaruhi biaya bahan dan material, namun juga dalam pembangunannya. Semakin tinggi demand performance dari suatu gedung semakin tinggi pula biayanya [66]. Namun

56 43 kualitas gedung yang bagus dapat memberikan manfaat secara long-term bagi gedung, penggunaan, maupun nilainya. d. Ukuran Gedung Merupakan hal yang jelas bahwa ukuran gedung mempengaruhi besar biaya konstruksi. Bisa dibilang ukuran gedung merupakan elemen mayor dari cost driver biaya konstruksi gedung. Pertimbangan mengenai ukuran, biasanya telah ditentukan di tahap awal konstruksi, dan secara langsung mempengaruhi biaya konstruksi gedung. Selanjutnya keputusan tersebut akan mempengaruhi metode konstruksi dan material gedung yang masing-masing memiliki cost effect berbeda pada biaya konstruksi [67]. Salah satu elemen konstruksi yang dipengaruhi oleh ukuran gedung ialah beskisting. Sementara bekisting ialah single element termahal pada pekerjaan konstruksi. Terkadang biaya bekisting melebihi biaya tulangan besi dan beton sendiri [68]. Oleh karena itu sering konsultan struktur menciptakan desain bangunan yang memiliki ukuran kolom serta pelat yang seragam untuk tiap lantainya demi efisiensi pemakaian bekisting beton. Selain hal itu, ukuran gedung juga dapat melebar secara horisontal ataupun meninggi secara vertikal, dan masing-masing memiliki pengaruh berbeda terhadap biaya akibat lahan (site) serta biaya pondasi. e. Lokasi Lokasi dari sebuah gedung mempengaruhi biaya konstruksi suatu gedung. Dua buah gedung yang persis sama apabila dibangun di dua daerah yang berbeda dapat memilki biaya konstruksi yang berbeda pula. Hal ini disebabkan oleh upah pekerja, harga material, biaya pengiriman bahan, serta kondisi pasar lokal yang berbeda-beda dari daerah satu dengan daerah lainnya [69]. Selalu terdapat kecenderungan pemilihan lokasi atas gedung yang akan dibangun. Seperti misalnya pembangunan apartemen bersubsidi dibangun di daerah sekitar universitas di mana banyak mahasiswa butuh tempat tinggal, atau banyak gedung kantor yang dibangun di pusat kota karena dan kemudahan akses serta mencari prestis. Menurut AIA [70], lokasi mempengaruhi biaya konstruksi gedung karena faktor berikut:

57 44 a) Lokasi Geografis Biaya konstruksi dapat dipengaruhi oleh hal-hal seperti cuaca, dan iklim sebagai comfort requirement, kode dan regulasi gedung setempat, aksebilitas, jarak antara sumber material dan tukang, dan juga suatu daerah dapat memiliki tingkat produktivitas pekerja yang berbeda dengan lainnya. b) Kondisi Site Bearing capacity, keadaan batu, lokasi MAT, slope, dan kondisi eksisting (pondasi lama, hazardous waste, dan lain-lain) mempengaruhi substruktur dan desain gedung. Selain itu di lokasi tertentu juga dibutuhkan extraordinary security, pembatasan akses, serta maneuverability alat berat. c) Regulasi Desain dan konstruksi gedung diikat oleh peraturan yang berlaku di daerah pembangunan gedung tersebut dan standar-standar dalam perencanaan, zoning, proteksi lingkungan, peraturan mengenai pekerja, dan site safety laws. Peraturan-peraturan, juga fee reguler yang harus dibayar, bervariasi sesuai daerah. d) Kondisi Pasar Biaya konstruksi serta elemen-elemennya bergantung kepada situasi sesuai hukum supply and demand di daerah tempat gedung dibangun. Kondisi pasar, understressed maupun overstressed akan mempengaruhi level kualitas dari kompetisi dan harga material Gedung Kantor Gedung kantor dapat juga dikatakan sebagai sarana penampung aktifitas manusia dalam bekerja dan berkarya sesuai dengan kompetensi masing-masing. Desain gedung kantor terus berkembang pesat, hal itu disebabkan oleh perkembangan ekonomi global seperti, adanya kebutuhan akan business enviroment, manajemen perusahaan yang efisien dan efektif, kenyamanan di lingkungan kerja, serta juga kebutuhan akan keamanan [71].

58 45 Terjadi perubahan perspektif mengenai gedung kantor yang pertama kali diperkenalkan oleh perusahaan-perusahaan di Jepang, diantara lain: a. Dari intelligent space menjadi intimate space Gedung kantor ialah tempat pegawainya menghabiskan waktu kurang lebih sepertiga dari hari-harinya. Namun suatu kantor adalah tempat bekerja bagi manusia, bukan mesin. Oleh karena itu perlu dilakukan improvement agar dapat diciptakan suasana kantor yang nyaman dan intimate. b. Dari sistem berkembang ke sistem layanan Para pekerja selain harus mengembangkan performa perusahaan dari kantor tempat mereka bekerja, namun juga harus mendapat pendidikan, pelatihan, bimbingan baru untuk menambah kapasitas individu di dalam kantor. c. Dari sekedar bangunan kantor menjadi rumah untuk work knowledge Untuk suatu perusahaan dapat bekerja, diperlukan pertukaran informasi serta interaksi antar pegawainya. Suatu gedung kantor harus memiliki desain yang memungkinkan untuk memenuhi kebutuhan ini. Telah diketahui bahwa fasilitas suatu perusahaan yang well-planned dapat memberikan efek signifikan bagi suatu perusahaan, melalui sumber daya manusianya yang dapat memenuhi objektif strategis perusahaan melalui peningkatan produktivitas. Suatu perusahaan yang didesain dengan baik dapat meningkatkan produktivitas, membantu menarik minat serta memberikan alasan bagi pegawai untuk bekerja di perusahaan tersebut, membantu mencipatkan imej perusahaan di hadapan publik, serta secara tidak langsung mempromosikan kultur perusahaan. Secara bisnis, gedung kantor dengan kualitas yang baik ialah investasi yang baik bagi perusahaan [72]. Dalam gedung kantor terdapat beberapa subsistem yang semuanya tujuannya serupa yaitu, meningkatkan efesiensi dan efektifitas gedung, dengan menjaga kondisi-kondisi lingkungan berupa keamanan, kemudahan, serta kenyamanan yang sesuai. Roestanto W. Dirjdojuwono membagi subsistem tersebut beserta kontrolnya dalam gambar berikut:

59 46 Gambar 2.6 Skema Subsistem Dan Sistem Kontrol Sumber: Sistem Bangunan Pintar, Perencanaan Gedung Kantor Tiga hal utama dalam perencanaan gedung kantor menurut Roestanto W. Dirjdojuwono [73], yaitu: a. Mengatur Langkah Perencanaan Tenaga ahli dibutuhkan dalam perencanaan gedung kantor, diantaranya untuk desain konstruksi, arsitektural, M&E, yang bekerja sama dengan representatif klien, dalam hal pemilik gedung. Kepemilikian gedung kantor bisa dipisahkan dari gedung milik sendiri atau gedung-gedung untuk disewakan. Untuk menentukan desain gedung, perencanaan harus berhubungan dengan pemilik gedung dan bukan dengan penyewanya. Klasifikasi kepemilikan gedung dapat dijabarkan dalam bagan berikut:

60 47 Gambar 2.7 Diagram Klasifikasi Kepemilikan Gedung Kantor Sumber: Sistem Bangunan Pintar, 2003 Agar semua aspek kantor terpenuhi, maka desainer, perusahaan manufaktur dan pengguna/pemilik yang memakai kantornya masing-masing harus saling membantu untuk perencanaan desain. Namun keadaan ideal tersebut acapkali tidak dapat dipenuhi. b. Menentukan Desain Kantor Gedung kantor seperti yang diklasifikasikan sebelumnya memiliki karakter dan konfigurasi masing-masing. Gedung yang dibangun untuk disewakan didesain untuk fleksibilitas pembagian ruang. Ruangan disiapkan dengan dilengkapi koridor dan siap untuk dibangun partisi. Untuk gedung milik sendiri, ruang-ruang kantor telah didefinisikan. Koridor tidak perlu terpisah karena kadang pemilik memilih untuk memakai tipe core dua sisi. Yang paling penting dari perencanaan desain gedung kantor ini ialah komunikasi antara pemilik dengan konsultan desainnya. Hal-hal yang harus diperhatikan dalam desain gedung kantor ialah: a) Sirkulasi Sirkulasi pada kantor ditentukan oleh bentuk framework dari struktur kantor tersebut. Baik dalam koridor tertutup maupun koridor terbuka, sirkulasi dalam kantor dimaksudkan untuk mempermudah perpindahan orang dari satu tempat ke tempat lainnya, dan juga untuk mengatur serta menghubungkan tempat-tempat dengan pola tertentu yang teratur. Circulation path yang baik, dapat memberikan seseorang mengenai sense

61 48 di mana mereka berada dari keseluruhan plan kantor serta menyediakan informasi tentang where they are going melalui landmark ataupun pola tertentu sepanjang path. Circulation path kantor yang buruk dapat memberikan suatu perasaan kalustrophobik dan hilang arah [74]. Space adalah empty void yang dibentuk oleh solid yang mengelilingi (dinding, langit-langit, lantai). Pada desain gedung kantor, solid adalah building core dan ruang tertutup lainnya. Sementara void adalah koridor dan open-work area. Pada space program pola solid dan void dengan bentuk berbeda dan proporsi berbeda, memberikan dengan irama dan pengulangan elemen dan simetri, sehingga penyusuan space menciptakan a sense ozf order [75]. Sumber: Office Buildings, 2002 Gambar 2.8 Sirkulasi pada Gedung Kantor b) Akustik Kualitas dari kondisi kerja suatu kantor dapat terpengaruh oleh suara/noise. Untuk sistem ruangan tertutup pada kantor, semua suara dapat dibilang disturbance (suara telepon, pengunjung, ketikan, dan lainlain). Sementara dalam open-plan office, berbagai macam suara

62 49 bergabung menjadi suara homogen, yang terkadang tidak menggangu, yang disebut background noise. Sebagian besar gangguan suara ditimbulkan oleh dua komponen: office noises (percakapan, suara mengetik, dll) dan suara yang ditimbulkan oleh mesin (dengungan AC, CPU komputer, dll). Pengontroloan noise dapat dilakukan dengan menggunakan isolasi akustik pada partisi, memasang dry wall hingga bagian bawah slab, menggunakan absortif ceiling tile. Selain itu penggunaan panel pada kubik individu pada open-space office juga membantu membangun dinding untuk privasi akustik dan kontrol suara untuk personal workspace. Ketinggian minimum untuk panel/screening dengan privasi akustik ialah inch atau sekitar 150 cm, serta lebih baik dilapisi kain atau bahan penyerap suara lainnya [76]. Sumber: Open Plan Office, 1977 Gambar 2.9 Tinggi Panel Optimum c) Pencahayaan Pencahayaan yang baik penting untuk memperkaya penampilan ruang kerja, menciptakan penerangan yang nyaman, serta menciptakan suasana hangat di tempat-tempat tertentu (seperti ruang lobby atau resepsionis). Kriteria pencahayaan pada kantor yang baik, ialah penggunaan cahaya matahari yang maksimal, beserta kombinasi penggunaan indirect light. Pencahayaan alami (cahaya matahari) dapat diperoleh dengan penggunaan jendela. Dengan mendesain floor plate yang tipis,

63 50 penggunaan kaca pada jendela, atau pintu kaca serta sidelight pada ruangan kerja yang tertutup, pencahayaan natural dapat mencapai bagian mana saja dari gedung kantor. Pencahayaan buatan dibuat untuk mendukung pencahayaan alami. Indirect lighting lebih dianjurkan untuk pencahayaan pada open office karena lebih ringan, mengurangi silau (glare) pada layar komputer, dan mengoptimalkan fleksibilitas apabila dibutuhkan re-konfigurasi ruangan di masa mendatang. Pengkombinasian pencahayaan alami dan buatan dapat pula diatur dengan dimmer otomatis, yang dapat melakukan pengaturan pada reduksi cahaya buatan ketika dibutuhkan. c. Survey Status Kantor Survey ini bertujuan untuk menentukan tata ruang kantor, metodenya antara lain menyusun rencana layout dari masukan infromasi berupa: a) Analisis dari divisi/bagian/ruang. Divisional dan sectional common room dapat menjadi pertimbangan pembagian ruang b) Jumlah ruang rapat, resepsionis, dan sebagainya. Dalam gedung kantor selain workspace pribadi terdapat ruang-ruang lainnya dengan peran fungsional tertentu, partisi antar ruang tersebut juga berbeda-beda, yang dapat menjadi masukan penyusunan tata ruang. c) Dalam survey pengukuran daerah departemen, seksi-seksi, divisi tertentu, kegiatan masing-masing harus dirinci yang merupakan informasi penting untuk tata ruang perabotan. Diantaranya menentukan lokasi telepon, personal computer, meja kerja, dan lain-lain. d) Jalur pemakaian atau pergantian perabotan maupun peralatan dari storeroom atau penyimpanan. Dapat ditentukan bersama dengan penjelasan penggunaan fixture dari departemen yang bersangkutan. Gambar skematik sudah diperlukan untuk survey ini. Di dalam suvey, posisi, interval, dan dimensi-dimensi pada semua feature pada kantor akan dibicarakan pada rapat bersama dengan klien. Semua bahan juga ditentukan dan dipilah agar dapat ditentukan lebih awal. Dalam rapat, presentasi dengan bantuan gambar atau foto, jika perlu, harus dipersiapkan. Setelah survey

64 51 selesai, hasilnya akan dimasukkan ke original survey papers yang akan termasuk dalam gambar teknik perencanaan. Gambar tersebut berguna untuk pekerjaan analisis lebih lanjut Spesifikasi Gedung Kantor yang Tersedia pada Tahap Perencanaan Konseptual Telah dijelaskan sebelumnya bahwa pada proses desain terdapat tahapantahapan. Di tahap awal atau perencanaan konseptual, proses desain terdiri dari fase Preliminary/Program dan fase Skematik. Spesifikasi yang dimaksud pada penelitian ini ialah spesifikasi gedung pada tahapan desain skematik. Setelah tahapan desain preliminary/program, tim desain melanjutkan ke tahap desain skematik dengan dasar dari desain tahap preliminary serta tambahan gambaran besar dari spesifikasi konstruksi [77]. a. Lokasi Lokasi dapat mempengaruhi biaya gedung dengan berbagai aspek. Diantaranya kondisi site, bearing capacity, tabel konten air, bebatuan yang ada, dan lain-lain dapat mempengaruhi desain substruktur. Kondisi geografis juga mempengaruhi proyek dengan faktor iklim, kemudahan akses, jarak dari sumber material, kompetensi pekerja serta upahnya, dan lain-lain. Selain itu biasanya terdapat regulasi khusus mengenai proyek di suatu daerah yang mempengaruhi proteksi lingkungan, standar gedung, pekerja, dan juga regular fee yang harus dibayar. Range lokasi yang digunakan dalam penelitian ini tergantung dari data yang didapat. b. Kondisi Tanah Kondisi tanah yang dimaksud di sini ialah kondisi tanah di mana diperlukan pengerukan atau penimbunan bagi perkerjaan gedung, seperti pembangunan basement, sistem air bersih, dan lain-lain. Namun di Indonesia seringkali tanah yang disediakan bagi proyek sudah siap bangun, atau berarti hanya butuh pekerjaan pembersihan lahan saja. Oleh karena itu kategori kondisi tanah pada penelitian ini dibagi menjadi cut, fill, cut and fill, serta perlu oembersihan lahan saja.

65 52 c. Tipe Pondasi Meskipun pada dasarnya tidak sering tim structural engineer telah mendesain pondasi di tahap ini, namun jenis pondasi tetap dapat ditentukan dari data proyek masa lalu dengan bangunan yang memiliki tingkat, kondisi tanah, luas area (footprint), serta properti tanah lain yang serupa [78]. Michael D. Dell Isola [79] berpendapat bahwa untuk menentukan tipe pondasi, variabel utama yang digunakan ialah area footprint -nya, dengan tambahan variabel sekunder berupa kondisi tanah, konfigurasi site, tabel air, zona seismik, berat yang disuport, pembuangan tanah, dan spesifikasi slab. Hal-hal tersebut dapat menentukan jenis pondasi apa yang akan dipakai. Dan tipe-tipe pondasi tesebut antara lain terbagi menjadi pondasi jenis bore pile, pondasi tiang pancang, pondasi mat, dan pondasi mat pile. d. Luas Total Lantai Gedung Kantor Luas lantai bangunan tinggi sangat tergantung dari program bangunan yang tergantung pula pada jenis proyek. Lokasi dan bentuk tanah juga berpengaruh karena menentukan luas lantai yang dapat dibangun [80]. Terdapat beberapa literatur yang merekomendasikan luas lantai bagi gedung perkantoran, seperti German Labour Protection Society, yang untuk kenyamanan akustik menyarankan dua dinding paralel harus berjarak lebih dari 20 m. Juga rekomendasi lain berupa satu lantai gedung kantor harus memiliki area minimum sebesar 400 m 2 [81]. Sementara itu, luas optimal satu lantai gedung kantor berkisar antara 1000 m m 2 yang didasarkan dari kalkulasi journey time dari titik satu ke titik lainnya pada sebuah gedung [82]. Suatu gedung dapat memiliki luas lantai yang tidak tipikal antar tingkatnya, maka luas yang dipakai pada penelitian ini ialah luas keseluruhan lantai-lantai gedung. e. Jumlah Tingkat Bangunan Yang membatasi jumlah lantai yang dapat dibangun tidak hanya berdasarkan pertimbangan-pertimabangan tekno ekonomi saja. Daya dukung tanah juga membatasi jumlah lantai bangunan yang dapat dibangun, di samping peraturan-peraturan tata kota. Jadi, putusan terakhir merupakan sintesa dari tekno ekonomi, pondasi, dan peraturan tata kota. Sementara peraturan tata

66 53 kota dibuat beradasarkan analisa tekno ekonomi, building engineering, dan kualitas lingkunga kota [83]. Sebagai contoh, gedung yang dibangun di Pulau Bali tidak dapat melebihi tinggi pohon kelapa atau sekitar tinggi Pura. Sehingga peraturan tata kota menentukan jumlah lantai gedung kantor yang dapat dibangun maksimal 4 lantai. Jumlah tingkat bangunan ynag dimaksud di sini ialah jumlah tingkat bangunan gedung kantor yang berada di atas permukaan tanah. f. Jumlah Tingkat Bangunan yang Berada di Bawah Muka Tanah Jumlah tingkat bangunan yang berada di bawah muka tanah berarti jumlah lapis basement yang dimiliki suatu gedung kantor. Basement dari suatu kantor dapat berfungsi sebagai tempat parkir namun juga dapat memiliki fungsi lain seperti kantin, ruang musholla, dan dapat juga dibangun ruang fungsional lain. Konstruksi basement menurut Michael Dell Isola [84] tergantung dari kondisi-kondisi seperti kondisi tanah, pembuangan tanah, tabel dan aliran air, tipe retensi tanah, dan zona seismik. Jumlah tingkat bangunan yang dimaksud di sini ialah jumlah lapis bangungan yang berada di bawah muka tanah. g. Tipe Superstruktur Superstruktur dari suatu gedung dipengaruhi oleh area dari lantai dan/atau atap yang disuport. Selain itu faktor-faktor lain juga dapat mempengaruhi pemilihan material superstruktur suatu gedung seperti, jumlah lantai, tinggi floor-to-floor, konfiggurasi gedung, pembebanan, jarak span antar kolom, zona seismik, dan tipe cladding [85]. Sehingga jenis superstruktur bangunan dapat dibagi menjadi beton, baja, atau komposit. h. Jarak antar Lantai (floor-to-floor height) Tinggi ini bergantung kepada jenis proyek dan konstruksinya dalam relasinya dengan kegunaan lantai. Misalnya, gedung kantor yang tingginya plafond-nya 2,6 m oleh karena itu memiliki floor-to-floor height 3,5 m. Jarak 0,8 atau 1 m tersebut diperlukan untuk tinggi balok ditambah tabung-tabung kondisional udara (AC). Dalam ilmu konstruksi bangunan tinggi, jarak ini selalu diusahakan minimal. Sebab penghematan sebesar 10 cm saja apabila dikalikan 30 lantai maka akan menghasilkan penghematan sebesar 3 m atau

67 54 setinggi 1 lantai [87]. Jarak antar lantai yang akan digunakan dipenelitian ini adalah jarak antara lantai satu dengan lantai lain atasnya pada gedung kantor. Sumber: Office Buildings, 2002 Gambar 2.10 Jarak antar Lantai/Floor-to-Floor Height i. Tinggi Bangunan Gedung dengan tinggi bangunan yang besar cenderung lebih tidak efisien dalam pemakaian spasinya. Gedung dengan lebih dari 6 atau 8 lantai cenderung memiliki pembebanan, wind bracing, lift, dan kebutuhan fire code yang bertambah. Vertikal elemen dari suatu gedung dapat memiliki jatah 25-35% dari total biaya keseluruhan [86]. Tinggi bangunan yang dimaksud di sini ialah tinggi total bangunan dalam satuan meter. j. Bentuk/Footprint Shape Bentuk atau footprint shape dari gedung mempengaruhi biaya dari segi cladding-nya. Gedung dengan sisi lebih banyak akan memiliki keliling lebih besar olh karena itu mempengaruhi komponen penutupnya/cladding. Selain itu, penambahan sudut pada gedung cenderung meningkatkan kopleksitas pengerjaan, dan seringkali diiringin dengan penambahan sumber daya manusia. Tipe bentuk geudng kantor pada penelitian ini dikategorikan menjadi segitiga, segiempat, segibanyak, dan lingkaran.

68 55 k. Tipe Atap Tipe atap dari suatu gedung dapat dipengaruhi oleh luas atap, konfigurasi atap, jumlah dan tipe opening, kebutuhan insulasi termal serta suara, tingkat glazing yang dibutuhkan [88]. Sesuai dengan penelitian yang dilakukan Sang- Yong Kim et. al [89], tipe atap dapat dibagi menjadi kategori flat (dak beton), pitched (rangka kayu), dan steel frame (rangka baja). l. Durasi Proyek Durasi proyek mempengaruhi biaya konstruksi dengan biaya overhead yang dikeluarkan. Durasi proyek yang terlalu lama berarti meningkatkan biaya overhead proyek. Namun biaya indiret yang terlalu cepat (fast track) juga dapat meningkatkan biaya konstruksi diakibatkan overtime, jam kerja ekstra, atau perihal lainnya. Durasi proyek yang dibicarakan di penelitian ialah lamanya sutau pekerjaan konstruksi proyek dari mulai hingga selesai, dalam satuan bulan. m. Finishing Grade Aspek estetika gedung yang diharapkan berhubungan dengan finishing grade. Semakin tinggi kualitas finishing-nya tentu saja semakin tinggi biaya konstruksi. Hal itu disebabkan oleh komplekitasnya yang meningkat sehingga butuh pekerja dengan skill tertentu. Dan juga identik dengan material, semakin tinggi kualitas finishing grade-nya maka semakin banyak biaya untuk material dikeluarkan. Range finishing grade pada penelitian ini berkisar anatara Metode Estimasi Biaya Tahap Konseptual pada Proyek Konstruksi Gedung Kantor Sebagai alat estimasi biaya pada tahap konseptual, di mana perhitungan detail komponen tidak dapat dilakukan, digunakan metode lain yang memungkinkan. Diantara lain ialah estimasi parametrik [90], yaitu suatu proses estimasi biaya menggunakan beberapa faktor (engineering parameters) yang dikembangkan dari databease historis, praktik konstuksi, dan engineering technology lain. Parameter tersebut terdiri dari ukuran fisikal yang mempengaruhi definisi karakter proyek (luas, tipe gedung, tipe pondasi, materi penutup eksterior,

69 56 tipe atap, jumlah lantai, komposisi dan material, dan lain-lain). Pemilihan parameter untuk metode parametrik tersebut bergantung kepada definisi proyek yang tersedia, kesamaan antara proyek dengan data historis, dan kemampuan untuk mengkalkulasikan detail, serta parameter yang dapat diketahui dari proyek. Metode parametrik juga biasanya digunakan pada fasilitas yang repetitif atau replikasi teori analisa dari suatu program bangunan gedung, dan dalam prosesnya fasilitas statistik dapat digunakan untuk memprediksi dan menganalisa biaya [91]. Menurut Michael D. Dell Isola [92], estimasi juga dapat dilakukan dengan permodelan estimasi biaya. Sebagai contoh, terdapat computer-based system yang digunakan sebagai permodelan estimasi biaya yang disebut REVIT Technology Corporation. Selain itu permodelan dapat pula dilakukan dengan memanfaatkan artificial intelligent yang telah banyak berkembang. Jaringan syaraf tiruan merupakan suatu cabang ilmu artificial intelligent yang telah berkembang dan banyak diaplikasikan pada berbagai praktik ilmu. Telah dilakukan aplikasi pada jaringan syaraf tiruan, khususnya pada permodelan prediktif, untuk currency exchange, harga stok market, serta bond ratings sejak awal tahun Aplikasi pada bidang konstruksi mulai diteliti dan dipublikasikan di pertengahan tahun 1990an untuk faktor kontingensi pada proyek, dan lalu estimasi biaya proyek dalam suatu sotware computing. salah satunya konstruksi. Praktik aplikasi jaringan syaraf tiruan untuk estimasi biaya proyek konstuksi ini melebar menjadi aplikasi dalam vessel, jalan tol, dan salah satunya gedung. Bina R. Setyawati, Sidharta Sahirman, dan Dr. Robert C. Creese, PE CCE, meneliti aplikasi neural network untuk estimasi biaya pertama kali pada tahun 2002 [93], lalu melakukan peneltian lanjutannya pada tahun 2003 [94]. Estimasi ini menggunakan basic cost driver yang dapat ditemukan pada estimasi tahap konseptual, untuk 41 data proyek gedung edukasional historis. Sementara Sang-Yong Kim, Jae-Won Choi, Gwang Hee Kim, dan Kyung Kang In pada tahun 2005 [95] meneliti metode cost prediction berupa CBR dan ANN untuk gedung-gedung apartemen dengan variabel yang dapat ditemukan di early project stages. Di tahun 2008, Min-Yuang Cheng, Hsing-Chih Tsai, dan Wei-Shan Hsieh

70 57 [96] meneliti penggunaan neural network serta fuzzy model untuk perhitungan biaya proyek gedung pada umumnya. Penelitian mengenai penggunaan metode jaringan syaraf tiruan pada estimasi tahap konseptual gedung kantor dilakukan oleh diantaranya Phabounjong K. dan Popescu, C.M. pada tahun 2002 [97]. Selain itu T.M.S. Elhag serta A.H. Boussabaine pada tahun 2005 [98] juga melakukan penelitian dalam estimasi biaya gedung kantor untuk kepentingan harga tender. Menurut T.M.S Elhag dan A.H Boussabaine [99] perlu dicari alternatif metode untuk perhitungan estimasi biaya karena walaupun metode konvensional (dalam hal ini regresi linier) sudah familiar, namun penggunaannya sangat bergantung pada linearity dan model matematis variabelnya. ANN dapat belajar dari sampel dan melakukan generalisasi agar dapat memecahkan masalah baru, oleh karena itu metode ini memiliki potensi dalam estimasi biaya tahap konseptual pada gedung kantor Jaringan Syaraf Tiruan (Artificial Neural Network) Jaringan syaraf buatan bisa dibayangkan seperti otak buatan. Ketika manusia berpikir, aktivitas-aktivitas yang terjadi adalah aktivitas mengingat, memahami, menyimpan, dan memanggil kembali apa yang pernah dipelajari oleh otak. Artificial Neural Network bekerja dengan fungsi yang sama seperti otak biologis tersebut. Salah satu contoh pengambilan ide dari jaringan syaraf biologis adalah adanya elemen-elemen pemrosesan pada jaringan syaraf tiruan yang saling terhubung dan beroperasi secara pararel. Pada dasarnya sel syaraf biologi menerima masukan dari sumber yang lain dan mengkombinasikannya dengan beberapa cara, melaksanakan suatu operasi yang non-linear untuk mendapatkan hasil dan kemudian mengeluarkan hasil akhir tersebut. Dalam tubuh manusia terdapat banyak syaraf, semua sel syaraf alami mempunyai empat komponen dasar yang sama. Keempat komponen dasar ini diketahui berdasarkan nama biologinya yaitu, dendrit, soma, akson, dan sinapsis. Setiap sel syaraf akan memiliki satu inti sel, inti sel ini nanti yang akan bertugas untuk melakukan pemrosesan informasi (Processing Element). Informasi yang datang akan diterima oleh dendrit. Selain menerima informasi dendrit juga menyertai akson sebagai keluaran dari suatu pemrosesan informasi. Informasi

71 58 hasil olahan ini akan menjadi masukan bagi neuron lain yang mana antar dendrite kedua sel tersebut dipertemukan dengan sinapsis. Informasi yang dikirimkan antar neuron ini berupa rangsangan yang dilewatkan melalui dendrit. Informasi yang datang dan diterima oleh dendrit akan dijumlahkan dan dikirim melalui akson ke dendrit akhir yang bersentuhan dengan dendrit dari neuron yang lain. Informasi ini akan diterima oleh neuron lain jika memenuhi batasan tertentu, yang sering dikenal dengan nama nilai ambang (threshold) yang dikatakan teraktivasi Deskripsi Jaringan Syaraf Tiruan (Artificial Neural Network) ANN merupakan salah satu teknik Artificial Intelligence yang merupakan bagian dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia bahkan bisa lebih baik daripada yang dilakukan manusia. Christos Stergiou dan Dimitri Siganos [100] menyebutkan neural network adalah sebuah perhitungan yang didasarkan pada model dan mekanisme sel-sel saraf otak manusia (neuron) didalamnya menyelesaikan berbagai permasalahan kompleks seperti pengenalan pola, pengolahan informasi secara cepat, proses belajar dan indentfikasi. Sama seperti otak manusia, metode ini dapat belajar dari pengalaman, sehingga dikategorikan sebagai metode yang menggunakan artificial intelegence. ANN sederhana pertama kali diperkenalkan oleh Warren McCulloch dan Walter Pitts di tahun McCulloch dan Pittsmenyebutkan ANN merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. McCulloch dan Pitts menyimpulkan bahwa kombinasi beberapa neuron sederhana menjadi system neural yang akan meningkatkan kemampuan komputasinya. Bobot dalam jaringan yang diusulkan oleh McCulloch dan Pitts diatur untuk melakukan fungsi logika sederhana. Fungsi aktifasi yang dipakai adalah fungsi threshold. Akan tetapi, keterbatasan teknologi pada saat tersebut menyebabkan penggunaan yang sangat terbatas dari metode ini. Pendekatan yang berbeda untuk AI dari teknik tradisional seperti sistem pakar dengan mencoba untuk meniru mekanisme yang otak manusia

72 59 memanipulasi data dan mencapai keputusan. Menurut Haykin S. [101], Neural Network merupakan sebuah prosesor yang terdistribusi paralel dan mempuyai kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari pengalaman dan membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai kerja otak dalam dua hal, yang pertama bahwa pengetahuan diperoleh oleh jaringan melalui suatu proses belajar, dan yang kedua bahwa kekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpan pengetahuan. ANN mampu melakukan pengenalan kegiatan berbasis data masa lalu. Data masa lalu akan dipelajari oleh jaringan saraf tiruan sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari. Artificial Neural Network (ANN) atau jaringan syaraf buatan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk menstimulasikan proses pembelajaran pada otak manusia tersebut. ANN diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran [102]. Elemen yang paling mendasar dari jaringan syaraf adalah sel syaraf. Sel-sel syaraf inilah membentuk bagian kesadaran manusia yang meliputi beberapa kemampuan umum. Hubungan antara jaringan syaraf biologis dan ANN menurut Medsker dan Liwbowitz [103] terdapat pada tabel berikut: Tabel 2.6 Analogi Jaringan Syaraf Biologis dengan ANN Biologis Soma Dendrit Akson Sinapsis Laju Pelan Banyak Neuron(10 9 ) ANN Node Input Output Bobot Laju Cepat Sedikit Neuron Sumber: Efrain Turban et.al., Decision Support Systems and Intelligent Systems, 2005.

73 60 Beberapa sifat dan kelebihan ANN dengan teknik Artficial Intelligence yang lain menurut Wassermann [104] ialah sebagai berikut : a. Belajar Adaptif ANN mempunyai kemampuan untuk belajar bagaimana melakukan tugastugas didasarkan pada data yang diberikan untuk pelatihan atau pengalaman awal. melalui contoh, tidak seperti expert systems, belajar daribanyak pola contoh pelatihan dan asosiasinya misalnya output yang ditentukan. Contoh pelatihan ini dapat dihasilkan dari ahli tanpa kebutuhan untuk meminta, bagaimana ataupun mengapa sehingga sampai pada kesimpulan. ANN menghasilkan respon yang cepat, tidak membutuhkan waktu yang lama untuk pembelajaran. b. Self-Organisation ANN dapat membuat sendiri organisasinya atau representasi dari informasi yang diterimanya selama waktu belajar. ANN dapat meng-ekstrak klasifikasi (clustering) karakteristik-karakteristik dari sejumlah besar contoh input pada kasus unsupervised learning. ANN mampu mendistribusikan memori; bobot koneksi merupakan unit memori dari jaringan. Nilai bobot ANN menggambarkan state of knowledge dari jaringan. c. Fault Toleransi melalui Informasi Redundant Coding ANN mempunyai fault-tolerant sejak memori didistribusikan, kegagalan dari beberapa processing element akan sedikit merubah keseluruhan perilaku jaringan. d. ANN Dapat Merepresentasikan Ketidakpastian ANN dapat mengukur kepercayaan dengan memodifikasi pola permasalahan dengan dua cara: (1) memilih nilai input untuk menggambarkan pengukuran kepercayaan atribut, dan (2) dengan menambahkan atribut lain dalam merepresentasikan pengukuran kepercayaan pada contoh input. ANN memerlukan penyimpanan memori yang lebih sedikit. Satukumpulan bobot jaringan berkemampuan merepresentasikan ruang yang besar dari pola yang disimpan.

74 61 Sedangkan beberapa kekurangan dalam pengembangan ANN adalah : a. Penyelesaian masalah melalui ANN hanya didasarkan pada teknik heuristic. b. Interaksi yang terjadi dalam ANN sangat kompleks. c. Mempelajari ANN sangat susah dimengerti sehingga sering di sebut black box d. ANN memodelkan sesuatu berdasarkan pengalaman terdahulu tetapi ANN tidak mampu menjelaskan dan menjustifikasi keputusan yang dihasilkan Konsep Dasar Model Artificial Neural Network Seperti halnya otak manusia, jaringan saraf juga terdiri dari beberapa neuron dan ada hubungan antara neuron-neuron tersebut. Beberapa neuron akan mentransformasikan informasi yang diterimanya melalui sambungan keluaran menuju neuron-neuron yang lain. Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian jaringan syaraf tiruan. Tiruan neuron dalam struktur jaringan saraf tiruan adalah sebagai elemen pemroses yang dapat berfungsi seperti halnya sebuah neuron. Sejumlah sinyal masukan a dikalikan dengan masing-masing penimbang yang bersesuaian. Kemudian dilakukan penjumlahan dari seluruh hasil perkalian tersebut dan keluaran yang dihasilkan dilalukan kedalam fungsi pengaktif untuk mendapatkan tingkatan derajat sinyal keluarannya. Walaupun masih jauh dari sempurna, namun kinerja dari tiruan neuron ini identik dengan kinerja dari sel biologi yang kita kenal saat ini. Neuron terdiri dari 3 elemen pembentuk : a. Himpunan unit unit yang dihubungkan dengan jalur koneksi. Jalur jalur tersebut memiliki bobot/kekuatan yang berbeda-beda. Bobot yang bernilai positif akan memperkuat sinyal dan yang bersifat negative akan memperlemah sinyal yang dibawanya. Jumlah, struktur dan pola hubungan antar unit-unit tersebut akan menentukan arsitektur jaringan. b. Suatu unit penjumlah yang akan menjumlahkan input-input sinyal yang sudah dikalikan dengan bobotnya. Misalnya X 1.. X 2, X m adalah unit- unit input dan W j1, W j2.. W jm adalah bobot penghubung dari unit-unit keluaran Y j, maka unit penjumlah akan memberikan keluaran sebesar U = X 1 W j1 + X 2 W j X m W jm

75 62 c. Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron akan diteruskan ke neuron lain atau tidak. Dengan kata lain neuron/sel syaraf adalah sebuah unit pemrosesan informasi yang merupakan dasar operasi jaringan syaraf tiruan. Neuron ini dimodelkan dari penyerderhanaan sel saraf manusia yang sebenarnya. Neuron pada neural network dimodelkan sebagai sebuah proses yang mengeluarkan sebuah output dari berbagai input yang ada [105]. Gambar dibawah ini menunjukkan contoh sederhana suatu neuron. Sumber : Christos dan Dimitri, 1996 Gambar 2.11 Struktur Unit Jaringan Syaraf Tiruan Keputusan memilih output yang akan dikeluarkan adalah didasarkan pada pola input yang diberikan. Kekuatan model metode ini adalah kemampuannya untuk mengambil keputusan walaupun input yang diberikan tidak ada dalam database pola-pola yang telah dikenalnya. Dalam kasus ini,output yang dikeluarkan adalah berdasarkan pola dalam data base yang paling dekat dengan pola yang ada. Sebuah model neuron yang lebih akurat dengan menambahkan bobot untuk setiap input diperkenalkan oleh McCulloch and Pitts pada tahun 1940.

76 63 Gambar 2.12 Model neuron MCP dengan input terbobot Sumber : McCulloch and Pitts 1940 Sebuah model untuk meningkatkan performadari MCP model diperkenalkan oleh Frank Rosenblatt pada tahun 60-an. Ia menambahkan preprocessing pada input sebelum dikalikan bobotnya dan memasuki proses perhitungan output [106]. Sumber : Christos dan Dimitri, 1996 Gambar 2.13 Perceptron Dengan menambahkan bias dan fungsi transfer pada setiap neuron, maka didapatkan bentuk dasar matematis sebuah neuron sebagai berikut:

77 64 Gambar 2.14 Model Matematis Sebuah Neuron Dasar Sumber : Christos dan Dimitri, 1996 Dimana W adalah bobot dari input-input pada neuron tersebut, dan f adalah fungsi transfer dari model neuron. Fungsi transfer dari neuron sendiri dan bergantung pada kasus yang ditinjau, seperti hard limit yang banyak digunakan untuk pengenalan pola, sedangkan untuk kasus indentifikasi atau desain control banyak digunakan fungsi sigmoid dan radial [107] Arsitektur Jaringan pada Artificial Neural Network Model jaringan saraf tiruan terdiri atas beberapa elemen penghitung tak linier yang masing-masing dihubungkan melalui suatu pembobot dan tersusun secara pararel. Pembobot inilah yang nantinya akan berubah (beradaptasi) selama jaringan saraf tiruan ini mengalami pelatihan. Pelatihan perlu dilakukan pada suatu jaringan saraf tiruan sebelum digunakan untuk menyelasikan masalah. Dari pelatihan jaringan saraf tiruan ini diperoleh tanggapan yang benar (diinginkan) terhadap masukan yang diberikan kepadanya. Pada suatu tingkat tertentu jaringan saraft tiruan ini dapat memberikan tanggapan yang benar walaupun masukan yang diberikan kepadanya berubah oleh suatu keadaan. Hubungan antar neuron dalam ANN mengikuti pola tertentu tergantung pada arsitekturnya dan berhubungan dengan algoritma pembelajaran yang digunakan untuk melatih network.

78 65 Pada umumnya sebuah jaringan ANN memiliki 3 buah layer, yaitu: a. Layer input b. Layer tersembunyi dimana terjadi pengolahan data input c. Layer output Sumber : Jerzy Moncincki, 1995 Gambar 2.15 Model ANN dengan Multi-Layer Berikut model ANN Jerzy Moncincki, dimana layer 1 adalah layer input, layer 2 adalah layer tersembunyi, dan layer 3 adalah layer output. Pada beberapa referensi lain, input seringkali dianggap sebagai layer tersendiri, sehingga layer 1 juga dianggap sebagai layer tersembunyi. Berdasarkan arah proses dari input menuju output, maka jaringan ini dapat dibedakan menjadi 2 tipe [108]: a. Feedforward Network Jaringan dimana arah sinyal pada neuron adalah satu arah. Output yang dihasilkan tidak mempengaruhi output selanjutnya. b. Feedback (Recuurent) Network Jaringan dimana output yang dihasilkan akan menjadi input pada proses perhitungan output selanjutnya sehingga terjadi sebuah loop yang

79 66 berkesinambungan. Jaringan ini memiliki performance yang lebih baik karena melakukan koreksi error yang terjadi. Sumber : Jerzy Moncincki, 1995 Gambar 2.16 Feedback (Recurrent) Network Proses Pembelajaran Algoritma Artificial Neural Network Salah satu bagian terpenting dari konsep ANN adalah terjadinya proses pembelajaran [109]. Proses belajar yang dimaksud adalah kemampuan ANN untuk mengingat pola-pola input beserta responnya. Tujuan utama dari proses pembelajaran adalah melakukan pengaturan terhadap bobot-bobot yang ada pada ANN, sehingga diperoleh bobot akhir yang tepat sesuai dengan pola data yang dilatih. Selama proses pembelajaran akan terjadi perbaikan bobot-bobot berdasarkan algoritma tertentu. Nilai bobot akan bertambah, jika informasi yang diberikan oleh neuron yang bersangkutan tersampaikan, sebaliknya jika informasi tidak disampaikan oleh suatu neuron ke neuron yang lain, maka nilai bobot yang menghubungkan keduanya akan dikurangi. Pada saat pembelajaran dilakukan pada input yang berbeda, maka nilai bobot akan diubah secara dinamis hingga mencapai suatu nilai yang cukup seimbang. Apabila nilai ini telah tercapai mengindikasikan bahwa tiap-tiap input telah berhubungan dengan output yang diharapkan. Kemampuan pembelajaran dari suatu ANN dicapai dengan mengaplikasikan algoritma pembelajaran.

80 67 Proses belajar dari neural network itu sendiri menurut Nikola K. Kasabov [110] dapat dibedakan menjadi 3 (tiga) klasifikasi yaitu sebagai berikut: a. Supervised Learning Metode pembelajaran terawasi dimana contoh pelatihan sebagai pembelajaran terdiri dari input vektor x dan output vektor y yang ditentukan. Pelatihan dilakukan sampai ANN belajar mengetahui hubungan tiap input vektor x dengan output vektor y. Sebagai contoh ANN dapat mempelajari pendekatan fungsi y=f(x) yang direpresentasikan dengan kumpulan pelatihan (x,y). Tipe Algoritma pembelajaran yang termasuk ke dalam golongan ini adalah backpropagation, jaringan Hopfield, perceptron, dan sebagainya. b. Unsupervised Learning Metode pembelajaran tidak diawasi dimana hanya input vektor x yang diberikan dan ANN mempelajari beberapa karakteristik dari pola yang terjadi. Tipe Algoritma pembelajaran yang termasuk ke dalam golongan ini diantaranya adalah teori resonansi adaptif, learning vector quantization, self organizing kohonen, dan sebagainya. c. Reinforced / Reward-Penalty Learning, Yaitu kombinasi dari dua paradigma di mana didasarkan pada input vektor x kepada ANN dan melihat output vectoryang dihasilkan jaringan. Jika dipertimbangkan hasilnya baik maka memberikan reward kepada jaringan dengan menambah bobot hubungan dan sebaliknya Penggunaan Algoritma Back Propagation Jaringan back propagation merupakan salah satu algoritma yang sering digunakan dalam menyelesaikan masalah-masalah yang rumit. Algoritma propagasi balik, pertama kali dirumuskan oleh Werbos dan dipopulerkan oleh Rumelhart dan McClelland untuk dipakai pada ANN. Algoritma telah diaplikasikan di berbagai bidang, diantaranya diterapkan di bidang finansial, pengenalan pola tulisan tangan, pengenalan pola suara, sistem kendali, pengolah citra medika dan masih banyak lagi keberhasilan BP sebagai salah satu metoda komputasi yang handal.

81 68 Algoritma ini juga banyak dipakai pada aplikasi pengaturan karena proses pelatihannya didasarkan pada hubungan yang sederhana, yaitu: Jika keluaran memberikan hasil yang salah, maka penimbang (weight) dikoreksi supaya galatnya dapat diperkecil dan respon jaringan selanjutnya diharapkan akan lebih mendekati harga yang benar. BP juga berkemampuan untuk memperbaiki penimbang pada lapisan tersembunyi (hidden layer). Ketika Jaringan diberikan pola masukan sebagai pola pelatihan maka pola tersebut menuju ke unit-unit pada lapisan tersembunyi untuk diteruskan ke unit-unit lapisan keluaran. Kemudian unit-unit lapisan keluaran memberikan tanggapan yang disebut sebagai keluaran jaringan. Saat keluaran jaringan tidak sama dengan keluaran yang diharapkan maka keluaran akan menyebar mundur (backward) pada lapisan tersembunyi diteruskan ke unit pada lapisan masukan. Oleh karenanya maka mekanisme pelatihan tersebut dinamakan backpropagation/ propagasi balik. Tahap pelatihan ini merupakan langkah bagaimana suatu jaringan saraf itu berlatih, yaitu dengan cara melakukan perubahan penimbang (sambungan antar lapisan yang membentuk jaringan melalui masing-masing unitnya). Sedangkan pemecahan masalah baru akan dilakukan jika proses pelatihan tersebut selesai, fase tersebut adalah fase mapping atau proses pengujian/testing. Prosedur pembelajaran algoritma backpropagation ialah sebagai berikut: a. Inisiasi bobot (ambil bobot awal dengan nilai acak yang cukup kecil) b. Tetapkan : Nilai maksimum Epoch, Target Epoch dan Learning Rate (a) c. Inisialisasi Epoch = 0 d. Kerjakan langkah-langkah berikut selama (Epoch < Maksimum Epoch) dan (MSE < Target Error): Epoch = Epoch + 1 Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, dimulai dengan mengerjakan : Feedforward : e. Tiap-tiap unit input (X i i= 1,2,3,..,n) menerima sinyal x i dan meneruskan sinyal tersebut kesemua unit pada lapisan yang ada diatasnya (hidden layer) f. Tiap-tiap unit pada suatu hidden layer (Z i j= 1,2,3,, p) menjumlahkan sinyal-sinyal input terbobot:

82 69 (2.4) Gunakan fungsi aktifasi untuk menghitung sinyal outputnya: (2.5) Dan kirim sinyal tersebut kesemua unit dilapisan atasnya (unit-unit outputnya). g. Tiap-tiap unit outputnya (Y k, k= 1,2,3,..,m) menjumlahkan sinyal-sinyal input terbobotnya. (2.6) Gunakan fungsi aktifasi untuk menghitung sinyal outputnya : (2.7) Dan kirim sinyal tersebut ke semua unit dilapisan atasnya (unit-unit output). Catatan : Langkah (b) dilakukan sebanyak jumlah hidden layer Back Propagation h. Tiap-tiap unit outputnya (Y k, K = 1,2,3,..,m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya: (2.8) (2.9) (2.10) Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai w jk ) dengan fungsi gradient descent: (2.11) Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b2 k ) dengan fungsi gradient desent : (2.12) Langkah (d) ini juga dilakukan sebanyak jumlah hidden layer, yaitu dengan menghitung informasi error dari suatu hidden layer ke hidden layer sebelumnya. i. Tiap-tiap unit tersembunyi (Z j, j= 1,2,3,, p) menjumlahkan delta inputnya (dari unit-unit yang berada pada lapisan diatasnya):

83 70 (2.13) Kalikan nilai ini dengan turunan dari fungsi aktifasinya untuk menghitung informasi error: (2.14) (2.15) (2.16) Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai v ij ) dengan fungsi gradient descent : (2.17) Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai b1 j ) dengan fungsi gradient descent : (2.18) j. Tiap-tiap output (Y k, k= 1,2,3,.,m) memperbaiki bias dan bobotnya (j=0,1,2,..,p): (2.19) (2.20) Tiap-tiap tersembunyi (Z j, j = 1,2,3,.,p) memperbaiki bias dan bobotnya (i= 0,1,2,,n): (2.21) (2.22) k. Hitung MSE Pemilihan bobot awal sangat mempengaruhi ANN dalam mencapai minimum global (satu local saja) terhadap nilai error, serta cepat tidaknya suatu proses pelatihan menuju kekonvergenan. Apabila nilai bobot awal terlalu besar, maka input ke setiap hidden layer atau lapisan output akan jatuh pada daerah dimana turunan fungsi sigmoidnya akan sangat kecil, sebaliknya apabila nilai bobot awal terlalu kecil, maka input ke setiap hidden layer atau lapisan output akan sangat kecil yang akan menyebabkan proses pelatihan akan berjalan sangat lambat. Biasanya bobot awal diinisialisaikan secara random dengan nilai antara -0,5 sampai 0,5 (atau -1 sampai 1 atau interval lainnya). Ada

84 71 alternative lainnya selain inisialisasi secara random, yaitu dengan cara Metode Nguyen-Windrow. Metode Nguyen-Windrow akan menginisialisasi bobot-bobot dari lapisan input ke hidden layer dirancang sedemikian rupa sehingga dapat meningkatkan kemampuan hidden layer dalam melakukan proses pembelajaran. Metode Nguyen-Windrow secara sederhana dapat diimplementasikan dengan prosedur sebagai berikut : (a) Tetapkan : n = jumlah neuron (unit) pada lapisan input P = jumlah neuron (unit) pada hidden layer Beta = factor pengskalaan dimana, beta = 0.7 (p) 1/n (2.23) Kerjakan untuk setiap unit pada hidden layer (j =1,2,.,p): (b) Inisialisasi bobot bobot dari lapisan input ke hidden layer V ij = bilangan random antara -0,5 sampai 0,5 (atau antara g sampai g). (c) Hitung (2.24) (d) Inisialisasi ulang bobot-bobot : (2.25) (e) Set Bias B1 j = bilangan random antara β sampai β analisis Nguyen Windrow didasarkan atas fungsi aktifasi tangent hiperbolik. Fungsi kinerja jaringan yang sering digunakan untuk backpropagation adalah Mean Square Error (MSE), fungsi ini akan mengambil rata-rata kuadrat error yang terjadi antara output, jaringan dan target. Sebagian besar algoritma pelatihan untuk jaringan feedforward menggunakan gradient dari fungsi kinerja untuk menentukan bagaimana mengatur bobot-bobot dalam rangka meminimumkan kinerja. Gradien ini ditentukan dengan menggunakan suatu teknik yang disebut dengan nama backpropagation akan menggerakkan bobot dengan arah gradient negative. Prosedur pembelajaran algoritma backpropagation diatas melakukan perbaikan bobot dengan fungsi pembelajaran gradient descent.

85 72 Adakalanya fungsi tersebut hanya merespon gradien lokal saja. Oleh karena itu berkembang modifikasi fungsi tersebut dengan gradient descent with momentum yang tidak hanya merespon gradien lokal saja, namun juga mempertimbangkan kecenderungan yang baru saja terjadi pada suatu permukaan error. Besarnya perubahan bobot ini dipengaruhi oleh suatu konstanta (yang dikenal dengan nama momentum) mc, yang bernilai antara 0 sampai 1) Perubahan bobot pada persamaan (2.11), berubah menjadi : (2.26) Untuk epoh = 1, dan Untuk epoh >1 Demikian pula untuk bobot bias, persamaan (2.12) berubah menjadi : Untuk epoh = 1, dan Untuk epoh >1, Perubahan bobot pada persamaan (2.17), berubah menjadi : Untuk epoh = 1, dan Untuk epoh > 1, dan Demikian pula untuk bobot bias, persamaan (2.18) berubah menjadi : Untuk epoh = 1, dan (2.27) (2.28) (2.29) (2.30) (2.31) (2.32) (2.33) Untuk epoh > 1 Pada piranti lunak Matlab yang dapat digunakan untuk analsis ANN, pengalian dengan momentum juga dilakukan terhadap gradient kinerja, yaitu, perubahan bobot pada persamaan (2.11), berubah menjadi: (2.34) Untuk epoh = 1 dan,

86 73 (2.35) Untuk epoh >1 Demikian pula untuk bobot bias, persamaan (2.12) berubah menjadi ; Untuk epoh = 1, dan Untuk epoh > 1 Perubahan bobot pada persamaan (2.17), berubah menjadi ; (2.36) (2.37) (2.38) Untuk epoh = 1, dan (2.39) Untuk epoh > 1 dan demikian pula untuk bobot bias, persamaan (2.18) berubah menjadi : (2.40) Untuk epoh = 1, dan (2.41) Untuk epoh > 1 Dengan demikian apabila nilai mc = 0 maka perubahan bobot hanya akan dipengaruhi oleh gradiennya. Namun apabila mc = 1, maka perubahan bobot akan sama dengan perubahan bobot sebelumnya Evaluasi Kinerja Model ANN Keberhasilan dari pengaplikasian model ANN tidak tergantung hanya dari banyaknya kualitas data yang digunakan untuk pelatihan, tetapi juga tipe dan struktur dari ANN yang diterapkan, metode pelatihan dan bagaimana data input dan output model ANN itu distrukturkan dan diaplikasikan. Evaluasi kinerja pemodelan ANN harus dievaluasi agar model estimasi biaya yang dihasilkan akurat berdasarkan data-data yang direpresentasikan berdasarkan tipe data proyek yang sejenis [111]. Evalusi akurasi estimasi biaya yang umum dilakukan adalah dengan membandingkan biaya aktual (data historis) dengan biaya estimasi Menurut Hegazy, T. dan Ayed, A. [112] dan Sodikov [113] pendekatan yang biasa

87 74 dilakukan dalam mengevaluasi akurasi estimasi tersebut adalah dengan menghitung MSE (Mean Square Error) dan MMRE (Mean Magnitude of Relative Error). (2.42) (2.43) Variabel-Variabel yang Digunakan dalam Model Artificial Neural Network Untuk menentukan parameter-parameter yang akan digunakan pada proses penelitian selanjutny, penulis melakukan kajian literatur terhadap penelitian-penelitian yang telah dilakukan. Dari kajian diperoleh daftar variabel yang digunakan pada estimasi biaya tahap konseptual, antara lain: Tabel 2.7 Variabel Biaya untuk Bangunan Gedung dari Kajian Literatur No. PENELITI JUDUL PENELITIAN 1 Yokoyama, The Integrated K. dan T. Cost Estimating Tamiya Systems Technique for Building Cost METODE Integrated Cost Estimating System VARIABEL Penggunaan bangunan Lokasi Luas lantai total Tipe struktur Jumlah lantai di atas permukaan Jumlah lantai di bawah permukaan Grade Penggunaan zona Luas lantai dari zona

88 75 Tabel 2.6 (Sambungan) No. PENELITI JUDUL PENELITIAN 2 Anoli, D.L. Development dan Masi and J.G. Maintenance of a Parametric Building Estimate System 3 Setyawati Neural Network B.R., S. for Cost Sahirman, Estimation dan R.C. Creese 4 Sang-Yong Apartment Kim, Jae- Building in Won Choi, South Korea Gwang Hee Kim, Kyung In Kang METODE Parametric Building Estimating System Artificial Neural Netwrok, hyperbolic tangent function Artificial Neural Network VARIABEL Area lantai yang dapat digunakan Tinggi rata-rata dari lantai ke lantai Jumlah lantai Jumlah sudut Faktor lokasi Produktivitas pekerja Rate dari superstruktur & substruktur Index kualitas finishing untuk eksterior & interior Jumlah bangunan Jumlah lantai Area total (ft sq) Tinggi gedung Tipe pondasi Jumlah sudut Luas lantai dasar Ketinggian rata-rata lantai antar lantai Lokasi Luas Jumlah lantai Tipe atap Unit total Unit per lantai Luas per unit Tipe Pondasi Basement Finishing grade Durasi

89 76 Tabel 2.6 (Sambungan) No. PENELITI JUDUL PENELITIAN 5 Setyawati Neural Network B.R., S. for Cost Sahirman, Estimation (Part dan R.C. 2) Creese 6 Min-Yuang Web-based Cheng, conceptual cost Hsing-Chih estimates for Tsai, Wen- construction Shan Hsieh projects using Evolutionary Fuzzy Neural Interference Model METODE Artificial Neural Network Evolutionary Fuzzy Neural Interference VARIABEL Luas area total Jumlah lantai Tipe pondasi Tinggi gedung Lantai di bawah permukaan (jumlah) Luas total lantai Jumlah lantai di atas tanah Area site Jumlah unit Kondisi tanah Zona seismic Dekorasi interior Infrastruktur M&E Sumber : Hasi Olahan 2.6. Kerangka Pikir dan Hipotesa Berdasarkan kajian yang dilakukan terkait permasalahan penelitian, penulis menarik hipotesa penelitian berupa penggunaan metode Artificial Neural Network (ANN) pada estimasi biaya tahap konseptual gedung kantor dapat meningkatkan tingkat akurasi, dengan menggunakan variabel bebas antara lain:

90 77 Tabel 2.8 Variabel Penelitian No. VARIABEL TIPE DESKRIPSI REFERENSI 1 LOKASI Lokasi gedung Kategorial lokasi bangunan Yokoyama & Tomiya kantor disini adalah Kota (1988), tempat akan dibangunnya Anoli & Masi (2002), gedung kantor Kim, Choi, & Kang (2005) Kondisi Kategorial pekerjaan yang Elhag & Boussabaine Tanah paling dominan (2002) dilakukan adalah Cut / Fill /Cut and Fill atau hanya Pembersihan Lahan saja 2 DESAIN Tipe Pondasi Kategorial yang dimaksud tipe pondasi disini ialah gedung kantor menggunakan pondasi jenis Bore Pile / Tiang Pancang / Mat / Mat Pile Kim, Choi & Kang (2005), Setyawati, Sahirman & Creese (2002), Elhag & Boussabaine (2002)

91 78 Tabel 2.7 (Sambungan) No. VARIABEL TIPE DESKRIPSI REFERENSI Luas total Numerikal Total luas Yokoyama & Tomiya lantai gedung bangunan gedung (1988), kantor (m 2 ) kantor di sini adalah luas bangunan, dinding terluar Anoli & Masi (2002), Setyawati, Sahirman & Creese (2002) dari dinding kantor dan tidak termasuk bangunan diluar bangunan gedung kantor Jumlah Lapis Numerikal Jumlah lapis Yokoyama & Tamiya Bangunan bangunan dsini (1988), ialah jumlah tingkat bangunan gedung kantor yang berada di atas permukaaan Anoli & Masi (2002), Setyawati, Sahirman&Creese (2002), tanah Kim, Choi & Kang (2005) Jumlah Lapis Numerikal Jumlah lapis Yokoyama & Tamiya Bangunan (di bangunan adalah (1988) bawah muka jumlah tingkat tanah) gedung kantor yang berada di bawah tanah

92 79 Tabel 2.7 (Sambungan) No. VARIABEL TIPE DESKRIPSI REFERENSI Tipe Kategorial yang dimaksud Yokoyama & Tomiya Superstruktur tipe bangunan (1988) gedung kantor disini adalah tipe superstruktur yang digunakan untuk frame bangunan gedung, apakah dari material Baja / Beton / Komposit Tinggi Numerikal yang dimaksud Setyawati, Sahirman & bangunan tinggi bangunan Creese (2002) (meter) disni adalah tinggi total bangunan gedung kantor Jarak antar Numerikal Yang dimaksud Anoli & Masi (2002), lantai (m) jarak antar lantai Setyawati, Sahirman, bangunan disini & Creese (2002) adalah jarak antara lantai satu dengan lantai lain atasnya pada gedung Tipe atap Kategorial yang dimaksud tipe atap di sini ialah Flat (Beton Dak) / Rangka Kayu / Rangka Baja Kim, Choi & Kang (2005)

93 80 Tabel 2.7 (Sambungan) No VARIABEL TIPE DESKRIPSI REFERENSI Tipe atap Kategorial yang dimaksud tipe atap di sini ialah Flat (Beton Dak) / Rangka Kayu / Rangka Baja Kim, Choi & Kang (2005) Finishing Kategorial tingkat finishing Kim, Choi & Kang Grade gedung dari aspek (2005) bahan penutup lantai, dinding luar, dan dinding dalam menurut PERMEN PU No. 45/PRT/M/2007 yang kemudian terbagi menjadi kategori Sederhana / Tidak Sederhana / Khusus 3 WAKTU Durasi Proyek Bulan Lamanya durasi Kim, Choi & Kang (bulan) proyek dimulai dari (2005), proyek itu selesai Elhag & Boussabaine (2002) Tahun Tahun Tahun dimulainya Kim, Choi & Kang Pembangunan proyek (2005) pembangunan gedung Sumber: Hasil Olahan

94 81 Gambar 2.17 Kerangka Pikir Sumber: Hasil Olahan

95 BAB 3 METODOLOGI PENELITIAN 3.1. Pendahuluan Metodologi penelitian adalah logika keterkaitan antara data yang harus dikumpulkan, dan kesimpulan-kesimpulan yang akan dihasilkan, dengan pertanyaan awal suatu penelitian [114]. Pada penelitian ini, penulis bermaksud untuk membangun model estimasi biaya tahap konseptual menggunkan metode Artificial Neural Network bagi proyek gedung kantor. Untuk mencapai maksud tersebut, diperlukan perencanaan langkah-langkah yang sesuai yang akan diambil guna membantu dalam proses penelitian. Oleh karena itu, pada bab ini akan dijelaskan pilihan strategi penelitian berdasarkan masalah dari penelitian, lalu dilanjutkan dengan penjelasan proses penelitian berupa urut-urutan langkah penelitian, yang pada sub-bab berikutnya dilengkapi dengan variabel-variabel yang akan digunakan pada penelitian, lalu dilanjutkan dengan pemaparan instrumen penelitian demi mencapai tujuan penelitian, dan metode pengumpulan data serta format pengambilan data dari responden (kuesioner). Pada bagian sub-bab 3.6 dijelaskan mengenai analisis data yang akan dilakukan. Kemudian pada sub bab 3.7 akan disimpulkan metodologi penelitian menurut keseluruhan bab Pemilihan Strategi Penelitian Metode penelitian merupakan cara ilmiah untuk mendapatkan data dengan tujuan dan kegunaan tertentu. Cara ilmiah berarti kegiatan penelitian ini didasarkan pada ciri-ciri keilmuan yang rasional, empiris dan sistematis. Pemilihan metode penelitian yang akan digunakan menjadi esensial adanya, karena harus sesuai dengan masalah yang menjadi dasar penelitian ini. Penggunaan suatu metode memiliki keuntungan dan kerugian masingmasing, tergantung kepada tipe pertanyaan penelitian yang akan diajukan, kontrol yang dimiliki peneliti terhadap peristiwa perilaku yang akan ditelitinya, dan fokus terhadap fenomena penelitiannya. Berdasarkan skema kategori dasar dari tipe-tipe 82

96 83 pertanyaan penelitian siapa, apa, di mana, bagaimana, dan mengapa, strategi penelitian menurut Robert K. Yin [115] dibagi menjadi: Tabel 3.1 Strategi Penelitian Berdasarkan Research Question Strategi Bentuk Pertanyaan Penelitian Kendali terhadap peristiwa yang diteliti Fokus terhadap peristiwa yang berjalan/baru diselesaikan (Kontemporer) Eksperimen Bagaimana, mengapa Ya Ya Survey Siapa, dimana, berapa banyak, berapa besar Tidak Ya Analisis Siapa, apa, dimana, berapa Tidak Ya/ Tidak Arsip banyak, berapa besar. Historis Bagaimana, mengapa Tidak Tidak Studi Kasus Bagaimana, mengapa Tidak Ya Sumber: Studi Kasus: Desain & Metode, 2002 Pertanyaan-pertanyaan seperti bagaimana dan mengapa pada dasarnya lebih eksplanatoris dan lebih mengarah pada penggunaan strategi studi kasus, historis, dan eksperiman. Pertanyaan-pertanyaan seperti itu berkaitan dengan kaitan-kaitan operasional yang menuntut pelacakan waktu tersendiri, dan bukan sekedar frekuensi dan kemunculan. Dengan pemahaman bahwa bentuk pertanyaan memberi rambu-rambu penting dalam pemilihan strategi penelitian yang sesuai. Jenis research question pada sub bab Rumusan Masalah penelitian, dapat dikelompokkan sebagai berikut: a. Faktor-faktor apa saja yang berpengaruh terhadap pembangunan kontruksi pabrik? b. Bagaimana membuat suatu model berdasarkan faktor-faktor yang berpengaruh terhadap biaya pembangunan pabrik dengan menggunakan teknik jaringan saraf tiruan (ANN) dalam rangka meningkatkan akurasi estimasi biaya ditahap konseptual?

97 84 Jika pertanyaan-pertanyaan penelitian berfokus kepada apakah, atau yang berbentuk inkuiri, maka strategi penelitian yang tepat ialah survey atau analisa arsip. Di mana survey dilakukan dalam penelitian ini dengan penelahaan kajian literatur serta pembagian kuesioner kepada pakar. Keduanya dilakukan untuk mendapat validasi mengenai faktor apa yang mempengaruhi biaya pembangunan konstruksi gedung. Sementara pertanyaan bagaimana dapat dijawab dalam hal ini dengan studi kasus. Hal tersebut berarti penulis harus melakukan analisa pada suatu data yang tersedia, demi pemecahan masalah yang dihubungkan dengan masa kini Proses Penelitian Dalam melakukan proses penelitian, perlu dilakukan urutan tahapan yang benar agar hasil akhir penelitian dapat mencapai optimalisasi. Untuk dapat melaksanakan penelitian sesuai dengan tujuan yang diharapkan, penulis menggunakan alur proses penelitian sebagai berikut :

98 85 MULAI STUDI LITERATUR & ANALISA METODE IDENTIFIKASI VARIABEL PENGUMPULAN DATA VALIDASI VARIABEL VALIDASI DATA TDK SESUAI SESUAI SESUAI TDK SESUAI Transformasi & Pembagian Data Training-Uji PERMODELAN ANN Pemilihan Algoritma & Fungsi Aktivasi Perancangan Arsitektur Jaringan Penentuan Training Parameter TRAINING dilakukan beberapa trial SIMULAS I PADA DATA TES Evaluasi/Measure Modelling Performance Model ANN OPTIMUM Pembuktian Hipotesa & Kesimpulan SELESAI Gambar 3 1 Diagram Alur Penelitian Sumber : Hasil olahan

99 Variabel Penelitian Pada penelitian ini akan ditelaah variabel mengenai faktor yang mempengaruhi suatu biaya gedung perkantoran, namun yang tersedia pada tahap konseptual. Oleh karena itu, untuk memperoleh variabel yang akan digunakan pada permodelan ANN tersebut, perlu dilakukan identifikasi. Adapun terdapat dua jenis tipe variabel yang akan digunakan pada permodelan ANN untuk estimasi biaya gedung kantor tahap konseptual ialah: a. Variabel Terikat Variabel terikat adalah variabel yang memberikan reaksi jika dihubungkan dengan variabel bebas. Variabel ini faktornya diamati dan diukur untuk menentukan pengaruh yang disebabkan oleh variabel bebas. Jika besaran pengaruhnya berbeda maka manipulasi terhadap variabel bebas membuktikan adanya hubungan antara variabel bebas dengan variabel terikat. b. Variabel Bebas Variabel bebas merupakan merupakan variabel yang mempengaruhi variabel lain. Variabel ini faktornya diukur, dimanipulasi, atau dipilih untuk menentukan hubungan dengan suatu gejala yang diteliti. Variabel bebas merupakan faktor-faktor yang berperan dan berpengaruh terhadap peningkatan kinerja kualitas proyek yang digunakan dalam penelitian ini. Berdasarkan penelitian-penelitian pendahulu pada tipe bangunan serupa, serta didukung oleh kajian literatur lain, maka diperoleh parameter-parameter dari sumber-sumber tersebut sebagai variabel penyusun model estimasi penelitian ini. Variabel tersebut akan menjadi proses elemen atau sebagai neuron pada lapisan input dan lapisan output di dalam sturktur jaringan ANN. Variabel variabel penelitian yang merupakan variabel bebas (berada pada lapisan input) berasal dari lingkup pekerjaan proyek kontruksi gedung kantor yang mempengaruhi karateristik biaya kontruksi gedung kantor, yang tersedia pada estimasi biaya tahap konseptual. Sedangkan variabel yang merupakan neuron pada lapisan output atau variable terikat yaitu besaran biaya kontruksi final aktual/harga kontrak gedung kantor.

100 87 Tabel 3.2 Tabel Variabel Bebas (X) dan Variabel Terikat (Y) No. VARIA BEL KETERANGAN TIPE DESKRIPSI SATUAN INPUT 1 LOKASI X1 Lokasi gedung Katergorial lokasi bangunan adalah Kota - kantor tempat dibangunnya gedung kantor X2 Kondisi Tanah Kategorial pekerjaan PTM yang paling dominan dilakukan adalah Cut / Fill /Cut and Fill atau hanya Pembersihan Lahan saja - 2 DESAIN X3 Tipe pondasi Kategorial gedung kantor menggunakan pondasi jenis Bore Pile / Tiang Pancang / Mat / Mat Pile - X4 Luas total lantai gedung kantor Numerikal luas bangunan, dinding terluar dari dinding kantor dan tidak termasuk bangunan diluar bangunan gedung kantor X5 Jumlah lapis Numerikal jumlah tingkat bangunan bangunan gedung kantor yang berada di atas permukaaan tanah X6 Jumlah lapis Numerikal jumlah tingkat gedung bangunan (di kantor yang berada di bawah bawah muka tanah tanah) X7 Tipe Kategorial tipe superstruktur yang superstruktur digunakan untuk frame bangunan gedung, apakah dari material Baja / Beton / Komposit X8 Tinggi bangunan Numerikal tinggi total bangunan gedung kantor dari permukaan tanah m m

101 88 Tabel 3.2 (Sambungan) X9 Jarak antar lantai Numerikal jarak antara lantai satu dengan lantai lain atasnya pada gedung X10 Bentuk Numerikal jumlah sudut/sisi pada (Footprint bangunan baik segitiga / Shape) segiempat / segibanyak / lingkaran X11 Tipe atap Kategorial tipe konstruksi atap apakah Flat (Beton Dak) / Rangka Kayu / Rangka Baja X12 Finishing Grade Kategorial tingkat finishing gedung menurut PERMEN PU No. 45/PRT/M/2007 yang kemudian terbagi menjadi kategori Sederhana / Tidak Sederhana / Khusus 3 WAKTU X13 Durasi proyek Numerikal lamanya proyek berlangsung mulai dari proyek tersebut dimulai sampai dengan proyek selesai (masa pemeliharaan tidak termasuk) X14 Tahun Numerikal tahun dimulainya proyek Pembangunan pembangunan gedung OUTPUT Y Biaya Aktual Numerikal Nilai kontrak sebenarnya dari pengerjaan proyek gedung kantor m - - bulan - Rp Sumber : Hasil olahan Dari variabel di atas kemudian dicari tingkat pengaruh dari masingmasing variabel. Selain itu variabel-variabel tersebut kemudian divalidasi, apakah memiliki pengaruh signifikan terhadap biaya gedung kantor atau tidak. Validasi variabel diperoleh dari survey kepada para pakar.

102 Instrumen Penelitian Instrumen yang dipakai pada penelitian ini ialah variabel-variabel pada permodelan ANN yang akan mempengaruhi bentuk dari jaringan model. Masingmasing variabel, termasuk salah satu dari tipe variabel, numerikal atau kategorial. Di mana masing-masing variabel tersebut akan menyumbangkan bobotnya pada model sesuai nilai yang diberikan masing-masing variabel. Untuk variabel tipe numerikal, nilai yang di input berbentuk numerik. Untuk variabel kategorial, kemudaian akan diubah ke dalam besaran angka agar dapat diinterpretasikan ketika permodelan ANN dilakukan untuk pada MATLAB. Data yang telah ditabulasi lalu disusun untuk memudahkan dalam mencari maupun menyortir pembentuk variabel-variabel. Variabel pada penelitian akan dirubah kedalam bentuk matriks dan vektor, hal ini berguna untuk proses komputasi dalam mencari model jaringan yang terbaik dan mengurangin kesalahan dalam membuat model. Instrumen lainnya antara lain piranti lunak serta aplikasi pendukung, software Matlab versi 7.8, dalam melakukan pengujian terhadap data-data yang telah ditabulasi untuk proses pelatihan dan dalam rangka mencari model ANN yang terbaik. Alat ini merupakan instrumen yang memiliki reliabilitas dalam mengumpulkan keterangan-keterangan yang diperlukan bagi menguji hipotesis Pengumpulan Data Proses pengumpulan bergantung kepada jenis data yang akan dikumpulkan dan teknik pengumpulan datanya harus sesuai sehingga mendukung secara penuh penelitian yang akan dilakukan. Menurut Prof. Dr. Robert K. Yin, pada pengumpulan data dapat diterapkan penggunaan: a. Berbagai sumber, yaitu bukti dari dua atau lebih sumber, tetapi menyatu dengan serangkaian fakta atau temuan yang sama b. Data dasar, yaitu kumpulan formal bukti yang berlainan dari laporan akhir studi kasus yang bersangkutan c. Serangkaian bukti, yaitu keterkaitan yang eksplisit antara pertanyaanpertanyaan yang diajukan, data yang terkumpul, dan konklusi-konklusi yang ditarik.

103 90 Yang digunakan pada penelitian ini adalah data dasar dan serangkaian bukti. Pengacuan pada prinsip-prinsip ini akan meningkatkan kualitas susbtansial studi kasus yang bersangkutan. Pengumpulan data dilakukan dalam 5 (lima) tahap, yaitu: a. Pengumpulan data historis berupa dokumen-dokumen sehubungan biaya pada proyek konstruksi gedung kantor yang telah berjalan. b. Pengkompilasian variabel-variabel yang mempengaruhi biaya konstruksi gedung kantor menurut penelitian yang telah berlangsung c. Survey dan wawancara kepada pakar untuk mengetahui variabel-variabel dari faktor yang mempengaruhi biaya pada tahap awal proyek konstruksi gedung kantor. Pada tahap ini dilakukan validasi variabel yang telah dikompilasi terlebih dahulu, dan juga dilakukan pemintaan saran akan penambahan/pengurangan variabel. d. Setelah didapatkan data-data tersebut, selanjutnya adalah memasukkan input data dan melakukan pelatihan backpropagation dengan menggunakan aplikasi software Matlab R2009a untuk mencari model ANN yang terbaik. Persyaratan pengumpulan data: a. Penelitian dilakukan terhadap proyek pembangunan gedung kantor b. Responden penelitian ini adalah mereka yang secara purposif terpilih menjadi sampel penelitian. Sampel yang digunakan adalah responden yang memenuhi kriteria dalam penelitian ini yang memiliki pengalaman, reputasi dan bersedia berkerjasama. c. Bagi kontraktor pelaksana memiliki pengalaman dalam pembangunan proyek kontruksi gedung kantor. Lalu persyaratan survey validasi variabel sebagai berikut : a. Memiliki reputasi yang baik dan memiliki pendidikan yang menunjang dibidangnya. b. Memiliki pengalaman dalam proyek kontruksi gedung kantor di suatu perusahaan jasa konstruksi atau instansi yang terkait lainnya selama minimal 15 tahun

104 91 Tabel 3.3 Format Formulir Validasi Pakar No Variabel Nama Variabel Keterangan Variabel Skala Penilaian Kategorial Pakar Komentar / Perbaikan 1 Lokasi X1 Lokasi lokasi bangunan adalah kota tempat akan dibangunnya gedung kantor Kota X2 Kondisi Tanah pekerjaan yang paling dominan pada pemindahan tanah mekanik Cut / Fill / Cut and Fill / Pembersih an Lahan 2 Desain X3 Tipe pondasi jenis pondasi yang digunakan pada gedung kantor Bore Pile / Tiang Pancang / Mat / Mat Pile X4 X5 Luas total gedung kantor (m 2 ) Jumlah lapis banguna n luas bangunan, dinding terluar dari dinding kantor jumlah tingkat bangunan gedung kantor yang berada di atas permukaaan tanah X6 Jumlah lapis banguna n (di bawah muka tanah) jumlah tingkat bangunan gedung kantor di bawah permukaan tanah (tingkat basement)

105 92 Tabel 3.3 (Sambungan) No. Variabel Nama Variabel Keterangan Variabel Skala Penilaian Kategorial Pakar Komentar / Perbaikan X7 X8 Tipe superstr uktur Tinggi banguna n (m) bangunan gedung kantor menggunakan superstruktur dari material apa tinggi total bangunan gedung kantor dari muka tanah Baja / Beton / Komposit X9 Jarak antar lantai (m) jarak antara lantai satu dengan lantai lain atasnya pada gedung X10 Bentuk (Footpri nt Shape) ialah jumlah sudut/sisi pada tapak bangunan Segitiga / Segiempat / Segibanyak /Llingkaran X11 Tipe atap Struktur atap pada bangunan gedung kantor Flat (Beton Dak) / Rangka Kayu / Rangka Baja X12 Finishin g Grade tingkat finishing gedung dari aspek bahan penutup lantai, dinding luar, dan dinding dalam menurut PERMEN PU No. 45/PRT /M/2007 Sederhana / Tidak Sederhana / Khusus

106 93 Tabel 3.3 (Sambungan) No. Variabel Nama Variabel Keterangan Variabel Skala Penilaian Kategorial Komentar / Perbaikan 3 Waktu X13 X14 Durasi Proyek (bulan) Tahun Pemban gunan Lamanya durasi proyek dimulai dari proyek itu selesai Tahun dimulainya proyek pembangunan gedung Bulan Tahun Sumber: Hasil Olahan 3.6. Metode Analisa Data dan informasi yang dikumpulkan dari kuesioner diharapkan dapat menghasilkan suatu analisis yang tepat terhadap faktor-faktor yang paling dominan dalam estimasi biaya tahap awal proyek konstruksi gedung kantor, sehingga hasil yang diperoleh sesuai dengan topik dan tujuan. Analisis penelitian berupa deskripsi dalam menjawab rumusan permasalahan pertama, serta trial dan error terhadap rumusan permasalahan kedua. Model estimasi biaya dengan dinilai kinerjanya sesuai dengan kajian teori (akurasi estimasi biaya AACE). Deviasi akurasi tersebut didapatdari rata-rata error paling sedikit antara prediksi biaya hasil model ANN dengan biaya aktual pada konstruksi proyek gedung kantor dari data historis. Metode MSE (Mean Square Error) untuk data trial dan MMRE/MAPE (Mean Magnitude of Relative Error) untuk data tes dilakukan dengan persamaan: (3.1) (3.2)

107 Kesimpulan Untuk dapat menghasilkan permodelan estimasi biaya tahap konseptual pada gedung kantor yang terbaik, input variabel harus teridentifikasi secara jelas. Untuk mencapai tujuan tersebut, strategi penelitian yang akan ditempuh yaitu mempelajari data proyek historis sejenis, validasi dari pakar, serta pendapat dari praktisi konstruksi. Pengambilan data yang digunakan ialah mengumpulkan data historis dari proyek-proyek sejenis, dalam hal ini gedung perkantoran. Analisa permodelan dilakukan dengan menggunakan piranti lunak Matlab versi 7.8 yang dimana langkah awal dimulai dengan menentukan arsitektur jaringan ANN, lalu dengan membuat model yang cocok sesuai pola data yang dilakukan, sampai akhirnya didapat pemodelan estimasi biaya terbaik. Hal tersebut dicapai dengan menggunakan kriteria kinerja MSE dan MMRE yang didasarkan atas tingkat kesalahan data aktual terhadap data prediksi yang dihasilkan dari model ANN.

108 BAB 4 PENGUMPULAN DAN PENGOLAHAN DATA 4.1. Pendahuluan Sesuai dengan penjelasan pada bab metodologi penelitan mengenai pengumpulan dan pengolahan data, di bab ini akan dijelaskan lebih lanjut prosesnya. Proyek-proyek gedung kantor dikumpulkan untuk input data, dan diseleksi agar memenuhi persyaratan penelitian atau mendukung permodelan. Untuk penetapan variabel, dimulai dari kajian literatur sehingga dapat diidentifikasi variabel-variabel cost driver dari proyek gedung perkantoran yang tersedia di tahap estimasi konseptual. Setelah melakukan kajian literarur, variabel yang didapat tersebut divalidasi ke pakar untuk menilai relevansinya dan perlu atau tidaknya digunakan pada permodelan. Setelah itu, dilakukan proses input data ke program di mana data akan diolah. Pada Bab 4 ini akan dijelaskan proses penelitian dari mulai pengumpulan data, penetapan variabel, sampai dengan penggunan program MATLAB R2009a dalam mengolah data Pengumpulan Data Pada penelitian ini, data yang dibutuhkan diperoleh dari informasi mengenai proyek-proyek kantor terdahulu, beserta nilai kontraknya. Informasi tersebut nantinya akan diinput sebagai variabel yang akan dimasukkan ke dalam permodelan. Untuk mendapatkan data tersebut tidak mudah karena pada umumnya perusahaan merahasiakan informasi khususnya data yang melingkup nilai kontrak. Dalam hal ini, penulis mendapat kontributor dari satu perusahaan kontraktor PT. X yang bersedia memberikan data dari pembukuan proyek-proyek terdahulu yang telah dikerjakan perusahaan tersebut. Data diberikan dalam bentuk hardcopy sebanyak 34 buah, dan dalam bentuk softcopy 6 buah, sehingga total data awal yang diperoleh 40 buah. Kemudian dilakukan pemeriksaan data dan penyeleksian karena hasil akhir model ANN bergantung sekali dari data yang diinput sebagai pembentuk pattern (bobot, bias, dan arsitektur jaringan). 95

109 96 Ternyata dari 40 data tersebut, tercampur dengan proyek-proyek yang tidak sesuai fokus penelitian (gedung kantor), diantaranya ada 1 buah proyek apartemen, 3 proyek kondominium (gedung berisi office, mall, dan apartemen), 1 proyek function hall, 2 proyek laboratorium, dan 1 proyek Rumah Sakit. Sehingga kedelapan proyek tersebut tidak dapat dipakai karena tiap-tiap jenis gedung dapat memiliki efek yang berbeda pada cost driver. Setelah itu dilakukan pemeriksaan pada data yang tersisa dalam jenis proyek, karena penelitian ini hanya berfokus pada proyek pembangunan saja, sehingga proyek renovasi tidak termasuk. Dari 32 data proyek gedung kantor tersebut, ternyata 7 proyeknya renovasi kantor sehingga data-data tersebut juga dieliminasi. Sementara, ketika diperiksai lebih lanjut, 1 hardcopy data proyek tidak memiliki halaman yang memuat nilai kontrak. Sehingga data yang tersisa sementara 24 buah. Kemudian, dilakukan penyeleksian berdasar harga/m 2 proyek, dengan membagi nilai kontrak dengan luas total gedung kantor yang terdapat pada data yang tersisa. Ternyata terdapat 1 proyek yang memiliki harga.m 2 sangat besar, yaitu Rp ,16, melebihi normalnya harga/m 2 proyek gedung kantor di lokasi proyek (Jakarta). Sehingga data tersebut dieliminasi dan menyisakan 23 data proyek gedung kantor yang siap diolah. Dari data pembukuan proyek dalam bentuk hardcopy, kemudian data yang dibutuhkan menurut variabel penelitian ditabulasi, sebagai berikut:

110 97 Tabel 4.1 Rekap Data No Proyek Lokasi Kondisi Tanah 1 A Jakarta Pusat 2 B Bandun g 3 C Jakarta Selatan 4 D Jakarta Pusat 5 E Tangge rang tanah merah tanah merah tanah merah tanah merah tanah merah Tipe Pondasi Luas (m 2 ) Jumlah Tingkat Lapis Base ment Super struktur Floor to Floor (m) Tinggi (m) Bentuk bore pile beton 4 56 segi empat tiang pancang beton segi empat bore pile beton segi empat borepile borepile beton segi empat 9 - beton segi empat Konstr uksi Atap dak beton rangka baja rangka baja dak beton dak beton Finisihng Grade Tahun Durasi (bulan) bata ringan/celconn, keramik, plafond gypsum, pintu alm bata ringan/celconn, keramik homogenus tile, plafond gypsum, pintu alm bata ringan/celconn, keramik, plafond gypsum, pintu alm bata ringan/celconn, granit, plafond gypsum, pintu/jend alumunium, bata ringan/celconn, keramik, plafond gypsum, pintu/jend alumunium Nilai Kontrak (Rp) ,267,990, ,513,241, ,000,000, ,720,000, ,300,000,000.00

111 98 Tabel 4.1 (Sambungan) No Proyek Lokasi Kondisi Tanah 6 F Jakarta Pusat 7 G Jakarta Pusat 8 H Bandun g 9 I Jakarta Utara 10 J Jakarta Pusat 11 K Bandun g tanah merah tanah merah tanah merah tanah merah tanah merah tanah merah Tipe Pondasi Luas (m 2 ) Jumlah Tingkat Lapis Base ment Super struktur Floor to Floor (m) Tinggi (m) Bentuk pile cap beton segi empat tiang pancang beton segi empat bore pile beton 4 19 segi empat tiang pancang beton 4 24 segi empat bore pile beton segi empat bore pile beton segi empat Konstr uksi Atap dak beton rangka baja rangka baja rangka baja rangka baja rangka baja Finisihng Grade Tahun Durasi (bulan) bata ringan/celconn, keramik, plafond gypsum, pintu kayu bata ringan/celconn, granit, plafond gypsum, pintu kayu kusen alm, bata ringan/celconn, keramik, plafond gypsum, pintu alm, bata ringan/celconn, keramik, plafond gypsum, pintu kayu, bata ringan/celconn, keramik, plafond gypsum, pintu kayu bata ringan/celconn, keramik, plafond gypsum, pintu alm Nilai Kontrak (Rp) ,726,273, ,970,000, ,696,000, ,250,000, ,132,567, ,260,522,999.90

112 99 Tabel 4.1 (Sambungan) No Proyek Lokasi Kondisi Tanah 12 L Jakarta Pusat tanah merah 13 M Jakarta tanah merah 14 N Jakarta Selatan tanah merah 15 O Bekasi tanah merah 16 P Jakarta Pusat tanah merah 17 Q Batam tanah merah Tipe Pondasi Luas (m 2 ) bore pile Jumlah Tingkat Lapis Base ment Super struktur Floor to Floor (m) Tinggi (m) Bentuk 4 1 beton segi empat bore pile beton segi empat bore pile beton segi empat bore pile beton segi empat mat pile bore pile beton segi empat 7 - beton segi empat Konstr uksi Atap dak beton dak beton dak beton rangka baja rangka baja dak beton Finisihng Grade Tahun Durasi (bulan) bata ringan/celconn, keramik, plafon gypsum, pintu kayu bata ringan/celconn, keramik, plafond gypsum, pintu alm, konsep green building bata ringan/celconn, keramik, plafon gypsum, pintu alm bata ringan/celconn, keramik, plafond gypsum, pintu alm bata ringan/celconn keramik, plafon gypsum, pintu alm, celconn, keramik homogenus tile, plafond gypsum, pintu alm Nilai Kontrak (Rp) ,548,072, ,231,227, ,050,000, ,271,000, ,268,000, ,900,000,000.00

113 100 Tabel 4.1 (Sambungan) No Proyek Lokasi Kondisi Tanah 18 R Batam tanah merah 19 S Batam tanah merah 20 T Bengku lu 21 U Belitun g 22 V Tangge rang tanah merah tanah merah tanah merah Tipe Pondasi Luas (m 2 ) bore pile bore pile tiang pancang Jumlah Tingkat Lapis Base ment Super struktur Floor to Floor (m) Tinggi (m) Bentuk 4 - beton segi empat 8 - beton segi empat beton segi empat borepile beton 4 12 segi empat bore pile beton segi empat Konstr uksi Atap dak beton dak beton rangka baja rangka baja rangka baja Finisihng Grade Tahun Durasi (bulan) bata ringan/celconn, keramik homogenus tile, plafond gypsum, pintu alm bata ringan/celconn, keramik homogenus tile, plafond gypsum, pintu alm bata ringan/celconn, keramik homogenus tile, plafond gypsum, pintu alm bata ringan/celconn, keramik homogenus tile, plafond gypsum, pintu alm bata ringan/celconn, keramik, plafond gypsum, pintu alm, panel tr Nilai Kontrak (Rp) ,302,260, ,457,142, ,963,037, ,185,014, ,852,500,000.00

114 101 Tabel 4.1 (Sambungan) No Proyek Lokasi Kondisi Tanah 23 W Jakarta Barat tanah merah Tipe Pondasi Luas (m 2 ) Jumlah Tingkat Lapis Base ment Super struktur Floor to Floor (m) Tinggi (m) Bentuk bore pile beton segi empat Konstr uksi Atap dak beton Finisihng Grade Tahun Durasi (bulan) bata ringan/celconn, keramik homogenus tile, plafond gypsum, pintu alm Nilai Kontrak (Rp) ,117,090,738.20

115 Penetapan Variabel Penelitian ini memiliki dua tipe variabel, yaitu variabel bebas dan variabel terikat. Variabel bebas berupa X input yang cost drivers gedung kantor yang tersedia pada tahap konseptual. Dan variabel terikat Y yang berisi nilai kontrak proyek. Untuk menentukan variabel-variabel tersebut, khsusunya variabel bebas, maka dilakukan identifikasi dari literatur, yang kemudian kesahihannya akan diuji dengan validasi kepada para-pakar, lalu akhirnya di lihat ketersediaannya maupun kondisinya berdasar data yang telah didapat untuk kemudian ditetapkan sebagai variabel yang akan diinput pada pengolahan. Hal tersebut akan dijelaskan lebih lanjut pada sub bab ini Identifikasi Variabel Dalam menentukan variabel-variabel yang akan digunakan pada permodelan estimasi biaya tahap konseptual gedung kantor dengan ANN, penulis melakukan identifikasi awal variabel berdasar kajian-kajian literatur mengenai topik tersebut. Keterangan mengenai sumber literatur untuk masing-masing variabel dapat dilihat pada atabel 2.7. Untuk lebih jelasnya, variabel-variabel tersebut dideskripsikan pada tabel berikut. Tabel 4.2 Identifikasi Variabel No Variabel Nama Variabel Keterangan Variabel Tipe Kategori Satuan INPUT 1 Lokasi X1 Lokasi lokasi bangunan adalah kota tempat akan dibangunnya gedung kantor Kategorial Jabo tabe k Ban dung Bata m Beng kulu Belitu ng -

116 103 Tabel 4.2 (Sambungan) No Variabel Nama Variabel Keterangan Variabel Tipe Kategori Satuan X2 Kondisi Tanah pekerjaan yang paling dominan pada pemindahan tanah mekanik kategorial cut fill cut & fill pem ber siha n laha n - 2 Desain X3 Tipe pondasi jenis pondasi yang digunakan pada gedung kantor kategorial bore pile tiang panc ang mat mat pile - X4 X5 Luas total gedung kantor Jumlah lapis banguna n luas bangunan, dinding terluar dari dinding kantor jumlah tingkat bangunan gedung kantor yang berada di atas permukaaan tanah numerikal m 2 numerikal - X6 X7 Jumlah lapis banguna n (di bawah muka tanah) Tipe superstru ktur jumlah tingkat bangunan gedung kantor di bawah permukaan tanah (tingkat basement) bangunan gedung kantor menggunakan superstruktur dari material apa numerikal - kategorial baja beton kom posit -

117 104 Tabel 4.2 (Sambungan) No Variabel Nama Variabel Keterangan Variabel Tipe Kategori Satuan X8 Tinggi gedung tinggi total bangunan gedung kantor dari muka tanah numerikal m X9 Jarak antar lantai jarak antara lantai satu dengan lantai lain atasnya pada gedung numerikal m X10 Bentuk (Footprint Shape) ialah jumlah sudut/sisi pada tapak bangunan kategorial segi tiga segi empat segi bany ak ling kara n - X11 Tipe atap Struktur atap pada bangunan gedung kantor kategorial dak beton rang ka kayu rang ka baja - X12 Finishing Grade finishing gedung dari aspek bahan penutup lantai, dinding luar, dan dinding dalam menurut PERMEN PU No. 45/PRT /M/2007 kategorial seder hana tidak seder hana khu sus

118 105 Tabel 4.2 (Sambungan) No Variabel Nama Variabel Keterangan Variabel Tipe Kategori Satuan 3 Waktu X13 Durasi Proyek Lamanya durasi proyek dimulai dari proyek itu selesai numerikal X14 Tahun Tahun dimulainya proyek pembangunan gedung numerikal bulan OUTPUT Tahun Y Biaya Aktual Nilai kontrak sebenarnya dari pengerjaan proyek gedung kantor numerikal Sumber: Hasil Olahan Validasi Variabel Dari semua variabel yang telah diidentifikasi, dilakukan validasi kepada pakar untuk mengetahui pendapat pakar mengenai relevansi variabel, khususnya pada variabel input (X), yang telah dipilih dalam mempengaruhi nilai kontrak proyek gedung kantor. Pakar yang dituju ialah 5 orang pakar yang berpengalaman lebih dari 15 tahun. Dari hasil kuesioner tiap-tiap pakar kemudian ditabulasi untuk melihat mayoritas jawaban, dalam hal ini berarti minimal 3 suara dari masingmasing variabel untuk variabel tersebut diputuskan digunakan atau tidak.

119 106 Tabel 4.3 Tabulasi Kuesioner Validasi Pakar No Variabel Indikator Keterangan Variabel Skala Penilaian Kategorial Pakar Jumlah Ya Tidak Kesimpulan 1 Lokasi X1 Lokasi lokasi bangunan adalah kota tempat akan dibangunnya gedung kantor Kota 5 0 Variabel dipakai X2 Kondisi Tanah pekerjaan yang paling dominan pada pemindahan tanah mekanik Cut / Fill / Cut and Fill / Pembersih an Lahan 5 0 Variabel dipakai 2 Desain X3 Tipe pondasi jenis pondasi yang digunakan pada gedung kantor Bore Pile / Tiang Pancang / Mat / Mat Pile 5 0 Variabel dipakai

120 107 Tabel 4.3 (Sambungan) No Variabel Indikator Keterangan Variabel Skala Penilaian Kategorial Pakar Jumlah Ya Tidak Kesimpulan X4 X5 Luas total gedung kantor (m 2 ) Jumlah lapis banguna n luas bangunan, dinding terluar dari dinding kantor jumlah tingkat bangunan gedung kantor yang berada di atas permukaaan tanah 5 0 Variabel dipakai 5 0 Variabel dipakai X6 Jumlah lapis banguna n (di bawah muka tanah) jumlah tingkat bangunan gedung kantor di bawah permukaan tanah (tingkat basement) 5 0 Variabel dipakai

121 108 Tabel 4.3 (Sambungan) No Variabel Indikator Keterangan Variabel Skala Penilaian Kategorial Pakar Jumlah Ya Tidak Kesimpulan X7 X8 Tipe superstru ktur Tinggi banguna n (m) bangunan gedung kantor menggunaka n superstruktur dari material apa tinggi total bangunan gedung kantor dari muka tanah Baja / Beton / Komposit 5 0 Variabel dipakai 5 0 Variabel dipakai X9 Jarak antar lantai (m) jarak antara lantai satu dengan lantai lain atasnya pada gedung 5 0 Variabel dipakai

122 109 Tabel 4.3 (Sambungan) No Variabel Indikator Keterangan Variabel Skala Penilaian Kategorial Pakar Jumlah Ya Tidak Kesimpulan X10 Bentuk (Footprint Shape) ialah jumlah sudut/sisi pada tapak bangunan Segitiga/ Segiempat/ Segibanyak/ Lingkaran 5 0 Variabel dipakai X11 Tipe atap Struktur atap pada bangunan gedung kantor Flat (Beton Dak) / Rangka Kayu / Rangka Baja X 4 1 Variabel dipakai X12 Finishing Grade finishing gedung dari aspek bahan penutup lantai, dinding luar, dan dinding dalam menurut PERMEN PU No. 45/PRT /M/2007 Sederhana / Tidak Sederhana / Khusus X 4 1 Variabel dipakai

123 110 Tabel 4.3 (Sambungan) No. Variabel Indikator Keterangan Variabel Skala Penilaian Kategorial Pakar Jumlah Ya Tidak Kesimpulan 3 Waktu X13 Durasi Proyek (bulan) Lamanya durasi proyek dimulai dari proyek itu selesai X14 Tahun Tahun dimulainya proyek pembangunan gedung Bulan X 4 1 Variabel dipakai Tahun 5 0 Variabel dipakai Sumber: Hasil Olahan Keterangan Nama Pakar: 1. Dr. Ir. Heru Purnomo 2. Ir. Eddy Subiyanto, MM. MT. 3. Ir. Lilik Sumarliadi, MT. 4. Dr. Ir. Ismeth S. Abidin, Ph.D 5. Suratman, ST. MT.

124 Penetapan Variabel Dari hasil tabulasi variabel pakar, dapat dilihat bahwa semua variabel awal yang penulis identifikasi ditentukan untuk digunakan pada permodelan. Sehingga variabel-variabel tersebut ialah: Tabel 4.4 Variabel Setelah Validasi Pakar Variabel Faktor Keterangan Kategori X1= Lokasi Kota - X2= Kondisi Tanah PTM dominan cut fill cut&fill X3= Tipe Pondasi tipe pondasi bore tiang pile pancang mat X4= Luas Total total luas gedung (m2) - X5= Tingkat tingkat di atas muka tanah - X6= Lapis Basement tingkat di bawah muka tanah - X7= Tipe superstruktur gedung Superstruktur beton baja komposit X8= Jarak Floor-to- jarak antar lantai Floor gedung (m) - X9= Tinggi tingkat keseluruhan Bangunan gedung (m) - X10= Bentuk jumlah sudut bangunan segi segi segi (Footprint empat tiga banyak Shape) X11= Konstruksi Atap konstruksi atap gedung X12= Finishing Grade kategori grade finishing grade dak beton seder hana rangka baja tidak sederhan a X13= Tahun tahun dimulainya - proyek X14= Durasi durasi proyek - Y= Nilai Kontrak nilai kontrak proyek - (Rp) rangka kayu khusus lingka ran Sumber: Hasil Olahan Namun apabila dilihat pada rekap data (tabel 4.1), variabel Kondisi Tanah tidak memiliki deskripsi yang sama dengan deskripsi variabel pada tahap identifikasi. Deskripsi variabel pada tahap identifikasi ialah pekerjaan PTM dominan, namun yang diperoleh ialah jenis tanah proyek. Selain itu, variabel tersebut tidak memiliki variansi. Variabel yang tidak memiliki variansi, tidak akan memberi pengaruh pada saat diinput pada permodelan. Justru hal tersebut malah mungkin akan menimbulkan ambiguitas pada saat model akan dimasukkan data

125 112 baru. Oleh karena itu variabel Kondisi Tanah tersebut harus dieliminasi. Maka, variabel lain yang tidak memiliki variansi juga harus dieliminasi. Dalam hal ini, terdapat variabel Superstruktur dan Bentuk. Tabel 4.5 Variabel yang Dieliminasi Variabel yang Dieliminasi Kondisi Tanah Superstruktur Bentuk Alasan tidak mencakup informasi yang sesuai, tidak memiliki variansi tidak memiliki variansi tidak memiliki variansi Sumber: Hasil Olahan Sementara untuk variabel Finishing Grade yang menjadi acuan spesifikasi ialah Permenpu No. 45 Tahun 2007, tabel A1 Persyaratan Bahan Bangunan Gedung. Tabel 4.6 Spesifikasi Bangunan Gedung Permenpu No. 45 Tahun 2007 No Uraian B 1 Bahan Penutup Lantai 2 Bahan Dinding Luar Klasifikasi Tidak Sederhana Sederhana Persyaratan Bahan Bangunan keramik, vinil, tegel PC bata, batako, diplester dan dicat, kaca 3 Bahan Dinding Dalam bata, batako diplester dan dicat, kaca, partisi kayu lapis 4 Bahan Penutup Plafond kayu-lapis dicat 5 Bahan Penutup Atap 6 Bahan Kusen dan Daun Pintu genteng, asbes, seng, sirap kayu dicat/alumunium marmer lokal, keramik, vinil, kayu bata, batako diplester dicat/dilapis keramik, kaca, panil beton ringan bata, batako diplester dan dicat, kaca, partisi gipsum gipsum, kayulapis dicat genteng keramik, alumunium, gelombang dicat kayu dipelitur, anodized alumunium Khusus marmer lokal, keramik, vinil kayu bata, batako diplester dicat/dilapis keramik, kaca, panil beton ringan bata, batako diplester dan dicat, kaca, partisi gipsum gipsum, kayulapis dicat genteng keramik, alumunium, gelombang dicat kayu dipelitur, anodized alumunium Sumber: PERMENPU No.45 Tahun 2007

126 113 Dapat dilihat pula pada rekap data, informasi yang didapat pada data mengenai finshing grade meliputi bahan dinding luar dan dalam, bahan penutup lantai, penutup plafond, serta bahan kusen dan daun pintu. Juga ada temuan khusus pada finishing grade proyek yang memiliki konsep green building begitu pula pada pekerjaan finishing-nya. Oleh karena itu penulis mengelompokkan finishing grade tersebut menjadi kategori khusus pada finishing grade. Tabel 4.7 Tabel Kategori Finishing Grade Penelitian Finishing Grade Persyaratan Bahan Bangunan Kategori sederhana bata ringan/celconn, plafond gypsum, pintu kayu/alm keramik 1 tidak bata ringan/celconn, plafond gypsum, pintu sederhana kayu/alm granit/marmer 2 khusus konsep green building 3 Sumber: Hasil Olahan Sementara itu, selain dari variabel di atas, pada pengisian kuesioner validasi variabel pada pakar, terdapat saran mengenai variabel tambahan. Namun hasil tabulasi dari masing-masing saran tidak mencapai mayoritas (3 dari 5 pakar), sehingga berarti pemakaiannya tidak terlalu dianjurkan. Variabel-variabel tambahan dari saran pakar tersebut juga tidak memiliki ketersediaan pada data sehingga diputuskan variabel-variabel tersebut tidak digunakan. Berikut variabelvariabel tambahan yang disarankan pakar tersebut: Tabel 4.8 Saran Pakar Mengenai Variabel Tambahan No Variabel Peniliaian Keterangan Alasan Pakar 1 Metode Pelaksanaan kualitas metode bagaimana cara melaksanakan pembangunan mempengaruhi biaya alat material pendukung dan tenaga kerja 3 dan 5 2 Elevasi air tanah 4 3 Lokasi Proyek jarak perjalanan suppy chain dan barang jasa 4 4 Jarak ke Lapangan pembatasan km Udara ketinggian 4

127 114 Tabel 4.8 (Sambungan) No Variabel Peniliaian Keterangan Alasan Pakar kebutuhan Keterbatasan tambahan ketersediaan pada 5 desain khusus 4 listrik/air/pembuangan dan biaya limbah cair inverstasi 6 7 Keterbatasan ketersediaan tenaga kerja terampil lokal Keterbatasan ketersediaan bahan utama semen/baja/batuan Sumber: Hasil Olahan penyediaan labor supply khusus penyediaan secara khusus dari daerah terdekat 4 4 Sehingga, untuk sementara, variabel yang akan digunakan pada permodelan antara lain: Variabel Tabel 4.9 Variabel yang Akan Digunakan untuk Permodelan Keterangan Kategori X1 = Lokasi Kota X2 = Pondasi Bore Pile Tiang Pancang Mat X3 = Luas Total - X4 = Tingkat - X5 = Lapis Basement - X6 = Floor-to-floor - X7 = Tinggi Gedung - X8 = Konstruksi Atap Dak beton Rangka Baja Rangka Kayu X9 = Finishing Grade Sederhana Tidak Sederhana Khusus X10= Tahun - X11= Durasi bulan Y = Nilai Kontrak - Sumber: Hasil Olahan 4.4. Pengolahan Data Kedua langkah sebelumnya dilakukan untuk mendapatkan input dari pembentukkan permodelan, yang dalam penelitian ini, menggunakan metode artificial neural network. Dalam permodelannya, olah data menggunakan metode

128 115 artificial neural network tersebut dibantu menggunakan software MATLAB versi R2009a. Pada subbab ini akan dijelaskan lebih jauh proses permodelan tersebut. Proses peremodelan AAN dapat digambarkan dalam flow chart seperti berikut: PERMODELAN ANN Transformasi & Pembagian Data Training-Uji Pemilihan Algoritma & Fungsi Aktivasi Perancangan Arsitektur Jaringan Penentuan Training Parameter TRAINING dilakukan beberapa trial SIMULAS I PADA DATA TES Evaluasi/Measure Modelling Performance Model ANN OPTIMUM Sumber: Hasil Olahan Gambar 4.1 Flow Chart Permodelan Artificial Neural Network Adapun penjelasan langkahnya sebagai berikut: a. Transformasi Data Setelah mendapat data beserta variabelnya yang sesuai, kedua komponen tersebut kemudain akan menjadi input pada permodelan. Di mana permodelan tersebut yang diolah dengan MATLAB harus diubah menjadi informasi numerik. Sehingga apabila ada variabel permodelan yang bersifat deskriptif atau kategorial, harus diubah terlebih dahulu menjadi angka. Selain itu data yang telah diperoleh di bagi untuk keperluan training dan keperluan validasi.

129 116 Rasio dari pembagian sebaiknya diutamakan untuk training agar permodelan mengalami cukup pelatihan dan siap untuk menghasilkan output yang baik pada tahap validasi. Dalam penelitian ini, data tes untuk validasi ialah data V dan W. b. Pemilihan Algortima dan Fungsi Aktivasi Sebelumnya, permodelan ANN estimasi biaya pada penelitian ini termasuk ke dalam fungsi peramalan pada aplikasinya. Dalam hal ini, jaringan dapat dipakai untuk meramalkan apa yang akan terjadi berdasarkan pola yang ada di masa lampau. Ini dapat dilakukan mengingat kemampuan jaringan syaraf tiruan untuk mengingat dan membuat generalisasi dari apa yang diberikan sebelumnya. Oleh karena itu, tipe pelatihan jaringan yang harus digunakan ialah supervised di mana jaringan akan melakukan penyesuaian dan melakukan perubahan bobot dari perbedaan nilai output aktual dan ANN sehingga kedua nilai tersebut semakin mendekati kesamaan. Oleh karena itu, terkadang jaringan yang memiliki banyak input butuh memiliki banyak layar agar pengenalan pola dapat dilakukan dengan baik. Keseluruhan kriteria tersebut dapat dipenuhi dengan algoritma pembelajaran tipe Backpropagation. Backpropagation banyak dilakukan untuk aplikasi ANN dalam peramalan karena dapat melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk menganali pola yang akan digunakan selama pelatihan, serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan. Selanjutnya penentuan fungsi aktivasi, di mana dalam backpropagation fungsi aktivasi harus kontinu, terdiferensial dengan mudah, serta merupakan fungsi yang tidak turun. Fungsi yang memenuhi ketiga ktriteria tersebut dan sering dipakai pada backpropagation ialah Sigmoid Biner. c. Proses Trial dan Error Pelatihan Pada tahap ini, data-data pelatihan dirun pada MATLAB dengan hal-hal yang harus dipilih hingga mencapai hasil optimum berupa: a) Arsitektur Jaringan

130 117 Jumlah neuron pada lapisan input jaringan adalah sebanyak jumlah variabel penelitian, sementara jumlah neuron/node lapisan output sebanyak 1 buah, dalam hal ini nilai kontrak proyek kontruksi. Backpropagation sebenarnya merupakan algoritma pelatihan yang mampu memiliki banyak hidden layer (multilayer feedforward). Namun karena semakin banyak hidden layer maka semakin lama waktu pelatihan, maka lebih baik pelatihan diawali dengan single hidden layer dahulu. Selain itu menurut Hegazy [116], jumlah hidden layer boleh lebih dari satu asalkan data pelatihan mencukupi. Berikutnya, penentuan arsitektur jaringan dilakukan dalam mencoba jumlah nodes pada hidden layer yang tebaik. Penulis melakukan percobaan untuk jumlah nodes dimulai dari 2 kali jumlah input (variabel) yang digunakan pada permodelan hingga satu node. b) Training Parameter Pemilihan training parameter dilakukan untuk mencapai optimalisasi pelatihan. Parameter epoch menentukan berapa banyak iterasi maksimal yang dilakukan. Kemudian parameter goal dimasukkan untuk menentukan berapa MSE yang ingin dicapai. Parameter lr menggambarkan laju percepatan (ɑ) untuk mengubah bobot pada tiap langkah iterasi. Sementara mc merupakan salah satu bentuk variasi backpropagation yang dimasukkan untuk menghindari perubahan bobot yang mencolok akibat adanya data yang sangat berbeda dengan yang lain. Lalu parameter min-grad menunjukkan gradien penurunan pelatihan minimal, karena apabila gradien terlalu kecil berarti proses generalisasi model sudah tidak terlalu signifikan. Parameter max-fail menentukan maximum gagal running pada pelatihan (akibat gradien lebih kecil dari min_grad). Sementara show berarti jumlah iterasi untuk menampilkan tiap hasil permodelan. Pelatihan akan berhenti jika salah satu dari parameter tersebut telah tercapai. c) Training Setelah menentukan kedua properti di atas, dilakukan training pada data yang dimaksudkan sebagai pelatihan model.

131 118 d) Simulasi Setelah model terbentuk dari pelatihan, data tes di simulasi pada model. Koding pada MATLAB untuk langkah-langkah ini dan sebelumnya pada terdapat di lampiran e) Evaluasi dan Measure Performance dari Model Mengevaluasi kinerja model dan validasinya dengan mencari MMRE untuk tiap input terhadap output, demi mencari tingkat keakurasian yang dicapai.. d. Pemilihan Model Optimal Setelah dilakukan langkah-langkah di atas, dan didapatkan nilai MMRE untuk tiap-tiap permodelan, pilih yang memasuki range persentase eror sesuai ketentuan AACE dan yang memiliki MMRE data tes terkecil. Dalam penelitian ini terdapat beberapa skenario percobaan untuk mendapat model yang menghasilkan nilai MMRE terkecil. Skenario-skenario tersebut antara lain: a) Skenario 1 Pada skenario 1 data yang digunakan 23 data dari proyek gedung kantor di Jakarta, Bekasi, dan Tanggerang (lokasi Jabotabek), Bandung, Batam, Bengkulu, Belitung. Dengan 2 data (V dan W) sebagai data tes. Sementara variabel yang digunakan ialah 11 variabel. Tabel 4.10 Variabel Skenario 1 Variabel Keterangan Kategori X1 = Lokasi Jabodetabek Bandung Batam Bengkulu Belitung X2 = Pondasi Bore Pile Tiang Pancang Mat - - X3 = Luas Total - X4 = Tingkat - X5 = Lapis Basement - X6 = Floor-to-floor - X7 = Tinggi Gedung - X8 = Konstruksi Atap Dak beton Rangka Baja X9 = Finishing Grade Sederhana Tidak Sederhana Khusus - - X10= Tahun - X11= Durasi - Y = Nilai Kontrak - Sumber: Hasil Olahan

132 Tabel 4.11 Data untuk Skenario No Nama Proyek Lokasi Tipe Pondasi Luas Total (m2) Lapis Lapis Basement Floor to Floor (m) Tinggi Bangunan Tipe Konst. Atap Finishing Grade Tahun Durasi (bulan) Nilai Kontrak (Rp M) 1 A , B 2 2 5, C , D , E 1 1 9, F , G 1 2 3, H 2 1 3, I 1 2 7, J 1 1 6, K 2 1 7, L 1 1 4, M 1 1 7, N , O 1 1 2, P 1 3 1, Q 3 1 5, R 3 1 3, S 3 1 6, T 4 2 3, U 5 1 3, V , W 1 1 5, Sumber: Hasil Olahan

133 120 Model estimasi skenario satu memiliki 1 hidden layer. Untuk mencari hasil optimal dicoba model dengan node pada hidden layer dari 1 buah hingga 22 buah. Saat dilakukan percobaan, training banyak yang tidak konvergen. Sehingga hanya training model dengan jumlah node 4, 5, dan 7 pada hidden layer yang memberikan hasil. Rekap hasil percobaan tersebut ialah: Tabel 4.12 Rekap Hasil Skenario 1 Arsitektur Proyek Aktual ANN MMRE V % W % V % - W % V % W % MMRE total 63.23% 54.57% 54.47% Sumber: Hasil Olahan b) Skenario 2 Dari percobaan pada skenario 1, diperoleh hasil yang kurang memuaskan dimana MMRE antara hasil permodelan ANN dengan data aktual masih besar. Pada skenario 2 dilakukan permodelan dengan data sebanyak 18 buah, dengan proyek gedung kantor yang berlokasi di Jakarta, Tanggerang, Bekasi, dan Bandung saja. Pertimbangan penulis data yang berlokasi di Batam, Bengkulu, maupun Belitung memberikan selisih perbedaan yang terlalu besar dengan data-data lainnya, selain itu data dengan lokasi tersebut juga memiliki jumlah sedikit sehingga memberikan pengaruh buruk pada pelatihan. Data tes tetap data V dan W. Variabel yang digunakan ialah 11 variabel.

134 121 No Nama Proyek Lokasi Tipe Pondasi Luas Total (m2) Lapis Tabel 4.13 Data untuk Skenario 2 Lapis Basement Floor to Floor (m) Tinggi Bangunan Tipe Konst. Atap Finishing Grade Tahun Durasi (bulan) Nilai Kontrak (Rp M) 1 A , B 2 2 5, C , D , E 1 1 9, F , G 1 2 3, H 2 1 3, I 1 2 7, J 1 1 6, K 2 1 7, L 1 1 4, M 1 1 7, N , O 1 1 2, P 1 3 1, V , W 1 1 5, Sumber: Hasil Olahan

135 122 Variabel Keterangan Tabel 4.14 Variabel Skenario 2 Kategori X1 = Lokasi Jakarta Tanggerang Bekasi Bandung X2 = Pondasi Bore Pile Tiang Pancang Mat - X3 = Luas Total - X4 = Tingkat - X5 = Lapis Basement - X6 = Floor-to-floor - X7 = Tinggi Gedung - X8 = Konstruksi Atap Dak beton Rangka Baja - - X9 = Finishing Grade Sederhana Tidak Sederhana Khusus - X10= Tahun - X11= Durasi - Y = Nilai Kontrak - Sumber: Hasil Olahan Permodelan pada skenario 2 memiliki 1 hidden layer. Jumlah node pada hidden layer dicoba mulai dari 1 hingga 22 buah. Pelatihan yang konvergen dan memberikan hasil antara lain: Tabel 4.15 Rekap Hasil Skenario 2 Arsitektur Proyek Aktual ANN MMRE V % W % V % W % V % W % V % W % V % W % V % W % V % W % MMRE total 27.35% 63.79% 84.12% 83.17% % % 95.75% Sumber: Hasil Olahan

136 123 c) Skenario 3 Pada skenario 3, penulis tetap menggunakan 18 data, karena skenario 2 menunjukkan kemajuan. Untuk skenario 3, penulis mencoba mengeliminasi variabel, karena 18 data berarti data berkurang dari jumlah awal. Sesuai pernyataan Bina R. Setyawati et. al [117], yaitu semakin banyak variabel semakin kompleks stuktur jaringan ANN, sehingga data training yang dibutuhkan makin banyak untuk memperbaiki akurasi. Variabel yang penulis kurangi yaitu variabel jarak antar lantai dan tinggi bangunan, karena pertimbangan penulis ialah kedua variabel tersebut telah didefinisikan oleh variabel jumlah tingkat. Jumlah hidden layer permodelan yang digunakan tetap 1. Penulis mencoba jumlah node pada hidden layer sebanyak 1 sampai 18. Data tes tetap V dan W. Tabel 4.16 Variabel Skenario 3 Variabel Keterangan Kategori X1 = Lokasi Jakarta Tanggerang Bekasi Bandung Tiang Pondasi X2 = Bore Pile Pancang Mat - X3 = Luas Total - X4 = Tingkat - X5 = Lapis Basement - Konstruksi Rangka X6 = X7 = Sumber: Hasil Olahan Atap Finishing Grade Dak beton Sederhana X8= Tahun - X9= Durasi - Y = Nilai Kontrak - Baja - - Tidak Sederhana Khusus -

137 124 No Nama Proyek Sumber: Hasil Olahan Lokasi Tipe Pondasi Luas Total (m2) Tabel 4.17 Data untuk Skenario 3 Lapis Lapis Basement Tipe Konst. Atap Finishing Grade Tahun Durasi (bulan) Nilai Kontrak (Rp M) 1 A , B 2 2 5, C , D , E 1 1 9, F , G 1 2 3, H 2 1 3, I 1 2 7, J 1 1 6, K 2 1 7, L 1 1 4, M 1 1 7, N , O 1 1 2, P 1 3 1, V , W 1 1 5,

138 125 Sejauh ini permodelan pada data skenario 3 memiliki hasil yang paling baik, di mana ada percobaan yang menghasilkan MMRE paling kecil. Dari percobaan dengan hidden node 1 sampai 18, percobaan yang konvergen dan memberikan hasil ialah: Tabel 4.18 Rekap Hasil Skenario 3 Arsitektur Proyek Aktual ANN MMRE V W V W V W V W V W V V V V W W W W MMRE total 26.24% % 7.79% % 76.40% % 36.07% 24.11% 72.20% Sumber: Hasil Olahan d) Skenario 4 Untuk skenario 4 ini, dicoba membuat permodelan dengan arsitektur jaringan lain yaitu 2 hidden layer. Data input dan variabel yang digunakan tetap sama seperti skenario 3. Akan dilihat apakah permodelan mengalami perbaikan atau malah kemunduran.

139 126 No Nama Proyek Lokasi Tipe Pondasi Luas Total (m2) Tabel 4.19 Data untuk Skenario 4 Lapis Lapis Basement Tipe Konst. Atap Finishing Grade Tahun Durasi (bulan) Nilai Kontrak (Rp M) 1 A , B 2 2 5, C , D , E 1 1 9, F , G 1 2 3, H 2 1 3, I 1 2 7, J 1 1 6, K 2 1 7, L 1 1 4, M 1 1 7, N , O 1 1 2, P 1 3 1, V , W 1 1 5, Sumber: Hasil Olahan

140 127 Variabel Sumber: Hasil Olahan Keterangan Tabel 4.20 Variabel Skenario 4 Kategori X1 = Lokasi Jakarta Tanggerang Bekasi Bandung Tiang Pondasi X2 = Bore Pile Pancang Mat - X3 = Luas Total - X4 = Tingkat - X5 = Lapis Basement - Konstruksi X6 = Atap Dak beton Rangka Baja - - X7 = Finishing Grade Sederhana Tidak Sederhana Khusus - X8= Tahun - X9= Durasi - Y = Nilai Kontrak - Percobaan pada skenario 3 ini dilakukan dengan memberi 2 hidden layer pada jaringan. Namun ternyata hasil yang didapat mngalami penurunan dari skenario 3. Hal ini sesuai dengan pernyataan Hegazy [118], bahwa hidden layer yang berlebih bagus diterapkan pada pelatihan permodelan dengan data input yang banyak. Data pada penelitian ini termasuk sedikit, sehingga percobaan dengan hidden layer lebih dari satu mengalami penurunan. Rekap hasil percobaan dengan skenario 3 ialah: Tabel 4.21 Rekap Hasil Skenario 4 Arsitektur Proyek Aktual ANN MMRE V % W % V % W % V % W % V % W % V % W % MMRE total 32.96% 34.42% 33.93% 32.72% 32.55%

141 128 Tabel 4.21 (Sambungan) Arsitektur Proyek Aktual ANN MMRE V % W % V % W % V % W % V % W % MMRE total 33.82% 33.70% 34.53% 33.55% Sumber: Hasil Olahan Sejauh ini, permodelan yang menghasilkan nilai MMRE untuk data tes terkecil terdapat pada skenario 3. Dengan 16 data training pada proyek gedung perkantoran di daerah Jakarta, Tanggerang, Bekasi, Bandung, dan 2 buah data tes. Variabel yang digunakan ialah 9 variabel, yaitu lokasi, tipe pondasi, luas total, jumlah tingkat, lapis basement, jarak antar lantai, tinggi bangunan, tipe konstuksi atap, finishing grade, tahun, serta durasi. Deviasi antara nilai kontrak aktual dengan hasil model ANN terkecil ialah 7,79%, pada arsitektur jaringan Yaitu 9 node input variabel X, 4 node pada hidden layer, serta 1 node output variabel Y.

142 BAB 5 TEMUAN DAN PEMBAHASAN 5.1. Pendahuluan Dari proses yang penulis jalani dalam penelitian, berupa penentuan variabel serta pengumpulan data, dan pengolahan data ditemukan beberapa temuan penting yang akan dibahas pada bab ini. Hasil akhir penelitian secara keseluruhan juga akan dianalisa dalam pembahasan Temuan Dari proses penelitian berupa penentuan variabel, pengumpulan data, hingga pengolahan data pada permodelan ANN terdapat beberapa temuan yang akan dijabarkan masing-masing. a. Data dan Penetapan Variabel Dari data awal yang penulis dapat dari kontributor sebanyak 40 buah, terdapat 17 data yang harus dieliminasi, karena alasan: Tidak sesuai fokus penelitian : 8 data Proyek renovasi gedung kantor : 7 data Halaman data tidak lengkap : 1 data Harga proyek/m 2 terlalu besar : 1 data Sehingga menyisakan 23 data yang siap pakai untuk permodelan. Identifikasi variabel dari kajian literatur, menghasilkan 14 variabel untuk estimasi biaya proyek gedung tahap konseptual. Keempatbelas variabel tersebut kemudian divalidasi ke pakar-pakar konstruksi untuk melihat signifikansinya. Hasil tabulasi validasi tersebut menunjukkan semua variabel tetap digunakan. Variabel-variabel tersebut antara lain: 129

143 130 Tabel 5.1 Variabel Permodelan Hasil Identifikasi dan Validasi Pakar Variabel X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 Y Keterangan Variabel Lokasi Kondisi Tanah Tipe Pondasi Luas Total Jumlah Tingkat Lapis Basement Superstruktur Jarak Antar Lantai Tinggi Bangunan Bentuk Tipe Atap Finishing Grade Tahun Durasi Nilai Kontrak Sumber: Hasil Olahan Ketersediaan seluruh variabel di atas pada data lengkap, namun ada yang tidak menunjukkan variansi. Dalam hal ini, variabel tidak akan membantu permodelan, malah akan menimbulkan ambiguitas pada pemasukkan data baru pada permodelan nantinya. Variabel-variabel tersebut kemudian harus dieliminasi, yaitu variabel Kondisi Tanah, Superstruktur, dan Bentuk. Untuk variabel kondisi tanah berupa PTM dominan, menurut praktisi, proyek gedung kantor di Indonesia umumnya dibangun dari tanah yang siap dibangun, telah berkontur rata saat diserahterimakan oleh pemilik tanahnya. Sementara bentuk dari gedung kantor umumnya segiempat serta superstruktur dari gedung kantor saat ini umumnya masih terbuat dari beton. Oleh karena itu variabel ini tidak memiliki variansi, khususnya pada proyek-proyek yang penulis jadikan objek.

144 131 Tabel 5.2 Variabel Berdasarkan Data Proyek Variabel X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 Y Keterangan Variabel Lokasi Tipe Pondasi Luas Total Jumlah Tingkat Lapis Basement Jarak Antar Lantai Tinggi Bangunan Tipe Atap Finishing Grade Tahun Durasi Nilai Kontrak Sumber: Hasil Olahan 2. Permodelan ANN Demi mencapai hasil permodelan yang paling akurat, penulis melakukan beberapa skenario percobaan. Skenario tersebut memvariasikan data (sehubungan dengan lokasi proyek), variabel, dan hidden layer pada jaringan permodelan. Masing-masing skenario dirunning dengan jumlah nodes pada hidden layer dari dua kali jumlah variabelnya (node input) hingga satu node. Masing-masing skenario dengan nilai MMRE terkecilnya ialah sebagai berikut: a) Skenario 1 Data : - 21 data training - 2 data tes Lokasi : Jabotabek, Bandung, Batam, Bengkulu, Belitung Variabel (11) : Lokasi, Tipe Pondasi, Luas Total, Jumlah Tingkat, Lapis Basement, Jarak Antar Lantai, Tinggi Bangunan, Tipe Konstruksi Atap, Finishing Grade, Tahun, Durasi

145 132 Arsitektur Jaringan : 1 hidden layer MMRE terkecil : 54,47% b) Skenario 2 Data : - 16 data training - 2 data tes Lokasi : Jakarta, Tanggerang, Bekasi, Bandung Variabel (11) : Lokasi, Tipe Pondasi, Luas Total, Jumlah Tingkat, Lapis Basement, Jarak Antar Lantai, Tinggi Bangunan, Tipe Konstruksi Atap, Finishing Grade, Tahun, Durasi Arsitektur Jaringan : 1 hidden layer MMRE terkecil : 27,35% c) Skenario 3 Data : - 16 data training - 2 data tes Lokasi : Jakarta, Tanggerang, Bekasi, Bandung Variabel (9) : Lokasi, Tipe Pondasi, Luas Total, Jumlah Tingkat, Lapis Basement, Tipe Konstruksi Atap, Finishing Grade, Tahun, Durasi Arsitektur Jaringan : 1 hidden layer MMRE terkecil : 7,79% d) Skenario 4 Data : - 16 data training - 2 data tes Lokasi : Jakarta, Tanggerang, Bekasi, Bandung Variabel (9) : Lokasi, Tipe Pondasi, Luas Total, Jumlah Tingkat, Lapis Basement, Tipe Konstruksi Atap, Finishing Grade, Tahun, Durasi Arsitektur Jaringan : 2 hidden layer MMRE terkecil : 32,55%

146 133 Dapat dilihat bahwa, MMRE terkecil pada data tes dicapai oleh jaringan pada skenario 3. Hasil pada skenario 3 dicapai setelah penulis mengeliminasi data proyek yang berlokasi di Batam, Bengkulu, Belitung dengan alasan jumlah data pada lokasi tersebut yang tidak banyak dapat mengakibatkan data-data tersebut menjadi outlier. Menurut Bina R. Setyawati et. al (2003) [119], mengeliminasi outlier dapat meningkatkan kinerja jaringan. Selain itu, percobaan pada skenario 3 mengalami kemajuan setelah 2 variabel yaitu Jarak Antar Lantai serta Tinggi Bangunan dieliminasi. Sesuai pendapat Bina R. Setyawati et. al [120] bahwa semakin banyak variabel sebagai input suatu jaringan, semakin kompleks arsitektur jaringan, sehingga dibutuhkan makin banyak data training. Penelitian ini memiliki data training yang relatif kecil yaitu 16 buah, sehingga pengurangan variabel yang tidak terlalu signifikan (kedua variabel telah diinterpretasikan oleh variabel Jumlah Tingkat ) membantu pelatihan. Sementara jumlah hidden layer yang terbaik untuk pelatihan ini ialah 1 hidden layer. Hegazy dan Ayed [121] menyatakan bahwa jaringan dengan lebih dari satu hidden layer bagus untuk permodelan dengan banyak data, sementara pada penelitian ini data yang dipakai termasuk sedikit. Pelatihan dilakukan dengan properti yang telah ditentukan, penjelasan masing-masing properti telah dicantumkan dalam sub bab 4.4 dan kodingnya pada MATLAB R2009a terdapat pada lampiran. Namun secara ringkas properti pelatihan yaitu: Tabel 5.3 Properti Pelatihan Properti Pelatihan Jenis/Nilai Deskripsi Algoritma Pelatihan Back Propagation baik untuk ANN tipe peramalan; memiliki keseimbangan antara pengenalan pola secara supervised serta baik dengan respon pada data baru sejenis Fungsi Aktivasi Sigmoid Biner baik untuk Back Propagation; bersifat kontinu, terdiferensial dengan baik, bukan fungsi turun

147 134 Tabel 5.3 (Sambungan) Properti Pelatihan Jenis/Nilai Deskripsi Metode Penurunan Gradien Training Parameter : Gradient Descent menghindari pencapaian titik minimum lokal; perhitungan bobot sebelumnya juga diperhitungkan pada perubahan bobot sesudahnya Maksimum Epoch 5000 maksimum 5000 iterasi Goal (MSE minimum) 10-3 target nilai fungsi kinerja jaringan Learning Rate 0,5 laju percepatan untuk mengubah bobot pada tiap iterasi Momentum 0,5 konstanta percepatan gradient descent Maksimum Fail 5 maksimum tercapai gradien lebih kecil dari gradien minimum Gradien Minimum gradien (perubahan antar iterasi) terkecil Sumber: Hasil Olahan Pada skenario terbaik yaitu skenario 3, variabel yang digunakan yaitu: Variabel Tabel 5.4 Variabel Pada Skenario Terbaik (3) Keterangan Kategori X1 = Lokasi Jakarta Tanggerang Bekasi Bandung Tiang Pondasi X2 = Bore Pile Pancang Mat - X3 = Luas Total - X4 = Tingkat - X5 = Lapis Basement - Konstruksi X6 = Atap Dak beton Rangka Baja - - X7 = Finishing Grade Sederhana Tidak Sederhana Khusus - X8= Tahun - X9= Durasi - Y = Nilai Kontrak - Sumber: Hasil Olahan

148 135 Sehingga 18 data yang merupakan 16 data training dan V, W sebagai data tes, yang telah ditransformasi menjadi: Tabel 5.5 Data Pada Skenario Terbaik (3) No Proyek X1 X2 X3 X4 X5 X6 X7 X8 X9 Y 1 A , B 2 2 5, C , D , E 1 1 9, F , G 1 2 3, H 2 1 3, I 1 2 7, J 1 1 6, K 2 1 7, L 1 1 4, M 1 1 7, N , O 1 1 2, P 1 3 1, V , W 1 1 5, Sumber: Hasil Olahan Pelatihan dilakukan dengan 1 hidden layer, dan jumlah node pada hidden layer tersebut dicoba dari dua kali variabel (node input) yaitu sebanyak 18, hingga 1 node. Rekap hasil seluruh pelatihan tersebut tercantum di tabel Pelatihan dengan hasil MMRE pada data tes terbaik diraih oleh jaringan dengan 4 node pada hidden layer, atau arsitektur jaringan Tabel 5.6 Pelatihan dengan Nilai MMRE Terbaik Arsitektur Proyek Aktual ANN MMRE V W MMRE total 7.79% Sumber: Hasil Olahan

149 136 Performance pelatihan tersebut berhenti pada training parameter goal atau tercapai MSE minimum berupa 10-3 pada epoch ke 404. Maksimum fail juga tidak tercapai (tidak terjadi fail sama sekali) berarti gradien tidak melebihi batas minimum (10-10 ) selama pelatihan. Sumber: Hasil Olahan Gambar 5.1 Performance Pelatihan Selain itu dapat dilihat masing-masing regresi dari data training dan data tes. Keduanya menunjukkan garis regresi yang tidak terlalu melenceng. Sumber: Hasil Olahan Gambar 5.2 Regresi untuk Data Training dan Data Tes

150 Pembahasan Setelah dilakukan percobaan dengan berbagai skenario, penelitian permodelan estimasi biaya tahap konseptual pada gedung kantor ini mendapatkan model terbaik pada skenario 3. Pada skenario tersebut data yang digunakan ialah sebanyak 18 buah, dengan 16 data training dan 2 data tes. Parameter yang digunakan ialah 9 variabel yaitu; lokasi, tipe pondasi, luas total, jumlah tingkat, lapis basement, tipe konstruksi atap, finishing grade, tahun dan durasi. Dengan range dan karakter statistik variabel yang digunakan pada penelitian yaitu: Tabel 5.7 Range dan Karakter Statistik Variabel Model ANN Terbaik VARIABEL KETERANGAN RANGE MEAN MODUS X1 Lokasi Jakarta, Tanggerang, Bekasi, Bandung - Jakarta X2 Pondasi Bore Pile, Tiang Pancang - tiang pancang X3 Luas 1752, m X4 Lapis 3 s/d 42 lantai X5 Basement X6 Tipe Konstruksi Atap dak beton, rangka baja - rangka baja X7 Finishing Grade sederhana, tidak sederhana, khusus - sederhana X8 Tahun X9 Durasi 3 s/d 21 bulan & 3 Y Nilai Kontrak 7, , Sumber: Hasil Olahan Pelatihan dilakukan dengan kriteria-kriteria sebagai berikut: Tabel 5.8 Tabel Properti Pelatihan Model ANN Terbaik Properti Pelatihan Sifat Pembelajaran Algoritma Pelatihan Fungsi Aktivasi Metode Penurunan Gradien Jenis/Nilai Supervised Back Propagation Sigmoid Biner Gradient Descent Momentum

151 138 Tabel 5.8 (Sambungan) Properti Pelatihan Training Parameter: Learning Rate Momentum Epoch Maksimum Goal (min. MSE) Maksimum Gagal Gradien Minimum Jenis/Nilai 0,5 0, Sumber: Hasil Olahan Sementara itu 16 data training dan 2 data tes tersebut dilatih dan divalidasi pada jaringan terbaik dengan arsitektur jaringan: Sumber: Hasil Olahan Tabel 5.9 Tabel Arsitektur Model ANN Terbaik (Sambungan) Arsitektur Jaringan Jumlah Neuron Input 9 Neuron Output 1 Hidden Layer 1 Neuron pada Hidden Layer 4 Sehingga akan terbentuk jaringan input yang terdiri dari 10 masukan, 9 variabel (x i ) dan bias (b 1 ). Dan sebuah layar tersembunyi yang terdiri dari 5 unit 4 neuron (z j ) dan bias (b 2 ). Lalu 1 unit keluaran (y k ). Bias merupakan unit tambahan yang nilainya selalu 1 dan berfungsi untuk mengubah nilai treshold menjadi 0. Dalam jaringan syaraf tiruan, untuk menampilkan keluaran suatu neuron digunakan fungsi aktivasi. Sehingga jika bobot ialah w, maka keluaran jaringan kedua j dari jaringan pertama i ialah: Sementara fungsi aktivasinya, dalam hal ini sigmoid bipolar, ialah: (5.1) (5.2)

152 139 Sumber: Hasil Olahan Gambar 5.3 Jaringan Permodelan ANN Terbaik Setelah dilakukan pelatihan, didapatkan bobot akhir dari layar masukan ke layar tersembunyi (v ji ) dan dan bobot dari layar tersembunyi ke layar output (w kj ). Tabel 5.10 Bobot dari Layar Masukan (x i ) ke Layar Tersembunyi (z j ) Sumber: Hasil Olahan Z1 Z2 Z3 Z4 X X X X X X X X X

153 140 Sehingga ekspresi matematis untuk keluaran unit tersembunyi (z j ): (5.3) (5.4) (5.5) (5.6) Tabel 5.11 Bobot dari Layar Tersembunyi (z j ) ke Layar Keluaran (y k ) Sumber: Hasil Olahan Y Z Z Z Z Sehingga ekspresi matematis untuk keluaran unit tersembunyi (Y k ): (5.7) (5.8) (5.9) Tentunya proses ini akan berlangsung secara iteratif, di mana akan dicari selisih antara keluaran hasil iterasi pertama dengan keluaran target yang akan mempengaruhi bobot baru yang akan dikembalikan ke layar tersembunyi dan kemudian layar masukan. Lalu perhitungan kembali dilakukan dan begitu seterusnya hingga didapatkan hasil yang memuaskan (sesuai training parameter).

154 141 Pada penelitian ini, pelatihan dilakukan hingga 404 iterasi dan telah tercapai nilai MSE minimal yaitu Model kemudian di simulasikan kepada dua data baru (yang tidak ikut di training) yaitu data V dan W. Validasi tersebut menghasilkan nilai MMRE 7,79% yang memenuhi atau lebih baik dari nilai deviasi tahap konseptual kelas 4 menurut AACE yaitu -15% - 30% atau +20% - +50%. Untuk melihat hubungan antara variabel-variabel permodelan dengan nilai kontrak proyek gedung kantor, dilakukan sensitivity analysis terhadap variabelvariabel yang kenaikan harganya dapat terukur. Analisa didapatkan denga cara memasukkan data baru pada permodelan dengan variabel selain yang ingin diteliti bernilai tetap, sementara variabel yang ingin diteliti divariasikan dengan interval tertentu. Dari grafik dapat diperhatikan tingkat pengaruh kenaikan variabel tertentu terhadap nilai kontrak. Gambar 5.4 Grafik Luas Bangunan Terhadap Nilai Kontrak Sumber: Hasil Olahan

155 142 Gambar 5.5 Grafik Sensitivitas Jumlah Tingkat Terhadap Nilai Kontrak Sumber: Hasil Olahan Gambar 5.6 Grafik Sensitivitas Finishing Grade Terhadap Nilai Kontrak Sumber: Hasil Olahan

156 143 Gambar 5.7 Grafik Sensitivitas Tahun Pembangunan Terhadap Nilai Kontrak Sumber: Hasil Olahan Gambar 5.8 Grafik Sensitivitas Durasi Terhadap Nilai Kontrak Sumber: Hasil Olahan

157 144 Dari grafik juga dapat dilihat bentuk hubungan antara variabel dengan nilai kontrak. Dengan R 2 terbaik (mendekati 1) dapat diketahui persamaan yang merepresentasikan grafik. Dari grafik di atas peningkatan Luas Total dan Jumlah Tingkat memberikan pengaruh kenaikan nilai kontrak.yang bersifat linier. Sementara keningkatan variabel Lapis Basement, Finishing Grade, Tahun, dan Durasi memiliki pengaruh yang bersifat polinomial tingkat 2 terhadap nilai kontrak.

158 BAB 6 KESIMPULAN DAN SARAN 6.1. Kesimpulan Dari penelitian yang telah dilakukan, dapat dicapai tujuan mengindentifikasi faktor-faktor yang berpengaruh terhadap biaya pembangunan kontruksi gedung kantor, serta membuat permodelan estimasi biaya gedung kantor dengan metode jaringan syaraf tiruan demi meningkatkan akurasi estimasi. a. Faktor-faktor yang mempengaruhi biaya pembangunan gedung kantor yang digunakan pada estimasi tahap konseptual yaitu Lokasi, Pondasi, Luas Total, Tingkat, Lapis Basement, Konstruksi Atap, Finishing Grade, Tahun, dan Durasi Pembangunan. Adapun kategori yang digunakan pada variabel untuk penelitian ini mencakup: Tabel 6.1 Variabel yang Berpengaruh Terhadap Biaya Pembangunan Gedung Kantor Variabel Faktor Keterangan Kategori X1 = Lokasi tempat dibangunnya gedung kantor X2 = Pondasi jenis pondasi yang digunakan X3 = Luas Total luas bangunan hingga dinding terluar kantor X4 = Tingkat jumlah tingkat bangunan gedung kantor yang berada di atas permukaan tanah\ X5 = X6 = Lapis Baseme nt Konstru ksi Atap jumlah tingkat bangunan gedung kantor di bawah permukaan tanah (basement) struktur atap pada bangunan gedung kantor Jakarta Tanggerang Bekasi Bandung Bore Pile Tiang Pancang Mat - Dak beton Rangka Baja

159 146 Tabel 6.1 (Sambungan) Variabel Faktor Keterangan Kategori X6 = X7 = Konstru ksi Atap Finishin g Grade struktur atap pada bangunan gedung kantor tingkat finishing gedung dari aspek bahan penutup lantai, dinding luar, dinding dalam, kusen pintu menurut PERMEN PU No. 45/PRT/M/2007 X8= Tahun tahun dimulainya proyek Dak beton Rangka Baja - - Sederhana Tidak Sederhana - Khusus - X9= Durasi lamanya durasi pembanguna gedung - Sumber: Hasil Olahan b. Permodelan estimasi biaya gedung kantor pada tahap konseptual dengan jaringan syaraf tiruan pada penelitian ini menggunakan kriteria permodelan sebagai berikut: Tabel 6.2 Kriteria Permodelan ANN Kriteria Nilai Deskripsi Data 18 data input 16 data pelatihan dan 2 data validasi Jumlah Neuron Input 9 Variabel input Jumlah Neuron Output 1 Biaya Proyek Jumlah Hidden Layer 1 Hasil Trial Terbaik Jumlah Neuron Hidden Layer Arsitektur Jaringan Algoritma Pembelajaran Sifat Pembelajaran Fungsi Pembelajaran Fungsi Aktivasi 4 Hasil Trial Terbaik Multilayer Feedforward Backpropagation Supervised Learning Gradien Descent Momentum Sigmoid Bipolar (tansig) Leraning Rate 0.5 Constanta Momentum 0.5

160 147 Tabel 6.2 (Sambungan) Kriteria Nilai Deskripsi Parameter Pelatihan Maksimum Epoch 5000 Goal (min MSE) 10-3 Maksimum Kegagalan 5 Gradien Minimum Iterasi 404 Sumber: Hasil Olahan Permodelan menghasilkan deviasi (nilai MMRE) sebesar 7,79%, lebih baik dari kriteria deviasi estimasi tahap konseptual menurut AACE, yaitu kelas 4 dengan range deviasi % dan % Saran Berdasarkan proses yang penulis lakukan dan hasil dari penelitian ini, maka saran penulis bagi penelitian selanjutnya ialah : a. Apabila menggunakan metode jaringan syaraf tiruan untuk penelitian yang lain perhatikan data yang menjadi input. Karena pembentukan jaringan pada model ANN tergantung pada data yang menjadi input pelatihan. Gunakan data dengan range yang lebih beragam agar data dapat terlatih dengan baik dan dapat memecahkan masalah pada data baru dengan baik. Penggunaan data pelatihan lebih banyak lebih baik, karena itu berarti model yang dihasilkan telah membangun lebih banyak pola dan terlatih dengan baik untuk bisa memprediksi input data baru dengan akurat. b. Dilakukan penelitian lanjutan dengan objek penelitian sama (gedung kantor) dengan data yang lebih banyak, untuk meningkatkan hasil permodelan. Karena elain itu, peneletian juga sebaiknya dilakukan dalam cakupan wilayah lain yang lebih luas. Atau penelitian dengan objek yang berbeda agar lebih memberikan gambaran mengenai metode estimasi biaya ini.

161 148 DAFTAR ACUAN [1] Gould, F.E. Managing the Construction Process (Estimating Schedulingand Project Control). New Jersey, Prantice Hall [2] Cheng, Min-Yuang, Hsing-Chih Tsai, Wen-Shan Hsieh. Web-Based Conceptual Cost Estimate s for Construction Projects Using Evolutionary Fuzzy Neural Interference Model. Automation In Construction 18, Department of Construction Engineering, National Taiwan University of Science and Technology [3] Scheutte, S.D., and Liska, R.W. Building Construction Estimating, Singapore: McGraw Hill [4] Scheutte, S.D., and Liska, R.W. Building Construction Estimating, Singapore: McGraw Hill [5] S., Singh. Cost Model for Reinforced Concrete Beam and Slab Structures in Building. Journal of Construction Engineering and Management 116 (1), [6] P.A., Bowen, P.J. Edwards. Cost Modeling and Price Forecasting; Practice and Theory in Perspective. Construction Management and Economics 3, [7] F., Khosrowshahi, A.P. Kaka. Estimation of Project Total Cost and Duration for Housing Projects in the UK. Building and Environment 31 (4), [8] Cheng, Min-Yuang, Hsing-Chih Tsai, Wen-Shan Hsieh. Web-Based Conceptual Cost Estimate s for Construction Projects Using Evolutionary Fuzzy Neural Interference Model. Automation In Construction 18, Department of Construction Engineering, National Taiwan University of Science and Technology [9] Bagus, Julian H. Permodelan Estimasi Biaya Konseptual pada Proyek Konstruksi Bangunan Pabrik dengan Teknik Jaringan Syaraf Tiruan. Tesis Program Pascasarjana Fakultas Teknik Sipil UI, Depok, 2007 [10] Setyawati, Bina R., Sidharta Sahirman, Dr. Robert C. Creese, PE CCE. Neural Network for Cost Estimation. AACE International Transaction, ES [11] Garza, J., and Rouhanna, K. Neural Network Versus Parameter-Based Application. Cost Engineering., AACE International, 3792, [12] Phaobunjong, K., dan Popescu, C.M. Parametric Cost Estimating Model for Conceptual Cost Estimating of Building Construction Projects. Texas University

162 149 [13] Uppal, Mr. Kul B. PE. So-Is this the Estimate? AACE International Transactions, ES [14] Bode, Jurgen. Neural Network for Cost Estimation. Cost Engineering Vol. 40/ No [15] Dell Isola, Michael D.. Architect s Essentials of Cost Management. John Wiley & Sons Inc [16] Harding, Anthony dan David Lowe et. al. The Role of Neural Networks in Early Stage Cost Estimation in the 21 st Century. Department of Building Engineering, UMIST, UK [17] Schexnayder, Clifford J. dan Richard E. Mayo. Construction Management Fundamentals. McGraw Hill Construction, New York [18] Sodikov, Jamshid. Cost Estimation of Highway Projects in Developing Countries: Artificial Neural Network Approach. Journal of the Eastern Asia Society for Transportation Studies, Vol. 6, [19] Funahashi, K. On the Approximate Realization of Continous Mappings by Neural Networks. Neural Networks 2, [20] Setyawati, Bina R., Sidharta Sahirman, Dr. Robert C. Creese, PE CCE. Neural Network for Cost Estimation. AACE International Transaction, ES [21] Kosko, B. Neural Networks and Fuzzy Systems--A Dynamical Approach to Machine Intelligence. Prentice-Hall, Englewood Cliffs, NJ [22] Shottlander, E.D. How Accurate are Your Estimates? AACE Internationat Transactions [23] Dysert, R. Larry. An Introduction to Parametric Estimating. AACE International Transactions [24] Shottlander, E.D. How Accurate are Your Estimates? AACE Internationat Transactions [25] Pratt, Shannon. Cost of Capital: Estimation and Applications. The CPA Journal [26] Soeharto, Iman. Manajemen Proyek: Dari Konseptual Sampai Operasional. PT. Gelora Aksara Pratama [27] Shottlander, E.D. How Accurate are Your Estimates? AACE Internationat Transactions [28] Barrie, D.S., dan B.C. Paulson. Professional Construction Engineering and Management. New York: McGraw Hill Series in Construction Engineering and Management. 1992

163 150 [29] Dysert, R. Larry. An Introduction to Parametric Estimating. AACE International Transactions [30] Shottlander, E.D. How Accurate are Your Estimates? AACE Internationat Transactions [31] Soeharto, Iman. Manajemen Proyek: Dari Konseptual Sampai Operasional. PT. Gelora Aksara Pratama [32] Clifford J. Schexnayder dan Richard E. Mayo. Construction Management Fundamentals. McGraw Hill Construction, New York [33] Jamshid Sodikov. Cost Estimation of Highway Projects in Developing Countries: Artificial Neural Network Approach. Journal of the Eastern Asia Society for Transportation Studies, Vol. 6, [34] Dell Isola, Michael D.. Architect s Essentials of Cost Management. John Wiley & Sons Inc [35] Scheutte, S.D., and Liska, R.W. Building Construction Estimating, Singapore: McGraw Hill [36] Scheutte, S.D., and Liska, R.W. Building Construction Estimating, Singapore: McGraw Hill [37] Scheutte, S.D., and Liska, R.W. Building Construction Estimating, Singapore: McGraw Hill [38] Sodikov, Jamshid. Cost Estimation of Highway Projects in Developing Countries: Artificial Neural Network Approach. Journal of the Eastern Asia Society for Transportation Studies, Vol. 6, Hal 26 [39] Scheutte, S.D., and Liska, R.W. Building Construction Estimating, Singapore: McGraw Hill [40] Karshenas, S., Yousuf Z.S. Predesign Cost Estimating Method for Multistory Buildings. Journal of Construction Engineering Management 110, [41] Gould, F.E. Managing the Construction Process (Estimating Schedulingand Project Control). New Jersey: Prantice Hall [42] Scheutte, S.D., and Liska, R.W. Building Construction Estimating, Singapore: McGraw Hill [43] Helyar, Frank W. Construction Estimating and Costing. Mc- Graw Hill [44] Helyar, Frank W. Construction Estimating and Costing. Mc- Graw Hill [45] Soeharto, Iman. Manajemen Proyek: Dari Konseptual Sampai Operasional. PT. Gelora Aksara Pratama. 1995

164 151 [46] Dell Isola, Michael D.. Architect s Essentials of Cost Management. John Wiley & Sons Inc [47] Dell Isola, Michael D.. Architect s Essentials of Cost Management. John Wiley & Sons Inc [48] Serpell, A.F. Improving Conceptual Cost Estimating Performance. AACE International Transactions [49] Harding, Anthony dan David Lowe et. al. The Role of Neural Networks in Early Stage Cost Estimation in the 21 st Century. Department of Building Engineering, UMIST, UK [50] Fortune, C., dan M. Lees. Early Cost Advice for Clients-yhe Practitioners Verdict. Proc., Association of Researchers in Construction Management (ARCOM) 10 th Annual Conf. Loughborough Univ. of Technology, UK, [51] Harding, Anthony dan David Lowe et. al. The Role of Neural Networks in Early Stage Cost Estimation in the 21 st Century. Department of Building Engineering, UMIST, UK [52] Ross, A. A Price on Design. The Royal Institute of Chartered Surveyors, London [53] Bagus, Julian H. Permodelan Estimasi Biaya Konseptual pada Proyek Konstruksi Bangunan Pabrik dengan Teknik Jaringan Syaraf Tiruan. Tesis Program Pascasarjana Fakultas Teknik Sipil UI, Depok, 2007 [54] Menteri Pekerjaan Umum Republik Indonesia. Pedoman Teknis Pembangunan Bangunan Geudng Negara. Peraturan Menteri Pekerjaan Umum, No. 45/PRT/M/2007 [55] Lembaran Negara Republik Indonesia. Undang-Undang RI Tentang Jasa Konstruksi. UU RI No 28 Tahun 2002 [56] Menteri Pekerjaan Umum Republik Indonesia. Pedoman Teknis Pembangunan Bangunan Geudng Negara. Peraturan Menteri Pekerjaan Umum, No. 45/PRT/M/2007 [57] Menteri Pekerjaan Umum Republik Indonesia. Pedoman Teknis Pembangunan Bangunan Geudng Negara. Peraturan Menteri Pekerjaan Umum, No. 45/PRT/M/2007 [58] Herbert, Swinburne. Design Cost Anaysis. McGraw-Hill Book Company [59] Helyar, Frank W. Construction Estimating and Costing. Mc- Graw Hill [60] Herbert, Swinburne. Design Cost Anaysis. McGraw-Hill Book Company. 1980

165 152 [61] Herbert, Swinburne. Design Cost Anaysis. McGraw-Hill Book Company [62] Dell Isola, Michael D.. Architect s Essentials of Cost Management. John Wiley & Sons Inc [63] Dell Isola, Michael D.. Architect s Essentials of Cost Management. John Wiley & Sons Inc [64] Brandt, Peter B. Office Design. Watson-Guptill Publications [65] Herbert, Swinburne. Design Cost Anaysis. McGraw-Hill Book Company [66] AIA Best Practices. Factors Affecting Building Costs. The Architect s Handbook of Professional Practice, 13 th Edition [67] Helyar, Frank W. Construction Estimating and Costing. Mc- Graw Hill [68] Helyar, Frank W. Construction Estimating and Costing. Mc- Graw Hill [69] Herbert, Swinburne. Design Cost Anaysis. McGraw-Hill Book Company [70] AIA Best Practices. Factors Affecting Building Costs. The Architect s Handbook of Professional Practice, 13 th Edition [71] Dirdjojuwono, Roestanto W. Sistem Bangunan Pintar. Pustaka Wirausaha Muda [72] Brandt, Peter B. Office Design. Watson-Guptill Publications [73] Dirdjojuwono, Roestanto W. Sistem Bangunan Pintar. Pustaka Wirausaha Muda [74] Brandt, Peter B. Office Design. Watson-Guptill Publications [75] Brandt, Peter B. Office Design. Watson-Guptill Publications [76] Kreamer, Sieverts. Open Plan Offices. McGraw Hill Book Company UK [77] Helyar, Frank W. Construction Estimating and Costing. Mc- Graw Hill [78] Helyar, Frank W. Construction Estimating and Costing. Mc- Graw Hill [79] Dell Isola, Michael D.. Architect s Essentials of Cost Management. John Wiley & Sons Inc [80] Poerbo, Hartono. Tekno Ekonomi Bangunan Bertingkat Banyak. Penerbit Djambatan. 1998

166 153 [81] Kreamer, Sieverts. Open Plan Offices. McGraw Hill Book Company UK [82] Boje, Axel. Open-Plan Offices. Business Books Ltd [83] Poerbo, Hartono. Tekno Ekonomi Bangunan Bertingkat Banyak. Penerbit Djambatan [84] Dell Isola, Michael D.. Architect s Essentials of Cost Management. John Wiley & Sons Inc [85] Dell Isola, Michael D.. Architect s Essentials of Cost Management. John Wiley & Sons Inc [86] AIA Best Practices. Factors Affecting Building Costs. The Architect s Handbook of Professional Practice, 13 th Edition [87] Poerbo, Hartono. Tekno Ekonomi Bangunan Bertingkat Banyak. Penerbit Djambatan [88] Dell Isola, Michael D.. Architect s Essentials of Cost Management. John Wiley & Sons Inc [89] Kim, Sang-Yong, Jae Won Choi, Gwang Hee Kim. Comparing Cost Prediction Methods for Apartment Housing Projects: CBR versus ANN. Journal of Asian Architecture and Building Engineering [90] Dell Isola, Michael D.. Architect s Essentials of Cost Management. John Wiley & Sons Inc, hal [91] Dell Isola, Michael D.. Architect s Essentials of Cost Management. John Wiley & Sons Inc, hal [92] Dell Isola, Michael D.. Architect s Essentials of Cost Management. John Wiley & Sons Inc, hal [93] Setyawati, Bina R., Sidharta Sahirman, Dr. Robert C. Creese, PE CCE. Neural Network for Cost Estimation. AACE International Transaction, ES [94] Setyawati, Bina R., Sidharta Sahirman, Dr. Robert C. Creese, PE CCE. Neural Network for Cost Estimation (Part 2). AACE International Transaction, ES [95] Kim, Sang-Yong, Jae Won Choi, Gwang Hee Kim. Comparing Cost Prediction Methods for Apartment Housing Projects: CBR versus ANN. Journal of Asian Architecture and Building Engineering [96] Cheng, Min-Yuang, Hsing-Chih Tsai, Wen-Shan Hsieh. Web-Based Conceptual Cost Estimate s for Construction Projects Using Evolutionary Fuzzy Neural Interference Model. Automation In Construction 18,

167 154 Department of Construction Engineering, National Taiwan University of Science and Technology [97] Phaobunjong, K., dan Popescu, C.M. Parametric Cost Estimating Model for Conceptual Cost Estimating of Building Construction Projects. Texas University [98] Elhag, T.M.S. dan A.H. Boussabaine. Tender Price Estimation: Neural Network VS Regression Analysis. School of Architecture and Building Engineering, The University of Liverpool, UK. [99] Elhag, T.M.S. dan A.H. Boussabaine. Tender Price Estimation: Neural Network VS Regression Analysis. School of Architecture and Building Engineering, The University of Liverpool, UK [100] Stergiou, Christos dan Dimitrios Siganos. Neural Networks: diakses tanggal 10 November 2011 [101] Haykin, S. Neural Networks: A Comprehensive Foundation 2 nd Edition. Pearson Prentice Hall [102] Fausett, L. Fundamentals of Neural Networks: Architectures, Algorithm, and Applications. New Jersey: Prentice-Hall International, Eaglewood Cliffs [103] Medsker, L dan Liebowitz J. Design and Develop of Expert Systems and Neural Networks. Macmillan, U.S.A [104] Wasserman, P. D. Neural Computing Theory and Practice. New York: Van Nostrand Reinhold [105] Stergiou, Christos dan Dimitrios Siganos. Neural Networks: diakses tanggal 10 November 2011 [106] Stergiou, Christos dan Dimitrios Siganos. Neural Networks: diakses tanggal 10 November 2011 [107] Hola, Jerzy dan Krzysztof Schabowicz. Application of Artificial Neural Netwroks to Determine Concrete Compressive Strength Based on Non- Destructive Tests. Journal of Civil Engineering and Management, Vol. XI, No.1, [108] Stergiou, Christos dan Dimitrios Siganos. Neural Networks: diakses tanggal 10 November 2011 [109] Bagus, Julian H. Permodelan Estimasi Biaya Konseptual pada Proyek Konstruksi Bangunan Pabrik dengan Teknik Jaringan Syaraf Tiruan. Tesis Program Pascasarjana Fakultas Teknik Sipil UI, Depok, 2007

168 155 [110] Bagus, Julian H. Permodelan Estimasi Biaya Konseptual pada Proyek Konstruksi Bangunan Pabrik dengan Teknik Jaringan Syaraf Tiruan. Tesis Program Pascasarjana Fakultas Teknik Sipil UI, Depok, 2007 [111] Kasabov, Nikola K. Foundation of Neural Networks, Fuzzy Systems, and Knowledge Engineering. 2 nd Printing, The MIT Press [112] Hegazy, T. dan A. Ayed. A Neural Network Model for Parametric Cost Estimation of Highway Projects. Journal of Construction Engineering and Management, ASCE, Vol. 24 No.3, [113] Sodikov, Jamshid. Cost Estimation of Highway Projects in Developing Countries: Artificial Neural Network Approach. Journal of the Eastern Asia Society for Transportation Studies, Vol. 6, Hal 26 [114] Yin, Robert K. Studi Kasus: Desain & Metode. PT. RajaGrafindo Persada [115] Yin, Robert K. Studi Kasus: Desain & Metode. PT. RajaGrafindo Persada [116] Hegazy, T. dan A. Ayed. A Neural Network Model for Parametric Cost Estimation of Highway Projects. Journal of Construction Engineering and Management, ASCE, Vol. 24 No.3, [117] Setyawati, Bina R., Sidharta Sahirman, Dr. Robert C. Creese, PE CCE. Neural Network for Cost Estimation (Part 2). AACE International Transaction, ES [118] Hegazy, T. dan A. Ayed. A Neural Network Model for Parametric Cost Estimation of Highway Projects. Journal of Construction Engineering and Management, ASCE, Vol. 24 No.3, [119] Setyawati, Bina R., Sidharta Sahirman, Dr. Robert C. Creese, PE CCE. Neural Network for Cost Estimation (Part 2). AACE International Transaction, ES [120] Setyawati, Bina R., Sidharta Sahirman, Dr. Robert C. Creese, PE CCE. Neural Network for Cost Estimation (Part 2). AACE International Transaction, ES [121] Hegazy, T. dan A. Ayed. A Neural Network Model for Parametric Cost Estimation of Highway Projects. Journal of Construction Engineering and Management, ASCE, Vol. 24 No.3,

169 156 DAFTAR REFERENSI Asiyanto. Construction Project Cost Management. PT. Pradnya Paramita, 2010 Brandt, Peter B. Office Design. Watson-Guptill Publications Chester, Michael. Neural Networks, A Tutorial. PTR Prentice-Hall, Inc D. Dell Isola, Michael. Architect s Essentials of Cost Management. John Wiley & Sons, Inc. Dirdjojuwono, Roestanto W. Sistem Bangunan Pintar. Pustaka Wirausaha Muda Helyar, Frank W. Construction Estimating and Costing. Mc- Graw Hill Herbert, Swinburne. Design Cost Anaysis. McGraw-Hill Book Company Irwin, G. W., Hunt K. J., Warwick, K. Neural Network Appications in Control. IEE Control Engineering Series Kohn, A. Eugene. Office Buildings. John Wiley & Sons Kreamer, Sieverts. Open Plan Offices. McGraw Hill Book Company UK Latief, Yusuf. Conceptual Cost Estimatimg. Kuliah Manajemen Biaya Mayo, Richard E; Schexnayder, Cifford J. Construction Management Fundamentals. McGraw Hill Book Company Poerbo, Hartono. Tekno Ekonomi Bangunan Bertingkat Banyak. Penerbit Djambatan Puspitaningrum, Diyah. Pengantar Jaringan Syaraf Tiruan. ANDI Yogyakarta Schuette, Stephen D; Liska, Roger W. Building Construction Estimating. McGraw-Hill Siang, Jong Jek. Jaringan Syaraf Tiruan dan Pemogramannya Menggunakan MATLAB. Penerbit ANDI Soeharto, Iman. Manajemen Proyek: Dari Konseptual Sampai Operasional. PT. Gelora Aksara Pratama Yin, Robert K. Studi Kasus: Desain & Metode. PT. Raja Grafindo Persada. 2002

170 LAMPIRAN 1 KUESIONER VALIDASI VARIABEL

171 Lampiran 1: Kuesioner Validasi Variabel ESTIMASI BIAYA TAHAP KONSEPTUAL KONSTRUKSI GEDUNG PERKANTORAN DENGAN MENGGUNAKAN METODE ARTIFICIAL NEURAL NETWORK KUESIONER PENELITIAN VALIDASI PAKAR DAN PELAKU KONSTRUKSI (IDENTIFIKASI VARIABEL-VARIABEL DESAIN GEDUNG KANTOR PADA TAHAP KONSEPTUAL) LUDYA KESTURI FAKULTAS TEKNIK DEPARTEMEN TEKNIK SIPIL 2012 L1-1