ESTIMASI BIAYA KONSEPTUAL KONSTRUKSI BANGUNAN JALAN LAYANG (FLYOVER) DENGAN MENGGUNAKAN METODE JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)

Transkripsi

1 ESTIMASI BIAYA KONSEPTUAL KONSTRUKSI BANGUNAN JALAN LAYANG (FLYOVER) DENGAN MENGGUNAKAN METODE JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Ganjar Giwangkoro, Yusuf Latief, Wisnu Isvara Teknik Sipil, Fakultas Teknik, Universitas Indonesia ABSTRAK Estimasi biaya proyek jalan layang dengan akurasi yang tinggi pada fase konseptual pengembangan proyek sangat penting untuk perencanaan dan studi kelayakan. Namun, sejumlah kesulitan muncul ketika melakukan estimasi biaya selama tahap konseptual. Mayor masalah yang dihadapi adalah kurangnya informasi awal, kurangnya database jalan layang, kurangnya metode estimasi biaya yang sesuai, dan faktor ketidakpastian. Untuk mencapai optimasi model, perlu digunakan variabel yang tepat dan baik sebagai input sehingga keakurasian output yang dihasilkan dapat dipertanggungjawabkan. Variabel yang mempengaruhi biaya proyek jalan layang yang digunakan pada penelitian ini adalah panjang, lebar, lokasi, tipe pondasi, tahun pembuatan. Variabel tersebut kemudian dimasukkan dalam arsitektur jaringan yang paling cocok dan terbaik sehingga akurasi mencapai 28% sesuai standar AACE. Kata kunci: Jalan layang, Metode jaringan saraf tiruan, Estimasi biaya konseptual. ABSTRACT Project cost estimating of flyover with high accuracy in the conceptual phase of project development is essential for planning and feasibility studies. However, a number of difficulties arise when performing cost estimates during the conceptual stage. The major problems encountered is the lack of initial information, the lack of database, the lack of appropriate methods of cost estimation, and uncertainty factors. To reach model optimization, correct and good variables are needed as inputs to gain output which is accurate and accountable. The variables which affect the project cost and use in this research are length, width, type of pondation, location and year. The variables then run in the most suitable network architecture and the best, so that the accuracy reached 28% according to the standard AACE. Keywords: Flyover, Artificial neural network, Conceptual cost estimate

2 PENDAHULUAN Tahap estimasi biasa awal proyek merupakan tahapan yang sangat penting sekali dalam manajemen proyek konstruksi karena berpengaruh dengan keputusan penting yang akan diambil. Keberhasilan suatu proyek konstruksi tergantung sekali kepada tingkat keakurasian estimasi yang dilakukan mulai dari tahap konseptual,estimasi kelayakan dan estimasi detail. Estimasi biaya berkembang melalui tahap preliminary dan konseptual yang kemudian menjadi estimasi detail atau final, keakurasian tergantung dengan informasi yang diketahui saat proses estimasi berlangsung [1]. Tingkat akurasi dalam estimasi biaya konseptual juga dapat berpengaruh dari teknik atau cara dalam mendapatkan informasi tersebut dan memprosesnya dengan metodemetode tertentu seperti analisis regresi, permodelan probabilitas dan neural network [2]. Estimasi biaya konseptual juga mengacu sebagai estimasi biaya pradesain dimana hal ini dilakukan di awal sekali proses pembangunan proyek konstruksi berjalan, sebelum adanya gambar rancana keluar [3]. Oleh karena itu tingkat akurasi dan ketepatan biaya masih minim sekali, yang disebabkan informasi yang diperoleh minim. Pada tahun 1943 McCulloch dan Pitts telah menemukan suatu metode yang bernama metode Artificial Neural Networks (ANN) atau biasa disebut dengan sistem jaringan saraf tiruan yang telah berkembang pesat dan telah digunakan pada berbagai aplikasi dalam komputer [4]. Jaringan saraf tiruan merupakan satu dari beberapa cara sistem memproses informasi yang didesain menirukan cara kerja otak manusia dalam memecahkan suatu masalah dengan menggunakan kegiatan-kegiatan yang berbasis data masa lalu untuk diproses kembali melalui perubahan bobot sinapsisnya. Artificial Neural Networks (ANN) membawa suatu perubahan dalam dunia teknologi AI (Artificial Intelegence) melebihi cara tradisional yang ada sebelumnya dengan berusaha mencoba meniru cara kerja otak manusia melalui proses manipulasi data sehingga dapat menghasilkan suatu keputusan [5]. Catatan data-data historis masa lalu tetap merupakan data yang dominan, informasi dan sumber pengetahuan untuk mengestimasi biaya dalam membuat strategi rencana anggaran suatu proyek konstruksi. Pada tahap konseptual desain juga dapat sebagai sarana untuk mengeksplorasi dari perbedaan konfigurasi konseptual desain untuk meningkatkan biaya desain. Hal ini mungkin dapat sebagai tambahan pengetahuan pekerja desain dan konstruksi untuk dapat lebih fokus menghadapi tugas yang lebih sulit [6].

3 Untuk menjalankan proses mengestimasi biaya menggunakan metode ANN, para peneliti manajemen konstruksi hanya akan memperhitungkan beberapa detail bangunan tersebut untuk dijadikan sebagai parameter yang nantinya akan diinput ke dalam komputer dan akan menghasilkan output berupa nilai estimasi biaya. Contohnya untuk mengestimasi biaya suatu proyek konstruksi berupa jalan layang (flyover), hal-hal yang dapat dijadikan sebagai parameter adalah panjang jalan, lebar jalan, tinggi jalan, dan luas bentang jalan. Dari berbagai penjelasan sebelumnya, tujuan dari penulisan ini bermaksud untuk mencoba menyelesaikan berbagai kesulitan yang biasa dihadapi dalam tahap konseptual yang penyebab umumnya adalah kekurangan sejumlah informasi dan basis data pada proyek-proyek sebelumnya, sejumlah keraguan atau ketidakpastian, metode yang dahulu dipakai untuk mengestimasi dari proyek sebelumnya yang sejenis dengan menggunakan metode jaringan saraf tiruan atau Artificial Neural Network (ANN) pada suatu proyek konstruksi bangunan khususnya jalan layang (flyover). TINJAUAN TEORITIS Artificial Intelegence (AI) merupakan suatu teknologi menggunakan perangkat lunak komputer yang sudah digunakan oleh para peneliti untuk melakukan berbagai macam penelitian salah satunya dalam bidang konstruksi. Salah satu penelitian yang sedang dikembangkan oleh para peneliti adalah sistem kerja jaringan saraf tiruan manusia (Neural Network System). Maksud dari metode ini adalah para ahli mencoba untuk menggantikan sistem kerja otak manusia ke dalam sistem komputer, yang nantinya diharapkan sistem komputer ini mampu menyelesaikan masalah lebih cepat, lebih teliti, dan lebih akurat bila dibandingkan dengan kerja manusia. Artificial Neural Network (ANN) dapat menangani data yang samar, data yang corrupted, data yang hilang dan data yang tidak detail dengan tetap menghasilkan solusi jawaban yang terbaik [7]. ANN selain memiliki teknik permodelan yang menyerupai struktur kerja otak manusia, juga memiliki kelebihan lain yaitu mampu untuk dilatih pada situasi yang telah lampau atau sebelumnya [8]. Pada dasarnya sel syaraf biologi mempunyai neuron-neuron yang saling terhubung. Neuron tersebut memiliki tiga komponen penting, yaitu dendrit, soma dan akson. Bagian-bagian ini memiliki kemampuan yang berbeda dalam membentuk syaraf manusia [9].

4 Tabel 1. Analogi Antara ANN dengan Jaringan Syaraf Biologi ANN Dendrit Soma Akson Sinapsis Biologis Input Node Output Bobot Sumber : Erna Dwi Astuti, Pengantar Jaringan Syaraf Tiruan (Teori dan Aplikasi), Tiruan neuron dalam struktur jaringan saraf tiruan adalah sebagai elemen pemroses yang dapat berfungsi seperti halnya sebuah neuron. Meskipun masih jauh dari sempurna, namun kinerja dari tiruan neuron ini identik dengan kinerja dari sel biologi otak manusia yang telah dikenal saat ini. Christos dan Dimitri membagi 3 elemen pembentuk neuron, diantaranya [10] : a. Himpunan unit yang dihubungkan dengan jalur koneksi. Jalur-jalur tersebut memiliki bobot yang berbeda. Bobot yang nilainya positif akan memperkuat sinyal dan bobot yang bernilai negatif 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 U, maka unit penjumlah akan memberikan keluaran sebesar U = X 1 W j1 + X 2 W j2 + + X m W jm c. Fungsi aktifasi yang akan menentukan apakah sinyal dari input neuron akan diteruskan ke neuron lain atau tidak. Artificial Neural Network merupakan suatu kumpulan unit komputasional sederhana yang saling berhubungan erat. Unit-unit tersebut biasanya disebut nodes, seperti yang terdapat dalam neuron biologis. Input yang masuk ke sebuah node merupakan jumlah muatan output dari node sebelumnya yang berhubungan [11]. Neuron pada neural network dimodelkan sebagai sebuah proses yang mengeluarkan sebuah output dari berbagai input. Berikut adalah contoh permodelan sederhana dari suatu neuron.

5 Gambar 1. Struktur Unit Jaringan Saraf Tiruan Sederhana Pemodelan jaringan saraf tiruan tersusun atas beberapa elemen penghitung tak linier yang masing-masing saling berhubungan melalui suatu pembobot yang disusun secara paralel. Pembobot inilah yang nantinya akan beradaptasi (berubah) selama jaringan saraf tiruan dalam masa pelatihan. Sebelum dapat menyelasaikan suatu masalah, pelatihan penting dilakukan oleh jaringan saraf tiruan. Melalui pelatihan ini, nantinya jaringan saraf tiruan dapat memperoleh tanggapan yang benar sesuai yang diinginkan terhadap input yang diberikan kepadanya. Walaupun input atau masukan yang diberikan kepadanya dapat berubah-ubah karena suatu keadaan, namun jaringan saraf tiruan ini tetap dapat memberikan tanggapan yang benar. Pada umumnya jaringan saraf tiruan atau ANN mempunyai tiga buah layer, yaitu sebagai berikut [12]: Layer input Layer tersembunyi (hidden), proses pengolahan data input Layer output Gambar 2. Model ANN dengan 3 Layer

6 Model jaringan saraf tiruan dikelompokan menjadi empat jenis, yaitu : a. Jaringan saraf tiruan feedforward. Jenis ini mencakup semua model jaringan saraf tiruan yang bersifat acyclic, yaitu hanya bisa menyampaikan informasi searah dari neuron masukan ke neuron keluaran. b. Jaringan saraf tiruan rekurens. Berbeda dengan jaringan saraf sebelumnya, jaringan saraf tiruan rekurens menyampaikan informasi secara dua arah (mempunyai hubungan antar neuron yang cyclic). c. Jaringan saraf tiruan modular. Jenis ini berdasar pada kesimpulan riset biologi bahwa otak manusia tidak berfungsi sebagai satu jaringan yang sangat besar, tetapi sebagai kumpulan jaringan-jaringan kecil. d. Jenis lainnya mencakup model-model lain yang tidak tercakup pada tiga jenis jaringan saraf tiruan diatas, seperti holographic associative memory, instantaneously trained networks, spikling neural networks. Pelatihan sebuah jaringan yang menggunakan backpropagation terdiri dari tiga lngkah, yaitu : pelatihan pola input secara feedforward, perhitungan dan propagasi balik dari kumpulan kesalahan dan penyesuaian bobot. Sesudah pelatihan, aplikasi dalam jaringan hanya terdiri dari fase feedforward. Backpropagation 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. Prosedur pembelajaran algoritma Backpropagation mempunyai tiga fase. Fase pertama adalah maju, pola masukan dihitung maju mulai dari layar masukan hingga layaran keluaran dengan menggunakan fungsi aktivasi yang telah ditentukan sebelumnya. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut

7 dipropagasikan mundur, dimulai dari garis gariss yang berhubungan langsung dengan unit-unit layar keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi. METODE PENELITIAN Penelitian ini dilakukan untuk mengetahui parameter-parameter apa saja yang harus diperhitungkan terhadap estimasi biaya pada tahap konseptual yang dapat meningkatkan tingkat akurasi pada estimasi biaya konseptual pada pembangunan konstruksi jalan layang (flyover). Untuk menyelesaikan penelitian ini diperlukan metode penelitian yang sesuai. Penelitian ini menggunakan strategi penelitian kuantitatif, karena tujuan yang ingin dicapai adalah menemukan fakta berdasarkan catatan dari dokumen, serta membutuhkan pengujian hipotesa penelitian. Strategi dalam metode penelitian perlu mempertimbangkan 3 (tiga) faktor, yaitu jenis pertanyaan yang akan digunakan, pengendalian terhadap peristiwa yang diteliti dan fokus terhadap peristiwa yang sedang berjalan [13]. Untuk masalah ini, pendekatan yang paling sesuai adalah studi kasus dan eksperimen. Rumusan Masalah yang diperlukan untuk mendapatkan hasil yang diinginkan seperti apa dan bagaimana, dapat dikelompokkan sebagai berikut : a. Apa sajakah faktor-faktor yang mempengaruhi biaya konseptual pembangunan konstruksi jalan layang (flyover)? b. Bagaimana mengembangkan suatu model berdasarkan faktor-faktor yang mempengaruhi biaya pembangunan konstruksi jalan layang (flyover) dengan menggunakan metode jaringan saraf tiruan (ANN) untuk meningkatkan akurasi estimasi biaya pada tahap konseptual? Pada penelitian kali ini digunakan dua macam variabel, yaitu variabel terikat (dependent variable), serta variabel bebas (dependent variabel). Variabel terikat adalah variabel yang memberikan reaksi jika dihubungkan dengan 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. Survey dan wawancara dilakukan untuk mencari variabel-variabel yang nantinya akan digunakan sebagai parameter untuk menjalankan metode ini. Hasil dari survey dan wawancara yang telah dilakukan sebelumnya, dapat terkumpul data-data dan informasi yang diharapkan dapat mengahasilkan suatu analisis yang tepat dan akurat terhadap faktor-faktor yang paling dominan

8 dalam rangka meningkatkan kinerja akurasi estimasi biaya tahap konseptual proyek konstruksi jalan layang (flyover). Analisis penelitian bersifat deskriptif untuk menjawab rumusan masalah yang pertama, serta trial and error untuk masalah permodelan estimasi biaya dengan menilai hasil kinerjanya dengan menggunakan metode ANN ini. Dengan mencari rata-rata eror yang paling kecil antara prediksi biaya hasil model ANN dengan aktual biaya konstruksi proyek Jalan Layang melalui data-data historis bisa diketahui kinerja dari model tersebut. Metode MMRE atau MAPE (the Mean Magnitude of Relative Error) dan metode MSE (the Mean Square Error) dilakukan dengan program Matlab dapat membantu dalam pembentukan permodelan ANN sebagai alat bantu komputasi dalam perhitungan. Persamaan statistik juga dapat membantu permodelan ANN. HASIL PENELITIAN Data proyek yang tersedia untuk menjalankan penelitian ini terdapat sebanyak 28 data proyek dengan menggunakan 5 variabel sebagai parameternya. Kelima variabel tersebut meliputi Lokasi proyek, Tahun pembuatan, Jenis pondasi serta Panjang dan Lebar jalan layang. Dengan ouput yang tersedia adalah Nilai kontrak dari proyek tersebut. Data 25 yang awal digunakan sebagai data untuk pelatihan hingga menemukan nilai akurasi yg kecil, sedangkan 3 buah data terkahir merupakan data untuk pengujian kinerja dari model ANN yang didapatkan. Sehingga nanti terlihat tingkat akurasi yang masih termasuk sesuai dengan AACE yaitu berada dalam rentang - 20% sampai +30% dari biaya proyek sebenarnya. Penulis melakukan banyak sekali pelatihan untuk mencari nilai MMRE yang paling kecil. Berikut penulis tampilkan beberapa macam pelatihan permodelan yang didapatkan setelah menjalankan metode ANN tersebut hingga menghasilkan permodelan yang paling kecil rata-ratanya : a. Permodelan I (5-7-1) Pada permodelan yang pertama ini digunakan permodelan Maksudnya adalah dengan menggunakan 5 neuron sebagai input, dengan 7 neuron pada hidden layer dan 1 output yang dihasilkan. Setelah dijalankan dengan menggunakan bantuan program Matlab R2009a untuk menjalankan metode ANN maka dapat dilihat nilai MMRE nya. Dari permodelan ini ternyata didapatkan hasil yang sangat tidak bagus sekali, yakni nilai MMRE yang sangat tinggi sekali,

9 sehingga dapat disimpulkan model ini tidak cocok dijadikan sebagai temuan. Nilai MMRE yang didapat adalah 119%, sangat jauh dari apa yang menjadi standar AACE. Berikut tabel hasil pelatihan dengan permodelan ini : Tabel 2. Rekap Hasil Permodelan (5-7-1) Validasi Asli ANN selisih Akurasi % % % MMRE 119% b. Permodelan II (5-2-1) Karena nilai MMRE pada pelatihan I masih sangat besar, maka dilakukan kembali trial and eror pada percobaan selanjutnya. Untuk percobaan pelatihan yang kedua kalinya, menggunakan permodelan (5-2-1). Sama seperti yang dijelaskan sebelumnya, maksudnya adalah dengan menggunakan 5 neuron sebagai input, dengan 2 neuron pada hidden layer dan 1 output yang dihasilkan. Setelah program dijalankan, nilai MMRE yang didapatkan lebih kecil dari yang sebelumnya hampir mendekati ketentuan AACE, yaitu dengan nilai 35%. Namun hal ini tetap saja masih tidak termasuk ketentuan karena batas maksimalnya adalah 30%. Berikut tabel hasil pelatihan dengan permodelan (5-2-1) ini : Tabel 3. Rekap Hasil Permodelan (5-2-1) Validasi Asli ANN selisih Akurasi % % % MMRE 35% c. Permodelan III (5-10-1) Dari pelatihan menggunakan permodelan yang ke II masih tidak sesuai dengan apa yang dicari, maka tetap terus dilakukan pelatihan hingga mendapatkan nilai MMRE yang lebih kecil dari pelatihan sebelumnya. Ternyata dengan menggunakan permodelan yang ke III ini, didapatkan

10 hasil nilai yang cukup bagus dan sesuai dengan AACE, yakni nilai dengan angka 28%. Berikut tabel hasil rekap pada permodelan ke III : Tabel 4. Rekap Hasil Permodelan (5-10-1) Validasi Asli ANN selisih Akurasi % % % MMRE 28% d. Permodelan IV (5-8-1) Walaupun pada permodelan yang sebelumnya sudah mendapatkan hasil yang sesuai dengan ketentuan AACE, tetapi penulis masih mencoba lagi melakukan pelatihan guna mendapatkan permodelan yang lebih baik dengan nilai MMRE yang lebih kecil lagi. Pada pelatihan kali ini dicoba dengan menggunakan permodelan (5-8-1). Setelah program dijalankan, ternyata nilai yang didapat justru meningkat. Nilai yang didapatkan yaitu 58%, jauh sekali dari standar yang telah ditentukan oleh AACE. Berikut tabel hasil rekap pada permodelan ini : Tabel 5. Rekap Hasil Permodelan (5-8-1) Validasi Asli ANN selisih Akurasi % % % 58% Setalah melakukan berkali-kali pelatihan dengan berbagai macam permodelan, maka penulis menentukan bahwa permodelan yang akan digunakan sebagai hasil penelitian yakni permodelan ke-iii dengan arsitektur jaringan (5-10-1). Maksudnya adalah dengan menggunakan 5 neuron sebagai input, dengan 2 neuron pada hidden layer dan 1 output yang dihasilkan. Dengan kata lain 5 variabel sebagai parameter, dengan 10 neuron pada hidden layer dan 1 output yakni nilai kontrak dari proyek tersebut. Karena dengan permodelan ini nilai MMRE yang diperoleh yaitu 28%. Sesuai dengan ketentuan AACE yaitu berkisar antara -20% hingga +30%.

11 PEMBAHASAN Penelitian ini pada dasarnya adalah bertujuan untuk mencari faktor-faktor apa sajakah yang mempengaruhi biaya pembangunan jalan layang (flyover) dan membuat permodelan ANN untuk melihat keakuratab estimasi biaya pada tahap konseptual. Dari berbagai macam percobaan pelatihan dengan metode ANN seperti yang di contohkan diatas, diperoleh hasil nilai MMRE yang paling kecil yakni 28% dengan permodelan arsitektur ANN (5-10-1). Dengan nilai yang diperoleh seperti itu, maka cukup sesuai dengan ketentuan AACE yakni berada dalam rentang kisaran -20% hingga +30%. Berikut merupakan range data-data yang digunakan dalam pelatihan ini sehingga terlihat rentang, mean dan modus dari masing-masing variabel : Tabel 6. Karakteristik dan Range Variabel ANN Variabel Nama Variabel Unit Range Modus Mean X1 Lokasi Flyover Kategori SumUt, SumSel, Banten, Jakarta, JaBar Jakarta - X2 Tahun Pembangunan Tahun X3 Panjang Flyover meter X4 Lebar Flyover meter X5 Tipe Pondasi Kategori Tiang pancang, Bored pile Bored Pile - Y Nilai Kontrak Rupiah 3,114,123, ,241,827,000-55,471,922,723,429 Dengan karakteristik dan range masing-masing variabel seperti pada tabel diatas, maka sistem pelatihan dijalankan dan akan ditemukan model ANN dengan melakukan proses pengujian yang bersifat trial and eror. Dalam menjalankan program Matlab dengan metode ANN tersebut, nantinya akan diperoleh juga rangkuman kriteria karakteristik pelatihan yang digunakan pada permodelan tersebut. Selain itu juga akan didapatkan nilai bobot input model ANN, nilai bobot bias input dan juga nilai bobot akhir lapisan. Berikut adalah model ANN terbaik yang ditemukan dan juga nilai dari masing-masing bobot input model ANN, bobot bias input dan bobot akhir lapisan ANN :

12 Tabel 7. Kriteria Model ANN Terbaik Training Parameter Nilai Fungsi Deskripsi Data 25 data pelatihan dan 5 data pengujian Pelatihan/Pengujian Jumlah input 5 Jumlah output 1 Jumlah hidden layer 1 Jumlah neuron hidden 10 Trial yang terbaik layer Algoritma pembelajaran Backpropagation Fungsi Pembelajaran Gradient Descent Momentum Fungsi Aktivasi Sigmoid Bipolar Normalisasi data Ya Learning data 0-1 Trial yang terbaik Momentum 0-1 Trial yang terbaik Kriteria iterasi berhenti Maksimum epoch Kinerja tujuan (Goal) 10-3 Maksimum kegagalan 5 Gradient minimum Tabel 8. Bobot Input Model ANN Bobot Input

13 Tabel 9. Bobot Bias Input Bobot Bias Input Tabel 10. Bobot Akhir Lapisan Bobot Akhir Lapisan Pada dasarnya variabel yang digunakan sebagai input dalam metode ANN secara keseluruhan memiliki pengaruh yang besar terhadap biaya proyek. Pada penelitian kali ini, variabel-variabel yang bisa diuji tingkat sensitivitasnya terhadap biaya proyek diantaranya adalah panjang jalan layang, lebar jalan layang dan waktu pembangunan. Untuk variabel tipe pondasi dan lokasi proyek tidak dapat dilihat uji sensitivitasnya karena banyak faktor yang terkait. Tiap variabel yang diuji ini memiliki sensitivitas yang berbeda, berikut grafik sensitivitasnya : Sensitivitas Tahun vs Biaya Biaya y = 88.58x R² = Tahun Gambar 3. Grafik Sensitiitas Tahun Terhadap Biaya

14 Biaya Sensitivitas Panjang vs Biaya y = 0.306x R² = Panjang Gambar 4. Grafik Sensitiitas Panjang Terhadap Biaya Sensitivitas Lebar vs Biaya Biaya y = 26.11x R² = Lebar Gambar 5. Grafik Sensitiitas Lebar Terhadap Biaya Setelah melakukan uji sensitivitas variabel terhadap biaya proyek, terlihat dari grafik diatas hasil uji sensitivitas tersebut mengalami kenaikan secara signifikan. Hal ini terjadi karena dipengaruhi oleh Indeks Harga Konstruksi (IHK). IHK ini setiap tahunnya pasti tidak selalu statis, selalu mengalami kenaikan ditiap tahunnya karena pengaruh inflasi dan faktor-faktor lainnya yang terjadi pada tahun tersebut. Dan biasanya di tiap daerah memiliki indeks yang berbeda-beda. Pengaruh lainnya bisa saja timbul pada saat kegiatan konstruksi tersebut berlangsung. Selama kegiatan konstruksi berlangsung mungkin terdapat suatu kejadian yang mempengaruhi juga kepada biaya proyek.

15 KESIMPULAN Untuk melakukan estimasi biaya pada tahap konseptual, khususnya pada penelitian kali ini dengan objek jalan layang maka bisa menggunakan metode artificial neural nework dengan bantuan program Matlab R2009a. setelah dilakukan beberapa kali uji pelatihan maka model yang diperoleh yang paling bagus adalah dengan 28 data proyek. Masing-masing dengan 25 data pelatihan proyek dan 3 data terakhir sebagai data pengujian. Faktor-faktor yang mempengaruhi biaya proyek juga digunakan sebagai variabel dalam pelatihan, variabel yang digunakan antara lain : lokasi, panjang jalan layang, lebar jalan layang, tipe pondasi dan tahun pembuatan. Dan hasil arsitektur terbaik yang diperoleh adalah (5-10-1). Maksudnya adalah fungsi aktivasi sigmoid bipolar dengan layer input dengan 5 neuron, hidden layer dengan 10 neuron dan layer output dengan 1 neuron. Nilai MMRE yang didapatkan adalah sebesar 28%. SARAN Setelah melakukan penelitian ini dan mendapatkan hasil temuan yang telah dipaparkan sebelumnya, maka penulis dapat memberikan saran yang dapat dilakukan agar dapat menambah sempurnanya penelitian ini. Saran yang dapat diberikan adalah : a. Model ANN akan berjalan lebih efektif jika data yang akan dijadikan sebagai input lengkap dan semakin banyak variasinya. Oleh karena itu mencari data-data proyek yang sebanyak-banyaknya wajib dilakukan. Carilah data proyek dengan variabel yang berbagai macam dan lengkap. b. Jika memang terdapat data yang tidak lengkap variabelnya, maka data tersebut dapat dieliminasi atau dihilangkan. Namun untuk menghilangkan data tersebut harus hati-hati, hal ini dapat dilakukan dengan regresi salah satunya menggunakan SPSS atau metode regresi lainnya. Karena hal ini mempengaruhi akan kinerja ANN dalam membuat model dan membaca pola data tersebut. c. Gunakanlah data range yang lebih beragam agar data dapat terlatih dengan lebih baik dan dapat memecahkan masalah pada input data baru.

16 REFERENCES [1] Hashem Al-Tabtabai et al, (1999), Preliminary Cost Estimation of Highway Construction Using Neural Network, Journal Cost Engineering ABI/Inform Global page.19. [2] Rifat Sonmez, (2005), Review of Conceptual Cost Modeling Techniques, Journal AACE International Transaction ProQuest page.es71. [3] Rifat Sonmez (2004), Conceptual Cost Estimation of Building Projects With Regression Analysis and Neural Netwroks, Canadian Journal of Civil Engineering ProQuest page.677. [4] Julian Bagus (2010), Permodelan Estimasi Biaya Pada Proyek Konstruksi Bangunan Pabrik dengan Teknik Jaringan Saraf Tiruan, Tesis Teknik Sipil Universitas Indonesia. [5] Robert A. McKim (1993), Neural Network Application to Cost Engineering, Journal Cost Engineering ProQuest page.31. [6] Onuegbu O. Ugwu dan Mohan M. Kumaraswamy, Neural Network Based Decision Support For Estimating Cost of Highway Bridge, Journal of The International Construction Research Conference. [7] Nikola K., Cost Estimastion of Highway Projects in Developing Countries : ANN Approach, Journal of The Eastern Asia Society for Transport. [8] Attala M. dan Hegazy (2003), Predicting Cost Deviation in Reconstruction Projects: ANN vs Regression, Journal of Construction Engineering and Manajement ASCE. [9] Erna Dwi Astuti (2009), Pengantar Jaringan Saraf Tiruan (Teori dan Aplikasi), Star Publishing, Wonosobo. [10] Christos dan Dimitri, (1996), Neural Network for Cost Estimation, Journal Cost Engineering ABI/Inform Global. [11] Indra Gunawan, (2004), Rekomendasi Tindakan Koreksi Pada Pengendalian Biaya Tenaga Kerja Dengan Metode Hybrid Probabilitic Neural Network, Tesis Teknik Sipil, Universitas Indonesia. [12] Maurdhi Hary P. dan Agus Kurniawan, (2006), Supervised Neural Network, Jakarta. [13] Robert Yin, (1996), Studi Kasus : Desain dan Metode, Raja Grafindo Persada, Jakarta.

17