Pengaruh Variasi Hidden Layer Terhadap Nilai MAPE Pada Pengembangan Model Estimasi Biaya Menggunakan Artificial Neural Network
(Studi Kasus: Biaya Peningkatan Jalan Aspal di D.I. Yogyakarta)
Abstract
Pekerjaan peningkatan jalan menjadi suatu kebutuhan yang tidak dapat dielakkan guna mendapatkan infrastruktur transportasi yang lebih handal. Dukungan perencanaan anggaran dan estimasi biaya yang baik oleh karenanya harus dilakukan. Model persamaan prediksi anggaran dan biaya dengan Artificial Neural Network (ANN) menjadi alternatif solusinya. ANN menuntut rancangan arsitektur jaringan yang tepat guna memperoleh model dengan tingkat akurasi yang tinggi. Penelitian ini bertujuan mengetahui jumlah efektif neuron dalam hidden layer yang memberikan hasil model persamaan ANN dengan tingkat akurasi tinggi dengan nilai Mean Absolute Percentage Error (MAPE) kecil. Pengembangan model didasarkan pada 33 data pekerjaan peningkatan jalan aspal di Provinsi Daerah Istimewa Yogyakarta dari tahun 2010 sampai dengan tahun 2021. Delapan belas variabel proyek yang berpengaruh signifikan terhadap total biaya pekerjaan digunakan sebagai data input model ANN dan dianalisis dengan berbagai variasi data model dan validator. Hasil penelitian menunjukkan bahwa variasi jumlah neuron dalam hidden layer menghasilkan nilai MAPE dengan pola tidak beraturan yang mana tingkat akurasi sangat dipengaruhi oleh data input dan validator. Namun demikian secara umum model dengan jumlah neuron dalam hidden layer 11/3 kali lipat dari jumlah variabel input menjanjikan hasil akurasi paling tinggi.
Downloads
References
Al-Faiz, M. Z., Ibrahim, A. A., & Hadi, S. M. (2018). The Effect of Z-Score Standardization (Normalization) on Binary Input Due The Speed of Learning in Back-propagation Neural Network. Iraqi Journal of Information & Communications Technology, 1(3), 42–48. https://doi.org/10.31987/ijict.1.3.41
Al Suhili, R. H., & Mohammed, Z. J. (2014). Comparison Between Linear and Non-linear ANN Models for Predicting Water Quality Parameters at Tigris River. Journal of Engineering, 20(10), 1–15. https://doi.org/10.31026/j.eng.2014.10.01
Andeva, H., Khamistan, & Zulfikar. (2018). Estimasi Anggaran Biaya dan Metode Pelaksanaan Pada Proyek Pembangunan Jalan Paloh Puntipulo–Iboh Kota Lhokseumawe. Jurnal Sipil Sains Terapan, 1(2), 23–31.
Dewanti, R., Aminullah, A., & Priyosulistyo, H. (2021). Estimasi Biaya Struktur Gedung Rumah Sakit dengan Bentuk Persegi Panjang Menggunakan Metode Artificial Neural Network. Journal of Civil Engineering and Planning, 2(2), 139. https://doi.org/10.37253/jcep.v2i2.5351
Harahap, K. F., Aminullah, A., Teknik, M., Departemen, S., Sipil, T., Sipil, T., Teknik, D., Universitas, L., Teknik, D., Departemen, S., Sipil, T., & Mada, G. (2022). Estimasi Dimensi Optimum Dan Rasio Tulangan Gedung Hotel Yogyakarta Dengan Artificial Neural Network. 16(3), 182–190. https://doi.org/10.21831/inersia.v18i1
Junoasmono, T., Gultom, H. S. A., Umboh, B. S. C., & Sutandi, A. C. (2020). Pengembangan Jaringan Jalan Nasional Di Sulawesi Utara dan Gorontalo. Jurnal Transportasi, 20(1), 67–76. https://doi.org/10.26593/jtrans.v20i1.3857.67-76
Kardan, A. A., Sadeghi, H., Ghidary, S. S., & Sani, M. R. F. (2013). Prediction of Student Course Selection in Online Higher Education Institutes Using Neural Network. Computers and Education, 65, 1–11. https://doi.org/10.1016/j.compedu.2013.01.015
Karyawan, I. D. M. A., Hasyim, & Faqihi, K. (2021). Penurunan Masa Pelayanan Jalan Akibat Kendaraan Dengan Beban Berlebih. Paduraksa: Jurnal Teknik Sipil Universitas Warmadewa, 10(1), 56–69. doi : 10.22225/pd.10.1.2292.56-69
Kassaymeh, S., Al-Laham, M., Al-Betar, M. A., Alweshah, M., Abdullah, S., & Makhadmeh, S. N. (2022). Backpropagation Neural Network Optimization and Software Defect Estimation Modelling Using A Hybrid Salp Swarm optimizer-Based Simulated Annealing Algorithm. Knowledge-Based Systems, 244, 108511. https://doi.org/10.1016/j.knosys.2022.108511
Khamistan. (2019). Analisis Estimasi Biaya Dengan Metode Cost Significant Model Sebagai Dasar Perhitungan Konstruksi Jembatan Beton Bertulang Di Kabupaten Aceh Tamiang. Teras Jurnal, 8(2), 444. https://doi.org/10.29103/tj.v8i2.168
Leni, D., Yermadona, H., Usra Berli, A., Sumiati, R., & Haris, H. (2023). Pemodelan Machine Learning untuk Memprediksi Tensile Strength Aluminium Menggunakan Algoritma Artificial Neural Network (ANN). Jurnal Surya Teknika, 10(1), 625–632. https://doi.org/10.37859/jst.v10i1.4843
Matel, E., Vahdatikhaki, F., Hosseinyalamdary, S., Evers, T., & Voordijk, H. (2022). An Artificial Neural Network Approach for Cost Estimation of Engineering Services. International Journal of Construction Management, 22(7), 1274–1287. https://doi.org/https://doi.org/10.1080/15623599.2019.1692400
Munggarani, N. A., & Wibowo, A. (2017). Kajian Faktor-Faktor Penyebab Kerusakan Dini Perkerasan Jalan Lentur dan Pengaruhnya Terhadap Biaya Penangan. Jurnal Infrastruktur, 3.
Pothuganti, S. (2018). Review on Over-fitting and Under-fitting Problems in Machine Learning and Solutions. International Journal of Advanced Research in Electrical, Electronics and Instrumentation Engineering, 7(9), 3692–3695. https://doi.org/10.15662/IJAREEIE.2018.0709015
Ratnawati, D., Huda, M., & Priyoto. (2018). Preleminary Cost Estimate Model for Maintenace and Improvement of Road Project. The International Journal of Engineering and Science (IJES), 7(2), 41–49. https://doi.org/10.9790/1813-0702014149
Roring, H. S. D., Sompie, B. F., & Mandagi, R. J. M. (2014). Model Estimasi Biaya Tahap Konseptual Konstruksi Bangunan Gedung dengan Metode Parametrik. Jurnal Ilmiah Media Engineering, Universitas Sam Ratulangi, 4(2), 103–108.
Roxas, C. L. C., Roxas, N. R., Cristobal, J., Hao, S. E., Marie Rabino, R., & Revalde, F. (2019). Modeling Road Construction Project Cost in the Philippines Using the Artificial Neural Network Approach. 2019 IEEE 11th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment, and Management, HNICEM 2019. doi : 10.1109/HNICEM48295.2019.9072820
Sari, F. A. K., & Latief, Y. (2021). Safety Cost Estimation of Building Construction with Fuzzy Logic and Artificial Neural Network. Journal of Physics: Conference Series, 1803(1). https://doi.org/10.1088/1742-6596/1803/1/012020
Shrestha, K. K., & Shrestha, P. P. (2016). A Contingency Cost Estimation System for Road Maintenance Contracts. Procedia Engineering, 145(December), 128–135. https://doi.org/10.1016/j.proeng.2016.04.030
Tadesse, N., & Dinku, A. (2017). Conceptual Cost Estimation of Road Projects in Ethiopia Using Neural Networks. Journal of EEA, 35.
Tahapari, Y. (2021). Tesis Analisis Perkiraan Biaya Pelaksanaan Proyek Peningkatan Jalan Aspal Berdasarkan Metode CSM Dan ANN (Studi Kasus : Proyek Peningkatan Jalan Aspal di Provinsi D.I Yogyakarta). Universitas Gadjah Mada.
Tijanić, K., Car-Pušić, D., & Šperac, M. (2020). Cost Estimation in Road Construction Using Artificial Neural Network. Neural Computing and Applications, 32(13), 9343–9355. https://doi.org/10.1007/s00521-019-04443-y
Winalytra, I., Nugroho, A. S. B., & Triwiyono, A. (2018). Cost Estimation Model for I-Girder Bridge Superstructure Using Multiple Linear Regression and Artificial Neural Network. Applied Mechanics and Materials, 881, 142–149. https://doi.org/10.4028/www.scientific.net/amm.881.142
