ESTIMASI BIAYA TAHAP KONSEPTUAL BANGUNAN GEDUNG …lib.ui.ac.id/file?file=digital/20309461-S42840-Estimasi... · universitas indonesia halaman judul estimasi biaya tahap konseptual

UNIVERSITAS INDONESIA

HALAMAN JUDUL

ESTIMASI BIAYA TAHAP KONSEPTUAL BANGUNAN GEDUNG PERKULIAHAN UMUM DENGAN METODE

JARINGAN SYARAF TIRUAN

SKRIPSI

TEKAD UTOMO 0806454481

FAKULTAS TEKNIK PROGRAM SARJANA

DEPOK JUNI 2012

Estimasi biaya..., Tekad Utomo, FT UI, 2012


HALAMAN JUDUL

ESTIMASI BIAYA TAHAP KONSEPTUAL BANGUNAN GEDUNG PERKULIAHAN UMUM DENGAN METODE

JARINGAN SYARAF TIRUAN

SKRIPSI

Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana

TEKAD UTOMO 0806454481

FAKULTAS TEKNIK PROGRAM STUDI TEKNIK SIPIL

KEKHUSUSAN MANAJEMEN KONSTRUKSI DEPOK

JUNI 2012

1137/FT 01/SKRIP/07/2012


ii

HALAMAN PERNYATAAN ORISINALITAS

Skripsi ini adalah hasil karya saya sendiri,

dan semua sumber baik yang dikutip maupun dirujuk

telah saya nyatakan dengan benar.

Nama : Tekad Utomo

NPM : 0806454481

Tanda Tangan :

Tanggal : 10 Juni 2012


iii

HALAMAN PENGESAHAN

Skripsi ini diajukan oleh :

Nama : Tekad Utomo

NPM : 0806454481

Program Studi : Teknik Sipil

Judul Sripsi : Estimasi Biaya Tahap Konseptual Bangunan Gedung

Perkuliahan Umum dengan Metode Jaringan Syaraf

Tiruan

Telah berhasil diujikan di hadapan Dewan Penguji dan diterima sebagai

bagian persyaratan yang diperlukan untuk memperoleh gelar Sarjana

Teknik pada Program Studi Teknik Sipil, Fakultas Teknik, Universitas

Indonesia.

DEWAN PENGUJI Pembimbing 1 : Ir. Wisnu Isvara, M.T. ( ) Pembimbing 2 : Prof. Dr. Ir. Yusuf Latief, M.T. ( ) Penguji : Ir. Setyo Suprijadi, Msi. ( ) Penguji : Rosmariani, S.T., M.T. ( ) Ditetapkan di : Depok Tanggal : 10 Juli 2012


iv

UCAPAN TERIMA KASIH

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, karena

atas berkat rahmat dan karunia-Nya, penulis dapat menyelesaikan skripsi ini.

Limpahan terima kasih penulis ucapkan kepada :

(1) Ir. Wisnu Isvara, M.T. , selaku pembimbing I dalam penulisan skripsi ini

yang telah memberikan bimbingan, saran dan nasihat.

(2) Prof. Dr. Ir. Yusuf Latief, M.T. , selaku pembimbing II dalam penulisan

skripsi ini yang telah memberikan bimbingan, saran dan nasihat.

(3) Ibu, Bapak, Dedek, Mba Win, Mas Adi yang telah memberikan bantuan

dukungan moral dan material, dan menjadi tempat paling nyaman untuk

berbagi cerita.

(4) Julian Bagus, S.T., M.T. dan Panggih Widodo, S.T. yang telah banyak

membantu dalam penyelesaian skripsi ini.

(5) Budi, Ganjar, Ludya, sebagai rekan satu topik yang saling membantu dimasa-

masa tersulit.

(6) Tony, Jauzy, Iqbal, Ikhsan, Arab, Bulake, Hendro. Terima kasih telah

menjadi teman yang baik, kalian seperti saudara tanpa ikatan darah bagi saya.

(7) Ratna Ayu Kusumaningtyas yang telah memberikan semangat baru dalam

penyelesaian skripsi ini.

(8) Seluruh teman sipil lingkungan 2008, KAPA FTUI, terima kasih atas semua

dukungan dan semangatnya.

Dan kepada semua pihak yang telah membantu hingga terselesaikannya

skripsi ini.

Depok, 22 Juni 2012

Penulis


v

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI TUGAS AKHIR UNTUK KEPENTINGAN AKADEMIS

Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda tangan di bawah ini: Nama : Tekad Utomo NPM : 0806454481 Program Studi : Teknik Sipil Departemen : Teknik Sipil Fakultas : Teknik Jenis karya : Skripsi demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Indonesia Hak Bebas Royalti Noneksklusif (Non-exclusive Royalty- Free Right) atas karya ilmiah saya yang berjudul :

Estimasi Biaya Tahap Konseptual Bangunan Gedung Perkuliahan Umum dengan Metode Jaringan Syaraf Tiruan

beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Noneksklusif ini Universitas Indonesia 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 : 10 Juni 2012

Yang menyatakan

(Tekad Utomo)


vi Universitas Indonesia

ABSTRAK

Nama : Tekad Utomo Program Studi : Teknik Sipil Judul : Estimasi Biaya Tahap Konseptual Bangunan Gedung

Perkuliahan Umum Dengan Menggunakan Metode Jaringan Saraf Tiruan

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 perkuliahan. 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 perkuliahan yang tersedia pada tahap konseptual antara lain, lokasi, pondasi, luas total, tingkat, konstruksi atap, finishing grade, tahun, dan durasi pembangunan. Variabel ini kemudian dimasukkan dalam suatu desain struktur jaringan yang paling cocok sehingga keakurasiannya mencapai 2%, memenuhi standar AACE. Kata kunci: gedung perkuliahan, metode jaringan saraf tiruan, estimasi biaya konseptual.

ABSTRACT

Name : Tekad Utomo Study Program : Civil Engineering Title : Conceptual Cost Estimates In Construction Of Lecture Building

With Artificial 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 lecture 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 project cost and available at the conceptual phase are, location, foundation, area, number of 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 2% complimentary to AACE standard. Key words: lecture building, artificial neural network, conceptual cost estimate.


vii Universitas Indonesia

DAFTAR ISI

HALAMAN JUDUL ............................................................................................ i HALAMAN JUDUL ............................................................................................ i HALAMAN PERNYATAAN ORISINALITAS .................................................. ii HALAMAN PENGESAHAN .............................................................................iii UCAPAN TERIMA KASIH ............................................................................... iv HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI ............................. v

ABSTRAK ......................................................................................................... vi DAFTAR ISI ..................................................................................................... vii DAFTAR TABEL .............................................................................................. ix DAFTAR GAMBAR ........................................................................................... x

DAFTAR LAMPIRAN ....................................................................................... xi 1. PENDAHULUAN .......................................................................................... 1 1.1 Latar Belakang ...................................................................................... 1

1.2 Perumusan Masalah ............................................................................... 3 1.2.1 Deskripsi Masalah...................................................................... 3

1.2.2 Signifikansi Masalah .................................................................. 4 1.2.3 Rumusan Masalah ...................................................................... 4

1.3 Tujuan Penelitian................................................................................... 5 1.4 Batasan Masalah .................................................................................... 5

1.5 Manfaat Penelitian ................................................................................. 5 1.6 Model Oprasional Penelitian.................................................................. 7

1.7 Keaslian Penelitian ................................................................................ 8 2. TINJAUAN PUSTAKA ............................................................................... 10 2.1 Pendahuluan ........................................................................................ 10

2.2 Estimasi Biaya Dan Akurasi Biaya Proyek .......................................... 10 2.2.1 Estimasi Biaya Proyek ................................................................ 10

2.2.2 Akurasi Estimasi Biaya .............................................................. 11 2.3 Definisi Estimasi Biaya Tahap Konseptual .......................................... 14

2.4 Artificial Neural Network (Ann) .......................................................... 16 2.4.1 Definisi ANN........................................................................... 16

2.4.2 Konsep Dasar Model Neuron ................................................... 19 2.4.3 Arsitektur Jaringan ................................................................... 21

2.4.4 ANN Back Propagation ........................................................... 25 2.5 Gedung ................................................................................................ 28

2.5.1 Definisi ....................................................................................... 28 2.5.2 Faktor yang mempengaruhi Biaya Pembangunan Gedung ........... 30

2.6 Kerangka Berpikir ............................................................................... 32 2.7 Hipotesa Penelitian .............................................................................. 32

3. METODOLOGI PENELITIAN .................................................................. 33 3.1. Pendahuluan ........................................................................................ 33 3.2. Pemilihan Strategi Penelitian ............................................................... 33

3.3. Proses Penelitian ................................................................................. 35


viii Universitas Indonesia

3.3.1 Variabel Penelitian ................................................................... 37

3.3.2 Instrument Penelitian ............................................................... 39 3.3.3 Pengumpulan Data ................................................................... 41

3.4. Kesimpulan ......................................................................................... 41 4. PENGUMPULAN DAN ANALISIS DATA ................................................ 43 4.1 Pendahuluan ........................................................................................ 43 4.2 Pengumpulan Data .............................................................................. 43

4.2.1 Data Primer.............................................................................. 43 4.2.2 Data Sekunder ......................................................................... 45

4.3 Permodelan ANN ................................................................................ 47 5. TEMUAN DAN HASIL ............................................................................... 54 5.1 Pendahuluan ........................................................................................ 54 5.2 Temuan ............................................................................................... 54

5.2.1 Temuan 1 ................................................................................. 54 5.2.2 Temuan 2 ................................................................................. 54

5.3 Pembahasan......................................................................................... 57

6. KESIMPULAN DAN SARAN ..................................................................... 62 6.1 Kesimpulan ......................................................................................... 62

6.2 Saran ................................................................................................... 63 DAFTAR ACUAN ........................................................................................... 64

DAFTAR REFERENSI ................................................................................... 66


ix Universitas Indonesia

DAFTAR TABEL

Tabel 2. 1 Matriks Klasifikasi Estimasi AACE................................................... 12 Tabel 2. 2 Komponen Standar Bangunan Gedung Negara .................................. 28 Tabel 2. 3 Komponen non Standar Bangunan Gedung Negara ........................... 29 Tabel 2. 4 Parameter cost komponen .................................................................. 31 Tabel 3. 1 Strategi Penelitian ............................................................................. 33 Tabel 3. 2 Variabel terikat dan variable bebas .................................................... 37 Tabel 3. 3 Format Validasi Pakar ....................................................................... 39 Tabel 4. 1 Variabel Kuisioner Pakar ................................................................... 43

Tabel 4. 2 Rekapitulasi Validasi Pakar ............................................................... 44 Tabel 4. 3 Pengumpulan Data Berdasarkan Variabel .......................................... 46

Tabel 4. 4 Data Pengolahan ................................................................................ 49 Tabel 4. 5 Definisi Nilai Untuk Data Kategori.................................................... 49

Tabel 4. 6 Tabulasi Data Pelatihan ..................................................................... 52 Tabel 4. 7 Tabulasi Data Pengujian .................................................................... 53 Tabel 5. 1 Kriteria Model ANN Terbaik ............................................................. 55 Tabel 6. 1 Kriteria Model ANN Terbaik ............................................................. 62


x Universitas Indonesia

DAFTAR GAMBAR

Gambar 1.1 Model Oprasional Penelitian .......................................................... 7 Gambar 2.1 Peningkatan Akurasi Estimasi ..................................................... 14 Gambar 2.2 Model neuron MCP dengan input terbobot .................................. 20 Gambar 2.3 Perceptron ................................................................................... 21 Gambar 2.4 Model Matematis Sebuah Neuron Dasar ...................................... 21 Gambar 2.5 Model ANN dengan beberapa layer ............................................. 22 Gambar 2.6 Feedback (Recurrent) Network .................................................... 23 Gambar 2.7 Arsitektur Single Layer Feedforward Network ............................ 24 Gambar 2.8 Arsitektur Multilayer Feedforward Network ................................ 25 Gambar 2.9 Arsitektur Recurrent Network ..................................................... 25 Gambar 2.10 Matriks Kerangka Berpikir .......................................................... 32 Gambar 3.1 Matriks Kerangka Berpikir .......................................................... 35

Gambar 4.1 Desain Jaringan Syaraf Tiruan ...................................................... 48

Gambar 4.2 Kinerja Model ANN Terhadap Data Pelatihan ............................. 51 Gambar 4.3 Nilai R Antara Data Aktual (Target) dengan Data Estimasi

(Output) ....................................................................................... 51 Gamar 5.1 Grafik Sensitivitas Tahun vs Biaya ............................................... 58

Gamar 5.2 Grafik Sensitivitas Jarak Lantai vs Biaya ...................................... 59 Gamar 5.3 Grafik Sensitivitas Durasi vs Biaya .............................................. 59

Gamar 5.4 Grafik Sensitivitas Luas vs Biaya ................................................. 60 Gamar 5.5 Grafik Sensitivitas Tinggi Bangunan vs Biaya .............................. 60


xi Universitas Indonesia

DAFTAR LAMPIRAN

Lampiran 1 Kuisioner Lampiran 2 Tabulasi Data Keseluruhan Lampiran 3 Tabulasi Data Input ANN Lampiran 4 Hasil Validasi Output Lampiran 5 Risalah Sidang Skripsi


1 Universitas Indonesia

BAB 1 PENDAHULUAN

1.1 Latar Belakang

Perkembangan proyek konstruksi saat ini banyak memunculkan berbagai

tipe proyek konstruksi. Tipe proyek konstruksi anatra lain berupa bangunan

komersial maupun bangunan untuk fasilitas umum. Dalam melakukan proyek

konstruksi tersebut, sebelumnya owner perlu melakukan suatu estimasi. Estimasi

tersebut berguna sebagai dasar untuk menyediakan biaya untuk mewujudkan

keinginannya tersebut. Tujuan utama dari estimasi adalah untuk mengidentifikasi

kebutuhan sumber daya, durasi dan biaya proyek. Dalam melakukan suatu

estimasi dibutuhkan adanya informasi yang tersedia.

Dalam tahap awal estimasi biaya proyek informasi yang diperlukan

sangatlah terbatas, namun estimasi awal ini merupakan salah satu tahapan yang

paling penting dalam manajemen proyek konstruksi. Keberhasilan suatu proyek

bergantung pada keakurasian estimasi yang dilakukan mulai dari tahap

konseptual. Estimasi biaya tahap konseptual merupakan input fundamental untuk

proses awal decision making suatu proyek. Menurut Wideman R.M. (2001) [1]

Estimasi tahap konseptual adalah tahapan pertama dari suatu proyek dimana

kebutuhan proyek mulai dijelaskan,

Pada tahun 1948, McCulloch dan Pitts telah menemukan suatu metode

yaitu metode Artificial Neural Networks atau biasa disebut dengan sistem jaringan

saraf tiruan yang berkembang pesat dan digunakan dalam berbagai aplikasi. Julian

Bagus (2011) [2] menjelaskan jaringan saraf tiruan ini adalah salah satu sistem

proses informasi yang didesain dengan cara menirukan kerja otak manusia dalam

menyelesaikan 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.

Beberapa peneliti manajemen kontruksi telah banyak menggunakan

teknik jaringan saraf tiruan (Artificial Neural Network) ini kedalam lingkungan

proyek. Beberapa peneliti bahkan menyebutkan hubungan antara penggunaan


2

Universitas Indonesia

teknik ANN dengan akurasi estimasi biaya dapat memperlihatkan kinerja yang

lebih baik dari pada cara-cara tradisional. Salah satu penelitian sebelumnya yaitu

dengan mengestimasi biaya awal bangunan gedung hanya dengan

memperhitungkan biaya pekerjaan struktur dengan menggunakan parameter luas

lantai dan jumlah lantai (Muhamad Abduh, 2006) [3]. Sementara itu, Fortune C

dan Lees, M (1996) [4] menyebutkan bahwa sebagian besar estimasi biaya pada

tahap awal hanya mempertimbangkan komponen fisik bangunan dan ia

menyarankan agar output dari estimasi merupakan biaya pembangunan proyek

secara menyeluruh. Alice E. Smith (1997) [5] menyatakan pemodelan biaya

dengan menggunakan teknik ANN menghasilkan akurasi lebih baik dimana rata-

rata kesalahannya lebih kecil dari multiple regresion. Sang Yong Kim (2005) [6]

menguji berbagai metode dalam pemodelan estimasi biaya tahap awal kontruksi

bangunan gedung dan menyimpulkan metode ANN dapat menghasilkan akurasi

prediksi terbaik dibandingkan dengan case based reasoning.

Dalam data Kemendikbud, angka partisipasi kasar (APK) lulusan SMA

sederajat melanjutkan pendidikan ke jenjang perguruan tinggi menyentuh angka

26 persen. Saat ini, dari 130 perguruan tinggi negeri serta sekitar 2.700 perguruan

tinggi swasta, hanya bisa ditampung sekitar 1,1 juta mahasiswa baru. Sedangkan

jumlah lulusan SMA/SMK/MA sederajat sekitar 2,9 juta orang per tahun. Semen-

tara pertambahan PTS sekitar dua ratus PTS setiap tahun, sedangkan penambahan

PTN hanya lima dalam setahun terakhir, termasuk politeknik. Sehingga

pembangunan gedung-gedung perkuliahan baru akan dilaksanakan mengingat

program Kemendikbud yang menginginkan kenaikan nilai APK.

Adapun tujuan penulisan ini penulis bermaksud mencoba

menyelesaikan kesulitan-kesulitan yang biasa ditemukan pada tahap konseptual

yang umumnya disebabkan oleh kekurangan sejumlah informasi di awal,

kekurangan basis data dari proyek sebelumnya, dan sejumlah ketidakpastian dari

proyek-proyek sebelumnya yang se-tipe dengan menggunakan metode Artificial

Neural Network (ANN) pada suatu proyek kontruksi gedung perkuliahan. Dalam

hal ini penulis juga mencoba membandingkan hasil dari metode ANN dengan

metode yang lain dalam hal ini dengan membandingkan dengan metode analisis

regresi. Dengan adanya perbandingan ini diharapkan dapat menghasilkan


3


peramalan relatif yang lebih akurat dan lebih efisien yang pada akhirnya

bermanfaat sebagai acuan dalam menentukan parameter-parameter estimasi biaya

pada tahap konseptual yang berpengaruh terhadap biaya proyek. Menurut

Phaobunjong, K., dan Popescu, C.M, (2002) [7] parameter-parameter yang

digunakan dalam penelitian tahap konseptual haruslah memiliki sifat-sifat yang

bersifat mudah untuk dikuantifikasi nilainya dan ketersediaan parameter tersebut

pada tahap awal. Untuk itu dengan banyaknya parameter-parameter yg dapat

diindentifikasi sewaktu awal estimasi diharapkan dapat membantu meningkatkan

tingkat akurasi estimasi biaya awal suatu proyek kontruksi gedung yang mana

merupakan suatu langkah awal suksesnya suatu proses estimasi pada proyek

gedung itu sendiri nantinya.

1.2 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.

1.2.1 Deskripsi Masalah

Salah satu hal penting dalam manajemen proyek konstruksi adalah tahap

estimasi awal (conceptual), dimana estimasi biaya pada tahap awal yang efisien

dan lebih akurat merupakan langkah awal dari sukses tidaknya suatu proyek.

Dimana menurut AACE pada tahapan konseptual ini dibuat dengan keterbatasan

informasi pada lingkup proyek dan belum masuk kedalam tahap desain dan

engineering. Adapun menurut AACE tahap konseptual dimulai dari kelas 5

sampai kelas 3. Pada kelas 3 menurut AACE tingkat akurasi diharapkan berada

dalam rentang -20% sampai +30% dari biaya proyek sebenarnya. Maka dari itu

sangatlah diperlukan dilakukan pengembangan-pengembangan metode estimasi

biaya pada tahap konseptual. Tujuannya adalah tidak lain agar tidak terjadi

perbedaan yang terlalu besar antara estimasi biaya konseptual dengan biaya


4


proyek nantinya atau dengan kata lain dapat meningkatkan tingkat akurasi dari

estimasi tahap konseptual.

Ada beberapa metode tradisional dalam mengestimasi, diantaranya

metode analogi, metode unit, dan metode parametric dengan menggunakan regresi

ataupun menggabungkan keduanya. Dalam pengembangannya ternyata metode-

metode tersebut masih mempunyai kekurangan dalam hal kebutuhan

pengembangan dalam bentuk matematik seperti menentukan fungsi biaya yang

cocok dengan data historis yang tersedia. Kesulitan lainnya adalah ketidak

cocokan dalam menjelaskan variabel-variabel dari proyek itu sendiri dan interaksi

diantara variabel-variabel tersebut. Menurut Hardle (1990) ada dua pendekatan di

dalam analisa untuk kurva regresi yaitu dengan pendekatan metode parametrik

dan pendekatan metode non-parametric. Dalam hal ini metode parametrik yang

digunakan berfungsi untuk mengestimasi pola hubungan antara variabel-variabel

Artificial Neural Network (ANN).

1.2.2 Signifikansi Masalah

Banyak penelitian telah membuktikan hubungan yang erat antara biaya

dengan parameter-parameter pembangunan suatu proyek kontruksi (seperti jalan,

gedung, dan pabrik). Seiring dengan meningkatnya kebutuhan akan efisiensi

proyek-proyek kontruksi bangunan lainnya, dalam hal ini proyek gedung

perkuliahan. Perlu juga menghitungkan parameter-parameter desain yang

berkaitan dengan efiesiensi suatu proyek gedung perkuliahan. Parameter-

parameter lain yang secara signifikan juga memiliki korelasi yang erat terhadap

biaya juga diperhitungkan seperti: bentuk gedung, tipe finishing atap gedung, tipe

finishing lantai gedung, tipe material dinding,dll). Penelitian sekripsi ini secara

khusus hanya meninjau parameter-parameter yang memiliki korelasi erat terhadap

biaya konseptual suatu proyek gedung perkuliahan. Dalam hal ini biaya yang

dimaksud adalah biaya total kontrak proyek fisik kontruksi (biaya bangunan).

1.2.3 Rumusan Masalah

Berdasarkan latar belakang di atas, adapun rumusan masalah dalam

penelitian ini antara lain :


5


a. Faktor-faktor apa saja yang berpengaruh terhadap biaya pembangunan

kontruksi gedung perkuliahan?

b. Bagaimana membuat suatu model berdasarkan faktor-faktor yang berpengaruh

terhadap biaya pembangunan kontruksi gedung dengan menggunakan metode

ANN dalam rangka meningkatkan akurasi estimasi biaya konseptual?

1.3 Tujuan Penelitian

Adapun tujuan penelitian ini adalah :

a. Mengindentifikasi faktor-faktor yang berpengaruh terhadap biaya

pembangunan kontruksi gedung perkuliahan.

b. Membuat model estimasi biaya kontruksi pada tahap konseptual dengan

metode ANN.

1.4 Batasan Masalah

Adapun batasan masalah di dalam penelitian yang dilakukan ini adalah

pada hal-hal berikut :

a. Sampel penelitian difokuskan pada proyek-proyek gedung perkuliahan umum.

b. Adapun yang dimaksud parameter biaya konseptual kontruksi disini adalah

parameter-parameter biaya dari bentuk fisik bangunan (Total biaya kontruksi

bangunan diluar biaya pembebasan lahan, perhitungan harga tanah, pajak,

pemeliharaan, perbaikan gedung dan finansial lainnya, dan lain-lain).

1.5 Manfaat Penelitian

Sesuai dengan maksud dan tujuan penelitian, adapun manfaat penelitian

ini untuk memberikan konstribusi antara lain :

a. Kepada diri penulis secara pribadi.

b. Survey dan penelitian ini diharapkan dapat memberikan gambaran

pembelajaran terhadap pihak akademis tentang aplikasi pemakaian teknik

jaringan saraf tiruan/ Artificial Neural Network (ANN) terhadap estimasi

biaya awal dan dapat memberikan gambaran parameter-parameter apa sajakah

yang berhubungan erat dengan biaya pada tahap estimasi awal pada proyek

gedung yang dapat meningkatkan performance dari estimasi biaya awal.


6


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 lainnya, menghasilkan peramalan

relatif yang lebih akurat dan lebih efisien yang pada akhirnya bermanfaat

sebagai acuan dalam menentukan parameter-parameter estimasi biaya pada

tahap konseptual yang merupakan langkah awal dari sukses suatu proses

estimasi proyek itu sendiri.


7


1.6 Model Oprasional Penelitian

Gambar 1.1 Model Oprasional Penelitian

Sumber: Hasil Olahan


8


1.7 Keaslian Penelitian

Adapun beberapa penelitian yang terdahulu yang relevan dengan

penelitian ini dan dapat dijadikan sebagai referensi, antara lain sebagai berikut :

a. Phaobunjong, K. (2002). “Parametric Cost Estimating Model for Conceptual

Estimating of Building Construction Projects “, 2002

Maksud dan Tujuan Penelitian: Penelitian ini menjelaskan teori-teori yang

berhubungan dengan estimasi biaya dan estimasi biaya pada tahap konseptual,

penyusunan estimasi serta pemodelan estimasi biaya konseptual dengan

metode parametric.

Kesimpulan: Dalam model estimasi biaya yang dikembangkan bahwa

parameter seperti jumlah lantai dan rasio penggunaan bangunan merupakan

variable yang signifikan dalam membentuk pemodelan biaya kontruksi

bangunan dalam dollar per square foot. Rasio penggunaan bangunan

diindentifikasi merupakan predictor yang paling berpengaruh dalam estimasi

biaya satuan bangunan. Hasil pemodelan menunjukkan bahwa 72% dari data

proyek menunjukkan deviasi biaya kurang dari 20% dan deviasi biaya lebih

besar dari 40% dari actual data muncul sebanyak 7%.

b. Julian Bagus “Permodelan Estimasi Biaya Konseptual Pada Proyek

Konstruksi Bangunan Pabrik Dengan Teknik Jaringan Syaraf Tiruan”

Tujuan Penelitian: Mengindentifikasi faktor-faktor yang berpengaruh terhadap

biaya pembangunan kontruksi bangunan pabrik. Membuat model estimasi biaya

kontruksi pada tahap konseptual dengan metode ANN.

Kesimpulan: Berdasarkan hasil analisis, temuan-temuan, pembahasan serta

interpretasi terhadap penelitian ini, maka dengan hasil yang ada dapat ditarik

kesimpulan sebagai jawaban dari rumusan masalah sebagai berikut :

a) Adapun faktor-faktor yang cukup berpengaruh terhadap biaya

pembangunan kontruksi pabrik adalah: Tahun pelaksanaan, Lokasi pabrik,

Durasi (hari), Luas bangunan pabrik, Jumlah tingkat bangunan, Tinggi

Pabrik, Bentuk Topografi, Tipe Bangunan Pabrik, Tipe Pondasi, Tipe

Rangka Atap pabrik, Tipe material Dinding pabrik, Tipe Finishing Atap

pabrik dan Tipe Finishing Lantai pabrik.

b) Hasil estimasi keluaran sistem prototipe mampu memprediksi besaran

biaya kontruksi lebih baik untuk data proyek baru dengan rata-rata tingkat


9


kesalahan estimasi sebesar -15.60 % dibanding keluaran regresi SPSS 17.0

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 sistem

prototipe estimasi biaya konseptual yang dibuat dapat diterima.



BAB 2 TINJAUAN PUSTAKA

2.1 Pendahuluan

Pada saat ini penggunaan computer sebagai media pembantu sangat

berkembang. Penggunaan berbagai softwere makin banyak digunakan untuk

mempermudah proses perhitungan. Salah satu penelitian yang sedang

dikembangkan oleh peneliti adalah sistem kerja jaringan saraf tiruan manusia

(Neural Network Sistem) yang muncul sebagai inspirasi untuk menyelesaikan

berbagai masalah-masalah yang timbul. Dalam perkembangannya para ahli

mencoba untuk menggantikan sistem otak manusia ke dalam sistem komputer.

Diharapkan kerja sistem komputer yang lebih cepat, lebih teliti dan akurat.

Salah satu metode yang sedang berkembang untuk melakukan estimasi

terhadap biaya adalah adalah dengan teknik jaringan saraf tiruan atau Artificial

Neural Network/ ANN. Metode ini ditemukan pertama kali oleh McCulloch dan

Pitts tahun 1948.ANN (Artificial Neural Network) merupakan salah satu satu

sistem pemrosesan informasi yang disetting untuk menirukan sistem cara kerja

otak manusia dalam menyelesaikan masalah dalam hal ini estimasi awal biaya

yang minim akan informasi dan data. Pada bab ini akan dipaparkan dasar-dasar

teori yang menjadi landasan dan mendukung penelitian mengenai estimasi tahap

konseptual bangunan gedung perkuliahan di perkuliahan dengan metode ANN.

2.2 Estimasi Biaya Dan Akurasi Biaya Proyek

2.2.1 Estimasi Biaya Proyek

Menurut National Estimating Society (USA) “Estimasi Biaya adalah

Seni memperkirakan (The art of approximating) kemungkinan jumlah biaya yang

diperlukan untuk suatu kegiatan yang didasarkan atas informasi yang tersedia

pada waktu itu”. Menurut AACE (American Association of Cost Engineering).

Estimasi biaya merupakan area dari kegiatan engineering dimana pengalaman dan

pertimbangan teknis dipakai dalam mengaplikasikan ilmu pengetahuan khususnya

masalah perkiraan biaya dan pengendalian biaya (Imam Suharto, 1995) [7].

Menurut Mr. Christopher, (2006) [8] keakuratanestimasi biaya

tergantung pada keahlian dan pengalaman estimator dalam menganalisa rencana


11


proyek yang minim akan informasi dan data. Sedangkan Menurut Pratt, (1995)

fungsi dari estimasi biaya dalam industri konstruksi adalah:

a. Untuk melihat apakah perkiraan biaya konstruksi dapat terpenuhi dengan

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

Akurasi dari suatu estimasi merupakan suatu indikasi dari tingkatan dari

perkiraan biaya terhadap realisasi biaya proyek yang dikeluarkan pada saat proyek

selesai (Dysert, 2002). Menurut Dysert (2005) [9] estimasi biaya merupakan

prediksi biaya-biaya yangmungkin terjadi dari suatu proyek dengan ruang lingkup

yang sudah diberikan dan didokumentasikan, di mana proyek harus diselesaikan

pada lokasi yang telah ditentukan dan waktu yang ditetapkan.

2.2.2 Akurasi Estimasi Biaya

Dalam tahapan pra-rencana, owner perlu melakukan perkiaraan biaya

yang akan dikeluarkan, sehingga owner mengetahui dana proyek yang dibutuhkan

dan mempunyai gambaran nilai proyek sesuai dengan kualitas bangunan yang

diinginkan. Saat tahapan estimasi biaya konstruksi dilakukan, diharapkan dengan

tersedianya data dan informasi yang memadai, faktor risiko dan ketidakpastian

terkait dengan biaya konstruksi dapat diantisipasi lebih awal dan biaya

realisasipun tidak jauh berbeda dengan apa yang telah diprediksikan, atau tingkat

akurasi lebih tinggi. AACE mengklasifikasi tingkat akurasi dalam setiap tahap

estimasi sebagai berikut :

\


12


Tabel 2.1 Matriks Klasifikasi Estimasi AACE

Caracteristic Secondary Charaterictic

Estimate

Class

Level of

Project

definiton

(Expressed as

% of complete

definition)

End Usage

(Typical

purpose of

estimate)

Methodolgy

(Typical

estimating

method)

Expected

Accuracy

Range

(Typical low

and high

range)(a)

Preparation

Effort

(Typical of

degree effort

relative to

least cost

index)(b)

Class 5 0 % to 2 % Concept

screenning

Capacity

Faktored,

Parametric

models,

judgment or

analogy,

L -20% to -

50%

H + 30% to +

100%

1

Class 4 1 % to 10% Study or

Feasibility

Equipment

faktor and

parametric

models

L -15% to -

30%

H +20% to

+50%

2 to 4

Class 3 10% to 40% Budget,

Authoration

or control

Semi-detailes

unit cost with

Assembly level

line items

L -10% to -

20%

H +10% to

+30%

3 to 10

Class 2 30% to 70% Control or

Bid tender

Detailes unit

cost with

forced detailed

take off

L -5% to -

15%

H +5% to

20%

4 to 20

Class 1 50% to 100% Check

estimate or

bid tender

Detailes unit

cost with

detailed take

off

L -3% to -

10%

H +3% to

+15%

5 to 100

Sumber : AACE International Recommended Practice No.18R-97


13


Akurasi dari estimasi biaya semakin meningkat dengan banyaknya

informasi yang ada, yaitu dari kelas 5 (tahap perencanaan, feasibility atau

screening) menuju ke kelas 1 (tahap check estimate atau bid/tender) (Kul B.

Uppal, PE. 2002) [10]. Dimana pada tahap 1 (class 5) tingkat akurasi menurut

AACE range low berkisar -20% sampai -50%. Estimasi biaya proyek yang

adapada tahap ini dilakukan sebelum sejumlah informasi yang signifikan

diberikan dari detail desain yang belum lengkap. Dasar perhitungan biaya/harga

dari conceptual estimate berasal dari perhitungan detail proyek sebelumnya, (data

historical) yang kemudian digabungkan menjadi paket-paket pekerjaan (work

packages). Dalam hal ini tersedianya data base yang menyimpan data-data proyek

sebelumnya berupa perhitungan biaya proyek, bentuk desain, dan lain-lainakan

banyak membantu dalam proses conceptual estimate. Pada tahap Feasibility study

(class 4) pada tahap ini tingkat akurasi mempunyai range low -15% sampai 30%.

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, dan

biasanya pemilik proyek hanya mempertimbangkan perhitungan harga tanah,

desain, pajak, pemeliharaan, perbaikan gedung, dan lainnya.

Pada tahap semi detailed estimated (class 3) menurut AACE mempunyai

range low -10% sampai -20%. Pada tahap detail estimate (class 2) dalam tahap ini

hal ini informasi yang didapatkan sudah lengkap menurut AACE mempunyai

tingkat akurasi yang semakin meningkat tingkat ketidakakuratannya mencapai -

5% sampai 15%, mengingat dimana sudah banyak informasi yang sudah

diperoleh. Pada tahap ini informasi proyek yang diperlukan untuk pelaksanaan

secara detail sudah didapat.


14


Gambar 2.1 Peningkatan Akurasi Estimasi Menurut AACE Sesuai Tingkatan Definisi Proyek

Sumber: Dysert (2006)

2.3 Definisi Estimasi Biaya Tahap Konseptual

Estimasi biaya tahap konseptual merupakan input fundamental untuk

proses awal decision making suatu proyek. Estimasi tahap konseptual adalah salah

satu dari outputperencanaan biaya awal dan merupakan salah satu bagian

informasi terpenting. 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. Tersedianya data base berupa perhitungan biaya proyek

sebelumnya akan membantu proses conceptual estimate sehingga dalam

penyajiannya dihasilkan yang terbaik dan selengkap mungkin. Pada tahap ini

perhitungan dapat berubah dan dapat dilakukan revisi berulang kali. Dalam hal ini

perkiraan estimasi awal ini hanya didasarkan pada beberapa data yang sangat

minim atau hanya berdasarkan pengalaman proyek-proyek se-tipe yang

sebelumnya. Estimasi konseptual pada suatu proyek kontruksi harus diperkirakan

sebelum adanya estimasi yang lebih detail, untuk menetapkan besarnya

kemungkinan biaya pada suatu proyek dan kelanjutan proyek tersebut. Kualitas


15


suatu estimasi biaya proyek tergantung pada tersedianya data dan informasi, serta

kecakapan dan pengalaman estimator. Tersedianya data dan informasi memegang

peranan penting dalam hal kualitas estimasi awal biaya proyek yang dihasilkan.

Menurut AACE pada tahapan konseptual ini dibuat dengan keterbatasan informasi

pada lingkup proyek dan belum masuk kedalam tahap desain dan engineering.

Adapun menurut AACE tahap konseptual dimulai dari kelas 5 sampai kelas 3

adapun akurasi dalam estimasi konseptual diharapkan berada pada rentang -20%

sampai +30% dari biaya proyek sebenarnya yang masuk dalam kelas 4. Menurut

Larry Dysert, (2006) [11] satu definisi mengenai estimasi adalah nilai yang

diharapkan dari persamaan yang komplex dari variabel yang memiliki range . Pada

tahapan pre-design atau penganggaran, estimasi yang akurat akan membantu

dalam menentukan apakah proyek layak atau tidak untuk diteruskan.

Faktor-faktor informasi sangatlah penting untuk mengestimasi biaya

pada tahap awal, diperlukan juga suatu informasi tambahan yang dapat

mempengaruhi kualitas estimasi awal itu sendiri. Berikut sumber-sumber data

tambahan menurut Larry Dysert (1999)[12] yang diperlukan estimator untuk

mempermudah estimasi biaya pada suatu proyek :

a. Sumber data kebutuhan (Resource requirements) : sebuah gambaran dari

pemilik untuk pemenuhan request type suatu jenis kualitas (seperti : Material

finishing atap , apakah menggunakan atap dak beton atau genteng).

b. Sumber data tarif/kurs (Resource rates): Sumber-sumber data yang

menyimpan catatan penting tentang adanya perhitungan tarif atau peningkatan

kurs.

c. Perhitungan jangka waktu aktifitas (Activity information): Perhitungan

perkiraan jangka waktu pelaksanaan proyek itu dimulai dan diselesaikan.

d. Sumber-sumber data terdahulu (Historical information):

a) File-file proyek terdahulu yang mengarsipkan data-data penting seperti

perkiraan biaya, jumlah pekerja, dll.

b) Perhitungan dasar biaya proyek.

c) Pengetahuan/pengalaman tim proyek : catatan-catatan individu dari tim

proyek yang dapat mengingat perhitungan dan perkembangan dari proyek

yang lalu. Seperti halnya rekoleksi yang dapat dipakai pemilik akan


16


menghasilkan suatu tim yang lebih jauh dapat dipercaya dalam mengelola

proyek nantinya.

Sedangkan menurut PhaoBujong, (2002) Informasi tambahan lainnya

yang dapat memberikan referensi kepada seorang estimator mengenai langkah

awal atau alternatif-alternatif untuk memperoleh gambaran biaya adalah detail

pendukung. Detail pendukung tersebut adalah:

a. Deskripsi lingkup pekerjaan proyek yang diestimasi.

b. Dokumentasi dari dasar penentuan untuk estimasi.

c. Dokumentasi untuk setiap asumsi metode, alternatif-alternatif yang akan

digunakan.

2.4 Artificial Neural Network (Ann)

2.4.1 Definisi ANN

ANN sederhana pertama kali diperkenalkan oleh Warren McCulloch dan

Walter Pitts pada tahun 1943. Merekamenyebutkan ANN adalah salah satu sistem

proses informasi yang didesain untuk menirukan cara kerja otak manusia dalam

menyelesaikan masalah, yaitu dengan melakukan proses belajar melalui

perubahan bobot sinapsisnya. McCulloch dan Pitts menyimpulkan kombinasi

beberapa neuron sederhana menjadi sistem neural yang akan meningkatkan

kemampuan komputasinya. Bobot dalam jaringan yang diusulkan oleh McCulloch

dan Pitts diatur untuk melakukan logika sederhana. Fungsi aktifasi yang dipakai

adalah fungsi threshold. Akan tetapi, keterbatasan teknologi pada saat tersebut

menyebabkan penggunaan yang sangat terbatas dari metode ini.

ANN adalah salah satu teknik Artificial Intelligenceyang merupakan bagian

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. Hojjat Adeli dan Mingyang Wu

(1998) [13] menjelaskan, 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. Jaringan

syaraf tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh


17


sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi.

Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari sistim

pemrosesan informasi.Jaringan syaraf tiruan, seperti manusia, belajar dari suatu

contoh. Jaringan syaraf tiruan dibentuk untuk memecahkan suatu masalah tertentu

seperti pengenalan pola atau klasifikasi karena proses pembelajaran.

Seyed Hossein Iranmanesh dan Mansoureh Zarezadeh (2008) [14], ANN

adalah Sebuah jaringan neural yang terbentuk turunan dari Artificial Intelegence

(AI) yang sedang diterapkan dalam pengaturan industrial yang dimulai dari sistem

pengendalian ke robot. Ian flood (2006) [15], Pendekatan yang berbeda untuk AI

dari teknik tradisional seperti sistem pakar dengan mencoba untuk meniru

mekanisme yang otak manusia memanipulasi data dan mencapai keputusan.

Menurut Bina R. Setyawati (2002) [16], Neural Network merupakan sebuah

prosesor yang terdistribusi paralel dan mempuyai kecenderungan untuk

menyimpan pengetahuan yang didapatkannya dari pengalaman dan membuatnya

tetap tersedi auntuk 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

merupakansalah 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 Bina R.

Setyawati (2003) [17]. Elemen yang paling mendasar dari jaringan syaraf adalah

sel syaraf. Sel-selsaraf inilah membentuk bagian kesadaran manusia yang meliputi

beberapa kemampuan umum.

Beberapa Sifat dan kelebihan ANN menurut Wassermann (1989), Gallant

(1988), dan Castelaz(1987), sebagai berikut :

a. Belajar Adaptif


18


ANN memiliki kemampuan untuk belajar bagaimana melakukan tugas yang

didasarkan pada data yang diberikan untuk pelatihan atau pengalaman awal.

melalui contoh, tidak sepertiexpert sistems, belajar dari banyak pola contoh

pelatihan dan asosiasinya misalnya output yangditentukan. Contoh pelatihan

ini dapat dihasilkan dari ahli tanpa kebutuhan untuk meminta, bagaimana

ataupun mengapa sehingga sampaipada 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 unsuper vised learning. ANN mampu mendistribusikan memori; bobot

koneksi merupakan unitmemori 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 duacara: (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. Satu kumpulan bobot

jaringan berkemampuan merepresentasikan ruang yangbesar dari pola yang

disimpan.

Peter rosini (2000) [18] menyebutkan ANN adalah sistem selular fisik yang

dapat memperoleh, menyimpan dan menggunakan pengetahuan yang didapatkan

dari pengalaman. 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. Menurut


19


D. –S. Jeng (2003) [19], ANN cocok digunakan untuk pemecahan masalah tentang

penentuan estimasi biaya, prediksi ataupun peramalan. Berkat bentuk arsitekturnya

yang dapat menerima, mengolah dan mengeluarkan berbagai variabel secara

bersamaan, ANN dapat diaplikasikan pada sebuah sistem multivariable. Selain itu

dengan menvariasikan jumlah layer dari ANN, maka metode ini dapat digunakan

baik untuk sistem linear maupun non linear.

2.4.2 Konsep Dasar Model Neuron

Jong Jek Siang (2004) [20] Jaringan Syaraf Tiruan keluar dari penelitian

kecerdasan buatan, terutama percobaan untuk menirukan fault-tolerence dan

kemampuan untuk belajar dari sistem syaraf biologi dengan model struktur low-

level dari otak. Otak terdiri dari sekitar (10.000.000.000) sel syaraf yang saling

berhubungan. Sel syaraf mempunyai cabang struktur input (dendrites), sebuah inti

sel dan percabangan struktur output (axon). Axon dari sebuah sel terhubung

dengan dendrites yang lain melalui sebuah synapse. Ketika sebuah sel syaraf aktif,

kemudian menimbulkan suatu signal electrochemical pada axon. Signal ini

melewati synapses menuju ke sel syaraf yang lain. Sebuah sel syaraf lain akan

mendapatkan signal jika memenuhi batasan tertentu yang sering disebut dengan

nilai ambang atau (threshold). 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 (dan juga model jaringan yang

terbentuk).

b. Suatu unit penjumlah yang akan menjumlahkan input-input sinyal yang sudah

dikalikan dengan bobotnya. Misalnya X1.. X2…,Xm adalah unit- unit input dan

Wj1 , Wj2 .. Wjm adalah bobot penghubung dari unit-unit keluaran Yj , maka

unit penjumlah akan memberikan keluaran sebesar U = X1 Wj1 + X2 Wj2 + ..

+ Xm Wjm

c. Fungsi aktifasi yang akan menentukan apakah sinyal dari input neuron akan

diteruskan ke neuron lain atau tidak.


20


Dapat disimpulkan bahwa neuron/sel saraf adalah sebuah unit proses

informasi yang merupakan dasar operasi jaringan saraf 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 (Christos dan Dimitri, 1996).

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 (1940).

Gambar 2.2 Model neuron MCP dengan input terbobot

Sumber : McCulloch and Pitts (1940).

Sebuah model untuk meningkatkan performa dari MCP model

diperkenalkan oleh Frank Rosenblatt pada masa 60-an. Ia menambahkan pre-

processing pada input sebelum dikalikan bobotnya dan memasuki proses

perhitungan output (Christos dan Dimitri, 1996).


21


Gambar 2.3 Perceptron

Sumber : Christos dan Dimitri, 1996.

Dengan menambahkan bias dan fungsi transfer pada setiap neuron, maka

didapatkan bentuk dasar matematis sebuah neuron sebagai berikut:

Gambar 2.4 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 (Jerzy Moncincki, 1995).

2.4.3 Arsitektur Jaringan


22


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 neurondalam

ANN mengikuti pola tertentu tergantungpada arsitekturnya dan berhubungan

dengan algoritma pembelajaran yangdigunakan untuk melatih network.

Pada umumnya sebuah jaringan ANN memiliki 3 buah layer, yaitu:

a. Layer input

b. Layer tersembunyi dimana terjadi pengolahan data input

c. Layer output

Gambar 2.5 Model ANN dengan beberapa layer

Sumber : Jerzy Moncincki, (1995)

Berikut model ANN Jerzy Moncincki, (1995) dimana layer 1 adalah layer


23


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

type (Christos dan Dimitri, 1996) :

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

berkesinambungan. Jaringan ini memiliki performs yang lebih baik karena

melakukan koreksi error yang terjadi.

Gambar 2.6 Feedback (Recurrent) Network

Sumber : Jerzy Moncincki, (1995)

Sedangkan Haykin, (1999) [21] mengklasifikasikan arsitektur ANN menjadi 3

jenis jaringan yaitu :

a. Jaringan Layar Tunggal (Single Layer Feed forward Networks)

Dalam jaringan ini, sekumpulan input neuron dihubungkan langsung dengan

sekumpulan outputnya. Jaringan dengan lapisan tunggal hanya memiliki satu


24


lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input

kemudian secaralangsung akan mengolahnya menjadi output tanpa harus

melalui hidden layer dan tidak berlaku sebaliknya. Dengan kata lain, ciri-ciri

dari arsitektur ANNdengan lapisan tunggal adalah hanya terdiri dari satu

lapisan input dan satu lapisan output, tanpa hidden layer dan bergerak dari

lapisan input ke output (feedforward).

Gambar 2.7 Arsitektur Single Layer Feedforward Network

Sumber : Haykin,(1999)

b. Jaringan Layar Jamak (Multilayer Feed forward Network)

Jaringan layar jamak merupakan perluasan dari layar tunggal. Dalam jaringan

ini, selain unit input dan output, ada unit-unit lain (yang sering disebut dengan

layar tersembunyi). Jaringan layar jamak dapat menyelasikan masalah yang

lebih kompleks dibandingkan dengan layar tunggal, meskipun kadangkala

proses pelatihan lebih kompleks dan lama. Umumnya, ada lapisan bobot-bobot

yang terletak antara dua lapisanyang bersebelahan.


25


Gambar 2.8 Arsitektur Multilayer Feedforward Network


c. Jaringan Recurrent (Recurrent Networks)

Model jaringan reccurent mirip dengan jaringan layar tunggal ataupun ganda.

Hanya saja, neuron output yang memberikan sinyal ada unit input sering

disebut feedback loop. Jaringan ini mempunyai arsitektur yang berbeda di

mana neuron saling dihubungkandan sekurang-kurangnya mempunyai satu

feedback loop.

Gambar 2.9 Arsitektur Recurrent Network


2.4.4 ANN Back Propagation

Kelemahan JST yang terdidri dari layar tunggal membat perkembangan

JST menjadi terhenti pada sekiar tahun 1970 an. Penemuan back propagation

yang terdiri dari bebrapa layar membuka kebali cakrawala. Terlebih setelah

berhasil ditemukanya berbagai aplikasi yang dapat diselesaikan dengan back


26


propagation, membuat JST semakin diminati orang. JST dengan layar tunggal

memliki keterbatasan dalam pengenalan pola. Kelemahan ini bisa ditanggulangi

dengan menambahkan satu atau beberapa layar tersembunyi diantara layar

masukan dan keluaran. Meskipun penggunaan dalam satu layar tersembunyi

memiliki kelebihan manfaat untuk beberapa kasus, tapi pelatihannya memerlukan

waktu yang lama. Maka umumnya orang memulai mencoba dengan sebuah layer

tersembunyi lebih dahulu. Seperti halnya model JST lain, back propagation

melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan

untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan

untuk memberian respon yang benar terhadap pola yang serupa dengan pola yang

dipakai selama pelatihan.

2.4.4.1 Arsitektur Back Propagation

Back propagation memiliki beberpa unit yang ada dalam satu atau lebih

layar tersembunyi. Arsitektur back propagation dengan n buah masukan

(ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit

(ditambah sebuah bias), serta m buah unit keluaran. vji merupakan bobot garis dari

unit masukan xi ke unit layar tersembunyi zj (vj0 merupakan bobot garis yang

meghubungkanbias diunit masukan ke unit layar tersembunyi zj). wkj merupakan

bobot darinit layar tersembunyi zj ke yunit keluaran yk ( wk0 merupakan bobot dari

bias di layar tersembunyi ke unit keluaran zk).

2.4.4.2 Pelatihan standar back propagation

Pelatihan back propagation meliputi tiga fase. Fase pertama adalah fase

maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar

keluaran menggunakan fungsi aktivasi yang ditentukan.Fase kedua adalah fase

mundur. Selisih antara keluaran jaringan dengan target yang diinginkan

merupakan kesalahan yang terjadi. Kesalahan tersebut di propagasikan mundur,

dimulai dari garis yang berhubungan langsung dengan unit-unit layar

keluaran.fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang

terjadi.

a. Fase I: Propagasi Maju


27


Selama propagasi maju, sinyal masukan (= xi) dipropagasikan ke layar

tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari

setiaa unit layar tersmbunyi (= zi) tersebut selanjutnya dipropagasikan maju

lagi ke layar tersembunyi di atasnya mengunakan fungsi aktivasi yang

ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan (=

yk). Berikutnya, keluaran jaringan (= yk) dibandingkan dengan target yang

harus dicapai (= tk). Selisih tk – yk adalah kesalahan yang terjadi. Jika

kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi

dihentikan. Akan tetapi apabila kesalahan masih lebih besar dari batas

toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk

mengurangi kesalahan yang terjadi.

b. Fase II: Propagasi Mundur

Berdasarkan kesalahan tk – yk, dihitung faktor δk (k = 1,2,...,m) yang dipakai

untuk mendistribuskan kesalahan diunit yk ke semua unit tersembunyi yang

terhubung langsung dengan yk. δk juga dipakai untuk mengubah bobot garis

yang berhubungan dengan unit keluaran. dengan cara yang sama dihitung

faktor δj disetiap unit layar tersembunyi sebagai dasar perubahan bobot semua

garis yang berasl dari unit tersembunyi di layar di bawahnya. Demikian

seterusnya ingga semua faktor δ di unit tersembunyi yang berhubungan

langsung dengan unit masukan dihitung.

c. Fase III: Perubahan bobot

Setelah semua faktor δ digitung, bobot semua garis dimodifikasi

bersamaan.Perubahan bobot suatu garis didasarkan atas faktor δ neuron di

layar atasnya.Sebagai contoh, perubaan bobot garis yang menuju ke layar

keluaran didasarkan atas δk yang ada diunit keluaran.

Ketiga fase tersebut diulang-ulangterus hingga kondisi penghentian

dipenuhi.Umumnya kondisi penghetian yang sering dipakai adalah jumlah

iterasi atau kesalahan. Iterasi akan dihentikan jika jumlahiterasi yang

dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau

kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan.


28


2.5 Gedung

2.5.1 Definisi

Menurut UURI No. 28/2002, bangunan gedung adalah wujud fisik hasil

pekerjaan konstruksi yang menyatu dengan tempat kedudukannya, sebagian atau

seluruhnya berada di atas dan/atau di dalam tanah dan/atau air, yang berfungsi

sebagai tempat manusia melakukan kegiatannya, baik untuk hunian atau tempat

tinggal, kegiatan keagamaan, kegiatan usaha, kegiatan sosial, budaya, maupun

kegiatan khusus. Dalam UU tersebut, bangunan gedung diklasifikasikan

berdasarkan fungsinya. Berdasarkan Permen PU no. 45 tahun 2007, Bangunan

Gedung Negara adalah bangunan gedung untuk keperluandinas yang

menjadi/akan menjadi kekayaan milik negara seperti: gedung kantor, gedung

sekolah, gedung rumah sakit, gudang, dan rumah negara, dan diadakan dengan

sumber pembiayaan yang berasaldari dana APBN, dan/atau perolehan lainnya

yang sah. Dalam pembangunanya, ada beberapa faktor yang mempengaruhi biaya

dari konstruksi gedung. Dlam Permen PU Pembiayaan pembangunan bangunan

gedung negara digolongkan pembiayaan pembangunan untuk pekerjaan standar

(yang ada standar harga satuan tertingginya) dan pembiayaan pembangunan untuk

pekerjaan non-standar (yang belum tersedia standar harga satuan tertingginya).

Standar Harga Satuan Tertinggi merupakan biaya per-m2 konstruksi fisik

maksimum untuk pembangunan bangunan gedung negara, khususnya untuk

pekerjaan standar bangunan gedung negara, yang meliputi pekerjaan struktur,

arsitektur, finishing dan utilitas bangunan gedung negara. Sedangkan bagi

pekerjaan Non Standar ada perhitungan biayanya tersendiri. Berikut komponen

pekerjaan standar bangunan gedung negara untuk klasifikasi bangunan sederhana

menurut Peraturan Menteri Pekerjaan Umum No. 45/PRT/M/2007:

Tabel 2.2 Komponen Pekerjaan Standar Bangunan Gedung Negara

No Komponen % Komponen Pekerjaan

1 Pondasi 5% - 10%

2 Struktur 25% - 35%

3 Lantai 5% - 10%

4 Dinding 7% - 10%


29


Tabel 2.2 (Sambungan)

No Komponen % Komponen Pekerjaan

5 Plafond 6% - 8%

6 Atap 8% - 10%

7 Utilitas 5% - 8%

8 Finishing 10% - 15%

Sumber : Peraturan Menteri Pekerjaan Umum No. 45/PRT/M/2007

Dari Tabel 2.2 di atas, hanya dijelaskan tentang komponen pekerjaan

standar beserta presentasenya saja. Untuk komponen pekerjaan pada level

berikutnya tidak dijelaskan lebih lanjut dalam Peraturan Menteri Pekerjaan Umum

No. 45/PRT/M/2007. Untuk pekerjaan non standar bangunan gedung negara,

besarnya biaya untuk pekerjaan tersebut dihitung berdasarkan rincian volume

kebutuhan nyata dan harga pasar yang wajar serta pajak-pajak yang berlaku,

dengan terlebih dahulu berkonsultasi dengan instansi teknis setempat (Dinas

Bangunan). Komponen Pekerjaan non standar adalah pekerjaan khusus

kelengkapan bangunan seperti peralatan lift, peralatan tata udara, generator,

pompa listrik, penanggulangan kebakaran dan serangga, peralatan telepon,

penangkal petir, dan lain-lain.

Tabel 2.3 Komponen Pekerjaan non Standar Bangunan Gedung Negara

No Jenis Pekerjaan Prosentase

1 Alat pengkodiasian Udara 10-20%

2 Elevator/Escalator 8-12%

3 Tata Suara (sound system) 3-6%

4 Instalasi IT 6-11%

5 Elektrikal(genset) 7-12%

6 Sistem Penangkal petir 2-5%

7 Interior 15-25%

8 anti rayap 1-3%


30



No Jenis Pekerjaan Prosentase

9 sarana/prasarana 3-8%

10 Sistem proteksi kebakaran 7-12%

Sumber : Peraturan Menteri Pekerjaan Umum No. 45/PRT/M/2007

2.5.2 Faktor yang mempengaruhi Biaya Pembangunan Gedung

Biaya pembangunan gedung sangat dipengaruhi oleh beberapa faktor.

Beberapa faktor seperti lokasi, desain, waktu,dan lain-lain (AIA: 2007). AIA

(American International Architect’s) menjelaskan secara rinci faktor apa saja yang

mempengaruhi biaya konstruksi gedung antara lain:

a. Faktor Lokasi

a) Lokasi geografis.

Biaya konstruksi akan dipengaruhi oleh beberapa faktor seperti iklim,

kebutuhan kenyamanan, akses gedung, peraturan wilayah.

b) Kondisi Tanah

Beberapa kondisi tanah yang mempengaruhi adalah nilai CBR, jenis tanah,

letak muka air tanah, dan kondisi eksisting lokasi (ada tidaknya pondasi

lama dan lain-lain).

b. Faktor desain

a) Bentuk bangunan

Bentuk bangunan mengindikasikan tingkat kompleksitas bangunan.

b) Luas bangunan

AIA menyebutkan luas bangunan mempengaruhi karenasemakin luas

bangunan maka utilitas yang dibutuhkan akan semakin banyak, seperti

AC, elevator, dan lain-lain.

c) Tinggi bangunan

Seperti halnya luas bangunan, semakin tinggi gedung maka utilitas yang

diperlukan akan semakin banyak.


31


d) Tinggi Lantai

Semakin tinggi jarak antara lantai ke lantai maka semakin tinggi biaya

yang dikeluarkan. AIA menyebutkan jika kita mengurangi tinggi perlantai

maka kemungkinan kita akan mengurangi 2,5% - 3,5% dari biaya

keseluruhan.

e) Utilitas

Utilitas yang dimaksud adalah pelengkap dari gedung tersebut seperti AC,

lift, pemadam kebakaran, dan lain-lain.

c. Faktor Kualitatif

Kualitatif faktor disini adalah performa dari gedung tersebut seperti estetika

bangunan.

d. Faktor Konstruksi

Faktor konstruksi yaitu menyangkut pelaksanaan teknis dilapangan berupa

metode konstruksi, jenis kontrak.

e. Faktor Waktu

Percepatan dalam proyek sering kali terjadi sehingga menyebabkan adanya

over budget.Waktu juga berpengaruh dalam cuaca, apakah bekerja pada

musim hujan atau musim kemarau. Dalam sumber yang lain (Phaobunjong

(2002) menuliskan beberapa parameter komponen biaya gedung, antara lain:

Tabel 2.4 Parameter cost komponen

Parameter Gedung Komponen biaya yang berhubungan

1. Pekerjaan sub struktur a. Pondasi

b. Basement

2. Pekerjaan lantai a. Tipe finishing lantai

3. Pekerjaan Atap a. Tipe struktur atap

b. Tipe atap

4. Pekerjaan dinding a. Tipe finishing dinding

b. Jenis Dinding

5. Pekerjaan Interior a. Kelengkapan interior gedung

6. Total scope pekerjaan a. Lantai

b. Atap

c. Pekerjaan mechanical


32



Parameter Gedung Komponen biaya yang berhubungan

7. Transportasi gedung a. Elevator

Sumber : Phaobunjong (2002)

2.6 Kerangka Berpikir

Gambar 2.10 Matriks Kerangka Berpikir

Sumber : Hasil Olahan

2.7 Hipotesa Penelitian

Berdasarkan literatur teori-teori yang berhubungan dengan permasalahan

serta penelitian yang relevan sebelumnya mengenai penggunaan ANN dalam

estimasi biaya konstruks imaka dapat ditarik hipotesis penelitian yaitu penggunaan

Teknik Jaringan Saraf Tiruan/ANN dapat meningkatkan tingkat akurasi pada

estimasi tahap konseptual menjadi lebih baik, adapun akurasi dalam estimasi

konseptual pada kelas 3 diharapkan menurut AACE berada dalam rentang -20%

sampai +30% dari biaya proyek sebenarnya.



BAB 3 METODOLOGI PENELITIAN

3.1. Pendahuluan

Dalam bab ini akan dijelaskan tentang desain dari penelitian dalam

mengeksplorasi penggunaan teknik jaringan saraf tiruan (Artificial Neural Network

/ ANN) dalam pembuatan estimasi biayakonseptual pada proyek pembangunan

kontruksi gedung perkuliahan dan membuat pemodelan estimasi biaya pada tahap

konseptual.

3.2. Pemilihan Strategi 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 bangunan gedung perkuliahan. Setelah menemukan

maksud dan tujuan penelitian yang telah didukung dengan tinjauan pustaka dalam

bab 2, maka dilanjutkan dengan membuat suatu penelitian yang lebih detail,

dimana diperlukan suatu tahapan untuk membuat suatu pertanyaan yang harus

dijawab dalam rangka pengumpulan data yang relevan.

Tabel 3.1 Strategi Penelitian

Strategi Jenis pertanyaan yang

digunakan

Kendali terhadap

peristiwa yang diteliti

Fokus terhadap peristiwa

yang sedang berjalan /

baru diselesaikan

Eksperimen Bagaimana, mengapa Ya Ya

Survey Siapa, apa, dimana, berapa

banyak, berapa besar Tidak Ya

Analisa Arsip

Siapa, apa, dimana, berapa banyak, berapa besar,

Tidak ya / tidak


34



Strategi Jenis pertanyaan yang

digunakan

Kendali terhadap

peristiwa yang diteliti

Fokus terhadap peristiwa

yang sedang berjalan /

baru diselesaikan

Sejarah Bagaimana, mengapa Tidak Tidak

Studi kasus Bagaimana, mengapa Tidak Ya

Sumber :Yin (2002)

Menurut Yin (1994) [22] pertanyaan “bagaimana” dan “mengapa” lebih

memberikan keterangan-keterangan yang bersifat menjelaskan sesuatu dan

kemungkinan hal yang sudah pasti, pendekatan yang paling sesuai adalah studi

kasus, sejarah dan eksperimen. Hal ini disebabkan beberapa pertanyaan

mempunyai hubungan dengan cara kerja sesuatu yang membutuhkan penelitian

lebih mendalam daripada pengukuran frekuensi kejadian atau dampak yang

ditimbulkan. Sedangkan pertanyaan “apa” (yang berbentuk “berapa banyak” dan

“berapa besar”), “siapa” dan “dimana” pendekatan yang lebih sesuai adalah survai

dan analisis arsip. Pendekatan tersebut mempunyai keuntungan jika tujuan

penelitian yang ingin dicapai adalah menggambarkan suatu frekuensi kejadian,

tingkat pengaruh dari suatu peristiwa/kejadian atau untuk memprediksi mengenai

hasil yang pasti.

Dalam menyelesaikan penelitian ini diperlukan metode penelitian yang

sesuai. 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

(Sugiyono, 2003). Penelitian ini menggunakan strategi penelitian kuantitatif,

karena tujuan yang ingin dicapai adalah menemukan fakta berdasarkan catatan

dari dokumen, serta membutuhkan pengujian hipotesa penelitian.

Pertanyaan pertama dalam research question dapat dijawab dengan

pendekatan survei, dimana kuisioner diberikan kepada responden owner maupun

kontraktor pelaksana. Dan dengan menjawab research question yang kedua


35


penulis akan mencoba membuat model. Rumusan masalah yang diperlukan untuk

mendapatkan hasil yang diinginkan seperti apa dan bagaimana, dapat

dikelompokkan sebagai berikut :

a. Faktor-faktor ’apa’ saja yang berpengaruh terhadap pembangunan kontruksi

gedung perkuliahan?

b. ‘Bagaimana’ membuat suatu model berdasarkan faktor-faktor yang

berpengaruh terhadap biaya pembangunan gedung perkuliahan dengan

menggunakan teknik jaringan saraf tiruan (ANN) dalam rangka

meningkatkan akurasi estimasi biaya ditahap konseptual?

3.3. Proses Penelitian

Penelitian merupakan suatu siklus. Setiap tahapan akan diikuti oleh

tahapan lain secara terus menerus. Untuk dapat melaksanakan penelitian sesuai

dengan tujuan yang diharapkan, maka proses penelitian yang dilakukan adalah

sebagai berikut :

Gambar 3.1 Matriks Kerangka Berpikir


Bangunan Gedung

Kebutuhan Dalam Estimasi Biaya Tahap Konseptual

Data Historis Proyek Konstruksi Gedung

Studi Literatur : Jurnal, Buku, Tesis

Pemrograman Metode Jaringan Saraf Tiruan (ANN)

Analisis Data, Model ANN Terpilih

Pembuktian Model, Kesimpulan & Saran

Selesai


36


a. Pengumpulan Data

Penelitian yang dilakukan memerlukan pengumpulan data dengan melakukan

survey pada sumber informasi yang dibutuhkan. Survey merupakan suatu

metode yang sistematis untuk mengumpulkan data berdasarkan suatu sampel

agar mendapatkan informasi dari populasi yang serupa (Tan, 1995). Menurut

Spiegel (1972), anggaplah bahwa semua kemungkinan sampel dengan ukuran

N yang menarik tanpa penggantian dari populasi dengan ukuran terbatas.

Untuk nilai N yang besar (N ≥ 30) distribusi sampling berarti kira-kira

distribusi normal dengan mean dan deviasi standar terlepas dari populasi.

b. Teori Dasar Sampling

Teori sampling adalah studi hubungan yang ada antara populasi dan sampel

yang diambil dari populasi. Hal ini sangat berguna dalam banyak koneksi.

Sebagai contoh akan sangat berguna dalam perkiraan jumlah populasi yang

tidak diketahui (seperti populasi mean, varians, dll). Sering disebut parameter

populasi, membentuk suatu pengetahuan tentang jumlah sampel yang sesuai

(seperti sampel, mean, varians, dll), sering disebut sampel statistik (Spiegel,

1972). Agar kesimpulan dari teori sampling dan statistik inferensi valid,

sampel harus dipilih sehingga dapat mewakili populasi. Sebuah studi tentang

metode sampling dan masalah-masalah terkait yang timbul disebut rancangan

percobaan. Satu cara di mana sampel yang representatif dapat diperoleh

adalah dengan proses yang disebut random sampling, dimana setiap anggota

populasi mempunyai kesempatan yang setara untuk diikutsertakan dalam

sampel (Spiegel, 1972). Menurut Spiegel (1972), anggaplah bahwa semua

kemungkinan sampel dengan ukuran N yang menarik tanpa penggantian dari

populasi dengan ukuran terbatas. Untuk nilai N yang besar (N ≥ 30) distribusi

sampling berarti kira-kira distribusi normal dengan mean dan deviasi standar

terlepas dari populasi.

c. Penetapan Teknik Analisis dan Pengolahan Data

Berdasarkan data yang diperoleh dan dikumpulkan, maka perlu dicari pola

analisis yang tepat untuk mengolah data tersebut. Analisis yang dipakai harus


37


merupakan analisis yang tepat dalam mengolah data yang ada, sehingga

hasilnya sesuai dengan topik dan tujuan.

3.3.1 Variabel Penelitian

Variabel penelitian yang digunakan dalam penelitian ini terdiri dari 2 (dua)

variabel, yaitu variabel terikat (dependent variable), serta variabel bebas

(dependent variabel).

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.

Tabel 3.2 Variabel Terikat Dan Variable Bebas

No. VARIABEL INDIKATOR TYPE KATEGORI REFERENSI

INPUT

1 Lokasi

X1 Lokasi Categorical Fakultas

Teknik,

Fakultas MIPA

AIA [23], Phaobunjong (2002).Song Yong Kim (2005),

X2 Topografi tanah Categorical Cut, fill, cut and

fill atau hanya

perlu

pembersihan

lahan saja

Song Yong Kim

(2005) [24],

Phabounjong

(2002), AIA

2 Desain


38



No. VARIABEL INDIKATOR TYPE KATEGORI REFERENSI

X3 Tipe Pondasi categorical

Bore pile, tiang pancang

Song Yong Kim

(2005), Robert

C (2002) [25]

X4 Luas Total Numerical Phabounjong

(2002),

X5 Jumlah Tingkat Numerical Song Yong Kim

(2005), Robert

C (2002)

X6 Tipe

Superstruktur

Categorical Beton, aja,

komposit

Song Yong Kim

(2005), Robert

C (2002)

X7 Jarak floor to

floor

Numerical Kotak, silinder AIA

X8 Tinggi Bangunan Numerical Rangka Baja

ringan, Rangka

Baja, Kayu

Song Yong Kim

(2005),

X9 Bentuk Bangunan Categorical Persegi

panjang,

lingkaran

Song Yong Kim

(2005),

X10 Tipe Atap Categorical Genteng, dak

beton

Phaobunjong

(2002)

X11 Finishing Grade Categorical 1-6 Song Yong Kim

(2005),

3 Waktu

X12 Tahun

Pembangunan

Numerical

X13 Durasi Proyek

(hari)

Numerical Song Yong Kim

(2005),

OUTPUT

Y Biaya Kontrak

(Rp)

Robert C

(2002),



39


3.3.2 Instrument Penelitian

Instrument penelitian yang dipakai dalam penelitian adalah menggunakan

parameter-parameter dari data historis yang sudah ditabulasi dengan semakin

banyak data yang diperoleh diharapkan dapat mewakilkan suatu populasi selain

itu juga data yang cukup banyak akan membuat model jaringan ANN medapatkan

proses pembelajaran dalam proses pelatihan.

Data yang telah ditabulasi lalu disusun untuk memudahkan dalam mencari

pembentuk variabel-variabel penelitian yang akan dirubah kedalam bentuk

matriks dan vektor hal ini berguna untuk proses komputasi dalam mencari model

jaringan yang terbaik dan mengurangin kesalahan paling kecil dalam membuat

model. Instrument lainnya adalah piranti lunak serta tools pendukung dalam

melakukan pengujian terhadap data-data yang telah ditabulasi untuk proses

pelatihan dan dalam rangka mencari model ANN yang terbaik. Alat ini

merupakan instrument yang efisiensi dalam mengumpulkan keterangan-

keterangan yang diperlukan untuk menguji hipotesa.

Tabel 3.3 Format Validasi Pakar

No. VARIABEL INDIKATOR TYPE Kategori

Ya Tidak Komentar

dan

Tanggapan

1 Lokasi

X1 Lokasi Categorical Fakultas

Teknik,

Fakultas MIPA

X2 Topografi tanah Categorical Cut, fill, cut and

fill atau hanya

perlu

pembersihan

lahan saja

Desain


40



No. VARIABEL INDIKATOR TYPE Kategori

Ya Tidak Komentar

dan

Tanggapan

X3 Luas bangunan

pabrik (m2)

Numerical

X4 Jumlah tingkat Numerical

X5 Type Pondasi Categorical Bore pile, tiang

pancang

X6 Tinggi bangunan Numerical

X7 Bentuk bangunan categorical Kotak, silinder

X8 Material Rangka

atap

Categorical Rangka Baja

ringan,

RangkaBaja,

Kayu

X9 Type material

finishing atap

Categorical Atap genteng,

atap dak

X10 Type material

finishing dinding

Categorical Batako ,Batu

bata, Bata

ringan

X11 Type finishing

lantai

Categorical Floor hardner,

lantai kramik,

lantai tegel

X12 Lift Numerical

3 Waktu

X13 Tahun

Pembangunan

Numerical

X14 Durasi Proyek

(hari)

Numerical

OUTPUT

Y Biaya Kontrak

(Rp)



41


3.3.3 Pengumpulan Data

Adapun teknik pengumpulan data dalam penelitian ini dilakukan dengan

cara survei. Survei dilakukan dengan menggunakan beberapa cara yaitu kuesioner

dan wawancara. Data yang akan diteliti dan dianalisa dalam penelitian ini terdiri

dari data primer dan data sekunder.

a. Data Primer

Data primer didapat dengan melakukan studi lapangan. Studi lapangan

merupakan cara pengumpulan data dengan melakukan survei kepada pihak

yang berkompeten terhadap permasalahan yang diteliti. Survei merupakan

suatu metode yang sistematis untuk mengumpulkan data berdasarkan suatu

sampel agar mendapatkan informasi dari populasi yang serupa (Tan, 1995).

Survei ini bertujuan untuk mendapatkan karakteristik utama dari populasi

yang dituju pada suatu waktu yang telah ditentukan. Sebagai landasan teori

dalam pengumpulan data primer, dilakukan studi literatur melalui buku-buku,

jurnal, majalah dan artikel.

b. Data Sekunder

Merupakan data atau informasi yang diperoleh dari studi literatur, seperti

buku–buku, jurnal, makalah, penelitian–penelitian berkaitan sebelumnya, dan

dapat juga disebut data yang sudah diolah, meliputi :

a) Data yang digunakan sebagai landasan teori dari penelitian, yang diperoleh

dari buku-buku, jurnal, makalah, dan lain–lain.

b) Data untuk variabel–variabel penelitian diambil dari penelitian yang

berkaitan sebelumnya.

Pengumpulan data akan dilakukan dengan melakukan analisa arsip dari

data-data proyek yang telah dilaksanakan dantelah selesai.

3.4. Kesimpulan

Untuk meningkatkan akurasi estimasi biaya pada tahap konseptual

diperlukan analisis terhadap faktor yang paling dominan. Tindakan koreksi

merupakan sesuatu yang diperlukan agar kinerjanya semakin baik dalam kualitas


42


suatu proyek konstruksi. Penelitian ini bersifat dekriptif dan bersifat eksperimen

dimana dalam menjawab research question tentang faktor-faktor apa saja yang

berpengaruh terhadap estimasi pada tahap konseptual dan bagaimana model

Artificial Neural Network dapat diaplikasikan untuk membantu meningkatkan

tingkat akurasi suatu estimasi pada tahap konseptual dengan mencaripemodelan

estimasi biaya terbaik dilakukan dengan piranti lunak Matlab yang dimana

langkah awal dimulai dengan menentukan arsitektur jaringan ANN sampai

dengan membuat model yang cocok sesuai pola data yang dilakukan sampai

dengan mencari pemodelan estimasi biaya.



BAB 4 PENGUMPULAN DAN ANALISIS DATA

4.1 Pendahuluan

Setelah dilakukan tinjauan pustaka secara mendalam, maka

variable-variabel yang mendukung dalam penelitian ini akan muncul.

Dalam studi literature, jumlah variable yang ditemukan sebanyak tiga

belas, dan variabel tersebut tidak dapat langsung digunakan sebagai

variabel penelitian. Variabel ini sebelumnya harus melalui proses validasi

pakar. dan telah dilakukan validasi terhadap pakar, maka didapat berbagai

variable-variabel yang digunakan yang berhubungan erat dengan estimasi

biaya gedung perkuliahan. Variabel-variabel di ini ditentukan berdasarkan

parameter-parameter yang mempunyai pengaruh yang besar dalam biaya

konstruksi.

4.2 Pengumpulan Data

Dalam proses pengumpulan data, data dibedakan menjadi dua,

yaitu data primer dan data sekunder. Data primer adalah data yang hanya

bisa didapatkan dari sumber utama, sehingga tidak bisa diwakili dengan

pihak lain. Sedangkan data sekunder adalah data yang sudah tersedia,

sehingga kita hanya mencari dan mengumpulkannya saja.

4.2.1 Data Primer

Data primer merupakan sumber data yang diperoleh langsung dari

sumber asli (tidak melalui media perantara). Data primer dapat berupa

opini subjek (orang) secara individual atau kelompok, hasil observasi

terhadap suatu benda (fisik), kejadian atau kegiatan, dan hasil pengujian.

Dalam penelitian ini, data primernya adalah variabel-variabel yang telah

divalidasi oleh para pakar. Berikut ini adalah variabel yang ingin

dilakukan validasi oleh para pakar.

Tabel 4. 1 Variabel Kuisioner Pakar


44


Variabel Keterangan

X1 Lokasi Proyek

X2 Topografi Tanah / Kontur

X3 Tipe Pondasi

X4 Luas Bnagunan

X5 Jumlah lantai

X6 Tipe superstruktur

X7 Jarak Tiap Lantai

X8 Tinggi Bangunan

X9 Bentuk Bangunan

X10 Tipe Atap

X11 Tahun Pembangunan

X12 Durasi Proyek


Dari table di atas, terdapat dua belas variabel yang nantinya akan

divalidasi oleh pakar. Setelah dilakukan penyebarankuisioner kepada

beberapa pakar, maka akan muncul variabel-variabel yang mempengaruhi

biaya konstruksi gedung perkuliahan umum. Berdasarkan hasil validasi,

variabel-variabel tersebut antara lain.

Tabel 4. 2 Rekapitulasi Validasi Pakar

Variabel Pakar

1 Pakar

2 Pakar

3 Pakar

4 Pakar

5

X1 Lokasi Proyek √ √ √ √ √

X2 Topografi Tanah / Kontur √ √ √ √ √


45



Variabel Pakar

1 Pakar

2 Pakar

3 Pakar

4 Pakar

5

X3 Tipe Pondasi √ √ √ √

X4 Luas Bnagunan √ √ √ √ √

X5 Jumlah lantai √ √ √ √ √

X6 Tipe superstruktur √ √ √ √ √

X7 Jarak Tiap Lantai √ √ √ √

X8 Tinggi Bangunan √ √ √ √ √

X9 Bentuk Bangunan √ √ √ √ √

X10 Tipe Atap √ √ √ √

X11 Tahun Pembangunan √ √ √ √ √

X12 Durasi Proyek √ √ √ √ √

X13 Finishing Grade √ √ √ √ √


4.2.2 Data Sekunder

Data sekunder merupakan sumber data penelitian yang diperoleh

peneliti secara tidak langsung melalui media perantara (diperoleh dan

dicatat oleh pihak lain). Data sekunder umumnya berupa bukti, catatan

atau laporan historis yang telah tersusun dalam arsip (data dokumenter)

yang dipublikasikan dan yang tidak dipublikasikan. Dalam penelitian ini

data-data sekunder yang didapat adalah data histori proyek bangunan

gedung perkuliahan. Data ini didapat dari kontraktor pelaksana

pembangunan. Untuk mendapatkan data historis tersebut tidaklah mudah

karena pada umumnya pihak kontraktor sangat tertutup untuk memberikan

data informasi proyek. Data historis yang penulis dapatkan berasal dari

salah satu karyawan yang bekerja dikontraktor tersebut. Adapun data

sekunder yang diperoleh yaitu


46


Tabel 4. 3 Pengumpulan Data Berdasarkan Variabel

No Nama Proyek X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 Y

1 Proyek 1 Semarang

borepile 4,622.83 3 beton 3.75 11.25 persegi panjang Genteng 2010 6.00 12,713,346,363.60

2 Proyek 2 Bali


3 Proyek 3 Surabaya

tiang pancang 4,844.71 3 beton 3.75 11.25 persegi panjang Genteng 2010 6.00 21,737,536,363.60

4 Proyek 4 Manado


5 Proyek 5 Semarang


6 Proyek 6 Manado


7 Proyek 7 Solo


8 Proyek 8 Bali

Tiang pancang 2,970.93 3 beton 3.75 11.25 persegi panjang Genteng 2010 3.00 50,312,454,545.40

9 Proyek 9 Surabaya


10 Proyek 10 Surabaya


11 Proyek 11 Manado


12 Proyek 12 Yogyakarta


13 Proyek 13 Yogyakarta


14 Proyek 14 Manado


15 Proyek 15 Padang


16 Proyek 16 Bandung


17 Proyek 17 Semarang


18 Proyek 18 Bandung




47


4.3 Permodelan ANN

Langkah-langkah dalam permodelan ANN adalah sebagai berikut:

a. Langkah 1 yaitu pengumpulan data:

Rekapitulasi data penelitian terdiri dari 13 variabel lingkup proyek. Dimana

variable ini nanti akan berfungsi untuk memprediksi variable biaya kontruksi.

Seperti yang telah dijelaskan sebelumnya variabel-variabel ini diperoleh dari

kuisioner lima orang pakar yang telah memiliki pengalaman minimal dua

puluh tahun.

b. Langkah 2, pemisahan data:

Data-data yang telah dikumpilkan dikelompokan menjadi dua bagian yaitu

data yang diperlukan untuk pelatihan dan data untuk pengujian. Data

pelatihan adalah data yang digunakan ANN agar kinerja permodelan ANN

mengenal pola melalui perbaikan bobot dan bias. Sedangkan data untuk

pengujian adalah data yang digunakan sebagai pengujian keakurasian dari

ANN. Dalam penelitian ini, peneliti menggunakan 15 data sebagai pelatihan

dan 3 data digunakan untuk pengujian.

c. Langkah 3. Penentuan Arsitektur Jaringan ANN

Dalam struktur jaringan ANN digunakan system jaringan dengan beberapa

lapisan layer atau disebut dengan istilah multilayer feedforward. Jumlah

neuron pada lapisan input jaringan berjumlah sebanyak variabel yang

digunakan, yaitu sebanyak delapan variabel. Variabel tersebut menjadi

delapan karena data yang didapat tidak seluruhnya lengkap. Sehingga model

yang digunakan menggunakan delapan neuron sebagai proses elemen pada

lapisan input ANN. Stelah itu dihubungkan dengan hidden layeri, dalam

menentukan jumlah hidden layer ini menggunakan metode trial and error.

Namun, dalam bebrapa jurnal banyak penelitian yang mnegatakan jika jumlah

hidden layer sebanyak dua kali lipat dari jumlah variabel maka proses

pembelajaran ANN akan semakin cepat. Namun, dibeberapa jurnal yang lain

mengatakan menggunakan setengah dari jumlah variabel lebih mempercepat.

Sehingga disini penulis menggunakan trial and error dengan empat hidden

layer dan enam belas hidden layer. Dan terdapat juga satu buah neuron pada

output yang berupa variabel total biaya konstruksi.


48


Gambar 4. 1 Desain Jaringan Syaraf Tiruan


d. Langkah 4. Pemilihan Algoritma Pembelajaran

Seperti yang telah dijelaskan dalam tinjauan pustaka, dalam pemilihan

logaritma pembelajaran dipilih algoritma backpropagation. Hal ini

disebabkan algoritma backpropagation lebih tepat digunakan untuk estimasi

dan prediksi. Fungsi pembelajaran menggunakan fungsi gradient descent dan

gradient descent dengan momentum. Fungsi aktivasi yang dipakai oleh

jaringan berguna untuk mengaktifkan neuron pada tiap lapisan sehingga

mengeluarkan output yang diinginkan. Adapun proses ini dilakukan secara

trial dan error.

e. Langkah 5. Menentukan Parameter, Nilai, dan Bobot Awal

Pada langkah ini learning rate ditentukan. Dimana nilai momentum bernilai 0

sampai 1 dan nilai bobot awal menggunakan nilai acak yang ditentukan

secara otomatis oleh program Matlab. nilai momentum untuk gradient descent

dengan momentum yang digunakan antara 0 sampai 1.

f. Langkah 6. Merubah Data ke Dalam Jaringan ANN

Data-data yang bersifat kategorikal harus dirubah dalam bentuk numeric, hal

ini dilakukan agar Matlab dapat membaca dan menormalisasi data secara

otomatis. Berikut ini adalah data proyek yang telah dirubah ke dalam angka.


49


Tabel 4. 4 Data Pengolahan

Luas

Bangunan

Jumlah

lantai

Tinggi

bangunan

Jarak

per

lantai

Durasi

pekerja

an

Tahun

pekerjaan

Lokasi Tipe

Atap

Nilai

4622.83 3.00 11.25 3.75 6.00 2010 3.00 1.00 12,713,346,363.60 4404.28 3.00 11.4 3.80 6.00 2010 7.00 1.00 19,815,545,454.50 4844.71 3.00 11.25 3.75 6.00 2010 5.00 2.00 21,737,536,363.60 5421.26 3.00 12.6 4.20 6.00 2009 8.00 1.00 19,027,636,363.60 6926.74 3.00 11.25 3.75 6.00 2010 3.00 1.00 43,088,424,545.50 5421.26 3.00 11.25 3.75 6.00 2010 8.00 1.00 27,995,727,272.70 3493.00 3.00 11.25 3.75 3.50 2008 6.00 1.00 8,117,118,181.81 2970.93 3.00 11.25 3.75 3.00 2010 7.00 1.00 50,312,454,545.40 2568.00 3.00 11.25 3.75 5.00 2010 5.00 1.00 3,289,409,090.91 1811.04 3.00 11.25 3.75 6.00 2010 5.00 1.00 2,445,440,909.09 3626.40 3.00 11.25 3.75 3.00 2010 5.00 1.00 20,113,887,272.70 5439.60 3.00 11.25 3.75 3.00 2010 4.00 2.00 19,090,909,090.91 9208.88 3.00 11.25 3.75 5.00 2008 4.00 1.00 32,693,636,363.60 4753.00 3.00 11.25 3.75 3.00 2010 8.00 1.00 18,674,200,000.00 10423.08 3.00 11.25 3.75 6.00 2010 9.00 2.00 29,382,263,636.40 4475.15 3.00 11.25 3.75 5.00 2011 2.00 1.00 19,818,181,818.18 4622.83 3.00 11.25 3.75 6.00 2009 3.00 1.00 8,815,418,181.81 3771.02 3.00 11.25 3.75 5.00 2007 2.00 1.00 21,383,517,935.50 Sumber: Hasil Olahan

Tabel 4. 5 Definisi Nilai Untuk Data Kategori



Lokasi Nilai

Bandung 2

Semarang 3

Yogyakarta 4

Surabaya 5

Solo 6

Bali 7

Tipe Atap Nilai

Genteng 1

Dak Beton 2

Manado 8

Padang 9


50


g. Langkah 7. Mulai Pelatihan dan Menentukan Bobot dan Perbaikan Bobot

Proses pelatihan dilakukan dengan terus menerus melalui hubungan bobot

dan bias antar neuron pada tiap lapisan ANN. Dalam melakukan proses ini

digunakan Matlab versi R2009a. Pelatihan dilakukan sampai memenuhi

target, apabila target tidak terpenuhi ditentukan dengan kriteria tertentu.

h. Langkah 8. Proses Berhenti Latihan dan Pengujian Data

Proses pelatihan dapat dihentikan jika :

a) Waktu maksimum, yaitu waktu maksimum yang diberikan untuk

pelatihan ditetapkan 10 menit atau 600 detik.

b) Maksimum iterasi atau epoch, yaitu jumlah maksimum iterasi (epoch)

yang diperkenankan selama proses pelatihan. Dalam pelatihan kali ini,

ditentukan yaitu sebanyak 65000 epoch.

c) Kinerja tujuan (Goal), merupakan target nilai fungsi kinerja jaringan.

Dalam pelatihan kali ini ditentukan target MSE = 10-3

d) Maksimum kegagalan (Fail), yaitu apabila iterasi mengalami kegagalan

akibat gradient yang terdapat pada iterasi ke-n lebih besar daripada

gradient ke-(n-1) sebanyak nilai maksimum jumlah kegagalannya. Nilai

maksimum kegagalan ditentukan yaitu 5.

e) Gradient minimum, yaitu jumlah akar kuadrat dari semua gradient

terkecil yang diperbolehkan. Iterasi harus dihentikan apabila nilai ini

kurang dari gradient minimum yaitu senilai 10-10.

Setelah dilakukan proses pelatihan dengan target yang sudah ditentukan

sebelumnya, selanjutnya adalah melakukan pengujian model yang telah dilatih

terhadap data-data yang belum ditemukan oleh jaringan yaitu data pengujian (data

ke 17 – 18). Disini dilakukan evaluasi kinerja jaringan sesuai dengan kriteria yang

ditentukan seperti nilai MSE dan MMRE (tingkat kesalahan estimasi total biaya

kontruksi), antara data target dengan data output dari model ANN yang telah

dilatih. Berikut adalah gambar-gambar yang merupakan salah satu keluaran

program Matlab R2009a, dalam mencari permodelan yang cocok dan sesuai

dengan kriteria yang telah ditentukan sebelumnya.


51


Gambar 4. 2 Kinerja Model ANN Terhadap Data Pelatihan


Gambar 4. 3 Nilai R Antara Data Aktual (Target) dengan Data Estimasi (Output)



52


i. Langkah 9. Analisa Hasil Pelatihan

Dalam melakukan pengujian model yang terpilih tidak langsung ditemukan

begitu saja. Proses trial and error membuat model yang terpilih sulit untuk

didapat. Dalam melakukan proses ini peneliti banyak melakukan pengujian

dengan mengubah hidden layer sampai mendapat hasil yang akurrat. Akurat

yang dibahas dalam masalah ini adalah tingkat presentase akurasi dari output

data training ANN dengan nilai kontrak proyek sebenernya. Berikut

merupakan hasil tabulasi dari proses trial and erorr yang telah dilakukan

disajikan dalam tabel dibawah ini.

Tabel 4. 6 Tabulasi Data Pelatihan

No Model Akurasi Rata-Rata (%)

1 Neuron 7-4-1 6%

2 Neuron 7-3-1 10%


No Model Akurasi Rata-Rata (%)

3 Neuron (7-5-1) 37%

4 Neuron (7-7-1) 24%

5 Neuron (7-6-1) 36%


j. Tahap 10, Validasi Model ANN

Validasi terhadap model ANN yang telah ditemukan dilakukan sebagai

bentuk pembuktian bahwa model tersebut sudah memenuhi target yang

diinginkan dan tentunya sesuai juga dengan apa yang dicantumkan dalam

AACE. Untuk melakukan validasi ini, digunakan data yang berlainan dari

data pelatihan. Data yang digunakan adalah data pengujian yang sebelumnya

memang telah disiapkan untuk validasi ini. Data pelatihan ini sebanyak 2

buah dari 18 buah proyek yang ada. Berikut ini merupakan hasil dari validasi

permodelan ANN.


53


Tabel 4. 7 Tabulasi Data Pengujian

No Model Akurasi (%) Akurasi Rata-Rata (%)

Data 1

Data 2

Data 3

1 Neuron (8-4-1) 0% -4% -1% 2%

2 Neuron (8-3-1) 1% 32% 2% 12%

3 Neuron (8-5-1) -2% 8% 1% 4%

4 Neuron (8-8-1) 2% 32% 2% 12%

5 Neuron (8-6-1) 3% 35% 0% 13%

Sumber: Hasil Olahan

Dari tabel diatas, maka dapat ditentukan bahwa model yang akan digunakan

dalam pelatihan ini adalah dengan arsitektur 8-4-1, yang mampu memprediksi

data pengujian dengan tingkat kesalahan sebesar 28%. Berdasarkan AACE,

klasifikasi akurasi estimasi dibagi menjadi Low : -15% hingga -20% dan High

: +20% hingga +50%. Jadi arsitektur yang ditemukan diatas, sudah sesuai

dengan AACE.



BAB 5 TEMUAN DAN HASIL

5.1 Pendahuluan

Dalam bab ini akan dibahas secara mendalam tentang hasil temuan yang

didapat dalam penelitian ini. Hasil dan temuan yang ditemukan ini adalah akhir

dari proses penelitian yang dilakukan.

5.2 Temuan

Hasil dari penelitian ini adalah berupa pengukuran kinerja dari ANN.

Dimana berdasarkan tinjauan literature, ANN dapat meningkatkan akurasi

estimasi. Untuk data pelatihan sebanyak lima belas data memiliki rata-rata error

sebesar 2%. sedangkan dalam melakukan pengukuran pengujian, rata-rata error

yang diperoleh sebesar -2%. Menurut AACE tahap konseptual yang dimulai dari

kelas lima sampai kelas tiga diharapkan berada dalam rentang -20% sampai

+30% dari biaya proyek yang sebenarnya.

5.2.1 Temuan 1

Dalam temuan pertama yang diperoleh dari penelitian ini adalah faktor-

faktor apa saja yang mempengaruhi biaya konstruksi gedung perkuliahan umum.

Faktor-faktor ini diperoleh dari tinjauan literature sebelumnya yang kemudian

dilakukan validasi oleh para pakar. Adapun faktor-faktor yang mempengaruhi

biaya konstruksi gedung perkuliahan adalah: lokasi proyek, topografi tanah /

kontur, tipe pondasi, luas bangunan, jumlah lantai, tipe superstruktur, jarak tiap

lantai, tinggi bangunan, bentuk bangunan, tipe atap, tahun pembangunan, durasi

proyek, finishing grade.

5.2.2 Temuan 2

Pada temuan yang kedua, merupakan hasil dari dijalankannya metode

ANN. Dari proses metode ANN ini, nanti akan ditemukan model ANN dengan

beberapa kali melakukan proses pelatihan dan pengujian yang bersifat trial and

eror. Berikut adalah kriteria model ANN terbaik yang ditemukan :


55


Tabel 5. 1 Kriteria Model ANN Terbaik

Training Parameter Nilai Fungsi Deskripsi

Data 15 data pelatihan dan 3 data pengujian Pelatihan/Pengujian

Jumlah input 7

Jumlah output 1

Jumlah hidden layer 1

Jumlah neuron hidden layer

4 Trial yang terbaik

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 65000

Kinerja tujuan (Goal) 10-3

Maksimum kegagalan 5

Gradient minimum 10-10


Tabel 5. 2 Bobot Input dan Bias Input Model ANN

Bobot Input

X1 X2 X3 X4 X5 X6 X7 1

Z1 0.1230 1.0269 1.7450 1.8050 -0.7782 -0.4924 -0.4890 -0.7080

Z2 -2.2172 -0.3460 1.1359 -1.4716 0.8192 -1.8538 0.9169 -0.9065

Z3 -2.1809 -0.1262 -0.3797 -0.5259 2.1711 1.3978 1.0094 -0.6288

Z4 1.3923 -0.0244 0.7238 0.8775 1.7294 3.9568 0.0110 1.4324


Tabel 5. 3 Bobot Lapisan dan Bias Lapisan Model ANN

Z1 Z2 Z3 Z4 1

Y -1.3981 1.5482 -1.6156 1.5658 -0.3316


Y = f (x) = �

��


56


f (x) = f �� + ∑ ��. ��

f (x) = [��] + ∑ �

�1�2�3�4

� . [�11 �12 �13 �14]��

f (x) =

[−0.3316] + ∑ �

�1�2�3�4

� . [−0.3316 1.5482 −1.6156 0,0963]��

Zi = f (Z_neti) = �

��_��

f (Z_neti) = f �� + ∑ ��. ��

Z_net1=

[�10] + ∑

⎣⎢⎢⎢⎢⎢⎡�1�2�3�4�5�6�7�8⎦

⎥⎥⎥⎥⎥⎤

. [�11 �12 �13 �14 �15 �16 �17 �18]��

Z_net2=

[�20] + ∑

⎣⎢⎢⎢⎢⎢⎡�1�2�3�4�5�6�7�8⎦

⎥⎥⎥⎥⎥⎤

. [�21 �22 �23 �24 �25 �26 �27 �28]��

Z_net3=

[�30] + ∑

⎣⎢⎢⎢⎢⎢⎡�1�2�3�4�5�6�7�8⎦

⎥⎥⎥⎥⎥⎤

. [�31 �32 �33 �34 �135 �36 �37 �38]��


57


Z_net4=

[�40] + ∑

⎣⎢⎢⎢⎢⎢⎡�1�2�3�4�5�6�7�8⎦

⎥⎥⎥⎥⎥⎤

. [�41 �42 �43 �44 �45 �46 �47 �48]��

Tabel 0.1 Bobot Pada Lapisan Input Model ANN

Bobot Vji

i 1 2 3 4 5 6 7 8

j

1 0.1230 1.0269 1.7450 1.8050 -0.7782 -0.4924 -0.4890 -0.7080

2 -2.2172 -0.3460 1.1359 -1.4716 0.8192 -1.8538 0.9169 -0.9065

3 -2.1809 -0.1262 -0.3797 -0.5259 2.1711 1.3978 1.0094 -0.6288

4 1.3923 -0.0244 0.7238 0.8775 1.7294 3.9568 0.0110 1.4324


Arsitektur jaringan ANN yang diperoleh adalah 7-4-1, yakni terdiri dari 1

layer input dengan 8 neuron, 1 hidden layer dengan 4 neuron dan 1 layer output.

Model ANN seperti inilah yang terbaik setelah menjalani proses pelatihan dan

pengujian yang bersifat trial and erorr.

5.3 Pembahasan

Akhir dari penelitian ini adalah untuk mencari faktor-faktor yang

mempengaruhi biaya konstruksi gedung perkuliahan, dan membuat suatu model

ANN yang tepat untuk perkiraan estimasi tersebut. Dalam melakukan penelitian

ini, ada dua jenis data yang harus dicari. Yang pertama adalah data primer berupa

validasi dari pakar mengenai variabel-variabel yang mempengaruhi biaya

konstruksi. Setelah mendapatkan validasi dari lima orang pakar, barulah kita

mencari data sekunder yaitu data historis proyek gedung perkuliahan. Data yang

dicari adalah informasi yang berkaitan dengan variabel yang telah divalidasi

seperti data luas bangunan, tinggi bangunan, jumlah lantai, dan lain-lain. Dalam

pencarian data sekunder tidak semua data variabel didapat. Sehingga dalam proses


58


input data, ada beberapa variabel yang tidak dimasukan karena data yang tidak

ada. Akibatnya, variabel yang tidak terisi tersebut terpaksa untuk dihilangkan atau

tereliminasi. Setelah semua variabel yang memiliki kelengkapan informasi data di

input, maka akan muncul perkiraan dari biaya konstruksi bangunan tersebut.

Dari pernyataan di atas, dapat ditarik kesimpulan yaitu Pada dasarnya

variabel yang digunakan sebagai input dalam metode ANN secara keseluruhan

memiliki pengaruh yang besar terhadap biaya proyek. Dalam penelitian ini,

variabel-variabel diuji tingkat sensitifitasnya terhadap biaya, variabel yang diuji

adalah variabel yang bersifat numerical seperti luas bangunan, jumlah lantai.

Sedangkan untuk variabel yang bersifat kategorikal tidak diuji karena banyak

faktor yang terkait. Dari grafik di bawah ini kita dapat menyimpulkan hubungan

antara variabel dengan biaya.

Gamar 5. 1Grafik Sensitivitas Tahun vs Biaya


Dari grafik pertambahan tahun tersebut dilihat grafik stidak sesuai dengan

tinjauan pustaka, dimana seharusnya semakin lama tahun pembangunan gedung

seharusnya semakin rendah biaya yang dibutuhkan. Kemungkinan hal ini terjadi

karena pada data pembelajaran matlab, input data yang digunakan sedikit dan

pada tahun-tahun yang lama memiliki nilai kontrak yang besar.

R² = 0,0187

-

2.000.000.000,00

4.000.000.000,00

6.000.000.000,00

8.000.000.000,00

10.000.000.000,00

12.000.000.000,00

14.000.000.000,00

16.000.000.000,00

2006 2007 2008 2009 2010 2011 2012

Series1

Linear (Series1)


59


Gamar 5. 2 Grafik Sensitivitas Jarak Lantai vs Biaya


Dari grafik di atas dapat terlihat semakin besar jarak lantai maka semakin

besar pula biaya yang akan dikeluarkan dalam suatu proyek. Hal ini sudah sesuai

dengan landasan teori.

Gamar 5. 3 Grafik Sensitivitas Durasi vs Biaya


R² = 0,9028

-

20.000.000.000,00

40.000.000.000,00

60.000.000.000,00

80.000.000.000,00

100.000.000.000,00

120.000.000.000,00

0 1 2 3 4 5

Series1

Linear (Series1)

R² = 0,9319-

5.000.000.000,00

10.000.000.000,00

15.000.000.000,00

20.000.000.000,00

25.000.000.000,00

30.000.000.000,00

35.000.000.000,00

40.000.000.000,00

0 2 4 6 8

Series1

Linear (Series1)


60


Grafik di atas menjelaskan apabiloa suatu proyek dalam volume pekerjaan

yang sama dikerjakan dalam waktu yang lebih cepat akan mengeluarkan biaya

yang lebih besar pula.

Gamar 5. 4 Grafik Sensitivitas Luas vs Biaya


Dalam grafik sensitivitas luas ini terlihat ada sedikit data yang meleset.

Dimana seharusnya semakin luas bangunan maka biaya akan semakin besar pula.

Hal ini disebabkan kemungkinan karena data input ANN yang terbatas.

Gamar 5. 5 Grafik Sensitivitas Tinggi Bangunan vs Biaya


R² = 0,4592

-

2.000.000.000,00

4.000.000.000,00

6.000.000.000,00

8.000.000.000,00

10.000.000.000,00

12.000.000.000,00

14.000.000.000,00

16.000.000.000,00

18.000.000.000,00

20.000.000.000,00

- 2.000,00 4.000,00 6.000,00

Series1

Linear (Series1)

R² = 0,6589

-

10.000.000.000,00

20.000.000.000,00

30.000.000.000,00

40.000.000.000,00

50.000.000.000,00

0,00 5,00 10,00 15,00

Series1

Linear (Series1)


61


Dari grafik di atas dapat terlihat bahwa semakin tinggi bangunan maka

semakin besar pula biaya yang dikeluarkan. Hal tersebut sudah sesuai dengan

landasan teori yang telah dijelaskan pada bab sebelumnya.



BAB 6 KESIMPULAN DAN SARAN

6.1 Kesimpulan

Kesimpulan dari penelitian ini merupakan tujuan dari penelitian ini.

Dimana tujuan dari penelitian ini yang pertama adalah mencari faktor-faktor yang

mempengaruhi biaya konstruksi gedung perkuliahan umum. Yang ke dua yaitu

membuat suatu model ANN untuk mengestimasi biaya konstruksi bangunan

gedung tersebut. Sehingga, disini penulis menyimpulkan:

a. Faktor-faktor yang mempengaruhi biaya konstruksi gedung perkuliahan

umum adalah sebagai berikut:

a) Lokasi proyek, topografi tanah / kontur, tipe pondasi, luas bangunan,

jumlah lantai, tipe superstruktur, jarak tiap lantai, tinggi bangunan, bentuk

bangunan, tipe atap, tahun pembangunan, durasi proyek, finishing grade.

b. Model yang paling memiliki akurasi paling tepat adalah:

Tabel 6. 1 Kriteria Model ANN Terbaik

Training Parameter Nilai Fungsi Deskripsi

Data 15 data pelatihan dan 3 data pengujian Pelatihan/Pengujian

Jumlah input 7

Jumlah output 1

Jumlah hidden layer 1

Jumlah neuron hidden layer

4 Trial yang terbaik

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 65000

Kinerja tujuan (Goal) 10-3

Maksimum kegagalan 5

Gradient minimum 10-10



63


6.2 Saran

Dalam melakukan penelitian ini untuk mendapatkan suatu output yang

memiliki akurasi yang tepat penulis memberikan saran yang dapat menambah

sempurnannya penelitian ini. Saran yang penulis berikan adalah:

a. Permodelan ANN memiliki sensitifitas yang sangat tinggi, sehingga

kelengkapan data dan jumlah data sangat berpengaruh terhadap output

yang dihasilkan. Semakin banyak data dengan persebaran yang merata

maka semakin akurat estimasi yang dilakukan

b. Apabila variabel yang dibutuhkan tidak didapatkan data yang lengkap,

maka variabel tersebut dapat dihilangkan menggunakan SPSS atau metode

regresi lainnya. Karena hal ini mempengaruhi akan kinerja ANN dalam

membuat model dan mebaca pola data tersebut.



DAFTAR ACUAN

[1] R M. Wideman. (2001) “Project Management: From Genesis to Content to Classification” .

[2] Julian Bagus “PermodelanEstimasi Biaya Konseptual Pada Proyek Konstruksi Bangunan Pabrik Dengan Teknik Jaringan Syaraf Tiruani”.

[3] Muhamad Abduh. (2006) “Pengembangan Indeks LokasiUntuk Estimasi Biaya Tahap Konseptual Konstruksi Bangunan Gedung” .

[4] Fortune, C. and Lees, M. (1996). “The relative performance of new and traditional cost models in strategic advice and clients, The Royal Institution of Chartered Surveyors”.

[5] Alice E. Smith (1997). “Cost Estimation Predictive Modeling: Regression Versus Neural Network”.

[6] Sang Yong Kim (2005). “Comparing Cost Prediction Methods For Apartment Housing Project CBR versus ANN”.

[7] Phaobunjong (2002). “Parametric Cost Estimating Model for Conceptual Estimating of Building Construction Projects “.

[8] Mr. Christopher, (2006). “Planning The Development of Your Estimate”.

[9] Larry Dysert (2002). “The Estimate Review and Validation Process”.

[10] Kul B. Uppal, PE (2002). “Cost Engineering and Scope of Work”.

[11] Larry Dysert (2006). “Is “Estimate Accuracy” an Oxymoron?”.

[12] Larry Dysert (1999). “Developing a Parametric Model for Estimating Process Control Cost”.

[13] Hojjat Adeli dan Mingyang Wu (1998). “Regularization Neural Network For Construction Cost Estimation”.

[14] Seyed Hossein Iranmanesh dan Mansoureh Zarezadeh (2008). “Aplication of ANN to Forcast actual Cost of Project to Improve Earned Value Management sistem”.

[15] Ian flood (2006). ”Next generation ANN for Civil Engineering”.

[16] Bina R. Setyawati (2002). ”Neural Networks for Cost Estimation (Part 1)”

[17] Bina R. Setyawati (2003). ”Neural Networks for Cost Estimation (Part 2)”

[18] Peter rosini (2000). ”Using Expet Sistem and Artificial Intelligence for Real Estate Forecasting”.


65


[19] D. –S. Jeng (2003). ”Aplication of Neural Network in Civil Engineering Problems”

[20] Jong Jek Siang (2004). ”Jaringan Syaraf Tiruan dan Pemrogramanyya”.

[21] Haykin a Simon. 1994. “Neural Networks – A Comprehensive Foundation”, Macmillan College Publishing Co., Network. (1994)

[22] Robert Yin (1994). “

[23] AIA (2007). “Faktor Affecting Building Cost”.

[24] Sang Yong Kim (2005). “Comparing Cost Prediction Method for Apartement Housing Project: CBR versus ANN”

[25] Robert C (2002). “Neural Networks for Cost Estimation”


66


DAFTAR REFERENSI

AACE International Recommended Practice No.17R-97, Cost Estimate Classification Sistem.

AACE International Recommended Practice No.18R-97, Cost Estimate Classification Sistem.

Abduh, Muhamad. “Pengembangan Indeks LokasiUntuk Estimasi Biaya Tahap Konseptual Konstruksi Bangunan Gedung” . (2006).

Adeli, Hojjat & Wu, Mingyang. “Regularization Neural Network For Construction Cost Estimation”. (1998).

AIA .( “Faktor Affecting Building Cost”. (2007).

Bagus, Julian “PermodelanEstimasi Biaya Konseptual Pada Proyek Konstruksi Bangunan Pabrik Dengan Teknik Jaringan Syaraf Tiruani”. (2010).

Christopher. “Planning The Development of Your Estimate”. (2006).

Dysert, Larry. “Developing a Parametric Model for Estimating Process Control Cost”. (1999).

Dysert, Larry. “Is “Estimate Accuracy” an Oxymoron?”. (2006).

Dysert, Larry. “The Estimate Review and Validation Process”. (2002).

Flood, Ian”Next generation ANN for Civil Engineering”.(2006).

Fortune, C. and Lees, M.. “The relative performance of new and traditional cost models in strategic advice and clients, The Royal Institution of Chartered Surveyors”. (1996).

Haykin a Simon. 1994. “Neural Networks – A Comprehensive Foundation”, Macmillan College Publishing Co., Network. (1994).

Hossein, Seyed Iranmanesh & Zarezadeh, Mansoureh. “Aplication of ANN to Forcast actual Cost of Project to Improve Earned Value Management sistem”. (2008).

Jeng, D. –S.”Aplication of Neural Network in Civil Engineering Problems”. (2003).

Kim, Sang Yong “Comparing Cost Prediction Method for Apartement Housing Project: CBR versus ANN”. (2005).

Phaobunjong.“Parametric Cost Estimating Model for Conceptual Estimating of Building Construction Projects “. (2002)

Robert, C “Neural Networks for Cost Estimation”. (2002).


67


Rosini, Peter”Using Expet Sistem and Artificial Intelligence for Real Estate Forecasting”. (2000).

Setyawati, Bina R. ”Neural Networks for Cost Estimation (Part 1)”. (2002).

Setyawati, Bina R. ”Neural Networks for Cost Estimation (Part 2)”. (2003).

Siang, Jong Jek”Jaringan Syaraf Tiruan dan Pemrogramanyya”. (2004).

Smith, Alice E. “Cost Estimation Predictive Modeling: Regression Versus Neural Network”. (1997).

Uppal, Kul B. “Cost Engineering and Scope of Work”. (2002).

Wideman, R M. “Project Management: From Genesis to Content to Classification”. (2001)

Yin, Robert “Case Study Research, Design and Method” (1994).


LAMPIRAN 1

KUESIONER VALIDASI


L5-2 Universitas Indonesia

Lampiran 1 : Kuesioner Validasi

ESTIMASI BIAYA TAHAP KONSEPTUAL BANGUNAN GEDUNG PERKULIAHAN UNIVERSITAS INDONESIA DEPOK DENGAN METODE JARINGAN SYARAF TIRUAN

KUESIONER PENELITIAN VALIDASI PAKAR DAN PELAKU KONSTRUKSI

(IDENTIFIKASI VARIABEL-VARIABEL DESAIN GEDUNG PERKULIAHAN PADA TAHAP KONSEPTUAL)

TEKAD UTOMO

0806454481

FAKULTAS TEKNIK

DEPARTEMEN TEKNIK SIPIL

2012



Lampiran 1 : (Lanjutan)

LATAR BELAKANG

Estimasi biaya tahap konspetual pada gedung perkuliahan bertujuan untuk memberikan gambaran mengenai biaya proyek gedung

perkuliahan yang kemudian dapat digunakan sebagai uji kelayakan, basis perencanaan, serta perumusan keputusan-keputusan penting

mengenai proyek lainnya. Estimasi tersebut dapat dilakukan dengan data proyek masa lalu yang diolah dengan suatu model estimasi yang

dalam penelitian ini menggunakan metode Atificial Neural Network/Jaringan Syaraf Tiruan. Dengan mengidentifikasi faktor-faktor yang

berpengaruh terhadap biaya pembangunan gedung perkuliahan pada tahap estimasi dan mengembangkan model estimasi tersebut, estimator

dapat merencanakan biaya pembangunan gedung perkuliahan yang dibutuhkan. Hal yang dibutuhkan untuk memenuhi tujuan tersebut

adalah data-data lampau terkait proyek gedung perperkuliahanan yang lampau, berikut variabel-variabel desain atau karakteristik dari

gedung perperkuliahanan yang tersdia pada tahap konseptual, beserta biaya yang dikeluarkan/nilai kontraknya. Metode Artificial Neural

Network akan dijalankan dengan menggunakan software MATLAB dan diharapkan dapat meningkatkan keakurasian estimasi proyek,

gedung perperkuliahanan khususnya, pada tahap konseptual. Dengan output berupa model berdasarkan Artificial Neural Network tersebut,

dapat digunakan di kemudian hari saat mengestimasi biaya pembangunan konstruksi gedung perkuliahan dalam tahapan konseptual.

TUJUAN PENELITIAN

Adanya penelitian ini tentunya memiliki tujuan yang penting. Tujuan dari penelitian ini adalah sebagai berikut :

1. Mengidentifikasi faktor-faktor yang berpengaruh terhadap biaya konstruksi pembangunan gedung perkuliahan.

2. Mengembangkan model estimasi biaya tahap konseptual gedung perkuliahan dengan menggunakan metode jaringan syaraf tiruan.




.

KERAHASIAAN INFORMASI

Seluruh informasi yang telah Bapak/ Ibu berikan dalam kuesioner akan dijaga kerahasiaannya.

INFORMASI HASIL PENELITIAN

Setelah seluruh informasi telah didapatkan dan dianalisa, maka hasilnya akan disampaikan kepada Perusahaan Bapak/ Ibu dan apabila ada

pertanyaan mengenai penelitian ini, maka Bapak/ Ibu dapat menghubungi :

1. Penulis/ Mahasiswa : Tekad Utomo pada HP : 085715876731atau e-mail : [email protected]

2. Pembimbing 1 : Ir. Winu Isvara, MT pada HP 0816996713 atau e-mail : [email protected]

3. Pembimbing 2 : Prof. Dr. Ir. Yusuf Latief, MT pada HP 08158977999 atau e-mail : [email protected]

Terimakasih atas kesediaan Bapak/ Ibu untuk mengisi kuesioner ini. Semua informasi yang telah diberikan ini hanya akan digunakan untuk

kepentingan penelitian serta dijamin kerahasiaannya.

Hormat saya,

Tekad Utomo




Data Responden dan Petunjuk Singkat

1. Nama Responden :

2. Jenis Kelamin :

3. Umur :

4. Perusahaan/Instansi :

5. Pengalaman Kerja : (tahun)

6. Pendidikan Terakhir : D3/S1/S2/S3 (coret yang tidak perlu)

7. Tanda Tangan :




PETUNJUK PENGISIAN KUESIONER

1. Jawaban merupakan komentar/presepsi/pendapat Bapak/Ibu mengenai variabel-variabel apa saja yang mempengaruhi biaya

konstruksi pembangunan gedung perkuliahan.

2. Pengisian kuesioner ini dilakukan dengan memberikan tanda pada salah satu tabel Ya/Tidak serta menulis

komentar/pendapat/keterangan tambahan pada kolom yang disediakan.




Bagian 1

Variabel Indikator Penilaian Keterangan Referensi Ya Tdk Tanggapan

Faktor Lokasi

X1 Lokasi Gedung

Perkuliahan

Kota Berkaitan dengan akses,

mobilisasi alat, kondisi

site

Song Yong Kim (2005),

Phabounjong (2002), AIA

X2 Kondisi Tanah cut, fill, cut

& fill,

pembersihan

lahan

Berkaitan dengan

kebutuhan pekerjaan

pengerukan atau

penimbunan lahan

Song Yong Kim (2005),

Phabounjong (2002), AIA

Faktor Desain

X3 Tipe Pondasi Bore Pile,

Tiang

Pancang,

Mat, Mat

Pile

Berkaitan dengan tipe

pondasi yang digunakan

pada gedung perkuliahan

Song Yong Kim (2005), Robert

C (2002)




Sambungan


X4 Luas Total

Gedung

Perkuliahan

m2 Total luas keseluruhan

lantai gedung

perkuliahan

Song Yong Kim (2005), Robert

C (2002)

X5 Jumlah Lapis

Bangunan

numerikal Jumlah tingkat gedung

perkuliahan yang berada

di atas muka tanah

Phabounjong (2002)

X6 Tipe

Superstuktur

beton, baja,

komposit

Jenis superstuktur yang

digunakan pada gedung

perkuliahan

Yokoyama & Tomiya (1988),

Gould (1997)

X7 Jarak Floor-to-

Floor

meter Jarak antara satu lantai

dengan lantai lain di

atasnya pada gedung

Anoli & Masi (2002), Setyawati

& Sahirman (2002)

X8 Tinggi

Bangunan

meter Tinggi keseluruhan

gedung dari muka tanah

Ferry., Dj (1999), johnson R

(1990), Marshal & Swift (2005)




Sambungan


X9 Bentuk

(Shape)

segitiga,

segiempat,

segibanyak,

lingkaran

Berkaitan dengan plan

shape dari gedung yang

dihitung dari sisi

maupun sudut yang

dimilikinya

Anoli & Masi (2002), Setyawati

& Sahirman (2002)

X10 Tipe Atap Flat (dak

beton),

Wood

Frame, Steel

Frame

Tipe material yang

digunakan untuk atap

gedung

Song Yong Kim (2005)

X11 Finishing

Grade

Rate 1 - 3 Grade dari finishing

berdasarkan indeks

kualitas dari PERMEN

PU No. 45/PRT/2007





Sambungan

Faktor Waktu

X12 Tahun

Pembangunan

Tahun Tahun mulai pembuatan

gedung perkuliahan


X13 Durasi Proyek Bulan Lamanya pembangunan

konstruksi gedung

perkuliahan berlangsung





Apabila ada kriteria desain diluar daripada yang tertera dalam tabel di atas, maka dapat Bapak/Ibu tambahkan beserta dengan tanggapannya.

No. Variabel Indikator Penilaian Keterangan Alasan


LAMPIRAN 2

TABULASI DATA KESELURUHAN



Lampiran 2 : Tabulasi Data Keseluruhan

No Nama Proyek

Luas Bangunan

m2

Jumlah Lantai

Tinggi Bangunan

m

Jarak Lantai m

Durasi Pekerjaan Tahun

Pekerjaan Tipe atap

(genteng,dak,dll) Tipe super struktur

(beton,baja,komposit)

Finishing grade (1,2,3)

Kondisi tanah

(cut,fill,cut and fill)

Lokasi Jenis

Pondasi Bentuk

Bangunan Biaya Proyek

(rupiah)

1 Proyek 1 4,622.83 3.00 11.25 3.75 6.00 2010 Genteng beton

Semarang borepile persegi panjang

12,713,346,363.60

2 Proyek 2 4,404.28 3.00 11.40 3.80 6.00

2010 Genteng beton

Bali borepile persegi panjang

19,815,545,454.50

3 Proyek 3 4,844.71 3.00 11.25 3.75 6.00

2010 Genteng beton

Surabaya tiang

pancang persegi panjang

21,737,536,363.60

4 Proyek 4 5,421.26 3.00 12.60 4.20 6.00

2009 Genteng beton

Manado borepile persegi panjang

19,027,636,363.60

5 Proyek 5 6,926.74 3.00 11.25 3.75 6.00

2010 Genteng beton


43,088,424,545.50

6 Proyek 6 5,421.26 3.00 11.25 3.75 6.00

2010 Genteng beton


27,995,727,272.70

7 Proyek 7 3,493.00 3.00 11.25 3.75 3.50

2008 Genteng beton

Solo borepile persegi panjang

8,117,118,181.81

8 Proyek 8 2,970.93 3.00 11.25 3.75 3.00

2010 Genteng beton

Bali minipile persegi panjang

50,312,454,545.40

9 Proyek 9 2,568.00 3.00 11.25 3.75 5.00

2010 Genteng beton

Surabaya borepile persegi panjang

3,289,409,090.91

10 Proyek 10 1,811.04 3.00 11.25 3.75 6.00

2010 Genteng beton


2,445,440,909.09

11 Proyek 11 3,626.40 3.00 11.25 3.75 3.00

2010 Genteng beton


20,113,887,272.70

12 Proyek 12 5,439.60 3.00 11.25 3.75 3.00

2010 Genteng beton

Yogyakarta tiang


19,090,909,090.91

13 Proyek 13 9,208.88 3.00 11.25 3.75 5.00

2008 Genteng beton

Yogyakarta borepile persegi panjang

32,693,636,363.60

14 Proyek 14 4,753.00 3.00 11.25 3.75 3.00

2010 Genteng beton


18,674,200,000.00

15 Proyek 15 10,423.08 3.00 11.25 3.75 6.00

2010 Genteng beton

Padang tiang


29,382,263,636.40

16 Proyek 16 4,475.15 3.00 11.25 3.75 5.00 2011 Genteng beton

Bandung borepile persegi panjang

19,818,181,818.18

17 Proyek 17 4,622.83 3.00 11.25 3.75 6.00

2009 Genteng beton


8,815,418,181.81

18 Proyek 18 3,771.02 3.00 11.25 3.75 5.00

2007 Genteng beton

Bandung borepile persegi panjang

21,383,517,935.50


LAMPIRAN 3

TABULASI DATA INPUT ANN



Lampiran 3 : Tabulasi Data Input ANN

4622.83 3.00 11.25 3.75 6.00 2010 3.00 1.00 12,713,346,363.60

4404.28 3.00 11.4 3.80 6.00 2010 7.00 1.00 19,815,545,454.50

4844.71 3.00 11.25 3.75 6.00 2010 5.00 2.00 21,737,536,363.60

5421.26 3.00 12.6 4.20 6.00 2009 8.00 1.00 19,027,636,363.60

6926.74 3.00 11.25 3.75 6.00 2010 3.00 1.00 43,088,424,545.50

5421.26 3.00 11.25 3.75 6.00 2010 8.00 1.00 27,995,727,272.70

3493.00 3.00 11.25 3.75 3.50 2008 6.00 1.00 8,117,118,181.81

2970.93 3.00 11.25 3.75 3.00 2010 7.00 1.00 50,312,454,545.40

2568.00 3.00 11.25 3.75 5.00 2010 5.00 1.00 3,289,409,090.91

1811.04 3.00 11.25 3.75 6.00 2010 5.00 1.00 2,445,440,909.09

3626.40 3.00 11.25 3.75 3.00 2010 5.00 1.00 20,113,887,272.70

5439.60 3.00 11.25 3.75 3.00 2010 4.00 2.00 19,090,909,090.91

9208.88 3.00 11.25 3.75 5.00 2008 4.00 1.00 32,693,636,363.60

4753.00 3.00 11.25 3.75 3.00 2010 8.00 1.00 18,674,200,000.00

10423.08 3.00 11.25 3.75 6.00 2010 9.00 2.00 29,382,263,636.40


LAMPIRAN 4

HASIL VALIDASI OUTPUT



Lampiran 4 : Hasil Validasi Output

(7-4-1) (7-3-1) (7-5-1)

Asli ANN selisih Akurasi Asli ANN selisih Akurasi Asli ANN selisih Akurasi 1.27 1.3911

0.12 9%

1.27 1.0019

(0.27) -21%

1.28 1.0019

(0.28) -22%

1.98 1.7773

(0.20) -10%

1.98 1.9775

(0.00) 0%

1.97 1.9775

0.00 0%

2.17 2.1556

(0.02) -1%

2.17 2.161

(0.01) -1%

2.19 2.161

(0.02) -1%

1.90 1.9481

0.05 2%

1.90 1.9028

0.00 0%

1.90 1.9028

0.00 0%

4.31 4.2022

(0.11) -2%

4.31 4.3162

0.01 0%

4.20 4.3162

0.12 3%

2.80 2.8786

0.08 3%

2.80 2.8085

0.01 0%

2.79 2.8085

0.02 1%

0.81 0.8026

(0.01) -1%

0.81 0.8116

(0.00) 0%

0.82 0.8116

(0.00) 0%

5.03 4.9507

(0.08) -2%

5.03 3.4471

(1.58) -31%

5.00 3.4471

(1.55) -31%

0.33 0.2846

(0.04) -13%

0.33 0.3235

(0.01) -2%

0.40 0.3235

(0.08) -19%

0.24 0.3219

0.08 32%

0.24 0.2675

0.02 9%

0.05 0.2675

0.21 395%

2.01 2.0526

0.04 2%

2.01 2.0117

0.00 0%

2.04 2.0117

(0.03) -2%

1.91 1.9099

0.00 0%

1.91 1.9234

0.01 1%

1.90 1.9234

0.03 1%

3.27 3.3148

0.05 1%

3.27 3.2585

(0.01) 0%

3.28 3.2585

(0.03) -1%

1.87 1.9464

0.08 4%

1.87 3.4481

1.58 85%

1.88 3.4481

1.57 84%

2.94 2.9502

0.01 0%

2.94 2.9352

(0.00) 0%

2.95 2.9352

(0.01) 0%

2% 3% 27%

Validasi Validasi Validasi

Asli ANN selisih Akurasi Asli ANN selisih Akurasi Asli ANN selisih Akurasi 1.98 1.9751 (0.01) 0%

1.98 1.9987 0.02 1%

2.04 1.9987 (0.04) -2%

0.88 0.8484 (0.03) -4%

0.88 1.1627 0.28 32%

1.08 1.1627 0.09 8%

2.14 2.1218 (0.02) -1%

2.14 2.0956 (0.04) -2%

2.07 2.0956 0.02 1%

-2% 10% 2%

(7-7-1) (7-6-1)

Asli ANN selisih Akurasi Asli ANN selisih Akurasi 1.26 1.0019 (0.26) -21% 1.24

1.0019 (0.23) -19% 1.94 1.9775 0.04 2%

1.92 1.9775 0.06 3%

2.19 2.161 (0.03) -1%

2.15 2.161 0.01 0%

1.91 1.9028 (0.01) 0% 1.89

1.9028 0.01 1% 4.31 4.3162 0.00 0% 4.26

4.3162 0.06 1% 2.87 2.8085 (0.06) -2% 2.78

2.8085 0.03 1% 0.79 0.8116 0.02 3%

0.73 0.8116 0.08 11%

4.98 3.4471 (1.53) -31%

4.92 3.4471 (1.47) -30%

0.55 0.3235 (0.22) -41% 0.44

0.3235 (0.12) -27% 0.10 0.2675 0.17 180% 0.06

0.2675 0.21 339% 2.06 2.0117 (0.05) -2% 1.93

2.0117 0.08 4% 1.88 1.9234 0.04 2%

1.86 1.9234 0.06 3%

3.30 3.2585 (0.04) -1% 3.21

3.2585 0.04 1% 1.93 3.4481 1.52 79% 1.76

3.4481 1.69 96% 2.82 2.9352 0.12 4% 2.92

2.9352 0.01 0%

11.36% 26%

Validasi Validasi

Asli ANN selisih Akurasi Asli ANN selisih Akurasi 1.96 1.9987 0.04 2%

1.94 1.9987 0.06 3%

0.88 1.1627 0.28 32%

0.86 1.1627 0.30 35%

2.14 2.0956 (0.04) -2%

2.09 2.0956 0.01 0%

11% 13%


LAMPIRAN 5

BERITA ACARA



Lampiran 5 : (lanjutan)


FAKULTAS TEKNIK

PROGRAM STUDI TEKNIK SIPIL

DEPOK

RISALAH PERBAIKAN SKRIPSI

Dengan ini menyatakan bahwa pada:

Hari : Jumat, 22 Juni 2012

Jam : 10.00 WIB – 11.30 WIB

Tempat : Ruang K.105 FTUI Telah berlangsung Ujian Skripsi Semester Gasal 2011/2012 Program Studi Teknik Sipil, Program Pendidikan Sarjana Reguler, Fakultas Teknik Universitas Indonesia dengan peserta :

Nama : Tekad Utomo

NPM : 0806454481

Judul Seminar Skripsi : Estimasi Biaya Tahap Konseptual Bangunan Gedung Perkuliahan Umum Dengan Metode Jaringan Syaraf Tiruan

Dan dinyatakan harus menyelesaikan perbaikan Seminar yang diminta oleh Dosen Penguji, yaitu :




Dosen Pembimbing : Ir. Wisnu Isvara, M.T.

No Rekomendasi Koreksi yang dilakukan

1 Tampilkan model persamaan matematis ANN Sudah dilakukan di halaman

55-57

2 Tambahkan skenario uji coba permodelan ANN Sudah dilakukan dilampiran

4

3 Tampilkan R2 dari grafik sensitivitas Sudah dilakukan di halaman

57-60 Dosen Penguji : Prof. DR. Ir. Yusuf Latief, M.T.


1 Abstrak skripsi diubah Sudah dilakukan

2 Penulisan sesuai SK. Rektor No. 628 Sudah dilakukan

3 Argumentasikan grafik analisis sensitivitas

Sudah dilakukan di halaman 57-60

Dosen Penguji : Ir. Setyo Suprijadi, Msi.


1 Tambahkan argumentasi analisis sensitivitas

Sudah dilakukan di halaman 57-60

2 Tambahkan literatur Sudah dilakukan Dosen Penguji : Rosmarini, S.T.,M.T.


1 Tambahkan literatur Sudah dilakukan

2 Bab 2 lebih diperjelas kembali Sudah dilakukan




Skripsi ini telah selesai diperbaiki sesuai dengan keputusan sidang skripsi Jumat, 22 Juni 2012 dan telah mendapat persetujuan dari dosen dan pembimbing.

Depok, 10 Juli 2012

Menyetujui,

Dosen Pembimbing I Dosen Pembimbing II

Ir. Wisnu Isvara, M.T. Prof. DR. Ir. Yusuf Latief, M.T.

Dosen Penguji Dosen Penguji

Ir. Setyo Suprijadi, Msi. Rosmariani, S.T.,M.T.


ESTIMASI BIAYA TAHAP KONSEPTUAL BANGUNAN GEDUNG …lib.ui.ac.id/file?file=digital/20309461-S42840-Estimasi... · universitas indonesia halaman judul estimasi biaya tahap konseptual

Documents