estimasi biaya tahap konseptual pada …lib.ui.ac.id/file?file=digital/20316102-s43901-estimasi...

UNIVERSITAS INDONESIA

ESTIMASI BIAYA TAHAP KONSEPTUAL PADA

KONSTRUKSI GEDUNG PERKANTORAN DENGAN

METODE ARTIFICIAL NEURAL NETWORK

SKRIPSI

LUDYA KESTURI

0806321215

FAKULTAS TEKNIK

PROGRAM SARJANA

DEPOK

JUNI 2012

Estimasi biaya..., Ludya Kesturi, FTUI, 2012

Perpustakaan

Note

Silakan klik bookmarks untuk melihat atau link ke hlm

1155/FT.01/SKRIP/09/2012


ESTIMASI BIAYA TAHAP KONSEPTUAL PADA

KONSTRUKSI GEDUNG PERKANTORAN DENGAN

METODE ARTIFICIAL NEURAL NETWORK

SKRIPSI Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana

LUDYA KESTURI

0806321215

FAKULTAS TEKNIK

PROGRAM STUDI TEKNIK SIPIL

KEKHUSUSAN MANAJEMEN KONSTRUKSI

DEPOK

JUNI 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 : Ludya Kesturi

NPM : 0806321215

Tanda Tangan :

Tanggal : 22 Juni 2012


iii

HALAMAN PENGESAHAN

Skripsi ini diajukan oleh :


NPM : 0806321215

Program Studi : Teknik Sipil

Judul Skripsi : Estimasi Biaya Tahap Konseptual pada Konstruksi

Gedung Perkantoran dengan Metode Artificial

Neural Network

Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima

sebagai bagian persyaratan yang diperlukan untuk memperoleh gelar

Sarjana Teknik pada Program Studi Teknik Sipil, Fakultas Teknik,

Universitas Indonesia.

DEWAN PENGUJI

Pembimbing 1 : Ir. Wisnu Isvara, M.T. ( )

Pembimbing 2 : Prof. Dr. Ir. Yusuf Latief ( )

Penguji : Ir. Setyo Supriadji, M.S. ( )

Penguji : Rosmariani S.T., M.T. ( )

Ditetapkan di : Depok

Tanggal : 22 Juni 2012


iv

UCAPAN TERIMA KASIH

Puji dan syukur penulis panjatkan kepada Allah SWT karena hanya berkat

rahmat dan ridho-Nya penulis dapat menyelesaikan penyusunan skripsi ini.

Penelitian ini merupakan salah satu syarat untuk dapat melanjutkan ke tahap

berikutnya yaitu penyusunan skripsi, dan lebih dekat lagi kepada gelar Sarjana

Teknik dari Departemen Teknik Sipil, Fakultas Teknik, Universitas Indonesia.

Secara khusus penulis mempersembahkan seminar skripsi ini kepada

orang tua khususnya Mama dan Almarhum Ayah. Terima kasih atas kasih sayang

dan dukungan yang diberikan selama ini. Serta kepercayaan dan teladan bagi diri

penulis.

Penulis menyadari bahwa dalam penulisan skripsi ini, masih terdapat

kekurangan dan keterbatasan. Oleh karena itu, penulis terbuka terhadap kritik dan

saran untuk perbaikan dan penyempurnaan penelitian ini. Semoga penelitian ini

berguna bagi perkembangan bidang konstruksi di Indonesia.

Dalam proses pembuatan skripsi ini penulis banyak mendapatkan bantuan

dan dukungan dari berbagai pihak, baik perorangan maupun instansi terkait. Pada

kesempatan kali ini penulis ingin mengucapkan terima kasih sebesar-besarnya

kepada seluruh pihak yang telah membantu terwujudnya skripsi ini, antara lain

kepada:

(1) Bapak Prof. Dr. Ir. Yusuf Latief, selaku Ketua Bimbingan Skripsi pada

peminatan Manajemen Konstruksi, serta Pembimbing Skripsi penulis yang

telah bersedia meluangkan waktu, tenaga, pemikiran, dan memberikan

pengarahan yang berharga dalam pembuatan seminar ini.

(2) Bapak Ir. Wisnu Isvara, MT., selaku Pembimbing Skripsi penulis atas

pengarahan yang diberikan kepada penulis sejak awal, serta peluangan

waktu, tenaga, dan pemikiran beliau dalam memberikan bimbingan yang

sangat bermanfaat bagi seminar skripsi penulis

(3) Bapak Suratman, ST., MT. dan Ibu Rosmariani, ST., MT., selaku dosen

penguji dalam Sidang Seminar Skripsi penulis atas masukan dan

rekomendasi yang telah diberikan.


v

(4) Kak Panggih selaku narasumber, atas kebersediaan beliau dalam membantu

seminar skripsi penulis khususnya dalam penyediaan data yang diperlukan.

(5) Kepada Kak Julian Bagus yang rela meluangkan waktunya untuk

memberikan ilmu mengenai ANN

(6) Seluruh dosen pengajar yang telah mengajar selama penulis menempuh

perkuliahan di FTUI. Terima Kasih atas dedikasi dan ilmu yang bermanfaat,

semoga Tuhan memberkati.

(7) Seluruh staff pegawai di lingkungan FTUI terutama bagian administrasi,

juga keamanan, teknologi informasi, dan lain-lain. Terima kasih telah

membantu kelancaran jalannya perkuliahan di Teknik Sipil FTUI.

(8) Kakak-kakak penulis yang ikut membantu memperlancar kegiatan penulis

selama penelitian skripsi ini.

(9) Sahabat-sahabat serta teman-teman SMA penulis yang senantiasa

memberikan dukungan kepada penulis; Vina, Utie, Ipeh, Caca, Popo, Fina,

Nisa. Terimakasih karena selalu ada untuk penulis termasuk di saat

penulisan skripsi ini.

(10) Jennyvera dan juga rekan-rekan satu bimbingan lain, yang telah melewati

masa-masa bimbingan bersama dengan penulis. Terimakasih atas

kekooperatifannya dan dukungan semangatnya.

(11) Seluruh teman-teman angkatan 2008 atas dukungan, doa, serta masukan

yang diberikan. Terima kasih telah mewarnai kehidupan kampus penulis.

(12) Seluruh pihak dan teman-teman lainnya yang tidak dapat disebutkan satu

persatu. Terima Kasih Banyak.

Depok, 22 Juni 2012

Penulis


vi Universitas Indonesia

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI

TUGAS AKHIR UNTUK KEPENTINGAN AKADEMIS

Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda tangan di

bawah ini:


NPM : 0806321215

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 :

Estmiasi Biaya Tahap Konseptual pada Konstruksi Gedung Perkantoran

dengan Metode Artificial Neural Network

beserta perangkat yang ada (jika diperlukan) dengan Hak Bebas Royalti

Noneksklusif ini 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 : 22 Juni 2012

Yang Menyatakan

(Ludya Kesturi)


vii Universitas Indonesia

ABSTRAK


Program Studi : Teknik Sipil

Judul : Estimasi Biaya Tahap Konseptual pada Konstruksi Gedung

Perkantoran dengan Metode Artificial Neural Network

Estimasi biaya tahap konseptual pada konstruksi merupakan hal fundamental bagi

keberlangsungan suatu proyek. Perlu dikembangkan suatu metode estimasi biaya

yang mampu memiliki performa serta akurasi tinggi. Penelitian ini dikhususkan

untuk memberikan gambaran mengenai metode jaringan syaraf tiruan pada

estimasi biaya proyek tahap konseptual untuk proyek gedung kantor. Untuk

mencapai optimasi model, perlu digunakan variabel-variabel yang tepat sebagai

input sehingga kesahihan dan keakurasian output dapat dipertanggungjawabkan.

Variabel yang mempengaruhi biaya proyek gedung kantor yang tersedia pada

tahap konseptual antara lain, lokasi, pondasi, luas total, tingkat, lapis basement,

konstruksi atap, finishing grade, tahun, dan durasi pembangunan. Variabel ini

kemudian dimasukkan dalam suatu desain struktur jaringan yang paling cocok

sehingga keakurasiannya mencapai 7,79%, memenuhi standar AACE.

Kata kunci: Estimasi biaya tahap konseptual, estimasi biaya gedung perkantoran,

Jaringan Syaraf Tiruan

ABSTRACT

Name : Ludya Kesturi

Study Program: Civil Engineering

Title : Conceptual Cost Estimation of Office Building Constructions

Using Artifical Neural Network Method

Conceptual estimation is one of the most fundamental part in construction

projects. Thus, it needed a development in estimation methods in order to gain

more accuracy and better performance in cost estimations. This research

especially provides an explanation in the implementation of Artificial Neural

Network method in office building construction cost estimation. To reach model

optimization, correct variables are needed as inputs to gain output which is

accurate and reliable. The variables which affect the office building construction

project cost and available at the conceptual phase are, location, foundation, area,

number of story, number of basement story, roof construction, finishing grade,

year, and project duration. The variables then run in the best network structure and

most fitting model of artificial neural network to obtain the best result, which is

7,79% complimentary to AACE standard.

Keywords: Cost estimation in conceptual phase, office building cost estimation,

Artificial Neural Network


viii Universitas Indonesia

DAFTAR ISI

HALAMAN JUDUL ................................................................................................ i

HALAMAN PERNYATAAN ORISINALITAS .................................................... ii

HALAMAN PENGESAHAN ................................................................................ iii

UCAPAN TERIMA KASIH .................................................................................. iv

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI ............................. vi

ABSTRAK ............................................................................................................ vii

DAFTAR ISI ........................................................................................................ viii

DAFTAR TABEL ................................................................................................... x

DAFTAR GAMBAR ............................................................................................. xi

DAFTAR LAMPIRAN ......................................................................................... xii

1. PENDAHULUAN .............................................................................................. 1

1.1. Latar Belakang ......................................................................................... 1

1.2. Perumusan Masalah .................................................................................. 4

1.2.1. Deskripsi Masalah ........................................................................... 4

1.2.2. Signifikansi Masalah ....................................................................... 5

1.2.3. Rumusan Masalah ........................................................................... 6

1.3. Tujuan Penelitian ...................................................................................... 6

1.4. Batasan Penelitian .................................................................................... 7

1.5. Manfaat Penelitian .................................................................................... 7

1.6. Model Operasional Peneltian ................................................................... 8

1.7. Keaslian Penelitian ................................................................................... 9

2. TINJAUAN PUSTAKA .................................................................................. 12

2.1. Pendahuluan ........................................................................................... 12

2.2. Estimasi Biaya ........................................................................................ 14

2.2.1. Estimasi Biaya Proyek Konstruksi................................................. 14

2.2.2. Jenis-Jenis Estimasi Biaya Proyek ................................................. 16

2.2.3. Metode-Metode Estimasi Biaya Proyek ........................................ 18

2.2.4. Tingkat Keakurasian Estimasi Biaya Proyek ................................. 21

2.3. Estimasi Biaya Tahap Konseptual .......................................................... 24

2.3.1. Tingkatan Estimasi Biaya Tahap Konseptual ............................... 25

2.3.2. Karakteristik Estimasi Biaya Tahap Konseptual .......................... 27

2.3.3. Proses Estimasi Biaya Konstruksi Tahap Konseptual .................. 27

2.3.4. Kualitas Estimasi Biaya padaTahap Konseptual .......................... 32

2.3.5. Dasar Perhitungan Estimasi Biaya pada Tahap Konseptual ......... 32

2.4. Gedung ................................................................................................... 33

2.4.1. Definisi Gedung ............................................................................. 33

2.4.1.1. Klasifikasi Gedung ............................................................ 35

2.4.1.2. Tata Bangunan ................................................................... 37

2.4.2. Faktor-Faktor yang Mempengaruhi Biaya Konstruksi Gedung..... 39

2.4.3. Gedung Kantor ............................................................................... 44

2.4.3.1. Perencanaan Gedung Kantor ............................................. 46

2.4.4. Spesifikasi Gedung Kantor pada Tahap Konseptual......................51

2.4.5. Metode Estimasi Biaya Tahap Konseptual Gedung Kantor .......... 55

2.5. Jaringan Syaraf Tiruan (Artificial Neural Network) ............................... 57

2.5.1. Deskripsi Artificial Neural Network ........................................... 58


ix

ix Universitas Indonesia

2.5.2. Konsep Dasar Model Artificial Neural Network ........................ 61

2.5.3. Arsitektur Jaringan pada Artificial Neural Network ................... 64

2.5.4. Proses Pembelajaran Algoritma Artificial Neural Network........ 66

2.5.5. Penggunaan Algoritma Back Propagation .................................. 67

2.5.6. Evaluasi Kinerja Model ANN ..................................................... 73

2.5.7. Variabel-Variabel yang Digunakan dalam Model ANN ............. 74

2.6. Kerangka Pikir dan Hipotesa .................................................................. 76

3. METODOLOGI PENELITIAN .................................................................... 82 3.1. Pendahuluan ........................................................................................... 82

3.2. Pemilihan Strategi Penelitian ................................................................. 82

3.3. Proses Penelitian ..................................................................................... 84

3.4. Variabel Penelitian ................................................................................. 86

3.4.1. Instrumen Penelitian ...................................................................... 89

3.5. Pengumpulan Data ................................................................................. 89

3.6. Metode Analisa ....................................................................................... 93

3.7. Kesimpulan ............................................................................................. 94

4. PENGUMPULAN DAN PENGOLAHAN DATA........................................ 95 4.1. Pendahuluan ........................................................................................... 95

4.2. Pengumpulan Data ................................................................................. 95

4.3. Penetapan Variabel ............................................................................... 102

4.2.1. Identifikasi Variabel..................................................................... 102

4.2.2. Validasi Variabel ......................................................................... 105

4.2.3. Penetapan Variabel ...................................................................... 111

3.4. Pengolahan Data ................................................................................... 114

5. TEMUAN DAN PEMBAHASAN ................................................................ 129 5.1. Pendahuluan ......................................................................................... 129

5.2. Temuan ................................................................................................. 129

5.3. Pembahasan .......................................................................................... 137

6. KESIMPULAN DAN SARAN ..................................................................... 145 6.1. Kesimpulan ........................................................................................... 145

6.2. Saran ..................................................................................................... 147

DAFTAR ACUAN..............................................................................................148

DAFTAR REFERENSI.....................................................................................156


x Universitas Indonesia

DAFTAR TABEL

Tabel 2.1 Matriks Klasifikasi Estimasi AACE .................................................. 22

Tabel 2.2 Klasifikasi Bangunan Gedung Pemerintah ...................................... 344

Tabel 2.3 Klasifikasi bangunan rumah negara ................................................... 36

Tabel 2.4 Tabel Biaya Square Foot Gedung Apartemen dan Perkantoran ........ 40

Tabel 2.5 Analogi Jaringan Syaraf Biologis dengan ANN ................................. 59

Tabel 2.6 Variabel Biaya untuk Bangunan Gedung dari Kajian Literatur .......... 74

Tabel 2.7 Variabel Penelitian ............................................................................. 77

Tabel 3.1 Strategi Penelitian Berdasarkan Research Question.. ......................... 83

Tabel 3.2 Tabel Variabel Bebas (X) dan Variabel Terikat (Y). .......................... 87

Tabel 3.3 Format Formulir Validasi Pakar ........................................................ 91

Tabel 4.1 Rekap Data ......................................................................................... 97

Tabel 4.2 Identifikasi Variabel ......................................................................... 102

Tabel 4.3 Tabel Kuesioner Validasi Pakar. ....................................................... 106

Tabel 4.4 Variabel Setelah Validasi Pakar ........................................................ 111

Tabel 4.5 Variabel yang Dieliminasi ................................................................ 112

Tabel 4.6 Spesifikasi Bangunan Gedung Permenpu No.45 Tahun 2007 .......... 112

Tabel 4.7 Kategori Finishing Grade Penelitian ................................................. 113

Tabel 4.8 Saran Pakar Mengenai Variabel Tambahan ...................................... 113

Tabel 4.9 Variabel yang Akan Digunakan Pada Penelitian .............................. 114

Tabel 4.10 Tabel Data Skenario 1 ....................................................................... 118

Tabel 4.11 Variabel Skenario 1 ........................................................................... 119

Tabel 4.12 Rekap Hasil Skenario 1 ..................................................................... 120










Tabel 5.1 Identifikasi Variabel dan Kajian Literatur ........................................ 130

Tabel 5.2 Variabel Berdasarkan Data Proyek ................................................... 131

Tabel 5.3 Properti Pelatihan .............................................................................. 133


Tabel 5.5 Data untuk Pelatihan Skenario 3 ....................................................... 135

Tabel 5.6 Hasil Pelatihan dengan MMRE Terbaik ........................................... 135

Tabel 5.7 Range dan Karakteristik Statistik Variabel ....................................... 137

Tabel 5.8 Kriteria Pelatihan Terbaik ................................................................. 137

Tabel 5.9 Arsitektur Jaringan Pelatihan Terbaik............................................... 138

Tabel 5.10 Bobot dari Layar Masukan ke Layar Tersembunyi .......................... 139

Tabel 5.11 Bobot dari Layar Tersembunyi ke Layar Keluaran .......................... 140

Tabel 6.1 Variabel yang Berpengaruh Terhadap Biaya Gedung Kantor .......... 145

Tabel 6.2 Kriteria Permodelan ANN ................................................................ 146


xi Universitas Indonesia

DAFTAR GAMBAR

Gambar 1.1 Model Operasional Penelitian ........................................................... 8

Gambar 2.1 Timeline Perkembangan Artificial Intelligence .............................. 18

Gambar 2.2 Akurasi Estimasi Biaya versus Tahap Konstruksi .......................... 18

Gambar 2.3 Aplikasi dari Metode Estimasi Selama Delivery Proyek ................ 21

Gambar 2.4 Peningkatan Akurasi Estimasi Sesuai Tingkatan Definisi Proyek .. 24

Gambar 2.5 Alur Proses Estimasi Biaya Tahap Konseptual ............................... 29

Gambar 2.6 Skema Subsistem Dan Sistem Kontrol ........................................... 46

Gambar 2.8 Diagram Klasifikasi Kepemilikan Gedung Kantor ......................... 47

Gambar 2.9 Sirkulasi pada Gedung Kantor ........................................................ 48

Gambar 2.9 Tinggi Panel Optimum .................................................................... 49

Gambar 2.10 Jarak antar Lantai/Floor-to-Floor Height ....................................... 54

Gambar 2.11 Struktur Unit Jaringan Syaraf Tiruan .............................................. 62

Gambar 2.12 Model neuron MCP dengan input terbobot ..................................... 63

Gambar 2.13 Perceptron........................................................................................ 63

Gambar 2.14 Model Matematis Sebuah Neuron Dasar ........................................ 64

Gambar 2.15 Model ANN dengan Multi-Layer .................................................... 65

Gambar 2.16 Feedback (Recurrent) Network ....................................................... 66

Gambar 2.17 Kerangka Pikir................................................................................. 81

Gambar 3.1 Diagram Alur Analisis dan Pemodelan ANN ................................. 85

Gambar 4.1 Flow Chart Permodelan ANN ....................................................... 115

Gambar 5.1 Performance Pelatihan .................................................................... 18

Gambar 5.2 Regresi untuk Data Training dan Data Tes ................................... 136

Gambar 5.3 Jaringan Permodelan ANN Terbaik .............................................. 139

Gambar 5.4 Grafik Sensitivitas Luas Bangunan Terhadap Nilai Kontrak ........ 141

Gambar 5.5 Grafik Sensitivitas Jumlah Tingkat Terhadap Nilai Kontrak ........ 142

Gambar 5.6 Grafik Sensitivitas Finishing Grade Terhadap Nilai Kontrak........142

Gambar 5.7 Grafik Sensitivitas Tahun Terhadap Nilai Kontrak....................... 143

Gambar 5.8 Grafik Sensitivitas Durasi Terhadap Nilai Kontrak ...................... 143


xii Universitas Indonesia

DAFTAR LAMPIRAN

Lampiran 1 Kuesioner Validasi Variabel

Lampiran 2 Command MATLAB ANN

Lampiran 3 Risalah Sidang Skripsi


1 Universitas Indonesia

BAB 1

PENDAHULUAN

1.1. Latar Belakang

Sebelum pelaksanaan suatu proyek konstruksi, pada dasarnya harus

dilakukan estimasi biaya untuk memperkirakan nilai yang dibutuhkan demi

keberlangsungan proses konstruksi ke depannya. Dalam prakteknya, estimasi

biaya tersebut terbagi-bagi menjadi beberapa jenis estimasi, yang dibedakan

bergantung kepada cakupan waktu estimasi biaya tersebut dilakukan, dan lingkup

informasi yang tersedia untuk acuan estimasi biaya tersebut. Estimasi pada tahap

awal, di mana informasi yang tersedia masih sangat umum, serta detail rancangan

yang belum lengkap secara signifikan, disebut estimasi tahap konseptual.

Conceptual Estimate memberikan gambaran biaya proyek konstruksi

yang diperlukan, secara umum, sehingga dapat menjadi salah satu masukan bagi

studi kelayakan. Estimasi tahap konseptual adalah tahapan dimana owner/pemilik

membutuhkan informasi biaya seawal mungkin pada suatu proyek, sehingga

owner dapat mengambil keputusan untuk besar kecilnya proyek dan

memperkirakan nilai proyek [1]. Selain itu, menurut Cheng dan Hsieh [2],

conceptual cost estimate merupakan basis dari evaluasi proyek, desain

engineering, budgeting biaya, serta manajemen biaya, yang tidak hanya memiliki

peranan penting pada studi kelayakan suatu proyek, melainkan juga merupakan

hal fundamental bagi kesuksesan suatu proyek. Estimasi konseptual merupakan

salah satu dari output perencanaan biaya awal dan merupakan salah satu bagian

informasi terpenting. Estimasi biaya tahap konseptual merupakan masukan

fundamental untuk decision making proses awal suatu proyek [3].

Sesuai namanya, estimasi tahap konseptual merupakan estimasi yang

dibangun berdasar konsep umum yang biasanya disediakan pada awal proses

konstruksi. Pada tahap ini, gambar teknik dari konstruksi belum ada untuk dapat

menjadi acuan, atau bilapun ada maka masih belum sangat detail. Oleh karena itu,

estimasi biaya berdasarkan informasi-informasi tersebut akan sangat sulit

dilakukan. Tersedianya database berupa perhitungan biaya proyek sebelumnya

untuk proses estimasi biaya tahap konseptual akan sangat membantu, sehingga

dalam penyajiannya estimasi dapat menghasilkan output yang terbaik serta


2

Universitas Indonesia

seakurat mungkin. Sesuai pendapat Stephen D. Schuette dan Roger W. Liska [4],

perhitungan biaya/harga tahap konseptual dapat berasal dari perhitungan detail

proyek sebelumnya, kemudian digabungkan menjadi paket-paket pekerjaan (work

packages) yang sejenis.

Terdapat beberapa metode yang dapat digunakan dalam perhitungan

estimasi biaya. Menurut S. Singh [5], secara tradisional model untuk estimasi

biaya dibangun menggunakan metode statistik. Analisa regresi dapat mewakili

alternatif metode tradisional, dengan kelemahan hakiki berupa kebergantungannya

akan fungsi matematikal dalam perhitungan cost estimate tersebut [6]. Selain itu,

metode tradisional memiliki hambatan dalam perhitungan estimasi yang akurat,

disebabkan oleh banyaknya variabel yang akan dibutuhkan juga terutama dalam

penentuan interaksi diantaranya. Oleh karena itu, metode tradisional memiliki

kemampuan yang terbatas [7].

Suatu metode scientific perlu dikembangkan untuk digunakan dalam

proses perencanaan serta desain proyek dalam rangka meningkatkan akurasi

estimasi biaya tahap konseptual [8]. Warren S. McCulloch, seorang

neurophysiologist dan Walter Pitts, seorang mathematician, pada tahun 1943

menemukan suatu model matematis yang merepresentasikan sel-sel syaraf yang

disebut McCulloh-Pitts neuron (yang kemudian menjadi cikal bakal sistem

jaringan saraf tiruan atau yang biasa disebut dengan Artificial Neural Network).

Metode ini telah berkembang pesat dan digunakan pada berbagai aplikasi.

Jaringan saraf tiruan merupakan sistem pemrosesan informasi yang didesain

dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah

dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Jaringan

saraf tiruan mampu melakukan pengenalan kegiatan berbasis data masa lalu. Data

masa lalu akan dipelajari oleh jaringan saraf tiruan (Artificial Neural Networks)

sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data

yang belum pernah dipelajari [9].

Beberapa peneliti bahkan menyebutkan hubungan antara penggunaan

teknik ANN dengan akurasi estimasi biaya dapat memperlihatkan kinerja yang

lebih baik dari pada cara-cara tradisional. Setyawati, Creese, dan Sahirman [10]

menyatakan Neural Network telah menunjukkan hasil lebih baik dibandingkan


3


dengan analisa regresi pada estimasi biaya gedung. Garza dan Rouhana [11]

menyatakan permodelan biaya dengan menggunakan teknik ANN menghasilkan

akurasi lebih baik dimana rata-rata kesalahannya lebih kecil dari multiple

regression.

Saat ini, di Indonesia tersedia pedoman perhitungan estimasi biaya bagi

Bangunan Gedung dan Rumah Negara, berupa Peraturan Menteri Pekerjaan

Umum No.45/2007. Estimasi dengan pedoman tersebut dapat digunakan dengan

informasi awal seperti jenis dan kelas bangunan, luas dan jumlah lantai, lokasi

bangunan, komponen dan utilitas bangunan, serta tenaga kerja ahli yang

dikerahkan. Namun dalam implementasinya masih sering ditemukan kesulitan

penggunaan Permen PU Tahun. 2007 ini dalam perhitungan estimasi biaya.

Diantaranya tidak tersedianya keofisien/faktor pengali untuk perhitungan

bangunan gedung dengan jumlah lantai lebih dari 8 lantai. Adapun tujuan dari

penulisan ini ialah penulis bermaksud mencoba memberikan suatu pedoman demi

menanggulangi hambatan-hambatan yang biasanya ditemukan pada proses

estimasi biaya tahap konseptual, khususnya untuk konstruksi gedung kantor.

Gedung kantor yang umum digunakan, biasanya memiliki lebih dari delapan

lantai dengan fasilitas-fasilitas fungsional khusus. Dengan menilik basis data dari

proyek sebelumnya, metode yang pernah dipakai sebelumnya, serta karakteristik-

karakteristik dari proyek-proyek Gedung Kantor sebelumnya, dan dengan

menggunakan analisa menurut metode Artificial Neural Network, penulis

berusaha menghasilkan acuan bagi perhitungan estimasi biaya tahap konseptual

proyek gedung kantor/office.

Oleh karena itu, penulis bermaksud menghasilkan peramalan yang akurat

dan lebih efisien, dengan mengidentifikasi parameter-parameter estimasi biaya

pada tahap konseptual yang berpengaruh terhadap proyek yang pada akhirnya

bermanfaat sebagai acuan dalam menentukan variabel-variabel persamaan

estimasi biaya dengan metode ANN. Menurut Phaobunjong, K., dan Popescu,

C.M, [12] parameter-parameter yang digunakan dalam penelitian tahap konseptual

haruslah memiliki sifat-sifat yang bersifat mudah untuk dikuantifikasi nilainya

dan cukup ketersediaannya pada tahap awal. Dengan hal-hal tersebut, diharapkan


4


penelitian ini dapat memberikan hasil berupa estimasi biaya tahap konseptual

yang lebih baik dan memenuhi syarat.

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

Estimasi biaya tahap konseptual memegang peranan penting dalam

menjadi patokan fundamental bagi penentuan keputusan-keputusan yang

berhubungan dengan kelangsungan suatu proyek ke depannya. Namun demikian,

ketersediaan informasi pada tahap ini tentu saja yang paling minim dibandingkan

dengan estimasi biaya pada tahap-tahap selanjutnya. Sesuai dengan pernyataan

Mr. Kul B. Uppal [13], yaitu estimasi pada fase konseptual biasanya dibuat pada

saat sebuah proyek masih diklasifikasikan sebagai proposal, sehingga estimasi

fase konseptual ialah estimasi dengan paling sedikit detail proyek yang dapat

diperoleh. Oleh karena itu, biasanya estimasi biaya konseptual didasarkan pada

data historis, dengan penyesuaian yang dibutuhkan.

Metode yang umum digunakan untuk menghitung estimasi biaya yang

berbasis data historis ialah parametric estimation (linear maupun non-linear

regression). Namun metode ini membutuhkan asumsi mengenai interrelationship

antar atribut konstruksi dengan biaya yang kemudian akan diaplikasikan ke

statistical regression (curve fitting) berbasis data masa lalu. Metode jaringan

syaraf tiruan, bukan merupakan bersifat parametrik sehingga dapat tidak terbebani

oleh kelemahan ini. Asumsi mengenai bentuk dari fungsi tidak perlu dibuat di

awal training, sehingga cost engineer tidak perlu terlibat dalam kegiatan yang

paling memakan waktu dalam parametric costing tersebut [14].

Hal ini menjadi keuntungan tersendiri, sebab estimasi pada tahap

konseptual biasanya harus dibuat dalam jangka waktu yang singkat. Elemen


5


esensial dari cost management ialah kemampuan untuk, secara akurat dan cepat,

mengestimasi biaya [15]. Estimasi biaya tahap konseptual juga biasa dipakai

untuk meninjau alternatif-alternatif yang dibuat perihal konstruksi dari proyek

pada tahap awal, seperti alternatif pengadaan, subkontraktor, ataupunsuperstruktur

konstruksi. Oleh karena itu, metode estimasi haruslah mudah digunakan demi

memenuhi seluruh tuntutan estimasi alternatif-alternatif konstruksi pada tahap

awal.

Dalam hal ini, data historis yang tersedia pada umumnya tidak semuanya

sempurna, seperti misalanya ditemukan hubungan non-linier antar data.

Penggunaan metode konvensional mengharuskan sejumlah transformasi atau

konversi data agar rangkaian data menjadi linier dan kemudian baru dapat

digunakan. Sementara, jaringan syaraf tiruan dapat lebih siap menghadapi

hubungan non-linier yang tedapat dalam rangkaian data. Sedangkan mengenai

perihal data set, jaringan syaraf tiruan dapat secara lebih efektif, dibandingkan

regresi linier, mengatasi data set yang tidak lengkap [16].

1.2.2. Signifikansi Masalah

Estimasi biaya tahap konseptual sangat penting bagi suatu proyek karena

akan mempengaruhi perencanaan dan studi kelayakan dari suatu proyek. Namun,

pada kenyataannya estimasi pada tahap ini memiliki tingkat akurasi yang rendah.

Pada tahap awal, biasanya tingkat keakurasian dari estimasi biaya yang tercapai

hanyalah ±25% dan ±50% [17]. Berbagai metode untuk membantu perhitungan

estimasi biaya telah diperkenalkan, salah satunya ialah metode regresi linier.

Namun fakta mengatakan, kesalahan pada perhitungan estimasi biaya tahap awal

belum berkurang [18]. Hal itu disebabkan oleh detail proyek yang belum

terdefinsi secara jelas dan juga karena faktor-faktor bersifat kualitatif yang dapat

mempengaruhi persamaan, sehingga keakurasian pun belum tercapai. Selain itu,

akan muncul banyak hambatan bagi perhitungan estimasi biaya dengan berdasar

pada informasi current, seperti kurangnya informasi secara mendetail dan masih

banyaknya ketidakpastian hubungan antar parameter.

Metode untuk perhitungan estimasi biaya proyek lain yang lebih baik,

oleh sebab itu, perlu dikembangkan. ANN menggunakan pendekatan parametrik


6


yang berbasis dari data-data masa lalu. Artificial Neural Network bersifat murni

data-driven, yang tidak bergantung dengan asumsi pada fungsi, smoothness dari

distribusi, dan telah dipercaya sebagai alat predisksi yang universal [19]. Namun

untuk mencapai hal tersebut, diperlukan identifikasi parameter yang sesuai.

Karena beberapa faktor desain permodelan, seperti variabel input, memiliki

pengaruh signifikan terhadap akurasi dari peramalan dengan Neural Network [20].

Oleh karena itu, perlu dilakukan peninjauan pada faktor-faktor yang memiliki

korelasi erat terhadap biaya pembanguan gedung kantor, yang khususnya tersedia

pada tahap konseptual, sehingga dapat tercipta suatu estimasi biaya menggunakan

jaringan syaraf tiruan yang lebih akurat.

1.2.3. Rumusan Masalah

Berdasarkan latar belakang di atas, adapun rumusan masalah dalam

penelitian ini antara lain :

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

kontruksi gedung kantor?

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

terhadap biaya pembangunan kontruksi gedung kantor dengan menggunakan

metode ANN dalam rangka meningkatkan keakurasian estimasi biaya dalam

tahap konseptual?

1.3. Tujuan Penelitian

Adapun tujuan penelitian ini adalah :

a. Mengindentifikasi faktor-faktor yang berpengaruh terhadap biaya

pembangunan kontruksi gedung kantor.

b. Membuat model estimasi biaya kontruksi gedung kantor pada tahap

konseptual dengan metode ANN.


7


1.4. Batasan Penelitian

Adapun batasan masalah di dalam penelitian yang dilakukan ini adalah

pada hal-hal berikut :

a. Adapun yang dimaksud parameter biaya konseptual kontruksi di sini adalah

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

bangunan diluar biaya pembebasan lahan, perhitungan harga tanah,

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

b. Faktor-faktor yang digunakan ialah faktor-faktor yang memberikan pengaruh

langsung pada biaya konstruksi gedung kantor yang tersedia pada tahap

konseptual. Faktor-faktor ini diidentifikasi oleh penulis dan kemudian

divalidasi oleh pakar bidang terkait dan hanya digunakan pada model apabila

variansi data memenuhi.

c. Cakupan lokasi proyek hanya untuk kota Jakarta, Bekasi, Tanggerang, dan

Bandung.

1.5. Manfaat Penelitian

Sesuai dengan maksud dan tujuan penelitian, adapun manfaat penelitian

ini untuk memberikan konstribusi berupa, antara lain :

a. Kepada diri penulis secara pribadi, agar menambah pengetahuan maupun

kemampuan dalam mengestimasi biaya proyek secara umum, dan

pengaplikasian model Artificial Neural Network secara khusus.

b. Survey dan penelitian ini diharapkan dapat mengenalkan lagi jaringan saraf

tiruan/Artificial Neural Network kepada terhadap praktisi di bidang konstruksi

khususnya, agar lebih familiar dengan pemakaian aplikasi (ANN) untuk

estimasi biaya pada tahap awal,juga memberikan gambaran parameter-

parameter yang berhubungan erat dalam estimasi biaya konstruksi gedung

kantor tahap konseptual, sehingga dapat meningkatkan performa estimasi

biaya tahap awal.

c. Memberikan pemahaman kepada pihak kontraktor, owner maupun konsultan

bahwa penerapan metode pemodelan biaya dengan menggunakan teknik ANN

dapat menghasilkan akurasi lebih baik dimana rata-rata kesalahannya lebih

kecil dibanding dengan metode tradisional, menghasilkan peramalan relatif


8


yang lebih akurat dan lebih efisien, yang pada akhirnya bermanfaat sebagai

acuan dalam menghitung estimasi biaya pada tahap konseptual yang

merupakan langkah awal dari kesuksesan suatu proses konstruksi proyek itu

sendiri.

1.6. Model Operasional Penelitian

Gambar 1.1 Model Operasional Penelitian Sumber: Hasil Olahan


9


1.7. Keaslian Penelitian

Adapun beberapa penelitian/tesis/journal yang terdahulu yang relevan

dengan penelitian ini dan dapat dijadikan sebagai referensi, antara lain sebagai

berikut :

a. Alice E. Smith dan Anthony K. Mason “Cost Estimation Predictive Modeling:

Regression versus Neural Network“, 1996

a) Meneliti performance, stabilitas, dan kemudahan dari penentuan CER

(Cost Estimating Relationship) estimasi biaya menggunakan metode

Artificial Neural Network

b) Neural Network dapat menjadi substitusi model estimasi biaya yang baik

daripada regresi linier, apabila CER (cost estimation relationship) sulit

untuk untuk didefinisikan. Namun penggunaan ANN harus tetap berhati-

hati diantaranya terhadap sampel yang bias. Cross validation dapat

digunakan untuk mencapai unbiased sample.

b. Bina R. Setyawati, Sidharta Sahirman, Dr. Robert C. Creese, PE CCE.

“Neural Network for Cost Estimation”, AACE International Transaction. 2002

a) Tujuan Penelitian

Tujuan penelitian ini adalah untuk menginvestigasiapplicability dari

Jaringan Syaraf Tiruan pada estimasi biaya konstruksi gedung. Arsitektur

jaringan dibangun dan dikembangkan dalam berberapan kemungkinan

untu mengetahui efek masing-masing struktur pada peforma model. Model

dengan hasil terbaik akan digunakan untuk perhitungan estimasi berdasar

input yang tersedia.

b) Kesimpulan

Estimasi biaya dengan menggunakan metode Artificial Neural Network

memiliki tingkat akurasi lebih tinggi dibanding dengan Analisa Regresi.

Untuk mendapatkan model regresi linier yang sesuai perlu metode

statistikal baru. Kriteria learning process pada estimasi menggunkaan

Artificial Neural Network juga perlu dimodifikasi. Lebih baik

menggunakan absolute percentage error dibanding absolute error value

untuk mengukur performa statistik.


10


c. Bina R. Setyawati, Sidharta Sahirman, dan Dr. Robert C. Creese, PE CCE.

“Neural Netwoks for Cost Estimation (Part 2)”. AACE International

Transactions. 2003.


Meneliti lebih lanjut applicability dari metode Artificial Neural Network

pada estimasi biaya konstruksi gedung. Hal-hal yang diteliti ialah data

preparation (menentukan dan menysun data), data transformation, jumlah

data yang digunakan, dan variabel-variable input data.

b) Kesimpulan

Dari penelitian ini didapat hasil terbaik bagi cost estimation modelling

menggunakan Artificial Neural Network dengan menggunakan semua data

yang available, persiapan data berupa konversi waktu dan lokasi dengan

indeks yang tersedia, tidak dilakukan transformasi data (tranformasi log

dan normalized), menggunkaan regresi linier untuk mengeliminasi data

yang outlier atau menyusun data sehingga semua data (termasuk yang

memiliki extreme values) dapat dimasukkan ke training set. Arsitektur

jaringan terbaik untuk penelitian ini ialah 3 layer feed forward dengan 4

hidden nodes, fungsi aktivasi hyperbolic tangent, dua input variabel (luas

total dan luas lantai) dengan training cycle 2000 epochs dengan

menggunakan 60% dari data yang tersedia.

d. Julian Bagus H. “Permodelan Estimasi Biaya Konseptual pada Proyek

Konstruksi Bangunan Pabrik dengan Teknik Jaringan Syaraf Tiruan”. Tesis,

Program Pascasarjana Fakultas Teknik Sipil UI, Depok. 2007


Menentukan variabel-variabel yang digunakan untuk membentuk model

Artificial Neural Network untuk estimasi biaya konstruksi pabrik. Juga

membandingkan keakurasian estimasi biaya tersebut dengan estimasi

biaya menggunakan regresi linier

b) Kesimpulan

Variabel yang digunakan pada peneletian ialah tahun pelaksanaan, lokasi

pabrik, durasi (hari), luas bangunan pabrik, jumlah tingkat bangunan,

tinggi pabrik, bentuk topografi, tipe bangunan pabrik, tipe pondasi, tipe


11


rangka atap pabrik, tipe material dinding pabrik, tipe finishing atap pabrik

dan tipe finishing lantai pabrik. Hasil output estimasi dengan jaringan

syaraf titruan memprediksi besaran biaya kontruksi lebih baik untuk data

proyek baru dengan rata-rata tingkat kesalahan estimasi sebesar -15.60 %

dibanding keluaran regresi linier yaitu rata-rata sebesar -30,60%. Menurut

AACE (1997) menyatakan bahwa toleransi tingkat ketelitian estimasi pada

tahap konseptual diharapkan berada dalam rentang -20% sampai +30%

dari biaya proyek sebenarnya berdasarkan pedoman tersebut dapat

dinyatakan bahwa system prototype estimasi biaya konseptual yang dibuat

dapat diterima

e. Ashraf M. Elazouni, Ibrahim A. Nosair, Yousif A. Mohieldin, dan Ayman G.

Mohamed. “Estimating: Resource Requirements at Conceptual Design State

Using Neural Networks”. Journal of Computing in Civil Engineering. 1997.

a. Tujuan Penelitian

Penelitian ini dimaksudkan untuk menentukan resource requirement pada

silo walls dengan slipform system di tahap konseptual proyek tersebut.

Penelitian menggunakan data historis dari proyek serupa

b. Kesimpulan

Mengestimasi kebutuhan resource pada tahap konseptual dapat

menggunakan analogi dengan data yang diperoleh pada proyek serupa di

masa lalu. Artificial Neural Network cocok digunakan pada model yang

berbasis analogi dibandingkan metode analisi lain. Data menggunakan 28

proyek di masa lalu dengan 23 data set sebagai training set. Outputnya

dibandingkan dengan metode regresi linier sebagai validasi, dan hasil

perbandingan tersebut menunjukkan bahwa metode jaringan syaraf tiruan

memiliki akurasi yang lebih baik.



BAB 2

TINJAUAN PUSTAKA

2.1. Pendahuluan

Artificial Intelligence, atau kecerdasan buatan yang dioperasikan oleh

mesin dalam melakukan analisa yang biasanya dilakukan oleh intelegensi

manusia, telah mengalami perkembangan pesat sejak pertama dicetuskannya pada

tahun 1940. Artificial Intelligence menjadi cabang yang sangat penting pada ilmu

komputer, terutama apabila solusi yang reliable mengenai masalah yang

berhubungan dengan perilaku, pembelajaran, dan adaptasi dari suatu kompilasi

data dengan analisa inteligensi dibutuhkan.

Selama masa perkembangannya, Artificial Intelligence terbagi menjadi

dua tipe, yaitu AI Konvensional dan AI komputasional. AI konvensional

melibatkan metode-metode yang sering disebut machine reasoning. Expert system

dan case-based reasoning merupakan contoh dari AI tipe ini. Sementara itu, AI

komputasional melibatkan pengembangan atau pembelajaran melalui penalaran

parameter dengan sistem konektivitas yang dilakukan secara iteratif oleh suatu

soft-computing. Penalaran AI komputasional dilakukan berdasar data empiris yang

diasosiasikan dengan data non-simbolik serta tak teratur, yang kemudian dianalisa

menggunakan sistem komputasi lunak. Metode-metode pokoknya meliputi; Fuzzy

Network, Evolutionary Computation, dan Artificial Neural Network.

Gambar 2.1 Timeline Perkembangan Artificial Intelligence Sumber: Neural Networks, A Tutorial


13


Artificial Neural Network telah banyak diaplikasikan pada berbagai area

dan menunjukkan hasil yang memuaskan, salah satunya pada praktek estimasi.

Pendapat yang dikemukan oleh Bart Kosko [21] mengenai ANN, Artificial Neural

Network terdiri dari unit-unit processing sederhana, atau ‘neuron’, yang dapat

diprogram secara menyeluruh melalui sistem komputasi tertentu. Kita dapat

memprogram maupun melatih network untuk menyimpan, mengenali, dan

mengingat pola dari entri database untuk memecahkan masalah optimasi

kombinasi, memperbaiki data-data pengukuran yang bersifat ‘noise’, mengontrol

permasalahan yang ill-defined, atau secara singkat; mengestimasi suatu hal dari

sampel terkait saat kita tidak tahu bentuk dari fungsinya.

Input maupun output dari Artificial Neural Network memiliki sistem

dinamis yang trainable. Sehingga ANN dapat memprogram sendiri hubungan

diantara keduanya, dengan bobot dari tiap-tiap penghubung atau ‘sinapsis’ yang

sesuai secara iteratif. Oleh karena itu jaringan syaraf tiruan ini mengikuti ‘bentuk’

atau sistem dari sampel data. Atau dengan kata lain, ANN dapat menjelaskan

hubungan yang terbentuk dari data-data historis. Perbedaan metode ini dari

metode estimasi biaya proyek lain ialah sistem jaringan syaraf tiruan ini tidak

membutuhkan model matematis seperti yang diperlukan pada metode statisik

konvensional lain seperti regresi linier.

Metode ANN ini juga dapat mengenali pola lama dan menyesuikannya

pada pola baru, sehingga model dapat digunakan secara berkelanjutan. Namun

penggunaan tersebut juga akan tidak mencapai performa maksimal apabila

variabel-variabel pendukungnya tidak terdefinisi secara jelas atau terlalu acak.

Diperlukan identifikasi jelas mengenai parameter-parameter yang berpengaruh

terhadap biaya proyek bangunan, khususnya yang tersedia pada tahap konseptual.

Oleh karena itu bab ini menyediakan penjelasan mengenai estimasi

biaya, serta deskripsi lebih detail mengenai estimasi biaya pada tahap konseptual

secara lebih khususnya, lalu deskripsi dan aspek biaya mengenai gedung dan

gedung kantor khususnya, serta penjelasan mengenai metode artificial neural

network.


14


2.2. Estimasi Biaya

Estimasi biaya memegang peranan penting dalam penyelenggaraan

proyek. Definisi estimasi biaya, menurut National Estimating Society USA, ialah

seni memperkirakan kemungkinan jumlah biaya yang diperlukan untuk suatu

kegiatan yang didasarkan atas informasi yang tersedia pada waktu itu. Oleh

karena itu, estimasi biaya sangat bergantung pada ketersediaan detail mengenai

proyek dalam tahapan proyek ketika estimasi tersebut dilakukan. Estimasi

dibutuhkan pada saat proses perencanaan, disaat keputusan-keputusan preliminary

menganai proyek harus ditentukan, kemudian selanjutnya dibutuhkan untuk

tujuan budgetary, lalu estimasi juga dibutuhkan pada tahap development proyek

baik dalam proses desain maupun pembangunan [22].

Menurut American Association of Cost Engineering (AACE), estimasi

biaya perlu dibedakan atau diklasifikasikan, sesuai dengan tingkatan definisi

proyek itu sendiri. Yang nantinya pengklasifikasian itu bertujuan untuk:

a. Sebagai guidelines untuk memudahkan dalam menyediakan dasar sebagai

bahan perbandingan dan mengkorelasikan karakteristik utama yang umum

dipakai dalam pengklasifikasian estimasi biaya

b. Menggunakan tingkatan definisi proyek sebagai karakteristik dominan dalam

mengkategorikan estimasi

c. Meningkatkan komunikasi antara seluruh stakeholder yang terlibat dalam

proses persiapan, evaluasi, serta mencegah mis-interprestasi estimasi biaya atas

kesalahan penafsiran atau kesalahan penggunaan estimasi

Oleh karena itu pada sub-bab ini akan dijelaskan pengertian dan deskripsi

menganai estimasi biaya proyek secara lebih mendetail, berikut dengan jenis-jenis

estimasi biaya menurut tahapan dalam siklus proyek, dilanjutkan dengan tingkat

keakurasian masing-masing tahap estimasi, beserta metode yang umum digunakan

untuk menghitung estimasi biaya proyek.

2.2.1. Estimasi Biaya Proyek Konstruksi

Menurut L.R.Dysert [23], estimasi biaya merupakan prediksi biaya-biaya

yang mungkin terjadi dari suatu proyek dengan ruang lingkup yang sudah

diberikan, di mana proyek harus diselesaikan di lokasi yang telah ditentukan dan


15


waktu yang telah ditetapkan. Menurut National Estimating Society (USA), estimasi

biaya ialah pekerjaan analisa biaya yang menyangkut pengkajian biaya kegiatan-

dari kegiatan proyek terdahulu yang akan dipakai sebagai bahan untuk menyusun

cost.

Di dalam dunia konstruksi, estimasi biaya adalah bagian yang sangat

penting. Estimasi biaya digunakan oleh konsultan untuk menyusun budget bagi

klien/owner, yang kemudian akan digunakan sebagai bench mark. Estimasi juga

digunakan untuk alasan monetary, bagi dasar perhitungan kebutuhan funding

kepada institusi finansial. Selain itu estimasi biaya digunakan oleh kontraktor

dalam antisipasi memenangkan kontrak proyek (bid estimate). Jika proyek

berlanjut, estimasi juga dibuat untuk menghitung actual budget yang mana akan

digunakan sebagai salah satu management tool proyek [24].

Sebagai tambahan, fungsi estimasi biaya dalam dunia konstruksi, menurut

Pratt [25], ialah:

a. Untuk melihat apakah perkiraan biaya konstruksi dapat terpenuhi oleh biaya

yang ada

b. Untuk mengatur aliran dana ketika pelaksanaan konstruksi sedang berjalan

c. Untuk kompentesi pada saat proses penawaran. Estimasi biaya berdasarkan

spesifikasi dan gambar kerja yang disiapkan owner, harus menjamin bahwa

pekerjaan akan terlaksana dengan tepat dan kontraktor dapat menerima

keuntungan yang layak

Estimasi biaya merupakan area dari kegiatan engineering dimana

pengalaman dan pertimbangan teknis dipakai dalam mengaplikasikan ilmu

pengetahuan khususnya masalah perkiraan biaya dan pengendalian biaya [26].

Estimator harus mengetahui alur dan proses proyek secara spesifik, untuk

mempersiapkan tipe estimasi yang akan dilakukan secara tepat. Langkah

berikutnya ialah mengerti bagaimana proses proyek akan dibangun atau metode

pembangunannya. Dari mulai preliminary, engineering desain, sampai pengadaan,

hingga tahap konstruksi, lalu start-up dan close-up. Hal tersebut ialah kunci dari

estimasi biaya suatu proyek yang sukses [27].

Menurut Barrie dan Paulson [28], keakuratan estimasi biaya tahap

konseptual dipengaruhi langsung oleh keahlian dan pengalaman estimator dalam


16


menganalisa rencana proyek yang minim akan informasi dan data. Tingkat akurasi

dalam estimasi biaya merupakan hal yang penting terutama pada tahap awal

estimasi. Tingkat akurasi merupakan suatu tingkatan dari pengukuran atau

perhitungan yang bervariasi terhadap nilai aktual yang terjadi. Akurasi dari suatu

estimasi merupakan suatu indikasi dari tingkatan perkiraan biaya terhadap realisasi

biaya proyek yangdikeluarkan pada saat proyek selesai [29].

Menurut Dan E. Schottlander [30], mengapa estimasi yang akurat itu

penting karena tanpa keakuratan, pembuatan keputusan yang efektif hanyalah

sebuah kompromi. Oleh karena itu diperlukan persiapan bagi pencapaian

perhitungan estimasi biaya yang akurat, sebagai berikut: menganalisa pekerjaan,

mereview dokumen, mengetahui lingkup pekerjaan, mengunjungi site proyek,

mengerti metode konstruksi yang akan dipakai, membuat perkiraan layout,

engineering check (gambar teknik, pricing bahan, dan lain-lain), membuat jadwal

pembuatan estimasi, mengetahui subkontraktor dan vendor, mengetahui faktor

resiko, allowance, porsi pricing, dan mark up.

2.2.2. Jenis-Jenis Estimasi Biaya Proyek

Estimasi biaya dilakukan beberapa kali selama perencanaan maupun saat

proyek berlangsung. Estimasi pada tiap tahap, akan sangat mempengaruhi

performa estimasi tahap berikutnya. Pada tahap pertama, estimasi biaya

dipergunakan untuk mengetahui berapa besar biaya yang diperlukan untuk

membangun proyek atau investasi, selanjutnya estimasi biaya berkembang, yaitu

memiliki fungsi dengan spektrum yang amat luas dalam merencanakan dan

mengendalikan sumber daya seperti material, tenaga kerja, pelayanan, maupun

waktu [31].

Menurut Schexnayder dan Mayo [32], jenis-jenis estimasi menurut

peruntukkannya ialah:

a. Estimasi untuk Perencanaan Konseptual

Estimasi pada tahap ini hanya berdasar pada informasi atau parameter yang

sangat general seperti, ukuran konstruksi, mutu konstruksi yang diantisipasi,

serta kegunaan bangunan. Pada estimasi tahap konseptual ini, owner harus

menyediakan scope document, yang berfungsi sebagai basis dari mana


17


estimasi tersebut dijalankan. Estimasi biaya konseptual digunakan untuk

menentukan fisibilitas proyek dan mengembangkan project financing.

Ekspektasi akurasi pada estimasi tahap ini ialah ±15 sampai 20%.

b. Estimasi untuk Studi Kelayakan

Menggunakan informasi desain pendahuluan dan setelah lingkup proyek

terdefinisi secara jelas, suatu estimasi untuk studi kelayakan dapat disiapkan.

Item-item utama yang dibutuhkan dapat dicari biayanya dan menjadi input

bagi estimasi. Dengan identifikasi lingkup proyek yang lebih baik tersebut,

ekspektasi akurasi meningkat menjadi ±10 sampai 15%.

c. Estimasi untuk Engineering dan Desain

Berdasarkan pada dokumen desain level skematik, kebutuhan utama proyek

dapat diukur secara kuantitatif, dan tipe konstruksi dapat ditentukan.

Contohnya kuantitas baja dalam ton, superstruktur menggunakan baja atau

beton. Suatu estimasi dengan tingkat akurasi ±5 sampai dengan 10% dapat

disediakan pada tahap ini.

d. Estimasi untuk Konstruksi

Ini merupakan perhitungan biaya berdasarkan set lengkap dari dokumen

kontrak. Estimasi untuk konstruksi dapat dibuat berdasarkan biaya rata-rata

historis atau dengan mendata pekerja serta pekerjaan dan menghitung biaya

produksi. Metode yang digunakan bergantung pada tipe konstruksi. Seperti

contohnya, konstruksi tipe gedung lebih banyak menggunakan data historis

untuk perhitungannya, sementara konstruksi jalan raya biasanya mengacu

pada produktivitas pekerjaan. Dalam tahap ini, ekspektasi akurasi ialah ±5%.

e. Estimasi untuk Change Order

Estimasi ini dilakukan pada saat proyek telah berjalan yang diakibatkan oleh

perubahan pekerjaan yang diminta oleh Owner pada proyek.


18


Gambar 2.2 Akurasi Estimasi Biaya versus Tahap Konstruksi

Sumber: Construction Management Fundamentals, 2004

Untuk tiap-tiap tahapan estimasi tersebut tingkat keakurasian bergantung

pada ketersediaan infromasi, sehingga keakurasian bertambah sesuai dengan

tingkatan tahapan proyek. Seperti pendapat Jamshid Sodikov [33], keaurasian

estimasi biaya meningkat seiring dengan berjalannya tahapan proyek yang

diakibatkan oleh bertambah detailnya informasi yang tersedia.

2.2.3. Metode-Metode Estimasi Biaya Proyek

Untuk melakukan estimasi biaya terdapat beberapa cara atau metode,

sesuai dengan informasi yang tersedia atau tahapan konstruksi. Menurut Michael

D. Dell’Isola [34], metode estimasi biaya dapat dibagai menjadi empat kategori

utama. Penjelasan akan masing-masing metode yaitu sebagai berikut:

a. Metode Harga Unit Satuan

Metode harga unit satuan dapat juga dikategorikan menjadi pembagian empat

kategori utama:

a) Metode Akomodasi.

Metode ini pada dasarnya merupakan metode dengan perhitungan

kalkulasi dari biaya yang diperlukan dalam membangun suatu fasilitas

berdasarkan major measure dari fasilitas tersebut. Seperti contohnya,

estimasi biaya untuk sebuah tempat parkir. Perhitungan tersebut dapat


19


didasarkan pada unit price luas parkir bagi tiap unit mobil yang

kemudian dikalikan dengan kapasitas unit mobil yang tersedia pada

tempat parkir tersebut.

b) Metode Meter Kubik.

Metode ini tidak biasa digunakan pada sistem estimasi biaya, kecuali

untuk konstruksi yang identik dengan volume, seperti misalnya gudang

penyimpanan. Berdasarkan sifat dari pengukurannya, metode meter

kubik akan bersifat sensitif terhadap volume dari konstruksi dan varian

yang mempengaruhinya. Negara-negara Eropa seperti Jerman sangat

sering menggunakan metode ini sebagai perhitungan biaya konstruksi.

Metode ini dapat juga efektif, namun cenderung rancu saat digunakan

pada konstruksi umum.

c) Metode Meter Persegi.

Metode biaya per meter persegi merupakan metode yang paling sering

digunakan di Amerika. Metode ini sangat sering digunakan baik pada

proyek pemerintah maupun swasta. Meskipun efektif, metode meter

persegi sangat bergantung pada bagaimana pengukuran bagi biaya per

meter persegi tersebut dibuat pertama kalinya. Misalnya, unit biaya per

meter persegi pada gedung kantor secara net dan secara gross sebenarnya

memiliki perbedaan sekitar 30 atau 40%.

d) Metode Area Fungsional.

Metode area fungsional adalah metode estimasi biaya berdasarkan luas

area dengan fungsi tertentu. Area fungsional ditentukan sesuai dengan

ruang dengan masing-masing kegunaannya pada suatu bangunan;

misalnya, pada sekolah, area fungsionalnya antara lain ruang kelas,

kafetaria, gymnasium, dan lain-lain. Kelebihan metode ini dari metode

meter persegi ialah variasinya terletak pada ruang sehingga estimasi

dapat lebih sesuai.

b. Metode Cost-Modelling dan Parametrik

Metode ini mengutilisasi model yang telah terdeterminasi dari proyek

sebelumnya dan menggunakannya untuk memprediksi biaya proyek yang


20


akan dibangun. Pendekatan ini biasanya diaplikasikan pada proyek yang

berulang dengan tipe yang serupa atau mirip lalu mereplikasi anilisa teoritis

dan expectation-nya pada proyek yang diinginkan. Pada prosesnyafasilitas

statistik dapat dimanfaatkan sebagai alat prediksi dan asesmen cost terutama

pada sistem konstruksi yang rumit, seperti piping atau proses komponen.

Namun pendekatan ini memiliki aplikasi yang paling sedikit di dunia

konstruksi.

c. Analisa Biaya Sistem/Elemental

Sistem ini menjembatani pendekatan estimasi biaya tahap konseptual yang

telah dijelaskan sebelumnya dengan estimasi quantity survey-based. Konsep

dasar dari estimasi dengan pendekatan ini ialah dengan merinci konstruksi

hingga komponen elemental, biasanya dengan basis UNIFORMAT. Saat

informasi menganai desain sangat terbatas, merupakan hal yang penting

untuk bekerjasama dengan desainer, dalam membuat asumsi untuk menjadi

basis estimasi. Data historis dari konstruksi setipe dapat digunakan sebagai

basis estimasi menurut komponen atau elemen bangunannya. Langkah

estimasi dengan metode ini ialah menyiapkan format elemental untuk suatu

tipe konstruksi spesifik. Kemudian dapat dilakukan mekanisme

pengkombinasian, seperti misalnya digunakan cost dari data historis untuk

komponen bangunan tertentu, yang kemudian dikombinasikan dengan

perhitungan biaya menurut sistem atau asembli bagian konstruksi tertentu,

dan analisa biaya detail untuk bagian konstruksi tertentu.

d. Metode Survey Kuantitas

Metode survey kuantitas biasanya digunakan saat detail desain secara terinci

tersedia dan estimator diharuskan untuk menghitungcost keseluruhan

proyekatau paling tidak komponen utamanya. Pricing dapat terdiri dari unit

price seluruh bangunan, atau juga termsuk labor, material dan alat. Tingkatan

dari detail estimasi ialah individual unit pada tiap pekerjaan, agar dapat

diketahui bagaimana pekerjaan akan dilangsungkan.


21


Gambar 2.3 Aplikasi dari Metode Estimasi Selama Delivery Proyek

Sumber: Architect’s Essentials of Cost Management, 2002

2.2.4. Tingkat Keakurasian Estimasi Biaya Proyek

Tingkat ketersediaan informasi mengenai proyek mempengaruhi

keakurasian estimasi biaya yang dilakukan pada tahapan tersebut. Tingkat akurasi

tersebut sebanding dengan informasi yang tersedia, faktor risiko dan

ketidakpastian. Dengan mengetahui tingkatan estimasi beserta metode yang tepat,

diharapkan estimasi biaya konstruksi dapat diantisipasi lebih awal dan biaya

realisasi pun tidak jauh berbeda dengan apa yang telah diprediksikan, atau

meningkatkan level keakurasian.

Berikut klasifikasi tingkat keakuratan estimasi biaya proyek dalam tiap

tahapnya, menurut Association for the Advancement of Computing in Education

(AACE) :


22


Tabel 2.1 Matriks Klasifikasi Estimasi AACE

Primary

Charateristic 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 Factored,

Parametric models,

judgment or analogy,

L -20% to -50%

H + 30% to + 100%

1

Class 4 1 % to 10% Study or

Feasibility

Equipment factor and

parametric models

L -15% to -30%

H +20% to +50%

2 to 4

Class 3 10% to 40% Budget,

Authoratio

n 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, Cost Estimate Classification

System

AACE memiliki sistem bernomor yang membedakan estimasi biaya

menjadi lima level yang berebeda. Tiap level mewakili tingkat akurasi yang

berbeda.

Class 5 atau estimasi biaya kelas 5 ialah estimasi kasar untuk magnitude

estimates, capacity factored estimates, atau parametric estimates. Class 5 hanya

memiliki informasi yang sedikit atau tidak sama sekali, yaitu dari 0-2% infromasi

keseluruhan. Oleh karena itu, variansnya sangat tinggi, jangka rendahnya ialah -20


23


sampai -50 persen, sedangkan jangka tingginya +30 sampai +100%. Adapun

Estimasi biaya pada tahap konseptual ini akan menentukan suatu kelayakan

proyek yang dituntut secara cepat dan akan menyaring beberapa desain alternatif

yang akan dipakai. Dasar perhitungan biaya/harga dari estimasi ini berasal dari

perhitungan detail proyek sebelumnya (data historis) yang kemudian digabungkan

menjadi per paket-paket pekerjaan (work packages). Dalam hal ini tersedianya

data base yang menyimpan data-data proyek sebelumnya berupa perhitungan

biaya proyek, bentuk desain, dan lainnya akan banyak membantu didalam proses

conceptual estimate [35].

Class 4 atau estimasi biaya kelas 4 ialah estimasi biaya yang digunakan

untuk uji kelayakan proyek. Estimasi ini juga hanya memiliki sedikit informasi,

tipikalnya 1-15%. Metode yang digunakan ialah equipment factored atau

parametric model. Level varians dari estimasi ini, untuk jangka rendahnya -15

sampai -30% dan +20 sampai +50% untuk jangka tinggi. Tahap ini merupakan

estimasi biaya tahap awal yang berupa hitungan kasar dan biasanya dilakukan

pada saat sebelum proses adanya desain. Hasil dari perhitungan dari tahap

feasibility estimate biasanya berupa nilai harga proyek meliputi perhitungan harga

tanah, desain, pajak, pemeliharaan serta perbaikan gedung, dan lainnya. Cost

engineer sangat berperan dalam feasibility estimate, karena seorang cost engineer

pada tahap ini tidak hanya dituntut mempunyai keahlian dalam menghitung

dengan handal tetapi juga mempunyai keahlian dan pengetahuan terhadap umur

bangunan, prinsip-prinsip akuntansi, perpajakan, dan mengerti konsep desain.

Setelah semua biaya yang diperlukan dihitung maka selanjutnya melakukan

perbandingan dengan penerimaan bruto per tahunnya akhirnya dapat diketahui

penerimaan netto dari proyek tersebut. Adapun tujuan dari perhitungan ini adalah

untuk menentukan layak tidaknya proyek ini dilanjutkan [36].

Class 3 atau estimasi biaya kelas 3, biasanya dibuat untuk perhitungan

budget, authorization, atau untuk estimasi kontrol. Level informasi yang dapat

diperoleh biasanya sekitar 10-40%. Level akurasi estimasi kelas 3 bervariasi,

untuk jangka rendah -10 sampai -20%, sementara untuk jangka tingginya +10

sampai +30%. Estimasi biaya kelas 3 merupakan estimasi biaya semi-detail yang

menggunakan cara unit cost atau assembly.


24


Class 2 atau estimasi biaya kelas 2, digunakan untuk tujuan cost control

atau untuk urusan pelelangan dan penawaran tender. Informasi yang tersedia pada

kelas ini biasanya 30-70%. Estimasi ini dapat dikategorikan estimasi detail dengan

unit cost detail. Range akurasi untuk estimasi kelas ini, untuk jangka rendah -5

sampai -15%, dan jangka tingginya +5 sampai +20%. Pada tahap ini informasi

proyek yang diperlukan untuk pelaksanaan secara detail sudah didapat. Pada tahap

ini biasanya melakukan perhitungan berdasarkan quantity take-off yang

berdasarkan dokumen proyek yang terdiri dari spesifikasi dan gambar. Setelah

perhitungan quantity take-off selesai maka estimator akan menggabungkan biaya

material, biaya kebutuhan pekerja, biaya peralatan,subkontraktor, biaya overhead

dan profit. Setiap item pekerjaan dalam detailed estimate akan mempunyai kode-

kode pekerjaan tersendiri untuk memudahkan pemantauan proses pekerjaan [37].

Class 1 atau estimasi biaya kelas 1 memiliki informasi paling lengkap

biasanya 50-100% dari infromasi yang dibutuhkan. Informasi tersebut diperoleh

termasuk dari gambar teknik lengkap dan spesifikasi. Terkadang dengan

tambahan lokasi dan kerangka waktu. Level akurasi untuk estimasi tahap ini ialah

-3 sampai -10% dan +3 sampai +15%.

Gambar 2.4 Peningkatan Akurasi Estimasi Sesuai Tingkatan Definisi Proyek

Sumber: AACE International Transaction, 2006

2.3. Estimasi Biaya Tahap Konseptual

Tahap konseptual ialah tahap pertama di mana kebutuhan proyek

dianalisa, alternatif-alternatif ditinjau, tujuan dan objektif proyek ditentukan, dan


25


sponsor telah teridentifikasi [38]. Aktivitas utama dalam tahap ini ialah

mengembangkan estimasi untuk menentukan kelayakan suatu proyek,

menganalisa biaya alternatif desain, serta pemilihan desain optimal untuk sebuah

proyek. Estimasi biaya tahap konseptual dapat didefinisikan sebagai perkiraan

biaya proyek yang dilakukan sebelum sejumlah informasi yang signifikan

terkumpul dari detail desain, dengan lingkup pekerjaan yang masih belum lengkap

[39]. Bahkan bisa dibilang estimasi biaya pada tahap ini memiliki jumlah

informasi paling sedikit.

Hal yang penting dalam pemilihan metode estimasi biaya konseptual

ialah harus akurat dan mudah [40]. Dalam hal ini, karena estimasi berdasarkan

pada beberapa data awal yang ada sangat minim, maka estimasi biasanya

didasarkan pada pengalaman mengenai proyek-proyek setipe sebelumnya.

Tersedianya data dan informasi proyek masa lalu, oleh karena itu memegang

peranan penting dalam kualitas estimasi biaya konseptual proyek yang dihasilkan.

2.3.1. Tingkatan Estimasi Biaya Tahap Konseptual

Estimasi biaya tahap konseptual terdiri dari beberapa tingkatan, yang

biasanya bergantung pada perkembangan di proses perencanaan awal suatu

proyek. Masing-masing estimasi tersebut biasanya terkait dengan perkembangan

pada desain, yang merupakan bahan analisa suatu estimasi. Tingkatan estimasi

tahap konseptual tersebut, menurut F.E. Gould [41], adalah:

a. Estimasi Preliminary

Tahapan dimana Owner/pemilik membutuhkan informasi biaya seawal

mungkin pada suatu proyek, sehingga owner dapat mengambil keputusan

untuk besar kecilnya proyek dan memperkirakan nilai proyek. Tahap

konseptual dilakukan pada awal perencanaan berdasarkan pengalaman dan

intuisi perencana, sehingga ketelitian estimasi ini hanya mencapai ±20%.

b. Estimasi Skematik

Tahapan dimana proses perencanaan sudah mencapai 30%. Pada tahapan ini

estimasi sudah mencapai finishing dasar. Estimasi dilakukan berdasarkan

keperluan dari kegunaan bangunan industri, misalnya jumlah lantai atau


26


ruangan yang dibutuhkan dalam bangunan pabrik namun belum detail. Jadi

tingkat ketelitian masih berkisar ±15%.

c. Estimasi Design Development

Pada tahap estimasi ini dimana proses perencanaan sudah mencapai 60% dan

perencanaan sudah lengkap beserta detail-detail yang ada, sehingga waktu

yang diperlukan untuk melakukan estimasi pada tahap ini lebih banyak

daripada tahap skematik. Estimasi pada tahap ini dilakukan berdasarkan

semua detail yang ada sehingga tingkat ketelitiannya sudah mencapai ±10%.

2.3.2. Karakteristik Estimasi Biaya Tahap Konseptual

Berikut beberapa karakteristik dari estimasi biaya proyek tahap

konseptual:

a. Bersifat Tidak Pasti

Sesuai dengan namanya, tahap konseptual ialah tahap dalam proyek

konstruksi di mana konsep dasar suatu proyek beserta dengan atributnya yang

lain dibangun. Dalam tahap ini desain, budgeting, maupun aspek proyek

lainnya belum mencapai fiksasi sehingga dapat semerta-merta berubah. Oleh

sebab itu, seringkali pada tahap ini, di mana ide-ide desain ditampung dan

latar belakang finansial diperjelas, terdapat banyak alternatif desain maupun

pembiayaan. Hal itulah yang membuat urgensi estimasi biaya tahap

konseptual meningkat karena harus dilakukan alnalisa untuk masing-masing

alternatif. Hasil estimasi pada tahap konseptual juga di tahap selanjutnya akan

berubah. Estimasi biaya pada proyek konstruksi akan bertambah akurat

seiring tahap proyek berjalan. Menurut AACE, tahap konseptual dimulai dari

kelas 5 hingga kelas 3 (concept screening, feasibility study, dan budget

authorization). Sehingga harapan akurasi estimasinya hanya berada dari

sekitar ±10% hingga ±30%.

b. Krusial

Estimasi pertama yang dipertimbangkan oleh project owner ialah estimasi

biaya konseptual [42]. Estimasi yang dihasilkan dapat bernilai terlalu rendah

dari biaya sebenarnya dan mengecoh owner untuk tetap menjalankan proyek

dan menimbulkan masalah di depannya, atau malah bernilai terlalu tinggi dari


27


biaya aslinya dan menghentikan proyek yang akan berjalan padahal

sebenarnya proyek sangat viable. Estimasi biaya tahap konseptual merupakan

estimasi yang menyediakan cost informations untuk keputusan-keputusan

finansial basis pada proyek. Sementara bagi konsultan desain, desain dengan

dasar estimasi konseptual yang salah akan menyebabkan masalah juga pada

desain di tahapan proyek yang akan dijalankan berikutnya [43].

c. Sumbernya Terbatas

Estimasi tahap konseptual dilakukan dengan dasar informasi yang sangat

terbatas. Owner mungkin sudah memiliki visi jelas mengenai akomodasi,

fungsi, dan standar kualitas dari konstruksi, namun masih jauh untuk

mencapai detail hingga volume beton ataupun mortar yang akan digunakan

[44]. Itulah sebabnya banyak dihasilkan estimasi pada tahap ini yang bernilai

subjektif, karena perhitungan pada tahap konseptual hanya berdasarkan

sejumlah penilaian dan pengalaman. Proyek masa lalu dapat didasarkan

dengan proyek masa lalu dengan ketersediaan data historis. Estimasi pada

tahap konseptual merupakan campuran dari seni dan ilmu pengetahuan. Ilmu

pengetahuan dari estimasi menginformasikan biaya dari pekerjaan atau

proyek yang terdahulu. Seninya adalah dalam menvisualisasikan proyek yang

baru dengan membandingkan faktor-faktor perbandingan dengan proyek

sebelumnya dan menyesuaikannya dengan keadaan proyek yang sekarang

[45].

2.3.3. Proses Estimasi Biaya Konstruksi Tahap Konseptual

Estimasi biaya sebuah proyek ialah sebuah kegiatan yang dilakukan

secara iteratif hingga dicapai suatu hasil yang maksimal. Estimasi biaya dilakukan

di tiap tahap proyek dengan tujuan yang berbeda. Tim manajemen atau owner,

seringkali meminta estimasi biaya tahap konseptual untuk mempelajari kelayakan

proyek dan mencari bahan pertimbangan bagi keputusan-keputusan penting

proyek seperti aspek desain.

Langkah pertama untuk estimator dalam menyusun estimasi biaya tahap

konseptual ialah mengumpulkan informasi serta studi lapangan. Meskipun data

eksisting pada tahap ini sedikit, namun biasanya owner/tim manajemen telah


28


memberikan scope/lingkup berupa gambaran besar proyek, beserta ekspektasi

kualitas atau performance proyek. Dari situ dapat ditarik informasi awal proyek

seperti lokasi, tipe struktur utama, faktor mayor desain, serta kualitas konstruksi

yang owner/manajemen antisipasi. Selain itu studi lapangan juga perlu dilakukan

demi mendapat kondisi lapangan proyek aktual, karena faktor-faktor yang

terdapat di lapangan seperti kondisi tanah (seperti apakah pekerjaan pemindahan

atau penimbunan tanah yang diperlukan) tidak dapat diprediksi sendiri tanpa

peninjauan langsung. Pengalaman menunjukkan bahwa memberikan perhatian di

awal terhadap site issues serta melakukan survey lokasi yang memadai, dapat

mengurangi resiko penyimpangan biaya di masa mendatang [46].

Langkah berikutnya ialah mengumpulkan informasi tambahan. Dalam

hal estimasi biaya awal, estimasi sangat bergantung pada data historis, sementara

estimasi mendetail hingga quantity estimate yang lengkap dapat berkembang

seiring tahap perencanaan proyek [47]. Data historis dapat diperoleh dari praktisi

konstruksi yang berpengalaman kerja, pada database biaya yang dipublikasikan

untuk umum, infromasi dari organisasi lain, maupun dari manajemen owner. Dari

manapun data historis proyek, harus diperhatikan kesahihan maupun keabsahan

data. Data historis yang diperoleh harus comparable dengan proyek yang

dilakukan sekarang, selain itu timeframe-nya harus adjusted. Diperlukan pula

pengukuran yang konsisten antara data lama dan data baru.

Setelah semua data yang diperlukan dan dapat diperoleh terkumpul,

dilakukan estimasi biaya tahap konseptual. Setelah didapatkan output yang

sekiranya paling akurat, hasil diserahkan pada manajemen/owner untuk

ditindaklanjuti. Pada tahap konseptual, biasanya tersedia alternatif-alternatif

desain proyek, sehingga apabila satu alternatif tidak disetujui atau dengan kata

lain hasil estimasi menunjukkan proyek tidak viable, maka akan dilakukan

estimasi ulang untuk alternatif selanjutnya. Berikut seterusnya estimasi biaya

menunjukkan alternatif proyek yang paling baik.


29


Gambar 2.5 Alur Proses Estimasi Biaya Tahap Konseptual

Sumber: Phabounjong K., 2002

2.3.4. Kualitas Estimasi Biaya pada Tahap Konseptual

Kualitas estimasi biaya tahap konseptual dibutuhkan pada taraf

maksimal. Baik dari keakurasiannya maupun kecepatan tersedia hasilnya. Untuk

mencapai hal tersebut, kualitas estimasi biaya tahap konseptual bergantung pada

aspek-aspek seperti:

a. Kualitas Lingkup Proyek

Pada tahap awal, tersedia lingkup/scope proyek yang dapat menjadi dasar

estimasi. Lingkup proyek menggambarkan karakteristik ptoyek. Adapun

lingkup itu sendiri umumnya terdiri dari, definisi proyek, fungsi konstruksi,

pendekatan desain, lokasi proyek, informasi kondisi lapangan beserta

sekitarnya, serta terkadang metode dan teknologi yang akan dipakai. Namun

setiap proyek tidak sama adanya, terkadang owner belum bisa menyediakan

lingkup pada taraf tersebut selama masa perencanaan konseptual. Terkadang

pula, lingkup proyek telalu luas atau terdapat lingkup ganda. Dalam hal ini

owner acapkali pula meminta bantuan konsultan untuk

membuat/merencanakan desain-desain umum konstruksi, untuk kemudian

dianalisa satu-persatu. Pada prakteknya, dapat juga terjadi pelencengan pada


30


perkembangan proyek dari lingkup awal. Sehingga, estimasi yang dibuat di

tahap konseptual pun tidak relevan. Penting pula pada pelaksanaannya agar

diusahakan tetap tercapai kekonsistensian lingkup proyek. Pihak owner pun

harus berkomitmen untuk menentukan lingkup proyek yang sesuai di awal.

b. Kualitas Informasi

Alfredo F Serpell [48] membagi kualitas informasi menjadi dua, yaitu kualitas

informasi historis dan kualitas informasi terkini. Pada prakteknya, estimasi

biaya pada tahap konseptual sangat bergantung kepada data historis. Karena

data proyek yang akan dijalankan tidak cukup kuat untuk menjadi dasar

estimasi biaya saat itu. Tersedianya data informasi yang cukup detail dan

lengkap mengenai proyek serupa masa lalu memegang penting dalam kualitas

perkiraan biaya yang dilakukan di masa kini. Namun tetap harus diperhatikan

pengaplikasiannya, sebab apabila tidak digunakan secara sesuai, data historis

yang bagus pun akan menghasilkan estimasi biaya yang tidak berkualitas.

Untuk dapat mengutilisasi data historis secara maksimal, diperlukan

pengetahuan proyek, terutama untuk menangani estimasi untuk konstruksi

yang kompleks. Data historis harus comparable dengan data proyek masa kini,

sehingga harus divalidasi lagi data historis yang tepat. Informasi terkini

mengenai proyek harus didapatkan selengkap mungkin karena mempengaruhi

estimasi biaya proyek tersebut. Selain informasi mengenai aspek konstruksi

yang nantinya akan diutilisasi bersama dengan data historis pada suatu model

estimasi, informasi saat ini juga terkait dengan harga dan indeks harga lokal,

produktivitas pekerja di wilayah lokasi pembangunan, serta kondisi spesifik

pada lapangan.

c. Tingkat Ketidakpastian

Terdapat beberapa faktor ketidakpastian yang dapat mengakibatkan

perubahan kondisi selama atau setelah proses estimasi berlangsung. Hal

tersebut diantaranya perubahan kondisi pasar, perubahan besar dalam angka

eskalasi dan lain-lain. Karena estimasi dilakukan pada tahap awal, maka

dapat pula terjadi ketidakpastian dari aspek proyek seperti perubahan aspek

desain, teknologi proyek, dan kompleksitas proyek. Faktor ketidakpastian

sangat berperan dalam mempengaruhi kualitas estimasi pada tahap


31


konseptual, karena selain estimasi tersebut didasarkan pada informasi proyek

yang sangat minim, perubahan signifikan pada aspek proyek dapat

mengurangi keakurasian estimasi dengan sangat besar, hingga pada tahap

tidak dapat dipergunakan.

d. Performa Estimator

Estimator ialah orang yang bertanggung jawab untuk mengorganisir dan

menganalisis seluruh informasi mengenai proyek dan mengkalkulasikan ke

dalam estimasi. Pada masa awal proyek dimana segala sesuatu masih dalam

bentuk konseptual, kecakapan dan pengalaman estimator untuk mengambil

keputusan mengenai input untuk estimasi yang tepat akan menentukan hasil

akhir suatu perkiraan biaya. Keahlian tersebut merupakan penguasaan dalam

hal kemampuan mengenali aspek cost driver pada proyek konstuksi, serta

pengalaman dan pengetahuan di bidang konstruksi, dan keterampilan dalam

menggunakan aplikasi estimasi. Keahlian estimator dalam memahami proyek

yang telah dilaksanakan sebelumnya juga krusial untuk menyesuaikan

informasi yang didapat dengan informasi eksisting berdasarkan kondisi saat

ini.

e. Proses Estimasi

Pada dunia kontruksi banyak dikenal metode estimasi baik yang konvensional

maupun pengembangan baru. Industri konstruksi terbukti lambat dalam

menyesuaikan diri untuk teknik baru dalam estimasi biaya tahap awal [49].

Menurut penelitian, beberapa teknik estimasi baru yang telah dikembangkan

dengan baik, tidak diacuhkan dan tidak dipergunakan [50]. Menurut penelitian

tersebut, para estimator skeptikal terhadap kemampuan aplikasi-aplikasi

estimasi terbaru yang kebanyakan tidak membutuhkan proffesional judgement

dalam korporasi aspek konstruksinya untuk menentukan prediksi biaya. Meski

metode konvensional yang menggunakan penilaian subjektif menujukkan hasil

yang tidak memuaskan [51], bukti menyatakan bahwa masih terjadi

peningkatan dalam jumlah sangat sedikit dalam pemakaian teknik-teknik baru

pada praktek estimasi biaya di dunia konstruksi [52].


32


2.3.5. Dasar Perhitungan Estimasi Biaya pada Tahap Konseptual

Pada tahap konseptual, karena infromasi yang tersedia sangat minim,

maka pada umumnya digunakan estimasi prediktif dengan korporasi data masa

lalu. Metode yang tepat untuk mengutilisasi jenis estimais tersebut ialah parametrik

dan permodelan biaya. Pada teknik parametrik, data-data historis digunakan untuk

mengembangkan hubungan-hubungan biaya berdasarkan analisis statistik. Estimasi

parametrik mempredikasi siklus biaya suatu sistem, menggunakan model

matematik yang terdiri dari sejumlah parameter dan berdasarkan proyek historis.

Pengertian lain dari estimasi parametrik yaitu estimasi dari suatu sistem yang

dibuat berdasar komponen-komponen teragregasi, oleh model matematik yang

terdiri dari parameter-parameter [53]. Dalam beberapa analisis parametrik,

perhitungan parameter utama harus dijelaskan hubungannya dengan variabel-

variabel bebas sebelum analisis dapat dilakukan. Variabel-variabel dalam

perhitungan parametrik dapat diidentifikasi dengan memfokuskan karakteristik-

karakteristik suatu sistem yang berhubungan langsung terhadap output (dalam hal

ini biaya) berdasarkan studi yang terintegrasi. Hubungan matematik untuk korelasi

data dapat digunakan untuk menyatakan permodelan tersebut. Model-model

matematik yang paling poluler adalah bentuk linier dari perhitungan aritmatik,

logaritmik, dan semi-logaritmik. Dalam teknik estimasi biaya proyek konstruksi,

variabel terikat merupakan biaya/nilai kontrak dan dua atau lebih variabel bebas

seperti ukuran, lokasi, kapasitas, waktu, dan sebagainya, yang berpengaruh

terhadap biaya proyek tersebut. Umumnya tiga bentuk perhitungan dalam estimasi

parametrik ialah sebagai berikut:

a. Hubungan Linier

Cost = a + bX+ cX2+ .... (2.1)

b. Hubungan Logaritmik

Log (Cost) = a + b log X1+ c log X2+ …. (2.2)

c. Hubungan Eksponensial

Cost = a + bX1C+ d X2

E + …. (2.3)


33


Dimana:

a, b, c, d, dan e konstan

dan

X1, X2, X3, X4, …. merupakan karakteristik/variabel komponen yang

mempengaruhi biaya

2.4. Gedung

Tipe konstruksi yang dibangun beragam berdasarkan fungsi dan

tujuannya. Bangunan tinggi atau gedung dibangun karena suatu kebutuhan. Di

atas tanah yang makin langka dan mahal terutama di kota-kota besar, diperlukan

konsentrasi ruang-ruang kerja maupun tempat tinggal, seperti perkantoran,

apartemen, dan hotel, sehingga ruang tanah yang terbatas itu dapat dimanfaatkan

sebaik-baik mungkin. Pembangunan adalah kegiatan mendirikan bangunan

gedung yang diselenggarakan melalui perencanaan teknis, pelaksanaan konstruksi

dan pengawasan konstruksi/manajemen konstruksi (MK), baik merupakan

pembangunan baru, perbaikan sebagian atau seluruhnya, maupun perluasan

bangunan gedung yang sudah ada, dan/atau lanjutan pembangunan bangunan

gedung yang belum selesai, dan/atau perawatan (rehabilitasi, renovasi, restorasi).

2.4.1. Definisi Gedung

Gedung menurut Peraturan Menteri Pekerjaan Umum No.

45/PRT/M/2007 [54], ialah wujud fisik hasil pekerjaan konstruksi yang menyatu

dengan tempat dan kedudukannya, sebagian atau seluruhnya berada di atas

dan/atau di dalam tanah dan/atau air, yang berfungsi sebagai tempat manusia

melakukan kegiatan, baik untuk hunian atau tempat tinggal, kegiatan keagamaan,

kegiatan usaha, kegiatan sosial, budaya, maupun kegiatan khusus. Sedangkan

menurut Undang-Undang RI Nomor 28 Tahun 2002 tentang Bangunan Gedung

[55], bangunan umum adalah bangunan yang digunakan untuk kepentingan umum

dan bangunan gedung fungsi khusus, yang dalam pembangunannya dan/atau

pemanfaatannya membutuhkan pengelolaan khusus dan/atau memiliki

kompleksitas tertentu yang dapat menimbulkan dampak penting terhadap

masyarakat dan lingkungannya. Prasarana dan sarana bangunan gedung adalah


34


fasilitas kelengkapan di dalam dan diluar bangunan gedung yang mendukung

pemenuhan terselenggaranya fungsi bangunan gedung.

Bangunan gedung sebagai tempat manusia melakukan kegiatannya,

mempunyai perananyang sangat strategis dalam pembentukan watak, perwujudan

produktivitas, dan jati diri manusia. Oleh karena itu, penyelenggaraan bangunan

gedung perlu diatur dan dibinademi kelangsungan dan peningkatan kehidupan

serta penghidupan masyarakat, sekaligusuntuk mewujudkan bangunan gedung

yang fungsional, andal, berjati diri, serta seimbang,serasi, dan selaras dengan

lingkungannya.

Adapun asas pembangunan gedung menurut Peraturan Menteri PU No

45/PRT/M/2007 [56], berdasarkan prinsip:

a. Kemanfaatan, keselamatan, keseimbangan, serta keserasian/keselarasan

bangunan gedung dengan lingkungannya

b. Hemat, tidak berlebihan, efektif dan efisien, serta sesuai dengan kebutuhan

dan ketentuan teknis yang disyaratkan

c. Terarah dan terkendali sesuai rencana, program/satuan kerja, serta fungsi

setiap kementerian/lembaga/instansi pemilik/pengguna bangunan gedung

d. Semaksimal mungkin menggunakan hasil produksi dalam negeri dengan

memperhatikan kemampuan/potensi nasional

2.4.1.1 Klasifikasi Gedung

Menurut PERMENPU No. 45 Tahun 2007 Klasifikasi Gedung Negara

dibagi menjadi:

a. Klasifikasi berdasarkan tingkat dan lingkup pelayanan:

a) Bangunan gedung pemerintah, lembaga tinggi/tertinggi negara

Tabel 2.2 Klasifikasi Bangunan Gedung Pemerintah

Kelas Penggunaan Bangunan

A Gedung kantor departemen, kantor menteri negara,

Lembaga Tinggi/Tertinggi Negara, Lembaga

Pemerintah non-departemen, dan Gedung Kantor

Gubernur


35


Tabel 2.3 (Sambungan)

Kelas Penggunaan Bangunan

Pelayanan Kesehatan edngan wilayah pelayanan

nasional/propinsi: Rumah Sakit Kelas A dan B

Pendidikan Tinggi : universitas/akademi

Bangunan Gedung kantor pemerintah maupun Badan

Usaha lainnya dengan wilayah pelayanan nasional

B Gedung Kantor Kanwil, Dinas, kabupaten

Pelayanan kesehatan dengan wilayah pelayanan

kabupaten: rumah sakit kelas C

Bangunangedung kantor pemerintah maupun Badan

Usaha lainnya dengan wilayah pelayanan

propinsi/kabupaten

C Gedung Kantor kecamatan

Pelayanan Kesehatan tingkat pelayanan lokal

(Puskesmas)

Pendidikan tingkat lanjutan/dasar

Bangunan Gedung kantor pemerintah mauoun Badan

Usaha lainnya dengan wilayah kecamatan

Sumber : Pedoman Teknis Pembangunan Gedung Negara

Untuk bangunan gedung negara dengan fungsi khusus, seperti :

Gedung reaktor nuklir

Gedung laboratorium

Gedung terminal udara

Gedung terminal laut

Gedung terminal bus

Stasiun kereta api

Stadion olahraga

Rumah tahanan

Gudang benda berbahaya

Bangunan bersifat monumental

Klasifikasinya disesuaikan dengan klasifikasi pelayanan atau

satminkalnya.


36


b) Bangunan Rumah Negara

Tabel 2.4 Klasifikasi bangunan rumah negara

Tipe Untuk Keperluan Pejabat/Golongan

A (a) Sekjen, Dirjen, Irjen

(b) Pejabat-pejabat yang jabatannya setingkat dengan (a)

B (a) Direktur, Kepala Biro, Inspektur, Ka-Kanwil

(b) Pejabat-pajabat yang jabatannya setingkat dengan (a)

(c) Pegawai Negeri yang Golongannya IV/d s/d IV/e

C (a) Kepala Sub Dit. Kepala Bagian


(c) Pegawai Negeri yang golongannya IV/a s/d IV/c

D (a) Kepala Seksi, Kepala Sub Bagian


(c) Pegawai Negeri yang golongannya III/a s/d III/d

E (a) Kepala Sub Seksi


(c) Pegawai Negeri yang golongannya II/d kebawah

Sumber : Pedoman Teknis Pembangunan Gedung Negara

b. Klasifikasi berdasarkan tingkat kompleksitas:

a) Bangunan Sederhana

Bangunan gedung negara yang termasuk sebagai bangunan sederhana

didasarkan pada :

(a) Fungsi : bangunan gedung Sekolah Dasar dan bangunan gedung

SLTP/SMU, bangunan gedung kantor tingkatan pelayanan

kecamatan dan yang setara.

(b) Teknologi : bangunan dengan teknologi sederhana

(c) Jumlah lantai : bangunan dengan jumlah lantai sampai dengan 2

lantai


37


b) Bangunan Tidak Sederhana

(a) Fungsi : bangunan gedung perguruan tinggi, bangunan rumah tipe A

dan B, bangunan rumah sakit, bangunan gedung kantor tingkat

pelayanan pusat, provinsi atau kabupaten yang setara

(b) Teknologi : bangunan dengan teknologi tidak sederhana

(c) Jumlah lantai : bangunan dengan jumlah lantai diatas dengan 2 lantai

c) Bangunan Khusus

Bangunan gedung negara yang termasuk sebagai bangunan khusus

adalah bangunan-bangunan yang dalam perencanaa dan pelaksanaannya

memerlukan penyelesaian khusus, seperti : bangunan yang bersifat

monumental, bangunan reaktor nuklir, bangunan peribadahan, bangunan

gedung dewan perwakilan rakyat, bangunan gedung olahraga, dan yang

setara.

2.4.1.2 Tata Bangunan

Persyaratan Tata Bangunan dan Lingkungan Gedung berdasarkan

Peraturan Menteri Pekerjaan Umum No. 45/PRT/M/2007 [57] ialah:

a. Peruntukkan Lokasi

Setiap bangunan gedung negara harus diselenggarakan sesuai dengan

peruntukkan lokasi yang diatur dalam RTRW Kabupaten/Kota dan/atau

RTBL yang bersangkutan

b. Koefisien Dasar Bangunan

Ketentuan besarnya koefisien dasar bangunan mengikuti ketentuan yang

diatur dalam peraturan daerah setempat tentang bangunan gedung untuk

lokasi yang bersangkutan

c. Koefisien Lantai Bangunan

Ketentuan besarnya koefisien lantai bangunan mengikuti ketentuan yang

diatur dalam peraturan daerah setempat tentang bangunan gedung untuk

lokasi yang bersangkutan

d. Ketinggian Bangunan

Ketinggian bangunan gedung, sepanjang tidak bertentangan dengan peraturan

daerah setempat tentang ketinggian maksimum bangunan pada lokasi


38


maksimum adalah 8 lantai. Untuk bangunan gedung negara yang akan

dibangun lebih dari 8 lantai harus mendapat persetujuan dari Menteri

Pekerjaan Umum.

e. Ketinggian Langit-Langit

Ketinggian langit-langit bangunan gedung kantor minimum adalah 2,80 meter

dihitung dari permukaan lantai. Untuk bangunan gedung olahraga, ruang

pertemuan, dan bangunan lainnya dengan fungsi yang memerlukan ketinggian

langit-langit khusus, agar mengikuti standar nasional indonesia yang

dipersyaratkan.

f. Jarak antar blok/massa Bangunan

Sepanjang tidak bertentangan dengan peraturan daerah setempat tentang

bangunan gedung, maka jarak antar blok/masa bangunan harus

mempertimbangkan hal-hal seperti:

(a) Keselamatan terhadap bahaya kebakaran

(b) Kesehatan termasuk sirkulasi udara dan pencahayaan

(c) Kenyamanan

(d) Keselarasan dan keseimbangan dengan lingkungan

g. Koefisien Daerah Hijau

Perbandingan antara luas area hijau dengan luas persil bangunan gedung,

sepanjang tidak bertentangan dengan peraturan daerah setempat tentang

bangunan gedung, harus diperhitungkan dengan mempertimbangkan:

(a) Daerah resapan air

(b) Ruang terbuka hijau kabupaten/kota

Untuk bangunan gedung yang mempunyai KDB kurang dari 40% harus

mempunyai KDH minimum sebesar 15%.

h. Garis Sempadan Bangunan

Ketentuan besarnya garis sempadan, baik garis sempadan bangunan maupun

garis sempadan pagar harus mengikuti ketentuan yang diatur dalam RTBL

peraturan daerah tentang bangunan gedung, atau peraturan daerah tentang

garis sempadan bangunan untuk lokasi yang bersangkutan.


39


i. Wujud Arsitektur

Wujud arsitektur bangunan gedung memiliki kriteria sebagai berikut:

(a) Mencerminkan fungsi bangunan

(b) Seimbang, serasi, dan selaras dengan lingkungannya

(c) Indah namun tidak berlebihan

(d) Efisien dalam penggunaan sumber daya baik dalam pemanfaatn maupun

dalam pemeliharaannya

(e) Mempertimbangkan nilai sosial budaya setempat

(f) Mempertimbangkan kaidah pelestarian bangunan

j. Kelengkapan Sarana dan Prasarana Bangunan

Prasaran dan sarana pada bangunan gedung seperti:

(a) Sarana parkir kendaraan

(b) Sarana untuk penyandang cacat dan lansia

(c) Sarana penyediaan air minum

(d) Sarana drainase, limbah, dan sampah

(e) Sarana ruang terbuka hijau

(f) Sarana hidran kebakaran halaman

(g) Sarana pencahayaan halaman

(h) Sarana jalan masuk dan keluar

(i) Penyediaan fasilitas ruang ibadah, ruang ganti, ruang bayi/ibu, toilet, dan

fasilitas komunikasi dan informasi

k. Keselamatan dan Kesehatan Kerja (K3), serta Asuransi

Setiap pembangunan gedung harus memenuhi persyaratan K3 sesuai yang

ditetapkan dalam Surat Keputusan Bersama Menteri Tenaga Kerja dan

Menteri Pekerjaan Umum Nomor Kep.174/MEN/1986 dan 10/KPTS.1986.

2.4.2. Faktor-faktor yang Mempengaruhi Biaya Konstruksi Gedung (Building

Cost Driver)

Terdapat beberapa faktor yang memepengaruhi biaya pembangunan

suatu gedung. Sebelumnya, pada proyek konstruksi terdapat istilah building cost

dan construction cost. Building cost atau biaya kapital, yaitu mencakup biaya

pembelian tanah, biaya konstruksi, biaya profesional, biaya furnishing, financing


40


charges, dan biaya-biaya lainnya yang diperlukan untuk membangun sampai

menyiapkan suatu gedung agar siap ditempati. Sementara construction cost atau

biaya konstruksi, ialah biaya yang diperlukan untuk membangun suatu gedung

sesuai kontrak yang disepakati oleh kontraktor untuk memenuhi pekerjaan

konstruksi gedung. Jenis biaya yang dimaksud dalam penelitian dan sub-bab ini

ialah biaya konstruksi.

Menurut Herbert Swinburne [58], terdapat lima elemen yang dapat

menentukan biaya konstruksi gedung. Elemen-elemen tersebut ialah tipe gedung,

kompleksitas, kualitas gedung, dimensi gedung, dan lokasi gedung. Penjabaran

kelima elemen tersebut ialah sebagai berikut:

a. Tipe Gedung

Tiap tipe gedung memiliki karakteristik yang berbeda yang pada akhirnya

akan mempengaruhi biaya konstruksinya. Suatu hal yang tidak mungkin,

misalnya, biaya per m2 pada rumah sakit sama besarnya dengan biaya per m

2

gedung parkir. Alasan kenapa tipe gedung dapat mempengaruhi biaya gedung

ialah fungsi dan okupansi dari gedung tersebut, yang pada akhirnya akan

mempengaruhi standar pembangunan gedung [59]. Gedung dapat dibuat

untuk tujuan residensial, komersil, industrial, edukasional, institusional, reliji,

dan rekreasional masing-masing dengan kompleksitas yang berbeda sehingga

range biaya konstruksi dapat bervariasi [60]. Berikut adalah contoh

perbandingan biaya total per square foot dari gedung kantor dan apartemen

(core dan shell saja):

Tabel 2.5 Tabel Biaya Square Foot Gedung Apartemen dan Gedung Perkantoran

Building Element Apartment Building

15 st – 162,000 SF

Office Building

15 st – 140,000 SF

(shell & core)

A.10 Foundations $ 1.05 $1.64

A.20 Basement Construction --- ---

B.10 Superstructure 11.95 16.28

B.20 Exterior Closure 8.89 13.16


41



Building Element Apartment Building

15 st – 162,000 SF

Office Building

15 st – 140,000 SF

(shell & core)

B.30 Roofing 0.26 0.39

C.10 Interior Construction 13.94 2.76

C.20 Staircases 1.04 1.44

C.30 Interior Finishes 10.20 10.10

D.10 Conveying 5.64 6.53

D.20 Plumbing 8.06 1.48

D.30 HVAC 9.12 11.64

D.40 Fire Protection 2.01 2.89

D.50 Electrical 6.62 9.27

F.10 Special Construction 1.92 ---

Z. General Conditions 12.11 11.64

(Sitework Excluded) $ 92.81/SF $89.22/SF

Sumber: R.S Mean’s Square Foot Costs

Dapat dilihat bahwa total cost per square foot kedua gedung hampir sama-

sama mencapai $90 per square foot, namun distribusi biayanya bervariasi

pada elemen-elemennya. Perbedaan yang signifikan dapat dilihat di elemen

superstruktur, gedung kantor memiliki biaya superstruktur yang lebih tinggi

dibandingkan gedung apartemen karena spans-nya lebih lebar dibanding

gedung apartemen. Sehingga dimensi superstruktur gedung kantor akan relatif

lebih besar. Selain itu, biaya interior construction juga memiliki perbedaan

yang cukup besar. Hal itu disebabkan karena konstruksi gedung kantor hanya

dibuat shell dan core-nya, sementara variasi konstruksi untuk estetika yang

lebih baik biasanya digunakan di public spaces saja.

b. Kompleksitas

Menurut Herbert Swinburne [61], kompleksitas gedung yang dapat

mempengaruhi biaya konstruksi dapat dibagi menjadi:


42


a) Kompleksitas Akibat Fungsi

Berdasarkan tujuan gedung dibangun, gedung tersebut dapat memiliki

tingkat kerumitan berbeda. Misalnya perbedaan konstruksi yang dimiliki

antar gedung pabrik dengan fasilitas riset medikal. Untuk fasilitas

laboratorium, biaya konstruksinya dapat melebihi bangunan fungsional

lain karena requirement filtrasi, kontrol, dan kebersihannya biasanya

ekstrim [62].

b) Kompleksitas Akibat Desain

Perimeter, bentuk, dan desain suatu gedung bisa dibuat simpel ataupun

kompleks, dan hal ini dapat mempengaruhi biaya konstruksi dengan

signifikan. Gedung dengan bentuk yang kompleks, memiliki benefit dari

segi estetik namun secara bersamaan menambah biaya pembangunan.

Misalnya gedung dengan high-quality skin system, dengan gelas atau

batu, harus menambah biaya konstruksi karena dibutuhkan pekerja

dengan skill khusus [63].

c. Mutu Gedung

Kualitas dari gedung merupakan fungsi dari desain yang diinginkan dengan

biaya yang diinvestasikan bagi pembangunan gedung [64]. Menurut Herbert

Swinburne [65], kualitas gedung dapat didefinsikan dengan dua jenis, kualitas

fisik dan kualitas desain. Kualitas fisik dihasilkan oleh material, peralatan,

dan usaha konservasi lingkungan di sekitar site. Sedangkan kualitas desain

lebih bersifat intanjibel, yaitu dihasilkan dengan imej gedung, kenyaman,

serta fitur-fitur lain dari gedung yang dimaksudkan untuk mengkondisikan

suasana tertentu pada gedung. Kualitas-kualitas ini didesain dan dibangun

oleh owner, arsitek, dan konsultan struktur dari gedung tersebut. Kualitas

intanjibel desain biasanya disusun pada tahap brainstorming gedung,

sementara kualitas fisik ditentukan seiring berjalannya waktu dalam

menentukan detail konstruksi maupun arsitektur gedung. Beberapa owner

terkadang memiliki keinginan spesifik mengenai kualitas gedung. Faktor-

faktor kualitatif tersebut tidak hanya mempengaruhi biaya bahan dan

material, namun juga dalam pembangunannya. Semakin tinggi demand

performance dari suatu gedung semakin tinggi pula biayanya [66]. Namun


43


kualitas gedung yang bagus dapat memberikan manfaat secara long-term bagi

gedung, penggunaan, maupun nilainya.

d. Ukuran Gedung

Merupakan hal yang jelas bahwa ukuran gedung mempengaruhi besar biaya

konstruksi. Bisa dibilang ukuran gedung merupakan elemen mayor dari cost

driver biaya konstruksi gedung. Pertimbangan mengenai ukuran, biasanya

telah ditentukan di tahap awal konstruksi, dan secara langsung mempengaruhi

biaya konstruksi gedung. Selanjutnya keputusan tersebut akan mempengaruhi

metode konstruksi dan material gedung yang masing-masing memiliki cost

effect berbeda pada biaya konstruksi [67]. Salah satu elemen konstruksi yang

dipengaruhi oleh ukuran gedung ialah beskisting. Sementara bekisting ialah

single element termahal pada pekerjaan konstruksi. Terkadang biaya bekisting

melebihi biaya tulangan besi dan beton sendiri [68]. Oleh karena itu sering

konsultan struktur menciptakan desain bangunan yang memiliki ukuran

kolom serta pelat yang seragam untuk tiap lantainya demi efisiensi pemakaian

bekisting beton. Selain hal itu, ukuran gedung juga dapat melebar secara

horisontal ataupun meninggi secara vertikal, dan masing-masing memiliki

pengaruh berbeda terhadap biaya akibat lahan (site) serta biaya pondasi.

e. Lokasi

Lokasi dari sebuah gedung mempengaruhi biaya konstruksi suatu gedung.

Dua buah gedung yang persis sama apabila dibangun di dua daerah yang

berbeda dapat memilki biaya konstruksi yang berbeda pula. Hal ini

disebabkan oleh upah pekerja, harga material, biaya pengiriman bahan, serta

kondisi pasar lokal yang berbeda-beda dari daerah satu dengan daerah lainnya

[69]. Selalu terdapat kecenderungan pemilihan lokasi atas gedung yang akan

dibangun. Seperti misalnya pembangunan apartemen bersubsidi dibangun di

daerah sekitar universitas di mana banyak mahasiswa butuh tempat tinggal,

atau banyak gedung kantor yang dibangun di pusat kota karena dan

kemudahan akses serta mencari prestis. Menurut AIA [70], lokasi

mempengaruhi biaya konstruksi gedung karena faktor berikut:


44


a) Lokasi Geografis

Biaya konstruksi dapat dipengaruhi oleh hal-hal seperti cuaca, dan iklim

sebagai comfort requirement, kode dan regulasi gedung setempat,

aksebilitas, jarak antara sumber material dan tukang, dan juga suatu

daerah dapat memiliki tingkat produktivitas pekerja yang berbeda dengan

lainnya.

b) Kondisi Site

Bearing capacity, keadaan batu, lokasi MAT, slope, dan kondisi eksisting

(pondasi lama, hazardous waste, dan lain-lain) mempengaruhi

substruktur dan desain gedung. Selain itu di lokasi tertentu juga

dibutuhkan extraordinary security, pembatasan akses, serta

maneuverability alat berat.

c) Regulasi

Desain dan konstruksi gedung diikat oleh peraturan yang berlaku di

daerah pembangunan gedung tersebut dan standar-standar dalam

perencanaan, zoning, proteksi lingkungan, peraturan mengenai pekerja,

dan site safety laws. Peraturan-peraturan, juga fee reguler yang harus

dibayar, bervariasi sesuai daerah.

d) Kondisi Pasar

Biaya konstruksi serta elemen-elemennya bergantung kepada situasi

sesuai hukum supply and demand di daerah tempat gedung dibangun.

Kondisi pasar, understressed maupun overstressed akan mempengaruhi

level kualitas dari kompetisi dan harga material.

2.4.3. Gedung Kantor

Gedung kantor dapat juga dikatakan sebagai sarana penampung aktifitas

manusia dalam bekerja dan berkarya sesuai dengan kompetensi masing-masing.

Desain gedung kantor terus berkembang pesat, hal itu disebabkan oleh

perkembangan ekonomi global seperti, adanya kebutuhan akan business

enviroment, manajemen perusahaan yang efisien dan efektif, kenyamanan di

lingkungan kerja, serta juga kebutuhan akan keamanan [71].


45


Terjadi perubahan perspektif mengenai gedung kantor yang pertama kali

diperkenalkan oleh perusahaan-perusahaan di Jepang, diantara lain:

a. Dari intelligent space menjadi intimate space

Gedung kantor ialah tempat pegawainya menghabiskan waktu kurang lebih

sepertiga dari hari-harinya. Namun suatu kantor adalah tempat bekerja bagi

manusia, bukan mesin. Oleh karena itu perlu dilakukan improvement agar

dapat diciptakan suasana kantor yang nyaman dan intimate.

b. Dari sistem berkembang ke sistem layanan

Para pekerja selain harus mengembangkan performa perusahaan dari kantor

tempat mereka bekerja, namun juga harus mendapat pendidikan, pelatihan,

bimbingan baru untuk menambah kapasitas individu di dalam kantor.

c. Dari sekedar bangunan kantor menjadi rumah untuk work knowledge

Untuk suatu perusahaan dapat bekerja, diperlukan pertukaran informasi serta

interaksi antar pegawainya. Suatu gedung kantor harus memiliki desain yang

memungkinkan untuk memenuhi kebutuhan ini.

Telah diketahui bahwa fasilitas suatu perusahaan yang well-planned

dapat memberikan efek signifikan bagi suatu perusahaan, melalui sumber daya

manusianya yang dapat memenuhi objektif strategis perusahaan melalui

peningkatan produktivitas. Suatu perusahaan yang didesain dengan baik dapat

meningkatkan produktivitas, membantu menarik minat serta memberikan alasan

bagi pegawai untuk bekerja di perusahaan tersebut, membantu mencipatkan imej

perusahaan di hadapan publik, serta secara tidak langsung mempromosikan kultur

perusahaan. Secara bisnis, gedung kantor dengan kualitas yang baik ialah

investasi yang baik bagi perusahaan [72].

Dalam gedung kantor terdapat beberapa subsistem yang semuanya

tujuannya serupa yaitu, meningkatkan efesiensi dan efektifitas gedung, dengan

menjaga “kondisi-kondisi lingkungan” berupa keamanan, kemudahan, serta

kenyamanan yang sesuai. Roestanto W. Dirjdojuwono membagi subsistem

tersebut beserta kontrolnya dalam gambar berikut:


46


Gambar 2.6 Skema Subsistem Dan Sistem Kontrol Sumber: Sistem Bangunan Pintar, 2003

2.4.3.1 Perencanaan Gedung Kantor

Tiga hal utama dalam perencanaan gedung kantor menurut Roestanto W.

Dirjdojuwono [73], yaitu:

a. Mengatur Langkah Perencanaan

Tenaga ahli dibutuhkan dalam perencanaan gedung kantor, diantaranya untuk

desain konstruksi, arsitektural, M&E, yang bekerja sama dengan representatif

klien, dalam hal pemilik gedung. Kepemilikian gedung kantor bisa dipisahkan

dari gedung milik sendiri atau gedung-gedung untuk disewakan. Untuk

menentukan desain gedung, perencanaan harus berhubungan dengan pemilik

gedung dan bukan dengan penyewanya. Klasifikasi kepemilikan gedung

dapat dijabarkan dalam bagan berikut:


47


Gambar 2.7 Diagram Klasifikasi Kepemilikan Gedung Kantor Sumber: Sistem Bangunan Pintar, 2003

Agar semua aspek kantor terpenuhi, maka desainer, perusahaan

manufaktur dan pengguna/pemilik yang memakai kantornya masing-masing harus

saling membantu untuk perencanaan desain. Namun keadaan ideal tersebut

acapkali tidak dapat dipenuhi.

b. Menentukan Desain Kantor

Gedung kantor seperti yang diklasifikasikan sebelumnya memiliki karakter

dan konfigurasi masing-masing. Gedung yang dibangun untuk disewakan

didesain untuk fleksibilitas pembagian ruang. Ruangan disiapkan dengan

dilengkapi koridor dan siap untuk dibangun partisi. Untuk gedung milik

sendiri, ruang-ruang kantor telah didefinisikan. Koridor tidak perlu terpisah

karena kadang pemilik memilih untuk memakai tipe core dua sisi. Yang

paling penting dari perencanaan desain gedung kantor ini ialah komunikasi

antara pemilik dengan konsultan desainnya.

Hal-hal yang harus diperhatikan dalam desain gedung kantor ialah:

a) Sirkulasi

Sirkulasi pada kantor ditentukan oleh bentuk framework dari struktur

kantor tersebut. Baik dalam koridor tertutup maupun koridor terbuka,

sirkulasi dalam kantor dimaksudkan untuk mempermudah perpindahan

orang dari satu tempat ke tempat lainnya, dan juga untuk mengatur serta

menghubungkan tempat-tempat dengan pola tertentu yang teratur.

Circulation path yang baik, dapat memberikan seseorang mengenai sense


48


“di mana” mereka berada dari keseluruhan plan kantor serta

menyediakan informasi tentang “where they are going” melalui landmark

ataupun pola tertentu sepanjang path. Circulation path kantor yang buruk

dapat memberikan suatu perasaan kalustrophobik dan hilang arah [74].

Space adalah empty void yang dibentuk oleh solid yang mengelilingi

(dinding, langit-langit, lantai). Pada desain gedung kantor, solid adalah

building core dan ruang tertutup lainnya. Sementara void adalah koridor

dan open-work area. Pada space program pola solid dan void dengan

bentuk berbeda dan proporsi berbeda, memberikan dengan irama dan

pengulangan elemen dan simetri, sehingga penyusuan space menciptakan

a sense ozf order [75].

Gambar 2.8 Sirkulasi pada Gedung Kantor Sumber: Office Buildings, 2002

b) Akustik

Kualitas dari kondisi kerja suatu kantor dapat terpengaruh oleh

suara/noise. Untuk sistem ruangan tertutup pada kantor, semua suara

dapat dibilang disturbance (suara telepon, pengunjung, ketikan, dan lain-

lain). Sementara dalam open-plan office, berbagai macam suara


49


bergabung menjadi suara homogen, yang terkadang tidak menggangu,

yang disebut background noise. Sebagian besar gangguan suara

ditimbulkan oleh dua komponen: office noises (percakapan, suara

mengetik, dll) dan suara yang ditimbulkan oleh mesin (dengungan AC,

CPU komputer, dll). Pengontroloan noise dapat dilakukan dengan

menggunakan isolasi akustik pada partisi, memasang dry wall hingga

bagian bawah slab, menggunakan absortif ceiling tile. Selain itu

penggunaan panel pada kubik individu pada open-space office juga

membantu membangun ‘dinding’ untuk privasi akustik dan kontrol suara

untuk personal workspace. Ketinggian minimum untuk panel/screening

dengan privasi akustik ialah 60-66 inch atau sekitar 150 cm, serta lebih

baik dilapisi kain atau bahan penyerap suara lainnya [76].

Gambar 2.9 Tinggi Panel Optimum Sumber: Open Plan Office, 1977

c) Pencahayaan

Pencahayaan yang baik penting untuk memperkaya penampilan ruang

kerja, menciptakan penerangan yang nyaman, serta menciptakan suasana

hangat di tempat-tempat tertentu (seperti ruang lobby atau resepsionis).

Kriteria pencahayaan pada kantor yang baik, ialah penggunaan cahaya

matahari yang maksimal, beserta kombinasi penggunaan indirect light.

Pencahayaan alami (cahaya matahari) dapat diperoleh dengan

penggunaan jendela. Dengan mendesain floor plate yang tipis,


50


penggunaan kaca pada jendela, atau pintu kaca serta sidelight pada

ruangan kerja yang tertutup, pencahayaan natural dapat mencapai bagian

mana saja dari gedung kantor. Pencahayaan buatan dibuat untuk

mendukung pencahayaan alami. Indirect lighting lebih dianjurkan untuk

pencahayaan pada open office karena lebih ringan, mengurangi silau

(glare) pada layar komputer, dan mengoptimalkan fleksibilitas apabila

dibutuhkan re-konfigurasi ruangan di masa mendatang. Pengkombinasian

pencahayaan alami dan buatan dapat pula diatur dengan dimmer

otomatis, yang dapat melakukan pengaturan pada reduksi cahaya buatan

ketika dibutuhkan.

c. Survey Status Kantor

Survey ini bertujuan untuk menentukan tata ruang kantor, metodenya antara

lain menyusun rencana layout dari masukan infromasi berupa:

a) Analisis dari divisi/bagian/ruang. Divisional dan sectional common room

dapat menjadi pertimbangan pembagian ruang

b) Jumlah ruang rapat, resepsionis, dan sebagainya. Dalam gedung kantor

selain workspace pribadi terdapat ruang-ruang lainnya dengan peran

fungsional tertentu, partisi antar ruang tersebut juga berbeda-beda, yang

dapat menjadi masukan penyusunan tata ruang.

c) Dalam survey pengukuran daerah departemen, seksi-seksi, divisi tertentu,

kegiatan masing-masing harus dirinci yang merupakan informasi penting

untuk “tata ruang perabotan”. Diantaranya menentukan lokasi telepon,

personal computer, meja kerja, dan lain-lain.

d) Jalur pemakaian atau pergantian perabotan maupun peralatan dari

storeroom atau penyimpanan. Dapat ditentukan bersama dengan

penjelasan penggunaan fixture dari departemen yang bersangkutan.

Gambar skematik sudah diperlukan untuk survey ini. Di dalam suvey, posisi,

interval, dan dimensi-dimensi pada semua feature pada kantor akan

dibicarakan pada rapat bersama dengan klien. Semua bahan juga ditentukan

dan dipilah agar dapat ditentukan lebih awal. Dalam rapat, presentasi dengan

bantuan gambar atau foto, jika perlu, harus dipersiapkan. Setelah survey


51


selesai, hasilnya akan dimasukkan ke original survey papers yang akan

termasuk dalam gambar teknik perencanaan. Gambar tersebut berguna untuk

pekerjaan analisis lebih lanjut.

2.4.4. Spesifikasi Gedung Kantor yang Tersedia pada Tahap Perencanaan

Konseptual

Telah dijelaskan sebelumnya bahwa pada proses desain terdapat tahapan-

tahapan. Di tahap awal atau perencanaan konseptual, proses desain terdiri dari

fase Preliminary/Program dan fase Skematik. Spesifikasi yang dimaksud pada

penelitian ini ialah spesifikasi gedung pada tahapan desain skematik. Setelah

tahapan desain preliminary/program, tim desain melanjutkan ke tahap desain

skematik dengan dasar dari desain tahap preliminary serta tambahan gambaran

besar dari spesifikasi konstruksi [77].

a. Lokasi

Lokasi dapat mempengaruhi biaya gedung dengan berbagai aspek.

Diantaranya kondisi site, bearing capacity, tabel konten air, bebatuan yang

ada, dan lain-lain dapat mempengaruhi desain substruktur. Kondisi geografis

juga mempengaruhi proyek dengan faktor iklim, kemudahan akses, jarak dari

sumber material, kompetensi pekerja serta upahnya, dan lain-lain. Selain itu

biasanya terdapat regulasi khusus mengenai proyek di suatu daerah yang

mempengaruhi proteksi lingkungan, standar gedung, pekerja, dan juga regular

fee yang harus dibayar. Range lokasi yang digunakan dalam penelitian ini

tergantung dari data yang didapat.

b. Kondisi Tanah

Kondisi tanah yang dimaksud di sini ialah kondisi tanah di mana diperlukan

pengerukan atau penimbunan bagi perkerjaan gedung, seperti pembangunan

basement, sistem air bersih, dan lain-lain. Namun di Indonesia seringkali

tanah yang disediakan bagi proyek sudah siap bangun, atau berarti hanya

butuh pekerjaan pembersihan lahan saja. Oleh karena itu kategori kondisi

tanah pada penelitian ini dibagi menjadi cut, fill, cut and fill, serta perlu

oembersihan lahan saja.


52


c. Tipe Pondasi

Meskipun pada dasarnya tidak sering tim structural engineer telah mendesain

pondasi di tahap ini, namun jenis pondasi tetap dapat ditentukan dari data

proyek masa lalu dengan bangunan yang memiliki tingkat, kondisi tanah, luas

area (footprint), serta properti tanah lain yang serupa [78]. Michael D.

Dell’Isola [79] berpendapat bahwa untuk menentukan tipe pondasi, variabel

utama yang digunakan ialah area ‘footprint’-nya, dengan tambahan variabel

sekunder berupa kondisi tanah, konfigurasi site, tabel air, zona seismik, berat

yang disuport, pembuangan tanah, dan spesifikasi slab. Hal-hal tersebut dapat

menentukan jenis pondasi apa yang akan dipakai. Dan tipe-tipe pondasi

tesebut antara lain terbagi menjadi pondasi jenis bore pile, pondasi tiang

pancang, pondasi mat, dan pondasi mat pile.

d. Luas Total Lantai Gedung Kantor

Luas lantai bangunan tinggi sangat tergantung dari program bangunan yang

tergantung pula pada jenis proyek. Lokasi dan bentuk tanah juga berpengaruh

karena menentukan luas lantai yang dapat dibangun [80]. Terdapat beberapa

literatur yang merekomendasikan luas lantai bagi gedung perkantoran, seperti

German Labour Protection Society, yang untuk kenyamanan akustik

menyarankan dua dinding paralel harus berjarak lebih dari 20 m. Juga

rekomendasi lain berupa satu lantai gedung kantor harus memiliki area

minimum sebesar 400 m2

[81]. Sementara itu, luas optimal satu lantai gedung

kantor berkisar antara 1000 m2–1300 m

2 yang didasarkan dari kalkulasi

journey time dari titik satu ke titik lainnya pada sebuah gedung [82]. Suatu

gedung dapat memiliki luas lantai yang tidak tipikal antar tingkatnya, maka

luas yang dipakai pada penelitian ini ialah luas keseluruhan lantai-lantai

gedung.

e. Jumlah Tingkat Bangunan

Yang membatasi jumlah lantai yang dapat dibangun tidak hanya berdasarkan

pertimbangan-pertimabangan tekno ekonomi saja. Daya dukung tanah juga

membatasi jumlah lantai bangunan yang dapat dibangun, di samping

peraturan-peraturan tata kota. Jadi, putusan terakhir merupakan sintesa dari

tekno ekonomi, pondasi, dan peraturan tata kota. Sementara peraturan tata


53


kota dibuat beradasarkan analisa tekno ekonomi, building engineering, dan

kualitas lingkunga kota [83]. Sebagai contoh, gedung yang dibangun di Pulau

Bali tidak dapat melebihi tinggi pohon kelapa atau sekitar tinggi Pura.

Sehingga peraturan tata kota menentukan jumlah lantai gedung kantor yang

dapat dibangun maksimal 4 lantai. Jumlah tingkat bangunan ynag dimaksud

di sini ialah jumlah tingkat bangunan gedung kantor yang berada di atas

permukaan tanah.

f. Jumlah Tingkat Bangunan yang Berada di Bawah Muka Tanah

Jumlah tingkat bangunan yang berada di bawah muka tanah berarti jumlah

lapis basement yang dimiliki suatu gedung kantor. Basement dari suatu kantor

dapat berfungsi sebagai tempat parkir namun juga dapat memiliki fungsi lain

seperti kantin, ruang musholla, dan dapat juga dibangun ruang fungsional

lain. Konstruksi basement menurut Michael Dell’Isola [84] tergantung dari

kondisi-kondisi seperti kondisi tanah, pembuangan tanah, tabel dan aliran air,

tipe retensi tanah, dan zona seismik. Jumlah tingkat bangunan yang dimaksud

di sini ialah jumlah lapis bangungan yang berada di bawah muka tanah.

g. Tipe Superstruktur

Superstruktur dari suatu gedung dipengaruhi oleh area dari lantai dan/atau

atap yang disuport. Selain itu faktor-faktor lain juga dapat mempengaruhi

pemilihan material superstruktur suatu gedung seperti, jumlah lantai, tinggi

floor-to-floor, konfiggurasi gedung, pembebanan, jarak span antar kolom,

zona seismik, dan tipe cladding [85]. Sehingga jenis superstruktur bangunan

dapat dibagi menjadi beton, baja, atau komposit.

h. Jarak antar Lantai (floor-to-floor height)

Tinggi ini bergantung kepada jenis proyek dan konstruksinya dalam relasinya

dengan kegunaan lantai. Misalnya, gedung kantor yang tingginya plafond-nya

2,6 m oleh karena itu memiliki floor-to-floor height 3,5 m. Jarak 0,8 atau 1 m

tersebut diperlukan untuk tinggi balok ditambah tabung-tabung kondisional

udara (AC). Dalam ilmu konstruksi bangunan tinggi, jarak ini selalu

diusahakan minimal. Sebab penghematan sebesar 10 cm saja apabila

dikalikan 30 lantai maka akan menghasilkan penghematan sebesar 3 m atau


54


setinggi 1 lantai [87]. Jarak antar lantai yang akan digunakan dipenelitian ini

adalah jarak antara lantai satu dengan lantai lain atasnya pada gedung kantor.

Gambar 2.10 Jarak antar Lantai/Floor-to-Floor Height Sumber: Office Buildings, 2002

i. Tinggi Bangunan

Gedung dengan tinggi bangunan yang besar cenderung lebih tidak efisien

dalam pemakaian spasinya. Gedung dengan lebih dari 6 atau 8 lantai

cenderung memiliki pembebanan, wind bracing, lift, dan kebutuhan fire code

yang bertambah. Vertikal elemen dari suatu gedung dapat memiliki jatah 25-

35% dari total biaya keseluruhan [86]. Tinggi bangunan yang dimaksud di

sini ialah tinggi total bangunan dalam satuan meter.

j. Bentuk/Footprint Shape

Bentuk atau footprint shape dari gedung mempengaruhi biaya dari segi

cladding-nya. Gedung dengan sisi lebih banyak akan memiliki keliling lebih

besar olh karena itu mempengaruhi komponen penutupnya/cladding. Selain

itu, penambahan sudut pada gedung cenderung meningkatkan kopleksitas

pengerjaan, dan seringkali diiringin dengan penambahan sumber daya

manusia. Tipe bentuk geudng kantor pada penelitian ini dikategorikan

menjadi segitiga, segiempat, segibanyak, dan lingkaran.


55


k. Tipe Atap

Tipe atap dari suatu gedung dapat dipengaruhi oleh luas atap, konfigurasi

atap, jumlah dan tipe opening, kebutuhan insulasi termal serta suara, tingkat

glazing yang dibutuhkan [88]. Sesuai dengan penelitian yang dilakukan Sang-

Yong Kim et. al [89], tipe atap dapat dibagi menjadi kategori flat (dak beton),

pitched (rangka kayu), dan steel frame (rangka baja).

l. Durasi Proyek

Durasi proyek mempengaruhi biaya konstruksi dengan biaya overhead yang

dikeluarkan. Durasi proyek yang terlalu lama berarti meningkatkan biaya

overhead proyek. Namun biaya indiret yang terlalu cepat (fast track) juga

dapat meningkatkan biaya konstruksi diakibatkan overtime, jam kerja ekstra,

atau perihal lainnya. Durasi proyek yang dibicarakan di penelitian ialah

lamanya sutau pekerjaan konstruksi proyek dari mulai hingga selesai, dalam

satuan bulan.

m. Finishing Grade

Aspek estetika gedung yang diharapkan berhubungan dengan finishing grade.

Semakin tinggi kualitas finishing-nya tentu saja semakin tinggi biaya

konstruksi. Hal itu disebabkan oleh komplekitasnya yang meningkat sehingga

butuh pekerja dengan skill tertentu. Dan juga identik dengan material,

semakin tinggi kualitas finishing grade-nya maka semakin banyak biaya

untuk material dikeluarkan. Range finishing grade pada penelitian ini berkisar

anatara 1-3.

2.4.5. Metode Estimasi Biaya Tahap Konseptual pada Proyek Konstruksi

Gedung Kantor

Sebagai alat estimasi biaya pada tahap konseptual, di mana perhitungan

detail komponen tidak dapat dilakukan, digunakan metode lain yang

memungkinkan. Diantara lain ialah estimasi parametrik [90], yaitu suatu proses

estimasi biaya menggunakan beberapa faktor (engineering parameters) yang

dikembangkan dari databease historis, praktik konstuksi, dan engineering

technology lain. Parameter tersebut terdiri dari ukuran fisikal yang mempengaruhi

definisi karakter proyek (luas, tipe gedung, tipe pondasi, materi penutup eksterior,


56


tipe atap, jumlah lantai, komposisi dan material, dan lain-lain). Pemilihan

parameter untuk metode parametrik tersebut bergantung kepada definisi proyek

yang tersedia, kesamaan antara proyek dengan data historis, dan kemampuan

untuk mengkalkulasikan detail, serta parameter yang dapat diketahui dari proyek.

Metode parametrik juga biasanya digunakan pada fasilitas yang repetitif atau

replikasi teori analisa dari suatu program bangunan gedung, dan dalam prosesnya

fasilitas statistik dapat digunakan untuk memprediksi dan menganalisa biaya [91].

Menurut Michael D. Dell’Isola [92], estimasi juga dapat dilakukan

dengan permodelan estimasi biaya. Sebagai contoh, terdapat computer-based

system yang digunakan sebagai permodelan estimasi biaya yang disebut REVIT

Technology Corporation. Selain itu permodelan dapat pula dilakukan dengan

memanfaatkan artificial intelligent yang telah banyak berkembang.

Jaringan syaraf tiruan merupakan suatu cabang ilmu artificial intelligent

yang telah berkembang dan banyak diaplikasikan pada berbagai praktik ilmu.

Telah dilakukan aplikasi pada jaringan syaraf tiruan, khususnya pada permodelan

prediktif, untuk currency exchange, harga stok market, serta bond ratings sejak

awal tahun 1990. Aplikasi pada bidang konstruksi mulai diteliti dan

dipublikasikan di pertengahan tahun 1990an untuk faktor kontingensi pada

proyek, dan lalu estimasi biaya proyek dalam suatu sotware computing. salah

satunya konstruksi.

Praktik aplikasi jaringan syaraf tiruan untuk estimasi biaya proyek

konstuksi ini melebar menjadi aplikasi dalam vessel, jalan tol, dan salah satunya

gedung. Bina R. Setyawati, Sidharta Sahirman, dan Dr. Robert C. Creese, PE

CCE, meneliti aplikasi neural network untuk estimasi biaya pertama kali pada

tahun 2002 [93], lalu melakukan peneltian lanjutannya pada tahun 2003 [94].

Estimasi ini menggunakan basic cost driver yang dapat ditemukan pada estimasi

tahap konseptual, untuk 41 data proyek gedung edukasional historis. Sementara

Sang-Yong Kim, Jae-Won Choi, Gwang Hee Kim, dan Kyung Kang In pada

tahun 2005 [95] meneliti metode cost prediction berupa CBR dan ANN untuk

gedung-gedung apartemen dengan variabel yang dapat ditemukan di early project

stages. Di tahun 2008, Min-Yuang Cheng, Hsing-Chih Tsai, dan Wei-Shan Hsieh


57


[96] meneliti penggunaan neural network serta fuzzy model untuk perhitungan

biaya proyek gedung pada umumnya.

Penelitian mengenai penggunaan metode jaringan syaraf tiruan pada

estimasi tahap konseptual gedung kantor dilakukan oleh diantaranya Phabounjong

K. dan Popescu, C.M. pada tahun 2002 [97]. Selain itu T.M.S. Elhag serta A.H.

Boussabaine pada tahun 2005 [98] juga melakukan penelitian dalam estimasi

biaya gedung kantor untuk kepentingan harga tender. Menurut T.M.S Elhag dan

A.H Boussabaine [99] perlu dicari alternatif metode untuk perhitungan estimasi

biaya karena walaupun metode konvensional (dalam hal ini regresi linier) sudah

familiar, namun penggunaannya sangat bergantung pada linearity dan model

matematis variabelnya. ANN dapat belajar dari sampel dan melakukan

generalisasi agar dapat memecahkan masalah baru, oleh karena itu metode ini

memiliki potensi dalam estimasi biaya tahap konseptual pada gedung kantor.

2.5. Jaringan Syaraf Tiruan (Artificial Neural Network)

Jaringan syaraf buatan bisa dibayangkan seperti otak buatan. Ketika

manusia berpikir, aktivitas-aktivitas yang terjadi adalah aktivitas mengingat,

memahami, menyimpan, dan memanggil kembali apa yang pernah dipelajari oleh

otak. Artificial Neural Network bekerja dengan fungsi yang sama seperti otak

biologis tersebut. Salah satu contoh pengambilan ide dari jaringan syaraf biologis

adalah adanya elemen-elemen pemrosesan pada jaringan syaraf tiruan yang saling

terhubung dan beroperasi secara pararel. Pada dasarnya sel syaraf biologi

menerima masukan dari sumber yang lain dan mengkombinasikannya dengan

beberapa cara, melaksanakan suatu operasi yang non-linear untuk mendapatkan

hasil dan kemudian mengeluarkan hasil akhir tersebut.

Dalam tubuh manusia terdapat banyak syaraf, semua sel syaraf alami

mempunyai empat komponen dasar yang sama. Keempat komponen dasar ini

diketahui berdasarkan nama biologinya yaitu, dendrit, soma, akson, dan sinapsis.

Setiap sel syaraf akan memiliki satu inti sel, inti sel ini nanti yang akan bertugas

untuk melakukan pemrosesan informasi (Processing Element). Informasi yang

datang akan diterima oleh dendrit. Selain menerima informasi dendrit juga

menyertai akson sebagai keluaran dari suatu pemrosesan informasi. Informasi


58


hasil olahan ini akan menjadi masukan bagi neuron lain yang mana antar dendrite

kedua sel tersebut dipertemukan dengan sinapsis. Informasi yang dikirimkan antar

neuron ini berupa rangsangan yang dilewatkan melalui dendrit. Informasi yang

datang dan diterima oleh dendrit akan dijumlahkan dan dikirim melalui akson ke

dendrit akhir yang bersentuhan dengan dendrit dari neuron yang lain. Informasi

ini akan diterima oleh neuron lain jika memenuhi batasan tertentu, yang sering

dikenal dengan nama nilai ambang (threshold) yang dikatakan teraktivasi.

2.5.1. Deskripsi Jaringan Syaraf Tiruan (Artificial Neural Network)

ANN merupakan salah satu teknik Artificial Intelligence yang merupakan

bagian dari ilmu komputer yang mempelajari bagaimana membuat mesin

(komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh

manusia bahkan bisa lebih baik daripada yang dilakukan manusia. Christos

Stergiou dan Dimitri Siganos [100] menyebutkan neural network adalah sebuah

perhitungan yang didasarkan pada model dan mekanisme sel-sel saraf otak

manusia (neuron) didalamnya menyelesaikan berbagai permasalahan kompleks

seperti pengenalan pola, pengolahan informasi secara cepat, proses belajar dan

indentfikasi. Sama seperti otak manusia, metode ini dapat belajar dari

pengalaman, sehingga dikategorikan sebagai metode yang menggunakan artificial

intelegence.

ANN sederhana pertama kali diperkenalkan oleh Warren McCulloch dan

Walter Pitts di tahun 1943. McCulloch dan Pittsmenyebutkan ANN merupakan

salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara

kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses

belajar melalui perubahan bobot sinapsisnya. McCulloch dan Pitts menyimpulkan

bahwa kombinasi beberapa neuron sederhana menjadi system neural yang akan

meningkatkan kemampuan komputasinya. Bobot dalam jaringan yang diusulkan

oleh McCulloch dan Pitts diatur untuk melakukan fungsi logika sederhana. Fungsi

aktifasi yang dipakai adalah fungsi threshold. Akan tetapi, keterbatasan teknologi

pada saat tersebut menyebabkan penggunaan yang sangat terbatas dari metode ini.

Pendekatan yang berbeda untuk AI dari teknik tradisional seperti sistem

pakar dengan mencoba untuk meniru mekanisme yang otak manusia


59


memanipulasi data dan mencapai keputusan. Menurut Haykin S. [101], Neural

Network merupakan sebuah prosesor yang terdistribusi paralel dan mempuyai

kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari

pengalaman dan membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai

kerja otak dalam dua hal, yang pertama bahwa pengetahuan diperoleh oleh

jaringan melalui suatu proses belajar, dan yang kedua bahwa kekuatan hubungan

antar sel saraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpan

pengetahuan.

ANN mampu melakukan pengenalan kegiatan berbasis data masa lalu.

Data masa lalu akan dipelajari oleh jaringan saraf tiruan sehingga mempunyai

kemampuan untuk memberikan keputusan terhadap data yang belum pernah

dipelajari. Artificial Neural Network (ANN) atau jaringan syaraf buatan merupakan

salah satu representasi buatan dari otak manusia yang selalu mencoba untuk

menstimulasikan proses pembelajaran pada otak manusia tersebut. ANN

diimplementasikan dengan menggunakan program komputer yang mampu

menyelesaikan sejumlah proses perhitungan selama proses pembelajaran [102].

Elemen yang paling mendasar dari jaringan syaraf adalah sel syaraf. Sel-sel syaraf

inilah membentuk bagian kesadaran manusia yang meliputi beberapa kemampuan

umum.

Hubungan antara jaringan syaraf biologis dan ANN menurut Medsker dan

Liwbowitz [103] terdapat pada tabel berikut:

Tabel 2.6 Analogi Jaringan Syaraf Biologis dengan ANN

Biologis ANN

Soma Node

Dendrit Input

Akson Output

Sinapsis Bobot

Laju Pelan Laju Cepat

Banyak Neuron(109) Sedikit Neuron

Sumber: Efrain Turban et.al., Decision Support Systems and Intelligent Systems, 2005.


60


Beberapa sifat dan kelebihan ANN dengan teknik Artficial Intelligence

yang lain menurut Wassermann [104] ialah sebagai berikut :

a. Belajar Adaptif

ANN mempunyai kemampuan untuk belajar bagaimana melakukan tugas-

tugas didasarkan pada data yang diberikan untuk pelatihan atau pengalaman

awal. melalui contoh, tidak seperti expert systems, belajar daribanyak pola

contoh pelatihan dan asosiasinya misalnya output yang ditentukan. Contoh

pelatihan ini dapat dihasilkan dari ahli tanpa kebutuhan untuk meminta,

bagaimana ataupun mengapa sehingga sampai pada kesimpulan. ANN

menghasilkan respon yang cepat, tidak membutuhkan waktu yang lama untuk

pembelajaran.

b. Self-Organisation

ANN dapat membuat sendiri organisasinya atau representasi dari informasi

yang diterimanya selama waktu belajar. ANN dapat meng-ekstrak klasifikasi

(clustering) karakteristik-karakteristik dari sejumlah besar contoh input pada

kasus unsupervised learning. ANN mampu mendistribusikan memori; bobot

koneksi merupakan unit memori dari jaringan. Nilai bobot ANN

menggambarkan state of knowledge dari jaringan.

c. Fault Toleransi melalui Informasi Redundant Coding

ANN mempunyai fault-tolerant sejak memori didistribusikan, kegagalan dari

beberapa processing element akan sedikit merubah keseluruhan perilaku

jaringan.

d. ANN Dapat Merepresentasikan Ketidakpastian

ANN dapat mengukur kepercayaan dengan memodifikasi pola permasalahan

dengan dua cara: (1) memilih nilai input untuk menggambarkan pengukuran

kepercayaan atribut, dan (2) dengan menambahkan atribut lain dalam

merepresentasikan pengukuran kepercayaan pada contoh input. ANN

memerlukan penyimpanan memori yang lebih sedikit. Satukumpulan bobot

jaringan berkemampuan merepresentasikan ruang yang besar dari pola yang

disimpan.


61


Sedangkan beberapa kekurangan dalam pengembangan ANN adalah :

a. Penyelesaian masalah melalui ANN hanya didasarkan pada teknik heuristic.

b. Interaksi yang terjadi dalam ANN sangat kompleks.

c. Mempelajari ANN sangat susah dimengerti sehingga sering di sebut “black

box”

d. ANN memodelkan sesuatu berdasarkan pengalaman terdahulu tetapi ANN

tidak mampu menjelaskan dan menjustifikasi keputusan yang dihasilkan.

2.5.2. Konsep Dasar Model Artificial Neural Network

Seperti halnya otak manusia, jaringan saraf juga terdiri dari beberapa

neuron dan ada hubungan antara neuron-neuron tersebut. Beberapa neuron akan

mentransformasikan informasi yang diterimanya melalui sambungan keluaran

menuju neuron-neuron yang lain. Neuron adalah unit pemroses informasi yang

menjadi dasar dalam pengoperasian jaringan syaraf tiruan. Tiruan neuron dalam

struktur jaringan saraf tiruan adalah sebagai elemen pemroses yang dapat

berfungsi seperti halnya sebuah neuron. Sejumlah sinyal masukan a dikalikan

dengan masing-masing penimbang yang bersesuaian. Kemudian dilakukan

penjumlahan dari seluruh hasil perkalian tersebut dan keluaran yang dihasilkan

dilalukan kedalam fungsi pengaktif untuk mendapatkan tingkatan derajat sinyal

keluarannya. Walaupun masih jauh dari sempurna, namun kinerja dari tiruan

neuron ini identik dengan kinerja dari sel biologi yang kita kenal saat ini. Neuron

terdiri dari 3 elemen pembentuk :

a. Himpunan unit unit yang dihubungkan dengan jalur koneksi. Jalur jalur

tersebut memiliki bobot/kekuatan yang berbeda-beda. Bobot yang bernilai

positif akan memperkuat sinyal dan yang bersifat negative akan

memperlemah sinyal yang dibawanya. Jumlah, struktur dan pola hubungan

antar unit-unit tersebut akan menentukan arsitektur jaringan.

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

dikalikan dengan bobotnya. Misalnya 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


62


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

diteruskan ke neuron lain atau tidak.

Dengan kata lain neuron/sel syaraf adalah sebuah unit pemrosesan

informasi yang merupakan dasar operasi jaringan syaraf tiruan. Neuron ini

dimodelkan dari penyerderhanaan sel saraf manusia yang sebenarnya. Neuron

pada neural network dimodelkan sebagai sebuah proses yang mengeluarkan

sebuah output dari berbagai input yang ada [105]. Gambar dibawah ini

menunjukkan contoh sederhana suatu neuron.

Gambar 2.11 Struktur Unit Jaringan Syaraf Tiruan Sumber : 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 pada tahun 1940.


63


Gambar 2.12 Model neuron MCP dengan input terbobot Sumber : McCulloch and Pitts 1940

Sebuah model untuk meningkatkan performadari MCP model

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

processing pada input sebelum dikalikan bobotnya dan memasuki proses

perhitungan output [106].

Gambar 2.13 Perceptron Sumber : Christos dan Dimitri, 1996

Dengan menambahkan bias dan fungsi transfer pada setiap neuron, maka

didapatkan bentuk dasar matematis sebuah neuron sebagai berikut:


64


Gambar 2.14 Model Matematis Sebuah Neuron Dasar Sumber : Christos dan Dimitri, 1996

Dimana W adalah bobot dari input-input pada neuron tersebut, dan f

adalah fungsi transfer dari model neuron. Fungsi transfer dari neuron sendiri dan

bergantung pada kasus yang ditinjau, seperti hard limit yang banyak digunakan

untuk pengenalan pola, sedangkan untuk kasus indentifikasi atau desain control

banyak digunakan fungsi sigmoid dan radial [107].

2.5.3. Arsitektur Jaringan pada Artificial Neural Network

Model jaringan saraf tiruan terdiri atas beberapa elemen penghitung tak

linier yang masing-masing dihubungkan melalui suatu pembobot dan tersusun

secara pararel. Pembobot inilah yang nantinya akan berubah (beradaptasi) selama

jaringan saraf tiruan ini mengalami pelatihan. Pelatihan perlu dilakukan pada suatu

jaringan saraf tiruan sebelum digunakan untuk menyelasikan masalah. Dari

pelatihan jaringan saraf tiruan ini diperoleh tanggapan yang benar (diinginkan)

terhadap masukan yang diberikan kepadanya. Pada suatu tingkat tertentu jaringan

saraft tiruan ini dapat memberikan tanggapan yang benar walaupun masukan yang

diberikan kepadanya berubah oleh suatu keadaan. Hubungan antar neuron dalam

ANN mengikuti pola tertentu tergantung pada arsitekturnya dan berhubungan

dengan algoritma pembelajaran yang digunakan untuk melatih network.


65


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

a. Layer input

b. Layer tersembunyi dimana terjadi pengolahan data input

c. Layer output

Gambar 2.15 Model ANN dengan Multi-Layer Sumber : Jerzy Moncincki, 1995

Berikut model ANN Jerzy Moncincki, dimana layer 1 adalah layer input,

layer 2 adalah layer tersembunyi, dan layer 3 adalah layer output. Pada beberapa

referensi lain, input seringkali dianggap sebagai layer tersendiri, sehingga layer 1

juga dianggap sebagai layer tersembunyi. Berdasarkan arah proses dari input

menuju output, maka jaringan ini dapat dibedakan menjadi 2 tipe [108]:

a. Feedforward Network

Jaringan dimana arah sinyal pada neuron adalah satu arah. Output yang

dihasilkan tidak mempengaruhi output selanjutnya.

b. Feedback (Recuurent) Network

Jaringan dimana output yang dihasilkan akan menjadi input pada proses

perhitungan output selanjutnya sehingga terjadi sebuah loop yang


66


berkesinambungan. Jaringan ini memiliki performance yang lebih baik karena

melakukan koreksi error yang terjadi.

Gambar 2.16 Feedback (Recurrent) Network Sumber : Jerzy Moncincki, 1995

2.5.4. Proses Pembelajaran Algoritma Artificial Neural Network

Salah satu bagian terpenting dari konsep ANN adalah terjadinya proses

pembelajaran [109]. Proses belajar yang dimaksud adalah kemampuan ANN untuk

mengingat pola-pola input beserta responnya. Tujuan utama dari proses

pembelajaran adalah melakukan pengaturan terhadap bobot-bobot yang ada pada

ANN, sehingga diperoleh bobot akhir yang tepat sesuai dengan pola data yang

dilatih. Selama proses pembelajaran akan terjadi perbaikan bobot-bobot

berdasarkan algoritma tertentu. Nilai bobot akan bertambah, jika informasi yang

diberikan oleh neuron yang bersangkutan tersampaikan, sebaliknya jika informasi

tidak disampaikan oleh suatu neuron ke neuron yang lain, maka nilai bobot yang

menghubungkan keduanya akan dikurangi. Pada saat pembelajaran dilakukan pada

input yang berbeda, maka nilai bobot akan diubah secara dinamis hingga mencapai

suatu nilai yang cukup seimbang. Apabila nilai ini telah tercapai mengindikasikan

bahwa tiap-tiap input telah berhubungan dengan output yang diharapkan.

Kemampuan pembelajaran dari suatu ANN dicapai dengan mengaplikasikan

algoritma pembelajaran.


67


Proses belajar dari neural network itu sendiri menurut Nikola K. Kasabov

[110] dapat dibedakan menjadi 3 (tiga) klasifikasi yaitu sebagai berikut:

a. Supervised Learning

Metode pembelajaran terawasi dimana contoh pelatihan sebagai pembelajaran

terdiri dari input vektor x dan output vektor y yang ditentukan. Pelatihan

dilakukan sampai ANN “belajar” mengetahui hubungan tiap input vektor x

dengan output vektor y. Sebagai contoh ANN dapat mempelajari pendekatan

fungsi y=f(x) yang direpresentasikan dengan kumpulan pelatihan (x,y). Tipe

Algoritma pembelajaran yang termasuk ke dalam golongan ini adalah

backpropagation, jaringan Hopfield, perceptron, dan sebagainya.

b. Unsupervised Learning

Metode pembelajaran tidak diawasi dimana hanya input vektor x yang

diberikan dan ANN mempelajari beberapa karakteristik dari pola yang terjadi.

Tipe Algoritma pembelajaran yang termasuk ke dalam golongan ini

diantaranya adalah teori resonansi adaptif, learning vector quantization, self

organizing kohonen, dan sebagainya.

c. Reinforced / Reward-Penalty Learning,

Yaitu kombinasi dari dua paradigma di mana didasarkan pada input vektor x

kepada ANN dan melihat output vectoryang dihasilkan jaringan. Jika

dipertimbangkan hasilnya baik maka memberikan “reward” kepada jaringan

dengan menambah bobot hubungan dan sebaliknya.

2.5.5. Penggunaan Algoritma Back Propagation

Jaringan back propagation merupakan salah satu algoritma yang sering

digunakan dalam menyelesaikan masalah-masalah yang rumit. Algoritma

propagasi balik, pertama kali dirumuskan oleh Werbos dan dipopulerkan oleh

Rumelhart dan McClelland untuk dipakai pada ANN. Algoritma telah

diaplikasikan di berbagai bidang, diantaranya diterapkan di bidang finansial,

pengenalan pola tulisan tangan, pengenalan pola suara, sistem kendali, pengolah

citra medika dan masih banyak lagi keberhasilan BP sebagai salah satu metoda

komputasi yang handal.


68


Algoritma ini juga banyak dipakai pada aplikasi pengaturan karena

proses pelatihannya didasarkan pada hubungan yang sederhana, yaitu: Jika

keluaran memberikan hasil yang salah, maka penimbang (weight) dikoreksi

supaya galatnya dapat diperkecil dan respon jaringan selanjutnya diharapkan akan

lebih mendekati harga yang benar. BP juga berkemampuan untuk memperbaiki

penimbang pada lapisan tersembunyi (hidden layer).

Ketika Jaringan diberikan pola masukan sebagai pola pelatihan maka

pola tersebut menuju ke unit-unit pada lapisan tersembunyi untuk diteruskan ke

unit-unit lapisan keluaran. Kemudian unit-unit lapisan keluaran memberikan

tanggapan yang disebut sebagai keluaran jaringan. Saat keluaran jaringan tidak

sama dengan keluaran yang diharapkan maka keluaran akan menyebar mundur

(backward) pada lapisan tersembunyi diteruskan ke unit pada lapisan masukan.

Oleh karenanya maka mekanisme pelatihan tersebut dinamakan backpropagation/

propagasi balik. Tahap pelatihan ini merupakan langkah bagaimana suatu jaringan

saraf itu berlatih, yaitu dengan cara melakukan perubahan penimbang (sambungan

antar lapisan yang membentuk jaringan melalui masing-masing unitnya).

Sedangkan pemecahan masalah baru akan dilakukan jika proses pelatihan tersebut

selesai, fase tersebut adalah fase mapping atau proses pengujian/testing.

Prosedur pembelajaran algoritma backpropagation ialah sebagai berikut:

a. Inisiasi bobot (ambil bobot awal dengan nilai acak yang cukup kecil)

b. Tetapkan : Nilai maksimum Epoch, Target Epoch dan Learning Rate (a)

c. Inisialisasi Epoch = 0

d. Kerjakan langkah-langkah berikut selama (Epoch < Maksimum Epoch) dan

(MSE < Target Error):

Epoch = Epoch + 1

Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, dimulai

dengan mengerjakan :

Feedforward :

e. Tiap-tiap unit input (Xi i= 1,2,3,……..,n) menerima sinyal xi dan meneruskan

sinyal tersebut kesemua unit pada lapisan yang ada diatasnya (hidden layer)

f. Tiap-tiap unit pada suatu hidden layer (Zi j= 1,2,3, ……, p) menjumlahkan

sinyal-sinyal input terbobot:


69


(2.4)

Gunakan fungsi aktifasi untuk menghitung sinyal outputnya:

(2.5)

Dan kirim sinyal tersebut kesemua unit dilapisan atasnya (unit-unit

outputnya).

g. Tiap-tiap unit outputnya (Yk, k= 1,2,3,….. ,m) menjumlahkan sinyal-sinyal

input terbobotnya.

(2.6)

Gunakan fungsi aktifasi untuk menghitung sinyal outputnya :

(2.7)

Dan kirim sinyal tersebut ke semua unit dilapisan atasnya (unit-unit output).

Catatan :

Langkah (b) dilakukan sebanyak jumlah hidden layer

Back Propagation

h. Tiap-tiap unit outputnya (Yk, K = 1,2,3, ….. ,m) menerima target pola yang

berhubungan dengan pola input pembelajaran , hitung informasi errornya:

(2.8)

(2.9)

(2.10)

Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk

memperbaiki nilai wjk ) dengan fungsi gradient descent:

(2.11)

Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki

nilai b2k ) dengan fungsi gradient desent :

(2.12)

Langkah (d) ini juga dilakukan sebanyak jumlah hidden layer, yaitu dengan

menghitung informasi error dari suatu hidden layer ke hidden layer

sebelumnya.

i. Tiap-tiap unit tersembunyi (Zj, j= 1,2,3,…, p) menjumlahkan delta inputnya

(dari unit-unit yang berada pada lapisan diatasnya):


70


(2.13)

Kalikan nilai ini dengan turunan dari fungsi aktifasinya untuk menghitung

informasi error:

(2.14)

(2.15)

(2.16)

Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk

memperbaiki nilai vij ) dengan fungsi gradient descent :

(2.17)

Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki

nilai b1j) dengan fungsi gradient descent :

(2.18)

j. Tiap-tiap output (Yk, k= 1,2,3,….,m) memperbaiki bias dan bobotnya

(j=0,1,2,…..,p):

(2.19)

(2.20)

Tiap-tiap tersembunyi (Zj, j = 1,2,3,….,p) memperbaiki bias dan bobotnya

(i= 0,1,2,…,n):

(2.21)

(2.22)

k. Hitung MSE

Pemilihan bobot awal sangat mempengaruhi ANN dalam mencapai minimum

global (satu local saja) terhadap nilai error, serta cepat tidaknya suatu proses

pelatihan menuju kekonvergenan. Apabila nilai bobot awal terlalu besar,

maka input ke setiap hidden layer atau lapisan output akan jatuh pada daerah

dimana turunan fungsi sigmoidnya akan sangat kecil, sebaliknya apabila nilai

bobot awal terlalu kecil, maka input ke setiap hidden layer atau lapisan output

akan sangat kecil yang akan menyebabkan proses pelatihan akan berjalan

sangat lambat. Biasanya bobot awal diinisialisaikan secara random dengan

nilai antara -0,5 sampai 0,5 (atau -1 sampai 1 atau interval lainnya). Ada


71


alternative lainnya selain inisialisasi secara random, yaitu dengan cara

Metode Nguyen-Windrow. Metode Nguyen-Windrow akan menginisialisasi

bobot-bobot dari lapisan input ke hidden layer dirancang sedemikian rupa

sehingga dapat meningkatkan kemampuan hidden layer dalam melakukan

proses pembelajaran. Metode Nguyen-Windrow secara sederhana dapat

diimplementasikan dengan prosedur sebagai berikut :

(a) Tetapkan :

n = jumlah neuron (unit) pada lapisan input

P = jumlah neuron (unit) pada hidden layer

Beta = factor pengskalaan

dimana, beta = 0.7 (p) 1/n

(2.23)

Kerjakan untuk setiap unit pada hidden layer (j =1,2,….,p):

(b) Inisialisasi bobot bobot dari lapisan input ke hidden layer

Vij = bilangan random antara -0,5 sampai 0,5 (atau antara –g sampai g).

(c) Hitung

(2.24)

(d) Inisialisasi ulang bobot-bobot :

(2.25)

(e) Set Bias

B1j = bilangan random antara –β sampai β analisis Nguyen –Windrow

didasarkan atas fungsi aktifasi tangent hiperbolik.

Fungsi kinerja jaringan yang sering digunakan untuk backpropagation

adalah Mean Square Error (MSE), fungsi ini akan mengambil rata-rata kuadrat

error yang terjadi antara output, jaringan dan target. Sebagian besar algoritma

pelatihan untuk jaringan feedforward menggunakan gradient dari fungsi kinerja

untuk menentukan bagaimana mengatur bobot-bobot dalam rangka

meminimumkan kinerja. Gradien ini ditentukan dengan menggunakan suatu teknik

yang disebut dengan nama backpropagation akan menggerakkan bobot dengan

arah gradient negative. Prosedur pembelajaran algoritma backpropagation diatas

melakukan perbaikan bobot dengan fungsi pembelajaran gradient descent.


72


Adakalanya fungsi tersebut hanya merespon gradien lokal saja. Oleh karena itu

berkembang modifikasi fungsi tersebut dengan gradient descent with momentum

yang tidak hanya merespon gradien lokal saja, namun juga mempertimbangkan

kecenderungan yang baru saja terjadi pada suatu permukaan error. Besarnya

perubahan bobot ini dipengaruhi oleh suatu konstanta (yang dikenal dengan nama

momentum) mc, yang bernilai antara 0 sampai 1) Perubahan bobot pada persamaan

(2.11), berubah menjadi :

(2.26)

Untuk epoh = 1, dan

(2.27)

Untuk epoh >1

Demikian pula untuk bobot bias, persamaan (2.12) berubah menjadi :

(2.28)

Untuk epoh = 1, dan

(2.29)

Untuk epoh >1 ,

Perubahan bobot pada persamaan (2.17), berubah menjadi :

(2.30)

Untuk epoh = 1, dan

(2.31)

Untuk epoh > 1 , dan

Demikian pula untuk bobot bias, persamaan (2.18) berubah menjadi :

(2.32)

Untuk epoh = 1, dan

(2.33)

Untuk epoh > 1

Pada piranti lunak Matlab yang dapat digunakan untuk analsis ANN,

pengalian dengan momentum juga dilakukan terhadap gradient kinerja, yaitu ,

perubahan bobot pada persamaan (2.11), berubah menjadi:

(2.34)

Untuk epoh = 1 dan ,


73


(2.35)

Untuk epoh >1

Demikian pula untuk bobot bias , persamaan (2.12) berubah menjadi ;

(2.36)

Untuk epoh = 1, dan

(2.37)

Untuk epoh > 1

Perubahan bobot pada persamaan (2.17), berubah menjadi ;

(2.38)

Untuk epoh = 1, dan

(2.39)

Untuk epoh > 1 dan demikian pula untuk bobot bias, persamaan (2.18) berubah

menjadi :

(2.40)

Untuk epoh = 1, dan

(2.41)

Untuk epoh > 1

Dengan demikian apabila nilai mc = 0 maka perubahan bobot hanya akan

dipengaruhi oleh gradiennya. Namun apabila mc = 1, maka perubahan bobot akan

sama dengan perubahan bobot sebelumnya.

2.5.6. Evaluasi Kinerja Model ANN

Keberhasilan dari pengaplikasian model ANN tidak tergantung hanya dari

banyaknya kualitas data yang digunakan untuk pelatihan, tetapi juga tipe dan

struktur dari ANN yang diterapkan, metode pelatihan dan bagaimana data input

dan output model ANN itu distrukturkan dan diaplikasikan. Evaluasi kinerja

pemodelan ANN harus dievaluasi agar model estimasi biaya yang dihasilkan

akurat berdasarkan data-data yang direpresentasikan berdasarkan tipe data proyek

yang sejenis [111]. Evalusi akurasi estimasi biaya yang umum dilakukan adalah

dengan membandingkan biaya aktual (data historis) dengan biaya estimasi

Menurut Hegazy, T. dan Ayed, A. [112] dan Sodikov [113] pendekatan yang biasa


74


dilakukan dalam mengevaluasi akurasi estimasi tersebut adalah dengan

menghitung MSE (Mean Square Error) dan MMRE (Mean Magnitude of Relative

Error).

(2.42)

(2.43)

2.5.7. Variabel-Variabel yang Digunakan dalam Model Artificial Neural

Network

Untuk menentukan parameter-parameter yang akan digunakan pada

proses penelitian selanjutny, penulis melakukan kajian literatur terhadap

penelitian-penelitian yang telah dilakukan. Dari kajian diperoleh daftar variabel

yang digunakan pada estimasi biaya tahap konseptual, antara lain:

Tabel 2.7 Variabel Biaya untuk Bangunan Gedung dari Kajian Literatur

No. PENELITI JUDUL

PENELITIAN

METODE VARIABEL

1 Yokoyama,

K. dan T.

Tamiya

The Integrated

Cost Estimating

Systems

Technique for

Building Cost

Integrated

Cost

Estimating

System

Penggunaan bangunan

Lokasi

Luas lantai total

Tipe struktur

Jumlah lantai di atas

permukaan

Jumlah lantai di bawah

permukaan

Grade

Penggunaan zona

Luas lantai dari zona


75



No. PENELITI JUDUL

PENELITIAN

METODE VARIABEL

2 Anoli, D.L.

dan Masi

J.G.

Development

and

Maintenance of

a Parametric

Building

Estimate System

Parametric

Building

Estimating

System

Area lantai yang dapat

digunakan

Tinggi rata-rata dari

lantai ke lantai

Jumlah lantai

Jumlah sudut

Faktor lokasi

Produktivitas pekerja

Rate dari superstruktur

& substruktur

Index kualitas finishing

untuk eksterior &

interior

3 Setyawati

B.R., S.

Sahirman,

dan R.C.

Creese

Neural Network

for Cost

Estimation

Artificial

Neural

Netwrok,

hyperbolic

tangent

function

Jumlah bangunan

Jumlah lantai

Area total (ft sq)

Tinggi gedung

Tipe pondasi

Jumlah sudut

Luas lantai dasar

Ketinggian rata-rata

lantai antar lantai

4 Sang-Yong

Kim, Jae-

Won Choi,

Gwang Hee

Kim,

Kyung In

Kang

Apartment

Building in

South Korea

Artificial

Neural

Network

Lokasi

Luas

Jumlah lantai

Tipe atap

Unit total

Unit per lantai

Luas per unit

Tipe Pondasi

Basement

Finishing grade

Durasi


76



No. PENELITI JUDUL

PENELITIAN

METODE VARIABEL

5 Setyawati

B.R., S.

Sahirman,

dan R.C.

Creese

Neural Network

for Cost

Estimation (Part

2)

Artificial

Neural

Network

Luas area total

Jumlah lantai

Tipe pondasi

Tinggi gedung

6 Min-Yuang

Cheng,

Hsing-Chih

Tsai, Wen-

Shan Hsieh

Web-based

conceptual cost

estimates for

construction

projects using

Evolutionary

Fuzzy Neural

Interference

Model

Evolutionary

Fuzzy Neural

Interference

Lantai di bawah

permukaan (jumlah)

Luas total lantai

Jumlah lantai di atas

tanah

Area site

Jumlah unit

Kondisi tanah

Zona seismic

Dekorasi interior

Infrastruktur M&E

Sumber : Hasi Olahan

2.6. Kerangka Pikir dan Hipotesa

Berdasarkan kajian yang dilakukan terkait permasalahan penelitian,

penulis menarik hipotesa penelitian berupa penggunaan metode Artificial Neural

Network (ANN) pada estimasi biaya tahap konseptual gedung kantor dapat

meningkatkan tingkat akurasi, dengan menggunakan variabel bebas antara lain:


77


Tabel 2.8 Variabel Penelitian

No. VARIABEL TIPE DESKRIPSI REFERENSI

1 LOKASI

Lokasi gedung

kantor

Kategorial lokasi bangunan

disini adalah Kota

tempat akan

dibangunnya

gedung kantor

Yokoyama & Tomiya

(1988),

Anoli & Masi (2002),

Kim, Choi, & Kang

(2005)

Kondisi

Tanah

Kategorial pekerjaan yang

paling dominan

dilakukan adalah

Cut / Fill /Cut and

Fill atau hanya

Pembersihan

Lahan saja

Elhag & Boussabaine

(2002)

2 DESAIN

Tipe Pondasi Kategorial yang dimaksud

tipe pondasi disini

ialah gedung

kantor

menggunakan

pondasi jenis

Bore Pile / Tiang

Pancang / Mat /

Mat Pile

Kim, Choi & Kang

(2005),

Setyawati, Sahirman &

Creese (2002),

Elhag & Boussabaine

(2002)


78




Luas total

lantai gedung

kantor (m2)

Numerikal Total luas

bangunan gedung

kantor di sini

adalah luas

bangunan,

dinding terluar

dari dinding

kantor dan tidak

termasuk

bangunan diluar

bangunan gedung

kantor

Yokoyama & Tomiya

(1988),



Creese (2002)

Jumlah Lapis

Bangunan

Numerikal Jumlah lapis

bangunan dsini

ialah jumlah

tingkat bangunan

gedung kantor

yang berada di

atas permukaaan

tanah

Yokoyama & Tamiya

(1988),


Setyawati,

Sahirman&Creese

(2002),

Kim, Choi & Kang

(2005)

Jumlah Lapis

Bangunan (di

bawah muka

tanah)

Numerikal Jumlah lapis

bangunan adalah

jumlah tingkat

gedung kantor

yang berada di

bawah tanah

Yokoyama & Tamiya

(1988)


79




Tipe

Superstruktur

Kategorial yang dimaksud

tipe bangunan

gedung kantor

disini adalah tipe

superstruktur yang

digunakan untuk

frame bangunan

gedung, apakah

dari material Baja

/ Beton / Komposit

Yokoyama & Tomiya

(1988)

Tinggi

bangunan

(meter)

Numerikal yang dimaksud

tinggi bangunan

disni adalah tinggi

total bangunan

gedung kantor


Creese (2002)

Jarak antar

lantai (m)

Numerikal Yang dimaksud

jarak antar lantai

bangunan disini

adalah jarak antara

lantai satu dengan

lantai lain atasnya

pada gedung


Setyawati, Sahirman,

& Creese (2002)

Tipe atap Kategorial yang dimaksud

tipe atap di sini

ialah Flat (Beton

Dak) / Rangka

Kayu / Rangka

Baja

Kim, Choi & Kang

(2005)


80



No VARIABEL TIPE DESKRIPSI REFERENSI

Tipe atap Kategorial yang dimaksud tipe

atap di sini ialah

Flat (Beton Dak) /

Rangka Kayu /

Rangka Baja

Kim, Choi & Kang

(2005)

Finishing

Grade

Kategorial tingkat finishing

gedung dari aspek

bahan penutup

lantai, dinding luar,

dan dinding dalam

menurut PERMEN

PU No.

45/PRT/M/2007

yang kemudian

terbagi menjadi

kategori Sederhana

/ Tidak Sederhana /

Khusus

Kim, Choi & Kang

(2005)

3 WAKTU

Durasi Proyek

(bulan)

Bulan Lamanya durasi

proyek dimulai dari

proyek itu selesai

Kim, Choi & Kang

(2005),

Elhag & Boussabaine

(2002)

Tahun

Pembangunan

Tahun Tahun dimulainya

proyek

pembangunan

gedung

Kim, Choi & Kang

(2005)

Sumber: Hasil Olahan


81


Gambar 2.17 Kerangka Pikir



Lampiran 1: (Lanjutan)


BAB 3

METODOLOGI PENELITIAN

3.1. Pendahuluan

Metodologi penelitian adalah logika keterkaitan antara data yang harus

dikumpulkan, dan kesimpulan-kesimpulan yang akan dihasilkan, dengan

pertanyaan awal suatu penelitian [114]. Pada penelitian ini, penulis bermaksud

untuk membangun model estimasi biaya tahap konseptual menggunkan metode

Artificial Neural Network bagi proyek gedung kantor. Untuk mencapai maksud

tersebut, diperlukan perencanaan langkah-langkah yang sesuai yang akan diambil

guna membantu dalam proses penelitian.

Oleh karena itu, pada bab ini akan dijelaskan pilihan strategi penelitian

berdasarkan masalah dari penelitian, lalu dilanjutkan dengan penjelasan proses

penelitian berupa urut-urutan langkah penelitian, yang pada sub-bab berikutnya

dilengkapi dengan variabel-variabel yang akan digunakan pada penelitian, lalu

dilanjutkan dengan pemaparan instrumen penelitian demi mencapai tujuan

penelitian, dan metode pengumpulan data serta format pengambilan data dari

responden (kuesioner). Pada bagian sub-bab 3.6 dijelaskan mengenai analisis data

yang akan dilakukan. Kemudian pada sub bab 3.7 akan disimpulkan metodologi

penelitian menurut keseluruhan bab.

3.2. Pemilihan Strategi Penelitian

Metode penelitian merupakan cara ilmiah untuk mendapatkan data

dengan tujuan dan kegunaan tertentu. Cara ilmiah berarti kegiatan penelitian ini

didasarkan pada ciri-ciri keilmuan yang rasional, empiris dan sistematis.

Pemilihan metode penelitian yang akan digunakan menjadi esensial adanya,

karena harus sesuai dengan masalah yang menjadi dasar penelitian ini.

Penggunaan suatu metode memiliki keuntungan dan kerugian masing-

masing, tergantung kepada tipe pertanyaan penelitian yang akan diajukan, kontrol

yang dimiliki peneliti terhadap peristiwa perilaku yang akan ditelitinya, dan fokus

terhadap fenomena penelitiannya. Berdasarkan skema kategori dasar dari tipe-tipe


83


pertanyaan penelitian “siapa”, “apa”, “di mana”, “bagaimana”, dan “mengapa”,

strategi penelitian menurut Robert K. Yin [115] dibagi menjadi:

Tabel 3.1 Strategi Penelitian Berdasarkan Research Question

Strategi Bentuk Pertanyaan Penelitian Kendali

terhadap

peristiwa yang

diteliti

Fokus terhadap

peristiwa yang

berjalan/baru

diselesaikan

(Kontemporer)

Eksperimen Bagaimana, mengapa Ya Ya

Survey Siapa, dimana, berapa banyak,

berapa besar

Tidak Ya

Analisis

Arsip

Siapa, apa, dimana, berapa

banyak, berapa besar.

Tidak Ya/ Tidak

Historis Bagaimana, mengapa Tidak Tidak

Studi Kasus Bagaimana, mengapa Tidak Ya

Sumber: Studi Kasus: Desain & Metode, 2002

Pertanyaan-pertanyaan seperti “bagaimana” dan “mengapa” pada

dasarnya lebih eksplanatoris dan lebih mengarah pada penggunaan strategi studi

kasus, historis, dan eksperiman. Pertanyaan-pertanyaan seperti itu berkaitan

dengan kaitan-kaitan operasional yang menuntut pelacakan waktu tersendiri, dan

bukan sekedar frekuensi dan kemunculan.

Dengan pemahaman bahwa bentuk pertanyaan memberi rambu-rambu

penting dalam pemilihan strategi penelitian yang sesuai. Jenis research question

pada sub bab 1.2.3 Rumusan Masalah penelitian, dapat dikelompokkan sebagai

berikut:

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

pabrik?

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

berpengaruh terhadap biaya pembangunan pabrik dengan menggunakan teknik

jaringan saraf tiruan (ANN) dalam rangka meningkatkan akurasi estimasi

biaya ditahap konseptual?


84


Jika pertanyaan-pertanyaan penelitian berfokus kepada “apakah”, atau

yang berbentuk inkuiri, maka strategi penelitian yang tepat ialah survey atau

analisa arsip. Di mana survey dilakukan dalam penelitian ini dengan penelahaan

kajian literatur serta pembagian kuesioner kepada pakar. Keduanya dilakukan

untuk mendapat validasi mengenai faktor “apa” yang mempengaruhi biaya

pembangunan konstruksi gedung.

Sementara pertanyaan ”bagaimana” dapat dijawab dalam hal ini dengan

studi kasus. Hal tersebut berarti penulis harus melakukan analisa pada suatu data

yang tersedia, demi pemecahan masalah yang dihubungkan dengan masa kini.

3.3. Proses Penelitian

Dalam melakukan proses penelitian, perlu dilakukan urutan tahapan yang

benar agar hasil akhir penelitian dapat mencapai optimalisasi. Untuk dapat

melaksanakan penelitian sesuai dengan tujuan yang diharapkan, penulis

menggunakan alur proses penelitian sebagai berikut :


85


MULAI

STUDI LITERATUR & ANALISA METODE

IDENTIFIKASI VARIABEL PENGUMPULAN DATA

VALIDASI VARIABEL VALIDASI DATA

Transformasi & Pembagian Data Training-Uji

PERMODELAN ANN

Pemilihan Algoritma &

Fungsi Aktivasi

Perancangan Arsitektur Jaringan

Penentuan Training Parameter

TRAINING

SIMULAS I PADA DATA TES

Evaluasi/Measure Modelling Performance

Model ANN OPTIMUM

SESUAI SESUAITDK SESUAITDK SESUAI

Pembuktian Hipotesa & Kesimpulan

SELESAI

di lakukan

beberapa tria l

Gambar 3 1 Diagram Alur Penelitian Sumber : Hasil olahan


86


3.4. Variabel Penelitian

Pada penelitian ini akan ditelaah variabel mengenai faktor yang

mempengaruhi suatu biaya gedung perkantoran, namun yang tersedia pada tahap

konseptual. Oleh karena itu, untuk memperoleh variabel yang akan digunakan

pada permodelan ANN tersebut, perlu dilakukan identifikasi. Adapun terdapat dua

jenis tipe variabel yang akan digunakan pada permodelan ANN untuk estimasi

biaya gedung kantor tahap konseptual ialah:

a. Variabel Terikat

Variabel terikat adalah variabel yang memberikan reaksi jika dihubungkan

dengan variabel bebas. Variabel ini faktornya diamati dan diukur untuk

menentukan pengaruh yang disebabkan oleh variabel bebas. Jika besaran

pengaruhnya berbeda maka manipulasi terhadap variabel bebas membuktikan

adanya hubungan antara variabel bebas dengan variabel terikat.

b. Variabel Bebas

Variabel bebas merupakan merupakan variabel yang mempengaruhi variabel

lain. Variabel ini faktornya diukur, dimanipulasi, atau dipilih untuk

menentukan hubungan dengan suatu gejala yang diteliti. Variabel bebas

merupakan faktor-faktor yang berperan dan berpengaruh terhadap peningkatan

kinerja kualitas proyek yang digunakan dalam penelitian ini.

Berdasarkan penelitian-penelitian pendahulu pada tipe bangunan serupa,

serta didukung oleh kajian literatur lain, maka diperoleh parameter-parameter dari

sumber-sumber tersebut sebagai variabel penyusun model estimasi penelitian ini.

Variabel tersebut akan menjadi proses elemen atau sebagai neuron pada lapisan

input dan lapisan output di dalam sturktur jaringan ANN. Variabel–variabel

penelitian yang merupakan variabel bebas (berada pada lapisan input) berasal dari

lingkup pekerjaan proyek kontruksi gedung kantor yang mempengaruhi

karateristik biaya kontruksi gedung kantor, yang tersedia pada estimasi biaya

tahap konseptual. Sedangkan variabel yang merupakan neuron pada lapisan output

atau variable terikat yaitu besaran biaya kontruksi final aktual/harga kontrak

gedung kantor.


87


Tabel 3.2 Tabel Variabel Bebas (X) dan Variabel Terikat (Y)

No. VARIA

BEL

KETERANGAN TIPE DESKRIPSI SATUAN

INPUT

1 LOKASI

X1 Lokasi gedung

kantor

Katergorial lokasi bangunan adalah Kota

tempat dibangunnya gedung

kantor

-

X2 Kondisi Tanah Kategorial pekerjaan PTM yang paling

dominan dilakukan adalah

Cut / Fill /Cut and Fill atau

hanya Pembersihan Lahan

saja

-

2 DESAIN

X3 Tipe pondasi Kategorial gedung kantor menggunakan

pondasi jenis Bore Pile /

Tiang Pancang / Mat / Mat

Pile

-

X4 Luas total lantai

gedung kantor

Numerikal luas bangunan, dinding

terluar dari dinding kantor

dan tidak termasuk

bangunan diluar bangunan

gedung kantor

m2

X5 Jumlah lapis

bangunan

Numerikal jumlah tingkat bangunan

gedung kantor yang berada

di atas permukaaan tanah

-

X6 Jumlah lapis

bangunan (di

bawah muka

tanah)

Numerikal jumlah tingkat gedung

kantor yang berada di bawah

tanah

-

X7 Tipe

superstruktur

Kategorial tipe superstruktur yang

digunakan untuk frame

bangunan gedung, apakah

dari material Baja / Beton /

Komposit

-

X8 Tinggi bangunan Numerikal tinggi total bangunan

gedung kantor dari

permukaan tanah

m


88



X9 Jarak antar

lantai

Numerikal jarak antara lantai satu

dengan lantai lain atasnya

pada gedung

m

X10 Bentuk

(Footprint

Shape)

Numerikal jumlah sudut/sisi pada

bangunan baik segitiga /

segiempat / segibanyak /

lingkaran

X11 Tipe atap Kategorial tipe konstruksi atap apakah

Flat (Beton Dak) / Rangka

Kayu / Rangka Baja

-

X12 Finishing Grade Kategorial tingkat finishing gedung

menurut PERMEN PU No.

45/PRT/M/2007 yang

kemudian terbagi menjadi

kategori Sederhana / Tidak

Sederhana / Khusus

-

3 WAKTU

X13 Durasi proyek Numerikal lamanya proyek berlangsung

mulai dari proyek tersebut

dimulai sampai dengan

proyek selesai (masa

pemeliharaan tidak

termasuk)

bulan

X14 Tahun

Pembangunan

Numerikal tahun dimulainya proyek

pembangunan gedung

-

OUTPUT

Y Biaya Aktual Numerikal Nilai kontrak sebenarnya

dari pengerjaan proyek

gedung kantor

Rp

Sumber : Hasil olahan

Dari variabel di atas kemudian dicari tingkat pengaruh dari masing-

masing variabel. Selain itu variabel-variabel tersebut kemudian divalidasi, apakah

memiliki pengaruh signifikan terhadap biaya gedung kantor atau tidak. Validasi

variabel diperoleh dari survey kepada para pakar.


89


3.4.1 Instrumen Penelitian

Instrumen yang dipakai pada penelitian ini ialah variabel-variabel pada

permodelan ANN yang akan mempengaruhi bentuk dari jaringan model. Masing-

masing variabel, termasuk salah satu dari tipe variabel, numerikal atau kategorial.

Di mana masing-masing variabel tersebut akan menyumbangkan bobotnya pada

model sesuai nilai yang diberikan masing-masing variabel. Untuk variabel tipe

numerikal, nilai yang di input berbentuk numerik. Untuk variabel kategorial,

kemudaian akan diubah ke dalam besaran angka agar dapat diinterpretasikan

ketika permodelan ANN dilakukan untuk pada MATLAB.

Data yang telah ditabulasi lalu disusun untuk memudahkan dalam

mencari maupun menyortir pembentuk variabel-variabel. Variabel pada penelitian

akan dirubah kedalam bentuk matriks dan vektor, hal ini berguna untuk proses

komputasi dalam mencari model jaringan yang terbaik dan mengurangin

kesalahan dalam membuat model. Instrumen lainnya antara lain piranti lunak serta

aplikasi pendukung, software Matlab versi 7.8, dalam melakukan pengujian

terhadap data-data yang telah ditabulasi untuk proses pelatihan dan dalam rangka

mencari model ANN yang terbaik. Alat ini merupakan instrumen yang memiliki

reliabilitas dalam mengumpulkan keterangan-keterangan yang diperlukan bagi

menguji hipotesis.

3.5. Pengumpulan Data

Proses pengumpulan bergantung kepada jenis data yang akan

dikumpulkan dan teknik pengumpulan datanya harus sesuai sehingga mendukung

secara penuh penelitian yang akan dilakukan. Menurut Prof. Dr. Robert K. Yin,

pada pengumpulan data dapat diterapkan penggunaan:

a. Berbagai sumber, yaitu bukti dari dua atau lebih sumber, tetapi menyatu

dengan serangkaian fakta atau temuan yang sama

b. Data dasar, yaitu kumpulan formal bukti yang berlainan dari laporan akhir

studi kasus yang bersangkutan

c. Serangkaian bukti, yaitu keterkaitan yang eksplisit antara pertanyaan-

pertanyaan yang diajukan, data yang terkumpul, dan konklusi-konklusi yang

ditarik.


90


Yang digunakan pada penelitian ini adalah data dasar dan serangkaian

bukti. Pengacuan pada prinsip-prinsip ini akan meningkatkan kualitas susbtansial

studi kasus yang bersangkutan. Pengumpulan data dilakukan dalam 5 (lima)

tahap, yaitu:

a. Pengumpulan data historis berupa dokumen-dokumen sehubungan biaya pada

proyek konstruksi gedung kantor yang telah berjalan.

b. Pengkompilasian variabel-variabel yang mempengaruhi biaya konstruksi

gedung kantor menurut penelitian yang telah berlangsung

c. Survey dan wawancara kepada pakar untuk mengetahui variabel-variabel dari

faktor yang mempengaruhi biaya pada tahap awal proyek konstruksi gedung

kantor. Pada tahap ini dilakukan validasi variabel yang telah dikompilasi

terlebih dahulu, dan juga dilakukan pemintaan saran akan

penambahan/pengurangan variabel.

d. Setelah didapatkan data-data tersebut, selanjutnya adalah memasukkan input

data dan melakukan pelatihan backpropagation dengan menggunakan aplikasi

software Matlab R2009a untuk mencari model ANN yang terbaik.

Persyaratan pengumpulan data:

a. Penelitian dilakukan terhadap proyek pembangunan gedung kantor

b. Responden penelitian ini adalah mereka yang secara purposif terpilih menjadi

sampel penelitian. Sampel yang digunakan adalah responden yang memenuhi

kriteria dalam penelitian ini yang memiliki pengalaman, reputasi dan bersedia

berkerjasama.

c. Bagi kontraktor pelaksana memiliki pengalaman dalam pembangunan proyek

kontruksi gedung kantor.

Lalu persyaratan survey validasi variabel sebagai berikut :

a. Memiliki reputasi yang baik dan memiliki pendidikan yang menunjang

dibidangnya.

b. Memiliki pengalaman dalam proyek kontruksi gedung kantor di suatu

perusahaan jasa konstruksi atau instansi yang terkait lainnya selama minimal

15 tahun


91


Tabel 3.3 Format Formulir Validasi Pakar

No Variabel Nama

Variabel

Keterangan

Variabel

Skala

Penilaian

Kategorial

Pakar

Komentar

/ Perbaikan 1 2 3 4 5

1 Lokasi

X1 Lokasi lokasi

bangunan

adalah kota

tempat akan

dibangunnya

gedung

kantor

Kota

X2 Kondisi

Tanah

pekerjaan

yang paling

dominan

pada

pemindahan

tanah

mekanik

Cut / Fill /

Cut and Fill

/ Pembersih

an Lahan

2 Desain

X3 Tipe

pondasi

jenis pondasi

yang

digunakan

pada gedung

kantor

Bore Pile /

Tiang

Pancang /

Mat / Mat

Pile

X4 Luas

total

gedung

kantor

(m2)

luas

bangunan,

dinding

terluar dari

dinding

kantor

X5 Jumlah

lapis

banguna

n

jumlah

tingkat

bangunan

gedung

kantor yang

berada di atas

permukaaan

tanah

X6 Jumlah

lapis

banguna

n (di

bawah

muka

tanah)

jumlah

tingkat

bangunan

gedung

kantor di

bawah

permukaan

tanah (tingkat

basement)


92



No. Variabel Nama

Variabel

Keterangan

Variabel

Skala

Penilaian

Kategorial

Pakar

Komentar

/ Perbaikan 1 2 3 4 5

X7 Tipe

superstr

uktur

bangunan

gedung

kantor

menggunakan

superstruktur

dari material

apa

Baja / Beton

/ Komposit

X8 Tinggi

banguna

n (m)

tinggi total

bangunan

gedung

kantor dari

muka tanah

X9 Jarak

antar

lantai

(m)

jarak antara

lantai satu

dengan lantai

lain atasnya

pada gedung

X10 Bentuk

(Footpri

nt

Shape)

ialah jumlah

sudut/sisi

pada tapak

bangunan

Segitiga /

Segiempat /

Segibanyak

/Llingkaran

X11 Tipe

atap

Struktur atap

pada

bangunan

gedung

kantor

Flat (Beton

Dak) /

Rangka

Kayu /

Rangka

Baja

X12 Finishin

g Grade

tingkat

finishing

gedung dari

aspek bahan

penutup

lantai,

dinding luar,

dan dinding

dalam

menurut

PERMEN PU

No. 45/PRT

/M/2007

Sederhana /

Tidak

Sederhana /

Khusus


93



No. Variabel Nama

Variabel

Keterangan

Variabel

Skala

Penilaian

Kategorial

1 2 3 4 5 Komentar

/ Perbaikan

3 Waktu

X13 Durasi

Proyek

(bulan)

Lamanya

durasi proyek

dimulai dari

proyek itu

selesai

Bulan

X14 Tahun

Pemban

gunan

Tahun

dimulainya

proyek

pembangunan

gedung

Tahun


3.6. Metode Analisa

Data dan informasi yang dikumpulkan dari kuesioner diharapkan dapat

menghasilkan suatu analisis yang tepat terhadap faktor-faktor yang paling

dominan dalam estimasi biaya tahap awal proyek konstruksi gedung kantor,

sehingga hasil yang diperoleh sesuai dengan topik dan tujuan. Analisis penelitian

berupa deskripsi dalam menjawab rumusan permasalahan pertama, serta trial dan

error terhadap rumusan permasalahan kedua. Model estimasi biaya dengan dinilai

kinerjanya sesuai dengan kajian teori (akurasi estimasi biaya AACE). Deviasi

akurasi tersebut didapatdari rata-rata error paling sedikit antara prediksi biaya hasil

model ANN dengan biaya aktual pada konstruksi proyek gedung kantor dari data

historis.

Metode MSE (Mean Square Error) untuk data trial dan MMRE/MAPE

(Mean Magnitude of Relative Error) untuk data tes dilakukan dengan persamaan:

(3.1)

(3.2)


94


3.7. Kesimpulan

Untuk dapat menghasilkan permodelan estimasi biaya tahap konseptual

pada gedung kantor yang terbaik, input variabel harus teridentifikasi secara jelas.

Untuk mencapai tujuan tersebut, strategi penelitian yang akan ditempuh yaitu

mempelajari data proyek historis sejenis, validasi dari pakar, serta pendapat dari

praktisi konstruksi. Pengambilan data yang digunakan ialah mengumpulkan data

historis dari proyek-proyek sejenis, dalam hal ini gedung perkantoran. Analisa

permodelan dilakukan dengan menggunakan piranti lunak Matlab versi 7.8 yang

dimana langkah awal dimulai dengan menentukan arsitektur jaringan ANN, lalu

dengan membuat model yang cocok sesuai pola data yang dilakukan, sampai

akhirnya didapat pemodelan estimasi biaya terbaik. Hal tersebut dicapai dengan

menggunakan kriteria kinerja MSE dan MMRE yang didasarkan atas tingkat

kesalahan data aktual terhadap data prediksi yang dihasilkan dari model ANN.




BAB 4

PENGUMPULAN DAN PENGOLAHAN DATA

4.1. Pendahuluan

Sesuai dengan penjelasan pada bab metodologi penelitan mengenai

pengumpulan dan pengolahan data, di bab ini akan dijelaskan lebih lanjut

prosesnya. Proyek-proyek gedung kantor dikumpulkan untuk input data, dan

diseleksi agar memenuhi persyaratan penelitian atau mendukung permodelan.

Untuk penetapan variabel, dimulai dari kajian literatur sehingga dapat

diidentifikasi variabel-variabel cost driver dari proyek gedung perkantoran yang

tersedia di tahap estimasi konseptual. Setelah melakukan kajian literarur, variabel

yang didapat tersebut divalidasi ke pakar untuk menilai relevansinya dan perlu

atau tidaknya digunakan pada permodelan. Setelah itu, dilakukan proses input

data ke program di mana data akan diolah. Pada Bab 4 ini akan dijelaskan proses

penelitian dari mulai pengumpulan data, penetapan variabel, sampai dengan

penggunan program MATLAB R2009a dalam mengolah data.

4.2. Pengumpulan Data

Pada penelitian ini, data yang dibutuhkan diperoleh dari informasi

mengenai proyek-proyek kantor terdahulu, beserta nilai kontraknya. Informasi

tersebut nantinya akan diinput sebagai variabel yang akan dimasukkan ke dalam

permodelan. Untuk mendapatkan data tersebut tidak mudah karena pada

umumnya perusahaan merahasiakan informasi khususnya data yang melingkup

nilai kontrak. Dalam hal ini, penulis mendapat kontributor dari satu perusahaan

kontraktor PT. X yang bersedia memberikan data dari pembukuan proyek-proyek

terdahulu yang telah dikerjakan perusahaan tersebut. Data diberikan dalam bentuk

hardcopy sebanyak 34 buah, dan dalam bentuk softcopy 6 buah, sehingga total

data awal yang diperoleh 40 buah. Kemudian dilakukan pemeriksaan data dan

penyeleksian karena hasil akhir model ANN bergantung sekali dari data yang

diinput sebagai pembentuk pattern (bobot, bias, dan arsitektur jaringan).


96


Ternyata dari 40 data tersebut, tercampur dengan proyek-proyek yang

tidak sesuai fokus penelitian (gedung kantor), diantaranya ada 1 buah proyek

apartemen, 3 proyek kondominium (gedung berisi office, mall, dan apartemen), 1

proyek function hall, 2 proyek laboratorium, dan 1 proyek Rumah Sakit. Sehingga

kedelapan proyek tersebut tidak dapat dipakai karena tiap-tiap jenis gedung dapat

memiliki efek yang berbeda pada cost driver.

Setelah itu dilakukan pemeriksaan pada data yang tersisa dalam jenis

proyek, karena penelitian ini hanya berfokus pada proyek pembangunan saja,

sehingga proyek renovasi tidak termasuk. Dari 32 data proyek gedung kantor

tersebut, ternyata 7 proyeknya renovasi kantor sehingga data-data tersebut juga

dieliminasi. Sementara, ketika diperiksai lebih lanjut, 1 hardcopy data proyek

tidak memiliki halaman yang memuat nilai kontrak. Sehingga data yang tersisa

sementara 24 buah.

Kemudian, dilakukan penyeleksian berdasar harga/m2 proyek, dengan

membagi nilai kontrak dengan luas total gedung kantor yang terdapat pada data

yang tersisa. Ternyata terdapat 1 proyek yang memiliki harga.m2

sangat besar,

yaitu Rp 26.789.072,16, melebihi normalnya harga/m2 proyek gedung kantor di

lokasi proyek (Jakarta). Sehingga data tersebut dieliminasi dan menyisakan 23

data proyek gedung kantor yang siap diolah.

Dari data pembukuan proyek dalam bentuk hardcopy, kemudian data

yang dibutuhkan menurut variabel penelitian ditabulasi, sebagai berikut:


97


Tabel 4.1 Rekap Data

No Proyek Lokasi Kondisi

Tanah

Tipe

Pondasi

Luas

(m2)

Jumlah

Tingkat

Lapis

Base

ment

Super

struktur

Floor

to

Floor

(m)

Tinggi

(m)

Bentuk Konstr

uksi

Atap

Finisihng Grade Tahun Durasi

(bulan)

Nilai Kontrak

(Rp)

1 A Jakarta

Pusat

tanah

merah

bore pile 16800 12 - beton 4 56 segi

empat

dak

beton

bata

ringan/celconn,

keramik, plafond

gypsum, pintu

alm

2011 4 84,267,990,000.00

2 B Bandun

g

tanah

merah

tiang

pancang

5019.7

6

6 1 beton 3.5 24 segi

empat

rangka

baja

bata

ringan/celconn ,

keramik

homogenus tile,

plafond gypsum ,

pintu alm

2011 3 7,513,241,000.00

3 C Jakarta

Selatan

tanah

merah

bore pile 62675 31 3 beton 3.5 119 segi

empat

rangka

baja

bata

ringan/celconn,

keramik, plafond

gypsum, pintu

alm

2011 15 165,000,000,000.00

4 D Jakarta

Pusat

tanah

merah

borepile 45672.

93

32 - beton 4 124 segi

empat

dak

beton

bata

ringan/celconn,

granit, plafond

gypsum,

pintu/jend

alumunium,

2011 16 93,720,000,000.00

5 E Tangge

rang

tanah

merah

borepile 9633.1

7

9 - beton 3.2 33 segi

empat

dak

beton

bata

ringan/celconn,

keramik, plafond

gypsum,

pintu/jend

alumunium

2010 8 35,300,000,000.00


98




Tanah

Tipe

Pondasi

Luas

(m2)

Jumlah

Tingkat

Lapis

Base

ment

Super

struktur

Floor

to

Floor

(m)

Tinggi

(m)

Bentuk Konstr

uksi

Atap


(bulan)

Nilai Kontrak

(Rp)

6 F Jakarta

Pusat

tanah

merah

pile cap 13549 10 3 beton 3.2 35 segi

empat

dak

beton

bata

ringan/celconn,

keramik, plafond

gypsum, pintu

kayu

2010 4 14,726,273,500.00

7 G Jakarta

Pusat

tanah

merah

tiang

pancang

3679.6

62

7 - beton 3.3 23.1 segi

empat

rangka

baja

bata

ringan/celconn,

granit, plafond

gypsum, pintu

kayu kusen alm,

2010 13 65,970,000,000.00

8 H Bandun

g

tanah

merah

bore pile 3672 4 1 beton 4 19 segi

empat

rangka

baja

bata

ringan/celconn,

keramik, plafond

gypsum, pintu

alm,

2010 6 20,696,000,000.00

9 I Jakarta

Utara

tanah

merah

tiang

pancang

7670.6

2

7 - beton 4 24 segi

empat

rangka

baja

bata

ringan/celconn,

keramik, plafond

gypsum, pintu

kayu,

2012 7.5 26,250,000,000.00

10 J Jakarta

Pusat

tanah

merah

bore pile 6745 7 - beton 3 21.5 segi

empat

rangka

baja

bata

ringan/celconn,

keramik, plafond

gypsum, pintu

kayu

2011 6 18,132,567,930.00

11 K Bandun

g

tanah

merah

bore pile 7963.5 3 - beton 3.75 11.25 segi

empat

rangka

baja

bata

ringan/celconn,

keramik, plafond

gypsum, pintu

alm

2012 3 68,260,522,999.90


99




Tanah

Tipe

Pondasi

Luas

(m2)

Jumlah

Tingkat

Lapis

Base

ment

Super

struktur

Floor

to

Floor

(m)

Tinggi

(m)

Bentuk Konstr

uksi

Atap


(bulan)

Nilai Kontrak

(Rp)

12 L Jakarta

Pusat

tanah

merah

bore pile 4324.5

4

4 1 beton 3.5 16 segi

empat

dak

beton

bata

ringan/celconn,

keramik, plafon

gypsum, pintu

kayu

2007 3 37,548,072,000.00

13 M Jakarta tanah

merah

bore pile 7200 8 - beton 3.9 34 segi

empat

dak

beton

bata

ringan/celconn,

keramik, plafond

gypsum, pintu

alm, konsep

green building

2011 13 95,231,227,000.01

14 N Jakarta

Selatan

tanah

merah

bore pile 111489 42 5 beton 3.5 210.55 segi

empat

dak

beton

bata

ringan/celconn,

keramik, plafon

gypsum, pintu

alm

2006 21 248,050,000,000.00

15 O Bekasi tanah

merah

bore pile 2910 3 - beton 3.5 10.5 segi

empat

rangka

baja

bata

ringan/celconn,

keramik, plafond

gypsum, pintu

alm

2009 6 20,271,000,000.00

16 P Jakarta

Pusat

tanah

merah

mat pile 1752.0

3


empat

rangka

baja

bata

ringan/celconn

keramik, plafon

gypsum, pintu

alm,

2008 5 8,268,000,000.00

17 Q Batam tanah

merah

bore pile 5958.5

61

7 - beton 3.75 26.25 segi

empat

dak

beton

celconn, keramik

homogenus tile,

plafond gypsum ,

pintu alm

2009 12 87,900,000,000.00


100




Tanah

Tipe

Pondasi

Luas

(m2)

Jumlah

Tingkat

Lapis

Base

ment

Super

struktur

Floor

to

Floor

(m)

Tinggi

(m)

Bentuk Konstr

uksi

Atap


(bulan)

Nilai Kontrak

(Rp)

18 R Batam tanah

merah

bore pile 3404.8

92


empat

dak

beton

bata

ringan/celconn,

keramik

homogenus tile,

plafond gypsum ,

pintu alm

2010 12 57,302,260,000.00

19 S Batam tanah

merah

bore pile 6809.7

84


empat

dak

beton

bata

ringan/celconn,

keramik

homogenus tile,

plafond gypsum ,

pintu alm

2011 12 100,457,142,857.14

20 T Bengku

lu

tanah

merah

tiang

pancang

3450 3 - beton 4.25 12.75 segi

empat

rangka

baja

bata

ringan/celconn,

keramik

homogenus tile,

plafond gypsum ,

pintu alm

2009 6 27,963,037,622.65

21 U Belitun

g

tanah

merah

borepile 3009 3 - beton 4 12 segi

empat

rangka

baja

bata

ringan/celconn,

keramik

homogenus tile,

plafond gypsum ,

pintu alm

2009 6 26,185,014,943.54

22 V Tangge

rang

tanah

merah

bore pile 19527 15 2 beton 3.5 56 segi

empat

rangka

baja

bata

ringan/celconn,

keramik, plafond

gypsum, pintu

alm, panel tr

2008 9 121,852,500,000.00


101




Tanah

Tipe

Pondasi

Luas

(m2)

Jumlah

Tingkat

Lapis

Base

ment

Super

struktur

Floor

to

Floor

(m)

Tinggi

(m)

Bentuk Konstr

uksi

Atap


(bulan)

Nilai Kontrak

(Rp)

23 W Jakarta

Barat

tanah

merah

bore pile 5004 4 - beton 3.75 15 segi

empat

dak

beton

bata

ringan/celconn,

keramik

homogenus tile,

plafond gypsum ,

pintu alm

2011 12 48,117,090,738.20


102


4.3. Penetapan Variabel

Penelitian ini memiliki dua tipe variabel, yaitu variabel bebas dan

variabel terikat. Variabel bebas berupa X input yang cost drivers gedung kantor

yang tersedia pada tahap konseptual. Dan variabel terikat Y yang berisi nilai

kontrak proyek. Untuk menentukan variabel-variabel tersebut, khsusunya variabel

bebas, maka dilakukan identifikasi dari literatur, yang kemudian kesahihannya

akan diuji dengan validasi kepada para-pakar, lalu akhirnya di lihat

ketersediaannya maupun kondisinya berdasar data yang telah didapat untuk

kemudian ditetapkan sebagai variabel yang akan diinput pada pengolahan. Hal

tersebut akan dijelaskan lebih lanjut pada sub bab ini.

4.3.1. Identifikasi Variabel

Dalam menentukan variabel-variabel yang akan digunakan pada

permodelan estimasi biaya tahap konseptual gedung kantor dengan ANN, penulis

melakukan identifikasi awal variabel berdasar kajian-kajian literatur mengenai

topik tersebut. Keterangan mengenai sumber literatur untuk masing-masing

variabel dapat dilihat pada atabel 2.7. Untuk lebih jelasnya, variabel-variabel

tersebut dideskripsikan pada tabel berikut.

Tabel 4.2 Identifikasi Variabel

No Variabel Nama

Variabel

Keterangan

Variabel Tipe

Kategori

Satuan

1 2 3 4 5

INPUT

1 Lokasi

X1 Lokasi lokasi

bangunan

adalah kota

tempat akan

dibangunnya

gedung

kantor

Kategorial Jabo

tabe

k

Ban

dung Bata

m

Beng

kulu Belitu

ng -


103



No Variabel Nama

Variabel

Keterangan

Variabel Tipe

Kategori

Satuan

1 2 3 4 5

X2 Kondisi

Tanah

pekerjaan

yang paling

dominan

pada

pemindahan

tanah

mekanik

kategorial cut fill cut

&

fill

pem

ber

siha

n

laha

n

-

2 Desain

X3 Tipe

pondasi

jenis pondasi

yang

digunakan

pada gedung

kantor

kategorial bore

pile

tiang

panc

ang

mat mat

pile

-

X4 Luas

total

gedung

kantor

luas

bangunan,

dinding

terluar dari

dinding

kantor

numerikal m2

X5 Jumlah

lapis

banguna

n

jumlah

tingkat

bangunan

gedung

kantor yang

berada di atas

permukaaan

tanah

numerikal -

X6 Jumlah

lapis

banguna

n (di

bawah

muka

tanah)

jumlah

tingkat

bangunan

gedung

kantor di

bawah

permukaan

tanah (tingkat

basement)

numerikal -

X7 Tipe

superstru

ktur

bangunan

gedung

kantor

menggunakan

superstruktur

dari material

apa

kategorial baja beton kom

posit

-


104



No Variabel Nama

Variabel

Keterangan

Variabel Tipe

Kategori

Satuan

1 2 3 4 5

X8 Tinggi

gedung

tinggi total

bangunan

gedung

kantor dari

muka tanah

numerikal m

X9 Jarak

antar

lantai

jarak antara

lantai satu

dengan lantai

lain atasnya

pada gedung

numerikal m

X10 Bentuk

(Footprint

Shape)

ialah jumlah

sudut/sisi

pada tapak

bangunan

kategorial segi

tiga

segi

empat

segi

bany

ak

ling

kara

n

-

X11 Tipe atap Struktur atap

pada

bangunan

gedung

kantor

kategorial

dak

beton

rang

ka

kayu

rang

ka

baja

-

X12 Finishing

Grade

finishing

gedung dari

aspek bahan

penutup

lantai,

dinding luar,

dan dinding

dalam

menurut

PERMEN PU

No. 45/PRT

/M/2007

kategorial

seder

hana

tidak

seder

hana

khu

sus


105



No Variabel Nama

Variabel

Keterangan

Variabel Tipe

Kategori

Satuan

1 2 3 4 5

3 Waktu

X13 Durasi

Proyek

Lamanya

durasi proyek

dimulai dari

proyek itu

selesai

numerikal

bulan

X14 Tahun Tahun

dimulainya

proyek

pembangunan

gedung

numerikal

Tahun OUTPUT

Y Biaya

Aktual

Nilai kontrak

sebenarnya

dari

pengerjaan

proyek

gedung

kantor

numerikal


4.3.2. Validasi Variabel

Dari semua variabel yang telah diidentifikasi, dilakukan validasi kepada

pakar untuk mengetahui pendapat pakar mengenai relevansi variabel, khususnya

pada variabel input (X), yang telah dipilih dalam mempengaruhi nilai kontrak

proyek gedung kantor. Pakar yang dituju ialah 5 orang pakar yang berpengalaman

lebih dari 15 tahun. Dari hasil kuesioner tiap-tiap pakar kemudian ditabulasi untuk

melihat mayoritas jawaban, dalam hal ini berarti minimal 3 suara dari masing-

masing variabel untuk variabel tersebut diputuskan digunakan atau tidak.


106


Tabel 4.3 Tabulasi Kuesioner Validasi Pakar

No Variabel Indikator Keterangan

Variabel

Skala

Penilaian

Kategorial

Pakar Jumlah

Kesimpulan

1 2 3 4 5 Ya Tidak

1 Lokasi

X1 Lokasi lokasi

bangunan

adalah kota

tempat akan

dibangunnya

gedung

kantor

Kota √ √ √

√ √ 5 0 Variabel dipakai

X2 Kondisi

Tanah

pekerjaan

yang paling

dominan

pada

pemindahan

tanah

mekanik

Cut / Fill /

Cut and Fill

/ Pembersih

an Lahan

√ √ √ √ √ 5 0 Variabel dipakai

2 Desain

X3 Tipe

pondasi

jenis pondasi

yang

digunakan

pada gedung

kantor

Bore Pile /

Tiang

Pancang /

Mat / Mat

Pile



107




Variabel

Skala

Penilaian

Kategorial

Pakar Jumlah

Kesimpulan

1 2 3 4 5 Ya Tidak

X4 Luas

total

gedung

kantor

(m2)

luas

bangunan,

dinding

terluar dari

dinding

kantor

√ √ √ √ √ 5

0 Variabel dipakai

X5 Jumlah

lapis

banguna

n

jumlah

tingkat

bangunan

gedung

kantor yang

berada di atas

permukaaan

tanah


X6 Jumlah

lapis

banguna

n (di

bawah

muka

tanah)

jumlah

tingkat

bangunan

gedung

kantor di

bawah

permukaan

tanah (tingkat

basement)



108




Variabel

Skala

Penilaian

Kategorial

Pakar Jumlah

Kesimpulan

1 2 3 4 5 Ya Tidak

X7 Tipe

superstru

ktur

bangunan

gedung

kantor

menggunaka

n

superstruktur

dari material

apa

Baja / Beton

/ Komposit


X8 Tinggi

banguna

n (m)

tinggi total

bangunan

gedung

kantor dari

muka tanah


X9 Jarak

antar

lantai (m)

jarak antara

lantai satu

dengan lantai

lain atasnya

pada gedung



109




Variabel

Skala

Penilaian

Kategorial

Pakar Jumlah

Kesimpulan

1 2 3 4 5 Ya Tidak

X10 Bentuk (Footprint

Shape)

ialah jumlah

sudut/sisi

pada tapak

bangunan

Segitiga/

Segiempat/

Segibanyak/

Lingkaran


X11 Tipe atap Struktur atap

pada

bangunan

gedung

kantor

Flat (Beton

Dak) /

Rangka

Kayu /

Rangka

Baja

√ √ √ X √ 4 1 Variabel dipakai

X12 Finishing

Grade

finishing

gedung dari

aspek bahan

penutup

lantai,

dinding luar,

dan dinding

dalam

menurut

PERMEN PU

No. 45/PRT

/M/2007

Sederhana /

Tidak

Sederhana /

Khusus

√ √ √ X √ 4 1 Variabel dipakai


110



No. Variabel Indikator Keterangan

Variabel

Skala

Penilaian

Kategorial

Pakar Jumlah

Kesimpulan

1 2 3 4 5 Ya Tidak

3 Waktu

X13 Durasi

Proyek

(bulan)

Lamanya

durasi proyek

dimulai dari

proyek itu

selesai

Bulan √ √ √ X √ 4 1 Variabel dipakai

X14 Tahun Tahun

dimulainya

proyek

pembangunan

gedung

Tahun √ √ √ √ √ 5 0 Variabel dipakai


Keterangan Nama Pakar:

1. Dr. Ir. Heru Purnomo

2. Ir. Eddy Subiyanto, MM. MT.

3. Ir. Lilik Sumarliadi, MT.

4. Dr. Ir. Ismeth S. Abidin, Ph.D

5. Suratman, ST. MT.


111


4.3.3. Penetapan Variabel

Dari hasil tabulasi variabel pakar, dapat dilihat bahwa semua variabel

awal yang penulis identifikasi ditentukan untuk digunakan pada permodelan.

Sehingga variabel-variabel tersebut ialah:

Tabel 4.4 Variabel Setelah Validasi Pakar

Variabel Faktor Keterangan Kategori

X1= Lokasi Kota -

X2= Kondisi Tanah PTM dominan cut fill cut&fill

X3= Tipe Pondasi tipe pondasi bore

pile

tiang

pancang mat

X4= Luas Total total luas gedung (m2) -

X5= Tingkat tingkat di atas muka

tanah -

X6= Lapis Basement tingkat di bawah muka

tanah -

X7= Tipe

Superstruktur

superstruktur gedung beton baja komposit

X8= Jarak Floor-to-

Floor

jarak antar lantai

gedung (m) -

X9= Tinggi

Bangunan

tingkat keseluruhan

gedung (m) -

X10= Bentuk

(Footprint

Shape)

jumlah sudut bangunan segi

empat

segi

tiga

segi

banyak

lingka

ran

X11= Konstruksi

Atap

konstruksi atap gedung dak

beton

rangka

baja

rangka

kayu

X12= Finishing Grade kategori grade

finishing grade seder

hana

tidak

sederhan

a

khusus

X13= Tahun tahun dimulainya

proyek -

X14= Durasi durasi proyek -

Y= Nilai Kontrak nilai kontrak proyek

(Rp) -


Namun apabila dilihat pada rekap data (tabel 4.1), variabel ‘Kondisi

Tanah’ tidak memiliki deskripsi yang sama dengan deskripsi variabel pada tahap

identifikasi. Deskripsi variabel pada tahap identifikasi ialah pekerjaan PTM

dominan, namun yang diperoleh ialah jenis tanah proyek. Selain itu, variabel

tersebut tidak memiliki variansi. Variabel yang tidak memiliki variansi, tidak akan

memberi pengaruh pada saat diinput pada permodelan. Justru hal tersebut malah

mungkin akan menimbulkan ambiguitas pada saat model akan dimasukkan data


112


baru. Oleh karena itu variabel ‘Kondisi Tanah’ tersebut harus dieliminasi. Maka,

variabel lain yang tidak memiliki variansi juga harus dieliminasi. Dalam hal ini,

terdapat variabel ‘Superstruktur’ dan ‘Bentuk’.

Tabel 4.5 Variabel yang Dieliminasi

Variabel yang Dieliminasi Alasan

Kondisi Tanah tidak mencakup informasi yang sesuai, tidak memiliki variansi

Superstruktur tidak memiliki variansi

Bentuk tidak memiliki variansi


Sementara untuk variabel ‘Finishing Grade’ yang menjadi acuan

spesifikasi ialah Permenpu No. 45 Tahun 2007, tabel A1 Persyaratan Bahan

Bangunan Gedung.

Tabel 4.6 Spesifikasi Bangunan Gedung Permenpu No. 45 Tahun 2007

No Uraian

Klasifikasi

Sederhana Tidak

Sederhana Khusus

B Persyaratan Bahan Bangunan

1 Bahan Penutup Lantai keramik, vinil,

tegel PC

marmer lokal,

keramik, vinil,

kayu

marmer lokal,

keramik, vinil

kayu

2 Bahan Dinding Luar

bata, batako,

diplester dan

dicat, kaca

bata, batako

diplester

dicat/dilapis

keramik, kaca,

panil beton

ringan

bata, batako

diplester

dicat/dilapis

keramik, kaca,

panil beton

ringan

3 Bahan Dinding Dalam bata, batako

diplester dan

dicat, kaca,

partisi kayu

lapis

bata, batako

diplester dan

dicat, kaca,

partisi gipsum

bata, batako

diplester dan

dicat, kaca,

partisi gipsum

4 Bahan Penutup Plafond kayu-lapis dicat

gipsum, kayu-

lapis dicat

gipsum, kayu-

lapis dicat

5 Bahan Penutup Atap

genteng, asbes,

seng, sirap

genteng keramik,

alumunium,

gelombang dicat

genteng

keramik,

alumunium,

gelombang

dicat

6 Bahan Kusen dan Daun Pintu kayu

dicat/alumunium

kayu dipelitur,

anodized

alumunium

kayu dipelitur,

anodized

alumunium

Sumber: PERMENPU No.45 Tahun 2007


113


Dapat dilihat pula pada rekap data, informasi yang didapat pada data

mengenai finshing grade meliputi bahan dinding luar dan dalam, bahan penutup

lantai, penutup plafond, serta bahan kusen dan daun pintu. Juga ada temuan

khusus pada finishing grade proyek yang memiliki konsep green building begitu

pula pada pekerjaan finishing-nya. Oleh karena itu penulis mengelompokkan

finishing grade tersebut menjadi kategori ‘khusus’ pada finishing grade.

Tabel 4.7 Tabel Kategori Finishing Grade Penelitian

Finishing

Grade Persyaratan Bahan Bangunan Kategori

sederhana bata ringan/celconn, plafond gypsum, pintu

kayu/alm keramik 1

tidak

sederhana

bata ringan/celconn, plafond gypsum, pintu

kayu/alm granit/marmer 2

khusus konsep green building 3


Sementara itu, selain dari variabel di atas, pada pengisian kuesioner

validasi variabel pada pakar, terdapat saran mengenai variabel tambahan. Namun

hasil tabulasi dari masing-masing saran tidak mencapai mayoritas (3 dari 5 pakar),

sehingga berarti pemakaiannya tidak terlalu dianjurkan. Variabel-variabel

tambahan dari saran pakar tersebut juga tidak memiliki ketersediaan pada data

sehingga diputuskan variabel-variabel tersebut tidak digunakan. Berikut variabel-

variabel tambahan yang disarankan pakar tersebut:

Tabel 4.8 Saran Pakar Mengenai Variabel Tambahan

No Variabel Peniliaian Keterangan Alasan Pakar

1 Metode Pelaksanaan kualitas

metode

bagaimana cara

melaksanakan

pembangunan

mempengaruhi

biaya alat

material

pendukung dan

tenaga kerja

3 dan 5

2 Elevasi air tanah 4

3 Lokasi Proyek

jarak

perjalanan

suppy chain

dan barang jasa

4

4 Jarak ke Lapangan

Udara km

pembatasan

ketinggian 4


114



No Variabel Peniliaian Keterangan Alasan Pakar

5

Keterbatasan

ketersediaan pada

listrik/air/pembuangan

limbah cair

kebutuhan

tambahan

desain khusus

dan biaya

inverstasi

4

6

Keterbatasan

ketersediaan tenaga

kerja terampil lokal

penyediaan

labor supply

khusus

4

7

Keterbatasan

ketersediaan bahan

utama

semen/baja/batuan

penyediaan

secara khusus

dari daerah

terdekat

4


Sehingga, untuk sementara, variabel yang akan digunakan pada

permodelan antara lain:

Tabel 4.9 Variabel yang Akan Digunakan untuk Permodelan

Variabel Keterangan Kategori

1 2 3

X1 = Lokasi Kota

X2 = Pondasi Bore Pile Tiang Pancang Mat

X3 = Luas Total -

X4 = Tingkat -

X5 = Lapis Basement -

X6 = Floor-to-floor -

X7 = Tinggi Gedung -

X8 = Konstruksi Atap Dak beton Rangka Baja Rangka Kayu

X9 = Finishing Grade Sederhana Tidak Sederhana Khusus

X10= Tahun -

X11= Durasi bulan

Y = Nilai Kontrak -


4.4. Pengolahan Data

Kedua langkah sebelumnya dilakukan untuk mendapatkan input dari

pembentukkan permodelan, yang dalam penelitian ini, menggunakan metode

artificial neural network. Dalam permodelannya, olah data menggunakan metode


115


artificial neural network tersebut dibantu menggunakan software MATLAB versi

R2009a. Pada subbab ini akan dijelaskan lebih jauh proses permodelan tersebut.

Proses peremodelan AAN dapat digambarkan dalam flow chart seperti

berikut:

Transformasi & Pembagian Data Training-Uji

PERMODELAN ANN

Pemilihan Algoritma &

Fungsi Aktivasi

Perancangan Arsitektur Jaringan

Penentuan Training Parameter

TRAINING

SIMULAS I PADA DATA TES

Evaluasi/Measure Modelling Performance

Model ANN OPTIMUM

di lakukan beberapa tria l

Gambar 4.1 Flow Chart Permodelan Artificial Neural Network


Adapun penjelasan langkahnya sebagai berikut:

a. Transformasi Data

Setelah mendapat data beserta variabelnya yang sesuai, kedua komponen

tersebut kemudain akan menjadi input pada permodelan. Di mana permodelan

tersebut yang diolah dengan MATLAB harus diubah menjadi informasi

numerik. Sehingga apabila ada variabel permodelan yang bersifat deskriptif

atau kategorial, harus diubah terlebih dahulu menjadi angka. Selain itu data

yang telah diperoleh di bagi untuk keperluan training dan keperluan validasi.


116


Rasio dari pembagian sebaiknya diutamakan untuk training agar permodelan

mengalami cukup pelatihan dan siap untuk menghasilkan output yang baik

pada tahap validasi. Dalam penelitian ini, data tes untuk validasi ialah data V

dan W.

b. Pemilihan Algortima dan Fungsi Aktivasi

Sebelumnya, permodelan ANN estimasi biaya pada penelitian ini termasuk ke

dalam fungsi peramalan pada aplikasinya. Dalam hal ini, jaringan dapat

dipakai untuk meramalkan apa yang akan terjadi berdasarkan pola yang ada

di masa lampau. Ini dapat dilakukan mengingat kemampuan jaringan syaraf

tiruan untuk mengingat dan membuat generalisasi dari apa yang diberikan

sebelumnya. Oleh karena itu, tipe pelatihan jaringan yang harus digunakan

ialah ‘supervised’ di mana jaringan akan melakukan penyesuaian dan

melakukan perubahan bobot dari perbedaan nilai output aktual dan ANN

sehingga kedua nilai tersebut semakin mendekati kesamaan. Oleh karena itu,

terkadang jaringan yang memiliki banyak input butuh memiliki banyak layar

agar pengenalan pola dapat dilakukan dengan baik. Keseluruhan kriteria

tersebut dapat dipenuhi dengan algoritma pembelajaran tipe

‘Backpropagation’. Backpropagation banyak dilakukan untuk aplikasi ANN

dalam peramalan karena dapat melatih jaringan untuk mendapatkan

keseimbangan antara kemampuan jaringan untuk menganali pola yang akan

digunakan selama pelatihan, serta kemampuan jaringan untuk memberikan

respon yang benar terhadap pola masukan yang serupa (tapi tidak sama)

dengan pola yang dipakai selama pelatihan. Selanjutnya penentuan fungsi

aktivasi, di mana dalam backpropagation fungsi aktivasi harus kontinu,

terdiferensial dengan mudah, serta merupakan fungsi yang tidak turun. Fungsi

yang memenuhi ketiga ktriteria tersebut dan sering dipakai pada

backpropagation ialah ‘Sigmoid Biner”.

c. Proses Trial dan Error Pelatihan

Pada tahap ini, data-data pelatihan dirun pada MATLAB dengan hal-hal yang

harus dipilih hingga mencapai hasil optimum berupa:

a) Arsitektur Jaringan


117


Jumlah neuron pada lapisan input jaringan adalah sebanyak jumlah

variabel penelitian, sementara jumlah neuron/node lapisan output

sebanyak 1 buah, dalam hal ini nilai kontrak proyek kontruksi.

Backpropagation sebenarnya merupakan algoritma pelatihan yang

mampu memiliki banyak hidden layer (multilayer feedforward). Namun

karena semakin banyak hidden layer maka semakin lama waktu

pelatihan, maka lebih baik pelatihan diawali dengan single hidden layer

dahulu. Selain itu menurut Hegazy [116], jumlah hidden layer boleh

lebih dari satu asalkan data pelatihan mencukupi. Berikutnya, penentuan

arsitektur jaringan dilakukan dalam mencoba jumlah nodes pada hidden

layer yang tebaik. Penulis melakukan percobaan untuk jumlah nodes

dimulai dari 2 kali jumlah input (variabel) yang digunakan pada

permodelan hingga satu node.

b) Training Parameter

Pemilihan training parameter dilakukan untuk mencapai optimalisasi

pelatihan. Parameter epoch menentukan berapa banyak iterasi maksimal

yang dilakukan. Kemudian parameter goal dimasukkan untuk

menentukan berapa MSE yang ingin dicapai. Parameter lr

menggambarkan laju percepatan (ɑ) untuk mengubah bobot pada tiap

langkah iterasi. Sementara mc merupakan salah satu bentuk variasi

backpropagation yang dimasukkan untuk menghindari perubahan bobot

yang mencolok akibat adanya data yang sangat berbeda dengan yang

lain. Lalu parameter min-grad menunjukkan gradien penurunan pelatihan

minimal, karena apabila gradien terlalu kecil berarti proses generalisasi

model sudah tidak terlalu signifikan. Parameter max-fail menentukan

maximum gagal running pada pelatihan (akibat gradien lebih kecil dari

min_grad). Sementara show berarti jumlah iterasi untuk menampilkan

tiap hasil permodelan. Pelatihan akan berhenti jika salah satu dari

parameter tersebut telah tercapai.

c) Training

Setelah menentukan kedua properti di atas, dilakukan training pada data

yang dimaksudkan sebagai pelatihan model.


118


d) Simulasi

Setelah model terbentuk dari pelatihan, data tes di simulasi pada model.

Koding pada MATLAB untuk langkah-langkah ini dan sebelumnya pada

terdapat di lampiran

e) Evaluasi dan Measure Performance dari Model

Mengevaluasi kinerja model dan validasinya dengan mencari MMRE

untuk tiap input terhadap output, demi mencari tingkat keakurasian yang

dicapai..

d. Pemilihan Model Optimal

Setelah dilakukan langkah-langkah di atas, dan didapatkan nilai MMRE

untuk tiap-tiap permodelan, pilih yang memasuki range persentase eror sesuai

ketentuan AACE dan yang memiliki MMRE data tes terkecil. Dalam

penelitian ini terdapat beberapa skenario percobaan untuk mendapat model

yang menghasilkan nilai MMRE terkecil. Skenario-skenario tersebut antara

lain:

a) Skenario 1

Pada skenario 1 data yang digunakan 23 data dari proyek gedung kantor

di Jakarta, Bekasi, dan Tanggerang (lokasi Jabotabek), Bandung, Batam,

Bengkulu, Belitung. Dengan 2 data (V dan W) sebagai data tes.

Sementara variabel yang digunakan ialah 11 variabel.

Tabel 4.10 Variabel Skenario 1


1 2 3 4 5

X1 = Lokasi Jabodetabek Bandung Batam Bengkulu Belitung

X2 = Pondasi Bore Pile Tiang Pancang Mat - -

X3 = Luas Total -

X4 = Tingkat -




X8 = Konstruksi Atap Dak beton Rangka Baja - - -

X9 = Finishing Grade Sederhana Tidak Sederhana Khusus - -

X10= Tahun -

X11= Durasi -

Y = Nilai Kontrak -



119


Tabel 4.11 Data untuk Skenario 1

No Nama

Proyek

Lokasi Tipe

Pondasi

Luas Total

(m2)

Lapis Lapis

Basement

Floor to

Floor (m)

Tinggi

Bangunan

Tipe Konst.

Atap

Finishing

Grade

Tahun Durasi

(bulan)

Nilai Kontrak

(Rp M)

1 A 1 1 16,800.00 12 0 4.00 56.00 1 1 2011 4.0 84.26799000000

2 B 2 2 5,019.76 6 1 3.50 24.00 2 1 2011 3.0 7.51324100000

3 C 1 1 62,675.00 31 3 3.50 119.00 2 1 2011 15.0 165.00000000000

4 D 1 1 45,672.93 32 0 4.00 124.00 1 2 2011 16.0 93.72000000000

5 E 1 1 9,633.17 9 0 3.20 33.00 1 1 2010 8.0 35.30000000000

6 F 1 3 13,549.00 10 3 3.20 35.00 1 1 2010 4.0 14.72627350000

7 G 1 2 3,679.66 7 0 3.30 23.10 2 2 2010 13.0 65.97000000000

8 H 2 1 3,672.00 4 1 4.00 19.00 2 1 2010 6.0 20.69600000000

9 I 1 2 7,670.62 7 0 4.00 24.00 2 1 2012 7.5 26.25000000000

10 J 1 1 6,745.00 7 0 3.00 21.50 2 1 2011 6.0 18.13256793000

11 K 2 1 7,963.50 3 0 3.75 11.25 2 1 2012 3.0 68.26052299990

12 L 1 1 4,324.54 4 1 3.50 16.00 1 1 2007 3.0 37.54807200000

13 M 1 1 7,200.00 8 0 3.90 34.00 1 3 2011 13.0 95.23122700001

14 N 1 1 111,489.00 42 5 3.50 210.55 1 1 2006 21.0 248.05000000000

15 O 1 1 2,910.00 3 0 3.50 10.50 2 1 2009 6.0 20.27100000000

16 P 1 3 1,752.03 4 0 3.20 10.00 2 1 2008 5.0 8.26800000000

17 Q 3 1 5,958.56 7 0 3.75 26.25 1 1 2009 12.0 87.90000000000

18 R 3 1 3,404.89 4 0 3.75 15.00 1 1 2010 12.0 57.30226000000

19 S 3 1 6,809.78 8 0 3.75 30.00 1 1 2011 12.0 100.45714285714

20 T 4 2 3,450.00 3 0 4.25 12.75 2 1 2009 6.0 25.45723547862

21 U 5 1 3,009.00 3 0 4.00 12.00 2 1 2009 6.0 26.18501494354

22 V 1 1 19,527.00 15 2 3.50 56.00 2 1 2008 9.0 47.12992873878

23 W 1 1 5,004.00 4 0 3.75 15.00 1 1 2011 12.0 48.11709073820



120


Model estimasi skenario satu memiliki 1 hidden layer. Untuk mencari

hasil optimal dicoba model dengan node pada hidden layer dari 1 buah

hingga 22 buah. Saat dilakukan percobaan, training banyak yang tidak

konvergen. Sehingga hanya training model dengan jumlah node 4, 5, dan

7 pada hidden layer yang memberikan hasil. Rekap hasil percobaan

tersebut ialah:

Tabel 4.12 Rekap Hasil Skenario 1

Arsitektur Proyek Aktual ANN MMRE MMRE

total

11 - 4 - 1 V 47.12993 6.9458 85.26%

63.23% W 48.11709 28.2914 41.20%

11 - 5 - 1 V 47.12993 12.7231 73.00%

54.57%

W 48.11709 65.5005

-

36.13%

11 - 7 - 1 V 47.12993 6.1251 87.00%

54.47% W 48.11709 37.5574 21.95%


b) Skenario 2

Dari percobaan pada skenario 1, diperoleh hasil yang kurang memuaskan

dimana MMRE antara hasil permodelan ANN dengan data aktual masih

besar. Pada skenario 2 dilakukan permodelan dengan data sebanyak 18

buah, dengan proyek gedung kantor yang berlokasi di Jakarta,

Tanggerang, Bekasi, dan Bandung saja. Pertimbangan penulis data yang

berlokasi di Batam, Bengkulu, maupun Belitung memberikan selisih

perbedaan yang terlalu besar dengan data-data lainnya, selain itu data

dengan lokasi tersebut juga memiliki jumlah sedikit sehingga

memberikan pengaruh buruk pada pelatihan. Data tes tetap data V dan

W. Variabel yang digunakan ialah 11 variabel.


121



No Nama

Proyek

Lokasi Tipe

Pondasi

Luas Total

(m2)

Lapis Lapis

Basement

Floor to

Floor (m)

Tinggi

Bangunan

Tipe Konst.

Atap

Finishing

Grade

Tahun Durasi

(bulan)

Nilai Kontrak

(Rp M)

1 A 1 1 16,800.00 12 0 4.00 56.00 1 1 2011 4.0 84.26799000000

2 B 2 2 5,019.76 6 1 3.50 24.00 2 1 2011 3.0 7.51324100000

3 C 1 1 62,675.00 31 3 3.50 119.00 2 1 2011 15.0 165.00000000000

4 D 1 1 45,672.93 32 0 4.00 124.00 1 2 2011 16.0 93.72000000000

5 E 1 1 9,633.17 9 0 3.20 33.00 1 1 2010 8.0 35.30000000000

6 F 1 3 13,549.00 10 3 3.20 35.00 1 1 2010 4.0 14.72627350000

7 G 1 2 3,679.66 7 0 3.30 23.10 2 2 2010 13.0 65.97000000000

8 H 2 1 3,672.00 4 1 4.00 19.00 2 1 2010 6.0 20.69600000000

9 I 1 2 7,670.62 7 0 4.00 24.00 2 1 2012 7.5 26.25000000000

10 J 1 1 6,745.00 7 0 3.00 21.50 2 1 2011 6.0 18.13256793000

11 K 2 1 7,963.50 3 0 3.75 11.25 2 1 2012 3.0 68.26052299990

12 L 1 1 4,324.54 4 1 3.50 16.00 1 1 2007 3.0 37.54807200000

13 M 1 1 7,200.00 8 0 3.90 34.00 1 3 2011 13.0 95.23122700001

14 N 1 1 111,489.00 42 5 3.50 210.55 1 1 2006 21.0 248.05000000000

15 O 1 1 2,910.00 3 0 3.50 10.50 2 1 2009 6.0 20.27100000000

16 P 1 3 1,752.03 4 0 3.20 10.00 2 1 2008 5.0 8.26800000000

17 V 1 1 19,527.00 15 2 3.50 56.00 2 1 2008 9.0 47.12992873878

18 W 1 1 5,004.00 4 0 3.75 15.00 1 1 2011 12.0 48.11709073820



122




1 2 3 4

X1 = Lokasi Jakarta Tanggerang Bekasi Bandung

X2 = Pondasi Bore Pile Tiang Pancang Mat -

X3 = Luas Total -

X4 = Tingkat -




X8 = Konstruksi Atap Dak beton Rangka Baja - -

X9 = Finishing Grade Sederhana Tidak Sederhana Khusus -

X10= Tahun -

X11= Durasi -

Y = Nilai Kontrak -


Permodelan pada skenario 2 memiliki 1 hidden layer. Jumlah node pada

hidden layer dicoba mulai dari 1 hingga 22 buah. Pelatihan yang konvergen dan

memberikan hasil antara lain:



total

11 - 3 - 1 V 47.12993 24.528 47.96%

27.35% W 48.11709 44.8723 6.74%

11 - 4 - 1 V 47.12993 9.0673 80.76%

63.79% W 48.11709 70.6492 -46.83%

11 - 5 - 1 V 47.12993 2.0665 95.62%

84.12% W 48.11709 83.0665 -72.63%

11 - 6 - 1 V 47.12993 -27.6963 158.77%

83.17% W 48.11709 51.7632 -7.58%

11 - 7 - 1 V 47.12993 -30.6064 164.94%

110.53% W 48.11709 21.1106 56.13%

11 - 8 - 1 V 47.12993 -0.5011 101.06%

101.05% W 48.11709 -0.5011 101.04%

11 - 9 - 1 V 47.12993 -10.9773 123.29%

95.75% W 48.11709 80.9324 -68.20%



123


c) Skenario 3

Pada skenario 3, penulis tetap menggunakan 18 data, karena skenario 2

menunjukkan kemajuan. Untuk skenario 3, penulis mencoba

mengeliminasi variabel, karena 18 data berarti data berkurang dari

jumlah awal. Sesuai pernyataan Bina R. Setyawati et. al [117], yaitu

semakin banyak variabel semakin kompleks stuktur jaringan ANN,

sehingga data training yang dibutuhkan makin banyak untuk

memperbaiki akurasi. Variabel yang penulis kurangi yaitu variabel ‘jarak

antar lantai’ dan ‘tinggi bangunan’, karena pertimbangan penulis ialah

kedua variabel tersebut telah didefinisikan oleh variabel ‘jumlah tingkat’.

Jumlah hidden layer permodelan yang digunakan tetap 1. Penulis

mencoba jumlah node pada hidden layer sebanyak 1 sampai 18. Data tes

tetap V dan W.



1 2 3 4


X2 = Pondasi

Bore Pile

Tiang

Pancang Mat -

X3 = Luas Total -

X4 = Tingkat -

X5 =

Lapis

Basement -

X6 =

Konstruksi

Atap Dak beton

Rangka

Baja - -

X7 =

Finishing

Grade Sederhana

Tidak

Sederhana Khusus -

X8= Tahun -

X9= Durasi -

Y = Nilai Kontrak -



124



No Nama

Proyek

Lokasi Tipe

Pondasi

Luas Total

(m2)

Lapis Lapis

Basement

Tipe Konst.

Atap

Finishing

Grade

Tahun Durasi

(bulan)

Nilai Kontrak

(Rp M)

1 A 1 1 16,800.00 12 0 1 1 2011 4.0 84.26799000000

2 B 2 2 5,019.76 6 1 2 1 2011 3.0 7.51324100000

3 C 1 1 62,675.00 31 3 2 1 2011 15.0 165.00000000000

4 D 1 1 45,672.93 32 0 1 2 2011 16.0 93.72000000000

5 E 1 1 9,633.17 9 0 1 1 2010 8.0 35.30000000000

6 F 1 3 13,549.00 10 3 1 1 2010 4.0 14.72627350000

7 G 1 2 3,679.66 7 0 2 2 2010 13.0 65.97000000000

8 H 2 1 3,672.00 4 1 2 1 2010 6.0 20.69600000000

9 I 1 2 7,670.62 7 0 2 1 2012 7.5 26.25000000000

10 J 1 1 6,745.00 7 0 2 1 2011 6.0 18.13256793000

11 K 2 1 7,963.50 3 0 2 1 2012 3.0 68.26052299990

12 L 1 1 4,324.54 4 1 1 1 2007 3.0 37.54807200000

13 M 1 1 7,200.00 8 0 1 3 2011 13.0 95.23122700001

14 N 1 1 111,489.00 42 5 1 1 2006 21.0 248.05000000000

15 O 1 1 2,910.00 3 0 2 1 2009 6.0 20.27100000000

16 P 1 3 1,752.03 4 0 2 1 2008 5.0 8.26800000000

17 V 1 1 19,527.00 15 2 2 1 2008 9.0 47.12992873878

18 W 1 1 5,004.00 4 0 1 1 2011 12.0 48.11709073820



125


Sejauh ini permodelan pada data skenario 3 memiliki hasil yang paling

baik, di mana ada percobaan yang menghasilkan MMRE paling kecil.

Dari percobaan dengan hidden node 1 sampai 18, percobaan yang

konvergen dan memberikan hasil ialah:



total

9 - 2 - 1 V 47.12992874 61.23353 -0.29925

26.24% W 48.11709074 37.26534 0.225528

9 - 3 - 1 V 47.12992874 -56.1744 2.191906

123.02% W 48.11709074 61.03158 -0.2684

9 - 4 - 1 V 47.12992874 42.59826 0.096153

7.79% W 48.11709074 45.24378 0.059715

9 - 5 - 1 V 47.12992874 -28.3644 1.601834

119.99% W 48.11709074 86.5133 -0.79797

9 - 6 - 1 V 47.12992874 5.9035 0.87474

76.40% W 48.11709074 79.5474 -0.6532

9 - 7 - 1 V 47.12992874 19.6204 0.583696

102.13% W 48.11709074 118.3185 -1.45897

9 - 8 - 1 V 47.12992874 55.1037 -0.16919

36.07% W 48.11709074 74.6905 -0.55227

9 - 9 - 1 V 47.12992874 54.5623 -0.1577

24.11% W 48.11709074 32.4983 0.3246

9 - 12 - 1 V 47.12992874 40.3661 0.143515

72.20% W 48.11709074 -14.4627 1.300573


d) Skenario 4

Untuk skenario 4 ini, dicoba membuat permodelan dengan arsitektur

jaringan lain yaitu 2 hidden layer. Data input dan variabel yang

digunakan tetap sama seperti skenario 3. Akan dilihat apakah permodelan

mengalami perbaikan atau malah kemunduran.


126



No Nama

Proyek

Lokasi Tipe

Pondasi

Luas Total

(m2)

Lapis Lapis

Basement

Tipe Konst.

Atap

Finishing

Grade

Tahun Durasi

(bulan)

Nilai Kontrak

(Rp M)

1 A 1 1 16,800.00 12 0 1 1 2011 4.0 84.26799000000

2 B 2 2 5,019.76 6 1 2 1 2011 3.0 7.51324100000

3 C 1 1 62,675.00 31 3 2 1 2011 15.0 165.00000000000

4 D 1 1 45,672.93 32 0 1 2 2011 16.0 93.72000000000

5 E 1 1 9,633.17 9 0 1 1 2010 8.0 35.30000000000

6 F 1 3 13,549.00 10 3 1 1 2010 4.0 14.72627350000

7 G 1 2 3,679.66 7 0 2 2 2010 13.0 65.97000000000

8 H 2 1 3,672.00 4 1 2 1 2010 6.0 20.69600000000

9 I 1 2 7,670.62 7 0 2 1 2012 7.5 26.25000000000

10 J 1 1 6,745.00 7 0 2 1 2011 6.0 18.13256793000

11 K 2 1 7,963.50 3 0 2 1 2012 3.0 68.26052299990

12 L 1 1 4,324.54 4 1 1 1 2007 3.0 37.54807200000

13 M 1 1 7,200.00 8 0 1 3 2011 13.0 95.23122700001

14 N 1 1 111,489.00 42 5 1 1 2006 21.0 248.05000000000

15 O 1 1 2,910.00 3 0 2 1 2009 6.0 20.27100000000

16 P 1 3 1,752.03 4 0 2 1 2008 5.0 8.26800000000

17 V 1 1 19,527.00 15 2 2 1 2008 9.0 47.12992873878

18 W 1 1 5,004.00 4 0 1 1 2011 12.0 48.11709073820



127




1 2 3 4


X2 = Pondasi

Bore Pile

Tiang

Pancang Mat -

X3 = Luas Total -

X4 = Tingkat -

X5 =

Lapis

Basement -

X6 =

Konstruksi

Atap Dak beton Rangka Baja - -

X7 =

Finishing

Grade Sederhana

Tidak

Sederhana Khusus -

X8= Tahun -

X9= Durasi -

Y = Nilai Kontrak -


Percobaan pada skenario 3 ini dilakukan dengan memberi 2 hidden layer

pada jaringan. Namun ternyata hasil yang didapat mngalami penurunan

dari skenario 3. Hal ini sesuai dengan pernyataan Hegazy [118], bahwa

hidden layer yang berlebih bagus diterapkan pada pelatihan permodelan

dengan data input yang banyak. Data pada penelitian ini termasuk

sedikit, sehingga percobaan dengan hidden layer lebih dari satu

mengalami penurunan. Rekap hasil percobaan dengan skenario 3 ialah:



total

9 - 2 -1 - 1 V 47.12993 32.7159 30.58%

32.96% W 48.11709 31.1123 35.34%

9 - 3 - 2 - 1 V 47.12993 31.4253 33.32%

34.42% W 48.11709 31.0296 35.51%

9 - 4 - 3 - 1 V 47.12993 31.8643 32.39%

33.93% W 48.11709 31.0515 35.47%

9 - 5 - 4 - 1 V 47.12993 32.9284 30.13%

32.72% W 48.11709 31.1299 35.30%

9 - 6 - 5 - 1 V 47.12993 32.1195 31.85%

32.55% W 48.11709 32.1195 33.25%


128




total

9 - 7 - 6 - 1 V 47.12993 31.9611 32.19%

33.82% W 48.11709 31.0574 35.45%

9 - 8 - 7 - 1 V 47.12993 32.0676 31.96%

33.70% W 48.11709 31.0643 35.44%

9 - 10 - 9 - 1 V 47.12993 31.3262 33.53%

34.53% W 48.11709 31.0261 35.52%

9 - 12 - 11 -

1

V 47.12993 32.2024 31.67% 33.55%

W 48.11709 31.0735 35.42%


Sejauh ini, permodelan yang menghasilkan nilai MMRE untuk data tes

terkecil terdapat pada skenario 3. Dengan 16 data training pada proyek

gedung perkantoran di daerah Jakarta, Tanggerang, Bekasi, Bandung,

dan 2 buah data tes. Variabel yang digunakan ialah 9 variabel, yaitu

lokasi, tipe pondasi, luas total, jumlah tingkat, lapis basement, jarak antar

lantai, tinggi bangunan, tipe konstuksi atap, finishing grade, tahun, serta

durasi. Deviasi antara nilai kontrak aktual dengan hasil model ANN

terkecil ialah 7,79%, pada arsitektur jaringan 9-4-1. Yaitu 9 node input

variabel X, 4 node pada hidden layer, serta 1 node output variabel Y.




BAB 5

TEMUAN DAN PEMBAHASAN

5.1. Pendahuluan

Dari proses yang penulis jalani dalam penelitian, berupa penentuan

variabel serta pengumpulan data, dan pengolahan data ditemukan beberapa

temuan penting yang akan dibahas pada bab ini. Hasil akhir penelitian secara

keseluruhan juga akan dianalisa dalam pembahasan.

5.2. Temuan

Dari proses penelitian berupa penentuan variabel, pengumpulan data,

hingga pengolahan data pada permodelan ANN terdapat beberapa temuan yang

akan dijabarkan masing-masing.

a. Data dan Penetapan Variabel

Dari data awal yang penulis dapat dari kontributor sebanyak 40 buah,

terdapat 17 data yang harus dieliminasi, karena alasan:

Tidak sesuai fokus penelitian : 8 data

Proyek renovasi gedung kantor : 7 data

Halaman data tidak lengkap : 1 data

Harga proyek/m2 terlalu besar : 1 data

Sehingga menyisakan 23 data yang siap pakai untuk permodelan.

Identifikasi variabel dari kajian literatur, menghasilkan 14 variabel untuk

estimasi biaya proyek gedung tahap konseptual. Keempatbelas variabel tersebut

kemudian divalidasi ke pakar-pakar konstruksi untuk melihat signifikansinya.

Hasil tabulasi validasi tersebut menunjukkan semua variabel tetap digunakan.

Variabel-variabel tersebut antara lain:


130


Tabel 5.1 Variabel Permodelan Hasil Identifikasi dan Validasi Pakar

Variabel Keterangan Variabel

X1 Lokasi

X2 Kondisi Tanah

X3 Tipe Pondasi

X4 Luas Total

X5 Jumlah Tingkat

X6 Lapis Basement

X7 Superstruktur

X8 Jarak Antar Lantai

X9 Tinggi Bangunan

X10 Bentuk

X11 Tipe Atap

X12 Finishing Grade

X13 Tahun

X14 Durasi

Y Nilai Kontrak


Ketersediaan seluruh variabel di atas pada data lengkap, namun ada yang

tidak menunjukkan variansi. Dalam hal ini, variabel tidak akan membantu

permodelan, malah akan menimbulkan ambiguitas pada pemasukkan data baru

pada permodelan nantinya. Variabel-variabel tersebut kemudian harus dieliminasi,

yaitu variabel ‘Kondisi Tanah’, ‘Superstruktur’, dan ‘Bentuk’. Untuk variabel

kondisi tanah berupa PTM dominan, menurut praktisi, proyek gedung kantor di

Indonesia umumnya dibangun dari tanah yang siap dibangun, telah berkontur rata

saat diserahterimakan oleh pemilik tanahnya. Sementara bentuk dari gedung

kantor umumnya segiempat serta superstruktur dari gedung kantor saat ini

umumnya masih terbuat dari beton. Oleh karena itu variabel ini tidak memiliki

variansi, khususnya pada proyek-proyek yang penulis jadikan objek.


131


Tabel 5.2 Variabel Berdasarkan Data Proyek

Variabel Keterangan Variabel

X1 Lokasi

X2 Tipe Pondasi

X3 Luas Total

X4 Jumlah Tingkat

X5 Lapis Basement

X6 Jarak Antar Lantai

X7 Tinggi Bangunan

X8 Tipe Atap

X9 Finishing Grade

X10 Tahun

X11 Durasi

Y Nilai Kontrak


2. Permodelan ANN

Demi mencapai hasil permodelan yang paling akurat, penulis melakukan

beberapa skenario percobaan. Skenario tersebut memvariasikan data (sehubungan

dengan lokasi proyek), variabel, dan hidden layer pada jaringan permodelan.

Masing-masing skenario dirunning dengan jumlah nodes pada hidden layer dari

dua kali jumlah variabelnya (node input) hingga satu node. Masing-masing

skenario dengan nilai MMRE terkecilnya ialah sebagai berikut:

a) Skenario 1

Data : - 21 data training

- 2 data tes

Lokasi : Jabotabek, Bandung, Batam, Bengkulu, Belitung

Variabel (11) : Lokasi, Tipe Pondasi, Luas Total, Jumlah Tingkat,

Lapis Basement, Jarak Antar Lantai, Tinggi

Bangunan, Tipe Konstruksi Atap, Finishing Grade,

Tahun, Durasi


132


Arsitektur Jaringan : 1 hidden layer

MMRE terkecil : 54,47%

b) Skenario 2


- 2 data tes

Lokasi : Jakarta, Tanggerang, Bekasi, Bandung


Lapis Basement, Jarak Antar Lantai, Tinggi

Bangunan, Tipe Konstruksi Atap, Finishing Grade,

Tahun, Durasi



c) Skenario 3


- 2 data tes



Lapis Basement, Tipe Konstruksi Atap, Finishing

Grade, Tahun, Durasi



d) Skenario 4


- 2 data tes



Lapis Basement, Tipe Konstruksi Atap, Finishing

Grade, Tahun, Durasi




133


Dapat dilihat bahwa, MMRE terkecil pada data tes dicapai oleh jaringan

pada skenario 3. Hasil pada skenario 3 dicapai setelah penulis mengeliminasi data

proyek yang berlokasi di Batam, Bengkulu, Belitung dengan alasan jumlah data

pada lokasi tersebut yang tidak banyak dapat mengakibatkan data-data tersebut

menjadi outlier. Menurut Bina R. Setyawati et. al (2003) [119], mengeliminasi

outlier dapat meningkatkan kinerja jaringan. Selain itu, percobaan pada skenario 3

mengalami kemajuan setelah 2 variabel yaitu ‘Jarak Antar Lantai’ serta ‘Tinggi

Bangunan’ dieliminasi. Sesuai pendapat Bina R. Setyawati et. al [120] bahwa

semakin banyak variabel sebagai input suatu jaringan, semakin kompleks

arsitektur jaringan, sehingga dibutuhkan makin banyak data training. Penelitian ini

memiliki data training yang relatif kecil yaitu 16 buah, sehingga pengurangan

variabel yang tidak terlalu signifikan (kedua variabel telah diinterpretasikan oleh

variabel ‘Jumlah Tingkat’) membantu pelatihan. Sementara jumlah hidden layer

yang terbaik untuk pelatihan ini ialah 1 hidden layer. Hegazy dan Ayed [121]

menyatakan bahwa jaringan dengan lebih dari satu hidden layer bagus untuk

permodelan dengan banyak data, sementara pada penelitian ini data yang dipakai

termasuk sedikit.

Pelatihan dilakukan dengan properti yang telah ditentukan, penjelasan

masing-masing properti telah dicantumkan dalam sub bab 4.4 dan kodingnya pada

MATLAB R2009a terdapat pada lampiran. Namun secara ringkas properti

pelatihan yaitu:

Tabel 5.3 Properti Pelatihan

Properti Pelatihan Jenis/Nilai Deskripsi

Algoritma Pelatihan Back Propagation baik untuk ANN tipe peramalan;

memiliki keseimbangan antara

pengenalan pola secara supervised

serta baik dengan respon pada data

baru sejenis

Fungsi Aktivasi Sigmoid Biner baik untuk Back Propagation;

bersifat kontinu, terdiferensial

dengan baik, bukan fungsi turun


134



Properti Pelatihan Jenis/Nilai Deskripsi

Metode Penurunan

Gradien

Gradient Descent menghindari pencapaian titik

minimum lokal; perhitungan bobot

sebelumnya juga diperhitungkan

pada perubahan bobot sesudahnya

Training Parameter :

Maksimum Epoch 5000 maksimum 5000 iterasi

Goal (MSE

minimum)

10-3

target nilai fungsi kinerja jaringan

Learning Rate 0,5 laju percepatan untuk mengubah

bobot pada tiap iterasi

Momentum 0,5 konstanta percepatan gradient

descent

Maksimum Fail 5 maksimum tercapai gradien lebih

kecil dari gradien minimum

Gradien Minimum 10-10

gradien (perubahan antar iterasi)

terkecil Sumber: Hasil Olahan

Pada skenario terbaik yaitu skenario 3, variabel yang digunakan yaitu:

Tabel 5.4 Variabel Pada Skenario Terbaik (3)


1 2 3 4


X2 = Pondasi

Bore Pile

Tiang

Pancang Mat -

X3 = Luas Total -

X4 = Tingkat -

X5 =

Lapis

Basement -

X6 =

Konstruksi

Atap Dak beton Rangka Baja - -

X7 =

Finishing

Grade Sederhana

Tidak

Sederhana Khusus -

X8= Tahun -

X9= Durasi -

Y = Nilai Kontrak -



135


Sehingga 18 data yang merupakan 16 data training dan V, W sebagai data

tes, yang telah ditransformasi menjadi:

Tabel 5.5 Data Pada Skenario Terbaik (3)

No Proyek X1 X2 X3 X4 X5 X6 X7 X8 X9 Y

1 A 1 1 16,800.00 12 0 1 1 2011 4.0 84.26799000000

2 B 2 2 5,019.76 6 1 2 1 2011 3.0 7.51324100000

3 C 1 1 62,675.00 31 3 2 1 2011 15.0 165.00000000000

4 D 1 1 45,672.93 32 0 1 2 2011 16.0 93.72000000000

5 E 1 1 9,633.17 9 0 1 1 2010 8.0 35.30000000000

6 F 1 3 13,549.00 10 3 1 1 2010 4.0 14.72627350000

7 G 1 2 3,679.66 7 0 2 2 2010 13.0 65.97000000000

8 H 2 1 3,672.00 4 1 2 1 2010 6.0 20.69600000000

9 I 1 2 7,670.62 7 0 2 1 2012 7.5 26.25000000000

10 J 1 1 6,745.00 7 0 2 1 2011 6.0 18.13256793000

11 K 2 1 7,963.50 3 0 2 1 2012 3.0 68.26052299990

12 L 1 1 4,324.54 4 1 1 1 2007 3.0 37.54807200000

13 M 1 1 7,200.00 8 0 1 3 2011 13.0 95.23122700001

14 N 1 1 111,489.00 42 5 1 1 2006 21.0 248.05000000000

15 O 1 1 2,910.00 3 0 2 1 2009 6.0 20.27100000000

16 P 1 3 1,752.03 4 0 2 1 2008 5.0 8.26800000000

17 V 1 1 19,527.00 15 2 2 1 2008 9.0 47.12992873878

18 W 1 1 5,004.00 4 0 1 1 2011 12.0 48.11709073820


Pelatihan dilakukan dengan 1 hidden layer, dan jumlah node pada hidden

layer tersebut dicoba dari dua kali variabel (node input) yaitu sebanyak 18, hingga

1 node. Rekap hasil seluruh pelatihan tersebut tercantum di tabel 4.18. Pelatihan

dengan hasil MMRE pada data tes terbaik diraih oleh jaringan dengan 4 node pada

hidden layer, atau arsitektur jaringan 9-4-1.

Tabel 5.6 Pelatihan dengan Nilai MMRE Terbaik


total

9 - 4 - 1 V 47.12992874 42.59826 0.096153

7.79% W 48.11709074 45.24378 0.059715



136


Performance pelatihan tersebut berhenti pada training parameter goal atau

tercapai MSE minimum berupa 10-3

pada epoch ke 404. Maksimum fail juga tidak

tercapai (tidak terjadi fail sama sekali) berarti gradien tidak melebihi batas

minimum (10-10

) selama pelatihan.

Gambar 5.1 Performance Pelatihan


Selain itu dapat dilihat masing-masing regresi dari data training dan data

tes. Keduanya menunjukkan garis regresi yang tidak terlalu melenceng.

Gambar 5.2 Regresi untuk Data Training dan Data Tes Sumber: Hasil Olahan


137


5.3. Pembahasan

Setelah dilakukan percobaan dengan berbagai skenario, penelitian

permodelan estimasi biaya tahap konseptual pada gedung kantor ini mendapatkan

model terbaik pada skenario 3. Pada skenario tersebut data yang digunakan ialah

sebanyak 18 buah, dengan 16 data training dan 2 data tes. Parameter yang

digunakan ialah 9 variabel yaitu; lokasi, tipe pondasi, luas total, jumlah tingkat,

lapis basement, tipe konstruksi atap, finishing grade, tahun dan durasi. Dengan

range dan karakter statistik variabel yang digunakan pada penelitian yaitu:

Tabel 5.7 Range dan Karakter Statistik Variabel Model ANN Terbaik

VARIABEL KETERANGAN RANGE MEAN MODUS

X1 Lokasi Jakarta, Tanggerang, Bekasi, Bandung - Jakarta

X2 Pondasi Bore Pile, Tiang Pancang - tiang pancang

X3 Luas 1752,03 - 111489 m2 18627.07 -

X4 Lapis 3 s/d 42 lantai 11.55556 -

X5 Basement 0 - 5 0.888889 0

X6 Tipe Konstruksi Atap dak beton, rangka baja - rangka baja

X7 Finishing Grade sederhana, tidak sederhana, khusus - sederhana

X8 Tahun 2006 - 2012 2009.94 2011

X9 Durasi 3 s/d 21 bulan 8.583 6 & 3

Y Nilai Kontrak 7,513241 - 248,05 61.35844 -


Pelatihan dilakukan dengan kriteria-kriteria sebagai berikut:

Tabel 5.8 Tabel Properti Pelatihan Model ANN Terbaik

Properti Pelatihan Jenis/Nilai

Sifat Pembelajaran Supervised

Algoritma Pelatihan Back Propagation

Fungsi Aktivasi Sigmoid Biner

Metode Penurunan Gradien Gradient Descent

Momentum


138



Properti Pelatihan Jenis/Nilai

Training Parameter:

Learning Rate

Momentum

Epoch Maksimum

Goal (min. MSE)

Maksimum Gagal

Gradien Minimum

0,5

0,5

5000

10-3

5

10-10


Sementara itu 16 data training dan 2 data tes tersebut dilatih dan divalidasi

pada jaringan terbaik 9-4-1 dengan arsitektur jaringan:

Tabel 5.9 Tabel Arsitektur Model ANN Terbaik (Sambungan)

Arsitektur Jaringan Jumlah

Neuron Input 9

Neuron Output 1

Hidden Layer 1

Neuron pada Hidden Layer 4


Sehingga akan terbentuk jaringan input yang terdiri dari 10 masukan, 9

variabel (xi) dan bias (b1). Dan sebuah layar tersembunyi yang terdiri dari 5 unit 4

neuron (zj) dan bias (b2). Lalu 1 unit keluaran (yk). Bias merupakan unit tambahan

yang nilainya selalu 1 dan berfungsi untuk mengubah nilai treshold menjadi 0.

Dalam jaringan syaraf tiruan, untuk menampilkan keluaran suatu neuron

digunakan fungsi aktivasi. Sehingga jika bobot ialah w, maka keluaran jaringan

kedua j dari jaringan pertama i ialah:

(5.1)

Sementara fungsi aktivasinya, dalam hal ini sigmoid bipolar, ialah:

(5.2)


139


Gambar 5.3 Jaringan Permodelan ANN Terbaik


Setelah dilakukan pelatihan, didapatkan bobot akhir dari layar masukan ke

layar tersembunyi (vji) dan dan bobot dari layar tersembunyi ke layar output (wkj).

Tabel 5.10 Bobot dari Layar Masukan (xi) ke Layar Tersembunyi (zj)

Z1 Z2 Z3 Z4

X1 0.8214 0.6579 -0.4429 0.4576

X2 0.3015 -0.7833 -0.7165 -0.0448

X3 0.7699 0.4078 0.0183 0.4351

X4 0.7625 -0.1347 0.9563 -0.5635

X5 -0.3566 0.8328 0.9713 0.6699

X6 0.5 -0.6644 0.6073 0.9245

X7 0.0685 0.533 0.7375 -0.54

X8 0.5354 -0.1597 -0.5149 -0.3547

X9 -0.6345 -0.8314 0.1747 0.7053

1 -1.3492 -0.7865 -0.5937 1.9462



140


Sehingga ekspresi matematis untuk keluaran unit tersembunyi (zj):

(5.3)

(5.4)

(5.5)

(5.6)

Tabel 5.11 Bobot dari Layar Tersembunyi (zj) ke Layar Keluaran (yk)

Y

Z1 0.4544

Z2 -0.5397

Z3 1.173

Z4 -0.4361

1 0.5424


Sehingga ekspresi matematis untuk keluaran unit tersembunyi (Yk):

(5.7)

(5.8)

(5.9)

Tentunya proses ini akan berlangsung secara iteratif, di mana akan dicari

selisih antara keluaran hasil iterasi pertama dengan keluaran target yang akan

mempengaruhi bobot baru yang akan dikembalikan ke layar tersembunyi dan

kemudian layar masukan. Lalu perhitungan kembali dilakukan dan begitu

seterusnya hingga didapatkan hasil yang memuaskan (sesuai training parameter).


141


Pada penelitian ini, pelatihan dilakukan hingga 404 iterasi dan telah

tercapai nilai MSE minimal yaitu 10-3

. Model kemudian di simulasikan kepada

dua data baru (yang tidak ikut di training) yaitu data V dan W. Validasi tersebut

menghasilkan nilai MMRE 7,79% yang memenuhi atau lebih baik dari nilai

deviasi tahap konseptual kelas 4 menurut AACE yaitu -15% - 30% atau +20% -

+50%.

Untuk melihat hubungan antara variabel-variabel permodelan dengan nilai

kontrak proyek gedung kantor, dilakukan sensitivity analysis terhadap variabel-

variabel yang kenaikan harganya dapat terukur. Analisa didapatkan denga cara

memasukkan data baru pada permodelan dengan variabel selain yang ingin diteliti

bernilai tetap, sementara variabel yang ingin diteliti divariasikan dengan interval

tertentu. Dari grafik dapat diperhatikan tingkat pengaruh kenaikan variabel

tertentu terhadap nilai kontrak.

Gambar 5.4 Grafik Luas Bangunan Terhadap Nilai Kontrak



142


Gambar 5.5 Grafik Sensitivitas Jumlah Tingkat Terhadap Nilai Kontrak


Gambar 5.6 Grafik Sensitivitas Finishing Grade Terhadap Nilai Kontrak



143


Gambar 5.7 Grafik Sensitivitas Tahun Pembangunan Terhadap Nilai Kontrak


Gambar 5.8 Grafik Sensitivitas Durasi Terhadap Nilai Kontrak



144


Dari grafik juga dapat dilihat bentuk hubungan antara variabel dengan

nilai kontrak. Dengan R2

terbaik (mendekati 1) dapat diketahui persamaan yang

merepresentasikan grafik. Dari grafik di atas peningkatan ‘Luas Total’ dan

‘Jumlah Tingkat’ memberikan pengaruh kenaikan nilai kontrak.yang bersifat

linier. Sementara keningkatan variabel ‘Lapis Basement’, ‘Finishing Grade’,

‘Tahun’, dan ‘Durasi’ memiliki pengaruh yang bersifat polinomial tingkat 2

terhadap nilai kontrak.




BAB 6

KESIMPULAN DAN SARAN

6.1. Kesimpulan

Dari penelitian yang telah dilakukan, dapat dicapai tujuan

mengindentifikasi faktor-faktor yang berpengaruh terhadap biaya pembangunan

kontruksi gedung kantor, serta membuat permodelan estimasi biaya gedung kantor

dengan metode jaringan syaraf tiruan demi meningkatkan akurasi estimasi.

a. Faktor-faktor yang mempengaruhi biaya pembangunan gedung kantor yang

digunakan pada estimasi tahap konseptual yaitu Lokasi, Pondasi, Luas Total,

Tingkat, Lapis Basement, Konstruksi Atap, Finishing Grade, Tahun, dan

Durasi Pembangunan. Adapun kategori yang digunakan pada variabel untuk

penelitian ini mencakup:

Tabel 6.1 Variabel yang Berpengaruh Terhadap Biaya Pembangunan Gedung

Kantor


1 2 3 4

X1 = Lokasi tempat dibangunnya

gedung kantor

Jakarta Tanggerang Bekasi Bandung

X2 = Pondasi jenis pondasi yang

digunakan

Bore Pile Tiang Pancang Mat -

X3 = Luas

Total

luas bangunan

hingga dinding

terluar kantor

-

X4 = Tingkat jumlah tingkat

bangunan gedung

kantor yang berada

di atas permukaan

tanah\

-

X5 = Lapis

Baseme

nt

jumlah tingkat

bangunan gedung

kantor di bawah

permukaan tanah

(basement)

X6 = Konstru

ksi Atap

struktur atap pada

bangunan gedung

kantor

Dak beton Rangka Baja - -


146




1 2 3 4

X6 = Konstru

ksi Atap

struktur atap pada

bangunan gedung

kantor

Dak beton Rangka Baja - -

X7 = Finishin

g Grade

tingkat finishing

gedung dari aspek

bahan penutup

lantai, dinding luar,

dinding dalam,

kusen pintu menurut

PERMEN PU No.

45/PRT/M/2007

Sederhana Tidak

Sederhana

Khusus -

X8= Tahun tahun dimulainya

proyek

-

X9= Durasi lamanya durasi

pembanguna gedung

-


b. Permodelan estimasi biaya gedung kantor pada tahap konseptual dengan

jaringan syaraf tiruan pada penelitian ini menggunakan kriteria permodelan

sebagai berikut:

Tabel 6.2 Kriteria Permodelan ANN

Kriteria Nilai Deskripsi

Data 18 data input 16 data pelatihan dan 2 data

validasi

Jumlah Neuron Input 9 Variabel input

Jumlah Neuron Output 1 Biaya Proyek

Jumlah Hidden Layer 1 Hasil Trial Terbaik

Jumlah Neuron Hidden

Layer

4 Hasil Trial Terbaik

Arsitektur Jaringan Multilayer Feedforward

Algoritma Pembelajaran Backpropagation

Sifat Pembelajaran Supervised Learning

Fungsi Pembelajaran Gradien Descent

Momentum

Fungsi Aktivasi Sigmoid Bipolar (tansig)

Leraning Rate 0.5

Constanta Momentum 0.5


147



Kriteria Nilai Deskripsi

Parameter Pelatihan

Maksimum Epoch 5000

Goal (min MSE) 10-3

Maksimum Kegagalan 5

Gradien Minimum 10-10

Iterasi 404


Permodelan menghasilkan deviasi (nilai MMRE) sebesar 7,79%, lebih baik

dari kriteria deviasi estimasi tahap konseptual menurut AACE, yaitu kelas 4

dengan range deviasi -15 - -30% dan +25 - +50%.

6.2. Saran

Berdasarkan proses yang penulis lakukan dan hasil dari penelitian ini,

maka saran penulis bagi penelitian selanjutnya ialah :

a. Apabila menggunakan metode jaringan syaraf tiruan untuk penelitian yang

lain perhatikan data yang menjadi input. Karena pembentukan jaringan pada

model ANN tergantung pada data yang menjadi input pelatihan. Gunakan data

dengan range yang lebih beragam agar data dapat terlatih dengan baik dan

dapat memecahkan masalah pada data baru dengan baik. Penggunaan data

pelatihan lebih banyak lebih baik, karena itu berarti model yang dihasilkan

telah membangun lebih banyak pola dan terlatih dengan baik untuk bisa

memprediksi input data baru dengan akurat.

b. Dilakukan penelitian lanjutan dengan objek penelitian sama (gedung kantor)

dengan data yang lebih banyak, untuk meningkatkan hasil permodelan. Karena

elain itu, peneletian juga sebaiknya dilakukan dalam cakupan wilayah lain

yang lebih luas. Atau penelitian dengan objek yang berbeda agar lebih

memberikan gambaran mengenai metode estimasi biaya ini.


148


DAFTAR ACUAN

[1] Gould, F.E. Managing the Construction Process (Estimating Schedulingand

Project Control). New Jersey, Prantice Hall. 1997

[2] Cheng, Min-Yuang, Hsing-Chih Tsai, Wen-Shan Hsieh. Web-Based

Conceptual Cost Estimate’s for Construction Projects Using Evolutionary

Fuzzy Neural Interference Model. Automation In Construction 18, 164-172.

Department of Construction Engineering, National Taiwan University of

Science and Technology. 2008

[3] Scheutte, S.D., and Liska, R.W. Building Construction Estimating,

Singapore: McGraw Hill. 1998



[5] S., Singh. Cost Model for Reinforced Concrete Beam and Slab Structures in

Building. Journal of Construction Engineering and Management 116 (1),

54–67. 1990

[6] P.A., Bowen, P.J. Edwards. Cost Modeling and Price Forecasting; Practice

and Theory in Perspective. Construction Management and Economics 3,

199–215. 1985

[7] F., Khosrowshahi, A.P. Kaka. Estimation of Project Total Cost and

Duration for Housing Projects in the UK. Building and Environment 31 (4),

373–383. 1996






[9] Bagus, Julian H. Permodelan Estimasi Biaya Konseptual pada Proyek

Konstruksi Bangunan Pabrik dengan Teknik Jaringan Syaraf Tiruan. Tesis

Program Pascasarjana Fakultas Teknik Sipil UI, Depok, 2007

[10] Setyawati, Bina R., Sidharta Sahirman, Dr. Robert C. Creese, PE CCE.

Neural Network for Cost Estimation. AACE International Transaction,

ES131. 2002

[11] Garza, J., and Rouhanna, K. Neural Network Versus Parameter-Based

Application. Cost Engineering ., AACE International, 3792, 14-18. 1995

[12] Phaobunjong, K., dan Popescu, C.M. Parametric Cost Estimating Model for

Conceptual Cost Estimating of Building Construction Projects. Texas

University. 2002.


149


[13] Uppal, Mr. Kul B. PE. So-Is this the Estimate? AACE International

Transactions, ES71. 2006

[14] Bode, Jurgen. Neural Network for Cost Estimation. Cost Engineering Vol.

40/ No.1. 1998

[15] Dell’Isola, Michael D.. Architect’s Essentials of Cost Management. John

Wiley & Sons Inc. 2002

[16] Harding, Anthony dan David Lowe et. al. The Role of Neural Networks in

Early Stage Cost Estimation in the 21st Century. Department of Building

Engineering, UMIST, UK. 2002

[17] Schexnayder, Clifford J. dan Richard E. Mayo. Construction Management

Fundamentals. McGraw Hill Construction, New York. 2003

[18] Sodikov, Jamshid. Cost Estimation of Highway Projects in Developing

Countries: Artificial Neural Network Approach. Journal of the Eastern Asia

Society for Transportation Studies, Vol. 6, 1036-1047. 2005

[19] Funahashi, K. On the Approximate Realization of Continous Mappings by

Neural Networks. Neural Networks 2, 183-192. 1989



ES131. 2002

[21] Kosko, B. Neural Networks and Fuzzy Systems--A Dynamical Approach to

Machine Intelligence. Prentice-Hall, Englewood Cliffs, NJ. 1992

[22] Shottlander, E.D. How Accurate are Your Estimates? AACE Internationat

Transactions. 2006

[23] Dysert, R. Larry. An Introduction to Parametric Estimating. AACE

International Transactions. 2005


Transactions. 2006

[25] Pratt, Shannon. Cost of Capital: Estimation and Applications. The CPA

Journal 69.1. 1999

[26] Soeharto, Iman. Manajemen Proyek: Dari Konseptual Sampai Operasional.

PT. Gelora Aksara Pratama. 1995


Transactions. 2006

[28] Barrie, D.S., dan B.C. Paulson. Professional Construction Engineering and

Management. New York: McGraw Hill Series in Construction Engineering

and Management. 1992


150


[29] Dysert, R. Larry. An Introduction to Parametric Estimating. AACE



Transactions. 2006



[32] Clifford J. Schexnayder dan Richard E. Mayo. Construction Management

Fundamentals. McGraw Hill Construction, New York. 2003

[33] Jamshid Sodikov. Cost Estimation of Highway Projects in Developing


Society for Transportation Studies, Vol. 6, 1036-1047. 2005











Society for Transportation Studies, Vol. 6, 1036-1047. 2005Hal 26



[40] Karshenas, S., Yousuf Z.S. Predesign Cost Estimating Method for

Multistory Buildings. Journal of Construction Engineering Management

110, 79-86. 1984

[41] Gould, F.E. Managing the Construction Process (Estimating Schedulingand

Project Control). New Jersey: Prantice Hall. 1997



[43] Helyar, Frank W. Construction Estimating and Costing. Mc- Graw Hill.

1978


1978




151






[48] Serpell, A.F. Improving Conceptual Cost Estimating Performance. AACE





[50] Fortune, C., dan M. Lees. Early Cost Advice for Clients-yhe Practitioners’

Verdict. Proc., Association of Researchers in Construction Management

(ARCOM) 10th

Annual Conf. Loughborough Univ. of Technology, UK, 422-

432. 1994




[52] Ross, A. A Price on Design. The Royal Institute of Chartered Surveyors,

London. 1998




[54] Menteri Pekerjaan Umum Republik Indonesia. Pedoman Teknis

Pembangunan Bangunan Geudng Negara. Peraturan Menteri Pekerjaan

Umum, No. 45/PRT/M/2007

[55] Lembaran Negara Republik Indonesia. Undang-Undang RI Tentang Jasa

Konstruksi. UU RI No 28 Tahun 2002







[58] Herbert, Swinburne. Design Cost Anaysis. McGraw-Hill Book Company.

1980


1978


1980


152



1980





[64] Brandt, Peter B. Office Design. Watson-Guptill Publications. 1992


1980

[66] AIA Best Practices. Factors Affecting Building Costs. The Architect’s

Handbook of Professional Practice, 13th

Edition. 2007


1978


1978


1980



Edition. 2007

[71] Dirdjojuwono, Roestanto W. Sistem Bangunan Pintar. Pustaka Wirausaha

Muda. 2003


[73] Dirdjojuwono, Roestanto W. Sistem Bangunan Pintar. Pustaka Wirausaha

Muda. 2003



[76] Kreamer, Sieverts. Open Plan Offices. McGraw Hill Book Company UK.

1977


1978


1978



[80] Poerbo, Hartono. Tekno Ekonomi Bangunan Bertingkat Banyak. Penerbit

Djambatan. 1998


153


[81] Kreamer, Sieverts. Open Plan Offices. McGraw Hill Book Company UK.

1977

[82] Boje, Axel. Open-Plan Offices. Business Books Ltd. 1971


Djambatan. 1998







Edition. 2007


Djambatan. 1998



[89] Kim, Sang-Yong, Jae Won Choi, Gwang Hee Kim. Comparing Cost

Prediction Methods for Apartment Housing Projects: CBR versus ANN.

Journal of Asian Architecture and Building Engineering. 2005


Wiley & Sons Inc, hal 136-137. 2002.


Wiley & Sons Inc, hal. 107. 2002.


Wiley & Sons Inc, hal. 107. 2002.



ES131. 2002


Neural Network for Cost Estimation (Part 2). AACE International

Transaction, ES131. 2003

[95] Kim, Sang-Yong, Jae Won Choi, Gwang Hee Kim. Comparing Cost

Prediction Methods for Apartment Housing Projects: CBR versus ANN.

Journal of Asian Architecture and Building Engineering. 2005





154




[97] Phaobunjong, K., dan Popescu, C.M. Parametric Cost Estimating Model for

Conceptual Cost Estimating of Building Construction Projects. Texas

University. 2002

[98] Elhag, T.M.S. dan A.H. Boussabaine. Tender Price Estimation: Neural

Network VS Regression Analysis. School of Architecture and Building

Engineering, The University of Liverpool, UK.

[99] Elhag, T.M.S. dan A.H. Boussabaine. Tender Price Estimation: Neural

Network VS Regression Analysis. School of Architecture and Building

Engineering, The University of Liverpool, UK

[100] Stergiou, Christos dan Dimitrios Siganos. Neural Networks:

http://www.doc.ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/report.html

diakses tanggal 10 November 2011

[101] Haykin, S. Neural Networks: A Comprehensive Foundation 2nd

Edition.

Pearson Prentice Hall. 1999

[102] Fausett, L. Fundamentals of Neural Networks: Architectures, Algorithm,

and Applications. New Jersey: Prentice-Hall International, Eaglewood

Cliffs. 1994

[103] Medsker, L dan Liebowitz J. Design and Develop of Expert Systems and Neural Networks. Macmillan, U.S.A. 1994

[104] Wasserman, P. D. Neural Computing—Theory and Practice. New York:

Van Nostrand Reinhold. 1989







[107] Hola, Jerzy dan Krzysztof Schabowicz. Application of Artificial Neural

Netwroks to Determine Concrete Compressive Strength Based on Non-

Destructive Tests. Journal of Civil Engineering and Management, Vol. XI,

No.1, 23-32. 2005









155





[111] Kasabov, Nikola K. Foundation of Neural Networks, Fuzzy Systems, and

Knowledge Engineering. 2nd

Printing, The MIT Press. 1998

[112] Hegazy, T. dan A. Ayed. A Neural Network Model for Parametric Cost

Estimation of Highway Projects. Journal of Construction Engineering and

Management, ASCE, Vol. 24 No.3, 210-218. 1998



Society for Transportation Studies, Vol. 6, 1036-1047. 2005Hal 26

[114] Yin, Robert K. Studi Kasus: Desain & Metode. PT. RajaGrafindo Persada.

2002

[115] Yin, Robert K. Studi Kasus: Desain & Metode. PT. RajaGrafindo Persada.

2002




















156


DAFTAR REFERENSI

Asiyanto. Construction Project Cost Management. PT. Pradnya Paramita, 2010

Brandt, Peter B. Office Design. Watson-Guptill Publications. 1992

Chester, Michael. Neural Networks, A Tutorial. PTR Prentice-Hall, Inc. 1993

D. Dell’Isola, Michael. Architect’s Essentials of Cost Management. John Wiley &

Sons, Inc.

Dirdjojuwono, Roestanto W. Sistem Bangunan Pintar. Pustaka Wirausaha Muda.

2003

Helyar, Frank W. Construction Estimating and Costing. Mc- Graw Hill. 1978

Herbert, Swinburne. Design Cost Anaysis. McGraw-Hill Book Company. 1980

Irwin, G. W., Hunt K. J., Warwick, K. Neural Network Appications in Control.

IEE Control Engineering Series 53. 1995

Kohn, A. Eugene. Office Buildings. John Wiley & Sons. 2002

Kreamer, Sieverts. Open Plan Offices. McGraw Hill Book Company UK. 1977

Latief, Yusuf. Conceptual Cost Estimatimg. Kuliah Manajemen Biaya. 2010

Mayo, Richard E; Schexnayder, Cifford J. Construction Management

Fundamentals. McGraw Hill Book Company. 2003

Poerbo, Hartono. Tekno Ekonomi Bangunan Bertingkat Banyak. Penerbit

Djambatan. 1998

Puspitaningrum, Diyah. Pengantar Jaringan Syaraf Tiruan. ANDI Yogyakarta.

2006

Schuette, Stephen D; Liska, Roger W. Building Construction Estimating.

McGraw-Hill. 1994

Siang, Jong Jek. Jaringan Syaraf Tiruan dan Pemogramannya Menggunakan

MATLAB. Penerbit ANDI. 2009

Soeharto, Iman. Manajemen Proyek: Dari Konseptual Sampai Operasional. PT.

Gelora Aksara Pratama. 1995

Yin, Robert K. Studi Kasus: Desain & Metode. PT. Raja Grafindo Persada. 2002


LAMPIRAN 1

KUESIONER VALIDASI VARIABEL


Lampiran 1: Kuesioner Validasi Variabel

L1-1 Universitas Indonesia

ESTIMASI BIAYA TAHAP KONSEPTUAL KONSTRUKSI GEDUNG PERKANTORAN DENGAN MENGGUNAKAN METODE

ARTIFICIAL NEURAL NETWORK

KUESIONER PENELITIAN VALIDASI PAKAR DAN PELAKU KONSTRUKSI

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

LUDYA KESTURI

0806321215

FAKULTAS TEKNIK

DEPARTEMEN TEKNIK SIPIL

2012




LATAR BELAKANG

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

yang kemudian dapat digunakan sebgaai 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 kantor pada tahap estimasi dan mengembangkan model estimasi tersebut, estimator dapat

merencanakan biaya pembangunan gedung kantor yang dibutuhkan. Hal yang dibutuhkan untuk memenuhi tujuan tersebut adalah data-

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

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 perkantoran

khususnya, pada tahap konseptual. Dengan output berupa model berdasarkan Artificial Neural Network tersebut, dapat digunakan di

kemudian hari saat mengestimasi biaya pembangunan konstruksi gedung kantor 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 kantor.

2. Mengembangkan model estimasi biaya tahap konseptual gedung kantor 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 : Ludya Kesturi pada HP : 08561641125 atau e-mail : ludya.kesturi @gmail.com

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,

Ludya Kesturi


mailto:[email protected]






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 kantor.

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

Kantor

Kota Berkaitan dengan akses,

mobilisasi alat, kondisi

site

Yokoyama & Tomiya (1988),


Kim, Choi, & Kang (2005)

X2 Kondisi Tanah cut, fill, cut

& fill,

pembersihan

lahan

Berkaitan dengan

kebutuhan pekerjaan

pengerukan atau

penimbunan lahan

Elhag & Boussabaine (2002)

Faktor Desain

X3 Tipe Pondasi Bore Pile,

Tiang

Pancang,

Mat, Mat

Pile

Berkaitan dengan tipe

pondasi yang digunakan

pada gedung kantor

Kim, Choi, &Kang (2005),

Setyawati, Sahirman,Creese

(2002), Elhag & Boussabaine

(2002)





X4 Luas Total

Gedung Kantor

m2 Total luas keseluruhan

lantai gedung kantor


Anoli & Masi (2002), Setyawati,

Sahirman, Creese (2002)

X5 Jumlah Lapis

Bangunan

numerikal Jumlah tingkat gedung

kantor yang berada di

atas muka tanah

Yokoyama & Tamiya (1988),

Anoli & Masi (2002), Setyawati,

Sahirman, Creese (2002), Kim,

Choi, Kang (2005)

X6 Jumlah Lapis

Bangunan di

Bawah Muka

Tanah

numerikal Jumlah lapis bangunan

yang berada di bawah

muka tanah (basement)

Yokoyama & Tamiya (1988)

X7 Tipe

Superstuktur

beton, baja,

komposit

Jenis superstuktur yang

digunakan pada gedung

kantor


Gould (1997)

X8 Jarak Floor-to-

Floor

meter Jarak antara satu lantai

dengan lantai lain di

atasnya pada gedung

Anoli & Masi (2002), Setyawati &

Sahirman (2002)





X9 Tinggi

Bangunan

meter Tinggi keseluruhan

gedung dari muka tanah

Ferry., Dj (1999), johnson R

(1990), Marshal & Swift (2005)

X10 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)

X11 Tipe Atap Flat (dak

beton),

Wood

Frame, Steel

Frame

Tipe material yang

digunakan untuk atap

gedung

Kim, Choi, Kang (2005)

X12 Finishing

Grade

Rate 1 - 3 Grade dari finishing

berdasarkan indeks

kualitas dari PERMEN PU

No. 45/PRT/2007





Faktor Waktu

X13 Tahun

Pembangunan

Tahun Tahun mulai pembuatan

gedung kantor


X14 Durasi Proyek Bulan Lamanya pembangunan

konstruksi gedung kantor

berlangsung

Kim, Choi, Kang (2005), Elhag

& Boussabaine (2002)




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

COMMAND MATLAB ANN


Lampiran 2: Command MATLAB ANN

L2-1 Universitas Indonesia Estimasi biaya..., Ludya Kesturi, FTUI, 2012

LAMPIRAN 3

RISALAH SIDANG SKRIPSI


Lampiran 3: Risalah Sidang Skripsi



FAKULTAS TEKNIK

PROGRAM STUDI TEKNIK SIPIL

DEPOK

RISALAH PERBAIKAN SIDANG SKRIPSI

Dengan ini menyatakan bahwa pada:

Hari : Jumat, 22 Juni 2012

Jam : 11.00 WIB – selesai

Tempat : Ruang K 105 Telah berlangsung Ujian Sidang Skripsi Semester Genap 2011/2012 Program

Studi Teknik Sipil, Program Pendidikan Sarjana Reguler, Fakultas Teknik

Universitas Indonesia dengan peserta :


NPM : 0806321215

Judul Seminar Skripsi : Estimasi Biaya Tahap Konseptual pada Konstruksi

Gedung

Perkantoran dengan Metode Artificial Neural Network

Dan dinyatakan harus menyelesaikan perbaikan Skripsi yang diminta oleh Dosen

Penguji, yaitu:




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

No Rekomendasi Koreksi yang dilakukan

1 Penjelasan tambahan deskripsi variabel berupa

range, nilai minimum dan maksimum

pada hal. 137

2 Merekam bobot model dan menggunakannya untuk

run model baru

sudah dilakukan

3 Mencoba variasi hidden layer pada model pada hal. 125 - 128

4 Menambahkan rumus matematis model pada hal. 138 -140

Dosen Pembimbing : Prof. DR. Ir. Yusuf Latief, M.T. No Rekomendasi Koreksi yang dilakukan

1 Perbaiki Daftar Isi dan Daftar Lampiran pada hal. vii-ix dan xii 2 Perbaiki Lampiran sudah dilakukan

3 Perbaiki penulisan tabel yang terputus pada hal. 22 & 41

4 Tambahkan pada subbab 2.4 mengenai aplikasi ANN

pada estimasi tahap konseptual gedung kantor pada hal. 55 - 57

5 Skenario Pelatihan dijelaskan Secara Lebih Rinci pada hal 118 - 128

Dosen Penguji : Ir. Setyo Supriadji, M.S.

No Rekomendasi Koreksi yang dilakukan

1 Digambarkan korelasi masing-masing variabel pada

Nilai Kontrak (Sensitivity Analysis)

pada hal. 141-143

2 Pencantuman range agar tahu batas minimum dan

maksimum variabel

pada hal. 137

Dosen Penguji : Rosmarini, S.T.,M.T. No Rekomendasi Koreksi yang dilakukan

1 Ditambahkan penjelasan lebih merinci mengenai proses

permodelan dengan ANN pada hal. 114-118




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 I Dosen Penguji II

Ir. Setyo Supriadji, M.S. Rosmariani, S.T.,M.T.


estimasi biaya tahap konseptual pada …lib.ui.ac.id/file?file=digital/20316102-s43901-estimasi...

Documents