Hasil Pencarian  ::  Simpan CSV :: Kembali

"Estimasi biaya proyek dengan akurasi yang tinggi pada tahap konseptual sangat penting dalam tahap perencanaan suatu proyek. Tetapi pada aplikasinya estimasi tahap ini ditemui beberapa kendala dalam melakukannya seperti keterbatasan definisi ruang lingkup dan kendala pada informasi yang tersedia. Pada penelitian ini akan dijelaskan pembuatan suatu model estimasi baru menggunakan metode Case-Based Reasoning (CBR) digabungkan dengan metode Genetic Algorithm (GA). GA digunakan untuk mengoptimasi proses retrieve pada metode CBR. Data yang digunakan untuk pembuatan model ini adalah data 55 Rusunawa di Indonesia untuk menunjukkan keuntungan dari metode yang digunakan. Rata-rata error yang dihasilkan dari model ini adalah sebesar 2,966%.

---

Project cost estimating with high accuracy in the conceptual phase of project development is essential for planning. But in its application, this estimation stage encountered some difficulties in doing such limited scope definition and constraints on available information. This research will be explained the creation of a new estimation model using the Case-Based Reasoning (CBR) method combined with Genetic algorithm (GA). GA is used to optimize the process of retrieving the CBR method. The data used for this modeling is the data of 55 low-cost apartment in Indonesia to demonstrate the advantages of the method used. The average error resulting from this model is 2,966%."

"Estimasi biaya konseptual merupakan hal yang fundamental dalam suatu proyek konstruksi. Estimasi ini menentukan kelayakan, evaluasi desain dan pendanaan proyek. Namun, kurangnya informasi dan gambar desain yang belum lengkap pada tahapan konseptual, membuat estimasi ini sulit untuk dilakukan. Penelitian ini mencoba membuat suatu permodelan estimasi biaya konseptual pada proyek rusunawa dengan mengintegrasikan metode Case-based reasoning (CBR) dan Analytical Hierarchy Process (AHP). Penelitian ini menggunakan 55 data historis proyek rusunawa yang tersebar di 19 kota di Indonesia pada tahun 2008 sampai 2011. Hasill penelitian ini menunjukkan bahwa metode CBR-AHP dapat menghasilkan permodelan estimasi biaya konseptual yang memiliki keakurasian yang baik dengan tingkat error rata-rata sebesar 2,88% dan dapat digunakan untuk mengestimasi biaya proyek rusunawa di masa mendatang.

---

Conceptual cost estimation plays an important role in the construction projects. This estimation will determine the project‟s feasibility, design evaluation and preliminary budget for a projects. However, due to the lack of information and incomplete construction drawings during the conceptual phase, the cost estimation becomes difficult task to do. This research aims to develop a conceptual cost estimation modeling in the low-cost housing projects using integrated method of Case-based reasoning (CBR) and Analytical Hierarchy Process (AHP). This study is conducted using 55 low-cost housing projects in 19 cities throughout Indonesia in year 2008 to 2011. The result shows CBR-AHP method can produce accurate model result with average testing error rates of 2,88% which can be used to predict low-cost housing projects cost later on."

"Tujuan dari estimasi biaya konseptual adalah untuk memberikan estimasi kasar untuk memandu pengambilan keputusan dan penganggaran proyek. Metode yang umum digunakan adalah metode elemen tetapi masih mengacu pada estimator yang berpengalaman dan memakan waktu. Penelitian ini menyajikan model dengan menggunakan regresi, jaringan syaraf tiruan atau yang lebih dikenal dengan neural network dan kombinasi antara regresi dan neural network. Pada era sekarang ini bangunan hijau sudah umum digunakan sebagai persyaratan, oleh karena itu penelitian ini menggunakan 22 data proyek yang terdiri dari 13 gedung bertingkat konvensional dan 9 gedung bertingkat hijau. Terdapat 8 variabel yang digunakan dalam pemodelan. Hasil penelitian menunjukkan bahwa kombinasi regresi dan neural network memiliki MAPE terbaik sebesar 15,09% untuk gabungan data bangunan gedung konvensional dan hijau, 1,12% untuk pemisahan data bangunan konvensional, dan 1,32% untuk pemisahan data bangunan gedung hijau. Artinya, konvergenitas data dapat menghasilkan MAPE yang jauh lebih baik

---

The purpose of conceptual cost estimation is to provide a rough estimate to guide decision making and budgeting for the project. method that is commonly used is elemental method but it still refer to experienced estimator and time consuming. This paper presents a model using regression, artificial neural network well also known as neural network and combination between regression and neural network. In this era green building is commonly used as a requirement, thus we use 22 project data consisting of 13 conventional highrise building and 9 highrise green building. 8 variables are used in the modelling. The findings indicate that the integration of regression and neural networks demonstrates optimal performance in terms of MAPE, with a maximum of 15.09% for the combined dataset of conventional and green buildings, 1.12% for the separation of conventional building data, and 1.32% for the separation of green building data. This observation underscores the efficacy of data convergence in achieving significantly enhanced MAPE performance."

"Akurasi estimasi biaya konstruksi proyek jalan dalam tahap konseptual merupakan hal penting dalam proses perencanaan, pemrograman serta rencana studi kelayakan. Kesulitan-kesulitan yang muncul dalam menghitung estimasi biaya konstruksi dalam tahap konseptual diantaranya kekurangan sejumlah informasi awal, kekurangan basis data dari biaya pelaksanaan pekerjaan jalan, data-data yang hilang, metode perkiraan biaya yang tepat, dan sejumlah ketidakpastian. Biaya-biaya yang timbul dalam pengelolaan konstruksi jalan merupakan sesuatu yang 'noisy', yang diakibatkan oleh faktor-faktor yang tidak dapat diprediksi seperti judgement, fluktuasi harga pasar secara acak, dan kondisi cuaca. Artificial Neural Network (ANN) merupakan salah satu cabang dari Artificial Intelligence yang berguna dalam hal memecahkan masalah dengan meniru cara kerja otak manusia. Penelitian akan mengeksplorasi penggunaan teknik ANN dalam memodelkan estimasi biaya konseptual proyek konstruksi jalan. Pelatihan serta evaluasi kinerja untuk tiap model yang dibuat dilakukan dengan teknik heuristik dan trial error untuk mencari model yang tepat dan efisien dalam memprediksi estimasi biaya dari suatu pekerjaan konstruksi jalan dalam tahap konseptual. Model estimasi biaya berbasis ANN kemudian dikembangkan ke dalam suatu sistem prototype yang mampu mengestimasi biaya konseptual konstruksi jalan dengan akurat. Hasil estimasi dari sistem prototype menunjukan rata-rata kesalahan sebesar 11.44% untuk seluruh data pelatihan dan pengujian, dengan tingkat generalisasi prediksi lebih baik dibandingkan dengan keluaran Matlab.

---

Accuracy in conceptual cost estimation of highway construction is important to plan, program, and assess the feasibility of project. The difficulties arise in cost estimation as follow: lack of initial information and database of construction, lost of data, incompatible method of estimation, and uncertainties. Cost function in highway construction are very noisy caused by many unpredictable factors i.e. judgement, market price fluctuation randomly and weather condition.

Artificial Neural Network (ANN) is a branch of Artificial Intelligence which is very useful in problem solving by mimics the human brain function. This research explores the use of ANN to develop the model of conceptual cost estimation in highway construction. Training and performance evaluation have been performed by heuristic and trial-error to find the fit and proper model in cost prediction of conceptual stage.

Cost estimation model base ANN technique is developed into prototype system that could estimate the conceptual cost of highway construction accurately. Estimation result of prototype system shows average error reach 11.44% for all training and testing data where generalization of prototype system output is better than Matlab."