Pengaruh Variasi Hidden Layer Terhadap Nilai MAPE Pada Pengembangan Model Estimasi Biaya Menggunakan Artificial Neural Network

Abstract

Pekerjaan peningkatan jalan menjadi suatu kebutuhan yang tidak dapat dielakkan guna mendapatkan infrastruktur transportasi yang lebih handal. Dukungan perencanaan anggaran dan estimasi biaya yang baik oleh karenanya harus dilakukan. Model persamaan prediksi anggaran dan biaya dengan Artificial Neural Network (ANN) menjadi alternatif solusinya. ANN menuntut rancangan arsitektur jaringan yang tepat guna memperoleh model dengan tingkat akurasi yang tinggi. Penelitian ini bertujuan mengetahui jumlah efektif neuron dalam hidden layer yang memberikan hasil model persamaan ANN dengan tingkat akurasi tinggi dengan nilai Mean Absolute Percentage Error (MAPE) kecil. Pengembangan model didasarkan pada 33 data pekerjaan peningkatan jalan aspal di Provinsi Daerah Istimewa Yogyakarta dari tahun 2010 sampai dengan tahun 2021. Delapan belas variabel proyek yang berpengaruh signifikan terhadap total biaya pekerjaan digunakan sebagai data input model ANN dan dianalisis dengan berbagai variasi data model dan validator. Hasil penelitian menunjukkan bahwa variasi jumlah neuron dalam hidden layer menghasilkan nilai MAPE dengan pola tidak beraturan yang mana tingkat akurasi sangat dipengaruhi oleh data input dan validator. Namun demikian secara umum model dengan jumlah neuron dalam hidden layer 11/­3 kali lipat dari jumlah variabel input menjanjikan hasil akurasi paling tinggi.