Model Klasifikasi Persepsi Kebutuhan Penyesuaian AHSP pada Proyek Infrastruktur Skala Kecil Berbasis Machine Learning

Andi Subhan Nur; Muh. Ryan Pratama; Afrinaldy Andara; Ainun Jariah Hilal Anshary; Akbar Indrawan Saudi; Ellyni Dwi Fortuna; Michail Amin; Syamsul Fahri; Muh. Miftahulkhair

doi:10.56211/blendsains.v5i2.2095

Authors

Andi Subhan Nur Universitas Sulawesi Barat
Muh. Ryan Pratama Universitas Sulawesi Barat
Afrinaldy Andara Universitas Sulawesi Barat
Ainun Jariah Hilal Anshary Universitas Sulawesi Barat
Akbar Indrawan Saudi Universitas Sulawesi Barat
Ellyni Dwi Fortuna Universitas Sulawesi Barat
Michail Amin Universitas Sulawesi Barat
Syamsul Fahri Universitas Sulawesi Barat
Muh. Miftahulkhair Universitas Sulawesi Barat

DOI:

https://doi.org/10.56211/blendsains.v5i2.2095

Keywords:

AHSP; Biaya Konstruksi; Infrastruktur Skala Kecil; Machine Learning; Penyesuaian Lokal

Abstract

Analisis Harga Satuan Pekerjaan (AHSP) merupakan dasar penting dalam penyusunan biaya konstruksi, sementara proyek infrastruktur skala kecil dapat berlangsung pada kondisi akses, topografi, logistik material, tenaga kerja, metode pelaksanaan, dan peralatan yang beragam. Penelitian ini bertujuan menganalisis persepsi kebutuhan penyesuaian AHSP berdasarkan kondisi lokal proyek serta mengeksplorasi pemanfaatan machine learning sebagai alat screening awal. Sebanyak 83 respons kuesioner dianalisis menggunakan Q2–Q17 sebagai prediktor dan Q28 sebagai target klasifikasi tiga kelas. Data dibagi secara stratified menjadi 58 data latih dan 25 data uji. Representasi fitur kompak menghasilkan 56 fitur dengan rasio p/n 0,966. Logistic Regression, Decision Tree, dan Random Forest dibandingkan menggunakan repeated stratified 5-fold cross-validation sebanyak 10 pengulangan. Cronbach’s alpha Q22–Q27 sebesar 0,8649. Distribusi target terdiri atas kelas Tinggi 50 responden (60,24%), Sedang 22 (26,51%), dan Rendah 11 (13,25%). Decision Tree memperoleh rerata F1-makro tertinggi pada cross-validation sebesar 0,3661 ± 0,1252, sedangkan pada data uji Logistic Regression menghasilkan F1-makro tertinggi 0,5349 dan balanced accuracy 0,5460. Random Forest memperoleh akurasi tertinggi 0,6800. Q17 memiliki permutation importance tertinggi, sedangkan Q4 menunjukkan sinyal prediktif paling konsisten. Pasangan batu, rabat beton, dan galian tanah menjadi tiga prioritas awal observasi. Model diposisikan sebagai screening eksploratif, bukan dasar langsung penetapan koefisien AHSP lokal.

Downloads

Download data is not yet available.

References

[1] Kementerian Pekerjaan Umum Republik Indonesia, “Surat Edaran Direktur Jenderal Bina Konstruksi Nomor 47/SE/Dk/2026 tentang Tata Cara Penyusunan Perkiraan Biaya Pekerjaan Konstruksi Bidang Pekerjaan Umum, Lampiran I, II, dan VI,” 2026.

[2] Kementerian Pekerjaan Umum dan Perumahan Rakyat Republik Indonesia, “Peraturan Menteri Pekerjaan Umum dan Perumahan Rakyat Republik Indonesia Nomor 8 Tahun 2023 tentang Pedoman Penyusunan Perkiraan Biaya Pekerjaan Konstruksi Bidang Pekerjaan Umum dan Perumahan Rakyat,” 2023.

[3] Western Federal Lands Highway Division, “Estimating Handbook. U.S. Department of Transportation, Federal Highway Administration,” Dec. 2025.

[4] P. K. Mudita, I. K. Sudarsana, and M. Nadiasa, “Analisis Faktor-Faktor yang Mempengaruhi Waktu Tunggu Pengadaan Material Konstruksi pada Proyek Gedung di Kabupaten Badung,” Jurnal Spektran, vol. 4, no. 2, pp. 18–26, Jul. 2016, doi: 10.24843/SPEKTRAN.2016.v04.i02.p03.

[5] A. H. Nawir, A. K. Hadi, and S. Bachmid, “Optimasi Biaya Pengadaan Material Pekerjaan Gedung Puskesmas di Kabupaten Pohuwato Provinsi Gorontalo,” Jurnal Konstruksi: Teknik, Infrastruktur dan Sains, vol. 1, no. 3, pp. 22–30, Mar. 2022.

[6] F. Jian, Q. Liu, C. Feng, Q. Hu, Q. Yu, and Q. Guo, “Critical Factors Affecting Construction Labor Productivity: A Systematic Review and Meta-Analysis,” Buildings, vol. 15, no. 14, Jul. 2025, doi: 10.3390/buildings15142463.

[7] F. Elza and W. Hatmoko, “Analisis Faktor Penyebab Keterlambatan pada Proyek Konstruksi Pembangunan Tebing Sungai di Kota Sungai Penuh,” Jurnal Talenta Sipil, vol. 9, no. 1, pp. 64-72, Feb. 2026, doi: 10.33087/talentasipil.v9i1.1071.

[8] M. Yazid, Y. P. W. Prasetyo, and Sunarko, “Identifikasi dan Analisis Faktor Dominan Penyebab Keterlambatan Proyek Konstruksi di Kecamatan Songgon, Banyuwangi,” Sultra Civil Engineering Journal, vol. 6, no. 2, pp. 545–552, Oct. 2025, doi: 10.54297/sciej.v6i2.1234.

[9] M. Koo and S. W. Yang, “Likert-Type Scale,” Encyclopedia, vol. 5, no. 1, art. no. 18, Feb. 2025, doi: 10.3390/encyclopedia5010018.

[10] I. Kusmaryono, D. Wijayanti, and H. R. Maharani, “Number of Response Options, Reliability, Validity, and Potential Bias in the Use of the Likert Scale Education and Social Science Research: A Literature Review,” International Journal of Educational Methodology, vol. 8, no. 4, pp. 625–637, 2022, doi: 10.12973/ijem.8.4.625.

[11] M. Tavakol and R. Dennick, “Making sense of Cronbach’s alpha,” International Journal of Medical Education, vol. 2, pp. 53–55, Jun. 2011, doi: 10.5116/ijme.4dfb.8dfd.

[12] S. Tayefeh Hashemi, O. M. Ebadati, and H. Kaur, “Cost estimation and prediction in construction projects: a systematic review on machine learning techniques,” SN Applied Sciences, vol. 2, art. no. 1703, 2020, doi: 10.1007/s42452-020-03497-1.

[13] L. Chen, S. S. Tiang, K. S. Chong, A. Sharma, T. Berghout, and W. H. Lim, “Predicting Construction Costs with Machine Learning: A Comparative Study on Ensemble and Linear Models,” Journal of Electronics, Electromedical Engineering, and Medical Informatics, vol. 7, no. 3, pp. 624–645, Jul. 2025, doi: 10.35882/jeeemi.v7i3.799.

[14] L. Chen et al., “Transparent and reliable construction cost prediction using advanced machine learning and explainable AI,” Engineering Science and Technology, an International Journal, vol. 70, pp. 1–27, Oct. 2025, doi: 10.1016/j.jestch.2025.102159.

[15] A. Subrata, Parman, and M. Mughnyanti, “Penggunaan Machine Learning untuk Estimasi Biaya dan Waktu Konstruksi Bangunan Gedung,” Journal of Science and Social Research, vol. 8, no. 3, pp. 3791–3795, Aug. 2025, doi: 10.54314/jssr.v8i3.3322.