Perpustakaan Digital ITB

Estimasi biaya pemeliharaan bangunan gedung secara konvensional seringkali tidak akurat karena pendekatannya yang bersifat reaktif dan tidak berbasis pada analisis data historis, sehingga menyebabkan proses penganggaran menjadi tidak tepat sasaran. Penelitian ini bertujuan untuk menguji potensi penggunaan machine learning dengan metode Artificial Neural Network (ANN) sebagai alat bantu estimasi yang lebih andal, serta mengidentifikasi komponen pekerjaan yang berpengaruh signifikan terhadap total biaya. Menggunakan studi kasus pada Gedung CIBE ITB dengan data biaya historis dari tahun 2019 hingga 2024 , penelitian ini menerapkan metode Cost Significant Items (CSI) untuk menyeleksi fitur input yang paling dominan secara finansial, yang kemudian divalidasi lebih lanjut dengan uji statistik. Model prediksi dikembangkan menggunakan arsitektur ANN jenis feedforward network dengan konfigurasi 8-6-1 , yang memanfaatkan data historis dengan jeda waktu 2 tahun ke belakang. Untuk memastikan hasil yang optimal dan dapat direplikasi, dilakukan optimasi melalui pencarian random seed terbaik. Hasil analisis statistik menunjukkan bahwa komponen Pekerjaan Lift adalah faktor yang memiliki pengaruh paling signifikan secara statistik terhadap total biaya pemeliharaan (p < 0.05). Sementara itu, hasil pemodelan ANN menunjukkan performa yang sangat tinggi, dengan tingkat akurasi pada data uji mencapai Mean Absolute Percentage Error (MAPE) sebesar 0.029%. Temuan ini secara kuat mengindikasikan bahwa penerapan ANN memiliki potensi besar untuk mentransformasi praktik penganggaran pemeliharaan dari yang reaktif menjadi lebih proaktif, akurat, dan berbasis data.