Prediksi Kebutuhan dan Harga Material Konstruksi Menggunakan Random Forest Berbasis Web
Keywords:
Random Forest, Machine Learning, Prediksi Harga, Prediksi Kebutuhan, Material KonstruksiAbstract
PT Bagus Jaya Sejahtera (PT BJS) masih mengestimasi kebutuhan dan harga material konstruksi secara convensional, sehingga penyusunan Rencana Anggaran Biaya (RAB) rentan terhadap ketidakakuratan dan keterlambatan. Penelitian ini bertujuan membangun dan mengimplementasikan model prediksi berbasis algoritma Random Forest dengan pendekatan MultiOutputRegressor untuk memprediksi kuantitas dan harga satuan lima jenis material konstruksi bangunan gedung secara bersamaan. Penelitian menggunakan pendekatan kuantitatif dengan studi kasus pada 153 data historis proyek PT BJS periode 2021-2026, dengan 3 proyek tahun 2026 disisihkan sejak awal sebagai data validasi eksternal independen sehingga tersisa 150 data untuk proses pembersihan dan pengayaan. Setelah 30 baris data anomali dihapus, 37 baris data sintetis berbasis SNI 7394:2008 ditambahkan melalui proses pengayaan, dan 4 baris anomali tambahan dihapus pada validasi akhir, diperoleh 153 data latih efektif. Model dievaluasi menggunakan 5-Fold Cross Validation, dibandingkan dengan algoritma SVR dan KNN, dan diuji signifikansinya dengan Wilcoxon Signed-Rank Test. Random Forest memberikan performa terbaik, dengan rata-rata R2=0,77 dan MAPE=15,54% untuk model kebutuhan, serta R2=0,80 dan MAPE=2,20% untuk model harga; uji Wilcoxon Signed-Rank Test mengonfirmasi Random Forest signifikan secara statistik lebih akurat dibandingkan SVR dan KNN khusus pada model kebutuhan (p=0,0312, alpha=0,05). Pada model harga, KNN memperoleh MAPE sedikit lebih rendah (2,02%) dan R2 sedikit lebih tinggi (0,81) dibandingkan Random Forest, namun Random Forest tetap dipertahankan sebagai model final untuk konsistensi arsitektur dan kemampuan interpretasi melalui SHAP. Validasi eksternal terhadap tiga proyek nyata 2026 menghasilkan rata-rata MAPE kebutuhan 11,53% dan MAPE harga 3,07%. Model diimplementasikan ke aplikasi web berbasis Flask yang mempersingkat estimasi RAB dari 3-7 hari kerja konvensional menjadi kurang dari lima menit, dengan seluruh skenario Black Box Testing sesuai spesifikasi.
References
[1] Badan Pusat Statistik (BPS), “construction-indicator--4th-quarter-2025,” Indikator Konstruksi / Construction Indicators, vol. 19, no. 1, pp. xviii–133, Mar. 2025, Accessed: May 06, 2026. [Online]. Available: https://www.bps.go.id/
[2] Q. Liu, P. He, S. Peng, T. Wang, and J. Ma, “A Survey of Data-Driven Construction Materials Price Forecasting,” Oct. 01, 2024, Multidisciplinary Digital Publishing Institute (MDPI). doi: 10.3390/buildings14103156.
[3] P. Shashidhara and B. Agarwal, “Predictive Modelling for Cost Estimation in Construction Projects Using Machine Learning Algorithms MSc Research Project Data Analytics,” 2024.
[4] T. Gebregiorgis Atnafie, “Applying Hybrid Machine Learning for Construction Material Price Prediction and Procurement Cost Optimization,” Journal of Emerging Computer Technologies, vol. 5, no. 1, pp. 47–56, May 2025, doi: 10.57020/ject.1651986.
[5] Kementerian PUPR, “Permen PUPR_6_2021,” Kementerian Pekerjaan Umum dan Perumahan Rakyat Republik Indonesia, no. 266, pp. 1–644, Apr. 2021, Accessed: May 06, 2026. [Online]. Available: https://jdih.pu.go.id/
[6] Z. Zheng, L. Zhou, H. Wu, and L. Zhou, “Construction cost prediction system based on Random Forest optimized by the Bird Swarm Algorithm,” Mathematical Biosciences and Engineering, vol. 20, no. 8, pp. 15044–15074, 2023, doi: 10.3934/mbe.2023674.
[7] S. F. M. Alazawy, M. A. Ahmed, S. H. Raheem, H. Imran, L. F. A. Bernardo, and H. A. S. Pinto, “Explainable Machine Learning to Predict the Construction Cost of Power Plant Based on Random Forest and Shapley Method,” CivilEng, vol. 6, no. 2, Jun. 2025, doi: 10.3390/civileng6020021.
[8] F. Xie and W. Yu, “Logistics Cost Prediction Based on Random Forest Model,” Academic Journal of Computing & Information Science, vol. 7, no. 2, 2024, doi: 10.25236/ajcis.2024.070215.
[9] X. Sha, G. Dong, X. Li, and J. Sheng, “Construction Cost Estimation in Data-Poor Areas Using Grasshopper Optimization Algorithm-Guided Multi-Layer Perceptron and Transfer Learning,” 2024. [Online]. Available: www.ijacsa.thesai.org
[10] A. Subrata and M. Mughnyanti, “PENGGUNAAN MACHINE LEARNING UNTUK ESTIMASI BIAYA DAN WAKTU KONSTRUKSI BANGUNAN GEDUNG,” 2025. [Online]. Available: http://jurnal.goretanpena.com/index.php/JSSR
[11] Dui Puspitasari, Noora Qotrun Nada, and Aris Tri Jaka Harjanta, “Penerapan Algoritma Random Forest Untuk Prediksi Biaya Kontruksi Berbasis Web,” Jurnal Ilmiah ILKOMINFO – Ilmu Komputer & Informatika, vol. 8, no. 2, pp. 314–326, Jun. 2025, doi: 10.47324/ilkominfo.v8i2.385.
[12] E. U. Albab, C. D. Suhendra, and L. F. Marini, “Implementasi Metode Prototype dalam Pengembangan Aplikasi Wondama-Tourism Berbasis Android,” Al Qalam: Jurnal Ilmiah Keagamaan dan Kemasyarakatan, vol. 18, no. 2, p. 1413, Mar. 2024, doi: 10.35931/aq.v18i2.3394.
[13] P. Kustanto, R. Bram Khalil, and A. Noe’man, “Penerapan Metode Prototype dalam Perancangan Media Pembelajaran Interaktif,” Journal of Students‘ Research in Computer Science, vol. 5, no. 1, pp. 83–94, May 2024, doi: 10.31599/6x0dfz47.
[14] A. V. Ponce-Bobadilla, V. Schmitt, C. S. Maier, S. Mensing, and S. Stodtmann, “Practical guide to SHAP analysis: Explaining supervised machine learning model predictions in drug development,” Clin. Transl. Sci., vol. 17, no. 11, Nov. 2024, doi: 10.1111/cts.70056.
[15] H. Heymann, A. D. Kies, M. Frye, R. H. Schmitt, and A. Boza, “Guideline for Deployment of Machine Learning Models for Predictive Quality in Production,” in Procedia CIRP, Elsevier B.V., 2022, pp. 815–820. doi: 10.1016/j.procir.2022.05.068.
