PREDIKSI HARGA MATERIAL KONSTRUKSI DI INDONESIA DENGAN MENGGUNAKAN LEAST SQUARES SUPPORT VECTOR MACHINE
DOI:
https://doi.org/10.9744/duts.10.1.104-119Keywords:
Prediksi harga material konstruksi, makroekonomi, harga komoditas, least squares support vector machineAbstract
Prediksi harga material konstruksi menjadi salah satu metode untuk membantu perkembangan dunia konstruksi di Indonesia. Sebanyak 85% dari total biaya konstruksi merupakan biaya material, sedangkan sisanya untuk alat dan tenaga kerja. Material konstruksi sering kali berkaitan dengan harga makroekonomi maupun harga komoditas baik secara nasional maupun internasional. Prediksi dilakukan menggunakan Least Squares Support Vector Machine (LS-SVM) dengan variabel input berupa data makroekonomi dan komoditas, serta variabel output berupa data Indeks Harga Perdangan Besar di Indonesia. Hasil penerapan LS-SVM kedalam prediksi harga material menunjukkan hasil dengan nilai error yang rendah. Prediksi material semen menunjukkan nilai Mean Absolute Percentage Error sebesar 0.624% hingga 0.962%, sedangkan untuk material logam besi baja sebesar 0.676% hingga 0.853%. Korelasi dari material semen dan besi beton juga menunjukkan hasil yang baik yaitu 0.981 hingga 0.996 untuk kedua variabel tersebut. Secara keseluruhan, metode LS-SVM diusulkan dalam penelitian ini karena menghasilkan hasil prediksi yang baik dan akurat.
References
Akram, Q. F. (2009). Commodity prices, interest rates and the dollar. Energy Economics, 31(6), 838–851. https://doi.org/10.1016/j.eneco.2009.05.016
Ayu, E. S. (2017). Faktor penyebab peningkatan biaya material pada pelaksanaan proyek konstruksi di Sumatera Barat. Jurnal Rekayasa, 07, No. 02, 89–99.
Barro, R. J. (1998). Macroeconomics. MIT Press.
Elfahham, Y. (2019). Estimation and prediction of construction cost index using neural networks, time series, and regression. Alexandria Engineering Journal, 58(2), 499–506. https://doi.org/10.1016/j.aej.2019.05.002
Fahrika, Ika & Roy, Juliansyah. (2020). Dampak pandemi covid 19 terhadap perkembangan makro ekonomi di indonesia dan respon kebijakan yang ditempuh. INOVASI. 16(2). 206-213. 10.29264/jinv.v16i2.8255.
Fischer, S. (1991). Growth, macroeconomics, and development. https://doi.org/10.3386/w3702
Halim, C., Maximilian M.S.D, Proboyo, B., & Santoso, I. (2015). Proporsi komponen biaya harga bahan, upah, dan alat pada proyek konstruksi bangunan tinggi.
Iribaram, F. W., & Huda, M. (2018). Analisa resiko biaya dan waktu konstruksi pada proyek pembangunan apartemen Biz Square Rungkut Surabaya. Jurnal Rekayasa Dan Manajemen Konstruksi, 6, No. 3, 141–154.
Marzouk, M., & Amin, A. (2013). Predicting construction materials prices using fuzzy logic and neural networks. Journal of Construction Engineering and Management, 139(9), 1190–1198. https://doi.org/10.1061/(asce)co.1943-7862.0000707
Mitchell, B., Wray, L. R., & Watts, M. (2019). How To Think And Do Macroeconomics. In Macroeconomics (pp. 18–37). Red Globe Press.
Mir, M., Kabir, H. M. D., Nasirzadeh, F., & Khosravi, A. (2021). Neural network-based interval forecasting of construction material prices. Journal of Building Engineering, 39, 102288. https://doi.org/10.1016/j.jobe.2021.102288
Pandi, Velumani & Nampoothiri, Nvn. (2018). Predicting India's cement price: A comparison of regression analysis, trend analysis, and artificial neural network. International Journal of Civil Engineering and Technology, 9, 1907-1915.
Parzen, E. (1961). An approach to time series analysis. The Annals of Mathematical Statistics, 32(4), 951–989. https://doi.org/10.1214/aoms/1177704840
Schmieg, E. (1993). Factors influencing price developments of commodities. Intereconomics, 28(3), 138–143. https://doi.org/10.1007/bf02928118
Shiha, A., Dorra, E. M., & Nassar, K. (2020). Neural networks model for prediction of construction material prices in Egypt using macroeconomic indicators. Journal of Construction Engineering and Management, 146(3). https://doi.org/10.1061/(asce)co.1943-7862.0001785
Suykens J.A.K., Vandewalle J. (1999), Least squares support vector machine classiers, Neural Processing Letters, Vol.9, No.3, pp.293-300.
Suykens, J. A. K., Lukas, L., & Vandewalle, J. (2002). Basic methods of least squares support vector machines. Least Squares Support Vector Machines, 71–116. https://doi.org/10.1142/9789812776655_0003
