You are on page 1of 8

BAB 2

TINJAUAN PUSTAKA

2.1 Estimasi Durasi Proyek


Durasi proyek merupakan salah satu komponen penting dalam mengelola
proyek konstruksi. Menurut (Nkado, 1992), durasi proyek adalah lamanya suatu
pekerjaan berlangsung. Durasi pekerjaan dihitung sejak pekerjaan tersebut dimulai,
hingga akhir pelaksanaannya. Mengestimasi waktu proyek adalah masalah yang
dihadapi seluruh industri (McCrary et al., 2007 dalam Long D. Nguyen at al., 2013).
Estimasi durasi proyek konstruksi memiliki peran penting dalam fase awal proyek
(Stoy et al., 2007 dalam Long D. Nguyen at al., 2013). Mengestimasi durasi proyek
adalah pekerjaan yang penting tetapi sulit dilakukan. Terdapat faktor-faktor yang
dapat mempengaruhi durasi proyek (Nkado, 1992). Dalam penelitian estimasi durasi
proyek konstruksi di Amerika Serikat (AS) yang telah dianalisis menggunakan
Regresi Model Polinomial dan Jaringan Saraf Tiruan. Berdasarkan analisis yang telah
dilakukan dari 101 proyek konstruksi jalan tol, 4 (empat) faktor yaitu nilai kontrak,
durasi, jenis pekerjaan, dan lokasi, kemudian digunakan sebagai input dari
pengembangan model untuk memperkirakan Kurva-S yang mewakili parameter
polinomial. Untuk pengembangan model, diusulkan menggunakan Jaringan Saraf
Tiruan agar dapat memperlihatkan kemampuan nonlinear yang kompleks. Model
Jaringan Saraf Tiruan ini sebanding dengan model-model statistik dalam hal bentuk
(modelling) dan akurasi pengujian. Hasil menunjukkan bahwa metode ini
memperlihatkan adanya pengurangan kesalahan (error). Hal ini sangat berpotensi
bagi owners dan kontraktor dalam tahap perkiraan perencanaan awal dan pengecekan
jadwal.
Selain itu, terdapat beberapa faktor pengaruh eksternal yang merupakan faktor-
faktor diluar kendali proyek yang dapat mempengaruhi kesuksesan proyek dan juga
durasi proyek konstruksi tersebut. Faktor eksternal yang berpengaruh terhadap proyek
konstruksi antara lain faktor sosial, faktor ekonomi, faktor politik, lingkungan sekitar
proyek, faktor industri dan teknologi.
2.2 Kurva S
13
14

2.2.1 Pengertian Kurva S


Kurva-S merupakan salah satu metode perencanaan pengendalian waktu yang
umumnya digunakan pada suatu proyek. Kurva S merupakan gambaran diagram
persentase kumulatif biaya yang diplot pada suatu sumbu koordinat dimana sumbu X
menyatakan waktu sepanjang masa proyek dan sumbu Y menyatakan nilai persentase
kumulatif biaya selama masa proyek tersebut. Pada diagram kurva S, dapat diketahui
progress pekerjaan yang didasarkan pada volume yang dihasilkan di lapangan.
Menurut Barrie (1995), bentuk kurva S berasal dari pemaduan kemajuan setiap
satuan waktu untuk mendapatkan kemajuan kumulatif yang digunakan dalam
pemanfaatan pekerjaan. Ukuran kemajuan dititikberatkan pada prestasi kerja dan
biaya. Kurva yang berbentuk huruf S tersebut lebih banyak terbentuk karena
kelaziman dalam pelaksanaan proyek yaitu:
Kemajuan pada awal-awalnya bergerak lambat.
Kemudian diikuti oleh kegiatan yang bergerak cepat dalam kurun waktu yang
lebih lama.
Pada akhirnya kegiatan menurun kembali dan berhenti pada suatu titik akhir.

2.2.2 Manfaat Penggunaan Kurva S


Kurva S sangat cocok digunakan sebagai laporan proyek bulanan yang
berlangsung dan kepada pimpinan proyek maupun pimpinan perusahaan karena kurva
ini dapat dengan jelas menunjukkan kemajuan proyek dalam bentuk yang mudah
dipahami. Tujuan penggunaan Kurva S adalah:
Bagi Kontraktor : sebagai dasar untuk membuat tagihan pembayaran kepada
pihak owner.
Bagi Owner : sebagai dasar untuk memantau progress pekerjaan fisik
dilapangan yang selanjutnya sebagai dasar pembayaran ke pihak kontraktor.
Adapun beberapa manfaat lain dari Kurva-S yang dapat diaplikasikan di
proyek, yaitu:
Sebagai alat yang diperlukan untuk membuat EVM (Earned Value Method)
Sebagai alat yang dapat membuat prediksi atau forecast penyelesaian proyek
15

Sebagai alat untuk mereview dan membuat program kerja pelaksanaan proyek
dalam satuan waktu mingguan atau bulanan. Biasanya untuk melakukan
percepatan
Sebagai dasar perhitungan eskalasi proyek
Sebagai alat bantu dalam menghitung cash flow
Untuk mengetahui perkembangan program percepatan
Untuk dasar evaluasi kebijakan manajerial secara makro

2.3 Regresi Model Polinomial


Metode regresi adalah suatu metode statistik untuk menyelidiki dan

memodelkan hubungan antara variabel respon Y dan variabel prediktor X .

Misalnya, diberikan himpunan data {( X i ,Y i )} , i = 1, , n. Secara umum hubungan

antara Y dan X dapat ditulis sebagai berikut:

Y i=m ( X i ) + (2.1)

dengan m(x) adalah suatu fungsi regresi yang belum diketahui dan ingin ditaksir,

dan i adalah suatu variabel acak yang menggambarkan variasi Y di sekitar

m( x) (Hardle, 1990).

Penaksiran fungsi regresi dapat dilakukan dengan dua cara, yaitu secara
parametrik dan nonparametrik. Pada regresi parametrik digunakan bentuk fungsi

parametrik tertentu sebagai m(x) . m( x) digambarkan oleh sejumlah hingga

parameter yang harus ditaksir. Dalam regresi parametrik terdapat beberapa asumsi
mengenai model sehingga diperlukan pengecekan akan terpenuhinya asumsi tersebut.
Contoh bentuk model regresi parametrik dengan satu variabel prediktor:

Model Regresi Linier Sederhana:


16

Y = 0 + 1 X+ (2.2)

model dengan satu variabel prediktor yang hubungannya dengan variabel

respon Y digambarkan oleh sebuah garis lurus.

Model Regresi Polinomial Orde 2 (Model Kuadratik):


2
Y = 0 + 1 X+ 1 X + (2.3)

kurva regresi digambarkan oleh kurva lengkung kuadratik.


Model Polinomial Orde Ke-k:

Y = 0 + 1 X+ 1 X 2 +...+ k X k + (2.4)

Pada model-model regresi tersebut parameter regresi biasanya ditaksir dengan


menggunakan metode least square. Metode least square merupakan salah satu
metode yang paling banyak digunakan untuk menduga parameter-parameter
regresi. Biasanya penduga least square ini diperoleh dengan meminimumkan
jumlah kuadrat residual.
n n
SSR= ^ i = (Y iY^ i )
2 2
(2.5)
i=1 i=1

Pada regresi nonparametrik, fungsi regresi (m(x)) ditaksir tanpa referensi


bentuk kurva tertentu. Cara ini lebih fleksibel karena tidak memerlukan informasi
apa-apa tentang fungsi regresinya, dan m(x) akan mengikuti bentuk data.

2.4 Jaringan Saraf Tiruan


2.4.1 Pengertian Jaringan Saraf Tiruan
Jaringan Saraf Tiruan (Artificial Neural Network), atau juga disebut Simulated
Neural Network, atau umumnya hanya disebut Neural Network adalah jaringan dari
sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf
manusia/jaringan saraf biologis. Jaringan Saraf Tiruan dapat digunakan untuk
memodelkan hubungan yang kompleks antara input dan output untuk menemukan
pola-pola pada data.
17

Jaringan saraf tiruan telah dikembangkan sebagai turunan model matematika


dari kesadaran manusia atau saraf biologis karena berdasar pada asumsi bahwa:
Pemrosesan informasi terjadi pada beberapa elemen sederhana yang disebut
neuron.
Sinyal lewat diantara neuron menciptakan jaringan koneksi.
Setiap koneksi penghubung memiliki bobot yang terhubung, yang dalam
jaringan saraf tertentu mengalikan sinyal yang ditransmisikan.
Setiap neuron mempunyai fungsi aktrivasi (biasanya non linier) pada jaringan
inputnya (jumlah dari bobot sinyal input) untuk menentukan sinyal outputnya.
Karakteristik dari jaringan saraf tiruan adalah :
Pola hubungan antar neuron (yang menjadi arsitekturnya).
Metode penentuan bobot dalam koneksi (disebut sebagai proses latihan,
pembelajaran, atau Algoritma).
Fungsi aktivasi.

2.4.2 Konsep Dasar Jaringan Saraf Tiruan


Setiap pola-pola informasi input dan output yang diberiakan kedalam jaringan
saraf tiruan diproses dalam neuron. Neuron-neuron tersebut terkumpul didalam
lapisan-lapisan yang disebut neuron layers. Lapisan-lapisan penyusun jaringan saraf
tiruan tersebut dapat dibagi menjadi 3, yaitu :
Lapisan input.
Unit-unit di dalam lapisan input disebut unit-unit input. Unit-unit input tersebut
menerima pola inputan data dari luar yang menggambarkan suatu
permasalahan.
Lapisan tersembunyi.
Unit-unit di dalam lapisan tersembunyi disebut unit-unit tersembunyi.
Dimana outputnya tidak dapat secara langsung diamati.
Lapisan output.
Unit-unit di dalam lapisan output disebut unit-unit output. Output dari
lapisan ini merupakan solusi jaringan saraf tiruan terhadap suatu
permasalahan.

2.4.3 Struktur Jaringan Saraf Tiruan


18

Struktur dasar jaringan saraf biologis dan jaringan saraf tiruan dapat dilihat
pada Gambar 2.1

Gambar 2.1 Struktur Dasar Jaringan Saraf Biologis d[an Jaringan Saraf Tiruan
Komponen Jaringan Saraf :
Seperti halnya otak manusia, jaringan saraf juga terdiri dari beberapa neuron
dan ada hubungan antara neuron-neuron tersebut.
Neuron-neuron tersebut akan mentransformasikan informasi yang diterima
melalui sambungan keluarnya menuju ke neuron-neuron yang lain.
Pada jaringan saraf, hubungan ini dikenal dengan nama bobot.
Informasi tersebut disimpan pada nilai tertentu pada bobot tersebut.
Struktur Neuron Jaringan Saraf

Gambar 2.2 Struktur Neuron Jaringan Saraf


Input : x1,x2,x3,xn adalah sinyal yang masuk ke sel saraf
Bobot (weight) : w1,w2,w3,wn adalah faktor bobot yang berhubungan dengan
masing-masing node.
Threshold : Nilai ambang internal dari node, dimana besarnya offset yang
mempengaruhi aktivasi dari output node y.
Fungsi aktivasi : Merupakan operasi matematik yang dikenakan pada sinyal
output y. Ada beberapa fungsi aktivasi yang biasa dipakai dalam Jaringan Saraf
Tiruan tergantung dari masalah yang akan diselesaikan.
19

2.4.4 ARSITEKTUR JARINGAN


Umumnya, neuron-neuron yang terletak pada lapisan yang sama akan memiliki
keadaan yang sama. Faktor terpenting dalam menentukan kelakuan suatu neuron
adalah fungsi aktivasi dan pola bobotnya. Pada setiap lapisan yang sama, neuron-
neuron akan memiliki fungsi aktivasi yang sama.
Apabila neuron-neuron dalam suatu lapisan (misalkan lapisan tersembunyi)
akan dihubungkan dengan neuron-neuron pada lapisan yang lain (misalkan lapisan
output), maka setiap neuron pada lapisan tersebut (misalkan lapisan tersembunyi)
juga harus dihubungkan dengan setiap lapisan pada lapisan lainnya (misalkan lapisan
output).

Ada beberapa arsitektur jaringan saraf, antara lain:


a. Jaringan dengan Lapisan Tunggal (Single Layer Net)
Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot-bobot
terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan
mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. Pada lapisan
input memiliki 3 neuron, yaitu X1, X2 dan X3. Sedangkan pada lapisan output
memiliki 2 neuron yaitu Y1 dan Y2. Neuron-neuron pada kedua lapisan saling
berhubungan. Seberapa besar hubungan antara 2 neuron ditentukan oleh bobot yang
bersesuaian. Semua unit input akan dihubungkan dengan setiap unit output.
b. Jaringan dengan Banyak Lapisan (Multilayer Net)
Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang terletak
diantara lapisan input dan lapisan output (memiliki 1 atau lebih lapisan tersembunyi).
Umumnya, ada lapisan bobot-bobot yang terletak antara 2 lapisan yang bersebelahan.
Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih
sulit daripada lapisan dengan lapisan tunggal, tentu saja dengan pembelajaran yang
lebih rumit. Namun demikian, pada banyak kasus, pembelajaran pada jaringan
dengan banyak lapisan ini lebih sukses dalam menyelesaikan masalah.
c. Jaringan dengan Lapisan Kompetitif (Competitive Layer Net)
Umumnya, hubungan antar neuron pada lapisan kompetitif ini tidak diperlihatkan
20

pada diagram arsitektur.

2.4.5 Cara Kerja Jaringan Saraf Tiruan


Cara kerja jaringan saraf tiruan adalah sebagai berikut:
Informasi (disebut: input) akan dikirim neuron dengan bobot kedatangan
tertentu.
Input ini akan diproses suatu fungsi perambatan yang akan menjumlahkan nilai-
nilai semua bobot yang datang.
Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang
(threshold) tertentu melalui fungsi aktivasi setiap neuron.
Apabila input tersebut melewati suatu nilai ambang tertentu, maka neuron
tersebut akan diaktifkan, tetapi kalau tidak, maka neuron tersebut tidak akan
diaktifkan.
Apabila neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan
output melalui bobot-bobot outputnya ke semua neuron yang berhubungan
dengannya.