EUVIMEDEUVIMED entdecken
Open Access · CC BY-SA 4.0

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

Blend Sains Jurnal Teknik · 31.10.2026 · 5 (2) · 697-707

DOI: 10.56211/blendsains.v5i2.2095 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Blend Sains Jurnal Teknik, online erschienen am 31.10.2026. Verfasst von Andi Subhan Nur und 8 weiteren Autor:innen. Die Arbeit nennt 15 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY-SA 4.0).

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

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.

Zitieren

APA

Nur, A. S., Pratama, M. R., Andara, A., Anshary, A. J. H., Saudi, A. I., Fortuna, E. D., Amin, M., Fahri, S., & Miftahulkhair, M. (2026). Model Klasifikasi Persepsi Kebutuhan Penyesuaian AHSP pada Proyek Infrastruktur Skala Kecil Berbasis Machine Learning. Blend Sains Jurnal Teknik, 5(2), 697-707. https://doi.org/10.56211/blendsains.v5i2.2095

Vancouver

Nur AS, Pratama MR, Andara A, Anshary AJH, Saudi AI, Fortuna ED, et al. Model Klasifikasi Persepsi Kebutuhan Penyesuaian AHSP pada Proyek Infrastruktur Skala Kecil Berbasis Machine Learning. Blend Sains Jurnal Teknik. 2026;5(2):697-707. doi:10.56211/blendsains.v5i2.2095

BibTeX
@article{Nur2026,
  author = {Nur, Andi Subhan and Pratama, Muh. Ryan and Andara, Afrinaldy and Anshary, Ainun Jariah Hilal and Saudi, Akbar Indrawan and Fortuna, Ellyni Dwi and Amin, Michail and Fahri, Syamsul and Miftahulkhair, Muh.},
  title = {Model Klasifikasi Persepsi Kebutuhan Penyesuaian AHSP pada Proyek Infrastruktur Skala Kecil Berbasis Machine Learning},
  journal = {Blend Sains Jurnal Teknik},
  year = {2026},
  volume = {5},
  number = {2},
  pages = {697--707},
  doi = {10.56211/blendsains.v5i2.2095}
}
Kostenlos starten →