ESTIMASI BIAYA PROYEK MICROTUNNELING, BERDASARKAN KETIDAK PASTIAN KONDISI TANAH DAN MESIN, MENGGUNAKAN HIBRID HMM-NEURAL NETWORK-MCMC Mughniyah Ludiansari 1, 2, , Tri Joko Wahyu Adi 2 1
2
Jurusan Teknik Sipil, Institut Teknologi Sepuluh Nopember, Surabaya-Indonesia Department of Construction Engineering, National Taiwan University of Science and Technology (NTUST), Taipei Taiwan Alamat: Jl. Citandui No. 32 Randu Agung, Gresik, Jawa Timur, Indonesia. Tel: 081-331-165-125 atau 0897-0879-458 Email:
[email protected] atau
[email protected]
Abstrak—ketidak pastian (uncertainty) dapat mempengaruhi perkiraan biaya proyek. Untuk itu, informasi ketidakpastian harus diatur sedemikian rupa sehingga dapat menghasilkan estimasi biaya yang optimum. Pada makalah ini dipresentasikan metoda untuk mengestimasi biaya proyek microtunneling, menggunakan kombinasi Hidden Markov Model (HMM), Neural Network dan Simulasi Montecarlo. HMM digunakan untuk memprediksi ketidakpastian kondisi tanah sepanjang jalur microtunnel; sedangkan simulasi Monte Carlo (MCMC) digunakan untuk men-generasi daya dorong (thrust) mesin bor berdasarkan kondisi tanah yang dihasilkan oleh HMM. Output kedua metoda ini kemudian di jadikan input bagi neural network untuk memprediksi produktivitas mesin bor (Rate of penetration) yang selanjutnya digunakan untuk mengkalkulasi durasi dan biaya proyek. Metoda ini kemudian diimplementasikan pada proyek instalasi pipa drainase di Zhong-He, Taipei, Taiwan sebagai studi kasus. Hasilnya menunjukkan bahwa metoda ini memberikan prediksi estimasi biaya yang baik, dan dapat digunakan oleh pengambil keputusan untuk mereduksi resiko. Kata Kunci: Microtunneling, Estimasi Biaya, Ketidak pastian, Neural Network, Hidden Markov Model,
I. PENDAHULUAN Microtunneling adalah salah satu teknologi pengeboran (trenchless technology) untuk instalasi maupun rehabilitasi sambungan pipa bawah tanah. Di Taiwan, metoda microtunneling sudah diterapkan secara luas untuk membangun gravity pipelines, termasuk sewer pipelines, drainage pipelines dan beberapa pressure pipelines dengan diameter yang cukup bervariasi. Banyak manfaat yang dapat diambil dari penggunaan microtunneling, diantaranya juga termasuk mereduksi gangguan pada aktivitas yang berlangsung di atas permukaan tanah, sehingga tidak menghambat lingkungan dan kehidupan sosial masyarakat. Selain itu, teknologi ini dapat digunakan pada jenis tanah yang berbeda-beda, dengan jangkauan diameter pipa yang cukup besar (sampai dengan 1200mm) serta cakupan panjang pengeboran yang cukup jauh. Namun demikian, beberapa resiko masih mungkin untuk terjadi, seperti perubahan kondisi tanah yang tidak dapat diperkirakan dan juga hambatan-hambatan lain (natural maupun
Seminar Nasional Aplikasi Teknologi Prasarana Wilayah
artificial) yang tidak dapat diketahui. Ketidakpastian kondisi tanah inilah yang berpeluang menjadi kendala utama pada semua teknologi pengeboran tanah. Dibandingkan dengan metode open-cut, metode pengeboran ini (trenchless methods) membutuhkan detail data-data geoteknik yang lebih signifikan dan akurat di dalam area proyek sebelum konstruksi tersebut dimulai.[1]. Tantangan yang paling utama pada proyek pembuatan tunnel (baik pipa maupun terowongan) adalah mengurangi masalah yang berkaitan dengan ketidakpastian kondisi geologi; Namun, masalah tersebut dapat diatasi dengan menyediakan profil geologi yang akurat [2]. Akan tetapi pengaruh dan kesulitan yang dihadapi pada proyek Microtunneling tidak berhenti sampai disitu saja, karena kinerja mesin pun berbeda-beda saat menghadapi kondisi tanah tertentu. Bahkan, pada perubahan kondisi tanah yang ekstrim dapat menyebabkan kegagalan pada proses konstruksi. Penelitian [3] juga menunjukkan bahwa ada hubungan antara kinerja mesin dengan kondisi geologi. Ketidak seragaman respon tersebut digambarkan di dalam grafik hubungan antara daya dorong (Thrust) dan laju penetrasi (Rate of Penetration) (lihat gambar 1a). Semua ketidakpastian yang diuraikan diatas, secara langsung dapat mempengaruhi lama durasi maupun biaya proyek. Oleh karena itu, dalam makalah ini, diusulkan sebuah metoda estimasi biaya yang mempertimbangkan ketidak-pastian kondisi geologi dan produktivitas mesin. II. STUDI PUSTAKA Estimasi biaya adalah salah satu faktor penting pada fase perencanaan dan produksi suatu produk [4]. Penelitian menunjukkan bahwa potensi terbesar dalam pengurangan biaya ada pada fase perencanaan, dimana sebanyak 80% dari total biaya diputuskan pada fase tersebut. Secara umum, perhitungan biaya dapat diklasifikasikan sebagai pra-perhitungan (precalculation), perhitungan intermediate (intermediate calculations) dan pasca perhitungan (post-calculations)
C-1
[5]. Pra-perhitungan melibatkan perkiraan biaya dari biaya di masa depan sebelum produksi terkini, untuk menunjang pengambilan keputusan berdasarkan biaya. Sedangkan perhitungan intermediate dibuat dengan tujuan untuk mengontrol selama proses pembuatan produk. Sementara pasca perhitungan sudah termasuk didalamnya metode akutansi biaya untuk mencari tahu biaya actual sebagai dasar pra-perhitungan di proyek mendatang [6] [7]. Dikarenakan sebagian besar lifecycle cost didefinisikan selama tahap desain. Banyak ketertarikan untuk meneliti biaya pada tahap desain [8], dan untuk menambah keuntungan melalui pendekatan teknis [9],[10],[11],[12]. Hal tersebut membantu kita dalam mengidentifikasi lebih awal faktor-faktor apa saja yang sensitif tehadap biaya pembuatan (bahan, peralatan dan perlengkapan, proses) yang sewaktu-waktu berubah karena keputusan yang diambil yang dipengaruhi oleh waktu. Neural Network (NN) yang telah banyak diterapkan untuk estimasi biaya maupun untuk estimasi lainnya mengambil konsep kecerdasan buatan. Banyak peneliti mengeksplor aplikasi dari NN untuk meningkatkan tingkat akurasi dari estimasi biaya melampaui batasbatas dari model regresi pada estimasi biaya. Penelitianpenelitian terdahulu telah membuktikan bahwa neural networks lebih baik dibandingkan dengan model regresi biasa untuk estimasi biaya. Pada penelitian [13] telah diuji performa, stabilitas, dan celah dari permodelan estimasi biaya dengan menggunakan model regresi yang kemudian dibandingkan dengan hasil dari NN untuk membangun Hubungan Estimasi Biaya (Cost Estimation Relationships). Secara sistematis, penelitian mereka mencari ukuran set data, cacat set data dalam bentuk white noise dan sampling bias, serta efek dari komitmen model pada regresi. Pertukaran (trade-off) dengan menggunakan NN untuk estimasi biaya dengan variasi pada simulasi lingkungan telah diteliti untuk menguji akibat praktek pada bias/variance. Hasil dari penelitian tersebut menunjukkan bahwa NN sangat bermanfaat dalam menangani data yang tidak mengikuti batas bawah permintaan dari bentuk polynomial biasa, atau data dengan informasi terdahulu dengan jumlah terbatas untuk dapat membentuk suatu hubungan estimasi biaya yang layak untuk dipilih model-model regresinya. Pada makalah ini akan dibahas metode untuk melakukan estimasi biaya dengan menggunakan Neural Network, dengan input ketidakpastian kondisi geologi dan ketidakpastian daya dorong mesin (thrust).
III. METODOLOGI Diagram berikut ini merupakan gambaran keseluruhan proses estimasi biaya yang diusulkan dalam makalah ini.
(b) (c)
(a)
Gambar 1. Metodologi Penelitian (a) Fase training (b) Fase Prediksi (c) Fase Estimasi biaya
2.1. Fase Training Sebelum digunakan untuk melakukan prediksi, terlebih dahulu Neural Network di training dengan menggunakan data dari penelitian [3] (lihat gambar 1a). Data training didapat dari beberapa proyek microtunneling di Taiwan, yang telah diklasifikasi untuk masing-masing kondisi geologi seperti: pasir, lempung, kerikil dan batu. 2.2. Fase Prediksi Setelah hasil training terbaik NN diperoleh dan disimpan, maka tahap selanjutnya adalah melanjutkan fase prediksi. Sebagaimana telah disebutkan pada fase training, bahwa input untuk Neural Network terdiri atas kondisi geologi dan daya dorong. Hasil prediksi kondisi geologi diperoleh dari penelitian [2] dengan menggunakan Hidden Markov Model. Sedangkan untuk memperoleh nilai daya dorong (thrust), digunakan metode sampling Markov Chain Monte Carlo (MCMC) pada mesin yang direncanakan untuk dipakai pada proyek (lihat Tabel 2). Sebagai tahap akhir dari fase prediksi, Neural Network digunakan untuk mendapatkan output prediksi laju penetrasi (RoP) mesin yang nantinya akan digunakan untuk keperluan estimasi biaya.
2.3. Fase Estimasi Biaya Tujuan dari penelitian ini adalah untuk mencari estimasi biaya pada proyek microtunneling. Maka, tahapan selanjutnya adalah melakukan perhitungan
C-2
ISBN :978-979-18342-3-0
untuk mengkalkulasi berapa besar biaya yang dibutuhkan saat menggunakan salah satu dari 2 mesin yang direncanakan untuk dipakai: yaitu mesin type B750 dan type B-250. Untuk menghitung estimasi biaya, terlebih dahulu dilakukan perhitungan perkiraan durasi dengan menggunakan PDF (probability distribution function) dari laju penetrasi (RoP) yang di-generasi menggunakan Neural Network. Adapun durasi (jam) didapat dengan menggunakan rumus dibawah ini: durasi =
l 0.06 × RoP
(1)
Dimana: l adalah panjang dari masing-masing segmen tanah (m) sepanjang jalur pengeboran dan RoP adalah distribusi laju penetrasi (m/jam) yang didapatkan dengan menggunakan NN. Sebagai catatan, perkiraan durasi tersebut hanya berdasarkan lama proses pengeboran dengan mengabaikan proses penyambungan pipa dan pekerjaan pendukung lainnya seperti pembuatan shaft, penggantian mata bor dan sebagainya. Setelah perkiraan durasi didapatkan, langkah selanjutnya adalah menghitung distribusi biaya menggunakan rumus dibawah ini: M Biaya = c × durasi
(2)
Dimana: Mbiaya adalah biaya total mesin dan c adalah biaya sewa per jam (NT$/jam) untuk masingmasing mesin. Hasil dari keseluruhan penelitian ini akan ditampilkan menggunakan tabel pada seksi berikutnya.
Tabel 1. Tabel Prediksi geologi menggunakan Neural-Hidden Markov Model No
Kode Segmen
Jarak Kumulatif (m)
Probabilitas Pasir
Probabilitas Lempung
1
Pb059
0
0.9
0.1
2
Pb058
28.3
0.971
0.029
3
Pb057
48.9
0.987
0.013
4
Pb056
74
0.987
0.013
5
Pb055
98
0.991
0.009
6
Pb054
122.5
0.454
0.546
7
Pb053
144.8
0.089
0.911
8
Pb052
170
0.01
0.99
9
Pb051
192.8
0.009
0.991
10
Pb004
227.6
0.003
0.997
11
Pb003
315.4
0.53
0.47
12
Pb002
379.7
0.885
0.115
13
Pb001
408
0.27
0.73
Sebagaimana terlihat pada Tabel diatas, kondisi geologi pada proyek di Zhong-He didominasi oleh jenis tanah pasir dan lempung. Sehingga, untuk men-training Neural Network harus digunakan data Thrust dan RoP pada tanah berpasir dan berlempung. Table 3 memperlihatkan contoh data hubungan Thrust dan RoP (yang telah dinormalisasi) pada tanah pasir dari hasil penelitian [3]:
IV.IMPLEMENTASI MODEL DAN PEMBAHASAN Untuk mengimplementasikan metode yang diusulkan, proyek pipa drainase di Zhong-He Taipei, Taiwan digunakan sebagai studi kasus. Input data, proses dan hasil akhir dari model akan dipresentasikan pada seksi 4.1 dan 4.2. berikut ini. 4.1. Input Data. Sebagaimana telah disebutkan sebelumnya bahwa yang dipakai untuk input dalam melakukan prediksi adalah kondisi geologi dan daya dorong. Dengan menggunakan metoda Hibrid Neural-HMM pada penelitian [2], diperoleh hasil prediksi kondisi geologi seperti terlihat pada Table 1 berikut ini:
Seminar Nasional Aplikasi Teknologi Prasarana Wilayah
Gambar 2. Hubungan Daya Dorong (Thrust) dan Laju Penetrasi (Rate of Penetration) Pada Tanah Pasir.
Selanjutnya MCMC digunakan untuk mensampling jenis tanah (berdasarkan probabilitas jenis tanah pada Tabel 1) dan daya dorong (berdasarkan type mesin pada Tabel 2). Kedua input ini kemudian digunakan sebagai input NN untuk memprediksi laju penetrasi mesin bor pada setiap segmen tunnel.
C-3
Tabel 4. Tabel Hasil Perhitungan Durasi dari Mesin Type B-750 dan Type B-250
Tabel 2. Tabel Distribusi daya dorong Mesin Microtunnelling Tipe Mesin
B-750
B-250
Maximum Thrust Pasir: 125 Ton Lempung: 112.5 Ton Pasir: 137.5 Ton Lempung: 125 Ton
µ of Thrust (0.8 Max) Pasir: 100 Ton Lempung: 90 Ton Pasir: 110 Ton Lempung: 100 Ton
σ of Thrust Pasir: 5 ton Lempung : 13 ton Pasir: 7.5 ton Lempung: 14 ton
Prediksi laju penetrasi (RoP) yang dihasilkan oleh NN pada langkah sebelumnya kemudian digunakan untuk menghitung durasi dan biaya seperti yang telah disebutkan pada rumus (1) dan (2). Adapun contoh hasil dari perhitungan tersebut disajikan melalui tabel 3 dibawah ini: Tabel 3. Tabel Hasil Perhitungan Biaya dari Mesin B750
1
…
13
Sub Segmen
Jenis Tanah
Daya dorong Thrust
RoP (m/h)
Dur (h)
1
Pasir
102.94
2.4
3.0
1
Pasir
102.62
2.4
3.0
1
Pasir
104.33
2.4
3.0
2
Lempung
95.17
1.47
4.7
…
…
…
…
…
1
Pasir
100.3
2.4
2.6
1
Pasir
100.23
2.39
2.6
1
Pasir
100.47
2.4
2.6
1
Pasir
101.04
2.4
2.6
TOTAL
Tot. Dur (h)
Total Cost (*1000 NT$/h)
13.7
20,470
…
…
10.5
15,715
244
489.534
Catatan: Tabel 3 merupakan contoh hasil simulasi 1 iterasi dari 1000 iterasi yang dilakukan.
Langkah yang sama diaplikasikan pada mesin type B-250. Sehingga hasil prediksi berupa rata-rata, standard deviasi, biaya maximum dan minimum per segmen, total biaya dan total durasi dari kedua tipe mesin tersebut. Seperti yang terlihat pada tabel 4 dibawah ini:
C-4
Max (h)
Min (h)
Mean (h)
St. Deviasi
Expected Tot.time (hrs)
B-750
60.58
8.58
18.83
14.37
18.788
B-250
61.96
8.84
19.43
14.86
19.027
Tabel 5. Tabel Hasil Perhitungan Biaya dari Mesin Type B-750 dan Type B-250
4.2. Hasil Penelitian
No. Segmen
Machine Type
Machine Type
Max (NT$)
Min (NT$)
Mean (NT$)
St. Deviasi
Expected total cost (NT$)
B-750
120,35
17,16
37,65
28,74
38.,43
B-250
108,42
15,46
34,00
26,00
34,58
Dari hasil diatas, kita dapat menghitung bahwa selisih biaya yang dikeluarkan dari segi pemilihan mesin saja sekitar 10% dengan perbedaan waktu sekitar 3%. Jadi dengan memilih mesin yang tepat, kita dapat menghemat durasi sekitar 3% dengan toleransi biaya sekitar 10%. Keputusan dapat diambil oleh seorang pengambil keputusan dengan memperhatikan detail kontrak mengenai batas waktu proyek dan penalti yang diberlakukan ketika proyek terlambat. Dengan melihat hasil tersebut diatas, kita dapat mengetahui bahwa mesin dengan tipe B-250 menghasilkan estimasi biaya yang lebih rendah daripada tipe B-750. Akan tetapi resiko yang dihadapi adalah, durasi pengerjaan dari mesin tipe ini lebih lama daripada tipe B-750. Disini, trade-off antara durasi dan biaya perlu dilakukan. Sehingga pengambil keputusan dalam proyek dapat menyeimbangkan antara keuntungan dari segi waktu dan biaya. V.KESIMPULAN DAN SARAN Ketidakpastian kondisi tanah dan mesin merupakan kendala utama dalam estimasi biaya proyek microtunneling. Dengan menggunakan kombinasi Hidden Markov Model, Neural Network dan simulasi Monte Carlo, ketidakpastian tersebut dapat direduksi. Output akhir dari metoda ini juga dapat digunakan oleh pengambil keputusan dalam menseleksi mesin yang paling optimal untuk digunakan dalam proses konstruksi.
ISBN :978-979-18342-3-0
Pada penelitian berikutnya, sebaiknya faktor probabilitas kegagalan mesin perlu dimasukkan kedalam model, agar ekspektasi ”biaya tak terduga” yang ditimbulkan dari kegagalan mesin dapat diperhitungkan sebagai biaya kontingensi. Dengan demikian estimasi biaya menjadi lebih realistis DAFTAR PUSTAKA [1]. Chung, T.H., Abraham, D.M., et al, 2004, “Decision Support System for Microtunneling Applications”, Journal of Construction Engineering and Management 130 (6), p.835843. [2]. Leu, S.S., Adi, T.J.W., 2011, “Probabilistic Prediction of Tunnel Geology Using a Hybrid Neural-HMM”, Engineering Applications of Artificial Intelligence, 24, p.658-665. [3]. Yang, Z.X., Chen. L-H., 2010, ”A Study of Tunnel Penetration to The Soil (Rock)Machine Interaction and Cuttability Indices Under Pipe Jacking”, Master thesis, Civil Engineering department, National Taipei University of Technology, 130p. [4]. Duran, O., Rodriguez, N., Consalter, L.A., 2009, “Neural Networks for Cost Estimation of Shell and Tube Heat Exchangers”, Expert Systems with Applications-An International Journal, 36, p.7435-7440. [5]. Layer, A., Brine, E.T., Van Houten, F., Kals, H., Haasis, S., 2002. Recent and Future trends in cost estimation. International Journal of Computer Integrated Manufacturing 15(6), p.499-510.
Seminar Nasional Aplikasi Teknologi Prasarana Wilayah
[6]. Dewhurst, P., Boothroyd, G., 1989. “Early Cost Estimating in Product Design”, Journal of Manufacturing Systems, 183-191. [7]. Geiger, T. S., Dilts, D.M., 1996. ”Automated Design-to-cost: Integrating costing into the Design Decisions. Computer Aided Design 28, p.423-438. [8]. French, M.J., 1990. “Function-Costing: A Potential Aid to Designers”, Journal of Engineering Design 1(1), p.47-53. [9]. Creese, R. C., Moore, L.T., 1990. “Cost Modelling for Concurrent Engineering”, Cost Engineering 32(6), p.23-27. [10]. Elgh, F., Cederfeldt, M., 2007. “Concurrent Cost Estimation as a Tool for Enhanced Productivity Studies”, International Journal of Production Economics 109, p.12-26. [11]. Noble, J.S., Tanchoco, J.M.A., 1990, “Concurrent Design and Economics Justification in Developing a Product”, International Journal of Production Research 28(1), p.1225-1238. [12]. Oh, C.J., Park, C.S., 1993. “An Economic Evaluation Model for Product Design Decisions Under Concurrent Engineering”, The Engineering Economist 38(4), p.275-296. [13]. Mason, A.K., Smith, A.E., 1997, “Cost Estimation Predictive Modelling: Regression vs Neural Network”, The Engineering Economist 42(2), p.137-162.
C-5
Halaman ini sengaja dikosongkan
C-6
ISBN :978-979-18342-3-0
