<![CDATA[Abstrak: Cost and time estimation of building construction projects often face challenges due to the complexity of influencing variables, such as material type, architectural design, geographical conditions, and labor productivity. This study implements a machine learning algorithm to improve the accuracy of cost and project duration estimation by utilizing historical construction project datasets. The methodology used includes data preprocessing, feature selection, and model training using the Random Forest Regressor algorithm and Artificial Neural Network (ANN). The dataset consists of 500 building projects in Indonesia with attributes such as floor area, number of floors, type of structure, location, contract value, and completion time. The evaluation results show that Random Forest has better performance than ANN on both estimation targets. For cost estimation, Random Forest produces MAE of 2,283.68 million rupiah and MAPE of 62.31%, while ANN has MAE of 2,944.58 million rupiah and MAPE of 65.04%. In the project completion time estimation, Random Forest recorded MAE of 153.36 days and MAPE of 59.89%, while ANN produced MAE of 245.76 days and MAPE of 77.12% for time estimation. This study proves that machine learning can be used effectively to support more accurate and efficient construction project planning. Kata kunci: Construction Cost Estimation, Project Duration Estimation, Machine Learning, Random Forest, Artificial Neural Network, Building Construction Projects.Abstract: Estimasi biaya dan waktu proyek konstruksi bangunan gedung sering kali menghadapi tantangan karena kompleksitas variabel yang mempengaruhi, seperti jenis material, desain arsitektural, kondisi geografis, serta produktivitas tenaga kerja. Penelitian ini mengimplementasikan algoritma machine learning untuk meningkatkan akurasi estimasi biaya dan durasi proyek dengan memanfaatkan dataset historis proyek konstruksi. Metodologi yang digunakan meliputi praproses data, seleksi fitur, dan pelatihan model menggunakan algoritma Random Forest Regressor dan Artificial Neural Network (ANN). Dataset terdiri dari 500 proyek bangunan gedung di Indonesia dengan atribut seperti luas lantai, jumlah lantai, jenis struktur, lokasi, nilai kontrak, serta waktu penyelesaian. Hasil evaluasi menunjukkan bahwa Random Forest memiliki performa lebih baik dibandingkan ANN pada kedua target estimasi. Untuk estimasi biaya, Random Forest menghasilkan MAE sebesar 2.283,68 juta rupiah dan MAPE 62,31%, sedangkan ANN memiliki MAE sebesar 2.944,58 juta rupiah dan MAPE 65,04%. Pada estimasi waktu penyelesaian proyek, Random Forest mencatat MAE sebesar 153,36 hari dan MAPE 59,89%, sedangkan ANN menghasilkan MAE sebesar 245,76 hari dan MAPE 77,12% untuk estimasi waktu. Studi ini membuktikan bahwa machine learning dapat digunakan secara efektif untuk mendukung perencanaan proyek konstruksi yang lebih akurat dan efisien. Keywords: Estimasi Biaya Konstruksi, Estimasi Durasi Proyek, Machine Learning, Random Forest, Artificial Neural Network, Proyek Bangunan Gedung. ]]>
