<![CDATA[Abstrak: Estimasi biaya proyek konstruksi sangat penting untuk menjamin efektivitas dan ketepatan perencanaan anggaran, kompleksitas proyek dan banyaknya variabel yang terlibat seringkali menyulitkan perusahaan konstruksi dalam menghasilkan estimasi biaya yang akurat. Tujuan dari penelitian ini adalah menggunakan data historis dan algoritma random forest regression untuk memperkirakan biaya proyek bangunan. Karena kapasitasnya untuk mengelola data yang rumit, meminimalkan overfitting, dan meningkatkan akurasi prediksi, pendekatan random forest dipilih. Model Random Forest digunakan untuk mengumpulkan, membersihkan, dan melatih data proyek sebelum dimasukkan ke dalam sistem informasi daring. Hasil pengujian menunjukkan tingkat akurasi model yang tinggi dalam esti masi biaya, tim proyek dan manajemen dapat mengakses data estimasi dengan cepat dan efektif berkat teknologi ini. Secara keseluruhan, penggunaan algoritma random forest dalam sistem berbasis web menawarkan cara yang fleksibel dan tepat untuk mendukung proses estimasi biaya proyek konstruksi.Kata kunci: Konstruksi, Machine Learning, Prediksi, Proyek, Random ForestAbstract: Construction project cost estimation is crucial to ensure the effectiveness and accuracy of budget planning. Project complexity and the numerous variables involved often make it difficult for construction companies to produce accurate cost estimates. The purpose of this study is to use historical data and the random forest regression algorithm to estimate the cost of a building project. Due to its capacity to handle complex data, minimize overfitting, and improve prediction accuracy, the random forest approach was chosen. The random forest model was used to collect, clean, and train project data before being input into an online information system. Test results demonstrated a high level of model accuracy in cost estimation, and project teams and management were able to access the estimated data quickly and effectively thanks to this technology. Overall, the use of the random forest algorithm in a web-based system offers a flexible and appropriate way to support the cost estimation process of construction projectsKeywords: Construction, Machine Learning, Prediction, Project, Random Forest.]]>
