<![CDATA[Estimasi Rencana Anggaran Biaya (RAB) yang akurat merupakan elemen krusial dalam keberhasilan proyek konstruksi infrastruktur telekomunikasi. Metode dalam menentukan harga satuan pada dokumen Bill of Quantities (BOQ) seringkali tidak efisien dan rentan terhadap penaksir subjektivitas. Tantangan utama dalam otomatisasi estimasi ini adalah karakteristik data BOQ yang didominasi oleh fitur kategorikal (teks) dengan kardinalitas tinggi. Penelitian ini mengusulkan penerapan algoritma Machine Learning CatBoost (Categorical Boosting) untuk memprediksi harga satuan pekerjaan. Penelitian mengikuti alur sistematis mulai dari pengumpulan data historis, pra-pemrosesan data menggunakan transformasi logaritma, hingga pelatihan model. Hasil eksperimen menunjukkan bahwa CatBoost mampu menangani fitur kategorikal secara efektif. Evaluasi model menghasilkan nilai Coefisien Determinasi ( R 2 ) sebesar 97,66% dan Mean Absolute Error ( MAE ) sebesar Rp 13.289, yang lebih unggul dibandingkan algoritma pembanding XGBoost ( R 2 96,82%). Manual validasi menunjukkan rasio kesalahan prediksi hanya 0,05 dari total nilai proyek, menunjukkan bahwa model ini layak diterapkan untuk meningkatkan efisiensi dan akurasi komputasi RAB.]]>
Copyrights © 2026
