Estimasi biaya konstruksi merupakan komponen fundamental dalam
perencanaan proyek publik, terutama di negara berkembang yang menghadapi
keterbatasan data, fluktuasi harga material, serta variasi geografis yang tinggi.
Penelitian ini mengembangkan metode prediksi anggaran proyek konstruksi
bangunan pemerintah di Timor-Leste menggunakan Artificial Neural Network
(ANN). Data penelitian terdiri dari 161 proyek yang dilaksanakan pada periode
2021–2024, mencakup lima jenis bangunan publik: Escola Básica Filial (EBF),
Escola Pré-Escolar (EPE), Escola Secundária Geral (ESG), Health Post, dan
Doctor’s Residence. Variabel input yang digunakan mencakup jenis bangunan (X1),
lokasi distrik (X2), jarak (X3), luas bangunan (X4), tahun pelaksanaan (X5),
proporsi biaya struktural (X6), dan proporsi biaya arsitektural (X7). Seluruh
variabel kategorial dikodekan menggunakan label encoding, sementara variabel
numerik dinormalisasi dengan metode min–max scaling. ANN dibangun
menggunakan arsitektur 7-10-1 dengan fungsi aktivasi log-sigmoid pada hidden
layer dan purelin pada output layer, dilatih menggunakan algoritma Levenberg–
Marquardt. Hasil evaluasi menunjukkan kinerja yang sangat baik dengan nilai R²
sebesar 0.95, Mean Absolute Percentage Error (MAPE) sebesar 5.76%, dan Root
Mean Square Error (RMSE) sebesar USD 2,027.60. Analisis sensitivitas
menunjukkan bahwa variabel luas bangunan, jarak, dan tahun pelaksanaan
merupakan faktor yang paling berpengaruh terhadap prediksi biaya. Hasil
penelitian membuktikan bahwa ANN mampu menangkap pola non-linear dan
kompleks dalam sistem biaya konstruksi dengan akurasi yang lebih tinggi v
dibandingkan metode konvensional seperti analogous estimation dan multiple
regression analysis. Metode ini kemudian diimplementasikan ke dalam aplikasi
berbasis GUI MATLAB untuk memudahkan penggunaan praktis. Penelitian ini
memberikan kontribusi teoretis dan praktis bagi pengembangan metode estimasi
biaya berbasis kecerdasan buatan, serta dapat dijadikan alat bantu pengambilan
keputusan dalam penyusunan anggaran proyek pemerintah di Timor-Leste. Namun, masih memiliki keterbatasan pada ketersediaan data, variabel yang belum mencakup kondisi lapangan secara penuh, serta kebutuhan retraining ANN secara
berkala. Rekomendasi diberikan untuk pengembangan metode masa depan,
termasuk penambahan variabel aksesibilitas, integrasi dengan GIS, penggunaan data harga secara real-time, dan pengembangan arsitektur jaringan yang lebih kompleks.