Penelitian ini bertujuan untuk mengembangkan sistem prediksi harga satuan dan estimasi biaya proyek jalan berbasis web menggunakan model Artificial Neural Network (ANN) dengan arsitektur Multilayer Perceptron (MLP) dan algoritma backpropagation untuk menghasilkan hasil prediksi berupa harga satuan dan estimasi total biaya. Model dilatih dengan data historis harga satuan empat jenis pekerjaan jalan—Lapis Pondasi Agregat, Pelaburan Keras, Aggregat Penutup Burda, dan Latasir Manual—dari tahun 2017 hingga 2024. Data diproses melalui tahapan cleaning, transformasi ke long format, encoding, dan normalisasi. Proses pelatihan menggunakan 300 epoch dengan batch size 32 dan validasi 20% dari data pelatihan. Hasil evaluasi menunjukkan performa model yang sangat baik dengan nilai Mean Squared Error (MSE) sebesar 598.031.344,79, Mean Absolute Error (MAE) sebesar 12.923,91, Mean Absolute Percentage Error (MAPE) sebesar 24,68%, serta koefisien determinasi (R²) sebesar 0,9818. Hasil penelitian berupa grafik Scatter plot dan histogram distribusi prediksi juga menunjukkan kedekatan yang konsisten antara nilai aktual dan prediksi. Dengan performa tersebut, model ANN terbukti mampu melakukan prediksi harga satuan yang akurat. Sistem ini kemudian diimplementasikan dalam bentuk aplikasi web menggunakan Streamlit, yang memungkinkan pengguna untuk memasukkan parameter (tahun, dimensi jalan, dan PPN) kemudian memperoleh hasil prediksi harga satuan serta estimasi total biaya proyek secara otomatis sehingga dapat digunakan untuk membantu pengambilan keputusan dalam perencanaan anggaran proyek konstruksi jalan.

Kata kunci : ANN, Prediksi, Evaluai, Estimasi, Streamlit