PERAN PEJABAT PEMBUAT KOMITMEN SEBAGAI PENGENDALI FUNGSI DALAM PEMBANGUNAN LANJUTAN LABORATORIUM B2P2TOOT TAWANGMANGU

Muchamad Taufiq Anwar, Lucky Heriyanto, Fadhla Fanini

Abstract


Pembangunan gudang logistik Polres Lamongan, sebagai salah satu elemen infrastruktur publik, perlu dilakukan pengawasan dengan tingkat efisiensi yang tinggi untuk mendukung kebutuhan operasional kepolisian. Beberapa masalah operasional telah muncul yang menghambat penyelesaian tepat waktu. Salah satu masalah utama yang dihadapi adalah keterlambatan dalam pengiriman material yang sangat mempengaruhi kelancaran pekerjaan. Penelitian ini bertujuan untuk menganalisis faktor-faktor yang mempengaruhi keterlambatan dalam proyek pembangunan Gudang Logistik Polres Lamongan, dengan fokus pada peran kontraktor, supplier, konsultan, dan pemilik proyek. Melalui pendekatan kuantitatif, penelitian ini mengidentifikasi faktor-faktor internal dan eksternal yang dapat menyebabkan keterlambatan proyek konstruksi. Metode yang digunakan dalam penelitian ini meliputi analisis regresi linier berganda untuk menentukan hubungan antara variabel independen (lingkungan kerja, keterlambatan material, peralatan, tenaga kerja, dan perubahan desain) dengan keterlambatan pelaksanaan pekerjaan.

Hasil penelitian menunjukkan bahwa faktor tenaga kerja memiliki pengaruh terbesar terhadap keterlambatan proyek, dengan nilai beta 0,455, diikuti oleh perubahan desain yang memiliki pengaruh positif meskipun kecil. Sementara itu, faktor lingkungan kerja, keterlambatan material, dan peralatan tidak menunjukkan pengaruh signifikan. Untuk mengatasi keterlambatan, penelitian ini merekomendasikan perbaikan dalam koordinasi antar pihak terkait, manajemen sumber daya yang lebih baik, dan perencanaan yang lebih matang. Penelitian ini memberikan wawasan yang penting untuk meningkatkan pengelolaan proyek konstruksi dan mencegah keterlambatan yang tidak terduga pada proyek-proyek serupa di masa depan.



Keywords


model prediksi putus studi; dropout; data mining C4.5; J48

Full Text:

PDF

References


K. Bonneau, “Brief 3: What is a dropout,†North Carolina Educ. Res. Data Center, Cent. Child Fam. Policy. Retrieved Novemb., vol. 30, p. 2011, 2006.

R. S. J. D. Baker and K. Yacef, “The state of educational data mining in 2009: A review and future visions,†JEDM| J. Educ. Data Min., vol. 1, no. 1, pp. 3–17, 2009.

M. Kumar, A. J. Singh, and D. Handa, “Literature survey on educational dropout prediction,†Int. J. Educ. Manag. Eng., vol. 7, no. 2, p. 8, 2017.

V. Hegde and P. P. Prageeth, “Higher education student dropout prediction and analysis through educational data mining,†in 2018 2nd International Conference on Inventive Systems and Control (ICISC), 2018, pp. 694–699.

M. Alban and D. Mauricio, “Predicting university dropout through data mining: A Systematic Literature,†Indian J. Sci. Technol., vol. 12, no. 4, pp. 1–12, 2019.

N. Mduma, K. Kalegele, and D. Machuve, “A survey of machine learning approaches and techniques for student dropout prediction,†2019.

A. Joshi, B. Kamble, V. Joshi, K. Kajale, and N. Dhange, “Weather forecasting and climate changing using data mining application,†Int. J. Adv. Res. Comput. Commun. Eng., vol. 4, no. 3, pp. 19–21, 2015.

F. Sheikh, S. Karthick, D. Malathi, J. S. Sudarsan, and C. Arun, “Analysis of data mining techniques for weather prediction,†Indian J. Sci. Technol., vol. 9, no. 38, 2016.

M. T. Anwar, W. Hadikurniawati, E. Winarno, and W. Widiyatmoko, “Performance Comparison of Data Mining Techniques for Rain Prediction Models in Indonesia,†in 2020 3rd International Seminar on Research of Information Technology and Intelligent Systems (ISRITI), 2020, pp. 83–88.

M. T. Anwar, S. Nugrohadi, V. Tantriyati, and V. A. Windarni, “Rain Prediction Using Rule-Based Machine Learning Approach,†Adv. Sustain. Sci. Eng. Technol., vol. 2, no. 1, 2020.

W. Hadikurniawati, M. T. Anwar, D. Marlina, and H. Kusumo, “Predicting tuberculosis drug resistance using machine learning based on DNA sequencing data,†in Journal of Physics: Conference Series, 2021, vol. 1869, no. 1, p. 12093.

J. Quinlan, C4. 5: programs for machine learning. 2014.

M. Hall, E. Frank, G. Holmes, B. Pfahringer, P. Reutemann, and I. H. Witten, “The WEKA data mining software: an update,†ACM SIGKDD Explor. Newsl., vol. 11, no. 1, pp. 10–18, 2009.

P. Nevlud, M. Bures, L. Kapicak, and J. Zdralek, “Anomaly-based network intrusion detection methods,†Adv. Electr. Electron. Eng., vol. 11, no. 6, pp. 468–474, 2013.

M. T. Anwar, H. D. Pumomo, S. Y. J. Prasetyo, and K. D. Hartomo, “Decision Tree Learning Approach To Wildfire Modeling on Peat and Non-Peat Land in Riau Province,†in 2018 International Conference on Advanced Computer Science and Information Systems (ICACSIS), 2018, pp. 409–415.

R. S. Kumar and C. Ramesh, “A study on prediction of rainfall using datamining technique,†in 2016 International Conference on Inventive Computation Technologies (ICICT), 2016, vol. 3, pp. 1–9.

R. L. S. do Nascimento, R. B. das Neves Junior, M. A. de Almeida Neto, and R. A. de Araújo Fagundes, “Educational data mining: An application of regressors in predicting school dropout,†in International Conference on Machine Learning and Data Mining in Pattern Recognition, 2018, pp. 246–257.




DOI: https://doi.org/10.26877/jiu.v7i1.8023

Refbacks

  • There are currently no refbacks.


Copyright (c) 2021 Muchamad Taufiq Anwar