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

Muchamad Taufiq Anwar, Wiwien Hadikurniawati, Edy Winarno, Aji Supriyanto

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.



Full Text:

PDF

References


Han, H., & Shu, X. (2017). A Self-Adjusting Approach to Identify Hotspots. International Review for Spatial Planning and Sustainable Development, 5(2), 104-112.

Price, O., Borah, R., Bradstock, R., & Penman, T. (2015). An empirical wildfire risk analysis: the probability of a fire spreading to the urban interface in Sydney, Australia. International Journal of Wildland Fire, 24(5), 597-606.

Ager, A. A., Preisler, H. K., Arca, B., Spano, D., & Salis, M. (2014). Wildfire risk estimation in the Mediterranean area. Environmetrics, 25(6), 384-396.

Lall, S., & Mathibela, B. (2016, December). The application of artificial neural networks for wildfire risk prediction. In 2016 International Conference on Robotics and Automation for Humanitarian Applications (RAHA) (pp. 1-6). IEEE.

Farahmand, A., Reager, J. T., Behrangi, A., Stavros, E. N., & Randerson, J. T. (2017, December). Using NASA Satellite Observations to Map Wildfire Risk in the United States for Allocation of Fire Management Resources. In AGU Fall Meeting Abstracts.

Nami, M. H., Jaafari, A., Fallah, M., & Nabiuni, S. (2018). Spatial prediction of wildfire probability in the Hyrcanian ecoregion using evidential belief function model and GIS. International journal of environmental science and technology, 15(2), 373-384.

Guo, F., Su, Z., Wang, G., Sun, L., Lin, F., & Liu, A. (2016). Wildfire ignition in the forests of southeast China: Identifying drivers and spatial distribution to predict wildfire likelihood. Applied Geography, 66, 12-21.

Mitri, G., Jazi, M., & McWethy, D. (2015). Assessment of wildfire risk in Lebanon using geographic object-based image analysis. Photogrammetric Engineering & Remote Sensing, 81(6), 499-506.

Amalina, P., Prasetyo, L. B., & Rushayati, S. B. (2016). Forest Fire Vulnerability Mapping in Way Kambas National Park. Procedia Environmental Sciences, 33, 239-252.

Nisa, K. K., Andrianto, H. A., & Mardhiyyah, R. (2014, October). Hotspot clustering using DBSCAN algorithm and shiny web framework. In 2014 International Conference on Advanced Computer Science and Information System (pp. 129-132). IEEE.

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.

Anselin, L. (1995). Local indicators of spatial association—LISA. Geographical analysis, 27(2), 93-115.

Getis, A., & ORD, J. (1992). The analysis of spatial association by use of distance statistics Geographical Analysis 24 (3): 189–206.

Griffith, D., & Chun, Y. (2016). Spatial autocorrelation and uncertainty associated with remotely-sensed data. Remote Sensing, 8(7), 535.

Chou, Y. H., Minnich, R. A., Salazar, L. A., Power, J. D., & Dezzani, R. J. (1990). Spatial autocorrelation of wildfire distribution in the Idyllwild quadrangle, San Jacinto Mountain, California. Photogrammetric Engineering and Remote Sensing, 56(11), 1507-1513.

Koutsias, N., Allgöwer, B., & Conedera, M. (2002, November). What is common in wildland fire occurrence in Greece and Switzerland?–Statistics to study fire occurrence pattern. In Proceedings of the 4th International Conference on Forest Fire Research (pp. 18-23).

Portier, J., Gauthier, S., Robitaille, A., & Bergeron, Y. (2018). Accounting for spatial autocorrelation improves the estimation of climate, physical environment and vegetation’s effects on boreal forest’s burn rates. Landscape ecology, 33(1), 19-34.

Ester, M., Kriegel, H. P., Sander, J., & Xu, X. (1996, August). A density-based algorithm for discovering clusters in large spatial databases with noise. In Kdd (Vol. 96, No. 34, pp. 226-231).

Vijayalaksmi, S., & Punithavalli, M. (2012). A fast approach to clustering datasets using dbscan and pruning algorithms. International Journal of Computer Applications, 60(14).

Pavlis, M., Dolega, L., & Singleton, A. (2018). A Modified DBSCAN Clustering Method to Estimate Retail Center Extent. Geographical Analysis, 50(2), 141-161.

Yuan, Z., & Li, H. (2016, June). Location recommendation algorithm based on temporal and geographical similarity in location-based social networks. In 2016 12th World Congress on Intelligent Control and Automation (WCICA) (pp. 1697-1702). IEEE.

Trifonov, G. M., Zhizhin, M. N., Melnikov, D. V., & Poyda, A. A. (2017). VIIRS Nightfire Remote Sensing Volcanoes. Procedia computer science, 119, 307-314.

Schubert, E., Sander, J., Ester, M., Kriegel, H. P., & Xu, X. (2017). DBSCAN revisited, revisited: why and how you should (still) use DBSCAN. ACM Transactions on Database Systems (TODS), 42(3), 19.

Berg, M. D., Cheong, O., Kreveld, M. V., & Overmars, M. (2008). Computational geometry: algorithms and applications. Springer-Verlag TELOS.

Calkin, D. E., Cohen, J. D., Finney, M. A., & Thompson, M. P. (2014). How risk management can prevent future wildfire disasters in the wildland-urban interface. Proceedings of the National Academy of Sciences, 111(2), 746-751.




DOI: https://doi.org/10.26877/asset.v1i1.4876

Refbacks

  • There are currently no refbacks.