Prediksi Pencapaian Target Kerja Untuk Optimasi Manajemen Proyek Menggunakan Metode Long Short Term Memory dan Random Forest

Abstract

Dalam era digitalisasi, pengelolaan SDM dalam proyek TI menghadapi tantangan signifikan, yaitu memperkirakan kebutuhan mandays secara akurat. Ketidaktepatan estimasi ini menyebabkan alokasi SDM menjadi tidak optimal, menimbulkan dua kondisi krusial yaitu under allocation dan over allocation. Kondisi tersebut berdampak pada pemborosan anggaran, keterlambatan penyelesaian proyek, serta penurunan produktivitas yang akhirnya menghambat pencapaian target kerja. Permasalahan serupa tidak hanya terjadi pada sektor TI, tetapi juga pada industri lain seperti konstruksi dan manufaktur, karena proses estimasi umumnya masih dilakukan secara manual dan belum didukung sistem prediktif berbasis data historis. Penelitian ini mengusulkan model prediktif berbasis kombinasi metode LSTM dan Random Forest dengan pendekatan Error Reciprocal, yaitu pemberian bobot lebih besar pada model dengan tingkat kesalahan prediksi (MAE) yang lebih rendah. Prediksi mandays dilakukan berdasarkan faktor-faktor proyek meliputi jenis proyek, status, durasi, jumlah SDM, dan nilai proyek. LSTM digunakan untuk mengenali pola temporal pada data historis proyek, sedangkan Random Forest untuk menangani hubungan non-linear dan menghasilkan prediksi yang stabil. Hasil pengujian menunjukkan model tunggal LSTM relatif lebih baik dibandingkan Random Forest, dengan MAE masing-masing 286,21 dan 369,57. Namun, model kombinasi LSTM-RF memberikan performa terbaik dengan MAE sebesar 279,32 dan MAPE 17,65%. Evaluasi MAE menghasilkan MMRE < 25% dan PRED(25) ≥ 75%, yang sudah dalam kategori baik untuk sebuah prediksi, serta mampu meningkatkan akurasi prediksi sekitar 4% dibandingkan model tunggal. Model kombinasi LSTM-RF efektif dalam mem-prediksi pencapaian target kerja serta mendukung pengambilan keputusan dalam manajemen proyek TI.