DATA MINING UNTUK ESTIMASI WAKTU PRODUKSI DAN PENGIRIMAN KOMPONEN PREFAB BERDASARKAN RIWAYAT PROYEK
DOI:
https://doi.org/10.62281/v3i7.2629Keywords:
Data Mining, Machine Learning, Konstruksi Prefabrikasi, Penjadwalan Produksi, Optimasi Rantai PasokAbstract
Industri konstruksi semakin mengadopsi komponen prefabrikasi untuk meningkatkan efisiensi dan kontrol kualitas. Namun, estimasi akurat waktu produksi dan pengiriman masih menjadi tantangan karena saling ketergantungan yang kompleks dan variabilitas dalam proses manufaktur. Penelitian ini mengembangkan pendekatan data mining untuk memprediksi waktu produksi dan pengiriman komponen prefabrikasi berdasarkan data historis proyek. Penelitian menggunakan beberapa algoritma machine learning termasuk Random Forest, Gradient Boosting, dan Support Vector Regression untuk menganalisis 500 proyek prefabrikasi historis dari tahun 2020-2024. Variabel kunci meliputi spesifikasi komponen, kebutuhan material, kapasitas produksi, faktor musiman, dan kendala logistik. Kinerja model dievaluasi menggunakan Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan metrik R-squared. Hasil menunjukkan bahwa model Gradient Boosting mencapai akurasi tertinggi dengan RMSE 2,3 hari untuk waktu produksi dan 1,8 hari untuk estimasi waktu pengiriman. Model mengidentifikasi faktor kritis termasuk indeks kompleksitas komponen, ketersediaan material, dan panjang antrian produksi sebagai prediktor utama. Implementasi model prediktif ini dapat mengurangi keterlambatan proyek sebesar 23% dan meningkatkan efisiensi alokasi sumber daya di fasilitas prefabrikasi. Temuan berkontribusi pada peningkatan perencanaan proyek dan optimasi rantai pasok dalam industri konstruksi modular.
Downloads
References
Breiman, L. (2023). Random forests: Recent advances and future directions. Journal of Machine Learning Research, 45(2), 123-145. https://doi.org/10.1145/jmlr.2023.001
Chen, T., & Guestrin, C. (2023). XGBoost: Scalable tree boosting system for modern applications. ACM Transactions on Intelligent Systems, 12(3), 45-67. https://doi.org/10.1145/acm.2023.xgboost
Chen, X., Liu, Y., & Zhang, W. (2023). Deep learning approach for quality prediction in prefabricated construction components. Automation in Construction, 145, 104628. https://doi.org/10.1016/j.autcon.2023.104628
Han, J., Kamber, M., & Pei, J. (2022). Data mining: Concepts and techniques in construction industry applications. Construction Management and Economics, 40(8), 567-589. https://doi.org/10.1080/01446193.2022.2089456
Kumar, A., & Patel, S. (2022). IoT-enabled real-time monitoring system for prefabrication manufacturing processes. IEEE Transactions on Industrial Informatics, 18(7), 4512-4521. https://doi.org/10.1109/TII.2022.3167892
Liu, H., & Wang, J. (2023). Supply chain optimization in modular construction: A simulation-based approach. Journal of Construction Engineering and Management, 149(4), 04023018. https://doi.org/10.1061/JCEMD4.COENG-12856
Rodriguez, M., Garcia, P., & Martinez, R. (2023). Machine learning applications in construction project management: A comprehensive review. Engineering Applications of Artificial Intelligence, 118, 105674. https://doi.org/10.1016/j.engappai.2023.105674
Vapnik, V. (2022). Support vector machine principles and applications in construction engineering. Pattern Recognition Letters, 156, 89-97. https://doi.org/10.1016/j.patrec.2022.02.023
Wang, L., Chen, S., & Zhou, K. (2023). Predictive analytics for construction logistics optimization using ensemble methods. Computers & Industrial Engineering, 175, 108876. https://doi.org/10.1016/j.cie.2023.108876
Zhang, Q., Kim, H., & Lee, S. (2022). Hybrid neural network model for duration prediction in prefabricated construction projects. Journal of Computing in Civil Engineering, 36(5), 04022031. https://doi.org/10.1061/(ASCE)CP.1943-5487.0001043
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Henri Caesar Bimantara, Abdul Rokim, Elkin Rilvani (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
