Penerapan Algoritma Random Forest Untuk Prediksi Keterlambatan Proyek Konstruksi Berdasarkan Faktor Cuaca, Tenaga Kerja, dan Material

Abstract

Keterlambatan proyek konstruksi merupakan masalah yang sering terjadi karena pengaruh cuaca, tenaga kerja, material, dan ketidaksesuaian progres lapangan. Penelitian ini bertujuan menerapkan algoritma Random Forest untuk memprediksi potensi keterlambatan proyek konstruksi berdasarkan variabel cuaca, tenaga kerja, material, dan progres pekerjaan. Metode penelitian menggunakan pendekatan kuantitatif berbasis supervised machine learning dengan tahapan pengumpulan data, preprocessing, pembentukan label, pelatihan model, pengujian model, dan implementasi aplikasi berbasis web menggunakan PHP 7.4 serta MySQLi. Dataset prototipe terdiri atas 90 data training dan 18 data testing dengan variabel curah hujan, hari hujan, suhu, kelembapan, jumlah pekerja, absensi, produktivitas, keterlambatan material, stok material, target progres, realisasi progres, deviasi progres, durasi rencana, dan minggu pekerjaan. Hasil evaluasi menunjukkan accuracy 77,78%, precision 86,67%, recall 86,67%, F1-score 86,67%, dan ROC-AUC 66,67%. Faktor yang paling dominan adalah deviasi progres, keterlambatan material, produktivitas tenaga kerja, stok material, dan jumlah hari hujan. Aplikasi yang dibangun mampu menampilkan form prediksi, hasil klasifikasi, riwayat prediksi, serta laporan formal. Hasil penelitian menunjukkan bahwa Random Forest dapat digunakan sebagai alat bantu deteksi dini risiko keterlambatan proyek konstruksi, namun model tetap perlu divalidasi menggunakan data proyek riil yang lebih besar.