Prediksi Pencapaian Target Kerja untuk Optimasi Manajemen Proyek Menggunakan Metode Long Short Term Memory dan Random Forest
DOI:
https://doi.org/10.36275/8m9pg216Keywords:
Prediksi Target Kerja, LSTM-RF, Error Reciprocal, Deep Learning, Manajemen ProyekAbstract
Dalam era digitalisasi, pengelolaan sumber daya manusia dalam proyek teknologi informasi menghadapi tantangan signifikan, khususnya dalam memperkirakan kebutuhan mandays secara akurat. Mandays merupakan satuan yang merepresentasikan total hari kerja yang dibutuhkan satu atau lebih tenaga kerja untuk menyelesaikan suatu tugas atau proyek. Ketidaktepatan estimasi mandays dapat menyebabkan risiko under allocation dan over allocation, yang berdampak pada pemborosan anggaran, ketidakseimbangan beban kerja, serta keterlambatan proyek. Permasalahan serupa masih dijumpai pada berbagai perusahaan berbasis proyek, baik di sektor teknologi informasi, konstruksi, maupun 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 yang 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 lebih stabil. Hasil pengujian menunjukkan model tunggal LSTM memiliki performa yang lebih baik dibandingkan RF, dengan nilai MAE masing-masing sebesar 286.21 dan 369.57. Namun, model kombinasi LSTM-RF memberikan performa terbaik dengan nilai MAE sebesar 279.32 dan MAPE 17.65%. Evaluasi tambahan menggunakan metrik MMRE < 25% dan PRED(25) ≥ 75%, menunjukkan bahwa model kombinasi berada dalam kategori prediksi yang baik serta mampu meningkatkan akurasi prediksi sekitar 4% dibandingkan model tunggal. Dengan demikian, model LSTM-RF efektif dalam memprediksi pencapaian target kerja dan mendukung pengambilan keputusan dalam manajemen proyek TI.
Downloads
References
Abumohsen, M., Owda, A. Y., Owda, M., & Abumihsan, A. (2024). Hybrid machine
learning model combining of CNN-LSTM-RF for time series forecasting of Solar Power
Generation. e-Prime-Advances in Electrical Engineering, Electronics and Energy, 9,
100636.
Amaliah, S., Nusrang, M., & Aswi, A. (2022). Penerapan Metode Random Forest Untuk Klasifikasi Varian Minuman Kopi di Kedai Kopi Konijiwa Bantaeng. VARIANSI: Journal of Statistics and Its application on Teaching and Research, 4(3), 121-127.
Ardiansyah., Murein, M.M., & Handayaningsih, S. (2018). Analogy-based model for software project effort estimation. International Journal of Advances in Intelligent Informatics. 4(3), 251-260.
Ashari, M. L., & Sadikin, M. (2020). Prediksi Data Transaksi Penjualan Time Series Menggunakan Regresi LSTM. Jurnal Nasional Pendidikan Teknik Informatika: JANAPATI, 9(1), 1-10.
Cahyani, J., Mujahidin, S., & Fiqar, T. P. (2023). Implementasi Metode Long Short Term Memory (LSTM) untuk Memprediksi Harga Bahan Pokok Nasional. JUSTIN (Jurnal Sistem dan Teknologi Informasi), 11(2), 346-357.
Cao, M., Mao, K., Bateni, S. M., Jun, C., Shi, J., Du, Y., & Du, G. (2023). Granulation-Based LSTM-RF Combination Model For Hourly Sea Surface Temperature Prediction. International Journal of Digital Earth, 16(1), 3838-3859.
Chen, J., Song, H., Wachowicz, M., & He, X. (2018). Deep Learning For Job Demand Forecasting. Procedia Computer Science, 130, 724-731.
Cholissodin, I., Sutrisno., Hasanah, U., Febiola, Y.I., & Soebroto, A. (2019). Buku Ajar AI, Machine Learning & Deep Learning. Malang : FILKOM.
Dachi, J. M. A. S., & Sitompul, P. (2023). Analisis Perbandingan Algoritma XGBoost dan Algoritma Random Forest Ensemble Learning pada Klasifikasi Keputusan Kredit. Jurnal Riset Rumpun Matematika Dan Ilmu Pengetahuan Alam, 2(2), 87-103.
Dessiaming, T. Z., Anraeni, S., & Pomalingo, S. (2022). College Academic Data Analysis Using Data Visualization. Jurnal Teknik Informatika (Jutif), 3(5), 1203-1212.
Fachid, S., & Triayudi, A. (2022). Perbandingan Algoritma Regresi Linier dan Regresi Random Forest dalam Memprediksi Kasus Positif Covid-19. Jurnal Media Informatika Budidarma, 6(1), 68-73.
Farhanuddin., Sihombing, S. E. K., & Yahfizham (2024). Komparasi Multiple Linear Regression dan Random Forest Regression Dalam Memprediksi Anggaran Biaya Manajemen Proyek Sistem Informasi. Journal of Computers and Digital Business, 3(2), 86-97.
Gora, R.K., & Sinha, R.R. (2023). A Studyof Evaluation Measures for Software Effort Estimation Using Machine Learning. International Journal of Intelligent Systems and Aplications in Engineering (IJISAE), 11(6), 267-275.
Guangxing, L & Yihao, MA. (2024). Fault Diagnosis Of Electric Drill Winch Gearbox Based
On LSTM-RF. Journal of Vibration and Shock, 43(21): 156-162
Hoseinzade, E., & Haratizadeh, S. (2019). CNNpred: CNN-Based Stock Market Prediction
Using A Diverse Set Of Variables. Expert Systems with Applications, 129, 273-285.
Indrayani, H. (2012). Penerapan Teknologi Informasi Dalam Peningkatan Efektivitas, Efisiensi Dan Produktivitas Perusahaan. Jurnal El-Riyasah, 3(1), 48-56.
Jeklin, U., Saad, M.I., & Ekawati, H. (2025). Evaluation Of COCOMO Model Accuracy In Software Effort Estimation. Bulletin of Information Technology (BIT), 6(2), 126-135.
Khatibi, E., & Khatibi Bardsiri, V. (2015), Model To Estimate The Software Development Effort Based On In-Depth Analysis Of Project Attributes. IET Softw, 9, 109-118.
Kholifatul, B.A.H & Prihanto, A. (2023). Penerapan Metode Long Short Term Memory
Untuk Klasifikasi Pada Hate Speech. Journal of Informatics and Computer Science, 4(3),
292-297.
LaRose, R., & Coyle, B. (2020). Robust Data Encodings For Quantum Classifiers. Physical
Review A, 102(3), 032420.
Popovic, J., Bojic, D. & Korolija, N. (2015), Analysis Of Task Effort Estimation Accuracy Based On Use Case Point Size. IET Softw, 9, 166-173.
Ramadhan, R. F., & Ashari, W. M. (2024). Performance Comparison of Random Forest and Decision Tree Algorithms for Anomaly Detection in Networks. Journal of Applied Informatics and Computing, 8(2), 367-375.
Ritonga, A., Saragih, E. L., Purba, G. A., Pandiangan, P. P. S., Damanik, R. N., & Al Azmi, F. (2025). Penerapan Distribusi Normal Dalam Pengukuran Tinggi Badan Mahasiswa FMIPA Universitas Negeri Medan 2024. Bilangan: Jurnal Ilmiah Matematika, Kebumian dan Angkasa, 3(2), 39-53.
Sautomo, S., & Pardede, H. F. (2021). Prediksi Belanja Pemerintah Indonesia Menggunakan
Long Short-Term Memory (LSTM). Jurnal RESTI (Rekayasa Sistem dan Teknologi
Informasi), 5(1), 99-106.
Steinki, O., & Mohammad, Z. (2015). Introduction To Ensemble Learning. SSRN.
Sudiantini, D., Naiwasha, A., Izzati, A., & Rindiani, C. (2023). Penggunaan Teknologi Pada Manajemen Sumber Daya Manusia Di Dalam Era Digital Sekarang. Digital Bisnis: Jurnal Publikasi Ilmu Manajemen dan E-Commerce, 2(2), 262-269.
Suryanto, Agus, dan Anan Nugroho. (2020). Manajemen Proyek Teknologi Informasi. Yogyakarta : Deepublish.
Vuong, P. H., Dat, T. T., Mai, T. K., & Uyen, P. H. (2022). Stock-price forecasting based on XGBoost and LSTM. Computer Systems Science & Engineering, 40(1).
Wardhana, I., Ariawijaya, M., Isnaini, V. A., & Wirman, R. P. (2022). Gradient Boosting Machine, Random Forest dan Light GBM untuk Klasifikasi Kacang Kering. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 6(1), 92-99.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Rizqatasyaa Achmad Zahra, Dhomas Hatta Fudholi (Author)
This work is licensed under a Creative Commons Attribution 4.0 International License.
