Kerangka Kerja Berbasis Agregasi untuk Penilaian Resiko

Konstruksi dengan Kelompok Ahli Heterogen.

OLEH
Ir. I Wayan Yansen, MT

PROGRAM STUDI TEKNIK SIPIL

FAKULTAS TEKNIK
UNIVERSITAS UDAYANA
2019
 Kerangka Kerja Berbasis Agregasi untuk Penilaian Risiko Konstruksi dengan Kelompok
Ahli Heterogen

Abstrak

Perusahaan konstruksi terus berupaya meningkatkan teknik analisis risiko untuk menentukan
kemungkinan proyek. Penilaian risiko konstruksi bergantung pada proses pengambilan keputusan
kelompok (GDM), di mana sekelompok ahli yang heterogen memberikan pendapat mereka untuk
menentukan probabilitas dan dampak risiko proyek. Dalam tulisan ini, probabilitas risiko dan
dampaknya dinyatakan sebagai istilah linguistik, yang kemudian diwakili oleh set fuzzy untuk
menjelaskan ketidakpastian dalam penilaian ini. Proses GDM saat ini membantu para ahli untuk
mendapatkan kesepakatan bersama melalui penggunaan proses pencapaian konsensus, yang
memiliki beberapa keterbatasan, seperti menjadi prosedur yang memakan waktu. Kontribusi utama
dari makalah ini adalah untuk memperkenalkan daftar kriteria dan serangkaian metrik untuk
mengevaluasi keahlian penilaian risiko. Selain itu, makalah ini membahas pengembangan metode
untuk menimbang pentingnya pendapat para ahli sesuai dengan tingkat keahlian mereka.
Penelitian ini juga akan berfungsi untuk meningkatkan proses GDM dalam penilaian risiko
konstruksi dengan memperkenalkan kerangka kerja terstruktur yang menggabungkan penilaian
dari kelompok pakar yang heterogen melalui agregasi.

Kata kunc: Konstruksi; Manajemen risiko; Set fuzzy; Pengambilan keputusan; Heterogenitas.

Pendahuluan

Proyek konstruksi berlangsung di lingkungan yang dinamis dan secara terus-menerus berubah
variabel, yang meningkatkan jumlah risiko bagi pemangku kepentingan konstruksi. Untuk
mengelola risiko, perusahaan konstruksi mengandalkan teknik analisis risiko dan prosedur
pencegahan penahanan kontingensi. Berbagai teknik telah diusulkan untuk menganalisis risiko,
seperti pendekatan probabilistik (Ezell et al. 2010) dan pendekatan deterministik tradisional
(Modarres et al. 2016). Pendekatan probabilistik mencakup metode seperti analisis pohon
keputusan (Ahmed et al. 2007), analisis pohon kesalahan (Ardeshir et al. 2014), simulasi Monte
Carlo (MCS) (Salah dan Moselhi 2015), mode kegagalan dan analisis efek (Mohammadi dan
Tavakolan 2013), dan dinamika sistem (Nasirzadeh et al. 2008). Namun, kurangnya data historis
yang berasal dari keunikan masing-masing proyek konstruksi membatasi penerapan metode
probabilistik, seperti yang digunakan dalam MCS, karena menyebabkan kesulitan dalam estimasi
distribusi probabilitas kemampuan untuk biaya (Salah dan Moselhi 2015) .

Sebaliknya, pendekatan deterministik menganalisis risiko melalui satu titik estimasi dampak
potensial dengan menilai probabilitas dan dampak risiko dan peristiwa peluang (CII 2012).
Prosedur penentuan kontingensi yang diusulkan oleh Construction Industry Institute (CII) (2012)
mengikuti pendekatan deterministik (Level 2) untuk menghitung tingkat keparahan risiko sebagai
produk dari probabilitas dan dampak dari risiko dan peristiwa peluang. Namun, karena
ketidakpastian yang melekat dalam analisis risiko, sulit untuk menilai tingkat paparan dan
kontingensi yang tepat ketika menggunakan hanya satu nilai untuk menentukan probabilitas risiko
dan dampak dalam proyek konstruksi (Mak dan Picken 2000; Elbarkouky et al . 2016). Akibatnya,
masukan dari para ahli sering terlibat dalam proses-proses seperti identifikasi risiko, penilaian
probabilitas dan dampak, dan penentuan kontinjensi.

Akuisisi dan representasi pengetahuan domain dari para ahli adalah langkah penting dalam menilai
secara akurat kontingensi proyek. Teknik analisis risiko deterministik dan probabilistik memiliki
kapasitas terbatas untuk menjelaskan ketidaktepatan dan subjektivitas yang ada dalam penilaian
para ahli (Ardeshir et al. 2014); dalam konteks ini, logika fuzzy (Zadeh 1965) dapat berfungsi
sebagai alat yang berharga untuk menangani subjektivitas dan ketidaktepatan yang melekat dalam
penilaian manusia. Untuk menjelaskan ketidakpastian subyektif dalam penilaian ahli, Elbarkouky
et al. (2016) mengusulkan pendekatan berdasarkan penelitian yang dilakukan oleh CII (2012);
alih-alih menggunakan nilai tunggal untuk probabilitas risiko dan dampak, pendekatan yang
diusulkan memungkinkan para ahli untuk memberikan penilaian mereka menggunakan istilah
linguistik, yang pada gilirannya diwakili oleh angka fuzzy.

Melibatkan para ahli dalam proses pengambilan keputusan kelompok (GDM) dengan tujuan
mencapai solusi bersama membutuhkan pertanggungjawaban untuk heterogenitas terkait dengan
latar belakang para ahli, sudut pandang, dan tingkat keahlian (Herrera-Viedma et al. 2014) ).
Karena heterogenitas ini, proses GDM terstruktur sangat penting untuk mencapai penilaian risiko
kolektif dan hasil estimasi kontinjensi risiko. Ada dua pendekatan yang biasa digunakan dalam
teknik GDM: proses pencapaian konsensus (CRP) dan proses agregasi. CRP adalah proses
negosiasi yang dilakukan secara iteratif dalam pengaturan multistage, di mana para ahli
mendiskusikan dan mengubah pendapat atau preferensi mereka untuk mencapai kesepakatan
bersama (Perez et al. 2014). Namun, CRP mungkin memakan waktu dan mahal untuk perusahaan
konstruksi. Walaupun waktu yang dibutuhkan oleh CRP dapat dibenarkan dengan memastikan
bahwa evaluasi yang tepat telah tercapai, tidak ada jaminan bahwa semakin banyak waktu yang
dihabiskan untuk mencapai konsensus menghasilkan evaluasi yang lebih baik, karena beberapa
alasan. Pertama, karena tujuan konsensus adalah untuk mendapatkan persetujuan kelompok
daripada mencapai kesepakatan kelompok, panggilan penuh tidak serta merta menyimpulkan
bahwa para ahli sepakat sepenuhnya, yang dapat mengarah pada hasil CRP yang bias (Butler dan
Rothstein 2006). Kedua, meskipun PRK dapat membantu mengurangi (atau bahkan
menghilangkan) beberapa penilaian buruk dan / atau lemah karena pengaruh para ahli yang lebih
siap, pengaruh ini dapat memiliki efek yang tidak diinginkan dalam beberapa kasus. Seorang ahli
sumbang mungkin diminta untuk mengubah pendapatnya secara signifikan untuk mencapai tingkat
persetujuan yang diperlukan di antara para ahli. Ciri-ciri kepribadian para ahli dapat memainkan
peran yang kuat dalam mempengaruhi hasil. Suara yang lebih kuat dalam kelompok dapat muncul
karena berbagai alasan, seperti dari posisi kekuasaan, profesional yang sangat berpengalaman, atau
pembuat keputusan yang sangat fasih, memengaruhi anggota kelompok lainnya untuk menyatu
dengan pendapat yang lebih kuat. Akibatnya, dalam CRP, beberapa ahli mungkin dipengaruhi oleh
ahli lain dan mengubah opini mereka dengan tidak tepat. Akhirnya, karena memperoleh konsensus
penuh jarang dapat dicapai dalam praktik, kita harus mempertimbangkan derajat konsensus
(Cabrerizo et al. 2015).
Sebaliknya, dalam proses agregasi, sekelompok ahli yang heterogen secara individual menilai
masalah dan alternatifnya, dan memberikan pendapat pribadi sebagai input solusi (Cabrerizo et al.
2010). Untuk menentukan pengaruh pendapat masing-masing ahli pada keputusan akhir,
pendekatan umum untuk mengatasi heterogenitas kelompok adalah dengan menetapkan bobot
kepentingan relatif untuk masing-masing pakar (Perez et al. 2014). Kemudian, operator agregasi
tertimbang diterapkan untuk menggabungkan pendapat para pakar yang heterogen sesuai dengan
bobot pentingnya masing-masing ahli. Karenanya, proses agregasi berfungsi untuk memfasilitasi
GDM dengan membantu menghindari bias dan perbedaan yang terlibat dalam mencapai solusi
kolektif selama PRK, yang memfasilitasi proses pengambilan keputusan kelompok.

Dalam penelitian ini, kerangka kerja multistep dikembangkan untuk meningkatkan proses
penilaian risiko konstruksi GDM dengan mengimplementasikan proses agregasi. Kerangka yang
diusulkan menggabungkan opini dari sekelompok ahli yang heterogen, berdasarkan bobot
kepentingan para ahli, yang pada gilirannya berasal dari evaluasi tingkat keahlian mereka dalam
konteks penilaian risiko. Kontribusi utama dari makalah ini adalah sebagai berikut: (1) untuk
memperkenalkan daftar kriteria yang jelas dan konsisten, selain metrik dan skala untuk
mengevaluasi keahlian penilaian risiko para ahli; (2) untuk mengembangkan metode untuk menilai
tingkat kepentingan para ahli dalam penilaian risiko; dan (3) untuk meningkatkan penilaian risiko
konstruksi GDM dengan memperkenalkan kerangka kerja terstruktur yang menggabungkan
pendapat para ahli melalui agregasi.

Makalah ini disusun menurut struktur berikut. Pertama, hasil dari tinjauan pustaka disajikan, yang
merupakan kesenjangan besar dalam penelitian penilaian risiko konstruksi GDM. Selanjutnya,
metode untuk mengevaluasi tingkat keahlian para ahli yang terlibat dalam penilaian risiko
konstruksi diusulkan. Metode baru untuk menetapkan bobot penting bagi para ahli menggunakan
proses hirarki analitik fuzzy (FAHP) kemudian disajikan. Selanjutnya, bobot penting para ahli
digunakan dalam proses agregasi untuk menentukan pengaruh pendapat masing-masing pakar
pada nilai agregat akhir untuk probabilitas dan dampak risiko dan peluang. Kerangka kerja
penilaian risiko yang dikembangkan kemudian diilustrasikan dalam studi kasus, dan operator
agregasi yang paling cocok diuji melalui analisis sensitivitas. Akhirnya, kesimpulan dan peluang
untuk penelitian masa depan dibahas.

Ulasan Sastra

Bagian ini menguraikan kesenjangan dalam penilaian risiko konstruksi yang dibahas dalam
penelitian ini. Pertama, tinjauan penelitian tentang evaluasi tingkat keahlian dalam penilaian risiko
konstruksi disajikan, diikuti oleh tinjauan metode sebelumnya untuk menetapkan bobot
kepentingan relatif untuk para ahli.

Menilai Tingkat Keahlian Para Ahli dalam Penilaian Risiko Konstruksi

Para ahli memiliki sejumlah besar latar belakang pengetahuan dan sering mengembangkan
kepekaan terhadap relevansi pengetahuan mereka dalam berbagai aplikasi (Cornelissen et al.
2003). Dengan demikian, para ahli dapat memberikan akses cepat ke informasi dalam konteks
pengambilan keputusan. Namun, ada sedikit konsensus dalam literatur tentang definisi seorang
ahli. Penelitian masa lalu telah melihat definisi mantan sebagai individu "informasi," â € œspesialis
di lapangan, â € ?? atau â € œ seseorang yang memiliki pengetahuan tentang subjek tertentuâ € ??
(Baker et al. 2006).

Meskipun ada konsensus terbatas tentang apa yang dimaksud dengan seorang ahli, ex-pertise tidak
terkait dengan siapa masing-masing orang; melainkan, menyangkut atribut yang mereka miliki
(Sun et al. 2008). Atribut kualifikasi utama yang terkait dengan klasifikasi dan penilaian keahlian
meliputi pengetahuan, pengalaman, kemampuan untuk mempengaruhi kebijakan, latar belakang
pendidikan, reputasi profesional, status di antara teman-temannya, pengalaman profesional
bertahun-tahun, penilaian sendiri kompetensi relatif di berbagai bidang , dan, jika sesuai, catatan
publikasi (Farrington-Darby dan Wilson 2006). Semua atribut kualifikasi ini membentuk kriteria
yang menentukan relevansi dan kredibilitas seseorang dalam bidang keahliannya. Namun, ada
kekurangan daftar kriteria yang jelas dan konsisten untuk mengevaluasi tingkat keahlian untuk
tujuan penilaian risiko konstruksi, termasuk atribut kuantitatif dan kualitatif. Penelitian ini
membahas kesenjangan tersebut dengan mengusulkan daftar kriteria di samping skala pengukuran
untuk mengevaluasi tingkat keahlian dalam penilaian risiko konstruksi.

Metode untuk Menentukan Bobot Penting untuk Para Ahli

Ada beberapa metode yang diusulkan dalam literatur untuk menetapkan bobot penting bagi para
ahli. Sebagai contoh, seorang moderator atau man-ager dapat menetapkan bobot langsung ke para
ahli (Perez et al. 2011). Meskipun ini adalah pendekatan yang umum digunakan, itu sangat bias
terhadap pendapat moderator. Selain itu, konsistensi metode dapat digunakan di mana bobot
ditentukan sesuai dengan konsistensi preferensi para ahli (Perez et al. 2014). Akan tetapi, metode
konsistensi terbatas karena para ahli dievaluasi menurut pendapat mereka dan tidak berkaitan
dengan keahlian mereka.

Dalam konstruksi, berbagai metode telah diterapkan untuk menilai tingkat keahlian para ahli.
Sebagai contoh, Elbarkouky dan Fayek (2011a, b) menggunakan sistem pakar fuzzy untuk
menentukan bobot kepentingan para ahli berdasarkan atribut kualifikasi mereka, untuk
mengumpulkan pendapat para ahli tentang peran dan tanggung jawab dalam sistem pengiriman
proyek. Selain itu, Awad dan Fayek (2012b, a) menggunakan fungsi utilitas mul-tiattribute untuk
menentukan faktor bobot konsensus untuk setiap pakar, yang didasarkan pada nilai utilitas dan
bobot relatif dari ukuran pengalaman. Pendekatan ini digunakan dalam konteks prakualifikasi
kontraktor untuk penjaminan ikatan; Namun, kedua pendekatan ini memiliki keterbatasan ketika
berhadapan dengan sejumlah besar kriteria.
Untuk mengembangkan metode yang memberikan bobot kepada para ahli berdasarkan tingkat
keahlian mereka dan juga mampu menangani sejumlah besar kriteria, penelitian yang dibahas
dalam makalah ini melibatkan pendekatan dua langkah. Pertama, generalisasi proses hirarki
analitik (AHP) (Saaty 1987), yang dikenal sebagai proses hirarki analitik fuzzy (FAHP),
diterapkan untuk menentukan bobot setiap kriteria kualifikasi yang digunakan untuk menilai para
ahli. Berikutnya, bobot relatif masing-masing ahli diturunkan dengan menggunakan kriteria bobot
yang disediakan oleh FAHP.

AHP adalah teori pengukuran yang logis dan jelas (Saaty 1987) yang telah berhasil diterapkan
dalam konstruksi (Askari et al. 2014). Selain itu, AHP mampu menangani sejumlah besar kriteria
dengan secara hierarkis mengurangi jumlah perbandingan yang diperlukan. Namun, AHP standar
tidak dapat menangani ketidakpastian terkait dengan penilaian para ahli. Untuk mengatasi
keterbatasan ini, Buckley (1985) mengusulkan FAHP, versi umum dari AHP yang memungkinkan
para ahli untuk memberikan penilaian mereka menggunakan istilah linguistik, yang diwakili oleh
angka fuzzy.

Operator agregasi diterapkan untuk menggunakan FAHP untuk penilaian sekelompok ahli dan
untuk mendapatkan bobot relatif penting para ahli. Operator agregasi menggabungkan serangkaian
nilai, dalam penilaian kasus kami, menjadi satu yang umum. Secara umum, operator agregasi tidak
meningkatkan pemetaan untuk → Saya →, di mana saya adalah interval dalam R, dan memenuhi
syarat batas berikut: (1) infx )If∈xÞ¼ inf I dan (2) supx∈IfðxÞ¼sup I (Grabisch et al. 2009).
Berbagai operator agregasi telah diusulkan; Namun, karena pendapat para ahli diwakili oleh angka
fuzzy, hanya operator agregasi fuzzy yang dipertimbangkan untuk tujuan pekerjaan ini. Beberapa
operator agregasi fuzzy telah diusulkan dalam literatur, seperti fuzzy weighted average (FWA)
(Sadiq et al. 2004), fuzzy memerintahkan weighted aver-age (Yager 2004), fuzzy number-induced
weighted average (FN-IOWA) ( Merigo dan Casanovas 2009), operator geo-metrik tertimbang
fuzzy (FWG) (Gohar et al. 2012), dan metode agregasi kesamaan fuzzy (FSAM) (Hsu dan Chen
1996). Namun, pilihan operator agregasi tergantung pada aplikasi, dan tidak ada pedoman yang
jelas tentang bagaimana memilih operator yang paling sesuai. Untuk tujuan penelitian ini, operator
FWA, FWG, dan FOWA dipertimbangkan, karena mereka telah berhasil diterapkan dalam
penilaian risiko konstruksi (Liu et al. 2013).
di mana b ~ j ¼ j elemen terbesar fa ~ 1; a ~ 2; :::; a ~ ng. Operator-operator ini juga digunakan
untuk menggabungkan probabilitas dan dampak risiko dan peluang dalam langkah selanjutnya dari
kerangka kerja yang diusulkan.

Pengembangan Kerangka Kerja untuk Penilaian Risiko Konstruksi melalui Agregasi Pendapat
Para Ahli Heterogen

Untuk mengembangkan kerangka kerja penilaian risiko konstruksi yang menggabungkan pendapat
para ahli berdasarkan tingkat keahlian mereka, penting untuk terlebih dahulu menentukan
bagaimana menilai tingkat keahlian dalam penilaian risiko. Untuk tujuan ini, daftar kriteria
kualifikasi yang relevan dikembangkan secara khusus untuk penilaian risiko konstruksi. Akan
tetapi, karena tidak semua kriteria kualifikasi memiliki relevansi yang sama dalam menilai tingkat
keahlian, FAHP digunakan untuk menentukan bobot untuk setiap kriteria. Setelah bobot kriteria
kualifikasi ditentukan, para ahli yang terlibat dalam proses pengambilan keputusan dievaluasi
berdasarkan keahlian mereka untuk menentukan bobot pendapat mereka. Selanjutnya, para ahli
memberikan penilaian mereka tentang probabilitas dan dampak risiko dan peluang, yang kemudian
dikumpulkan menggunakan bobot yang ditentukan pada langkah sebelumnya. Akhirnya, penilaian
agregat digunakan untuk mendapatkan nilai kontingensi akhir. Gambar 1 mengilustrasikan
langkah-langkah kerangka kerja yang diusulkan.
 Langkah 1: Kembangkan daftar kriteria untuk
menilai para ahli dalam penilaian risiko
konstruksi

Langkah 2: Dapatkan bobot kriteria relatif

penting menggunakan FAHP

Langkah 3: Tetapkan bobot penting para ahli

berdasarkan daftar kriteria

Langkah 4: Penilaian risiko ahli konstruksi

secara agregat berdasarkan bobot kepentingan
ahli

Langkah 5: Hitung kontingensi proyek

konstruksi

Gambar 1. Langkah-langkah dalam mengembangkan kerangka kerja yang diusulkan untuk

penilaian risiko konstruksi.

Langkah 1: Kembangkan Daftar Kriteria untuk Menilai Tingkat Keahlian dalam Penilaian
Risiko Konstruksi

Untuk mengembangkan daftar kriteria kualifikasi yang relevan untuk mengevaluasi tingkat
keahlian dalam penilaian risiko konstruksi, daftar komprehensif kriteria kualifikasi disusun dari
literatur (Hoffmann et al. 2007; Wang dan Yuan 2011). Selanjutnya, melalui survei (Monzer
2018), daftar kriteria awal dipresentasikan kepada delapan ahli di bidang penilaian risiko
konstruksi untuk mendapatkan tingkat persetujuan dengan masing-masing kriteria kualifikasi.
Kelompok delapan ahli terdiri dari manajer senior, manajer proyek, dan insinyur proyek.
Pengalaman para ahli dalam proyek konstruksi berkisar antara 9 hingga 36 tahun, dan pengalaman
mereka dalam analisis risiko berkisar antara 5 hingga 34 tahun.
Kuesioner menanyakan para ahli tentang tingkat persetujuan mereka dengan masing-masing
kriteria dan subkriteria menggunakan skala peringkat dari 1 hingga 5 (Tabel 1), untuk menilai
tingkat keahlian dalam penilaian risiko. Setelah mendapatkan masukan dari masing-masing dari
delapan ahli, pendapat mereka dikumpulkan. Pada tahap ini, para ahli dianggap homogen, karena
mereka memiliki tingkat keahlian yang sama, dan mayoritas menang.

Tabel 1. Contoh kriteria, termasuk jenis variabel dan deskripsi, untuk mengevaluasi tingkat
keahlian dalam penilaian risiko konstruksi

Kriteria Subkriteria Deskripsi Range

Nilai
1 Pengalaman 1.1 Jumlah Beberapa tahun ahli telah bekerja dalam Insinyur proyek,
insinyur senior,
Tahun disiplinnya
manajer proyek,
Pengalaman manajer,

2 Pengetahuan 2.1 Pengetahuan Jumlah tahun studi dalam disiplin ahli manajer senior

akademis
Reaktif, sistem
3 Perfoma 3.1 Pekerjaan Pekerjaan di perusahaan tempat pakar yang sangat

Profesional saat ini di saat ini bekerja buruk untuk

mencegah krisis
perusahaan
Reaktif, sistem
4 Manajemen 4.2 Manajemen Pengalaman dalam menangani fase waktu yang buruk

Resiko krisis krisis (menjadi reaktif atau proaktif), dan untuk mencegah
krisis
memiliki sistem yang efektif untuk
Reaktif, sistem
mencegah / mengendalikan / mengelola yang adil untuk

krisis mencegah krisis

Proaktif, sistem
5 Spesifik 5.1 Komitmen Persentase proyek selesai tepat waktu
yang baik untuk
Proyek terhadap oleh semua pakar proyek yang terlibat di mencegah krisis

tenggat dalamnya Proaktif, sistem

yang sangat baik
waktu
 Risiko Kecenderungan terhadap penilaian risiko untuk mencegah
krisis
6 Reputasi 6.2 konservatif konservatif
[0, 100]

(1) Pengambilan
risiko yang
sangat agresif,
(2) Pengambilan
risiko yang
agresif, (3)
moderat, (4)
konservatif, (5)
sangat
konservatif

Subkriteria yang tidak memiliki persetujuan mayoritas dari para ahli telah dihapus.

Daftar kriteria terakhir disusun dalam tujuh kategori, yang masing-masing berisi antara tiga dan
tujuh subkriteria (yaitu, atribut kualifikasi). Secara total, 32 subkriteria dipilih untuk menilai
tingkat keahlian dalam penilaian risiko konstruksi (Monzer et al. 2017). Kategori kriteria dan
subkriteria ditunjukkan pada Gambar. 2. Kuesioner juga meminta para ahli untuk tingkat
persetujuan mereka dengan skala ukuran untuk kriteria kuantitatif, dan sebagian besar ahli
menyatakan persetujuan dengan penggunaannya dalam konteks ini. Namun, untuk kriteria
kualitatif, para ahli memberikan masukan untuk variabel referensi. Variabel referensi ini (lihat
Tabel 1 skala "manajemen krisis") digunakan untuk mengembangkan skala peringkat yang telah
ditentukan dari 1 hingga 5 untuk mengukur kriteria kualitatif. Dengan menggunakan skala
peringkat yang telah ditentukan, dimungkinkan untuk lebih mengukur kuantifikasi sub-kualifikasi
kualitatif dan memodelkan proses pengambilan keputusan secara lebih akurat (Marsh dan Fayek
2010; Awad dan Fayek 2012b).

Kriteria Sub-Kriteria
Pengalaman 1.1 Total pengalaman bertahun-tahun
 1.2 Keanekaragaman pengalaman
1.3 Pengalaman yang relevan
1.4 Pengalaman terapan
1.5 Pengalaman bervariasi
Pengetahuan 2.1 Pengetahuan akademis
2.2 Tingkat pendidikan
2.3 Tentang Pelatihan Kerja
Perfoma Profesional 3.1 Pekerjaan saat ini di perusahaan
3.2 Tahun dalam pekerjaan saat ini
3.3 Keahlian evaluasi diri
Praktek Manajemen Resiko 4.1 Rata-rata jam kerja dalam risiko per
minggu 4.2 Pelatihan manajemen risiko
4.3 Pengalaman konferensi manajemen risiko
4.4 Identifikasi dan perencanaan risiko
4.5 Pemantauan dan kontrol risiko
4.6 Manajemen krisis
Spesifik Proyek 5.1 Batas ukuran proyek
5.2 Komitmen Deadline
5.3 Komitmen Biaya
5.4 Kepatuhan keamanan
5.5 Pengalaman keragaman geografis
Reputasi 6.1 Aklamasi sosial
6.2 Kesediaan untuk berpartisipasi dalam
survei 6.3 Reputasi profesional
6.4 Antusiasme dan kemauan
6.5 Risiko konservatif
Atribut Pribadi dan Skill 7.1 Keterampilan komunikasi
7.2 Keterampilan kerja tim
7.3 Keterampilan kepemimpinan
7.4 Keterampilan analitis
7.5 Etika
Langkah 2: Dapatkan Bobot Penting Kriteria Relatif Menggunakan FAHP

Setelah daftar kriteria kualifikasi ditentukan, kepentingan relatif dari setiap kriteria untuk menilai
tingkat keahlian dievaluasi. Dalam penelitian ini, FAHP diterapkan untuk memperoleh bobot
kriteria kualifikasi.

FAHP menyajikan format yang jelas untuk elisitasi informasi dalam bentuk matriks perbandingan
berpasangan; setiap entri dari matriks perbandingan berpasangan mewakili berapa banyak elemen
i lebih disukai daripada elemen j sehubungan dengan kriteria induk pada level di atas. Dalam
FAHP, entri dari metode perbandingan berpasangan adalah angka fuzzy; lebih khusus, mereka
umumnya angka fuzzy segitiga (TFNs) (Van Laarhoven dan Predrycz 1983; Chang 1996). TFNs
adalah kasus khusus nomor fuzzy trapesium. Angka fuzzy a ~ dikatakan sebagai angka fuzzy
trapesium jika fungsi keanggotaannya dapat direpresentasikan sebagai

dimana beberapa l; m1; m2; u ∈ R∈ l â ‰ ¤ m1 â ‰ ¤ m2 â ‰ ¤ u. Selanjutnya, angka fuzzy

trapesium diwakili oleh tuple à ° l; m1; m2; parameternya. Jika m1 ¼ m2 ¼ m, bilangan fuzzy
dikatakan bilangan fuzzy segitiga dan diwakili oleh tuple à ° l; m; parameternya.
Akibatnya, skala fuzzy berdasarkan TFNs diperlukan. Tabel 2 menampilkan skala linguistik fuzzy
untuk perbandingan berpasangan

Tabel 2. Skala linguistik untuk perbandingan berpasangan dalam model FAHP

Skala linguistik untuk Skala fuzzy segitiga Timbal balik dari skala
kepentingan relatif fuzzy segitiga
Persis sama (1, 1, 1) (1, 1, 1)
Kira-kira sama pentingnya. (1/2, 1, 3/2) (2/3, 1, 2)
Lebih lemah Lebih penting (1, 3/2, 2) (1/2, 2/3, 1)
Lebih penting (3/2, 2, 5/2) (2/5, 1/2, 2/3)
Sangat penting. (2, 5/2, 3) (1/3, 2/5, 1/2)
Sama sekali lebih penting (5/2, 3, 7/2) (2/7, 1/3, 2/5)
Sumber: Diadaptasi dari Demirel et al. (2008).

(Demirel et al. 2008). Selain itu, untuk kebalikan dari matriks perbandingan berpasangan, rumus
invers fuzzy [Persamaan. (5)] diterapkan untuk mewakili TFN resiprokal

Matriks perbandingan berpasangan fuzzy dikembangkan berdasarkan masukan ahli. Dalam kasus-
kasus di mana lebih dari satu pakar terlibat, maka perlu untuk mengumpulkan matriks
perbandingan berpasangan fuzzy mereka untuk masing-masing posisi hierarkis. Misalkan A ~ m
menjadi matriks perbandingan berpasangan dari pakar ke-13 dalam posisi hierarkis tertentu,
sebagai berikut:
Berikutnya, matriks perbandingan pasangan fuzzy teragregasi A ~ diperoleh dengan
menggabungkan masing-masing entri dari matriks perbandingan berpasangan fuzzy para ahli,
sebagai berikut:

di mana f = operator agregasi. Salah satu operator agregasi yang paling umum digunakan untuk
menggabungkan matriks perbandingan berpasangan fuzzy adalah FWG. Dalam penelitian ini,
operator FWG [lihat Persamaan. (2)] diterapkan, karena semua ahli yang berpartisipasi dalam
pengumpulan data memiliki tingkat keahlian yang sama (yaitu, membentuk kelompok yang
homogen) dan karenanya diberi bobot yang sama.

Setelah matriks perbandingan berpasangan fuzzy teragregasi diperoleh untuk semua posisi
hierarkis, FAHP diterapkan untuk menentukan bobot kepentingan relatif untuk setiap kriteria dan
sub-kriteria. Beberapa pendekatan perhitungan FAHP dibahas dalam literatur (Van Laarhoven dan
Predrycz 1983; Buckley 1985; Chang 1996). Pendekatan yang dikembangkan oleh Chang (1996)
digunakan secara umum, karena melibatkan upaya komputasi yang jauh lebih sederhana daripada
metode lain, dan telah diterapkan dengan sukses di banyak bidang (Ding et al. 2008). Mengikuti
pendekatan yang dikembangkan oleh Chang (1996), ada tiga langkah utama untuk memperoleh
bobot kepentingan relatif dari kriteria dan subkriteria dalam FAHP, yang harus dilakukan untuk
setiap matriks perbandingan berpasangan fuzzy. Pertama, untuk setiap elemen i, i ¼ 1; :::; n, yang
diwakili oleh matriks perbandingan berpasangan fuzzy, nilai sejauh mana fuzzy sintetik S ~ i
dihitung dengan menerapkan operasi aljabar perkalian dan penjumlahan ke TFNs, sebagai berikut:

di mana ⊗ = perkalian aritmatika fuzzy dari TFNs.

Selanjutnya, pada langkah kedua, nilai-nilai nonfuzzy yang mewakili preferensi relatif dari satu
elemen di atas yang lain dihitung menggunakan nilai-nilai luas sintetik fuzzy. Oleh karena itu,
untuk memperkirakan prioritas fuzzy dalam matriks perbandingan berpasangan, perlu untuk
menghitung tingkat kemungkinan S ~ i ¼à ° li; mi; uiÞ â ‰ ¥ S ~ j ¼ à ° lj; mj; ujÞ, sebagai
berikut:
Untuk tingkat kemungkinan beberapa TFN S ~ i lebih besar dari semua N TFNs di fS ~ 1; :::; S ~
nc g, harus dimungkinkan untuk merepresentasikan TFN menggunakan persamaan berikut:

Setiap komponen vi dari V mewakili bobot relatif nonfuzzy dari elemen ke-i dibanding elemen
lain yang dipertimbangkan. Namun, bobot ini harus dinormalisasi menjadi analog dengan bobot
kriteria AHP klasik. Akhirnya, pada langkah ketiga, vektor V harus dinormalisasi sebagai berikut,
untuk mendapatkan vektor bobot dinormalisasi nonfuzzy akhir W:

di mana W = vektor berat sehubungan dengan elemen induk langsung di antara elemen-elemen
dari matriks perbandingan berpasangan fuzzy. Biarkan wC1; wC2; :::; wC7 menunjukkan bobot
dari tujuh kriteria pada Gambar 2, dan biarkan wsij, i ¼ 1; : ::; 7 dan j ¼ 1; :::; nCi menjadi bobot
subkriteria j sehubungan dengan kriteria i, di mana nCi adalah jumlah subkriteria di bawah kriteria
i.
Langkah 3: Tetapkan Bobot Penting Pakar Berdasarkan Daftar Kriteria

Setelah kriteria kualifikasi dan bobot kepentingan relatifnya diperoleh, dimungkinkan untuk
menentukan bobot penting untuk tenaga kerja berdasarkan tingkat keahlian mereka. Pertama,
setiap ahli yang terlibat dalam proses pengambilan keputusan dievaluasi sesuai dengan setiap sub-
terion dalam daftar kriteria (Gbr. 2). Data evaluasi kemudian dinormalisasi ke interval [0,1].
Berikutnya, bobot yang diperoleh untuk kriteria dan subkriteria diterapkan untuk menghitung skor
masing-masing pakar (ESj), sebagai berikut:

ik = evaluasi yang dinormalisasi dari pakar ke-l sesuai dengan subkriteria k dari kriteria Ci; wCi
= bobot kriteria Ci; wSik = bobot subkriteria kth dari kriteria Ci, sebagaimana didefinisikan
sebelumnya; d = jumlah ahli; n = jumlah kriteria; dan nCi = jumlah subkriteria di bawah kriteria
Ci.

Skor para ahli tidak dapat digunakan secara langsung sebagai bobot, karena tidak dinormalisasi.
Oleh karena itu, setelah ESj individu dihitung untuk semua pakar dalam grup, bobot pentingnya
(IW) dari masing-masing pakar dihitung sebagai berikut:
Bobot pentingnya IW dari para ahli didasarkan pada tingkat keahlian masing-masing individu dan
digunakan untuk menimbang penilaian risiko para ahli. Semakin tinggi tingkat keahlian seseorang,
semakin tinggi bobot kepentingannya, dan akibatnya, semakin besar dampak penilaiannya
terhadap hasil proses analisis risiko.

Langkah 4: Penilaian Risiko Ahli Agregat Berdasarkan Bobot Pentingnya

Untuk menghitung kemungkinan proyek konstruksi, peristiwa risiko dan peluang harus
diidentifikasi terlebih dahulu. Penilaian para ahli untuk probabilitas dan dampak diberikan dengan
menggunakan istilah linguistik, yang diwakili oleh TFNs. Setelah semua penilaian para ahli dari
setiap risiko atau peristiwa kesempatan dikumpulkan, mereka dikumpulkan ke dalam nilai unik,
yang mencerminkan pendapat kelompok. Bobot penting para ahli, IW ¼ à ° IW1; :::; IWdÞ,
digunakan sebagai vektor bobot untuk penilaian para ahli untuk mewakili tingkat keahlian, dan
operator agregasi berbobot fuzzy diterapkan.

Biarkan E ¼fE1; :::; Ehg merupakan peristiwa risiko atau peluang yang diidentifikasi di semua
paket kerja proyek konstruksi. Untuk setiap Ej; j ¼ 1; :::; h, para ahli harus memberikan penilaian
linguistik tentang probabilitas dan dampak acara. Biarkan P ~ ià ° Þ dan I ~ 1; :::; d menjadi
penilaian probabilitas dan dampak dari peristiwa Ej yang diberikan oleh masing-masing pakar.
Selanjutnya, nilai probabilitas teragregasi, P ~ à ° jÞ, dan nilai dampak teragregasi, I ~ à ° jÞ,
yang mewakili pendapat kelompok tentang probabilitas dan dampak dari peristiwa Ej diberikan
oleh FIW à ° P ~ à ° jÞ Þ dan fIW à ° I ~ à ° jÞ masing-masing, di mana fIW mewakili
operasi agregasi fuzzy at-f, menggunakan IW sebagai vektor bobot. Misalnya, jika operator FWA
yang disajikan dalam Persamaan. (1) digunakan, maka P ~ ðjÞ ¼ FWjAIW ðP ~ ðjÞ. Probabilitas
teragregasi fPà ° Þ; :::; P ~ à ° hÞg dan dampaknya FI ~ à ° 1Þ; : ::; Aku ~ hao hg dari semua
peristiwa kemudian digunakan untuk mendapatkan kontingensi proyek pada langkah berikutnya
dari kerangka kerja.
Langkah 5: Hitung Kontinjensi Proyek Konstruksi

Untuk menentukan kontingensi proyek konstruksi, tingkat keparahan setiap peristiwa E1; :::; Eh
harus ditentukan sebagai nilai persentase. Tingkat keparahan risiko atau peluang acara diberikan
sebagai berikut:

di mana R ~ j = keparahan acara Ej; dan P ~ ðjÞ dan I ~ ðjÞ = probabilitas gabungan dan dampak
peristiwa Ej. Setelah keparahan setiap peristiwa diperoleh, keparahan bersih, O ~, dihitung,
sebagai

di mana UðjÞ = biaya paket pekerjaan, ditunjukkan sebagai nilai dolar ($) yang terkait dengan
peristiwa Ej. Akhirnya, nilai kontingensi proyek, V ~, dihitung, sebagai

di mana HR ¼fi∶Ei adalah acara berisiko; dan HO ¼fi∶ˆ¶ig adalah acara oppor-tunistik.
Karena probabilitas dan dampak teragregasi, P ~ ðjÞ dan I ~ ðjÞ, adalah bilangan fuzzy, operasi
yang ditunjukkan dalam Persamaan. (14) - (16) aritmatika fuzzy in-volve. Ada dua metode yang
tersedia untuk perhitungan aritmatika fuzzy per-pembentukan: metode α-cut dan prinsip ekstensi.
Dalam metode pemotongan-a, aritmatika interval dilakukan pada setiap pemotongan tingkat-α dari
angka-angka fuzzy untuk mendapatkan potongan-α dari keluaran. Sebaliknya, prinsip ekstensi
menggeneralisasikan fungsi dari domain renyah ke domain fuzzy, memungkinkan generalisasi
operator matematika konvensional untuk diterapkan dalam domain fuzzy. Diskusi yang lebih rinci
tentang aritmatika fuzzy dapat ditemukan di Hanss (2005).

Mempertimbangkan bahwa kontingensi proyek, V ~, adalah bilangan fuzzy, dimungkinkan untuk

mendapatkan rentang interval untuk kontingensi dengan tingkat kepercayaan yang berbeda
menggunakan α-cut. Α-cut Vα dari V ~ mewakili interval kepercayaan dari nilai-nilai kontingensi
pada tingkat kepercayaan 1 - α. Jika diinginkan satu nilai tajam untuk kontingensi proyek, alih-
alih mendapatkan kontingensi proyek sebagai angka fuzzy, operator defuzzifikasi, seperti pusat
area (COA), terkecil dari maxima (SOM), tengah dari maxima (MOM), atau maxima (LOM)
terbesar, dapat diterapkan. Secara umum, COA merepresentasikan bentuk keluaran sebagai pusat
gravitasi. Sebaliknya, SOM dan LOM mewakili nilai terkecil dan terbesar dari kontingensi proyek
ketika α ¼ 1; dan MOM adalah nilai tengah kisaran kontingensi ketika α ¼ 1.

Untuk menggambarkan kerangka kerja yang dikembangkan, studi kasus penilaian risiko pada
proyek konstruksi nyata disajikan berikutnya. Kerangka kerja yang diajukan diaplikasikan untuk
memproses penilaian risiko dari kelompok ahli yang heterogen, dan hasilnya dibandingkan dengan
pendekatan berbasis konsensus dan pendekatan simulasi Monte Carlo.

Menguji dan Memvalidasi Kerangka Penilaian Risiko Konstruksi: Studi Kasus

Kerangka yang diusulkan diterapkan dalam studi kasus untuk melakukan penilaian risiko dari
proyek konstruksi pembangkit listrik tenaga angin di Kansas. Penilaian risiko didasarkan pada
keseimbangan paket pekerjaan konstruksi pabrik (CWP), yang bernilai sekitar $ 65 juta. CWP
terdiri dari delapan struktur rincian kerja, mulai dari biaya sekitar $ 800.000 hingga $ 16 juta.
Penilaian risiko melibatkan sekelompok empat ahli yang terlibat langsung dalam proyek ini: dua
manajer kontrol proyek, manajer proyek, dan manajer konstruksi, yang masing-masing memiliki
lebih dari 20 tahun pengalaman dan memegang posisi manajerial di perusahaan konstruksi Kanada
yang berlokasi di Alberta.

Untuk menerapkan kerangka kerja yang diusulkan untuk studi kasus ini, delapan ahli yang sama
yang berpartisipasi dalam memvalidasi daftar kriteria pada Langkah 1 (Gbr. 2) diberikan daftar
kriteria dan subkriteria yang disempurnakan. Selanjutnya, untuk Langkah 2, masing-masing pakar
memberikan perbandingan kriteria dan subkriteria secara berpasangan, yang dikumpulkan dengan
menggunakan kuesioner. Kriteria dan kuesioner pertanyaan berfungsi untuk mengumpulkan data
perbandingan berpasangan dengan mengajukan pertanyaan seperti, "Seberapa pentingkah
Pengetahuan bila dibandingkan dengan Pengalaman untuk mengevaluasi keahlian penilaian risiko
ahli?" Skala yang digunakan disajikan pada Tabel 1. Setelah semua dari matriks perbandingan
berpasangan diperoleh, matriks perbandingan berpasangan fuzzy di setiap posisi hierarkis
dikumpulkan menggunakan Persamaan. (7), bersama dengan operator agregasi FWG [Persamaan.
(2)]. Akhirnya, Persamaan. (8) - (11) diterapkan pada setiap matriks perbandingan berpasangan
secara agregat untuk mendapatkan bobot kepentingan relatif dari kriteria dan sub-kriteria. Tabel 3
mencantumkan contoh hipotetis dari kriteria dan bobot subkriteria yang diperoleh melalui prosedur
ini. Data aktual untuk studi kasus ini tidak disajikan, untuk menjaga kerahasiaan. Bobot subkriteria
dalam contoh ini diturunkan sehubungan dengan kriteria Kriteria induk (Tabel 3); bobot ini
menghasilkan jumlah satu ketika dikombinasikan bersama. Selain itu, bobot kriteria diturunkan
sehubungan dengan kriteria induk keseluruhan, yang merupakan tujuannya (yaitu, untuk menilai
tingkat keahlian dalam penilaian risiko); bobot ini juga menghasilkan jumlah satu ketika
dikombinasikan bersama.

Kriteria dan bobot subkriteria kemudian digunakan untuk menghitung skor para ahli (ES) dan
bobot penting (IW) menggunakan Persamaan. (12) dan (13), masing-masing. Hasilnya
ditampilkan pada Tabel 4.
Selanjutnya, penilaian para ahli tentang probabilitas P iðjÞ dan dampaknya, i ~ ¼j1; :::; 4, ~
dipagregasi, menghasilkan probabilitas agregat Pà ° Þ dan dampak nilai-nilai Ià ° Þ untuk
setiap risiko dan peluang acara j, j ¼ 1; :::; 17 dalam proyek. Operator agregasi FWA,

Tabel 3. Contoh hipotesis bobot subkriteria dan kriteria yang diperoleh dari model FAHP

Kriteria Bobot Sub-kriteria Bobot

Pengalaman 0.11 1.1 Total tahun pengalaman 0.34
1.2 Keanekaragaman pengalaman 0.22
1.3 Pengalaman yang relevan 0.28
1.4 Pengalaman terapan 0.05
1.5 Pengalaman bervariasi 0.11
Pengetahuan 0.17 2.1 Pengetahuan akademis 0.25
2.2 Tingkat pendidikan 0.23
2.3 Pelatihan di tempat kerja 0.52
Perfoma 0.14 3.1 Pekerjaan saat ini di perusahaan 0.27
Profesional 3.2 Tahun dalam pekerjaan saat ini 0.32
3.3 Evaluasi diri terhadap keahlian 0.41
Praktek 0.23 4.1 Rata-rata jam kerja dalam risiko per minggu 0.11
Manajemen Resiko 4.2 Tingkat pelatihan manajemen risiko 0.30
4.3 Pengalaman konferensi manajemen risiko 0.13
4.4 Identifikasi dan perencanaan risiko 0.07
4.5 Pemantauan dan kontrol risiko 0.15
4.6 Manajemen krisis 0.24
Spesifik Proyek 0.09 5.1 Batas ukuran proyek 0.30
5.2 Komitmen terhadap tenggat waktu 0.27
5.3 Komitmen terhadap anggaran biaya 0.19
5.4 Kepatuhan keamanan 0.13
 5.5 Pengalaman keragaman geografis 0.11
Reputasi 0.09 6.1 Aklamasi sosial 0.31
6.2 Kesediaan untuk berpartisipasi dalam survei 0.31
6.3 Reputasi profesional 0.17
6.4 Antusiasme dan kemauan 0.12
6.5 Risiko konservatif 0.09
Atribut Personal 0.17 7.1 Keterampilan komunikasi 0.09
dan Skill 7.2 Keterampilan kerja tim 0.17
7.3 Keterampilan kepemimpinan 0.40
7.4 Keahlian analitis 0.10
7.5 Etika 0.24

Tabel 4. Skor peserta studi kasus dan bobot penting yang diperoleh dari model FAHP

Pakar Skor Pakar (ES) Bobot Penting (IW)

1 0.87 0.26
2 1.07 0.32
3 0.79 0.23
4 0.66 0.19

FWG, dan FOWA [Persamaan. (1) - (3)] diterapkan, dengan mempertimbangkan vektor bobot IW
untuk masing-masing ahli, sebagaimana ditunjukkan pada Tabel 4.

Setelah probabilitas gabungan P ~ ðjÞ dan dampak I ~ ðjÞ dari semua j ¼ 1; :::; 17 peristiwa risiko
atau peluang diperoleh, kontinjensi risiko proyek dihitung. Pertama, Persamaan. (14) diterapkan
untuk memperoleh keparahan setiap risiko atau peluang acara; selanjutnya, Persamaan. (15)
digunakan untuk mendapatkan keparahan bersih dari setiap peristiwa. Akhirnya, Persamaan. (16)
digunakan untuk mendapatkan nilai kontingensi proyek. Namun, Persamaan. (16) memberikan
nilai kontingensi proyek sebagai angka fuzzy; oleh karena itu, langkah tambahan diperlukan untuk
menghasilkan hasil yang lebih dapat ditafsirkan. Seperti disebutkan sebelumnya, tingkat
kepercayaan menggunakan pemotongan α atau formula defuzzifikasi dapat diterapkan dalam
konteks ini. Untuk tujuan perbandingan, strategi defuzzifikasi digunakan untuk mendapatkan nilai
kontingensi proyek dalam studi kasus ini.

Untuk melakukan perhitungan yang diperlukan yang terlibat dalam Langkah 5 dari kerangka kerja,
perangkat lunak Fuzzy Contingency Determinator digunakan. Perangkat lunak ini
mengotomatiskan prosedur aritmatika fuzzy untuk menentukan kontingensi risiko dari proyek
konstruksi, berdasarkan penilaian linguistik dari probabilitas dan dampak risiko dan peluang
peristiwa (ElBarkouky et al. 2016).

Untuk memvalidasi studi kasus, hasil kontingensi proyek dari kerangka kerja yang diusulkan
dibandingkan dengan hasil yang dihasilkan menggunakan simulasi Monte Carlo (MCS). MCS
digunakan sebagai patokan, seperti yang biasa digunakan di bidang penilaian risiko konstruksi
untuk menentukan kontinjensi proyek. Nilai kontingensi proyek MCS dalam studi kasus ini
dihitung pada P50, mewakili tingkat kepercayaan 0,5 (analog dengan tingkat kepercayaan cut ±
yang dibahas pada Langkah 5). Selain itu, untuk tujuan perbandingan, para ahli juga diminta untuk
mencapai konsensus tentang probabilitas dan dampak dari risiko yang sama dan peristiwa peluang
yang sebelumnya dinilai melalui proses agregasi. Oleh karena itu, hasil kerangka yang diusulkan
juga dibandingkan dengan hasil proses pencapaian konsensus.

Ukuran kesalahan yang diterapkan adalah rata-rata kesalahan persentase absolut (SMAPE)
simetris. Ukuran ini mengatasi masalah, termasuk asimetri dan dampak pencilan, yang umumnya
dikaitkan dengan pengukuran kesalahan lainnya, seperti kesalahan absolut rata-rata dan kesalahan
rata-rata akar (Willmott dan Matsuura 2005). SMAPE berkisar dari 0% hingga 200%, dan nilai
0% menyiratkan kesepakatan sempurna antara dua pendekatan yang diuji (yaitu, kerangka
penilaian risiko yang diusulkan dan MCS). Ukuran SMAPE dinyatakan sebagai berikut:
di mana Pi = nilai kontingensi proyek diprediksi oleh model yang dipertimbangkan; dan Oi = nilai
tolok ukur. Sekali lagi, dalam hal ini, patokannya adalah perkiraan MCS P50.

Banyak kombinasi yang berbeda dari operator agregasi fuzzy, metode aritmatika fuzzy, dan
metode defuzzifikasi diuji untuk digunakan dalam kerangka kerja yang diusulkan. Tabel 5 daftar
SMAPE untuk konfigurasi ini terhadap pendekatan konsensus.

Analisis hasil SMAPE yang disajikan pada Tabel 5 menunjukkan bahwa menggunakan operator
FOWA dengan defuzzifikasi for-mula dalam kerangka yang diusulkan memberikan kesalahan
terkecil sehubungan dengan hasil kontinjensi risiko MCS (0,08), terlepas dari metode aritmatika
fuzzy yang digunakan. . Selain itu, Tabel 5 menunjukkan bahwa operator agregasi dan metode
defuzzifikasi yang dipilih sangat mempengaruhi nilai SMAPE yang dihasilkan. Selain itu, formula
defuzzifikasi yang berbeda mungkin lebih tepat untuk operator agregasi yang berbeda. Secara
umum, operator agregasi FWA menghasilkan nilai SMAPE tertinggi; selama analisis, semua nilai
FWA lebih tinggi dari 80%. Operator FWG juga menunjukkan kinerja yang buruk dalam hal
SMAPE bila dibandingkan dengan operator FOWA: Semua nilai FWG lebih tinggi dari 7%. Oleh
karena itu, hasil FWA dan FWG tidak sesuai dengan hasil MCS, dan dianggap tidak cocok untuk
digunakan dalam studi kasus.

Sebaliknya, metode aritmatika fuzzy tidak sangat mempengaruhi nilai SMAPE dalam banyak
kasus, kecuali ketika formula defuzzi-fikasi COA digunakan. Dalam kasus terakhir, dampak dari
metode aritmatika fuzzy cukup besar, dan metode yang memberikan kesalahan terkecil adalah
prinsip ekstensi menggunakan norma t drastis atau norma t terikat, tergantung pada op-erator
agregasi yang digunakan. Dengan pilihan parameter yang tepat, kerangka kerja yang diusulkan
sangat meningkatkan SMAPE dibandingkan dengan hasil terbaik yang diperoleh dengan
pendekatan konsensus: 0,08 dibandingkan dengan 43,22.

Tabel 5. Perbandingan hasil studi kasus menggunakan operator agregasi dengan hasil dari simulasi
Monte Carlo menggunakan perhitungan kesalahan SMAPE

Nilai Metode Defuzzification α-cut Minimum t-norm Produk t- Drastik t- Terikat t-norm
Konsensus
SMAPE COA 95.78 95.78 86.00
norm 72.78
norm 74.93
MOM 72.69 72.69 72.69 72.69 72.69
SOM 43.22 43.22 43.22 43.22 43.22
LOM 92.83 92.83 92.83 92.83 92.83
FWA COA 110.53 110.53 107.60 104.20 104.40
MOM 104.22 104.22 104.22 104.22 104.22
SOM 84.98 84.98 84.98 84.98 84.98
LOM 117.95 117.95 117.95 117.95 117.95
FWG COA 68.46 68.46 46.88 8.00 19.57
MOM 7.85 7.85 7.85 7.85 7.85
SOM 45.89 45.89 45.89 45.89 45.89
LOM 42.32 42.32 42.32 42.32 42.32
FOWA COA 24.43 24.43 12.81 7.56 1.43
MOM 0.08 0.08 0.08 0.08 0.08
SOM 46.33 46.33 46.33 46.33 46.33
LOM 0.20 0.20 0.20 0.20 0.20

Catatan: Nilai tebal mewakili SMAPE terendah yang diperoleh.

Temuan-temuan dari studi kasus ini menunjukkan bahwa dengan menerapkan proses agregasi pada
GDM dalam penilaian risiko konstruksi, hasilnya lebih sesuai dengan nilai kontingensi proyek
MCS daripada hasil yang diperoleh melalui konsensus. Lebih lanjut, di antara tiga operator
agregasi yang diuji, FOWA menunjukkan hasil yang ditunjukkan dengan perjanjian MCS tertinggi
untuk studi kasus spesifik ini, dan metode aritmatika fuzzy yang digunakan tidak mempengaruhi
hasil ketika formula defuzzifikasi selain COA digunakan. Kerangka penilaian risiko yang
diusulkan akan membantu peneliti dan pemimpin industri dalam memajukan pendekatan GDM
untuk penilaian risiko konstruksi dengan menyediakan metodologi berbasis agregasi yang
sistematis, transparan, dan fleksibel.
Kesimpulan dan Penelitian Masa Depan

Penilaian risiko dan peluang pada proyek konstruksi adalah topik yang sangat kompleks, dan
prosesnya sering melibatkan banyak pakar dengan berbagai tingkat keahlian. Makalah ini telah
mengusulkan kerangka penilaian risiko baru. Kerangka yang diusulkan memberikan metodologi
sistematis, multistep yang menilai tingkat keahlian dalam penilaian risiko konstruksi, dan
memberikan bobot pada pendapat para ahli sesuai dengan tingkat keahlian mereka. Pendapat para
ahli untuk penilaian kriteria kualifikasi dan penilaian risiko ditangkap oleh istilah linguistik, yang
dimodelkan menggunakan angka fuzzy. Untuk alasan ini, kerangka kerja ini juga dapat memproses
subjektivitas dan ketidakjelasan yang melekat dalam penilaian manusia.

Kerangka kerja itu diterapkan dalam studi kasus proyek konstruksi nyata dan dibandingkan dengan
hasil yang diperoleh MCS P50. Kerangka kerja ini dapat memperoleh hasil yang serupa dengan
pendekatan MCS; Namun, kerangka kerja yang diusulkan menawarkan proses yang lebih cepat
dan tidak tergantung pada ketersediaan data historis untuk estimasi distribusi probabilistik. Kinerja
kerangka kerja juga lebih unggul daripada proses konsensus. Beberapa pedoman untuk memilih
operator agregasi yang paling tepat dan formula defuz-zifikasi juga dibahas, yang dalam konteks
studi kasus ini adalah operator FOWA dan formula MOM.

Singkatnya, kontribusi utama dari makalah ini adalah sebagai berikut: untuk memperkenalkan
daftar kriteria, metrik, dan skala yang jelas dan konsisten untuk mengevaluasi keahlian penilaian
risiko; untuk mengembangkan metode untuk mengukur tingkat keahlian dalam penilaian risiko;
dan untuk meningkatkan penilaian risiko konstruksi proses-proses GDM dengan memperkenalkan
kerangka kerja terstruktur yang menggabungkan penilaian dari kelompok pakar yang heterogen
melalui agregasi.

Penelitian di masa depan akan mengeksplorasi perluasan kerangka kerja yang diusulkan untuk
aplikasi konstruksi lain yang membutuhkan penilaian ahli. Tujuan ini dapat dicapai dengan
menyesuaikan daftar kriteria untuk menilai tingkat keahlian di bidang lain, dan dengan mengikuti
dasar pemikiran yang diusulkan untuk menetapkan bobot penting selama proses pengembangan di
GDM. Selain itu, metodologi baru yang dapat menyesuaikan bobot awal dari para ahli yang terlibat
dalam mengevaluasi pentingnya kriteria untuk menilai tingkat keahlian para ahli akan
menghilangkan asumsi kelompok permulaan homogen awal, yang merupakan topik bagi
Penemuan masa depan. Analisis sensitivitas dapat dilakukan untuk menyelidiki pengaruh
perubahan dalam bobot relatif relatif dari kriteria dan subkriteria pada bobot penting para ahli dan
dampak selanjutnya pada nilai kontingensi. Pekerjaan di masa depan juga akan mencakup
perbandingan hasil kerangka penilaian risiko dan MCS dengan hasil kontinjensi proyek yang
sebenarnya untuk lebih memvalidasi kerangka kerja yang diusulkan. Topik lain untuk penelitian
di masa depan termasuk pengembangan metode untuk menyesuaikan bobot para ahli sesuai dengan
paket kerja yang sedang dievaluasi. Sebagai contoh, dalam pengumpulan bawah tanah paket
pekerjaan, para ahli yang memiliki latar belakang geoteknis memiliki tingkat keahlian yang lebih
tinggi, dan oleh karena itu bobot penilaian mereka harus disesuaikan.

Referensi

Ahmed, A., B. Kayis, and S. Amornsawadwatana. 2007. “A review of tech- niques for risk
management in projects.” Benchmarking: Int. J. 14 (1): 22–36.
https://doi.org/10.1108/14635770710730919.

Ardeshir, A., M. Amiri, Y. Ghasemi, and M. Errington. 2014. “Risk assess- ment of construction
projects for water conveyance tunnels using fuzzy fault tree analysis.” Int. J. Civ. Eng. 12 (4):
396–412.

Askari, M., H. R. Shokrizadeh, and N. Ghane. 2014. “A fuzzy AHP model in risk ranking.” Eur.
J. Bus. Manage. 6 (14): 194–202.

Awad, A., and A. R. Fayek. 2012a. “A decision support system for contractor prequalification
for surety bonding.” Autom. Constr. 21 (1): 89–98.
https://doi.org/10.1016/j.autcon.2011.05.017.
 Awad, A., and A. R. Fayek. 2012b. “Contractor default prediction model for surety bonding.”
Can. J. Civ. Eng. 39 (9): 1027–1042. https://doi.org/10.1139/l2012-028.

Baker, J., K. Lovell, and N. Harris. 2006. “How expert are the experts? An exploration of the
concept of ‘expert’ within Delphi panel techniques.” Nurse Res. 14 (1): 59–70.
https://doi.org/10.7748/nr2006.10.14.1.59.c6010.

Buckley, J. J. 1985. “Fuzzy hierarchical analysis.” Fuzzy Sets Syst. 17 (3): 233–247.
https://doi.org/10.1016/0165-0114(85)90090-9.

Buckley, J. J., T. Feuring, and Y. Hayashi. 2001. “Fuzzy hierarchical analy- sis revisited.” Eur. J.
Oper. Res. 129 (1): 48–64. https://doi.org/10.1016/S0377-2217(99)00405-1.

Butler, C., and A. Rothstein. 2006. On conflict and consensus: A hand book on formal consensus
decision making. Takoma Park, MD: Food Not Bombs.

Cabrerizo, F. J., F. Chiclana, R. Al-Hmouz, A. Morfeq, A. S. Balamash, and

E. Herrera-Viedma. 2015. “Fuzzy decision-making and consensus: Challenges.” J. Intell.

Fuzzy Syst. 29 (3): 1109–1118. https://doi.org/10.3233/IFS-151719.

Cabrerizo, F. J., J. M. Moreno, I. J. Pérez, and E. Herrera-Viedma. 2010. “Analyzing consensus

approaches in fuzzy group decision making: Advantages and drawbacks.” Soft Comput. 14
(5): 451–463. https://doi.org/10.1007/s00500-009-0453-x.

Chang, D. Y. 1996. “Applications of the extent analysis method on fuzzy AHP.” Eur. J. Oper.
Res. 95 (3): 649–655. https://doi.org/10.1016/0377-2217(95)00300-2.

CII (Construction Industry Institute). 2012. Applying probabilistic risk management in design
and construction projects. Austin, TX: Univ. of Texas at Austin.

Cornelissen, A. M. G., J. van den Berg, W. J. Koops, and U. Kaymak. 2003. “Elicitation of expert
knowledge for fuzzy evaluation of agricultural production systems.” Agric. Ecosyst. Environ.
95 (1): 1–18. https://doi.org/10.1016/S0167-8809(02)00174-3.

Demirel, T., N. Ç. Demirel, and C. Kahraman. 2008. “Fuzzy analytic hier- archy process and its
application.” In Vol. 16 of Fuzzy multi-criteria decision making: Springer optimization and
its applications, edited by C. Kahraman, 53–83. Boston: Springer.
Ding, Y., Z. Yuan, and Y. Li. 2008. “Performance evaluation model for transportation corridor
based on fuzzy-AHP approach.” In Proc., 5th Int. Conf. on Fuzzy Systems and Knowledge
Discovery, 608–612. Jinan, China: IEEE Computer Society.

Dong, W. M., and F. S. Wong. 1987. “Fuzzy weighted averages and implementation of the
extension principle.” Fuzzy Set Syst. 21 (2): 183–199. https://doi.org/10.1016/0165-
0114(87)90163-1.

Elbarkouky, M. G., and A. R. Fayek. 2011a. “Fuzzy preference relations consensus approach to
reduce conflicts on shared responsibilities in the owner managing contractor delivery system.”
J. Constr. Eng. Manage. 137 (8): 609–618. https://doi.org/10.1061/(ASCE)CO.1943-
7862.0000334.

Elbarkouky, M. G., and A. R. Fayek. 2011b. “Fuzzy similarity consensus model for early
alignment of construction project teams on the extent of their roles and responsibilities.” J.
Constr. Eng. Manage. 137 (6): 432–441. https://doi.org/10.1061/(ASCE)CO.1943-
7862.0000310.

Elbarkouky, M. G., A. R. Fayek, N. B. Siraj, and N. Sadeghi. 2016. “Fuzzy arithmetic risk analysis
approach to determine construction project con- tingency.” J. Constr. Eng. Manage. 142 (12):
4016070. https://doi.org/10.1061/(ASCE)CO.1943-7862.0001191.

Ezell, B. C., S. P. Bennett, D. Von Winterfeldt, J. Sokolowski, and

A. J. Collins. 2010. “Probabilistic risk analysis and terrorism risk.”

Risk Anal. 30 (4): 575–589. https://doi.org/10.1111/j.1539-6924.2010.01401.x.

Farrington-Darby, T., and J. R. Wilson. 2006. “The nature of expertise: A review.” Appl. Ergon.
37 (1): 17–32. https://doi.org/10.1016/j.apergo.2005.09.001.

Gohar, A. S., M. Khanzadi, and M. Farmani. 2012. “Identifying and evalu- ating risks of
construction projects in fuzzy environment: A case study in Iranian construction industry.”
Indian J. Sci. Technol. 5 (11): 3593–3602.

Grabisch, M., J. Marichal, R. Mesiar, and E. Pap. 2009. Aggregation func- tions (encyclopedia of
mathematics and its applications). Cambridge, UK: Cambridge University Press.
Hanss, M. 2005. Applied fuzzy arithmetic: An introduction with engineer- ing applications. 1st
ed. New York: Springer.

Herrera-Viedma, E., F. J. Cabrerizo, J. Kacprzyk, and W. Pedrycz. 2014. “A review of soft

consensus models in a fuzzy environment.” Inform. Fusion 17 (1): 4–13.
https://doi.org/10.1016/j.inffus.2013.04.002.

Hoffmann, S., P. Fischbeck, A. Krupnick, and M. McWilliams. 2007. “Elicitation from large,
heterogeneous expert panels: Using multiple uncertainty measures to characterize information
quality for decision analysis.” Decis. Anal. 4 (2): 91–109.
https://doi.org/10.1287/deca.1070.0090.

Hsu, H. M., and C. T. Chen. 1996. “Aggregation of fuzzy opinions under group decision’
making.” Fuzzy Sets Syst. 79 (3): 279–285. https://doi.org/10.1016/0165-0114(95)00185-9.

Liu, B., T. Huo, X. Wang, Q. Shen, and Y. Chen. 2013. “The decision model of the intuitionistic
fuzzy group bid evaluation for urban infra- structure projects considering social costs.” Can.
J. Civil Eng. 40 (3): 263–273. https://doi.org/10.1139/cjce-2012-0283.

Mak, S., and D. Picken. 2000. “Using risk analysis to determine construc- tion project
contingencies.” J. Constr. Eng. Manage. 126 (2): 130–136.
https://doi.org/10.1061/(ASCE)0733-9364(2000)126:2(130).

Marsh, K., and A. R. Fayek. 2010. “SuretyAssist: Fuzzy expert system to assist surety
underwriters in evaluating construction contractors for bonding.” J. Constr. Eng. Manage.
136 (11): 1219–1226. https://doi.org/10.1061/(ASCE)CO.1943-7862.0000224.

Merigó , J. M. 2011. “Fuzzy multi-person decision making with fuzzy probabilistic

aggregation operators.” Int. J. Fuzzy Syst. 13 (3): 163–174. Merigó , J. M., and M. Casanovas.
2009. “Induced aggregation operators in decision making with the Dempster-Shafer belief
structure.” Int. J.

Intell. Syst. 24 (8): 934–954. https://doi.org/10.1002/int.20368.

Modarres, M., M. P. Kaminskiy, and V. Krivtsov. 2016. Reliability engi- neering and risk
analysis: A practical guide. Moscow: CRC Press.
Mohammadi, A., and M. Tavakolan. 2013. “Construction project risk as- sessment using
combined fuzzy and FMEA.” In Proc., IFSA World Congress and NAFIPS Annual Meeting,
232–237. New York: IEEE.

Monzer, N. I. 2018. “A framework for aggregation of heterogeneous experts’ opinions in

construction risk assessment.” Master’s thesis, Dept. of Civil and Environmental
Engineering, Univ. of Alberta.

Monzer, N. I., N. B. Siraj, and A. R. Fayek. 2017. “Evaluation of hetero- geneous levels of
expertise in expert risk assessment in construction.” In Proc., 6th CSCE/ASCE/CRC Int.
Construction Specialty Conf., 125–136. Vancouver, BC, Canada: CSCE.

Nasirzadeh, F., A. Afshar, M. Khanzadi, and S. Howick. 2008. “Integrating system dynamics and
fuzzy logic modelling for construction risk man- agement.” Constr. Manage. Econ. 26 (11):
1197–1212. https://doi.org/10.1080/01446190802459924.

Perez, I. J., S. Alonso, F. J. Cabrerizo, J. Lu, and E. Herrera-Viedma. 2011. “Modeling

heterogeneity among experts in multi-criteria group decision making problems.” In Vol. 6820
of Modeling Decision for Artificial Intelligence. MDAI 2011. Lecture Notes in Computer
Science, edited by V. Torra, Y. Narakawa, J. Yin, and J. Long, 55–66. Berlin: Springer.

Perez, I. J., F. J. Cabrerizo, S. Alonso, and E. Herrera-Viedma. 2014. “A new consensus

model for group decision making problems with non- homogenous experts.” IEEE Trans. Syst.
Man. Cybern.: Syst. 44 (4): 494–498. https://doi.org/10.1109/TSMC.2013.2259155.

Ramík, J., and P. Korviny. 2010. “Inconsistency of pair-wise comparison matrix with fuzzy
elements based on geometric mean.” Fuzzy Set Syst. 161 (11): 1604–1613.
https://doi.org/10.1016/j.fss.2009.10.011.

Saaty, R. W. 1987. “The analytic hierarchy process—What it is and how it is used.” Math.
Modell. 9 (3–5): 161–176. https://doi.org/10.1016/0270-0255(87)90473-8.

Sadiq, R., Y. Kleiner, and B. Rajani. 2004. “Aggregative risk analysis for water quality failure
in distribution networks.” J. Water Supply: Res. Technol.-Aqua 53 (4): 241–261.
https://doi.org/10.2166/aqua.2004.0020.
Salah, A., and O. Moselhi. 2015. “Contingency modelling for construction projects using fuzzy
set theory.” Eng. Constr. Archit. Manage. 22 (2): 214–241. https://doi.org/10.1108/ECAM-
03-2014-0039.

Sun, Y. H., J. Ma, Z. P. Fan, and J. Wang. 2008. “A group decision support approach to evaluate
experts for R&D project selection.” IEEE Eng. Manage. 55 (1): 158–170.
https://doi.org/10.1109/TEM.2007.912934. Van Laarhoven, P. J. M., and W. Pedrycz. 1983.
“A fuzzy extension of Saaty’s priority theory.” Fuzzy Set Syst. 11 (1–3): 229–241.
https://doi.org/10.1016/S0165-0114(83)80082-7.

Wang, J., and H. Yuan. 2011. “Factors affecting contractors’ risk attitudes in construction
projects: Case study from China.” Int. J. Project Man- age. 29 (2): 209–219.
https://doi.org/10.1016/j.ijproman.2010.02.006. Willmott, C. J., and K. Matsuura. 2005.
“Advantage of the mean absolute error over the root mean square error (RMSE) in assessing
average model performance.” Clim. Res. 30 (1): 79–82. https://doi.org/10.3354/cr030079.

Xu, Z., and Q. L. Da. 2003. “An overview of operators for aggregating information.” Int. J.
Intell. Syst. 18 (9): 953–969. https://doi.org/10.1002/int.10127.

Yager, R. R. 2004. “OWA aggregation over a continuous interval argument with applications to
decision making.” IEEE Trans. Syst. Man Cybern. Part B (Cybernetics) 34 (5): 1952–
1963. https://doi.org/10.1109/TSMCB.2004.831154.

Zadeh, L. A. 1965. “Fuzzy sets.” Inf. Control 8 (3): 338–353. https://doi.org/10.1016/S0019-

9958(65)90241-X.