Machine Translated by Google
bangunan
Artikel
Identifikasi, Penilaian, dan Prediksi Risiko Mega
Proyek Konstruksi: Paradigma Prediksi Risiko Berdasarkan
Model Pembelajaran Mesin Analitik Lintas
Debalina Banerjee Chattapadhyay
Kutipan: Banerjee Chattapadhyay, D.;
Putta, J.; Rao P, RM Risiko
Identifikasi, Penilaian, dan
Prediksi Proyek Mega Konstruksi:
Paradigma Prediksi Risiko Berdasarkan
Model Pembelajaran Mesin Analitik
Lintas. Bangunan 2021, 11, 172. https://
doi.org/10.3390/building11040172
Editor Akademik: António
Aguiar Costa dan Manuel Parente
Diterima: 8 Maret 2021
Diterima: 14 April 2021
Diterbitkan: 17 April 2021
Catatan Penerbit: MDPI tetap netral
sehubungan dengan klaim yurisdiksi
dalam peta yang dipublikasikan dan afiliasi institusi.
ionisasi.
Hak Cipta: © 2021 oleh penulis.
Pemegang Lisensi MDPI, Basel, Swiss.
Artikel ini adalah artikel akses terbuka
didistribusikan berdasarkan syarat dan
ketentuan Creative Commons
Lisensi Atribusi (CC BY) ( https://
creativecommons.org/licenses/by/
4.0/).
Bangunan 2021, 11, 172. https://doi.org/10.3390/buildings11040172
1 2
, Jagadeesh Putta 1,* dan Rama Mohan Rao P
1
Sekolah Teknik Sipil, Institut Teknologi Vellore, Vellore 632014, India;
banerjee.chattapadhyay2015@vit.ac.in
2
Pusat Mitigasi dan Manajemen Bencana, Institut Teknologi Vellore, Vellore 632014, India;
rao_pannem@vit.ac.in
* Korespondensi: p.jagadeesh@vit.ac.in; Telp: +91-94447-12064
Abstrak: Identifikasi dan manajemen risiko merupakan dua bagian terpenting dalam manajemen proyek konstruksi.
Manajemen risiko yang lebih baik dapat membantu dalam menentukan konsekuensi di masa depan, namun
mengidentifikasi kemungkinan faktor risiko memiliki dampak langsung dan tidak langsung terhadap proses manajemen risiko.
Dalam makalah ini, sistem prediksi risiko berdasarkan model pembelajaran mesin analitik silang dikembangkan
untuk megaproyek konstruksi. Sebanyak 63 faktor risiko yang berkaitan dengan biaya, waktu, kualitas, dan ruang
lingkup megaproyek serta data primer dikumpulkan dari pakar industri dalam skala Likert lima poin. Sampel yang
diperoleh diproses lebih lanjut secara statistik untuk menghasilkan serangkaian fitur yang sangat besar untuk
melakukan pengelompokan K-means berdasarkan identifikasi faktor risiko tinggi dan komponen sub-risiko terkait.
Analisis deskriptif, diikuti dengan teknik pengambilan sampel berlebihan minoritas sintetik (SMOTE) dan uji peringkat-
sum Wilcoxon dilakukan untuk mempertahankan fitur paling signifikan yang berkaitan dengan biaya, waktu, kualitas,
dan ruang lingkup. Pada akhirnya, tidak seperti pengelompokan K-means klasik, algoritma pengelompokan K-means
berbasis algoritma genetika (GA – K-means) diterapkan dengan fungsi tujuan ganda untuk mensegmentasi faktor-
faktor risiko tinggi dan komponen-komponen sub-risiko yang terkait. Model yang diusulkan mengidentifikasi berbagai
faktor risiko tinggi dan sub-risiko, yang secara kumulatif dapat berdampak pada kinerja secara keseluruhan. Oleh
karena itu, mengidentifikasi faktor-faktor berisiko tinggi dan komponen-komponen sub-risiko yang terkait dapat
membantu pemangku kepentingan dalam mencapai keberhasilan proyek.
Kata Kunci: manajemen risiko; identifikasi resiko; megaproyek konstruksi; kuantitatif;
pembelajaran mesin ; komputasi evolusioner
1. Pendahuluan dan Latar Belakang
Peningkatan daya saing global secara eksponensial telah memicu setiap perekonomian untuk
memperkuat aspek sosial ekonominya dalam hal kondisi sosial, kekuatan ekonomi, prospek teknologi,
dan pengakuan global yang lebih baik. Hal ini telah memotivasi perekonomian untuk memperbaiki kondisi
intrinsiknya, termasuk infrastruktur. Hal ini mengakibatkan dilaksanakannya dan dilaksanakannya proyek-
proyek besar yang kompleks atau megaproyek yang memerlukan pendanaan besar dan berlangsung
dalam jangka waktu yang lama. Biasanya, sebuah megaproyek dapat dicirikan dari segi kompleksitasnya,
ketidakpastian investasi yang besar [1–3] , dinamisme, antarmuka yang dinamis, pengaruh sosiopolitik
dan eksternal yang penting, dan waktu konstruksi yang lama [4,5]. Di antara berbagai jenis proyek,
megaproyek sering dianggap sebagai proyek yang paling kompleks dan tidak pasti karena ketergantungan
banyak pemangku kepentingan, investasi besar, keterlibatan masyarakat yang lebih besar, lingkungan
pengambilan keputusan yang kompleks [2], dan kemungkinan risiko [5]. Selain itu, sifat megaproyek yang
tidak dapat diprediksi, bahkan dengan rincian proyek yang telah diperhitungkan dan dikalibrasi sebelumnya,
menunjukkan adanya kerentanan terhadap risiko. Tidak dapat disangkal, kegagalan suatu megaproyek
seringkali mengakibatkan runtuhnya agen pendanaan, kerugian finansial yang besar, dan kelangsungan
proyek untuk jangka panjang, terkadang selamanya [6]. Karena ini adalah proyek yang melibatkan investasi bernilai
https://www.mdpi.com/journal/buildings
Machine Translated by Google

Bangunan 2021, 11, 172 2 dari 28

dan memiliki kemungkinan menghadapi berbagai kekuatan risiko, terdapat kebutuhan untuk menanamkan
kebijakan manajemen proyek dan pengendalian pelaksanaan yang optimal [6–9].
Mengidentifikasi risiko yang melekat dan menghindarinya secara tepat waktu selalu menjadi tantangan,
terutama dalam megaproyek. Megaproyek konstruksi, yang sangat bergantung pada kondisi lokal, penerimaan
sosial, dan penegasan pemerintah, mempunyai risiko politik yang memperpanjang waktu penyelesaian proyek
dan menimbulkan risiko finansial yang besar [10]. Kurangnya dana dan sumber daya yang tepat waktu juga
berdampak buruk pada proyek. Namun, tingkat keparahan dan kompleksitas faktor-faktor risiko ini mempunyai
peran yang berbeda-beda di berbagai megaproyek. Faktor-faktor risiko ini dapat memberikan dampak yang lebih
parah pada beberapa proyek, namun dampaknya mungkin lebih kecil pada proyek lainnya.
Misalnya, sebuah megaproyek yang sepenuhnya didanai oleh pihak swasta memiliki risiko politik yang lebih
rendah, asalkan mendapat persetujuan awal dengan persyaratan dan perjanjian standar tertentu. Sebaliknya ,
megaproyek yang didanai pemerintah, terutama yang berkaitan dengan konstruksi, mengalami gejolak yang
signifikan akibat perubahan rezim politik dan kondisi lokal [9]. Untuk mengurangi risiko-risiko tersebut dalam
megaproyek konstruksi, mengidentifikasi risiko dan mendistribusikannya ke seluruh pemangku kepentingan dapat
memberikan dampak positif terhadap keberhasilan proyek.
Megaproyek juga memerlukan penilaian keterkaitan antar risiko untuk mengelompokkannya ke
dalam kategori yang tepat. Hal ini dapat membantu dalam manajemen dan penanganan risiko yang efisien.
Karakteristik megaproyek dan probabilitas risiko yang terkait memperluas cakrawala bagi industri akademis untuk
menilai berbagai kasus dan mengelompokkan risiko-risiko utama yang mungkin terjadi dan mengurangi langkah-
langkah (optimal) untuk memastikan pengambilan keputusan yang proaktif di seluruh siklus proyek [11].

Karena risiko dan tingkat keparahannya bervariasi dari satu proyek ke proyek lainnya berdasarkan sifatnya,
distribusi risiko, pemangku kepentingan, atau investasi yang menilai risiko untuk setiap jenis proyek dapat menjadi
sangat penting [11]. Untuk mengurangi kemungkinan kerugian yang merugikan dan masalah yang berkepanjangan
dalam megaproyek konstruksi, penilaian terhadap berbagai faktor risiko sangatlah penting [12]. Mengidentifikasi
berbagai risiko, keterkaitannya, dan kekuatan pendorongnya, serta langkah-langkah pengentasan yang sesuai,
dapat menjadi hal yang sangat penting.
Hal ini dapat membantu manajemen proyek dan lingkungan pengambilan keputusan terkait menjadi lebih spesifik
dan menguntungkan, terutama untuk megaproyek [7,12].
Selaras dengan megaproyek konstruksi kontemporer, kegiatan yang berkaitan dengan perencanaan proyek,
identifikasi risiko, analisis risiko kualitatif, analisis risiko kuantitatif, perencanaan respons risiko, pemantauan dan
pengendalian risiko diperlukan [13-17]. Mengidentifikasi, menilai, dan merespons potensi risiko dapat membantu
megaproyek konstruksi mengurangi dampak buruk selama siklus proyek [9,18,19]; namun, sebagai proyek yang
melibatkan banyak pemangku kepentingan, investasi multiagen, atau proyek yang didorong oleh dukungan sosio-
politik lokal, menilai potensi hubungan risiko dari proyek-proyek tersebut sangatlah penting [14,16-18]. Hal ini dapat
menghindari efek merugikan dan membantu dalam mencapai imbalan yang lebih baik [13,18,20]. Menariknya,
meskipun banyak penelitian membahas manajemen risiko dalam proyek skala kecil atau menengah [21], sangat
sedikit yang mempertimbangkan penilaian risiko dalam megaproyek konstruksi [11,22-26]. Hal ini memperluas
wawasan para peneliti untuk menilai manajemen risiko megaproyek, sehingga menghasilkan model holistik yang
mengatasi berbagai potensi risiko dalam megaproyek (konstruksi) [9,18,19]. Dalam beberapa dekade terakhir,
pesatnya peningkatan jumlah dan nilai megaproyek [27] dan heterogenitas faktor risiko yang berbeda telah terlihat
pada megaproyek yang berbeda-beda; oleh karena itu, model atau kerangka manajemen risiko yang sama tidak
dapat diterapkan untuk semua megaproyek [26].

Hal ini karena, seiring dengan meningkatnya ukuran, kompleksitas, dan keterlibatan multipihak, maka kerentanan
terhadap risiko pun meningkat secara paralel [19,25,28]. Oleh karena itu, menilai risiko megaproyek konstruksi
sebagai kasus tersendiri adalah suatu keharusan [26]. Hal ini, sebagai hasilnya, dapat membantu dalam mencapai
identifikasi risiko yang tepat, penilaian tingkat keparahan risiko, hubungan antar risiko, dan distribusi risiko di antara
agen atau pemangku kepentingan untuk menghindari proyek tertunda dan kerugian finansial [9,13,26].
Sebagaimana dinyatakan, dalam penelitian-penelitian besar yang ada, penilaian kualitatif telah dilakukan
untuk mengidentifikasi faktor-faktor risiko dan kemungkinan tindakan penghindaran. Ironisnya, metode yang ada
tidak berkontribusi pada kerangka manajemen risiko spesifik proyek dan karenanya tidak dapat diterapkan di
semua megaproyek [13]. Sebaliknya, meskipun terjadi peningkatan pesat dalam sektor konstruksi di seluruh
perekonomian global dan kemungkinan terjadinya risiko yang terkait, sangat sedikit penelitian yang membahas mengenai hal
Machine Translated by Google

Bangunan 2021, 11, 172 3 dari 28

manajemen risiko dalam megaproyek konstruksi [25,29]. Menariknya, penelitian yang ada mengidentifikasi
risiko pelaksanaan, risiko ekonomi, risiko politik, risiko lingkungan, risiko teknologi, dan risiko sosial sebagai
faktor risiko utama yang berdampak pada megaproyek konstruksi [26,30]. Meskipun identifikasi berbasis
pendekatan analitis, penelitian ini tidak dapat mengidentifikasi hubungan dan hubungan dekat antara faktor
risiko lainnya sehingga manajemen risiko dan keputusan dapat ditingkatkan untuk mencapai target upaya
[26]. Selain faktor-faktor risiko utama yang disebutkan di atas (eksekusi, ekonomi, politik, lingkungan hidup,
teknologi, dan sosial), terdapat risiko-risiko lain yang saling terkait yang mempunyai dampak kumulatif pada
siklus proyek jika risiko-risiko tersebut tidak ditangani. Oleh karena itu, mengelompokkan berbagai faktor risiko
berdasarkan kedekatan keterkaitannya dapat membantu dalam mengelompokkan risiko-risiko utama dan
(menutup) faktor-faktor sub-risiko. Oleh karena itu, hal ini dapat memungkinkan distribusi dan penanganan
risiko yang lebih baik untuk memastikan keberhasilan proyek.
Untuk mengidentifikasi berbagai faktor risiko dan komponen sub-risiko yang terkait, pemanfaatan
konektivitas antar-risiko dapat menjadi hal yang sangat penting. Sekadar mengidentifikasi faktor-faktor risiko
berdasarkan metode kualitatif atau kuantitatif tertentu tidak dapat menggeneralisasi kerangka manajemen
risiko. Tidak dapat disangkal, metode kuantitatif atau metode analisis dengan tanggapan para ahli terhadap
faktor-faktor risiko dapat membantu peneliti atau industri dalam mengidentifikasi risiko-risiko besar (luas);
namun , hal ini mungkin gagal dalam mengatasi sub-risiko, yang dapat mempunyai dampak kumulatif terhadap
keberhasilan proyek secara keseluruhan.
Tujuan utama dari studi ini adalah untuk merancang kerangka dinamis untuk penilaian
kompleksitas risiko dalam pembangunan megaproyek. Dengan tujuan studi ini, kerangka
identifikasi risiko baru yang berbasis pengetahuan dan pembelajaran mesin dikembangkan
untuk megaproyek konstruksi. Karena ini adalah model silang, kami memanfaatkan metode
penelitian kuantitatif untuk mengumpulkan dan memproses persepsi dan saran para ahli
terhadap berbagai faktor risiko dalam megaproyek konstruksi, serta algoritma pembelajaran
mesin untuk mengelompokkan berbagai faktor risiko berdasarkan ketergantungan dan
ketergantungannya. dampak kumulatif pada kinerja proyek.
Hal ini dapat membantu mengurangi dampak buruk pada siklus hidup suatu konstruksi
megaproyek. Kontribusi utama dalam makalah penelitian ini dapat diringkas sebagai berikut: 1. Berbeda
dengan identifikasi risiko berbasis penelitian kualitatif atau bahkan kuantitatif terbatas , dalam penelitian ini,
kami mempertimbangkan identifikasi dan verifikasi risiko yang didorong oleh pakar industri dan
pengetahuan . Dengan kata lain, kami memperoleh tanggapan dari para ahli yang menangani (atau
pernah menangani) megaproyek konstruksi terhadap berbagai potensi faktor risiko dan dampaknya
terhadap siklus hidup proyek; 2. Karena penelitian
ini merupakan pendekatan manajemen risiko berbasis pengetahuan, kami melakukan penilaian statistik
terhadap berbagai faktor risiko dan dampaknya terhadap siklus hidup dan kinerja proyek. Selain itu,
dengan memperoleh skor risiko kumulatif dari faktor-faktor risiko utama, pembelajaran mesin diterapkan
untuk mengelompokkan faktor-faktor sub-risiko lain yang berkorelasi untuk pengambilan keputusan
yang lebih baik;
3. Karena penelitian ini menggunakan skenario beberapa risiko, kami memproses keluaran statistik dari
berbagai risiko dan tingkat keparahannya menggunakan algoritma pengelompokan K-means berbasis GA.
Algoritme GA K-means yang diusulkan mengeksploitasi bobot masing-masing risiko utama serta faktor
sub-risiko untuk mengelompokkan (atau mengelompokkan) keseluruhan risiko ke dalam kategori yang
luas; 4. Identifikasi risiko-risiko utama beserta sub-risiko terdekatnya dapat memungkinkan pengelolaan risiko
yang lebih baik dalam hal kesadaran risiko, distribusi risiko, pengambilan keputusan proaktif, dan
eksekusi. Secara kumulatif, hal ini sangat penting untuk menghindari kerugian merugikan yang dapat
disebabkan oleh risiko tersembunyi atau risiko yang tidak terlalu penting dalam megaproyek konstruksi;
5. Karena penelitian
yang diusulkan memberikan kontribusi kerangka identifikasi risiko berdasarkan pengetahuan yang didorong
oleh para ahli dan hasil prediksi berbasis pembelajaran mesin, maka efektivitasnya terhadap manajemen
risiko proyek lebih dapat dibenarkan dan diadopsi.
Machine Translated by Google

Bangunan 2021, 11, 172 4 dari 28

2. Tinjauan Pustaka

2.1. Karakteristik Megaproyek Biasanya,

faktor-faktor kunci yang mengkarakterisasi suatu proyek sebagai megaproyek mencakup investasi
lebih dari USD 1 miliar, dinamisme tinggi, manfaat tak berwujud yang layak, dan hasil jangka panjang yang
mencolok serta manfaat terkait [1,3]. Megaproyek juga dicirikan oleh kompleksitas dan risiko desain yang
sangat tinggi sehingga memiliki risiko rekayasa dan desain yang tinggi sepanjang pengembangan proyek
[18]. Beberapa megaproyek yang terkenal di dunia adalah menara Taipei 101 di Taipei, Taiwan (gedung
tertinggi di dunia, 508 m), Jembatan Bendungan Roosevelt di Arizona AS, (jembatan lengkung baja
terpanjang), proyek rekonstruksi Big I di New Mexico , AS, (proyek jalan bebas hambatan terbesar di negara
bagian ini) [23], yang memiliki kompleksitas tinggi dalam desain, dinamisme, anggaran besar, volatilitas,
dan ketidakpastian. Hal ini menimbulkan kerentanan terhadap risiko yang memerlukan identifikasi dan
manajemen proaktif untuk kinerja proyek yang lebih baik [31]. Hal ini dapat difasilitasi dengan pengukuran
kompleksitas [31] dan pemantauan kinerja proyek pada tahap prakonstruksi dan konstruksi. Beberapa alat
yang tersedia untuk sistem pengukuran kinerja mencakup sistem berbasis biaya/jadwal yang disebut sistem
manajemen nilai yang diperoleh (EVMS), kartu skor seimbang (BSC), dan indikator kinerja utama [32].
Risiko, di sisi lain, sering diukur dengan indeks kinerja risiko berdasarkan alat kinerja proyek [32]. Para
peneliti di North Carolina State University melakukan penelitian untuk memodelkan pola kurva pembayaran
untuk megaproyek desain dan pembangunan yang telah selesai menggunakan pendekatan makro/mikro
pada tahap prakonstruksi dan pendekatan model pada tahap konstruksi [33]. Pendekatan makro
menciptakan model pembayaran proyek berdasarkan data dari proyek-proyek sebelumnya, sedangkan
pendekatan mikro membangun kurva pembayaran proyek berdasarkan perkiraan biaya dari berbagai
kegiatan konstruksi yang terlibat. Model pada tahap konstruksi didasarkan pada perkiraan perkiraan
pengeluaran oleh kontraktor. Hasil dari penelitian ini juga mengungkapkan “faktor-faktor kunci” yang
mempengaruhi megaproyek seperti penundaan waktu, proses merger, perluasan cakupan, persetujuan dan
persetujuan untuk perkeretaapian, perizinan, relokasi utilitas selama tahap prakonstruksi dan utilitas, jalur
kereta api, Hak Jalan ( ROW), dan izin selama tahap konstruksi [33].

Sejalan dengan megaproyek, risiko dapat didefinisikan sebagai kejadian tak terduga apa pun yang
mengganggu tujuan proyek, dan akibatnya, proyek tersebut mungkin gagal memenuhi upaya yang
diharapkan dari para pemangku kepentingan terkait [34]. Hal ini juga didefinisikan sebagai “suatu peristiwa
yang tidak pasti, yang jika terjadi, dapat mempunyai dampak positif dan negatif terhadap tujuan dan upaya proyek” [15
Setiap faktor risiko seringkali mempunyai konsekuensi positif dan negatif tertentu. Risiko merupakan faktor
yang sangat penting yang perlu dipertimbangkan, karena dapat mempengaruhi analisis biaya-manfaat,
persepsi lokal, biaya konstruksi, waktu pelaksanaan, dan variabel keuangan utama [12].

Dampak risiko bergantung pada peristiwa penyebab dan cara manajemen yang bertanggung jawab
menanganinya. Sebuah megaproyek konstruksi pada umumnya memiliki banyak faktor risiko yang dapat
menyebabkan penundaan konstruksi yang berkepanjangan, kerugian finansial yang signifikan selama
siklus hidup proyek, dan perbedaan persepsi para pemangku kepentingan. Hal ini mengakibatkan kegagalan
proyek, dan oleh karena itu, tindakan manajemen tertentu yang optimis dan spesifik, termasuk penilaian
risiko dan langkah-langkah mitigasi, perlu diambil [6].

2.2. Identifikasi, Penilaian, dan Manajemen Risiko: Skenario Saat

Ini Berbagai peneliti [35–38] telah menyatakan bahwa sebagian besar kemungkinan
risiko berkaitan dengan megaproyek, dan akar penyebabnya dapat diidentifikasi dengan
menilai dinamika organisasi dan karakteristik multidisiplin lingkungan bisnis saat ini [ 39–41].
Karena megaproyek merupakan lingkungan bisnis berbasis multi-pemangku kepentingan, partisipasi proaktif
dari berbagai elemen pengolahan otonom, teknologi, dan pemangku kepentingan dalam tingkat atau
kemungkinan ketidakpastian dan distribusi risiko ternyata diperluas ke wilayah perusahaan yang luas dan
terkait. mitra [39-41]. Dalam keadaan seperti ini, pengelolaan megaproyek memerlukan lebih dari sekadar
analisis sederhana mengenai biaya dan tanggal, serta memahami penyebab ketidakpastian [42].
Machine Translated by Google

Bangunan 2021, 11, 172 5 dari 28

Banyak penelitian yang mengungkapkan bahwa risiko utama yang terlibat dalam megaproyek
adalah risiko politik, risiko desain, risiko ekonomi [2]. Di antara risiko-risiko utama, risiko politik
merupakan ketidakpastian pendanaan yang seringkali mengakibatkan potensi penurunan pendapatan.
Karena sifatnya yang tidak dapat diprediksi, kerugian besar juga berdampak signifikan pada megaproyek
dalam hal penundaan dan kerugian finansial. Mengacu pada megaproyek konstruksi, selain faktor-faktor
risiko yang disebutkan di atas, risiko lingkungan, risiko pelaksanaan, dan risiko sosial juga mempunyai
dampak yang menentukan keberhasilan dan sasaran usaha suatu proyek. Khususnya, di antara risiko-
risiko utama , risiko-risiko yang dapat berdampak langsung pada pelaksanaan, kinerja, dan penundaan
proyek merupakan risiko yang paling kritis dan karenanya memerlukan identifikasi dan penyelesaian awal [6,43].
Mengamati klasifikasi risiko yang disebutkan di atas, dapat dengan mudah disimpulkan bahwa
tidak ada pendekatan klasifikasi yang luas dan homogen di mana penulis dapat mengeksploitasi saling
ketergantungan faktor risiko dan dampaknya terhadap keberhasilan proyek secara keseluruhan. Metode
klasifikasi risiko yang ada tidak dapat disangkal terbatas karena ketidakmampuannya mengidentifikasi
semua jenis risiko dengan probabilitas tertentu pada proyek konstruksi besar, terutama yang berbasis
pada usaha patungan pemangku kepentingan pemerintah dan swasta. Selain itu, sebagian besar
metode identifikasi atau klasifikasi risiko yang ada tidak memiliki pengelompokan yang berorientasi pada
sumber, konsensus ahli, dan ketergantungan antar risiko yang diperlukan untuk paparan risiko yang
tepat terkait dengan proyek konstruksi besar [44].
Meskipun setiap proyek memerlukan analisis multidimensi untuk menilai kemungkinan
keberhasilan, risiko yang melekat, dan solusi yang layak, hal ini sangat penting bagi megaproyek karena
kompleksitasnya yang lebih luas dan investasi yang besar. Harvest [45] menyatakan bahwa sejumlah
besar proyek seringkali gagal karena meningkatnya kompleksitas proyek dari waktu ke waktu. Hal ini
menimbulkan pertanyaan apakah kebijakan manajemen risiko industri dan standar terkait efektif dalam
menghindari kerugian dan kegagalan yang tidak pasti [44].
Selain itu, manajemen risiko dan praktik terkait tidak sama di semua proyek, karena risiko tidak berdampak pada semua
proyek dengan cara yang sama atau pada tingkat yang sama [38].
Terlepas dari ukuran proyek, proses manajemen risiko memerlukan identifikasi risiko yang melekat
dan tindakan penghindaran proyek yang optimal [42]. Lebih khusus lagi, penilaian risiko dan praktik
manajemen megaproyek melibatkan identifikasi strategi optimal untuk mengurangi kemungkinan risiko,
yang mencakup cara pembagian risiko yang mungkin terjadi di antara para pemangku kepentingan dan
risiko yang dapat dialihkan [6].
Mengacu pada megaproyek, parameter utama waktu, biaya, dan ruang lingkup merupakan pengukuran kinerja
klasik, yang sering secara kolektif disebut “tiga kendala” atau “segitiga besi”, yang perlu ditangani, dan praktik manajemen
proyek perlu dilakukan . untuk mempertahankan upaya target [46]. Berdasarkan metode penilaian analitis, kinerja yang
lebih rendah dapat dicirikan oleh beberapa faktor yang berkaitan dengan megaproyek, seperti keterbatasan sumber daya,
kompleksitas yang lebih tinggi, perkiraan yang kurang realistis, manajemen yang tidak efisien, dan penolakan masyarakat
(pemangku kepentingan) karena penyebab lokal. dan/atau agitasi sosial bermotif politik [6,47–49]. Selain itu, terdapat juga
beberapa faktor risiko tersembunyi yang jarang dibahas dalam literatur, terutama yang berkaitan dengan megaproyek.

Ini adalah penawaran yang tidak adil, penyewaan yang bias, dan penawaran yang tidak realistis atau terlalu rendah
nilainya. Faktor-faktor tersebut seringkali mendorong suatu megaproyek mengalami kerugian finansial dan penundaan
karena gagal bayar (default-driven) serta seringkali menimbulkan risiko negosiasi yang pada umumnya ternyata
menyebabkan tertundanya suatu megaproyek konstruksi [22,47].

2.3. Signifikansi Studi Saat Ini Meskipun,

dalam beberapa tahun terakhir, sejumlah besar studi telah dilakukan mengenai praktik manajemen
risiko dalam proyek, namun sangat sedikit penelitian yang membahas penilaian risiko dan kebijakan
manajemen terkait untuk megaproyek [22]. Sebaliknya, kebutuhan untuk menilai risiko yang berkaitan
dengan megaproyek selalu menjadi tuntutan utama dari industri [11,23], karena hal ini memandu dan
menetapkan standar bagi manajemen untuk membuat keputusan yang optimal dan terkalibrasi dalam
perencanaan dan pelaksanaan proyek sambil tetap mempertahankan upaya para pemangku
kepentingan . Identifikasi risiko dan perumusan tindakan pencegahan yang sesuai sangat penting dalam
suatu megaproyek, terutama ketika suatu megaproyek melaksanakan keduanya
Machine Translated by Google

Bangunan 2021, 11, 172 6 dari 28

lembaga publik dan swasta [30]. Meskipun karena keterbatasan anggaran, beberapa peneliti telah
menyumbangkan model kemitraan publik-swasta dalam megaproyek, namun penelitian mereka hanya
terbatas pada pengelolaan keuangan dan optimalisasi sumber daya [30]. Ketidakpastian dan dampak
risiko yang sangat tinggi dari megaproyek konstruksi menjadikan kebijakan manajemen risiko yang
optimal menjadi sangat penting [23,50]. Penulis tertentu telah menemukan bahwa pertimbangan
faktor-faktor kunci seperti “ketidaktepatan, ketidakjelasan, dan ketidakjelasan faktor risiko adalah
[sangat penting] agar proyek konstruksi dapat secara tepat menangani risiko proyek kontraktor
dengan menggunakan Fuzzy Set Theory (FST)”; namun, kurangnya metodologi, database, dan jurnal
khusus yang dianalisis membatasi generalisasi ini [14].
Taroun (2014) mempelajari berbagai model dan ukuran risiko dalam proyek konstruksi [51].
Menilai berbagai definisi, elemen risiko, dan konsep terkait model risiko dalam proyek konstruksi,
penulis mengidentifikasi alat dan teori utama dan menyatakan bahwa terdapat kekurangan kerangka
umum untuk menilai risiko dan dampaknya terhadap proyek konstruksi [19, 50,51]. Namun, para
penulis ini tidak dapat mengatasi kekhawatiran terhadap megaproyek konstruksi, yang memiliki
dampak risiko dan fluktuasi yang lebih besar dibandingkan proyek-proyek kecil pada umumnya.

Untuk mengklasifikasikan berbagai faktor risiko dalam proyek konstruksi, berbagai model telah
diusulkan. Model klasifikasi umum [52] digunakan, namun ditujukan untuk mengklasifikasikan risiko
yang berbeda pada fase awal siklus proyek konstruksi. Para penulis mengidentifikasi beberapa
faktor risiko utama seperti risiko biaya, risiko permintaan, risiko pasar keuangan, dan risiko politik.
Dengan melakukan penilaian yang lebih mendalam, penulis mengklasifikasikan berbagai faktor risiko
sebagai berikut: (1) risiko biaya: konstruksi, pemeliharaan, dan pengoperasian; (2) risiko permintaan:
perkiraan lalu lintas dan pendapatan; (3) risiko pasar keuangan: tingkat suku bunga di masa depan;
(4) risiko politik: regulasi, investasi publik paralel, dan penetapan harga di bagian jaringan yang berdekatan.
Namun, faktor-faktor risiko ini tidak mempunyai signifikansi atau dampak yang dapat digeneralisasikan pada keseluruhan
siklus proyek. Selain itu, pendekatan ini gagal untuk mengatasi hubungan atau ketergantungan antara satu faktor risiko
dengan faktor risiko lainnya yang mungkin mempunyai dampak yang menentukan terhadap keberhasilan proyek
(megaproyek) secara keseluruhan.
Penilaian serupa dilakukan oleh Little [53], yang mengklasifikasikan risiko proyek konstruksi
menjadi risiko politik, risiko konstruksi (atau pelaksanaan), risiko operasi dan pemeliharaan, risiko
hukum dan kontrak, risiko pendapatan, dan risiko keuangan. Bing dkk. [54], di sisi lain,
mengklasifikasikan risiko berdasarkan tingkat keparahannya, dengan mempertimbangkan risiko
tingkat makro, meso, dan mikro. Di sini, risiko makro mencakup risiko eksogen, sedangkan risiko
endogen dianggap risiko mesolevel. Sebaliknya, tingkat mikro menandakan risiko yang disebabkan
oleh hubungan pemangku kepentingan yang terjadi selama proses pengadaan karena adanya
kesenjangan yang melekat antara sektor publik dan swasta dalam manajemen kontrak. Rolstadas
dan Johansen [55], Krane dkk. [56], dan Westney dan Dodson [57] membedakan dalam hal risiko
kontekstual, di mana yang pertama menyatakan bahwa ada dampak prospektif pada hasil atau modal
karena keputusan bisnis yang merugikan, eksekusi yang tidak efektif, dan keputusan implementasi,
atau kurangnya responsif terhadap perubahan organisasi.
Baru-baru ini, Krane dkk. [56] dan Krane dkk. [58] membedakan faktor risiko berdasarkan tujuan
proyek. Mereka mengklasifikasikan risiko menjadi risiko operasional (terutama yang berkaitan dengan
tujuan operasional proyek , terbatas pada hasil langsung proyek), risiko strategis jangka pendek, dan
risiko strategis jangka panjang. Turner [59] membedakan risiko sebagai risiko bisnis dan risiko yang
dapat diasuransikan (karena rangkaian kejadian yang tidak terduga selama siklus proyek).

3. Bahan dan Metode

Pada prinsipnya banyak metode penelitian yang diperlukan untuk memenuhi berbagai
kebutuhan penelitian [60]. Ironisnya, walaupun ada banyak metode penelitian, tidak ada pilihan yang
sempurna. Namun demikian, beberapa metode lebih cocok untuk mengatasi permasalahan tertentu
dibandingkan metode lainnya. Penelitian ini didasarkan pada paradigma penelitian campuran yang
melibatkan pendekatan kualitatif dan kuantitatif. Gambar 1 mengilustrasikan keseluruhan alur
kerangka yang diusulkan untuk penelitian ini.
Machine Translated by Google

Bangunan 2021, 11, 172 7 dari 28

Gambar 1. Diagram alir proses metodologi penelitian yang diusulkan.

3.1. Fase Kualitatif

Sebagai bagian dari fase kualitatif, analisis isi dilakukan dengan bantuan kelompok
fokus berdasarkan tinjauan literatur dari artikel, jurnal, buku teks, dan sumber internet
lainnya. Kategorisasi faktor risiko yang luas dilakukan berdasarkan tema, diikuti dengan
pengkodean dan pencarian berbagai risiko di setiap kategori. Secara total, 10 anggota
diidentifikasi sebagai bagian dari kelompok fokus dengan pengalaman 15-25 tahun, mulai
dari pakar industri hingga akademisi di bidang praktik manajemen konstruksi. Para ahli dari
kelompok fokus diberikan dua putaran pertanyaan. Putaran pertama berisi dua pertanyaan
terbuka untuk meminta pendapat mereka mengenai kategori risiko utama yang mungkin
dihadapi oleh megaproyek, sedangkan putaran kedua berisi 63 faktor risiko berbeda yang
diidentifikasi dari literatur dan dimintai persetujuan mereka. Analisis konten [61] dilakukan
dari transkrip wawancara dengan bantuan kode yang digunakan. Kode yang menggambarkan
jumlah perjanjian terbanyak dipertimbangkan untuk analisis lebih lanjut. Konsensus
seharusnya tercapai ketika 80% ahli sepakat bahwa 63 faktor risiko sesuai untuk analisis
kuantitatif lebih lanjut. Hal ini pada akhirnya dapat membantu dalam mencapai faktor-faktor
risiko yang berbeda dan komponen-komponen sub-risiko yang terkait serta konektivitas antar-risiko y
Machine Translated by Google

Bangunan 2021, 11, 172 8 dari 28

dapat mempengaruhi kinerja proyek. Oleh karena itu, dengan melakukan wawancara, dimungkinkan untuk
mempertimbangkan relevansi faktor risiko yang diidentifikasi dalam literatur.

3.2. Fase Kuantitatif

Instrumen untuk fase kuantitatif terdiri dari kuesioner (melalui pos dan online). Pendekatan ini
dianggap perlu karena memberikan bukti penelitian empiris yang lebih kuat untuk menjelaskan fenomena
yang memungkinkan peneliti menjawab “berapa banyak” dan “berapa banyak”. Jadi, setelah berhasil
mengidentifikasi berbagai faktor risiko yang berkaitan dengan aspek waktu, biaya, kualitas, dan ruang
lingkup, para ahli diminta untuk menyatakan pandangan mereka terhadap dampak berbagai faktor risiko
terhadap keberhasilan dan upaya proyek, dengan menggunakan skala dari 1 hingga 5. Analisis didasarkan
pada masukan dari responden pada skala lima poin di mana responden diminta untuk mengukur dampak
setiap faktor risiko terhadap tujuan proyek dalam hal kualitas waktu dan ruang lingkup. Respons dengan
dampak 1 menunjukkan ketidaksepakatan (ditafsirkan sebagai dampak yang sangat rendah), sedangkan
tanggapan dengan dampak 5 menunjukkan sangat setuju (dampak sangat tinggi). Definisi linguistik
dampak faktor risiko ditafsirkan seperti yang ditunjukkan di bawah ini (Tabel 1).

Tabel 1. Definisi linguistik dampak faktor risiko diadaptasi dari Andric dkk [62].

Dampak Peringkat

Sangat rendah 1
Rendah 2
Sedang 3
Tinggi 4
Sangat tinggi 5

Sebanyak 150 kuesioner (Lampiran A) disebarkan, dan di antara kuesioner

tersebut, 91 kuesioner yang telah diisi berhasil diterima. Ini mewakili tingkat respons
di atas 60%. Dari tanggapan yang diterima, 70 dianggap valid dan digunakan untuk
bagian analisis. Di antara 70 tanggapan yang valid dalam penelitian ini, 5 (7,14%)
tanggapan berasal dari konsultan individu, 40 (57,14%) dari Insinyur, 4 (5,71%) dari
Manajer Proyek , 5 (7,14%) dari kontraktor atau vendor, dan 16 (22,86%) anggota tim proyek
Sebagian besar responden telah mengerjakan proyek tersebut selama antara 5 dan 15 tahun. Pertama, tanggapan
dari para ahli yang berbeda terhadap beragam faktor risiko kontemporer, dan dampaknya terhadap upaya atau
keberhasilan proyek diperoleh dan diproses untuk rata-rata kumulatif.
Jadi, untuk mendapatkan peringkat rata-rata untuk berbagai faktor risiko dan dampaknya terhadap upaya
(kesuksesan) suatu proyek, algoritma pengelompokan K-means berbasis heuristik baru yang mengelompokkan
komponen risiko yang berbeda ke dalam kelompok optimal, berisi sub-faktor risiko yang berbeda. ditangani secara
kumulatif, dirancang. Khususnya, tidak seperti pengelompokan berbasis K-means klasik, dalam penelitian ini,
algoritma GA diterapkan untuk mengoptimalkan estimasi centroid dari algoritma K-means, yang mengidentifikasi
faktor-faktor risiko utama dengan dampak yang menentukan dan sub-faktor yang terkait erat. faktor risiko yang
memiliki dampak yang tidak dapat disangkal terhadap kinerja proyek.
Hasilnya, identifikasi faktor risiko yang luas atau utama dapat dilakukan dengan sub-faktor risiko yang
sesuai, sehingga dapat membantu kerangka manajemen untuk mendistribusikan faktor risiko secara
optimal kepada berbagai pemangku kepentingan.

3.3. Pertanyaan Penelitian

Mengingat tujuan penelitian secara keseluruhan dan paradigma metodologi yang terkait, beberapa
pertanyaan penelitian telah dirumuskan. Pertanyaan-pertanyaan ini menilai apakah metodologi yang diusulkan
dapat mencapai tujuan penelitian secara keseluruhan atau tidak. Pertanyaan-pertanyaan kunci yang didefinisikan
diberikan sebagai
berikut: • Pertanyaan Penelitian 1 (RQ1): Apakah faktor-faktor risiko yang berkaitan dengan usaha kecil dan menengah
proyek yang berbeda dengan megaproyek konstruksi?
• Pertanyaan Penelitian 2 (RQ2): Apa saja komponen risiko dan sub-risiko utama yang berdampak pada
megaproyek konstruksi sehubungan dengan biaya, waktu, kualitas, dan ruang lingkup?
Machine Translated by Google

Bangunan 2021, 11, 172 9 dari 28

• Pertanyaan Penelitian 3 (RQ3): Dapatkah penggunaan risiko didorong secara kuantitatif atau empiris
faktor dan penilaian tingkat keparahannya membantu dalam mengkonseptualisasikan manajemen risiko
kerangka kerja dengan segmentasi risiko-sub-risiko untuk megaproyek multipihak yang lebih baik

(manajemen risiko?
• Pertanyaan Penelitian 4 (RQ4): Dapatkah analisis deskriptif konsensus para ahli terhadap hal tersebut
fitur tingkat keparahan risiko dengan uji Wilcoxon rank-sum sebagai metode pemilihan fitur
dan algoritma GA–K-means berbasis multi-tujuan menghasilkan identifikasi risiko yang optimal

dalam megaproyek konstruksi?

• Pertanyaan Penelitian 5 (RQ5): Bisakah penggunaan metode yang berbasis pengetahuan dan berbantuan heuristik?
Pengelompokan K-means memungkinkan dilakukannya segmentasi risiko-risiko utama dan faktor-faktor sub-risiko yang terkait

distribusi manajemen risiko yang lebih baik dalam megaproyek konstruksi?

3.4. Model sistem

Seperti yang ditunjukkan pada bagian sebelumnya, model yang diusulkan mencakup analisis
kuantitatif (katakanlah, empiris), diikuti dengan segmentasi risiko berbasis pembelajaran mesin, sehingga
untuk mengidentifikasi faktor risiko paling kritis beserta komponen sub-risikonya. Jadi, secara keseluruhan
metode terdiri dari langkah-langkah berikut:
1. Pengumpulan Data dan Analisis Statistik;
2. Sub-Sampling Data;
3. Pemilihan Fitur;
4. Segmentasi Risiko dan Sub-Risiko yang Dibantu GA–K-Means.
Rincian metode penelitian yang disebutkan di atas diberikan pada bagian selanjutnya.

3.4.1. Pengumpulan dan Pemrosesan Data

Fase ini dapat dikatakan sebagai tahap awal dan mendasar menuju sasaran risiko dan
segmentasi sub-risiko (RSRS). Karena sejauh ini belum ada data standar yang tersedia mengenai risiko
penilaian dan prediksi dalam megaproyek konstruksi, kami melakukan kuantitatif
metode untuk mengumpulkan berbagai komponen risiko dan dampaknya terhadap megaproyek konstruksi
dalam dinamika sosio-ekonomi dan politik saat ini. Selain itu, untuk memastikan
keandalan risiko yang diidentifikasi dan relevansinya terhadap kondisi megaproyek kontemporer ,
kami menerapkan wawancara semi-terstruktur dengan pakar industri yang telah
menangani megaproyek konstruksi atau masih mengerjakannya. Karena penelitian ini adalah a
Dengan pendekatan berbasis data primer, kami mengidentifikasi total 63 variabel risiko yang berkaitan dengan
empat aspek utama proyek yaitu biaya, waktu, kualitas, dan ruang lingkup. Faktor risiko utama ini, diperoleh
dan disepakati selama fase kualitatif, disajikan pada Tabel 2.

Tabel 2. Berbagai faktor risiko yang ditemukan berdampak pada kinerja proyek [63].

Nomor seri Kategori Risiko Variabel Risiko

1 Pengalihan utilitas
2 Peralatan dan kualitas material yang tidak sesuai
3 Izin dan lisensi
4 Kinerja peralatan buruk
5 Kegagalan/kerusakan mesin
6 Kondisi lokasi yang tidak terduga
Faktor Risiko Eksekusi
7 Perhitungan lepas landas salah
8 Keterlambatan pasokan bahan dan peralatan
9 Keterlambatan dalam memperoleh gambar kerja/laporan/desain
10 Tenaga kerja berketerampilan rendah/tidak kompeten
11 Tidak tersedianya bahan, peralatan, dan tenaga kerja.
12 Keterlambatan dalam memperoleh perintah peraturan lalu lintas sementara

13 Koordinasi lokasi/organisasi kerja yang buruk

14 Kegagalan konstruksi
15 Pembebasan lahan untuk ROW
16 Survei pendahuluan dan informasi lokasi tidak memadai
17 Struktur tanah tidak diketahui/kondisi tanah tidak terduga
18 Keterlambatan pengangkutan beton siap pakai (RMC)
Faktor Risiko Konstruksi
19 Kesalahan konstruksi dan implementasi akibat desain yang salah
Machine Translated by Google

Bangunan 2021, 11, 172 10 dari 28

Tabel 2. Lanjutan.

Nomor seri Kategori Risiko Variabel Risiko

20 Perubahan material selama konstruksi

21 Penyimpangan antara spesifikasi dan implementasi
22 Kerusakan rantai pasokan/peralatan dan kualitas material yang tidak tepat
23 Tidak dapat diaksesnya situs
24 Kurangnya keamanan lokasi untuk personel dan aset

25 Ketidakmampuan desainer
26 Perubahan desain
27 Kesalahan desain dan desain yang tidak memadai
28 Modifikasi gambar/desain
Faktor Risiko Teknis
29 Beberapa modifikasi tak terduga pada cakupan proyek
30 Keterlambatan dalam memperoleh gambar/laporan awal
31 Revisi standar desain
32 Analisis kompleksitas proyek tidak memadai

33 Inflasi
34 Fluktuasi nilai tukar mata uang asing dan suku bunga
35 Perubahan kondisi pasar
Faktor Risiko Ekonomi dan Keuangan
36 Perubahan pajak
37 Estimasi biaya salah
38 Kesulitan keuangan/kegagalan subkontraktor

39 Bencana alam
40 Kondisi cuaca buruk
41 Polusi dan getaran
42 Geologi, tanah, dan topografi
Faktor Risiko Lingkungan
43 Pola drainase
44 Analisis lingkungan yang tidak memadai
45 Tutupan lahan (rumput, aspal, pepohonan, badan air)
46 Kehadiran tambang dan tambang
47 Permintaan masyarakat setempat
48 Keberatan masyarakat
49 Masalah sosial (penebangan pohon, penebangan tempat suci)
50 Faktor Risiko Sosial Tempat wisata budaya dan warisan
51 Pemangku kepentingan baru dengan permintaan yang diubah
52 Kerusakan harta benda dan orang
53 Badan pengambil keputusan bertingkat

54 Mengubah peraturan pemerintah/kebijakan pendanaan

55 Kurangnya moderator
56 Perselisihan hukum
57 Ketidakstabilan politik
58 Perubahan undang-undang dan standar setempat (pengenaan pajak)
Faktor Risiko Politik
59 Kurangnya dukungan politik
60 Keragu-raguan politik
61 Perubahan dalam pemerintahan
62 Pengambilan keputusan bertingkat oleh badan pemerintah untuk persetujuan dan persetujuan
63 Intervensi pemerintah

Statistik deskriptif
Kami memperoleh tanggapan para ahli pada skala lima poin, yang mencakup risiko yang disebutkan di atas
variabel (Tabel 1) dianggap independen, sedangkan kinerja (biaya, kualitas, waktu,
dan ruang lingkup) atau parameter keberhasilan pembangunan megaproyek dianggap sebagai
variabel terikat yang sama. Sebanyak 70 sampel dikumpulkan dari responden,
sehingga diperoleh 70 tanggapan (ahli) untuk 63 faktor risiko. Kami menyiapkan tabel data dengan
nilai rata-rata (menggunakan alat statistik rata-rata). Analisis statistik memperkirakan tingkat
signifikansi setiap variabel risiko terhadap tujuan kinerja proyek tersebut di atas. Ke
meningkatkan kesesuaian dan keandalan data lebih lanjut menuju segmentasi risiko yang optimal, kami
melakukan analisis deskriptif atas kumpulan data atau sampel primer yang dikumpulkan. Kami memperoleh
13 parameter statistik, sebagai berikut:
1. Minimal;
2. Maksimal;
3. Berarti;
4. Median;
Machine Translated by Google

Bangunan 2021, 11, 172 11 dari 28

5. Standar deviasi;
6. Varians;
7. Persentil (Kuartil pertama, di bawah 25%);
8. Persentil (Kuartil ketiga, di bawah 75%);
9. Jumlah tanggapan yang berdampak 1;
10. Jumlah tanggapan yang berdampak 2;
11. Jumlah respon yang berdampak 3;
12. Jumlah tanggapan yang berdampak 4;
13. Jumlah tanggapan dengan dampak 5.
Dengan mencari parameter statistik yang disebutkan di atas, fungsi tujuan telah tercapai
diperoleh yang menandakan nilai ambang batas yang mencirikan signifikansi atau dampak yang menentukan atau
hubungan setiap faktor risiko terhadap empat konstruksi waktu, biaya, kualitas, dan ruang lingkup.
Karena konsensus minimum para ahli (yaitu, rata-rata tanggapan yang mempunyai dampak
dari 1 pada skala lima poin) atau konsensus yang berbeda terhadap variabel risiko yang bervariasi
juga dapat memiliki arti penting dalam mengkarakterisasi faktor-faktor risiko kontemporer
dalam megaproyek konstruksi, selain alat statistik (deskriptif) klasik, kami
memperoleh jumlah tanggapan dengan dampak 1, 2, 3, 4 dan 5, secara jelas. Di sini, jumlah dari
tanggapan dengan dampak 1 menandakan ketidaksetujuan (diartikan sangat
berdampak rendah), sedangkan dengan dampak 5 menunjukkan persetujuan yang kuat (diartikan sebagai
mempunyai dampak yang sangat tinggi). Faktor risiko dengan nilai dampak 5 dipertimbangkan
komponen berisiko tinggi (HRC). Setelah mendapatkan HRC, kami memperkirakan Euclidean
jarak antara HRC dan parameter risiko lainnya (Tabel 3). Jadi, faktor risikonya dekat
HRC diperoleh untuk setiap jenis risiko (yaitu, biaya, waktu, kualitas, dan cakupan) di seluruh wilayah
63 faktor risiko diberikan pada Tabel 2. Untuk mencari nilai risiko kritis kumulatif (CRV) yang optimal
memiliki signifikansi kumulatif terhadap empat aspek proyek, kami memperoleh Persamaan (1).

2 2 2 2
CRVi Optimal = (BIAYA) + (WAKTU) + (KUALITASi ) + (LINGKUP) (1)

Tabel 3. Jumlah klaster vs. koefisien siluet dengan pengelompokan K-means standar
algoritma untuk identifikasi risiko.

Koefisien Siluet (K-Means)

Jumlah Cluster
Euclidian Manhattan Blok Kota Minkowski

2 0,479 0,473 0,489 0,489

3 0,518 0,478 0,538 0,551
4 0,589 0,544 0,499 0,528
5 0,590 * 0,524 0,438 0,421
6 0,514 0,543 0,484 0,488
7 0,542 0,559 * 0,551 0,461
8 0,580 0,550 0,555 * 0,563*
9 0,540 0,551 0,552 0,552
10 0,517 0,519 0,511 0,511
* Nilai tertinggi.

Seperti yang ditunjukkan pada (1), kami memperoleh nilai CRV optimal CRVi optimal untuk setiap risiko
faktor (di mana i = 1, . . . , 63).

3.4.2. Sub-Sampling SMOTE

Untuk mendapatkan nilai CRV yang optimal, kami mensintesis total 10.000 sampel menggunakan
teknik pengambilan sampel berlebihan minoritas sintetik (SMOTE) (64). Ini diusulkan secara acak
metode pengambilan sampel yang pertama kali memperoleh 10.000 sampel yang berkaitan dengan kinerja proyek
aspek (yaitu, biaya, waktu, kualitas, dan ruang lingkup). Dalam proses ini, CRVi Optimal untuk masing-masing
aspek telah diterapkan sebagai nilai referensi. Meskipun menerapkan 95% kepercayaan, itu
menghasilkan total 40.000 sampel (10.000 sampel dari setiap kategori, yaitu biaya, waktu,
Machine Translated by Google

Bangunan 2021, 11, 172 12 dari 28

kualitas, dan ruang lingkup). Mengingat kondisi ketidakseimbangan data pada permasalahan yang
dihadapi, kami menerapkan SMOTE untuk menghasilkan sampel data dalam jumlah yang cukup
besar. Dalam karya yang kami usulkan, algoritma SMOTE menghasilkan sampel sintetik berdasarkan
kesamaan ruang fitur antara sampel yang ada (yaitu, komponen risiko dan CRV terkait) di kelas
minoritas. Dalam model yang diusulkan, pertama-tama, kami menggunakan sampel CRV (1) dari
kumpulan data dan mempertimbangkan K-tetangga terdekatnya (k-NN) berdasarkan jarak Euclidean
sehingga membentuk vektor antara titik data saat ini dan salah satu dari k tersebut. -tetangga.
Sampel data sintetik baru atau yang diperbarui diambil dengan mengalikan vektor ini dengan angka
acak atau faktor bobot (di sini, kami menggunakan empat faktor bobot a, b, c, d untuk dikalikan
masing-masing dengan biaya, waktu, kualitas, dan cakupan) . Khususnya, jumlah faktor bobot ini
dibatasi sebesar 1. Jadi, dengan mengalikan masing-masing faktor bobot dengan setiap elemen
risiko dan menambahkan produk ke titik data saat ini, kami memperoleh total 40.000 sampel (2).
Dengan demikian, metode pengambilan sampel yang diusulkan memungkinkan penyeimbangan
contoh kelas minoritas dan distribusinya di seluruh sampel (ini adalah komponen risiko yang diberi
peringkat rendah pada skala Likert namun dapat memiliki dampak penting pada keberhasilan
proyek atau aspek kinerja (yaitu, biaya, waktu, kualitas, dan ruang lingkup).

CRV_Sample = aA(BIAYA) + bB(WAKTU) + cD(KUALITAS) + dD(RUANG LINGKUP) (2)

Pada (2), ÿ(a, b, c, d) = 1. Selain itu, selaras dengan dinamika sosial ekonomi dan politik (perubahan
risiko kontemporer sepanjang siklus proyek), parameter bobot (a, b, c, d) bervariasi secara acak untuk
menghasilkan 40.000 data sampel. Dengan demikian, data yang disiapkan dapat memiliki informasi yang
cukup untuk menjadikan pembelajaran lebih baik dan dapat membantu dalam mencapai identifikasi risiko
yang lebih relevan terhadap megaproyek konstruksi.

3.4.3. Seleksi Fitur Berdasarkan Uji Wilcoxon Rank-Sum

Seperti yang dibahas pada bagian di atas, untuk mempertahankan kumpulan fitur yang
cukup besar (yaitu, komponen risiko atau faktor yang berdampak pada keberhasilan atau kinerja
proyek), kami mengambil total 40.000 elemen data, yang merupakan fitur. Namun, pembelajaran
dalam jumlah yang sangat besar mungkin memaksa metode pembelajaran mesin untuk menjalani
minimum lokal dan konvergensi. Di sisi lain, memproses kumpulan fitur yang besar, terlepas dari
tingkat signifikansi elemen data, dapat mengurangi akurasi dan kinerja komputasi secara keseluruhan.
Mengingat fakta ini, kami melakukan uji prediktor signifikan, yang sering disebut uji Wilcoxon
rank-sum test (WRST), yang mempertahankan fitur paling signifikan yang berdampak pada
identifikasi risiko. Seperti yang dibahas di bagian sebelumnya, kami menggunakan total 15 fitur
untuk setiap faktor risiko; oleh karena itu, total fitur yang ditetapkan untuk 40.000 sampel tidak
dapat dipastikan signifikan terhadap karakterisasi atau prediksi risiko. Dengan kata lain, tidak
semua sampel dapat memberikan dampak yang menentukan pada hasil prediksi akhir. Selain
itu, rangkaian fitur yang kurang signifikan ini sering kali menimbulkan beban komputasi yang
besar. Mempertimbangkan fakta ini, kami menerapkan algoritma WRST untuk memilih fitur
paling signifikan untuk komputasi lebih lanjut. WRST merupakan jenis uji nonparametrik
dengan sampel independen (faktor risiko). Pendekatan ini menguji korelasi antara variabel
risiko dan sampel terkait, serta kemungkinan dampaknya terhadap aspek kinerja proyek
konstruksi (biaya, waktu, kualitas, dan ruang lingkup). Dalam model yang kami usulkan,
algoritme WRST memperkirakan korelasi antara fitur-fitur yang berbeda dan dampaknya
terhadap variabel kinerja megaproyek yang disebutkan di atas (misalnya biaya, waktu, kualitas,
dan cakupan). Metode ini memperoleh nilai p untuk setiap variabel fitur yang mengacu pada
signifikansinya terhadap variabel kinerja. Jadi, berdasarkan nilai p, setiap elemen fitur diberi
label signifikan atau tidak signifikan, dengan tingkat signifikansi ditetapkan p = 0,05. Dengan
cara ini, hanya fitur-fitur tersebut dan contoh terkait dengan korelasi signifikan yang dipertahankan untuk
Proses ini terutama berfokus pada mempertahankan fitur-fitur penting untuk memanfaatkan solusi analitik
lebih lanjut sambil mempertahankan kompleksitas komputasi yang rendah.
Machine Translated by Google

Bangunan 2021, 11, 172 13 dari 28

3.4.4. Segmentasi Risiko dan Sub-Risiko Berbantuan GA–K-Means

Dalam penelitian ini, tujuan utama kami adalah mengidentifikasi faktor risiko yang paling
menentukan beserta faktor-faktor sub-risiko yang sangat berkorelasi dengan faktor-faktor risiko utama
sehingga distribusi dan pengelolaan risiko di antara risiko-risiko utama dapat ditentukan. berbagai
pemangku kepentingan dapat dilaksanakan dengan baik. Masalah ini dapat dengan mudah diselesaikan
sebagai masalah clustering dimana risiko utama dapat diidentifikasi sebagai centroid cluster, sedangkan
komponen risiko terdekat atau terdekat dapat diperoleh sebagai faktor sub-risiko. Dengan motif ini,
setelah kumpulan elemen fitur yang optimal untuk identifikasi risiko diperoleh, kami menerapkan
algoritma pengelompokan K-means untuk mensegmentasi risiko-risiko utama yang berbeda. Namun,
mengingat bahwa model K-means klasik utama sering mengalami kinerja yang merugikan karena
penetapan centroid awal secara acak, kami menerapkan algoritma komputasi evolusioner, yaitu
algoritma genetika (GA), untuk estimasi centroid. Pembahasan rinci tentang identifikasi risiko
berdasarkan usulan algoritma pengelompokan GA-K-means disajikan sebagai berikut.

Algoritma Pengelompokan K-Means

Biasanya, pengelompokan K-means adalah sejenis pendekatan pembelajaran tanpa pengawasan
yang mengelompokkan data tidak berlabel ke dalam beberapa klaster atau grup. Terutama berfokus
pada identifikasi kelompok dalam data besar yang tidak terstruktur, di mana jumlah total cluster
biasanya disajikan sebagai K. Algoritme K-means beroperasi secara berulang untuk menetapkan setiap
elemen data (di sini, komponen risiko dari faktor) ke salah satu dari K cluster berdasarkan fitur input
yang diberikan. Dengan cara ini, ia mengelompokkan keseluruhan elemen data ke dalam kelompok
tertentu berdasarkan kesamaan fitur yang sesuai. Pengelompokan K-means memperkirakan pusat
massa setiap cluster, yang menandakan kumpulan elemen data dengan fitur atau sifat serupa. Dengan
demikian, ini menghasilkan pusat massa untuk setiap cluster yang menandakan definisi setiap
kelompok. Selaras dengan sistem identifikasi risiko yang kami usulkan, sebuah centroid menyatakan
risiko utama (komponen nilai risiko tinggi atau penentu) di mana sub-risiko lain (seperti elemen klaster
yang terhubung) dapat ditemukan. Oleh karena itu , dalam memperkirakan centroid, penandaan
komponen berisiko tinggi sangatlah penting. Sebaliknya, algoritma K-means klasik menerapkan
informasi pusat massa secara acak untuk melakukan pengelompokan dan oleh karena itu dapat
menunjukkan keluaran pengelompokan yang tidak akurat, terutama dalam skenario penelitian kami, di
mana identifikasi nilai berisiko tinggi adalah suatu keharusan. Menyadari fakta ini, kami mengembangkan
algoritma pengelompokan GA – K-means, di mana, tidak seperti algoritma K-means klasik, GA
diterapkan sebagai model heuristik untuk mengidentifikasi informasi pusat massa yang optimal. Rincian
algoritma GA – K-means yang diusulkan disajikan pada bagian selanjutnya; namun, sebelum
pengoptimalan pusat massa, memahami penetapan data untuk pengelompokan awal adalah suatu
keharusan. Menjadi konsep berbasis penyempurnaan berulang, algoritme K-means pertama-tama
mengambil jumlah total cluster K dan kumpulan fitur sebagai masukan dan kemudian mengeksploitasi
fitur data seperti heterogenitas homogenitas dan jarak antar elemen, mengelompokkannya ke dalam
cluster tertentu yang berbeda. Khususnya, ini mengelompokkan elemen data berdasarkan kesamaan
antar elemen (fitur). Metode pengelompokan secara keseluruhan menjalani dua langkah berurutan:
pertama, penetapan data, dan kedua, estimasi dan pembaruan pusat massa. Dalam penugasan data
pada umumnya , setiap elemen ditugaskan ke pusat massa terdekat berdasarkan informasi jarak
seperti kuadrat jarak Euclidean, Makowski, dan Blok Kota. Meskipun kemanjuran parameter jarak
tersebut terhadap pengelompokan optimal masih merupakan area penelitian terbuka, dalam penelitian ini, kami m
Kinerja dengan algoritma estimasi jarak yang berbeda dibahas pada bagian selanjutnya (Hasil dan
Pembahasan). Mengingat penugasan data menggunakan ukuran jarak Euclidean kuadrat, misalkan cj
adalah pusat massa untuk kumpulan fitur C. Setiap elemen data x kemudian dapat ditugaskan ke
sebuah cluster berdasarkan kondisi yang ditentukan dalam (3).

2
arg min dist cj , X (3)
cjÿC

Pada (4), dist (.) menandakan jarak standar (L2) (Euclidean); namun, dalam makalah ini, kami menerapkan
metode berbeda seperti Makowski dan City-Block. Mengingat kumpulan titik data yang dialokasikan ke setiap
cluster ke-i, estimasi pusat massa diberikan sebagai si , yang mana
Machine Translated by Google

Bangunan 2021, 11, 172 14 dari 28

diperkirakan menggunakan metode estimasi dan pembaruan centroid (4). Dalam metode pembaruan
centroid , centroid setiap cluster diperbarui secara dinamis dengan menggunakan rata-rata semua
elemen data yang dialokasikan ke cluster tertentu (centroid). Persamaan (4) diterapkan untuk
memperkirakan pusat massa setiap cluster secara iteratif.

1
ci = (4)
| .si | .ÿxiÿsixi

Proses pembaruan centroid berlanjut hingga semua elemen data ditugaskan ke cluster yang
paling sesuai. Seperti dibahas di atas, algoritma K-means klasik menerapkan nilai rata-rata elemen
yang terhubung untuk menentukan pusat massa tetapi gagal mempertimbangkan fitur antar elemen
dan antar cluster untuk melakukan peningkatan cluster. Hal ini dapat meningkatkan akurasi
pengelompokan dan keluaran segmentasi risiko (atau pengelompokan).
Mempertimbangkan hal ini sebagai tujuan, kami menerapkan algoritma K-means (atau GA-K-means)
berbasis GA, di mana GA terutama berfokus pada eksploitasi kesamaan antar-kluster dan asosiasi
intra-elemen untuk melakukan pengelompokan. Selaras dengan masalah penelitian yang ada, metode
GA yang diusulkan mengeksploitasi hubungan antara berbagai komponen risiko yang berkaitan
dengan berbagai komponen risiko tinggi dan hubungan antara berbagai komponen risiko tinggi untuk
mengelompokkan faktor-faktor risiko yang berbeda dalam kelompok yang berbeda. . Sebelum
membahas usulan metode clustering berbasis GA-K-means, penjelasan mengenai algoritma GA dan
signifikansinya diberikan sebagai berikut.

Algoritma Genetika (GA)

GA adalah salah satu algoritma komputasi evolusioner yang paling umum digunakan, terutama
didasarkan pada peristiwa alam dan prinsip seleksi alam Darwin. Mirip dengan pendekatan heuristik
lainnya, GA bertujuan untuk mengidentifikasi atau mengambil solusi optimal atau suboptimal dari
sejumlah besar solusi. Kemampuan untuk melakukan estimasi parameter, optimasi, dan tuning
menjadikan GA salah satu algoritma terbaik dan paling banyak digunakan untuk menyelesaikan
masalah optimasi cembung. Secara fungsional, GA menerapkan fungsi tujuan, yang mengacu pada
estimasi nilai kesesuaian setiap kandidat solusi, dan ketika mencapai kriteria penghentian (seperti
jumlah generasi), GA memperkirakan solusi akhirnya, yang sering disebut solusi terbaik, dengan
sehubungan dengan program yang memperkirakan keluaran atau kinerja sistem akhir. Selaras dengan
masalah identifikasi risiko yang ada, GA digunakan untuk mengeksploitasi berbagai fitur yang berkaitan
dengan variabel risiko dan tingkat keparahannya terhadap kinerja megaproyek untuk
mengelompokkannya ke dalam kelompok berbeda beserta faktor sub-risiko yang sesuai.

Secara fungsional, GA pertama-tama menginisialisasi sekumpulan kromosom yang disebut

populasi, yang menandakan kandidat solusi. Jadi, untuk setiap solusi, ia memperkirakan nilai
kebugaran, yang dipersingkat dalam urutan menurun. Sekali lagi, sebagai pendekatan berbasis prinsip
Darwin, GA hanya mempertahankan kromosom atau solusi dengan nilai kebugaran lebih tinggi.
Kandidat dengan kesesuaian rendah kemudian dibuang, dan karenanya, mengurangi ruang pencarian
untuk membuat komputasi menjadi efisien. Untuk melakukan reproduksi terkontrol, GA menerapkan
dua parameter yang disebut parameter crossover dan mutasi; yang pertama memutuskan fraksi solusi
atau kandidat mana yang akan dibawa untuk persilangan generasi berikutnya, sedangkan yang kedua
memutuskan fraksi kandidat atau kromosom yang akan dibuang untuk mempertahankan ruang pencarian yang p
Proses ini berlanjut dengan mengacu pada fungsi tujuan, disebut juga fungsi biaya, yang dikurangi
seiring bertambahnya generasi atau iterasi untuk menghasilkan solusi optimal (kriteria pasca
penghentian). Sebagaimana dinyatakan dalam penelitian ini, GA diharapkan dapat melakukan tugas
ganda—peningkatan pusat massa dan peningkatan klaster. Oleh karena itu, untuk meningkatkan nilai
centroid digunakan indeks DB (database) yang berbeda sebagai fungsi tujuan, sedangkan untuk
optimasi cluster menggunakan koefisien siluet. Rincian model pengelompokan GA-K-means yang
diusulkan untuk segmentasi atau identifikasi risiko disajikan sebagai berikut.
Machine Translated by Google

Bangunan 2021, 11, 172 15 dari 28

Pengelompokan GA–K-Means
Dalam model GA–K-means yang diusulkan, pengelompokan dapat didefinisikan sebagai model stokastik
dengan elemen data yang dikenal sebagai populasi (sering disebut kromosom), dimana populasi P = {Ch1,
Ch2, . . . , ChP}. Dalam metode ini, setiap kromosom menandakan solusi terhadap masalah pengelompokan. Di
sini, kandidat solusi Chi diperkirakan melalui “ nilai kesesuaian”, yang membantu dalam mengidentifikasi pusat
massa terbaik untuk melakukan pengelompokan. Dalam kasus centroid yang tidak sesuai, algoritma GA-K-means
yang diusulkan melakukan regenerasi populasi baru dengan nilai kebugaran yang dihipotesiskan lebih baik untuk
meningkatkan akurasi pengelompokan.
Langkah-langkah berurutan utama yang terlibat dalam usulan implementasi algoritma GA – K-means adalah
sebagai berikut:

I. Penyajian Data Biner

Pada langkah ini, setiap komponen risiko atau sampel yang diperoleh setelah pemilihan fitur WRST
ditetapkan sebagai populasi untuk memperkirakan komponen berisiko tinggi atau centroid. Dalam model yang
diusulkan, kami mempertahankan panjang kromosom yang sama dengan jumlah total elemen data atau elemen
fitur, di mana gen kromosom ke-i mewakili elemen ke-i dalam kumpulan data. Sekarang, agar elemen i (katakanlah,
populasi) menjadi pusat massa suatu cluster, gen ke-i diberi label “1”; jika tidak, itu diberi label “0.” Di sini, kami
memilih nilai K dalam kisaran [Kmin, Kmax], di mana kami menetapkan Kmin sebagai 2, sedangkan Kmax
dihipotesiskan sebagai 15, dengan mempertimbangkan variabel risiko dan kemungkinan kategorinya. Namun,
dalam praktiknya, ukuran Kmax dapat berupa l/2 atau ÿ l, dengan l menyatakan panjang kromosom.

II. Inisialisasi Populasi

Pertimbangkan SP sebagai ukuran populasi, sedangkan Chp adalah populasi yang mencakup p kromosom
berbeda, (yaitu, p = 1, 2, . . . , SP). Di sini, nilai bilangan bulat non-negatif Kp dipilih secara acak dari [Kmin,
Kmax], dan dengan demikian, gen yang terkait dengan indeks elemen data yang dipilih diberi label “1”, sedangkan
sisanya diberi label “0”. Dengan menerapkan kromosom yang menandakan sub-solusi atau kandidat solusi, kami
memperkirakan nilai kebugaran untuk setiap kromosom. Dalam model identifikasi risiko yang diusulkan, kami
fokus pada peningkatan nilai centroid (yaitu, komponen risiko tinggi) dan nilai klaster (yaitu, pengelompokan nilai
sub-risiko secara optimal yang berkaitan dengan nilai risiko tinggi yang diidentifikasi secara akurat).

Mempertimbangkan motif ini, kami menerapkan konsep fungsi tujuan ganda—satu fungsi didedikasikan untuk
optimasi centroid dan satu lagi untuk peningkatan cluster. Lebih tepatnya, kami menerapkan homogenitas dan
heterogenitas antar elemen data dengan fungsi jarak berbeda untuk melakukan optimasi pusat massa. Sebaliknya,
kami menerapkan koefisien siluet sebagai fungsi tujuan kedua untuk memastikan dan memverifikasi apakah
komponen risiko telah ditetapkan ke komponen risiko tinggi terdekat dan bergantung . Rincian fungsi tujuan atau
fungsi kebugaran tersebut disajikan sebagai berikut.

AKU AKU AKU. Estimasi Nilai Kebugaran Indeks DB

Meskipun berbagai faktor risiko dalam megaproyek konstruksi dapat mempunyai tingkat signifikansi yang
berbeda-beda, beberapa di antaranya dapat berkorelasi tinggi dan mempunyai dampak serupa terhadap kinerja
proyek (lihat Tabel 1). Dalam hal ini, menilai fitur-fitur yang menandakan kromosom (sekumpulan elemen data
yang diperoleh setelah pemilihan fitur berbasis WRST) untuk mengetahui homogenitas dan heterogenitasnya
dapat membantu mengidentifikasi kromosom terbaik dengan nilai kebugaran yang lebih tinggi. Untuk mencapai
hal ini, pertama-tama, kami membagi data masukan menjadi subset-subset kecil berdasarkan homogenitas dalam
klaster dan heterogenitas antar klaster. Dalam referensi ini, kami memperoleh indeks DB , yang memvalidasi
apakah pusat massa yang dipilih memiliki elemen data yang sangat terhubung atau sebaliknya. Untuk
mencapainya, kami memperkirakan ukuran penyebaran cluster Ci , dimana i = 1,. . . , Kr tersedia dalam set
kromosom ChP, menggunakan (5).

1q
1
Si,q = ÿ x ÿ zi pertanyaan 2 (5)
|Di
sana | xÿCi
Machine Translated by Google

Bangunan 2021, 11, 172 16 dari 28

Pada (5), Si,q menyajikan dispersi antara elemen data i dan kandidat centtroid layak q. Di sini, pusat
massa cluster ke-i Ci diberikan sebagai zi . Dalam metode yang
diusulkan, diperoleh nilai kesamaan intra-cluster maksimum yang menandakan kesamaan antara cluster Ci ke i dan
cluster lain menggunakan (6). Di sini, vektor jarak dij,t = d Ci , Cj menerapkan tiga jenis algoritma yang berbeda:
algoritma jarak Euclidean, Minkowski, dan City-Block. Algoritma ini digunakan secara jelas (untuk menilai kinerja relatif)
untuk memperkirakan jarak antara cluster Ci dan Cj .

Jika,q + Sj,q
Ri,qt = maks (6)
j,j=i dij,t

Pada (6), t menyatakan urutannya. Dengan cara ini, kami memperoleh nilai indeks DB DBP
untuk kromosom ChP dengan menerapkan (7).

1 DKK

DBP = kr
saya=1
ÿ Ri,qt (7)

Dengan perkiraan nilai indeks DB untuk setiap kromosom kandidat

solusinya, diperoleh nilai kebugaran (8).

1
Kebugaran (ChP) = (8)
DBP

Untuk meningkatkan efisiensi komputasi, kami menetapkan q dan t masing-masing sebagai 1 dan 2.
Setelah nilai kebugaran masing-masing kromosom dihitung, kandidat dengan nilai kebugaran tertinggi (8)
dipilih sebagai centroid, sedangkan subsolusi lain dengan nilai kebugaran yang relatif lebih rendah
dipertimbangkan untuk reproduksi (generasi berikutnya). Menemukan kromosom terpilih (dengan nilai kebugaran
tertinggi sementara) dengan nilai kebugaran yang tidak mencukupi, GA menjalankan proses crossover dan
mutasi sehingga diperoleh kandidat dengan nilai kebugaran yang lebih baik untuk mengelompokkan parameter
risiko secara optimal. Dalam GA, tujuan persilangan untuk menghasilkan solusi baru dengan nilai kebugaran
yang lebih baik dinilai berdasarkan kesesuaiannya sebagai pusat massa. Tujuan utama di balik penggunaan
metode persilangan ini adalah untuk mencapai kromosom atau populasi dengan kebugaran yang lebih baik dan
karenanya memiliki kemungkinan lebih tinggi untuk dianggap sebagai nilai pusat massa. Dengan demikian,
model crossover yang diusulkan menghasilkan kromosom Chnew baru dengan memanipulasi kromosom
dengan nilai kebugaran tertinggi sedemikian rupa sehingga setiap kandidat centroid disubstitusi oleh elemen
data yang paling dekat dengan mean center. Jika Chnew mempunyai nilai kebugaran lebih tinggi dari Chj ,
maka Chj digantikan oleh ChNew. Dengan cara ini, elemen data (yang menandakanfaktor risiko) yang memiliki
dampak atau signifikansi tertinggi terhadap kinerja megaproyek konstruksi dipilih sebagai pusatnya.

Dengan cara ini, ia mengelompokkan faktor-faktor berisiko tinggi bersama dengan komponen-komponen sub-
risiko yang berkorelasi tinggi, yang mungkin penting bagi praktik manajemen risiko.
IV. Estimasi Kebugaran Berbasis Koefisien Siluet

Sebagaimana dinyatakan, untuk menjalankan fungsi tujuan ganda, GA menggunakan optimasi centroid
berbasis indeks DB, sementara koefisien siluet diterapkan untuk meningkatkan pengelompokan. Dengan kata
lain, koefisien siluet memverifikasi apakah setiap elemen data (yang mewakili faktor risiko) dikelompokkan
dalam cluster yang paling sesuai dengan pusat massa yang optimal. Biasanya, koefisien siluet yang lebih tinggi
berarti kedua titik data atau faktor risiko tersebut sangat berkorelasi atau terhubung. Oleh karena itu,
memperkirakan koefisien ini untuk setiap elemen data dapat membantu menyelaraskan faktor risiko yang paling
berkorelasi dengan klaster yang sesuai (optimal).
Dalam model GA – K-means, kami memperkirakan koefisien siluet dengan
menggunakan jarak rata-rata antara elemen data dalam cluster yang sama dibandingkan
dengan jarak rata-rata antara titik data di cluster lain (menandakan faktor risiko tinggi
lainnya). Misalkan K adalah cluster yang mencakup elemen data x(i). Demikian pula,
misalkan jarak rata-rata antara setiap elemen data di cluster K adalah ax(i) . Misalkan bx(i) adalah ra
Machine Translated by Google

Bangunan 2021, 11, 172 17 dari 28

jarak antara x(i) dengan masing-masing elemen penyusun cluster lain yang bukan merupakan
anggota cluster K. Dengan demikian, koefisien siluet x(i) diperoleh dengan menggunakan (9).

bx(i) ÿ kapak(i)
Sx(i) = (9)
maks kapak(i) , bx(i)

dimana x(i) mewakili elemen data yang tersedia di cluster, dan i = 1, 2, 3, . . . n, ax(i) menyajikan
jarak rata-rata antara setiap elemen data dan x(i). Variabel lainnya bx(i) menandakan jarak rata-
rata minimum antara x(i) dan setiap elemen data di cluster lain. Dengan atribut-atribut yang
tersedia tersebut, rata-rata siluet setiap cluster dapat diperoleh dengan menggunakan (10).

1 N

Sk = ÿ Sx(i) (10)
dan saya=1

Pada (10), k menyajikan jumlah cluster, dan n menyatakan jumlah total elemen data (atau sub-
faktor risiko) dalam cluster yang sama (dengan faktor risiko tinggi tertentu). Sekarang, rata-rata siluet
semua cluster dapat diperoleh dengan menggunakan (11).

1 M

Rata-rata = ÿ Sk (11)
mk =1

Pada (11), m menyajikan jumlah cluster. Oleh karena itu, ketika menerapkan algoritma GA-K-
means dengan tujuan ganda, semua titik data yang menunjukkan faktor-faktor risiko dalam megaproyek
konstruksi dikelompokkan ke dalam komponen-komponen utama yang berisiko tinggi, diikuti oleh
subkomponen risiko yang sangat terhubung. Segmentasi risiko seperti ini sangat penting dalam
kerangka manajemen risiko untuk mendistribusikan berbagai faktor risiko di antara para pemangku
kepentingan. Dengan demikian, hal ini dapat memastikan penghindaran risiko yang lebih tinggi dan
juga meminimalkan konflik tanggung jawab dalam mendukung upaya proyek. Khususnya, data yang
dipertimbangkan dalam penelitian ini adalah sampel primer, yang diolah dengan SMOTE sampling
dengan bobot dampak risiko yang bervariasi. Hal ini selaras dengan kondisi sosio-ekonomi dan politik
yang dinamis, sehingga komponen-komponen berisiko tinggi dan faktor-faktor sub-risiko yang terkait
dapat tersegmentasi menjadi lebih penting menuju praktik manajemen risiko yang optimal. Untuk
memvalidasi kinerja dengan pendekatan penilaian risiko dan segmentasi yang diusulkan, kami
memperoleh keluaran kinerja dalam berbagai parameter. Rincian hasil simulasi dan kesimpulan terkait
diberikan di bagian selanjutnya.

4. Hasil dan Pembahasan

Mengingat pentingnya identifikasi risiko sejak dini terhadap megaproyek konstruksi , penekanan
utama dalam penelitian ini adalah memanfaatkan berbagai faktor risiko dan dampaknya terhadap
aspek kinerja megaproyek konstruksi. Dengan kata lain, tidak seperti metode klasik, di mana salah
satu penulis melakukan studi kualitatif untuk mengidentifikasi variabel risiko dalam proyek skala
menengah atau megaproyek, kami mempertimbangkan pendekatan berbasis pembelajaran mesin
yang bersifat empiris dan lintas untuk mengidentifikasi komponen atau faktor berisiko tinggi dan sub-
sub terkait. -komponen risiko berdasarkan dampaknya terhadap keseluruhan upaya proyek (biaya,
waktu, kualitas, dan ruang lingkup). Karena penelitian ini menggunakan model pembelajaran mesin
yang bersifat empiris dan silang, kami menerapkan studi empiris atau metode kuantitatif untuk
mengumpulkan tanggapan para ahli terhadap berbagai faktor risiko utama yang berdampak pada
keberhasilan megaproyek konstruksi, terutama dalam bentuk biayanya, waktu, kualitas, dan ruang
lingkup. Responden diminta untuk menyatakan pendapatnya terhadap dampak 63 faktor risiko yang
berbeda terhadap upaya atau aspek kinerja suatu megaproyek konstruksi. Untuk mengumpulkan
tanggapan mereka, kami menggunakan skala Likert yang terdiri dari lima item, di mana 1 menunjukkan
ketidaksetujuan mereka mengenai dampak faktor risiko tertentu (Tabel 1) terhadap kinerja megaproyek,
dan 5 menandakan dampak yang tidak dapat disangkal terhadap upaya proyek (biaya, waktu, dan
waktu). , kualitas, dan ruang lingkup). Dalam penelitian lain, metode kuantitatif memungkinkan
identifikasi berbagai faktor risiko berdasarkan tanggapan para ahli; namun, dampak kumulatif dari faktor-faktor ris
Machine Translated by Google

Bangunan 2021, 11, 172 18 dari 28

faktor-faktor tersebut tidak dapat diperiksa, sehingga hal ini dapat membantu dalam mengidentifikasi faktor-faktor yang paling menentukan

faktor risiko bersama dengan faktor sub-risiko terkait untuk membuat distribusi risiko dan sekutu
manajemen menjadi lebih efektif. Mempertimbangkan hal ini, kami memproses data primer yang dikumpulkan
dalam model pembelajaran mesin untuk memprediksi risiko dengan tingkat keparahan yang lebih tinggi dan menentukan dampaknya
makna. Karena masalah ini mirip dengan masalah pengelompokan (yaitu, mengidentifikasi risiko tinggi
komponen dan faktor sub-risiko terkait di antara 63 variabel risiko (Tabel 1)), kami terapkan
Pengelompokan K-means sebagai model pembelajaran mesin. Namun, mengingat keterbatasan utama dari
algoritma pengelompokan K-means standar, yaitu dampak dari centroid cluster yang tidak sesuai
pada akurasi klasifikasi, kami menerapkan GA. GA dapat memiliki dua tujuan: Dapat meningkatkan
estimasi centroid untuk K-means dan menerapkan koefisien siluet sebagai fungsi tujuan
untuk memastikan bahwa komponen risiko telah dikelompokkan secara optimal dengan risiko tinggi yang paling relevan
komponen atau pusat cluster. Oleh karena itu, penggunaan algoritma GA-K-means digunakan untuk
mencapai identifikasi faktor risiko tinggi yang akurat dan komponen sub-risiko yang paling terkait
segmentasi sehingga risiko-risiko yang teridentifikasi dalam kelompok yang berbeda dapat ditempatkan di seluruh kelompok
pemangku kepentingan yang berbeda dalam pengelolaan dan pelaksanaan megaproyek.
Selain peningkatan clustering, untuk memetakan hubungan antar yang berbeda
variabel risiko, tingkat keparahannya, dan dampaknya terhadap kinerja megaproyek
upaya (dalam hal biaya, kualitas, waktu, dan ruang lingkup), kami melakukan pemrosesan data ekstensif dengan
pengambilan sampel SMOTE. Pendekatan subsampling ini memperoleh total 40.000 sampel,
menandakan variabel risiko yang berbeda, dengan tingkat keparahan yang berbeda atau berbeda dan inklusif
dampaknya terhadap kinerja proyek. Dengan cara ini, kami mempekerjakan jumlah yang cukup besar
input data untuk melakukan identifikasi risiko berbasis clustering. Jadi, mengimplementasikan kami
mengusulkan model GA – K-means dengan sampel data berorientasi risiko yang diturunkan secara kuantitatif, the
Model yang diusulkan menghasilkan serangkaian komponen berisiko tinggi dan berkorelasi sangat tinggi
faktor sub-risiko, yang khususnya dapat diterapkan pada praktik manajemen risiko real-time
berkaitan dengan megaproyek konstruksi. Untuk menilai kinerja, pertama-tama kami memeriksa
model pengelompokan berbasis jarak yang berbeda. Untuk memperkirakan pusat cluster dan inisial gabungannya
elemen yang terhubung (subkomponen), algoritma K-means menerapkan berbagai jenis
informasi jarak, yaitu jarak Euclidean, Manhattan, jarak Minkowski, dan Blok Kota. Di sini,
kami menerapkan algoritma jarak yang berbeda untuk mengelompokkan elemen data, dan
efisiensi yang sesuai diperiksa dalam bentuk koefisien siluet. Kami bervariasi
jumlah cluster untuk mendapatkan koefisien siluet yang sesuai, yang mana semakin tinggi
Nilai koefisien siluet menandakan semakin tinggi akurasi clustering yang dicapai. Hasil
disajikan pada Tabel 3 dan 4.

Tabel 4. Jumlah klaster vs. koefisien siluet dengan pengelompokan K-means standar
algoritma untuk identifikasi risiko.

Koefisien Siluet (GA K-Means)

Jumlah Cluster Euclidian Manhattan Blok Kota Minkowski

2 0,618 0,611 0,639 0,618

3 0,626 0,609 0,616 0,611
4 0,689 0,662 * 0,651 0,618
5 0,671 0,660*
6 0,693*0,611 0,613 0,669*0,610 0,605
7 0,621 0,600 0,619 0,610
8 0,631 0,644 0,662 0,608
9 0,640 0,683 0,661 0,601
10 0,671 0,628 0,623 0,609
* Nilai tertinggi.

Hasil ini menunjukkan kemanjuran pengelompokan pada berbagai ukuran klaster, di mana, dengan
mengamati kinerja keseluruhan, kita dapat menemukan bahwa koefisien siluet untuk empat klaster,
terutama dengan ukuran jarak Euclidean, menghasilkan kinerja yang lebih baik (yaitu, lebih tinggi
koefisien siluet). Di sisi lain, hasil di atas juga mengungkapkan bahwa, dibandingkan dengan pengelompokan
berbasis K-means klasik atau asli, algoritma GA–K-means
Machine Translated by Google

Bangunan 2021, 11, 172 19 dari 28

menunjukkan kinerja yang lebih baik dalam hal koefisien siluet yang lebih tinggi dengan
ukuran jarak Euclidean. Hal ini menegaskan kesesuaian algoritma pengelompokan GA-K-
means yang diusulkan untuk masalah identifikasi risiko dan segmentasi sub-risiko. Selaras
dengan hasil di atas (Tabel 3), untuk penilaian kinerja lebih lanjut, kami menerapkan model
jarak Euclidean pada (3) untuk melakukan komputasi lebih lanjut.
Salah satu tujuan utama dari penelitian yang diusulkan adalah juga untuk mengidentifikasi risiko-risiko
utama yang berkaitan dengan “aspek kinerja yang ditargetkan” (faktor-faktor risiko yang berkaitan dengan
waktu, biaya, kualitas, dan ruang lingkup). Dengan kata lain, dengan mempertimbangkan tipikal megaproyek
konstruksi dengan rencana pembangunan jangka panjang, yang mana kemungkinan dinamisme kinerja
tidak dapat diabaikan, kami memperkirakan faktor risiko paling penting dengan aspek kinerja yang
ditargetkan, seperti preferensi terhadap “eksekusi tepat waktu”, “pembangunan yang hemat biaya”,
“ konstruksi berkualitas”, dan “cakupan keberhasilan yang lebih tinggi selama suatu periode.” Untuk
mencapai hal ini, model pengelompokan GA-K-means yang kami usulkan mengidentifikasi berbagai variabel
risiko dengan aspek kinerja yang ditargetkan berbeda. Dengan menjalankan program secara acak, kami
memperoleh serangkaian parameter bobot a, b, c, dan d yang berbeda pada (2), yang dengannya model
yang diusulkan mengidentifikasi komponen risiko utama dan variabel sub-risiko yang terkait. Untuk
mempermudah pembahasan lebih lanjut , kami mendefinisikan ulang risiko kritis (2) menjadi (12).

= wtime · va(k, 1) + wcost · va(k, 2) + wquality · va(k, 3) + wscope · va(k, 4) (12)

Pada (12), parameter bobot yang berbeda termasuk wtime, wcost, wquality, dan wscope
menyajikan target atau upaya proyek, dan dengan nilai bobot yang lebih tinggi, sistem yang
diusulkan diharapkan menyediakan serangkaian faktor risiko yang harus ditangani. Dalam pekerjaan
yang diusulkan, komponen bobot wtime, wcost, wquality, dan wscope dipilih sesuai target atau
sasaran proyek, sehubungan dengan sampel data yang dihasilkan, seperti yang dibahas di bagian
sebelumnya, dan faktor risiko utama termasuk risiko tinggi. komponen dan komponen subrisiko
diidentifikasi dengan melakukan clustering. Kami menyimulasikan model yang kami usulkan dengan
rangkaian nilai bobot berbeda yang berkaitan dengan waktu kerja, biaya waktu, kualitas waktu, dan
ruang lingkup, serta memperoleh rangkaian komponen risiko optimal yang harus ditangani untuk
mencapai aspek kinerja yang ditargetkan. Beberapa keluaran simulasi dan kesimpulannya dibahas berikut ini
Untuk hasil yang disebutkan di atas (Tabel 5), kami menetapkan wtime = 0,0806, wcost = 0,4761,
wquality = 0,3269, dan wscope = 0,1161. Dalam hal ini, dengan mempertimbangkan bobot terhadap
konstruksi atau kinerja yang hemat biaya, bobot yang lebih tinggi diberikan pada aspek biaya (wcost =
0,4761), yang menandakan megaproyek dengan efisiensi biaya sebagai tujuan proyek. Dalam hal ini,
“keterlambatan dalam memperoleh ketertiban lalu lintas” diidentifikasi sebagai komponen yang paling kritis
atau berisiko tinggi, sedangkan komponen sub-risiko lainnya yang diidentifikasi adalah peralatan yang tidak
sesuai, masalah politik dan hukum, ketidakstabilan politik, intervensi pemerintah, dan keadaan yang tidak
terduga. Seperti ditunjukkan pada Tabel 5, bobot (kepentingan) terhadap waktu adalah minimum, yang
menandakan bahwa proyek yang sedang berjalan tidak lebih fokus pada pengurangan waktu pelaksanaan;
sebaliknya, mereka menargetkan penyelesaian proyek yang hemat biaya. Dalam hal ini, faktor-faktor risiko
utama yang perlu dipertimbangkan disegmentasikan, seperti yang diberikan pada Tabel 5.
Seperti yang digambarkan pada Tabel 6, dengan mempertimbangkan tujuan proyek yaitu
konstruksi dan penyelesaian yang efisien waktu, kami mensimulasikan model usulan kami dengan nilai
bobot yang berbeda, di mana bobot waktu adalah yang tertinggi (0,875) di antara upaya kinerja proyek lainnya.
Hasil simulasi (Tabel 6) menunjukkan bahwa untuk mencapai pengiriman atau penyelesaian proyek yang
tepat waktu, mendapatkan kembali semua pengakuan dan perintah pemerintah atau swasta terkait,
termasuk perintah badan pemerintah daerah, lalu lintas, dan peraturan terkait, adalah suatu keharusan.
Dalam kasus-kasus besar, karena kurangnya masalah peraturan, sebuah megaproyek sering kali tertunda
dalam waktu yang lama. Selain konfirmasi peraturan dan perintah peraturan, model yang diusulkan
mengidentifikasi kesalahan desain teknik, ketidakstabilan politik, kurangnya dukungan politik, peralatan dan
material yang tidak sesuai (Tabel 6), sebagai faktor risiko yang dapat memperpanjang penyelesaian suatu
proyek (terutama megaproyek). periode. Namun, karena vendor atau perusahaan yang menangani
megaproyek mempunyai infrastruktur yang memadai dengan alat dan bahan yang sesuai, kelemahan dalam
desain teknik dapat meningkatkan waktu penyelesaian proyek, seperti yang ditunjukkan melalui model yang diusulkan
Machine Translated by Google

Bangunan 2021, 11, 172 20 dari 28

Tabel 5. Test Case 1. Efisiensi biaya.

Bobot Komponen Berisiko Tinggi Komponen Sub Risiko

Peralatan dan kualitas material yang tidak sesuai

Kondisi lokasi yang tidak terduga
Perhitungan lepas landas salah
wtime = 0,0806
wcost = 0,4761 Kesalahan konstruksi dan implementasi akibat desain yang salah
Keterlambatan dalam memperoleh perintah peraturan lalu lintas sementara Polusi dan getaran
wquality = 0,3269
Ketidakstabilan politik
wscope = 0,1161
Kurangnya dukungan politik
Perubahan dalam pemerintahan
Intervensi pemerintah

Politik dan Hukum

Tabel 6. Test Case 2. Efisiensi waktu.

Bobot waktu Komponen Berisiko Tinggi Komponen Sub Risiko

= 0,875 biaya Polusi dan getaran
Keterlambatan dalam memperoleh perintah peraturan lalu lintas sementara
= 0,6351 Kesalahan konstruksi dan implementasi akibat desain yang salah
kualitas = 0,2207 Ketidakstabilan politik
cakupan = 0,0567 Kurangnya dukungan politik
Perubahan dalam pemerintahan
Kondisi lokasi yang tidak terduga
Intervensi pemerintah
Izin dan lisensi
Peralatan dan kualitas material yang tidak sesuai

Dari Tabel 7, yang bobotnya terhadap ruang lingkup proyek merupakan yang tertinggi di antara
aspek kinerja lainnya, dapat diketahui bahwa, dalam sebuah megaproyek konstruksi, survei pendahuluan
dan informasi lokasi yang tidak memadai merupakan faktor risiko tinggi. Tidak dapat disangkal, sebuah
megaproyek yang melibatkan investasi miliaran dolar memerlukan survei optimal mengenai lokasi,
kebutuhan regional, kemudahan konstruksi dan jangkauan lokasi, serta upaya di masa depan. Oleh karena
itu, penilaian yang tidak tepat dan keputusan yang terkait dapat menyebabkan megaproyek mengalami
kerugian yang signifikan. Sebaliknya, untuk meningkatkan cakupan megaproyek, mempertahankan
jangkauan atau konektivitas yang lebih baik, memenuhi permintaan lokal atau regional, memperoleh
material dan peralatan yang sesuai dan berorientasi pada kualitas dapat membantu mencapai target
kinerja. Selaras dengan cakupan yang ditargetkan sebagai aspek kinerja, model identifikasi risiko yang
diusulkan menunjukkan bahwa kebijakan atau praktik manajemen risiko yang optimal memerlukan
penanganan masalah perubahan proyek yang tidak terduga, perubahan dalam badan pemerintah atau
daerah, intervensi pemerintah, polusi dan getaran, implementasi (di sini, konstruksi). ) kesalahan. Oleh
karena itu, tim manajemen risiko harus mengatasi faktor-faktor risiko ini (Tabel 7) jika ingin mempertahankan cakupa
Tabel 8 menyajikan risiko yang teridentifikasi ketika menargetkan penyelesaian megaproyek
konstruksi yang berpusat pada kualitas. Ketika memberikan prioritas atau preferensi tertinggi pada aspek
kualitas, model prediksi yang diusulkan mengidentifikasi “Kualitas peralatan dan material yang tidak tepat”
sebagai faktor risiko utama, sehingga menuntut peningkatan dalam mencapai target upaya. Selain kualitas
peralatan dan material sebagai faktor risiko, model yang diusulkan mengidentifikasi konstruksi kualitas
serupa lainnya yang perlu ditangani. Faktor-faktor sub-risiko ini adalah risiko kegagalan mesin, kondisi
lokasi yang tidak terduga, kinerja peralatan yang buruk, kondisi tanah atau lokasi setempat yang tidak
terorganisir, kesalahan implementasi, kesalahan desain, dan beberapa modifikasi. Oleh karena itu, tim
manajemen risiko suatu megaproyek konstruksi perlu mengatasi faktor-faktor risiko utama ini untuk
mencapai hasil konstruksi yang berkualitas. Dengan demikian, model pengelompokan GA-K-means yang
kami usulkan mengidentifikasi berbagai jenis faktor risiko tinggi dan komponen sub-risiko yang terkait erat,
yang penanganannya dapat menghasilkan hasil proyek yang lebih baik dalam hal penyelesaian proyek
tepat waktu, kualitas konstruksi, biaya- konstruksi yang efisien, dan konstruksi dengan cakupan yang lebih
baik. Mengatasi faktor-faktor risiko yang terkait di seluruh siklus proyek dapat membantu mencapai upaya
kinerja yang ditargetkan (biaya, waktu, kualitas, dan ruang lingkup).
Machine Translated by Google

Bangunan 2021, 11, 172 21 dari 28

Tabel 7. Kasus Uji 3. Ruang lingkup proyek.

Bobot Komponen Berisiko Tinggi Komponen Sub Risiko

wtime = 0,3299
wcost = 0,2694
Survei pendahuluan dan informasi lokasi tidak memadai Perubahan tak terduga pada ruang lingkup proyek
wquality = 0,0335
wscope = 0,3671
Kesalahan konstruksi dan implementasi akibat desain yang salah
Polusi dan getaran
Survei pendahuluan dan informasi lokasi tidak memadai
Ketidakstabilan politik
Analisis lingkungan yang tidak memadai
Permintaan masyarakat setempat
Kurangnya dukungan politik
Perubahan dalam pemerintahan

Kondisi lokasi yang tidak terduga

Intervensi pemerintah
Peralatan dan kualitas material yang tidak sesuai

Tabel 8. Kasus Uji 4. Kualitas proyek.

Bobot Komponen Berisiko Tinggi Komponen Sub Risiko

Kegagalan/kerusakan mesin
Kondisi lokasi yang tidak terduga
Performa Peralatan buruk
wtime = 0,2349
Tenaga kerja berketerampilan rendah/tidak kompeten
wcost = 0,2162
Peralatan dan kualitas material yang tidak sesuai Koordinasi lokasi/organisasi kerja yang buruk
wquality = 0,3446
Struktur tanah tidak diketahui/kondisi tanah tidak terduga
wscope = 0,2044
Kesalahan konstruksi dan implementasi akibat desain yang salah
Ketidakmampuan Desainer
Kesalahan desain dan desain yang tidak memadai

Beberapa modifikasi tak terduga pada cakupan proyek

Alasan Pertanyaan Penelitian

Mengenai RQ1 dan hasil penelitian (Tabel 4–8), megaproyek tidak terlalu terpengaruh karena
faktor risiko impulsif atau faktor risiko jangka pendek. Sebaliknya, hal ini sering kali dipengaruhi oleh
keputusan jangka panjang yang ditanamkan dalam keseluruhan siklus proyek. Sebuah proyek kecil atau
menengah, yang seringkali memiliki investasi dan waktu yang terbatas, relatif tidak terlalu terpengaruh
oleh perubahan pemerintah, perubahan kebijakan, dukungan dan perubahan daerah setempat, serta kenaikan biay
Sebaliknya, sebuah megaproyek, khususnya di bidang konstruksi, berlangsung dalam jangka waktu
yang lama, bahkan hingga puluhan tahun atau setidaknya 4–5 tahun. Tidak dapat disangkal, dalam
jangka waktu yang lama, biaya bahan, peralatan, sumber daya, kebijakan pemerintah sering berubah.
Faktor-faktor tersebut, sebagai komponen risiko kumulatif, mempengaruhi kinerja suatu megaproyek konstruksi.
Sebaliknya, proyek konstruksi skala kecil dan menengah tidak terlalu terkena dampaknya. Fakta-fakta
ini menegaskan penerimaan RQ1. Mempertimbangkan RQ2, yang dimaksudkan untuk menilai faktor-
faktor risiko utama yang sering mempengaruhi upaya suatu proyek, seperti biaya, waktu penyelesaian,
kualitas, dan ruang lingkup, hasil yang diperoleh pada Tabel 3, 4, 5, 6 dan 7 menunjukkan bahwa
legal atau dukungan peraturan yang tepat waktu (time), perubahan pemerintah dan kesalahan
konstruksi (biaya), kualitas bahan dan peralatan, desain yang tidak tepat (kualitas), dan desain ulang
dengan kualitas konstruksi yang lebih rendah (ruang lingkup) merupakan faktor-faktor utama yang
berisiko tinggi dalam megaproyek konstruksi. Hasil keseluruhan dan dampaknya terhadap manajemen
risiko suatu megaproyek konstruksi menegaskan bahwa penggunaan masukan para ahli dan
identifikasi risiko tinggi berbasis pembelajaran mesin, yang diikuti dengan identifikasi sub-risiko,
merupakan alat yang tepat untuk manajemen risiko dalam megaproyek konstruksi. Hal ini menegaskan
penerimaan RQ3. Hasil ini menegaskan penerimaan RQ4; terlebih lagi, menandakan penggunaan
analisis deskriptif konsensus ahli pada fitur tingkat keparahan risiko dengan uji Wilcoxon rank-sum
sebagai metode pemilihan fitur dan multikonstraint (biaya, waktu, kualitas, dan cakupan), GA–K
berbasis fungsi tujuan Algoritma -means menghasilkan identifikasi dan segmentasi risiko yang optimal dalam m
Perbandingan hasil kinerja pada Tabel 2 dan 3 menegaskan hal tersebut, tidak seperti klasik
Machine Translated by Google

Bangunan 2021, 11, 172 22 dari 28

Pengelompokan K-means, penggunaan pengelompokan GA–K-means yang digerakkan oleh heuristik dapat
memberikan hasil yang lebih andal (karena koefisien siluet yang lebih tinggi dengan empat klaster, menandakan
empat tujuan proyek—waktu, biaya, kualitas, dan ruang lingkup) dan merupakan cara yang lebih efektif solusi
identifikasi risiko untuk megaproyek konstruksi. Hal ini juga menegaskan penerimaan RQ5.

5. Kesimpulan

Dalam makalah ini, penekanan utama diberikan pada pemanfaatan analisis data yang didorong oleh
respons ahli untuk memprediksi faktor-faktor risiko tinggi dan komponen-komponen sub-risiko yang berkaitan
erat dengan megaproyek konstruksi.
Berbeda dengan metode klasik, di mana penulis menerapkan pendekatan kualitatif atau kuantitatif untuk
mengidentifikasi faktor-faktor risiko utama dalam proyek, untuk menghindari kemungkinan dampak yang bias,
penelitian ini memanfaatkan efisiensi berbagai alat analisis statistik canggih dan konsep pembelajaran mesin
dan kecerdasan buatan. Analisis dilakukan terhadap persepsi para ahli terhadap berbagai faktor risiko yang
berdampak pada upaya atau aspek proyek seperti waktu, biaya, kualitas, dan ruang lingkup. Hal ini juga
mengeksploitasi persepsi para ahli sebagai data masukan untuk menggali hubungan antara berbagai komponen
risiko dan mengelompokkannya bersama-sama untuk menentukan faktor-faktor risiko tinggi yang memiliki
dampak yang menentukan terhadap upaya proyek (yaitu, waktu, biaya, kualitas, dan ruang lingkup), serta
dampaknya. faktor risiko yang sangat berkorelasi. Dengan demikian, identifikasi faktor risiko tinggi dan faktor
sub-risiko terkait dapat memungkinkan tim manajemen risiko atau tim manajemen proyek untuk mendistribusikan
risiko secara optimal ke berbagai pemangku kepentingan untuk melakukan tindakan penghindaran risiko secara
optimal.
Untuk mengurangi dampak bias yang mungkin terjadi (dari tanggapan para ahli), penelitian yang diusulkan
melakukan analisis deskriptif terhadap sampel yang dikumpulkan, yang diikuti dengan subsampling data. Model
yang diusulkan melakukan pengambilan sampel SMOTE, yang mendistribusikan dan menghasilkan sampel
dalam jumlah yang cukup besar dengan dampak yang sesuai terhadap upaya proyek. Penggunaan pembuatan
sampel adaptif bobot atau subsampling memungkinkan pengambilan sampel pada berbagai kondisi dan
harapan proyek yang dinamis. Oleh karena itu, dengan faktor risiko besar yang telah disiapkan (sinkron dengan
aspek proyek yang berbeda), penelitian ini menerapkan K-means clustering berbasis GA, yaitu GA–K-means,
dengan metode jarak Euclidean dan fungsi tujuan ganda dari siluet. koefisien (untuk peningkatan dan verifikasi
klaster) dan indeks DB (untuk optimasi centroid) untuk mengidentifikasi faktor-faktor risiko tinggi, serta faktor-
faktor sub-risiko yang sangat berkorelasi atau terkait erat.

Mengingat hasil akhir dari model yang diusulkan, agar megaproyek konstruksi dapat mencapai
kinerja yang hemat biaya, seperti ditunjukkan pada Tabel 5, keterlambatan dalam memperoleh
perintah peraturan lalu lintas diidentifikasi sebagai faktor risiko tinggi. Komponen sub-risiko terkait
adalah peralatan yang tidak sesuai, masalah politik dan hukum, ketidakstabilan politik, intervensi
pemerintah, dan keadaan yang tidak terduga, yang diharapkan dapat ditangani secara optimal oleh
tim manajemen risiko terkait untuk mencapai upaya proyek secara keseluruhan. Demikian pula,
faktor-faktor seperti konfirmasi peraturan dan penundaan perintah peraturan, desain teknik yang
salah, ketidakstabilan politik, kurangnya dukungan politik, dan peralatan serta material yang tidak
sesuai ternyata menjadi faktor risiko utama yang mempengaruhi efisiensi waktu suatu megaproyek konstruks
Sebuah megaproyek konstruksi, yang merupakan infrastruktur yang memiliki target jangka panjang,
memerlukan penanganan berbagai musuh risiko agar dapat mempertahankan cakupan yang lebih baik. Studi
ini mengungkapkan bahwa survei awal dan informasi lokasi yang tidak memadai merupakan faktor risiko tinggi
yang berdampak pada cakupan megaproyek. Mempertahankan jangkauan atau konektivitas yang lebih baik,
memenuhi permintaan lokal atau regional, dan memperoleh material dan peralatan yang sesuai dan berorientasi
pada kualitas diperlukan untuk mencapai target kinerja.
Model identifikasi risiko yang diusulkan juga menunjukkan bahwa kebijakan atau praktik manajemen risiko
yang optimal memerlukan penanganan masalah perubahan proyek yang tidak terduga, perubahan dalam badan
pemerintah atau daerah, intervensi pemerintah, polusi dan getaran, dan kesalahan pelaksanaan (dalam hal ini,
konstruksi). Penelitian juga menunjukkan bahwa kualitas peralatan dan material merupakan faktor risiko tinggi
yang mempengaruhi kualitas konstruksi, (seperti yang ditunjukkan pada Tabel 8) dan risiko kegagalan mesin,
kondisi lokasi yang tidak terduga, kinerja peralatan yang buruk, tanah yang tidak terorganisir atau kondisi tanah
setempat, kesalahan implementasi, kesalahan desain, dan
Machine Translated by Google

Bangunan 2021, 11, 172 23 dari 28

beberapa modifikasi juga mempengaruhi kualitas. Oleh karena itu, tim manajemen risiko harus
menangani faktor-faktor risiko utama ini untuk mencapai target kinerja dengan efisiensi biaya,
penyelesaian proyek tepat waktu, konstruksi berkualitas, dan cakupan proyek yang lebih baik.
Namun, seperti halnya penelitian lain yang menggunakan masukan manusia dalam bentuk
pendapat para ahli dan wawancara, penelitian ini mempunyai keterbatasan dalam memperoleh
masukan dari para ahli secara efisien karena seringkali sulit meyakinkan partisipan mengenai
pentingnya masukan mereka. Konsensus kelompok fokus juga sulit dicapai, dan kadang-kadang, ada
kejadian janji temu yang terlewat dan penjadwalan ulang karena padatnya jadwal peserta kelompok
fokus.
Kontribusi ini (identifikasi risiko dalam megaproyek konstruksi) dapat menjadi penting bagi
perusahaan konstruksi, pengambil keputusan terkait, dan pengkajian risiko serta penyedia solusi
strategis terkait untuk membuat keputusan dinamis atau proaktif yang optimal untuk mencapai
berbagai upaya proyek. Studi ini juga dapat diperluas untuk upaya masa depan dalam menerapkan
model serupa untuk bentuk lain dari industri konstruksi seperti kemitraan publik-swasta (KPS) dan
pada proyek skala menengah dan kecil.

Kontribusi Penulis: Penelitian ini dikonsep dan dirancang oleh JP Pengumpulan data , analisis data,
penulisan naskah dilakukan oleh DBC Interpretasi data, Editing dan interpretasi hasil dilakukan oleh
RMRP Keseluruhan supervisi dan interpretasi hasil serta Analisis dilakukan oleh JP Semua penulis telah
membaca dan menyetujui versi naskah yang diterbitkan.

Pendanaan: Penelitian ini tidak menerima pendanaan eksternal dan hanya disiapkan oleh penulis.

Pernyataan Dewan Peninjau Kelembagaan: Tidak berlaku.

Pernyataan Persetujuan yang Diinformasikan: Persetujuan yang diinformasikan diperoleh dari semua subjek yang terlibat dalam penelitian ini.

Pernyataan Ketersediaan Data: Data tersedia dari penulis terkait berdasarkan permintaan.

Ucapan Terima Kasih: Kami berterima kasih kepada Dekan Fakultas Teknik Sipil, Institut Teknologi
Vellore, yang telah mendukung penelitian kami.
Konflik Kepentingan: Penulis menyatakan tidak ada konflik kepentingan.

Lampiran A Kuesioner Lampiran

A.1 Variabel Sosiodemografi Q1. Silakan
tentukan jenis kelamin Anda.
• Laki-laki •
Perempuan

Q2. Silakan tentukan rentang usia Anda.

• 21 tahun hingga 30 tahun •

31 tahun hingga 40 tahun •
41 tahun hingga 50 tahun •
>50 tahun

Q3. Silakan tentukan peran/penunjukan Anda dalam proyek tersebut.

• Manajer Proyek •
Kontraktor/Vendor • Konsultan
• Pemasok • Lainnya

Q4. Silakan tentukan total tahun pengalaman Anda di industri konstruksi.

• 0–5 tahun • 6–
10 tahun • 11–15
tahun
Machine Translated by Google

Bangunan 2021, 11, 172 24 dari 28

• 16–25 tahun
• >25 tahun
Q5. Silakan tentukan fase proyek untuk keterlibatan Anda.

• Inisiasi dan Perencanaan

• Eksekusi
• Pemantauan dan Pengendalian
• Penutup
• Yang lain

Q6. Silakan tentukan ukuran proyek.

• ÿRs. 100,00,000
• Rp. 100,00,001–Rp. 500,00,000
• Rp. 500,00,001–Rp. 1000.000.000
• >Rp. 100.000.000
Q7. Apakah ada risiko yang terkait dengan pelaksanaan megaproyek yang mengubah proyek tersebut?
kinerja dalam hal waktu, biaya, kualitas, dan ruang lingkup?

• Ya
• TIDAK
Q8. Berdasarkan pengalaman Anda, apa pendapat Anda tentang kategori risiko berikut yang
berdampak pada kinerja proyek dalam hal waktu, biaya, kualitas, dan cakupan proyek?
sebuah megaproyek?

Kategori Risiko
Dengan
Setuju Setuju
Netral
Tidak Dengan
Tidak

1 Risiko Eksekusi
2 Risiko Konstruksi
3 Risiko Teknis, Teknik, dan Desain
4 Risiko Ekonomi dan Keuangan
5 Risiko Sosial
6 Risiko Lingkungan
7 Risiko Politik dan Hukum

Lampiran A.2 Kinerja Proyek: Identifikasi Dampak Risiko terhadap Tujuan Proyek
Di bawah ini tercantum faktor-faktor risiko yang diidentifikasi berdasarkan berbagai kategori risiko untuk
megaproyek . Silakan pilih tanggapan Anda berdasarkan pengalaman Anda untuk menilai dampaknya
faktor risiko pada tujuan proyek waktu, biaya, kualitas, dan ruang lingkup.

Nilai (1 sampai 5) Dampak Faktor Risiko terhadap

Faktor risiko
Waktu Biaya Kualitas Cakupan

Eksekusi

1 Pengalihan utilitas
2 Peralatan dan kualitas material yang tidak sesuai
3 Izin dan lisensi
4 Kinerja peralatan buruk
5 Kegagalan/kerusakan mesin
6 Kondisi lokasi yang tidak terduga
7 Perhitungan lepas landas salah
8 Keterlambatan pasokan bahan dan peralatan
9 Keterlambatan dalam memperoleh gambar kerja/laporan/desain
10 Tenaga kerja berketerampilan rendah/tidak kompeten
11 Tidak tersedianya bahan, peralatan, dan tenaga kerja
12 Keterlambatan dalam memperoleh perintah peraturan lalu lintas sementara
Machine Translated by Google

Bangunan 2021, 11, 172 25 dari 28

Nilai (1 sampai 5) Dampak Faktor Risiko terhadap

Faktor risiko
Waktu Biaya Kualitas Cakupan

Konstruksi

13 Koordinasi lokasi/organisasi kerja yang buruk

14 Kegagalan konstruksi
15 Pembebasan lahan untuk ROW
16 Survei pendahuluan dan informasi lokasi tidak memadai
17 Struktur tanah tidak diketahui/kondisi tanah tidak terduga
18 Keterlambatan pengangkutan beton siap pakai (RMC)
19 Kesalahan konstruksi dan implementasi akibat desain yang salah
20 Perubahan material selama konstruksi
21 Penyimpangan antara spesifikasi dan implementasi
22 Kerusakan rantai pasokan/peralatan dan kualitas material yang tidak tepat
23 Tidak dapat diaksesnya situs
24 Kurangnya keamanan lokasi untuk personel dan aset

Teknis, Teknik dan Desain

25 Ketidakmampuan desainer
26 Perubahan desain
27 Kesalahan desain dan desain yang tidak memadai
28 Modifikasi gambar/desain
29 Beberapa modifikasi tak terduga pada cakupan proyek
30 Keterlambatan dalam memperoleh gambar/laporan awal
31 Revisi standar desain
32 Analisis kompleksitas proyek tidak memadai

Ekonomis

33 Inflasi
34 Fluktuasi nilai tukar mata uang asing dan suku bunga
35 Perubahan kondisi pasar
36 Perubahan pajak
37 Estimasi biaya salah
38 Kesulitan keuangan/kegagalan subkontraktor

Lingkungan

39 Bencana alam
40 Kondisi cuaca buruk
41 Polusi dan getaran
42 Geologi, tanah, dan topografi
43 Pola drainase
44 Analisis lingkungan yang tidak memadai
45 Tutupan lahan (rumput, aspal, pepohonan, badan air)
46 Kehadiran tambang dan tambang

Sosial

47 Permintaan masyarakat setempat

48 Keberatan masyarakat
49 Masalah sosial (penebangan pohon, penebangan tempat suci)
50 Tempat wisata budaya dan warisan
51 Pemangku kepentingan baru dengan permintaan perubahan
52 Kerusakan harta benda dan orang
53 Badan pengambil keputusan bertingkat

Politik dan Hukum

54 Mengubah peraturan pemerintah/kebijakan pendanaan

55 Kurangnya moderator
56 Perselisihan hukum
57 Ketidakstabilan politik
58 Perubahan undang-undang dan standar setempat (pengenaan pajak)
59 Kurangnya dukungan politik
60 Keragu-raguan politik
61 Perubahan dalam pemerintahan
62 Pengambilan keputusan bertingkat oleh badan pemerintah untuk persetujuan dan persetujuan
63 Intervensi pemerintah
Machine Translated by Google

Bangunan 2021, 11, 172 26 dari 28

Referensi
1. Miller, R.; Lessard, DR Manajemen Strategis Proyek Rekayasa Besar yang Membentuk Kelembagaan, Risiko dan Tata Kelola; MIT Press: Cambridge, MA, AS, 2001;
ISBN 0262526980.
2. Zhai, L.; Xin, Y.; Cheng, C. Memahami nilai Manajemen Proyek dari Perspektif Pemangku Kepentingan: Studi Kasus
Manajemen Mega-Proyek. Proyek. Kelola. J.2009 , 40, 99–109. [Referensi Silang]
3. Eweje, J.; Turner, R.; Muller, R. Memaksimalkan Nilai Strategis dari megaproyek: Pengaruh umpan informasi terhadap pengambilan keputusan oleh manajer proyek. Int.
J.Proj. Kelola. 2012, 30, 639–651. [Referensi Silang]
4. Floricel, S.; Miller, R. Menyusun Strategi untuk Risiko yang Diantisipasi dan turbulensi dalam proyek rekayasa skala besar. Int. J.Proj. Kelola.
2001, 19, 445–455. [Referensi Silang]
5. Kardes, I.; Ozturk, A.; Cavusgil, S.; Cavusgil, E. Mengelola megaproyek global: Kompleksitas dan manajemen risiko. Int. Bis. Putaran.
2013, 22, 905–917. [Referensi Silang]
6. Flyvbjerg, B.; Bruzelius, N.; Rohengatter, W. Megaproyek dan Risiko: Anatomi Ambisi, edisi pertama; Pers Universitas Cambridge:
Cambridge, Inggris, 2003. [Ref Silang]
7. Vidal, LA; Marle, F. Memahami kompleksitas proyek: Implikasi pada manajemen proyek. Kybernetes 2008, 37, 1094–1110.
[Referensi Silang]

8. Koppenjan, J. Pembentukan kemitraan publik-swasta: Pelajaran dari sembilan proyek infrastruktur transportasi di Belanda.
Laksamana Umum 2005, 83, 135–157. [Referensi Silang]
9. Dimitriou, HT; Bangsal, EJ; Wright, PG Mega proyek transportasi—Melampaui “Segitiga Besi”: Temuan dari program penelitian OMEGA. Prog. Rencana. 2013, 86, 1–43.
[Referensi Silang]
10. Clegg, S.; Pitsis, T.; Rura-Polley, T.; Marosszeky, M. Governmentality penting: Merancang budaya aliansi antar organisasi
kolaborasi untuk mengelola proyek. Organ. Pejantan. 2002, 23, 317–337. [Referensi Silang]
11. Esty, B. Mengapa mempelajari proyek besar? Pengantar penelitian tentang pembiayaan proyek. euro. Keuangan. Kelola. 2004, 10, 213–224.
[Referensi Silang]

12. Palma, A.; Picard, N.; Andrieu, L. Risiko dalam investasi transportasi. jaringan. Bertengkar. ekonomi. 2012, 12, 187–204. [Referensi Silang]
13. Dey, PK Manajemen risiko proyek menggunakan teknik pengambilan keputusan berganda dan analisis pohon keputusan: Studi kasus
kilang minyak India. Melecut. Rencana. Kontrol. 2012, 23, 903–921. [Referensi Silang]
14. Dey, PK Mengelola risiko proyek menggunakan gabungan proses hierarki analitik dan peta risiko. Aplikasi. Komputasi Lembut. 2010, 10, 990–1000.
[Referensi Silang]
15. Lembaga Manajemen Proyek (PMI). Model Kematangan Manajemen Proyek Organisasi, OPM3®, edisi ke-2; Manajemen proyek
Institut: Newtown Square, PA, AS, 2008.
16. Lembaga Manajemen Proyek (PMI). Panduan untuk Badan Pengetahuan Manajemen Proyek (PMBOK® Guide), edisi ke-5; Institut Manajemen
Proyek : Newtown Square, PA, AS, 2013.
17. Lembaga Manajemen Proyek (PMI). Standar Manajemen Program, edisi ke-3; Institut Manajemen Proyek: Newtown
Persegi, PA, AS, 2013.
18. Greiman, VA Manajemen Megaproyek: Pelajaran tentang Risiko dan Manajemen Proyek dari Penggalian Besar; Wiley: Hoboken, NJ, AS, 2013;
ISBN 978-1-118-41634-1.

19. Lehtiranta, L. Persepsi dan pendekatan risiko dalam multi-organisasi: Tinjauan penelitian 2000–2012. Int. J.Proj. Kelola. 2014, 32,
640–653. [Referensi Silang]
20. Wu, D.; Olson, DL Risiko rantai pasokan, simulasi, dan pemilihan vendor. Int. J.Prod. ekonomi. 2008, 114, 646–655. [Referensi Silang]
21. Dunovic, IB; Radujkovic, M.; Vukomanovic, M. Pengembangan dan implementasi register risiko untuk proyek konstruksi.
Kelasvinar 2013, 65, 23–35. [Referensi Silang]
22. Marcelino-Sadaba, S.; Perez-Ezcurdia, A.; Lazcano, AME; Villanueva, P. Metodologi manajemen risiko proyek untuk perusahaan kecil.
Int. J.Proj. Kelola. 2014, 32, 327–340. [Referensi Silang]
23. Fiori, C.; Kovaka, M. Mendefinisikan megaproyek: Belajar dari konstruksi berdasarkan pengalaman. Dalam Penelitian Konstruksi
Kongres 2005: Memperluas Perspektif; Perkumpulan Insinyur Sipil Amerika: Reston, VA, AS, 2005.
24. Boateng, P. Pendekatan Sistem Dinamis untuk Penilaian Risiko di Mega Proyek. Ph.D. Tesis, Universitas Heriot-Watt, Edinburgh,
Inggris, September 2014.
25. Bhandari, M.; Gayakwad, PG Manajemen Risiko dalam Proyek Konstruksi di Maharashtra. Int. J.Eng. Sains. Menciptakan. 2014, 3, 14–17.
26. Debalina, SM; Jagadeesh, P. Prediksi Risiko Mega Proyek dalam Manajemen Konstruksi. J.Krit. Wahyu 2020, 7, 2674–2687.
[Referensi Silang]

27. Flyvbjerg, B.; Skamris, HMK; Buhl, SL Apa penyebab pembengkakan biaya pada proyek infrastruktur transportasi? Trans. Pdt. 2004, 24,
3–18. [Referensi Silang]

28. Kwak, YH Persepsi dan praktik manajemen risiko proyek: Mengumpulkan 300 tahun manajer proyek. Dalam Prosiding Kongres Global Institut Manajemen Proyek Amerika
Utara, Baltimore, MD, AS, 18–25 September 2003; hlm.18–25.
29. Boateng, P.; Chen, Z.; Ogunlana, S.; Ikediashi, D. Pendekatan sistem dinamis terhadap deskripsi risiko dalam pembangunan mega proyek.
Organ. Teknologi. Kelola. Konstruksi Int. J.2012 , 4, 593–603. [Referensi Silang]
30. Irimia-Dieguez, A.; Sanchez-Cazorla, A.; Alfalla-Luque, R. Manajemen Risiko dalam Megaproyek. Lanjutan Soc. berperilaku. Sains. 2014, 119,
407–416. [Referensi Silang]
Machine Translated by Google

Bangunan 2021, 11, 172 27 dari 28

31. Dia, Q.; Luo, L.; Chan, AP Mengukur kompleksitas proyek konstruksi besar di Cina- Analisis proses jaringan analitik fuzzy. Int. J.Proj. Kelola. 2015, 33, 549–563. [Referensi
Silang]
32. Kim, SG Indeks kinerja risiko dan sistem pengukuran untuk proyek konstruksi besar di Tiongkok-Sebuah jaringan analitik fuzzy
analisis proses. J. Sipil Eng. Kelola. 2010, 16, 586–594. [Referensi Silang]
33. Alsharef, AFA Desain Alat Peramalan dan Pemantauan Pengeluaran Konstruksi untuk Megaproyek NCDOT; Universitas Negeri Carolina Utara : Raleigh, NC, AS, 2015.

34. Muda, TL Manajemen Proyek Sukses, edisi ke-3; Kogan Page Limited: London, Inggris, 2010; ISBN 978-0-7494-5917-8.
35. Cooper, R.; Edgett, S.; Kleinschmidt, E. Manajemen portofolio untuk pengembangan produk baru: Hasil dari praktik industri
belajar. Manajer RD. 2001, 311, 361–380. [Referensi Silang]
36. Cooper, D.; Abu-abu, S.; Raymond, G.; Walker, P. Pedoman Manajemen Risiko Proyek: Mengelola Risiko pada Proyek Besar dan Kompleks
Pengadaan; Wiley: Hoboken, NJ, AS, 2005; ISBN 978-0-470-02282-5.
37. Torok, R.; Nordman, C.; Lin, S. Clearing the Clouds: Menyoroti Keberhasilan Manajemen Risiko Perusahaan; Laporan Eksekutif; IBM
Layanan Bisnis Global: Armonk, NY, AS, 2011.
38. Thamhain, HJ Memimpin tim proyek intensif teknologi. Dalam Prosiding Kongres Global PMI 2003-Amerika Utara, Baltimore, MD, AS, 20–23 September 2003; Institut
Manajemen Proyek: Newtown Square, PA, AS, 2003.
39. Thamhain, HJ Mengelola risiko dalam proyek yang kompleks. Proyek. Kelola. J.2013 , 44, 20–35. [Referensi Silang]
40. Thamhain, HJ Mengelola Proyek Berbasis Teknologi: Alat, Teknik, Manusia dan Proses Bisnis; John Wiley & Sons, Inc.: Hoboken, NJ, AS, 2014. [CrossRef]

41. Thamhain, HJ; Wilemon, D. Membangun tim yang efektif dalam lingkungan proyek yang kompleks. Teknologi. Kelola. 1998, 5, 203–212.
42. Altshuler, AA; Luberoff, DE Mega-Proyek: Perubahan Politik Investasi Publik Perkotaan; Brookings Institution Press: Washington, DC, AS, 2003; ISBN 13-978-0815701293.

43. Mojtahedi, SMH; Mousavi, SM; Aminian, A. Pengambilan keputusan kelompok fuzzy: Kasus yang menggunakan FTOPSIS dalam identifikasi dan analisis risiko mega proyek
secara bersamaan. Dalam Prosiding Konferensi Internasional IEEE 2008 tentang Teknik Industri dan Manajemen Teknik, Singapura, 8–11 Desember 2008; hal.1–5.

44. Atkinson, R.; Crawford, L.; Ward, S. Ketidakpastian mendasar dalam proyek dan ruang lingkup manajemen proyek. Int. J.Proj.
Kelola. 2006, 24, 687–698. [Referensi Silang]
45. Harvett, CM Sebuah Studi Ketidakpastian dan Praktek Manajemen Risiko Terkait dengan Kompleksitas Proyek yang Dirasakan. Ph.D. Tesis,
Universitas Bond, Queensland, Australia, 2013.
46. Toor, SUR; Ogunlana, SO Melampaui 'segitiga besi': Persepsi pemangku kepentingan terhadap indikator kinerja utama (KPI) untuk skala besar
proyek pembangunan sektor publik. Int. J.Proj. Kelola. 2009, 28, 228–236. [Referensi Silang]
47. Ke, Y.; Wang, S.; Chan, APC; Lam, PTI Alokasi risiko yang lebih disukai dalam proyek kemitraan publik-swasta (KPS) Tiongkok. Int. J.Proj.
Kelola. 2010, 28, 482–492. [Referensi Silang]
48. Nelson, RR Manajemen proyek TI: Kegagalan yang terkenal, kesalahan klasik, dan praktik terbaik. Mis Q. Eksekutif. 2007, 6, 67–78.
49. Van Marrewijk, AH; Clegg, SR; Pitsis, T.; Veenswijk, MB Mengelola megaproyek publik swasta: Paradoks, kompleksitas, dan
desain proyek. Int. J.Proj. Kelola. 2008, 26, 591–600. [Referensi Silang]
50. Rezakhani, P. Tinjauan model penilaian risiko fuzzy untuk proyek konstruksi. Slovakia J. Sipil. bahasa Inggris 2012, 20, 35–40. [Referensi Silang]
51. Taroun, A. Menuju pemodelan dan penilaian risiko konstruksi yang lebih baik: Wawasan dari tinjauan literatur. Int. J.Proj. Kelola.
2014, 32, 101–115. [Referensi Silang]
52. Bruzelius, N.; Flyvbjerg, B.; Rohengatter, W. Keputusan besar, risiko besar: Meningkatkan akuntabilitas dalam proyek-proyek besar. Trans. Kebijakan 2002, 9, 143–154.
[Referensi Silang]
53. Little, RG Munculnya peran kemitraan pemerintah dan swasta dalam pelaksanaan mega proyek. Pekerjaan Umum. Kelola. Kebijakan. 2011, 16,
240–249. [Referensi Silang]
54. Bing, L.; Akintoye, A.; Edwards, PJ; Hardcastle, C. Alokasi risiko dalam proyek konstruksi KPS/PFI di Inggris. Int. J.Proj.
Kelola. 2005, 23, 25–35. [Referensi Silang]
55. Rolstadas, A.; Johansen, A. Dari manajemen proyek yang protektif hingga ofensif. Dalam Prosiding Kongres Global PMI
2008—EMEA, St. Julian's, Malta, 19 Mei 2008.
56. Krane, HP; Olsson, TIDAK; Rolstadas, A. Bagaimana interaksi manajer proyek-pemilik proyek dapat bekerja di dalam dan mempengaruhi manajemen risiko proyek. Proyek.
Kelola. J.2012 , 43, 54–67. [Referensi Silang]
57. Westney, RE; Dodson, K. CAPEX VaR: Kunci untuk meningkatkan prediktabilitas. Energi Dunia 2006, 9, 134–138.
58. Krane, HP; Rolstadas, A.; Olsson, NOE Mengkategorikan Risiko dalam Tujuh Proyek Besar-Risiko Mana yang Menjadi Fokus Proyek? Proyek.
Kelola. J.2010 , 41, 81–86. [Referensi Silang]
59. Turner, JR; Muller, R. Gaya Kepemimpinan Manajer Proyek sebagai Faktor Keberhasilan Proyek: Tinjauan Literatur. Proyek. Kelola.
J.2005 , 36, 49–61. [Referensi Silang]
60. Wilkinson, D.; Birmingham, P. Menggunakan Instrumen Penelitian: Panduan bagi Peneliti; Routledge Falmer: London, Inggris, 2003.
61. Hsieh, HF; Shannon, SE Tiga Pendekatan Analisis Isi Kualitatif. Kualitas. Res Kesehatan. 2005, 15, 1277–1288. [Referensi Silang]
[PubMed]
Machine Translated by Google

Bangunan 2021, 11, 172 28 dari 28

62. Andrik, JM; Wang, J.; Zou, PXW; Zhang, J. Metode Berbasis Logika Fuzzy untuk Penilaian Risiko Infrastruktur Sabuk dan Jalan
Proyek. J.Konstruksi. bahasa Inggris Kelola. 2019, 145. [Referensi Silang]
63. Debalina, SM; Jagadeesh, P. Penerapan Identifikasi Risiko Kritis Berdasarkan Input Fuzzy untuk Megaproyek Konstruksi India. Int. J.Adv. Sains. Teknologi. 2020, 29, 15209–15234. Tersedia
daring: http://sersc.org/journals/index.php/IJAST/ artikel/lihat/32491 (diakses pada 15 Januari 2021).

64. Ikan, NV; Bowyer, KW; Aula, LO; Kegelmeyer, WP SMOTE: Teknik pengambilan sampel berlebihan minoritas sintetik. J.Artif. Intel.
Res. 2002, 16, 321–357. [Referensi Silang]