PERAN PEJABAT PEMBUAT KOMITMEN SEBAGAI PENGENDALI FUNGSI DALAM PEMBANGUNAN LANJUTAN LABORATORIUM B2P2TOOT TAWANGMANGU

dwi puji prabowo, Ricardus anggi pramunendar, Rama Aria Megantara

Abstract


Pembangunan gudang logistik Polres Lamongan, sebagai salah satu elemen infrastruktur publik, perlu dilakukan pengawasan dengan tingkat efisiensi yang tinggi untuk mendukung kebutuhan operasional kepolisian. Beberapa masalah operasional telah muncul yang menghambat penyelesaian tepat waktu. Salah satu masalah utama yang dihadapi adalah keterlambatan dalam pengiriman material yang sangat mempengaruhi kelancaran pekerjaan. Penelitian ini bertujuan untuk menganalisis faktor-faktor yang mempengaruhi keterlambatan dalam proyek pembangunan Gudang Logistik Polres Lamongan, dengan fokus pada peran kontraktor, supplier, konsultan, dan pemilik proyek. Melalui pendekatan kuantitatif, penelitian ini mengidentifikasi faktor-faktor internal dan eksternal yang dapat menyebabkan keterlambatan proyek konstruksi. Metode yang digunakan dalam penelitian ini meliputi analisis regresi linier berganda untuk menentukan hubungan antara variabel independen (lingkungan kerja, keterlambatan material, peralatan, tenaga kerja, dan perubahan desain) dengan keterlambatan pelaksanaan pekerjaan.

Hasil penelitian menunjukkan bahwa faktor tenaga kerja memiliki pengaruh terbesar terhadap keterlambatan proyek, dengan nilai beta 0,455, diikuti oleh perubahan desain yang memiliki pengaruh positif meskipun kecil. Sementara itu, faktor lingkungan kerja, keterlambatan material, dan peralatan tidak menunjukkan pengaruh signifikan. Untuk mengatasi keterlambatan, penelitian ini merekomendasikan perbaikan dalam koordinasi antar pihak terkait, manajemen sumber daya yang lebih baik, dan perencanaan yang lebih matang. Penelitian ini memberikan wawasan yang penting untuk meningkatkan pengelolaan proyek konstruksi dan mencegah keterlambatan yang tidak terduga pada proyek-proyek serupa di masa depan.



Keywords


literacy; local wisdom; natural and social science; wordwall

Full Text:

PDF

References


S. Makkl, “Vaksinasi Covid Tahap Ketiga Dimulai, Lansia Tetap Prioritas,†CNN Indonesia, Jakarta, 2021.

Iskandar, “Jokowi Disuntik Vaksin Covid-19 Jadi Trending Topic di Twitter,†Liputan6, 2021.

E. Breck and C. Cardie, “Oxford Handbooks Online: Opinion Mining and Sentiment Analysis,†in The Oxford Handbook of Computational Linguistics 2nd edition, Oxford University Press, 2017, pp. 1–30

V. Raghupathi, J. Ren, and W. Raghupathi, “Studying Public Perception about Vaccination : A Sentiment Analysis of Tweets,†Environ. Res. Public Heal., vol. 17, no. 3464, pp. 1–23, 2020.

S. Yadav, A. Ekbal, S. Saha, and P. Bhattacharyya, “Medical Sentiment Analysis using Social Media : Towards building a Patient Assisted System,â€pp. 2790–2797.

N. C. Dang, M. N. Moreno-García, and F. De la Prieta, “Sentiment analysis based on deep learning: A comparative study,†Electron., vol. 9, no. 483, 2020, doi: 10.3390/electronics9030483.

D. Li and J. Qian, “Text Sentiment Analysis Based on Long Short-Term Memory,†pp. 471–475, 2016.

M. A. Nurrohmat and A. SN, “Sentiment Analysis of Novel Review Using Long Short-Term Memory Method,†IJCCS (Indonesian J. Comput. Cybern. Syst., vol. 13, no. 3, p. 209, 2019, doi: 10.22146/ijccs.41236.

W. C. A. Nugroho, I. N. N. Suryadiputra, B. H. Saharjo, and L. Siboro, Panduan Pengendalian Kebakaran Hutan dan Lahan Gambut. 2005

A. Yadav and D. K. Vishwakarma, “Sentiment analysis using deep learning architectures: a review,†Artif. Intell. Rev., vol. 53, no. 6, pp. 4335–4385, 2019, doi: 10.1007/s10462-019-09794-5.

P. D. Purnamasari and M. Taqiyuddin, “Performance Comparison of Text-based Sentiment Analysis using Recurrent Neural Network and Convolutional Neural Network.â€

G. Xu, Y. Meng, X. Qiu, Z. Yu, and X. Wu, “Sentiment Analysis of Comment Texts based on BiLSTM,†vol. XX, no. c, 2019, doi: 10.1109/ACCESS.2019.2909919.

Mike Schuster and K. K. Paliwal, “Bidirectional Recurrent Neural Networks,†IEEE Trans. SIGNAL Process., vol. 45, no. 11, pp. 2673–2681, 1997

S. Hochreiter and J. Schmidhuber, “LSTM can solve hard long time lag problems,†Adv. Neural Inf. Process. Syst., pp. 473–479, 1997.

Y. Gal and Z. Ghahramani, “A theoretically grounded application of dropout in recurrent neural networks,†Adv. Neural Inf. Process. Syst., pp. 1027– 1035, 2016.




DOI: https://doi.org/10.26877/jiu.v8i1.11599

Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 dwi puji prabowo, Ricardus anggi pramunendar, Rama Aria Megantara