Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Teknik Sipil Cendekia (JTSC)
Agustinus Purna Irawan
School of STEM, Universitas Prasetiya Mulya, Jakarta, Indonesia, Jakarta, Indonesia
Civil Engineering, Building, Construction & Architecture

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Pemetaan Risiko Proyek dengan Mitra Kontraktor Kualifikasi Kecil Sutikno Sutikno; Endah Murtiana Sari; Agustinus Purna Irawan; Oie Fuk jin
JURNAL TEKNIK SIPIL CENDEKIA (JTSC) Vol 7 No 2 (2026): May
Publisher : Departement of Civil Engineering, Universitas Winaya Mukti

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51988/jtsc.v7i2.544

Abstract

Pemetaan risiko proyek menjadi langkah strategis yang harus dilakukan oleh pemerintah papua barat daya untuk memastikan anggaran yang dikeluarkan pemerintah tepat sasaran dan memperoleh hasil yang dapat dirasakan oleh masyakat. Adanya Peraturan Presiden (perpres) No. 17 Tahun 2019 tentang Pengadaan Barang/Jasa Pemerintah Untuk Percepatan Pembangunan Kesejahteraan Di Provinsi Papua Dan Provinsi Papua Barat yang bertujuan untuk memberikan keleluasaan dalam pelaksanaan otonomi khusus dimana memungkinkan peluang bertumbuhnya pengusaha lokal yang akan berdampak pada perekonomian secara umum pada kabupaten sorong, papua barat daya, sehingga evaluasi proyek berdasarkan risiko diperlukan untuk menumbuhkan good government yang baik. Penelitian ini bertujuan untuk memetakan risiko apasaja yang dihadapi pemerintah dalam melaksanakan proyek dengan mitra kontraktor kualifikasi kecil di papua barat daya. Melalui metode kuantitatif dengan menyebarkan kuesioner sebanyak 50 responden penelitian ini menghasilkan pemetaan risiko proyek dengan mitra kontraktor kualifikasi kecil yang harus diantisipasi oleh pemerintah dan dilakukan upaya untuk memperkecil risiko yang terjadi. Penelitian ini akan memberikan manfaat bagi pemerintah untuk melakukan langkah-langkah strategis dalam memperkecil risiko yang terjadi dan melakukan peningkatan kapasitas bagi mitra kontraktor dengan kualifikasi kecil sehingga Amanah dalam perpres No. 17 tahun 2019 dapat dilakukan melalui mekanisme good governance dengan prinsip yang akuntabel dan transparan.
Application of Machine Learning in Predicting Project Cost Overruns: A Review Johanis Anggawan; Agustinus Purna Irawan; Mega Waty
JURNAL TEKNIK SIPIL CENDEKIA (JTSC) Vol 7 No 3 (2026): Juli
Publisher : Departement of Civil Engineering, Universitas Winaya Mukti

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51988/jtsc.v7i3.563

Abstract

Cost overrun is one of the main problems in project management that has a significant impact on the success of construction projects. High project complexity, uncertainty of field conditions, design changes, and external factors such as inflation and supply chain disruptions make predicting cost overruns a challenge that requires a more sophisticated analytical approach than conventional methods. The development of Machine Learning (ML) technology has opened new opportunities to improve the accuracy of project cost predictions through the use of historical data and complex pattern analysis. This study aims to review the development of research related to the application of Machine Learning in predicting project cost overruns, identify the most widely used algorithms, influential predictor variables, and evaluate the advantages and limitations of each approach. The research method is carried out through a systematic literature review of scientific publications indexed by Scopus in the period 2015–2025. The study focuses on various ML algorithms, including Artificial Neural Network (ANN), Support Vector Machine (SVM), Random Forest (RF), Decision Tree (DT), Gradient Boosting, and Extreme Gradient Boosting (XGBoost), which are used in project cost prediction. The study results show that Random Forest and XGBoost to produce higher levels of accuracy than traditional statistical methods or single ML models. This study concludes that Machine Learning has great potential in supporting early warning systems and data-driven decision-making to control the risk of project cost overruns.
Co-Authors Johanis Anggawan Mega Waty Oie Fuk jin Sari, Endah Murtiana Sutikno Sutikno