Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pustaka Data : Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer
Annisa’, Nurlita Marta
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Industrial & Manufacturing Engineering Mechanical Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Manajemen Proyek ERP Berbasis Nilai: Prediksi Manfaat Menggunakan XGBoost Anjany, Fillah; Annisa’, Nurlita Marta; Yaqin, Muhammad Ainul
Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer) Vol 6 No 3 (2026): Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitekt
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakadata.v6i3.1871

Abstract

Implementasi Enterprise Resource Planning (ERP) merupakan inisiatif strategis untuk meningkatkan integrasi proses bisnis dan kinerja organisasi, namun banyak proyek yang berhasil secara operasional belum mampu menghasilkan nilai bisnis yang optimal. Penelitian ini mengusulkan pendekatan Benefit Realization Prediction dalam manajemen proyek ERP menggunakan model machine learning berbasis Extreme Gradient Boosting (XGBoost) dengan desain kuantitatif explanatory–predictive dan dataset sebanyak 300 proyek ERP. Model yang dikembangkan mengintegrasikan variabel multidimensi yang meliputi karakteristik proyek, manajemen proyek, serta kesiapan organisasi untuk memprediksi tingkat realisasi manfaat menggunakan pendekatan klasifikasi multi-kelas. Dataset dibagi menjadi 80% data pelatihan dan 20% data pengujian, di mana model dilatih untuk mempelajari hubungan kompleks antar variabel dan diuji untuk mengevaluasi kemampuan generalisasi. Proses hyperparameter tuning dilakukan untuk mengoptimalkan parameter utama seperti n_estimators, learning_rate, dan max_depth. Hasil penelitian menunjukkan bahwa model XGBoost memiliki performa yang sangat baik dengan akurasi sebesar 91% dan nilai Area Under Curve (AUC) sebesar 0,95. Analisis feature importance menunjukkan bahwa dukungan manajemen puncak, kesiapan organisasi, pengalaman manajer proyek, intensitas pelatihan pengguna, serta kompleksitas integrasi sistem merupakan faktor yang paling berpengaruh terhadap realisasi manfaat. Selain itu, skenario eksperimen seperti ablation study dan early prediction menunjukkan bahwa model mampu mengidentifikasi faktor kunci serta memberikan prediksi sejak tahap awal proyek, sehingga berpotensi sebagai alat bantu pengambilan keputusan dalam manajemen proyek ERP yang lebih proaktif dan berbasis nilai.
Co-Authors Ainul Yaqin Anjany, Fillah