<![CDATA[Industri konstruksi semakin mengadopsi komponen prefabrikasi untuk meningkatkan efisiensi dan kontrol kualitas. Namun, estimasi akurat waktu produksi dan pengiriman masih menjadi tantangan karena saling ketergantungan yang kompleks dan variabilitas dalam proses manufaktur. Penelitian ini mengembangkan pendekatan data mining untuk memprediksi waktu produksi dan pengiriman komponen prefabrikasi berdasarkan data historis proyek. Penelitian menggunakan beberapa algoritma machine learning termasuk Random Forest, Gradient Boosting, dan Support Vector Regression untuk menganalisis 500 proyek prefabrikasi historis dari tahun 2020-2024. Variabel kunci meliputi spesifikasi komponen, kebutuhan material, kapasitas produksi, faktor musiman, dan kendala logistik. Kinerja model dievaluasi menggunakan Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan metrik R-squared. Hasil menunjukkan bahwa model Gradient Boosting mencapai akurasi tertinggi dengan RMSE 2,3 hari untuk waktu produksi dan 1,8 hari untuk estimasi waktu pengiriman. Model mengidentifikasi faktor kritis termasuk indeks kompleksitas komponen, ketersediaan material, dan panjang antrian produksi sebagai prediktor utama. Implementasi model prediktif ini dapat mengurangi keterlambatan proyek sebesar 23% dan meningkatkan efisiensi alokasi sumber daya di fasilitas prefabrikasi. Temuan berkontribusi pada peningkatan perencanaan proyek dan optimasi rantai pasok dalam industri konstruksi modular.]]>
