<![CDATA[Dalam era digitalisasi, pengelolaan sumber daya manusia dalam proyek teknologi informasi menghadapi tantangan signifikan, khususnya dalam memperkirakan kebutuhan mandays secara akurat. Mandays merupakan satuan yang merepresentasikan total hari kerja yang dibutuhkan satu atau lebih tenaga kerja untuk menyelesaikan suatu tugas atau proyek. Ketidaktepatan estimasi mandays dapat menyebabkan risiko under allocation dan over allocation, yang berdampak pada pemborosan anggaran, ketidakseimbangan beban kerja, serta keterlambatan proyek. Permasalahan serupa masih dijumpai pada berbagai perusahaan berbasis proyek, baik di sektor teknologi informasi, konstruksi, maupun manufaktur, karena proses estimasi umumnya masih dilakukan secara manual dan belum didukung sistem prediktif berbasis data historis. Penelitian ini mengusulkan model prediktif berbasis kombinasi metode LSTM dan Random Forest dengan pendekatan error reciprocal, yaitu pemberian bobot lebih besar pada model dengan tingkat kesalahan prediksi (MAE) yang lebih rendah. Prediksi mandays dilakukan berdasarkan faktor-faktor proyek yang meliputi jenis proyek, status, durasi, jumlah SDM, dan nilai proyek. LSTM digunakan untuk mengenali pola temporal pada data historis proyek, sedangkan Random Forest untuk menangani hubungan non-linear dan menghasilkan prediksi yang lebih stabil. Hasil pengujian menunjukkan model tunggal LSTM memiliki performa yang lebih baik dibandingkan RF, dengan nilai MAE masing-masing sebesar 286.21 dan 369.57. Namun, model kombinasi LSTM-RF memberikan performa terbaik dengan nilai MAE sebesar 279.32 dan MAPE 17.65%. Evaluasi tambahan menggunakan metrik MMRE < 25% dan PRED(25) ≥ 75%, menunjukkan bahwa model kombinasi berada dalam kategori prediksi yang baik serta mampu meningkatkan akurasi prediksi sekitar 4% dibandingkan model tunggal. Dengan demikian, model LSTM-RF efektif dalam memprediksi pencapaian target kerja dan mendukung pengambilan keputusan dalam manajemen proyek TI.]]>
