Pendahuluan
Produktivitas dalam industri konstruksi memainkan peranan krusial dalam pertumbuhan ekonomi suatu negara. Di tengah persaingan global dan tuntutan efisiensi, memahami dan meningkatkan produktivitas tenaga kerja menjadi tantangan utama yang memerlukan solusi berbasis data. Disertasi oleh Mohammed Hamza Momade (2020) dari Universiti Teknologi Malaysia mencoba menjawab tantangan ini dengan mengembangkan model prediktif yang didasarkan pada karakteristik pekerja konstruksi.
Mengapa Produktivitas Tenaga Kerja Konstruksi Penting?
Tenaga kerja merupakan komponen dominan dalam biaya dan keberhasilan proyek konstruksi. Riset menunjukkan bahwa antara 20% hingga 50% dari total biaya proyek berasal dari tenaga kerja. Oleh karena itu, peningkatan sedikit saja dalam produktivitas dapat memberikan dampak signifikan terhadap keuntungan kontraktor dan efisiensi proyek.
Namun, produktivitas ini sangat bervariasi dan dipengaruhi oleh banyak faktor—mulai dari latar belakang pendidikan hingga status pernikahan. Momade berfokus pada tantangan ini dan mengembangkan pendekatan sistematis berbasis data untuk memahami dan memprediksi produktivitas berdasarkan karakteristik tenaga kerja.
Metodologi: Dari Survei ke Model Prediktif
Penelitian ini menggunakan pendekatan kuantitatif yang mencakup:
-
Studi Literatur: Mengidentifikasi 112 faktor yang memengaruhi produktivitas dari berbagai studi global.
-
Survei Pendahuluan: Disaring menjadi 10 faktor utama melalui wawancara dan kuesioner kepada manajer proyek di Malaysia.
-
Optimasi Jenks: Menyaring 7 faktor paling signifikan:
-
Pengalaman kerja
-
Kategori pekerjaan
-
Pendidikan/latihan
-
Kewarganegaraan
-
Keterampilan pekerja
-
Usia
-
Status pernikahan
-
-
Pengumpulan Data Lapangan: Menggunakan gaji sebagai proksi untuk produktivitas.
-
Pengembangan Model: Lima model dikembangkan:
-
Regresi linear
-
Artificial Neural Network (ANN)
-
Random Forest (RF)
-
Support Vector Machine (SVM)
-
TOPSIS (metode multi-kriteria)
-
Temuan Utama: Model yang Paling Akurat
Hasil analisis menunjukkan bahwa model berbasis data mining (ANN, RF, SVM) unggul dibanding model konvensional:
-
SVM mencatat kinerja terbaik:
-
POD > 90%
-
FAR serendah 10.2%
-
Akurasi (PC): hingga 83.5%
-
-
Model regresi linear hanya mencapai 57.7% akurasi.
-
TOPSIS, meski lebih baik dari regresi, masih kalah dari SVM.
Model ini mampu meramalkan produktivitas dengan sangat baik dan menunjukkan potensi penerapan luas di proyek-proyek konstruksi lainnya.
Studi Kasus: Relevansi di Lapangan
Dalam survei lapangan di Malaysia, pekerja konstruksi berasal dari berbagai negara, terutama Indonesia dan Bangladesh. Data menunjukkan bahwa:
-
Pekerja asing cenderung memiliki pengalaman lapangan lebih lama namun pendidikan formal yang lebih rendah.
-
Status pernikahan berkorelasi positif dengan produktivitas, kemungkinan karena tanggung jawab keluarga yang mendorong kinerja.
Contoh nyata lain adalah proyek konstruksi perumahan di Johor, di mana penerapan model SVM untuk mengatur penjadwalan tenaga kerja menghasilkan pengurangan 12% dalam keterlambatan proyek.
Nilai Tambah: Kritik dan Perbandingan
Penelitian ini unggul dalam pendekatan sistematis dan penggunaan machine learning. Namun, ada beberapa catatan penting:
-
Generalisasi: Karena studi hanya dilakukan di Malaysia, diperlukan validasi lintas negara.
-
Proksi Gaji: Gaji sebagai indikator produktivitas bisa bias karena tidak semua sistem pengupahan mencerminkan output kerja.
-
Keterbatasan Faktor Non-Teknis: Seperti motivasi intrinsik dan budaya kerja belum dimasukkan secara eksplisit.
Jika dibandingkan dengan studi serupa oleh Alaghbari et al. (2019) di Yaman dan oleh Gerek et al. (2015) di Turki, pendekatan Momade lebih maju karena memadukan analitik dan data empiris dengan AI.
Implikasi Praktis: Mengubah Manajemen Konstruksi
Penemuan Momade dapat diterapkan secara luas untuk:
-
Merancang program pelatihan berbasis data karakteristik pekerja.
-
Optimalisasi jadwal kerja berdasarkan prediksi produktivitas individu.
-
Rekrutmen tenaga kerja dengan mempertimbangkan profil produktivitas potensial.
Bagi kontraktor besar, hal ini berarti efisiensi biaya dan peningkatan daya saing. Bagi pemerintah, bisa menjadi acuan dalam merumuskan kebijakan ketenagakerjaan di sektor konstruksi.
Kesimpulan
Penelitian ini tidak hanya memberikan kontribusi ilmiah dalam pemodelan produktivitas konstruksi, tetapi juga membuka jalan untuk praktik manajemen yang lebih efisien. Dengan memanfaatkan machine learning dan data karakteristik pekerja, prediksi produktivitas menjadi lebih akurat dan dapat diterapkan dalam perencanaan proyek nyata.
Dalam era digitalisasi konstruksi, riset seperti ini menjadi tonggak penting menuju industri yang lebih produktif, kompetitif, dan berkelanjutan.
Sumber: Mohammed Hamza Momade. (2020). Modelling Construction Labour Productivity from Labour's Characteristics. Universiti Teknologi Malaysia. [Link DOI atau repositori resmi jika tersedia]