Latar Belakang Teoretis
Industri konstruksi, sebuah pilar fundamental dalam pembangunan peradaban, secara paradoksal menghadapi tantangan produktivitas yang stagnan sejak pertengahan abad ke-20. Di tengah kemajuan teknologi yang pesat di sektor lain, konstruksi masih berjuang dengan inefisiensi, pemborosan, dan keterlambatan. Menjawab tantangan ini, karya Lesly Velezmoro-Abanto dkk. menyajikan sebuah tinjauan literatur sistematis yang mengeksplorasi konvergensi dua paradigma transformatif:
Lean Construction (LC) dan Kecerdasan Buatan (Artificial Intelligence - AI). Paper ini dibangun di atas premis bahwa sinergi antara filosofi efisiensi LC dan kapabilitas analitik AI dapat menjadi katalisator untuk revolusi yang telah lama dinantikan dalam manajemen proyek (Project Management - PM).
Kerangka teoretis yang diusung memposisikan LC sebagai filosofi manajemen yang berfokus pada identifikasi dan eliminasi segala bentuk pemborosan (waste), menjaga alur kerja yang stabil, dan mengelola sumber daya secara optimal untuk menghindari penundaan serta biaya tambahan. Di sisi lain, AI, khususnya sub-bidangnya
Machine Learning (ML), diperkenalkan sebagai seperangkat teknik komputasi yang mampu menganalisis data dalam volume masif, menghasilkan model prediktif untuk mengoptimalkan kinerja, dan belajar secara mandiri dari informasi yang diolahnya. Argumen sentral yang diajukan penulis adalah bahwa kombinasi antara prinsip-prinsip LC dan kekuatan analitik ML bukan lagi sekadar konsep teoretis, melainkan sebuah strategi praktis yang dapat meningkatkan profitabilitas dan efisiensi proyek secara signifikan. Dengan demikian, tujuan utama dari studi ini adalah untuk memetakan secara komprehensif lanskap penelitian yang ada, mengidentifikasi cakupan aplikasi teknik AI dalam metodologi LC, dan bagaimana keduanya dapat merevolusi PM dalam hal efisiensi biaya dan waktu.
Metodologi dan Kebaruan
Untuk mencapai tujuannya, penulis mengadopsi metodologi Tinjauan Literatur Sistematis (Systematic Literature Review - SLR) yang ketat, dengan berpedoman pada protokol PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses). Pendekatan ini memastikan bahwa proses seleksi artikel dilakukan secara transparan, dapat direplikasi, dan berbasis bukti, yang merupakan ciri khas dari penelitian ilmiah tingkat tinggi. Prosesnya melibatkan empat fase penyaringan yang berhasil mereduksi 43.654 artikel awal dari enam basis data terkemuka menjadi 63 artikel final yang paling relevan, berdasarkan kriteria inklusi dan eksklusi yang ketat, seperti rentang publikasi enam tahun terakhir (2018-2023) dan relevansi dengan topik penelitian.
Sebagai pelengkap, analisis bibliometrik dilakukan menggunakan perangkat lunak VOSviewer untuk memvisualisasikan jaringan dan hubungan antar kata kunci dari artikel-artikel yang terpilih. Analisis ini berhasil mengidentifikasi klaster-klaster penelitian utama, yang menegaskan bahwa
Lean Construction, AI, ML, dan Building Information Modeling (BIM) merupakan episentrum dari diskursus ilmiah di bidang ini.
Kebaruan dari karya ini tidak terletak pada penemuan data empiris baru, melainkan pada kontribusinya sebagai sebuah sintesis yang terstruktur dan komprehensif dari sebuah bidang yang bersifat interdisipliner dan cenderung terfragmentasi. Dengan memetakan secara sistematis titik temu antara LC dan AI, mengidentifikasi alat dan teknik yang paling dominan, serta membingkai manfaatnya dalam sebuah struktur yang koheren, paper ini menyajikan sebuah tinjauan "state-of-the-art" yang sangat berharga bagi akademisi maupun praktisi yang ingin memahami dan menavigasi frontier baru dalam manajemen konstruksi.
Temuan Utama dengan Kontekstualisasi
Analisis mendalam terhadap 63 artikel terpilih menghasilkan serangkaian temuan yang menjawab tiga pertanyaan penelitian utama yang dirumuskan oleh penulis.
Dominasi Alat Lean Construction (RQ1)
Temuan pertama menegaskan bahwa metodologi LC dan perangkatnya semakin mendapatkan pengakuan dan relevansi dalam praktik umum industri konstruksi. Di antara berbagai alat yang diidentifikasi, dua di antaranya menunjukkan dominasi yang jelas dalam literatur:
Building Information Modeling (BIM) dan Last Planner System (LPS). BIM, sebagai platform untuk menciptakan model bangunan digital yang kaya informasi, berfungsi sebagai fondasi untuk kolaborasi yang lebih baik dan pengurangan kesalahan desain. Sementara itu, LPS adalah sistem kontrol produksi yang berfokus pada perencanaan kolaboratif dan peningkatan keandalan alur kerja di lapangan. Dominasi kedua alat ini mengontekstualisasikan bahwa digitalisasi perencanaan (melalui BIM) dan optimalisasi kontrol produksi kolaboratif (melalui LPS) merupakan dua vektor utama di mana prinsip-prinsip LC saat ini diimplementasikan dan diteliti.
Spektrum Teknik Kecerdasan Buatan (RQ2)
Pada ranah AI, temuan menunjukkan bahwa Machine Learning (ML) adalah sub-bidang yang paling banyak dieksplorasi dalam konteks manajemen proyek konstruksi. Di dalam ML, teknik yang paling sering dipelajari adalah
Artificial Neural Networks (ANN), yang meniru cara kerja otak manusia untuk mengenali pola kompleks dalam data, diikuti oleh Support Vector Machine (SVM), yang efektif untuk tugas klasifikasi dan regresi. Paper ini juga mengidentifikasi berbagai teknik lain seperti
Convolutional Neural Networks (CNN) untuk pemrosesan gambar (computer vision), Decision Trees, dan Random Forest.
Lebih penting lagi, studi ini mengontekstualisasikan bagaimana teknik-teknik ini berintegrasi dengan filosofi LC. Misalnya, ANN digunakan untuk membuat prediksi akurat mengenai jadwal dan biaya, yang secara langsung mendukung prinsip LC dalam mengurangi variabilitas dan ketidakpastian. Demikian pula, teknik computer vision berbasis CNN dapat digunakan untuk pemantauan lokasi proyek secara otomatis, membantu mengidentifikasi pemborosan sumber daya atau praktik kerja yang tidak aman, yang sejalan dengan tujuan eliminasi limbah dalam LC.
Manfaat Sinergistik (RQ3)
Pertanyaan penelitian ketiga mengeksplorasi manfaat dari kombinasi strategi LC dan ML. Temuan menunjukkan bahwa sinergi ini menghasilkan keuntungan yang signifikan, yang oleh penulis diklasifikasikan ke dalam empat kategori utama:
-
Efisiensi: Meliputi eliminasi limbah konstruksi, optimalisasi proses dan alur kerja, serta peningkatan efisiensi dalam alokasi sumber daya.
-
Kualitas dan Keselamatan: Dicapai melalui pemantauan jarak jauh secara real-time, peningkatan akurasi pelaporan, dan fokus yang lebih besar pada keselamatan di lokasi kerja.
-
Optimisasi Jadwal dan Anggaran: Terwujud melalui estimasi jadwal dan biaya yang lebih akurat, serta kemampuan untuk menghasilkan profitabilitas yang lebih tinggi.
-
Pengurangan Risiko: Diperoleh dari kemampuan untuk mengidentifikasi dan memprediksi potensi risiko, mengurangi masalah tak terduga, dan memfasilitasi pengambilan keputusan yang lebih baik dan berbasis data.
Secara kontekstual, manfaat-manfaat ini secara langsung selaras dengan prinsip-prinsip inti filosofi Lean. Hal ini menunjukkan bahwa AI tidak hanya berfungsi sebagai alat tambahan, tetapi sebagai enabler atau pemungkin yang memperkuat dan mempercepat pencapaian tujuan-tujuan LC, menjadikannya kombinasi yang sangat kuat untuk mencapai kesuksesan proyek.
Keterbatasan dan Refleksi Kritis
Penulis secara transparan mengakui beberapa keterbatasan yang melekat dalam penelitian mereka, termasuk ketersediaan dan kualitas data yang digunakan untuk melatih model ML dalam studi-studi yang ditinjau, potensi bias dalam seleksi artikel, kelangkaan riset yang secara spesifik berfokus pada integrasi LC dan ML, serta tantangan resistensi terhadap perubahan di industri konstruksi.
Sebagai refleksi kritis, resensi ini menambahkan beberapa poin. Pertama, tinjauan ini sangat berhasil dalam mengidentifikasi "apa" (alat dan teknik yang digunakan), namun kurang mendalam dalam menganalisis "bagaimana" (mekanisme praktis dan tantangan integrasi di lapangan). Kedua, meskipun manfaat sinergi ini dipaparkan dengan baik, analisis yang lebih kritis mengenai potensi trade-off atau konflik akan memperkaya diskusi. Sebagai contoh, apakah investasi awal yang tinggi untuk implementasi AI bertentangan dengan prinsip reduksi biaya dalam LC, setidaknya dalam jangka pendek? Terakhir, ketergantungan pada analisis bibliometrik, meskipun berguna, berisiko menyederhanakan hubungan yang kompleks antar konsep yang mungkin dapat digali lebih dalam melalui analisis tematik kualitatif.
Implikasi Ilmiah di Masa Depan
Sebagai penutup, Velezmoro-Abanto dkk. memberikan rekomendasi yang jelas untuk arah penelitian di masa depan, seperti melakukan studi kasus dan proyek percontohan untuk validasi di dunia nyata, merancang platform spesifik yang mengintegrasikan kedua metodologi, dan mengembangkan analisis biaya-manfaat yang komprehensif.
Implikasi dari temuan ini sangat luas. Penelitian di masa depan harus bergerak melampaui pertanyaan "apa" menuju "bagaimana", dengan fokus pada pengembangan dan pengujian kerangka kerja praktis untuk mengintegrasikan alat LC spesifik dengan teknik AI tertentu (misalnya, kerangka kerja yang menghubungkan data dari LPS dengan model prediksi penundaan berbasis ANN). Selain itu, investigasi terhadap "faktor manusia"—bagaimana pengenalan AI mengubah dinamika tim, proses pengambilan keputusan, dan keterampilan yang dibutuhkan oleh manajer proyek dalam lingkungan Lean—menjadi sangat krusial.
Sebagai refleksi akhir, di tengah meningkatnya kompleksitas proyek, tekanan efisiensi, dan tuntutan keberlanjutan, sinergi antara filosofi eliminasi limbah LC dan kapabilitas optimisasi berbasis data AI bukan lagi sekadar keingintahuan akademis. Ia merupakan jalur kritis menuju masa depan industri konstruksi. Paper ini, meskipun bersifat tinjauan, berhasil menyediakan sebuah peta jalan tingkat tinggi yang sangat berharga untuk menavigasi dan membentuk frontier baru yang menjanjikan ini.
Sumber
Velezmoro-Abanto, L., Cuba-Lagos, R., Taico-Valverde, B., Iparraguirre-Villanueva, O., & Cabanillas-Carbonell, M. (2024). Lean Construction Strategies Supported by Artificial Intelligence Techniques for Construction Project Management-A Review. International Journal of Online and Biomedical Engineering (IJOE), 20(3), 99-114. https://doi.org/10.3991/ijoe.v20i03.46769