Penjadwalan Proyek Menggunakan Monte Carlo Simulation pada Kondisi Tidak Pasti

Studi Kasus Wabah COVID-19 di Surabaya

  • Michael Edwardo Sampurno Magister Teknik Sipil UK Petra
  • I Gede Agus Widyadana Magister Teknik Sipil UK Petra
  • Januar Budiman Magister Teknik Sipil UK Petra
Keywords: perencanaan penjadwalan, monte carlo simulation, wabah COVID-19, estimasi durasi probabilistik

Abstract

Pada makalah ini dilakukan pembahasan mengenai perencanaan penjadwalan menggunakan monte carlo simulation yang dihadapkan dengan wabah COVID-19. Penggunaan monte carlo simulation dalam melakukan perencanaan penjadwalan memperhitungkan risiko-risiko ketidakpastian yang menggunakan durasi probabilistik dalam setiap durasi aktivitas pekerjaannya. Penelitian ini bertujuan meneliti penggunaan cara alternatif dalam mengestimasi durasi probabilistik apabila data historis tidak bisa didapatkan. Hasil yang didapatkan adalah penggunaan monte carlo simulation dalam melakukan perencanaan penjadwalan dapat menghasilkan model penjadwalan yang lebih sesuai dengan kondisi aktual apabila dibandingkan dengan menggunakan critical path method. Estimasi durasi probabilistik yang terbaik apabila tidak adanya data historis adalah dengan menggunakan cara kualitatif dengan three-point estimate menggunakan hasil wawancara dan diskusi dengan pihak kontraktor pada proyek studi kasus yang dilakukan pada durasi pekerjaan-pekerjaan awal dari proyek tersebut dan estimasi durasi aktivitas sisanya menggunakan hasil survei dengan pihak-pihak kontraktor lainnya selain dari proyek yang diteliti.

References

Acebes, F., Pereda, M., Poza, D., Pajares, J., & Galán, J. M. (2015). Stochastic earned value analysis using Monte Carlo simulation and statistical learning techniques. International Journal of Project Management, 33(7), 1597–1609. https://doi.org/10.1016/j.ijproman.2015.06.012

Agarwal, R., & Virine, L. (2016). Monte carlo project risk analysis. Handbook of Research on Leveraging Risk and Uncertainties for Effective Project Management, 109–129. https://doi.org/10.4018/978-1-5225-1790-0.ch005

Alenezi, T. A. N. (2020). The impact Of COVID-19 on construction projects in Kuwait. International Journal of Engineering Research and General Science, 8(4), 6–9. https://www.researchgate.net/publication/344588873_The_Impact_Of_Covid-19_On_Construction_Projects_In_Kuwait

Avlijas, G. (2018). Examining the value of Monte Carlo simulation for project time management. Management:Journal of Sustainable Business and Management Solutions in Emerging Economies, 24(1), 11. https://doi.org/10.7595/management.fon.2018.0004

Choudhry, R. M., Aslam, M. A., & Arain, F. M. (2014). Cost and schedule risk analysis of bridge construction in Pakistan: Establishing risk guidelines. Journal of Construction Engineering and Management, 140(7). https://doi.org/10.1061/(ASCE)CO.1943-7862.0000857

Deshmukh, P., & Rajhans, N. (2018). Comparison of project scheduling techniques: PERT versus Monte Carlo simulation. Industrial Engineering Journal, 11(7). https://doi.org/10.26488/iej.11.7.1134

Gamil, Y., & Alhagar, A. (2020). The impact of pandemic crisis on the survival of construction industry: A case of COVID-19. Mediterranean Journal of Social Sciences, 11(4), 122. https://doi.org/10.36941/mjss-2020-0047

Hajdu, M., & Bokor, O. (2016). Sensitivity analysis in PERT networks: Does activity duration distribution matter? Automation in Construction, 65, 1–8. https://doi.org/10.1016/j.autcon.2016.01.003

Kirytopoulos, K. A., Leopoulos, V. N., & Diamantas, V. K. (2008). PERT vs. Monte Carlo simulation along with the suitable distribution effect. International Journal of Project Organisation and Management, 1(1), 24–46. https://doi.org/10.1504/IJPOM.2008.020027

Kroese, D. P., Brereton, T., Taimre, T., & Botev, Z. I. (2014). Why the Monte Carlo method is so important today. Wiley Interdisciplinary Reviews: Computational Statistics, 6(6), 386–392. https://doi.org/10.1002/wics.1314

Kwak, Y., & Ingall, L. (2009). Exploring Monte Carlo simulation applications for project management. IEEE Engineering Management Review, 37(2), 83–83. https://doi.org/10.1109/emr.2009.5235458

Na, W., Wuliang, P., & Hua, G. (2014). A robustness simulation method of project schedule based on the Monte Carlo method. Open Cybernetics and Systemics Journal, 8(1), 254–258. https://doi.org/10.2174/1874110x01408010254

Opaleye, A. A., Charles-owaba, O. E., & Bender, B. (2017). Relevance of historical-data based activity scheduling and risk mitigation model. International Journal of Science and Technology, 6(3), 728–732. https://www.researchgate.net/publication/320244605_Relevance_Of_Historical-Data_Based_Activity_Scheduling_And_Risk_Mitigation_Model?_sg=R8lZB8BtQJ-4c2mhVoASDw1CJ0-uFvQeNOlXKv8X-ASW0MgBq-3xV67CWSlsBQSpnyWTJQrzw_N5K3w

Ulam, N. M. S. (1949). The Monte Carlo method. Journal of the American Statistical Association, 44(247), 335–341. https://doi.org/10.1080/01621459.1949.10483310
Published
2021-10-30
Section
Articles