719 Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 719-730 E-ISSN 2503-2933
Analisis Timesheet Tracking Pada Monitoring Pelaksanaan Proyek Berbasis Odoo Framework
Ilyas Abdurachman*1, Nazar Firman Pratama2, Christina Juliane3 Program Studi Sistem Informasi Jurusan Sistem Informasi Bisnis, Master Program
STMIK LIKMI, Bandung
e-mail: 1[email protected], 2[email protected],
Abstrak
Perusahaan konsultan adalah lembaga konsultasi, pelatihan dan penelitian yang berspesialisasi dalam peningkatan produktivitas dan kualitas dengan bantuan sumber daya manusia. Untuk memastikan efektivitas dan efisiensi proyek, perusahaan konsultan menunjuk Project Management Officer (PMO) untuk memastikan proyek berjalan dengan baik dan lancar.
Analisis timesheet perlu dilakukan untuk mendapatkan rekomendasi tim yang tepat dalam melaksanakan proyek, sehingga proyek berjalan lebih efektif dan efisien. Dari hasil analisis kekuatan yang dilakukan dengan metode siku, jumlah klaster 10 memberikan siku terbesar di C4, sehingga 4 klaster cocok untuk penelitian ini. Dengan pengujian algoritma clustering K- Means 4, ditemukan bahwa C3 merupakan klaster terbaik dengan waktu pengerjaan proyek 2.732 jam, jumlah aktivitas proyek yang diselesaikan sebanyak 1.530 dan biaya rata-rata Rp.
365.536. Berdasarkan pengelompokannya, jenis proyek yang paling banyak dilaksanakan adalah proyek konsultasi dan sebagian besar pelaksana proyek adalah konsultan. Dengan cara ini, PMO mendapatkan referensi dari klaster saat menentukan tim proyek berikutnya, memilih tim yang tepat agar implementasi tetap tepat waktu dan sesuai jalur. Sehingga proyek menjadi lebih efektif dan efisien berdasarkan indikator biaya, kualitas dan waktu
Kata kunci— Data Mining, Clustering, Metode Elbow, Timesheet Tracking
Abstract
The Consultant Company is a training, consulting and research institution specializing in improvement through people. Project Management Officer (PMO) appointed to ensure the project runs effectively, efficiently. Analysis of the right project team recommendations is needed so that the project can run effectively and efficiently. The results of performance analysis using the Elbow Method, the most elbow point is obtained from point C4. So the number of klasters used is 4 klasters. Testing cluster-4 K-Means result found that C3 was the best cluster with a total project implementation time of 2732 hours, a total of 1,530 completed project activities and an average cost of Rp. 365,536. The type of project that was most completed based on clustering was the Consulting project and the most project executors were Consultants. In this way the PMO gets references from the klaster in determining the next project team by selecting the right team so that the implementation is on time and according to plan. So that projects can be more effective and efficient based on the dimensions of cost, quality and time.
Keywords— Data Mining, Clustering, Elbow Method, Timesheet Tracking
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 719-730 E- ISSN 2503-2933 720
1. PENDAHULUAN
erusahaan konsultan adalah lembaga konsultasi, pelatihan, dan penelitian yang memiliki spesialisasi dalam meningkatkan produktivitas dan kualitas dengan bantuan sumber daya manusia. Perusahaan konsultan dengan fokus pada produktivitas dan manajemen kualitas, kepemimpinan dan pengembangan staf serta keunggulan layanan. Proyek adalah kombinasi dari tenaga kerja, alat, bahan dan biaya yang disatukan untuk mencapai suatu tujuan [1]. Beberapa tipe proyek dijalankan oleh perusahaan konsultan yaitu: Inhouse, Multi Batch, Consulting.
Proyek Inhouse adalah proyek training yang dijalankan dengan durasi pelaksanaan 1-5 Hari dengan minimum peserta 5-20. Proyek Multi Batch merupakan proyek training yang dijalankan berulang dalam beberapa tahapan (Batch). Proyek Consulting merupakan proyek konsultasi dan training yang dijalankan dalam range waktu yang cukup panjang dan jumlah peserta lebih banyak. Analyst, Technical Consultants, Consultants, Senior Consultants dan Principal Consultants merupakan level pelaksana yang menjalankan semua proyek tersebut. Project Management Officer (PMO) merupakan bagian yang bertugas sebagai project control dan memastikan proyek berjalan sesuai dengan perencanaan.
PMO menggunakan Timesheet Tracking untuk mempermudah proses monitoring jalannya aktivitas proyek dan membandingkan kesesuaian aktual timesheet yang sudah terjadi dengan rencana awal proyek. PMO memerlukan informasi tim mana yang paling cepat untuk menyelesaikan setiap proyek yang didapat oleh perusahaan konsultan. Semakin banyaknya proyek yang dikerjakan oleh konsultan, PMO perlu memastikan semua aktivitas yang dilakukan berjalan sesuai dengan project plan.
Pada penelitian Sutiah dan Supriyono sebelumnya tentang “Analisis dan Implementasi Timesheet Odoo ERP 10 dalam Manajemen Proyek Perangkat Lunak Pembelajaran PAI Berbasis ICT”[3]. Tujuan dari penelitian ini adalah menganalisis dan mengimplementasikan sistem manajemen timesheet untuk meningkatkan efisiensi dan disiplin tim pengembangan perangkat lunak dalam pelaksanaan proyek. Dengan menggunakan informasi dari data timesheet odoo perusahaan konsultan, penulis melakukan pengujian lebih lanjut terhadap efektivitas tim proyek berdasarkan pengeluaran waktu, biaya, dan jumlah aktivitas yang dilakukan untuk merekomendasikan tim yang paling sesuai untuk menjalankan sebuah proyek.
Penelitian dengan judul Analisis Timesheet tracking Pada Monitoring Pelaksanaan Proyek Berbasis Odoo Framework ini bertujuan untuk mengetahui efektifitas tim pelaksana proyek dari sisi penggunaan waktu dan penyerapan biaya yang diolah berdasarkan data timesheet yang sudah terjadi. Dari penelitian ini manfaat yang akan didapatkan oleh seluruh perusahaan yang menjalankan proyek adalah dapat memilih tim yang tepat untuk menjalankan dan melaksanakan proyek sesuai dengan biaya mutu dan waktu. Perusahaan konsultan percaya bahwa proyek yang berhasil adalah proyek yang dijalankan tepat waktu, tepat biaya dan memiliki mutu yang baik sesuai dengan rencana awal proyek.
2. KAJIAN PUSTAKA
Batasan yang penting diperhatikan dalam penyelesaian proyek yaitu alokasi biaya, waktu dan hasil mutu proyek. Batasan tersebut adalah acuan penting perusahaan yang dijadikan sebagai sasaran proyek [1].
1) Biaya
Proyek dijalankan sesuai dengan perencanaan anggaran. Komponen biaya sesuai dengan periode dibuat untuk proyek yang dijalankan dalam waktu lama dan membutuhkan anggaran yang cukup besar. Hal ini dialokasikan sesuai kebutuhan dan dimasukan kedalam rencana
P
721 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 719-730 E-ISSN 2503-2933
anggaran total proyek. Dengan demikian, anggaran proyek per periode dapat digunakan seiring dengan tahapan penyelesaian proyek dan harus memenuhi sasaran perencanaan [1].2) Waktu
Proyek harus diselesaikan dalam waktu yang dijadwalkan dan memiliki akhir yang ditentukan. Hasil akhir proyek dapat disampaikan sebelum tanggal yang ditetapkan [1].
3) Mutu
Produk atau hasil fungsional harus sesuai scope yang ditentukan. Dalam istilah fit for the intended use memenuhi persyaratan mutu dengan mengerjakan tugas yang telah ditentukan [1].
Timesheet Management adalah alat untuk mencatat jumlah waktu karyawan yang dihabiskan untuk pekerjaan yang dialokasikan. Timesheet berisi analisis rinci proyek, tanggal mulai dan akhir proyek dapat direkam dan statistik ini nantinya dapat digunakan untuk akuntansi, penggajian, penagihan klien, pelacakan, estimasi dan proyek dialokasikan pekerjaan.
Secara konvensional cara penghitungan kinerja pegawai dilakukan dengan format tabel menggunakan excel sheet atau lembar kertas annual. Pada awalnya timesheet digunakan dalam bidang perhitungan penggajian dan manajemen akuntansi. Dalam format tabel itu terdiri dari pengaturan informasi dalam kolom dan baris. Format tersebut seringkali memiliki banyak kekurangan seperti lebih banyak intervensi manual, lebih banyak memakan waktu dalam hal perhitungan, sehingga Timesheet Management System mengatasi semua kekurangan tersebut.
Timesheet Management System dapat digunakan oleh organisasi manapun untuk manajemen strategis [2].
Timesheet merupakan perangkat lunak yang digunakan oleh perusahaan konsultan untuk mencatat setiap aktivitas yang dikerjakan oleh konsultan, mulai dari waktu yang digunakan hingga biaya yang muncul dari setiap task yang dijalankan pada framework odoo. Odoo adalah framework perangkat lunak open source yang digunakan oleh perusahaan konsultan untuk penerapan timesheet management system [3]. Odoo Enterprise Resource Planning (ERP) ialah rangkaian lengkap dari berbagai modul dan aplikasi bisnis termasuk manajemen sumber daya manusia, penjualan, akuntansi, Customer Relationship Management (CRM) dan manajemen proyek. Modul manajemen proyek odoo mengotomatiskan proses pengelolaan bahan baku, produk dan jalur suplai. Hal ini memastikan pelacakan dan pengorganisasian proyek secara realtime [4]. Odoo project management juga dapat diintegrasikan dengan beberapa modul lain agar proses dapat lebih end to end seperti, accounting, Expense, reporting dan aplikasi lainnya yang mendukung proses monitoring proyek [5].
Sebagai respon dari kemajuan teknologi, beberapa perusahaan mulai mengintegrasikan sistemnya menggunakan ERP. Selain mudahnya proses integrasi, perangkat lunak ini dapat disesuaikan dengan proses yang ada di diperusahaan. Isu ERP saat ini adalah bagaimana mengadopsi ERP dalam proses bisnis dalam suatu perusahaan daripada melakukan pengembangan dari awal hingga perangkat lunak diimplementasikan di perusahaan. Dalam manajemen proyek, perangkat lunak perlu dipersiapkan dengan baik, mulai dari tahap analisis kebutuhan hingga proses pemeliharaan [6].
Knowledge Discovery in Database (KDD) yaitu kegiatan mengekstraksi knowledge.
Basis data merupakan sumber informasi yang dikumpulkan dari informasi sebelumnya yang bisa digunakan pada proses pengambilan keputusan. Data mining yaitu proses pencarian informasi yang bersumber pada data yang ada. Berbagai aspek dapat dianalisis menggunakan metode penambangan data Ekonomi, Bisnis, Intelijen, yang dapat dikelompokkan menjadi enam bidang tugas meliputi klasifikasi, evaluasi, prediksi, pengelompokan afinitas, pengelompokan, deskripsi, dan pembuatan profil [7].
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 719-730 E- ISSN 2503-2933 722
Data mining merupakan bagian dari KDD yang ditu jelaskan di Gambar 1 KDD Proses [8]:Gambar 1. KDD Proses
Salah satu tools yang digunakan untuk melakukan proses data minining yaitu RapidMiner. RapidMiner pertama kali dibuat pada tahun 2001 oleh Ralf Klinkenberg, Ingo Mierswa dan Simon Fischer di Chair of Artificial Intelligence di University of Dortmund dengan nama Yet Another Learning Environment (YALE). RapidMiner merupakan perangkat lunak yang bersifat Open Source. RapidMiner ialah solusi untuk anilisis data mining, text maining, dan analitik prediktif. RapidMiner memiliki berbagai teknik deskriptif dan prediktif untuk memberikan wawasan pada pengguna dalam menentukan keputusan terbaik. RapidMiner adalah kerangka kerja berbasis antarmuka pengguna grafis yang dapat digunakan untuk proses penambangan data. Rapid Miner menawarkan banyak operator yang dapat digunakan dalam proses untuk menganalisis data yang diperoleh di awal proses [8].
Clustering termasuk pada klasifikasi unsupervised, yaitu pengelompokan objek berdasarkan informasi yang menggambarkan keterkaitan antar data, Memaksimalkan kesamaan data antar kelas dan meminimalkan kesamaan dengan klaster lain. Menurut Xu & Wunsch II, 2009, clustering adalah pembagian data menjadi beberapa grup untuk meminimalkan fungsi tujuan yang didapat dalam clustering, umumnya dipakai untuk meminimalkan perbedaan dalam satu klaster dan memaksimalkan perbedaan dengan klister lain [9]. Proses clustering digunakan pada berbagai bidang seperti biologi, psikologi, dan ekonomi.
Clustering diproses data mining bertujuan analisis berdasarkan pola distribusi kelompok data. Pengelompokan dilakukan berdasarkan pada kemiripan dan kedekatan nilai atau atribut yang menggambarkan objek data, sedangkan objek data biasanya direpresentasikan sebagai titik dalam ruang multi dimensi [10]. Beberapa metode dapat digunakan untuk proses clustering, termasuk metode hirarki dan partisi. Mengelompokkan data ke dalam hierarki atau pohon kluster disebut Metode hierarki, sedangkan mengelompokkan objek data secara langsung pada kluster disebut metode partisi. Metode partisi yang paling umum digunakan adalah K-Method.
K-Means adalah algoritma analisis data atau metode penambangan data yang memodelkan data dengan pengelompokan. K-Means bertujuan untuk meminimalkan yang ditentukan dalam proses clustering. Minimalkan perbedaan antara 1 klaster sekaligus maksimalkan perbedaan dengan data dari klaster lain [11]. K-Means merupakan prosedur pemecahan dasar yg diimplementasikan menjadi berikut: menentukan jumlah klaster, membagi data klaster secara acak, menghitung rata-rata data klaster, menggunakan langkah-langkah pada baris 3 untuk mengembalikan sesuai ambang batas, menghitung jarak antar klaster. Nilai data dan centroid (k- means clustering) dan jarak spasial dapat dihitung untuk mendapatkan jarak data dan centroid [12].
723 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 719-730 E-ISSN 2503-2933
Tahapan K-Mean:1) Tentukan jumlah K klaster yang bisa dibentuk, 2) Pembuatan acak K-center (pusat klaster),
3) Hitung jarak dari setiap titik dasar ke setiap pusat massa. Rumus jarak Euclidean pada persamaan (1) [7]:
D(, ) = ∑ 2 (1)
d (xi, µi) adalah jarak antara klaster n x dengan pusat klaster µ pada kata ia, xi adalah bobot kata ke-i dalam klaster yang dicari jaraknya, µi adalah bobot pusat kata ia pada klaster.
4) Pengelompokan data menurut jarak terpendek antara data dengan centroid,
5) Tentukan nilai centroid baru menggunakan persamaan (2) untuk mendapatkan nilai rata- rata:
= ∑ (2)
Keterangan:
nk = Data pada klaster k
di = Jumlah nilai jarak yang masuk untuk setiap klaster
6) Ulangi proses 3 sampai 5 hingga tidak ada perubahan data tiap klaster. Berikut langkah- langkah algoritma K-Means dengan flowchart Pada Gambar 2 [13]:
Gambar 2 Flowchart algoritma K-Means
Gambar 2. Flowchart K-means
Elbow Method ialah metode penentuan jumlah kluster dengan melihat persentase hasil yang diperoleh dengan cara membandingkan jumlah kluster yang membentuk siku pada titik tertentu. Elbow Method memperoleh gambaran dengan memilih nilai cluster kemudian menjumlahkan nilai cluster yang digunakan sebagai model data untuk mencari klaster terbaik.
Tingkat hitungan yang dihasilkan adalah perbandingan jumlah klaster yang ditambahkan. Hasil persentase yang berbeda dari setiap nilai klaster dapat dilihat menggunakan grafik sebagai sumber data. Apabila nilai klaster yang pertama membentuk siku pada grafik dengan nilai klaster yang kedua, atau nilai tersebut mengalami penysutan paling besar, maka nilai klaster tersebut adalah yang terbaik [14] .
Berikut langkah dalam menentukan nilai K pada algoritma k-means menggunakan Elbow Method:
1) Analisa awal nilai k, 2) Tingkatkan nilai k,
3) Hitung hasil SSE dari setiap nilai k,
4) Analisa hasil sum of squared error (SSE) nilai k yang mengalami penurunan drastis, 5) Temukan dan tentukan nilai k dalam sudut.
Nilai klaster terbaik digunakan dari sum of squared error (SSE) yang mengalami penurunan secara signifikan. Perhitungan SSE dengan rumus (3) [15].
(3)
Dimana:
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 719-730 E- ISSN 2503-2933 724
K = jumlah klasterxi = data ke – i Ck = centroid klaster
SSE sering digunakan sebagai rujukan studi terkait untuk menentukan klaster yang optimal dengan cara mengetahui perbedaan antara data yang didapat dari model forecast yang telah ada.
3. METODE PENELITIAN
Dalam studi ini, data dasar dari sistem Odoo perusahaan konsultan digunakan dalam modul jam kerja yang diisi oleh konsultan setiap hari sesuai dengan agenda proyek saat ini.
Langkah-langkah penelitian ini dijelaskan pada bagian ini Gambar 3 Proses Penelitian:
Gambar 3. Proses Penelitian 3.1 Studi Literatur
Tinjauan pustaka dilakukan dengan mengumpulkan beberapa metode dan teori tentang masalah penelitian yaitu. menggunakan algoritma pengelompokan K-Means dan perangkat lunak yang digunakan untuk mengelola lembar waktu, Odoo. Kajian sastra diperoleh dari berbagai sumber seperti majalah, artikel atau tulisan ilmiah, yang digunakan untuk memperkuat landasan teori kajian. Dalam penelitian ini digunakan beberapa referensi jurnal sebagai gambaran umum, yaitu penelitian Supriyono dan Sutiah tentang “Analisis dan Implementasi Timesheet Odoo ERP 10 dalam Manajemen Proyek Perangkat Lunak Pembelajaran PAI Berbasis ICT” dan “Improvement of Project Management Using Accelerated SAP Method in the Odoo ERP”.
3.2 Pengumpulan Data
Tahapan ini adalah proses pengumpulan data, yaitu proses pengambilan data timesheet dari perusahaan konsultan melalui sistem odoo dengan periode Januari 2019 hingga Desember 2021. Jumlah total data yang diterima untuk periode ini adalah 108.000 baris data, yang terdiri dari berbagai proyek.
3.3 Processing Data
Informasi yang didapat dari proses pengumpulan data diimplementasikan di tahapan selanjutnya yaitu pengolahan. Pada tahap ini dilakukan beberapa operasi, yaitu:
1) Pemilihan data dilakukan untuk mengumpulkan data yang sesuai untuk keperluan analisis, yaitu pemilihan data oleh konsultan, kode, atribut jumlah dan waktu,
2) Transform data adalah konversi data menjadi format yang mudah untuk dianalisis,
3) Bersihkan data, yaitu proses menghapus data dan informasi yang tidak konsisten dari data yang dikumpulkan.
Beberapa informasi atribut data yang diperoleh setelah pra-pemrosesan data terlihat pada Tabel 1 Contoh Dataset.
Studi Literature Pengumpulan data Prosesing data Analisa data
725 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 719-730 E-ISSN 2503-2933
Tabel 1. Contoh Dataset
Keterangan:
consultant : Tipe konsultan yang menjalankan proyek project : Tipe proyek
amount : Biaya yang timbul dari setiap waktu yang dikerjakan hour : Waktu yang digunakan dalam mengerjakan proyek
4. HASIL DAN PEMBAHASAN
Analisis data proses dilakukan terhadap 4.996 data yang diolah menggunakan dua metode. Pertama, data dimuat ke dalam Rapidminer dan melalui metode elbow untuk mendapatkan jumlah rekomendasi grup yang tepat sebelum proses pengelompokan dimulai.
Selain itu, setelah menjalankan proses menggunakan metode tersebut, data yang sama diproses menggunakan metode k-means untuk mendapatkan hasil pengelompokan. Gambar 4. Proses Rapidminer cepat ditampilkan dalam dua proses dalam proses penambang cepat.
Consultant Project Amount Hour
Technical Consultants Consulting 320000 4.0
Consultants Consulting 525000 1.5
Consultants Consulting 1400000 4.0
Analyts Consulting 340000 4.0
Analyts In House 127500 1.5
Analyts In House 170000 2.0
Technical Consultants Multi Batch 240000 3.0 Technical Consultants Multi Batch 80000 1.0
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 719-730 E- ISSN 2503-2933 726
Gambar 4. Proses Rapid Miner
Proses pengecekan performance menggunakan k-2 sampai k-10 sebagai inputan. Hasil pengecekan dari masing-masing k dimasukan kedalam tabel untuk mengetahui jumlah kluster yang tepat. Hasil tabel penghitungan performance dievaluasi untuk mendapatkan k-number dengan menggunakan metode elbow. Elbow Method menghitung selisih antara reduksi maksimum SSE dan sudut Kemudian proses pengelompokan record ke dalam cluster masing- masing berdasarkan kesamaan karakteristik yang dihitung dengan rumus Euclidean distance di persamaan (1) dan mengolah algoritma k-means. Persamaan (3) digunakan dalam perhitungan SSE. Setelah dilakukan uji clustering pada kumpulan data, kemudian ditentukan hasilnya sesuai Tabel 2 Average Distance dengan menghitung nilai jarak untuk menentukan jumlah cluster dari pengolahan data yang dilakukan. Perbandingan hasil SSE Tabel 2 Average Distance:
Tabel 2 Average Distance Klaster Average
K2 433649958796.5 K3 221364076015.7 K4 107267343611.5 K5 102012399952.0 K6 84623330976.0 K7 67161668393.5 K8 37643102841.0 K9 25847836724.8 K10 22008467567.5
727 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 719-730 E-ISSN 2503-2933
Gambar 5. Grafik Hasil Clustering
Berdasarkan hasil dari pengujian pada Table 2 Hasil Average Distance, kita coba lakukan pengujian menggunakan Elbow Method untuk mengetahui berapa klaster yang tepat digunakan pada proses analisanya. Kita lakukan visualisasi tabel kedalam bentuk grafik dan cari klaster yang garisnya paling siku. Berdasarkan Gambar 5 Grafik Hasil Average dapat kita lihat titik pada C4 menunjukan hasil paling siku dibanding dengan titik lainnya. Maka dapat kita ambil kesimpulan klaster yang paling optimal menurut metode elbow yaitu dengan menggunakan 4 klaster. Selanjutnya kita lakukan kembali pengujian pada rapid miner dengan menggunakan klaster yang direkomendasikan, Hasil pengujian algoritma K-Means dengan 4 klaster dapat dilihat pada Gambar 6 Hasil K-Means 4 klaster.
Gambar 6. Description 4 Klaster
Hasil clustering dengan 4 klaster menunjukan nilai klaster paling sedikit ada di klaster 1 dan terbanyak ada di klaster 3. Detail perbandingan clustering dapat dilihat pada Tabel 3 Hasil Clustering.
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 719-730 E- ISSN 2503-2933 728
Tabel 3. Hasil ClusteringAttribut Klaster_0 Klaster_1 Klaster_2 Klaster_3
consultant 3.002 4.383 2.966 1.883
project 1.848 1.877 2 1.530
amount 1.366.681,60 4.787.500 2.753.829,70 365.536.25
hour 3.319 7.897 6.665 2.732
Gambar 7 Statistik Example Set
Hasil pada Gambar 7 Statistik Example Set clustering rapidminer menunjukan, Jumlah proyek yang banyak dikerjakan adalah proyek Consulting dengan jumlah 2811 dan Proyek terendah ada pada proyek In House dengan jumlah 980. Konsultan yang banyak mengerjakan proyek adalah tipe konsultan Consultant dengan jumlah proyek sebanyak 1841 dan terendah ada pada principal consultant sejumlah 422. Hasil clustering dengan 4 klaster menunjukan biaya tertinggi proyek yaitu Rp. 7.800.000 dan terendah ada di Rp. 40.000. Berdasarkan hasil pengelompokan ini, nilai waktu dan biaya Klaster 3 lebih rendah dibandingkan dengan klaster lainnya sehingga merupakan klaster terbaik dalam hal investasi waktu, penyerapan biaya dan penyelesaian proyek.
5. KESIMPULAN
Berdasarkan penelitian clustering data proyek perusahaan konsultan yang disimpan pada timesheet framework odoo, didapatkan klaster terbaik yaitu klaster 3 dengan pemakaian waktu sebanyak 2732 jam, pemakaian biaya Rp. 365.536, total aktivitas proyek diselesaikan sebanyak 1350 dan jumlah konsultan 1.883. Tipe Consulting menjadi proyek yang paling banyak diselesaikan dalam klaster tersebut. Dengan rata-rata biaya proyek per jam Rp. 1.150.859 dan waktu pengerjaan proyek 3.673 Jam. PMO sebagai project control dapat melihat efektifitas pelaksanaan proyek dari sisi pelaksana, waktu dan biaya yang lebih sesuai, sehingga pada proses perencanaan dan pelaksanaan proyek berikutnya perusahaan konsultan dapat memilih tim yang tepat untuk menjalankan proyek sesuai dengan biaya mutu dan waktu.
6. SARAN
Dari hasil pengujian data, masih ditemukan informasi-informasi yang tidak lengkap sehingga proses penggalian data dapat terhambat apabila data tidak dilakukan processing lanjutan. Dengan demikian untuk meminimalisir hal tersebut, perusahan konsultan dapat memaksimalkan kembali proses pengisian timesheet dengan proses validasi lanjutan setelah
729 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 719-730 E-ISSN 2503-2933
pengisian dilakukan oleh konsultan. Penelitian berikutnya dapat dilakukan secara berkala untuk mengukur efektivitas data yang menjadi parameter penting bagi keberlangsungan proyek.UCAPAN TERIMA KASIH
Terima kasih banyak kepada perusahaan konsultan yang telah menyediakan data untuk mendukung penelitian ini sehingga seluruh proses dapat dilakukan dengan baik dan lancar.
Semoga hasil penelitian dapat digunakan saat perusahaan memilih tim yang baik untuk setiap proyek.
DAFTAR PUSTAKA
[1] J. Atmaja, Y. P. Wijaya, H. Jurusan, T. Sipil, P. Negeri, and P. Abstrak, “Pengendalian Biaya dan Waktu pada Proyek Konstruksi Dengan Konsep Earned Value (Studi Kasus Proyek Pembangunan Jembatan Beringin-Kota Padang),” Vol. 1, 2016.
[2] G. S. S. Lakshmi and P. Ghuli, “Design and Development of Timesheet Management System,” Indian J Sci Technol, Vol. 10, pp. 974–6846, 2017, doi:
10.17485/ijst/2017/v10i27/115683.
[3] Sutiah and Supriyono, “Analisis dan Implementasi Timesheet Odoo ERP 10 Dalam Manajemen Proyek Perangkat Lunak Pembelajaran PAI Berbasis ICT,” 2019. doi:
https://doi.org/10.36040/seniati.v5i1.338.
[4] ERP Solutions oodles, “Odoo Project Management Module for Efficient Task Management,” 2019. https://erpsolutionsoodles.medium.com/odoo-project-management- module-for-efficient-task-management-c35a20ad7843 (accessed Dec. 01, 2022).
[5] Odoo, “Odoo Features,” 2022. https://www.odoo.com/app/project-features (accessed Dec. 01, 2022).
[6] S. Supriyono and S. Sutiah, “Improvement of Project Management Using Accelerated SAP Method in the Odoo ERP,” Jan. 2020. doi: 10.4108/eai.3-8-2019.2290729.
[7] M. Ezar, A. Rivan, R. A. Sonaru, and K. Kunci-Algoritma, “Perbandingan Metode K- Means dan GA K-Means Untuk Clustering Dataset Heart Disease Patients Hasil Intra Cluster dari GA K-Means Lebih Baik di Bandingkan Dengan K-Means dan Untuk Inter Cluster Sangat Kecil Perbedaannya, di Mana Rata-rata Inter Cluster Metode K-Means Sedikit Lebih Baik dari pada GA K-Means,” Jurnal Teknik Informatika dan Sistem Informasi, Vol. 9, No. 3, p. 2585, 2022, [Online]. Available: http://jurnal.mdp.ac.id [8] A. T. Rahman, “Coal Trade Data Clusterung Using K-Means (Case Study PT. Global
Bangkit Utama),” ITSMART: Jurnal Ilmiah Teknologi dan Informasi, Vol. 6, No. 1, 2017.
[9] E. Muningsih and S. Kiswati, “Sistem Aplikasi Berbasis Optimasi Metode Elbow Untuk Penentuan Clustering Pelanggan,” 2018.
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 719-730 E- ISSN 2503-2933 730
[10] S. Handoko, F. Fauziah, and E. T. E. Handayani, “Implementasi Data Mining Untuk Menentukan Tingkat Penjualan Paket Data Telkomsel Menggunakan Metode K-Means Clustering,” Jurnal Ilmiah Teknologi dan Rekayasa, Vol. 25, No. 1, pp. 76–88, 2020, doi: 10.35760/tr.2020.v25i1.2677.[11] W. Lestari, S. Bina, and B. Kendari, “Clustering Data Mahasiswa Menggunakan Algoritma K-Means Untuk Menunjang Strategi Promosi (Studi Kasus: STMIK Bina Bangsa Kendari),” 2019. [Online]. Available: http://e- jurnal.stmikbinsa.ac.id/index.php/simkom35
[12] R. Novianto and L. Goeirmanto, “Penerapan Data Mining Menggunakan Algoritma K- Means Clustering Untuk Menganalisa Bisnis Perusahaan Asuransi,” Jurnal Teknik Informatika dan Sistem Informasi, Vol. 6, No. 1, 2019, [Online]. Available:
http://jurnal.mdp.ac.id
[13] S. Andryana and E. Mardiani, “Implementasi Data Mining Untuk Menentukan Persediaan Stok Obat di Enok Menggunakan Metode K-Means Clustering,” Jurnal Teknik Informatika dan Sistem Informasi, Vol. 8, No. 3, pp. 1294–1306, 2021, [Online].
Available: http://jurnal.mdp.ac.id
[14] A. F. Febrianti, A. H. Cabral, and G. Anuraga, “K-Means Clustering Dengan Metode Elbow Untuk Pengelompokan Kabupaten dan Kota di Jawa Timur Berdasarkan Indikator Kemiskinan,” in Prosiding Seminar Nasional Hasil Riset Dan Pengabdian, 2018.
[15] D. Ayu, I. C. Dewi, and K. Pramita, “Analisis Perbandingan Metode Elbow dan Sillhouette pada Algoritma Clustering K-Medoids Dalam Pengelompokan Produksi Kerajinan Bali,” 2019.
