Memprediksi Keberhasilan Proyek ERP Menggunakan Indikator Kinerja Multi-Domain dan Machine Learning

Ahmad Ghozi Waridi; Muhammad Haikal Fikri; Muhammad Ainul Yaqin

doi:10.47134/jacis.v6i2.195

Authors

Ahmad Ghozi Waridi Universitas Islam Negeri Maulana Malik Ibrahim Malang
Muhammad Haikal Fikri Universitas Islam Negeri Maulana Malik Ibrahim Malang
Muhammad Ainul Yaqin Universitas Islam Negeri Maulana Malik Ibrahim Malang

DOI:

https://doi.org/10.47134/jacis.v6i2.195

Keywords:

Enterprise Resource Planning, Machine Learning, Neural Network, Performance Domains

Abstract

Penelitian ini bertujuan mengembangkan model prediksi keberhasilan implementasi Enterprise Resource Planning (ERP) menggunakan pendekatan Neural Network berbasis indikator kinerja multidomain. Tingginya tingkat kegagalan implementasi ERP dipengaruhi oleh kompleksitas proyek, ketidakseimbangan distribusi data, serta interaksi faktor teknis dan manajerial yang sulit dimodelkan menggunakan pendekatan konvensional. Penelitian ini memanfaatkan 4.000 data proyek ERP dengan 50 indikator kinerja yang dipetakan ke dalam delapan Performance Domains PMBOK Guide Edisi ke-7. Tahap preprocessing meliputi normalisasi data dan penerapan Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi ketidakseimbangan kelas. Model kemudian dioptimalkan melalui delapan skenario hyperparameter dan dievaluasi menggunakan sepuluh skenario pengujian untuk mengukur kemampuan generalisasi pada berbagai kondisi implementasi ERP. Hasil penelitian menunjukkan bahwa Neural Network memberikan performa terbaik dibandingkan algoritma pembanding dan menghasilkan konfigurasi model yang mampu mempertahankan keseimbangan antara akurasi, kemampuan deteksi proyek berisiko tinggi, dan kompleksitas model. Pengujian lanjutan menunjukkan bahwa model memiliki performa yang stabil pada berbagai karakteristik proyek, meskipun sensitivitas terhadap kompleksitas proyek, metodologi pengembangan, dan karakteristik industri masih memengaruhi tingkat akurasi. Temuan ini menunjukkan bahwa integrasi indikator multidomain, optimasi hyperparameter, dan evaluasi berbasis berbagai skenario mampu menghasilkan model prediksi yang robust dan berpotensi diterapkan sebagai mekanisme early warning system untuk mendukung pengambilan keputusan pada implementasi ERP

References

[1] K. Al-Fawaz, Z. Al-Salti, dan T. Eldabi, “Critical Success Factors in Erp Implementation: A Review,” 2008.

[2] Niel Agrisman Barus, Iskandar Muda, dan Sambas Ade Kesuma, “A Systematic Review of the DeLone & McLean Model in Enterprise Resource Planning (ERP) Systems Success,” JMAA, vol. 21, no. 3, Jun 2025, doi: 10.17265/1548-6583/2025.03.002.

[3] E. Krvavac dan N. Durmić, “Erp Project Failure Prediction using Machine Learning Algorithms,” International Journal of Innovative Science and Research Technology (IJISRT), hlm. 2247–2257, Mei 2025, doi: 10.38124/ijisrt/25may1435.

[4] R. Basu, P. Upadhyay, M. C. Das, dan P. K. Dan, “An approach to identify issues affecting ERP implementation in Indian SMEs,” JIEM, vol. 5, no. 1, hlm. 133–154, Jun 2012, doi: 10.3926/jiem.416.

[5] M.-I. Mahraz, “Success Factors for ERP Implementation: a Systematic Literature Review,” 2019.

[6] Z. N. Jawad dan V. Balázs, “Machine learning-driven optimization of enterprise resource planning (ERP) systems: a comprehensive review,” Beni-Suef Univ J Basic Appl Sci, vol. 13, no. 1, hlm. 4, Jan 2024, doi: 10.1186/s43088-023-00460-y.

[7] R. Gao, S. Cui, Y. Wang, dan W. Xu, “Predicting financial distress in high-dimensional imbalanced datasets: a multi-heterogeneous self-paced ensemble learning framework,” Financ Innov, vol. 11, no. 1, hlm. 50, Jan 2025, doi: 10.1186/s40854-024-00745-w.

[8] M. Kunkulagunta, “Critical Success Factors in Enterprise Resource Planning (ERP) Implementation: A Comprehensive Review,” IJSET, vol. 12, no. 6, hlm. 1–15, Nov 2024, doi: 10.61463/ijset.vol.12.issue6.335.

[9] Md. Al-Amin, Md. T. Hossain, Md. J. Islam, dan S. Kumar Biwas, “History, Features, Challenges, and Critical Success Factors of Enterprise Resource Planning (ERP) in The Era of Industry 4.0,” ESJ, vol. 19, no. 6, hlm. 31, Feb 2023, doi: 10.19044/esj.2023.v19n6p31.

[10] A. Luz dan J. Oloyede, “Impact of Dataset Imbalance on Machine Learning Models for Diabetes Mellitus Prediction,” 23 Januari 2025, Public Health and Healthcare. doi: 10.20944/preprints202501.1684.v1.

[11] Fangfang Lee, “What Is a Neural Network? | IBM,” What is a neural network? Diakses: 1 April 2026. [Daring]. Tersedia pada: https://www.ibm.com/think/topics/neural-networks

[12] Meegle, “Neural Network Vs Biological Neural Networks.” Diakses: 1 April 2026. [Daring]. Tersedia pada: https://www.meegle.com/en_us/topics/neural-networks/neural-network-vs-biological-neural-networks

[13] R. Setiawan dan T. K. A. Rahman, “Machine learning-based B2C software project success prediction model in Indonesia,” Int. J. Adv. Intell. Informatics, vol. 11, no. 3, hlm. 480, Agu 2025, doi: 10.26555/ijain.v11i3.2123.

[14] K. Moravej, S. L. Laroche, dan S. Musick, “Machine Learning Model Prediction of Project Success,” dipresentasikan pada 2024 European Conference on Computing in Construction, Jul 2024. doi: 10.35490/EC3.2024.196.

[15] M. M. Nishat, A. Ahsan, dan N. O. E. Olsson, “Applying Machine Learning for Predictive Analysis in Project-Based Data: Insights into Variation Orders,” ITcon, vol. 30, hlm. 807–825, Mei 2025, doi: 10.36680/j.itcon.2025.033.

[16] Sunil Kumar Mishra, “Improving ERP Adoption Through Predictive Modeling: A Data-Driven Recommendation System,” jisem, vol. 10, no. 23s, hlm. 852–877, Mar 2025, doi: 10.52783/jisem.v10i23s.3786.

[17]M. Z. Alvaro, M. A. Darunnaja, dan M. A. Yaqin, “Black Box Testing on a Mini ERP System: A Strategy for Bug Detection and Minimisation,” Journal of Computing and Data Science (JOCDAS), vol. 2, no. 1, hlm. 19–31, 2024, https://doi.org/10.18860/jocdas.v2i1.28059.

[18]Larasati, S. D., Eitiveni, I., & Mahardhika, P, “Analysis of ERP Critical Failure Factors: A Case Study in an Indonesian Mining Company,“ Jurnal Sistem Informasi, 19(2), 34–47. https://doi.org/10.21609/jsi.v19i2.1291.