Penelitian ini mengembangkan model prediksi durasi proyek konstruksi dengan menggabungkan Earned Schedule dan Random Forest Regression Linear untuk meningkatkan akurasi estimasi durasi proyek. Metode Earned Schedule (ES) digunakan untuk memantau kemajuan proyek dan memperkirakan durasi berdasarkan perbandingan antara rencana dan kinerja aktual, namun terkadang kurang akurat pada data yang kompleks. Untuk mengatasi hal ini, penelitian ini mengintegrasikan Random Forest Regression Linear untuk memodelkan hubungan antar variabel proyek, diharapkan dapat meningkatkan akurasi prediksi dengan mengidentifikasi pola tersembunyi dalam data. Penelitian ini menggunakan 785 data latih dan 157 data uji. Hasil pengujian menunjukkan bahwa model Random Forest Regression Linear menghasilkan prediksi yang sangat akurat, dengan 79 data (50,32%) dari 157 data uji berada dalam kategori "Akurat", yaitu prediksi yang sesuai dengan durasi aktual. Sebanyak 52 data (33,12%) termasuk dalam kategori "Hampir Akurat", yaitu prediksi dengan selisih satu hari dari durasi aktual. Sisanya, 26 data (16,56%), berada dalam kategori "Tidak Akurat", yang memiliki selisih lebih dari satu hari dari durasi aktual. Secara keseluruhan, kategori "Akurat" dan "Hampir Akurat" mencakup sekitar 83,44% dari hasil uji, yang menunjukkan bahwa model ini efektif dalam memprediksi durasi proyek dengan akurasi yang tinggi. Hasil penelitian ini memberikan kontribusi terhadap pengembangan metode prediksi durasi proyek konstruksi yang lebih efektif dan efisien, yang dapat digunakan oleh manajer proyek untuk perencanaan dan pengendalian proyek yang lebih baik. Penggunaan model ini dapat membantu meminimalkan risiko keterlambatan dan pembengkakan biaya, sehingga meningkatkan keberhasilan proyek secara keseluruhan.

Kata kunci: Earned Schedule, Random Forest Regression Linear, prediksi durasi proyek, manajemen proyek konstruksi, estimasi waktu.