Identifikasi Kelayakan Peserta Tender Pada Petronas Carigali Indonesia Menggunakan Algoritma VFI5 (Studi kasus : Tender Pengadaan Jaringan Internet)
IDENTIFIKASI KELAYAKAN PESERTA TENDER
PADA PETRONAS CARIGALI INDONESIA
MENGGUNAKAN ALGORITMA VFI 5
(STUDI KASUS : TENDER PENGADAAN JARINGAN INTERNET)
YOGI PURNOYUDHO NUGROHO
G64103073
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
1
IDENTIFIKASI KELAYAKAN PESERTA TENDER
PADA PETRONAS CARIGALI INDONESIA
MENGGUNAKAN ALGORITMA VFI 5
(STUDI KASUS : TENDER PENGADAAN JARINGAN INTERNET)
YOGI PURNOYUDHO NUGROHO
G64103073
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputerpada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
1
ABSTRAK
YOGI PURNOYUDHO NUGROHO. Identifikasi Kelayakan Peserta Tender Pada Petronas
Carigali Indonesia Menggunakan Algoritma VFI 5 (Studi kasus : Tender Pengadaan Jaringan Internet)
Dibimbing oleh AZIZ KUSTIYO dan TOTO HARYANTO.
Bagi perusahaan multinasional sebesar Petronas Carigali Indonesia, pengadaan barang dan jasa
harus melalui tahapan tender. Tender yang diadakan Petronas Carigali Indonesia selalu diikut i banyak
peserta, baik perusahaan kecil maupun besar. Salah satu tender yang diadakan Petronas Carigali
Indonesia adalah tender pengadaan jaringan internet. Untuk memilih peserta yang dapat mengikuti
tahap penentuan pemenang tender, panitia terlebih dahulu menilai berdasarkan kriteria-kriteria yang
telah ditentukan sebelumnya. Tahapan penilaian tersebut sangat menyita waktu juga mem erlukan
biaya yang besar. Untuk mengatasi hal tersebut, diperlukan sebuah aplikasi yang dapat membantu
tugas panitia tender dan menekan biaya yang dikeluarkan. Penelitian ini bertujuan untuk
mengidentifikasi peserta yang layak mengikuti tahap penentuan pemenang tender menggunakan
Algoritma voting fitur intervals (VFI5).
Data yang digunakan dalam penelitian ini adalah data tender pengadaan jaringan internet gedung
kantor pusat Petronas Carigali Indonesia pada tahun 2006. D ata tender tersebut terdiri dari gambaran
hipotesis 40 perusahaan peserta tender y ang berbeda, terdiri dari 2 kelas yaitu kelas diterima dan kelas
ditolak. Setiap perusahaan menggambarkan 16 kumpulan fitur yang berbeda. Kumpulan data
perusahaan peserta yang diterima dan ditolak berjumlah 40 instance, terdiri dari 21 instance yang
digolongkan pada perusahaan peserta yang diterima dan 19 instance yang digolongkan pada
perusahaan peserta yang ditolak.
Pada pen elitian ini, digunakan k-fold cross validation sebagai generalisasi galat dengan nilai k
sama dengan empat. Pada iterasi pertama penelitian ini menghasilkan akurasi sebesar 100%, iterasi
kedua menghasilkan akurasi sebesar 70%, iterasi ketiga menghasilkan akurasi sebesar 70%, dan iterasi
keempat menghas ilkan akurasi sebesar 80%. Akurasi tertinggi pada penelitian ini adalah sebesar
100%, rata-rata akurasi yang dihasilkan dari penelitian ini adalah sebesar 80% dengan standar deviasi
sebesar 14.1% .
Kata Kunci : Identifikasi, Tender, Voting Fitur Intervals 5, Jaringan Internet
Judul
Nama
NRP
: Identifikasi Kelayakan Peserta Tender Pada Petronas Carigali Indonesia Menggunakan
Algoritma VFI5 (Studi kasus : Tender Pengadaan Jaringan Internet)
: Yogi Purnoyudho Nugroho
: G64103073
Menyetujui
Pembimbing I,
Pembimbing II,
Aziz Kustiyo, S.S i., M.Kom.
NIP 132206241
Toto Haryanto, S.Kom.
Mengetahui:
Dekan Falkutas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
Dr. Drh. Hasim,DEA.
NIP 131578806
Tanggal Lulus:
RIWAYAT HIDUP
Penulis lahir di Jakarta pada tanggal 8 November 1983 sebagai anak kedua dari dua bersaudara,
anak dari pasangan ayah bernama Sumadi dan Ibu bernama Susilowati. Pada tahun 2002 penulis lulus
dari SMAN 14 Jakarta dan pada tahun yang sama melanjutkan pendidikan ke Institut Teknologi
Sepuluh November (ITS) di Fakultas Teknologi Industri Departemen Teknik Mesin melalui jalur
SPMB. Pada tahun berikutnya yaitu 2003 penulis diterima di Institut Pertanian Bogor (IPB)
Departemen Ilmu Komputer melalui jalur SPMB. Pada tanggal 07 Juli 2008, penulis melaksanakan
Praktik Kerja Lapangan di Balai Besar Pengkajian dan Pengembangan Teknologi Pertanian (BBP2TP)
dengan bidang kajian CD Multimedia Profil BBP2TP.
PRAKATA
Alhamdulillahi robbil alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas segala
karunia dan rahmat-Nya sehingga tugas akhir dengan judul Identifikasi Kelayakan Peserta Tender
Pada Petronas Carigali Indonesia Menggunakan Algoritma VFI5 (Studi kasus: Tender Pengadaan
Jaringan Internet), dapat diselesaikan.
Terima kasih penulis ucapkan kepada semua pihak yang telah membantu dalam penelitian ini,
antara lain kepada orang tua penulis Ibu dan Baba atas kasih sayang, dukungan dan doa yang terus
mengalir. Bapak Aziz Kustiyo, S.Si., M.Kom selaku pembimbing pertama atas bimbingan dan
arahannya selama penelitian dan penyusunan karya tulis ini. Bapak Toto Haryanto, S.Kom selaku
pembimbing kedua atas bimbingan dan motivasi selama penyusunan karya tulis ini. Mbak Windhy
atas bantuan yang sangat berarti dan kasih sayang.
Penulis juga mengucapkan terima kasih kepada keluarga penulis atas semangat, motivasi,
kesabaran dan doanya, untuk keponakanku Aisha Raihanna Ahmad yang telah memberikan warna
dalam kehidupan penulis, penghuni Mangrove terutama Hilmi, Ringga, Udin, Bang Andi Juliardi,
Maulana, Daus, Ardi, Epen, Khadi, Doni, Maes, Dewi, Nurlaila, Pak Pendi, Pak Soleh, dan temanteman ilkomerz 41 terima kasih atas pertemanan selama kuliah dan bantuannya. Teman satu
bimbingan Gema untuk kebersamaan dan bantuan selama bimbingan. Seluruh dosen, staf dan
keluarga besar Ilmu Komputer terima kasih atas bimbingan dan ilmu yang telah diberikan selama
kuliah.
Kepada semua pihak lainnya yang telah membantu dalam penyelesaian tugas akhir ini yang tidak
dapat disebut satu per satu, penulis ucapkan terima kasih. Semoga penelitian ini dapat bermanfaat.
Bogor, Januari 2009
Yogi Purnoyudho Nugroho
Karya ilmiah ini ku persembahkan untuk…
…Dien yang haq ini juga Ibu dan Baba tercinta, atas segala kasih dan sayangnya yang tak terbayarkan
(Bumi Allah – Januari 2009)
DAFTAR ISI
Hal aman
DAFTAR TABEL ............................................................................................................................................... vii
DAFTAR GAMBAR .......................................................................................................................................... vii
DAFTAR LAMPIRAN....................................................................................................................................... vii
PENDAHULUAN..................................................................................................................................................1
Latar Belakang...................................................................................................................................................1
Tujuan..................................................................................................................................................................1
Ruang Lingkup...................................................................................................................................................1
TINJAUAN PUSTAKA........................................................................................................................................1
Proses Tender Di Petronas Carigali................................................................................................................1
Klasifikasi...........................................................................................................................................................2
Voting Fitur Intervals 5 (VFI5) .......................................................................................................................2
K-Fold Cross Validation ..................................................................................................................................3
METODOLOGI PENELITIAN..........................................................................................................................4
Data ......................................................................................................................................................................4
Data Latih dan Data Uji....................................................................................................................................4
Algoritma VFI5 ..................................................................................................................................................4
Pelatihan..............................................................................................................................................................4
Klasifikasi...........................................................................................................................................................4
Akurasi ................................................................................................................................................................4
Spesifikasi dan Implementasi..........................................................................................................................5
HASIL DAN PEMBAHASAN ............................................................................................................................5
Pembagian Data Latih dan Data Uji...............................................................................................................5
Iterasi Pertama....................................................................................................................................................5
Iterasi Kedua .......................................................................................................................................................6
Iterasi Ketiga ......................................................................................................................................................6
Iterasi Keempat ..................................................................................................................................................7
Hasil Pelatihan dan Hasil Pengujian ..............................................................................................................8
KESIMPULAN DAN SARAN ............................................................................................................................8
Kesimpulan .........................................................................................................................................................8
Saran ....................................................................................................................................................................9
DAFTAR PUSTAKA ...........................................................................................................................................9
LAMPIRAN ..........................................................................................................................................................10
DAFTAR TABEL
Halaman
1 Spesifikasi data yang digunakan .................................................................................................................5
2 Hasil pembagian data keseluruhan .............................................................................................................5
3 Susunan data pel atihan dan data pengujian...............................................................................................5
4 Komposisi jumlah instance per kelas pada data pelatihan dan data pengujian...................................6
5 Hasil prediksi iterasi pertama ......................................................................................................................6
6 Komposisi jumlah instance per kelas pada data pelatihan dan data pengujian...................................6
7 Hasil prediksi iterasi kedua..........................................................................................................................6
8 Komposisi jumlah instance per kelas pada data pelatihan dan data pengujian...................................7
9 Hasil prediksi iterasi ketiga..........................................................................................................................7
10 Komposisi jumlah instance per kelas pada data pelatihan dan data pengujian ................................7
11 Has il prediksi dari iterasi keempat ...........................................................................................................8
12 Fitur-fitur yang menjadi ciri khas suatu kelas pada setiap iterasi .......................................................8
13 Akurasi dari setiap iterasi pengujian ........................................................................................................8
DAFTAR GAMBAR
Halaman
1 Flowchart proses tender.............................................................................................................................. 2
2 Tahapan proses klasifikasi data.................................................................................................................. 4
DAFTAR LAMPIRAN
Halaman
1 Enam belas fitur data peserta tender .......................................................................................................11
2 Nama fitur, lambang variabel, dan nama atribut ....................................................................................11
3 Data peserta tender ......................................................................................................................................12
4 Vote Fitur Pada Iterasi pertama.................................................................................................................13
5 Vote Fitur Pada Iterasi kedua.....................................................................................................................14
6 Vote Fitur Pada Iterasi Ketiga ...................................................................................................................15
7 Vote Fitur Pada Iterasi Keempat ...............................................................................................................16
PENDAHULUAN
Latar Belakang
Bagi perusahaan multinasional sebesar
Petronas Carigali Indonesia, pengadaan
barang dan jasa harus melalui tahapan tender
yang telah diatur sebelumnya. Setiap tender
yang diadakan Petronas Carigali Indonesia,
terlebih dahulu akan dipublikasikan melalui
website maupun media elektronik lainnya.
Tender yang diadakan Petronas Carigali
Indonesia selalu diikuti banyak peserta, ini
disebabkan tender yang diadakan Petronas
Carigali Indonesia selalu bersekala besar dan
berkelanjutan. Hal tersebut menyebabkan
perusahaan besar maupun kecil tertarik untuk
ikut serta dalam setiap tender yang diadakan
Petronas Carigali Indonesia .
Proses penyeleksian peserta tender untuk
dapat mengikuti tender Petronas Carigali
Indonesia
berawal
dari
pemeriksaan
kelengkapan dokumen yang telah ditentukan
panitia sebelumnya. Setelah kelengkapan
dokumen diperiksa, maka peserta yang
memenuhi kriteria kelengkapan dokumen
tersebut selanjutnya akan melalui tahap
berikutnya, yaitu penilaian kriteria-kriteria
yang dipenuhi setiap peserta tender. Setelah
melewati tahap tersebut peserta yang terpilih
akan masuk ke tahap penentuan pemenang
tender yang akan memilih satu peserta sebagai
pemenang tender tersebut, yang sekaligus
mengakhiri rangkaian acara tender tersebut .
Banyaknya peserta tender, membuat staf
yang juga panitia tender dan staf y ang
mempunyai keterkaitan dengan proses
pengadaan tender menjadi tersita waktunya.
Disisi lain staf tersebut juga mempunyai
tanggung jawab pekerjaan terdahulu yang
harus diselesaikan.
Akibat dari semakin banyaknya peserta
tender maka biaya yang dikelurkan untuk
acara tender tersebut semakin besar juga .
Berawal dari masalah tersebut, efisiensi
menjadi sangat penting untuk staf Petronas
Carigali Indonesia khususnya staf yang
berkaitan dengan tender tersebut untuk dalam
memilih perusahaan mana yang layak untuk
menjadi peserta pada tahap penentuan
pemenang tender, sehingga tidak semua
peserta tender diikutkan pada tahap penentuan
pemenang tender tersebut. Untuk memilih
peserta yang akan diikutkan pada tahap
penentuan pemenang tender merupakan hal
yang tidak mudah, karena harus menyatukan
dan mengkombinasikan nilai dari kriteria-
kriteria yang harus dipenuhi setiap peserta
tender sehingga menghasilkan keputusan
peserta yang akan mengikuti tahap tersebut.
Oleh karena itu, sangat dibutuhkan sebuah
sistem yang dapat memecahkan persoalan
tersebut
sehingga
dapat
meringankan
pekerjaan panitia tender yang sekaligus
bertindak sebagai staf pada Petronas Carigali
Indonesia.
Tujuan
Penelitian
ini
bertujuan
untuk
mengembangkan
model
identifikasi
kelayakan peserta tender yang diadakan
Petronas
Carigali
Indonesia
dengan
menggunakan fitur-fitur yang berasal dari
persyaratan yang harus dipenuhi peserta
tender tersebut sebagai masukan untuk
Algoritma klasifikasi Voting Fitur Interval 5
(VFI5). Model yang dikembangkan ini akan
diimplementasikan dalam bentuk prototipe.
Ruang Lingkup
Dalam penelitian ini, data yang
digunakan dibatasi pada ruang lingkup data
tender pengadaan jaringan internet pada
gedung kantor pusat Petronas Carigali
Indonesia tahun 2006.
Dat a yang digunakan sebagai fitur pada
Algoritma VFI5 dalam penelitian ini dianggap
memiliki bobot yang sama, yaitu satu.
TINJAUAN PUSTAKA
Proses Tender Di Petronas Carigali
Petronas didirikan pada tanggal 17
Agustus 1974 di bawah Company Act 1965.
Petronas dimiliki sepenuhnya oleh pemerintah
Malaysia dan diberikan kekuasaan juga
kontrol sepenuhnya atas cadangan petroleum
di Malaysia yang diatur dalam Petroleum
Development Act 1974. Petronas tumbuh
menjadi perusahaan minyak dan gas bumi
yang terintegrasi penuh dan berhasil
menempati urutan di dalam Fortune Global
500 perusahaan terbesar di dunia. Petronas
memiliki empat anak perusahaan yang berada
pada listing Bursa Malaysia dan berhasil
mengembangkan sayap usahanya di lebih dari
32 negara di seluruh du nia sebagai bentuk
aspirasinya untuk menjadi sebuah perusahaan
minyak dan gas multinasional terdepan. Untuk
di Indonesia Petronas terdiri dari Petronas
Carigali dan Petronas Niaga, Petronas Carigali
membidangi eksplorasi minyak dan gas bumi
sedangkan Petronas Niaga membidangi
penjualan Bahan Bakar Minyak (BBM) pada
1
Stasiun Pengisian Bahan Bakar Umum
(SPBU).(http://www.petronas.com.my/interne
t/corp/centralrep2.nsf/frameset_corp?OpenFra
meset).
Untuk perusahaan sebesar Petronas
Carigali Indonesia yang bergerak di bidang
penambangan minyak dan gas alam,
kebutuhan baik barang maupun jasa yang
timbul sangatlah bervariasi, mulai dari jasa
cleaning service, geologist sampai kebutuhan
akan barang seperti pengadaan jaringan
internet, rig dan kapal tanker. Kebutuhan akan
barang dan jasa yang pada Petronas Carigali
sebagian besar melalui proses tender untuk
memenuhinya. Setiap tender yang akan
diadakan Petronas Carigali Indonesia terlebih
dahulu akan dipublikasikan melalui website
maupun media elektronik lainnya. Waktu
yang dibutuhkan sebuah tender dari proses
publikasi sampai penentuan pemenang sangat
beragam, tetapi sebagian besar tidak lebih dari
dua bulan.
Proses penyeleksian peserta untuk dapat
mengikuti tender Petronas Carigali berawal
dari pemeriksaan kelengkapan dokumen yang
telah ditentukan panitia sebelumnya oleh
procurement
departement.
Setelah
kelengkapan dokumen diperiksa maka peserta
yang
memenuhi
kriteria
kelengkapan
dokumen tadi, selanjutnya akan melalui tahap
berikutnya yaitu penilaian 16 dokumen atau
16 kriteria terdiri dari dokumen A sampai
dokumen
P
yang
sudah
diperiksa
kelengkapnnya. Setelah melewati proses
tersebut, setiap peserta akan digabungkan nilai
dari 16 kriteria yang telah dihitung
sebelumnya untuk menjadi sebuah keputusan,
yaitu keputusan peserta yang dapat dan tidak
dapat mengikuti tahap penentuan pemenang
tender. Setelah peserta yang akan mengikuti
tahap
penentuan
pemenang
tender
diumumkan, maka peserta tersebut akan
masuk ke tahap penentuan pemenang tender,
yang akan menghasilkan satu pemenang
tender. Setelah terpilihnya pemenang tender
maka rangkaian acara tender dari Petronas
Carigali Indonesia tersebut berakhir. Proses
tender pada Petronas Carigali dapat dilihat
pada Gambar 1.
Klasifikasi
Klasifikasi adalah proses menemukan
sebuah himpunan model (fungsi) yang
menggambarkan dan membedakan kelas -kelas
data atau berbagai konsep. Tujuanya adalah
untuk meramalkan kelas dari objek-objek
yang label kelasnya belum diketahui (Han &
Kamber 2001).
Proses menemukan sebuah model
dilakukan pada sebuah himpunan data training
(data pelatihan). Untuk proses klasifikasi atau
prediksi pada data testing (data pengujian)
dilakukan berdasarkan model yang diturunkan
data pelatihan tersebut.
Gambar 1 Flowchart proses tender
Voting Fitur Intervals 5 (VFI5)
Voting Fitur Intervals 5 merupakan
Algoritma klasifikasi yang dikembangkan
oleh Demiröz dan Güvenir (Demiröz dan
Güvenir 1997). Semua instance pelatihan
diproses bersamaan. Algoritma VFI5 terdiri
atas dua tahap, yaitu tahap pelatihan dan
klasifikasi.
1
Pelatihan
Pada tahap pelatihan, awalnya ditentukan
nilai end point suatu fitur f pada kelas data c.
End point untuk fitur linier adalah fitur yang
nilainya
memiliki
urutan
dan
bisa
dibandingkan tingkatannya yaitu berupa nilai
minimum dan nilai maksimum setiap kelas c.
End point untuk fitur nominal adalah fitur
2
yang nilainya tidak memiliki urutan dan tidak
bisa dibandingkan tingkatannya yaitu semua
nilai yang berbeda yang ada pada fitur kelas
yang sedang diamati. Selanjutnya end points
tersebut diurutkan menjadi interval untuk
fitur f. Terdapat dua jenis interval, yaitu point
interval dan range interval. Point interval
dibentuk dari setiap nilai yang berbeda dari
end points. Range interval dibentuk dari dua
nilai end points yang berdekatan tetapi tidak
termasuk end points tersebut (Güvenir 1998).
Tahap selanjutnya ialah menghitung
jumlah instance pelatihan setiap kelas c
dengan fitur f yang nilainya jatuh pada
interval
i,
direpresentasikan
sebagai
interval_class_count [f,i,c]. Untuk set iap
instance pelatihan, dicari interval i di mana
nilai fitur f dari instance pelatihan e (ef)
tersebut jatuh. Jika interval i merupakan point
interval dan nilai ef sama dengan nilai pada
batas bawah atau batas atas maka jumlah kelas
instance tersebut (ef) pada interval i ditambah
1. Jika interval i merupakan range interval
dan nilai ef jatuh pada interval tersebut, maka
jumlah kelas instance ef pada interval i
ditambah 1. Hasil dari proses tersebut
merupakan jumlah vote kelas c pada interval i.
Jumlah vote kelas c untuk fitur f pada
interval i dibagi dengan jumlah instance pada
kelas c (class_count[c]) untuk menghilangkan
perbedaan distribusi setiap kelas. Hasil
normalisasi
direpresentasikan
dalam
interval_class_vote [f,i,c]. Nilai-nilai pada
interval_class_vote
[f,i,c]
dinormalisasi
sehingga jumlah vote dari beberapa kelas pada
setiap fitur sama dengan 1. Normalisasi ini
bertujuan agar setiap fitur memiliki kekuatan
voting yang sama pada proses klasifikasi yang
tidak dipengaruhi ukuranya. Berikut ini adalah
pseudocode tahap pelatihan dari Algoritma
VFI5.
train (TrainingSet);
begin
for each feature f
for each class c
EndPoints[f] = EndPoints[f]
find_end_points(TrainingSet,f,c;
sort (EndPoints[f]);
if f is linear
for each end point p in EndPoints[f]
form a point interval from end
point p
form a range interval between p
and the next endpoint ? p
else /*if f is nominal*/
form a point interval for each
value of f
for each interval i on feature f
for each class c
interval_class_count[f,i,c]=0;
count_instances(f,TrainingSet);
for each interval i on feature f
for each class c
Interval _ class _ count[ f , i, c ]
interval_class_vote[
f,i, c] =
class _ count[ c ]
normalize
interval_class_vote[f,i,c];
/* such that
∑
c
interval_class_vote[f,i,c] = 1 */
end
2
Klasifikasi
Pada tahap awal klasifikasi dilakukan
proses inisialisasi awal nilai vote masingmasing kelas dengan nilai 0. Untuk setiap fitur
f dicari nilai interval i di mana ef jatuh, ef
adalah nilai fitur f dari instance tes e. Jika ef
tidak diketahui, maka fitur tersebut tidak
disertakan dalam voting (memberi nilai vote 0
untuk masing-masing kelas). fitur yang
nilainya tidak diketahui diabaikan.
Jika ef diketahui maka interval tersebut
ditemukan. Interval tersebut dapat menyimpan
instances pelatihan dari beberapa kelas. Kelaskelas dalam sebuah interval direpresentasikan
oleh vote kelas -kelas tersebut pada interval itu.
Untuk setiap kelas c, fitur f memberikan vote
yang sama dengan interval_class_vote[f,i,c].
Notasi tersebut merepresentasikan vote fitur f
yang diberikan untuk kelas c.
Setiap fitur e f mengumpulkan nilai vote
kemudian di jumlahkan untuk memperoleh
total vote. Kelas c yang memiliki nilai vote
tertinggi diprediksi sebagai kelas dari instance
tes e. Pseudocode untuk tahap klasifikasi
dapat dilihat di bawah ini (Güvenir et al.
1998).
classify (e)
begin
for each class c
vote[c] = 0
for each feature f
for each class c
feature_vote[f,c] = 0; /*vote of
feature f for class c*/
if ef value is known
i = find_interval(f,ef)
feature_vote[f,c] =
interval_class_vote [f,i,c]
for each class c
vote[c] = vote[c] +
feature_vote[f,c]*weight[f];
return class c with highes vote[c];
end
K-Fold Cross Validation
K-fold cross validation merupakan
metode untuk memperkirakan generalisasi
galat berdasarkan ”resampling” (Weiss &
Kulikowski 1991 diacu dalam Sarle 2004).
Hasil diperkirakan dari generalisasi galat
3
biasanya digunakan untuk pemilahan di antara
model yang bervariasi. Dalam k-fold cross
validation, data dibagi secara acak menjadi k
himpunan bagian yang ukurannya hampir
sama satu sama lain. Himpunan bagian yang
dihasilkan yaitu S1, S2, S3,....., Si digunakan
sebagai pelatihan dan pengujian yang masingmasing diulang sebanyak k kali. Pada iterasi
ke-i, himpunan bagian Si digunakan sebagai
data pengujian dan himpunan bagian yang
lainnya digunakan sebagai data pelatihan, dan
seterusnya.
Dalam
klasifikasi
dengan
Algoritma VFI5 disarankan menggunakan kfold cross validation dengan nilai k lebih besar
dari 2, dan akan lebih baik lagi menggunakan
nilai k sebesar mungkin karena semakin besar
nilai k maka akurasi yang didapatkan akan
cenderung tetap atau meningkat (Ramdan
2007).
METODOLOGI PENELITIAN
Untuk membandingkan tingkat akurasi
Algoritma VFI5 dari beberapa tingkat sub (kfold) validasi silang yang berbeda, dilakukan
beberapa tahapan proses. Tahapan-tahapan
pros es tersebut disajikan pada Gambar 2.
Data
Semua data yang digunakan dalam
penelitian ini adalah data tender pengadaan
jaringan internet pada gedung kantor pusat
Petronas Carigali Indonesia tahun 2006.
Kumpulan data peserta tender ini terdiri dari
40 data peserta tender yang setiap datanya
mempunyai
16 fitur yang berasal dari
persyaratan yang ditentukan panitia tender.
Enam belas fitur data peserta tender dapat
dilihat pada Lampiran 1.
Data Latih dan Data Uji
Seluruh data yang digunakan dibagi
menjadi beberapa subset dengan ukuran
contoh yang lebih kurang sama. Pembagian
data
dilakukan
secara
acak
dengan
mempertahankan
perbandingan
jumlah
instance setiap kelas.
Algoritma VFI5
Pada penelitian ini digunakan Algoritma
VFI5 dengan bobot setiap fitur diasumsikan
seragam, yaitu satu. Tahapan ini terdiri atas
dua proses yaitu pelatihan dan prediksi
(klasifikasi) kelas instance baru.
Pelatihan
Data yang telah dibagi -bagi menjadi
beberapa subset kemudian menjadi input
Algoritma klasifikasi VFI5.
Pada tahapan ini akan dibentuk intervalinterval dari setiap fitur yang ada. Jika fitur
tersebut adalah fitur linear maka akan
dibentuk dua buah interval, yaitu point
interval dan range interval. Jika fitur tersebut
adalah fitur nominal maka hanya akan
dibentuk satu interval, yaitu poi nt interval.
Setelah semua interval terbentuk,
langkah selanjutnya adalah menghitung
jumlah instance setiap kelas yang berada pada
setiap interval tersebut.
Klasifikasi
Gambar 2 Tahapan proses klasifikasi data
Proses ut ama yang terjadi yaitu, pelatihan
untuk melihat domain permasalahan data dan
prediksi (klasifikasi) untuk menduga kelas
dari suatu instance baru.
Pada tahap klasifikasi, setiap nilai fitur
dari suatu instance baru diperiksa letak
interval nilai fitur tersebut. Vote-vote setiap
kelas untuk setiap fitur pada setiap interval
yang bersesuaian diambil dan kemudian
dijumlahkan. Kelas dengan nilai total vote
tertinggi menjadi kelas prediksi instance baru
tersebut.
Akurasi
Hasil yang diamati pada penelitian ini
adalah perubahan rata-rata tingkat akurasi
4
yang dicapai Algoritma klasifikasi VFI5
dalam mengklasifikasikan data pengujian
setelah dilakukan perubahan pada ukuran
contoh data pelatihan. Tingkat akurasi
diperoleh dengan perhitungan
tingkat akurasi =
∑ data uji benar diklasifik asi
∑ total data uji
Spesifikasi dan Implementasi
Aplikasi dirancang dan dibangun dengan
software dan hardwaresebagai berikut:
Hardware:
1. Prosesor P 4 3200+ MHz
2. RAM 768 MB
3. Hardisk 60 GB
Software
1.
2.
3.
4.
Sistem Operasi : Microsoft Windows XP
Profesional SP2
XAMPP 1.4.16 yang terdiri dari Web
Server Apache 2.0
Bahasa Pemrograman: PHP 5.0
Browser : Mozilla Firefox 3.0
HASIL DAN PEMBAHASAN
• Fulfillment of HSE (Health Safety
Environment) standard (F5)
• Process Safety Management (F6)
• International Certification (ISO) (F7)
• Positive Net profit before tax (F8)
• Positive Shareholder fund (F9)
• Current Ratio more than 1 (F10)
• Profitability Ratio more than 1 (F11)
• Specification of product offered match with
Requirement (F12)
• Originality of Product (F13)
• Brand name of the company (F14)
• Qualified expertise (manpower) (F15)
• Price offered within budget (F16)
Pembagian Data Latih dan Data Uji
Data keseluruhan (Lampiran 3) yang
berjumlah 40 instance tersebut terlebih dahulu
dibagi secara acak menjadi 4 himpunan bagian
yang ukurannya mendekati sama satu sama
lain. Pembagian data keseluruhan secara acak
menghasilkan himpunan bagian yang disebut
sebagai himpunan bagian S1, himpunan bagian
S2, himpunan bagian S3, dan
himpunan
bagian S4. Hasil pembagian data disajikan
pada Tabel 2.
Penelitian
ini
diawali
dengan
pengumpulan data kriteria peserta tender
pengadaan jaringan int ernet pada Petronas
Carigali Indonesia. Data yang dipakai
merupakan data lapangan yang diperoleh dari
wawancara terhadap staf dari Petronas
Carigali yang terdiri dari 2 kelas, 40 instance
dan 16 fitur. Spesifikasi data yang digunakan
pada penelitian ini disajikan pada Tabel 1.
Tabel 2 Hasil pembagian data
Himpunan
Diterima
bagian
S1
6
S2
5
S3
5
S4
5
Total
21
Tabel 1 Spesifikasi data yang digunakan
Nama data Jumlah
Jumlah
Jumlah
instance fitur
kelas
Kriteria
peserta
40
16
2
tender
Dengan metode 4-fold cross validation,
maka akan dilakukan empat kali iterasi
dengan menggunakan tiga himpunan bagian
sebagai data latih dan satu himpunan bagian
sebagai data uji. Susunan data yang digunakan
sebagai data pelatihan dan data pengujian
pada setiap iterasi disajikan pada Tabel 3.
Ditolak
4
5
5
5
19
Enam belas fitur yang terdapat pada data
ini masing-masing dilambangkan secara
berturut-turut dengan variabel F1,F2,..,F16.
Dalam implementasinya seluruh nilai atribut
yang digunakan dikonversi terlebih dahulu ke
bentuk bilangan numerik. Nama fitur,
lambang variabel dan nama atribut tersebut
dapat dilihat pada Lampiran 2. Nama-nama
fitur itu adalah sebagai berikut ini:
Iterasi Pertama
•
•
•
•
Pada iterasi pertama, himpunan bagian S1,
himpunan bagian S2, dan himpunan bagian S3
digunakan sebagai data pelatihan sedangkan
himpunan bagian S4 digunakan sebagai data
Legalization By Notary (F1)
Company Register (F2)
Fulfillment of Tax obligation (F3)
Free From Law Liability (1-3) (F4)
Tabel 3 Susunan data pelatihan dan data
p engujian
Iterasi
Pelatihan Pengujian
Iterasi pertama
S1 , S2, S3
S4
Iterasi kedua
S1 , S2, S4
S3
Iterasi ketiga
S1 , S3 ,S4
S2
Iterasi keempat
S2 , S3 ,S4
S1
5
pengujian. Komposisi jumlah instance per
kelas pada data pelatihan dan data pengujian
pada iterasi ini disajikan pada Tabel 4.
Tabel 4 Komposisi jumlah instance per kelas
pada data pelatihan dan data
pengujian
Pelatihan
Pengujian
Kelas
(instances )
(instances )
Diterima
16
5
Ditolak
14
5
Total
30
10
Proses
pelatihan
pada
iterasi
ini
menghasilkan interval-interval fitur. Setiap
interval suatu fitur tertentu memilki nilai-nilai
vote yang didistribusikan fitur tersebut untuk
kelas diterima dan kelas ditolak. Interval
tersebut beserta nilai vote setiap kelasnya
disajikan pada Lampiran 4.
Pengujian yang dilakukan pada iterasi ini
sebagai klasifikasi pada data pengujian S4
menghasilkan akurasi sebesar 100%. Hasil
prediksi dari iterasi ini disajikan pada Tabel 5.
Tabel 5 Hasil prediksi dari iterasi pertama.
Kelas
Kelas
Salah
Kelas
awal
prediksi prediksi
Diterima
5
5
0
Ditolak
5
5
0
Iterasi Kedua
Pada iterasi kedua, himpunan bagian S1,
himpunan bagian S2 dan himpunan bagian S4
digunakan sebagai data pelatihan sedangkan
himpunan bagian S3 digunakan sebagai data
pengujian. Komposisi jumlah instance per
kelas pada data pelatihan dan data pengujian
pada iterasi ini disajikan pada Tabel 6.
Tabel 6 Komposisi jumlah instance per kelas
pada data pelatihan dan data
pengujian
Pelatihan
Pengujian
Kelas
(instance)
(instance)
Diterima
16
5
Ditolak
14
5
Total
30
10
Proses
pelatihan
pada
iterasi
ini
menghasilkan interval-interval fitur. Seperti
pada iterasi pertama, setiap interval suatu fitur
tertentu memilki nilai-nilai vote yang
didistribusikan fitur tersebut untuk kelas
diterima dan kelas ditolak. Interval tersebut
beserta nilai vote setiap kelasnya disajikan
pada Lampiran 5.
Pengujian yang dilakukan pada iterasi ini
sebagai klasifikasi pada data pengujian S3
menghasilkan akurasi sebesar 70%. Terdapat
3 instance pada data pengujian S3 yang kelas
prediksinya tidak sesuai dengan kelas
sebenarnya. Instance tesebut diprediksi oleh
Algoritma VFI5 termasuk ke dalam kelas
diterima, sedangkan pada data kelas
sebenarnya pada instance tersebut adalah
kelas ditolak. Hasil prediksi dari iterasi ini
disajikan pada Tabel 7.
Tabel 7 Hasil prediksi dari iterasi kedua.
Kelas
Kelas
Salah
Kelas
awal
prediksi prediksi
Diterima
5
5
0
Ditolak
5
2
3
Kesalahan dalam proses klasifikasi terjadi
karena pada proses pelatihan dalam iterasi ini
kecenderungan memberikan nilai vote yang
lebih besar pada kelas diterima, sehingga total
vote pada kelas diterima memiliki total nilai
vote yang lebih besar dibandingkan dengan
kelas ditolak.
Persentase
peluang
dari
instance
pengujian salah prediksi pertama pada iterasi
ini terjadi pada data N10, dengan kelas
diterima sebesar 50.4% sedangkan pada kelas
ditolak sebesar 49.6%. Kesalahan prediksi
tersebut dapat terjadi karena selisih yang
sangat dekat antara total nilai vote kelas
diterima dan kelas ditolak, kedekatan selisih
itu sebesar 806 untuk kelas diterima dan 794
untuk kelas ditolak.
Persentase
peluang
dari
instance
pengujian salah prediksi kedua pada iterasi ini
terjadi pada data N32, dengan kelas diterima
sebesar 50.1% sedangkan pada kelas ditolak
sebesar 49.9%. Kesalahan prediksi tersebut
dapat terjadi karena selisih yang sangat dekat
antara total nilai vote kelas diterima dan kelas
ditolak, kedekatan selisih itu sebesar 802
untuk kelas diterim a dan 798 untuk kelas
ditolak.
Persentase
peluang
dari
instance
pengujian salah prediksi ketiga pada iterasi ini
terjadi pada data N33, dengan kelas diterima
sebesar 50.4% sedangkan pada kelas ditolak
sebesar 49.6%. Kesalahan pada data N33 juga
dapat terjadi karena selisih yang sangat dekat
antara total nilai vote kelas diterima dan kelas
ditolak, kedekatan selisih itu sebesar 806
untuk kelas diterima dan 794 untuk kelas
ditolak.
Iterasi Ketiga
Pada iterasi ketiga, himpunan bagian S1 ,
himpunan bagian S3 dan himpunan bagian S4
6
digunakan sebagai data pelatihan sedangkan
himpunan bagian S2 digunakan sebagai data
pengujian. Komposisi jumlah instance per
kelas pada data pelatihan dan data pengujian
pada iterasi ini disajikan pada Tabel 8.
Komposisi jumlah instance per
kelas pada data pelatihan dan data
pengujian
Pelatihan
Pengujian
Kelas
(instance)
(insta nces )
Diterima
16
5
Ditolak
14
5
Total
30
10
Tabel 8
Proses
pelatihan
pada
iterasi
ini
menghasilkan interval-interval fitur. Seperti
pada iterasi pertama dan iterasi kedua, setiap
interval suatu fitur tertentu memilki nilai-nilai
vote yang didistribusikan fitur tersebut untuk
kelas diterima dan kelas ditolak. Interval
tersebut beserta nilai vote setiap kelasnya
disajikan pada Lampiran 6.
Pengujian yang dilakukan pada iterasi ini
sebagai klasifikasi pada data pengujian S2
menghasilkan akurasi sebes ar 70 %. Terdapat
3 instance pada data pengujian S2 yang kelas
prediksinya tidak sesuai dengan kelas
sebenarnya. Keseluruhan instance tesebut
diprediksi oleh Algoritma VFI5 termasuk ke
dalam kelas diterima, sedangkan pada data
kelas sebenarnya pada instance tersebut
adalah kelas ditolak. Hasil prediksi dari iterasi
ini disajikan pada Tabel 9.
Tabel 9 Hasil prediksi dari iterasi ketiga.
Kelas
Kelas
Salah
Kelas
awal
prediksi prediksi
Diterima
5
5
0
Ditolak
5
2
3
Kesalahan dalam proses klasifikasi ter jadi
karena pada proses pelatihan dalam iterasi ini
kecenderungan memberikan nilai vote yang
lebih besar pada kelas diterima, sehingga total
vote pada kelas diterima memiliki total nilai
vote yang lebih besar dibandingkan dengan
kelas ditolak.
Persentase peluang dari instance pengujian
salah prediksi pertama pada iterasi ini terjadi
pada data N8, dengan kelas diterima sebesar
51.2% sedangkan pada kelas ditolak sebesar
48.8%. Kesalahan prediksi tersebut dapat
terjadi karena selisih yang sangat dekat antara
total nilai vote kelas diterima dan kelas
ditolak, kedekatan selisih itu sebesar 820
untuk kelas diterima dan 780 untuk kelas
ditolak.
Persentase
peluang
dari
instance
pengujian salah prediksi kedua pada iterasi ini
terjadi pada data N12, dengan kelas diterima
sebesar 55.2% sedangkan pada kelas ditolak
sebesar 44.8%. Selisih antara total nilai vote
kelas diterima dan kelas ditolak sebesar 884
untuk kelas diterima dan 716 untuk kelas
ditolak.
Persentase
peluang
dari
instance
pengujian salah prediksi ketiga pada iterasi ini
terjadi pada data N39, dengan kelas diterima
sebesar 50.1% sedangkan pada kelas ditolak
sebesar 49.9%. Kesalahan prediksi tersebut
dapat terjadi karena selisih yang sangat dekat
antara total nilai vote kelas diterima dan kelas
ditolak, kedekatan selisih itu sebesar 801
untuk kelas diterima dan 799 untuk kelas
ditolak.
Iterasi Keempat
Pada iterasi keempat, himpunan bagian
S2, himpunan bagian S3, dan himpunan bagian
S4 digunakan sebagai data pelatihan
sedangkan himpunan bagian S1 digunakan
sebagai data pengujian. Komposisi jumlah
instance per kelas pada data pelatihan dan data
pengujian pada iterasi ini disajikan pada Tabel
10.
Tabel 10 Komposisi jumlah instance perkelas
pada data pelatihan dan data
pengujian
Pelatihan
Pengujian
Kelas
(instances)
(instances )
Diterima
15
6
Ditolak
15
4
Total
30
10
Pengujian yang dilakukan pada iterasi ini
sebagai klasifikasi pada data pengujian S4
menghasilkan akurasi sebesar 80 %. Terdapat
2 instance pada data pengujian S1 yang kelas
prediksinya tidak sesuai dengan kelas
sebenarnya. Instance tersebut diprediksi oleh
Algoritma VFI5 termasuk ke dalam kelas
diterima, sedangkan pada kelas sebenarnya
pada instance tersebut adalah kelas ditolak.
Hasil prediksi dari iterasi ini disajikan pada
Tabel 11.
Tabel 11 Hasil prediksi dari iterasi keempat
Kelas
Kelas
Salah
Kelas
awal
prediksi prediksi
Diterima
6
6
0
Ditolak
4
2
2
Kesalahan dalam proses klasifikasi
terjadi karena pada proses pelatihan dalam
iterasi ini kecenderungan memberikan nilai
7
vote yang lebih besar pada kelas diterima,
sehingga total vote pada kelas diterima
memiliki total nilai vote yang lebih besar
dibandingkan dengan kelas ditolak. Interval
tersebut beserta nilai vote setiap kelasnya
disajikan pada Lampiran 7.
Persentase peluang dari instance pengujian
salah prediksi pertama pada iterasi ini terjadi
pada data N5, dengan kelas diterima sebesar
sebesar 61.4% sedangkan pada kelas ditolak
sebesar 38.6%. Selisih antara total nilai vote
kelas diterima dan kelas ditolak sebesar 983
untuk kelas diterima dan 617 untuk kelas
ditolak.
Persentase peluang dari instance pengujian
salah prediksi kedua pada iterasi ini terjadi
pada data N25, dengan kelas diterima sebesar
sebesar 57.4% sedangkan pada kelas ditolak
sebesar 42.6%. Selisih antara total nilai vote
kelas diterima dan kelas ditolak sebesar 918
untuk kelas diterima dan 682 untuk kelas
ditolak.
Hasil Pelatihan dan Hasil Pengujian
Proses pelatihan yang dilakukan p ada
setiap iterasi menghasilkan interval-interval
fitur. Interval-interval untuk setiap fiturnya
mempunyai nilai vote untuk kelas Diterima
dan kelas ditolak. Untuk setiap fitur yang
merupakan ciri khas dari setiap kelas, terdapat
interval dengan nilai vote yang cenderung
lebih besar pada salah satu kelas, sehingga
nilai vote pada interval ini mencerminkan
kecenderungan fitur tersebut untuk menjadi
ciri khas dari kelas yang ada.
Pada setiap iterasi terdapat fitur-fitur yang
konsisten menjadi ciri khas kelas diterima
atau kelas ditolak. Fitur -fitur tersebut
disajikan pada Tabel 12.
Tabel 12 Fitur -fitur yang menjadi ciri khas
suatu kelas pada setiap iterasi
Fitur
F3
F4
F5
F7
F8
F9
F10
F11
F12
F16
Diterima
*
*
*
*
*
*
*
*
*
*
Ditolak
*
*
*
*
Selain karena total nilai vote yang lebih
besar dibandingkan nilai vote kelas prediksi,
beberapa kesalahan klasifikasi pada setiap
iterasi terjadi karena adanya kesamaan nilai-
nilai fitur setiap instance pengujian terhadap
setiap kelas, sehingga mempengaruhi tingkat
akurasi yang diperoleh pada setiap iterasi.
Proses pengujian pada setiap iterasi
menghasilkan akurasi. Akurasi dari setiap
iterasi pada proses pengujian tahap pertama
disajikan pada Tabel 13.
Tabel 13 Akurasi dari setiap iterasi pengujian
Iterasi
Akurasi
Pertama
100%
Kedua
70%
Ketiga
70%
Keempat
80%
Rata-rata
80%
Standar deviasi
14.1%
Dengan menggunakan 16 fitur yang ada
pada data tender pengadaan jaringan internet
Algoritm a VFI 5 memberikan rata-rata akurasi
sebesar 80% dan standar deviasi sebesar
14.1%. Hal ini menunjukan Algoritma VFI 5
cukup mampu melakukan klasifikasi dengan
baik.
KESIMPULAN DAN SARAN
Kesimpulan
Perusahaan
multinasional
sebesar
Petronas Carigali Indo nesia dalam pengadaan
barang dan jasa harus melalui tahapan tender.
Salah satu tender yang diadakan Petronas
Carigali Indonesia adalah tender pengadaan
jaringan internet. Untuk memilih peserta yang
dapat mengikuti tahapan penentuan pemenang
tender, panitia akan menilai kriteria-kriteria
yang telah ditentukan sebelumnya. Tahapan
penilaian tersebut sangat menyita waktu juga
memerlukan biaya yang besar, untuk itu
diperlukan sebuah aplikasi yang bisa
mengatasi masalah tersebut. Penelitian ini
dapat mengidentifikasi peserta tender yang
layak untuk mengikuti tahapan penentuan
pemenang tender menggunakan Algoritma
voting feature intervals (VFI5).
Algoritma voting feature intervals
(VFI5)
digunakan
untuk
melakukan
klasifikasi. Data yang digunakan adalah data
tender pengadaan jaringan internet pada
Petronas Carigali Indonesia. Proses pelatihan
pada setiap iterasi menghasilkan intervalinterval fitur. Nilai vote yang lebih besar pada
satu kelas pada interval fitur mencerminkan
kecenderungan fitur tersebut menjadi ciri khas
kelas diterima atau kelas ditolak. Terdapat 10
fitur (F3, F4, F5 , F7, F8, F9, F10, F11, F12,
dan F16) yang merupakan ciri khas dari kelas
diter ima atau kelas ditolak.
8
Akurasi dari klasifikasi yang dihasilkan
oleh Algoritma VFI5 cukup tinggi untuk
setiap iterasinya. Pada pengujian ini, iterasi
pertama menghasilkan akurasi sebesar 100%,
iterasi kedua menghasilkan akurasi sebesar
70%, iterasi ketiga menghasilkan akurasi
sebesar
70%,
dan
iterasi
keempat
menghasilkan akurasi sebesar 80% . Rata-rata
akurasi yang dihasilkan pada pengujian ini
oleh Algoritma VFI5 adalah sebesar 80% dan
standar deviasi sebesar 14.1%.
Saran
Penelitian ini menggunakan bobot fitur
yang seragam pada 16 fitur yang ada yaitu
satu. Hal ini masih dapat dikembangkan lebih
lanjut dengan menggunakan bobot yang lebih
beragam untuk setiap fitur. Pemberian bobot
yang beragam untuk fitur yang menjadi ciri
khas dari kelas diterima atau ditolak sebaiknya
lebih
tinggi
supaya
menggambarkan
kecenderungan terhadap output yang akan
dihasilkan. Hal ini dikarenakan jika hasil
klasifikasi untuk kelas diterima terdapat
kesalahan, maka akan menghabiskan waktu
lebih lama bagi panitia tender ini disebabkan
peserta tender yang diikutkan dalam acara
penentuan pemenang tender berjumlah lebih
banyak.
(http://www.petronas.com.my/internet/corp/ce
ntralrep2.nsf/frameset_corp?OpenFrames
et).
Ramdan G. 2007. Pengaruh Banyaknya
Subset Validasi Silang Terhadap Kinerja
Algoritma
VFI5
[Skripsi]. Bogor:
Fakultas
Matematika
dan
Ilmu
Pengetahuan Alam, Institut Pertanian
Bogor.
Sarle W. 2004. What are cross-validation and
bootsrapping?.
http://www.faqs/aifaq/neuralnets/part3/section12.html.
[16 Agustus 2008]
Penambahan jumlah data peserta tender
juga sebaiknya dilakukan, karena dengan
bertambahnya jumlah data akan semakin
meningkatkan akurasi yang dihasilkan dan
generalisasi yang dihasilkan juga semakin
baik.
DAFTAR PUSTAKA
Demiröz G, Güvenir HA. 1997. Classification
by
Voting
Fitur
Intervals.
http://www.cs.bilkent.edu.tr/tech-reports/
1997/BU-CEIS-9708.ps.z.
Fu L. 1994. Neural Networks in Computers
Intelligence. Singapura: McGraw -Hill.
Güvenir HA. 1998. A Classification Learning
Algorithm Robust to Irrelevant Fiturs.
http://www.cs.bilkent.edu.tr/tech-reports/
1998/BU-CEIS-9810.ps.gz .
Güvenir
HA, Demiröz, Ilter N. 1998.
Learning Differential Diagnosis of
Erythemato-Squamous Diseases Using
Voting
Fitur
Intervals.
Artificial
Intelegence in Medicine, 13 (3), 147 -165.
Han J, Kamber M. 2001. Data Mining
Concepts &Techniques . USA: Academic
Press.
9
LAMPIRAN
10
Lampiran 1 Enam belas Fitur Data Peserta Tender
Urutan
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Nama Fitur
Departemen Yang Mengeluarkan atau
Memeriksa
Legal and Procurement
Procurement
Procurement and Finance
Legal and Procurement
HSE Department
HSE Dept.
Procurement and User Dept.
Finance
Finance
Finance
Finance
User and Procurement
User and Procurement
Procurement
Procurement
User and Procurement
Legalization By Notary
Company Register
Fulfillment of Tax obligation
Free From Law Liability (1-3)
Fulfillment of HSE (Health Safety Environment) standard
Process Safety Management
International Certification (ISO)
Positive Net profit before tax
Positive Shareholder fund
Current Ratio more than 1
Profitability Ratio more than 1
Specification of product offered match with requirement
Originality of Product
Brand name of the company
Qualified expertise ( manpower)
Price offered within budget
Lampiran 2 Nama Fitur, Lambang variabel, dan Nama Atribut
Nama Fitur
Legalization By Notary
Lambang
Variabel
F1
Company Register
F2
Fulfillment of Tax obligation
F3
Free From Law Liability (1-3)
F4
Fulfillment of HSE (Health Safety Environment) standard
F5
Process Safety Management
F6
International Certification (ISO)
F7
Positive Net profit before tax
F8
Positive Shareholder fund
F9
Current Ratio more than 1
F10
Profitability Ratio more than 1
F11
Specification of product offered match with requirement
F12
Originality of Product
F13
Brand name of the company
F14
Qualified expertise ( manpower)
F15
Price offered within budget
F16
Atribut
Ya
Tidak
Ya
Tidak
Ya
Tidak
Buruk
Sedang
Bagus
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Variabel
Konversi
1
0
1
0
1
0
1
2
3
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
11
Lampiran 3 Data Peserta Tender
F1
F2
F3
F4
F5
F6
F7
Lambang Variabel
F8
F9
F10
F11
F12
F13
F14
F15
1
1
1
1
1
1
1
1
1
1
0
0
1
1
0
0
1
1
1
1
0
1
1
1
1
1
1
1
1
1
0
0
1
1
0
0
1
1
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
1
1
1
0
0
0
1
1
0
1
0
1
0
1
1
1
1
1
0
0
0
0
0
1
0
0
1
1
0
0
0
1
0
1
1
1
1
1
0
0
0
1
0
0
1
2
3
1
3
3
2
1
1
1
3
2
2
3
1
1
1
1
3
1
3
2
3
2
3
3
2
1
3
1
2
2
2
3
2
2
1
3
1
2
1
1
1
1
0
1
0
1
1
0
1
1
1
1
0
0
1
0
0
0
1
1
1
1
0
1
0
1
1
0
1
1
1
1
0
0
1
0
0
0
1
1
0
1
0
0
0
1
1
0
1
1
0
1
1
1
0
0
0
0
1
1
0
1
0
0
0
1
1
0
1
1
0
1
1
1
0
0
0
0
0
1
0
1
0
0
0
0
1
0
1
1
1
1
1
1
0
1
1
0
0
1
0
1
0
0
0
0
1
0
1
0
1
1
1
1
0
1
1
0
1
0
1
0
0
1
0
1
0
1
0
0
1
0
1
0
1
0
0
1
1
0
1
0
0
1
0
1
0
1
0
0
1
0
1
0
1
0
1
0
1
0
1
0
0
1
1
1
0
1
1
0
1
0
1
0
1
0
0
1
1
0
1
0
0
1
0
1
0
1
1
0
1
0
1
0
1
0
1
1
0
1
1
1
1
1
1
1
1
1
1
0
0
1
1
0
0
1
1
1
1
1
1
1
0
1
1
1
1
1
1
0
0
1
1
0
0
1
1
1
1
1
1
0
1
0
0
0
0
1
1
1
0
0
0
1
1
1
0
1
1
1
1
0
1
0
0
0
0
1
1
1
0
0
0
1
1
1
0
1
0
0
0
1
0
0
1
0
0
1
1
0
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
0
0
1
0
0
0
0
0
0
1
0
0
0
1
1
1
1
0
1
1
0
0
1
1
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
0
1
1
0
1
0
0
1
1
1
1
1
0
0
1
1
1
0
1
0
1
1
0
0
1
0
0
1
1
1
1
1
0
0
1
1
1
0
1
0
1
1
1
0
1
0
0
1
0
1
0
1
1
0
1
0
1
1
1
0
1
1
1
1
0
0
0
1
1
1
0
1
1
1
1
0
1
1
1
0
1
1
F16
0
1
1
1
1
1
1
0
1
1
1
1
1
1
1
0
0
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
0
0
1
1
1
Kelas
N
Y
Y
Y
N
Y
Y
N
Y
N
Y
N
N
Y
N
N
N
Y
Y
N
Y
Y
Y
Y
N
Y
Y
N
Y
N
Y
N
N
Y
N
N
N
Y
N
Y
12
Urutan
Data
Kelas
N1
Y2
Y3
Y4
N5
Y6
Y7
N8
Y9
N10
Y11
N12
N13
Y14
N15
N16
N17
Y18
Y19
N20
Y21
Y22
Y23
Y24
N25
Y26
Y27
N28
Y29
N30
Y31
N32
N33
Y34
N35
N36
N37
Y38
N39
Y40
Lampiran 4 Vote Fitur Pada Iterasi Pertama
F1
Y: 29
Y: 61
N : 71
N: 39
0
F2
Y:
N:
0
100
Y:
N:
46
54
Y:
N:
Y:
N:
Y:
N:
Y:
N:
1
F5
Y:
N:
Y:
N:
40
60
Y:
N:
Y:
N:
50
50
Y:
N:
39
61
Y:
N:
72
28
0
82
18
60
40
56
44
Y:
N:
65
35
F11
Y:
N:
25
75
1
75
26
64
36
Y:
N:
50
50
F12
Y:
N:
3
0
100
Y:
N:
PADA PETRONAS CARIGALI INDONESIA
MENGGUNAKAN ALGORITMA VFI 5
(STUDI KASUS : TENDER PENGADAAN JARINGAN INTERNET)
YOGI PURNOYUDHO NUGROHO
G64103073
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
1
IDENTIFIKASI KELAYAKAN PESERTA TENDER
PADA PETRONAS CARIGALI INDONESIA
MENGGUNAKAN ALGORITMA VFI 5
(STUDI KASUS : TENDER PENGADAAN JARINGAN INTERNET)
YOGI PURNOYUDHO NUGROHO
G64103073
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputerpada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009
1
ABSTRAK
YOGI PURNOYUDHO NUGROHO. Identifikasi Kelayakan Peserta Tender Pada Petronas
Carigali Indonesia Menggunakan Algoritma VFI 5 (Studi kasus : Tender Pengadaan Jaringan Internet)
Dibimbing oleh AZIZ KUSTIYO dan TOTO HARYANTO.
Bagi perusahaan multinasional sebesar Petronas Carigali Indonesia, pengadaan barang dan jasa
harus melalui tahapan tender. Tender yang diadakan Petronas Carigali Indonesia selalu diikut i banyak
peserta, baik perusahaan kecil maupun besar. Salah satu tender yang diadakan Petronas Carigali
Indonesia adalah tender pengadaan jaringan internet. Untuk memilih peserta yang dapat mengikuti
tahap penentuan pemenang tender, panitia terlebih dahulu menilai berdasarkan kriteria-kriteria yang
telah ditentukan sebelumnya. Tahapan penilaian tersebut sangat menyita waktu juga mem erlukan
biaya yang besar. Untuk mengatasi hal tersebut, diperlukan sebuah aplikasi yang dapat membantu
tugas panitia tender dan menekan biaya yang dikeluarkan. Penelitian ini bertujuan untuk
mengidentifikasi peserta yang layak mengikuti tahap penentuan pemenang tender menggunakan
Algoritma voting fitur intervals (VFI5).
Data yang digunakan dalam penelitian ini adalah data tender pengadaan jaringan internet gedung
kantor pusat Petronas Carigali Indonesia pada tahun 2006. D ata tender tersebut terdiri dari gambaran
hipotesis 40 perusahaan peserta tender y ang berbeda, terdiri dari 2 kelas yaitu kelas diterima dan kelas
ditolak. Setiap perusahaan menggambarkan 16 kumpulan fitur yang berbeda. Kumpulan data
perusahaan peserta yang diterima dan ditolak berjumlah 40 instance, terdiri dari 21 instance yang
digolongkan pada perusahaan peserta yang diterima dan 19 instance yang digolongkan pada
perusahaan peserta yang ditolak.
Pada pen elitian ini, digunakan k-fold cross validation sebagai generalisasi galat dengan nilai k
sama dengan empat. Pada iterasi pertama penelitian ini menghasilkan akurasi sebesar 100%, iterasi
kedua menghasilkan akurasi sebesar 70%, iterasi ketiga menghasilkan akurasi sebesar 70%, dan iterasi
keempat menghas ilkan akurasi sebesar 80%. Akurasi tertinggi pada penelitian ini adalah sebesar
100%, rata-rata akurasi yang dihasilkan dari penelitian ini adalah sebesar 80% dengan standar deviasi
sebesar 14.1% .
Kata Kunci : Identifikasi, Tender, Voting Fitur Intervals 5, Jaringan Internet
Judul
Nama
NRP
: Identifikasi Kelayakan Peserta Tender Pada Petronas Carigali Indonesia Menggunakan
Algoritma VFI5 (Studi kasus : Tender Pengadaan Jaringan Internet)
: Yogi Purnoyudho Nugroho
: G64103073
Menyetujui
Pembimbing I,
Pembimbing II,
Aziz Kustiyo, S.S i., M.Kom.
NIP 132206241
Toto Haryanto, S.Kom.
Mengetahui:
Dekan Falkutas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor
Dr. Drh. Hasim,DEA.
NIP 131578806
Tanggal Lulus:
RIWAYAT HIDUP
Penulis lahir di Jakarta pada tanggal 8 November 1983 sebagai anak kedua dari dua bersaudara,
anak dari pasangan ayah bernama Sumadi dan Ibu bernama Susilowati. Pada tahun 2002 penulis lulus
dari SMAN 14 Jakarta dan pada tahun yang sama melanjutkan pendidikan ke Institut Teknologi
Sepuluh November (ITS) di Fakultas Teknologi Industri Departemen Teknik Mesin melalui jalur
SPMB. Pada tahun berikutnya yaitu 2003 penulis diterima di Institut Pertanian Bogor (IPB)
Departemen Ilmu Komputer melalui jalur SPMB. Pada tanggal 07 Juli 2008, penulis melaksanakan
Praktik Kerja Lapangan di Balai Besar Pengkajian dan Pengembangan Teknologi Pertanian (BBP2TP)
dengan bidang kajian CD Multimedia Profil BBP2TP.
PRAKATA
Alhamdulillahi robbil alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas segala
karunia dan rahmat-Nya sehingga tugas akhir dengan judul Identifikasi Kelayakan Peserta Tender
Pada Petronas Carigali Indonesia Menggunakan Algoritma VFI5 (Studi kasus: Tender Pengadaan
Jaringan Internet), dapat diselesaikan.
Terima kasih penulis ucapkan kepada semua pihak yang telah membantu dalam penelitian ini,
antara lain kepada orang tua penulis Ibu dan Baba atas kasih sayang, dukungan dan doa yang terus
mengalir. Bapak Aziz Kustiyo, S.Si., M.Kom selaku pembimbing pertama atas bimbingan dan
arahannya selama penelitian dan penyusunan karya tulis ini. Bapak Toto Haryanto, S.Kom selaku
pembimbing kedua atas bimbingan dan motivasi selama penyusunan karya tulis ini. Mbak Windhy
atas bantuan yang sangat berarti dan kasih sayang.
Penulis juga mengucapkan terima kasih kepada keluarga penulis atas semangat, motivasi,
kesabaran dan doanya, untuk keponakanku Aisha Raihanna Ahmad yang telah memberikan warna
dalam kehidupan penulis, penghuni Mangrove terutama Hilmi, Ringga, Udin, Bang Andi Juliardi,
Maulana, Daus, Ardi, Epen, Khadi, Doni, Maes, Dewi, Nurlaila, Pak Pendi, Pak Soleh, dan temanteman ilkomerz 41 terima kasih atas pertemanan selama kuliah dan bantuannya. Teman satu
bimbingan Gema untuk kebersamaan dan bantuan selama bimbingan. Seluruh dosen, staf dan
keluarga besar Ilmu Komputer terima kasih atas bimbingan dan ilmu yang telah diberikan selama
kuliah.
Kepada semua pihak lainnya yang telah membantu dalam penyelesaian tugas akhir ini yang tidak
dapat disebut satu per satu, penulis ucapkan terima kasih. Semoga penelitian ini dapat bermanfaat.
Bogor, Januari 2009
Yogi Purnoyudho Nugroho
Karya ilmiah ini ku persembahkan untuk…
…Dien yang haq ini juga Ibu dan Baba tercinta, atas segala kasih dan sayangnya yang tak terbayarkan
(Bumi Allah – Januari 2009)
DAFTAR ISI
Hal aman
DAFTAR TABEL ............................................................................................................................................... vii
DAFTAR GAMBAR .......................................................................................................................................... vii
DAFTAR LAMPIRAN....................................................................................................................................... vii
PENDAHULUAN..................................................................................................................................................1
Latar Belakang...................................................................................................................................................1
Tujuan..................................................................................................................................................................1
Ruang Lingkup...................................................................................................................................................1
TINJAUAN PUSTAKA........................................................................................................................................1
Proses Tender Di Petronas Carigali................................................................................................................1
Klasifikasi...........................................................................................................................................................2
Voting Fitur Intervals 5 (VFI5) .......................................................................................................................2
K-Fold Cross Validation ..................................................................................................................................3
METODOLOGI PENELITIAN..........................................................................................................................4
Data ......................................................................................................................................................................4
Data Latih dan Data Uji....................................................................................................................................4
Algoritma VFI5 ..................................................................................................................................................4
Pelatihan..............................................................................................................................................................4
Klasifikasi...........................................................................................................................................................4
Akurasi ................................................................................................................................................................4
Spesifikasi dan Implementasi..........................................................................................................................5
HASIL DAN PEMBAHASAN ............................................................................................................................5
Pembagian Data Latih dan Data Uji...............................................................................................................5
Iterasi Pertama....................................................................................................................................................5
Iterasi Kedua .......................................................................................................................................................6
Iterasi Ketiga ......................................................................................................................................................6
Iterasi Keempat ..................................................................................................................................................7
Hasil Pelatihan dan Hasil Pengujian ..............................................................................................................8
KESIMPULAN DAN SARAN ............................................................................................................................8
Kesimpulan .........................................................................................................................................................8
Saran ....................................................................................................................................................................9
DAFTAR PUSTAKA ...........................................................................................................................................9
LAMPIRAN ..........................................................................................................................................................10
DAFTAR TABEL
Halaman
1 Spesifikasi data yang digunakan .................................................................................................................5
2 Hasil pembagian data keseluruhan .............................................................................................................5
3 Susunan data pel atihan dan data pengujian...............................................................................................5
4 Komposisi jumlah instance per kelas pada data pelatihan dan data pengujian...................................6
5 Hasil prediksi iterasi pertama ......................................................................................................................6
6 Komposisi jumlah instance per kelas pada data pelatihan dan data pengujian...................................6
7 Hasil prediksi iterasi kedua..........................................................................................................................6
8 Komposisi jumlah instance per kelas pada data pelatihan dan data pengujian...................................7
9 Hasil prediksi iterasi ketiga..........................................................................................................................7
10 Komposisi jumlah instance per kelas pada data pelatihan dan data pengujian ................................7
11 Has il prediksi dari iterasi keempat ...........................................................................................................8
12 Fitur-fitur yang menjadi ciri khas suatu kelas pada setiap iterasi .......................................................8
13 Akurasi dari setiap iterasi pengujian ........................................................................................................8
DAFTAR GAMBAR
Halaman
1 Flowchart proses tender.............................................................................................................................. 2
2 Tahapan proses klasifikasi data.................................................................................................................. 4
DAFTAR LAMPIRAN
Halaman
1 Enam belas fitur data peserta tender .......................................................................................................11
2 Nama fitur, lambang variabel, dan nama atribut ....................................................................................11
3 Data peserta tender ......................................................................................................................................12
4 Vote Fitur Pada Iterasi pertama.................................................................................................................13
5 Vote Fitur Pada Iterasi kedua.....................................................................................................................14
6 Vote Fitur Pada Iterasi Ketiga ...................................................................................................................15
7 Vote Fitur Pada Iterasi Keempat ...............................................................................................................16
PENDAHULUAN
Latar Belakang
Bagi perusahaan multinasional sebesar
Petronas Carigali Indonesia, pengadaan
barang dan jasa harus melalui tahapan tender
yang telah diatur sebelumnya. Setiap tender
yang diadakan Petronas Carigali Indonesia,
terlebih dahulu akan dipublikasikan melalui
website maupun media elektronik lainnya.
Tender yang diadakan Petronas Carigali
Indonesia selalu diikuti banyak peserta, ini
disebabkan tender yang diadakan Petronas
Carigali Indonesia selalu bersekala besar dan
berkelanjutan. Hal tersebut menyebabkan
perusahaan besar maupun kecil tertarik untuk
ikut serta dalam setiap tender yang diadakan
Petronas Carigali Indonesia .
Proses penyeleksian peserta tender untuk
dapat mengikuti tender Petronas Carigali
Indonesia
berawal
dari
pemeriksaan
kelengkapan dokumen yang telah ditentukan
panitia sebelumnya. Setelah kelengkapan
dokumen diperiksa, maka peserta yang
memenuhi kriteria kelengkapan dokumen
tersebut selanjutnya akan melalui tahap
berikutnya, yaitu penilaian kriteria-kriteria
yang dipenuhi setiap peserta tender. Setelah
melewati tahap tersebut peserta yang terpilih
akan masuk ke tahap penentuan pemenang
tender yang akan memilih satu peserta sebagai
pemenang tender tersebut, yang sekaligus
mengakhiri rangkaian acara tender tersebut .
Banyaknya peserta tender, membuat staf
yang juga panitia tender dan staf y ang
mempunyai keterkaitan dengan proses
pengadaan tender menjadi tersita waktunya.
Disisi lain staf tersebut juga mempunyai
tanggung jawab pekerjaan terdahulu yang
harus diselesaikan.
Akibat dari semakin banyaknya peserta
tender maka biaya yang dikelurkan untuk
acara tender tersebut semakin besar juga .
Berawal dari masalah tersebut, efisiensi
menjadi sangat penting untuk staf Petronas
Carigali Indonesia khususnya staf yang
berkaitan dengan tender tersebut untuk dalam
memilih perusahaan mana yang layak untuk
menjadi peserta pada tahap penentuan
pemenang tender, sehingga tidak semua
peserta tender diikutkan pada tahap penentuan
pemenang tender tersebut. Untuk memilih
peserta yang akan diikutkan pada tahap
penentuan pemenang tender merupakan hal
yang tidak mudah, karena harus menyatukan
dan mengkombinasikan nilai dari kriteria-
kriteria yang harus dipenuhi setiap peserta
tender sehingga menghasilkan keputusan
peserta yang akan mengikuti tahap tersebut.
Oleh karena itu, sangat dibutuhkan sebuah
sistem yang dapat memecahkan persoalan
tersebut
sehingga
dapat
meringankan
pekerjaan panitia tender yang sekaligus
bertindak sebagai staf pada Petronas Carigali
Indonesia.
Tujuan
Penelitian
ini
bertujuan
untuk
mengembangkan
model
identifikasi
kelayakan peserta tender yang diadakan
Petronas
Carigali
Indonesia
dengan
menggunakan fitur-fitur yang berasal dari
persyaratan yang harus dipenuhi peserta
tender tersebut sebagai masukan untuk
Algoritma klasifikasi Voting Fitur Interval 5
(VFI5). Model yang dikembangkan ini akan
diimplementasikan dalam bentuk prototipe.
Ruang Lingkup
Dalam penelitian ini, data yang
digunakan dibatasi pada ruang lingkup data
tender pengadaan jaringan internet pada
gedung kantor pusat Petronas Carigali
Indonesia tahun 2006.
Dat a yang digunakan sebagai fitur pada
Algoritma VFI5 dalam penelitian ini dianggap
memiliki bobot yang sama, yaitu satu.
TINJAUAN PUSTAKA
Proses Tender Di Petronas Carigali
Petronas didirikan pada tanggal 17
Agustus 1974 di bawah Company Act 1965.
Petronas dimiliki sepenuhnya oleh pemerintah
Malaysia dan diberikan kekuasaan juga
kontrol sepenuhnya atas cadangan petroleum
di Malaysia yang diatur dalam Petroleum
Development Act 1974. Petronas tumbuh
menjadi perusahaan minyak dan gas bumi
yang terintegrasi penuh dan berhasil
menempati urutan di dalam Fortune Global
500 perusahaan terbesar di dunia. Petronas
memiliki empat anak perusahaan yang berada
pada listing Bursa Malaysia dan berhasil
mengembangkan sayap usahanya di lebih dari
32 negara di seluruh du nia sebagai bentuk
aspirasinya untuk menjadi sebuah perusahaan
minyak dan gas multinasional terdepan. Untuk
di Indonesia Petronas terdiri dari Petronas
Carigali dan Petronas Niaga, Petronas Carigali
membidangi eksplorasi minyak dan gas bumi
sedangkan Petronas Niaga membidangi
penjualan Bahan Bakar Minyak (BBM) pada
1
Stasiun Pengisian Bahan Bakar Umum
(SPBU).(http://www.petronas.com.my/interne
t/corp/centralrep2.nsf/frameset_corp?OpenFra
meset).
Untuk perusahaan sebesar Petronas
Carigali Indonesia yang bergerak di bidang
penambangan minyak dan gas alam,
kebutuhan baik barang maupun jasa yang
timbul sangatlah bervariasi, mulai dari jasa
cleaning service, geologist sampai kebutuhan
akan barang seperti pengadaan jaringan
internet, rig dan kapal tanker. Kebutuhan akan
barang dan jasa yang pada Petronas Carigali
sebagian besar melalui proses tender untuk
memenuhinya. Setiap tender yang akan
diadakan Petronas Carigali Indonesia terlebih
dahulu akan dipublikasikan melalui website
maupun media elektronik lainnya. Waktu
yang dibutuhkan sebuah tender dari proses
publikasi sampai penentuan pemenang sangat
beragam, tetapi sebagian besar tidak lebih dari
dua bulan.
Proses penyeleksian peserta untuk dapat
mengikuti tender Petronas Carigali berawal
dari pemeriksaan kelengkapan dokumen yang
telah ditentukan panitia sebelumnya oleh
procurement
departement.
Setelah
kelengkapan dokumen diperiksa maka peserta
yang
memenuhi
kriteria
kelengkapan
dokumen tadi, selanjutnya akan melalui tahap
berikutnya yaitu penilaian 16 dokumen atau
16 kriteria terdiri dari dokumen A sampai
dokumen
P
yang
sudah
diperiksa
kelengkapnnya. Setelah melewati proses
tersebut, setiap peserta akan digabungkan nilai
dari 16 kriteria yang telah dihitung
sebelumnya untuk menjadi sebuah keputusan,
yaitu keputusan peserta yang dapat dan tidak
dapat mengikuti tahap penentuan pemenang
tender. Setelah peserta yang akan mengikuti
tahap
penentuan
pemenang
tender
diumumkan, maka peserta tersebut akan
masuk ke tahap penentuan pemenang tender,
yang akan menghasilkan satu pemenang
tender. Setelah terpilihnya pemenang tender
maka rangkaian acara tender dari Petronas
Carigali Indonesia tersebut berakhir. Proses
tender pada Petronas Carigali dapat dilihat
pada Gambar 1.
Klasifikasi
Klasifikasi adalah proses menemukan
sebuah himpunan model (fungsi) yang
menggambarkan dan membedakan kelas -kelas
data atau berbagai konsep. Tujuanya adalah
untuk meramalkan kelas dari objek-objek
yang label kelasnya belum diketahui (Han &
Kamber 2001).
Proses menemukan sebuah model
dilakukan pada sebuah himpunan data training
(data pelatihan). Untuk proses klasifikasi atau
prediksi pada data testing (data pengujian)
dilakukan berdasarkan model yang diturunkan
data pelatihan tersebut.
Gambar 1 Flowchart proses tender
Voting Fitur Intervals 5 (VFI5)
Voting Fitur Intervals 5 merupakan
Algoritma klasifikasi yang dikembangkan
oleh Demiröz dan Güvenir (Demiröz dan
Güvenir 1997). Semua instance pelatihan
diproses bersamaan. Algoritma VFI5 terdiri
atas dua tahap, yaitu tahap pelatihan dan
klasifikasi.
1
Pelatihan
Pada tahap pelatihan, awalnya ditentukan
nilai end point suatu fitur f pada kelas data c.
End point untuk fitur linier adalah fitur yang
nilainya
memiliki
urutan
dan
bisa
dibandingkan tingkatannya yaitu berupa nilai
minimum dan nilai maksimum setiap kelas c.
End point untuk fitur nominal adalah fitur
2
yang nilainya tidak memiliki urutan dan tidak
bisa dibandingkan tingkatannya yaitu semua
nilai yang berbeda yang ada pada fitur kelas
yang sedang diamati. Selanjutnya end points
tersebut diurutkan menjadi interval untuk
fitur f. Terdapat dua jenis interval, yaitu point
interval dan range interval. Point interval
dibentuk dari setiap nilai yang berbeda dari
end points. Range interval dibentuk dari dua
nilai end points yang berdekatan tetapi tidak
termasuk end points tersebut (Güvenir 1998).
Tahap selanjutnya ialah menghitung
jumlah instance pelatihan setiap kelas c
dengan fitur f yang nilainya jatuh pada
interval
i,
direpresentasikan
sebagai
interval_class_count [f,i,c]. Untuk set iap
instance pelatihan, dicari interval i di mana
nilai fitur f dari instance pelatihan e (ef)
tersebut jatuh. Jika interval i merupakan point
interval dan nilai ef sama dengan nilai pada
batas bawah atau batas atas maka jumlah kelas
instance tersebut (ef) pada interval i ditambah
1. Jika interval i merupakan range interval
dan nilai ef jatuh pada interval tersebut, maka
jumlah kelas instance ef pada interval i
ditambah 1. Hasil dari proses tersebut
merupakan jumlah vote kelas c pada interval i.
Jumlah vote kelas c untuk fitur f pada
interval i dibagi dengan jumlah instance pada
kelas c (class_count[c]) untuk menghilangkan
perbedaan distribusi setiap kelas. Hasil
normalisasi
direpresentasikan
dalam
interval_class_vote [f,i,c]. Nilai-nilai pada
interval_class_vote
[f,i,c]
dinormalisasi
sehingga jumlah vote dari beberapa kelas pada
setiap fitur sama dengan 1. Normalisasi ini
bertujuan agar setiap fitur memiliki kekuatan
voting yang sama pada proses klasifikasi yang
tidak dipengaruhi ukuranya. Berikut ini adalah
pseudocode tahap pelatihan dari Algoritma
VFI5.
train (TrainingSet);
begin
for each feature f
for each class c
EndPoints[f] = EndPoints[f]
find_end_points(TrainingSet,f,c;
sort (EndPoints[f]);
if f is linear
for each end point p in EndPoints[f]
form a point interval from end
point p
form a range interval between p
and the next endpoint ? p
else /*if f is nominal*/
form a point interval for each
value of f
for each interval i on feature f
for each class c
interval_class_count[f,i,c]=0;
count_instances(f,TrainingSet);
for each interval i on feature f
for each class c
Interval _ class _ count[ f , i, c ]
interval_class_vote[
f,i, c] =
class _ count[ c ]
normalize
interval_class_vote[f,i,c];
/* such that
∑
c
interval_class_vote[f,i,c] = 1 */
end
2
Klasifikasi
Pada tahap awal klasifikasi dilakukan
proses inisialisasi awal nilai vote masingmasing kelas dengan nilai 0. Untuk setiap fitur
f dicari nilai interval i di mana ef jatuh, ef
adalah nilai fitur f dari instance tes e. Jika ef
tidak diketahui, maka fitur tersebut tidak
disertakan dalam voting (memberi nilai vote 0
untuk masing-masing kelas). fitur yang
nilainya tidak diketahui diabaikan.
Jika ef diketahui maka interval tersebut
ditemukan. Interval tersebut dapat menyimpan
instances pelatihan dari beberapa kelas. Kelaskelas dalam sebuah interval direpresentasikan
oleh vote kelas -kelas tersebut pada interval itu.
Untuk setiap kelas c, fitur f memberikan vote
yang sama dengan interval_class_vote[f,i,c].
Notasi tersebut merepresentasikan vote fitur f
yang diberikan untuk kelas c.
Setiap fitur e f mengumpulkan nilai vote
kemudian di jumlahkan untuk memperoleh
total vote. Kelas c yang memiliki nilai vote
tertinggi diprediksi sebagai kelas dari instance
tes e. Pseudocode untuk tahap klasifikasi
dapat dilihat di bawah ini (Güvenir et al.
1998).
classify (e)
begin
for each class c
vote[c] = 0
for each feature f
for each class c
feature_vote[f,c] = 0; /*vote of
feature f for class c*/
if ef value is known
i = find_interval(f,ef)
feature_vote[f,c] =
interval_class_vote [f,i,c]
for each class c
vote[c] = vote[c] +
feature_vote[f,c]*weight[f];
return class c with highes vote[c];
end
K-Fold Cross Validation
K-fold cross validation merupakan
metode untuk memperkirakan generalisasi
galat berdasarkan ”resampling” (Weiss &
Kulikowski 1991 diacu dalam Sarle 2004).
Hasil diperkirakan dari generalisasi galat
3
biasanya digunakan untuk pemilahan di antara
model yang bervariasi. Dalam k-fold cross
validation, data dibagi secara acak menjadi k
himpunan bagian yang ukurannya hampir
sama satu sama lain. Himpunan bagian yang
dihasilkan yaitu S1, S2, S3,....., Si digunakan
sebagai pelatihan dan pengujian yang masingmasing diulang sebanyak k kali. Pada iterasi
ke-i, himpunan bagian Si digunakan sebagai
data pengujian dan himpunan bagian yang
lainnya digunakan sebagai data pelatihan, dan
seterusnya.
Dalam
klasifikasi
dengan
Algoritma VFI5 disarankan menggunakan kfold cross validation dengan nilai k lebih besar
dari 2, dan akan lebih baik lagi menggunakan
nilai k sebesar mungkin karena semakin besar
nilai k maka akurasi yang didapatkan akan
cenderung tetap atau meningkat (Ramdan
2007).
METODOLOGI PENELITIAN
Untuk membandingkan tingkat akurasi
Algoritma VFI5 dari beberapa tingkat sub (kfold) validasi silang yang berbeda, dilakukan
beberapa tahapan proses. Tahapan-tahapan
pros es tersebut disajikan pada Gambar 2.
Data
Semua data yang digunakan dalam
penelitian ini adalah data tender pengadaan
jaringan internet pada gedung kantor pusat
Petronas Carigali Indonesia tahun 2006.
Kumpulan data peserta tender ini terdiri dari
40 data peserta tender yang setiap datanya
mempunyai
16 fitur yang berasal dari
persyaratan yang ditentukan panitia tender.
Enam belas fitur data peserta tender dapat
dilihat pada Lampiran 1.
Data Latih dan Data Uji
Seluruh data yang digunakan dibagi
menjadi beberapa subset dengan ukuran
contoh yang lebih kurang sama. Pembagian
data
dilakukan
secara
acak
dengan
mempertahankan
perbandingan
jumlah
instance setiap kelas.
Algoritma VFI5
Pada penelitian ini digunakan Algoritma
VFI5 dengan bobot setiap fitur diasumsikan
seragam, yaitu satu. Tahapan ini terdiri atas
dua proses yaitu pelatihan dan prediksi
(klasifikasi) kelas instance baru.
Pelatihan
Data yang telah dibagi -bagi menjadi
beberapa subset kemudian menjadi input
Algoritma klasifikasi VFI5.
Pada tahapan ini akan dibentuk intervalinterval dari setiap fitur yang ada. Jika fitur
tersebut adalah fitur linear maka akan
dibentuk dua buah interval, yaitu point
interval dan range interval. Jika fitur tersebut
adalah fitur nominal maka hanya akan
dibentuk satu interval, yaitu poi nt interval.
Setelah semua interval terbentuk,
langkah selanjutnya adalah menghitung
jumlah instance setiap kelas yang berada pada
setiap interval tersebut.
Klasifikasi
Gambar 2 Tahapan proses klasifikasi data
Proses ut ama yang terjadi yaitu, pelatihan
untuk melihat domain permasalahan data dan
prediksi (klasifikasi) untuk menduga kelas
dari suatu instance baru.
Pada tahap klasifikasi, setiap nilai fitur
dari suatu instance baru diperiksa letak
interval nilai fitur tersebut. Vote-vote setiap
kelas untuk setiap fitur pada setiap interval
yang bersesuaian diambil dan kemudian
dijumlahkan. Kelas dengan nilai total vote
tertinggi menjadi kelas prediksi instance baru
tersebut.
Akurasi
Hasil yang diamati pada penelitian ini
adalah perubahan rata-rata tingkat akurasi
4
yang dicapai Algoritma klasifikasi VFI5
dalam mengklasifikasikan data pengujian
setelah dilakukan perubahan pada ukuran
contoh data pelatihan. Tingkat akurasi
diperoleh dengan perhitungan
tingkat akurasi =
∑ data uji benar diklasifik asi
∑ total data uji
Spesifikasi dan Implementasi
Aplikasi dirancang dan dibangun dengan
software dan hardwaresebagai berikut:
Hardware:
1. Prosesor P 4 3200+ MHz
2. RAM 768 MB
3. Hardisk 60 GB
Software
1.
2.
3.
4.
Sistem Operasi : Microsoft Windows XP
Profesional SP2
XAMPP 1.4.16 yang terdiri dari Web
Server Apache 2.0
Bahasa Pemrograman: PHP 5.0
Browser : Mozilla Firefox 3.0
HASIL DAN PEMBAHASAN
• Fulfillment of HSE (Health Safety
Environment) standard (F5)
• Process Safety Management (F6)
• International Certification (ISO) (F7)
• Positive Net profit before tax (F8)
• Positive Shareholder fund (F9)
• Current Ratio more than 1 (F10)
• Profitability Ratio more than 1 (F11)
• Specification of product offered match with
Requirement (F12)
• Originality of Product (F13)
• Brand name of the company (F14)
• Qualified expertise (manpower) (F15)
• Price offered within budget (F16)
Pembagian Data Latih dan Data Uji
Data keseluruhan (Lampiran 3) yang
berjumlah 40 instance tersebut terlebih dahulu
dibagi secara acak menjadi 4 himpunan bagian
yang ukurannya mendekati sama satu sama
lain. Pembagian data keseluruhan secara acak
menghasilkan himpunan bagian yang disebut
sebagai himpunan bagian S1, himpunan bagian
S2, himpunan bagian S3, dan
himpunan
bagian S4. Hasil pembagian data disajikan
pada Tabel 2.
Penelitian
ini
diawali
dengan
pengumpulan data kriteria peserta tender
pengadaan jaringan int ernet pada Petronas
Carigali Indonesia. Data yang dipakai
merupakan data lapangan yang diperoleh dari
wawancara terhadap staf dari Petronas
Carigali yang terdiri dari 2 kelas, 40 instance
dan 16 fitur. Spesifikasi data yang digunakan
pada penelitian ini disajikan pada Tabel 1.
Tabel 2 Hasil pembagian data
Himpunan
Diterima
bagian
S1
6
S2
5
S3
5
S4
5
Total
21
Tabel 1 Spesifikasi data yang digunakan
Nama data Jumlah
Jumlah
Jumlah
instance fitur
kelas
Kriteria
peserta
40
16
2
tender
Dengan metode 4-fold cross validation,
maka akan dilakukan empat kali iterasi
dengan menggunakan tiga himpunan bagian
sebagai data latih dan satu himpunan bagian
sebagai data uji. Susunan data yang digunakan
sebagai data pelatihan dan data pengujian
pada setiap iterasi disajikan pada Tabel 3.
Ditolak
4
5
5
5
19
Enam belas fitur yang terdapat pada data
ini masing-masing dilambangkan secara
berturut-turut dengan variabel F1,F2,..,F16.
Dalam implementasinya seluruh nilai atribut
yang digunakan dikonversi terlebih dahulu ke
bentuk bilangan numerik. Nama fitur,
lambang variabel dan nama atribut tersebut
dapat dilihat pada Lampiran 2. Nama-nama
fitur itu adalah sebagai berikut ini:
Iterasi Pertama
•
•
•
•
Pada iterasi pertama, himpunan bagian S1,
himpunan bagian S2, dan himpunan bagian S3
digunakan sebagai data pelatihan sedangkan
himpunan bagian S4 digunakan sebagai data
Legalization By Notary (F1)
Company Register (F2)
Fulfillment of Tax obligation (F3)
Free From Law Liability (1-3) (F4)
Tabel 3 Susunan data pelatihan dan data
p engujian
Iterasi
Pelatihan Pengujian
Iterasi pertama
S1 , S2, S3
S4
Iterasi kedua
S1 , S2, S4
S3
Iterasi ketiga
S1 , S3 ,S4
S2
Iterasi keempat
S2 , S3 ,S4
S1
5
pengujian. Komposisi jumlah instance per
kelas pada data pelatihan dan data pengujian
pada iterasi ini disajikan pada Tabel 4.
Tabel 4 Komposisi jumlah instance per kelas
pada data pelatihan dan data
pengujian
Pelatihan
Pengujian
Kelas
(instances )
(instances )
Diterima
16
5
Ditolak
14
5
Total
30
10
Proses
pelatihan
pada
iterasi
ini
menghasilkan interval-interval fitur. Setiap
interval suatu fitur tertentu memilki nilai-nilai
vote yang didistribusikan fitur tersebut untuk
kelas diterima dan kelas ditolak. Interval
tersebut beserta nilai vote setiap kelasnya
disajikan pada Lampiran 4.
Pengujian yang dilakukan pada iterasi ini
sebagai klasifikasi pada data pengujian S4
menghasilkan akurasi sebesar 100%. Hasil
prediksi dari iterasi ini disajikan pada Tabel 5.
Tabel 5 Hasil prediksi dari iterasi pertama.
Kelas
Kelas
Salah
Kelas
awal
prediksi prediksi
Diterima
5
5
0
Ditolak
5
5
0
Iterasi Kedua
Pada iterasi kedua, himpunan bagian S1,
himpunan bagian S2 dan himpunan bagian S4
digunakan sebagai data pelatihan sedangkan
himpunan bagian S3 digunakan sebagai data
pengujian. Komposisi jumlah instance per
kelas pada data pelatihan dan data pengujian
pada iterasi ini disajikan pada Tabel 6.
Tabel 6 Komposisi jumlah instance per kelas
pada data pelatihan dan data
pengujian
Pelatihan
Pengujian
Kelas
(instance)
(instance)
Diterima
16
5
Ditolak
14
5
Total
30
10
Proses
pelatihan
pada
iterasi
ini
menghasilkan interval-interval fitur. Seperti
pada iterasi pertama, setiap interval suatu fitur
tertentu memilki nilai-nilai vote yang
didistribusikan fitur tersebut untuk kelas
diterima dan kelas ditolak. Interval tersebut
beserta nilai vote setiap kelasnya disajikan
pada Lampiran 5.
Pengujian yang dilakukan pada iterasi ini
sebagai klasifikasi pada data pengujian S3
menghasilkan akurasi sebesar 70%. Terdapat
3 instance pada data pengujian S3 yang kelas
prediksinya tidak sesuai dengan kelas
sebenarnya. Instance tesebut diprediksi oleh
Algoritma VFI5 termasuk ke dalam kelas
diterima, sedangkan pada data kelas
sebenarnya pada instance tersebut adalah
kelas ditolak. Hasil prediksi dari iterasi ini
disajikan pada Tabel 7.
Tabel 7 Hasil prediksi dari iterasi kedua.
Kelas
Kelas
Salah
Kelas
awal
prediksi prediksi
Diterima
5
5
0
Ditolak
5
2
3
Kesalahan dalam proses klasifikasi terjadi
karena pada proses pelatihan dalam iterasi ini
kecenderungan memberikan nilai vote yang
lebih besar pada kelas diterima, sehingga total
vote pada kelas diterima memiliki total nilai
vote yang lebih besar dibandingkan dengan
kelas ditolak.
Persentase
peluang
dari
instance
pengujian salah prediksi pertama pada iterasi
ini terjadi pada data N10, dengan kelas
diterima sebesar 50.4% sedangkan pada kelas
ditolak sebesar 49.6%. Kesalahan prediksi
tersebut dapat terjadi karena selisih yang
sangat dekat antara total nilai vote kelas
diterima dan kelas ditolak, kedekatan selisih
itu sebesar 806 untuk kelas diterima dan 794
untuk kelas ditolak.
Persentase
peluang
dari
instance
pengujian salah prediksi kedua pada iterasi ini
terjadi pada data N32, dengan kelas diterima
sebesar 50.1% sedangkan pada kelas ditolak
sebesar 49.9%. Kesalahan prediksi tersebut
dapat terjadi karena selisih yang sangat dekat
antara total nilai vote kelas diterima dan kelas
ditolak, kedekatan selisih itu sebesar 802
untuk kelas diterim a dan 798 untuk kelas
ditolak.
Persentase
peluang
dari
instance
pengujian salah prediksi ketiga pada iterasi ini
terjadi pada data N33, dengan kelas diterima
sebesar 50.4% sedangkan pada kelas ditolak
sebesar 49.6%. Kesalahan pada data N33 juga
dapat terjadi karena selisih yang sangat dekat
antara total nilai vote kelas diterima dan kelas
ditolak, kedekatan selisih itu sebesar 806
untuk kelas diterima dan 794 untuk kelas
ditolak.
Iterasi Ketiga
Pada iterasi ketiga, himpunan bagian S1 ,
himpunan bagian S3 dan himpunan bagian S4
6
digunakan sebagai data pelatihan sedangkan
himpunan bagian S2 digunakan sebagai data
pengujian. Komposisi jumlah instance per
kelas pada data pelatihan dan data pengujian
pada iterasi ini disajikan pada Tabel 8.
Komposisi jumlah instance per
kelas pada data pelatihan dan data
pengujian
Pelatihan
Pengujian
Kelas
(instance)
(insta nces )
Diterima
16
5
Ditolak
14
5
Total
30
10
Tabel 8
Proses
pelatihan
pada
iterasi
ini
menghasilkan interval-interval fitur. Seperti
pada iterasi pertama dan iterasi kedua, setiap
interval suatu fitur tertentu memilki nilai-nilai
vote yang didistribusikan fitur tersebut untuk
kelas diterima dan kelas ditolak. Interval
tersebut beserta nilai vote setiap kelasnya
disajikan pada Lampiran 6.
Pengujian yang dilakukan pada iterasi ini
sebagai klasifikasi pada data pengujian S2
menghasilkan akurasi sebes ar 70 %. Terdapat
3 instance pada data pengujian S2 yang kelas
prediksinya tidak sesuai dengan kelas
sebenarnya. Keseluruhan instance tesebut
diprediksi oleh Algoritma VFI5 termasuk ke
dalam kelas diterima, sedangkan pada data
kelas sebenarnya pada instance tersebut
adalah kelas ditolak. Hasil prediksi dari iterasi
ini disajikan pada Tabel 9.
Tabel 9 Hasil prediksi dari iterasi ketiga.
Kelas
Kelas
Salah
Kelas
awal
prediksi prediksi
Diterima
5
5
0
Ditolak
5
2
3
Kesalahan dalam proses klasifikasi ter jadi
karena pada proses pelatihan dalam iterasi ini
kecenderungan memberikan nilai vote yang
lebih besar pada kelas diterima, sehingga total
vote pada kelas diterima memiliki total nilai
vote yang lebih besar dibandingkan dengan
kelas ditolak.
Persentase peluang dari instance pengujian
salah prediksi pertama pada iterasi ini terjadi
pada data N8, dengan kelas diterima sebesar
51.2% sedangkan pada kelas ditolak sebesar
48.8%. Kesalahan prediksi tersebut dapat
terjadi karena selisih yang sangat dekat antara
total nilai vote kelas diterima dan kelas
ditolak, kedekatan selisih itu sebesar 820
untuk kelas diterima dan 780 untuk kelas
ditolak.
Persentase
peluang
dari
instance
pengujian salah prediksi kedua pada iterasi ini
terjadi pada data N12, dengan kelas diterima
sebesar 55.2% sedangkan pada kelas ditolak
sebesar 44.8%. Selisih antara total nilai vote
kelas diterima dan kelas ditolak sebesar 884
untuk kelas diterima dan 716 untuk kelas
ditolak.
Persentase
peluang
dari
instance
pengujian salah prediksi ketiga pada iterasi ini
terjadi pada data N39, dengan kelas diterima
sebesar 50.1% sedangkan pada kelas ditolak
sebesar 49.9%. Kesalahan prediksi tersebut
dapat terjadi karena selisih yang sangat dekat
antara total nilai vote kelas diterima dan kelas
ditolak, kedekatan selisih itu sebesar 801
untuk kelas diterima dan 799 untuk kelas
ditolak.
Iterasi Keempat
Pada iterasi keempat, himpunan bagian
S2, himpunan bagian S3, dan himpunan bagian
S4 digunakan sebagai data pelatihan
sedangkan himpunan bagian S1 digunakan
sebagai data pengujian. Komposisi jumlah
instance per kelas pada data pelatihan dan data
pengujian pada iterasi ini disajikan pada Tabel
10.
Tabel 10 Komposisi jumlah instance perkelas
pada data pelatihan dan data
pengujian
Pelatihan
Pengujian
Kelas
(instances)
(instances )
Diterima
15
6
Ditolak
15
4
Total
30
10
Pengujian yang dilakukan pada iterasi ini
sebagai klasifikasi pada data pengujian S4
menghasilkan akurasi sebesar 80 %. Terdapat
2 instance pada data pengujian S1 yang kelas
prediksinya tidak sesuai dengan kelas
sebenarnya. Instance tersebut diprediksi oleh
Algoritma VFI5 termasuk ke dalam kelas
diterima, sedangkan pada kelas sebenarnya
pada instance tersebut adalah kelas ditolak.
Hasil prediksi dari iterasi ini disajikan pada
Tabel 11.
Tabel 11 Hasil prediksi dari iterasi keempat
Kelas
Kelas
Salah
Kelas
awal
prediksi prediksi
Diterima
6
6
0
Ditolak
4
2
2
Kesalahan dalam proses klasifikasi
terjadi karena pada proses pelatihan dalam
iterasi ini kecenderungan memberikan nilai
7
vote yang lebih besar pada kelas diterima,
sehingga total vote pada kelas diterima
memiliki total nilai vote yang lebih besar
dibandingkan dengan kelas ditolak. Interval
tersebut beserta nilai vote setiap kelasnya
disajikan pada Lampiran 7.
Persentase peluang dari instance pengujian
salah prediksi pertama pada iterasi ini terjadi
pada data N5, dengan kelas diterima sebesar
sebesar 61.4% sedangkan pada kelas ditolak
sebesar 38.6%. Selisih antara total nilai vote
kelas diterima dan kelas ditolak sebesar 983
untuk kelas diterima dan 617 untuk kelas
ditolak.
Persentase peluang dari instance pengujian
salah prediksi kedua pada iterasi ini terjadi
pada data N25, dengan kelas diterima sebesar
sebesar 57.4% sedangkan pada kelas ditolak
sebesar 42.6%. Selisih antara total nilai vote
kelas diterima dan kelas ditolak sebesar 918
untuk kelas diterima dan 682 untuk kelas
ditolak.
Hasil Pelatihan dan Hasil Pengujian
Proses pelatihan yang dilakukan p ada
setiap iterasi menghasilkan interval-interval
fitur. Interval-interval untuk setiap fiturnya
mempunyai nilai vote untuk kelas Diterima
dan kelas ditolak. Untuk setiap fitur yang
merupakan ciri khas dari setiap kelas, terdapat
interval dengan nilai vote yang cenderung
lebih besar pada salah satu kelas, sehingga
nilai vote pada interval ini mencerminkan
kecenderungan fitur tersebut untuk menjadi
ciri khas dari kelas yang ada.
Pada setiap iterasi terdapat fitur-fitur yang
konsisten menjadi ciri khas kelas diterima
atau kelas ditolak. Fitur -fitur tersebut
disajikan pada Tabel 12.
Tabel 12 Fitur -fitur yang menjadi ciri khas
suatu kelas pada setiap iterasi
Fitur
F3
F4
F5
F7
F8
F9
F10
F11
F12
F16
Diterima
*
*
*
*
*
*
*
*
*
*
Ditolak
*
*
*
*
Selain karena total nilai vote yang lebih
besar dibandingkan nilai vote kelas prediksi,
beberapa kesalahan klasifikasi pada setiap
iterasi terjadi karena adanya kesamaan nilai-
nilai fitur setiap instance pengujian terhadap
setiap kelas, sehingga mempengaruhi tingkat
akurasi yang diperoleh pada setiap iterasi.
Proses pengujian pada setiap iterasi
menghasilkan akurasi. Akurasi dari setiap
iterasi pada proses pengujian tahap pertama
disajikan pada Tabel 13.
Tabel 13 Akurasi dari setiap iterasi pengujian
Iterasi
Akurasi
Pertama
100%
Kedua
70%
Ketiga
70%
Keempat
80%
Rata-rata
80%
Standar deviasi
14.1%
Dengan menggunakan 16 fitur yang ada
pada data tender pengadaan jaringan internet
Algoritm a VFI 5 memberikan rata-rata akurasi
sebesar 80% dan standar deviasi sebesar
14.1%. Hal ini menunjukan Algoritma VFI 5
cukup mampu melakukan klasifikasi dengan
baik.
KESIMPULAN DAN SARAN
Kesimpulan
Perusahaan
multinasional
sebesar
Petronas Carigali Indo nesia dalam pengadaan
barang dan jasa harus melalui tahapan tender.
Salah satu tender yang diadakan Petronas
Carigali Indonesia adalah tender pengadaan
jaringan internet. Untuk memilih peserta yang
dapat mengikuti tahapan penentuan pemenang
tender, panitia akan menilai kriteria-kriteria
yang telah ditentukan sebelumnya. Tahapan
penilaian tersebut sangat menyita waktu juga
memerlukan biaya yang besar, untuk itu
diperlukan sebuah aplikasi yang bisa
mengatasi masalah tersebut. Penelitian ini
dapat mengidentifikasi peserta tender yang
layak untuk mengikuti tahapan penentuan
pemenang tender menggunakan Algoritma
voting feature intervals (VFI5).
Algoritma voting feature intervals
(VFI5)
digunakan
untuk
melakukan
klasifikasi. Data yang digunakan adalah data
tender pengadaan jaringan internet pada
Petronas Carigali Indonesia. Proses pelatihan
pada setiap iterasi menghasilkan intervalinterval fitur. Nilai vote yang lebih besar pada
satu kelas pada interval fitur mencerminkan
kecenderungan fitur tersebut menjadi ciri khas
kelas diterima atau kelas ditolak. Terdapat 10
fitur (F3, F4, F5 , F7, F8, F9, F10, F11, F12,
dan F16) yang merupakan ciri khas dari kelas
diter ima atau kelas ditolak.
8
Akurasi dari klasifikasi yang dihasilkan
oleh Algoritma VFI5 cukup tinggi untuk
setiap iterasinya. Pada pengujian ini, iterasi
pertama menghasilkan akurasi sebesar 100%,
iterasi kedua menghasilkan akurasi sebesar
70%, iterasi ketiga menghasilkan akurasi
sebesar
70%,
dan
iterasi
keempat
menghasilkan akurasi sebesar 80% . Rata-rata
akurasi yang dihasilkan pada pengujian ini
oleh Algoritma VFI5 adalah sebesar 80% dan
standar deviasi sebesar 14.1%.
Saran
Penelitian ini menggunakan bobot fitur
yang seragam pada 16 fitur yang ada yaitu
satu. Hal ini masih dapat dikembangkan lebih
lanjut dengan menggunakan bobot yang lebih
beragam untuk setiap fitur. Pemberian bobot
yang beragam untuk fitur yang menjadi ciri
khas dari kelas diterima atau ditolak sebaiknya
lebih
tinggi
supaya
menggambarkan
kecenderungan terhadap output yang akan
dihasilkan. Hal ini dikarenakan jika hasil
klasifikasi untuk kelas diterima terdapat
kesalahan, maka akan menghabiskan waktu
lebih lama bagi panitia tender ini disebabkan
peserta tender yang diikutkan dalam acara
penentuan pemenang tender berjumlah lebih
banyak.
(http://www.petronas.com.my/internet/corp/ce
ntralrep2.nsf/frameset_corp?OpenFrames
et).
Ramdan G. 2007. Pengaruh Banyaknya
Subset Validasi Silang Terhadap Kinerja
Algoritma
VFI5
[Skripsi]. Bogor:
Fakultas
Matematika
dan
Ilmu
Pengetahuan Alam, Institut Pertanian
Bogor.
Sarle W. 2004. What are cross-validation and
bootsrapping?.
http://www.faqs/aifaq/neuralnets/part3/section12.html.
[16 Agustus 2008]
Penambahan jumlah data peserta tender
juga sebaiknya dilakukan, karena dengan
bertambahnya jumlah data akan semakin
meningkatkan akurasi yang dihasilkan dan
generalisasi yang dihasilkan juga semakin
baik.
DAFTAR PUSTAKA
Demiröz G, Güvenir HA. 1997. Classification
by
Voting
Fitur
Intervals.
http://www.cs.bilkent.edu.tr/tech-reports/
1997/BU-CEIS-9708.ps.z.
Fu L. 1994. Neural Networks in Computers
Intelligence. Singapura: McGraw -Hill.
Güvenir HA. 1998. A Classification Learning
Algorithm Robust to Irrelevant Fiturs.
http://www.cs.bilkent.edu.tr/tech-reports/
1998/BU-CEIS-9810.ps.gz .
Güvenir
HA, Demiröz, Ilter N. 1998.
Learning Differential Diagnosis of
Erythemato-Squamous Diseases Using
Voting
Fitur
Intervals.
Artificial
Intelegence in Medicine, 13 (3), 147 -165.
Han J, Kamber M. 2001. Data Mining
Concepts &Techniques . USA: Academic
Press.
9
LAMPIRAN
10
Lampiran 1 Enam belas Fitur Data Peserta Tender
Urutan
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Nama Fitur
Departemen Yang Mengeluarkan atau
Memeriksa
Legal and Procurement
Procurement
Procurement and Finance
Legal and Procurement
HSE Department
HSE Dept.
Procurement and User Dept.
Finance
Finance
Finance
Finance
User and Procurement
User and Procurement
Procurement
Procurement
User and Procurement
Legalization By Notary
Company Register
Fulfillment of Tax obligation
Free From Law Liability (1-3)
Fulfillment of HSE (Health Safety Environment) standard
Process Safety Management
International Certification (ISO)
Positive Net profit before tax
Positive Shareholder fund
Current Ratio more than 1
Profitability Ratio more than 1
Specification of product offered match with requirement
Originality of Product
Brand name of the company
Qualified expertise ( manpower)
Price offered within budget
Lampiran 2 Nama Fitur, Lambang variabel, dan Nama Atribut
Nama Fitur
Legalization By Notary
Lambang
Variabel
F1
Company Register
F2
Fulfillment of Tax obligation
F3
Free From Law Liability (1-3)
F4
Fulfillment of HSE (Health Safety Environment) standard
F5
Process Safety Management
F6
International Certification (ISO)
F7
Positive Net profit before tax
F8
Positive Shareholder fund
F9
Current Ratio more than 1
F10
Profitability Ratio more than 1
F11
Specification of product offered match with requirement
F12
Originality of Product
F13
Brand name of the company
F14
Qualified expertise ( manpower)
F15
Price offered within budget
F16
Atribut
Ya
Tidak
Ya
Tidak
Ya
Tidak
Buruk
Sedang
Bagus
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Ya
Tidak
Variabel
Konversi
1
0
1
0
1
0
1
2
3
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
11
Lampiran 3 Data Peserta Tender
F1
F2
F3
F4
F5
F6
F7
Lambang Variabel
F8
F9
F10
F11
F12
F13
F14
F15
1
1
1
1
1
1
1
1
1
1
0
0
1
1
0
0
1
1
1
1
0
1
1
1
1
1
1
1
1
1
0
0
1
1
0
0
1
1
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
1
1
1
0
0
0
1
1
0
1
0
1
0
1
1
1
1
1
0
0
0
0
0
1
0
0
1
1
0
0
0
1
0
1
1
1
1
1
0
0
0
1
0
0
1
2
3
1
3
3
2
1
1
1
3
2
2
3
1
1
1
1
3
1
3
2
3
2
3
3
2
1
3
1
2
2
2
3
2
2
1
3
1
2
1
1
1
1
0
1
0
1
1
0
1
1
1
1
0
0
1
0
0
0
1
1
1
1
0
1
0
1
1
0
1
1
1
1
0
0
1
0
0
0
1
1
0
1
0
0
0
1
1
0
1
1
0
1
1
1
0
0
0
0
1
1
0
1
0
0
0
1
1
0
1
1
0
1
1
1
0
0
0
0
0
1
0
1
0
0
0
0
1
0
1
1
1
1
1
1
0
1
1
0
0
1
0
1
0
0
0
0
1
0
1
0
1
1
1
1
0
1
1
0
1
0
1
0
0
1
0
1
0
1
0
0
1
0
1
0
1
0
0
1
1
0
1
0
0
1
0
1
0
1
0
0
1
0
1
0
1
0
1
0
1
0
1
0
0
1
1
1
0
1
1
0
1
0
1
0
1
0
0
1
1
0
1
0
0
1
0
1
0
1
1
0
1
0
1
0
1
0
1
1
0
1
1
1
1
1
1
1
1
1
1
0
0
1
1
0
0
1
1
1
1
1
1
1
0
1
1
1
1
1
1
0
0
1
1
0
0
1
1
1
1
1
1
0
1
0
0
0
0
1
1
1
0
0
0
1
1
1
0
1
1
1
1
0
1
0
0
0
0
1
1
1
0
0
0
1
1
1
0
1
0
0
0
1
0
0
1
0
0
1
1
0
0
0
0
0
1
0
0
0
0
1
0
0
0
0
1
0
0
1
0
0
0
0
0
0
1
0
0
0
1
1
1
1
0
1
1
0
0
1
1
1
1
1
1
1
1
1
0
1
1
1
0
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
0
1
1
0
1
0
0
1
1
1
1
1
0
0
1
1
1
0
1
0
1
1
0
0
1
0
0
1
1
1
1
1
0
0
1
1
1
0
1
0
1
1
1
0
1
0
0
1
0
1
0
1
1
0
1
0
1
1
1
0
1
1
1
1
0
0
0
1
1
1
0
1
1
1
1
0
1
1
1
0
1
1
F16
0
1
1
1
1
1
1
0
1
1
1
1
1
1
1
0
0
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
0
0
1
1
1
Kelas
N
Y
Y
Y
N
Y
Y
N
Y
N
Y
N
N
Y
N
N
N
Y
Y
N
Y
Y
Y
Y
N
Y
Y
N
Y
N
Y
N
N
Y
N
N
N
Y
N
Y
12
Urutan
Data
Kelas
N1
Y2
Y3
Y4
N5
Y6
Y7
N8
Y9
N10
Y11
N12
N13
Y14
N15
N16
N17
Y18
Y19
N20
Y21
Y22
Y23
Y24
N25
Y26
Y27
N28
Y29
N30
Y31
N32
N33
Y34
N35
N36
N37
Y38
N39
Y40
Lampiran 4 Vote Fitur Pada Iterasi Pertama
F1
Y: 29
Y: 61
N : 71
N: 39
0
F2
Y:
N:
0
100
Y:
N:
46
54
Y:
N:
Y:
N:
Y:
N:
Y:
N:
1
F5
Y:
N:
Y:
N:
40
60
Y:
N:
Y:
N:
50
50
Y:
N:
39
61
Y:
N:
72
28
0
82
18
60
40
56
44
Y:
N:
65
35
F11
Y:
N:
25
75
1
75
26
64
36
Y:
N:
50
50
F12
Y:
N:
3
0
100
Y:
N: