1
(STUDI KASUS : TENDER PENGADAAN JARINGAN INTERNET)
YOGI PURNOYUDHO NUGROHO
G64103073
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
1
(STUDI KASUS : TENDER PENGADAAN JARINGAN INTERNET)
YOGI PURNOYUDHO NUGROHO
G64103073
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
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 sebes ar 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 penelit ian ini adalah sebesar 100%, rata-rata akurasi yang dihasilkan dari penelitian ini adalah sebesar 80% dengan standar deviasi sebesar 14.1% .
Judul : Identifikasi Kelayakan Peserta Tender Pada Petronas Carigali Indonesia Menggunakan Algoritma VFI5 (Studi kasus : Tender Pengadaan Jaringan Internet)
Nama : Yogi Purnoyudho Nugroho
NRP : G64103073
Menyetujui
Pembimbing I, Pembimbing II,
Aziz Kustiyo, S.S i., M.Kom. Toto Haryanto, S.Kom .
NIP 132206241
Mengetahui:
Dekan Falkutas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor
Dr. Drh. Hasim,DEA.
NIP 131578806
RIWAYAT HIDUP
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 teman-teman ilkomerz 41 terima kasih atas perteman-temanan 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
Karya ilmiah ini ku persembahkan untuk… …Dien yang haq ini juga Ibu dan Baba tercinta, atas segala kasih dan sayangnya yang tak terbayarkan
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
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 ...112 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
1
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 di adakan Petronas Carigali Indonesia selalu diikuti banyak peserta, ini disebabkan tender yang diadakan Petronas CarigaliIndonesia 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 VFI 5 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
2 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.
3 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;
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
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 masing-masing 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. Kelas-kelas 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).
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
4 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 masing-masing 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 k-fold 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 ( k-fold) validasi silang yang berbeda, dilakukan beberapa tahapan proses. Tahapan -tahapan pros es tersebut disajikan pada Gambar 2.
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.
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 interval-interval 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
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
5 yang dicapai Algoritma klasifikasi VFI5
dalam mengklasifikasikan data pengujian setelah dilakukan perubahan pada ukuran contoh data pelatihan. Tingkat akurasi diperoleh dengan perhitungan
∑
software dan hardware sebagai berikut:
Hardware:
1. Prosesor P 4 3200+ MHz 2. RAM 768 MB
3. Hardisk 60 GB Software
1. Sistem Operasi : Microsoft Windows XP Profesional SP2
2. XAMPP 1.4.16 yang terdiri dari Web ServerApache 2.0
3. Bahasa Pemrograman: PHP 5.0
4. Browser: Mozilla Firefox 3.0
HASIL DAN PEMBAHASAN
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 1 Spesifikasi data yang digunakan Nama data Jumlah 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:
• Legalization By Notary (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)
Pembagian Data Latih dan Data Uji
Data keseluruhan (Lampiran 3) yang berjumlah 40 instance tersebut terlebih dahulu dibagi secara acak menjadi 4 himpu nan 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.
Tabel 2 Hasil pembagian data Himpunan
bagian Diterima Ditolak
S1 6 4
S2 5 5
S3 5 5
S4 5 5
Total 21 19
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.
Tabel 3 Susunan data pelatihan dan data p engujian
Iterasi Pelatihan Pengujian
Iterasi pertama S1 , S2, S3 S4
6 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 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
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 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
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 ,
7 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.
Tabel 8 Komposisi jumlah instance per kelas pada data pelatihan dan data pengujian 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 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 diterim a 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.
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
8
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 1 2.
Tabel 12 Fitur -fitur yang menjadi ciri khas suatu kelas pada setiap iterasi
Fitur Diterima Ditolak 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
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
9 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.
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.
(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.
10
11 Lampiran 1 Enam belas Fitur Data Peserta Tender
Urutan Nama Fitur Departemen Yang Mengeluarkan atau
Memeriksa
A Legalization By Notary Legal and Procurement
B Company Register Procurement
C Fulfillment of Tax obligation Procurement and Finance
D Free From Law Liability (1-3) Legal and Procurement
E Fulfillment of HSE (Health Safety Environment) standard HSE Department
F Process Safety Management HSE Dept.
G International Certification (ISO) Procurement and User Dept.
H Positive Net profit before tax Finance
I Positive Shareholder fund Finance
J Current Ratio more than 1 Finance
K Profitability Ratio more than 1 Finance
L Specification of product offered match with requirement User and Procurement
M Originality of Product User and Procurement
N Brand name of the company Procurement
O Qualified expertise ( manpower) Procurement
P Price offered within budget User and Procurement
Lampiran 2 Nama Fitur, Lambang variabel, dan Nama Atribut
Nama Fitur Lambang Variabel Atribut Konversi Variabel
Legalization By Notary F1 Ya 1
Tidak 0
Company Register F2 Ya 1
Tidak 0
Fulfillment of Tax obligation F3 Ya 1
Tidak 0
Free From Law Liability (1-3) F4 Buruk 1
Sedang 2
Bagus 3
Fulfillment of HSE (Health Safety Environment) standard F5 Ya 1
Tidak 0
Process Safety Management F6 Ya 1
Tidak 0
International Certification (ISO) F7 Ya 1
Tidak 0
Positive Net profit before tax F8 Ya 1
Tidak 0
Positive Shareholder fund F9 Ya 1
Tidak 0
Current Ratio more than 1 F10 Ya 1
Tidak 0
Profitability Ratio more than 1 F11 Ya 1
Tidak 0
Specification of product offered match with requirement F12 Ya 1
Tidak 0
Originality of Product F13 Ya 1
Tidak 0
Brand name of the company F14 Ya 1
Tidak 0
Qualified expertise ( manpower) F15 Ya 1
Tidak 0
Price offered within budget F16 Ya 1
Tidak 0
12 Lampiran 3 Data Peserta Tender
Lambang Variabel
Kelas Urutan Data Kelas
F1 F2 F3 F4 F5 F6 F7 F8 F9 F10 F11 F12 F13 F14 F15 F16
1 1 0 1 1 1 0 1 1 1 1 0 1 0 1 0 N N1
1 1 0 2 1 1 1 0 0 0 0 1 1 0 1 1 Y Y2
1 1 1 3 1 0 0 1 1 1 1 1 1 0 1 1 Y Y3
1 1 1 1 1 1 1 0 0 0 0 1 0 1 1 1 Y Y4
1 1 0 3 0 0 0 0 0 0 0 1 1 0 0 1 N N5
1 1 1 3 1 0 0 1 1 1 1 1 0 0 1 1 Y Y6
1 1 0 2 0 0 0 0 1 0 1 1 0 1 1 1 Y Y7
1 1 1 1 1 1 0 1 1 1 1 1 0 0 0 0 N N8
1 1 0 1 1 1 1 0 1 0 0 1 0 0 0 1 Y Y9
1 1 1 1 0 0 0 1 1 1 1 1 1 1 1 1 N N10
0 1 1 3 1 1 1 0 0 1 1 1 1 1 1 1 Y Y11
0 1 1 2 1 1 1 0 0 0 0 0 1 0 1 1 N N12
1 1 1 2 1 0 1 1 1 1 1 0 0 0 1 1 N N13
1 1 1 3 1 1 1 0 1 0 0 1 0 0 1 1 Y Y14
0 0 0 1 0 1 1 1 1 1 1 1 0 0 1 1 N N15
0 0 0 1 0 1 1 0 0 1 0 0 1 0 1 0 N N16
1 1 0 1 1 0 0 1 1 1 1 0 1 1 1 0 N N17
1 1 0 1 0 0 1 0 0 0 0 1 1 0 1 1 Y Y18
1 1 0 3 0 0 1 0 1 1 0 1 0 0 0 1 Y Y19
1 1 1 1 0 0 0 1 1 1 1 1 1 0 1 1 N N20
0 1 0 3 1 1 0 1 0 1 1 1 1 0 1 1 Y Y21
1 1 0 2 1 1 1 0 0 1 0 1 1 1 1 1 Y Y22
1 1 1 3 1 0 0 1 1 0 1 1 1 0 0 1 Y Y23
1 1 1 2 1 1 1 0 0 0 0 1 0 0 1 1 Y Y24
1 1 0 3 0 0 0 0 0 0 0 0 1 0 1 1 N N25
1 1 0 3 1 0 0 1 1 1 1 1 0 0 1 1 Y Y26
1 1 0 2 0 0 0 0 1 1 0 1 0 1 1 1 Y Y27
1 1 1 1 1 1 0 1 1 1 1 1 0 0 1 0 N N28
1 1 0 3 1 1 1 0 1 0 0 1 0 0 0 1 Y Y29
1 1 1 1 0 0 0 1 1 1 1 1 1 1 1 1 N N30
0 1 1 2 1 1 1 0 0 1 1 1 1 0 1 1 Y Y31
0 1 1 2 1 1 0 0 0 1 0 0 1 0 1 1 N N32
1 1 1 2 1 0 1 1 1 1 1 0 0 0 1 1 N N33
1 1 1 3 1 1 1 0 1 0 0 1 0 0 1 1 Y Y34
0 0 0 2 0 1 1 1 1 1 1 1 0 0 1 1 N N35
0 0 0 2 0 1 1 0 0 1 0 0 1 0 1 0 N N36
1 1 0 1 1 0 0 1 1 1 1 0 1 1 1 0 N N37
1 1 1 3 0 0 1 0 0 0 0 1 1 0 1 1 Y Y38
0 1 0 1 0 0 1 1 1 1 1 1 0 0 0 1 N N39
13 Lampiran 4 Vote Fitur Pada Iterasi Pertama
F1 Y: 29 Y: 61 F9 Y: 58 Y: 50
N : 71 N: 39 N : 42 N: 50
0 1 0 1
F2 Y: 0 Y: 57 F10 Y: 75 Y: 39
N : 100 N: 43 N : 26 N: 61
0 1 0 1
F3 Y: 46 Y: 59 F11 Y: 64 Y: 44
N : 54 N: 41 N : 36 N: 56
0 1 0 1
F4 Y: 27 Y: 82 Y: 50 F12 Y: 0 Y: 73
N : 73 N: 18 N : 50 N : 100 N: 27
1 2 3 0 1
F5 Y: 40 Y: 60 F13 Y: 60 Y: 47
N : 60 N: 40 N : 40 N: 53
0 1 0 1
F6 Y: 50 Y: 56 F14 Y: 50 Y: 67
N : 50 N: 44 N : 50 N: 33
0 1 0 1
F7 Y: 39 Y: 65 F15 Y: 40 Y: 56
N : 61 N: 35 N : 60 N: 44
0 1 0 1
F8 Y: 72 Y: 25 F16 Y: 0 Y: 64
N : 28 N: 75 N : 100 N: 36
14 Lampiran 5 Vote Fitur Pada Iterasi Kedua
F1 Y: 27 Y: 61 F9 Y: 55 Y: 53
N : 73 N: 39 N : 45 N: 47
0 1 0 1
F2 Y: 0 Y: 59 F10 Y: 75 Y: 39
N : 100 N: 41 N : 25 N: 61
0 1 0 1
F3 Y: 50 Y: 57 F11 Y: 64 Y: 44
N : 50 N: 43 N : 36 N: 56
0 1 0 1
F4 Y: 20 Y: 50 Y: 83 F12 Y: 0 Y: 70
N : 80 N: 50 N : 17 N : 100 N: 30
1 2 3 0 1
F5 Y: 43 Y: 63 F13 Y: 62 Y: 47
N : 57 N: 37 N : 38 N: 53
0 1 0 1
F6 Y: 56 Y: 50 F14 Y: 52 Y: 60
N : 44 N: 50 N : 48 N: 40
0 1 0 1
F7 Y: 47 Y: 53 F15 Y: 57 Y: 52
N : 53 N: 47 N : 43 N: 48
0 1 0 1
F8 Y: 71 Y: 31 F16 Y: 0 Y: 67
N : 29 N: 69 N : 100 N: 33
15 Lampiran 6 Vote Fitur Pada Iterasi Ketiga
F1 Y: 29 Y: 61 F9 Y: 58 Y: 50
N : 71 N: 39 N : 42 N: 50
0 1 0 1
F2 Y: 0 Y: 62 F10 Y: 82 Y: 37
N : 100 N: 38 N : 18 N: 63
0 1 0 1
F3 Y: 53 Y: 54 F11 Y: 69 Y: 36
N : 47 N: 46 N : 31 N: 64
0 1 0 1
F4 Y: 30 Y: 50 Y: 80 F12 Y: 0 Y: 73
N : 70 N: 50 N : 20 N : 100 N: 27
1 2 3 0 1
F5 Y: 25 Y: 72 F13 Y: 71 Y: 38
N : 75 N: 28 N : 29 N: 62
0 1 0 1
F6 Y: 40 Y: 67 F14 Y: 57 Y: 43
N : 60 N: 33 N : 43 N: 57
0 1 0 1
F7 Y: 39 Y: 65 F15 Y: 80 Y: 48
N : 61 N: 35 N : 20 N: 52
0 1 0 1
F8 Y: 71 Y: 31 F16 Y: 0 Y: 62
N : 29 N: 69 N : 100 N: 38
16 Lampiran 7 Vote Fitur Pada Iterasi Keempat
F1 Y: 33 Y: 57 F9 Y: 70 Y: 40
N : 67 N: 43 N : 30 N: 60
0 1 0 1
F2 Y: 0 Y: 56 F10 Y: 86 Y: 39
N : 100 N: 44 N : 14 N: 61
0 1 0 1
F3 Y: 50 Y: 50 F11 Y: 70 Y: 40
N : 50 N: 50 N : 30 N: 60
0 1 0 1
F4 Y: 9 Y: 50 Y: 100 F12 Y: 0 Y: 65
N : 91 N: 50 N : 0 N : 100 N: 35
1 2 3 0 1
F5 Y: 42 Y: 56 F13 Y: 50 Y: 50
N : 58 N: 44 N : 50 N: 50
0 1 0 1
F6 Y: 53 Y: 47 F14 Y: 48 Y: 56
N : 47 N: 53 N : 52 N: 44
0 1 0 1
F7 Y: 44 Y: 57 F15 Y: 50 Y: 50
N : 56 N: 43 N : 50 N: 50
0 1 0 1
F8 Y: 79 Y: 25 F16 Y: 0 Y: 63
N : 21 N: 75 N : 100 N: 37