1. DSS Prakualifikasi
Kontraktor
RIZAN SETRISMAN
MUHAMMAD FAJRI
FIRDO ALI AKBAR
IMAM MUNANDAR HARAHAP

2. Latar Belakang & Dasar Penelitian
• Latar Belakang:
• Kegagalan proyek sebagai akibat kegagalan
dalam prakualifikasi kontraktor (owner tidak
tahu kemampuan teknis kontraktor)
• Dasar Penelitian:
• Mencari hubungan antara kualitas dari kriteria-
kriteria evaluasi prakualifikasi terhadap kinerja
yang dihasilkan (kinerja waktu, kinerja biaya,
dan kinerja kualitas)

3. Model Base & Acuan Penilaian
• Model Base:
• Mencari suatu formula yang dilakukan dengan
analisis diskriminan untuk membedakan
kelompok yang kinerjanya berhasil dan yang
gagal
• Acuan Kriteria Penilaian:
• Petunjuk teknis pelaksanaan prakualifikasi dari
pemerintah Indonesia, kriteria yang
dikembangkan Russel, dan HOLT, yaitu meliputi
kriteria keuangan, pengalaman, kinerja masa
lampau, dan manajemen dan organisasi.

4. Output DSS
• Output DSS:
• Dapat memprediksi kinerja dan memilah
kinerja kontraktor berdasarkan nilai indeks
kinerja yang dipergunakan

5. Konsep DSS

6. Konsep DSS: Input
• Input:
• Data base, berisi on post data, yaitu kualitas
penilaian dari kriteria-kriteria evaluasi yang
dipergunakan
• Model base, yaitu model yang dihasilkan dari
analisis statistik dengan metode analisis
diskriminan, yang terdiri dari Z score (fungsi
diskriminan) dan cut-off, yaitu nilai skor
diskriminan yang dipergunakan untuk
membagi kelompok menjadi dua bagian
(berhasil dan gagal)

7. Konsep DSS: Proses
• Proses:
• Pengumpulan dan pengorganisasian data yaitu
data penilaian dari setiap kontraktor
• Perhitungan dan analisis yang terdiri dari:
• perhitungan kinerja berdasarkan fungsi diskriminan serta cut-off
point; dan
• perhitungan nilai indeks untuk menunjukkan peringkat kontraktor

8. Konsep DSS: Output dan Feedback
• Output:
• Kondisi kinerja waktu, biaya dan kualitas, serta
indeks nilai kontraktor (INTK) yang akan
dipergunakan untuk menentukan peringkat
dari kontraktor
• Feed back:
• Dengan adanya umpan balik, maka
kesinambungan DSS yang dihasilkan akan
selalu dapat dipenuhi

9. Model Base: Pengumpulan
Data
• Pengumpulan Data
• Obyek: Proyek-proyek dengan nilai di bawah
10 milyar yang sudah selesai dilaksanakan, ada
38 sampel proyek:
• 33 data untuk analisis diskriminan pembuatan model base
• 5 data untuk validasi eksternal
• Responden: Manajer proyek/pimpro
• Cara: Mengisi kuesioner

10. Model Base: Pengumpulan Data …
• Hasil:
• Klasifikasi menurut jenis proyek:
• bangunan pemukiman dan perumahan: 10
• bangunan gedung bertingkat: 15
• bangunan berat: 11
• bangunan industri: 2
• Klasifikasi menurut kepemilikan
• kepemilikan pemerintah: 36
• kepemilikan swasta: 2

11. Model Base: Variabel & Cara
Penilaian
• Variabel dan Cara Penilaian Variabel
• Variabel bebas: 32 kriteria penilaian meliputi
kriteria keuangan, pengalaman, kinerja masa
lampau dan kriteria manajeman dan organisasi
dengan skala penilaian 1-5
• Nilai 1: sangat rendah/ sangat kurang
• Nilai 2: rendah/kurang
• Nilai 3: sedang/cukup
• Nilai 4: tinggi/baik
• Nilai 5: sangat tinggi/ baik sekali

12. Model Base: Variabel & Cara
Penilaian …
• Variabel terikat:
Kinerja waktu, biaya dan kualitas proyek
• Nilai 0: proyek berhasil
• Nilai 1: proyek gagal

13. Model Base: Metode Analisis Data
• Metode Analisis Data
• Analisis data dilakukan secara statistik dengan
menggunakan analisis diskriminan
Z = c + aX1 + bX2 + cX3 + ...
• X1,X2,X3,… merupakan variabel-variabel pembeda yang mempunyai
pengaruh kuat dalam memprediksi kinerja kontraktor
• Nilai cut-off digunakan sebagai ambang batas untuk membedakan
kinerja proyek

14. Model Base: Perhitungan Kinerja
Biaya
• Perhitungan Kinerja Biaya
Zbiaya = -1.287 – 1.423 X20 + 1.770 X25
• X20 = variabel kemampuan dalam pengadaan
peralatan kerja
• X25 = variabel kelengkapan struktur organisasi
kontraktor
• Zcu biaya = - 0.247

15. Model Base: Perhitungan Kinerja
Waktu
• Perhitungan Kinerja Waktu
Zwaktu = - 6.846 + 0.641 X14 + 1.448 X25
• X14 = variabel tingkat pendidikan formal
personel inti di lapangan dari kontraktor
• X25 = variabel kelengkapan struktur organisasi
kontraktor
• Zcu waktu = - 0.112

16. Model Base: Perhitungan Kinerja
Kualitas
• Perhitungan Kinerja Kualitas
Zkualitas = 1.897 + 1.160 X15 – 1.448 X20
• X15 = variabel tingkat pendidikan informal
personel inti di lapangan dari kontraktor
• X20 = variabel kemampuan dalam pengadaan
peralatan kerja
• Zcu kualitas = - 0.253

17. Diagram Alur DSS

18. Pengambilan Keputusan
• Pengambilan keputusan dilakukan dengan cara
membandingkan antara nilai Z dari kontraktor dengan nilai
Cut-off (Zcu) sebagai berikut:
• Jika Z Zcu maka kinerja kontraktor masuk
dalam kelompok berhasil
• Jika Z < Zcu maka kinerja kontraktor masuk
dalam kelompok gagal

19. Perhitungan INTK
• Indeks Total Nilai Kontraktor (INTK):
• Acuan nilai yang digunakan untuk menentukan
peringkat kontraktor (semakin besar semakin
baik)
INTK = (Zb x A) + (Zw x B) + (Zk x C)
• Zb = Zbiaya; Zw = Zwaktu; Zk = Zkualitas
• A = persentase kinerja biaya
• B = persentase kinerja waktu
• C = persentase kinerja kualitas
• Total (A+B+C) = 100%

20. Output DSS
• Tampilan output DSS mencakup:
• Prediksi kinerja kontraktor
• Jika pengambilan keputusan menyatakan bahwa prediksi kinerja
tersebut berhasil maka akan ditampilkan prediksi kinerja “berhasil“
• Jika pengambilan keputusan menyatakan bahwa prediksi kinerja
tersebut gagal maka akan ditampilkan prediksi kinerja “gagal“
• Peringkat tiap kontraktor berdasarkan INTK

21. Kesinambungan DSS
• Untuk kesinambungan dan menjaga keakuratan DSS, maka
harus dilakukan perbaikan secara terus menerus terhadap DSS
tersebut
• Dari perhitungan terlihat tidak semua data dipergunakan
tetapi data tersebut berguna untuk melakukan perbaikan dan
perubahan terhadap model base dan nilai cut-off jika
diperlukan

22. Hasil Perhitungan

23. Kesimpulan
• Pembuatan Decision Support System untuk prakualifikasi
kontraktor yang dalam pembuatan model base-nya,
dilakukan dengan mengidentifikasi variabel-variabel
pembeda terhadap kinerja kontraktor dari segi biaya,
waktu dan kualitas, ternyata dapat dipergunakan dengan
keakuratan yang baik. Hal tersebut dapat dilihat dari
validasi eksternal yang dilakukan terhadap data yang
tidak dipergunakan dalam pembuatan model base yang
memberikan keakuratan cukup tinggi. Dengan
menggunakan DSS owner dapat menentukan langkah-
langkah penanganan yang tepat untuk meminimalkan
kerugian akibat kegagalan proyek.