P. 1
Prosiding Seminar Nasional Statistika 2010 (Repaired)

Prosiding Seminar Nasional Statistika 2010 (Repaired)

|Views: 3,711|Likes:
Dipublikasikan oleh Mela Amelia

More info:

Published by: Mela Amelia on Mar 24, 2011
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

07/18/2013

pdf

text

original

SEMINAR NASIONAL STATISTIKA

“Manajemen Risiko di Bidang Asuransi dan Perbankan”

Vol 1, November 2010 ISSN 2087-5290

Editor : Septiadi Padmadisastra, Ph.D Gumgum Darmawan, S.Si., M.Si

Redaksi : Budhi Handoko, S.Si., M.Si Mela Amelia Gery Noviyar

Sabtu, 13 November 2010 Bale Santika Tanginas Waras Binekas Universitas Padjadjaran

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

DAFTAR ISI
Daftar Isi ....................................................................................................................................................... 2 Kata Pengantar .............................................................................................................................................. 4 I. Aktuaria............................................................................................................................................... 15 A.1 Manajemen Resiko Dalam Strategi Perawatan Aset .................................................................. 15 A.2 Menentukan Nilai Portofolio Menggunakan Model Binomial Satu Periode .............................. 20 A.3 Pendekatan Multifaktor Untuk Optimisasi Portofolio Investasi Di Bawah Value-At-Risk ........ 29 A.4 Penentuan Cadangan Disesuaikan Melalui Metode Illinois Pada Produk Asuransi Dwiguna Berpasangan ................................................................................................................ 37 A.5 Menentukan Premi Tunggal Netto Menggunakan Model Rantai Markov Pada Asuransi Dwiguna Multiple Decrement .................................................................................................... 50 A.6 Penentuan Cadangan Asuransi Disesuaikan Melalui Metode Ohio Pada Produk Gabungan Asuransi Jiwa Dan Pendidikan Berpasangan ............................................................................. 61 A.7 Optimisasi Portofolio Berdasarkan Mean-Value At Risk Di Bawah Model Indeks Berganda Dengan Volatilitas Tak Konstan ................................................................................ 75 A.8 Besaran-Besaran Aktuaria Dengan Pendekatan Simulasi Fungsi Kontingensi Kehidupan........ 84

II.

Multivariat........................................................................................................................................... 91 M.1 Sedimentasi Dan Debit Optimal Das Konto Hulu ...................................................................... 91 M.2 Analisis Biplot Untuk Mengetahui Karakteristik Putus Sekolah Pendidikan Dasar Pada Masyarakat Miskin Antar Wilayah Kecamatan Di Kabupaten Ogan Ilir ................................ 111 M.3 Analisis Hubungan Faktor-Faktor Yang Berkaitan Dengan Risiko Anak Putus Sekolah Pendidikan Dasar ...................................................................................................................... 126 M.4 Menghitung Fungsi Resiko Dan Kegagalan Pada Model Linear ............................................. 136 M.5 Pembentukan Fast Algorithm Fuzzy C-Means Cluster Dengan Indeks Validitas Xie Dan Beni (Xb) Dan Proporsi Eigen Value Dari Matriks Similiarity................................................ 144 M.6 Fuzzy K-Means Clustering Untuk Mengklasifikasikan Perusahaan Eksportir Furniture Rotan Di Kabupaten Cirebon.................................................................................................... 152 M.7 Pengelompokan Pasien Penyakit Demam Typhoid Dengan Menggunakan Analisis Klaster Kelas Laten .................................................................................................................. 160 M.8 Analisis Faktor Yang Mempengaruhi Persepsi Manfaat Dan Persepsi Kemudahan Penggunaan Peta Ber-Georeference Pada Pelaksanaan Sensus Penduduk 2010 Dengan Menggunakan Pendekatan Sem Bayesian ................................................................................ 172 M.9 Pemodelan Melek Huruf Dan Rata-Rata Lama Studi Dengan Pendekatan Model Biner Bivariat ..................................................................................................................................... 182

III. Matematika Dan Statistika Aplikasi ................................................................................................... 190 S.1 Efek Perubahan Pola Cuaca Pada Debit Air Masuk Di Waduk Saguling ................................ 190 S.2 Kriptografi Metoda Modular Multiplicaton-Based Block Cipher Pada File Text .................... 202 S.3 Evaluasi Integral Monte Carlo Dengan Metode Control Variates .......................................... 213 S.4 Pendekatan Metode Algoritma Genetik Untuk Identifikasi Model Arima ............................... 219 S.5 Simulasi Proyeksi Penduduk Indonesia Dengan Asumsi Tfr Naik Dan Turun ........................ 229 Manajemen Risiko di Bidang Perbankan dan Asuransi | 2

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010 S.6 S.7 S.8 Peningkatan Pembelajaran Matematika Di Kelas Dengan Skaffolding ................................... 239 Sop Metode Pengawasan Internal Bank Data Znt/Nir Sppt Buku Iv Dan V ............................ 255 Analisis Mutu Proses Produksi Produk Antasida Doen Di Pt.Kimia Farma (Persero) Tbk Bandung .................................................................................................................................... 276

IV. Desain Eksperimen ............................................................................................................................. 284 D.1 Membentuk Produk Berkualitas Melalui Rancangan Fractional Factorial Split-Plot Taguchi ..................................................................................................................................... 284 D.2 Optimasi Komposisi Perlakuan Dengan Menggunakan Metode Response Surface................. 298 D.3 Desain Resolasi V Dengan Replikasi Fraksional Untuk Menentukan Faktor Penyebab Terjadinya Wet Spot Pada Produk Karet Mentah ..................................................................... 312 D.4 Desain Parameter Untuk Data Diskrit Pada Robust Design ..................................................... 323 D.5 Analisis Varians Untuk Menguji Kekuatan Lekat Semen Adhesif Pada Permukaan Logam Karena Empat Macam Perlakuan ................................................................................. 332 D.6 Penaksiran Data Hilang Pada Desain Faktorial Fraksional Dua Level Tanpa Raplikasi Dengan Cara Meminimumkan Jumlah Kuadrat Residu ........................................................... 346

V. Analisis Regresi ................................................................................................................................... 356 R.1 Pemodelan Inflasi Dengan Metode Self Organizing Maps General Regression Neural Network (Som Grnn) ................................................................................................................ 356 R.2 Perbandingan Metode Bootstrap Dan Jackknife Dalam Pendugaan Parameter Regresi Dengan Partial Least Square Regression ................................................................................. 365 R.3 Pendekatan Bayesian Spasial Ekonometrika Pada Pemodelan Migrasi Penduduk Di Jawa Barat ......................................................................................................................................... 373 R.4 Pendekatan Bayesian Spatio-Temporal Untuk Mengatasi Heteroskedastisitas Pada Pemodelan Nilai Ketimpangan Pendapatan Masyarakat Di Propinsi Sepulau Jawa .............. 386 R.5 A Spatio-Temporal Autoregressive Sem Model For Reducing Omitted Variable Bias ........... 395

Manajemen Risiko di Bidang Perbankan dan Asuransi |

3

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

KATA PENGANTAR Puji syukur kepada Allah SWT atas limpahan rahmat dan karunia-Nya yang tak terhingga dan tak ternilai kepada hamba-hambaNya. Sanjungan shalawat serta salam senantiasa terlimpah curah kepada junjungan besar kita, Nabi Muhammad Saw, suri tauladan terbaik sepanjang masa dan ujung tombak pembawa pelita kehidupan. Alhamdulillah… Prosiding Seminar Nasional Statistika 2010 ini dapat diselesaikan. Prosiding ini merupakan kumpulan buah pemikiran dari seluruh peserta pemakalah Seminar Nasional Statistika 2010. Semoga bermanfaat dan dapat menjadi memperkaya keilmuan pembaca sekalian. Akhir kata, segenap Panitia Seminar Nasional Statistika 2010 mengucapkan terimakasih kepada seluruh peserta seminar atas partisipasinya serta seluruh pihak yang telah membantu mensukseskan acara Seminar Nasional Statistika 2010 ini.

Jatinangor, 13 November 2010 Panitia.

Manajemen Risiko di Bidang Perbankan dan Asuransi |

4

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

MAKALAH UTAMA MANAJEMEN RISIKO DALAM INDUSTRI ASURANSI Ocke Kurniandi, MSi, FSAI Aktuaris Perusahaan PT. Asuransi Jiwa Bringin Jiwa Sejahtera Ketua Komisi Ujian & Kurikulum PAI Perkembangan Industri keuangan saat ini sedang pesat-pesatnya khususnya asuransi jiwa setiap tahun terjadi pertumbuhan premi rata-rata 24% per tahun. Institusi keuangan Perbangkan, Reksadana, Asuransi, Dana Pensiun, Leasing, Simpan Pinjam, Koperasi akan menjadi tulang punggung perekonominan. Untuk itu institusi keuangan harus dapat dan tanggap menghadapi risiko. Untuk itu manajemen risiko akan menjadi sangat penting dalam proses pengelolaaan dana masyarakat tersebut. Peran penting statistikawan dan matematikawan dalam memprediksi risiko dan manajemen risiko sangat dibutuhkan agar perusahaan dapat menjalankan kewajiban secara baik dan benar. Latar Belakang dan Definisi Risiko Istilah risiko adalah kata baru yang muncul saat transisi dari masyarakat tradisional ke masyarakat modern. Pada abad pertengahan istilah risiko digunakan dalam konteks yang sangat spesifik, yaitu perdagangan laut yang berkaitan dengan kejadian yang mengakibatkan masalah kerugian dan kerusakan. Istilah risiko berasal dari kata bahasa Arab "‫" ,"قزر‬Rizk" atau rizki yang berarti mencari kemakmuran. Ini diperkenalkan ke Eropa benua, melalui interaksi perdagangan Timur Tengah dan Afrika Utara yang dilakukan oleh pedagang Arab. Dalam konteks perdagangan memcari kemakmuran selalu mengandung risiko. Orang-orang benua eropa berangapan pedagang arab yang mencari riski sebagai mencari risiko. Sehingga istilah “risk” dalam bahasa inggris dikenal pada abad ke-17 di benua eropa. Ada beberapa definisi risiko yang berbeda untuk masing-masing beberapa aplikasi. Hal ini membuat definisi risiko tidak konsisten dan ambigu. Untuk penggunaan yang lebih luas dari kata tersebut menjadi menyulitkan. Salah satu definisi yang berawal dari pemahaman bahwa “risiko" hanyalah isu-isu masa depan yang dapat dihindari atau dikurangi, bukan masalah ini yang harus segera ditangani. Pada masyarakat traditional hal ini tidak banyak pengaruhnya dalam kehidupan sehingga perubahan transisi ke masyrakat medern pemahaman “risiko” menjadi amat penting. Saat itu pemahaman risiko secara sederhana dipahami sebagai berikut: Risiko adalah suatu kejadian yang tidak diharapkan yang mungkin terjadi dimasa mendatang. Fakta sederhana adalah risiko yang selalu menjadi bagian dari probabilitas. Kemungkinan adalah suatu kondisi biner yang mana sesuatu akan terjadi adalah mungkin berdasarkan nilai 1 (mungkin) atau 0 (tidak mungkin). Sedangkan Probabilitas lebih mencerminkan nilai kontinu antara kepastian yang mutlak dan ketidakmungkinan. Hal penting yang perlu diingat

Manajemen Risiko di Bidang Perbankan dan Asuransi |

5

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

adalah bahwa membangun probabilitas bukanlah hal yang sama seperti meramalkan masa depan. Risiko atau Ketidakpastian Ketidapastian dan risiko berkaitan erat untuk itu Frank Knight (1921) menunjukan perbedaan antara risiko dan ketidakpastian sebagai berikut : ”... Uncertainty must be taken in a sense radically distinct from the familiar notion of Risk, from which it has never been properly separated. The term "risk," as loosely used in everyday speech and in economic discussion, really covers two things which, functionally at least, in their causal relations to the phenomena of economic organization, are categorically different. ... The essential fact is that "risk" means in some cases a quantity susceptible of measurement, while at other times it is something distinctly not of this character; and there are far-reaching and crucial differences in the bearings of the phenomenon depending on which of the two is really present and operating. ... It will appear that a measurable uncertainty, or "risk" proper, as we shall use the term, is so far different from an unmeasurable one that it is not in effect an uncertainty at all. We ... accordingly restrict the term "uncertainty" to cases of the non-quantitive type” " Dengan demikian, ketidakpastian yang beragam, tidak mungkin untuk dihitung, sementara dalam arti risiko yang terukur dalam artian dapat dihitung. Ketidakpastian: Tidak adanya kepastian yang lengkap, yaitu adanya lebih dari satu kemungkinan. The "true" hasil / negara / hasil / nilai tidak diketahui. Pengukuran ketidakpastian: Satu set probabilitas ditugaskan untuk satu set kemungkinan. Contoh: "Ada kemungkinan 60% pasar ini akan berlipat ganda dalam lima tahun" Risiko: Sebuah negara ketidakpastian dimana beberapa kemungkinan melibatkan kerugian, bencana, atau hasil yang tidak dikehendaki. Pengukuran risiko: Satu set kemungkinan masing-masing dengan probabilitas diukur dan kerugian dihitung. Contoh: "Ada kemungkinan 40% minyak yang diusulkan baik akan kering dengan kerugian sebesar $ 12 juta di biaya pengeboran eksplorasi". Dalam hal ini, penggunaan istilah risiko atau ketidakpastian merupakan himpunan yang terkait sehingga orang dapat memiliki ketidakpastian tanpa risiko tetapi tidak risiko tanpa ketidakpastian. Kita bisa menjadi tidak pasti tentang pemenang kontes, tetapi jika kita memiliki beberapa kepentingan pribadi di dalamnya, kita tidak memiliki risiko. Jika kita bertaruh uang hasil kontes, maka kita memiliki resiko. Dalam kedua kasus ada lebih dari satu hasil yang mungkin terjadi. Ukuran ketidakpastian hanya mengacu pada probabilitas ditugaskan ke hasil, sedangkan ukuran risiko membutuhkan baik probabilitas untuk hasil dan kerugian diukur untuk hasil. Ada metode formal yang digunakan untuk menilai atau "mengukur" risiko, yang banyak dipertimbangkan menjadi faktor penting dalam membuat keputusan. Beberapa definisi
Manajemen Risiko di Bidang Perbankan dan Asuransi | 6

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

kuantitatif risiko baik didasarkan pada teori statistik yang mengandalkan jumlah data yang tersedia. Untuk itu peran statistikawan sangat berperan dalam pengukuran risiko. Statistikawan mengubah ketidakpastian menjadi risiko berdasarkan ukuran sampel keluaran yang muncul. Pada awalnya sampel ukuran bersifat diskrit, melalui metoda pencacahan akan diperoleh probabilitas kemungkinan kejadian yang akan muncul. Selanjutnya perkembangan ruang sampel yang kontinu membuat proses pencacahan harus diubah menjadi bentuk perhitungan luas atau proses integrasi fungsi densitas peluang. Untuk hal khusus yang mana pengukuran risiko dengan mengandalkan data tidak dapat dipenuhi. Misalkan industri energi nuklir dimana kejadian gagal hampir tidak pernah ada. Hal ini membuat penilaian risiko sulit dalam industri yang berbahaya atau kejadian lain yang mana frekuensi kegagalan langka, diperlukan metoda yang lain untuk mengukur probabilitas risiko. Untuk itu dikembangkan cara penelusuran kejadian yang kan muncul berdasarkan metode pohon hirarki kejadian. Konsekuensi berbahaya yang berbahaya dapat dihitung berdasarkan estimasi peluang berdasarkan metode pohon hirarki kejadian yang mungkin terjadi tanpa harus menunggu sampel kejadian buruk terjadi. Risiko juga dapat didefinisikan sebagai bagian dari suatu ancaman the potential that a given threat will exploit vulnerabilities of an asset or group of assets and thereby cause harm to the organization. Oleh karena itu risiko tersebut kemudian dinilai sebagai fungsi dari tiga variabel: 1. probabilitas bahwa ada ancaman 2. probabilitas bahwa ada kerentanan 3. dampak potensial bagi bisnis. Kedua probabilitas kadang-kadang digabungkan dan juga dikenal sebagai kemungkinan. Jika salah satu variabel mendekati nol, pendekatan risiko secara umum mendekati nol juga. Dalam statistik, risiko sering dipetakan ke probabilitas dari beberapa kejadian yang dilihat sebagai kejadian yang tidak diinginkan. Biasanya, probabilitas dari peristiwa dan beberapa penilaian terhadap bahaya yang diperkirakan harus digabungkan ke dalam dipercaya skrenario (suatu hasil), yang menggabungkan risiko aset, risiko kewajiban menjadi suatu probabilitas nilai harapan untuk hasil tersebut. Dalam teori risiko didefinisika fungsi risiko dari estimator δ (x) dengan diketahui parameter θ, dihitung dari variable x yang diamati, didefinisikan sebagai nilai harapan dari fungsi kerugian L yang didefinisikan sebagai berikut:

Risiko dalam Perusahaan Asuransi Bisnis utama Asuransi adalah pengelolaan risiko sehingga bagian utama pengelolaan risiko akan lebih dominan dibandingkan fungsi lainnya. Asuransi adalah bagian dari instrumen

Manajemen Risiko di Bidang Perbankan dan Asuransi |

7

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

keuangan untuk mengurangi risiko di mana tertanggung membayar jumlah premi harus tetap dilindungi dari potensi kehilangan atau kerugian. Risiko yang ditanggung asuransi adalah menanggung risiko keuangan yang terjadi akibat suatu kejadian yang tidak diinginkan terjadi, seperti kematian, kecelakaan, cacat, sakit, kehilangan, kebakaran, banjir, gempa bumi dan bencana alam. Risiko Keuangan secara umum sering didefinisikan sebagai variabilitas tak terduga atau volatilitas hasil dan dengan demikian meliputi baik potensi lebih buruk dari yang diperkirakan serta dari yang diperkirakan kembali lebih baik. Risiko keuangan dapat diwujudkan dalam pendapatan lebih rendah atau pengeluaran lebih tinggi dari yang diharapkan. Penyebab bisa banyak, misalnya, kenaikan harga bahan baku, melampai tengang waktu untuk pembangunan fasilitas operasi baru, gangguan dalam proses produksi, munculnya pesaing serius di pasar, hilangnya personil kunci, perubahan rezim politik, atau bencana alam. Sarana menilai risiko bervariasi antara profesi. Memang, mereka mungkin mendefinisikan profesi ini, misalnya, dokter mengelola risiko medis, sementara seorang insinyur sipil mengelola risiko kegagalan struktural. Sebuah professional yang memiliki kode etik biasanya berfokus pada penilaian risiko dan mitigasi (oleh profesional atas nama klien,, masyarakat umum atau kehidupan secara umum). Di tempat kerja, risiko yang terkait dan melekat ada. risiko insidentil adalah mereka yang terjadi secara alami dalam bisnis tetapi bukan bagian dari inti bisnis. risiko inheren memiliki efek negatif terhadap laba usaha dari bisnis. Untuk sektor investasi, risiko adalah probabilitas yang sebenarnya dalam pengembalian investasi akan berbeda dari yang diharapkan. Ini termasuk kemungkinan kehilangan sebagian atau seluruh investasi asli. Beberapa menganggap perhitungan deviasi standar kembali sejarah atau pendapatan rata-rata investasi yang khusus menyediakan beberapa ukuran historis risiko. risiko keuangan mungkin tergantung pasar, ditentukan oleh faktor-faktor pasar banyak, atau operasional, akibat dari tindakan penipuan. Penelitian terbaru menunjukkan bahwa tingkat testosteron memainkan peran utama dalam mengambil resiko pada keputusan keuangan. Risiko kredit perlu diukur dari waktu ke waktu dalam hubungannya dengan tingkat kesejahteraan seseorang secara finansial merupakan hal yang paling penting dalam pengelolaan risiko. Risiko selalu dihubungkan dengan hasil yang akan diterima. Semakin besar potensi hasil yang mungkin dicapai akan berakibat pada semakin besar risiko yang mungkin terjadi. Sebuah pasar bebas mencerminkan prinsip ini dalam harga instrumen: permintaan yang kuat untuk instrumen yang lebih aman mendorong harga yang lebih tinggi bergerak menujuk harga yang lebih rendah, sementara permintaan lemah untuk instrumen berisiko mendorong harganya lebih rendah kembali menjadi lebih tinggi. Ruang lingkup ekonomi dan keuangan dapat disimpulkan bahwa risiko tidak memiliki definisi satu tetapi beberapa teori telah menetapkan cukup metode umum untuk menilai risiko sebagai tingkat kegagalan setelah fakta yang diperkirakan terjadi. Metode unik tersebut telah berhasil membatasi risiko-risiko keuangan. Namun, metode ini juga sulit untuk mengerti. Kesulitan ini muncul dari pemahaman matematika menjadi penghalang dikarenakan

Manajemen Risiko di Bidang Perbankan dan Asuransi |

8

13 November 2010 memahaman metoda secara analitik dan matematik sehingga pengungkapan. Manajemen Risiko Pengelolaan risiko telah menjadikan suatu profesi tersendiri dalam lingkungan institusi keuangan. metode ini terdiri dari unsur-unsur berikut ini. Risiko ditangani secara berurutan sesuai dengan urutan probabilitas risiko yang akan terjadi. menilai kerentanan aset penting untuk ancaman spesifik 3. menentukan risiko (yaitu konsekuensi yang diharapkan dari jenis tertentu serangan terhadap aset tertentu) 4. karakter. profitabilitas. Hal ini sering terjadi salah penanganan. Risiko ini secara langsung mengurangi produktivitas pekerja. manajemen risiko tidak berwujud memungkinkan manajemen risiko untuk menciptakan nilai langsung dari identifikasi dan pengurangan risiko yang mengurangi produktivitas. nilai merek. dilakukan. Manajemen risiko yang ideal akan memprioritaskan risiko dengan kerugian terbesar yang memiliki probabilitas paling besar untuk ditangani terlebih dahulu dibandingkan risiko dengan probabilitas yang lebih rendah. Untuk sebagian besar. reputasi. Proses keterlibatan resiko yang mungkin menjadi masalah ketika prosedur operasional tidak efektif diterapkan. dan menilai ancaman 2. Dalam prakteknya proses bisa sangat sulit dalam menyeimbangkan antara risiko dengan probabilitas tinggi tetapi kerugian yang lebih rendah versus risiko dengan kerugian yang tinggi namun lebih rendah kemungkinan terjadinya.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. dan kualitas laba. Misalnya. mengurangi efektivitas biaya. lebih atau kurang. 1. Selain itu manajemen risiko berwujud mengidentifikasi jenis baru dari suatu risiko yang memiliki probabilitas tinggi namun diabaikan oleh organisasi karena kurangnya kemampuan identifikasi. memprioritaskan langkah-langkah pengurangan risiko berdasarkan strategi Oleh karena itu manajemen risiko harus dapat : menciptakan nilai menjadi bagian integral dari proses organisasi menjadi bagian dari pengambilan keputusan eksplisit alamat ketidakpastian sistematis dan terstruktur didasarkan pada informasi terbaik yang tersedia disesuaikan mempertimbangkan faktor-faktor manusia transparan dan inklusif bersifat dinamis. penilaian dan transparansi dirasa tidak tercapai. layanan. dalam urutan sebagai berikut. Harapannya perusahaan dapat menghadapi risiko dengan melakukan manajemen risiko yang baik dan benar. ketika kekurangan informasi untuk menghadapi sebuah situasi tertentu dapat menimbulkan sebuah risiko yang dapat terwujud tanpa diketahui. kualitas. mengidentifikasi. iteratif dan responsif terhadap perubahan mampu perbaikan dan peningkatan terus-menerus Manajemen Risiko di Bidang Perbankan dan Asuransi | 9 . mengidentifikasi cara untuk mengurangi risiko 5.

Perencanaan sisa proses. (khusus kejadian yang tidak terjadi dimasa lalu).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. praktik industri dan kepatuhan. Identifikasi risiko dalam domain yang dipilih bunga 2. dimana 0 dan 10 merupakan dampak yang mungkin timbul minimum dan maksimum dari terjadinya risiko (biasanya Manajemen Risiko di Bidang Perbankan dan Asuransi | 10 . Risiko merupakan peristiwa yang apabila dipicu akan menyebabkan masalah. Namun demikian. Mengembangkan analisis risiko terlibat dalam proses. 4. pengetahuan tentang statistik yang tersedia adalah sumber utama informasi. manusia dan organisasi yang tersedia. identifikasi risiko dapat dimulai melalui sumber masalah atau masalah itu sendiri. 6. kemudian harus dinilai sebagai potensi untuk tingkat keparahan atas kerugian dan kemungkinan terjadinya. Oleh karena itu. peristiwa yang sumber dapat memicu atau kejadian yang dapat menyebabkan masalah dapat diselidiki. Pemetaan yang terkait: o lingkup sosial manajemen risiko o identitas dan tujuan stakeholder o dasar atas mana risiko akan dievaluasi. Metode identifikasi dibentuk oleh template atau pengembangan template untuk mengidentifikasi sumber. 13 November 2010 Manajemen risiko dapat menempatkan urutan kegiatan sebagai berikut 1. Metode yang dipilih untuk mengidentifikasi risiko mungkin tergantung pada budaya. Ketika sumber masalah atau masalah itu sendiri diketahui. masalah atau peristiwa. penilaian Aset adalah pertanyaan lain yang perlu ditangani. maka peran penilai independen sangat diperlukan. penilaian risiko harus menghasilkan parameter untuk pengelolaan risiko utama lebih mudah dipahami sehingga keputusan manajemen risiko dapat diprioritaskan. Oleh karena itu. Identifikasi dan Penilaian Risiko Setelah menetapkan konteks. Jumlah ini dapat dilakukan secara sederhana untuk mengukur. Kesulitan mendasar dalam penilaian risiko adalah menentukan tingkat kejadian karena informasi statistik yang tidak tersedia. Setelah risiko telah diidentifikasi. 3. Mitigasi atau Solusi risiko menggunakan sumber daya teknologi. kendala. Mendefinisikan kerangka kerja untuk kegiatan ini dan agenda untuk identifikasi. langkah berikutnya dalam proses pengelolaan risiko adalah untuk mengidentifikasi potensi risiko. dalam proses penilaian sangat penting untuk membuat dugaan yang terbaik untuk diprioritaskan pelaksanaan rencana manajemen risiko yang benar. mengevaluasi keparahan konsekuensi (dampak) seringkali cukup sulit untuk aset material. Selain itu. khusus dalam hal nilai objek yang hilang tidak mungkin untuk mengetahui dengan pasti. 5. Dengan demikian. tapi mungkin rumus yang paling banyak diterima dan sederhana untuk kuantifikasi risiko adalah melalui ukuran Komposit Indeks Risiko yaitu sebagai berikut: Komposit Indeks Risiko Risiko = Dampak peristiwa x Probabilitas Kejadian Dampak dari kejadian risiko dinilai pada skala 0 hingga 10. Walaupun ada beberapa teori dan upaya untuk mengukur risiko dan banyak risiko yang berbeda formula ada.

pembeli kontrak asuransi umumnya tetap sebagai tanggung jawab hukum atas kerugian "dipindahkan". risiko asli kemungkinan untuk tetap kembali ke pihak pertama. atau jika tidak praktis. Tahap pertama dan paling efektif pencegahan bahaya adalah penghapusan bahaya. Dalam bisnis sangat penting untuk dapat menyajikan temuan-temuan dari penilaian risiko secara finansial. yang berarti asuransi yang mungkin lebih akurat digambarkan sebagai mekanisme kompensasi kerugian. kedua faktor di atas dapat berubah dalam besarnya tergantung pada kecukupan tindakan penghindaran resiko dan pencegahan yang diambil dan akibat perubahan lingkungan bisnis eksternal. Selanjutnya. Perhatikan bahwa kemungkinan terjadinya risiko sulit untuk memperkirakan sejak data terakhir pada frekuensi yang tidak tersedia. Singkat kata "berbagi dengan pihak lain beban kerugian atau keuntungan dari keuntungan dari risiko adalah suatu tindakan untuk mengurangi risiko.outsourcing atau menjamin) Retensi (menerima dan anggaran) pencegahan bahaya mengacu pada pencegahan risiko dalam keadaan darurat. Jangka waktu 'transfer risiko' sering digunakan di tempat berbagi risiko dalam keyakinan yang salah bahwa Anda dapat mentransfer risiko ke pihak ketiga melalui asuransi atau outsourcing. Penanganan Risiko Setelah risiko telah diidentifikasi dan dinilai. Outsourcing bisa menjadi contoh pengurangan risiko jika agen outsourcing bisa menunjukkan kemampuan lebih tinggi dalam mengelola atau mengurangi risiko.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. dimana 0 merupakan probabilitas nol (tidak mungkin terjadi) pada kejadian risiko benar-benar terjadi sementara 10 merupakan probabilitas 100% (mungkin terjadi) dari kejadian. 13 November 2010 dalam hal kerugian keuangan). terlalu mahal. Pengurangan Risiko atau "optimasi" melibatkan mengurangi keparahan hilangnya atau kemungkinan kerugian dari terjadi.memitigasi) Berbagi (transfer . secara teknis. semua teknik untuk mengelola risiko jatuh ke dalam satu atau lebih dari empat kategori utama berikut: Penghindaran (menghilangkan. tahap kedua adalah pengurangan risiko. tetapi biaya mungkin mahal untuk dilaksanakan oleh karena itu perlu langkah membagi atau mentranfer sebagian atau selusuruhnya. Dengan demikian dalam terminologi para praktisi dan sarjana sama. Namun. Manajemen Risiko di Bidang Perbankan dan Asuransi | 11 . Dalam prakteknya jika perusahaan asuransi atau kontraktor bangkrut atau berakhir di pengadilan. Penekanan sistem untuk mengurangi risiko itu terjadi mungkin dapat dilakukan. dampak risiko tidak mudah untuk memperkirakan karena seringkali sulit untuk memperkirakan potensi kerugian dalam hal terjadinya risiko. Jika hal ini memakan waktu terlalu lama. Kemungkinan terjadinya adalah juga dinilai dengan skala dari 0 sampai 10. menarik diri dari atau tidak terlibat) Pengurangan (mengoptimalkan . Demikian juga. Oleh karena itu sangatlah penting untuk secara periodik menilai ulang risiko dan mengintensifkan / bersantai tindakan mitigasi yang diperlukan. seperti yang disebutkan di atas. pembelian kontrak asuransi sering digambarkan sebagai "pengalihan risiko”.

pemanfaatan obat dan terapi. keuangan. ilmu aktuaria berfokus pada analisis kematian. Inggris. yang mana risiko ditransfer ke para anggota perorangan dari kelompok. dana pensiun dan asuransi umum ilmu aktuaria menjadi disiplin matematika formal di akhir abad 17 dengan meningkatnya permintaan untuk jangka jaminan asuransi jangka panjang seperti asuransi seumur hidup dan Tunjangan Hari Tua. Pengelolaan Risiko dan Ilmu Aktuaria ilmu Aktuaria adalah disiplin ilmu yang berdasarkan analisis matematika dan statistika untuk menilai risiko dalam asuransi dan industri keuangan. anuitas dan dana pensiun. asuransi orang kunci untuk usaha kecil. table kehidupan. ekonomi dan pemograman komputer. Hal ini menyebabkan perkembangan konsep aktuaria yang penting. sharing risiko merupakan prinsip asuransi syariah. Di Indonesia asosiasi para professional ini disebut Persatuan Aktuaris Indonesia yang telah didirkan sejak tahun 1964. metode aktuarial yang digunakan untuk mengukur biaya strategi alternatif sehubungan dengan pemeliharaan. 13 November 2010 Beberapa cara pengelolaan risiko jatuh ke dalam beberapa kategori. dan penerapan bunga majemuk untuk menghasilkan produk asuransi jiwa. asuransi kesehatan jangka panjang dan tabungan kesehatan saat ini berkembang pesat. morbiditas. Ilmu pengetahuan telah mengalami perubahan revolusioner selama 30 tahun terakhir karena proliferasi komputer kecepatan tinggi dan gabungan dari model stokastik aktuaria dengan teori keuangan modern. disebut sebagai nilai sekarang dari jumlah masa depan. Amerika Serikat. Aktuaris adalah para profesional yang memenuhi syarat dalam bidang aktiaria ini melalui pendidikan. pengalaman dan sertifikasi. seperti angka kematian berdasarkan umur. fertilitas dan kontinjensi lain tetapi juga terhadap pengamatan pada prilaku dan pilihan konsumen termasuk juga distribusi geografis pemanfaatan pelayanan medis. Oleh karena itu Ilmu aktuaria tidak hanya berfokus pada analisis tingkat kecacatan. Dalam asuransi jiwa tradisional.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Strategi ini sangat dipengaruhi pemberi kerja dan perusahaan pesaing baru (perusahaan Manajemen Risiko di Bidang Perbankan dan Asuransi | 12 . Secara historis. Asuransi jiwa. probalitita. Hal ini memerlukan estimasi kontingen peristiwa masa depan. Sebagaimana dinegara lain seperti India. Pensiun dan kesehatan muncul di awal abad 20 sebagai hasil dari pengembangan produk asuransi. desain atau desain ulang rencana pensiun. Ini berbeda dari asuransi konventional. Retensi risiko secara bersama-sama secara teknis sebagai penahan risiko dalam kelompok. mortalitas. program asuransi jiwa Kontemporer telah diperluas untuk mencakup kredit dan asuransi hipotek. di Indonesia aktuaris harus menunjukkan kompetensi mereka dengan melewati serangkaian ujian profesional ketat. serta pengembangan teknik matematika untuk diskon nilai dana yang disisihkan dan diinvestasikan. Pertanggungan ini jangka panjang diperlukan bahwa uang disisihkan untuk membayar manfaat masa depan. Kanada. seperti manfaat anuitas dan santuan kematian untuk jangka panjang. ilmu aktuaria termasuk merupakan gabungan antara cabang ilmu matematika. statistika. ilmu aktuaria menggunakan model deterministik dalam pembangunan tabel dan premi. Dalam industri pensiun.

menempatkan kebijakan di pool risiko dengan pesaing untuk mencapai tujuan sosial. hasil hukum yang tidak menguntungkan seperti kelebihan penghargaan kerusakan menghukum. ceding atau mentransfer jumlah kelebihan atau kelebihan pertanggungan reasuransi. 4. dan untuk membentuk dana cadangan untuk klaim diketahui dan klaim masa depan dan bencana. penurunan risiko. Dalam asuransi umum bidang. Aktuaris. 3. untuk kelancaran laba dan arus kas. Reasuransi dapat digunakan untuk menyebarkan risiko. (iii) Menilai apakah perusahaan memiliki klaim yang cukup untuk menutup acara penanganan bencana . membeli asuransi stop loss. selain itu dapat meningkatkan kualitas surplus. mengharuskan tertanggung untuk mengasuransikan diri bagian dari risiko kontingen atau investasi. (ii) Menilai apakah perusahaan memiliki administrasi yang efektif klaim untuk menentukan kerusakan. reasuransi mengambil banyak bentuk: 1. membatasi cakupan melalui deductible. 8. 6. Manajemen Risiko di Bidang Perbankan dan Asuransi | 13 . ilmu aktuaria telah membawa pengumpulan data. biasanya bekerja dalam tim multidisiplin harus membantu menjawab isu-isu manajemen tentang: (i) risiko yang akan dihadapi. 7. perubahan dalam sikap pelayanan. ilmu aktuaria yang digunakan untuk menetapkan rancangan dan harga reasuransi dan skema retro. 5. ceding atau mentransfer persentase dari setiap kebijakan perusahaan asuransi lain (yakni reasuransi). memperkirakan. ceding atau mentransfer kebijakan aset berbasis ke reasuradur dalam pertukaran untuk modal. Dalam bidang reasuransi. dan alat-alat penilaian untuk menyediakan data keuangan dan underwriting bagi manajemen untuk menilai peluang pemasaran dan tingkat pengambilan risiko yang diperlukan. (seperti kontrak tahunan untuk menyediakan pemilik rumah polis asuransi yang meliputi kerusakan rumah dan isinya selama satu tahun). ilmu aktuaria kebutuhan untuk beroperasi pada dua tingkatan: (i) pada tingkat harga produk untuk memfasilitasi adil politik yang benar dan pemesanan. Dalam arti luas kata. Dalam semua jenis usaha asuransi. peramalan. dan (ii) pada tingkat perusahaan untuk menilai resiko secara keseluruhan perusahaan dari peristiwa bencana dalam kaitannya dengan kapasitas underwriting yang atau surplus. coinsurance atau bahasa kebijakan eksklusioner. hasil politik yang merugikan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Retro-reasuransi. (iv) dan Menilai kerentanan perusahaan untuk risiko tidak terkendali seperti inflasi. demografi perubahan tenaga kerja. untuk mengurangi kebutuhan cadangan teknis. pengukuran. baik dalam jangka pendek dan panjang merupakan tren panjang yang harus disikapi. cakupan umumnya diberikan pada periode tahunan yang diperbarui. Cakupan dapat dibatalkan pada akhir periode oleh salah satu pihak. dan gejolak internasional. Ilmu aktuarial juga diterapkan untuk jangka pendek khusus bentuk asuransi umum (non-life). 13 November 2010 asing). juga dikenal sebagai retrosesi terjadi ketika sebuah perusahaan reasuransi risiko reasuradur dengan perusahaan lain reasuransi. Dalam bentuk-bentuk asuransi ini. 2. perusahaan cenderung mengkhususkan diri karena kompleksitas dan keragaman risiko. perubahan dalam kode pendapatan.

). Pada awal abad ke-20. Metode deterministic telah dibatasi untuk di masa lalu. organisasi aktuaria didirikan untuk mendukung dan lebih baik aktuaris dan ilmu aktuaria. Aktuaris sekarang bisa mulai untuk meramalkan kerugian menggunakan model stokastik dari kejadian acak. Mark S. Hans. Perhitungan aktual yang dibutuhkan untuk menghitung premi asuransi wajar agak rumit. ASTIN Bulletin 27 (2): 165– 171. Englewood Cliffs. Dari pensil-kertas dan untuk punchcards ke perangkat berkecepatan tinggi saat ini. 3.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Wikipedia. kompleksitas komputasi terbatas pada perhitungan manual. Dorfman. UK: Woodhead-Faulkner. Seiring waktu. perhitungan manual dan tingkat akurasi perhitungan premi menjadi ukuran utama saat itu. Reasuransi lebih kompleks dari asuransi umum sehingga manajemen perusahaan dan aktuaris perlu menangani semua peristiwa yang dikenal kontingen diasuransikan. membeli asuransi bencana untuk peristiwa kontingen tertentu. Aktuaris waktu yang mengembangkan metode untuk membangun/menggunakan tabel dengan mudah. Manajemen Risiko di Bidang Perbankan dan Asuransi | 14 . Pada abad 18 dan 19. Introduction to Risk Management and Insurance (9 ed. Referensi 1. menggunakan pendekatan canggih yang disebut fungsi pergantian untuk manfaat asuransi. 13 November 2010 9.com 2. serta menanggung kualitas perusahaan dan memelihara informasi alat dan praktik audit untuk mengidentifikasi masalah yang akan muncul. dan peramalan kemampuan pemodelan aktuaria telah tumbuh secara eksponensial. Namun.). Neil (1986). N. “The Actuary : the Role and limitation of the profession since the mid -19th century”. Cambridge. dan cara pintas hanya aktuaris yang biasa dengan perhitungan itu. An Introduction to Risk Management (2 ed. Pengenalan dan pengembangan industri komputer lebih lanjut merevolusi profesi aktuaria. dan bukan melalui metoda deterministik. penghitungan tetap rumit. L. membeli perlindungan untuk keranjang risiko. Non-jiwa aktuaris mengikuti jejak rekan-rekan kehidupan mereka di awal abad ke-20. (2007). Bühlmann. 10.J: Prentice Hall. dasar-dasar matematika berkembang dengan proses stokastik. Chow-Martin. 4. (November 1997). dan aktuaris diperlukan untuk menyesuaikan diri dengan dunia baru ini. Crockford. dan untuk melindungi kepentingan umum dengan memastikan kompetensi sesuai dengan yang diharapkan dan sesuai dengan standar etika yang berlaku.

com ABSTRAK Biaya perawatan (maintenance cost) aset merupakan unsur biaya operasional dengan porsi yang besar dalam suatu fasilitas produksi. yang dikenal dengan Risk Based Maintenance (RBM) atau streamlined RCM. Oleh karena itu. RBM terbukti dapat mereduksi kendala-kendala yang ditemukan dalam RCM. seperti fixed-based maintenance (preventive maintenance / PM) dan corrective maintenance (CM). yang dikenal dengan Risk Based Maintenance (RBM) atau streamlined RCM. Dalam aplikasinya.erni@rocketmail. yaitu dengan mempertimbangkan manajemen resiko didalamnya. RCM.1) MANAJEMEN RESIKO DALAM STRATEGI PERAWATAN ASET Erni D. Pendahuluan Biaya perawatan (maintenance cost) asset merupakan unsur biaya operasional dengan porsi yang besar dalam suatu fasilitas produksi. misal kendala waktu dan tenaga. Manajemen Risiko di Bidang Perbankan dan Asuransi | 15 . dimana kompleksitas peralatan semakin tinggi. oleh karena itu perlu dilakukan suatu strategi perawatan yang efektif/tepat dalam pelaksanaannya. dan terutama keterbatasan history data masing-masing perlatan. dan banyak diaplikasikan dalam berbagai industri di dunia. 13 November 2010 I. Dalam aplikasinya. yaitu dengan mempertimbangkan manajemen resiko didalamnya. Untuk mengatasi hal-hal tersebut dikembangkan suatu metoda yang merupakan modifikasi dari RCM. Institut Teknologi Telkom Bandung ds. program RCM memiliki beberapa kendala. Banyak strategi perawatan yang saat ini digunakan oleh fasilitas-fasilitas produksi di dunia sejak puluhan tahun yang lalu. Sumaryatie Fakultas Sains. oleh karena itu perlu dilakukan suatu strategi perawatan yang efektif/tepat dalam pelaksanaannya. tenaga. Salah satu metoda untuk menentukan strategi perawatan yang tepat untuk suatu aset adalah RCM (Reliability Centered Maintenance). suatu strategi metoda yang didasarkan pada kehandalan (Reliability) masing-masing asset / peralatan. AKTUARIA (A. pengetahuan akan peralatan semakin tinggi. Kata kunci : perawatan (maintenance). strategi perawatan klasik (PM & CM) menjadi tidak cukup atau tidak efektif lagi.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. akhir-akhir ini dikembangkan suatu metoda strategi perawatan yang lebih baik. RBM 1. RCM seringkali sulit tercapai karena keterbatasan waktu. Dengan perkembangan jaman. yaitu RCM (Reliability Centered Maintenance). Untuk mengatasi hal-hal tersebut dikembangkan suatu metoda yang merupakan modifikasi dari RCM.

perawatan berbasis resiko.Tujuan keselamatan dan lingkungan (safety & environment goals) . dan RBM (Risk Based Maintenance) atau streamlined RCM. Resiko (risk). 13 November 2010 2.Tujuan operational (operational goals) Dalam aplikasinya. muncul metoda lain sebagai pemecahannya yang dikenal dengan RBM (Risk Based Maintenance).1 Reliability Centered Maintenance (RCM) RCM (Reliability Centered Maintenance). adalah suatu prosedur untuk menentukan strategi perawatan berdasarkan resiko (risk) masing-masing asset. untuk kondisi yang telah diketahui atau diprediksi. perawatan berbasis kehandalan. medium risk (M). preventive maintenance (PM) dan predictive maintenance (PdM). maka akan diperoleh nilai R yang rendah. adalah suatu prosedur untuk menentukan strategi perawatan berdasarkan teknik-teknik kehandalan/reliabilitas dan menggunakan metoda analisis tertentu seperti FMEA (Failure Mode and Effects Analysis). biasanya dibagi menjadi 3 kelompok atau kategori.2 Risk Based Maintenance (RBM) RBM (Risk Based Maintenance). dimana risk (R) didefinisikan sebagai : R=P×C Dimana : R : Resiko (risk) P : probability of the event (likelihood) C : consequences (severity / impact) …(1) Persamaan (1) memperlihatkan bahwa resiko (risk) sangat tergantung pada peluang suatu kejadian akan terjadi. Strategi perawatan yang akhir-akhir ini banyak digunakan antara lain adalah RCM (Reliability Centered Maintenance) suatu strategi maintenance dengan mempertimbangkan kehandalan/reliabilitas masing-masing asset. RCM agak sulit dilakukan karena diperlukan data sejarah asset (history data) yang cukup untuk analisis kehandalannya. 2. dan pelaksanaanya pun memerlukan waktu dan tenaga yang cukup banyak. Oleh karena itu. artinya seberat apapun konsekuensi suatu jenis kegagalan (failure mode) akan terjadi jika peluang terjadinya sangat kecil. yaitu high risk (H).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. dan planned maintenance. seperti yang digambarkan pada Gambar 1. dan low risk (L). perawatan berbasis resiko. Tujuan dari RCM adalah melakukan program perawatan yang memenuhi : . Strategi Perawatan Asset Secara filosopi. alat yang digunakan untuk menentukan tingkat resiko suatu asset dinyatakan dengan risk matrix. Secara umum. 2.Minimum biaya . atau beberapa menyebutnya sebagai streamlined RCM. perawatan terdiri dari unplanned maintenance / corrective maintenance (CM) untuk kondisi insidental terhadap mode kegagalan yang belum / tidak diprediksikan. Manajemen Risiko di Bidang Perbankan dan Asuransi | 16 .

Risk Matrix Dalam melakukan program RBM. Gambar 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 Gambar 1. risk (resiko) sangat memegang peranan penting dalam menentukan asset mana yang akan diprioritaskan untuk dianalisis dan ditentukan strategi perawatannya. Prosedur pelaksanaan (diagram alur) RBM dapat dilihat pada Gambar 2. Diagram Alur RBM Manajemen Risiko di Bidang Perbankan dan Asuransi | 17 .

Environmental risk matrix c. Business risk matrix d. dan diperoleh hasil : dari 37 system yang ada pada pusat pengolahan gas. System screening. dan 13 system dengan kategori high risk (H). Menentukan maintenance task terhadap masing-masing equipments/items Manajemen Risiko di Bidang Perbankan dan Asuransi | 18 . Penyusunan risk matrix Risk matrix disusun berdasarkan kondisi. dengan langkahlangkah sebagai berikut : 1. Follow cost (capital asset) risk matrix 2. Risk Based Maintenance. 13 November 2010 3. Items Risk Analysis Result 4. terdapat 4 system dengan kategori low risk (L). 20 system dengan kategori medium risk (M). target/strategi perusahaan mengacu pada aturan regulasi dan ketentuan perusahaan yang berlaku. Penyusunan FMEA. dari 37 system (4587 equipments/items) diperoleh hasil seperti pada Gambar 3. pemilihan system yang akan dianalisis mengacu pada risk matrix yang telah disusun. Gambar 3. dan diperoleh 4 buah risk matrix : a.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Aplikasi Manajemen Resiko dalam Strategi Perawatan Asset Aplikasi strategi perawatan asset yang dilakukan terhadap sebuah plant perusahaan migas adalah dengan menggunakan manajemen resiko. 3. Safety risk matrix b.

Inc. 1997 Smith. perawatan berbasis resiko. Kesimpulan RBM (Risk Based Maintenance).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. dan waktu yang dibutuhkan untuk melakukan analisis pun dapat diminimumkan (sebagai perbandingan. dibutuhkan waktu selama 2 tahun untuk menyelesaikannya. John... Reliability-Centered Maintenance. analisis RCM telah dilakukan terhadap plant sejenis. Referensi [1] [2] [3] ID-F-KI-00000-00000-00271 Hiu Kerisi RCM Final Report. McGraw-Hill. Butterworth-Heinemann. sedangkan dengan RBM hanya 4 bulan saja) 6. 13 November 2010 5. Anthony M. Oxford. Dengan mempertimbangkan resiko. merupakan suatu cara menentukan strategi perawatan asset yang efektif. Reliability-centred Maintenance. New York. 2nd edition. 1993 Manajemen Risiko di Bidang Perbankan dan Asuransi | 19 . 2007 Moubray. Jakarta. kita dapat membuat skala prioritas penanganan perawatan. dengan jumlah equipments hampir sama.

Saham merupakan salah satu produk yang banyak diminati. Kata kunci : saham. Pendahuluan Saham (stock) merupakan salah satu instrumen pasar keuangan yang paling popular. saham merupakan instrument investasi yang banyak dipilih karena saham mampu memberikan tingkat keuntungan yang menarik.2) MENENTUKAN NILAI PORTOFOLIO MENGGUNAKAN MODEL BINOMIAL SATU PERIODE Eti Kurniati Program Studi Matematika. obligasi. Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Islam Bandung Jalan Purnawarman N0 63 Bandung 40116 email:eti_kurniati0101@yahoo. Salah satu model yang digunakan untuk menentukan portfolio yang terdiri dari sejumlah obligasi dan sejumlah unit saham adalah model Binomial satu periode. Begitu juga bagi para investor. Manajemen Risiko di Bidang Perbankan dan Asuransi | 20 . Menurut Suad Husnan (2005 : 29) sekuritas merupakan secarik kertas yang menunjukkan hak pemodal (yaitu pihak yang memiliki kertas tersebut) untuk memperoleh bagian dari prospek atau kekayaan organisasi yang menerbitkan sekuritas tersebut. dan berbagai kondisi yang memungkinkan pemodal tersebut menjalankan haknya. model Binomial satu periode. karena membeli saham berarti ikut menjadi pemilik perusahaan.Tujuan dari penulisan ini adalah untuk menentukan nilai portfolio menggunakan model Binomial satu periode yang memiliki arbitrage free. Saham merupakan salah satu sekuritas yang diperjualbelikan di pasar modal.com ABSTRAK Saham dan obligasi merupakan financial security yang sering diperjualbelikan di financial market. Bagi suatu perusahaan menerbitkan saham merupakan salah satu pilihan ketika perusahaan memutuskan untuk menambah pendanaan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Sedangkan membeli obligasi ekivalen dengan mendepositokan uang di bank. 13 November 2010 (A. Dalam kenyataannya membeli kedua financial security tersebut menghadapi suatu risiko.

Saham suatu perusahaan memiliki harga yang berbeda-beda bergantung kepada beberapa hal.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Oleh karena saham merupakan tanda penyertaan kepemilikan suatu perusahaan. Wujud saham adalah selembar kertas yang menerangkan bahwa pemilik kertas tersebut adalah pemilik perusahaan yang menerbitkan surat berharga tersebut. yaitu tingkat suku bunga yang tinggi. Oleh karenanya nilai saham dipasar modal sering bergejolak. tingkat produktivitas nasional. maka orang yang memiliki saham memiliki hak untuk ambil bagian dalam mengelola perusahaan. Faktor mikro adalah faktor-faktor yang berdampak secara langsung pada perusahaan itu sendiri. Faktor kedua adalah faktor mikro. Orang yang memiliki saham akan mendapatkan hak untuk menerima sebagaian pendapatan tetap / deviden dari perusahaan tetapi juga berkewajiban menanggung resiko kerugian yang diderita perusahaan. Secara garis besar faktor-faktor yang menyebabkan gejolak harga saham dibagi menjadi dua. sehingga walaupun keuntungan sekarang tidak begitu besar tetapi prediksi keuntungan kedepan akan jauh menjadi lebih baik akan menyebabkan nilai saham melonjak. Semakin banyak persentase saham yang dimiliki seseorang maka semakin besar hak suara yang dimiliki orang tersebut untuk mengontrol operasional perusahaan Penentuan harga saham di setiap perusahaan tidaklah sama. Saham dapat didefinisikan sebagai tanda penyertaan atau kepemilikan seseorang atau badan dalam suatu perusahaan atau perseroan terbatas. politik dan lain sebagainya. harga dan Manajemen Risiko di Bidang Perbankan dan Asuransi | 21 . Salah satu faktor yang berpengaruh adalah nilai perusahaan. inflasi. Hak tersebut sesuai dengan hak suara yang dimilikinya berdasarkan seberapa besar saham yang dipunyai. Porsi kepemilikan ditentukan oleh seberapa besar penyertaan yang ditanamkan di perusahaan tersebut. 13 November 2010 Menurut Darmadji dan Fakhruddin. Hal ini dapat memiliki dampak penting pada potensi keuntungan perusahaan hingga pada akhirnya juga akan mempengaruhi harga sahamnya. Faktor pertama adalah faktor makro. Selain itu kemungkinan pertumbuhan keuntungan suatu perusahaan merupakan faktor lain yang tak kalah berpengaruh terhadap nilai saham suatu perusahaan. (2001: 5). misalnya perubahan manajemen. Faktor makro adalah faktor-faktor yang mempengaruhi ekonomi secara keseluruhan.

Misalkan akan ditentukan ruang sampel dari percobaan satu mata uang di tos dua kali M M B M B B Gambar 1. Berbicara tentang peluang sering dikaitkan dengan nilai kemungkinan. Oleh karena nilai saham suatu perusahaan seringkali bergejolak. 13 November 2010 ketersediaan bahan mentah. Misalnya ada dua kemungkinan yang akan terjadi dalam percobaan jika satu mata uang ditos satu kali yaitu muncul muka atau muncul belakang. Dua kemungkinan tersebut disebut ruang sampel. Sedangkan obligasi nilainya lebih stabil karena memiliki jangka waktu tertentu. Ruang Sampel. diperlukan suatu cara memprediksi nilai saham dan segala kemungkinannya diwaktu mendatang. Diagram Pohon Tos Mata Uang Dua Kali Manajemen Risiko di Bidang Perbankan dan Asuransi | 22 . produktivitas pekerja dan lain sebagainya yang akan dapat mempengaruhi kinerja keuntungan perusahaan tersebut secara individual. Definisi 1. Tujuan dari penulisan ini adalah untuk mengaplikasikan model Binomioal satu periode untuk menentukan nilai portfolio yang terdiri dari sejumlah saham dan obligasi yang memiliki free arbitrage. Seperti contoh diatas.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Ruang sampel adalah himpunan semua kemungkinan hasil suatu percobaan. dan dilambangkan dengan . Probabilitas Kata probabilitas sering diartikan sebagai peluang. 2. ruang sampel dari percobaan tos satu mata uang satu kali adalah Salah satu cara untuk menentukan ruang sampel dapat digunakan diagram pohon.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran. memiliki nilai . misalkan dua kali. kejadian adalah kejadian muncul paling sedikit satu muka dari terjadi dalam 3 cara yaitu percobaan tos mata uang dua kali. Peluang. Munculnya dua muka dari tos mata uang dua Definisi 2. Oleh karena itu peluang terjadinya kejadian = . Sebagai contoh. adalah muncul paling sedikit satu muka dari percobaan tos mata uang . Kejadian adalah kumpulan beberapa atau semua titik dari suatu ruang sampel . Kejadian. 3. Ruang sampel dapat digunakan untuk menentukan Definisi 3. . sehingga memungkinkan nilainya berfluktuasi. maka peluang terjadinya kejadian dinotasikan dengan . Penentuan Nilai Saham finance security yang sangat dipengaruhi banyak Saham (Stock) merupakan salah satu hal. Jika suatu kejadian terjadi dalam dari cara kemungkinan. Seperti contoh diatas. atau mungkin semua titik sampel . yang disebut kejadian kosong. dimana kemungkinan tersebut mempunyai kesempatan yang sama untuk terjadi. 13 November 2010 Dari diagram pohon pada gambar tersebut dapat ditentukan ruang sampel percobaan tos mata uang dua kali yaitu : kali disebut kejadian. atau mungkin tidak mengandung suau titik sampel. Suatu kejadian mungkin terdiri dari beberapa titik sampel. maka peluang terjadinya suatu kejadian. Kejadian dari cara yaitu yang masing-masing memiliki yaitu kesempatan yang sama untuk terjadi. Salah satu model yang digunakan untuk Manajemen Risiko di Bidang Perbankan dan Asuransi | 23 .

nilai saham . nilai saham akan berubah dari suatu nilai ke satu nilai lain dari dua kemungkinan nilai yang ada.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Menurut model ini. Terdapat dua nilai dan dimana Demikian sehingga untuk periode berikutnya nilai saham yaitu dan akan berkisar antara . sedangkan perubahan . . Manajemen Risiko di Bidang Perbankan dan Asuransi | 24 . Misalkan nilai awal suatu saham adalah . Misalkan nilai saham awal Berikut. 13 November 2010 menentukan nilai saham adalah Binomial Pricing Model. ruang sampel yang diperoleh adalah dan . Apabila satu mata uang ditos dua kali. . Hal ini sesuai dengan kemungkinan muncul muka dan belakang dari satu kali tos mata uang. menunjukkan peningkatan nilai . Pohon Binomial Nilai Saham Periode Pertama Khususnya nilai perubahan nilai dari dari ke dan ke diambil memenuhi menunjukkan penurunan nilai . ruang sampael yang diperoleh adalah . Seperti pada periode pertama. Nilai saham periode kedua dapat dilihat dari Gambar 3. Pada umumnya nilai Untuk periode kedua. Apabila satu mata uang ditos satu kali. Jelas terdapat dua kemungkinan nilai saham pada periode ke satu. nilai saham untuk periode kedua dapat dilihat dari pohon binomial. akan mempunyai empat kemungkinan sesuai dengan kemungkinan apabila satu mata uang di tos dua kali. Hal ini mengakibatkan . Gambar 2.

Model binomial Satu Periode Model Binomial adalah model diskret yang sering digunakan di pasar financial. Model obligasi dinotasikan dengan harga obligasi tersebut pada waktu Oleh karena model yang akan di gunakan adalah model dan . Suatu di Bank dengan tingkat bunga perusahaan apabila akan meningkatkan modalnya seringkali dilakukan dengan mengeluarkan saham. Pohon Binomial Nilai Saham Periode kedua Dengan cara yang sama dapat ditentukan nilai saham pada periode tertentu.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. dimana adalah variabel random Diasumsikan bahwa Manajemen Risiko di Bidang Perbankan dan Asuransi | 25 . dimana binomial satu periode. Misalkan asset yang digunakan adalah saham (stock) dan obligasi (bond). Membeli obligasi ekivalen dengan mendepositokan uang . karena menggunakan model satu periode maka akan terdapat dua nilai saham yaitu dengan distribusi dan . Seperti obligasi. Asset yang lain dari model adalah saham (stock). Salah satu model Binomial yang sederhana adalah model satu periode dengan dua asset. 13 November 2010 Gambar 3. Model satu periode menggunakan titik-titik waktu dan . 4. dan . Obligasi adalah suatu sertifikat utang yang dikeluarkan yang menyatakan oleh pemerintah atau perusahaan . maka terdapat dua harga obligasi yaitu dan Konstanta adalah tingkat bunga.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 Misalkan terdapat suatu portfolio Nilai dari portfolio adalah : yang terdiri dari obligasi dan unit saham. Proposisi 1. Suatu probabilitas disebut martingale jika kondisi berikut dipenuhi : Manajemen Risiko di Bidang Perbankan dan Asuransi | 26 . yaitu : dimana dan Misalkan maka adalah probabilitas baru sehingga dan . Suatu model dikatakan arbitrage free jika tidak terdapat arbitrage portfolio. Suatu arbitrage portfolio mempunyai sifat-sifat : dan dengan probabilitas 1. Model Binomial satu periode adalah arbitrage free jika dan hanya jika Asumsikan bahwa Ini berarti bahwa merupakan kombinasi convex dari dan .

Oleh karena itu nilai portfolio yang terdiri dari sejumlah saham dan obligasi memungkinkan sangat berfluktuasi. Proposisi 3. Proposisi 2. Model binomial satu periode adalah model yang dapat digunakan untuk menentukan nilai portfolio yang terdiri dari sejumlah saham dan obligasi pada satu periode yang memiliki free arbitrage. Manajemen Risiko di Bidang Perbankan dan Asuransi | 27 . 13 November 2010 Para ekonom menyebutnya sebagai neutral valuation formula. Model Binomial satu periode adalah arbitrage free jika dan hanya jika terdapat suatu martingale . Untuk menentukan nilai portfolio yang terbebas dari resiko tersebut dibutuhkan suatu model. saham dan obligasi masing-masing memberikan resiko bagi pemiliknya.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Misalkan Untuk model binomial satu periode probabilitas martingale diberikan oleh : dan KESIMPULAN Sebagai financial sequrity.

Joshi. Chalasani. 4.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Steven Shreve. Financial Mathematics. 2. The Concepts of Mathematical Finance Husnan. 3. Elton and Gruber. 13 November 2010 DAFTAR PUSTAKA 1. Modern Portfolio: Theory and Investment Analysis. (1995). Suad. Yogyakarta: UPP AMP YKPN.S. Prasad & Jha. M. Teori Portofolio dan Analisis Investasi. Van der Weide. Steven Shreve : Stochastic Calculus and Finance. New York: Wiley Manajemen Risiko di Bidang Perbankan dan Asuransi | 28 .Somesh (1996). Hans (2007). 5. (2000).

hampir semua investasi mengandung unsur ketidakpastian atau risiko. Dalam perdagangan finansial. dirumuskan berdasarkan pendekatan multifaktor. Kuhn Tucker. ABSTRACT In this paper is formulated multifactor approach for the optimization of investment portfolio under Value at Risk (VaR). Kata Kunci: GARCH. investor tidak tahu dengan pasti hasil yang diperolehnya dari investasi yang lakukan. The results of the formulation are used to analyze some stocks traded at capital markets in Indonesia. Assumed again that the return of market index in risk premium has non constant volatility where the risk premium is formulated as: market index minus risk free rate. The non constant volatility is modeled using GARCH models. 1. F. selanjutnya persoalan optimisasi dirumuskan. setiap investor selalu ingin mendapatkan keuntungan. Hasil penurunan rumus digunakan untuk menganalisis beberapa saham yang diperdagangkan dalam pasar modal Indonesia. 13 November 2010 (A. VaR. Multifactor. Kuhn Tucker. Volatilitas tak konstan dimodelkan menggunakan model-model GARCH. is formulated based on the multifactor approach. Namun. Diasumsikan pula bahwa tingkat pengembalian indeks pasar dalam premi risiko memiliki volatilitas tak konstan dimana premi risiko diformulasikan sebagai indeks pasar dikurangi dengan nilai aset bebas risiko.3) PENDEKATAN MULTIFAKTOR UNTUK OPTIMISASI PORTOFOLIO INVESTASI DI BAWAH VALUE-AT-RISK Betty Subartini. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK Dalam paper ini dirumuskan pendekatan multifaktor untuk optimisasi portofolio investasi di bawah Value at Risk (disingkat VaR). Optimisasi portofolio dibentuk menggunakan Lagrangean Multiplier. furthermore the portfolio optimization problem is formulated. PENDAHULUAN Dalam dunia bisnis. Diasumsikan faktor-faktor yang mempengaruhi perubahan saham adalah indeks ekonomi dan indeks industri. Risiko dapat diartikan kemungkinan terjadinya hasil yang diinginkan atau berlawanan dengan yang diinginkan. VaR as a measure of the level of investment risk. Portfolio optimization is formed using the Lagrangean multiplier. VaR. Lily Dwi Noviyanti. Multifaktor. Sukono Jurusan Matematika FMIPA Universitas Padjadjaran Jl. dan penyelesaiannya dilakukan berdasarkan teorema Kuhn-Tucker.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. and completion is based on the Kuhn-Tucker theorem. Menggunakan mean dan VaR. Hal lain yang dihadapi investor adalah jika ia mengharapkan Manajemen Risiko di Bidang Perbankan dan Asuransi | 29 . Key Words: GARCH. Using mean and VaR. Assumed that factors affecting changes in stock is the economic index and industrial index. VaR sebagai ukuran tingkat risiko investasi.

2. untuk menghindari adanya kerugian. Oleh karena itu. maka ia harus bersedia menanggung risiko yang tinggi pula. 2000:204). model GARCH ( bulat) didefinisikan sebagai berikut: )( dan adalah bilangan (2) Manajemen Risiko di Bidang Perbankan dan Asuransi | 30 . Nilai VaR selalu disertai dengan probabilitas yang menunjukkan seberapa mungkin kerugian yang terjadi akan lebih kecil dari nilai VaR tersebut. PERUMUSAN MASALAH 2. Beberapa pendekatan dapat digunakan untuk menghitung besarnya nilai VaR tersebut.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.2 Model GARCH Untuk deret log return . Salah satu kelebihan dari VaR adalah bahwa metode pengukuran ini dapat diaplikasikan ke seluruh produk-produk finansial yang diperdagangkan. Return saham dihitung secara harian menggunakan model geometrik yang memberikan continously compound return dan dihitung sebagai berikut : (1) 2.1 Return Saham “Return adalah keuntungan investasi atau pendapatan yang diterima dari selisih lebih investasi yang dilakukan sedangkan keuntungan yang diharapkan merupakan rata-rata tertimbang dari pendapatan historis yang tercermin dari rata-rata profitabilitas tingkat keuntungan”(Husnan. dalam paper ini akan dicoba optimisasi portofolio investasi di bawah Value-at-Risk dengan pendekatan multifaktor yang bertujuan untuk mengetahui komposisi portofolio optimal dengan menggunakan pendekatan tersebut. Hampir semua investor pasti tidak menginginkan adanya kerugian pada waktu melakukan investasi. sebaiknya investor melakukan perhitungan risiko dengan teliti dan analisis yang cermat untuk memperoleh hasil yang diharapkan. 13 November 2010 keuntungan yang tinggi. Untuk mengontrol sistem risiko tersebut dapat menggunakan Value at Risk ( disingkat VaR). Meskipun berbagai metode dapat menghitung besarnya kerugian yang dicapai oleh investor.

menyatakan return indeks . yaitu (9) di mana indeks. Variansi. dengan untuk dan untuk (Tsay. maka model multifaktor dapat ditulis: (3) di mana adalah residual error dari unique return sekuritas ke. dan Kovariansi Saham Individual dengan Menggunakan Model Multifaktor Misalkan . .3 Model Multifaktor Jika menyatakan return sekuritas ke.4 Model Mean. menunjukkan forecasting 1 langkah ke depan dari model kovariansi return Manajemen Risiko di Bidang Perbankan dan Asuransi | 31 . Model variansi dan standar deviasi saham individual dengan model multifaktor dalam time series dapat ditulis (5) (6) Dalam model time series. 2. dapat dituliskan kembali persamaan kovariansi antar saham berdasarkan model multifaktor.. 2. Juga diasumsikan bahwa tidak berkorelasi dengan untuk . 13 November 2010 di mana adalah urutan dari independent and identically distributed ( ) variabel acak dengan mean 0 dan variansi 1. 2005:114). menyatakan derajat kepekaan tingkat return sekuritas terhadap perubahan return indeks dan menyatakan rata-rata return aktiva bebas risiko.pada waktu .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. menyatakan unique return sekuritas . maka expected return saham individual dengan model multifaktor dalam time series dapat ditulis: (4) di mana menunjukkan forecasting 1 langkah ke depan dari model return indeks.

2..Prosiding Seminar Nasional Statistika Universitas Padjadjaran.. Untuk mendapatkan suatu portofolio yang efisien. Sehingga. Seperti yang telah dijelaskan pada pembahasan w1 . Model rata-rata portofolio dapat ditulis kembali sebagai berikut P E ( RP ) μT w (11) dan model variansi portofolio sebagai berikut 2 P Var ( RP ) wT w (12) Sehingga Value at Risk portofolio investasi adalah VaRP z P P z (wT w)1/ 2 μT w (13) Suatu portofolio w * disebut efisien jika tidak ada portofolio w dengan dan . n dengan ... w2 ..5 Model Optimasi Portofolio Asumsikan vektor nilai-nilai ekspektasi adalah μ T dan matriks kovariansi adalah sebelumnya bahwa bobot return saham pada suatu portofolio w T atau eT w 1 dengan eT 1 .. adalah standar deviasi dari return saham dan adalah persentil dari distribusi normal standar untuk tingkat konfidensi . Yaitu maksimumkan di mana adalah toleransi risiko investor. 13 November 2010 Estimasi VaR untuk saham individual dengan koefisien kepercayaan adalah: (10) 100% di mana adalah besar investasi awal. adalah mean return saham . dengan .1 vektor elemen satu-satu... digunakan fungsi obyektif yang sangat sederhana. untuk investor dengan toleransi risiko harus menyelesaikan persoalan optimasi: Maksimumkan 2 μT w z (w T Σw)1/ 2 μT w (14) dengan batasan eTw 1 Manajemen Risiko di Bidang Perbankan dan Asuransi | 32 . di mana 1. wn .. Tanda minus pada persamaan diatas menunjukkan bahwa VaR merupakan estimasi dari kerugian (losses)..1. 2 ...

Bank BNI. Berdasarkan atas perhitungan aljabar dan mengambil nilai-nilai: A eT Σ-1e . B (2 1)(μ T Σ -1e) eT Σ -1μ) . Tbk. dan C μT Σ-1μ z 2 . diperoleh portofolio optimum dengan vektor bobot perhitungan aljabar dan mengambil nilai-nilai: A eT Σ-1e . Estimasi model GARCH yang diperoleh Manajemen Risiko di Bidang Perbankan dan Asuransi | 33 . kurs USD. ) (2 1)μT w z (wT w)1/ 2 (eT w 1) . dan vektor bobotnya adalah w Min Σ -1μ eT Σ -1μ Σ -1e . dan PT Indofood. Sedangkan. Untuk . Berdasarkan Untuk . diperoleh nilai 2−4 12/2 . 3. B μ T Σ -1e eT Σ -1μ . 13 November 2010 Fungsi Lagrange diberikan oleh L(w. kurs Euro. syarat optimalitas adalah L w L (2 1)μ z Σw (w T Σw)1/ 2 e 0 eT w 1 0 . dan kurs Yen.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. diperoleh nilai . maka diperoleh return portofolio minimum dan Value at Risk minimum. eT Σ -1e (15) . Sedangkan untuk data indeks yaitu IHSG. jika vektor w * disubstitusikan ke dalam persamaan (16). ANALISIS DAN PEMBAHASAN Data observasi yang digunakan dalam paper ini merupakan harga penutupan saham selama 1183 hari periode 3 Januari 2005 dan 29 Desember 2009. maka akan diperoleh return portofolio yang optimum. Menggunakan teorema Kuhn-Tucker. diperoleh suatu portofolio minimum dengan vektor bobot wMin . Bank BRI. dan vektor bobotnya adalah w* (2 (2 1) Σ -1μ 1)eT Σ -1μ Σ -1e eT Σ -1e (16) Jika vektor wMin disubstitusikan ke dalam persamaan (13) dan (15). dan C (2 1)2 (μT Σ-1μ) z 2 . Untuk data saham yaitu Bank Mandiri.

1) sebagai berikut: Untuk return kurs Euro didapatkan parameter model ARMA(1.1) sebagai berikut: Untuk return kurs Yen didapatkan parameter model ARMA(1.9 55. kurs Euro. Bank BNI( ).1: Persamaan Model Regresi Setiap Saham Saham Model Regresi Bank Mandiri 369. Bank BRI ( ).1)-GARCH(1.2)-GARCH(3.000 191.30% 0.1) sebagai berikut: Untuk return kurs USD didapatkan parameter model AR(1)-GARCH(2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. kurs USD.1 berikut ini. dan PT Indofood ( ) akan diperoleh persamaan regresi linear berganda dengan pendekatan multifaktor masing-masing return saham sebagai variabel terikat dengan return indeks IHSG. dan kurs Yen sebagai variabel-variabel bebas yang dapat ditulis sebagai dan disajikan pada Tabel 3.000 BRI BNI 309.9 39. 13 November 2010 dengan pendekatan time series yaitu untuk return IHSG didapatkan parameter model AR(1)GARCH(1.000 0.48% Manajemen Risiko di Bidang Perbankan dan Asuransi | 34 . Tabel 3.9 51.5) sebagai berikut: Dari data return saham Bank Mandiri ( ).69% 0.

000 Melalui uji signifikansi linear didapatkan nilai mean dan variansi return saham individual yang diberikan dalam Tabel 2 berikut ini.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Tabel 3.005166 dan tingkat Value at Risk minimum portofolio sebesar 0.000764 0.005125 0. 13 November 2010 PT Indofood 243.000747 0.006383 0.2: Mean dan Variansi Return Saham Individual Statistik Mean Variansi Standar Deviasi Bank Mandiri 0.027331 Bank BNI 0.3: Value at Risk Saham Individual Saham Bank Mandiri Bank BRI Bank BNI PT Indofood Value at Risk Diperoleh hasil bahwa portofolio-portofolio efisien terletak di sepanjang garis dengan toleransi risiko sebesar .027640 Misalkan menginvestasikan dana sebesar Rp. di mana dihasilkan expected return portofolio tertinggi sebesar 0. seperti yang dapat dilihat pada Gambar 3. maka diperoleh VaR masing-masing saham yaitu: Tabel 3.7 45.00 pada masing-masing saham dengan koefisien kepercayaan sebesar 95%.000707 0.029782 PT Indofood 0.1.3% 0.002713 0.000136 0.000887 0.030136.026589 Saham Bank BRI 0.1 berikut ini: Manajemen Risiko di Bidang Perbankan dan Asuransi | 35 .

T.6086 0.005166 dengan VaR optimal sebesar 0.58 0.022772 0. V.159618 0.46 0. 1958. Tabel 3.005119 0.48 0. Bandung : Transito Tufte.307698 0. Suad.161817 0. R.03071.446327 0.047797 0.230204 0.030402 0.004928 0.030583 0.030442 0.166996 0. 1983.44 0.4: Komposisi Portofolio Optimal Bobot 0.004851 0.228019 0.004866 0.164424 0.040356 0.297164 0. Sudjana. Fourth Edition.042843 0. Ruey S. A. E.305919 0.004913 0.050265 0.017687 0.030429 0. 2005.168208 4.56 0.004991 0.45 0.294581 0.037864 0.432654 0.030517 0. Dari perhitungan rasio mean return dan Value at Risk portofolio diperoleh portofolio optimal yang memberikan mean return optimal sebesar 0.161379 0.42 0. Manajemen Risiko di Bidang Perbankan dan Asuransi | 36 .166143 0.224826 0.4 berikut ini. Yogyakarta : Unit Penerbit dan Percetakan STIM YKPN.030655 0.165286 0.225472 0.229272 0. 13 November 2010 Gambar 3.027829 0.296301 0.442395 0.42495 0.454257 0. The Visual Display of Quantitative Information.030389 0. New Jersey : John Wiley & Sons.228647 0.312066 0.045323 0.004882 0.5 0. Introduction to Mathematical Statistics. Husnan.030486 0.226114 0. 2005.304149 0. 2000.302389 0.464015 0.229584 0.52 0.28E-05 0.295439 0.030549 0.300638 0.030618 0. pemilihan portofolio optimal dapat ditentukan berdasarkan komposisi portofolio efisien yang menghasilkan mean return dan Value at Risk portofolio dengan rasio terbesar.00496 0.005023 0.41 0. Metode Statistika.16269 0. KESIMPULAN Pada paper ini. Inc. Tsay.298029 0.03071 0. New Jersey : Prentice Hall.005055 0.450281 0.426869 0.030457 0.228959 0.227387 0. dan Craig. Analysis of Financial Time Series.160501 0.160941 0. DAFTAR PUSTAKA Hogg.428793 0.298897 0. Dasar-Dasar Teori Portofolio dan Analisis Sekuritas Edisi Kedua.005087 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.229894 0.438483 0.434592 0.43 0.012573 0.005166 0.430721 0. R. Cheshire : Graphic Press.54 0.004897 0.226752 0.007431 2.309488 0.16006 0.223896 0.1: Efficient Frontier Portofolio Adapun komposisi portofolio efisien memuat rasio expected return dan VaR diberikan dalam Tabel 3.032859 0.163559 0.458256 0.030415 0.

com. Bandung Email: suhartini. Penelitian ini mengembangkan proteksi jiwa untuk dua individu yang bersama-sama namanya dicantumkan sebagai tertanggung pada polis asuransi sehingga ahli waris akan menerima 100% Uang Pertanggungan apabila salah satu dari tertanggung meninggal selama masa asuransi dan jaminan 100% Uang Pertanggungan jika kedua tertanggung masih hidup sampai akhir masa asuransi. besarnya cadangan asuransi dihitung berdasarkan rumusan cadangan disesuaikan melalui Metode Illinois. Selanjutnya produk ini dinamakan Asuransi Dwiguna Berpasangan. 13 November 2010 (A. a_zanbar_s@yahoo.stat06@gmail. Manajemen Risiko di Bidang Perbankan dan Asuransi | 37 . juga memperhitungkan besarnya biaya komisi agen yang dibebankan pada pemegang polis selama m tahun pertama pembayaran premi. Lienda Noviyanti.com. Liendanyt@yahoo. Dengan demikian.com ABSTRAK Produk Asuransi Dwiguna memberikan dua manfaat bagi pemegang polis yakni proteksi jiwa selama jangka waktu asuransi dan pengembalian dana asuransi apabila pemegang polis hidup setelah masa asuransi berakhir.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Achmad Zanbar Soleh Jurusan Statistika.4) PENENTUAN CADANGAN DISESUAIKAN MELALUI METODE ILLINOIS PADA PRODUK ASURANSI DWIGUNA BERPASANGAN Suhartini. Manfaat produk Asuransi Dwiguna hanya diberikan pada satu individu saja yang namanya tercantum sebagai pemegang polis asuransi. Metode Illinois. Universitas Padjadjaran. Kata Kunci: Asuransi Dwiguna berpasangan. Perhitungan besaran-besaran aktuaria dalam penelitian ini selain melibatkan dua individu sebagai tertanggung. Cadangan disesuaikan.

Perusahaan asuransi akan menerima sejumlah pembayaran secara berkala yang besarannya ditetapkan berdasarkan premi bersih dan biaya yang harus dibebankan pada pemegang polis. Sedangkan biaya merupakan dana yang telah dikeluarkan perusahaan selama promosi produk Asuransi Dwiguna seperti komisi yang diberikan kepada agen marketing yang mendapatkan pemegang polis. dan biaya administrasi pembuatan dan pengiriman polis asuransi. Biaya yang dilibatkan dalam penelitian ini dikeluarkan untuk membayar komisi kepada agen asuransi selama tiga tahun pertama pembayaran premi. Sedangkan biaya pada tahun selanjutnya lebih kecil dari pada biaya tahun pertama. Bentuk tanggung jawab perusahaan asuransi atas premi yang telah diterima adalah menyiapkan cadangan asuransi yang sewaktu-waktu harus dikeluarkan untuk membayar manfaat asuransi ketika terjadi klaim dari pemegang polis. 13 November 2010 I. Selanjutnya produk tersebut akan dinamakan produk Asuransi Dwiguna Berpasangan dengan Uang Pertanggungan diberikan saat salah satu dari kedua tertanggung meninggal dunia dalam masa asuransi dan apabila keduanya masih hidup sampai akhir masa asuransi. Dengan demikian. Selain itu. Produk Dwiguna yang ditawarkan selama ini bersifat individu artinya perusahaan asuransi hanya memberikan proteksi kepada satu orang saja. perhitungan cadangan asuransi untuk produk Dwiguna harus Manajemen Risiko di Bidang Perbankan dan Asuransi | 38 . PENDAHULUAN Dwiguna adalah salah satu produk asuransi berjangka n tahun yang memberikan dua manfaat yakni (1) proteksi kematian selama masa asuransi dan (2) uang pertanggungan apabila tertanggung hidup setelah masa asuransi berakhir. Penelitian ini mengembangkan produk Asuransi Dwiguna dengan menambahkan satu orang lagi tertanggung pada polis asuransinya. Produk ini memberikan benefit berupa jaminan 100% Uang Pertanggungan jika tertanggung hidup sampai akhir masa asuransi. Pada awal tahun polis biasanya diperlukan biaya yang besar. Pada dasarnya cadangan asuransi dihitung berdasarkan asumsi premi bersih tahunan (tidak melibatkan biaya yang dikeluarkan tiap tahunnya oleh perusahaan). Premi bersih digunakan untuk perhitungan benefit yang harus diberikan kepada tertanggung jika terjadi klaim dari pemegang polis atau ahli warisnya. Selama kontrak asuransi telah ditandatangani pemegang polis. biaya pemasaran produk. maka mereka akan menerima uang pertanggungan. ahli waris akan menerima 100% Uang Pertanggungan apabila tertanggung meninggal dalam masa asuransi.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

13 November 2010 memperhitungkan biaya dalam penetapan besaran premi tahunan yang harus dibayarkan pemegang polis. Sehubungan dengan pernyataan di atas.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Besarnya nilai cadangan asuransi disesuaikan dalam penelitian ini akan dihitung melalui pendekatan metode Illinois. BESARAN-BESARAN AKTUARIA 2.y k bk v i 1 Z Manajemen Risiko di Bidang Perbankan dan Asuransi | 39 .1. penelitian ini menawarkan inovasi pada produk asuransi dwiguna dengan proteksi kepada dua orang tertanggung dan merumuskan besarnya cadangan asuransi disesuaikan melalui metode Illinois. II. Rumusan ini dinamakan cadangan asuransi disesuaikan (modified reserve). Simbol-simbol Aktuaria NOTASI X Y x KETERANGAN Variabel acak yang menyatakan usia individu pertama Variabel acak yang menyatakan usia individu kedua Laju kematian (force of mortality) dari seseorang yang berumur x tahun Peluang orang yang berumur x tahun akan hidup sampai k tahun dan meninggal 1 tahun berikutnya Peluang orang yang berusia x tahun dan y tahun masih akan hidup kedua-duanya dalam t tahun kemudian Peluang seseorang yang lebih dulu meninggal dari sepasang tertanggung yang berumur x tahun dan y tahun dalam t tahun kemudian Peluang seseorang yang lebih dulu meninggal dari sepasang tertanggung yang berusia x+k tahun dan y+k tahun dalam 1 tahun kemudian Besarnya benefit yang dibayarkan perusahaan asuransi pada akhir tahun terjadi risiko Nilai tunai (Present value) rate of interest (tingkat bunga efektif yang berlaku) Variabel acak yang menyatakan fungsi present value benefit t k 1 qx t p xy t q xy qx k. Metode ini membatasi frekuansi biaya yang dibebankan pada pembayaran premi tahunan paling lama 20 tahun.

13 November 2010 A1 xy .n Premi tunggal bersih asuransi jiwa berjangka n tahun bentuk diskrit untuk sepasang tertanggung yang berumur x tahun dan y tahun Premi tunggal bersih asuransi jiwa n-year pure endowment untuk sepasang tertanggung yang berusia x tahun dan y tahun Premi tunggal bersih asuransi jiwa dwiguna bentuk diskrit untuk sepasang tertanggung yang berusia x tahun dan y tahun Premi tunggal bersih asuransi jiwa dwiguna bentuk kontinu untuk sepasang tertanggung yang berusia x tahun dan y tahun laju perubahan suku bunga terhadap satuan waktu terkecil (force of interest) A 1 xy :n Axy:n Axy:n axy:n Anuitas hidup berjangka n tahun untuk sepasang tertanggung yang berusia x tahun dan y tahun Besarnya benefit yang dibayarkan perusahaan asuransi pada saat terjadi risiko (t) Premi bersih tahunan asuransi jiwa berpasangan dwiguna bentuk diskrit yang dibayarkan setiap awal periode untuk seseorang yang berusia x tahun dan berusia y tahun Waktu saat perhitungan cadangan Cadangan premi tahunan asuransi jiwa dwiguna kontinu dengan premi dibayarkan tiap awal tahun untuk setiap satuan waktu h Periode pembayaran premi dengan biaya Premi bersih untuk tahun pertama pada metode illinois Premi bersih untuk tahun kedua dan seterusnya sampai ke-m pada metode Illinois Cadangan illinois asuransi jiwa Dwiguna berpasangan kontinu dengan premi dibayarkan tiap awal tahun setiap satuan waktu h Fungsi present value total biaya komisi agen Presentasi komisi agen untuk tahun pertama Presentasi komisi agen untuk tahun kedua Presentasi komisi agen untuk tahun ketiga bt P ( Axy:n ) H h V Axy:n M I I h V il ( Axy:n ) * 1 2 3 Manajemen Risiko di Bidang Perbankan dan Asuransi | 40 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

... 13 November 2010 2... karena K merupakan variabel acak....1.. q . maka premi tunggal bersihnya adalah: n 1 A1 xy:n E Z1 (100% UP) k 0 v k 1...y k b. n 1 n.. untuk k 0. untuk k 0. 2.. 2.. n 1 n. n 1..... untuk k . n 1 n. fungsi present value benefitnya adalah : Z1 100%UPv k 0 1 . n 1 n.1..(2. 2. sehingga premi tunggal bersihnya adalah: A 1 E Z2 (100% UP) v n .. untuk k .1. 2... n 1.(2. Jika Kedua Tertanggung Masih Tetap Hidup Hingga Akhir Masa Asuransi Jika kedua tertanggung masih tetap hidup hingga berakhirnya masa asuransi maka benefit akan dibayarkan sebesar 100% Uang Pertanggungan sekaligus pada akhir tahun ke-n atau dapat dinyatakan sebagai berikut: bn 0 100%UP .. k pxy . n 1. fungsi present value benefitnya adalah: Z2 0 100%UPv n ..2) xy:n Manajemen Risiko di Bidang Perbankan dan Asuransi | 41 . untuk k 0... untuk k .Prosiding Seminar Nasional Statistika Universitas Padjadjaran..2 Asuransi Dwiguna Berpasangan Besarnya premi tunggal bersih yang harus dibayarkan oleh individu pertama yang berusia x tahun dan individu kedua yang berusia y tahun pada saat pertama kali ikut asuransi kepada perusahaan asuransi adalah: a. untuk k . n 1..n pxy ..1) x k.1.... untuk k 0. Jika Salah Satu dari Tertanggung Meninggal Dunia Jika salah satu tertanggung meninggal dunia maka benefit akan dibayarkan sebesar 100% Uang Pertanggungan (UP) sekaligus pada akhir tahun tertanggung meninggal dunia atau dapat dinyatakan sebagai berikut: bk 1 100%UP 0 .

(2.y k v n .1) dan (2. benefit diberikan tepat pada saat salah satu dari tertanggung meninggal dunia. (2. k pxy.. terdapat beberapa nilai premi bersih yakni bersih untuk tahun pertama)..3) Pada produk Dwiguna berpasangan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Dengan menggunakan asumsi UDD (Uniform Distribution of Death) hubungan asuransi jiwa dwiguna berpasangan bentuk diskrit dengan asuransi jiwa dwiguna berpasangan bentuk kontinu adalah sbb: A xy :n i A xy :n .5) 2. n pxy ..3. I I (premi (premi bersih untuk k . dan P( Axy:n ) (prmi bersih untuk setelah k tahun). yaitu nilai premi tahunan yang dibayarkan oleh tertanggung lebih besar dari nilai premi tahunan asuransi seumur hidup dengan jangka pembayaran premi 20 tahun pada usia yang sama. Perhitungan Cadangan Illinois Pada Produk Dwiguna Berpasangan Penentuan cadangan disesuaikan melalui metode Illinois terdapat persyaratan yang harus terpenuhi. (2.4) Premi tahunan Dwiguna Berpasangan dihitung dengan menggunakan rumus: P Axy:n Axy:n axy:n . Pada penentuan cadangan dengan mentode ini terdapat batasan frekuensi biaya yang digunakan dalam perhitungan cadangan yakni maksimal biaya 20 tahun. perlu mengubah asuransi Dwiguna berpasangan bentuk diskrit menjadi asuransi jiwa Dwiguna berpasangan bentuk kontinu. Dalam metode Illinois.2) sebagai berikut : n 1 Axy:n (100%UP) k 0 v k 1..1 tahun berikutnya). qx k.6) Manajemen Risiko di Bidang Perbankan dan Asuransi | 42 ... 13 November 2010 Maka besarnya premi tunggal bersih secara keseluruhan untuk produk asuransi Dwiguna berpasangan merupakan penjumlahan antara Persamaan (2. (2.. Oleh karena itu. Perumuman dari pernyataan di atas dapat diilustrasikan sebagai berikut : I I axy:k 1 P( Axy:n )axy:k ..

7) 1 dan I dapat dinyatakan pada Persamaan di bawah ini : P ( Axy:n )axy:k I axy:k 1 1 … (2.6) dapat dituliskan kembali sebagai berikut : I I min(3.10) dengan 1 2 3 merupakan presentase komisi yang harus dibayarkan oleh perusahaan kepada agen yang berhasil menjual produk asuransi pada tahun pertama sampai tahun ke tiga dan besarnya diperoleh berdasarkan tabel komisi. 20) serta m adalah periode pembayaran premi dengan biaya. Besarnya total biaya yang dikeluarkan perusahaan untuk membayar komisi agen. adalah sebagai berikut: * P( Axy:n ) .7) dapat dinyatakan kembali sebagai berikut : P( Axy:n )axy:3 I * axy:2 axy:2 1 … (2. perhitungan cadangan yang disesuaikan dengan menggunakan metode Illinois didefinisikan sebagai berikut : h V il ( Axy:n ) h V ( Axy:n ) ( I P( Axy:n ))ax h . Pada penelitian ini besar k yakni k=3.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.8) Berdasarkan perumusan premi di atas.. y h:k h … (2. (2. 20) axy:2 P( Axy:n )axy:3 .11) Dengan kata lain I pada Persamaan (2.9) dengan k min(m. 13 November 2010 Atau dengan kata lain I dapat dinyatakan pada Persamaan di bawah ini : P( Axy:n )axy:k I axy:k 1 1 axy:k … (2.12) Manajemen Risiko di Bidang Perbankan dan Asuransi | 43 . dan 1 v 2 1 pxy 3 v 2 pxy … (2. sehingga Persamaan (2.. .

98.12) dan perhitungan cadangan setelah tahun ke-3 akan menggunakan perumusan cadangan premi bersih tahunan sbb: h V Axy:n Ax h .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. x = 30 tahun dan usia individu kedua. y h:n h P Axy:n ax h . (3) masa asuransi adalah 10 tahun. perhitungan cadangan yang disesuaikan dengan menggunakan metode Illinois didefinisikan sebagai berikut : h V il ( Axy:n ) h V ( Axy:n ) ( I P( Axy:n ))ax h .000.11) Berdasarkan perumusan valuasi premi di atas. 529. 13 November 2010 dan I pada Persamaan (2.8) dapat dinyatakan kembali sebagai berikut : P( Axy:n )axy:3 I * axy:2 1 … (2.13) III. 3. Beberapa asumsi yang digunakan dalam simulasi adalah (1) peluang meninggal didasarkan pada Tabel Mortalita CSO 1980. y h:3 h … (2. y h:n h … (2. Jika salah seorang tertanggung meninggal dalam masa asuransi. (4) usia individu pertama. Manajemen Risiko di Bidang Perbankan dan Asuransi | 44 .00. (5) Uang Pertanggungan (UP) yang akan diberikan sebagai manfaat asuransi adalah sebesar Rp 20. i = 7%. (2) tingkat suku bunga yang digunakan adalah.000. (6) biaya komisi agen dibebankan pada 3 tahun pertama pembayaran premi. maka premi tunggal bersihnya adalah Rp.744. y = 25 tahun.1 Premi Tunggal Bersih Produk Dwiguna Berpasangan Perhitungan premi tunggal bersih produk Dwiguna berpasangan bentuk diskrit untuk ilustrasi yang telah disebutkan sebelumnya adalah sebagai berikut : a. HASIL DAN PEMBAHASAN Aplikasi besaran-besaran aktuaria dari produk Asuransi Dwiguna Berpasangan dengan melibatkan biaya akan diulas pada bagian ini.

25:10 Manajemen Risiko di Bidang Perbankan dan Asuransi | 45 .30. 10.00.661.9313 0.2 Premi Tahunan Besar anuitas berpasangan bentuk diskrit due adalah sebagai berikut: 9 a30.25 v 0 0 p30..Prosiding Seminar Nasional Statistika Universitas Padjadjaran.469 7. 13 November 2010 b. 3. 9. Oleh karena itu. Dengan menggunakan asumsi UDD. Jika kedua tertanggung masih tetap hidup hingga berakhirnya masa asuransi.5254 Besarnya premi tahunan adalah sebagai berikut: A30.8673 . 4081 v1 1 p30.25 7.775. oleh karena itu perlu dihitung besarnya premi tahunan sehingga tertanggung menjadi lebih ringan dalam pembayaran preminya tetapi tetap akan mendapatkan benefit yang sama. v9 9 p30. perlu mengubah asuransi Dwiguna berpasangan bentuk diskrit menjadi asuransi jiwa Dwiguna berpasangan bentuk kontinu.4081 1.32.661.25 .25:10 a30. Pada produk Dwiguna berpasangan benefit diberikan tepat pada saat salah satu dari tertanggung meninggal dunia.469..25:25 10. premi tunggal bersih asuransi Dwiguna berpasangan bentuk diskrit adalah penjumlahan kedua premi tunggal bersih di atas yakni Rp. Dengan demikian.525 P A30.. maka besar premi tunggal bersih untuk asuransi Dwiguna berpasangan bentuk kontinu Rp.162. maka premi tunggal bersihnya adalah Rp.439.327. Biasanya tertanggung akan berkeberatan untuk membayar premi satu kali diawal tahun secara sekaligus.305. 0. 10.25:10 k 0 v k k p30.25 1 0..071.

13 November 2010 Dengan demikian.00 yang pembayarannya dilakukan 10 kali secara kontinu di awal tahun.) 359.20.163 Premi Bersih Tahunan dengan Biaya (Rp. UP sebesar Rp.) 1.011 Besar premi bersih tanpa biaya dan premi bersih dengan biaya selama tiga tahun pertama masa asuransi yang dibayarkan di awal tahun dapat dilihat pada tabel di bawah ini : Tabel 3.) 1.469.00 diperoleh apabila pemegang polis membayar premi tanpa biaya sebesar Rp.205 458.2 Premi Bersih Tahunan Produk Dwiguna Berpasangan Selama Tiga Tahun Pertama Masa Asuransi Tahun ke0 Premi Bersih Tahunan Tanpa Biaya (Rp.00 yang dibayarkan sekaligus di awal kontrak asuransi atau sebesar Rp.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.1 Komisi Agen Produk Dwiguna Berpasangan Tahun 1 2 3 Total Besarnya Komisi Agen per tahun (Rp.260 Manajemen Risiko di Bidang Perbankan dan Asuransi | 46 .10.072.3 Cadangan Dalam perhitungan cadangan terlebih dahulu akan dihitung besar cadangan Illinois selama tiga tahun pertama sebagai akibat biaya yang dikeluarkan oleh perusahaan untuk membayar komisi agen.439.015 31.791 67. Total biaya yang dikeluarkan perusahaan untuk membayar komisi agen selama tiga tahun pertama pembayaran premi adalah: Tabel 3.661.163.1. 3.000. Kemudian untuk tahun selanjutnya perhitungan cadangan akan menggunakan cadangan premi bersih tahunan karena sudah tidak ada lagi biaya yang dikeluarkan perusahaan untuk membayar komisi agen.000.439.

Besar premi bersih tahun pertama lebih kecil dari premi bersih tahun kedua dan ketiga. Sedangkan besar cadangan Illinois untuk akhir tahun ke-1 dan ke-2 masing–masing adalah Rp..) 0 1.472.738.296. Sedangkan premi bersih tahunan tanpa biaya lebih besar dari premi bersih tahunan dengan biaya untuk tahun pertama dan lebih kecil dari besar pemi bersih tahunan dengan biaya untuk tahun kedua dan ketiga.1.070.2 di atas diketahui bahwa besar premi bersih tahunan dengan biaya tahun pertama adalah Rp.981 1.738 0 1 Manajemen Risiko di Bidang Perbankan dan Asuransi | 47 . Sedangkan besar premi bersih tahunan dengan biaya tahun kedua dan ketiga adalah Rp.1.017.3 dapat dilihat bahwa besar cadangan Illinois untuk tahun ke-0 bernilai negatif.296.2.697 Cadangan premi kotor melalui metode Illinois (Rp. 13 November 2010 1 1.3 Besar Cadangan Premi Asuransi pada Produk Dwiguna Berpasangan berdasarkan premi bersih dan premi kotor Tahun ke-h Cadangan premi bersih (Rp.531. Berdasarkan tabel 3.962.530. Cadangan premi bersih tahunan merupakan perhitungan cadangan tanpa melibatkan faktor biaya. hal ini dikarenakan pada tahun pertama diperlukan biaya besar untuk membayar komisi agen.) -254.1.-.935.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Besar cadangan untuk h = 3 dan seterusnya sampai dengan akhir masa asuransi yakni 10 tahun dapat dihitung dengan menggunakan cadangan premi bersih tahunan. hal ini dikarenakan perusahaan asuransi belum menerima pembayaran premi tahunan dari sepasang tertanggung tetapi perusahaan asuransi tersebut harus mengeluarkan biaya untuk membayar komisi kepada agen yang telah berhasil menjual produk asuransi.272 2 Berdasarkan tabel 3.821. sedangkan biaya yang dikeluarkan oleh perusahaan asuransi untuk tahun selanjutnya adalah lebih kecil.dan Rp. Dengan demikian besar cadangan produk Dwiguna berpasangan untuk masa asuransi 10 tahun dengan biaya tiga tahun pertama adalah sebagai berikut: Tabel 3.

000.031 8. akan menghasilkan besaran cadangan yang lebih kecil dibandingkan dengan besarnya cadangan premi tahunan.183 6.369 15.962.816 17.031 8.300. Sehingga besar biaya tersebut akan mengurangi besar cadangan yang dimiliki oleh perusahaan asuransi.935 4.183 6. KESIMPULAN 1. IV. besar cadangan premi tahunan yang harus dimiliki perusahaan asuransi adalah sebesar uang pertanggungan yaitu sebesar Rp.369 15. 13 November 2010 2 3 4 5 6 7 8 9 10 3.246 10.529.3 di atas diketahui bahwa besar cadangan disesuaikan untuk akhir tahun ke-0.574.881.816 17. dalam hal ini adalah 10 tahun. Akhir tahun ke 10.246 10.044 4.752.899. Cadangan premi tahunan merupakan kondisi ideal yang dimiliki perusahaan. Uang tersebut kemudian akan diberikan kepada sepasang tertanggung apabila keduanya masih tetap hidup sampai akhir masa asuransi. sedangkan pada perhitungan cadangan premi bersih tahunan tidak memasukkan faktor biaya.000 2.752.000 Berdasarkan tabel 3.881.574.053 20.000. Tetapi perusahaan asuransi harus mengeluarkan biaya untuk membayar komisi agen. Manajemen Risiko di Bidang Perbankan dan Asuransi | 48 .000.000. 1.422 12.628.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Dan Biaya tersebut dibebankan oleh perusahaan asuransi kepada tertanggung. Pada tahun ke-3 sampai dengan akhir masa asuransi tidak ada biaya yang dikeluarkan oleh perusahaan.20. Penentuan besarnya cadangan disesuaikan dengan metode Illinois. 2 akan lebih kecil dari cadangan premi tahunan.054.899.053 20.628.422 12.300. sehingga besar cadangan untuk tahun ke-3 sampai dengan akhir masa asuransi akan sama dengan cadangan premi tahunan pada tahun yang sama.529. hal ini dikarenakan pada perhitungan cadangan Illinois terdapat faktor pengurang yaitu biaya.

Takashi. Futami. 1962. Inc.C.J. 1997. Japan.. Life Insurance Mathematics. Oriental Life Insurance Cultural Development Centre. 1993. Gerber. Inc. Matematika Asuransi Jiwa Bagian I.A. Actuarial Manajemen Risiko di Bidang Perbankan dan Asuransi | 49 . H..Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2nd Ed. Inc. Oriental Life Insurance Cultural Development Centre. Matematika Asuransi Jiwa Bagian II. 1994. The Society of Actuaries. John Wiley & Sons. Tokyo. dan Nesbitt. London. New York. Takashi. D. DAFTAR PUSTAKA Bowers. Jones.U. J. Hickman. Besar premi bersih tahunan tanpa biaya lebih besar dari besar premi bersih tahunan dengan biaya untuk tahun pertama dan lebih kecil dari besar premi bersih tahunan dengan biaya untuk tahun kedua dan ketiga atau dapat dinyatakan dalam hubungan berikut ini: I P( A30. Larson... Robert E. Tokyo. N. C.L.. Erwin A. Mathematics. Japan. Futami.25:10 ) I . Gaumnitz. 13 November 2010 2.

Sedangkan perhitungan secara probabilistikpun. masih menggunakan probabilitas multiple decrement yang bersifat mutualy exclusive antara satu decrement dengan decrement lainnya. Multiple Decrement. berbagai inovasi produk asuransi banyak ditawarkan. Dengan demikian perhitungan premi tunggal netto pada asuransi jiwa multiple decrement. yang mana status decrement bersifat diskrit dan saat perpindahan bersifat kontinu dengan laju konstan dipartisi Key words: Premin Tunggal Netto. yang pada akhirnya akan menentukan besarnya premi netto. terjadinya satu decrement dapat juga ditentukan oleh terjadinya decrement lain. atau dengan kata lain sangat memungkinkan terjadi perpindahan antar status/decrement. Pada hal dalam kenyataannya. ataupun kejadian lainnya. cacat. Model Rantai Markov Manajemen Risiko di Bidang Perbankan dan Asuransi | 50 .5) MENENTUKAN PREMI TUNGGAL NETTO MENGGUNAKAN MODEL RANTAI MARKOV PADA ASURANSI DWIGUNA MULTIPLE DECREMENT Gatot Riwi Setyanto Jurusan Statistika. Universitas Padjadjaran (gatot_riwi@unpad.ac. 13 November 2010 (A. Produk asuransi seperti ini. Perpindahan antar status ini akan mempengaruhi besar peluang terjadinya suatu decrement. biasa dikenal dengan model asuransi multiple decrement. kecelakaan. namun juga memberikan santunan bilamana insured tersebut sakit.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. salah satu diantaranya adalah produk asuransi jiwa yang tidak hanya menawarkan santunan bilamana peserta asuransi (insured) meninggal dunia.id) ABSTRAK Seiring dengan semakin maraknya perkembangan industri asuransi pada dekade ini. Perhitungan premi netto secara praktis yang saat ini dilakukan. sangat perlu mempertimbangkan kemungkinan terjadi perpindahan antar status/decrement. umumnya secara deterministik.

dengan mempertimbangkan kemungkinan terjadi perpindahan antar status/decrement. serta mempertimbangkan perpindahan antar status juga asumsi laju konstan dipartisi. ataupun kejadian lainnya. salah satu diantaranya adalah produk asuransi jiwa yang tidak hanya menawarkan santunan bilamana peserta asuransi (insured) meninggal dunia. tentu saja bagi perusahaan asuransi jiwa dan kecelakaan merupakan suatu peluang bisnis yang menjanjikan. maka jumlah tenaga kerja dengan berbagai risikonya akan meningkat. Produk tersebut diciptakan untuk menjawab tantangan terhadap dunia asuransi dalam memberikan pelayanan dengan cakupan penyebab kerugian yang lebih luas.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. biasa dikenal dengan model asuransi multiple decrement. Namun. perhitungan premi netto secara praktis yang saat ini dilakukan. Sedangkan perhitungan dengan probabilitas multiple decrement masih bersifat mutualy exclusive antara satu decrement dengan decrement lainnya. Pada hal dalam kenyataannya. dalam makalah ini akan dikaji suatu alternatif perhitungan premi tunggal netto pada asuransi jiwa multiple decrement. sangat diharapkan bahwa melalui produk asuransi multiple decrement ini dapat memberikan perlindungan secara ekonomi dikemudian hari. kecelakaan. berbagai inovasi produk asuransi banyak ditawarkan. Kondisi ini. PENDAHULUAN Seiring dengan semakin maraknya perkembangan industri asuransi pada dekade ini. 13 November 2010 I. yang pada akhirnya akan menentukan besarnya premi netto. terjadinya satu decrement dapat juga ditentukan oleh terjadinya decrement lain. cacat. yang mana status decrement bersifat diskrit dan saat perpindahan bersifat kontinu waktu kontinu. umumnya secara deterministik. Perpindahan antar status ini akan mempengaruhi besar peluang terjadinya suatu decrement. Dengan demikian. Produk asuransi seperti ini. Dengan pemikiran di atas. karena sejalan dengan makin pesatnya pertumbuhan ekonomi dan pembangunan di segala bidang. mereka berpeluang untuk terjadinya kecelakaan yang bisa mengakibatkan cacat. Manajemen Risiko di Bidang Perbankan dan Asuransi | 51 . namun juga memberikan santunan bilamana insured tersebut sakit. baik yang bersifat sementara ataupun permanen. Dalam melaksanakan tugas dan tanggung jawabnya.

Jx ( s .4) t ( px j ) 1 t ( qx j ) (2.1.2) Fungsi densitas bersama dari Tx dan Jx dapat dituliskan dengan f Tx J x ( t . j ) (2.1.1.1) fJx(j) = x f TxJx (t . Fungsi marginal untuk masing-masing fTx(t) dan fJx(j) adalah fTx(t) = j f TxJx (t . j ) P (t T t dt ) (J j) (2.1.6) Manajemen Risiko di Bidang Perbankan dan Asuransi | 52 . j )dt .1. Fungsi ini menyatakan peluang seseorang yang berusia x tahun akan mengalami decrement karena sebab j di antara tahun t sampai dengan tahun t + dt. Maka peluang seseorang yang berusia x tahun mengalami decrement karena semua sebab dalam jangka waktu t tahun adalah : t tq ( ) x 0 m f Tx ( s )ds ( j) t x q j 1 (2.1 Multiple Decrement Dalam multiple decrement ada 2 jenis variabel acak yaitu Tx yang menyatakan lamanya hidup yang akan datang dari seseorang yang berusia x tahun sampai ia mengalami suatu decrement. Rumusan dari fungsi densitas bersama tersebut dapat dituliskan sebagai berikut : f TxJx (t .3) Sedangkan peluang seseorang yang berusia x tahun mengalami decrement karena sebab j dalam waktu t tahun yang akan datang dapat dituliskan sebagai berikut : t f Tx . j ) . j )ds 0 P (0 T t) (J j) t ( qx j ) t 0 (2. TINJAUAN PUSTAKA II.1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. (2. dan Jx yang menyatakan variabel acak penyebab populasinya berkurang (cause of decrement). 13 November 2010 II.5) Dalam Multipel decrement semua penyebab terjadinya decrement digunakan simbol supercript ( ).

.. sangat mungkin sekali bahwa terjadinya satu decrement disebabkan oleh telah terjadinya decrement lainnya. A. . namun pembayaran/perhitungan benefit (uang pertanggungan) bisa dilakukan pada akhir tahun terjadinya decrement (diskrit) ataupun tepat pada saat terjadinya decrement (kontinu).1) Manajemen Risiko di Bidang Perbankan dan Asuransi | 53 . Markov seorang ahli matematika dari Rusia mengemukakan teori ketergantungan variabel acak dalm proses acak yang dikenal dengan proses Markov.3 Rantai Markov dan Peluang Transisi Pada tahun 1906.j (2.. in-1. Sedangkan dalam realitanya. 13 November 2010 II.2.. Sehingga pada kondisi adanya kemungkinkan terjadinya perpindahan antar status. i. Proses Markov adalah proses stokastik yang mana masa lalu tidak mempunyai pengaruh pada masa yang akan datang bila masa sekarang diketahui.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. X n 1 . dapat dihitung menggunakan rumusan berikut : w n Ax:n| (2. atau secara formal : P{ X n 1 j | X0 i0 . persamaan di atas tidak lagi tepat untuk menghitung premi tunggal netto pada asuransi multiple decrement.3.. Besarnya premi tunggal netto yang harus dibayarkan insured di awal ikut asuransi dwiguna berbentuk diskrit multiple decrement. X n i} P{ X n 1 j | Xn i} .1) E( Z ) n 1 w k 0 j 1 B( j )v k 1 k ( px )q x ( j) k Bv n n px Besarnya premi tunggal netto yang harus dibayarkan insured pada saat awal ikut asuransi dwiguna bentuk kontinu untuk multiple decrement.2) E(Z ) j 1 0 B ( j ) vt t px x (t )dt Bv n n pt Rumusan-rumusan premi pada asuransi dwiguna di atas hanya memperhitungkan sifat mutually exclusive diantara decrement-decrementnya.A. dapat dihitung dengan menggunakan rumusan berikut : Ax :n (2..2 Premi Tunggal Netto Asuransi Multiple Decrement Dwiguna Asuransi ini adalah asuransi yang memberikan proteksi bagi insured terhadap beberapa hal yang penyebab terjadinya decrement. n dan status i0.2. 2..

n 1 P{X n 1 j | Xn i} (2.3.2) Apabila peluang transisi satu-langkah independen dari variabel waktu. dengan i = 1. Salah satu konsep dasar dalam pengukuran dengan waktu kontinu seperti ini adalah proses Poisson. seperti yang telah dibahas pada bagian terdahulu. dinyatakan dengan Pijn. disebut transisi dengan waktu diskrit.1) Manajemen Risiko di Bidang Perbankan dan Asuransi | 54 . . yaitu : Pij n.3) Teorema : peluang transisi n langkah dari suatu Markov adalah Pij (n) k 0 Pik Pkj ( n 1) (2.2.n 1 Pij Matriks peluang transisi n langkah disimbolkan dengan P(n) = Pij(n). peluang banyaknya kejadian dalam selang (0. yang biasanya dinyatakan dalam bilangan bulat. ditulis sebagai Pij ( n) P{X n m j | Xm i} (2.3. 13 November 2010 Peluang transisi satu langkah bahwa Xn+1 berada pada status j jika diketahui Xn berada dalam status i.4) 2. Elemen dari Pij(n) menyatakan peluang bahwa proses berpindah dari status i ke status j dalam n langkah. maka dikatakan rantai markov mempunyai peluang transisi stasioner.t] adalah i Pi(t) = P(N(t)=i) = e-λt (λt)i / i! (2. sehingga dalam hal ini : Pij n...4 Model Markov dengan Status Diskrit dan Waktu Kontinu Transisi yang terjadi diantara dua state apabila diukur antara waktu n dan n + i.3. Proses ini mengukur titik-titik kejadian secara tunggal dalam satuan waktu tertentu.3.4.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.n+1.

5. fungsi tersebut harus memenuhi 0 ≤ Pij ≤ 1 dan Pik j Pij (v) Pjk (t v) (t>v) (2. Untuk tingkat transisi dengan selang waktu yang sangat pendek atau ∆t → 0.4) Jika diketahui status i ditempati pada waktu t dan status lainnya akan ditempati pada waktu t+∆t.5. maka : (2.2) Dikatakan sebagai persamaan Chapman Kolmogorov untuk proses Markov dengan waktu homogen. 13 November 2010 2. maka Pij(∆t) = µij (∆t) + o (∆t) Pii(∆t) = 1+ µii (∆t) + o (∆t) Atau dapat ditulis ij (i≠j) d Pij (0) dt lim t Pij (t ) t 0 (2.5 Laju Transisi Jika X(t) menyatakan status yang ditempati pada waktu t.3) ii d Pii (0) dt lim t 0 1 Pii (t ) t (2.5.5.5.5) ii i j ij 0 Manajemen Risiko di Bidang Perbankan dan Asuransi | 55 . atau waktunya homogen. maka suatru proses Markov dengan himpunan status diskrit dan waktu yang kontinu akan mempunyai suatu himpunan fungsi peluang transisi rantai Markov yang jika dituliskan : Pij(t) = P(X(t+u) = j | X(u) = i) (2.1) Jika nilai-nilai peluang tersebut mengabaikan waktu u.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

Karena X(t) terdiri dari banyak state. yang berarti model mempunyai laju transisi yang konstan atau tingkat percepatan perpindahan antar state hanya bergantung pada selang waktu yang diamati...1. bergantung pada waktu t. KK 3. maka diperoleh dan µij(t) = µij Laju transisi tidak 11 21 12 22 32 13 23 33 . 1K 2K 3K Q 31 dengan µij(i=j) = -∑i≠j µij . yang dalam kurun waktu tertentu diperoleh laju transisi (force of transition).. Untuk kasus rantai Markov homogeneous {X(t). Jika dikorespondensikan dengan persamaan Chapman-Kolmogorov. tidak pada kapan suatu even terjadi. ....s+t) adalah sama untuk semua s ≥ 0 sehingga pij(s. dengan banyaknya state diasumsikan berhingga...1 Model Multistage dengan Waktu Homogen Misalkan X = {X(t). Namun dalam prakteknya sangat sulit memperoleh nilai peluang transisi untuk proses multistate. t ≥ 0}. .s+t) = pij(t). Nilai peluang transisi.2 Laju Transisi Konstan Asumsi laju transisi konstan menyatakan secara tidak langsung bahwa waktu yang digunakan dalam masing-masing state berdistribusi eksponensial untuk fungsi pij(s. maka akan terjadi jalur-jalur lintasan yang menggambarkan perpindahan antar state.1. K3 .. .... t ≥ 0} merupakan proses stokastik... K1 . PREMI TUNGGAL NETTO ASURANSI DWIGUNA MULTIPLE DECREMENT MENGGUNAKAN MODEL RANTAI MARKOV 3. 13 November 2010 III.Prosiding Seminar Nasional Statistika Universitas Padjadjaran... Untuk itu model markov dengan waktu homogen digunakan sebagai asumsi. maka Manajemen Risiko di Bidang Perbankan dan Asuransi | 56 . Sedangkan peluang transisi dengan waktu kontinu dan state diskrit diselesaikan dengan sistem persamaan diferensial peluang transisi. .. secara teoritis dapat ditentukan menggunakan laju transisinya.1) dituliskan dalam bentuk matriks. Kemudian laju transisi dan fungsi peluang transisi dinyatakan dalam bentuk matriks. K2 . sehingga µii(t) = µii (3. X(t) menyatakan state yang ditempati pada waktu t..1) Bila persamaan (3.

e d n (m) n t )C ( m ) Atau Phi (t ) k 1 ahk ( m) cki ( m ) d k ( m )t e (3.2. maka jika dikorespondensi menjadi (m) t .3.2. juga pij(m)(t) adalah fungsi transisi dinyatakan dengan interval [u. maka solusi untuk persamaan (3.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.2) adalah : P(t) = eQt i 0 (Qt ) i i! (3. e d nt )C Atau Phi (t ) k 1 ahk cki e dk t (3..u+t] yang termuat dalam [tm-1. dn) dan A menyatakan matriks eigen.4) P(t ) A( m ) diag(e d1 1 t t mt . dimana t0 = 0. untuk itu dengan melakukan partisi laju transisi berdasarkan usia merupakan solusi yang bisa dipergunakan untuk masalah ini. tm].... maka P‟(t) = P(t) Q = Q P(t) (3.2.4) Menyatakan peluang transisi dari state h ke state i..2... Misal mt adalah integer yang memenuhi tmt dengan persamaan (3... 3...2) Dengan P(0) = I..3.2.1) Demikian pula bila diokorespondensikan dengan persamaan diferensial Kolmogorov Forward. Misalkan µij(t) = µij(m) jika t Є (tm-1. Dalam bentuk matriks.2) dimana ahk(m) dan cki(m) adalah entri-entri dari matriks A(m) dan matriks Chk(m) Manajemen Risiko di Bidang Perbankan dan Asuransi | 57 . sering kali diperlukan laju transisi pada tingkat usia yang berbeda. dengan ahk adalah elemen matriks A dan cki menyatakan elemen matriks C = A-1. ..3) Andaikan Q mempunyai nilai-nilai eigen yang berbeda yang dinotasikan dengan D = diag (d1. 13 November 2010 P(t+u) = P(t) P(u) (3.2. laju transisi dan peluang transisi dipartisi masing-masing Q(m) dan P(m)(t)..3 Laju Konstan Dipartisi Berkaitan dengan aktuaria.. maka : Q = A D A-1 Sehingga n P(t ) A diag(e d1t . tm) untuk m = 1.

µ12 1. Berikut ini adalah contoh dari asuransi jiwa dwiguna menawarkan produknya yang mempertimbangkan 4 status.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Sehat µ24 µ21 µ21 µ21 2. akan memperoleh santunan /benefit pada saat berpindah kestatus2. ataupun berpindah ke status 4. namun didasarkan pada model stokastik multistate .4 Penentuan Premi Tunggal Netto Asuransi Dwiguna Multiple Decrement Menggunakan Model Rantai Markov dengan Laju Konstan Dipartisi Pada bagian ini. Sehat 2. pembahasan difokuskan kepada penentuan besarnya premi tunggal netto dari suatu asuransi yang memiliki beberapa kemungkinan decrerment (status). Sakit A µ14 µ21 µ32 µ23 4. Sakit B dan 4. pihak insured yang pada awal ikut asuransi berada pada kondisi sehat (status 1). masing-masing : 1.1 model 4 Status Manajemen Risiko di Bidang Perbankan dan Asuransi | 58 . Sakit B Gambar 3. pada waktu berikutnya akan mengalami transisi atau perubahan ke status lain. Meninggal Dalam kasus 4 status tersebut. Meninggal µ34 3. dimana waktu transisi dan status yang dialaminya bersifat random. Dalam model ini diasumsikan bahwa seseorang dengan usia x yang berada dalam status tertentu sejak dia masuk asuransi. juga bila berpindah ke status 3. Sakit A 3. 13 November 2010 3.

u ) n 1 a hn c nj (u ) (u ) e dk (u ) 1 dn (u ) b11 e t .2) Merupakan rumusan premi tunggal netto pada asuransi dwiguna yang mempertimbangkan terjadinya perpindahan antar status. dengan discount factor v adalah : x t Ax .e t .4. Misalkan µij(u) merupakan force of transition dari status i ke status untuk satu individu antara usia u dan u+1. y )dy b11 . atau dengan kata lain sangat memungkinkan terjadi perpindahan Manajemen Risiko di Bidang Perbankan dan Asuransi | 59 . 13 November 2010 Asuransi ini adalah asuransi yang memberikan proteksi bagi insured terhadap beberapa hal yang penyebab terjadinya decrement dalam jangka waktu tertentu. C(u) dan D(u). Asumsi force of transition konstan tiap tahun usia yang akan digunakan untuk menghitung premi tunggal netto untuk satu kali pembayaran agar insured mendapatkan santunan berupa benefit yang dibayarkan pada saat seseorang mengalami transisi ke status j antara usia x dan x+t bilamana saat ini dia berusia x berada di status i. dan bila mana manfaat santunan bij satuan yang dibayarkan langsung pada saat terjadi perpindahan dari state awal i pada usia ke state j lain.t p x (3.1) Atau dalam bentuk matriks x t Ax . IV. y ) A diag (u ) d1 1 e d4 . (u ) d4 (u ) 1 C (u ) b11 e t . maka besarnya premi tunggal netto yang merupakan present value dari benefit yang akan diterima insured bila terjadi decrement dalam masa t tahun..t p x 4 4 bij e u x (u x ) h 1 pih ( x..t p x (u ) bij e u x (u x ) e d1 P( x.t p x (3.4.Pij ( x.Pij ( x.t | x bij e x t 1 ( y x) . Sedangkan Pij(u) (y) merupakan fungsi peluang transisi dari status i ke status j yang diasosiasikan dengan interval usia dari u ke u+1. y )dy (u ) b11 e t .Prosiding Seminar Nasional Statistika Universitas Padjadjaran...t | x bij e x t 1 ( y x) . yang digunakan untuk membangun matriks Q(u) sehingga diperoleh A(u). selain itu insured pun akan menerima sejumlah benefit diakhir tahun masa proteksi jika ia tidak terjadi salah satu decrement tersebut. KESIMPULAN Berpijak kepada realita bahwa terjadinya suatu decrement dapat juga ditentukan oleh terjadinya decrement lain.

DAFTAR PUSTAKA 1..D.Actuarial edition.C. . serta mengurangi risiko terjadinya kerugian terutama dipihak asuransi.N.. Inc.. 1994. 2nd Edition.Nesbitt. Cox..46. 1965. Transaction of Society of Actuaries.New York.Gerber. Bruce. Mathematics. 2. S. D. Actuarial Calculating Using Markov Model. 4. L. IL : Society of Actuaries. Stochastic Processes. and Miller. 2nd Manajemen Risiko di Bidang Perbankan dan Asuransi | 60 .. untuk itu pertimbangan menggunakan model Markov dalam perhitungan premi akan memberikan hasil yang lebih realistis. 1992. 1996. 3. The Theory of Stochastic Processes.Jones. London: Chapman and Hall. John Wiley & Sons. H. 13 November 2010 antar status/decrement.D.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.J.J.H. vol .Hickman. Shaumberg.R..1997. Ross. Bowers.

Selanjutnya. Asuransi jiwa dalam penelitian ini akan memproteksi tertanggung (orang tua) dan juga penerima manfaat (anak) dari beberapa risiko yang terjadi pada keduanya. Hasil simulasi. Cadangan disesuaikan.com ABSTRAK Salah satu daya tarik asuransi adalah besarnya manfaat yang akan diterima dan jenis proteksi yang diberikan sebagai bentuk perlindungan terhadap pemegang polis saat terjadi suatu peristiwa yang mengandung risiko. a_zanbar_s@yahoo. Liendanyt@yahoo.com.6) PENENTUAN CADANGAN ASURANSI DISESUAIKAN MELALUI METODE OHIO PADA PRODUK GABUNGAN ASURANSI JIWA DAN PENDIDIKAN BERPASANGAN Puput Eka Fitriyani. menyimpulkan bahwa tiga tahun pertama pembayaran premi menghasilkan nilai cadangan tahunan yang lebih kecil daripada cadangan premi bersih tahunan tanpa biaya. SMU.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.com. Metode Ohio. Universitas Padjadjaran. Bandung Email: puputeka_pap@yahoo. Lienda Noviyanti. Multiple Decrement . Achmad Zanbar Soleh Jurusan Statistika. Berdasarkan lama proteksi produk gabungan asuransi jiwa dan pendidikan yakni 18 tahun (saat penerima manfaat masuk PT) dan tambahan biaya pada premi yang dibayarkan tertanggung. maka cadangan asuransi dihitung melalui metode Ohio. Manajemen Risiko di Bidang Perbankan dan Asuransi | 61 . Dengan demikian model asuransi jiwa yang digunakan adalah Multiple Life Function berdasarkan Multiple Decrement. 13 November 2010 (A. SMP. Kata Kunci: Multiple Life Function. dan PT) dan Nilai tunai yang diberikan secara lumpsum atau anuitas saat masa asuransi berakhir. Penawaran produk yang menggabungkan asuransi jiwa dan beasiswa menjadi topik utama dalam penelitian ini sebagai bentuk perlindungan orang tua terhadap keberlanjutan pendidikan anak baik saat mereka hidup ataupun salah satunya meninggal dunia. proteksi pendidikan berupa tahapan dana masuk sekolah (SD.

penerima manfaat akan mendapatkan sejumlah nilai tunai yakni 100% Uang Pertanggungan yang dibayarkan secara lumpsum atau anuitas. dll. (2) jika tertanggung meninggal terlebih dulu pada masa asuransi karena kecelakaan maka ahli waris akan mendapat manfaat sebesar 200% Uang Pertanggungan. Pada proses selanjutnya. Rumusan ini selanjutnya dinamakan cadangan asuransi disesuaikan (modified reserve). biaya pembuatan polis. 30% Uang Pertanggungan saat anak masuk SMA. 13 November 2010 I. Proteksi kematian akan didasarkan pada Multiple Decrement sebagai berikut (1) jika tertanggung atau penerima manfaat meninggal bukan karena kecelakaan selama masa asuransi maka ahli waris akan menerima manfaat asuransi sebesar 100% Uang Pertanggungan. PENDAHULUAN Asuransi Beasiswa adalah salah satu produk asuransi berjangka n tahun yang menggabungkan asuransi jiwa dengan asuransi pendidikan. Besarnya nilai cadangan asuransi disesuaikan dalam penelitian ini dihitung melalui metode Ohio. Pada awal tahun polis. Produk ini memberikan dua manfaat kepada pemegang polis yakni (1) proteksi kematian selama masa asuransi bagi tertanggung dan penerima manfaat. Perhitungan besaran-besaran aktuaria dalam penelitian ini akan memasukkan biayabiaya yang telah dan akan dikeluarkan oleh perusahaan seperti komisi agen. besaranbesaran aktuaria untuk proteksi jiwa dihitung dengan Multiple Life Function karena melibatkan dua orang sekaligus yakni tertanggung (orang tua) dan penerima manfaat (anak). serta (2) proteksi pendidikan berupa tahapan dana masuk sekolah dan nilai tunai pada akhir masa asuransi yang diberikan pada penerima manfaat. Proteksi pendidikan diberikan secara berkala dengan tahapan sebagai berikut (1) 10% Uang Pertanggungan saat anak masuk SD. biaya yang dikeluarkan perusahaan sangat banyak sehingga nilainya akan lebih besar dibandingkan dengan biaya yang dikeluarkan pada tahun-tahun berikutnya. Dengan demikian. serta (3) jika tertanggung mengalami cacat total karena kecelakaan pada masa asuransi maka ahli waris akan menerima manfaat 50% Uang Pertanggungan. perhitungan cadangan asuransi Modifikasi untuk produk Beasiswa ini harus memperhitungkan biaya dalam penetapan besaran premi tahunan yang harus dibayarkan pemegang polis. dan 50% Uang Pertanggungan saat anak masuk PT. Biaya yang dilibatkan dalam penelitian ini dikeluarkan untuk membayar komisi kepada agen asuransi selama tiga tahun pertama pembayaran premi. Disamping itu diakhir masa asuransi. 20% Uang Pertanggungan saat anak masuk SMP.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Manajemen Risiko di Bidang Perbankan dan Asuransi | 62 .

13 November 2010 Output yang diharapkan dalam penelitian ini adalah besaran-besaran aktuaria yang menawarkan inovasi pada produk asuransi beasiswa yang memberikan manfaat proteksi kepada tertanggung dan penerima manfaat dengan memasukkan unsur biaya yang dikeluarkan perusahaan dalam penentuan premi tahunan. II. rate of interest (tingkat bunga efektif yang berlaku) laju perubahan suku bunga terhadap satuan waktu terkecil (force of interest) Waktu saat perhitungan cadangan Periode pembayaran premi dengan biaya (waktu diperhitungkan biaya) Jangka waktu asuransi Persentasi komisi agen untuk tahun pertama Persentasi komisi agen untuk tahun kedua Persentasi komisi agen untuk tahun ketiga bk vk 0 1 1 O O 1 O 2 O sekaligus O tahunan Besarnya pertanggungan yang dibayarkan perusahaan asuransi pada akhir tahun terjadi risiko Nilai tunai diskrit(Present value) pada saat k+1 Premi bersih dengan biaya untuk tahun pertama berdasarkan cadangan Ohio Premi bersih dengan biaya untuk tahun kedua berdasarkan cadangan Ohio Premi bersih dengan biaya untuk tahun ketiga berdasarkan cadangan Ohio Premi bersih sekaligus dengan biaya berdasarkan cadangan Ohio Premi bersih tahunan dengan biaya untuk tiga tahun pertama berdasarkan cadangan Ohio Uang pertangunggan adalah jumlah uang asuransi yang ditetapkan pada awal mengikuti asuransi sebagai acuan dalam menghitung besaran aktuaria yang diinginkan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. UP Manajemen Risiko di Bidang Perbankan dan Asuransi | 63 . Simbol-simbol Aktuaria Notasi X Y i h m n 1 2 3 Keterangan Variabel acak seseorang yang berusia x tahun sebagai tertanggung dan sebagai orang pertama yang mendapat proteksi kematian. Variabel acak seseorang yang berusia y tahun sebagai penerima manfaat tahapan dana masuk sekolah dan beasiswa sekaligus sebagai orang kedua yang mendapat proteksi kematian.1. BESARAN-BESARAN AKTUARIA 2.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Premi tunggal bersih yang merupakan penjumlahan dari premi tunggal bersih proteksi jiwa dan proteksi pendidikan Peluang orang yang berusia x tahun dan y tahun masih akan hidup kedua-duanya dalam t tahun yang akan datang Peluang seseorang yang lebih dulu meninggal karena semua sebab dari sepasang tertanggung yang berumur x tahun dan y tahun dalam t tahun yang akan datang Peluang seseorang yang lebih dulu meninggal dari sepasang tertanggung yang berusia x+k tahun dan y+k tahun dalam 1 tahun kemudian Anuitas hidup berjangka n tahun untuk tertanggung yang berusia x dan y tahun Premi tunggal bersih asuransi jiwa berjangka n tahun bentuk kontinu untuk sepasang tertanggung yang berumur x tahun dan y tahun Premi tunggal bersih asuransi jiwa berjangka n tahun berpasangan jika tertanggung yang berusia x meninggal lebih dulu dalam n tahun dengan penyebab kematian tertentu ( ) . n A1 x y:n ( ) P ( A1 ) xy:n h V A1 xy:n h V O A1 xy:n Manajemen Risiko di Bidang Perbankan dan Asuransi | 64 . 13 November 2010 PTB PTBpendidikan Premi Tunggal Bersih(Premi tunggal netto) Premi tunggal bersih yang dibebankan kepada tertanggung untuk proteksi pendidikan meliputi tahapan dana masuk sekolah dan beasiswa selama PT.y k qx axy:n A1 xy . Premi tahunan bersih asuransi jiwa berjangka n tahun berpasangan bentuk kontinu yang dibayarkan setiap awal periode untuk tertanggung berusia x dan penerima manfaat berusia y tahun Cadangan benefit asuransi jiwa berjangka n tahun berpasangan kontinu dengan premi dibayarkan tiap awal tahun untuk setiap satuan waktu h Cadangan Ohio asuransi jiwa berjangka n tahun berpasangan kontinu dengan premi dibayarkan tiap awal tahun untuk setiap satuan waktu h PTBtotal t p xy t q xy k.

untuk k . n 1... …(2..... 2. …(2.y k Manajemen Risiko di Bidang Perbankan dan Asuransi | 65 . n 1 n..6) x k.2) karena K merupakan variabel acak.. . 2...Prosiding Seminar Nasional Statistika Universitas Padjadjaran. untuk k 0.. Jika tertanggung meninggal karena kecelakaan Jika tertanggung meninggal dunia atau dapat dikatakan urutan meninggal diperhatikan maka benefit akan dibayarkan sebesar 200% JUA sekaligus pada akhir tahun tertanggung meninggal dunia. k pxy . untuk k ... …(2.1..v 0 k xy 1 .... 13 November 2010 2.3) Persamaan (2...3) simbol premi tunggal bersihnya diberi angka satu karena merupakan premi tunggal bersih dengan penyebab kematian yang pertama yaitu meninggal bukan karena kecelakaan. n 1 n..(2.. untuk k 0. maka premi tunggal bersihnya adalah: n 1 A1 x y:n (2) E Z2 200% JUA k 0 v k 1.. n 1. atau dapat dinyatakan sebagai berikut: bk xy 100%JUA 1 . n 1 n..4) fungsi present value benefitnya adalah : Z2 200%JUA.y k . untuk k 0.v 0 k xy 1 .. maka premi tunggal bersihnya adalah: A1 xy:n 1 n 1 E Z1 100% JUA k 0 v k xy 1 k pxy q 1 x k. n 1. 0 …(2. Dapat dirumuskan fungsi present value benefitnya adalah : Z1 100%JUA.1. untuk k ... 2.q (2) 1 . Jika tertanggung atau penerima manfaat meninggal bukan karena kecelakaan Jika salah satu tertanggung meninggal dunia maka benefit akan dibayarkan sebesar 100% JUA atau UP sekaligus pada akhir tahun tertanggung meninggal dunia.(2..1.1. 2.. n 1 n. atau dapat dinyatakan sebagai berikut: bkxy 1 200%JUA 0 .. n 1. untuk k 0.5) karena K merupakan variabel acak.1) n menyatakan akhir masa asuransi.. untuk k . 2.2 Premi Tunggal Bersih untuk Proteksi Jiwa Besarnya premi tunggal bersih yang harus dibayarkan oleh individu pertama yang berusia x tahun (orang tua) dan individu kedua yang berusia y tahun (anak) pada saat pertama kali ikut asuransi kepada perusahaan asuransi adalah: 1. ...

9) simbol premi tunggal bersihnya diberi angka tiga karena merupakan premi tunggal bersih dengan penyebab kematian yang ketiga yaitu meninggal bukan karena kecelakaan... untuk itu perlu merubah premi tunggal bersihnya dari bentuk diskrit menjadi bentuk kontinu dengan menggunakan asumsi UDD (Uniform Distribution of Death). untuk k 0.10) Persamaan (2. 3.. . 13 November 2010 Persamaan (2. untuk k 0. Dari Persamaan (2. …(2. Berdasarkan asumsi UDD maka diperoleh perumusan premi tunggal bersihnya menjadi : A i xy :n 1 A xy :n 1 …(2. Jika tertanggung mengalami cacat total akibat kecelakaan Jika tertanggung mengalami cacat total akibat kecelakaan dapat dikatakan urutan meninggal diperhatikan dalam kasus ini benefit hanya akan diberikan jika tertanggung meninggal pada saat masa asuransi. n 1. untuk k ...9) maka dapat dituliskan perumusan premi tunggal bersih keseluruhan sebagai berikut: A1 xy:n A1 xy:n (1) A1 x y:n (2) A1 x y:n (3) ..v 0 k xy 1 . …(2.3).11) Manajemen Risiko di Bidang Perbankan dan Asuransi | 66 ...y k .. n 1 n.10) tepat digunakan jika benefit diberikan pada akhir tahun meninggal salah satu antara tertanggung atau penerima manfaat (asuransi diskrit). atau dapat dinyatakan sebagai berikut: bkxy 1 50% JUA 0 .... maka premi tunggal bersihnya adalah: n 1 A1 x y:n (3) E Z3 50% JUA k 0 v k xy 1 k px y q (3) x k.1. n 1 n. (2..8) karena K merupakan variabel acak...7) fungsi present value benefitnya adalah : Z3 50% JUA.1. 2. n 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.. Pada modifikasi produk Beasiswa benefit diberikan tepat sesaat setelah salah satu antara tertanggung atau penerima manfaat meninggal (asuransi kontinu). 2.(2. …(2. untuk k .6) dan (2.6) simbol premi tunggal bersihnya diberi angka dua karena merupakan premi tunggal bersih dengan penyebab kematian yang kedua yaitu meninggal karena kecelakaan.9) Persamaan (2.

Untuk itu maka pada Persamaan (2. selain itu juga diberikan beasiswa berkala bulanan selama 5 tahun selama kuliah atau dapat juga dibayarkan sekaligus pada akhir masa pembayaran premi sebesar 100% JUA. Premi tunggal bersih untuk proteksi kelangsungan jenjang pendidikan dari benefit di atas adalah sebagai berikut : PTBpendidikan bn 12 v n 12 bn 6 v n 6 bn 3v n 3 bn v n bn. Dari penjelasan di atas maka dapat diperoleh perhitungan anuitasnya adalah sebagai berikut: Manajemen Risiko di Bidang Perbankan dan Asuransi | 67 .2 100% JUA Pada akhir masa asuransi diberikan tahapan dana masuk PT sebesar 50%JUA dan beasiswa sebesar 100% JUA.13) yang telah diperoleh maka premi tunggal bersih secara keseluruhan produk Beasiswa adalah sebagai berikut: PTBTotal A1 xy:n PTB pendidikan …(2.12) bn bn bn. Produk JS.14) Dari perumusan premi tunggal bersih yang diperoleh.2v n . Dalam menentukan premi tahunan maka perlu diketahui bagaimana ketentuan cicilan preminya selama masa asuransi agar dapat dihitung anuitasnya. SMA saat anak berusia 15 tahun (n-3) dan perguruan tinggi saat anak berusia 18 tahun (n).13) 2.10) dan (2. dapat dirumuskan pula premi tahunannya.2 . SMP saat anak berusia 12 tahun (n-6).12) terdapat dua manfaat pada akhir masa asuransi yaitu tahapan dana masuk disimbolkan dengan bn dan beasiswa disimbolkan bn. 13 November 2010 2.4 Premi Tunggal Bersih untuk Asuransi Beasiswa Berdasarkan Persamaan (2. …(2. Prestasi Modifikasi memperhatikan Multiple Life Function sehingga pembayaran premi akan berhenti jika salah satu diantara tertanggung atau penerima manfaat meninggal pada masa asuransi dan ketentuan lain adalah saat menerima tahapan maka tidak dikenakan premi (bebas premi).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. …(2. Perhitungan benefitnya adalah sebagai berikut : bn bn bk 1 12 6 3 10% JUA 20% JUA 30% JUA 50% JUA .3 Premi Tunggal Bersih untuk Proteksi Pendidikan Waktu pemberian tahapan beasiswa pada anak adalah pada saat anak memasuki jenjang pendidikan SD diasumsikan anak berusia 6 tahun (n-12).

18) Premi bersih dengan biaya tahun kedua adalah : O 1 P( A 1 ) 1 xy:n 2 . ..16) 2.. Perhitungan Cadangan Ohio Pada Produk Beasiswa Penentuan cadangan disesuaikan melalui metode Ohio memiliki karakteristik khusus yaitu masa pembayaran premi kurang dari 20 tahun... terdapat beberapa nilai premi bersih sesuai dengan karakteristik produk yang telah dijelaskan pada bagian pendahuluan yakni O 0 O 1 : premi bersih dengan biaya untuk tahun pertama : premi bersih dengan biaya untuk tahun kedua premi bersih dengan biaya untuk tahun ketiga xy:n O 2 premi bersih untuk tahun ke m sampai dengan akhir masa asuransi Premi bersih dengan biaya merupakan penjumlahan dari premi bersih tahunan dengan biaya. k pxy . (2.4. . P( A 1 ) : Untuk itu maka dapat dirumuskan kondisi tersebut sebagai berikut: O h P( A 1 ) P( A 1 ). n v k . . . Untuk itu perlu dihitung premi dengan biaya sekaligus untuk tiga tahun sehingga dapat diperoleh premi tahunan dengan biaya..Prosiding Seminar Nasional Statistika Universitas Padjadjaran. (2. k n 12. (2. n 6.(2.. xy:n xy:n …(2. Manajemen Risiko di Bidang Perbankan dan Asuransi | 68 . n 3.20) Premi dengan biaya juga akan dibuat tetap slama tiga tahun meskipun biaya komisi agen tiap tahun berbeda.. Dalam metode Ohio.(2. .17) Dari Persamaan (2.. 13 November 2010 n 1 axy:n k 0..19) Premi bersih dengan biaya tahun ketiga adalah : O 2 P( A 1 ) 1 xy:n 3 ..17) maka diperoleh perumusan premi tiap tahun dengan biaya adalah sebagai berikut : Premi bersih dengan biaya tahun pertama adalah : O 0 P( A 1 ) 1 xy:n 1 .15) Premi bersih tahunan Beasiswa dihitung dengan menggunakan rumus: P(A 1 ) xy:n PTBtotal axy:n .

y h:n h . (5) Jumlah Uang asuransi yang akan diberikan sebagai manfaat asuransi adalah sebesar Rp 10. 13 November 2010 m 1 O sekaligus h 0 vh .. y h:n h P( A 1 ). m 1. (3) masa asuransi maksimal adalah 18 tahun menyesuaikan dengan usia penerima manfaatnya yaitu 18-y.00. (2) tingkat suku bunga yang digunakan adalah..21) Premi tahunan dengan biaya dihitung menggunakan rumus : O O tahunan sekaligus axy:m O sekaligus m 1 …(2. y h:n h ... perhitungan cadangan yang disesuaikan dengan menggunakan metode Ohio didefinisikan sebagai berikut : h V O (A1 ) xy:n A O 1 x h . O h …(2.1. (6) biaya komisi agen dibebankan pada 3 tahun pertama pembayaran premi. m 1 h V ( A1 ) xy:n h …(2. i = 7%. y dari 0 sampai 4 tahun. x = 32 tahun dan usia individu kedua (anak). n III.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. untuk h m.ax h . (4) usia individu pertama (orang tua). y h:n h h .000.22) v h 0 hxy h pxy Berdasarkan perumusan premi di atas. Untuk mempermudah maka perhitungan dilkukan hanya untuk usia tertanggung 32 tahun dan usia penerima manfaat 3 tahun untuk usia penerima manfaat lainnya hanya ditampilkan hasilnya saja dalam bentuk tabel.. Beberapa asumsi yang digunakan dalam simulasi adalah (1) peluang meninggal didasarkan pada Tabel Mortalita CSO 1980.ax xy:n h . Manajemen Risiko di Bidang Perbankan dan Asuransi | 69 . untuk h 0..23) V ( A1 ) xy:n A 1 x h ..000.. HASIL DAN PEMBAHASAN Aplikasi besaran-besaran aktuaria dari produk Asuransi Beasiswa dengan melibatkan biaya akan diulas pada bagian ini.

Premi tunggal bersih sekaligusnya adalah Rp. Pada produk Beasiswa berpasangan modifikasi benefit diberikan tepat pada saat salah satu dari tertanggung meninggal dunia.1 Premi Tunggal Bersih untuk Proteksi Jiwa dan Pendidikan Perhitungan premi tunggal bersih produk Beasiswa berpasangan modifikasi bentuk diskrit untuk ilustrasi yang telah disebutkan sebelumnya adalah sebagai berikut : c. Oleh karena itu. Biasanya tertanggung akan berkeberatan untuk membayar premi satu kali diawal tahun secara sekaligus.455. 13 November 2010 3.47. Dengan menggunakan asumsi UDD.672. Jika tertanggung atau penerima manfaat meninggal bukan karena kecelakaan dalam masa asuransi. 530. Produk Beasiswa berpasangan modifikasi adalah suatu produk yang memberikan manfaat proteksi kematian dan proteksi pendidikan sehingga untuk mendapat niali premi bersih sekaligus merupakan penjumlahan dari premi bersih proteksi kematian dan proteksi pendidikan. e. Jika tertanggung meninggal terlebih dulu karena sebab kecelakaan dalam masa asuransi.006. Dengan demikian.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 8. premi tunggal bersih asuransi Beasiswa berpasangan modifikasi untuk proteksi kematian bentuk diskrit adalah penjumlahan ketiga premi tunggal bersih di atas yakni Rp. maka besar premi tunggal bersih untuk asuransi Beasiswa berpasangan modifikasi bentuk kontinu Rp. oleh karena itu perlu dihitung besarnya premi tahunan sehingga tertanggung menjadi lebih ringan dalam pembayaran preminya tetapi tetap akan mendapatkan benefit yang sama. maka premi tunggal bersihnya adalah Rp.755. 1.206. 9. 973.470. Jika tertanggung mengalami cacat total karena sebab kecelakaan dalam masa asuransi.63.891. Manajemen Risiko di Bidang Perbankan dan Asuransi | 70 .53.72. maka premi tunggal bersihnya adalah Rp. 113.05.679.280. 329.15. d. Premi tunggal bersih untuk proteksi pendidikan adalah Rp. maka premi tunggal bersihnya adalah Rp.00. perlu mengubah asuransi Beasiswa berpasangan modifikasi bentuk diskrit menjadi asuransi jiwa Beasiswa berpasangan modifikasi bentuk kontinu.864.

240.12 v k .8025 Rp.240.592.76 552.3 7.2 Premi Tahunan Besar anuitas berpasangan bentuk diskrit due adalah sebagai berikut: 14 a32.679.756 7..3675 Besarnya premi tahunan adalah sebagai berikut: A P A 1 1 32. v 0 0 p32.48 Besar premi bersih tanpa biaya dan premi bersih dengan biaya selama tiga tahun pertama masa asuransi yang dibayarkan di awal tahun dapat dilihat pada tabel di bawah ini : Manajemen Risiko di Bidang Perbankan dan Asuransi | 71 .3 1 0. manfaat proteksi kematian dan proteksi pendidikan diperoleh apabila pemegang polis membayar premi tanpa biaya sebesar Rp. 3.592.Prosiding Seminar Nasional Statistika Universitas Padjadjaran...755.1 Komisi Agen Produk Beasiswa Berpasangan Modifikasi Berdasarkan Usia Tertanggung dan Penerima Manfaat 32 Tahun dan 3 Tahun Tahun 1 2 3 Total Besarnya Komisi Agen per tahun (Rp.3 . Besar komisi agen tiap tahun yang harus dibayarkan oleh perusahaan adalah : Tabel 3.72 yang dibayarkan sekaligus di awal kontrak asuransi atau sebesar Rp. 0.. 13 November 2010 3.9319 . k p32.3 Cadangan Seperti yang telah dijelaskan pada bagian pendahuluan bahwa perhitungan melibatkan biaya komisi agen selama tiga tahun pertama maka untuk tiga tahun pertama perhitungan premi tahunan dan cadangan akan disesuaikan dengan biaya.710.3 .38 80.3:15 32.3:15 k 0.9.3:15 a32.3:15 9.53 yang pembayarannya dilakukan 12 kali secara kontinu di awal tahun.207. k 3.932.53 Dengan demikian. v14 14 p32.1. 9.34 37.1.8025 v1 1 p32.679.850.) 434.

509 1.186 1.) 1.726 Premi Bersih Tahunan dengan Biaya (Rp.1. Hasilnya dapat dilihat pada Tabel 3.750 925. premi bersih tahunan dengan biaya tahun kedua Rp.) 0 1 2 1.875 1.) 1.563 1. Besar premi bersih dengan biaya pada tahun pertama adalah yang terbesar jika dibandingkan tahun kedua dan ketiga karena sesuai dengan biaya komisi agen yang dikeluarkan perusahaan paling besar adalah untuk tahun pertama.525 1.240.303.321.00. 1.240.070.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.674.278.821.592 1.240.110.3 Premi Bersih Tahunan dengan Biaya dan Premi Bersih Tahunan Tanpa Biaya Usia Masa penerima Asuransi Manfaat (n (y tahun) tahun) 4 3 2 1 0 14 15 16 17 18 Premi Bersih Tahunan Tanpa Biaya (Rp. Jika dihitung premi bersih tahunan dengan biaya yang tetap selama tiga tahun pertama maka nilainya adalah sebesar Rp.592 1.397 Selanjutnya akan diperhitungan cadangan untuk tiga tahun pertama disesuaikan dengan biaya menggunakan cadangan Ohio dan setelah tahun ketiga akan dihitung berdasarkan perhitungan cadangan premi bersih tahunan karena sudah tidak dilibatkan biaya.437.4. Dengan cara yang sama maka akan diperoleh hasil perhitungan premi untuk usia penerima manfaat dari 0 sampai 4 tahun seperti yang ditampilkan pada Tabel 3.002.621.2 di atas diketahui bahwa besar premi bersih tahunan dengan biaya tahun pertama adalah Rp.303 Berdasarkan tabel 3. Manajemen Risiko di Bidang Perbankan dan Asuransi | 72 .) Biaya (Rp.3 Tabel 3.278.592 1.580 1.399.525 dan ketiga adalah Rp.800 1. Sedangkan premi bersih tahunan tanpa biaya lebih besar dari premi bersih tahunan dengan biaya untuk tahun pertama dan lebih kecil dari besar pemi bersih tahunan dengan biaya untuk tahun kedua dan ketiga.116.184.592 1.2 Premi Bersih Tahunan Produk Beasiswa Berpasangan Modifikasi Selama Tiga Tahun Pertama Masa Asuransi Tahun Premi Bersih Tahunan Premi Bersih Tahunan dengan keTanpa Biaya (Rp. 1.321.311.437. 13 November 2010 Tabel 3.764.240.764 1.1.

360 5.137 1.976.032.787 4.468.732 3.557.066.075 6.727.531 6.455. Manajemen Risiko di Bidang Perbankan dan Asuransi | 73 . Sedangkan premi bersih tahunan dengan biaya untuk tiga tahun pertama lebih tinggi jika dibandingkan premi bersih tahunan tanpa biaya. 13 November 2010 Tahun ke-h 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Tabel 3.538.803.026 -1.280.081 2.939.379.686 7.663 -1.231 5. Prestasi Modifikasi Berdasarkan Masa Asuransi dan Usia Penerima manfaat (satuan Rp) y=0 y=1 y=2 y=3 y=4 -1.147 2.581.097 4.472.747 4.225 6.015 1.646 -455.530 5.732 5.215.356 9.3 diketahui bahwa semakin lama masa asuransinya maka harga preminya akan semakin tinggi.112.418 2.072 -991.624.780.223 7.994 Berdasarkan Tabel 3.273 -1.439 -1.140 1. Hasil tersebut bisa dikatakan bahwa perusahaan masih belum mampu menyiapkan dana sebagai cadangan sampai akhir tahun kedua sehingga perusahaan baru akan mampu menerima klaim nasabah setelah masuk tahun ketiga.141 2.561 661.854 1.462 8.575.762 3.424.352 -314.164.086 -1.680.920.274 1.284 7.439.014.926.583 -737.753.176 7.203.312 4.904 -1.931.940 4.154.932 1.105.860.825 8.888 775.712. Sedangkan Tabel 3.770.150.729.047.544.891 5.057.4 Besar Cadangan Premi Asuransi pada Produk Beasiswa Berpasangan Modifikasi Cadangan JS.427.356.631.448.221 2.069 3.279.136 922.527 1.821 2.230 456.648 1.037 -797.160.381 4.061.079.357 4.663.142.209 2.493.076 1.495.465.865.049 5.516.341 2.098 4.024.108 5.065.036 3.957.070 794.640 6.990.645.178.243 1.390 3.585 6.892 -1.870 7.042.106.126.485 2.129 3.096 4.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.050.709.956 2.337 8.963 2.424 6.4 di atas memberi hasil bahwa besar cadangan Beasiswa Berpasangan Modifikasi selama tiga tahun pertama dengan menggunakan metode Ohio bernilai negatif.470 6.672.899 3.209.522.449 1.236 4.817.236.712.401.049 1.272.506 -1.239 -1.358.178 1.521.306 1.

Larson. Mathematics. 1993. Matematika Asuransi Jiwa Bagian I. Futami. C.L. Inc. 4. Futami. 1962. N...A. New York. Life Insurance Mathematics. Inc. Erwin A. Oriental Life Insurance Cultural Development Centre. Oriental Life Insurance Cultural Development Centre. 13 November 2010 IV.. Besar premi bersih tahunan dengan biaya untuk tahun pertama adalah terbesar karena biaya yang dikeluarkan untuk tahun pertama juga yang terbesar. Matematika Asuransi Jiwa Bagian II. 2 Ed. nd Actuarial Manajemen Risiko di Bidang Perbankan dan Asuransi | 74 . KESIMPULAN 3.. Tokyo. Inc. Jones.J. DAFTAR PUSTAKA Bowers. Gaumnitz. John Wiley & Sons. J. 1994. Takashi. Takashi. The Society of Actuaries. Sedangkan besar premi tahunan tanpa biaya lebih kecil dari besar premi bersih tahunan dengan biaya tetap selama tiga tahun. London.U. Japan. H. Japan. Tokyo. D. Perhitungan ini akan menghasilkan besaran cadangan yang lebih kecil dibandingkan dengan besarnya cadangan premi tahunan. Hickman.. 1997. Robert E. dan Nesbitt. Gerber.C.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Masa pembayaran premi produk Beasiswa berpasangan modifikasi adalah kurang dari 20 tahun dan ada unsur biaya yang diperhitungkan yaitu biaya komi agen sehingga penentuan besarnya cadangan disesuaikan digunakan metode Ohio.

Mean return dan VaR akan digunakan dalam formula optimisasi portofolio dan teknik penyelesaiannya menggunakan teorema Kuhn-Tucker. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK Pokok dalam kajian ini membahas tentang optimisasi investasi portofolio berdasarkan mean dan VaR di bawah model indeks berganda dengan volatilitas tak konstan. model indeks berganda. Di sini return indeks diasumsikan memiliki volatilitas tak konstan sehingga akan diestimasi dengan menggunakan model GARCH.7) OPTIMISASI PORTOFOLIO BERDASARKAN MEAN-VALUE AT RISK DI BAWAH MODEL INDEKS BERGANDA DENGAN VOLATILITAS TAK KONSTAN Agus Supriatna.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Dalam paper ini dianalisis pembentukan portofolio yang tersusun dari beberapa saham yang diperdagangkan di pasar modal Indonesia. The target of this problem is to obtain efficient portfolios and determine the optimum portfolio. GARCH model. Mean return and VaR will be used for formulation of portfolio optimization problem and solution by using the Kuhn-Tucker theorem. model GARCH. Risk is measured by VaR that calculated based on quantile standard normal distribution. return. Dalam model indeks berganda diasumsikan bahwa korelasi return masing-masing saham dipengaruhi oleh respon saham tersebut terhadap perubahan indeks-indeks tertentu. correlation of each stock return assumed it is influenced by that stock response to index changes. Kata Kunci : VaR. Kuhn-Tucker theorem Manajemen Risiko di Bidang Perbankan dan Asuransi | 75 . Adapun yang menjadi target yang diinginkan adalah membentuk komposisi portofolio-portofolio efisien dan menentukan portofolio optimalnya. Risiko diukur menggunakan VaR yang dihitung berdasarkan quantile distribusi normal standar. Sukono. Bunga Luvita Jurusan Matematika FMIPA Universitas Padjadjaran Jl. In this paper will be analysed the formation of portfolio which formed by a few stock that are traded in the Indonesian capital market. Index return is assumed has non constant volatility so will be estimated by GARCH models. return. teorema Kuhn-Tucker ABSTRACT The point of this paper is optimization of investment portfolio based on the mean and the VaR under the multi index model with non constant volatility. Keywords : VaR. multi index model. In multi index model. 13 November 2010 (A. F.

13 November 2010 I.j pada waktu t . Tingginya risiko dalam dunia keuangan khususnya dalam pasar modal dapat dipengaruhi oleh tingkat relatif pergerakan naik turunnya saham (volatilitas) yang tajam. PERUMUSAN MODEL 2. Dengan keadaan semacam itu maka dapat dikatakan bahwa investor dihadapkan pada risiko dalam investasi yang dilakukannya sehingga pilihan investasi tidak dapat hanya mengandalkan pada return (tingkat keuntungan) yang diharapkan. obligasi) atau aktiva riil (property. Untuk mengurangi risiko yang ditanggung. Volatilitas suatu saham merupakan suatu ukuran dari ketidakpastian tentang pengembalian yang disediakan. at jt t (3) Manajemen Risiko di Bidang Perbankan dan Asuransi | 76 . maka return indeks j yang diperoleh adalah: I jt ln H jt H j (t 1) (2) 2. Bila harga saham i pada hari ke. Salah satunya yaitu dengan menggunakan Value at Risk (VaR). 2. diperlukan alat ukur untuk mengukur risiko. LATAR BELAKANG MASALAH Pada umumnya hampir semua investasi sekuritas di pasar modal mengandung unsur ketidakpastian atau risiko. 2007:55).t dan ke. 2005:2).t dan ke. Maka return saham i adalah Rit ln P it P ( t 1) i (1) Misalkan indeks j pada saat ke. Risiko adalah besarnya penyimpangan antara tingkat pengembalian yang diharapkan (expected return) dengan tingkat pengembalian aktual (actual return) (Halim. Memegang portofolio adalah bagian dari investasi dan strategi dalam membatasi risiko yang disebut dengan diversifikasi. tanah) (Ghozali. Sama halnya dengan penghitungan return untuk saham tunggal. Kombinasi berbagai sekuritas dalam investasi tersebut dinamakan portofolio. investor dapat menyebar investasinya pada berbagai kesempatan investasi. Agar dapat diketahui sampai sejauh mana investor bisa berinvestasi dengan aman.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.t 1 masing-masing adalah sebesar Pit dan Pi (t 1) .1 Penghitungan Return Saham Individual dan Return Indeks Return adalah pendapatan yang akan diterima jika kita menginvestasikan uang pada suatu aktiva finansial (saham.t 1 adalah sebesar H jt dan H j (t 1) . maka model time series untuk menaksir mean dan variansi return indeks secara berturut-turut dapat ditulis sebagai berikut p q k i jt k 1 k i jt 0 at l 1 l t l a . Untuk menyederhanakan analisis dalam menentukan portofolio yang optimal maka akan digunakan model indeks. Selanjutnya akan diselidiki bobot (proporsi) dana yang dapat diinvestasikan pada masing-masing saham yang menyusun portofolio agar menghasilkan return portofolio yang maksimum dan tingkat risiko (VaR) portofolio yang minimum.2 Model GARCH Bila I jt adalah variabel acak dari return indeks ke.

3 Model Indeks Berganda Model indeks berusaha menyederhanakan analisis portofolio serta prosedur analisis untuk menentukan portofolio yang optimal... 0 dengan i 0 untuk i 1. Persamaan (3) dan (4) merupakan persamaan mean dan volatilitas untuk return indeks. Hal ini dapat dilakukan sebab dalam model indeks diasumsikan bahwa korelasi return masing-masing sekuritas terjadi karena adanya respon sekuritas tersebut terhadap perubahan indeks tertentu (Yuliati. Sehingga persamaan untuk meramalkan nilai mean dan variansi return indeks dalam langkah ke depan adalah p q k i jt k 1 k i jt 0 at l 1 l t a l (5) dan m 2 jt 0 k 1 2 k at k l 1 n l 2 jt l (6) 2.. 13 November 2010 m 2 jt 0 k 1 2 k at k l 1 n l 2 jt l (4) di mana t adalah urutan dari independent identically distributed (iid) variabel acak 0 dengan mean 0 dan variansi 1.. Jika Rit merupakan return sekuritas i pada saat t dan I jt adalah return indeks ke. 2. maka return sekuritas i adalah Rit . 2.. N (7) E Rit dan Ijt E I jt .. Prasetyo & Tjiptono :1996)...j pada waktu t . 2.. maka dapat (8) Dengan asumsi bahwa E (7) adalah 2 it L j 1 2 ij 2 Ijt 2 i I jt Ijt I kt Ikt 0 dan E it I jt Ijt 0 . q ... maka kovariansi antara return saham i dengan return saham j yaitu L ijt k ik jk 2 Ikt (11) Manajemen Risiko di Bidang Perbankan dan Asuransi | 77 . maka variansi (9) Sehingga standar deviasi untuk return saham individual adalah L it j 1 2 ij 2 Ijt 2 i (10) persamaan it jt Sementara berdasarkan Ijt pembentukan E I jt Ijt I kt Ikt 0 dan E it I jt 0 serta asumsi bahwa E 0 .. dengan mengambil ekspektasi dari it persamaan (7) dan berdasarkan sifat pembentukan persamaan bahwa E diperoleh L it i j 1 ij Ijt 0 .. p dan j 0 untuk j 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. iL I Lt i i1 I1t i 2 I 2t it Misalkan it .. i 1.

1998:373): N Rw i 1 wi Ri (14) Jika mean return saham individual adalah N w i 1 i ..4 Value at Risk Value at Risk didefinisikan secara umum sebagai kemungkinan kerugian maksimum untuk suatu posisi tertentu atau portofolio dalam confidence level yang telah diketahui terhadap waktu horizon spesifik (Redhead.. dan z persentil dari distribusi normal standar untuk tingkat konfidensi .. i 1...1. w2 . i...1. 13 November 2010 2. Dengan demikian Value at Risk untuk saham individual berdasarkan model indeks berganda dengan asumsi besar investasi sebesar Rp... dengan E Ri . dengan Cov Ri . Estimasi VaR untuk saham individual i dengan koefisien kepercayaan (1 ) 100% adalah: VaRi S0 z i (12) i di mana S 0 adalah besar investasi awal. 2. i adalah mean return saham i ... i standar deviasi dari return saham i . R j .Prosiding Seminar Nasional Statistika Universitas Padjadjaran... 2.. j 1.. 2.1997). dan matriks kovarians adalah Σ ij .1 adalah vektor identitas. Sehingga berdasarkan asumsi di atas diperoleh: E Rw μT w w 2 w T (15) Var Rw w Σw (16) Dengan demikian Value at Risk untuk portofolio dengan tingkat signifikansi kerugian sebesar adalah Manajemen Risiko di Bidang Perbankan dan Asuransi | 78 . N . 1999).wN .. Value at Risk portofolio untuk tingkat signifikansi kerugian sebesar VaRw z1 w w.5 Investasi Portofolio Portofolio adalah sekelompok bentuk investasi (Fabozzi.. Sedangkan variansi return portofolio ( ) yaitu N 2 w wj i 1 j 1 di mana menunjukkan kovariansi antara return saham i dan return saham j untuk i j. i... wN di mana N wi 1 ........00 adalah L L 2 ij j 1 2 Ijt 2 i i j 1 ij Ijt VaRi z1 (13) 2. jika portofolio memiliki bobot wT i i 1 maka tingkat return portofolio diberikan oleh persamaan (Panjer. j 1.6 Optimisasi Portofolio Asumsikan bahwa vektor nilai ekspektasi adalah μT i ij adalah 1 . N . Dengan bobot return portofolio wT w1 .. N . N w 1 portofolio terdiri dari N asset. N . 2 . 2. maka eT w 1 di mana eT i 1 1. Asumsikan suatu w1 . maka mean return portofolio ( 2 w w N ) adalah wi ij wi ij i .

3. Sehingga untuk mencari vektor bobot optimal dari masalah di atas perlu didefinisikan fungsi Lagrangean. 1998:380). 2 1 μT w z1 wT Σw 1 2 eT w 1 (19) Karena matriks kovariansi Σ merupakan semi-definite positif. dianalisis return saham dari empat perusahaan di Indonesia. gunakan fungsi obyektif yaitu dengan memaksimumkan {2 w VaRw} . z1 Σw 1 2 e 0 wT Σw eT w 1 Untuk 0 . diperoleh nilai ( B 2 4 AC ) 2 2A . Masalah di atas adalah masalah optimisasi dengan fungsi kendala persamaan. ANALISIS KASUS Untuk aplikasi dari metode yang telah diberikan di atas. Bank Rakyat Indonesia Tbk. Lalu dengan menggunakan teorema Kuhn-Tucker. 0 di mana menunjukkan toleransi risiko dari investor. syarat optimalitas adalah L w L (2 1)μ 0. diperoleh suatu VaR portofolio minimum dengan vektor bobot w Min . . yaitu L w. Manajemen Risiko di Bidang Perbankan dan Asuransi | 79 . maka dapat diperoleh return portofolio dengan Value at Risk minimum. yaitu Astra International Tbk. 13 November 2010 VaRw z1 wT Σw 1 2 μTw (17) Suatu portofolio dengan bobot w * dikatakan (mean-VaR) efisien jika tidak ada portofolio w dengan w w* dan VaRw VaRw* (Panjer. aljabar dan dan C (2 perhitungan eT Σ 1μ) 1 mengambil 1) 2 (μT Σ 1μ) 2 z1 1)(μT Σ 1e nilai-nilai A eT Σ 1e . 1 B μ Σ T 1 e e Σ T 1 μ dan C μ Σ T 1 μ 2 z1 . Sehingga dengan toleransi risiko 0 harus diselesaikan persoalan optimasi 1 (18) max 2 μT w z wT Σw 2 μT w 1 dengan pembatas eT w 1 . Berdasarkan perhitungan aljabar dengan mengambil nilai-nilai A eT Σ 1e . 1998:379). dan vektor bobotnya adalah Σ 1e eT Σ 1e w* (2 (2 1) Σ 1μ 1)e Σ T 1 (21) μ Apabila vektor w Min disubstitusikan ke dalam formula mean dan VaR portofolio. dapat diperoleh nilai B ( B 2 4 AC ) 2 2A dengan vektor bobot sebagai berikut: w Min Σ 1μ e Σ T 1 Σ 1e eT Σ 1e (20) μ Sementara untuk Berdasarkan B (2 B 0 . Dengan cara yang serupa. diperoleh portofolio optimum dengan vektor bobot w * . Untuk memperoleh portofolio yang efisen. fungsi objektif adalah quadratic concave (Panjer.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. apabila vektor w * yang disubstitusikan maka akan diperoleh return portofolio optimum.

000091 1. Desember 2009 yang diperoleh melalui akses internet. Melalui observasi terhadap sejumlah model.478577at2 2 0.000262 0.300641 2 t 1 0. dan AR(1)-GARCH(2.000677 -0. sedangkan untuk indeks ekonomi data yang digunakan adalah kurs nilai tukar Rupiah terhadap Euro.0000223 0.1) yaitu: rt 2 t 0.2) yaitu: rt 2 t 0.386912at2 1 0. dan Bank Mandiri Tbk. 8 294. 400 IUt (0.8 % 304.111341rt 1 at 0.0000639 Data return pada keempat saham diregresikan terhadap return indeks untuk mengetahui nilai koefisien beta yang merupakan tingkat sensitivitas perubahan return saham terhadap return indeks.563666 2 t 2 t Untuk return kurs nilai tukar Rupiah terhadap US Dollar. Sementara data indeks yang dianalisis meliputi indeks industri dan indeks ekonomi.078681rt 1 at 0.000 0. 28I It 0. Untuk indeks industri data yang digunakan adalah IHSG (Indeks Harga Saham Gabungan). akhirnya berdasarkan uji diagnostik menggunakan Eviews 5 diperoleh hasil bahwa model yang cukup baik adalah AR(1)-GARCH(1. 000) (0.2) untuk data kurs nilai tukar Rupiah terhadap Euro.7 % 49.137021at2 1 0.070772rt 1 at 0. diperoleh parameter model AR(1)GARCH(1. 000) RBt 0.000578 Variansi 0.094107 rt 1 at 0. dan Yen.372516 2 t 1 t Sementara untuk return kurs nilai tukar Rupiah terhadap Yen.34 I It 0.361I Et 0.104 IYt (0. US Dollar.000165 1.234836at2 2 0. 6 Manajemen Risiko di Bidang Perbankan dan Asuransi | 80 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Untuk return IHSG diperoleh parameter model AR(1)-GARCH(1. 284) (0. Untuk menyelidiki nilai mean dan variansinya.033IUt 0.1) yaitu: rt 2 t 0.00000837 0.834528 2 t 1 t Untuk return kurs nilai tukar Rupiah terhadap Euro. Data harga saham dan data indeks yang digunakan adalah data dalam periode Januari 2005 s.000000853 0. diperoleh parameter model AR(1)GARCH(2.0000608 -0.796) (0.00000866 0. 13 November 2010 Telekomunikasi Indonesia Tbk. 002) 0.d. AR(1)-GARCH(1. 282) 50. 0507 IYt (0.140811at2 1 0.000) (0.1) untuk data kurs nilai tukar Rupiah terhadap Yen.0000238 0.1) yaitu: rt 2 t 0.797) (0. data return indeks dianalisis menggunakan model time series.1) untuk data IHSG.000 (0.280911at2 1 0.951865 2 t 1 t Adapun hasil forecasting 1 langkah ke depan dari model mean dan variansi return indeks disajikan dalam Tabel 1 berikut ini Tabel 1 Peramalan Mean dan Variansi pada Return Keempat Indeks Indeks IHSG Kurs Rupiah terhadap Euro Kurs Rupiah terhadap USD Kurs Rupiah terhadap Yen Mean 0. 601) Bt At R2 F pvalue 0.1) untuk data kurs nilai tukar Rupiah terhadap US Dollar.000172 0.000000467 0.0988I Et 0. AR(1)-GARCH(2. juga diperoleh parameter model AR(1)-GARCH(2. Hasilnya diberikan pada Tabel 2 berikut ini Tabel 2 Model Regresi pada Data Return Keempat Saham Saham Astra BRI RAt Model Regresi 0.887) (0.

13 November 2010 Telko m Mandi ri RLt RMt 0. di mana dihasilkan komposisi portofolio dengan expected return portofolio tertinggi yaitu sebesar 0.1521 0. Komposisi portofolio ini memberikan expected return sebesar 0.02933219. Hasilnya penaksirannya diberikan ke dalam bentuk vektor T μ 0. maka selanjutnya dapat diperoleh mean return setiap saham dengan menggunakan formula it . Untuk menguji signifikansi model regresi dan parameternya. Berdasarkan hasil penaksiran variansi return indeks dan koefisien beta.1511 0. 000947 .936 I It 0. selanjutnya diestimasi nilai variansi return saham dan kovariansi 2 return antar saham dengan menggunakan formula it dan ijt . 9 361. menggunakan persamaan (21) diperoleh vektor bobot portofolio μT 0.000 Adapun nilai yang berada di bawah penduga pada persamaan regresi linier berganda merupakan nilai probabilitas tobservasi sebagai ukuran tingkat ketelitian untuk pengujian hipotesis. 276) Mt (0. dan invers dari matriks kovariansi adalah sebagai berikut: Persoalan optimisasi dikembangkan berdasarkan (18) dengan menggunakan pengali Lagrange dan teorema Kuhn-Tucker. 040) 45.000758 dengan tingkat VaR sebesar 0.02932118. Hasilnya diberikan dalam bentuk matriks kovariansi. definisikan eT 1 1 1 1 sebagai vektor identitas. 5 0. 20 . menggunakan persamaan (20) diperoleh vektor bobot portofolio yang menghasilkan VaR minimum. 000864 0. digunakan uji F dan uji t. 4941 0.000761 dengan tingkat VaR sebesar 0. Manajemen Risiko di Bidang Perbankan dan Asuransi | 81 .1794 0. 000279 0. 729) 0.8 % 54. Komposisi portofolio ini memberikan expected return sebesar 0.541) (0. 000825 0. 075IUt (0.575) (0. Lalu disesuaikan dengan jumlah saham yang dianalisis. dengan syarat bobot portofolio yang dihasilkan bernilai 0 wi 1 . 000634 0.1823 0.5050 0. Dari hasil forecasting 1 langkah ke depan untuk nilai mean return indeks. diperoleh hasil sebagai berikut:  Untuk toleransi risiko 0 . 000) (0.38I It Lt (0. 000352 1. yaitu μT 0. Dalam kasus ini nilai maksimum toleransi risiko adalah 39. 000) 0.  Untuk toleransi risiko 1 .1616 .9 % 250. 005) 0. Komposisi portofolio ini memberikan expected return sebesar 0.02932046. 200 I Et 0. Setiap peningkatan nilai toleransi risiko akan menyebabkan kenaikan nilai mean return portofolio yang juga disertai dengan kenaikan Value at Risk portofolio.564) (0.  Untuk toleransi risiko 2 . 0260 IYt (0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.180 I Et (0.135) 0.000764 dengan tingkat VaR sebesar 0.1687 .000 0.149 IUt 0.1502 0.0008969 dengan VaR sebesar 0. menggunakan persamaan (21) diperoleh vektor bobot T portofolio μ 0.1544 . 5160 0. Dengan menggunakan tingkat signifikansi 5%.1851 0.101IYt (0.03525298. Pada prinsipnya besar toleransi risiko masih dapat terus ditingkatkan.

50 18.00080978 0.23241 0.16793 0.28749 0.16688 0.23559 0.31822 0.17006 0.00081514 0.16740 0.28763 0. Manajemen Risiko di Bidang Perbankan dan Asuransi | 82 . model AR(1)-GARCH(2.0268119 0.29997 0.0268128 0.00081795 0.23719 0.00 19.1) untuk return kurs nilai tukar Rupiah terhadap US Dollar dan model AR(1)-GARCH(2.30426 0.0268132* 0.16899 0.65 19.00081630 0. 13 November 2010 Gambar 1 Efficient Frontier Portofolio Setelah diperoleh portofolio-portofolio efisien.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.23447 0.1) untuk return kurs nilai tukar Rupiah terhadap Yen. KESIMPULAN Return keempat saham yang telah dianalisis memberikan respon terhadap perubahan return indeks.0008151 dengan tingkat VaR sebesar 0.29382 0.1) untuk IHSG.03040093 0.0268053 0. 4.29545 0.0268111 0.00 17.23880 0.00 18.00081961 0.27962 0.16862 0.00081302 0.03057365 0.03032304 0. Model time series untuk memodelkan mean dan volatilitas return indeks adalah AR(1)-GARCH(1.00081140 0.03026540 0.29946 0.03020969 0.030401.03050793 0.23084 0.00 0. Adapun komposisi portofolio yang memuat rasio expected return dan VaR terbesar dapat dilihat dalam Tabel 3 berikut ini: Tabel 3 Komposisi Portofolio Optimal Bobot 17. selanjutnya berdasarkan komposisi portofolio efisien yang menghasilkan mean return dan Value at Risk portofolio dengan rasio terbesar.30351 w VaRw w VaRw 0. diperoleh portofolio optimal yaitu portofolio yang memberikan expected return senilai 0. Hasil optimisasi portofolio berdasarkan mean-Value at Risk menunjukkan bahwa setiap peningkatan toleransi risiko menyebabkan kenaikan nilai expected return portofolio yang juga disertai dengan kenaikan tingkat Value at Risk portofolio.0268093 0.0008151 dengan tingkat Value at Risk sebesar 0.32422 0. model AR(1)-GARCH(1.030401.2) untuk return kurs nilai tukar Rupiah terhadap Euro. Berdasarkan komposisi portofolio efisien yang menghasilkan mean return dan Value at Risk portofolio dengan rasio terbesar.50 20. diperoleh portofolio optimal.03044428 0.16953 0.0268078 Dengan demikian didapatkan hasil bahwa portofolio optimal ialah portofolio yang memberikan expected return 0.31217 0.22928 0.28354 0.29265 0.

R.. Jakarta : Salemba. S. D. A. Dufresene. Manajemen Risiko di Bidang Perbankan dan Asuransi | 83 . Yuliati. Halim. Manajemen Investasi Edisi Pertama. 2007. I. Insurance and Pensions. 13 November 2010 5. 1998. Analisis Investasi. Financial Economics. Prasetyo. H. With Application to Investments. Schaumberg. 2005. Gerber. 2000... Jakarta : Penerbit Salemba Empat (PT Salemba Empat Patria).H. 1996.H. Semarang. Keith. Yogyakarta: Penerbit ANDI.H.U. H.D. Panjer. H. D. Mueller. the Actuarial Foundation. Boyle.. Illinois. Forwards. Manajemen Risiko Perbankan... Cox. Financial Derivatives: An Introduction to Future. DAFTAR PUSTAKA Fabozzi Frank J.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Sri Handaru. Handoyo & Tjiptono Fandy. Redhead. & Pliska. Options and Swaps. Manajemen Portofolio dan Analisis Investasi. Ghozali. Pedersen. S. Prentice Hall Europe.W.. 1997. H.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 (A.8) BESARAN-BESARAN AKTUARIA DENGAN PENDEKATAN SIMULASI FUNGSI KONTINGENSI KEHIDUPAN Manajemen Risiko di Bidang Perbankan dan Asuransi | 84 .

Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 Manajemen Risiko di Bidang Perbankan dan Asuransi | 85 .

Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 Manajemen Risiko di Bidang Perbankan dan Asuransi | 86 .

13 November 2010 Manajemen Risiko di Bidang Perbankan dan Asuransi | 87 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

13 November 2010 Manajemen Risiko di Bidang Perbankan dan Asuransi | 88 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

13 November 2010 Manajemen Risiko di Bidang Perbankan dan Asuransi | 89 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

13 November 2010 Manajemen Risiko di Bidang Perbankan dan Asuransi | 90 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

3.ac. 3Muhammad Mashuri. Cross Validation . Institut Teknologi Sepuluh Nopember Jl. FSAINTEK. Faktor letak geografis merupakan faktor pembobot yang sangat diperhatikan.its. MULTIVARIAT (M.ac.id.1) SEDIMENTASI DAN DEBIT OPTIMAL DAS KONTO HULU 1 Sri Harini. DAS.id.its. sedimentasi dan debit DAS konto hulu dan variabel bebas (x) adalah : luas DAS (x 1).co. bandwidth.id. Kata Kunci : Gaussian Distance Function. Manajemen Risiko di Bidang Perbankan dan Asuransi | 91 . 3 m_mashuri@statistika. faktor panjang lereng (x4) dan curah hujan (x5) dengan pembobot geografis fungsi kernel gauss (Gaussian Distance Function).its. Surabaya Jurusan Matematika. rerata kemiringan lahan (x3). Pada penelitian ini penaksir parameter dari model linier spatial multivariat akan diaplikasikan pada bidang hidrologi dengan variabel terikat (y) adalah laju erosi. Arif Rahman Hakim 1 Surabaya 60111 e-mail : 1 sriharini21@yahoo. 4 sonny_s@statistika. Universitas Islam Negeri Malang 2. panjang sungai (x2). Sehingga didapatkan penaksir parameter dari matrik parameter untuk tiap-tiap lokasi yang memenuhi sifat tak bias. dimana faktor ini memiliki nilai yang berbeda untuk setiap wilayah dan menunjukkan sifat lokal dari model tersebut.4 Jurusan Statistika. sedimentasi.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.id ABSTRACT Model linier spatial multivariat merupakan pengembangan dari model linier spatial univariat yang menghasilkan penaksir parameter dengan pembobot geografis yang bersifat lokal untuk setiap lokasi dimana data tersebut dikumpulkan. 13 November 2010 II. efisien dan konsisten. 2Purhadi. laju erosi. Untuk mendapatkan model terbaik ini dilakukan dengan cara mencari nilai bandwidth yang optimum dengan metode Cross Validation berdasarkan fungsi pembobotan kernel gauss. 4Sony Sunaryo 1 1 Mahasiswa S-3 Statistika FMIPA ITS.ac. debit debit dan morfometri. 2 purhadi@statistika.

Beberapa model regresi spatial univariat maupun multivariat telah dikembangkan oleh banyak peneliti. Zhang dan Gove (2005) membandingkan beberapa teknik pemodelan yaitu OLS. dimana antara satu pengamatan di suatu lokasi bergantung pada pengamatan lain di lokasi yang berdekatan (neighboring). Model regresi klasik mengasumsikan bahwa lokasi geografis (berdasarkan longitude dan latitude bumi) tidak mempengaruhi respon model. Manajemen Risiko di Bidang Perbankan dan Asuransi | 92 . Cressie (1991) menyatakan bahwa data spatial merupakan salah satu jenis data dependen yang menunjukkan adanya ketergantungan antara data dengan lokasi. Anselin (2003) juga meneliti tentang model regresi spatial yang mengandung lag (regresi spatial lag). Haas (1996) mengaplikasikan metode cokriging untuk mencari penduga multivariat dari beberapa proses spatial sehingga didapatkan nilai cross-covariance terbaik dan penaksir kesalahan baku terkecil. Akibatnya. Atkinson dkk (2003) mencari bentuk hubungan antara erosi yang terjadi disepanjang sungai dengan variabel goemorfologi menggunakan model GWLR. Model regresi klasik penaksir parameter dapat didekati dengan menggunakan metode Ordinary Least Square (OLS). Leung (2000) mengembangkan GWR untuk mengekplorasi data yang bersifat non stationer dari model regresi spatial dengan memperhatikan pengaruh dari setiap lokasi (space). Royle dan Berliner (1999) menggunakan pendekatan algoritma EM (expectationmaximixation algorithm) untuk mencari penaksir dan membuat model spatial multivariat. Data spatial merupakan data hasil pengukuran yang memuat suatu informasi lokasi. apabila dibentuk suatu model regresi linier dengan OLS (Ordinary Least Square) pada data spatial akan menghasilkan model yang tidak tepat dalam penarikan kesimpulannya. Jika metode OLS dipaksakan. error (regresi spatial error ) dan campuran antara regresi spatial lag dengan regresi spatial error. salah satunya dengan menggunakan analisis spatial (Anselin. menghasilkan error autokorelasi spatial dan menyebabkan ketidaksesuaian model pada data spatial. Diantaranya LeSage (1999) mencari penaksir model spatial linier lokal dengan menggunakan OLS dan dilanjutkan pada tahun 2004 dengan mencari penaksir model regresi spatial dengan MLE.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. karena penaksir parameter untuk semua data dari model regresi dengan asumsi error identik independen dan berdistribusi normal tidak akan terpenuhi. Untuk mengatasi permasalahan tersebut dibutuhkan metode statistik yang tepat. 2003). 1992). Brown dkk (1994) yang mengembangkan dan mengaplikasikan model spatial multivariat untuk mendeteksi polusi udara di wilayah selatan Ontario. Teori yang dipakai pada penelitian ini menggunakan pendekatan Bayesian untuk penaksiran parameter. Generalized Additive Model (GAM) dan GWR pada pemodelan hutan yang memperhitungkan faktor spasial pertumbuhan tanaman dan lahan. Masalah akan muncul jika metode OLS ini diterapkan untuk penaksir parameter pada metode regresi spasial. Linear Mixed Model (LMM). 13 November 2010 1. Latar Belakang Metode regresi yaitu metode yang menghubungkan variabel respon dengan variabel prediktor untuk membentuk suatu model tertentu (Draper dan Smith. karena asumsi error identik independen dan berdistribusi normal akan terpenuhi. maka akan bisa menyebabkan kesimpulan yang salah.

faktor panjang lereng (x4) dan curah hujan (x5) dengan pembobot geografis fungsi kernel gauss (Gaussian Distance Function). ph ui . . . vi h (1) ui .. vi . 13 November 2010 Christensen dan Amemiya (2002) mengkaji modeling dan penaksir dari data spatial multivariat dengan menggunakan analisis faktor yang diaplikasikan pada bidang pertanian.. Model linier spatial multivariat untuk observasi (pengamatan) ke-j dapat ditulis sebagai Y1 j . n atau juga dapat dinyatakan dengan Yh Yh1 Yh 2 . sedimentasi dan debit DAS konto hulu dan variabel bebas (x) adalah : luas DAS (x1).. v Ε (2) dengan parameter pada lokasi ui . vi 0h ui . vi 1h ui ... vi ( qx ( p 1)) xq β1 ui . j 1. X p dari masing-masing koefisien regresi bergantung pada lokasi di-mana data tersebut diamati dengan asumsi vektor error berdistribusi multivariat normal dengan mean nol dan varian-covarian Σ (Christensen. h2 . vi adalah : Yh X dimana : h T h ui . vi adalah : B ui . X 2 . T hn Secara umum model linier spatial multivariat dapat ditulis sebagai : Y XB u. 1991). vi T (3) Manajemen Risiko di Bidang Perbankan dan Asuransi | 93 . βq ui . panjang sungai (x2).. vi T εh h1 . Yhn .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. β2 ui . 2. rerata kemiringan lahan (x3).. Yqj .. . Dalam model linier spatial multivariat variabel respon Y Y1 Y2 Yq T dan variabel prediktor X1. Model linier spatial univariat sebenarnya merupakan model regesi linier lokal (locally linier regression) yang menghasilkan penaksir parameter dengan pembobot geografis yang bersifat lokal untuk setiap lokasi dimana data tersebut dikumpulkan. Dalam penelitian ini akan dicari penaksir parameter dari model linier spatial multivariat yang diaplikasikan pada bidang hidrologi dengan variabel terikat (y) adalah laju erosi.. Y2 j . maka model linier untuk Yh pada lokasi ke ui . vi .. vi .. 2.. vi 2h ui ... Model linier Spatial Multivariat Model linier spatial multivariat merupakan pengembangan dari model linier spatial univariat..

v ) p2 i i (4) ˆ (u . v ) 22 i i ˆ B ui . v ) 01 i i 11 i i ˆ (u . Faktor ini memiliki nilai yang berbeda untuk setiap wilayah dan menunjukkan sifat lokal dari model.vj) dan h adalah parameter dengan dij adalah jarak antara lokasi penghalus (bandwidth). 1991) persamaan (1) dapat dinyatakan dalam bentuk vektor matrik sebagai berikut : Vec Y Iq X Vec B u. 13 November 2010 Jika pada model terdapat n lokasi sampel. v ) ˆ (u . v ) 2q i i ˆ (u . v ) pq i i dengan menggunakan perkalian Kronecker I q X (matriks identitas berordo qxq) (Christensen. v ) ˆ (u . vi ˆ (u . maka penaksir ini merupakan penaksir setiap baris dari matrik lokal parameter seluruh lokasi penelitian yang dinyatakan dengan : ˆ (u . Σ In 3. v ) 21 i i ˆ (u . Pada penelitian ini jenis pembobot yang digunakan adalah fungsi jarak Gauss (Gaussian Distance Function) yang dinyatakan dengan : w j ( ui . v +Vec Ε (5) mean dan matriks varian-covarian dari Vec Ε adalah : E Vec Ε 11 0 12 22 1q 2q Σ simetris (6) qq Cov Vec Ε Σ In Sehingga didapatkan distribusi dari Vec Ε adalah : Vec Ε ~ N p 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.vi ) 1 exp 2 1 ( dij / h )2 2 ui . v ) 02 i i 12 i i ˆ (u . v ) p1 i i ˆ (u . Pemilihan bandwidth ini sangat penting karena bandwidth merupakan pengontrol keseimbangan antara kesesuaian kurva terhadap data dan kemulusan Manajemen Risiko di Bidang Perbankan dan Asuransi | 94 . v ) ˆ (u . v ) 0q i i 1q i i ˆ (u . Penaksir Parameter dengan Pembobot Geografis Model linier Spatial Multivariat Pada model linier spatial faktor letak geografis merupakan faktor pembobot yang sangat diperhatikan. vi (7) ke lokasi (uj.

vi )] dan Εnxq ε1 ε2 . vi ) diag exp d i1 h 2 . maka bentuk matriknya pembobotnya adalah : W(ui .. Misalkan pembobot untuk lokasi ke-i adalah W(ui . salah satu diantaranya adalah metode Cross Validation (CV). vi) dimasukan dalam proses penaksiran. vi geografis Vec B ui . vi ) yang digunakan untuk menaksir parameter setiap barisnya adalah fungsi kernel gauss. 13 November 2010 data. vi ). vi ) Vec Y Manajemen Risiko di Bidang Perbankan dan Asuransi | 95 . wn (ui .. vi ).. n : jumlah sampel Dalam mencari nilai penaksir dari Vec B ui ... εq jika pembobot W(ui . Penaksiran parameter dengan pembobot didapat dengan memberi pembobot untuk setiap lokasi dimana data tersebut dikumpulkan.. vi parameter Vec B ui . CV dinyatakan dengan : q n CV (h) h 1 i 1 yhi ˆ y i ( h) 2 (8) dimana : ˆ y i ( h) : nilai penaksir yi (fitting value) dimana pengamatan di lokasi (ui. vi ˆ Vec B ui . Ada beberapa metode yang digunakan untuk memilih bandwidth optimum.. dimana : W(ui . vi dapat dilakukan dengan melihat dari setiap lokasi. vi) dihilang-kan dari proses penaksiran. exp di 2 h 2 . ˆ yi ( h) : nilai penaksir yi (fitting value) dimana pengamatan di lokasi (ui.. vi ) . vi Iq XT W(ui .. vi )X 1 Iq XT W(ui . vi ) diag[ w1 (ui . exp d in h 2 (9) adalah : (10) Sehingga didapatkan penaksir dari Vec B ui ..Prosiding Seminar Nasional Statistika Universitas Padjadjaran. w2 (ui .

mata airnya berasal dari bagian barat daya kaki Pegunungan Arjuno.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Tulung Agung. Berdasarkan kenyataan di atas maka perlu dilakukan penelitian untuk menganalisa secara tepat besarnya laju erosi. dan 1538 km2.000 km2 (25% wilayah Jawa Timur). Malang. Sejak tahun 1990. Kota Kediri.0 untuk mencari penaksir parameternya. Kondisi klimatologi didominasi oleh iklim tropis dengan rata-rata hujan tahunan 2000 mm. yaitu : DAS Brantas Bagian Hulu. dengan luas aliran sungainya ± 12. Blitar. Kali Konto dan Kali Widas yang masing-masing mempunyai Daerah Aliran Sungai (DAS) seluas 625 Km2. bangunan – bangunan air berupa chek dam yang terdapat disepanjang Sungai Konto sudah tidak berfungsi secara optimal sehingga tidak mampu lagi menahan material – material sedimen yang terbawa arus sungai. Sungai Brantas mempunyai panjang ± 320 km 2. 2002). diantaranya 80% jatuh pada musim hujan (Asdak. Selain itu disepanjang sungai Konto juga mendapatkan tambahan inflow debit dan sedimentasi dari beberapa sumber air yang muncul di daerah sekitarnya karena terletak di sekitar perbukitan dan pegunungan. Sidoarjo dan Surabaya. C. 687 Km2. Kali Ngrowo. dan DAS Brantas Bagian Hilir. sedimentasi dan debit DAS konto hulu dengan menggunakan analisis spasial dan bantuan software MATLAB 7. Hal ini disebabkan karena kapasitas tampungannya terhadap material sedimen pada sungai telah berkurang sehingga material sedimennya terus mengalir ke hilir sungai menuju Waduk Selorejo. Peta lokasi penelitian Manajemen Risiko di Bidang Perbankan dan Asuransi | 96 . Mojokerto. 13 November 2010 4. Kabupaten Kediri. Secara hidrologis wilayah DAS Brantas ini dibagi menjadi 3 bagian. DAS Brantas Bagian Tengah. 1600 Km2. Pembahasan Sungai Brantas adalah sungai utama yang airnya mengalir melewati sebagian kota-kota besar di Jawa Timur seperti Batu. Pada penelitian ini diambil 62 lokasi penelitian seperti pada gambar di bawah ini : Gambar 1. Anak sungai utama adalah Kali Lesti.

Secara matematis dapat dinyatakan dengan : W(ui .47212881246337 13 iterasi Y3 1. maka nilai penaksir ini diperolah dengan menggunakan persamaan (10) dan matrik pembobot W(u1. v1 adalah penaksir parameter dilokasi (u1. sebagai berikut : ˆ Vec B u1 . vi )] ˆ Misalkan Vec B u1 . 13 November 2010 Dalam mencari penaksir parameter model linier spatial multivariat ini langkah pertama adalah dengan memasukkan pembobot spasial dalam perhitungannya. i=1. Jika pembobot yang digunakan adalah fungsi Gauss maka pemilihan bandwidth ini sangatlah penting. Dalam penelitian ini. vi ).2.v1) pembobotnya adalah W(u1. Sebagai contoh lokasi (u1. wn (ui . Matrik pembobot ini nantinya digunakan untuk menaksir parameter di semua lokasi.47212865939481 26 iterasi Y2 4. v1 ) Vec Y Penyelesaian persamaan ini dapat diselesaikan dengan menggunakan program Matlab 7. Manajemen Risiko di Bidang Perbankan dan Asuransi | 97 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.v1). Bandwidth Y1 4. Nilai bandwidth yang sangat kecil akan memberikan bentuk fungsi penyelesaian yang sangat kasar (under smoothing) sehingga variannya cukup besar. didapatkan nilai CV yang minimum berada pada nilai bandwidth seperti pada tabel 1.74898920400524 26 iterasi dimana banyaknya iterasi yang diperlukan untuk memperoleh bandwidth optimum dalam proses penaksiran parameter disetiap lokasi tidak sama... Setelah nilai bandwidth didapatkan maka langkah selanjutnya adalahh mencari matrik pembobot di semua lokasi penelitian. Sebaliknya nilai bandwidth yang besar memberikan bentuk fungsi penyelesaian yang sangat mulus (over smoothing). . v1 Iq XT W(u1 ..0 sehingga didapatkan nilai taksiran parameter disemua lokasi (ui.v1).v1)... 62 (lampiran B). vi ) diag[ w1 (ui . karena bandwidth merupakan pengontrol keseimbangan antara kesesuaian kurva terhadap data dan kemulusan data.vi). Dengan menggunakan data hidrologi dan faktor-faktor yang mempengaruhinya. Tabel 1. vi ).. v1 )X 1 I q XT W(u1 .0. . pemilihan bandwith optimum diperoleh secara iterasi menggunakan teknik optimalisasi dari program MATLAB 7. w2 (ui .

14 49427 484.9999999999999999965 0. Plot model global dan lokal laju erosi Manajemen Risiko di Bidang Perbankan dan Asuransi | 98 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Suatu model dikatakan lebih baik dari model lain jika nilai koefisien derminasi yang dihasilkan cukup besar dan MSE kecil.9665e-026 4. sedimentasi sebesar 99% dan debit sebesar 99%.0116e-027 0.356 0. Sifat lokal parameter yang dihasilkan dari model ini juga mampu menurunkan nilai MSE dari model global menjadi lokal. Tabel 1 : Perbandingan Kesesuaian Model Model Model Global Y1 Y2 Y3 Model Spatial Y1 Y2 Y3 0.317 0. Hal ini dapat ditunjukkan dari plot grafik antara data model global dan model lokal di bawah ini : Global: Laju Erosi 200 model data 150 100 50 0 -50 0 10 20 30 40 50 60 70 Gambar 1.9999999999999999773 0.9999999999999999972 1.454 738. Berdasarkan uji kesesuaian model ternyata terdapat ada pengaruh spasial yang signifikan dari pada model global. Salah satunya dengan melihat nilai koefisien determinasi model (R2) serta Mean square error (MSE).0672e-025 8. Model ini mampu menjelaskan keragaman laju erosi sebesar 99%.23 R sqr MSE Jika dibandingkan dengan model global maka model spatial merupakan model yang lebih baik digunakan dalam kasus ini. 13 November 2010 Untuk melihat model mana yang paling cocok diterapkan pada kasus data ini ada beberapa cara.

Plot model global dan lokal debit Manajemen Risiko di Bidang Perbankan dan Asuransi | 99 . Hal ini berbeda jauh dengan plot laju erosi dari model lokal dimana pengaruh variabel morfometri DAS disetiap lokasi mampu menjelaskan dengan baik pengaruhnya terhadap model sesungguhnya. Global: Sedimen 450 model data 400 350 300 250 200 150 100 0 10 20 30 40 50 60 70 Gambar 2. 13 November 2010 Hasil plot laju erosi pada model global terlihat bahwa pengaruh variabel morfometri DAS tidak bisa menjelaskan dengan baik estimasi parameternya terhadap model laju erosi sesunguhnya. Global: debit 120 model data 100 80 60 40 20 0 0 10 20 30 40 50 60 70 Gambar 3. Hal ini berbeda jauh dengan plot sedimentasi dari model lokal dimana pengaruh morfometri DAS setiap lokasi mampu menjelaskan dengan baik pengaruhnya terhadap model sesungguhnya. Plot model global dan lokal sedimentasi Hasil plot sedimentasi pada model global terlihat bahwa pengaruh variabel morfometri DAS tidak bisa menjelaskan dengan baik estimasi parameternya terhadap model sedimentasi sesunguhnya.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

7. Sear. L. Manajemen Risiko di Bidang Perbankan dan Asuransi | 100 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.E. Yogyakarta. http://www. 35. 5. D. 2002. Daftar Pustaka Anselin.sal. Clark. Geographical Analysis. Gajah Mada University Press.. 6. ternyata model spatial merupakan model yang terbaik. Faktor-faktor morfometri DAS Konto Hulu secara spatial masing-masing mempunyai pengaruh yang signifikan terhadap terjadinya erosi.edu/stuff/stuff-sum/pdf/spdepintro.M. 2003.J. Ucapan Terima Kasih Tak lupa penulis ucapkan terima kasih kepada Direktorat Penelitian dan Pengabdian Masyarakat (DP2M) Direktorat Jendral Pendi-dikan Tinggi yang telah mendanai penelitian Disertasi Doktor kami ini untuk pendanaan tahun 2010 dengan nomor surat : 1109/D3/PL/2010. P. Kesimpulan Dari hasil pembahasan diatas dapat diperoleh kesimpulan bahwa : 1. dan M. 1. The Ohio State University. model linier spatial multivariat dapat digunakan untuk mengatasi data spasial yang tidak stasioner dalam parameter.pdf. sedimentasi dan peningkatkan debit DAS pada setiap lokasi penelitian. Asdak. Vol. Atkinson. Model ini mampu menerangkan keragaman variabel respon sebesar 99%. Exploring the Rela-tions Between Riverbank Erosion and Geomorphological Controls Using Geo-graphically Weighted Logistic Regres-sion. An Introduction to Spatial Regression Analysis in R. Parameter yang dihasilkan bersifat lokal disetiap titik atau lokasi dimana data tersebut diamati..uiuc. Tanggal akses 6 Januari 2007. Dibanding model global. Hal ini berbeda jauh dengan plot debit dari model lokal dimana pengaruh dari variabel morfometri DAS setiap lokasi mampu menjelaskan dengan baik pengaruhnya terhadap model sesungguhnya. S. No. 2003. C.A. German. 2. 13 November 2010 Hasil plot debit pada model global terlihat bahwa pengaruh variabel morfometri DAS tidak bisa menjelaskan dengan baik estimasi parameternya terhadap model debit sesunguhnya. 4 Juni 2010. Hidrologi dan Pengelolaan Daerah Aliran Sungai.

University of Toledo. J. Cressie. Multivariate Spatial Predic-tion in the Presence of Non-Linier trend and Covariance Non-Stationerity. P. Y. No. 7.A dan Berliner. A Hierarchical Approach to Multivariate Spatial Modeling and prediction. Springer-Verlag.H. Vol. L. New York. no. Time Series and Spatial Data. No.P. _______ dan Amemiya. pp. The Chinese University of Hong Kong. Statistics for Spatial Data.J. Statistical Tests for Spatial Non-Stationarity Based on the Geogra-phically Weighted Regression Model. Journal of Statistical planning and inference.1. J. Modelling and Prediction for Multivariate Spatial Factor Analysis. Linier Model For Multivariate. Y.V. 4. Departemen of Economics. 1999. 543-564. Journal of Agricultural. J. C. _____. Multivariate Spatial Interpolation and Exposure to Air Pollutants. Le dan Zidek. and Enviro-mental Statistics.pt/spatial/doc/lecture1.fe.. The Cana-dian Journal of Statistics. (2005). N. 1999. Hong Kong. 22. Journal. 51. 2004. Lecture 1: Maximum Likelihood Estimation of Spatial Regression Models. J.uc. Biological. John Wiley and Sons. Manajemen Risiko di Bidang Perbankan dan Asuransi | 101 . dan Gove. pp. 29-56. Royle.C. LeSage. 1991. hal. 1994. Journal Environmetrics. 334-346.pdf. 2000. 1991. 145-165. Zhang. Vol. R. 2002. 4.A. 489509 Christensen. 1996. pp. The Theory and Practice of Spatial Econometrics. Haas. Spatial Assessment of Model Errors from Four Regression Techniques.T. New York. Forest Science. vol. http://www4. Nhu D. 13 November 2010 Brown. vol.M. Tanggal akses 6 Januari 2007. pp.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 4. no. Revised ed.115. Leung. L.

75 676 1070.25 658.529 232.93 114.9562 32.0656 1.3808 774.0541 2.954 74.6 127.2619 2.7271 3.053 140.398 233.75 273 812.815 40.4525 4853.1571 34.589 222.0291 2.8622 (mm/jam) 181.7894 3.3076 2.416 0.9889 1711.25 Sedimen Debit (m) 3107.75 10506.147 (ton/jam) 4.172 222.1168 7.7077 3.25 485 287 638.46 226.2787 Lereng 3.927 0.869 3.908 247.77 227.0686 Manajemen Risiko di Bidang Perbankan dan Asuransi | 102 .329 220.1672 18.25 485 205 704.9203 20.3103 7.5129 6939.921 51.992 214.514 43.8632 5704.845 406.9025 51.2264 4669.618 3.3816 5169.512 15.064 218.471 44.126 1.9939 38.634 29.9291 2.1759 1106.811 10.904 185.163 (m3/dt) 0.761 60.943 110.701 150.294 91.051 140.2939 4637.903 4071.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.525 61.405 2.459 293.8547 9.075 43.895 222.229 2.9232 29. Data Penelitian sub x1 x2 Panjang Sungai x3 Rerata Kemiringan x4 Faktor Panjang x5 Curah Hujan y1 Laju Erosi y2 y3 Luas DAS (Ha) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 168.109 2.555 (mm) 395.229 33.7338 1.6251 33.087 0.3887 10.6386 2.351 209.0185 1.172 50.3698 3.4306 1.5 64.8142 5575.404 80.386 2.6993 1.845 50.374 222.5849 5 2.75 471.7341 6595.235 1.5626 6159.957 15.8364 6.25 680.1708 3.5747 31.2725 466 355.3186 19. 13 November 2010 Lampiran A.2221 14.385 400.2165 7734.6995 27.847 178.571 139.5421 1.6027 19.1 180.691 7628.297 54.25 20.248 33.1386 46.5 4557.7287 10.257 1.1746 2.9486 Lahan (%) 40.6813 44.566 29.803 41.575 1.073 0.476 1.8073 46.856 83.816 0.6326 2.9047 4.962 2.9231 5.1039 37.5 328.1494 4924.3359 43.6182 22.571 222.684 176.5694 4.484 223.465 2.2367 1531 10348.1485 0.2634 1.4939 6.7962 3429.

3499 12.2758 48.4777 2233.3904 3.545 229.5303 4.415 2.951 57.5 119.668 73.4922 0.5 101.7942 85.7418 4.1093 5.3917 4.5094 29.5453 4.835 44.6197 45.2117 45.723 228.0475 6.75 97.4695 4805.1768 7818.9493 8.164 233.9955 7180.039 1.6616 3904.1525 52.6059 1847.2797 43.7114 49.312 0.7698 4.7696 7898.938 54.75 446.889 3.75 211.4009 2.671 226.87 155.4394 46.606 6.5845 0.7186 3986.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.1364 2.435 219.6603 2673.349 125.5776 244.2346 4954.377 42.481 0.5 271.996 1.619 226.127 97.75 151.0911 17.081 20.9363 2086.6458 7670.5 615 400.25 645.852 227.902 175.25 134.18 230.351 1.3542 3.25 450.25 180.8868 4913.3214 16.742 123.4523 4587.7031 3.298 1.25 330 334.1082 3.83 2.8581 0.5 240.75 582.0274 41.5661 4.5685 54.3082 3030.417 222.9676 20.1175 15.258 234.091 172.7807 30.571 106.4238 3.5 115.98 150.532 225.9076 2.8677 11.1681 32.25 410.611 98.734 236.842 41.75 432.0457 3.8607 3578.6527 3.539 0.1751 26.353 223.241 248.46 1.9474 Manajemen Risiko di Bidang Perbankan dan Asuransi | 103 .661 232.0018 37. 13 November 2010 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 10.328 1.7269 37.289 81.19 24.655 89.968 85.866 265.3095 3124.5 436.522 3110.7243 659.873 2.8481 53.5633 9.407 114.16 0.2623 34.3053 20.5609 30.4787 2474.556 32.9675 24.185 141.666 225.0448 2.858 0.601 179.244 4.5 688.8641 1.549 145.3526 42.695 57.761 232.402 0 1.5248 14.358 223.2807 0.065 231.402 42.85 123.679 0.9168 60.1005 3465.5376 3.87 1.0149 4.811 227.1973 4112.8951 38.4519 1.242 232.35 35.4824 4.357 2.114 109.131 123.5906 39.52 81.5 474.8649 33.1741 6947.933 232.21 183.62 35.0401 4.736 225.818 1.1427 5760.75 17.566 265.5 183.7029 49.7394 0.073 29.1786 34.7859 2.6321 55.75 599.05 4.4802 22.3871 102.2545 7195.

4165 22.9065 50.8246 19.418 6.7375 27.6115 3.4093 8.323 29.8041 2.5981 3.238 62.807 126.267 0 0 1.615 1.2082 1.234 63.7513 1.1258 2.789 225.368 141.2725 11.7047 0.157 264.8713 1.75 100.3042 1.6173 43.2916 1.803 231.489 39.1894 78.6561 25.4038 21.2321 27.605 44.681 230.243 33.7233 2213.9023 392.619 228.25 5 301.964 0.6894 1.9164 50.191 19.537 0.6919 4.82 205.2758 3.2289 1.282 264.101 68.367 66.091 240.8034 1.8272 13.6391 7234.116 208.235 123.5423 18.8013 3.18 129. 13 November 2010 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 242.043 55.458 121.1512 11.6851 4.75 265.2054 6047.897 225.415 47.5274 8.5 410.5 413 80 13 278.0353 0.8584 19.923 230.5696 7844.6764 4699.25 4546.944 235.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.792 261.0522 4570.5124 1.898 64.594 74.7266 27.99 233.5786 7174.0624 11.0099 6326.8227 4.0612 1.5968 1.352 1.4555 24.172 45.435 224.7142 Manajemen Risiko di Bidang Perbankan dan Asuransi | 104 .8092 5117.9004 37.614 2.128 225.1812 342.8451 1.5 236 768.75 260 776.148 227.5 1052.9919 4773.05 186.6409 4337.2006 3004.

000559 0.85E-05 2.000502 2.98E-06 1.000121 0.15E-07 1.84308 0. Penaksir Parameter beta Global laju erosi (Y1) Sedimentasi (Y2) Debit (Y3) 64.73E-05 9.3E-06 6.1E-07 1.004773 0.005244 0.000352 2.0918 30.35E-05 0.15E-07 7.54E-05 6.023852 0.57E-08 1.17E-06 Manajemen Risiko di Bidang Perbankan dan Asuransi | 105 .00298 -0.43E-07 5.59E-05 6.67E-06 2.01E-05 8.94E-06 8.19E-07 8.000137 6E-06 7.87947 -1.000641 0.13E-05 0.55E-05 9.86E-06 6.16E-06 1.0002 8.1E-07 3.26E-07 8.000175 4.51E-05 1.27E-06 0.000644 0.17E-07 1.33E-05 7.69E-07 2.03021 0.87E-06 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.38E-07 1.19E-05 3.27E-05 1.03E-07 1.79E-06 0.36E-06 7.15E-08 3.74E-07 1E-05 2.41E-07 2.39E-07 2.007613 0.31E-06 5.04E-08 1.02922 0.91E-06 0.00295 -0.4E-06 2.68E-06 1.000654 1E-05 0.43E-06 0.43E-06 4.0064 0.000427 0.000351 2.54E-07 1.48E-06 2.00026 0.000923 1.000209 5.000438 0.84E-05 5.000108 5.92E-06 1.000155 1.68E-05 0.03E-07 2.12E-05 4.92E-06 0.51E-07 1.1E-05 3.000746 0.96E-05 6.155162 0.06328 192.44E-05 2.90396 3.62E-08 2E-06 4.37E-06 2.3E-06 7.3E-07 1.18E-05 3.51E-07 1. Penaksir Parameter beta Spatial dari Laju Erosi (Y1) 0 1 2 3 4 5 4.71E-06 1.001263 0.000882 0. Penaksir parameter Beta Global dan Lokal Tabel B1.23E-06 7.000441 1.45E-06 1.92E-07 5.45E-05 0.29E-05 0.000273 0.11E-05 8.001402 0.000712 1.91E-05 3.54E-05 2.23E-06 9.82E-05 0.007006 0.78E-06 1.55E-07 4.17E-06 3.15E-05 5.018059 0.001916 0.1E-08 2.000586 0.44E-07 1.13E-05 3.07E-07 7.2193 13.004412 0.05E-08 5.003877 7.63E-05 0.01E-06 2.63E-08 7. 13 November 2010 Lampiran B.37E-06 1.71E-06 6.51E-06 1.000332 0.04E-05 5.27E-08 1.56308 -28.000596 2.93E-08 2.000623 0.31E-07 4.002206 0.73E-05 5.04E-05 2.49542 -6.00859 -0.97E-05 4.81E-05 7.000161 0.36E-05 2.29E-06 3.030087 0.17E-09 1.94E-06 4.61E-05 1.85E-05 2.81E-05 0.03741 0.91E-08 1.4358 0.71E-06 2.58E-08 6.000174 0.82E-08 1.13E-05 1.035811 Tabel B2.010294 -0.41E-05 1.34E-07 4.017005 0.78E-05 0.39E-05 4.

96E-08 7.48E-06 0 0 3.001193 0.92E-08 2.001141 8.66E-06 5.11E-07 1.53E-06 0 1.000231 0.000228 3.01E-05 1.8E-07 9.3E-06 0.85E-05 3.1E-05 0.37E-06 0.5E-05 0.48E-06 5.67E-08 1.73E-07 1.000793 2.05E-08 7.24E-06 0.05E-05 9.08E-07 2.04E-09 3.28E-08 5.43E-07 1.005822 0.013765 1.000113 0.78E-06 0.000815 0.13E-05 1.13E-05 4.004219 0.84E-08 2.043695 0.29E-06 0 6.016686 1.002314 6.000513 0.95E-05 0.36E-05 1.09E-07 5.08E-07 2.14E-06 2.73E-05 2.000385 0.000246 0.33E-07 1.028429 0.77E-05 1.85E-08 5.0023 0.35E-05 8.62E-06 0.000303 3.64E-06 1.08E-05 0.99E-06 0.17E-06 4.000422 3.009619 0.27E-06 2.21E-06 3E-06 2.63E-06 3E-05 7.91E-06 2.93E-06 2.000128 2.17E-08 8.16E-06 0 0 2.19E-06 4.11E-06 1.91E-07 2.013633 0.006281 0.36E-07 0 1.46E-07 1.06E-08 7.000116 0.000754 1.050135 0.000115 0.61E-08 2.62E-06 8.084017 4.85E-05 0.96E-06 1.75E-05 0.76E-05 2.95E-06 0.000728 0.000562 0 0 1.009871 0 0 0.000668 0.11E-05 1.53E-07 1.000701 3.32E-05 4.98E-08 7.11E-08 1.010518 0.000217 0.41E-06 3.92E-06 9.42E-06 6.19E-06 0.000346 0.85E-06 3.86E-05 2. 13 November 2010 3.000274 3.71E-07 1.02E-06 1.17E-06 0.31E-05 0.000137 0 0 2.4E-05 1.79E-08 7.75E-06 2.73E-06 8.71E-09 4.61E-06 0.002495 5.12E-07 0.1E-06 2.000649 0.88E-07 6.38E-06 3.69E-07 3.41E-07 2.53E-07 5.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.015727 0.62E-05 0.000177 0.61E-06 5.000298 0.82E-08 3.000235 0.85E-06 6.31E-05 1.69E-07 3.53E-05 1.97E-05 7.39E-05 1.009443 2.000239 0.000179 0.02E-05 4.74E-08 4.82E-08 1.000719 0.000245 6.001226 2.88E-05 0.000139 0.019911 0.000112 9.000179 0.005403 0.25E-06 4.000525 0.66E-06 0.000138 0.81E-06 3.9E-07 2.62E-08 0 4.002918 2.08E-08 9.00038 0.48E-05 4.99E-06 0.0129 0.000162 Manajemen Risiko di Bidang Perbankan dan Asuransi | 106 .64E-05 1.000304 0.56E-07 7.000332 0 0.00057 0.7E-06 1.67E-05 0 0 5.6E-06 1.27E-06 2.00166 0.00079 0.66E-06 6.32E-05 1.7E-05 0.00041 2.08E-05 0 2.

055187 0.002078 0.001113 0.91E-05 1.32E-06 3.36E-06 0.49E-05 7.001838 0.000772 0.34E-05 4. Penaksir Parameter beta Spatial dari Sedimentasi (Y2) 0 1 2 3 4 5 4.22E-05 8.000779 0.77E-06 4.00018 0.09E-05 1.002741 0.002058 0.000402 0.028912 0.010826 0.28E-06 1.98E-05 1.91E-05 0.000165 0.001399 0.002741 6.000238 0.080958 0.75E-05 0.1E-05 1.00771 0.000485 2.028704 0.002198 8.004094 0.07E-05 0.34E-05 2.001224 0.34E-06 2.028994 0.001955 0.054436 0.001961 7.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.098224 0.007386 0.98E-05 3.000679 3.004969 0.09E-05 1.39E-05 0.12642 0.024435 0.87E-06 6.000285 0.00081 0.000254 9.000952 0.81E-06 3.0311 0.0002 0.34E-05 3.000359 0.002017 1E-04 0.001012 0.003532 0.4E-06 4.074442 0.41E-05 6.03352 0.84E-05 3.004009 0.4E-05 8.000455 0.19E-06 1.0489 0.92E-05 2.00105 0.029709 0.023935 0.021041 0.004545 0.28E-06 2.000204 8.07E-05 3.000129 6.002112 0.029651 0.000353 0.31E-05 0.64E-05 8.004231 0.016017 8.8E-06 0.88E-05 1.05936 0.003096 0.000382 9. 13 November 2010 Tabel B3.001655 0.99E-06 3.006845 0.31E-05 0.34566 0.25E-05 1.6E-05 6.036571 0.000102 0.000507 0.9E-05 3.028873 0.74E-06 9.000166 5.31E-05 9.59E-05 4.038344 0.67E-06 2.84E-05 1.03E-06 6.54E-06 9.000535 0.000223 0.003809 0.28E-06 0.086998 0.11E-05 0.000312 0.67E-06 9.05E-05 0.030279 0.52E-05 3.000123 0.07E-05 1.002395 0.63E-06 1.94E-06 4.046934 0.014245 0.003057 0.002545 0.003076 0.011671 0.000142 0.049735 0.000768 0.333657 0.59E-06 1.003897 0.35E-05 1.001911 0.071817 0.00237 0.035107 0.222391 0.66E-05 1.005371 0.00036 0.91E-05 1.000206 6.001005 0.001157 0.000234 0.09E-05 7.002719 0.78E-06 5.002201 0.00068 0.25E-05 2.000201 4.085131 0.00489 0.000354 0.006301 0.046183 0.000214 0.000255 0.000363 0.001156 0.003017 0.00509 0.64E-06 5.003113 0.012875 0.31E-05 3.004002 0.000465 0.08E-06 1.000145 0.000954 0.66E-06 1.00079 0.22E-05 0.002741 0.000618 Manajemen Risiko di Bidang Perbankan dan Asuransi | 107 .002258 0.076312 0.000968 0.001073 0.45E-05 3.01E-05 7.003194 0.000805 0.042827 0.024882 0.22E-05 0.000682 0.004264 0.002806 0.54E-06 1.25E-05 0.006127 0.000121 0.072149 0.08E-05 1.031471 0.00148 0.001221 0.016242 0.000344 0.004118 0.008902 0.46E-06 3.61E-06 0.031228 0.000523 0.000541 4.001229 0.00832 0.031974 0.

0031 0.000761 0.01E-05 1.68E-05 2.001909 0.000587 Manajemen Risiko di Bidang Perbankan dan Asuransi | 108 .003691 0.001585 0.49E-05 0.044325 0.01184 0.000855 0.010234 0.028455 0.004174 0.1E-05 6.002814 0.000211 5.000199 1.046231 0.002819 0.00564 0.002902 0.000235 0.66E-06 1.57E-05 0.001137 0.005781 0.000327 0.00205 0.033189 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.97E-06 8.11E-05 1.000602 0.000473 0.034992 0.57E-05 0.000241 0.000491 0.49E-05 1.75E-05 4.002319 0.002705 0.66E-06 2.28E-06 3.000242 0.030095 0.26E-05 0.79E-06 1.000441 0.049954 0.000706 0.51E-06 9.001678 4.004894 0.002958 0.000463 1.000191 0.074715 0.57E-05 4. 13 November 2010 0.63E-05 0.006348 0.000201 0.034393 0.05065 0.119885 0.002008 0.99E-05 5.99E-05 1.8E-05 2.000146 0.033372 0.68E-06 4.008392 0.00343 0.52E-05 3.11421 0.12E-05 5.002166 0.00631 0.017799 0.059407 0.000511 0.59E-06 6.062585 0.000596 0.001909 0.005854 0.83E-06 3.00279 0.82E-05 1.000591 0.08E-05 0.046906 0.45E-05 0.002596 0.06E-05 5.056936 0.575059 0.000872 0.139181 0.8E-06 1.001667 0.06E-05 0.31E-05 2.00134 0.08E-05 1.000634 0.004295 0.1E-05 2.02871 0.037962 0.17E-05 6.35E-05 4.000594 0.09E-05 9.000364 0.53E-06 9.002493 0.18E-05 2.000272 0.001644 0.003555 0.051005 0.000272 9.000155 0.001461 0.000173 0.050477 0.001384 0.000911 1.051397 0.003009 1.094418 0.000172 9.1E-05 6.00299 0.002057 0.001126 0.35764 0.4E-05 1.116201 0.18E-06 2.019973 0.

000602 2.56E-08 5.001982 0.22E-06 3.87E-05 3.9E-05 5.63E-06 2.003066 0.09E-06 1.23E-06 8.22E-07 5.00102 4.000764 0.87E-08 8.04E-05 1.000264 0.38E-05 9.11E-07 3. 13 November 2010 Tabel B4.83E-06 1.67E-06 3.004393 0.05E-06 2.27E-06 1.000202 0.03E-05 1.003684 0.3E-05 0.1E-06 1.000308 0.59E-08 5.32E-05 0.000722 0.62E-07 2.75E-06 2.017094 4.58E-05 2.006916 0.000454 0.18E-06 0.57E-06 2.85E-08 5.012835 0.004481 4.62E-05 0.00016 8.000328 0.16E-06 4.56E-07 2.3E-06 6.000734 0.29E-05 5.69E-06 9E-06 1.53E-05 1.051353 0.72E-06 3.2E-05 2.44E-07 2.000604 0.014878 0.49E-08 6.52E-06 5.46E-05 4.57E-06 0.00242 2.03E-06 4.07E-07 2.8E-05 2.15E-08 7.001165 5.00047 4.000457 0.65E-08 7.37E-05 1.95E-06 3.45E-06 1.01592 0.052236 0.77E-07 2.11E-08 3.91E-05 0.001235 0.85E-05 1.000145 1.000363 0.89E-06 1.33E-05 0.000128 0.002259 0.84E-08 4.1E-06 8.47E-06 1.000231 1.000147 1.03E-06 2.55E-07 6.000129 2.83E-06 3.54E-06 9.0006 5.96E-07 5.000102 0.48E-06 3.000226 0.25E-06 9.75E-08 8.55E-06 1.55E-06 7.67E-05 4.63E-05 2.92E-05 0.94E-07 8.3E-08 4.05E-05 0.002283 0.94E-05 0.023097 0.03E-05 8.62E-07 0.89E-07 2.39E-06 4.88E-06 2.24E-05 1.73E-08 3.57E-05 3.9E-08 9.000867 0.002744 0.86E-07 1.86E-05 0.000566 7.010147 0.93E-06 1.07E-08 4.000648 0.000104 1.000287 0.000244 6.27E-08 2.08E-06 1.42E-05 2.79E-07 1.26E-07 1.03E-05 0.18E-07 8.35E-06 2.83E-07 7.78E-05 1.000414 1.000266 0.98E-05 1.000424 9.54E-07 1.0006 0.76E-07 1.65E-06 6.51E-05 8.62E-05 9.000227 0.9E-05 3.85E-06 7.00034 Manajemen Risiko di Bidang Perbankan dan Asuransi | 109 .08E-07 5.05E-07 7.84E-05 9.3E-06 0.5E-05 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.84E-05 0.21E-06 0.001197 0.56E-05 0.53E-06 4.18E-05 2.14E-07 3.28E-07 1.09E-06 1.56E-05 4.31E-06 5.001008 4.25E-06 2.000302 1.19E-07 2E-07 1.88E-06 1.67E-07 1.010486 0.93E-05 0.000397 0.33E-08 8. Penaksir Parameter beta Spatial dari Debit (Y3) 0 1 2 3 4 5 9.000427 0.83E-05 3.82E-05 8.11E-06 1.44E-07 1.18E-05 1.00018 3.000616 0.94E-05 0.000601 0.03E-05 0.83E-06 1.76E-06 7.0002 2.19E-06 0.64E-07 7.32E-07 0.000505 0.27E-07 2.32E-07 2.88E-06 0.48E-08 2.000571 0.85E-06 5.12E-06 2.15E-05 4.000219 0.000173 0.005549 0.001507 0.05E-08 7.03E-05 2.24E-05 0.12E-07 1.000474 1.000765 0.73E-08 1.000558 0.05E-06 3.

000448 3.64E-08 3.18E-06 1.89E-06 8.000174 5.79E-07 2.41E-06 1.74E-06 3.09E-06 3.00171 1.78E-05 0.000127 0.67E-05 3.00042 0.28E-07 3.001438 4.39E-05 0.38E-05 0.023073 0.00022 0.25E-05 2.76E-05 9.44E-06 1.69E-06 1.07E-06 3.000252 9.000521 0.36E-05 0.001271 0.00057 0.002257 0.19E-05 6.87E-08 1.149354 0.000516 3.32E-08 6.000682 0.000234 0.03E-05 0.99E-08 8.88E-08 1.01E-08 1.5E-08 4.008427 0.28E-07 0.92E-05 Manajemen Risiko di Bidang Perbankan dan Asuransi | 110 .49E-07 6.000226 1.39E-06 2.48E-05 1.69E-05 2.34E-05 0.027297 0.16E-05 8.47E-05 0.87E-05 3.06E-06 3.003709 0.47E-06 5.66E-05 0.0017 4.86E-05 9.068186 0.000171 0.88E-05 5.25E-05 3.49E-06 8.02E-07 3.000134 0.000147 0.003792 0.53E-07 7.68E-06 4.003393 9.002484 0. 13 November 2010 0.78E-06 1.33E-05 0.62E-05 2.73E-05 3.000146 2.16E-07 1.4E-07 2.049611 0.000574 6.62E-07 3.66E-06 0.000124 0.77E-08 2.59E-08 6.25E-07 1.005412 0.000321 0.93E-08 1.000539 0.57E-05 0.29E-05 0.29E-07 0.25E-07 3.15E-06 1.02E-06 0.92E-06 1.26E-07 2.06E-06 2.97E-06 0.91E-06 9.57E-08 1.1E-07 1.000687 0.000348 0.31E-06 9.032299 0.003961 0.001443 5.000534 1.66E-05 0.02E-06 2.004582 5.04E-05 3.18E-07 1.8E-06 9.005738 2.75E-05 3.002404 1.26E-06 6.93E-07 1.000303 4.31E-06 1.2E-07 6.56E-06 4.00368 0.000858 0.18E-06 1.000801 1.31E-05 7.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.000337 9.1E-05 0.68E-06 0.22E-06 2.015428 0.31E-05 0.000357 0.04E-08 3.001325 2.000126 2.

sedangkan yang menjadi karakteristik peubahnya adalah Angka Putus Sekolah.com ABSTRAK Masalah putus sekolah pendidikan dasar masih menjadi masalah yang perlu diperhatikan. Persentase Pendidikan Kepala Keluarga yang Tidak Tamat SD. 13 November 2010 (M. Metode Biplot. Berdasarkan hasil ini. dan Jumlah Anak. Objek yang diamati dalam penelitian ini adalah seluruh kecamatan yang berada di Kabupaten Ogan Ilir. Tingkat Motivasi Anak.2) ANALISIS BIPLOT UNTUK MENGETAHUI KARAKTERISTIK PUTUS SEKOLAH PENDIDIKAN DASAR PADA MASYARAKAT MISKIN ANTAR WILAYAH KECAMATAN DI KABUPATEN OGAN ILIR Didin Astriani P. Persentase Tingkat Pendidikan Kepala Keluarga yang Tidak Tamat SD. Kecamatan Muara Kuang mempunyai karakteristik Angka Putus Sekolah yang sangat tinggi dan Angka Partisipasi Murni yang sangat rendah.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Dian Cahyawati (Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sriwijaya) dian_cahyawati@yahoo. Persentase Pendidikan Kepala Keluarga yang Tidak Tamat SD dan Angka Putus Sekolah yang relatif tinggi. diharapkan dapat menjadi pertimbangan bagi Pemerintah Daerah Kabupaten Ogan Ilir agar lebih mengutamakan kebijakan-kebijakan yang diterapkan untuk menangani masalah putus sekolah dengan karakteristik wilayah masing-masing kecamatan. Hasil Analisis Biplot diperlihatkan bahwa Kecamatan Payaraman dan Kandis mempunyai kemiripan dalam hal karakteristik Jumlah Anak. sehingga perlu dianalisis untuk mendapatkan pemetaan masalah putus sekolah antar kecamatan terhadap faktor-faktor yang berkaitan dengan karakteristik putus sekolah pendidikan dasar. Pemetaan ini diperoleh dengan menggunkan Analisis Biplot. Persentase Anak yang Bekerja. Demikian juga di Wilayah Kabupaten Ogan Ilir yang masih memiliki jumlah penduduk miskin relatif cukup besar. Angka Partisipasi Murni. dan Jumlah Anak. Kata kunci: Angka Putus Sekolah Pendidikan Dasar. Tingkat Motivasi Orang Tua. Karakteristik wilayah antar kecamatan hasil pemekaran yang saling berbeda. Peubah Angka Putus Sekolah mempunyai korelasi yang kuat dengan peubah Angka Partisipasi Murni. serta Angka Partisipasi Murni yang relatif rendah. Persentase Anak yang Bekerja. Manajemen Risiko di Bidang Perbankan dan Asuransi | 111 . Oki Dwipurwani. Masalah Kemiskinan. terutama pada masyarakat miskin. merupakan faktor yang dapat menyebabkan karakteristik putus sekolah pendidikan dasar antar kecamatan berbeda-beda. Wilayah ini terdiri dari 16 Kecamatan dengan beberapa diantaranya adalah hasil pemekaran.

Berdasarkan hal di atas. masih menjadi masalah yang perlu diperhatikan terutama pada masyarakat miskin di Kabupaten Ogan Ilir untuk masing-masing kecamatan hasil pemekaran. Kemiskinan sebagai salah satu penyebab putus sekolah (Supriadi dalam Cahyawati 2007) dapat merupakan faktor penyebab masalah rendahnya partisipasi sekolah pendidikan dasar. Sehingga diperoleh pemetaan dalam bentuk grafik yang lebih menarik dan mudah diinterpretasikan.MDGs) yang harus tercapai pada tahun 2015. terlihat bahwa tingkat partisipasi sekolah. untuk masing-masing kecamatan di wilyah Kabupaten OI masih memiliki jumlah penduduk miskin yang relatif cukup besar.8%) dan Nasional (16. yaitu menurunkan angka kemiskinan hingga 7. diharapkan dapat memberikan informasi untuk menentukan kebijakan yang berkaitan dengan faktor-faktor yang berisiko pada putus Manajemen Risiko di Bidang Perbankan dan Asuransi | 112 . masingmasing wilayah ini masih memiliki tantangan dalam pembangunannya.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.45% masih di atas Palembang (16.5 %. Selain terbatasnya sarana dan prasarana pendidikan. Sehingga perbedaan karakteristik wilayah ini perlu dianalisis untuk mendapatkan pemetaan karakteristik putus sekolah pendidikan dasar masyarakat miskin antar wilayah Kecamatan di Kabupaten Ogan Ilir. Selain itu. 13 November 2010 A. Dengan demikian. Data Badan Perencanaan dan Pembangunan Nasional (Bappenas. Metode ini menganalisis peubah-peubah yang berkaitan dengan objek pengamatan.66%) serta sangat jauh dengan capaian pembangunan milenium (Millenium Development Goals . merupakan faktor yang menyebabkan karakteristik putus sekolah pendidikan dasar antar kecamatan berbeda-beda. menampilkannya dalam grafik pada suatu bidang datar. melalui pemetaan karakteristik antar kecamatan berdasarkan faktor-faktor yang berkaitan dengan putus sekolah. karakteristik wilayah antar kecamatan hasil pemekaran yang saling berbeda. 2007) menunjukan bahwa proporsi populasi dibawah garis kemiskinan Kabupaten OI sebesar 19. Salah satu metode yang dapat digunakan untuk mendapatkan pemetaan tersebut adalah Analisis Biplot. Sebagai kecamatan-kecamatan yang baru. hasil pemekaran. PENDAHULUAN Kabupaten Ogan Ilir (OI) mempunyai 16 kecamatan dengan beberapa diantaranya adalah hasil pemekaran. salah satunya yaitu masih terbatasnya akses atas sarana dan prasarana termasuk pada bidang pendidikan. yang terkait dengan masalah putus sekolah.

Skalar λ disebut nilai eigen dari A dan x disebut vektor eigen dari A yang terkait dengan λ. TINJAUAN PUSTAKA B.. 1 1 … r >0. 1 r xa r adalah matriks berukuran nxr.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.. Persamaan Ax = λx dapat ditulis sebagai (A-λI)x=0. khususnya pada masyarakat miskin di wilayah Kabupaten Ogan Ilir.. yakni: Ax = λx untuk skalar sembarang λ. Nilai Eigen dan Vektor Eigen Definisi: Jika A adalah sebuah matriks yang berukuran nxn. Penguraian Nilai Singular (PNS) Penguraian nilai singular (PNS) menunjukan matriks berukuran nxp dengan n menghasilkan tiga perkalian matriks. jika Ax adalah kelipatan skalar dari x.1) nxp dengan jumlah kolom r. maka sebuah vektor taknol x pada R disebut vektor eigen dari A.2.1. Unsur-unsur Manajemen Risiko di Bidang Perbankan dan Asuransi | 113 . U= Dimana X adalah matriks berukuran 1 1 xa1 .. L adalah matriks diagonal berukuran rxr dengan unsur-unsur diagonalnya adalah akar kuadrat dari nilai eigen matriks X ' X atau XX ' dengan diagonal matriks L ini disebut nilai singular matriks X. (Anton dan Rorres. merupakan himpunan vektor eigen dari X ' X atau XX ' . B. 1 2 x a 2 . 2002) B. yaitu: n n p Xp n Ur Lr A p ' (B. 13 November 2010 sekolah untuk masing-masing kecamatan.

1988. (Sharma..1 C.. Analisis Biplot Analisis Biplot merupakan teknik statistik deskriptif dimensi ganda yang dapat disajikan secara visual dengan menyajikannya secara simultan segugus objek pengamatan dan peubah dalam suatu grafik pada suatu bidang datar sehingga ciri-ciri peubah dan objek pengamatan serta posisi relatif antara objek pengamatan dengan peubah dapat dianalisis....a r adalah vektor eigen dari matriks X ' X atau XX ' .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.. a 2 .2) Penguraian Nilai Singular matriks X GH' dapat dituliskan sebagai: X = ULα L1-αA ' dengan 0 . maka persamaan (B. ..1) dapat dituliskan menjadi: X GH' (B.. 1986 & Rawlings.. 1996) B..  . METODE PENELITIAN Metode yang digunakan dalam penelitian ini adalah survei. Jadi dengan biplot dapat ditunjukan hubungan antara peubah. 13 November 2010 1 0 2 0 0 3 .. dkk. 2003). kemiripan relatif antar objek pengamatan. 0 0 0  r 0 L= 0  0 0  0  0 A a1 .. dalam Sartono.3. Jika didefinisikan bahwa G = ULα dan H ' =L1-αA ' . serta posisi relatif antar objek pengamatan dengan peubah (jollife. Survei dilakukan secara langsung dengan menyebarkan kuesioner terhadap rumah tangga miskin setiap kecamatan yang ada di wilayah Kabupaten Ogan Ilir. . Kuesioner berisikan pertanyaan-pertanyaan yang Manajemen Risiko di Bidang Perbankan dan Asuransi | 114 .

3. Teknik pengambilan sampel yang digunakan adalah teknik pengambilan sampel acak klaster (cluster random sampling). Artinya. 2. 2. Dimana terdapat 16 kecamatan di Kabupaten OI. 13 November 2010 berkaitan dengan karakteristik Putus Sekolah Pendidikan Dasar dan Kondisi Sosial Ekonomi Keluarga. 3. terdiri dari 16 kecamatan. dari setiap kecamatan diambil dua desa secara acak sehingga diperoleh 32 desa. 3. 1. yaitu: No 1 Kecamatan Asal Indralaya Hasil Pemekaran 1. 1. seluruh kepala keluarga yang memiliki anak usia sekolah pendidikan dasar (7-15 tahun) dan merupakan keluarga miskin yang ada di 64 RT tersebut merupakan responden. Karakteristik putus sekolah yang diamati dalam penelitian ini adalah: 1) 2) 3) 4) 5) 6) 7) Angka Putus Sekolah Pendidikan Dasar Angka Partisipasi Murni Pendidikan Dasar Persentase Anak Usia Pendidikan Dasar yang Bekerja Rata-Rata Motivasi Anak Terhadap Sekolah Rata-Rata Motivasi Orang Tua Terhadap Sekolah Persentase Pendidikan KK yang Tidak Tamat SD Jumlah Anak Orang Tua Objek yang diamati dalam penelitian ini adalah semua Kecamatan di Kabupaten Ogan Ilir. dari setiap desa diambil dua Rukun Tangga (RT) secara acak sehingga diperoleh 64 RT sebagai wilayah penelitian. 3. 1. 2. Indralaya Indralaya Utara Indralaya Selatan Pemulutan Pemulutan Barat Pemulutan Selatan Tanjung Batu Payaraman Tanjung Raja Sungai Pinang Rantau Panjang Muara Kuang Rambang Kuang Lubuk Keliat 2 Pemulutan 3 4 Tanjung Batu Tanjung Raja 5 Muara Kuang Manajemen Risiko di Bidang Perbankan dan Asuransi | 115 . 1. 2. 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

64 3. Data Karakteristik Putus Sekolah Pendidikan Dasar Masyarakat Miskin untuk Masing-Masing Kecamatan di Kabupaten Ogan Ilir Karakteristik Putus Sekolah Pendidikan Dasar No 1 2 3 Kecamatan X1 Indralaya Indralaya Utara Indralaya Selatan X2 X3 0. Rantau Alai 2.55 20.53 89.68 63. dimana L1 A ' 4.53 89. Menbuat kesimpulan hasil penelitian D.43 61. Membuat tabel data karakteristik putus sekolah pendidikan dasar untuk masingmasing kecamatan dalam bentuk baris dan kolom. Mencari matriks G dengan G UL ' UL dan H 1 dan matriks H dengan L1 A ' 0 .90 3.23 8.24 Manajemen Risiko di Bidang Perbankan dan Asuransi | 116 .29 2.11. Kandis Langkah-langkah untuk menggambarkan pemetaan karakteristik putus sekolah pendidikan dasar masyarakat miskin antar wilayah Kecamatan di Kabupaten Ogan Ilir dengan menggunakan analisis biplot adalah sebagai berikut: 1. HASIL DAN PEMBAHASAN Berdasarkan hasil survei. Tabel 4. Memplotkan matriks G dan H dalam satu grafik berdimensi dua (biplot).35 10. 2. Menginterpretasikan hasil biplot yang menggambarkan kemiripan masing-masing kecamatan berdasarkan peubah atau karakteristik yang diamati. 6. 3. Mencari akar ciri dan vektor ciri x dari matriks R.47 36. data masing-masing kecamatan dengan karakteristik putus sekolah pendidikan dasar masyarakat miskin untuk masing-masing Kecamatan di Kabupaten Ogan Ilir dapat dilihat pada Tabel 4.47 15. 5.79 32.50 34.00 3.11 . 13 November 2010 6 Rantau Alai 1. sehingga menghasilkan pemetaan antar wilayah Kecamatan di Kabupaten Ogan Ilir berdasarkan karakteristik putus sekolah pendidikan dasar.00 X4 X5 X6 X7 10.82 85.94 34.29 36.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.24 30.

57 66.13 33.95 52. dapat dihitung matriks korelasi R antar peubah karakteristik putus sekolah pendidikan dasar.37 11. 13 November 2010 4 5 6 7 8 9 10 11 12 13 14 15 16 Pemulutan Pemulutan Barat 8.88 12.74 34.13 9.24 19.91 85.62 12.10 34.00 33.00 3.89 34. Manajemen Risiko di Bidang Perbankan dan Asuransi | 117 .19 3.00 88.90 47.68 11.70 75.27 2.18 Pemulutan Selatan 12.28 33.71 33.81 61.90 4.71 3.86 37.96 90.91 3.91 32.40 34.27 3.82 88.67 4.14 33.38 3.75 6.10 3.24 31.73 12.00 80.82 33.00 12.00 3.78 35.77 88.23 88. kemudian nilai-nilai akar ciri dari matriks korelasi R dapat dilihat pada Tabel 4.12 84.13.03 32.76 76.41 5.92 34.18 3.86 77.16 34.19 8.25 35.30 93.50 34.00 77.24 8.95 34.05 80.77 33.22 33.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.37 3.53 27.96 68.48 Keterangan: X1 = Angka Putus Sekolah Pendidikan Dasar X2 = Angka Partisipasi Murni (APM) Pendidikan Dasar X3 = Persentase Anak Usia Pendidikan Dasar yang Bekerja X4 = Rata-rata Motivasi anak terhadap Sekolah X5 = Rata-rata Motivasi orangtua terhadap Sekolah X6 = Persentase Tingkat Pendidikan KK yang Tidak Tamat SD X7 = Rata-rata Jumlah Anak dalam Keluarga Nilai-nilai dalam Tabel 4.82 87.00 2.89 5. X 7 tersebut.63 33.45 68.43 62.08 16.88 33.12 32.95 11.29 32.00 4.57 18.11 91.68 5.28 64.12 87.96 34.11 tersebut merupakan elemen-elemen matriks data Berdasarkan matriks data 16 16 X7 .92 81.24 31.63 11.68 Tanjung Batu Payaraman Tanjung Raja Sungai Pinang Rantau Panjang Muara Kuang Rambang Kuang Lubuk Keliat Rantau Alai Kandis 15.

65 100.60 79. sehingga kedua KU ini menerangkan data asal sebesar 79.96 dengan keragaman yang bisa dijelaskan sebesar 27. Nilai akar ciri untuk komponen utama kedua (KU II) sebesar 1.00 Keragaman (%) Berdasarkan Tabel 4.15.79 99.256 -0.61 1.02 51.85 0.41 95.054 Manajemen Risiko di Bidang Perbankan dan Asuransi | 118 .58%.20 0. Nilai-nilai vektor ciri dari matriks korelasi R dapat dilihat pada Tabel 4.94 98.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.98%.60 27.13.76 0.253 II 0.53 2.96 0.13. 13 November 2010 Tabel 4.60% . berarti ada dua komponen utama (KU) yang digunakan sebagi peubah baru. Dua peubah baru disini adalah peubah komponen utama pertama (KU I) dan komponen utama kedua (KU II) yang ditata berdasarkan keragamannya yang terbesar sampai yang terkecil. diperoleh informasi bahwa nilai akar ciri pada komponen utama pertama (KU I) sebesar 3.61 dengan keragaman yang dapat dijelaskan oleh satu KU tersebut sebesar 51.98 10.86 0.39 0.58 90. jika digunakan dua nilai akar ciri terbesar pertama. Maka. Dua Vektor Ciri Pertama dari Matriks Korelasi Vektor Ciri Peubah I X1 X2 0.35 51.001 -0. Nilai-Nilai Akar Ciri dari Matriks Korelasi R Akar Ciri Kumulatif Komponen Total (%) 1 2 3 4 5 6 7 3. Tabel 4.06 0.83 5.15 berikut.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran.912 0.001 -0.926 -0.828 II 0.118 Nilai-nilai Tabel 4.107 -0.14.841 -0.154 0.474 0.928 0.231 Nilai-nilai Tabel 4.233 -0. Peubah baru yang dihasilkan memiliki korelasi dengan peubah asal.050 0. yaitu: Manajemen Risiko di Bidang Perbankan dan Asuransi | 119 .191 0.010 0.019 0. Sehingga didapat kombinasi linear peubah asal untuk peubah baru KU.15. merupakan elemen matriks dua vektor ciri 7A2 dengan tujuh peubah asal karakteristik putus sekolah dan dua peubah baru KU.14. Nilai-nilai Korelasi Peubah Asal dengan KU Komponen Utama (KU) Peubah I X1 X2 X3 X4 X5 X6 X7 0. 13 November 2010 X3 X4 X5 X6 X7 0.970 -0.181 0. merupakan elemen-elemen matriks 7H2.495 -0.302 0.151 0. yaitu nilai-nilai koefisien dua komponen utama (KU) untuk masing-masing peubah asal.690 0.229 -0.14 Tabel 4.042 0. Nilai masingmasing koefisien korelasi peubah asal terhadap peubah baru dapat dilihat pada Tabel 4.

19 -0.06 -2.91 Manajemen Risiko di Bidang Perbankan dan Asuransi | 120 .50 0.16 0.74 -0.107X2 . Dua skor KU yang diperoleh untuk masing-masing Kecamatan di Kabupaten Ogan Ilir dapat dilihat pada tabel 4.0.45 -0.29 0.30 0.99 2.98 -0.84 -0.001X1.32 0.16.926X1 – 0.61 -0.29 -0.03 0.16.841X3 – 0.31 -0.98 -0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.231X7 Unsur-unsur dari matriks 7 H 2 merupakan titik-titik koordinat yang mewakili tujuh peubah karakteristik putus sekolah pendidikan dasar untuk masing-masing di Wilayah Kabupaten Ogan Ilir.0.97X5 – 0.73 -0.23 0.06 -0.69X6 + 0.04 -1.928X4 + 0.828X7 KU2 = 0.302X3 + 0. 13 November 2010 KU1 = 0. Skor KU I dan KU II untuk Masing-Masing Kecamatan di Kabupaten Ogan Ilir No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Kecamatan Indralaya Indralaya Utara Indralaya Selatan Pemulutan Pemulutan Selatan Pemulutan Barat Tanjung Batu Payaraman Tanjung Raja Sungai Pinang Rantau Panjang Muara Kuang Rambang Kuang Lubuk Keliat Rantau Alai Kandis Skor KU I -0.81 0.43 0.55 0.30 0.68 -1.912X2 + 0.63 0.11 -0.151X5 + 0.24 -0.45 Skor KU II 2.181X4 + 0.18 1.019X6 + 0. Tabel 4.

00000 KU II 27. Matriks G dan H masing-masing diplot berdasarkan koordinat masingmasing unsur dari matriks G dan H. Hasil pemetaan Biplot dapat dilihat pada Gambar 4.00000 -1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.00000 Indralaya 2.00000 3. Dalam Analisis Biplot digunakan penggabungan dua buah matriks.00000 KU I 51. merupakan elemen-elemen matriks 16G2 yang unsur-unsurnya merupakan titik-titik koordinat yang mewakili masing-masing kecamatan yang berada di Kabbupaten Ogan Ilir.00000 0.00000 Rantau Panjang Rantau Alai Lubuk Keliat Sungai Pinang Pemulutan Selatan Muara Kuang Rambang Kuang Pemulutan Barat Indralaya Utara -2. yaitu 16 kecamatan.00000 1. yaitu matriks G dan matriks H. Pemetaan Kecamatan di Kabupaten Ogan Ilir Berdasarkan Karakteristik Partisipasi Sekolah Pendidikan Dasar dan Sosial Ekonomi Keluarga Biplot pada gambar 4. mengenai karakteristik putus sekolah pendidikan dasar untuk masing-masing Kecamatan di Wilayah Kabupaten Ogan Ilir.3. Selanjutnya hasil Analisis Biplot dapat diinterpretasikan sebagai berikut: 1.00000 2. Berdasarkan Kedekatan antar Objek Masing-masing Kecamatan Manajemen Risiko di Bidang Perbankan dan Asuransi | 121 .58% dari keseluruhan informasi pada data asal.3 RE GR fact or sco re 2 for ana lysi s1 RE GR fact or sco re 1 for ana lysi s1 VA R0 000 2 RE GR fact or sco re 1 for ana lysi s1 4.16. mampu menjelaskan keragaman data sebesar 79.98% Tanjung Raja Indralaya Selatan X2 Pemulutan X4 X5 X7 X6 X1 X3 Payaraman Kandis Tanjung Batu 0. 13 November 2010 Nilai-nilai Tabel 4.00000 -4.6% Gambar 3.

dan pemulutan memiliki karakteristik hampir mirip. peubah Angka Partisipasi Murni mempunyai keragaman yang lebih besar. Berdasarkan Hubungan/Korelasi antar Peubah-peubah Karakteristik Putus Sekolah Pendidikan Dasar Sudut yang dibentuk antar dua peubah menunjukan kuat tidaknya korelasi antar peubah. Rantau Panjang. 13 November 2010 Kecamatan Tanjung Raja. Indralaya Selatan. Berdasarkan panjang vektor yang lebih panjang. artinya motivasi anak maupun orang tua untuk masing-masing kecamatan relatif sama. Kecamatan Pemulutan Selatan. baik korelasi positif maupun korelasi negatif. Peubah Motivasi Anak dan Motivasi Orang Tua mempunyai keragaman yang relatif lebih kecil. Kecamatan Muara Kuang. Kecamatan Payaraman dan Kecamatan Kandis memiliki kemiripan. Sungai Pinang. Lubuk Keliat. artinya. Vektor X1 berhimpit dengan vektor X6. Hal ini menunjukan bahwa kedua peubah ini mempunyai korelasi positif yang sangat kuat. Rambang Kuang. masing-masing membentuk kelompok sendiri-sendiri. Berdasarkan Keragaman Peubah-peubah Karakteristik Putus Sekolah Pendidikan Dasar Berdasarkan panjang vektor yang lebih kecil. dan Pemulutan Barat mempunyai kemiripan. artinya semakin tinggi Persentase Tingkat Pendidikan KK yang tidak tamat SD (X6) maka Angka Putus Sekolah pendidikan dasar (X1) semakin tinggi . Tanjung Batu. Indralaya dan Indralaya Utara. maka semakin tinggi Angka Putus Sekolah pendidikan dasar (X1). Hal ini menunjukan bahwa kedua peubah ini mempunyai korelasi positif yang sangat kuat. Vektor X1 juga hampir berhimpit dengan vektor X7. Hal ini menunjukan semakin tinggi Jumlah Anak (X7). 2. artinya Angka Partisipasi Murni untuk masing-masing Kecamatan lebih beragam. maka semakin tinggi Angka Putus Sekolah pendidikan dasar (X1). Vektor X1 hampir berhimpit dengan vektor X3. rantau Alai.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 3. Manajemen Risiko di Bidang Perbankan dan Asuransi | 122 . semakin tinggi Persentase Anak usia pendidikan dasar yang bekerja (X3).

Vektor X2 lebih mengarah pada kecamatan Pemulutan. Hal ini menunjukan bahwa Kecamatan Pemulutan cenderung memiliki APM pendidikan dasar yang lebih tinggi. 13 November 2010 Vektor dari peubah Motivasi Anak (X4) hampir berhimpit dengan vektor dari peubah Motivasi Orang Tua (X5). X3. Vektor APM pendidikan dasar (X2) berlawanan arah dengan vektor Angka Putus Sekolah pendidikan dasar (X1).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. sedangkan vektor X1 dan X6 justru berlawanan. Karena motivasi orang tua (X5) berkorelasi positif terhadap motivasi anak (X4). Hal ini menunjukan bahwa ketiga kecamatan ini mempunyai motivasi terhadap sekolah yang rendah (baik orang tua maupun anak). sedangkan Angka Putus Sekolah dan Persentase Tingkat Pendidikan KK yang tidak tamat SD lebih rendah. Arah vektor X4 berlawanan arah dengan Kecamatan Rambang Kuang dan Pemulutan Barat. Sedangkan vektor APM (X2) arahnya berlawanan dengan kecamatan Muara Kuang hal ini menunjukan bahwa Kecamatan Muara Kuang memiliki APM yang lebih rendah. Vektor X4 lebih mengarah pada Kecamatan Indralaya. hal ini menunjukan tingkat Angka Putus Sekolah (X1). Hal ini menunjukan bahwa semakin tinggi motivasi orang tua maka semakin tinggi tingkat motivasi anak terhadap sekolah. Berdasarkan Nilai Peubah pada Suatu Objek Hal ini menunjukan karakteristik putus sekolah pendidikan dasar untuk masingmasing Kecamatan di Kabupaten Ogan Ilir. dan Persentase tingkat pendidikan KK yang tidak tamat SD (X6) pada Kecamatan Muara Kuang paling besar. maka motivasi orang tua di Kecamatan Indralaya juga tinggi Vektor X1. 4. vektor X5 berlawanan arah dengan Kecamtan Indralaya Utara. dan X6 lebih mengarah pada Kecamatan Muara Kuang. Hal ini menunjukan bahwa kedua peubah ini mempunyai korelasi negatif. artinya semakin kecil APM maka semakin besar Angka Putus Sekolah. hal ini menunjukan Kecamatan Indralaya cenderung memiliki karakteristik yang lebih baik dalam hal motivasi anak (X4) yang lebih tinggi. Manajemen Risiko di Bidang Perbankan dan Asuransi | 123 . Persentase anak yang bekerja (X4).

2. KESIMPULAN DAN SARAN E. Jumlah Anak dalam keluarga dan Persentase Anak yang bekerja relatif lebih rendah.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Persentase Pendidikan Kepala Keluarga yang tidak tamat SD. Sungai Pinang. Rambang Kuang dan Pemulutan Barat mempunyai kemiripan dalam hal motivasi terhadap sekolah relatif lebih rendah (baik orang tua maupun anak). Manajemen Risiko di Bidang Perbankan dan Asuransi | 124 . Kecamatan Indralaya Utara mempunyai tingkat Motivasi Orang Tua terhadap sekolah yang sangat rendah. 2. Kesimpulan 1.2. maka penulis menyarankan untuk menganalisis besarnya faktor-faktor yang mempengaruhi Putus Sekolah pendidikan dasar. E. Kecamatan Tanjung Raja. Kecamatan Payaraman dan Kecamatan Kandis memiliki kemiripan dalam hal karakteristik jumlah anak yang lebih tinggi. Rantau Panjang. Kepada pemerintah Kabupaten Ogan Ilir disarankan agar lebih memperhatikan Kecamatan Muara Kuang. persentase anak yang bekerja dan angka putus sekolah yang relatif tinggi. baik Orang Tua maupun Anak 5.1. Misalnya Metode Pohon Klasifikasi dan Metode Regresi Logistik. Kecamatan Payaraman dan Kecamatan Kandis. Untuk mendapatkan kesempurnaan dalam penulisan atau penelitian yang akan datang. rantau Alai. Lubuk Keliat. Kecamatan Muara Kuang mempunyai karakteristik tingkat Angka Putus Sekolah. Kecamatan Indralaya mempunyai tingkat motivasi terhadap sekolah yang sangat tinggi. karena masyarakat miskin di kecamatan tersebut memiliki Angka Putus Sekolah yang relatif masih tinggi. Persentase Tingkat Pendidikan Kepala Keluarga yang tidak tamat SD. dan Persentase Anak yang bekerja sangat tinggi. Kecamatan Pemulutan Selatan. 13 November 2010 E. Tanjung Batu. Indralaya Selatan. 6. sedangkan Angka Putus Sekolah. Saran 1. 3. serta karakteristik Angka Partisipasi Murni yang relatif rendah. 4. dan pemulutan memiliki karakteristik hampir mirip berdasarkan Angka Partisipasi Murni yang relatif tinggi.

DAFTAR PUSTAKA Anton. & C. Jakarta. H. Sumertajaya & Y. Agraeni. Inc. Erlangga. Jurusan Statistika FMIPA IPB. 2003. Bogor. Applied Multivariate Techniques. Syafitri. 13 November 2010 F. B. 1996. I.. Edisi Kedelapan Jilid 1. U. Sartono.M.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Analisis Peubah Ganda. Rorres. Aljabar Linier Elementer.D. New York. John Wiley & Sons. Affandi. F. Sharma. 2002. S. Manajemen Risiko di Bidang Perbankan dan Asuransi | 125 .M.

Motivasi Orang Tua. Tujuan penelitian ini adalah mendapatkan struktur hubungan faktor-faktor yang berkaitan dengan risiko anak putus sekolah pendidikan dasar di Kabupaten OI. Metode CHAID Manajemen Risiko di Bidang Perbankan dan Asuransi | 126 . Tingkat Pendidikan Ibu dan Tingkat Pendapatan. Diikuti variabel-variabel lain yang hubungannya dengan penyebab putus sekolah semakin lemah. tidak memberikan hubungan yang signifikan. Salah satu masalah yang mempengaruhi angka partisipasi sekolah adalah masalah putus sekolah. Kata Kunci : Putus Sekolah Pendidikan Dasar.3) ANALISIS HUBUNGAN FAKTOR-FAKTOR YANG BERKAITAN DENGAN RISIKO ANAK PUTUS SEKOLAH PENDIDIKAN DASAR (Kasus : Wilayah Kabupaten Ogan Ilir Provinsi Sumatera Selatan) Oleh: Dian Cahyawati S. Analisis dilakukan terhadap data hasil survei Tahun 2010. Sedangkan Asal Daerah Ayah. Jenis Pekerjaan Ibu. Jurusan Matematika FMIPA Universitas Sriwijaya e-mail: dian_cahyawati@yahoo. tetapi masih dibawah capaian Nasional dan jauh dari target capaian Pembangunan Milenium untuk Tahun 2015.com ABSTRAK Data Badan Perencanaan dan Pembangunan Nasional (2007) menunjukkan bahwa angka partisipasi sekolah pendidikan dasar di Kabupaten Ogan Ilir (OI) sudah diatas capaian Provinsi Sumatera Selatan. penelitian ini mengamati juga faktor motivasi sekolah sebagai variabel bebas. yaitu sebanyak 592 sampel anak usia sekolah pendidikan dasar. Beberapa telaah yang mengamati masalah putus sekolah. dan Jumlah Anak dalam Keluarga. Status Bantuan Pendidikan. Jenis Pekerjaan Ayah. yaitu Jenis Kelamin Anak. Salah satu metode yang dapat menghasilkan struktur hubungan dan keterkaitan antar faktor adalah metode CHAID. Selain mengamati beberapa faktor sosial ekonomi keluarga. Hasil metode CHAID menunjukkan bahwa ada tujuh dari sebelas variabel bebas yang diamati. Struktur hubungan dan keterkaitan antar variabel yang digambarkan dengan dendogram. khususnya pada anak yang berasal dari kalangan keluarga yang tergolong miskin atau mendekati miskin. memiliki hubungan yang signifikan. untuk dianalisis struktur hubungannya dengan risiko putus sekolah pendidikan dasar.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. menunjukkan bahwa penyebab utama masalah putus sekolah adalah faktor sosial ekonomi keluarga yaitu kemiskinan. menunjukkan bahwa variabel yang paling erat hubungannya dengan penyebab putus sekolah adalah Motivasi Anak. 13 November 2010 (M. baik secara langsung maupun tidak langsung terhadap risiko putus sekolah anak. Tingkat Pendidikan Ayah.

1994). 5 Februari 2002 dalam Cahyawati. untuk Manajemen Risiko di Bidang Perbankan dan Asuransi | 127 . berdasarkan Badan Perencanaan dan Pembangunan Daerah OI dalam Bappenas (2007) menunjukkan persentase partisipasi sekolah dasar di Kabupaten OI sebesar 90. Selain dari angka putus sekolah.31%) tetapi masih dibawah Nasional (98%) dan dibawah target capaian Tujuan Pembangunan Milenium (Millennium Development Goals-MDGs) yaitu capaian untuk Tahun 2015 bahwa 100% anak sudah menuntaskan pendidikan dasar. Diperkirakan terdapat satu juta anak yang putus sekolah setiap tahunnya (Republika. tetapi menjadi miskin juga dalam pendidikan. Partisipasi sekolah dasar di Kabupaten Ogan Ilir (OI). Salah satu yang mempengaruhi angka partisipasi sekolah adalah masalah putus sekolah. Ketidakmampuan finansial orang tua untuk memenuhi kebutuhan biaya sekolah anak. kesamaan hak dalam bidang pendidikan ini. dan kelompok masyarakat kaya maupun kelompok masyarakat miskin. Hal ini menjadikan keluarga miskin sulit untuk memperbaiki kualitas hidup dan keluar dari kemiskinan. tidak saja mereka miskin dalam kondisi ekonomi. Dalam hal ini. mengakibatkan anak menjadi putus sekolah. 13 November 2010 PENDAHULUAN Salah satu program dalam pembangunan nasional adalah pembangunan pendidikan. pemerintah berkewajiban untuk memenuhi kesamaan hak setiap warga negara dalam mendapatkan layanan pendidikan. 2007a). Kesamaan hak ini dimiliki baik oleh masyarakat di perkotaan maupun di pedesaan. Karena itu. Demikian juga menurut data Survei Ekonomi Nasional (Susenas) Tahun 2003.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. dapat dilihat juga dari angka partisipasi sekolah pada setiap jenjang pendidikan. Hal ini dapat dilihat dari masih adanya anak yang putus sekolah pada setiap tahunnya. belum dapat tuntas diperoleh bagi semua lapisan. Demikian juga untuk partisipasi sekolah tingkat SMP. Sehingga.2% masih dibawah Provinsi (83.81%) serta jauh dibawah MDGs (100%). Namun demikian.58%) dan Nasional (71. baru mencapai 71. Berbagai telaah yang mengamati masalah pendidikan mengungkapkan bahwa penyebab utama masalah putus sekolah adalah kemiskinan (Supriadi. tuntas pendidikan bagi semua. tingginya angka putus sekolah lebih banyak bersumber pada persoalan ekonomi yang berasal dari keluarga miskin. Meskipun angka ini sudah diatas Provinsi Sumatera Selatan (83.44%. Pembangunan pendidikan sangat penting peranannya untuk mencapai kemajuan di berbagai bidang kehidupan guna meningkatkan kualitas hidup bangsa Indonesia.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

menangani masalah putus sekolah ini, perlu menjadi perhatian penting adalah memperhatikan masalah pendidikan pada kelompok masyarakat miskin. Berdasarkan data di Badan Perencanaan dan Pembangunan Nasional (Bappenas, 2007), Kabupaten OI memiliki penduduk miskin yang masih cukup banyak. Data menunjukkan bahwa proporsi populasi dibawah garis kemiskinan Kabupaten OI sebesar 19,45% masih diatas Provinsi (16,8%) dan Nasional (16,66%) serta sangat jauh dengan capaianMDGs yaitu 7,5%. Tingginya proporsi populasi dibawah garis kemiskinan di Kabupaten OI, belum

diikuti oleh tingginya partisipasi sekolah pendidikan dasar bagi semua. Hal ini merupakan salah satu masalah pembangunan dalam bidang pendidikan yang harus dihadapi di Kabupaten OI, yaitu meningkatkan angka partisipasi sekolah hingga target capaian MDGs pada Tahun 2015 untuk angka partisipasi sekolah dapat tercapai 100%. Hasil penelitian Cahyawati (2007a) menunjukkan bahwa pendidikan kepala rumah tangga merupakan faktor utama yang sangat erat kaitannya dengan kejadian putus sekolah pendidikan dasar dari seorang anak. Diikuti oleh faktor-faktor sosial ekonomi lainnya yaitu proporsi pengeluaran untuk makanan, jumlah anak, pekerjaan orang tua, lokasi (desa atau kota) dan jenis kelamin anak. Proporsi pengeluaran makanan yang relatife tinggi,

memberikan indikasi adanya faktor kemiskinan sebagai penyebab masalah putus sekolah. Penelitian Cahyawati di atas, menganalisis masalah putus sekolah pendidikan dasar pada Data Susenas Tahun 2000 Provinsi Sumatera Selatan, yang melibatkan sampel rumah tangga dari semua kalangan, belum memperhatikan khusus kalangan rumah tangga yang termasuk katagori miskin atau mendekati miskin. Berdasarkan uraian di atas, masih tingginya proporsi populasi yang miskin di Kabupaten OI tetapi belum diikuti dengan tingginya angka partisipasi sekolah pendidikan dasar, maka masalah peningkatan angka partisipasi sekolah pendidikan dasar, masih perlu menjadi perhatian dalam pembangunan pendidikan di Kabupaten OI. Diperlukan suatu penelitian yang mengamati faktor-faktor yang berkaitan dengan masalah putus sekolah pendidikan dasar di Kabupaten OI. Faktor-faktor pencetus kejadian putus sekolah pendidikan dasar dapat dianalisis signifikansi dan struktur hubungannya, menggunakan salah satu metode ekslporatif yaitu metode Chi Square Automatic Interaction Detection (CHAID).

Manajemen Risiko di Bidang Perbankan dan Asuransi | 128

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

Metode ini menghasilkan suatu dendogram yang menggambarkan struktur hubungan dari satu faktor dengan faktor lainnya, mulai dari faktor yang memiliki keeratan hubungan dengan kejadian anak putus sekolah pendidikan dasar, hingga yang hubungannya paling lemah. Diharapkan, dendogram ini dapat digunakan untuk melakukan analisis lanjutan,

seperti pemodelan statistik mengenai model peluang putus sekolah. Atau, dapat digunakan sebagai bahan pertimbangan untuk membuat kebijakan yang terkait dengan masalah pendidikan dasar. Misalnya pembagian beasiswa sebagai upaya untuk menghindari putus sekolah, atau pembagian bantuan lainnya yang bertujuan untuk mengurangi anak yang putus sekolah, sehingga angka partisipasi sekolah di Kabupaten OI dapat meningkat dan mencapai target MDGs.

METODE PENELITIAN Metode dan Teknik Sampling Metode yang digunakan dalam penelitian ini adalah survei, yang dilakukan di Wilayah Kabupaten OI mulai bulan Juli sampai dengan bulan September 2010. Wilayah Kabupaten OI mencakup 16 kecamatan. Masing-masing kecamatan terdiri dari beberapa desa dengan jumlah yang hampir sama. Desa yang menjadi objek pengambilan sampel ditentukan dua desa untuk setiap kecamatan, dipilih secara random. Selanjutnya, setiap desa diambil responden (Kepala Keluarga) sebanyak 10 – 15 sampel, secara purposive terseleksi. Kepala Keluarga (KK) yang diambil sebagai sampel adalah KK yang terindikasi sebagai KK yang miskin atau mendekati miskin berdasarkan indikator kemiskinan dari BPS. Selanjutnya, KK ini diseleksi sebagai KK yang memiliki anak usia 7 – 15 tahun baik yang masih sekolah maupun yang putus sekolah.

Variabel Penelitian Variabel terikat (dependent) yang diamati adalah status sekolah anak (Y = 1, putus sekolah atau Y = 0, masih sekolah). Sedangkan variabel-variabel bebas yang diamati dapat dilihat pada Lampiran.

Manajemen Risiko di Bidang Perbankan dan Asuransi | 129

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

Pengolahan dan Analisis Data Pengumpulan data menggunakan kuesioner yang telah diuji coba validitas dan reliabilitasnya dalam mengukur variabel Motivasi. Pengolahan data secara statistik deskripsi, dan dilanjutkan analisis menggunakan Metode CHAID untuk mendapatkan struktur

hubungan antar variabel yang diamati. Metode CHAID diterapkan melalui program makro TREEDISC yang ditulis pada paket program SAS versi 9.1 for Windows.

HASIL DAN PEMBAHASAN Data primer hasil survei, diolah dan dianalisis secara deskriptif dan inferensi. Berikut adalah hasil pengolahan dan analisis data. Deskripsi Data Data primer yang diolah dan dianalisis sebanyak 345 Kepala Keluarga (KK) yang terindikasi termasuk katagori miskin atau mendekati miskin, dan memiliki anak usia pendidikan dasar (7 – 15 tahun). Dari 345 KK ini diperoleh 1205 sampel anak, dan sebanyak 592 diantaranya merupakan anak usia sekolah pendidikan dasar. Berdasarkan karakteristik anak usia pendidikan dasar berkaitan dengan variabel yang diamati. Tabel 1. Karakteristik Anak Putus Sekolah Pendidikan Dasar di Kabupaten Ogan Ilir
No 1 2 3 Variabel Jumlah Sampel Jenis Kelamin Anak Asal Daerah Ayah Tingkat Pendidikan Ayah 4 Tingkat Pendidikan Ibu 5 Jenis Pekerjaan Ayah Tingkat Kategori Perempuan (0) Laki-Laki (1) Pribumi (0) Pendatang (1) Tidak Tamat SD (0) Tamat SD (1) SMP (2) SMA (3) PT (4) Tidak Tamat SD (0) Tamat SD (1) SMP (2) SMA (3) PT (4) Tidak Bekerja (0) Berdagang (1) Bertani (2) Swasta (3) PNS (4) Lainnya (5) Tidak Bekerja (0) Berdagang (1) Status Sekolah Tidak Putus 508 84 266 25 242 59 399 65 109 19 75 26 286 45 97 11 49 2 1 0 74 21 314 50 88 11 30 2 2 0 21 6 15 1 309 54 35 6 1 0 127 17 126 11 25 2 Jml 592 291 301 464 128 101 331 108 51 1 95 364 99 32 2 27 16 363 41 1 144 137 27 Persentase 14.2 (%) 8.6 19.6 14.0 14.8 25.7 13.6 10.2 3.9 0.0 22.1 13.7 11.1 6.2 0.0 22.2 6.2 14.9 14.6 0.0 11.8 8.0 7.4 Ukuran Asosiasi Koef. p-value 0.156 0.01 0.00 0.811

0.168

0.002

0.113

0.103

0.074

0.662

6

Jenis Pekerjaan Ibu

0.18

0.001

Manajemen Risiko di Bidang Perbankan dan Asuransi | 130

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010
Bertani (2) Swasta (3) PNS (4) Lainnya (5) < 600 (1) 600 – 1200 (2) 1201 – 1800 (3) >1800 (4) >2400 (5) Kurang dari 3 (1) 3-5 (2) 6-8 (3) 9-10 (4) Lebih dari 10 (5) Rendah (1) Sedang (2) Tinggi (3) Rendah (1) Sedang (2) Tinggi (3) Pernah (0) Tidak Pernah (1) 270 6 4 77 329 147 16 16 1 127 316 55 9 1 20 198 290 11 171 326 142 366 65 2 0 4 55 25 0 4 1 12 50 19 3 0 31 32 21 4 40 40 5 79 335 8 4 81 384 172 16 20 2 139 366 74 12 1 51 230 311 15 211 366 147 445 19.4 25.0 0.0 4.9 14.3 14.5 0.0 16.7 50.0 8.6 13.7 25.7 25.0 0.0 60.8 13.9 6.8 26.7 19.0 10.9 3.4 17.8

7

Tingkat Pendapatan Rumah Tangga Jumlah Anak dalam Keluarga

0.09

0.301

8

0.146

0.012

9 10 11

Motivasi Anak Motivasi Orang Tua Menerima Bantuan Pendidikan

0.388 0.123 0.175

0.00 0.011 0.00

Tabel 1 menunjukkan bahwa angka putus sekolah pendidikan dasar di Kabupaten OI sebesar 14,2 persen. Nilai yang relatif masih tinggi, jika dibandingkan dengan target MDGs pada Tahun 2015, yaitu tuntas pendidikan dasar bagi semua, yang harus mencapai angka partisipasi sekolah pendidikan dasar sebesar 100 persen. Atau dengan arti lain, bahwa angka putus sekolah harus 0 persen. Berdasarkan variabel yang diamati, terdapat empat variabel yang hubungannya tidak signifikan (pada taraf 5%) dengan status sekolah, yaitu Asal Daerah Ayah, Tingkat Pendidikan Ibu, Jenis Pekerjaan Ayah, dan Tingkat Pendapatan Rumah Tangga. Sedangkan variabel-variabel lain yang hubungannya signifikan secara parsial dengan status sekolah adalah Jenis Kelamin Anak, Tingkat Pendidikan Ayah, Jenis Pekerjaan Ibu, Jumlah Anak dalam Keluarga, Motivasi Anak, Motivasi Orang Tua, dan Status Menerima Bantuan Pendidikan. Untuk melihat struktur hubungan antar variabel-variabel yang diamati keterkaitannya dengan status sekolah, baik hubungannya secara langsung ataupun hubungan tidak langsung terhadap status sekolah, dapat menggunakan Metode CHAID. Berikut adalah hasil Metode CHAID. Hasil Analisis Metode CHAID Variabel-variabel bebas katagorik yang diamati dituliskan seperti pada Lampiran. Proses katagorik terhadap variabel-variabel bebas dan dendogram hasil metode CHAID adalah sebagai berikut:
Manajemen Risiko di Bidang Perbankan dan Asuransi | 131

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010
SPL : PUTUS VAL : 0 1 COU : 508 84 PVA : 0.0001 0.0001

SPL : MOTANK VAL : 1 COU : 20 31 PVA : 0.0019 0.0034

SPL : MOTANK VAL : 2 COU : 198 32 PVA : 0.0003 0.0176

SPL : MOTANK VAL : 3 COU : 290 21 PVA : 0.0001 0.0115

SPL : JK VAL : 1 COU : 6 23 PVA : 0.1163 0.2595

SPL : JK VAL : 0 COU : 14 8 PVA : 0.0022 0.0132

SPL : PKRJIB VAL : 3 COU : 1 2 PVA : 0.0833 0.0833

SPL : PKRJIB VAL : 2 1 COU : 106 28 PVA : 0.0083 0.1742

SPL : PKRJIB VAL : 0 5 4 COU : 91 2 PVA : 0.2968 0.3731

SPL : MOTORT VAL : 1 2 COU : 66 16 PVA : 0.0069 0.0339

SPL : MOTORT VAL : 3 COU : 224 5 PVA : 0.2231 0.5378

SPL : PKRJAY VAL : 0 1 5 COU : 0 6 PVA :

SPL : PKRJAY VAL : 2 3 COU : 14 2 PVA : 0.0033 0.0265

SPL : BNTU VAL : 1 COU : 44 16 PVA : 0.0425 0.1093

SPL : BNTU VAL : 0 COU : 22 0 PVA :

SPL : JUMANK VAL : 1 2 COU : 13 0 PVA :

SPL : JUMANK VAL : 3 COU : 1 2 PVA : 0.0833 0.0833

Gambar 1. Dendogram Status Sekolah Pendidikan Dasar di Kabupaten Ogan Ilir
Dendogram Status Putus Sekolah Pendidikan Dasar Hasil Metode CHAID Manajemen Risiko di Bidang Perbankan dan Asuransi | 132

Hasil analisis Metode CHAID menunjukkan bahwa lima dari sebelas variabel bebas yang diamati, berhubungan dengan variabel terikat (PUTUS). Berdasarkan urutan yang paling kuat hubungannya dengan PUTUS, variabel-variabel bebas yang signifikan adalah (1) Motivasi Anak, (2) Jenis Kelamin Anak, (3) Jenis Pekerjaan Ibu, (4) Jenis Pekerjaan Ayah, (5) Motivasi Orang Tua, (6) Status Menerima Bantuan, dan (7) Jumlah Anak dalam keluarga. Dendogram yang dihasilkan dapat dijelaskan sebagai berikut: 1) Variabel pertama yang paling kuat hubungannya dengan risiko putus sekolah seorang anak adalah Motivasi Anak. Variabel ini tidak mengalami pengkatagorian ulang,

melainkan tetap tiga katagori, yaitu katagori motivasi anak rendah, sedang dan tinggi. 2) Katagori Motivasi Anak yang Rendah, memiliki risiko lebih besar untuk mengalami putus sekolah dibandingkan dengan anak yang memiliki Motivasi Sedang. Hal ini

ditunjukkan oleh nilai rasio odds kedua katagori ini yaitu sebesar 9,59. Artinya, anak yang memiliki Motivasi Rendah memiliki risiko 9,6 kali lebih besar untuk putus sekolah dibandingkan dengan anak yang memiliki Motivasi Sedang. Untuk katagori Motivasi Anak yang Sedang, memiliki risiko lebih tinggi 2,2 kali lebih besar dibandingkan dengan anak yang memiliki Motivasi Tinggi. Berdasarkan variabel ini, diperoleh informasi bahwa makin tinggi motivasi seorang anak untuk mengikuti sekolah, maka makin kecil risiko untuk terjadi putus sekolah. 3) Variabel Motivasi Anak yang Rendah berhubungan dengan variabel Jenis Kelamin dalam kaitannya dengan risiko putus sekolah. Dimana, anak laki-laki yang bermotivasi rendah memiliki risiko putus sekolah sebesar 2,19 kali lipat lebih besar dibandingkan dengan anak perempuan pada katagori motivasi yang sama. 4) Variabel Jenis Kelamin Anak, yang memiliki Motivasi Rendah terhadap sekolah, berhubungan dengan variabel berikutnya yaitu Jenis Pekerjaan Ayah dan Jumlah Anak dalam Keluarga yang hubungannya paling lemah dengan risiko putus sekolah anak di Kabupaten OI. Demikian untuk variabel-variabel lain hasil Metode CHAID, dijelaskan secara terstruktur menurut dendogram. 5) Jenis Pekerjaan Ibu, berhubungan dengan Motivasi Anak yang Sedang, artinya anak yang memiliki motivasi sedang terhadap pendidikan, dipengaruhi oleh jenis pekerjaan ibu.

*alamat web terlampir pada bagian referensi 1

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

Dalam hal ini, anak yang berasal dari ibu yang bekerja di swasta memiliki risiko paling besar dibandingkan dengan ibu yang bekerja pada katagori jenis pekerjaan lainnya. 6) Untuk anak yang memiliki Motivasi Tinggi, dipengaruhi oleh motivasi orang tua. Diperoleh informasi bahwa untuk anak yang hanya memiliki katagori motivasi rendah atau sedang, cenderung memiliki risiko yang lebih besar untuk putus sekolah dibandingkan dengan anak yang memiliki motivasi tinggi dari anak yang orang tuanya juga memiliki motivasi tinggi terhadap pendidikan dasar.

KESIMPULAN DAN SARAN Kesimpulan Berdasarkan hasil analisis dan pembahasan dapat disimpulkan sebagai berikut: 1. Struktur hubungan antar faktor-faktor yang berkaitan dengan risiko putus sekolah anak dimulai dari yang paling kuat hubungannya hingga yang paling lemah adalah Motivasi Anak, Jenis Kelamin Anak, Jenis Pekerjaan Ibu, Motivasi Orang Tua, Jenis Pekerjaan Ayah, Status Menerima Bantuan dan Jumlah Anak dalam Keluarga. 2. Semakin tinggi tingkat motivasi anak terhadap pendidikan, maka risiko putus sekolahnya semakin kecil. Saran Karena variabel Motivasi Anak merupakan variabel yang paling kuat hubungannya dengan risiko putus sekolah, maka pemerintah dapat merencanakan program-program penyuluhan atau pengarahan terhadap anak-anak usia sekolah pendidikan dasar untuk merangsang motivasinya terhadap sekolah. Penyuluhan dapat diberikan juga kepada ibu-ibu rumah tangga yang memiliki pekerjaan, terutama bekerja si swasta, karena memberikan risiko yang lebih besar terhadap anak putus sekolah dibandingkan dengan ibu rumah tangga yang tidak bekerja. Diharapkan, dengan penyuluhan, terjadinya putus sekolah dapat dihindari. Selanjutnya, angka partisipasi sekolah di Kabupaten Ogan Ilir dapat meningkat dan target MDGs dapat tercapai.

Manajemen Risiko di Bidang Perbankan dan Asuransi |134

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

DAFTAR PUSTAKA Agresti, A., 2002, “Categorical Data Analysis”, John Wiley & Sons, New York. Bappenas, 2006, Pro-Poor Planning & Budgeting, http//p3b.bappenas.go.id/OI_ Score_Card.pdf, diakses 4 Februari 2010 Bappenas, 2007, Menjawab Tantangan Tujuan Pembangunan Millennium (MDGs) Pemerintah Daerah Kabupaten Ogan Ilir, http//p3b.bappenas.go.id/loknas_wonosobo/content/docs/materi/18bappeda_ogan_ilir.pdf, diakses 4 Februari 2010 Cahyawati, D., 2007a, Karakteristik Anak Putus Sekolah Pendidikan Dasar (Kasus: Analsis Data Susenas Tahun 2000 Provinsi Sumatera Selatan), Jurnal Penelitian Sains, Fakultas MIPA Universitas Sriwijaya, Palembang. Cahyawati, D., 2007b, Pemodelan Masalah Risiko Putus Sekolah Pendidikan Dasar (Kasus: Analisis Data Susenas Tahun 2000 Provinsi Sumatera Selatan), Jurnal Ilmiah MIPA, Fakultas MIPA Universitas Lampung, Lampung. Ditjen Dikti, 2009, Panduan Pelaksanaan Hibah Penelitian Potensi Pendidikan Kabupaten/Kota Tahun Anggaran 2009, Ditjen Dikti Depdiknas, Jakarta. Gaduh, A.B., 2000, “Pendidikan di Indonesia Sebelum dan Semasa Krisis”, Analisis CSIS No. 3, September 2000. Hosmer, D.W. & Lemeshow. S., 2000, “Applied Logistic Regression”, John Wiley & Sons Inc, New York. Huba, G.J, 2001, “CHAID”, http://www.themeasurment.com/definitions/ CHAID.htm diakses Februari 2003 Kass, G.V, 1982, “Automatic Interaction Detection (AID) Techniques”, Encyclopedia of Statistical Sciences Vol 1. Ed. Kots, Z. & Johnson, N.L. John Wiley & Son, New York. Siswadi, 2009, Analisis Regresi Logistik Biner Bivariat pada Partisipasi Anak dalam Kegiatan Ekonomi dan Sekolah di Jawa Timur, http//digilib.its.ac.id, diakses 1 Maret 2010

Supriadi, D., 1994, Masalah Pendidikan untuk Anak Miskin, Prisma No. 5, Mei 1994 Suyatno, 2009, Pangan dan Gizi sebagai Indikator Kemiskinan, FKM Universitas Diponegoro, Semarang.

Manajemen Risiko di Bidang Perbankan dan Asuransi |135

13 November 2010 (M. is E( ) = σ2 I . Jika rank X penuh. If X rank full. Y is Y = X . Abstract Linear models is models often use in forecasting problem. This theory can be use for compare opinion of consumer and producer. I . Because simple in analysisis. m < n . nxn matriks identitas. X : nxm . nx1 vektor kekeliruan ‟) = σ I .4) MENGHITUNG FUNGSI RESIKO DAN KEGAGALAN PADA MODEL LINEAR Mulyana Jurusan Statistika FMIPA Unpad Jl. need building target function. and computing risk and loss function. with assumption E( ) = 0 .id Abstrak Model linear adalah model yang sering digunakan dalam persoalan peramalan.co.is same is that E(Y) = X Manajemen Risiko di Bidang Perbankan dan Asuransi |136 . E( Y ) . Pada model linear Y X . Karena proses analisisnya cukup sederhana. Berdasarkan kondisi ini. dengan Y : nx1 vektor respon . dan 2 . predictor matrix . vektor parameter . Teori ini dapat digunakan untuk membandingkan pendapat konsumen dan produsen terhadap produk yang dibuat produsen tersebut. fungsi kegagalan. Be base on this condition. m < n . I identity matrix. when determine function of . Then factual estimation of . perlu dibangun fungsi target dan dihitung fungsi resiko dan kegalan pada saat menentukan peran dari . mx1 . E( Y ). penaksir rata-rata Y . in case product was make by that’s producer. maka = (X‟X)-1X‟ Y . Sehingga taksiran faktual dari Y . matriks prediktor . Y X with Y : nx1 respon vektor . juga sama dengan E(Y) = X . : mx1 parameter vektor and : nx1 error vektor of . Be base on linearity. mean estimation of Y . In models . X : nxm . sama dengan Y = X . dengan asumsi E( ) = 0 dan E( penaksir sama dengan . then estimation = (X‟X)-1X‟ Y . fungsi resiko. Kata Kunci : fungsi target. Raya Bandung Sumedang Km 21 Jatinangor – Sumedang e_mail : mulyanakanaan@yahoo. Berdasarkan sifat kelinearan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

Dalam hal ini biasanya yang ditelaah pihak produsen adalah rata-rata tingkat kesembuhan. Persoalannya bagaimana menyajikan statistik X jika diinginkan perannya lebih dominan sebagai penaksir nilai aktual dari pada sebagai nilai rata-rata atau sebaliknya? Berdasarkan teori StatistikaMatematis. sehingga penaksir aktual untuk Y adalah Y X . m > 2 . sehingga dari paparan tersebut tersurat bahwa X memiliki peran dua penaksir. dengan rank penuh . penaksir untuk rata-rata Y . Manajemen Risiko di Bidang Perbankan dan Asuransi |137 . maka berdasarkan sifat kelinieran. X . yaitu sebagai penaksir nilai aktual dan nilai rata-rata untuk Y . dan E ee 2 I. penaksir untuk adalah (2) XX 1 XY yang merupakan statistik tak-bias dan bervarians minimum. menggabungkan antara penaksir aktual (nilai ramalan) dengan nilai rata-rata merupakan segi (aspect) penting dalam analisis regresi terapan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. matriks variabel explanatory (variabel bebas) berukuran nxm . vektor parameter model berukuran mx1 e . m < n. Misalkan sebuah pabrik farmasi membuat obat dengan formulasi baru dan ingin menelaah daya sembuhnya jika dibandingkan dengan formulasi lama. dengan asumsi E e 0 . I matriks identitas berukuran nxn Dengan menggunakan metode kuadrat terkecil. vektor kekeliruan model berukuran nx1. sedangkan pasien nilai aktualnya. yang tingkat (lama) kesembuhannya dipengaruhi oleh beberapa variabel pada pasien. 13 November 2010 Pendahuluan Dalam model linier dengan asumsi kekeliruannya berdistribusi identik independen dengan rata-rata 0 dan varians konstan sama dengan 2. E Y Karena E Y adalah E Y X . untuk keperluan tersebut diperlukan formulasi dari jumlah kuadrat kekeliruan model. agar bisa dibangun fungsi target beserta fungsi kegagalan (loss function) dan fungsi resikonya (risk function). sehingga persoalannya bagaimana menggabungkan kedua telaahan itu secara statistika ? Teori Perhatikan model linier Y X e (1) dengan Y . vektor variabel respon (variabel tidak bebas) berukuran nx1 X .

13 November 2010 Jumlah kuadrat kekeliruan model adalah ee (3) yang jika dijabarkan akan diperoleh persamaan Y X Y X ee (4) Y X Y X X X X X Pada Persamaan (4) tersurat. Fungsi kegagalan untuk T jika digunakan sebagai penaksir T sama dengan f T.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. T 1 T X 2 T X Y X Y X 2 X X X Y X X X X 2 1 (7) Manajemen Risiko di Bidang Perbankan dan Asuransi |138 . 0 < c < 1 Karena suku pertama pada Persamaan (4) merupakan jumlah kuadrat penaksir nilai aktual Y dan suku keduanya jumlah kuadrat residu E Y . sehingga fungsi target untuk Y dapat dibangun berdasarkan persamaan T 1 Y EY (6) : skalar nonstokastik. fungsi kegagalan untuk X jika digunakan sebagai penaksir X dibangun atas kombinasi linier yang diboboti dengan persamaan f X .X c Y X Y X 1 c X X X X (5) c : skalar nonstokastik. sehingga T identik dengan Y . 0 < < 1 Dapat ditunjukan bahwa T dan 1 Y ET EY X X yang berarti ET X .

dengan fungsi resiko sama dengan E f T. dengan persamaan b (1 w ) w S (9) 0<w<1. 13 November 2010 Pada Persamaan (7) tersurat. Shalabh (1999) mengemukakan. dan akan merupakan penaksir takbias jika Y H C Y 0 . sehingga dalam penggunaannya harus dikombinasi linierkan dengan penaksir kuadrat terkecil. bisa digunakan p X X XX 1 XY HY (10) atau Manajemen Risiko di Bidang Perbankan dan Asuransi |139 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. dan penaksir berdasarkan aturan Stein (Stein-rule estimator). yang berarti Persamaan (7) merupakan fungsi kegagalan untuk X (jika digunakan sebagai penaksir X ) yang sebaiknya digunakan. skalar nonstokastik Jadi dalam hal ini penaksir untuk X . Dari paparan ini disimpulkan bahwa formulasi untuk menggabungkan antara penaksir nilai aktual dengan rata-rata hitungnya harus mengikuti Persamaan (6). skalar karakaterisasi penaksir 1 H X X X X . T (1 )2 E Y X Y X 2 E X X X X 2 (1 )E Y X Y X yang sama dengan total dari penaksir rata-rata jumlah kuadrat kekeliruan (total predictive mean square error). menggunakan fungsi resiko di bawah fungsi kegagalan dengan Persamaan (7) dapat digunakan dua bentuk penaksir untuk . dua suku pertamanya identik dengan Persamaan (5) dan suku ketiganya merupakan kovarian yang diboboti antara residu nilai aktual dengan residu rata-rata hitung Y . yaitu penaksir kuadrat terkecil seperti pada Persamaan (2). H C I H . Sehingga Persamaan (7) merupakan pengembangan sederhana (simple extention) dari Persamaan (5). I matriks identitas Dapat ditunjukan S bukan penaksir takbias. yang persamaannya S 1 a Y HC Y n m 2 Y HY (8) a : a > 0. yaitu jika Y Y (model regresi sangat cocok sebagai model ramalan).

Jika p dan P digunakan sebagai penaksir untuk fungsi target T . ET p Fungsi resiko jika p dan P digunakan sebagai penaksir untuk fungsi target T . masing-masing sama dengan R (p) (15) ET p T p 1 2 n 1 2 m 2 Manajemen Risiko di Bidang Perbankan dan Asuransi |140 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 pS X S X 1 a Y HC Y n m 2 Y HY HY a Y HC Y HY n m 2 Y HY (11) atau kombinasi liniernya P (1 w )p w pS (1 w )H Y w HY a YH C Y HY n m 2 YH Y a YH C Y HY w HY n m 2 YH Y (12) yang formulasinya setara dengan Persamaan (11). maka E T p E (1 )Y E Y H Y (1 )E Y E {E( Y )} HE Y (1 )E Y E( Y ) X( X X ) 1 X X EY X X X 0 (13) dan ET P E (1 )Y EY HY w a Y HC Y HY n m 2 Y HY a Y HC Y HY n m 2 Y HY w a Y HC Y X n m 2 Y HY E (1 )Y EY HY Ew w a Y HC Y HE Y n m 2 Y HY (14) karena 0 maka w a YH C Y n m 2 YH Y ET P 1.

maka n m 2.m w 2.m w . maka resikonya n m . jika a 2 m 2 . sehingga R p RP. jika 0 . yang berarti X tidak sepenuhnya dapat dijadikan penaksir aktual Y karena terkombinasi dengan sebagai penaksir rata-rata Dari paparan tersebut. dan jika wa wa varians residu 2 m 2 2 m 2 atau a . Hal ini berarti P superior dari p jika P digunakan sebagai penaksir rata-rata Y . R p RP n m 2 w 2a 2 n m 1 E n m 2 Y HY 4 . (15) dan (16) dapat disimpulkan 1. 13 November 2010 RP ET P T P 1 wa 2 n 1 2 m 2 n m 1 E 2 m 2 n m 2 Y HY wa 4 (16) Dari Persamaan (13). dan untuk penaksir rata-rata Y . T Y. Hal ini berarti p superior dari P jika p digunakan sebagai penaksir nilai aktual Y . dan karena p X . E( Y ). maka jika X 2 digunakan sebagai penaksir nilai aktual Y maka nilai 2 resikonya sama dengan n m 2. jika 0 1 . varians residu.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. (14). Manajemen Risiko di Bidang Perbankan dan Asuransi |141 . dan nilai ini akan cukup kecil jika model regresi cocok digunakan sebagai model ramalan. 2 maka n m 1 E 2 m 2 n m 2 Y HY wa 0 sehingga R p RP. disimpulkan jika X 2 2 digunakan sebagai penaksir nilai aktual Y . sebaiknya digunakan statistik a YH C Y P X w X n m 2 YH Y 2 karena nilai resikonya lebih kecil dari n m .

m k n . Manajemen Risiko di Bidang Perbankan dan Asuransi |142 . E Y 2 P ) maka nilai resikonya lebih kecil dari n m . If matriks identitas berukuran kxk. dan yang kedua dengan formulasi baru. I matriks identitas berukuran mxm dan fungsi targetnya T (1 )Y EY Y Y EY sehingga pada sampel kedua penaksir untuk X f dapat digunakan 1 pf Xf Xf Xf X f Y f atau P f (1 w )p f w Yf Hf Yf a p k m 2 Yf Hf Yf f C dengan 2 m 2 a . Xf matriks berukuran kxm dengan rank penuh. sampel pertama adalah tingkat penyembuhan obat dengan formulasi lama. H C I H . Jika model linier sampel pertama disajikan seperti pada Persamaan (1). 13 November 2010 Terapan Untuk menggunakan teori ini diperlukan dua kelompok sampel yang identik. jika p sebagai penaksir T (atau X 2 2 sebagai nilai ramalan Y . Dan jika P sebagai penaksir T (atau P sebagai penaksir rata-rata Y .m w 1 2. Sudah dikemukakan pada teori. w 1 H X X X X . Y X ) maka nilai resikonya sama dengan n m . )Y f E Yf Yf Yf E Yf dan fungsi targetnya Pada sampel pertama. Hf Xf Xf Xf Xf . pada sampel pertama penaksir untuk X adalah p X XX 1 XY atau P (1 w )p w a Y HC Y p n m 2 YHY dengan 2 m 2 a . Hf C Tf (1 If H f . maka untuk sampel kedua oleh Yf Xf ef (17) dengan Y t vektor berukuran kx1.m 2. misalnya untuk kasus pabrik farmasi seperti yang dikemukan pada pendahuluan. varians residu sampel pertama. dengan sampel kedua merupakan sampel lanjutan dari sampel pertama.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

E Y f 2 P f ) maka nilai resikonya lebih kecil dari k m f . Springer-Verlag . & Craig. Bangladesh. 1998 . 3 No. New York Berger. McGraw-Hill Book Co. N. Hogg. f . . The Excact Risk of Weighted Average Estimator of OLS and Stein-rule Estimator in Regression under Balanced Loss . jika p f sebagai penaksir T f (atau X f 2 sebagai nilai ramalan Y f . Manajemen Risiko di Bidang Perbankan dan Asuransi |143 . R. & Smith. 1999 . dan penaksir rata-ratanya sama dengan (1 )P f P. A. Shalabh . New York. John Wiley & Sons . T. John Wiley & Sons . Graybill.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. R. Drafer. . Vol. Co. F. New York. S. Macmillan Pub. pp 35 – 45. A. An Introduction to Linear Statistical Models . . Linear Models . . Statistics & Decisions . 2 f varians residu model sampel Dan jika P f sebagai penaksir T f (atau P f sebagai penaksir rata-rata Y f . H. Introduction to Mathematical Statistics. 13 November 2010 Analog untuk sampel kedua. V. Inc. Inc. . K. New York. 1 pp 33 – 39 . Improving The Prediction in Linear Regression Models . second edition . . Ohtani. Vol. 1971 . second edition . New York. fourth edition . . Kepustakaan Searle. O. J. Journal of Statistical Research . Y f X f ) maka nilai resikonya sama dengan k m kedua. Statistical Decision Theory and Bayesian Analysis . Sehingga jika hasil penaksiran pada sampel pertama dan kedua digabungkan. 1981 . Applied Regression Analysis. 1978 . . 16 . 1985 . 1961 . maka penaksir nilai aktual respon sama dengan (1 )p f p .

Universitas Padjadjaran Bandung Manajemen Risiko di Bidang Perbankan dan Asuransi |144 . fuzzy c-means. similarity.5) PEMBENTUKAN FAST ALGORITHM FUZZY C-MEANS CLUSTER DENGAN INDEKS VALIDITAS XIE DAN BENI (XB) DAN PROPORSI EIGEN VALUE DARI MATRIKS SIMILIARITY Anindya Apriliyanti Pravitasari1 Email: dejafu_2008@yahoo. Awal mulanya metode ini dikembangkan 1 Staf Pengajar Jurusan Statistika. Metode terakhir yang sedang diminati adalah Fuzzy C-means Cluster. cluster. 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. eigen value. banyak kelompok menjadi suatu masalah yang berarti.com ABSTRAK Dalam analisis pengelompokkan (cluster). Beberapa penelitian dalam analisis cluster lebih menitikberatkan pada struktur dan metode pengelompokkan yang terus berkembang dari waktu ke waktu. proporsi. 13 November 2010 (M. Untuk itu dicoba untuk membatasi banyak kelompok dengan menggunakan proporsi eigen value dari matriks kemiripan (similarity). Hal ini akan sangat berguna untuk efisiensi algoritma perhitungan indeks XB. Kata kunci : analisis pengelompokkan. perhitungan untuk mendapatkan kelompok ideal akan semakin cepat. indeks XB akan dihitung sebanyak objek yang dikelompokkan. Untuk jumlah objek yang besar. Fuzzy C-means Cluster melakukan pengelompokkan dengan prinsip meminimumkan fungsi objektif pengelompokkannya dimana salah satu parameternya adalah fungsi keanggotaan dalam fuzzy (sebagai pembobot) yang disebut juga dengan fuzzier (Klawonn dan Höppner. matriks kemiripan. Makalah ini selain mengkaji metode pengelompokkan dengan Fuzzy C-means Cluster juga akan memilih banyak kelompok ideal dengan menggunakan indeks XB (Xie dan Beni). Dengan membatasi banyak kelompok. FMIPA. Pendahuluan Analisis Cluster adalah salah satu analisis data eksploratori yang bertujuan untuk menentukan kelompok atau grup dari sekelompok data. Beberapa peneliti memilih banyak kelompok sesuai dengan kebutuhan dalam penelitiannya. indeks XB. 2001). maka hal ini tidaklah efektif.

Suatu masalah kemudian timbul. intelligent data analysis (Liu. partitional lebih dikenal dengan metode non-hierarchy termasuk didalamnya adalah metode K-means cluster. Paradigma data clustering mulai banyak diminati berbagai kalangan dan ditulis dalam berbagai paper dan jurnal (Shihab. seperti fenomena data mining. dimana kelompok hasil pemilihan dari proporsi eigen value yang memaksimumkan Indeks XB adalah ukuran kelompok yang terbaik. Analisis cluster sempat disebut sebagai “primary tool for socalled knowledge discovery” (Fayyad et al. 1996) karena tingkat temuan struktur dan metode yang berkembang begitu pesat seiring dengan perkembangan paradigma lain diluar statistik. Perkembangan terakhir dari analisis cluster mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai dasar pembobotan bagi pengelompokan yang disebut dengan fuzzy clustering (Bezdek. termasuk juga pembentukan kelompok dalam Fuzzy C-means Cluster. Oleh karena itu dicoba untuk membatasi jumlah pengelompokkan berdasarkan proporsi eigen value dari matrik korelasi objek yang akan dikelompokkan. Metode non-hierarci atau partitional menentukan terlebih dahulu jumlah cluster yang akan dibentuk. Sejalan dengan perkembangan metode dalam analisis cluster. Perkembangan analisis cluster dimulai dari metode hierarchical yang secara garis besar membentuk sebuah tree diagram yang biasa disebut dengan dendogram yang mendeskripsikan pengelompokan berdasarkan jarak. karena menggunakan data yang besar dan algoritma yang secara iteratif menentukan pengelompokkan. Prinsipnya hampir sama dengan principal komponen dan analisis faktor yang menggunakan proporsi eigen value sebagai ukuran kontribusi yang dapat diberikan ketika mereduksi dimensi variable. Metode hierarchi (single linkage. Penentuan jumlah kelompok biasanya disesuaikan dengan tujuan penelitian. mixture models mengasumsikan suatu objek dihasilkan dari skala data yang berbedabeda.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Jika dilakukan pemilihan jumlah kelompok dari satu kesatuan kelompok besar sampai sebanyak objek yang akan dikelompokkan. penentuan jumlah kelompok tetap dilakukan secara subjektif. 1981). Pembatasan jumlah pengelompokkan ini kemudian dikontrol dengan Indeks XB (Xie dan Beni). Metode ini merupakan pengembangan dari metode partitional dengan pembobotan fuzzy yang memungkinkan pengelompokkan dimana kelompok data tidak terdistribusi secara jelas. graph-theoritic melihat objek sebagai node pada network terboboti. complete linkage dan average linkage) membuat cut off dari dendogram kemudian menentukan jumlah kelompok yang ideal. sampai image processing yang saat ini banyak diteliti. Karena bagaimanapun juga fungsi objektif akan optimal saat jumlah kelompok yang terbentuk sama dengan jumlah objek yang dikelompokkan. 2000). Faktanya. Manajemen Risiko di Bidang Perbankan dan Asuransi |145 . maka penyelesaiannya akan trivial. maka analisis cluster memiliki kepekaan akan kebutuhan yang tinggi dalam komputasi. Hal ini dikarenakan tingkat kemiripan (similiarity) yang tinggi terhadap objek itu sendiri. bagaimana jumlah kelompok ideal yang meminimumkan fungsi objektif sebagai dasar pengelompokkan. 2000). 13 November 2010 dengan menemukan struktur pengelompokkan diantara objek yang akan dikelompokkan.

Metode ini adalah metode yang paling digemari karena merupakan metode yang paling robust (( Klawonn dan Höppner. X . c. p i J FCM P. Fuzzy C-Means Cluster Secara umum teknik dari fuzzy cluster adalah meminimumkan fungsi objektif dimana parameter utamanya adalah fungsi keanggotaan dalam fuzzy (membership function) yang disebut juga dengan fuzzier (awonn dan Höppner. 2000)) dan memberikan hasil yang smooth (halus) dengan toleransi relatif (Shihab. Prinsip utama pengelompokkan dengan fuzzy c-means cluster adalah meminimumkan fungsi objektif c N 2 (uik ) m d ik x k . dimana: c adalah jumlah cluster yang memenuhi X (jumlah cluster yang diinginkan. Metode ini merupakan pengembangan dari metode non hierarki K-means Cluster. 2001) uik adalah tingkat keanggotaan yang merupakan elemen dari matriks U.  . Oleh karena itu sebagian besar referensi dari tulisan ini didapatkan dari jurnal penelitian Klawonn bersama peneliti lainnya. Klawonn secara khusus mendalami fuzzy clustering sebagai metode yang baik untuk digunakan dalam pengelompokkan data spasial dan image analysis (Laboratorium of Data analysis and Pattern Recognition). U. p i xk pi 2 A xk pi T A xk pi (3) Manajemen Risiko di Bidang Perbankan dan Asuransi |146 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. karena pada awalnya ditentukan dulu jumlah kelompok atau cluster yang akan dibentuk. nilai dari m yang sering dipakai dan dianggap yang paling halus adalah m=2 (Klawonn dan Höppner. untuk k 1. 2001). Fuzzy C-means cluster pertama kali dikemukakan oleh Dunn (1973) dan kemudian dikembangkan oleh Bezdek (1981) yang banyak digunakan dalam pattern recognition. 2000). N jumlah observasi. c . m adalah parameter input dari JFCM. Kemudian dilakukan iterasi sampai mendapatkan keanggotaan kelompok tersebut. 2001) dan (Klawonn. X. untuk matriks U kondisi optimalnya berarti konvergensi keanggotaan kelompok dalam FCM. 2 c N ) m 1 adalah tingkat ke-fuzzy-an dari hasil pengelompokkan. m i 1 k 1 (1) dengan constraint atau fungsi batasan c u ik i 1 1 . Parameter ini disebut dengan fuzzier. N . 13 November 2010 2. (2) Keterangan: P dan U adalah variabel yang kondisi optimalnya diharapkan. 2 d ik adalah jarak observasi yang dapat dirumuskan sebagai berikut: 2 d ik x k .

Tujuannya adalah untuk mengetahui apakah benar banyak kelompok terbaik bisa didapatkan diantara banyak cluster yang dibatasi oleh proporsi eigen value matriks korelasi. 2002). Algoritma pengelompokan Fuzzy C-means cluster diberikan sebagai berikut: 1.U(k)||< konvergen dan iterasi dihentikan. Menentukan tingkat ke-fuzzy-an hasil pengelompokan (m). Menghitung fuzzy cluster center (P) dengan persamaan (2) N m u ik x k p* i k 1 N (4) u k 1 m ik 4. Update anggota matriks U dengan persamaan 1 * u ik 1/ m 1 2 c d ik 2 j 1 d jk 5. 2. Yang kedua adalah melakukan kontrol dengan indeks XB. Yang pertama adalah dengan membatasi banyak kelompok yang terbentuk melalui proporsi eigen value matriks korelasi dari objek yang akan dikelompokkan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 3. Bandingkan nilai keanggotaan dalam matriks U. proporsi dari eigen value memberikan interpretasi mengenai seberapa besar data dapat terwakili dalam dimensi yang telah direduksi. Dalam analisis komponen utama dan analisis faktor. Menentukan c banyak cluster atau kelompok yang ingin dibuat. Jika tidak maka kembali ke langkah 3. jika || U(k+1) . 3. Berikut ini adalah ulasan mengenai proporsi eigen value matriks korelasi dan Indeks XB. Manajemen Risiko di Bidang Perbankan dan Asuransi |147 . (5) maka sudah 3.1 Proporsi Eigen Value Matriks Korelasi Analisis Eigen adalah salah satu teknik yang memberikan ringkasan struktur data yang direpresentasikan oleh matriks korelasi ataupun kovarians (Johnson dan Wichern. 13 November 2010 2 Jika A adalah matriks identitas maka d ik adalah jarak Euclid. Proporsi dari eigen value menggambarkan seberapa besar struktur data yang dapat diwakili atau direpresentasikan oleh matriks korelasi atau kovarians tersebut. Penentuan Banyak Kelompok Penentuan banyak kelompok dalam Fuzzy C-Means Cluster didasarkan pada dua hal.

Kriterianya banyak kelompok optimum diberikan oleh nilai XB yang minimum. oleh karena itu indeks ini dapat digunakan untuk metode hard partition seperti K-means cluster maupun FCM. Formula ini mirip dengan Separation Index dengan nilai m yang dapat berubah-ubah. p i XB c i 1 k 1 N min i . Algoritma yang bagus adalah algoritma yang efisien dimana algoritma tersebut dikatakan bagus karena dinilai dari aspek kebutuhan waktu dan ruang membutuhkan jumlah yang sedikit. c N 2 (uik ) m d ik x k . maka nilai pengamatan antar objek tersebut memiliki banyak kesamaan (berarti memungkinkan untuk menjadi satu kelompok). Validitas dalam FCM ditentukan oleh banyak kelompok optimum melalui perhitungan Indeks validitas. 13 November 2010 Pada kasus pengelompokkan dalam analisis cluster. d ik adalah jarak observasi dengan pusat cluster. Notasi Big-O adalah notasi matematika yang digunakan untuk menggambarkan suatu fungsi asimptotik. uik adalah tingkat keanggotaan. j p i . matriks yang digunakan adalah matriks kemiripan dari objek yang akan dikelompokkan. Proporsi eigen value untuk ilustrasi ini berarti memberikan informasi besarnya tingkat kesamaan antar objek. Formula dari Indeks XB diberikan pada (6). Notasi Big-O sering digunakan untuk menjelaskan berapa besar ukuran dari suatu data mempengaruhi penggunaan sebuah algoritma dari sumber komputasi. Kriteria banyak cluster optimum diberikan oleh indeks XB yang minimum.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. N merupakan banyak objek yang akan dikelompokkan. min i . Notasi Big-O 2 Manajemen Risiko di Bidang Perbankan dan Asuransi |148 . p j menyatakan jarak minimum antara pusat cluster pi dan pj. pi adalah pusat cluster.2 Indeks XB (Xie dan Beni) Sesuai dengan namanya Indeks XB ditemukan oleh Xie dan Beni yang pertama kali dikemukakan pada tahun 1991. Prinsipnya adalah semakin nilai kemiripan antara objek satu dengan yang lain mendekati 1. p j 2 (6) 2 Dengan c menyatakan banyak cluster. Proporsi eigen value 100 persen diberikan oleh semua eigen yang terbentuk yang banyaknya sama dengan banyak objek yang dikelompokkan. 4. j p i . Analisis efisiensi algoritma dengan menggunakan notasi Big-O Efisiensi di dalam algoritma sangat dipertimbangkan karena suatu masalah dapat diselesaikan dengan berbagai macam cara yang dalam hal ini disebut sebagai algoritma (langkah penyelesaian masalah). 3.

dan apakah algoritma baru yang terbentuk cukup efisien. Beberapa jenis data simulasi dibangkitkan dan dicari banyak pengelompokan optimum menggunakan algoritma lama dan baru. Pada bidang matematika. Hasilnya ditampilkan pada Tabel 2. khususnya pada deret asimptotik. Pada bidang ilmu komputer. notasi tersebut biasanya digunakan untuk menjelaskan tahap sisa dari deret tak terhingga.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. k: banyak variable. 5. h: banyak iterasi dalam pembentukan kelompok. Notasi Big-O mempunyai aplikasi pada dua buah bidang. M: banyak nilai eigen yang jumlahan proporsinya 100%. notasi ini sangat berguna dalam analisis dari kompleksitas algoritma. Simulasi dan Perhitungan Big-O Algoritma baru yang terbentuk adalah sebuah kelengkapan algoritma dengan menambahkan batasan perulangan program yang tadinya sebanyak objek (N) berkurang menjadi sebanyak M (banyaknya nilai eigen yang secara cepat membentuk proporsi 100%). Pembentukan Fast Algorithm. Perbandingan Algoritma lama dan baru terdapat pada Tabel 1. Simulasi dilakukan untuk melihat apakah benar bahwa nilai XB minimum dapat diperoleh dengan pembatasan perulangan program menggunakan banyaknya nilai eigen dari matriks similarity yang proporsinya 100%. Perbandingan ALgoritma lama dan baru Old Algorithm Fast Algorithm Tahap Persiapan Pembentukan Matriks O(Nk ) kemiripan Perhitungan Eigen Value O(N ) Penentuan banyaknya nilai eigen yang menghasilkan proporsi 100% Tahap Clustering Lakukan dari 2 sampai M Pembentukan Kelompok Perhitugan Indeks XB Pencarian XB minimum O(N ) Tahap Clustering Lakukan dari 2 sampai N Pembentukan O((N 1)h) Kelompok Perhitugan Indeks XB O(N 1) Pencarian XB minimum Dengan: O(N 1) O((M 1)h) O(M 1) O(M 1) N: banyak objek. Manajemen Risiko di Bidang Perbankan dan Asuransi |149 . Tabel 1. 13 November 2010 juga biasa disebut sebagai notasi Landau (Landau notation). Bachman-Landau notation. dan notasi asimptotik (Asimptotik notation).

hal ini terlihat dengan nilai Big-O pada fast algorithm yang jauh lebih kecil dari pada old algorithm. Hal ini membuktikan bahwa pembatasan perulangan pada algoritma FCM dapat dilakukan dengan mencari banyaknya nilai eigen yang membentuk proporsi 100%. Simulasi Data Data Kriteria Banyak Objek (N) Banyak Variabel (k) Banyak nilai eigen (M) XB minimum Banyak iterasi (h) Big-O Banyak Objek (N) Banyak Variabel (k) Banyak nilai eigen (M) XB minimum Banyak iterasi (h) Big-O Banyak Objek (N) Banyak Variabel (k) Banyak nilai eigen (M) XB minimum Banyak iterasi (h) Big-O Banyak Objek (N) Banyak Variabel (k) Banyak nilai eigen (M) XB minimum Banyak iterasi (h) Big-O Old Algorithm 23 5 5 200 O(4400) 100 10 7 200 O(19800) 117 4 9 300 O(38400) 290 15 18 500 O(144500) Fast Algorithm 23 5 6 5 200 O(800) 100 10 7 7 200 O(1200) 117 4 12 9 300 O(2400) 290 15 23 18 500 O(8500) Simulasi 1 Simulasi 2 Simulasi 3 Simulasi 4 Pada Tabel 2 terlihat bahwa nilai XB minimum yang menggambarkan banyak kelompok ideal yang terbentuk selalu berada pada range M. Manajemen Risiko di Bidang Perbankan dan Asuransi |150 . Selain itu dengan melakukan pembatasan perulangan. maka algoritma yang tercapai akan lebih efisien.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 Tabel 2.

C. 1981. Science Journal. A. U.. Dissertation. S. Journal of Cybernetic 3.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Manajemen Risiko di Bidang Perbankan dan Asuransi |151 . Smith. (1996). http://public. James. Calinski and Harabasz. Communication in Statistics 3. G. (1997). Advance and Knowledge discovery and data mining. Frank. (1997). Science Journal. Hal ini kurang efisien. dan Wingender.. London.33. (2001). Applied Multivariate Techniques.I. Lotfi. Inc. Pickert.de/klawonn. Dunn.rz. Klawonn. Klawonn dand Höppner.rz. “A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact well-Separated Cluster”.de/klawonn. Part 2. (1997). (1973). vol 8. Shihab. Science Journal...rz.fh-wolfenbuettel. “Fuzzy Cluster Analysis for Identification of Gene Regulation Region”.rz.. (1996). “Matematical Analysis of Fuzzy Clasifiers”. (1995).. http://AAIPress. Piatetsky-Saphiro.. New York.fh-wolfenbuettel.. maka direkomendasikan untuk menentukan banyaknya cluster yang mungkin terbentuk dengan memperhatikan proporsi kumulatif eigen value matriks similarity dari objek dalam pengelompokkan.de/klawonn.de/klawonn. (2000) “Fuzzy Clustering Algorithm and Their Application to Medical Image Analysis”. John Wiley and Sons.. Science Journal. New York. http://public. Information Control.rz. Klawonn dan Klementida. (2000). Fayyad.fh-wolfenbuettel. 32-57. Prentice Hall. “What is Fuzzy about Fuzzy Clustering? Understanding and Improving the Concept of the Fuzzier”. 338-353. Zadeh.rz.fh-wolfenbuettel. J. maka perhitungan indeks XB akan dilakukan sampai jumlah pengelompokkan maksimum. (1965). http://public. http://public. New Jersey. University of London. “A Dendrite Method for Cluster Analysis”. Klawonn. 13 November 2010 6. Sharma. yaitu sebanyak jumlah objek itu sendiri. “Fuzzy Clustering: Insight and a New Approach”. Namun untuk jumlah data yang besar. Applied Multivariate Statistical Analysis. Wichern. A. Referensi : Bezdek. Science Journal. Kesimpulan Penentuan jumlah cluster yang ideal dapat dilakukan dengan perhitungan indeks XB. “Clustering Method in Fuzzy Control”. “Fuzzy Clustering and Fuzzy Rules”. Fuzzy Sets.fhwolfenbuettel. M. Pattern Recognition with Fuzzy Objective Function Algorith. Klawonn dan Keller. (1974).de/klawonn.com/AdvanceKnowledgedisc-Fayyadetal// Johnson. Science Journal. (2002). 1-27. http://public. http://public.fh-wolfenbuettel. Plenum Press.de/klawonn. Klawonn dan Kruse.

Hasil pengklasteran perusahaan eksportir ini dapat digunakan untuk mempermudah pemerintah dalam hal ini pihak DISPERINDAG Kabupaten Cirebon untuk menentukan skala prioritas pemberian bantuan atau pembinaan dalam usaha peningkatan produksi furniture rotan di Kabupaten Cirebon berdasarkan karakteristiknya. Sekarang ini analisis klaster telah banyak diaplikasikan dalam berbagai bidang yang ditulis dalam berbagai penelitian dan jurnal. Teori fuzzy. data dialokasikan ulang secara tegas ke klaster yang mempunyai centroid terdekat dengan data tersebut. Indeks XB. Melalui indeks Xie dan Benie sebagai validasi. Fuzzy k-means clustering. Dalam hard clustering. Fuzzy K-Means Clustering ini dilakukan pada 117 perusahaan eksportir furniture rotan di Kabupaten Cirebon. Furniture rotan. Pendahuluan Analisis klaster merupakan suatu teknik multivariat dengan tujuan utama mengelompokkan objek-objek berdasarkan karakteristik yang dimiliki.6) FUZZY K-MEANS CLUSTERING UNTUK MENGKLASIFIKASIKAN PERUSAHAAN EKSPORTIR FURNITURE ROTAN DI KABUPATEN CIREBON Hadi Rachmat2 Anindya Apriliyanti Pravitasari3 Sri Mulyani Sanroi2 hdee_rach56@yahoo. Metode ini sangat berguna dalam membantu para pengambil keputusan dalam 2 3 Mahasiswa Jurusan Statistika FMIPA Universitas Padjadjaran Bandung Dosen Jurusan Statistika FMIPA Universitas Padjadjaran Bandung Manajemen Risiko di Bidang Perbankan dan Asuransi |152 . 1. mengalokasikan kembali data ke dalam masing-masing klaster dengan memanfaatkan teori Fuzzy yang merupakan salah satu algoritma clustering alternatif dengan hasil yang lebih baik. diantaranya yaitu hard clustering dan fuzzy clustering.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.com ABSTRAK Analisis klaster merupakan suatu teknik multivariat dengan tujuan utama mengelompokkan objek-objek berdasarkan karakteristik yang dimiliki. sedangkan dalam Fuzzy clustering. Algoritma fuzzy clustering yang digunakan dalam penelitian ini yaitu Fuzzy K-Means Clustering yang merupakan pengembangan dari Hard K-Means Clustering. 13 November 2010 (M. Kata kunci : Analisis klaster. Ada beberapa teknik dalam memformulasikan masalah dalam analisis klaster. dapat dibentuk sebanyak tujuh klaster perusahaan eksportir dengan karakteristik berbeda tiap klaster.

karena pusat klaster dan hasil pengelompokkan tidak berubah jika ada data baru yang ekstrim. P. 13 November 2010 mengevaluasi kelompok-kelompok yang terbentuk. j 1 i 1 k 2 (uij ) m dij (x j . dan dikembangkan lebih jauh oleh Bezdek (1981). tetapi untuk data yang berdekatan pengelompokkan akan menjadi kurang tepat karena informasi kesimilaritasan data terhadap klaster-klaster yang terbentuk akan sulit dibedakan. diantaranya hard clustering dan fuzzy clustering. 2.. Dalam metode non-hierarki ada beberapa teknik dalam memformulasikan masalah.. pertama kali diperkenalkan oleh Dunn (1973).. Dalam hard clustering. Perkembangan terakhir dari analisis klaster dengan metode non-hierarki yang sudah banyak ditulis dalam berbagai jurnal dan penelitian adalah fuzzy clustering. U. data dialokasikan ulang secara tegas ke klaster yang mempunyai centroid terdekat dengan data tersebut. Metode ini merupakan pengembangan dari hard clustering dan merupakan salah satu algoritma clustering alternatif dengan hasil yang lebih halus (smooth) karena pembobotan yang dilakukan dengan memanfaatkan teori fuzzy (Shihab 2000).. Algoritma yang paling terkenal dari fuzzy clustering adalah fuzzy k-means clustering. pi ) (1) Manajemen Risiko di Bidang Perbankan dan Asuransi |153 . Fuzzy k-means membagi sebuah set data x1 . n (k ) J FKM X. Dalam beberapa jurnal dari Klawonn dan Hoppner menyebutkan bahwa metode ini merupakan metode yang paling kokoh (robust). Fuzzy K-Means Clustering Teori fuzzy k-means clustering. xn ke dalam k klaster dengan meminimumkan fungsi objektif dengan persamaan (1). Metode clustering ini dilakukan dengan mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai dasar pembobotan terhadap pengelompokkannya (Bezdek 1981). Hard clustering dapat mengelompokkan data yang terpisah jauh. x2 . Salah satu teknik pengklasteran yang banyak digunakan dalam analisis klaster ialah metode non-hierarki.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Penelitian ini akan membahas mengenai model fuzzy kmeans clustering untuk mengelompokkan industri furniture rotan di Kabupaten Cirebon sebagai upaya untuk meningkatkan kembali produksi furniture rotan di wilayah ini dengan cara mengevaluasi kelompok kelompok yang terbentuk.

optimasi parameter uij dan pi.2. maka d ij adalah jarak euclidean 2 b. 4.. Menghitung fuzzy claster center (centroid) utama Pi.n dij 2 2 dij x j .2..Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 Dimana: n (uij ) m j 1 0 j = 1... Algoritma Fuzzy K-Means Clustering Beberapa tahapan dari fuzzy k-means clustering: 1. n m uij x j pi j 1 n (3) u j 1 m ij uij k l 1 1 2 dij 2 dlj 1/ m 1 (4) 3.. Hitung jarak euclidean dengan menggunakan persamaan (5). U. x j pi 2 x j pi T Σ-1 x j pi (2) dimana Σ memiliki kemungkinan: 2 a. maka d ij adalah jarak mahalanobis xj pi = vektor pengamatan = pusat klaster n k 2 (uij ) m dij (x j . Manajemen Risiko di Bidang Perbankan dan Asuransi |154 . Σ adalah matriks kovarians.. 2. pi ) diberikan melalui j 1 i 1 (k ) Kondisi minimum fungsi objektif J FKM X. 3. Tentukan banyak klaster dari 2 sampai sampai banyak klaster optimum (N) Menentukan tingkat ke-fuzzy-an hasil pengelompokan (m). Dalam penelitian digunakan m=2. pi = jarak observasi dengan persamaan (2).. P.. Dimana uij dan pi diperoleh dengan persamaan (3) dan (4). Σ adalah matriks Identitas.k k (uij ) m i 1 1 i = 1.

Rekomendasi untuk menggunakan indeks XB tertuang dalam penelitian Duo dkk (2007) yang menyatakan bahwa indeks XB memiliki ketepatan dan keandalan yang tinggi untuk memberikan banyak kelompok optimum dalam metode Fuzzy K-means Clustering. Bandingkan nilai keanggotaan ( uij ) dalam matriks U. n k 2 (uij ) m dij XB j 1 i 1 (6) 2 N min i . Validitas dalam fuzzy k-means clustering dapat ditentukan melalui perhitungan indeks validitas Xie dan Benie dengan Persamaan (6). 8. jika belum maka kembali ke Langkah 7. Perbarui keanggotaan dan fungsi objektifnya. 13 November 2010 k dij ( x j . p j dengan nilai m yang dapat berubah-ubah. 7. Manajemen Risiko di Bidang Perbankan dan Asuransi |155 . pi ) i 1 (x jl pil )2 (5) 5. j pi . Banyak klaster optimum yang terbentuk diberikan oleh nilai indeks XB yang paling minimum. jika tidak banyak mengalami perubahan maka artinya konvergen dan keanggotaannya sudah. Hitung fungsi objektif dengan menggunakan Persamaan (1). Hitung centroid baru dengan menggunakan Persamaan (3). Validasi Klaster Validasi klaster dilakukan untuk menentukan ketepatan banyak klaster yang dibuat. 5. 6. 4. Hitung derajat keanggotaan berdasarkan Persamaan (4). 9. maksimal. Batas iterasi adalah jika nilai U( k 1) Uk sudah terpenuhi. Banyak klaster yang dapat dibentuk melalui perhitungan indeks Xie dan Benie (XB) adalah tujuh klaster dengan keanggotaan pada Tabel 1. Penerapan Data yang digunakan dalam penelitian ini adalah Perusahaan furniture rotan yang melakukan kegiatan ekspor di Kabupaten Cirebon pada tahun 2009 yaitu sebanyak 117 perusahaan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

CV JAVANICA. CV BINES RAYA. CV DIAN ARTHA. CV ERLANGGA BNH. CV GRAGE SURYA MANDIRI. Keanggotaan Klaster Klaster Anggota Klaster BODESARI RATTAN. CV WICKER CANE IND. CV HUSEIN RATINDO. CV 7 6 Klaster Anggota Klaster BELANICO. CV DILMONI CITRA M. PT BUANA RATTAN SUKSES. CV DELIMA INTI RAYA. 13 November 2010 Tabel 1. CV CITRA PESONA TROPICA. CV ANUGRAH PRATAMA. PT DIMITRI INTERIOR. CV TROPICA (PLUMBON). CV GLOBAL KARYA ARTHA. PT ELBA. CV LUXINDO ALAM JAYA. CV ANUGRAH SAPUTRO. CV ARCHIPELAGO EXP. CV INDO ROTAN. PT BERLIANA JAYA. CV PESONA RATTAN N. CV BENDERA RATTAN. PT RIZALDI ROTAN FINISH. PT MEKAR ASIH. CV ANGIE ROTAN. CV LUCKMAN FURNITURE. CV INDO GRAND. PT FELLADIFA. PT NIAGARA RATTAN. CV Manajemen Risiko di Bidang Perbankan dan Asuransi |156 . CV MUTIARA RATTAN. CV INDOTEAK. PT CANTIK RATTAN. PT SALSA RATTAN. CV JOHN SAM. CV 2 INTI BINTANG. CV LARISSA. CV CASSINI COLLECTION. PT KOTSKA ADHI SENTOSA. CV AVININDO. CV RATTAN CANTIQ IND. CV HABATA CIREBON M. CV DWI MULYA ABADI. PT SALSA FURINDO. CV PRIMA MANDIRI. CV DIAS RATTAN. CV BAAS INDAH. CV NOVA SOLO F. CV MAKMUR ABADI MERPATI RATTAN. CV CANARY FURNITURE. CV BELLADONNA PRIMARAYA. CV BUDI GUNA RATTAN. CV GEMILANG RATTAN. CV LATANSA RATTAN. CV BERKAT SUKSES SELALU. CV MUSTIKA MANDIRI. CV CAKRA BUANA JAYA. CV PUTRA HARAPAN. CV RATTANLAND. PT 1 LANGGENG JAYA. PT CHERBON SAE. CV GLOBALINDO . CV 3 ANGGUN RATTAN. CV ADI SURYA ABADI. CV DANAR PRATAMA. CV ARIZONA. CV IDEBI. CV JAVA MAESTRO.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. CV MUKI JAYA. CV HSHD FURNICRAFT. CV AURORA.

CV ZAHRA ADEILA. CV PARI RATTAN PLUS. CV WIWIN DESIGN. PT SAFIRA.699 0.19816 0.67683 Kapasitas Produksi 1.17877 2. CV AVANTI COLLECTION.073232 Nilai Investasi 1.8653 -0. CV NEBULA BUANA.5663 -0.563 0. CV PERMATA RATTAN.54386 1.514 -0.079972 Nilai Ekspor 2. CV DIMO PUTRA JAYA. CV VEDERAMA.18994 1. CV FAUZITAMA RATTAN. PT MULYA PRATAMA INDAH. PT CHANDRA RATTAN. 13 November 2010 BALAGI RATTAN. CV 4 LIMINDO UTAMA.5699 -0. PT 5 JATI VISION RAYA.0316 -0. CV TULUS ASIH.61745 -0. CV TROPICA (GN. PT AGUNG PUTRA MANDIRI.35532 4.055449 0. CV SUMBER MUTIARA ABADI. PT HOUSE OF RATTAN. CV VISINDO RATTANESIA.13019 0.31107 5. CV GRIYA RATTAN. JATI).1331 0. PT PERFECTI IND RATTAN.8528 -0. CV YAMAKAWA RATTAN. CV POLPIT.4533 -0. CV PRUNABON INT. CV PLUMBON PRATAMA. CV MARTINO RATTAN.35858 0.03163 Manajemen Risiko di Bidang Perbankan dan Asuransi |157 . Interpretasi Klaster Gambaran karakteristik klaster dapat dilihat dari pusat klaster (centroid) sebagai berikut : Tabel 2. CV TRIPOLAR. CV KHALIM. CV VALENTA CITRA PRATAMA. CV SHAH JAYA. CV TRIJAYA FURNITURE. CV TEGUH RATTAN.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. CV PERINTIS 18. CV ZICO RATTAN.50327 0. CV TALANG MAS MULYA. Pusat Klaster (Centroid) Kelompok Perusahaan Klaster 1 2 3 4 5 6 7 Tenaga Kerja 1.21026 0. CV NAGAM RATTAN.9039 -0. PT PIRAMIDA RATTAN. CV 6. CV WANDA RATTAN.43607 4. CV CIREMAI INDAH PERKASA. CV KURNIA ALAM SEJATI. CV MULIA JAYA F.

karakteristik klaster pertama merupakan perusahaan besar yang berkembang karena mampu mencapai nilai ekspor yang maksimal. Berkebalikan dengan kelompok perusahaan pada klaster enam. nilai investasi tertinggi serta kapasitas produksi terbesar. kelompok perusahaan ini berkemungkinan lebih menitikberatkan penjualan pada pasar domestik. Klaster keempat merupakan perusahaan kecil dengan keempat variabel yang memiliki nilai terkecil. Karakteristik Klaster Berdasarkan Variabel Pembeda Klaster 1 2 3 4 5 6 7 Tenaga Kerja 6 2 7 1 5 4 3 Nilai Kapasitas Investasi Produksi 6 5 2 2 7 7 1 1 4 6 3 4 5 3 Nilai Ekspor 7 4 6 1 2 5 3 Berdasarkan Tabel 2 dan Tabel 3. Klaster ketiga merupakan perusahaan besar dengan jumlah tenaga kerja terbanyak. Klaster kelima merupakan perusahaan menengah dengan nilai ekspor terkecil dibandingkan variabel lainnya. namun tidak diimbangi dengan nilai ekspor yang paling tinggi. Manajemen Risiko di Bidang Perbankan dan Asuransi |158 . karakteristiknya dapat diurutkan berdasarkan variabel pembeda berikut : Tabel 3.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. kapasitas produksi dan nilai ekspor yang cukup rendah. 13 November 2010 Berdasarkan pusat klaster diatas. Klaster keenam merupakan kelompok perusahaan yang memiliki kendala pada nilai investasi yang cukup kecil namun mampu mencapai nilai ekspor yang cukup besar. Klaster kedua merupakan perusahaan kecil yang berkembang karena memiliki nilai ekspor yang cukup tinggi dibandingkan variabel lainnya. klaster ketujuh merupakan perusahaan perusahaan dengan nilai investasi besar namun memiliki banyak tenaga kerja.

. Pravitasari.fh-wolfenbuettel.. C. klaster empat sebanyak 10 perusahaan. Hasil pengelompokkan pada penelitian ini dapat dijadikan sebagai bahan pertimbangan untuk mempermudah dalam hal ini pihak DISPERINDAG Kabupaten Cirebon untuk menentukan skala prioritas pemberian bantuan atau pembinaan dalam usaha peningkatan produksi furniture rotan di Kabupaten Cirebon berdasarkan karakteristiknya. 146-156 Klawon. “An Adaptive Cluster Validity Index for the Fuzzy C-means”.. C. Hopner. Manajemen Risiko di Bidang Perbankan dan Asuransi |159 . klaster lima sebanyak 3 perusahaan. Bandung. International Journal of Computer Science and Network Security 7 No. Fakultas Matematika dan Ilmu Pengetahuan Alam. Du-Wu. klaster dua sebanyak 16 perusahaan. F. Analisis Klaster Menggunakan Metode Fuzzy Clustering.de/~klawonn. (2004). 8. L. Jurusan Statistika. “Analisis Pengelompokkan Dengan Fuzzy C-Means Cluster”. http://public.2. Science Journal. Tugas Akhir. (2007). klaster enam sebanyak 3 perusahaan dan klaster tujuh sebanyak 55 perusahaan. klaster tiga sebanyak 11 perusahaan. 13 November 2010 7. Xue. A..rz. “A Contribution to Convergence Theory of Fuzzy C-Means and Derivatives”. Institut Teknologi Sepuluh Nopember.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Universitas Padjadjaran. Referensi Duo. (2008).. F. A. Supriyanto. Kesimpulan Banyak klaster optimal yang dapat dibentuk dari data ialah tujuh klaster dengan anggota klaster satu sebanyak 19 perusahaan. Surabaya.

Key Word: Latent.7) PENGELOMPOKAN PASIEN PENYAKIT DEMAM TYPHOID DENGAN MENGGUNAKAN ANALISIS KLASTER KELAS LATEN 1 Nurdianto Zaenurdin. bersifat endemis dan masih menjadi masalah kesehatan masyarakat di Jawa Barat.id Abstract For an effort in early diagnosis at typhoid fever. need to be known heterogeneity of typhoid fever. 1 Alumnus Jurusan Statistika Universitas Padjajaran Dosen Jurusan Statistika Universitas Padjajaran Alamat: Jl. getting the best model that is model with 3 clases where 40% of object is in the first class. 3Anna Chadidjah.00 III 155 48 118 321 107.0320. grouping of typhoid fever patient must be done based on clinical symptom and laboratory result. 2 abach_stat@yahoo. 21 Jatinangor Sumedang 45363 .00 IV 192 77 148 417 139.Indonesia 2. 13 November 2010 (M.3 e-mail : 1 zaefebrian@yahoo. Raya Bandung – Sumedang Km. The method has some of speciality than the other. 2Achmad Bachrudin. one of them is able to involve variable with different measurement scale. Base on BIC (Bayesian Information Criterion) statistic.com. 39% of object is in the second class and 21% of object is in the third class which has error classification at 0. Therefor.00 Total 801 255 589 1645 Manajemen Risiko di Bidang Perbankan dan Asuransi |160 . termasuk di Rumah Sakit “X”.id. Grouping method done in this research is latent class cluster analysis which is the number of class is treated as latent category variable. 3 anna_chadidjah@yahoo.33 II 202 56 138 396 132. jumlah penderita demam typhoid di Rumah Sakit “X” per triwulan pada tahun 2008 diperlihatkan pada tabel berikut.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.co. Berdasarkan data yang diperoleh dari Unit Rekam Medis Rumah Sakit “X”. Object allocation into classes is done based on probability of posterior grouping which is the largest posterior probability show that the object included into relevant class.co. BIC LATAR BELAKANG Demam typhoid masih merupakan penyakit infeksi tropik sistemik. the nmber of parameter and error classification. Jumlah pasien demam typhoid di Rumah Sakit “X” tahun 2008 Triwulan Rawat Jalan IGD Rawat Inap Total Rata-rata I 252 74 185 511 170.

Butel & Morse). maka sebagai bentuk peningkatan pelayanan medis. Namun gambaran klinis penyakit demam typhoid sangat bervariasi serta serupa dengan infeksi akut pada umumnya. Sehubungan dengan demam typhoid tersebut. Nilai yang tinggi dari titer H 160 menunjukan terjadinya infeksi aktif.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2005).25 137. gangguan pencernaan dan gangguan kesadaran (Nursalam dkk.75 147. untuk diagnosisnya maka dilakukan uji widal. Penyakit demam typhoid disebabkan oleh bakteri salmonella typhi yang masuk ke dalam tubuh melalui makanan dan air. maka diperlukan sebuah analisis yang dapat mengelompokan objek-objek ke dalam kelas-kelas tertentu. 13 November 2010 Rata-rata 200. Nilai yang tinggi atau peningkatan dari titer O 2.08 Sumber: Unit Rekam Medis Rumah Sakit “X” Dari data tersebut angka kejadian penyakit demam typhoid di Rumah Sakit “X” masih tinggi. 2002) Dalam penelitian ini tidak ada informasi mengenai jumlah kelas dan struktur kelasnya. analisis yang digunakan adalah analisis klasifikasi dan analisis klaster. Manajemen Risiko di Bidang Perbankan dan Asuransi |161 . Berdasarkan latar belakang diatas maka pokok permasalahan yang diajukan dalam penelitian ini adalah bagaimana membuat pengelompokan pasein demam typhoid berdasarkan gejala klinis dan uji laboratatorium. Hal ini mungkin menyebabkan seorang ahli pun dapat mengalami kesulitan dalam menegakkan diagnosis demam typhoid apabila hanya berdasarkan gambaran klinis. Uji widal adalah uji aglutinasi yang menggunakan suspensi bakteri salmonella typhi sebagai antigen untuk mendeteksi adanya antibodi terhadap salmonella typhi dalam serum pasien Nilai diagnostik dari uji widal adalah melihat adanya kenaikan titer antibodi yang bermakna dalam darah terhadap antigen salmonella typhi pada dua kali pengambilan spesimen dengan interval waktu 7-10 hari.25 63. Hasil uji widal diinterpretasikan sebagai berikut: 1. sehingga dalam pendiagnosisan demam typhoid perlu menghubungkan gejala klinik dengan uji laboratorium (Sylvia & Julius) Demam typhoid adalah penyakit infeksi akut yang mengenai saluran pencernaan dengan gejala demam yang lebih dari satu minggu. maka analisis yang akan digunakan adalah analisis klaster (Kaufman dan Rousseeuw. TINJAUAN PUSTAKA Agar tujuan dari penelitian ini dapat tercapai. Secara umum untuk tujuan pengelompokan. Maksud dari penelitian ini adalah menerapkan analisis klaster kelas laten pada pengelompokan pasien demam typhoid. Adapun tujuan dari penelitian ini adalah untuk mendapatkan kelompok-kelompok pasien demam typhoid dengan masing-masing karakteristiknya berdasarkan gejala klinis dan uji laboratatorium. 160 menunjukan infeksi lama (Brooks. Pengetahuan mengenai predefine class membedakan analisis klasifikasi dari analisis klaster (Rencher. diagnosis dini penyakit demam typhoid perlu segera ditegakkan.1999).

artinya diperlukan sebuah model statistik untuk populasi dimana sampel dalam penelitian diambil (Vermunt dan Magidson. Selain itu pada analisis klaster k means tidak terdapat panduan mengenai penentuan jumlah klaster. Analisis Klaster Kelas Laten Sama halnya dengan analisis klaster baku. 2002). 2008). Dalam contoh aplikasi mengenai terracotta data set. Namun berbeda dengan analisis klaster baku. 2002. dengan 33% objek masuk dalam kelas pertama. maka variabelnya dapat berupa kontinu. kedua hal inilah yang menjadi kelemaham metode hierarki. count atau kombinasinya (Vermunt dan Magidson. berbeda dengan analisis klaster kelas laten dimana penentuan jumlah klaster didasarkan pada beberapa kriteria statistik seperti BIC (Vermunt dan Magidson. 1998). 37% masuk dalam kelas kedua dan 30% masuk dalam kelas ketiga. pada analisis klaster kelas laten pengelompokan didasarkan pada peluang keanggotaan posterior. analisis dimulai dengan n buah klaster dengan item tunggal. 2003). 2002. 2002). sebaliknya pada metode divisive. Manajemen Risiko di Bidang Perbankan dan Asuransi |162 . Rencher 2002). dianalisis 73 objek sampel yaitu berupa pot dan ubin yang dibuat antara abad XVI-XVIII. Salah satu analisis yang termasuk dalam partitioning adalah klaster k means (Rencher. 2002). Berbeda dengan analisis klaster k means dimana pengelompokan didasarkan pada ukuran jarak sehingga tipe data terbatas pada skala interval. dimana pada analisis klaster kelas laten. Abonyi. Hasil dari penelitian ini diperoleh 3 kelas berdasarkan nilai statistik BIC. Pada metode partitioning. Pada metode agglomerative. Aplikasi klaster kelas laten dengan variabel campuran terdapat dalam jurnal “Latent Class Models for Mixed Variabels with Application in Archaeometry” yang ditulis Irini Moustaki dan Ioulia Papageorgio. analisis dimulai dari klaster tunggal dengan n item. kemudian dilakukan penyatuan (merging) sampai pada akhirnya diperoleh klaster tunggal dengan n observasi. 2008). 1990. Abonyi 2008). observasi dipisahkan ke dalam g buah klaster tanpa menggunakan pendakatan hierarki. objekobjek dimasukan menjadi bagian salah satu dari K buah kelas laten dengan jumlah dan ukuran kelas tidak diketahui sebelumnya. Abonyi. Pada hierarchical clustering hasil pengklasteran dapat berbeda tergantung pada penentuan starting point-nya (Hair dkk. Dalam hierarchical clustering dikenal dua metode yaitu metode aglomerative dan divisive.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 Analisis Klaster Analisis klaster adalah pengklasifikasian objek-objek yang memiliki kesamaan ke dalam kelompok-kelompok dimana jumlah kelompok serta strukturnya belum diketahui (Kaufman dan Rousseeuw. Dalam penelitian ini melibatkan 21 variabel metrik dan 19 variabel kategori. kategori. Dua pendekatan yang umum digunakan dalam analisis klaster adalah hierarchical clustering dan partitioning (Rencher. 2002. pada model klaster kelas laten pengelompokan dilakukan berdasarkan sebuah model (model based classification). kemudian dilakukan pemisahan (splitting) sampai pada akhirnya diperoleh n buah klaster dengan item tunggal (Rencher. kemudian tidak ada aturan baku mengenai penentuan jumlah klaster (Latin.

Memberikan berbagai kriteria seperti statistik BIC. Adapun variabel-variabel yang digunakan dalam penelitian ini adalah sebagai berikut: Kovariat 1.3% lebih kecil dari misclassification rate klaster K-means sebesar 8%. Tidak ada pengetahuan mengenai predefine class. 2. 13 November 2010 Vermunt dan Magidson dalam jurnalnya “Latent Class Models for Clustering: A Comparison with K-Means” menyimpulkan bahwa klaster kelas laten lebih baik dari klaster K-means. 2. 3. z3 : Jenis kelamin. merupakan peningkatan nilai hasil uji widal terhadap antibodi H antar dua kali uji. yang dapat digunakan dalam penentuan jumlah klaster. Dari uraian diatas. 2. Hal ini dimungkinkan karena analisis klaster kelas laten melakukan analisis klaster dan klasifikasi secara simultan (Vermunt dan Magidson. Melibatkan variabel laten. y 4 : Jumlah leukosit (sel/ l ). 3. 3. y1 : Suhu tubuh (0C). berdasarkan tujuan dan struktur data yang ada. 5. Melibatkan variabel dengan skala yang berbeda (diskrit dan kontinu). z1 : Usia. ANALISIS STATISTIK Data dan Variabel Penelitian Data yang digunakan pada penelitian ini berasal dari Unit Rekam Medis Rumah Sakit “X”. z2 : Inadequate intake. diukur pada hari pertama saat pasien menjalani rawat inap y5 : Jumlah trombosit (sel/ l ). yaitu usia pasien rawat inap yang didiagnosa demam typhoid. Variabel indikator 1. yaitu data mengenai pasien rawat inap tahun 2008 dengan penyakit demam typhoid sebanyak 100 orang. 5. yaitu asupan nutrisi kurang dari kebutuhan tubuh.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. y 2 : peningkatan titer antibodi H. 2002). 4. diukur pada hari pertama saat pasien menjalani rawat inap. diukur pada hari pertama saat pasien inap menjalani rawat Manajemen Risiko di Bidang Perbankan dan Asuransi |163 . y3 : peningkatan titer antibodi O. Dapat memasukkan variabel demografi atau variabel eksogen (kovariat). 4. selaput lendir pucat dan lidah tampak kotor. merupakan peningkatan nilai hasil uji widal terhadap antibodi H antar dua kali uji. ditandai dengan mulut kering. metode yang tepat digunakan dalam penelitian ini adalah metode klaster kelas laten dengan alasan sebagai berikut: 1. Hal ini ditunjukan dengan nilai misclassification rate klaster kelas laten sebesar 1.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran. z i . q K hk z i J f k yij z i . 1997).1) akan menjadi f yi zi . yaitu sebuah objek menjadi anggota kelas ke k bersyarat y. Vermunt. f k yij q jk Pada model kelas laten dapat dimasukan beberapa kovariat untuk memprediksi keanggotaan objek (Vermunt dan Magidson. Model Klaster Kelas Laten Dengan Variabel Indikator Campuran Model klaster kelas laten untuk variabel indikator (y) campuran adalah sebagai berikut (Vermunt dan Magidson. artinya ke dalam kelas mana sebuah objek harus dimasukkan. 7. y6 : Sakit kepala y7 : Gangguan fungsi usus Pengecekkan asumsi local independence Asumsi dasar dalam model kelas laten adalah local independence. 1998. : Banyaknya kelas laten : Fungsi densitas untuk tiap indikator. yaitu variabel-variabel indikator mutually independent dalam masing-masing klaster atau equivalent diberikan variabel laten (Zhang.3) k 1 j 1 Distribusi bersyarat P k y i .1) local Dimana Jp adalah bagian dari local dependency dengan P parameter. Rumus umum bivariat residual adalah sebagai berikut: BR 1 P P 2 p 1 log Jlocal p P 2 2 p 1 log Jlocal p (3. q jk …(3. 2004). Pengecekan asumsi local independence dilakukan dengan melihat bivariat residual untuk pasangan indicator-indikator dan pasangan kovariat-indikator. diartikan sebagai peluang posterior yang dinyatakan sebagai berikut Manajemen Risiko di Bidang Perbankan dan Asuransi |164 . 2002). 13 November 2010 6. Dengan melibatkan kovariat. maka model pada persamaan (3. f yi q Dimana: J hk K K hk J f k yij q jk …(3. (Hagenaars.2) k 1 j 1 : Banyaknya variabel indikator : Proporsi objek yang masuk ke dalam kelas leten ke-k. 2002).

4) Dalam model klaster kelas laten dengan variabel indikator campuran harus ditetapkan fungsi distribusi univariat yang sesuai untuk tiap elemen y i . q jk j hk zi …(3.5) Dimana pij adalah peluang sebuah objek yang menjadi anggota kelas j akan dijelaskan oleh variabel i pij P yi 1k b. q jk f k yij z i .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. q K L i 1 log k 1 hk z i J f k yij z i . 2004): a. 13 November 2010 hk zi P k yi .7) j 1 Manajemen Risiko di Bidang Perbankan dan Asuransi |165 . Variabel Kontinu Untuk variabel kontinu diasumsikan bahwa y berasal dari distribusi normal. si2 2p 1 2 s 1 2 exp 1 yi 2si2 mik 2 …(3. 2004): n L i 1 n log f y i z i . Variabel Kategori (biner) Untuk variabel biner dengan mengambil nilai 0 dan 1 distribusi yang digunakan adalah distribusi Bernoulli yang dinyatakan sebagai berikut f yi k y piki 1 pik 1 yi …(3. zi k j f k yij z i . 2005).6) Dimana mik adalah parameter dari variabel kontinu yi dalam kelas k dan si2 adalah varians dari variabel ke i yang konstan antar kelas. Adapun fungsi distribusi untuk y i adalah (Moustaki dan papageorgiou. q jk …(3. Estimasi Parameter Parameter-parameter dalam anaisis klaster kelas laten diestimasi dengan metode maksimum likelihood yang dinyatakan sebagai berikut (Moustaki dan Papageorgiou. sehingga masing-masing kelas laten memiliki rata-rata mij dan varians si2 (Vermunt & Magidson. f yi mik .

10) h 1 Dan varians (disumsikan konstan) dalam masing-masing kelas adalah ˆ si2 n K yih h 1 j 1 ˆ mik 2 ˆ P k yi .6) adalah sebagai berikut (Moustaki dan papageorgiou.8) h 1 Taksiran peluang bersyarat bahwa yi 1 bersyarat kelas k untuk variabel biner: ˆ pik n ˆ xih P k y i .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. dan brt merupakan efek langsung kovariat r terhadap indikator yang bersangkutan.9) h 1 Taksiran parameter untuk variabel kontinu: ˆ mik n ˆ xih P k y i . 13 November 2010 Taksiram maksimum likelihood yang diperoleh dari turunan parsial dari log likelihood pada persamaan (3. z i ˆ nhk …(3. 2005): Prediktor linier untuk variabel kontinu lqt . zi t b0 bqt 0 R brt zir …(3. 2004): Taksiran peluang prior kelas ˆ hk n ˆ P k yi .11) h 1 k 1 Dalam model klaster kelas laten dapat dibuat linier prediktor sebagai berikut (Vermunt & Magidson. bq 0 adalah efek klaster terhadap yit . zi n …(3. z i ˆ nhk …(3. zi …(3. zi n K ˆ P k yi .12) r 1 t t Dimana b0 adalah intersep. zi t bm 0 t bmq 0 R t bmr zir …(3. Prediktor linier untuk variabel biner t lm q .13) r 1 Manajemen Risiko di Bidang Perbankan dan Asuransi |166 .

15) Dengan: log L : logaritma natural likelihood p n : Banyaknya parameter : Ukuran sampel Klasifikasi Objek ke dalam Kelas Laten Pengklasifikasian objek-objek ke dalam kelas-kelas dilakukan berdasarkan taksiran peluang ˆ posterior P k y i . 2004).16) Manajemen Risiko di Bidang Perbankan dan Asuransi |167 . dimana model yang terbaik adalah model dengan nilai BIC paling rendah.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Adapun statistik ukuran kecocokan model Bayesian Information Criteria (BIC) dirumuskan sebagai berikut (Schwartz. zi ˆ hk zi j ˆ f k yij z i . z i (Moustaki dan papageorgiou. q jk j ˆ hk zi k …(3. bmq 0 adalah efek klaster terhadap yitm . Langkah selanjutnya dari analisis klaster kelas laten adalah menguji signifikasi parameter dengan menggunakan statistik Wald sebagai berikut: H0 : C ' J H1 : C ' J 0 (Variabel indikator tidak mempunyai daya pembeda terhadap kelas laten yang terbentuk) 0 (Variabel indikator mempunyai daya pembeda terhadap kelas laten yang terbentuk) Dengan taraf kesalahan sebesar a . 13 November 2010 t t t Dimana bm0 adalah intersep. Untuk respon ke-i peluang suatu objek masuk pada suatu klaster dinyatakan sebagai berikut: ˆ P j yi . Statistik uji: ˆ W 2 = C'J ' C'Σ J C -1 C'J …(3.14) Dengan kriteria uji. BIC adalah kriteria yang paling sering digunakan (Raftery. q jk ˆ f k yij z i . 1986). dan bmr merupakan efek langsung kovariat r terhadap indikator yang bersangkutan. Tolak H0 jika p-value Penentuan Banyak Kelas a Untuk mengukur kecocokan model dalam analisis klaster kelas laten digunakan beberapa kriteria informasi. 1987): BIC 2log L p log n …(3.

Data dalam analisis ini terdiri dari lima variabel metrik dan dua variabel kategori yang masing-masing diasumsikan berdistribusi normal dan Bernoulli. data yang digunakan dalam analisis ini merupakan data sekunder yang diperoleh dari unit rekam medis Rumah Sakit “X”. Untuk menilai kualitas model klasifikasi diukur nilai classification error sebagai berikut (Vermunt & Magidson. 13 November 2010 Dimana nilai peluang posterior yang paling tinggi pada suatu klaster menunjukan bahwa objek yang bersangkutan menjadi bagian dari klaster tersebut. tahap terakhir adalah member profil terhadap masing-masing klaster.0 karena dapat memfasilitasi hal-hal yang telah dijelaskan sebelumnya. z i E i 1 N …(3. Oleh karena itu pada analisis ini akan digunakan 3 buah klaster. 2005): t wi 1 max P k y i .69 dan error klasifikasi terkecil sebesar 0. Setelah diperoleh sejumlah klaster. frekuensi objek yang memiliki kesamaan nilai-nilai variabel. HASIL ANALISIS Seperti telah dijelaskan sebelumnya.0320. klaster laten 2 sebanyak 33 pengamatan dan klaster laten 3 sebanyak 23 pengamatan. dapat pula ditunjukan bahwa asumsi local independence telah terpenuhi yaitu dilihat dari nilai bivariat residual yang kurang dari 3.17) Dengan wi . Identifikasi Model Berdasarkan kriteria BIC diperoleh model optimal dengan 3 klaster. Sedangkan error classification diperoleh sebesar 0. Manajemen Risiko di Bidang Perbankan dan Asuransi |168 . yaitu 1183. dengan nilai BIC terkecil.0859 dengan jumlah klasifikasi yang benar pada klaster laten 1 sebanyak 34 pengamatan. Analisis dikerjakan dengan menggunakan software Laten Gold 4. peningkatan titer antibodi H. Pengecekkan asumsi local independence Pengecekan asumsi local independence dilakukan dengan uji T dimana dari tujuh variabel indikator hanya lima variabel indikator yang memenuhi asumsi local independence.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Selanjutnya dari hasil identifikasi model dengan tiga klaster. sakit kepala dan gangguan fungsi usus. yaitu suhu.84 (Vermunt & Magidson). peningkatan titer antibodi O.

4957 klaster 3 Pada uji Wald.7267 klaster 3 Pada uji Wald. 5.5928klaster 1 + 2. artinya variabel indikator peningkatan titer antibodi O mempunyai daya pembeda terhadap klaster laten yang terbentuk. 13 November 2010 Hasil Estimasi Parameter Model Seperti yang telah dijelaskan sebelumnya. Sedangkan. Linear prediktor untuk variabel indikator Suhu = 37.6332 .0774 + 0. nilai p-value < taraf kesalahan 0. R2 menunjukkan bahwa 75.1885 . nilai p-value < taraf kesalahan 0. R2 menunjukkan bahwa 63.97% variasi yang terjadi pada variabel indikator peningkatan titer antibody H dapat dijelaskan oleh model yang terbentuk. dengan metode estimasi maksimm likelihood diperoleh estimasi parameter linier prediktor untuk variabel indikator adalah sebagai berikut: 1. R2 menunjukkan bahwa hanya 4. yang menunjukkan bahwa parameter model memiliki pengaruh yang signifikan terhadap model.05.0821 klaster 3 Pada uji Wald.1. nilai p-value < taraf kesalahan 0.56% variasi yang terjadi pada variabel indicator peningkatan titer antibodi O dapat dijelaskan oleh model yang terbentuk. Linier prediktor untuk variabel gangguan fungsi usus = 0. nilai p-value < taraf kesalahan 0.6157 klaster 1 + 0. nilai p-value < taraf kesalahan 0.3702klaster 1 + 0.2. Linier prediktor untuk variabel sakit kepala = 0. Linier prediktor untuk variabel O (peningkatan titer antibodi O) = 0. Sedangkan. Manajemen Risiko di Bidang Perbankan dan Asuransi |169 GFusus O sakit kepala .0281klaster 1 + 0. artinya variabel indikator gangguan fungsi usus mempunyai daya pembeda terhadap klaster laten yang terbentuk.16% variasi yang terjadi pada variabel indikator gangguan fungsi usus dapat dijelaskan oleh model yang terbentuk. yang menunjukkan bahwa parameter model memiliki pengaruh yang signifikan terhadap model.3713 klaster 3 Pada uji Wald.05. artinya variabel indikator peningkatan titer antibodi H mempunyai daya pembeda terhadap klaster laten yang terbentuk. yang menunjukkan bahwa parameter-parameter model memiliki pengaruh yang signifikan terhadap model.05.0. artinya variabel indikator sakit kepala mempunyai daya pembeda terhadap klaster laten yang terbentuk. R2 menunjukkan bahwa 43.3584 klaster 2 + 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.7% variasi yang terjadi pada variabel indikator leukosit dapat dijelaskan oleh model yang terbentuk.6. Sedangkan.05. artinya variabel indikator suhu mempunyai daya pembeda terhadap klaster laten yang terbentuk.8768 .3262 klaster 2 . R2 menunjukkan bahwa 68.0536 klaster 2 + 0.7415 klaster 2 . yang menunjukkan bahwa parameter-parameter model memiliki pengaruh yang signifikan terhadap model.98% variasi yang terjadi pada variabel indikator sakit kepala dapat dijelaskan oleh model yang terbentuk.0. 4.0. Linier prediktor untuk variabel H (peningkatan titer antibodi H) = 0.5621 klaster 3 Pada uji Wald.6332 .0.8541klaster 1 + 0. yang menunjukkan bahwa parameter-parameter model memiliki pengaruh yang signifikan terhadap model. Sedangkan. Sedangkan. H suhu 3.6749 klaster 2 . 2.05.

ratarata peningkatan titer antibodi H sebanyak 3 kali dan rata-rata peningkatan titer antibodi O sebanyak 1 kali dan terdapat sakit kepala namun tanpa gangguan fungsi usus serta terjadi inadequate intake. Seatle. Departement of Statistics. Juwono. Johnson. 2004. rata-rata peningkatan titer antibodi H dan O sebanyak satu kali. tidak terdapat sakit kepala dan gangguan fungsi usus serta tidak terjadi inadequate intake. 13 November 2010 Dilihat dari efek langsung kovariat terhadap klaster diperoleh bahwa usia dan jenis kelamin tidak memberikan pengaruh yang signifikan dalam pembentukan klaster (p-value > 0. Geo F. Media Aeskulapius. artinya model klaster kelas laten sangat baik digunakan dalam hal pengklasteran. Tatham. Latent Class Models for Mixed Variables with Applications in Archaeometry. Dari model klaster yang terbentuk. Latent Class Analysis Variable Selection. Buku Ajar Ilmu Penyakit Dalam. Englewood Cliffis. A. University of Washington. Balazs. 2008. Medical Microbiology.. 8. Elsevier. dan Raftery. dan Morse. KESIMPULAN Berdasarkan hasil analisis yang telah dikemukakan pada bab sebelumnya. REFERENSI 1..05).. rata-rata peningkatan titer antibodi H sebanyak 2 kali dan rata-rata peningkatan titer antibodi O sebanyak 3 kali. diperoleh kesalahan klasifikasi sebesar 0. 2004. 3. b. Multivariate Data Analysis. Kelompok penyakit demam typhoid tipe II adalah kelompok dengan dengan rata-rata suhu 370C.. terdapat sakit kepala dan gangguan fungsi usus serta terjadi inadequate intake. Dean.. Birkhaser. Mc GrawHill.05). Manajemen Risiko di Bidang Perbankan dan Asuransi |170 . Janet S. dan Ronald L. Nema. Rolf E. Abonyi. I. 3.. Karakteristik setiap klaster yang terbentuk adalah sebagai berikut: a. Papageorgiou. Kapita Selekta Kedokteran. D. 2. I. Persatuan Ilmu penyakit Dalam Indonesia. William C. Janos dan Feil. 6. “Applied Multivariate Statistical Analysis” Prentice Hall. 1999. Jr. Black. 1998. Adriane. Moustaki. Prentice Hall: New Jersey. R. Kelompok penyakit demam typhoid tipe III adalah kelompok dengan rata-rata suhu 370C. Babin. Kelompok penyakit demam typhoid tipe I adalah kelompok dengan rata-rata suhu 370C. Demam Tifoid.. 2007. Cluster analysis for data mining and system Identification.. Josep F. c.0320. New Jersey. 2. Rahmat. Anderson. Stephen A. Hair. dapat diambil kesimpulan sebagai berikut: 1. 4. Fifth Edition. Wichern. 7. Hanya inadequate intake saja yang berpengarh signifikans (p-value < 0. Jilid 1. Barry J.. Fakultas Kedokteran Universitas Indonesia. Model pengelompokan pasien demam typhoid berdasarkan variabel indikator gejala klinis dan uji laboratorium adalah model dengan tiga klaster. Edisi 23. Butel. dan. Hal 435-442.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Berlin Brooks. 5. W. 1992.

Lawrance Erlbaum Associate.. Karen. 13 November 2010 9.. 37-44. Alvin. Latent Class Clster Analysis. K dan Magidson. Vermunt. Elsevier 10. Wiley Series in Probability. Asparouhov. Surjawidjaja Julius E. Vermunt. J. L. Tilburg University Statistical Innovation Inc. Vermunt.. 2005. K dan Magidson. 12. 14.. Statistical Innovation Inc. Boston. Bagian Mikrobiologi. 2000..J.. J. Jakarta.. Estimation of Parameter in Latent Class Models sing Fuzzy Clstering Algorithm... Tihomir dan Muthen Bengt O.. 2003. Method of Multivariate Analysis 2nd Edition.. Volume 20..J..Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2002. Boston. 2002. Nylund.0: Basic and Advance. Latent GOLD’s User’s Guide.. Inc.J..J. Muliawan Sylvia Y. Manajemen Risiko di Bidang Perbankan dan Asuransi |171 . 16. Canadian Journal of Marketing Research. K dan Magidson. 11. 15. Y Nan Yi. Tinjauan Ulang Peranan Uji Widal Sebagai alat diagnostic Penyakit Demam Typhoid di Rumah Sakit. Los Angeles. 2007. Yang Miin Shen. Deciding on the Number Classes in Latent Class Analysis and Growth Mixture Model: A Monte Carlo Simulation Study. hal. Vermunt. Rencher C. J. Latent Class Model for Clustering: A Comparison with K Means. 13. J. Statistical Innovation Inc. K dan Magidson. Fakultas Kedokteran Universitas Trisakti. Technical Guide for Latent GOLD 4.. 2002..

dan tetap reliable untuk ukuran data kecil.8) ANALISIS FAKTOR YANG MEMPENGARUHI PERSEPSI MANFAAT DAN PERSEPSI KEMUDAHAN PENGGUNAAN PETA BER-GEOREFERENCE PADA PELAKSANAAN SENSUS PENDUDUK 2010 DENGAN MENGGUNAKAN PENDEKATAN SEM BAYESIAN Lukitoningtyas 1*. Pada tahun 2008 BPS melakukan pembaharuan peta dalam rangka pelaksanaan Sensus Penduduk 2010. lebih mudah diaplikasikan untuk kasus yang komplek. Selanjutnya hubungan sebab akibat antara PEU. Indonesia1* Lukitoningtyas. Perceived Ease of Use (PEU). 2008). Indonesia 2 Abstrak Pada tahun 2008 BPS melakukan pembaharuan peta dalam rangka pelaksanaan Sensus Penduduk 2010. 2000).com Jurusan Statistika. PU dan variabel eksternal dimodelkan dengan menggunakan pendekatan SEM Bayesian. dapat digunakan untuk model dengan hubungan tidak linier. dapat digunakan untuk jenis data dikotomus dan data kategori. peta juga sangat strategis untuk menghindari kesalahan cakupan yang dapat berupa lewat cacah (omission) atau ganda cacah (double counting) (BPS. Institut Teknologi Sepuluh Nopember. Diketahui bahwa persepsi manfaat (perceived usefulness/PU) dan persepsi kemudahan penggunaan (perceived ease of use/PEU) dipercaya menentukan sikap dan derajat penggunaan suatu Teknologi Informasi (TI). Selama ini Peta yang digunakan BPS masih berupa sketsa peta yang belum bergeoreference. 13 November 2010 (M. Pendahuluan Manfaat peta dalam sensus adalah untuk mengidentifikasi letak atau alamat dari responden yang dicacah (United Nations.10@gmail. mendukung demografi kewilayahan dan indikator sosial dari suatu wilayah (United Nations. Surabaya. mengurangi ketergantungan pada teori asimtotik normal. 2008). Kelebihan pendekatan bayesian untuk SEM adalah: berfokus pada data individu. Nur Iriawan 2 Mahasiswa Magister Statistika. Peta belum menggunakan skala yang sesuai dengan letak daerah tersebut pada permukaan bumi (BPS. Selain itu. sebagai tindak lanjut dari proses tersebut diperlukan adanya Manajemen Risiko di Bidang Perbankan dan Asuransi |172 . Selain PU dan PEU. Bayesian. Institut Teknologi Sepuluh Nopember.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. intervensi variabel eksternal secara tidak langsung juga memiliki pengaruh. sebagai tindak lanjut dari proses tersebut diperlukan adanya alat ukur untuk mengetahui manfaat dan tingkat kemudahan teknologi yang baru diterapkan dalam bidang pemetaan. Perceived Usefulness (PU). Surabaya. Kata kunci : Structural Equation Modeling (SEM). 1. peta digunakan untuk visualisasi hasil sensus. Setelah proses pencacahan selesai. 2000).

dan tetap reliable untuk ukuran data kecil. dan reliabilitas dari sistem (Basaglia. tetapi kemampuan sistem akan mempengaruhi perilaku mereka. dapat digunakan untuk jenis data dikotomus dan data kategori. Bentuk Manajemen Risiko di Bidang Perbankan dan Asuransi |173 . 2007). Stan dan Saporta membandingkan Structural Equation Modeling (SEM) dengan Partial Least Squares (PLS) dan Linear Structural Relationship (LISREL). perceived ease of use (PEU) adalah suatu ukuran dimana seseorang percaya bahwa TI mudah dipahami dan digunakan. PU dan variabel eksternal menggunakan pendekatan SEM Bayesian. keadaan penelitian. Model dan Hipotesis Dalam penggunaan TI. untuk memodelkan hubungan antara PEU. yaitu: kualitas teknologi informasi. dan tujuan riset. Whiddett dan Hunter (2001) menggunakan analisis regresi. 2. dukungan organisasi dan kompleksitas teknologi. Menurut Lee (2007) kelebihan pendekatan bayesian untuk SEM adalah: berfokus pada data individu. Park dan Lee (2007). dan Hwang. Sedangkan perceived usefulness (PU) adalah suatu ukuran dimana penggunaan suatu teknologi dipercaya akan mendatangkan manfaat dan meningkatkan kinerja bagi orang yang menggunakannya (Davis. 2005). 13 November 2010 alat ukur untuk mengetahui manfaat dan tingkat kemudahan teknologi yang baru diterapkan dalam bidang pemetaan. atau pelayanan yang diberikan dapat memuaskan pengguna (Chang. 1989).3. Suatu teknologi tidak secara eksplisit mempertimbangkan bagaimana harapan pengguna. Hevner dan Collin (2005) menggunakan model PLS. Menurut Davis (1989) persepsi manfaat (perceived usefulness/PU) dan persepsi kemudahan penggunaan (perceived ease of use/PEU) dipercaya menentukan sikap dan derajat penggunaan suatu Teknologi Informasi (TI). Hung. dimana kualitas yang baik merujuk pada anggapan bahwa teknologi dapat memenuhi harapan pengguna. PU dan variabel eksternal dimodelkan dengan suatu metode. Kemampuan Sistem (KS) Kemampuan sistem diukur dengan menggunakan tingkat efesiensi. mengurangi ketergantungan pada teori asimtotik normal. 2. Dishaw dan Strong (1998) menunjukkan bahwa intervensi variabel eksternal secara tidak langsung mempengaruhi PEU dan PU. Dalam penelitian ini kami mengidentifikasi variabel eksternal yang berpengaruh pada PEU dan PU berdasarkan analisis sejenis yang telah dilakukan oleh peneliti-peneliti sebelumnya. lebih mudah diaplikasikan untuk kasus yang komplek. dapat digunakan untuk model dengan hubungan tidak linier. Dukungan Organisasi (DO) Faktor organisasi dipilih sebagai eksternal variabel untuk mencerminkan dukungan dan promosi organisasi dalam penerimaan suatu teknologi informasi (Kim. 2. Magni dan Pennarola. Dalam makalah ini. kemampuan sistem.2. Dan adopsi SEM untuk pembentukan model dilakukan oleh Kim. Hubungan sebab akibat antara PEU. dkk. PEU berpengaruh langsung kepada PU. Handy. Green.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2010).1. misalnya Davis (1989) mengadopsi analisis faktor. Caporarello. efektifitas. Kualitas Teknologi Informasi (KTI) Kualitas didefinisikan sebagai kriteria pengguna berkaitan dengan keunggulan suatu teknologi informasi. Variabel eksternal dipilih sesuai dengan technology features. Li. 2. Para peneliti menggunakan berbagai metode untuk uji asumsi dan pembentukan model.

Perceived Ease of Use (PEU) berpengaruh langsung pada Perceived Usefulness (PU) 3. Dukungan organisasi berpengaruh langsung pada Perceived Usefulness (PU) dan Perceived Ease of Use (PEU) Hipotesis 4. Kompleksitas Teknologi (KT) Kompleksitas teknologi mengacu kepada sejauh mana tingkat kesulitan suatu teknologi untuk dipahami dan digunakan. Matrik adalah koefisien struktural yang menghubungkan variabel laten dengan variabel observasi. hipotesis yang digunakan dalam penelitian ini adalah: Hipotesis 1. 2. Kualitas TI Kemampuan Sistem Perceived Usefulness (PU) Dukungan Organisasi Perceived Ease of Use (PEU) Kompleksitas Teknologi Gambar 1.4. Estimasi Bayesian dalam SEM Pendekatan Bayesian untuk SEM tidak menggunakan matrik kovarians dari data. maka tingkat kompleksitas yang tinggi harus diatasi dan menjadi perhatian utama (Teo. indikator untuk variabel laten eksogen yang berukuran . Kemampuan sistem mempengaruhi Perceived Usefulness (PU) dan Perceived Ease of Use (PEU) Hipotesis 3. sebab kapasitas pemrosesan informasi manusia secara alami mengalami keterbatasan. 13 November 2010 dukungan organisasi diwujudkan dalam sumber daya dan bantuan yang diberikan organisasi dalam proses penerimaan suatu teknologi informasi. Kompleksitas teknologi berpengaruh langsung pada Perceived Ease of Use (PEU) Hipotesis 5. Vektor merupakan ukuran error untuk . 2009).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2007). Model Penelitian Berdasarkan pada uraian diatas. tetapi menggunakan row data asli (Lee. Kualitas Teknologi mempengaruhi Perceived Usefulness (PU) Hipotesis 2. adalah vektor .Secara umum tingkat kompleksitas suatu teknologi mempengaruhi persepsi tingkat kemudahan pengguna. Misalnya untuk persamaan pengukuran: (1) dengan. Manajemen Risiko di Bidang Perbankan dan Asuransi |174 .

Selanjutnya distribusi bersyarat dari akan berdistribusi Normal-gamma. Selanjutnya dihitung: (4) dengan. Dimulai dari suatu inisial nilai . 2004). adalah matrik dari variabel laten. Dari jumlah tersebut. . . Pendekatan threshold untuk analisisnya adalah dengan memperlakukan data kategori sebagai manifestasi dalam variabel normal x. Stern dan Rubin. maka diperoleh (2) dimana adalah elemen didalam dan adalah hiperparameter dan matrik positif definit. Carlin. . 13 November 2010 Jika didefinisikan Misalkan adalah baris ke-k dari prior: dan adalah himpunan parameter yang tidak diketahui. Metode Penelitian Berdasarkan model penelitian pada Gambar 1 dan hipotesis penelitian yang telah dijelaskan pada bagian sebelumnya. maka x akan berhubungan dengan data kategori . adalah elemen diagonal dari . Misalkan adalah baris ke-k dari X.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Terakhir menghitung distribusi posterior bersama dengan menggunakan simulasi Gibbs Sampler yang merupakan jenis dari simulasi markov chain (Gelman. adalah distribusi Wishart berdimensi q dengan hiperparameter dan adalah matrik positif definit. (3) Pendekatan SEM Bayesian untuk data kategori diskrit adalah dengan menganggapnya sebagai observasi yang berasal dari distribusi kontinyu normal yang tersembunyi dengan mengaplikasikan suatu nilai threshold . karena x tidak tersedia. selanjutnya untuk iterasi ke.akan sama dengan: Langkah 1: Bangkitkan Langkah 2: Bangkitkan Langkah 3: Bangkitkan ( dari dari dari . dan juga diketahui bahwa . 4. data yang lengkap dan dapat Manajemen Risiko di Bidang Perbankan dan Asuransi |175 . adalah fungsi indikator dari y (sama dengan 1 jika dan 0 untuk lainnya) dan adalah suatu densitas normal standar. maka untuk memperoleh model persepsi kemudahan dan persepsi kemanfaatan dari peta ber-georeference yang digunakan pada pelaksanaan SP2010 adalah dengan melakukan survei pada 23 kabupaten/kota di Provinsi Sulawesi Selatan dengan jumlah sampel sebanyak 304 responden.

Hasil dan Pembahasan Berdasarkan data yang diperoleh melalui survei untuk menguji hipotesis penelitian dan membentuk model. tetapi belum tentu mampu mengukur apa yang akan diukur. Kuesioner yang digunakan dalam penelitian. ukuran reliabilitas adalah mengukur sesuatu secara konsisten. 2003). Seperti akurasi dan presisi. 13 November 2010 digunakan dalam analisis ini adalah sebanyak 202 responden. Sifat reliabilitas adalah merupakan skor pengukuran dan tergantung dari sampel (Gliem dan Gliem. Tinggi rendahnya reliabilitas ditunjukkan oleh suatu angka yang disebut nilai koefisien reliabilitas. 5. Semua variabel laten dalam penelitian diukur dengan 22 variabel observasi seperti pada Tabel 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.1. Validitas ditunjukkan oleh korelasi antara masing-masing pertanyaan dengan skor total dengan menghitung korelasi perkalian momen (product moment correlation). dan validitas adalah akurasi. maka reliabilitas adalah presisi. atribut. dapat dilihat pada Tabel 1. Daftar pertanyaan pada kuesioner yang digunakan dalam penelitian Variabel KTI1 ( ) KTI2 ( ) KTI3 ( KTI4 ( KTI5 ( KS1 ( KS2 ( KS3 ( KS4 ( DO1 ( DO2 ( DO3 ( KT1 ( KT2 ( Pertanyaan tentang persepsi pengguna peta Peta ber-georeference telah sesuai bentuk aslinya di lapangan Peta ber-georeference telah lengkap (legenda. Reliabilitas tidak mencerminkan validitas. Tabel 1. bantuan dan fasilitas untuk pemetaan ) Seharusnya ada staf khusus yang menangani masalah peta ) Peta ber-georeference tidak sulit dibaca ) Peta ber-georeference mudah digunakan Manajemen Risiko di Bidang Perbankan dan Asuransi |176 . Nilai reliabilitas dan validitas dari komponen-komponen yang digunakan dalam penelitian ditunjukkan oleh Tabel 2. Uji Reliabilitas dan Validitas Semua penelitian yang akan mengukur sesuatu. yaitu nilai alpha Cronbach (Cronbach. harus memperhatikan tingkat akurasi yang biasa disebut sebagai ukuran reliabilitas. 5. maka SEM untuk penelitian ini mengandung empat variabel laten eksogen yang merujuk pada variabel ekternal dan dua variabel laten endogen untuk PU dan PEU. 1951). batas wilayah dan identitas) ) Peta ber-georeference lebih efektif dan efisien dalam penyimpanan ) Peta ber-georeference secara kualitas lebih baik ) Peta ber-georeference lebih handal (jumlah peta yang salah berkurang) Peta ber-georeference jelas dan tidak saling tumpang tindih ) Peta ber-georeference meningkatkan kualitas hasil dari sensus/ survei ) Peta ber-georeferencememberikan informasi yang berguna bagi ) organisasi Peta ber-georeference meminimalkan lewat cacah dan ganda cacah ) ) Atasan seharusnya mewajibkan menggunakan peta ber-georeference pada setiap kegiatan pencacahan ) Kantor seharusnya menyediakan alat.

13 November 2010 KT3 ( PEU1 ( PEU2 ( PEU3 ( PU1 ( ) PU2 ( ) PU3 ( ) PU4 ( ) ) ) ) ) Peta ber-georeference tidak rumit Peta ber-georeferencemudah digunakan dan lebih powerfull Peta ber-georeference jelas dan mudah dipahami oleh pengguna Peta ber-georeference dapat dengan mudah memenuhi apa yang diinginkan dan lebih fleksibel Peta ber-georeference memungkinkan kegiatan pencacahan selesai dalam jangka waktu yang lebih cepat Peta ber-georeference menambah bukti/bahan yang akan mendukung dalam pengambilan keputusan Peta ber-georeference menunjukkan control (pengawasan) yang lebih pada kegiatan sensus/survei Peta ber-georeference mendukung aspek penting dalam pekerjaan (BS lebih mudah ditemukan) Dari Tabel 2 dapat dilihat bahwa untuk semua variabel eksternal.706 5 Variab el (1) DO DO1 ( ) DO2 ( ) DO3 ( ) 0.742 KS KS1 ( ) 0. Nilai Validitas dan Reliabilitas dari variabel penelitian Variab el (1) KTI KTI1 ( ) KTI2 ( ) KTI3 ( ) KTI4 ( ) KTI5 ( ) KT 0. sehingga data yang diperoleh dapat mencapai tujuan penelitian.696 0. menurut George dan Mallery (2003) dalam tulisan Gliem dan Gliem (2003) nilai dari dapat disimpulkan sebagai berikut: jika berarti baik dan untuk dianggap dapat diterima. PU dan PEU semua memiliki nilai alpha cronbach lebih besar dari 0.855 7 0.840 9 0.5605 0.7472 0.957 PEU3 ( ) 7 PEU1 ( ) Vali ditas (2) Relia bilita s (3) 0. Sedangkan untuk korelasi antara setiap komponen dengan total komponen seluruhnya bernilai positif.771 8 0. Tabel 2.7.731 5 Vali ditas (2) Relia bilita s (3) 0.725 2 PU PU1 ( ) 0.7558 0.787 0.7437 0.798 PEU2 ( ) 9 0. artinya ketepatan dan kecermatan pertanyaan dalam melakukan fungsi ukurnya cukup baik.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.703 4 Variabe l (1) PEU 0.5866 0.749 6 Vali ditas (2) Relia bilita s (3) 0.822 4 Manajemen Risiko di Bidang Perbankan dan Asuransi |177 .

2. Frekuensi untuk masing-masing pertanyaan dalam penelitian Frekuensi Frekuensi Variabel Variabel 1 2 3 4 5 1 2 3 4 (1) (2) (3) (4) (5) (6) (1) (2) (3) (4) (5) KTI1 ( KTI2 ( KTI3 ( KTI4 ( KTI5 ( KS1 ( KS2 ( KS3 ( KS4 ( DO1 ( DO2 ( 1 0 1 4 2 ) 0 ) 0 ) 14 ) 6 ) 5 ) 11 ) ) ) ) ) 42 75 72 4 20 41 5 39 46 9 18 28 0 23 40 2 31 79 7 62 100 92 96 75 121 48 149 46 145 12 137 111 143 137 90 33 DO3 ( KT1 ( KT2 ( KT3 ( PEU1 ( PEU2 ( PEU3 ( PU1 ( PU2 ( PU3 ( PU4 ( ) 18 ) 2 ) 14 ) 24 ) 1 ) 0 ) 1 ) 33 ) 5 ) 3 ) 29 132 68 126 113 12 7 31 59 45 33 64 52 132 62 65 50 82 38 63 39 104 110 152 166 109 - 5 (6) 57 94 27 - Untuk estimasi parameter model dengan pendekatan SEM Bayesian.8094 0.726 KS3 ( ) 0 0.7835 0.678 7 0. yang diperlukan dalam analisis dan estimasi Bayesian adalah frekuensi dan proporsi untuk setiap kategori yang diperlukan untuk menentukan threshold ( ).8514 0 0. Tabel 3.894 4 5. Tabel 3 menunjukkan frekuensi untuk setiap kategori pada masing-masing pertanyaan untuk membentuk threshold yang berdistribusi N[0. harus ditentukan nilai hiperparameter yang akan digunakan untuk membentuk distribusi prior. S EM Bayes ian dari Mode l Penelitian Untuk data kategori. Nilai hiperparameter diasumsikan diketahui berdasarkan informasi dari studi-studi sebelumnya atau dari sumber lain yang mendukung.741 2 0.779 KS2 ( ) 0 0. Pada penelitian ini kami menggunakan prior sebagai berikut: dan Manajemen Risiko di Bidang Perbankan dan Asuransi |178 .1].670 KS4 ( ) 5 PU2 ( ) PU3 ( ) PU4 ( ) 2 0. 13 November 2010 9 KT1 ( ) KT2 ( ) KT3 ( ) 0. Jumlah kategori untuk setiap pertanyaan pada penelitian adalah antara 3 dan 5.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

Nilai Var.760 Var. maka model hubungan antara PEU.24 ζ1 η1 0. Model Penelitian yang dihasilkan Pada Tabel 4 dan Gambar 2.179 1.633 0.33 0.30 ε4 y4 1 0.92 1 1.176 1. 13 November 2010 Selanjutnya pengolahan data untuk memperoleh estimasi parameter pada model penelitian dilakukan dengan bantuan paket program WinBugs 14 dan hasilnya seperti pada Tabel 4.25 1.182 0.667 1.345 1. PU dan variabel Ekternal untuk penggunaan peta ber-georeference dalam pelaksanaan SP 2010 di BPS Kabupaten/kota di Provinsi Sulawesi Selatan adalah seperti pada Gambar 2.5. Tabel 4. (1) Nilai (2) 1. telah mencapai burn in untuk semua parameter dalam model.347 1.19 0.281 1.26 1.18 1 1 1.93 δ6 δ7 δ8 δ9 δ10 δ11 δ12 δ13 δ14 δ15 ξ1 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 1.18 0.76 ξ2 η2 ζ2 1 0.875 1.443 1.22 1.302 1.633 Var.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.704 0.262 1. δ1 x1 δ2 x2 δ3 x3 δ4 x4 δ5 x5 1.48 0.341 1.81 0.07 1 1.608 1.35 1.479 0.881 Berdasarkan hasil pada tabel diatas.229 1.648 1.563 1.7 0.198 1.703 1.926 1.63 ξ3 0. dimana semua nilai lebih besar dari 0.760 1. Estimasi Parameter model Var.88 1.311 1.245 1.454 1.189 0. (1) Nilai (2) 0. Nilai (1) (2) (1) (2) 0.31 1. dapat dilihat bahwa secara umum nilai faktor loading sangat signifikan pada selang kepercayaan 95%.61 0.813 0.688 1.785 1. Dengan iterasi sebanyak 5000.387 1.18 ξ4 y1 ε3 y2 ε2 y3 ε1 Gambar 2.725 1.240 0.920 0.74 ε5 y5 ε6 y6 ε6 y7 0.414 1.744 0.847 1.825 1. Manajemen Risiko di Bidang Perbankan dan Asuransi |179 .329 1.39 1.069 1.606 0.

Penghargaan Penghargaan setinggi-tingginya diberikan kepada BPS yang telah memberikan kesempatan kepada penulis untuk memperluas wawasan dalam bidang keilmuan statistika. (2005). Dari hasil penelitian ini. M.. Persepsi langsung pengguna tentang manfaat peta adalah bahwa dengan peta dimungkinkan pencacahan akan lebih cepat selesai. 13 November 2010 Selanjutnya kemampuan sistem pemetaan ( ) memiliki hubungan positif paling kuat dengan PU ( ) dan PEU ( ) yang ditunjukkan oleh nilai dan . Chang. Li. I. M. Persepsi pengguna yang berhubungan dengan kualitas peta adalah: kesesuaian peta dengan daerah aslinya.. dan meminimalkan lewat cacah dan ganda cacah.D yang telah bersedia membimbing hingga terselesaikannya penelitian ini. kualitas peta yang lebih baik. Manajemen Risiko di Bidang Perbankan dan Asuransi |180 . S. Jakarta. Selanjutnya pengguna mengharapkan peta yang mampu meningkatkan kualitas hasil sensus. dan efektifitas dan efisiensi dalam penyimpanan. walaupun hubungannya tidak kuat ( ). Basaglia. jelas dan tidak saling tumpang tindih.. (2010). jelas dan mudah dipahami.G. dengan nilai sebesar 0. peta yang dapat memberikan informasi bagi organisasi.Drs.63.Ikom. Pemetaan SP2010: Pedoman Instruktur Nasional/ Instruktur Daerah. kelengkapan peta. peta dapat digunakan sebagai bahan dalam pengambilan keputusan. dan peta dapat memenuhi keinginan pengguna. PEU memiliki hubungan yang kuat dengan PU. Persepsi pengguna tentang tingkat kemudahan penggunaan peta terbukti memiliki pengaruh signifikan terhadap persepsi manfaat. dan mendukung aspek penting dalam pekerjaan. Terakhir. 8. peta dapat meningkatkan pengawasan.C... Italy. 7. Hung. faktor-faktor yang tersebut di atas diduga menentukan sikap dan derajat penggunaan peta ber-georeference pada pelaksanaan SP2010 di BPS Kabupaten/Kota di Provinsi Sulawesi Selatan. Daftar Pustaka Badan Pusat Statistik (2008). Ukuran yang digunakan adalah bahwa peta lebih mudah digunakan. Pengaruh positif yang kuat pada PU juga ditunjukkan oleh kualitas teknologi pemetaan ( ) dengan .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. BPS. tingkat kehandalan. Y. Magni. kepada BPS Provinsi Sulawesi Selatan yang telah berpartisipasi dalam pengisian kuesioner untuk penelitian ini dan kepada Prof.. dapat disimpulkan bahwa faktor yang sangat berpengaruh pada persepsi manfaat dan persepsi kemudahan penggunaan peta ber-georeference dalam pelaksanaan SP 2010 di BPS Kabupaten/Kota di Provinsi Sulawesi Selatan adalah kualitas dan kemampuan dari teknologi pemetaan. International Journal of Information Management. W. Pennarola. yaitu dukungan organisasi ( ) dan kompleksitas teknologi ( ) juga memiliki hubungan positif dengan PU dan PEU. F. dan Hwang. L. 6. Dua variabel eksternal lainnya.“An empirical study on the impact of quality antecedents on tax payers‟ acceptance of Internet tax-filing systems”. “IT knowledge integration capability and team performance: The role of team climate”. Ph. H. Caporarello. Kesimpulan Berdasarkan dari informasi pada bagian hasil dan pembahasan..C. Nur Iriawan. F.

H... H. USA. West Sussex.. Carlin. Korea. “Experience as a Moderating Variable in a TaskTechnology Fit Model.S.M.. Lee. Chapman and Hall/CRC. T.. Gliem.”Coefficient Alpha and The Internal Structure of Tests”. dan Saporta. Journal. “Customer satisfaction and PLS structural equation modeling. “A structural equation modeling of the Internet acceptance in Korea”. Singapore. Cronbach. United Nations. MIS Quarterly. D.L. (1951). F. Journal of Information and Software Technology.K.T. New York.A. University of South Florida. Selandia Baru. (2007). dan Gliem.M. R. Journal of Computers and Education. S..B. Paris. Chung-Hua University. (1989).S. Structural Aquation Modeling: A Bayesian Approach.J.Y.. John Wiley and Son. G. M. Y.. (2007). “Calculating. T. W.C. Baltimore. “Modelling technology acceptance in education: A study of pre-service teachers”. Green. Taiwan.. Tampa.. I. 318-339. (2009). T..B.. Taiwan. Li... Lee. Davis. Massey University. Stan. A. Department of Information Management.. (2001). Bayesian Data Analysis: Second Edition. 13 November 2010 Government Information Quarterly. Hevner. dan Rubin. R. Gelman. B. (2010).. L. G. Journal of Psychometrika volume 16 No.” In Fourth AmericasConference on Information Systems.J. United Nations (2000).. “Analysis of adopting an integrated decision making trial and evalution laboratory on a technology acceptance model”. Nanyang Technology University. “Perceived of Usefulness. Midwest Research to Practice Conference in Adult.G.dan Strong. 13. University of Illinois.. Perceived Ease of Use and User Acceptance of Information Technology”. Dishaw. Interpreting. An application to automobile market”. Journal of Expert System with Aplication. MD: Association for Information Systems. dan Hunter. A.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. pp.J. M. Handbook on geographic information systems and digital map-ping. 722-724. Teo. “The impacts of quality and productivity perceptions on the use of software process improvement innovations”. Handy.R. Stern. Whiddett. Park. Namseoul University. dan Lee. and Community Education. Journal of Electronic Commerce Reseach and Applications. (2005). National Chung Cheng University. Manajemen Risiko di Bidang Perbankan dan Asuransi |181 . (2004).3. D.C. (2003). Kim. J. D. Yen. Huang. J. “A Technology Acceptance Model for InterOrganisational Electronic Medical Record Systems”. V.. Continuing. and Reporting Cronbach‟s Alpha Reliability Coefficient for Linkert-Type Scales. Conservatoire National des Arts et M´etiers. (1998). dan Collins. England.

diskrit atau campuran diantara keduanya adalah model probit. Persentase peranan masyarakat di sektor industri dalam PDRB dan Persentase penduduk miskin. Variabel prediktor yang diduga mempengaruhi adalah Persentase penduduk yang tinggal di daerah perkotaan. Snapinn dan Small (1986). yaitu indeks kesehatan. Beberapa peneliti tersebut menerapkan model probit dengan menggunakan satu variabel respon. Maximum Likelihood Estimation.its. Metode estimasi yang digunakan adalah metode Maximum Likelihood Estimation (MLE) dan metode iterasinya adalah Newton Raphson. Newton Raphson. McKelvey dan Zavoina (1975). PENDAHULUAN Salah satu model yang dapat digunakan untuk menjelaskan hubungan antara variabel respon kategorikal (diskrit) dengan variabel prediktor kontinu.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT 1 Vita Ratnasari . Ada kalanya. Dari hasil estimasi dan uji signifikansi akan diketahui faktor-faktor yang mempengaruhi IPM pendidikan. Rata-rata pendapatan perkapita. 2Purhadi. Ronning dan Kukuk (1996). Kata kunci: Bivariat. O‟Donnell dan Connor (1996) dan Kockelman dan Kweon (2002). jumlah variabel respon yang dipengaruhi oleh variabel-variabel prediktor. Pada paper ini akan mengkaji suatu kasus dengan mempertimbangkan jumlah variabel respon kategorikal. Probit pertama kali dikembangkan oleh Bliss (1934). 2Ismaini.ac.id Staf Pengajar Jurusan Statistika FMIPA-ITS Surabaya Dalam penelitian. melainkan lebih dari satu. Bliss (1934) menjelaskan bahwa istilah “probit” adalah singkatan dari “probability unit”. Beberapa penelitian sebelumnya yang mengkaji pemodelan probit antara lain oleh Aitchison dan Silvey (1957). 2Suhartono 1 2 Mahasiswa S3 Jurusan Statistika FMIPA-ITS Surabaya 1 e-mail : vita_ratna@statistika. IPM adalah pengukuran terhadap tiga indeks. Rasio ketergantungan penduduk. yaitu melek huruf dan rata-rata lama studi. seringkali variabel respon menggunakan data kategorikal. Manajemen Risiko di Bidang Perbankan dan Asuransi |182 . Persentase penduduk yang berpendidikan diatas SLTP. Sedangkan uji signifikansinya menggunakan metode Maximum Likelihood Ratio Test (MLRT). Kasus yang digunakan pada paper ini tentang Indeks Pembangunan Manusia (IPM) / Human Development Index (HDI). tidak hanya berjumlah sebuah variabel respon saja. Salah satu model yang mengatasi permasalahan tersebut adalah model probit. Indeks Pembangunan Manusia. Maximum Likelihood Ratio Test. dimana IPM pendidikan mempunyai dua indikator. indeks pendidikan dan indeks daya beli masyarakat. 13 November 2010 (M.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

) d z1 d z2 (3) dimana ( ) adalah fungsi densitas dan Fungsi densitasnya adalah: ( z1 . jika y1 0 maka y1 0 * y1 * y2 0 maka y1 1 maka y2 1 0 1 (1) (2) βT x2 ε2 . Rata-rata pendapatan perkapita. pendidikan dan daya beli masyarakat. MODEL PROBIT BINER BIVARIAT Green (2008). dan mengasumsikan dua variabel random error z2 z1 1 dan 2 saling berkorelasi ( z1 . Z 2 z2 ) ( z1 . ε2 x1 . x2 E ε2 x1 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. IPM terdiri dari tiga dimensi yaitu kesehatan. 2 * jika y2 0 maka y2 0 * y2 0 E ε1 x1 . 13 November 2010 Seringkali kondisi lapangan menunjukkan bahwa beberapa variabel prediktor tidak hanya mempengaruhi sebuah variabel respon saja. Sehingga variabel respon untuk kasus tersebut adalah tiga variabel. z2 ) . x2 Var ε1 x1 . z2 . Misalnya pada kasus Indeks Pembangunan Manusia (IPM). Spesifikasi secara umum untuk model tersebut adalah: * T * y1 β1 x1 ε1 . Rasio ketergantungan penduduk. Estimasi yang digunakan untuk pemodelan probit adalah metode maximum likelihood estimator (MLE) dan statistik ujinya dengan menggunakan metode maximum likelihood ratio test (MLRT). model probit bivariat adalah pengembangan dari model probit univariat. exp 1 1 2 1 2 2 z1 2 z1 z2 2 z2 (4) Manajemen Risiko di Bidang Perbankan dan Asuransi |183 . ) 2 1 1 2 ( ) adalah fungsi distribusi kumulatif normal bivariat. z2 . Persentase peranan masyarakat di sektor industri dalam PDRB dan Persentase penduduk miskin. Menurut Diana (2009). Persentase penduduk yang berpendidikan diatas SLTP. x2 Var ε2 x1 . Probabilitas distribusi bivariat adalah: ( z1 ) P( Z1 z1 . x2 Estimasi yang digunakan pada model probit bivariat adalah maksimum likelihood. Model probit biner bivariat mempertimbangkan dua variabel dependen ( y1 dan y 2 ). x2 Cov ε1 . IPM dipengaruhi oleh Persentase penduduk yang tinggal di daerah perkotaan.

fungsi ln likelihood tersebut adalah: n ln L β ln i 1 P i y11i P i y10 i P01i y01i (1 P P P01 ) 1 11 10 11 10 y11 y10 y01 (6) 4. Y10 i .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. P01i dan P00i . n . yang mana kejadian pada setiap res-ponden akan berdistribusi Multinomial Y11 . dengan mengambil n sampel random yang saling bebas. X 2i . P i . Membuat ln fungsi likelihood. y00 adalah 0 atau 1. Sehingga 11 10 P01 ) 1 y11 y10 y01 fungsi likelihood dari variabel random biner bivariat sebagai berikut: L β i 1 P i y11i P i y10 i P01i y01i (1 P P 11 10 11 10 (5) 3. 2. 2. Y01i . Kemudian memaksimumkan fungsi ln likelihood dengan menderivatifkan ln fungsi likelihood terhadap parameter-parameternya dan kemudian menyamakan dengan nol. X1i . Y00i . 13 November 2010 PENAKSIRAN PARAMETER MODEL PROBIT BINER BIVARIAT Menurut Gujarati (2003) dan Green (2008) parameter yang terdapat pada model probit dapat diduga dengan menggunakan metode kemungkinan maksimum (Maximum Likelihood Estimation / MLE). y01 . n Tabel 1: Struktur Data Biner Bivariat I 1 2 3 N Y11i Y10i Y01i Y00i X1 x11 x12 x13 x1n X2 x21 x12 x13 x2n Xk xk1 xk 2 xk 3 xkn 1 0 0 0 0 0 0 1 0 0 1 0 0 1 0 0 Tabel 1 menunjukkan struktur data biner bivariat. Y10i . P01 . Membentuk fungsi likelihood Pada data biner bivariat. P01 ) 11 10 y y P y11 P y10 P0101 P0000 11 10 2. y10 . P . n serta nilai peluangnya adalah P i . Y00 dan P00 secara berturut adalah 11 10 dan P00 1 P P P01 serta nilai y11 . P . Maka turunan pertama ln(β) terhadap β1 adalah: Manajemen Risiko di Bidang Perbankan dan Asuransi |184 .. Y01i dan Y00i dengan i 1. Mengambil n sampel random Y11i .. X ki i 1. Y01 ~ M 1. .. P . y10 . P . Bentuk 11 10 distribusi peluangnya adalah: Y00 1 Y11 Y10 Y01 f ( y11 . Y10 . maka variabel random bivariat akan berdistribusi multinomial dengan nilai setiap selnya adalah Y11i .. y01 . Untuk mendapatkan penaksir β dengan menggunakan metode MLE adalah dengan langkah-langkah sebagai berikut: 1.

Komponen vektor g yang berukuran (2 1) adalah: ln L(β) T β1 ln L(β) βT 2 g (β) (9) [2( p 1) 1] Kemudian membentuk matrik Hessian atau matrik H(β) . Kemudian menentukan matriks H . yang merupakan turunan pertama dari fungsi likelihood terhadap parameternya. Sehingga. Melalui proses iterasi Newton-Raphson dapat diperoleh penaksir maksimum likelihood bagi . terlebih dahulu menentukan vektor g . yang elemen-elemennya merupakan turunan kedua terhadap parameternya. dilakukan pengujian parameter model probit biner bivariat.b Pi 1 1 P2i P01i c 1 . matrik ini diperoleh dari turunan parsial kedua ln L( ) terhadap β . didapatkan matrik simetris Hessian adalah sebagai berikut: 2 ln L(β) 2 ln L(β) ln L(β) [2( p 1) 2( p 1)] H(β) T β1 β1 β1 βT 2 2 (10) β 2 βT 2 PENGUJIAN SIGNIFIKANSI MODEL PROBIT BINER BIVARIAT Untuk menguji kelayakan model yang diperoleh dari penaksiran parameter. Dalam pengujian Manajemen Risiko di Bidang Perbankan dan Asuransi |185 . dimana m adalah penaksiran parameter pada iterasi ke m.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. dan d P01i 1 1 Pi 1 P01i Karena diperoleh hasil taksiran yang tidak close form. 13 November 2010 ln L β T 1 n ( a y11i i 1 b y10i c y01i d y00i ) P01i T β1 (b y10i d y00i ) Pi 1 T β1 (7) Sedangkan turunan pertama ln(β) terhadap β 2 adalah: ln L β T 2 n (a y11i b y10i ) i 1 P2i βT 2 ( a y11i b y10i c y01i d y00 i ) P01i βT 2 (8) Misal: a 1 P2i P01i . maka salah satu pendekatan numerik yang dapat digunakan adalah metode Newton-Raphson. Algoritma proses iterasi Newton-Raphson untuk mencari suatu penaksir bagi β . Hal ini bertujuan untuk mengetahui apakah variabel prediktor yang terdapat dalam model berpengaruh nyata atau tidak.

v (Agresti. x p mempunyai pengaruh yang signifikan terhadap variabel respon y1 dan y 2 . 2 dan s 0. 13 November 2010 parameter model dilakukan baik secara overall (serentak) maupun parsial. Hipotesa untuk menguji secara serentak. Rasio ketergantungan penduduk (x4).. x2 . 2002). langkah selanjutnya adalah pengujian secara parsial. Pendidikan mempunyai dua indikator yaitu melek huruf (y1) dan lamanya studi (y2). Kemudian nilai Square. Dan variabel prediktor yang diduga mempengaruhi variabel respon adalah Persentase penduduk yang tinggal di daerah perkotaan (x1). Persentase penduduk yang berpendidikan diatas SLTP (x2). dimana v adalah banyaknya parameter model dibawah populasi dikurangi dapat diperoleh pada tabel Chi- banyaknya parameter model dibawah H0. Rata-rata pendapatan perkapita (x3).. p (13) Untuk menentukan statistik uji pada uji parsial dilakukan cara yang sama seperti uji serentak. (14) SE ( ˆrs ) SE ( ˆrs ) I Var ( ˆrs ) . Keputusan untuk menolak H0 jika 2 v. ) . p Statistik uji yang digunakan adalah G 2 . 2 dan s 1.... dimana Var ( ˆrs ) adalah elemen diagonal dari matrik Informasi.. pendidikan dan daya beli masyarakat. adalah: H0 : 11 12 1p 21 rs 22 2p 0 H 1 : paling sedikit ada satu 0 dengan r 1. Persentase peranan masyarakat di sektor industri Manajemen Risiko di Bidang Perbankan dan Asuransi |186 . APLIKASI MODEL PROBIT BINER BIVARIAT Indeks Pembangunan Manusia (IPM) / Human Development Index (HDI) adalah pengukuran perbandingan dari kesehatan. E ( H 1 ) . Setelah melakukan pengujian secara serentak. 2.. apakah variabel x1 . Keputusan untuk menolak H0 jika thitung t(1. ˆ rs sehingga didapatkan statistik uji t . Metode yang digunakan adalah MLRT... .. yaitu thitung . G2 2 ln 2 ln L( ˆ ) L( ˆ ) 2 ln L( ˆ ) 2 ln L( ˆ ) 2 (11) (12) Distribusi G 2 mendekati distribusi 2 Ghitung 2 . Paper ini memberikan studi kasus nilai IPM yang ditinjau dari sisi pendidikannya. 2...Prosiding Seminar Nasional Statistika Universitas Padjadjaran. ingin diketahui kontribusi setiap variabel prediktor.1. Pengujian hipotesis secara parsial pada model probit biner bivariat adalah: 0 H0 : rs H1 : rs 0 dengan r 1. Pada pengujian ini.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

dalam PDRB (x5) dan Persentase penduduk miskin (x6). Secara lengkap data dapat dilihat pada Tabel 2. Tabel 2: Data variabel respon dan variabel prediktor Kab / X1 X2 X3 X4 X5 X6 Y1 Y2 kota 1 12.9 35.1 195.1 0.5 23.3 4 7 6 5 4.18 1 1 0 2 25.7 37.0 233.7 0.4 18.2 2 3 6 8 9.67 3 0 0 3 24.2 32.8 224.9 0.5 22.7 2 4 3 3 8.47 9 1 0 4 43.0 41.4 253.3 0.5 18.0 17.8 8 1 4 2 7 3 1 1 5 25.4 34.9 276.4 0.5 16.4 0 1 5 5 2.45 7 0 0 6 39.2 42.6 231.1 0.5 16.1 18.9 2 8 4 2 2 8 1 1 7 40.7 35.0 259.4 0.5 19.6 15.6 5 7 5 2 5 6 0 0 : : : : : : : : : 36.0 278.6 0.5 12.0 99 37.5 7.86 1 1 1 1 4 5

P11 0.230 6 0.076 7 0.068 3 0.327 9 0.042 9 0.491 3 0.230 6 0.092 85

P10 0.626 4 0.574 5 0.568 1 0.561 5 0.523 4 0.455 2 0.626 4 0.494 4

P01 0.000 2 0.000 2 0.000 2 0.000 5 0.000 1 0.000 4 0.000 3 0.000 8

P00 0.142 8 0.348 5 0.363 4 0.110 0 0.433 5 0.053 1 0.142 7 0.412 0

Rata-rata persentase penduduk Jawa yang tinggal di perkotaan relatif kurang dari 50 %, yaitu 46.70 %. Hal ini menunjukkan bahwa 53.3 % penduduk Jawa tinggal di luar perkotaan. Masyarakat di Jawa berpendidikan diatas SLTP relatif sedikit yaitu sebesar 38.44 %. Sedangkan peranan masyarakat di sektor industri dalam PDRB hanya 21.4 %. Jika dilihat lebih jauh, peranan masyarakat di sektor industri Jawa Barat (29.24 %) mempunyai prosentase lebih besar dibanding di Jawa Timur (15.99 %). Dilihat dari persentase penduduk miskin, Jawa Barat mempunyai persentase paling kecil dibanding Jawa Timur dan Jawa Tengah, yaitu sebesar 12.84 %, Jawa Timur dan Jawa Tengah secara berturut adalah 19.64 % dan 19.31 %. Hubungan antara penduduk yang melek huruf dengan berpendidikan diatas SLTP sebesar 0.783. dengan adanya korelasi yang kuat diantara dua variabel respon, maka model yang dibentuk adalah model bivariat. Persamaan pertama pada model probit bivariat tersebut adalah: z1 9.0428 0.00588 x1 0.1666 x 2 0.00416 x3 6.60444 x4 0.00596 x5 0.0635 x6 Dengan nilai peluang bahwa sebuah kota/kabupaten termasuk kategori nilai IPM melek huruf ( z1 ) , sedangkan diatas rata-rata adalah P 1 ( z1 ) . dibawah rata-rata adalah P01 11 Sedangkan persamaan kedua adalah:
Manajemen Risiko di Bidang Perbankan dan Asuransi |187

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

z2

11.855 0.0023 x1 0.1862 x2 0.0048 x3 6.9124 x4 0.0063 x5 0.07337 x6 .

Peluang

sebuah kota/kabupaten termasuk kategori nilai IPM lama studi dibawah rata-rata adalah P02 ( z2 ) dan diatas rata-rata adalah P 1 ( z2 ) . 12 Dari uji secara serentak menunjukkan bahwa model tidak signifikan, dengan nilai G 2 mendekati nol. Hipotesis untuk uji serentak mengacu pada persamaan (16). Sedangkan uji secara parsial menunjukkan bahwa ke enam variabel prediktor diatas, secara langsung tidak signifikan berpengaruh terhadap variabel melek huruf dan variabel lama studi. Nilai t hitung ke enam variabel prediktor dibawah 1.28 ( 0.10) . Dimana hipotesis untuk uji secara parsial menggunakan persamaan (20). Ketidak signifikan variabel prediktor antara lain disebabkan pengelompokkan yang tidak signifikan. Hal ini terlihat pada prediksi pengelompokkan untuk variabel respon terjadi misklasifikasi sebesar 48.5 %. Lebih detailnya dapat dilihat pada Tabel 3. Tabel 3: Misklasifikasi pemodelan probit biner bivariat PREDIKSI P11 P10 P01 P00 P11 18 17 0 5 P10 2 15 0 5 P01 1 3 0 10 P00 0 5 0 18 ACTUA L

KESIMPULAN DAN SARAN Dari keenam variabel prediktor [Persentase penduduk yang tinggal di daerah perkotaan (x1), Persentase penduduk yang berpendidikan diatas SLTP (x2), Rata-rata pendapatan perkapita (x3), Rasio ketergantungan penduduk (x4), Persentase peranan sektor industri dalam PDRB (x5) dan Persentase penduduk miskin (x6)], menunjukkan bahwa tidak signifikan terhadap nilai IPM melek huruf maupun nilai IPM lamanya studi. Dengan misklasifikasi yang relatif besar, yaitu sebesar 48.5 %. Disarankan dalam penelitian lanjutan adalah memodifikasi variabel yang telah ada, atau menambah variabel lain. DAFTAR PUSTAKA Agresti, A. (2002), Categorical Data Analysis, John Wiley & Sons, Inc., Hoboken, New Jersey. Aitchison, J. & Silvey, S.D. (1957). The Generalization of Probit Analysis to the Case of Multiple Responses. Biometrika: Vol. 44: No. 2: 131-140. Bliss, C.I. (1934). The Method of Probits. American Association for the Advancement of Science: Science, New Series, Vol.79 (2037): 38–39.
Manajemen Risiko di Bidang Perbankan dan Asuransi |188

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

Greene, W.H. (2008), Econometrics Analysis, Fourth Edition, Prentice Hall, Englewood Cliffs, New Jersey. Gujarati, D.N. (2003). Basic Econometric. Fourth Edition. Mc Graw Hill, New York. McKelvey, R.D. & Zavoina, W. (1975). A Statistical Model for the Analysis of Ordinal Level Dependent Variables. Journal of Mathematical Sociology, Vol. 4: 103-120. Ronning, G. & Kukuk, M. (1996). Efficient Estimation of Ordered Probit Models. Journal of the American Statistical Association: Vol. 91, No. 435, pp. 1120-1129. Snapinn, S.M. & Small, R.D. (1986). Test of Significance Using Regression Models for Ordered Categorical Data. Biometrics: Vol. 42: 583-592.

Manajemen Risiko di Bidang Perbankan dan Asuransi |189

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

III. MATEMATIKA DAN STATISTIKA APLIKASI (S.1) EFEK PERUBAHAN POLA CUACA PADA DEBIT AIR MASUK DI WADUK SAGULING

Yurian Yudanto1, Hj.Neneng Sunengsih, M.Stat.2, Gumgum Darmawan, M.Si3
1

Jurusan Statistika Universitas Padjadjaran Email : yurian.yudanto@yahoo.com 2 Jurusan Statistika Universitas Padjadjaran Email : nenks_stat@yahoo.com 3 Jurusan Statistika Universitas Padjadjaran Email : gumstat@yahoo.com

ABSTRAK Keadaan iklim merupakan salah satu aspek yang sangat penting bagi pembangkit energi yang memanfaatkan tenaga alam sebagai sumber energi seperti PT Indonesia Power UBP Saguling, setiap perubahan kecil pada iklim terutama pola hujan yang mempengaruhi debit air masuk waduk tentu saja berimbas terhadap kapasitas produksi listrik, kenaikan curah hujan yang diprediksi terjadi pada tahun 2010-2039 dapat menaikan potensi pembangkit energi dengan tenaga air. Untuk itu perlu dilakukan pemantauan kedepan mengenai pola iklim di wilayah waduk yang diwakili oleh peramalan terhadap volume debit air masuk guna menggambarkan potensi dari pembangkit energi dengan tenaga air di waktu mendatang. Dari hasil analisis dengan motode exponential smoothing diketahui bahwa hasil peramalan volume debit air masuk untuk bulan juli dan agustus 2010 menunjukan kenaikan apabila dibandingkan dengan volume debit air masuk pada waktu yang sama di tahun 2009. Kata kunci : perubahan iklim, potensi pembangkit listrik energi air, volume debit air masuk, pembangkit listrik tenaga air, peramalan, exponential smoothing, holt-winter.

Manajemen Risiko di Bidang Perbankan dan Asuransi |190

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

1. Pendahuluan Disadari atau tidak, pola iklim yang telah dikenal selama ini dan diyakini akan bertahan untuk waktu yang lama saat ini telah mengalami perubahan, Lembaga Penerbangan dan Antariksa Nasional (Lapan) dalam webnya* mengatakan bahwa diprediksi akan terjadi peningkatan curah hujan di wilayah Indonesia pada tahun 2010 – 2039, hal yang demikian bisa menjadi angin segar bagi dunia pembangkitan energi tenaga air karena menjanjikan peningkatan bahan baku produksi dalam industri energi ramah lingkungan ini. Dalam penelitian mengenai perubahan iklim ini, penulis menggunakan data debit air masuk harian pada Waduk Saguling untuk mendapatkan gambaran perubahan volume debit air antara tahun 2009 dan 2010 yang diperkuat dengan data ramalan sebanyak 60 hari kedepan dimulai dari bulan juni 2010.

2. Metode Analisis Sebelum analisis dimulai perlu dilakukan proses paling penting dalam peramalan, yakni uji autokorelasi. Autokorelasi didefinisikan sebagai adanya hubungan antara data pengamatan waktu ke t dengan data pengamatan pada waktu ke t-x di masa lampau dalam variabel yang sama, sehingga menjamin bahwa data dapat dianalisis menggunakan metode-metode peramalan, jika data tidak mengandung autokorelasi maka pendekatan peramalannya dapat dilakukan menggunakan regresi deret data atas waktu. Pengujian autokorelasi ini menggunakan Diagram Fungsi Autokorelasi (ACF), jika diagram ACF membentuk pola yang menurun secara eksponensial (bertahap) maka disimpulkan bahwa data tersebut memiliki autokorelasi didalamnya, berikut adalah diagram ACF untuk data penelitian ini

Manajemen Risiko di Bidang Perbankan dan Asuransi |191

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

Gambar 1.1 Diagram ACF Debet Air Masuk Harian bulan Januari 2009 hingga Juni 2010

Berdasarkan karakteristik data Debit Air Masuk Harian yang berautokorelasi dan hanya terdiri dari satu variabel (univariat) maka proses peramalannya dapat menggunakan menggunakan metode exponential smoothing. Metode yang berdasarkan konsep pemulusan sederhana ini merupakan hasil modifikasi model dasar sehingga dapat diterapkan pada data yang memiliki komponen trend dan musiman. Metode ini mempunyai kelebihan dalam kesederhanaan proses analisis karena tidak memerlukan pengujian asumsi secara berlapis sehingga tidak akan memunculkan hambatan tertentu apabila digunakan oleh individu yang tidak memiliki pengalaman sebelumnya dalam bidang ilmu Statistika. Metode exponential smoothing yang diterapkan pada penelitian kali ini menggunakan model Winter yang dapat mengatasi data dengan komponen tren dan musiman, berikut adalah persamaan yang dipakai dalam metode ini : Level : lt Trend : bt Musiman : st Ramalan : yt Dimana : lt : Pemulusan pada tahap level
bt

yt
(lt

st yt lt

(1

)(lt
)bt

1
1

bt 1 )

…(1.1) …(1.2) …(1.3) …(1.4)

lt 1 ) (1

(1

) st

s

lt bt

st

: Pemulusan tren

Manajemen Risiko di Bidang Perbankan dan Asuransi |192

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

yt

: Data peramalan untuk waktu t : Koefisien pemulusan untuk level : koefisien pemulusan untuk tren : koefisien pemulusan untuk musiman Metode ini dapat lebih tahan terhadap keberadaan komponen tren dan musiman karena

memiliki proses penghalusan untuk kedua komponen tersebut didalamnya, proses tersebut terlihat dalam Persamaan (1.1) yang dikenal dengan istilah “level” yakni nilai yang dihaluskan dari data pengamatan terakhir, sedangkan keberadaan komponen tren dan musiman dalam data terlihat pada Persamaan (1.2) untuk tren dan Persamaan (1.3) untuk musiman yang merupakan nilai fluktuasi dan nilai sifat musiman yang dihaluskan dari data pengamatan yang terakhir (Kalekar, Prajakta S. 2004). Pada akhirnya, nilai ramalan merupakan penjumlahan antara komponen level, tren, dan musiman yang sudah melalui proses penghalusan.

3. Data Data yang dipakai dalam penelitian ini adalah debit air masuk harian di Waduk Saguling tanggal 1 januari 2009 hingga 30 juni 2010 yang dicatat pukul 00.00 setiap harinya, berikut adalah plot datanya (data asli terlampir) :

Gambar 1.2 Plot Data Debit Air Masuk Harian di Waduk Saguling Bulan Januari 2009 hingga Bulan Juni 2010 (Sumber : PT Indonesia Power UBP Saguling)

Dari pengamatan diatas dapat terlihat bahwa terjadi peningkatan volume debit air masuk pada Waduk Saguling khususnya pada tengah musim hujan yakni bulan maret, untuk memperjelas peningkatan tersebut berikut disajikan gambar perbandingan antara tahun 2009 dan 2010.
Manajemen Risiko di Bidang Perbankan dan Asuransi |193

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

Gambar 1.3 Perbandingan Debit Air Masuk Harian di Waduk Saguling bulan Januari hingga Mei di tahun 2009 dan 2010 (Sumber : PT Indonesia Power UBP Saguling)

Peningkatan volume debit air masuk harian yang terjadi pada musim hujan di awal tahun 2010 menimbulkan pertanyaan “akankah peningkatan debit air masuk ini akan terus berlanjut pada musim-musim hujan berikutnya?” demi menjawab pertanyaan tersebut maka dilakukanlah proses peramalan. Penentuan besar koefisien pemulusan yang dipakai dalam penelitian ini dibantu menggunakan software zaitun time series, software ini akan menganalisa semua kemungkinan besar koefisien pemulusan dan mengurutkan kombinasinya berdasarkan nilai error terkecil. Berikut adalah hasilnya Tabel 1.1 Kombinasi koefisien pemulusan terbaik

Note : gamma diatas merupakan koefisien pemulusan untuk tren, dan beta untuk musiman, berkebalikan dengan prinsip umum exponential smooting dimana beta untuk trend dan gamma untuk musiman. Dari Tabel 1.1 didapat bahwa kombinasi terbaik untuk koefisien pemulusan adalah 0.9, =0.1, dan =

= 0.2. untuk selanjutnya koefisien tersebut dipakai dalam analisis exponential

smoothing menggunakan software Minitab 14.

Manajemen Risiko di Bidang Perbankan dan Asuransi |194

didapat kesimpulan bahwa : 1.9. data hasil peramalan terlampir) : Gambar 1. Diperkirakan telah terjadi perubahan pola musim.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.1. Dalam bulan Juli dan Agustus 2010 diramalkan akan terjadi peningkatan debit air masuk meskipun telah memasuki musim kemarau. 5. dan 3. Manajemen Risiko di Bidang Perbankan dan Asuransi |195 . Apabila hasil peramalan menjadi kenyataan akan terjadi peningkatan potensi Pembangkit Listrik Tenaga Air sebagai energi ramah lingkungan.2 yang diterapkan pada data debit air masuk harian di Waduk Saguling.4 memperlihatkan bahwa pola volume debit air masuk pada bulan juli-agustus 2010 telah bertambah apabila dibandingkan dengan bulan yang sama pada tahun 2009. =0. Hasil Analisis Analisis peramalan dengan menggunakan metode exponential smoothing dengan koefisien pemulusan sebesar = 0. 13 November 2010 4. dan = 0. 2. memberikan hasil peramalan untuk 60 hari kedepan (2 bulan) adalah sebagai berikut (dalam plot data. Kesimpulan dan Saran Berdasarkan hasil analisis peramalan.4 Plot Data Debit Air Masuk Harian di Waduk Saguling Bulan Januari 2009 hingga Bulan Juni 2010 dan nilai ramalan 60 hari mulai tanggal 1 juli 2010 Plot peramalan pada Gambar 1.

Bombay : Kanwal Rekhi School of Information Technology.50 151.25 40.08 69. Peningkatan debit air masuk harian yang terjadi pada musim hujan di awal tahun 2010 diharapkan dapat menjadi acuan penyesuaian bagi pihak-pihak terkait khususnya perusahaan-perusahaan yang bergerak di bidang energi. 3.08 85.88 128.55 97.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.17 141.79 26.zaitunsoftware. 2004.25 102.25 59.42 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Manajemen Risiko di Bidang Perbankan dan Asuransi |196 .50 111.63 192.71 66.id/index.21 83.58 76.42 73.08 134.92 192.00 26.35 77.46 106.42 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 69.33 97. www.13 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 122.42 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 100.or. http://iklim. 2.17 29.83 151.50 109.54 97.com Lampiran 1.46 93.67 234.75 162.00 94.38 55.dirgantaralapan.33 82.79 104.75 145.63 63.50 72. 13 November 2010 Saran 1. Data Debit Air Masuk Harian di Waduk Saguling 42.31 69. dilakukan penelitian jangka panjang mengenai perubahan pola cuaca dan pengaruhnya terhadap peningkatan atau pengurangan potensi sistem produksi energi.83 86. Time Series Forecasting using Holt-Winters Exponential Smoothing.00 26. Kalekar.58 85.04 74.php?option=com_content&view=article&id=85&Itemid=78 (diakses tanggal 8 November 2010) 2. Referensi 1.08 145.25 36.42 58.92 81.08 104. Prajakta S.29 58.00 88.

79 Mei-09 120.08 108.38 252.17 Juni-09 100.46 Mei-09 118.63 65.63 165.29 210.71 221.96 188.67 Juni-09 87.50 161.92 97.88 92.96 Mei-09 145.67 101.50 109.00 259.71 180.04 111.92 Mei-09 195.67 200.50 63.83 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 113.92 229.13 226.33 Mei-09 Mei-09 Mei-09 Mei-09 Mei-09 107.71 Mei-09 102.08 Mei-09 80.88 86.04 140.79 203.67 54.04 83.75 Juni-09 168.04 Juni-09 123.96 92.38 246.46 Mei-09 80.88 Mei-09 Mei-09 125.17 98.38 122.13 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 104.33 226.71 Mei-09 128.25 121.50 Mei-09 Mei-09 193.96 308.00 Mei-09 217.71 Juni-09 127.63 95.42 80.58 142.79 Mei-09 138.00 117.21 70.17 224.21 75.33 66.96 83.21 99.54 138.25 Juni-09 Manajemen Risiko di Bidang Perbankan dan Asuransi |197 .08 Mei-09 130.58 171.75 Juni-09 102.92 210.46 127.54 180.63 108.00 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 248.79 Juni-09 218.25 123.75 189.54 117.29 125.04 Mei-09 99. 13 November 2010 261.71 72.33 94.79 70.63 85.67 172.88 80.04 130.42 Juni-09 109.75 148.21 Juni-09 90.71 175.67 287.13 142.54 202.25 Mei-09 Mei-09 Mei-09 Mei-09 Mei-09 Mei-09 121.83 191.17 Mei-09 143.88 142.92 173.38 208.67 Juni-09 262.92 136.83 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 156.50 71.25 81.83 106.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.67 155.83 156.58 98.83 67.54 88.04 248.25 93.92 202.58 276.88 Mei-09 104.58 Mei-09 95.54 Mei-09 121.58 Juni-09 142.

88 15.00 13.00 12.79 32.42 12.38 10.13 12.92 16.58 37.83 11.08 38.50 15.00 12.50 50.00 28.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.00 12.00 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 18.92 48.00 11.88 10.46 38.79 28.00 12.00 18.00 22.04 17.79 11.00 18.25 14.13 28.00 18.67 13.83 12.29 17.83 14.13 12.71 45.58 26.92 18.04 81.04 13.75 11.71 24.63 11.67 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 11.17 13.50 31.38 28.88 10.08 29.50 37.17 10.79 32.00 12.50 13.38 9.33 11.50 15.00 12.00 16.04 10.42 17.67 15.25 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 114.00 11.00 15.33 11.83 19.38 12.00 45.00 12.50 23.08 44.25 11.96 Okt-09 Okt-09 Okt-09 Okt-09 Manajemen Risiko di Bidang Perbankan dan Asuransi |198 .00 11. 13 November 2010 70.00 17.00 18.38 54.63 57.29 60.00 38.33 27.63 11.00 11.17 16.75 14.79 11.79 11.33 36.00 11.96 11.00 28.00 11.25 85.67 36.00 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 18.88 18.67 21.00 12.25 15.92 38.71 10.92 12.21 12.29 41.00 27.21 12.25 12.71 23.00 11.96 Okt-09 102.00 10.83 54.13 12.88 Okt-09 77.

25 75.88 132.88 64.54 158.08 274.29 61.54 42.58 23.79 256.08 Des-09 160.67 15.00 15.38 185.33 16.31 226.92 34.42 164.96 63.54 76.46 41.58 70.17 Des-09 206.00 40.25 81.13 110.00 53.00 273.79 137.63 16.71 46.63 91.17 13.13 21.83 256.58 Des-09 234.13 70.92 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Manajemen Risiko di Bidang Perbankan dan Asuransi |199 .63 24.46 396.33 98.79 71.33 79.13 166.04 Okt-09 67.96 286.38 178.92 88.25 20.25 61.75 19.79 159.58 178.46 129.25 Des-09 281.79 140.92 165.74 83.38 15.33 16.04 276.04 72.25 53.58 149.25 182.71 49.96 35.96 34.63 59.00 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 240.50 341.50 40.63 74.71 22.08 Des-09 224.21 235.88 14.83 281.67 49.88 192.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.58 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 162.21 71.63 64.17 227.38 47.88 25.46 37.50 17.25 108.75 38.74 177.17 20.04 19. 13 November 2010 22.67 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 120.00 16.83 21.52 176.63 68.50 87.04 52.79 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 67.08 180.04 Des-09 236.92 70.21 63.54 109.21 36.71 Des-09 83.46 184.71 187.88 75.13 29.96 14.25 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 134.08 77.17 36.00 Okt-09 Okt-09 Okt-09 44.

63 183.92 132.21 Mei-10 253.79 426.92 401.33 363.25 Mei-10 113.75 Mei-10 246.54 Mei-10 155.75 Mei-10 138.63 265.29 Mei-10 382.25 341.75 Mei-10 309.29 215.38 380.00 Mei-10 199.92 Mei-10 225.67 183.08 505.46 Mei-10 110.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.75 69.33 174.38 455.79 Mei-10 165.83 98.08 512.25 201.50 156.17 494.25 249.54 245.88 92.33 71.38 210. 13 November 2010 391.46 169.79 Mei-10 127.88 Mei-10 130.42 202.46 225.75 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 200.42 214.67 106.75 213.00 86.08 56.13 65.21 300.83 233.54 81.58 189.67 371.50 170.25 90.83 249.04 201.25 Mei-10 197.83 Mei-10 276.79 56.13 322.92 Mei-10 296.38 259.75 Mei-10 143.58 94.21 201.38 58.33 88.54 286.46 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Apr-10 Apr-10 Apr-10 Apr-10 219.25 303.79 262.46 155.42 166.83 244.38 368.96 303.50 286.17 359.71 159.00 405.17 135.63 216.46 Mei-10 Mei-10 Mei-10 Mei-10 Mei-10 140.75 393.54 595.29 216.00 271.04 56.13 339.63 68.71 189.67 86.92 287.50 342.96 Mei-10 150.75 178.50 328.38 Mei-10 132.04 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Mei-10 Mei-10 Mei-10 75.92 291.04 338.00 185.04 115.54 Mei-10 216.63 128.58 Mei-10 200.00 399.50 402.54 212.63 69.79 Mei-10 219.96 267.88 Mei-10 235.96 194.25 84.08 Juni-10 Manajemen Risiko di Bidang Perbankan dan Asuransi |200 .

794 90.461 15 56.496 20 82.61 151.467 166.704 185.226 105.362 279.42 32.922 112.50 Juni-10 Juni-10 Juni-10 Juni-10 153.943 101.043 165.238 10 97.711 16 64.947 12 62.46 Juni-10 114.63 64.998 109.799 6 103.895 Manajemen Risiko di Bidang Perbankan dan Asuransi |201 .278 133.443 9 85.466 181.845 130.306 171.023 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 81.518 145.348 118.38 114.025 129.326 19 49.267 100.20 42.984 169.395 157.25 47 48 49 50 51 52 53 54 55 56 57 58 59 60 212.641 14 53.416 8 96.661 13 65.877 169.572 228.247 128.221 3 81.17 42.53 Juni-10 47.085 7 109.686 173.40 Juni-10 84.26 83.99 53.79 74.94 Juni-10 94.977 21 100.75 Juni-10 126.10 Juni-10 2.341 141.036 171.598 211.11 129.40 45.745 135.476 22 104.57 Juni-10 Juni-10 Juni-10 Juni-10 Juni-10 Juni-10 119. 1 84.42 Juni-10 150.24 Juni-10 69.64 133.28 Juni-10 81.732 125.173 17 53.75 Juni-10 297.91 Juni-10 115.40 Juni-10 Juni-10 Juni-10 Juni-10 Juni-10 100.923 248.48 35.65 4 95.053 92.97 Juni-10 100.686 145. Hasil Peramalan 60 hari kedepan Hari Peramalan ke.65 5 87.71 77.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.365 2 75.42 Juni-10 111.79 Juni-10 103. 13 November 2010 94.599 18 43.08 66.48 42.019 113.201 11 66.

dekripsi. jaringan internet dan email. S. k2.2) KRIPTOGRAFI METODA MODULAR MULTIPLICATON-BASED BLOCK CIPHER PADA FILE TEXT Taufiqulhadi Jurusan Matematika FMIPA Universitas Padjadjaran taufiq_nad@yahoo. MMB menggunakan 32 bit subblock text (x0. 13 November 2010 (S. Kata kunci : Kriptografi. Hasil akhir yang dicapai adalah adanya suatu perangkat lunak yang dapat mensimulasikan proses enkripsi dan dekripsi data berupa text secara bertahap dan jelas. Hal ini membuat algoritma tersebut sangat cocok diimplementasikan pada prosesor 32 bit. Media komunikasi yang banyak digunakan tentu harus merupakan media yang mudah dijangkau dan digunakan oleh semua orang. Kriptografi mengalami perkembangan yang pesat seiring dengan kebutuhan atau kesadaran terhadap pengamanan data. Informasi-informasi yang ingin disampaikan berjalan melalui media komunikasi tersebut. block cipher.Si. Informasi menjadi sangat rentan untuk diketahui diambil dan dimanipulasi oleh pihak-pihak yang tidak berkepentingan.. x3) dan 32 bit subblock kunci (k0. I. M. Perangkat lunak juga dilengkapi dengan pengaturan kecepatan proses enkripsi dan dekripsi guna proses edukasi. x2. Kriptografi metode Modular Multiplicaton-Based block cipher (MMB) menggunakan plaintext 128 bit dan algoritma iteratif yang terdiri dari langkah-langkah linier serta aplikasi paralel dari empat substitusi non linier besar yang dapat dibalik. enkripsi.Kom. Jurusan Matematika FMIPA Universitas Padjadjaran erick_paulus@yahoo. x1. Pendahuluan Perkembangan dunia informatika yang sangat pesat saat ini membawa pertumbuhan dunia ke dalam masa teknologi informasi menjadi ujung tombak kemajuan. dengan tingkat sekuritas yang tinggi. Teknologi informasi yang telah terjalin saat ini berdiri di atas media komunikasi sebagai media penyampaian informasi dari suatu tempat ke tempat lainnya.com ABSTRAK Kriptografi adalah suatu ilmu yang digunakan dalam mengamankan data-data. Kemudahan pengaksesan media komunikasi oleh semua orang membawa dampak bagi keamanan informasi atau pesan yang menggunakan media komunikasi tersebut.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Karena itulah dibutuhkan suatu metode yang dapat menjaga kerahasiaan informasi ini Metode yang dimaksud adalah kriptografi yaitu sebuah seni dan bidang Manajemen Risiko di Bidang Perbankan dan Asuransi | 202 .id Erick Paulus. k3). Substitusi ini ditentukan oleh sebuah operasi perkalian modulo 232 – 1 dengan faktor konstan. Karena itulah nilai informasi saat ini sangat tinggi dan penting.co. Contoh media komunikasi yang saat ini sering digunakan adalah telepon. k1.

sehingga dinilai tidak dapat mengikuti perkembangan teknologi pada saat ini yang kebanyakan telah menggunakan prosesor 32 bit. diperbaiki oleh Joan Daemen dalam sebuah algoritma yang dinamakan MMB (Modular Multiplication-based Block cipher). Proses enkripsi dilakukan terhadap blok bit plainteks dengan mengguanakan kunci yang berukuran sama dengan ukuran blok plainteks. Penggunaan komputer digital mendorong berkembangnya kriptografi modern yang beroperasi dalam mode bit (satuan terkecil dalam dunia digital) dari pada dalam mode karakter yang biasa digunakan dalam kriptografi klasik.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. diterapkan enam kali bersama dengan fungsi XOR. k2. Substitusi ini ditentukan oleh sebuah operasi perkalian modulo 232 – 1 dengan faktor konstan. x2. Hal ini membuat algoritma tersebut sangat cocok diimplementasikan pada prosesor 32 bit. Dengan menggunakan plaintext 64 bit (4 buah 16 bit subblock text). x3) dan 32 bit subblock kunci (k0. k1. Algoritma ini akan menghasilkan cipherteks yang sama panjang dengan blok plainteks. metode IDEA hanya dapat diimplementasikan pada prosesor 16 bit. Kunci yang di-input hanya dibagi menjadi 4 buah subblock kunci dengan panjang masing-masing 32 bit. II. Metode MMB menggunakan kunci sepanjang 128 bit. Proses pembentukan kunci pada metode MMB ini dapat dilihat pada Gambar berikut ini : k0 k1 k2 … k127 k0 k1 … k31 k32 k33 … k63 k64 k65 … k95 k96 k97 … k127 Proses Enkripsi dan Dekripsi Manajemen Risiko di Bidang Perbankan dan Asuransi | 203 . f. Pembentukan Kunci. Hanya saja pada proses dekripsi. Kriptografi metode MMB menggunakan plaintext 128 bit dan algoritma iteratif yang terdiri dari langkah-langkah linier (seperti XOR dan aplikasi kunci) serta aplikasi paralel dari empat substitusi non linier besar yang dapat dibalik. Salah satu algoritma kriptigrafi yang sering digunakan adalah Cipher block. teknik kriptografi yang dibutuhkan masa kini harus menyesuaikan dirinya terhadap meluasnya penggunaan komputer digital pada masa kini. Sebuah fungsi non linier. Cipher blok merupakan algoritma kriptografi yang beroperasi dalam bentuk blok bit. MMB menggunakan 32 bit subblock text (x0. Walaupun telah berkembang sejak zaman dahulu kala. Kajian Pustaka Kelemahan metode IDEA yang menggunakan plaintext 64 bit dan operasi perkalian modulo 216 + 1. Proses dekripsi terhadap cipherteks berlangsung dengan cara serupa seperti enkripsi. x1. yang memiliki tingkat sekuritas lebih tinggi bila dibandingkan dengan metode IDEA yang hanya menggunakan operasi perkalian modulo 216 + 1. k3). Proses pembentukan kunci pada metode MMB ini sangat sederhana. 13 November 2010 keilmuan dalam penyandian informasi atau pesan dengan tujuan menjaga keamanannya. operasi berjalan kebalikan dari proses enkripsi.

dan menggunakan ciphertext dan kunci untuk proses dekripsi. x1. A 0 0 1 B 0 1 0 A 0 1 1 B Manajemen Risiko di Bidang Perbankan dan Asuransi | 204 . x2. Sedangkan konstanta yang digunakan pada proses enkripsi dan dekripsi dapat dirincikan sebagai berikut : – – – – – C = (2AAAAAAA)16 c0 = (025F1CDB)16 c1 = 2 * c0 c2 = 23 * c0 c3 = 27 * c0 Operasi XOR XOR adalah operasi Exclusive-OR yang dilambangkan dengan tanda “ ”. 13 November 2010 Menurut Munir. (2006). Inti proses enkripsi dan dekripsi dari metode MMB adalah sebagai berikut : 1. Plaintext atau Cipher text dibagi menjadi 4 subblock yang sama besar (x0. Operasi XOR akan menghasilkan nilai bit “0” (nol) jika meng-XOR-kan dua buah bit yang sama nilainya dan akan menghasilkan nilai bit “1” (satu) jika meng-XOR-kan dua buah bit yang masing – masing nilai bitnya berbeda. Rinaldi . Kemudian Plaintext di XOR kan dengan Kunci untuk menghasilkan ciphertext untuk proses enkripsi. dengan panjang 128 bit. 2. Ciphertext di XOR kan dengan Kunci untuk menghasilkan Plaintext untuk proses dekripsi. x3).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 3. secara umum metode MMB menggunakan plaintext dan kunci pada proses enkripsi.

Proses Pembentukan Kunci Metode MMB ini memiliki input 128 bit kunci (key) yang identik dengan 32 digit heksadesimal ataupun 16 karakter yang akan dipecah menjadi 4 buah sub kunci (subkey) dengan panjang masing-masing sub kunci adalah sebesar 32 bit. Untuk lebih memahami proses pembentukan kunci pada metode MMB. maka proses pembentukan kuncinya adalah sebagai berikut : Kunci = CRYPTOGRAPHY MMB Ubah ke bentuk biner = 0100001101010010010110010101000001010100010011110100011101010010010000 0101010000010010000101100100100000010011010100110101000010 Dipecah menjadi 4 buah sub kunci : K(0) = 01000011010100100101100101010000 K(1) = 01010100010011110100011101010010 K(2) = 01000001010100000100100001011001 K(3) = 00100000010011010100110101000010 Manajemen Risiko di Bidang Perbankan dan Asuransi | 205 . Sama seperti metode kriptografi simetris lainnya. Proses Enkripsi. Proses Pembentukan Kunci. 2. Misalkan diketahui input kunci = „CRYPTOGRAPHY MMB‟.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. diberikan sebuah contoh berikut ini. proses penyelesaian metode MMB ini dapat dibagi menjadi 3 tahapan yaitu : 1. Hasil Penelitian Kriptografi metode MMB sebagai salah satu kriptografi modern menggunakan algoritma iteratif yang terdiri dari langkah-langkah linier (seperti XOR dan aplikasi kunci) serta aplikasi paralel dari empat substitusi non linier besar yang ditentukan oleh sebuah operasi perkalian modulo 232 – 1. 3. Proses Dekripsi. 13 November 2010 1 1 0 III.

maka proses enkripsinya adalah sebagai berikut : Plaintext = UNPAD-ILMUKOMPTR Konversi ke biner : 0101010101001110010100000100000101000100001011010100100101001100010011 0101010101010010110100111101001101010100000101010001010010 Plaintext yang sudah dirubah ke bentuk biner dipecah menjadi 4 subblock: X(0) = 01010101010011100101000001000001 X(1) = 01000100001011010100100101001100 X(2) = 01001101010101010100101101001111 X(3) = 01001101010100000101010001010010 Setelah didapat 4 subblock dari plaintext.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 Proses Enkripsi Proses enkripsi dari metode MMB ini memiliki input data plaintext 128 bit yang identik dengan 32 digit heksadesimal atau 16 karakter. maka dilakukan proses seperti dibawah ini: X(i) XOR K(i) X(0) = X(0) XOR K(0) 0001011000011100000010010001000 = 0101010101001110010100000100000 1 1 XOR 0100001101010010010110010101000 0 Hasil R(i) X(1) = X(1) XOR K(1) = 0100010000101101010010010100110 0 XOR 0101010001001111010001110101001 0000110000000101000000110001011 0 0 X(2) = X(2) XOR K(2) = 0100110101010101010010110100111 0110110100011101000110010001000 0 0001000001100010000011100001111 0 Manajemen Risiko di Bidang Perbankan dan Asuransi | 206 . Misalkan diketahui plaintext = „UNPAD-ILMUKOMPTR‟ dengan menggunakan kunci yang dihasilkan di atas. Proses enkripsi dari metode MMB dapat dilihat pada contoh berikut ini.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran.1) = 000000000000000000000000010010111110001 1100110110110 * 011011010110110001101100 00010000011000100000111000011110 MOD 00000100 11111111111111111111111111111111 Y(2) = C(2) * R(2) MOD ((2^32) . 13 November 2010 1 XOR 0100000101010000010010000101100 1 X(3) = X(3) XOR K(3) = 0100110101010000010101000101001 0 XOR 0010000001001101010011010100001 0 hasil diatas di kalikan dengan konstanta C(i) dan modulo 232 – 1 seperti dibawah ini: Perkalian subblock text dengan C(i) mod 232 – 1 R(i) *C(i) mod 232 – 1 Y(0) = C(0) * R(0) MOD ((2^32) .1) = 000000000000000000010010111110001110011 0110110000000 * 010010100111101001111101 Manajemen Risiko di Bidang Perbankan dan Asuransi | 207 .1) = 000000000000000000000001001011111000111 001011110011010001101000 0011011011000 * 01111001 00001100000001010000001100010110 MOD 11111111111111111111111111111111 Y3) = C(3) * XR3) MOD ((2^32) .1) = 00000010010111110001110011011011 * 011110100111110100001100 00010110000111000000100100010001 MOD 10000010 11111111111111111111111111111111 Hasil Y(i) Y(1) = C(1) * R(1) MOD ((2^32) .

2 akan dikalikan dengan konstanta C.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.3 dibawah ini: Proses Yi-1 XOR Yi XOR Yi+1 Yi-1 XOR Yi XOR Yi+1 X(0) = Y(3) XOR Y(0) XOR Y(1) = 01100000110100001101011111010000 XOR 01111010011111010000110010000010 XOR 01101101011011000110110000000100 01110111110000011011011101010110 Hasil X(1) = Y(0) XOR Y(1) XOR Y(2) = 01110111110000011011011101010110 00110101100110011011001100101011 XOR 01101101011011000110110000000100 XOR 00101111001101000110100001111001 X(2) = Y(1) XOR Y(2) XOR Y(3) = 00110101100110011011001100101011 XOR 00101111001101000110100001111001 XOR 01100000110100001101011111010000 01111010011111010000110010000010 X(3) = Y(2) XOR Y(3) XOR Y(0) = 01111010011111010000110010000010 XOR 01100000110100001101011111010000 XOR 01110111110000011011011101010110 01101101011011000110110000000100 Manajemen Risiko di Bidang Perbankan dan Asuransi | 208 . ini dapat dilihat pada table 3. 13 November 2010 01101101000111010001100100010000 11111111111111111111111111111111 MOD 01111010 Kemudian hasil dari perkalian pada table 3. dengan catatan sebagai berikut: Jika LSB Y(0)=1 maka Y(0) XOR C Jika LSB Y(3)=0 maka Y(3) XOR C Selanjutnya text (Yi) akan di XOR kan ke masing-masing hasil text yang lain dengan cara Yi = Yi-1 XOR Yi XOR Yi+1.

13 November 2010 Langkah-langkah diatas dilakukan dengan operasi modulo 4 dengan dimulai dari Sub kunci (Ki) berikutnya hingga didapat Cipher text. misalkan ingin didekripsikan kembali hasil enkripsi yang telah didapatkan di atas. Sebagai contoh. maka proses dekripsinya adalah sebagai berikut : CipherText = ¶(F3vÜSå-ìC) Konversi ke biner : 1011011000011101000101110010100001000110001100110000001001110110000011 0111011100010100111110010110101101111011000100001100101001 Ciphertext yang sudah dirubah ke bentuk biner dipecah menjadi 4 subblock: X(0) = 10110110000111010001011100101000 X(1) = 01000110001100110000001001110110 X(2) = 00001101110111000101001111100101 X(3) = 10101101111011000100001100101001 Manajemen Risiko di Bidang Perbankan dan Asuransi | 209 . maka didapat Cipher text sebagai berikut: Hasil= 1011011000011101000101110010100001000110001100110000001001110110000011 0111011100010100111110010110101101111011000100001100101001 Ciphertext = ¶(F3vÜSå-ìC) Proses Dekripsi Proses dekripsi ini merupakan proses kebalikan dari proses enkripsi.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. ini dapat digambarkan seperti dibawah: Plaintext Xi XOR Ki Ciphertext Xi XOR Ki+1 Xi XOR Ki+2 Dari proses diatas.

Perangkat lunak bantu pemahaman ini dirancang dengan menggunakan beberapa form.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. enkripsi. Hasil= 0101010101001110010100000100000101000100001011010100100101001100010011 0101010101010010110100111101001101010100000101010001010010 Plaintext = UNPAD-ILMUKOMPTR Perangkat Lunaka Bantu Kriptografi MMB Perangkat lunak bantu pemahaman ini menggunakan animasi dalam tahapan proses pembentukan kunci.0 dan menggunakan MDI Form (Multiple Document Interface Form) sebagai form induk (main form) dan fasilitas menu editor untuk membuat dan mengatur tampilan menu pull down. Perangkat lunak bantu pemahaman ini dirancang dengan menggunakan bahasa pemrograman Microsoft Visual Basic 6. 13 November 2010 Seperti yang telah dijelaskan sebelumnya bahwa proses dekripsi merupakan kebalikan dari proses enkripsi. dekripsi dan fungsi f. ini dapat dilihat seperti gambar dibawah ini: Ciphertext Proses Yi-1 XOR Yi XOR Yi+1 Perkalian subblock text dengan C(i) mod 232 – 1 Subblock XOR Kunci Xi XOR Ki Plaintext Maka akan didapat kembali text asli(plaintext) yang sebelumnya telah dienkripsi. antara lain : Manajemen Risiko di Bidang Perbankan dan Asuransi | 210 .

merupakan child form dari form „Main‟. yang dirancang dengan menggunakan MDI Form dan berfungsi sebagai form induk untuk menggabungkan semua form yang ada.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Form „Proses Dekripsi‟. Manajemen Risiko di Bidang Perbankan dan Asuransi | 211 . yang memiliki tingkat sekuritas lebih tinggi bila dibandingkan dengan metode IDEA yang hanya menggunakan operasi perkalian modulo 216 + 1. sehingga dapat dibuka dan dipergunakan kembali apabila diperlukan. Perangkat lunak ini dapat mendukung hasil operasi perkalian yang lebih dari 32 bit dengan menggunakan fungsi-fungsi yang dideklarasi secara manual. 2. 6. merupakan child form dari form „Main‟. Dengan menggunakan perangkat lunak bantu pemahaman ini. Form „Proses Enkripsi‟. maka user dapat menghemat waktu. Kesimpulan Kriptografi metode MMB menggunakan plaintext 128 bit dan algoritma iteratif yang terdiri dari langkah-langkah linier (seperti XOR dan aplikasi kunci) serta aplikasi paralel dari empat substitusi non linier besar yang dapat dibalik. 3. dimana hasil eksekusi yang pernah diproses sebelumnya dapat disimpan ke dalam bentuk text file. 13 November 2010 1. Form „Proses Pembentukan Kunci‟. Form „Teori‟. Substitusi ini ditentukan oleh sebuah operasi perkalian modulo 232 – 1 dengan faktor konstan. Form „Main‟. 4. merupakan child form dari form „Main‟. 5. dimana Visual Basic tidak dapat mendukung operasi tersebut. Form „Kecepatan Animasi‟. Skema rancangan perangkat lunak kriptografi MMB Form Main Menu ‘File’ Menu ‘Teori’ Menu ‘Proses’ Menu ‘Kecepatan Animasi’ Sub menu ‘Load Data’ Sub menu ‘Metode MMB’ Sub menu ‘Proses Pembentukan Kunci’ Sub menu ‘Exit’ Sub menu ‘Proses Pembentukan Kunci’ Sub menu ‘Proses Enkripsi’ Sub menu ‘Proses Enkripsi’ Sub menu ‘Proses Dekripsi’ Sub menu ‘Proses Dekripsi’ IV.

Djoko Pramono. Pengantar ilmu Kriptografi. Mudah menguasai Visual Basic 6.. 13 November 2010 Daftar Pustaka 1. Informatika Bandung. Kriptografi. Muhammad. Sadeli. Elex Media Komputindo. 2002. 2006. 5. Bandung. Palembang. Ariyus. http://id. 2008. Rinaldi. 3. Visual Basic 2005 untuk orang awam.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Maxikom. 2008. Jakarta.org/wiki/Kriptografi (Tanggal akses 9 November 2010) Manajemen Risiko di Bidang Perbankan dan Asuransi | 212 .. Yogyakarta. Munir. Dony. PT. 4. Andi. 2.wikipedia.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

(S.3) EVALUASI INTEGRAL MONTE CARLO DENGAN METODE CONTROL VARIATES

1 2

Zulhanif, 2Yadi Suprijadi Jurusan Statistika, FMIPA Universitas Padjadjaran, Bandung, Indonesia Jurusan Statistika, FMIPA Universitas Padjadjaran, Bandung, Indonesia e-mail: 1dzulhanif@yahoo.com, 2yadi@bdg.centrin.net.id

1

Metode Monte Carlo adalah algoritma komputasi untuk mensimulasikan berbagai perilaku sistem fisika, matematika dan statistika. Penggunaan klasik metode ini adalah untuk mengevaluasi integral definit, terutama integral multidimensi dengan syarat dan batasan yang rumit yang dikenal sebagai metoda integral Monte Carlo. Pada makalah ini akan diteliti penggunaan metoda Control Variates untuk mereduksi varians dari proses evaluasi integral Monte Carlo Kata kunci : Integral Monte Carlo, Control Variates

1. Pendahuluan Penggunaan simulasi sering untuk mengevaluasi integral yang dikenal dengan integral Monte Carlo, salah satu contoh penggunaannya dalah untuk menghitung nilai harapan dari suatu variable acak :
E( X ) xf ( x)dx.

(1)

Dalam banyak kasus terdapat kesukaran dalam menghitung nilai harapan secara analitis dari suatu variabel acak X . Oleh karena akan diambil sampel acak berukuran n , x1 , x 2 ,

Manajemen Risiko di Bidang Perbankan dan Asuransi | 213

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

 , x n dari distribusi X , dan menggunakan sampel ini untuk memperkirakan nilai rata-

rata dari X :
E( X ) 1 n
n

xi
i 1

(2)

Argumen ini dengan mudah dapat generalisasi. Misalkan untuk menghitung nilai harapan dari beberapa fungsi dari X , katakanlah ( ) . Kemudian
( x) f ( x)dx

(3)

dan

E( ( X )) merupakan nilai harapan variable acak

(X ) dengan fungsi densitas

f (x) . Kemudian jika diambil sampel x1 , x 2 ,  , x n dari distribusi X , kita mendapati
bahwa
ˆ 1 n
n

n

( xi )
i 1

(4)

ˆ merupakan taksiran takbias untuk . Proses ini persis sama dengan menghitung nilai n
harapan dari rata-rata sampel untuk memperkirakan nilai rata-rata teoritisnya.

Pendekatan ini sangat mudah digunakan, bahkan untuk distribusi multidimensi. Namun, metoda ini memiliki sisi negatifnya, yaitu, nilai varians yang besar dari estimator

ˆ . n

Pada makalah ini akan dikemukakan metoda pengurangan varians dalam simulasi yang dikenal sebagai metoda Control Variates untuk mereduksi varians dari estimator ˆn .

Manajemen Risiko di Bidang Perbankan dan Asuransi | 214

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

2. Metode Control Variates Andaikan dalam nilai

E(Y ) dimana Y

h(Y ) dan merupakan output dari

suatu experimen simulasi. Andaikan juga terdapat variabel Z yang juga merupakan output dari suatu experimen simulasi dan diasumsikan nilai E(Z ) dapat diperoleh dengan mudah dan penaksir tak bias untuk 1. 2.
ˆ Y

adalah :

ˆ

c

Y

c( Z

E ( Z ))

dimana c merupakan sebuah bilangan real sehingga E ( ˆc )

dan memiliki nilai varians

Var ( ˆc ) adalah : Var ( ˆc ) Var (Y ) c 2Var ( Z ) 2cCov (Y , Z )
diharapkan nilai Var ( ˆc ) minimum dengan memilih nilai c tertentu, dengan menggunakan kalkulus didapat nilai c adalah : (5)

c
(6)

Cov(Y , Z ) Var ( Z )

Subsitusi nilai c kedalam persamaan 1 didapat:

Var ( ˆc ) Var (Y )
(7)

Cov(Y , Z ) 2 Var ( Z )

Dari persamaan 3 dapat dilihat bahwa nilai Var ( ˆc ) akan tereduksi jika nilai

Cov(Y , Z )

0 dalam hal ini variabel Z adalah control variate Y . Modifikasi algoritma

simulasi yang akan dilakukan adalah dengan memasukan variabel Z dalam persamaan sbb:

Manajemen Risiko di Bidang Perbankan dan Asuransi | 215

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010
n

ˆ
c

(Yi
i 1

c (Z i n

E ( Z ))
(8)

Sedangkan nilai Cov(Y , Z ) ditaksir melalui simulasi awal sbb:
p

(Y j Cov(Y , Z )
j 1

Y p )(Z j p 1

E ( Z ))

(9)

p

(Z j Var ( Z )
j 1

E ( Z j ))2 p 1

(10)

Sehingga didapat

ˆ c

Cov(Y , Z ) Var ( Z )

Secara lengkap algoritma metode control variates disajikan sbb:

3. Desain Simulasi

Manajemen Risiko di Bidang Perbankan dan Asuransi | 216

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

Untuk mengetahui performasi nilai taksiran dengan

menggunakan algoritma

Metode Control Variates akan ditaksir nilai taksiran dari nilai ekspektasi

E (e (U

W )2

) dengan prosedur simulasi sbb:

1. Bangkitkan 1000 sampel IID U(0,1) untuk masing-masing nilai U 1 ,..., U n dan

W1 ,..., Wn
2. Hitung nilai fungsi
Y1 e (U1
Wn ) 2

,..., Yn

e (U n

Wn ) 2

dan Z1

(U1 W1 ) 2 ,..., Z n

(U n Wn )2

ˆ 3. Hitung nilai c

Cov(Y , Z ) Var ( Z )
ˆ Y c (Z E ( Z ))

4. Ulangi langkah 1 dan 2 dan hitung nilai V 5. Hitung E(V )

Tabel 1 Nilai Taksiran

E (e (U

W )2

)

Metoda Control Variates Non Control Variates

Rata-rata 4.9329 5.0340

Varians 3.1218 6.2507

4. Kesimpulan dan Saran Integral Monte Carlo dengan metode Control Variates merupakan salah satu alternatif yang dapat dipilih untuk mencari nilai hampiran dari integral tentu. Ada beberapa keuntungan dari metoda ini:

Manajemen Risiko di Bidang Perbankan dan Asuransi | 217

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

1. 2.

Perhitungan dengan metoda ini relatif mudah Dapat digunakan untuk mencari hampiran integral tentu yang interval pengintegralannya berupa interval yang panjangnya tak berhingga.

3.

Dapat digunakan untuk mencari hampiran dari integral tentu dari fungsi lebih dari satu peubah.

4.

Nilai hampiran yang diperoleh relatif cukup baik, asal dipilih n yang cukup besar

Daftar Pustaka

Edwin J.Purcell , Calkulus and Analytic Geometri , 7th ed.,Prentice Hall. Hogg, R.V., and Craig, Introduction to Mathematical Statistics,5th ed. . Macmillan. Ross, Shelldon.M, Simulation,Harcourt Academic Press, 1997.

Manajemen Risiko di Bidang Perbankan dan Asuransi | 218

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

(S.4) PENDEKATAN METODE ALGORITMA GENETIK UNTUK IDENTIFIKASI MODEL ARIMA

Jimmy Ludin Mahasiswa Program Magister Jurusan Statistika Fakultas Matematika Dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2010 ABSTRAK Identifikasi model merupakan tahapan yang sangat penting dalam membangun model ARIMA karena kesalahan pada identifikasi model akan menyebabkan kesalahan pada tahap berikutnya yang mengakibatkan tingkat akurasi dari model yang dihasilkan sangat rendah. Metode yang biasa digunakan untuk mengidentifikasi model ARIMA yaitu metode correlogram yang mempunyai kelemahan yaitu plot-nya kadang tidak bisa menghasilkan lag yang jelas untuk diidentifikasi sehingga keputusan yang diambil biasanya bersifat subjektif. Untuk itu digunakan pendekatan metode Algoritma Genetika untuk mengidentifikasi model ARIMA secara efektif dan efisien. Dari penggunaan metode algoritma genetika tersebut, akan dilihat tingkat akurasinya dengan membandingkan terhadap metode correlogram. Hasil dari penelitian ini sangat bermanfaat untuk mengidentifikasi model ARIMA dan penerapannya. Kata Kunci : Deret Waktu, ARIMA, Algoritma Genetika.

1.

Pendahuluan

Pemodelan dari suatu data yang bersifat deret waktu sering digunakan pada berbagai bidang yang tujuannya antara lain untuk peramalan. ARIMA (Autoregressive Integrated Moving Average) merupakan metode yang diperkenalkan oleh Box–Jenkins untuk menganalisa dan memodelkan data deret waktu. Ada tiga tahap untuk membangun model ARIMA : (1) identifikasi model, (2) estimasi model dan (3) validasi model. Identifikasi model merupakan tahap yang paling penting dalam membangun model ARIMA, karena kesalahan pada identifikasi model akan menyebabkan kesalahan pada tahap estimasi model dan selanjutnya yang mengakibatkan tingkat akurasi dari model yang dihasilkan sangat rendah (Chatfield, C, 2000). Salah satu metode yang biasa digunakan untuk mengidentifikasi model ARIMA yaitu menggunakan plot fungsi autokorelasi partial (PACF) dan fungsi autokorelasi (ACF) atau disebut sebagai metode correlogram. Metode ini diperkenalkan oleh Box dan Jenkins yang digunakan untuk mengidentifikasi autoregressive (AR) dan moving average (MA) dari model ARIMA. Metode correlogram mempunyai beberapa kelemahan yaitu plot-nya kadang tidak bisa menghasilkan lag yang jelas untuk diidentifikasi sehingga keputusan yang diambil biasanya bersifat subjektif yang akan membuat hasilnya tidak stabil (Chatfield,

Manajemen Risiko di Bidang Perbankan dan Asuransi | 219

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

C, 2000), sehingga harus mencoba beberapa model ARMA untuk menghasilkan model terbaik. Cara ini sangat tidak efektif dan tidak efisien. Untuk mengatasi kelemahan tersebut, beberapa metode dapat digunakan untuk mendapatkan hasil identifikasi model ARIMA yang lebih efektif dan efisien. Salah satu metode yang bisa digunakan yaitu metode Algoritma Genetika yang telah banyak digunakan untuk membangun model ARIMA. Chen, dkk (2002) menggunakan metode algoritma genetika untuk mengestimasi maximum likelihood parameter dari model FARIMA. Kemudian Ong, dkk (2005) menggunakan metode algoritma genetika untuk mengidentifikasi model ARIMA. Pada makalah ini digunakan metode algoritma genetika untuk mengidentifikasi model ARIMA. Disamping itu, model hasil identifikasi menggunakan metode algoritma genetika akan dilihat tingkat akurasinya dengan membandingkannya dengan metode correlogram dengan menggunakan data jumlah penumpang angkutan udara yang datang dari luar negeri di bandara Soekarno Hatta Jakarta. 2. Data Deret Waktu

Data deret waktu adalah sekumpulan data observasi yang variabelnya diukur dalam urutan periode waktu, misalnya bulanan, triwulanan, tahunan, dan sebagainya. Tujuan dari pengukuran data deret waktu adalah untuk menemukan pola data secara historis dan menerapkan pola tersebut untuk peramalan. Peramalan deret waktu didasarkan pada nilai variabel yang telah lalu. Pada makalah ini yang digunakan adalah deret waktu diskrit dimana observasinya tersusun berdasarkan periode bulanan. 2.1. Stasioner Menurut Box, Jenkins, dan Reissel (1994), untuk menggunakan model ARIMA, maka syarat utama yang harus dipenuhi adalah stasioneritas, baik dalam ratarata maupun varians. Data deret waktu dikatakan stasioner dalam varians jika variansnya tidak dipengaruhi oleh deret waktu atau variansnya konstan. Stastioner dalam rata-rata yaitu jika nilai rata-ratanya konstan dan tidak dipengaruhi oleh deret waktu (Makridakis dkk.,1999). Untuk mengatasi data yang tidak stasioner dalam varians, dapat dilakukan transformasi pada data. Transformasi yang biasa digunakan adalah transformasi BoxCox. Untuk mengatasi ketidakstasioneran data dalam rata-rata, maka dapat dilakukan proses differencing (Box, Jenkins, dan Reissel., 1994) 2.2. Model ARIMA Model ARIMA merupakan penggabungan antara model AR(p) dan MA(q) serta proses differencing orde d pada data deret waktu. Bentuk umum dari model ARIMA(p,d,q) adalah sebagai berikut : d Zt θq B at (1) p B 1 B dimana : 1 1 B ... p B p p B
q

B

1

1

B ...

p

Bq

(1 B ) d merupakan operator untuk differencing orde d.

Manajemen Risiko di Bidang Perbankan dan Asuransi | 220

Estimasi Parameter model ARIMA Dalam menaksir parameter model ARIMA ada beberapa metode yang dapat dilakukan. d dan D merupakan bentuk non-seasonal dan seasonal dari differencing yang digunakan. Correlogram digunakan antara lain untuk menentukan lag yang signifikan dan untuk menentukan ordo p dan q dari model ARIMA.4. salah satunya yaitu metode Conditional Least Squares (Box. Bentuk umum dari model SARIMA adalah sebagai berikut : s s D s (2) P ( B )(1 B ) Z t Q ( B ) at dimana : P = parameter seasonal autoregressive Q = parameter seasonal moving average Dengan menggabungkan persamaan (2.13) dengan (2.q) Sumber : (Wei. dan Reissel. dan Bs adalah polynomial dengan ordo P dan Q untuk seasonal. 13 November 2010 Jika pada data deret waktu terdapat komponen musim (s). Identifikasi model ARIMA menggunakan Correlogram Identifikasi model ARIMA bisa dilakukan dengan melihat plot ACF dan plot PACF yang dinamakan sebagai correlogram. 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. maka model ARIMA akan menjadi Seasonal ARIMA atau biasa disingkat menjadi SARIMA dengan ordo ( P.1 Bentuk ACF dan PACF untuk model ARIMA Model AR(p) MA(q) AR(p) atau MA(q) ARMA(p. Untuk mengetahui apakah parameter model ARIMA yang telah diestimasi signifikan atau tidak maka dilakukan pengujian signifikansi parameter dengan menggunakan uji-t. D. 2. Tabel 2. 1994). 2. B dan P B .1. Jenkins. Q ) s . Uji Asumsi Residual ACF turun cepat secara eksponensial / sinusoidal terputus setelah lag q terputus setelah lag q turun cepat setelah lag (q-p) PACF terputus setelah lag p turun cepat secara eksponensial / sinusoidal terputus setelah lag p turun cepat setelah lag (pq) Manajemen Risiko di Bidang Perbankan dan Asuransi | 221 . Bentuk-bentuk plot ACF dan PACF dalam mengindentifikasi model ARIMA adalah seperti pada Tabel 2. 1990). maka akan diperoleh model multiplicative dengan bemtuk umumnya sebagai berikut : p B P Bs 1 B p d 1 Bs q D Zt q B Q B s at (3) dimana : seasonal..14).5. adalah polynomial dengan ordo p dan q untuk nonQ B s .3.

3. 4])([1.Mean Squared Error (MSE) yaitu rata-rata jumlah kuadrat error peramalan. Misalnya. ρk 0 H1 : minimal ada satu m yang tidak sama dengan nol untuk m 1.. 5].Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Algoritma Genetika sangat efektif dan efisien serta memiliki kemungkinan yang besar untuk mendapat solusi global optimum (Palit dan Popovic. 4]. [2. atau bilangan riil. 3. 01110).1. Solusi yang didapatkan dengan algoritma genetika berupa kromosom yang disebut sebagai struktur data. Hipotesisnya adalah sebagai berikut : H0 : ρ1 ρ2 . Kromosom 1 Kromosom 2 Populasi Kromosom 3 Kromosom 4 1 0 0 1 1 0 0 1 1 0 1 1 1 0 0 1 1 0 0 0 1 1 1 1 0 0 0 1 1 1 0 0 1 1 0 0 1 1 0 0 Gambar 2..k . 3. Manajemen Risiko di Bidang Perbankan dan Asuransi | 222 . MA.. maka model nya adalah SARMA (p. Algoritma Genetika Algoritma Genetika menerapkan proses biologi dari rekombinasi genetika. 13 November 2010 White noise dilakukan untuk melihat apakah error yang dihasilkan memiliki varians konstan (identik) dan tidak ada autocorrelation. dan seleksi untuk mendapatkan solusi optimum. Integer. seasonal AR dan seasonal MA. Rumusnya adalah sebagai berikut : 2 1 n ˆ MSE Zt Zt (4) nt1 3. Setiap kromosom mempunyai nilai ukuran berupa nilai fitness yang menyatakan solusi dari suatu permasalahan. mutasi. Kumpulan dari kromosom yang dibentuk merupakan populasi atau disebut sebagai generasi. 10001. Representasi Kromosom Representasi kromosom adalah pembentukan dan pengkodean kromosom. Akurasi Peramalan Data Time Series Akurasi peramalan dapat diukur dari nilai berikut diantaranya : .Q)s yaitu SARMA ([1. maka didekati dengan model ARMA terlebih dahulu.1. Ada empat bagian dalam setiap kromosom yang harus dibentuk untuk menghasilkan bentuk AR. 2005).. 4])s. Kromosom dapat berupa nilai biner.. 01010. jika kromosom yang dihasilkan adalah (10110.6. 2.2.q)(P.. Populasi dengan kromosom bilangan biner Untuk membangun model ARIMA. Dalam satu kromosom terdapat beberap gen yang jumlahnya ditentukan sesuai kebutuhan. [2.

Mutasi Manajemen Risiko di Bidang Perbankan dan Asuransi | 223 . Fungsi fitness yang digunakan pada penelitian ini adalah : 1 (5) f ( x) MSE 3.3. Ilustrasinya adalah sebagai berikut : Induk A Induk B Keturunan A Keturunan B 0 1 1 1 0 1 0 0 1 1 1 1 0 0 0 1 1 0 0 0 0 1 1 1 1 1 0 0 0 0 1 0 1 0 0 1 0 0 1 1 Gambar 2. G f max adalah nilai maksimum dari f ( xi ) T = T0 (1 )k k (1 100g / G) g = current generation number G = nilai maksimum dari g bernilai antara 0 dan 1 T0 bernilai antara 5 dan 100 3. Pada seleksi Boltzmann kemungkinan kromosom terpilih berdasarkan nilai fitness tiap kromosom dalam suatu populasi. 13 November 2010 3. Kromosom baru dibentuk dari kromosom dari induk A sebelum titik potong dan dari induk B setelah titik potong dan sebaliknya.2.2.2.4. Fungsi Fitness Fungsi fitness merupakan probabilitas suatu kromosom dapat tetap terpilih dalam generasi berikutnya. 3. Rumusnya adalah sebagai berikut : P( xi ) exp[ ( f max f ( xi )) / T ] (6) dimana : f ( xi ) adalah nilai fitness kromosom ke-i .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Proses seleksi yang akan digunakan pada penelitian ini yaitu seleksi Boltzmann. Multi Point Crossover. Kemudian kromosom induk hasil seleksi dipotong. i = 1. … . sebaliknya semakin rendah nilai fitness maka suatu kromosom tidak dapat bertahan dalam generasinya. Crossover Crossover mengkombinasikan dua induk hasil seleksi untuk mendapatkan keturunan. maka makin besar kemungkinan terpilih.5. Seleksi Seleksi adalah proses memilih dua kromosom induk dari populasi yang akan digunakan dalam proses berikutnya yaitu crossover. Salah satu proses crossover yaitu multi point crossover dimana ditentukan beberapa titik potong. Semakin tinggi nilai fitness menunjukkan kromosom tersebut dapat bertahan dalam generasinya. Tujuannya yaitu untuk memilih bagian terbaik dari kromosom sebelumnya. makin besar nilai fitness.

Bila tidak memenuhi asumsi. Mutasi biasanya dilakukan dengan nilai Pm yang kecil. maka model diidentifikasi dengan model ARIMA yang lain. Manajemen Risiko di Bidang Perbankan dan Asuransi | 224 .3. Banyaknya gen yang akan dimutasi tergantung besarnya persentase mutasi (Pm) dari jumlah gen dalam populasi. Proses Mutasi 3. lamanya waktu proses. b. Identifikasi beberapa kemungkinan model yang bisa dibentuk dengan melihat lag yang signifikan pada plot ACF dan plot PACF. dan tidak ada perubahan yang signifikan pada nilai fitness. Melihat stasioneritas data terhadap varians dan rata-rata. Penghentian Proses (Kriteria Konvergen) Kriteria penghentian proses pencarian solusi antara lain yaitu jumlah maksimum generasi. Pemilihan solusi optimum yaitu memilih satu kromosom dari generasi terakhir yang mempunyai nilai fitness maksimum. Memeriksa asumsi dari error dengan uji white noise dan uji Kolmogorov Smirnov. Metodologi 0 1 1 0 1 0 0 0 0 1 1 1 1 1 0 0 0 0 1 0 1 0 0 0 1 1 1 1 1 1 0 0 Metode penelitian yang digunakan sebagai langkah-langkah untuk mencapai tujuan dari penelitian ini adalah sebagai berikut : 1. 4. Kriteria penghentian bisa juga merupakan gabungan dari kriteria tersebut dengan urutan tertentu. Kromosom 1 0 0 1 1 0 1 Kromosom 1 1 1 0 0 1 2 Populasi Kromosom 1 1 1 1 0 0 3 Kromosom 0 0 1 1 0 0 4 dilakukan mutasi menjadi Kromosom 1 1 0 1 1 0 1 Kromosom 1 1 1 1 0 1 2 Populasi Kromosom 1 1 1 1 0 0 3 Kromosom 0 0 0 1 0 0 4 Gambar 2. 13 November 2010 Mutasi adalah proses menukar satu atau lebih gen dengan gen yang lain pada populasi untuk menghasilkan populasi baru.6. Mengestimasi Parameter menggunakan metode Conditional Least Square d. Mutasi dilakukan untuk mencegah terjebak pada solusi lokal optimum. Mengidentifikasi model ARIMA menggunakan metode correlogram dengan langkah sebagai berikut : a. Menguji signifikansi parameter dari masing-masing model e. Pada penelitian ini proses akan dihentikan dengan menentukan jumlah maksimum generasi 50 dan 100. c.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

Membandingkan nilai MSE yang dihasilkan. Model yang menghasilkan nilai MSE minimum merupakan model terbaik.0 Limit 250000 200000 Jan Jul Jan Jul Jan Jul Jan Month Jul Jan Jul Jan (a) (b) Gambar 5.1.14 yang berarti bahwa data tersebut sudah statsioner terhadap varians. 2. Pada gambar 5. Melihat Stasioneritas terhadap Rata-rata.1. Sehingga tidak perlu dilakukan transformasi terhadap data. Seleksi kromosom menggunakan seleksi Boltzmann d. Plot ACF dan plot PACF data deret waktu setelah dilakukan proses differencing yaitu sebagai berikut : Manajemen Risiko di Bidang Perbankan dan Asuransi | 225 .1. Menentukan dan Menghitung Fungsi Fitness c.5 0. b. 5. f. Box-Cox Plot of JArr Lower CL Upper CL Lambda (using 95. (b).(a). 13 November 2010 Membandingkan nilai MSE dari masing-masing model. Identifikasi model ARIMA menggunakan metode algoritma genetika dengan langkah-langkah sebagai berikut : a.0% confidence) Estimate -0.(a) diatas terlihat bahwa nilai Lambda terletak antara -2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.0 -2.03 1. Nilai yang minimum menunjukkan tingkat akurasi yang lebih tinggi.03 dan 1. Hasil dan Pembahasan Pertama yaitu melihat stasioneritas terhadap varians yang dapat dilihat pada gambar berikut : f. Melihat Stasioneritas terhadap Varians. Pada gambar tersebut terlihat bahwa data tersebut tidak stasioner terhadap rata-rata. Representasi kromosom dan menginisialisasikan jumlah kromosom dalam populasi. sehingga perlu dilakukan proses differencing 1 dan 12 terhadap data. Melakukan mutasi kromosom. Melakukan crossover terhadap kromosom hasil seleksi dengan metode multi point crossover e. Menghentikan proses jika sudah mencapai jumlah generasi maksimum g.52 -2.(b).5 5.50 Time Series Plot of JArr 400000 47500 45000 42500 StDev Lower C L Upper C L Rounded Value 350000 JArr 300000 40000 37500 35000 -5.0 Lambda 2.14 -0. Menentukan model terbaik berdasarkan nilai fitness yang paling besar 3. Kemudian yang berikutnya yaitu melihat stasioneritas terhadap rata-rata dengan melihat plot data deret waktu pada gambar 5.

1.[1.1.5])12 Algoritma Genetika ARIMA(0.0)(1.1.0 0. identifikasi model menggunakan metode Algoritma Genetika dapat menghasilkan hasil yang lebih baik dibanding dengan metode correlogram.[3.0)(0.1)12 ARIMA(2.2 -0. Plot Partial Autocorrelation Function.1. Hasil uji asumsi error dengan uji white noise adalah sebagai berikut: Manajemen Risiko di Bidang Perbankan dan Asuransi | 226 .1.0)(1.1.0)12 Correlogram ARIMA(2.1. Perbandingan Model Correlogram dengan Model Algoritma Genetika Metode Model ARIMA(2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.1.4 -0.1)(1.8 0.0)12 MSE 505875660 576576870 524261720 470685810 526676055 458875974 502443463 493225943 467770803 459528628 Berdasarkan tabel diatas.1.4])12. maka model terbaiknya setelah dilakukan 12 generasi adalah SARIMA(0.1.4])12 ARIMA(1.(a).2 0. Berdasarkan plot ACF dan plot PACF diatas.0)12 ARIMA(0.1)([4].0)(0.1)12 ARIMA(0.5])(0.1.1. maka perbandingannya adalah sebagai berikut: Tabel 5.6 0.1.8 Partial Autocorrelation Partial Autocorrelation Function for C7 (with 5% significance limits for the autocorrelations) 1.1. Plot Autocorrelation Function. (b).4 0.1.0)(2. maka model yang terbaik dengan metode Correlogram adalah model ARIMA (2. Kemudian hasil dari uji white noise menunjukkan bahwa asumsi tidak ada autokorelasi pada error di semua lag bisa dipenuhi.8 -1.2 -0.3.0 1 5 10 15 20 25 Lag 30 35 40 45 0. sehingga model identifikasi menggunakan Algoritma Genetika sesuai untuk data tersebut.3.0)(2.2.8 -1.0 -0.6 -0.1.[3.[1.4. Setelah menghitung kriteria pemilihan model terbaik.1.4 0.1)(1.1)12 ARIMA(2.1.0 0.1)12.4 -0.1.1.0 1 5 10 15 20 25 Lag 30 35 40 45 (a) (b) Gambar 5.1.6 Autocorrelation Autocorrelation Function for C7 0. sedangkan jika menggunakan metode Algoritma Genetika.1)(1.1.6 -0.2 0.1)12 ARIMA(2.0)12 ARIMA(0.1.0 -0. 13 November 2010 (with 5% significance limits for the partial autocorrelations) 1.3)(0.1.1.

5 16.E. Manajemen Risiko di Bidang Perbankan dan Asuransi | 227 .. edisi ketiga. Jilid 1 Edisi Kedua. 2002.835 0. 13 November 2010 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 4. R. IEEE Transaction on Signal Processing. dan McGee. Badan Pusat Statistik. Metode dan Aplikasi Peramalan..5 24.C. 2000. 1994.685 0.. Chapman &C Hall/CRC Chen. G. 2004 – 2010.E. S. Indikator Ekonomi. Lee.M. Jakarta. Kesimpulan dan Saran Pada makalah ini digunakan pendekatan metode Algoritma Genetika untuk mengidentifikasi model ARIMA dari data deret waktu... M. Buletin Statistik Bulanan. C. Wheelwright. Time Series Analysis Forecasting and Control. DAFTAR PUSTAKA Box.079 Terlihat diatas bahwa nilai P-value semuanya diatas 0. G.S.8 DF 8 20 32 44 P-Value 0. Genetic Algorithms and Engineering Optimization.K..Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 1999.S. B..C.. 2000. 50 Gen.C.811 0. Canada. dan Cheng.. Jenkins. Bina Rupa Aksara. Englewood Cliffs : Prentice Hall. Statistics & Probability Letters 42 (1) 69–79.. John Wiley & Son Inc. S.2 57. W. Terjemahan Ir. vol. Makridakis. B. Time-Series Forecasting. Peng. A comparison of some of pattern identification methods for order determination of mixed ARMA models. G..05 yang menunjukkan bahwa asumsi tidak ada korelasi antar error sudah terpenuhi. Maximum Likelihood Parameter Estimation of F-ARIMA Processes Using the Genetic Algorithm in the Frequency Domain. 6. dan Reissel.P. S. Chatfield. 1999. Metode Algoritma Genetika menghasilkan tingkat akurasi yang lebih tinggi dibandingkan dengan metode correlogram. Pendekatan metode Algoritma Genetika ini bisa dikembangkan dengan menggunakan beberapa tipe operator yang digunakan dalam proses genetika dan membandingkan tingkat akurasi dan tingkat efisiensi dari penggunaan operator yang berbeda tersebut. V. Jakarta Chan. Hari Suminto.

S.H. W.J.W. 2008. A. C. Theory and Engineering Applications.. D. 2002. With 193 Figures and 13 Tables. Deepa.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Manajemen Risiko di Bidang Perbankan dan Asuransi | 228 .... Berlin Heidelberg New York Sivanandam. S.. 164. 315 – 330.... 2005.K. Chang.S. Springer-Verlag Berlin Heidelberg Wei. 1990. 38. dan Tzeng G. Springer. Computational Intelligence in Time Series Forecasting. r) Estimation for Threshold Autoregressive Models. Wu. Popovic.N. 885-912 Palit. Journal Applied Mathematics and Computation. J. Huang. Journal Computational Statistics and Data Analysis. Using Genetic Algorithms to Parameter (d.N. Addison Wesley Publishing Company Inc.L.S. 13 November 2010 Ong.. C. Time Series Univariate and Multivariate Methods. Model identification of ARIMA family using genetic algorithms. Canada. 2005.. B. Introduction to Genetic Algorithms.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Meskipun LPP Indonesia terus turun namun jumlah penduduk Indonesia masih terus bertambah.26juta dan 219. Berdasarkan hasil Sensus Penduduk 2000 (SP 2000) ternyata tujuan pertama telah tercapai bahkan dapat melampauinya. Penurunan TFR ini berdampak pada laju pertumbuhan penduduk (LPP). 2006 b).6. Proyeksi penduduk Indonesia ini akan dibuat sampai tahun 2060 menggunakan Metode Komponen.26 pada tahun 2005 (BPS. Program KB Nasional mempunyai 2 tujuan. Proyeksi Penduduk. SP SUPAS 2005 penduduk Indonesia berturut-turut adalah 206. Sehingga memungkinkan TFR naik lagi.5 % pertahun pada periode 1990-2000. Berdasarkan SP 1980. 2006 a). dan berdasarkan hasil SUPAS 2005 TFR turun menjadi 2. Kata Kunci : TFR. namun angka pertumbuhan penduduk mengalami penurunan dari 2.5) SIMULASI PROYEKSI PENDUDUK INDONESIA DENGAN ASUMSI TFR NAIK DAN TURUN Yayat Karyana Jurusan Statistika FMIPA UNISBA E-mail : yayatkaryana@gmail. Manajemen Risiko di Bidang Perbankan dan Asuransi | 229 . TFR turun dari 5. yaitu menurunkan Total Fertility Rate (TFR) dan melembagakan/membudayakan Norma Keluarga Kecil yang Bahagia dan Sejahtera (NKKBS).26 (BPS. Metode Komponen.com ABSTRAK Berdasarkan hasil Sensus Penduduk dari tahun 1961 sampai dengan tahun 2005. diharapkan pada tahun 2000 turun 50 % menjadi sebnesar 2. LPP Indonesia periode tahun 1971-1980 sebesar 3.8 yang artinya pada tahun 2000 setiap wanita usia subur rata-rata melahirkan antara 2 sampai 3 orang bayi.20 juta orang. Turunya angka pertumbuhan tersebut salah satunya disebakan ada penurunan TFR (Total Fertility Rate).20 juta ( BPS. 1.2 % pertahun turun menjadi 1. TFR pada tahun 1970 sebesar 5. 2006b).34 % pada periode 1961-1971 menjadi 1.25 juta.77 juta.Pendahuluan Pada tanggal 29 Juni 1970. Namun sekarang perhatian berbagai pihak terhadap program BKKBN sudah mulai memudar.30 % per tahun pada periode 1990-2000. dan 146. SP 2000.97 % pertahun pada periode 1980-1990 dan menjadi 1. saat program Keluarga Berencana (KB) dicanangkan sebagai Program Nasional. 1990.6 pada tahun 1970 menjadi 2. Karena itu dalam makalah ini akan dibuat simulasi proyeksi penduduk Indonesia dengan asumsi TFR naik 5 % dan turun 5 % setiap periode proyeksi. jumlah penduduk bertamah terus dan berdasarkan hasil SUPAS 2005 penduduk Indonesia mencapai 219. 179. 13 November 2010 (S.

Yang dosa adalah ketika tidak ada usaha pemerintah untuk mensejaterakan masyarakat. Mengenai program BKKBN ini bahkan Wapres Yusuf Kalla menyatakan kebijakan KB jangan dijalankan secara sama rata untuk seluruh Indonesia. Sehingga ada lembaga atau dinas yang digabung atau dihilangkan. sebagai indikator kasar adalah hanya sedikit keluarga yang anaknya banyak. Dengan adanya Undang-Undang No. ketika krisis ekonomi melanda Indonesia dan Negara lainnya pada tahun 1998. 20 tentang Otonomi Daerah. dan mengubah instsitusi BKKBN beserta anggarannya. serta besarnya utang Manajemen Risiko di Bidang Perbankan dan Asuransi | 230 . Karena itu tujuan berbangsa adalah mensejahterakan masyarakat. Untuk mengukur hal tersebut. yaitu : tingginya tingkat kemiskinan. 13 November 2010 Apabila tujuan diadakannya Program KB dengan pelaksananya Badan Koordinasi Keluarga Berencana Nasional (BKKBN) dianggap berhasil menurunkan LPP Indonesia.(Suara Pembaharuan 7 Peb 2007). Sulit untuk mengukur bahwa Bahagia dan Sejahtera (NKKBS) Norma Keluarga Kecil yang melembagaan/membudaya di masyarakat. tingginya pengangguran. Kebijakan itu harus memperhatikan keragaman budaya di Indonesia. saat ini mulai mnegendur. karena pemerintah masih menghadapi tiga masalah pokok. Komitmen pemerintah daerah baik pemerintah kota maupun kabupaten mengenai pentingnya program KB makin melemah. Komitmen berbagai pihak untuk menyelenggarakan program KB sudah memudar (PR 20-07-07). Dan juga dikatakan oleh Kepala BKKBN bahwa program pengendalian pertumbuhan penduduk melalui Keluarga Berencana (KB). Wapres mengingatkan tujuan berbangsa adalah bukan untuk menurunkan atau menaikan jumlah penduduk dengan program KB. tetapi untuk daerah seperti Papua dan Kalimantan mungkin kebijakannya menjadi satu keluarga dengan dua atau tiga orang anak. berhasilkah?.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Dia memberi contoh untuk pulau Jawa satu keluarga dengan jumlah anak satu sudah cukup karena jumlah penduduknya padat. merubah paradigma pembangunan di daerah berkaitan lembaga dan dinas menjadi lebih efisien. jumlah penduduk yang banyak bukanlah kesalahan dan dosa. Seiring perjalanan waktu. Bangsa yang besar tentu memiliki masalah yang besar pula. Tapi bagaimana mungkin pemerintah dapat mensejahterakan rakyat . Menurut Kalla. bagaimana dengan tujuan yang kedua. yaitu pelembagaan/pembudayaan NKKBS. BKKBN tidak bisa lagi menempatkan kebijakan yang sama untuk seluruh wilayah Indonesia dalam hal jumlah anak. yang diiringi pergantian kepemimpinan nasional.

dan untuk mobilitas adalah ASNMR (Age Specific Migra-Production Rate) semua asumsi tersebut biasanya berbeda untuk setiap periode proyeksi. Dengan berbagai kendala seperti diutarakan diatas. Proyeksi penduduk dengan metoda ini adalah dengan memperhatikan komponen demografi yaitu kelahiran. 2. Namun demikian masih adanya perhatian terhadap perkembangan TFR dan apabila berhasil bagaimana pengaruhnya terhadap pertumbuhan penduduk Indonesia. yang disusul juga dengan kenaikan LPP Indonesia. mungkin TFR akan naik lagi.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. mortalitas dan mobilitas.a) – D(x) + NM(x) dengan : (1) Manajemen Risiko di Bidang Perbankan dan Asuransi | 231 . Pada metode tersebut diperlukan asumsi-asumsi pertilitas. yang makin meningkatkan juga pertambahan jumlah penduduk Indonesia dan makin memberatkan tugas-tugas pemerintah untuk membiayai pembangunan.1 Pendahuluan Salah satu metode proyeksi penduduk adalah Metode Komponen.a). Jika penduduk awal tahun yang berumur x tahun adalah P(x.1952). TINJAUAN PUSTAKA 2. sedangkan untuk mortalitas adalah Rasio Masih Hidup (RMH) sesuai tingkat kematian. Hal ini disampaikan oleh Presiden Susilo Bambang Yudhoyono di akhir Januari 2007 dalam pidato tahunan. Karena itu apabila TFR terus naik. kematian dan migrasi. Karena beberapa hal tersebut maka akan dicoba sesuah simulasi proyeksi penduduk menggunakan metode komponen dengan asumsi TFR naik dan turun. 13 November 2010 pemerintah . serta banyak net migran yang berumur x tahun adalah NM(x) .2 Metoda Komponen Salah satu metoda proyeksi yang diusulkan oleh UN adalah Metoda Komponen (UN. maka proyeksi penduduk berumur x ahun pada tahun t adalah : P(x) = P(x. dan banyak kematian yang berumur x tahun adalah D(x). perlu dicari konsekuensinya yaitu berapakah proyeksi jumlah penduduk Indonesia di masa depan. 2. Asumsi fertilitas yang digunakan adalah ASFR (Age Specific Fertility Rate )dan TFR Total Fertility Rate).

a) (3) ASOMR(x) adalah Age Specific Out-Migration Rate per orang ASIMR(x) adalah Age Specific In-Migration Rate per orang n =5 . Data penduduk pada tahun dasar biasanya digunakan hasil Sensus Penduduk (SP) atau hasil Survey Antar Sensus (SUPAS). proyeksi penduduk berumur 0 tahun yaitu P(0) didapat dari banyaknya kelahiran selama periode proyeksi.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. maka untuk bayi perempuan : Pf(0) = P(0) 100/(100+SR) dan untuk bayi laki-laki adalah : Pm(0) = P(90) SR/(100+SR) SR adalah sex ratio at birth Untuk Metoda Komponen diperlukan : 1) Data penduduk pada tahun dasar menurut kelompok umur dan jenis kelamin. yang didapat dari P(0) =( dengan :    ASFRx adalah Age Specific Fertility Rate atau Angka Kelahiran per wanita umur 15-49 tahun Pfx adalah banyak penduduk yang berumur 15 – 49 tahun ASFRx Pf x) S0 (4) S0 adalah rasio masih hidup bayi yang baru lahir.a) Sx (2) NM(x)= ASOMR(x) – ASIMR(x) P(x. 13 November 2010 Dx=P(x. dan di sini diperlukan ASOMR dan ASIMR (6) (5) Manajemen Risiko di Bidang Perbankan dan Asuransi | 232 . untuk proyeksi penduduk dalam kelompok umur Sx diambil dari Table Kematian (Sinha. 1972) x = umur Khusus untuk x = 0 tahun. dan data tersebut sudah dilakukan prorating 2) 3) 4) 5) Tingkat kematian atau level of mortality (level tabel kematian) Asumsi pola fertilitas yaitu ASFR (Age Specific Fertility Rate) Rasio Jenis Kelamin saat lahir (sex ratio at birth) Asumsi pola migrasi. yang didapat dari asumsi tingkat kematian yang menggunakan level tabel kematian Jika dipisahkan proyeksi bayi laki-laki dan perempuan.

20102015. namun akan disimulasikan jika mengalami kenaikan. 2. Proyeksi yang didasarkan pada hasil SP 2000 hanya mencakup periode tahun 2000 – 2010. 2. 2015-2020 dan 2020-2025 berturut-turut adalah 36 . 13 November 2010 2.1 Asuimsi Fertilitas Asumsi fertilitas yang diambil pada proyeksi tersebut adalah Angka Kelahiran Total atau Total Fertility Rate (TFR).3.276 . BPS dan UNFPA (United Nations for Population Funs Activities) pada tahun 2005 dengan data dasar hasil SP 2000 (BAPPENAS. 2002). Untuk keperluan Rencana Pembangunan Jangka Menengah dan Renmcana Pembangunan Jangka Panjang diperlukan proyeksi penduduk sampai dengan tahun 2025. Pada kedua proyeksi tersebut sebelumnya sudah membuat estimasi parameter demografi penduduk Indonesia (BPS. Dari asumsi tersebut piperkirakan bahwa pada tahuN 2025 setiap 1000 kelahiran hidup rata-rata terdapat kematian bayi 15 orang.3. 2010-2015.121. BPS. Asumsi mortalitas inipun makin lama makin turun. Dari asumsi tersebut piperkirakan bahwa pada tahu 2025 seorang penduduk wanita akan mempunyai anak rata-rata 2. AKB untuk periode proyeksi tahun 2005-2010. 18 dan 15. Asumsi fertilitas ini makin lama makin turun. TFR untuk periode proyeksi tahun 2005-2010. 28 .2 Asumsi Mortalitas Asumsi mortalitas yang diambil pada proyeksi tersebut adalah Angka Kematian Bayi (AKB).072 orang anak diakhir masa reproduksinya. 2. 2. proyeksi penduduk tahun 2000 – 2025 dibuat atas kerjasama antara BAPPENAS.090 dan 2. Proyeksi Penduduk Indonesia per Propinsi menurut Kelompok Umur dan Jenis Kelamin 2000-2010 (BPS.3 Proyeksi Penduduk dari BAPPENAS. 2001). Pada proyeksi tersebut telah diambil asumsi antara lain : 2. UNFPA. 23. BPS dan UNFPA Badan Pusat Statistik (BPS) sudah beberapa kali membuat proyeksi penduduk Indonesia antara lain : Proyeksi Penduduk Indonesia per propinsi 1995-2005 (BPS. 2005).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Karena itu.177.1998). 2015-2020 dan 2020-2025 adalah berturut-turut 2. Manajemen Risiko di Bidang Perbankan dan Asuransi | 233 .072.

572. 247.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 2.4 juta . 233. Tetapi untuk angka mobilitas antara propinsi tidak dianggap 0. 2005-2010. 3. angkanya menjadi kurang berarti. mortalitas dan mobilitas di atas . TFR penduduk Indonesia tahun 1985-2005 Manajemen Risiko di Bidang Perbankan dan Asuransi | 234 . 3. 2010-2015.4 Proyeksi penduduk Indonesia tahun 2000-2025) Metoda proyeksi yang biasa digunakan oleh BPS untuk membuat proyeksi penduduk Indonesia adalah dengan Metoda Komponen (BPS.477.3 Asumsi Mobilitas Asumsi mobilitas internasional penduduk Indonesia diambil 0. maka dibuatlah proyeksi penduduk Indonesia tahun periode 2000-2005. Dengan asumsi TFR turunpun. sedangkan asumsi moralitas diasumsikan mengikuti trend sebelum periode proyeksi.204. penduduk Indonesia masih bertambah.005.2 juta orang. 2. 2.0 juta. namun jika dibandingkan terhadap jumlah penduduk Indonesia yang besar.0 juta dan 273. Hal ini dilakukan karena salah satu asumsi yang digunakan yaitu fertilitas diasumsikan naik dan turun. Jumlah penduduk Indonesia tahun 1985 samapi tahun 2005. Jumlah penduduk menurut kelompok umur dan jenis kelamin tahun 2005 3.219.1 Bahan Bahan dalam penelitian ini yang diperlukan untuk proyeksi tersebut adalah : 1. 2015-2020 dan 2020-2025 berturutturut adalah 205. BAHAN DAN METODE Pada simulasi proyeksi penduduk ini akan menggunakan Metoda Komponen. Berdasarkan asumsi fertilitas.3. karena meskipun ada. Apalagi jika TFR tiap tahun mengalami kenaikan. Level Mortalitas Penduduk Indonesia tahun 1985-2005 4.4 juta.3. Pada makalah ini akan dibuat simulasi proyeksi penduduk di mana fertilitas atau TFR tiap tahun mengalami kenaikan dan penurunan. maka pertambahan penduduknya akan makin pesat.. 2002).7 juta . 261.132. 219.

2015-2020. 2025-2030.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2020-2025. dan hitung angka pertumbuhannya.1 Proyeksi Penduduk Dengan Asumsi TFR Tetap Pada simulasi proyeksi ini asumsi TFR sama seperti pada tahun 2005. 1) Hitung jumlah penduduk Indonesia tahun 2010-2015. 2020-2025. Buat proyeksi level mortalitas tahun 2010-2060 menggunakan hasil 1) dan buat asumsinya. dan 2055-2060 berdasarkan hasil pada 5) 4. dan 2055-2060. 2025-2030. 2030-2035. hasilnya adalah jumlah penduduk terus bertambah dan pada tahun 2060 terdapat 320 juta orang atau bertambah 50 % dari tahun 2005. Cari model trend level fertilitas tahun 1985 sampai tahun 2005. HASIL PERHITUNGAN DAN PEMBAHASAN Dengan langkah-langkah perhitungan seperti dijelaskan di atas. 2040-2045. 2030-2035. Buat prroyeksi level fertilitas tahun 2010-2060 dengan memperhatikan hasil 3) dan dengan asumsi fertilitas naik. 4). 3). sedangkan jumlah bayi sebanyak 23.2 Metode Untuk memdapatkan proyeksi penduduk Indonesia sampai tahun 2060 langkah-langkah sebagai berikut : 1). hasil simulasi proyeksi penduduknya adalah sebagai berikut : 4. 5). 2035-2040. 13 November 2010 3. Buat proyeksi penduduk menurut kelompok umur dan jenis kelamin dengan diperlukan Metoda Komponen mengunakan rumus Persamaan (6) sampai Persamaan (11) tahun 2010-2060 Dengan asumsi :1) Level mortalitas sesuai trend yang terjadi hasil pada 2) 2) Fertilitas naik atau TFR naik 5 % setiap periode hasil pada 4) 3) Fertilitas turun atau TFR turun 5 % setiap periode. dan asumsi fertilitas turun.5 juta orang atau Manajemen Risiko di Bidang Perbankan dan Asuransi | 235 . 2015-2020. 2035-2040. 2) Hitung Laju pertumbuhan penduduk (LPP) dari tahun 2010-2015. Cari model trend level mortalitas tahun 1985 samapi tahun 2005. 2040-2045. 2). dan hitung angka pertumbuhannya.

1 320 1.1 228 21.9 23.8 22.3 28.8 447 2. seperti pada Tabel 4.4 310 30.3 2.5 2.2 2.8 277 26.2 Proyeksi Penduduk Indonesia Dengan Asumsi TFR Naik 5 % Pada simulasi proyeksi ini asumsi TFR naik 5 % setiap periode proyeksi.7 2.6 20.4 353 37.3 410 47.3 24.9 2.2 378 42.3 1.7 35.7 2.0 284 21. Tabel 4.2 26.5 19.3 17.3 23.3 18.7 3.2 276 21.3 17.1 2.1 PROYEKSI PENDUDUK INDONESIA DENGAN ASUMSI TFR TETAP THN PDK BAYI TFR TKP 2005 2010 2015 2020 2025 2030 2035 2040 2045 2050 2055 2060 PBD 213 19.8 330 33.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.1 293 27.9 2.7 293 22.1.3 21.3 19.2.2 243 23.7 2.5 260 25.5 1.3 25.6 8% 4.2 PROYEKSI PENDUDUK INDONESIA DENGAN ASUMSI TFR NAIK 5 % TIAP PERIODE THN PDK BAYI TFR TKP 2005 2010 2015 2020 2025 2030 2035 2040 2045 2050 2055 2060 PBD 213 19.5 314 23. hasilnya adalah jumlah penduduk terus bertambah dan pada tahun 2060 terdapat 447 juta orang atau bertambah 110 % dari tahun 2005.0 307 22.9 1.8 8 % Manajemen Risiko di Bidang Perbankan dan Asuransi | 236 .1 2.3 22.2 2.0 24.8 3.7 32.6 2.2 2.6 3.3 24.3 3. seperti pada Tabel 4.2 253 21.1 2.2 3. Tabel 4.0 25. Proyeksi ini sangat mungkin tidak terjadi karena pada kenyataannya TFR masih berubah.4 2.5 23.7 3.3 22.1 54. 13 November 2010 bertambah 20 % dari tahun 2005.5 30.0 2.1 227 20.2 2.3 20.4 300 22.1 240 21. sedangkan jumlah bayi sebanyak 54.3 18.6 2.4 2.3 juta orang atau bertambah 180 % dari tahun 2005.3 265 21.

3 1.5 1.3 PROYEKSI PENDUDUK INDONESIA DENGAN ASUMSI TFR TURUN 5 % SETIAP PERIODE THN PDK BAYI TFR TKP 2005 2010 2015 2020 2025 2030 2035 2040 2045 2050 2055 2060 PBD 213 19.2 246 1.4 20.1 Kesimpulan Dengan asumsi fertilitas naik 5 % setiap periode proyeksi atau setiap 5 tahun.5 1. seperti pada Tabel 4.6 21.3 18.9 258 12.8 255 17.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.8 262 15.8 20. 13 November 2010 4.8 20.9 0.4 260 16.1 237 19.6 1.1 226 19.3 Tabel 4.7 21. sedangkan jumlah bayi sebanyak 9.0 263 14.2 9.3 0. sedangkan apabila fertilitas turun 5 % setiap periode proyeksi maka penduduk Indonesia naik menjadi 1.9 19. maka penduduk Indonesia pada tahun 2060 naik menjadi 2 kali lipat penduduk tahun 2005.4 20.0 19.1 1.6 8 % 5.3 17.4 2.0 1.6 19.3 1.1 262 13.0 247 18.2 kali lipat atau sebanyak 246 juta orang.5 20.0 2.1 2. atau sebanyak 447 juta orang. hasilnya adalah jumlah penduduk masih terus bertambah dan pada tahun 2060 terdapat 246 juta orang atau hanya bertambah 20 % dari tahun 2005.6 1. KESIMPULAN DAN SARAN 5.9 juta orang atau turun 50 % dari tahun 2005.3 Proyeksi Penduduk Indonesia Dengan Asumsi TFR Turun 5 % Pada simulasi proyeksi ini asumsi TFR turun 5 % setiap periode proyeksi.3 1.6 253 11. Manajemen Risiko di Bidang Perbankan dan Asuransi | 237 .

Proyeksi Penduduk Dengan Menggunakan Metoda Campuran.. Sinha U. 2007. 1972 United Nations. maka disarankan untuk menata ulang kebijakan tentang BKKBN sekarang .. Methods for Population Projection by Sex and Age. New York. ___. Yayat. 2000. Proyeksi Penduduk Indonesia per Propinsi menurut Kelompok Umur dan Jenis Kelamin 2000-2010. ___. Penduduk Indonesia. Departement of Economic and Social Affairs. Makalah disampaikan pada SEMINAR SEHARI di FMIPA UGM. 1952. 2006 b. BPS. edisi Jumat. Proyeksi Penduduk Indonesia per Propinsi 1995-2005.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2006 a. Population Studies No : 25 U. Estimasi Fertilitas. Kalla. Mortalitas dan Migrasi. Syarief. Suara Pembaharuan. ___. 13 November 2010 5. 20 Juli 2007. 2001.2 Saran Agar supaya proyeksi penduduk terjadi sesuai yang diharapkan. 2005. Yogyakarta. Hasil SUPAS 2005. termasuk penataan ulang program dan pengagaran. Pelaksanaan Program KB Mulai Mengendur. Pikiran Rakyat. Proyeksi Penduduk Indonesia 2000-2025. Sugiri. edisi 7 Pebruari 2007. Bombay. Yusuf. DAFTAR PUSTAKA BAPPENAS. 2007. Manajemen Risiko di Bidang Perbankan dan Asuransi | 238 .N. dan semua pihak diharapkan dapat membantu program pemerintah pusat dan daerah sehingga penduduk dapat tumbuh seimbang dan dapat dipenuhi segala kebutuhannya.1998. BKKBN Tidak Bisa Menempatkan Kebijakan Yang Sama. BPS dan UNFPA. Karyana. ___. 2002. Estimasi Parameter Demografi Fertilitas. Complite Life Table Based on Coale and Demeny Model (West) Life Table.P. Mortalitas dan Migrasi. Manual III.

Pada pendekatan tradisional menempatkan guru sebagai tokoh sentral dalam proses pengajaran yang berperan mentransfer pengetahuan mereka kepada siswa. berubah ke arah pembelajaran yang berpusat kepada siswa. bukan mengisinya. anak mempunyai kemampuan pemecahan masalah di bawah bimbingan orang dewasa atau teman sebaya yang lebih mampu (Sheffer. khususnya dukungan bahwa orang dewasa menyediakan membantu anak untuk belajar bagaimana melakukan tugas yang tidak dapat dikuasai sendiri.6) PENINGKATAN PEMBELAJARAN MATEMATIKA DI KELAS DENGAN SKAFFOLDING (Sebuah Kaus di Kelas Akselerasi SMPN 3 Malang) Turmudi Dosen Matematika di UIN Maulana Malik Ibrahim Malang yang sedang mengikuti Program Pendidikan Doktor Falsafah Matematik di Universitas Pendidikan Sultan Idris Malaysia Angkatan Tahun 2009. 13 November 2010 (S. Scaffolding pada Kegiatan Kelas Menurut teori yang diajukan Vygotsky bahwa proses belajar terjadi ketika anak masih berada pada jangkauan ZPD mereka. Dalam tingkat ZPD. 1996). Perubahan-perubahan terhadap pendekatan pengajaran tradisional akan terwujud apabila peran guru berubah dari menunjukkan dan mengatakan ke bimbingan yang responsif untuk pengembangan daya fikir siswa itu sendiri. ABSTRAK Sejak konstruktivisme digunakan sebagai cara berpikir tentang pengetahuan dan tindakan belajar terjadi perubahan pendekatan pembelajaran di dalam kelas.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Bantuan siswa dalam belajar itu dikenalkan oleh Manajemen Risiko di Bidang Perbankan dan Asuransi | 239 . Salah satu cara di mana peran guru telah dikonseptualisasikan adalah melalui penggunaan metafora scaffolding yang pertama kali istilah itu digunakan oleh Wood dkk (1976) untuk mengeksplorasi sifat interaksi orang dewasa dalam belajar anak-anak. Studi kasus ini mengambil subjek Guru Matematika di suatu SMP negeri di Malang yang menyelenggarakan program akselerasi. Seperti dikatakan Heberman dalam Diaz (2006) bahwa guru yang efektif harus menarik keluar pengetahuan dari siswa . Kajian ini merupakan studi kasus yang membahas penerapan scaffolding untuk peningkatan Pembelajaran matematika di kelas Sekolah Menengah Pertama (SMP).

belajar mandiri. 1976). Level 2 melibatkan interaksi langsung antara guru dan siswa yang difokuskan pada tugas. kerja tim dan kemampuan komunikasi. Perubahan Paradigma Pembelajaran Abad ke-21 ini ditandai dengan kemajuan pengetahuan dan teknologi pembelajaran.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. yang berarti memberikan kepada seorang anak sejumlah besar bantuan selama tahap-tahap awal pembelajaran dan kemudian mengurangi bantuan tersebut dan memberikan kesempatan kepada anak tersebut mengambil alih tanggung jawab yang semakin besar setelah mampu mengerjakan sendiri. Angghileri (2006) mengajukan tingkatan penerapan skoffolding dengan memilah scaffolding pada tiga level dukungan guru. Untuk kegiatan kelas. baik sebagai hasil dari perencanaan yang sadar atau secara tidak sengaja (default). matematika tampaknya masih menjadi salah satu mata pelajaran yang sulit bagi siswa. A. Bruner. & Ross. Level 3 bertujuan untuk membuat koneksi antara pengetahuan awal siswa dan pengalaman dengan matematika baru yang akan dipelajari dengan cara mengembangkan alat representasi dan membangun wacana konseptual adalah dua daerah yang dipertimbangkan di sini. Pengertian itu juga sejalan dengan yang dikemukakan Wood dkk. Von Glaserfeld (1995) mengatakan bahwa 'Pendidik‟ telah memperhatikan bahwa banyak siswa yang cukup mampu untuk mempelajari formula yang diperlukan Manajemen Risiko di Bidang Perbankan dan Asuransi | 240 .. Diharapkan bahwa para siswa akan terlibat dalam pembelajaran lebih bermakna dan berbagai keterampilan berfikir siswa. Strategi tersebut bervariasi dari instruksi langsung yang menunjukkan dan memberitahu kearah membuat makna yang lebih kolaboratif. keterampilan berpikir tingkat tinggi. Meskipun banyak laporan yang telah menunjukkan tentang kemajuan kinerja siswa. Temuannya telah banyak diadops dan digunakan dalam menentukan kebijakan yang membantu pengajaran matematika yang efektif. Para pakar dan praktisi pendidikan telah aktif terlibat dalam penelitian tentang pendidikan matematika. yang melayani untuk mendukung belajar siswa dalam matematika. Kemajuan ini telah merubah paradigma dalam pendidikan matematika yang menekankan pada metode-metode kreatif dalam pengajaran dan pembelajaran matematika yang dapat memupuk kemampuan memecahkan masalah. Level 1 merujuk kepada petunjuk (promt) dan rangsangan yang ada di lingkungan. 13 November 2010 Vygotsky (1978) sebagai scaffolding. bahwa „scaffolding‟ merefleksikan cara orang dewasa membantu siswa ketika dia belajar dan pada akhirnya melepasnya ketika dia sudah bisa mandiri (Wood.

Frederick dari Universitas Hongkong menyebutkan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 dan menerapkannya pada jangkauan terbatas dari situasi buku teks dan tes. Dalam satu tahun. siswa kelas 8 di Indonesia rata-rata mendapat 169 jam pelajaran matematika. Dalam penelitian itu. Indonesia ditempatkan di nomor 34 dari 38. Waktu yang dihabiskan siswa Indonesia di sekolah tidak sebanding dengan prestasi yang diraih. Leung (2003) bahwa jumlah jam pelajaran matematika di Indonesia jauh lebih banyak dibandingkan Malaysia dan Singapura. Seperti ditunjukkan dalam laporan TIMMS tahun 2007. Sementara itu. ada sesuatu dengan metode matematika di negara ini. lebih rendah daripada rata internasional 487. mayoritas soal yang diberikan guru matematika di Indonesia terlalu kaku. tetapi ketika dihadapkan dengan masalah baru. 1999). seperti yang ditemukan dalam penelitian Frederick dari TIMMS. peringkat Indonesia tidak beranjak dari peringkat papan bawah. Setelah sepuluh tahun reformasi sistem pendidikan. (TIMMS. yang membandingkan prestasi matematika dan sains siswa kelas delapan diantara 38 negara. 2007). Peringkat Indonesia berada di bawah Malaysia dan Singapura. Indonesia adalah salah satu di antara 38 negara yang berpartisipasi dalam penelitian ini. Sementara di Malaysia hanya mendapat 120 jam dan Singapura 112 jam. siswa di Indonesia lebih banyak mengerjakan soal yang diekspresikan dalam bahasa dan Manajemen Risiko di Bidang Perbankan dan Asuransi | 241 .(TMMS. S. menurut penelitian Trends in International Mathematics and Science Study . Itu artinya. menunjukkan bahwa mereka jauh dari sudah mengerti konsep-konsep yang relevan dan hubungan konseptual. padahal berdasarkan hasil penelitian TIMMS yang dilakukan oleh Frederick K. Di Indonesia rendahnya kualitas matematika dapat dilihat dari temuan hasil penelitian tim Programme of International Student Assessment (PISA) 2001 menunjukkan bahwa Indonesia menempati peringkat ke-9 dari 41 negara pada kategori literacy matematika. Dalam hal peringkat. Indonesia berada pada peringkat ke 36 dari 48 negara peserta dengan rata-rata 397 poin. Singapura menduduki peringkat pertama dengan rata-rata 604 poin dan Malaysia peringkat ke 16 dengan rata-rata 519 poin. Umumnya. sementara Singapura berada pada peringkat ke 3 dengan rata-rata 593 poin dan Malaysia berada pada peringkat ke 20 dengan rata 474 poin. Temuan menunjukkan bahwa pencapaian rata-rata matematika di semua lima bidang matematika siswa Indonesia adalah 403.Repeat (TIMMS-R)1999.

berubah ke arah pembelajaran yang berpusat kepada siswa. mengajukan alasan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. faktor internal yang tidak kurang pentinya adalah tidak adanya perubahan dalam proses pengajaran dan pembelajaran matematika dan assesmenya. Ini berarti bahwa siswa Indonesia kelas delapan dianggap kurang atau tidak memiliki pemahaman matematika. di Singapura yang nilai matematikanya sangat tinggi. Sebagai contoh. Pemahaman matematika mempunyai implikasi yang luas dalam pengembangan akademis di sekolah dan mempunyai peran yang yang sangat penting dalam meningkatkan kemajuan masyarakat khusunya kemajuan ilmu pengetahuan dan teknologi di masa mendatang. Pendekatan tradisional menempatkan guru sebagai tokoh sentral dalam proses pengajaran yang berperan mentransfer pengetahuan mereka kepada siswa. dan mengevaluasi pengetahuan mereka. Proses pembelajaran pada umumnya berlangsung secara tradisional. Siswa tidak diberdayakan untuk berfikir yang lebih canggih. memonitor. kemampuan yang dikembangkan hanyalah kemampuan menghapal dan kemampuan kognitif aras rendah. karena matematika di sekolah dasar sekolah pertama menempatkan aspek dan pembelajaran biasanya dipersiapkan untuk sekolah menengah atau (Kaur dan Pereira. yaitu bersifat mekanistik yang hanya menghasilkan pemahaman instrumental. Pembelajaran matematika dikatakan memiliki paradigma konstruktivis dalam proses belajar-mengajar jika siswa secara aktif mengkonstruksi suatu makna ketika Manajemen Risiko di Bidang Perbankan dan Asuransi | 242 . kompetensi strategis. Strategi pembelajaran semacam itu mempromosikan penguasaan pengetahuan secara prosedural. dan keterampilan penalaran yang memadai untuk matematika. tetapi tidak mempromosikan pandangan bahwa siswa memiliki potensi untuk membangun. Sedangkan di Indonesia seperti dikemukakan oleh Marpaung (2003) ada banyak faktor yang menyebabkan rendahnya mutu pendidikan. membuat rencana. 13 November 2010 simbol matematika yang diset dalam konteks yang jauh dari realitas kehidupan seharihari (TIMMS. dengan guru sebagai pemberi dan murid sebagai penerima. 2000). tanpa mengabaikan faktor eksternal. Sejak konstruktivisme digunakan sebagai cara berpikir tentang pengetahuan dan tindakan belajar terjadi perubahan pendekatan pembelajaran di dalam kelas.203). Banyak faktor yang dapat mempengaruhi dan berkontribusi bagi pemahaman matematika dan prestasi siswa.

bukan mengisinya. Ini berarti bahwa guru harus mampu merenungkan dan memikirkan praktik mengajar mereka secara kritis dan kreatif. 2000). Menurut Anghileri hal ini berkaitan dengan semakin diterimanya secara luas gagasan pembelajaran konstruksi dan paradigma belajar konstruktivis. khususnya Manajemen Risiko di Bidang Perbankan dan Asuransi | 243 . alternatif. 2006) Salah satu cara di mana peran guru telah dikonseptualisasikan adalah melalui penggunaan metafora scaffolding yang pertama kali digunakan oleh Wood dkk (1976) untuk mengeksplorasi sifat interaksi orang dewasa dalam belajar anak-anak. Selanjutnya guru dapat menyesuaikan peran mereka. Agar guru bisa mengajar di lingkungan sekolah yang terus berubah.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. dan model. guru harus mengambil perhatian khusus terhadap kekayaan budaya kelas. dalam penawaran. Seperti dikatakan Heberman dalam Diaz (2006) bahwa guru yang efektif harus „menarik keluar‟ pengetahuan dari kepala siswa . yaitu dengan cara mengembangkan daya fikir tiap-tiap individu agar menjadi generasi mendatang yang memiliki pemahaman matematika yang valid. tantangan. Model pembelajaran ini akan memberikan lebih banyak kebebasan siswa dalam memahami dunia mereka dengan cara menemukan atau mengembangkan diri mereka sendiri. yang tidak lagi pemegang penuh otoritas kelas seperti yang terjadi pada kelas tradisional tetapi lebih berperan sebagai pembimbing belajar dan pemantau kemajuan pencapaian siswa. Oleh karena itu. termasuk 'languaging' (Anghileri. Pembelajaran dengan pendekatan konstruktivis tersebut akan mendorong siswa secara aktif mengembangkan belajar mereka sendiri. Bimbingan guru kepada siswa membutuhkan sejumlah dukungan bagi pengembangan daya fikir siswa. Yackel & McClain. Selanjutnya Anghileri menyatakan bahwa fungsi guru sebagai rekan yang memiliki misi khusus dan kekuasaan di budaya kelas. 13 November 2010 mereka berpartisipasi dalam upaya meningkatkan kemajuan praktek-praktek matematis (Cobb. Perubahan-perubahan terhadap pendekatan pengajaran tradisional akan terwujud apabila peran guru berubah dari „menunjukkan dan mengatakan‟ ke bimbingan yang responsif untuk pengembangan daya fikir siswa. tentunya mereka harus mampu menyesuaikan pengetahuan dan keterampilan pada situasi kelas tertentu dan untuk anak tertentu.

59) menyatakan skema adalah pola tingkah laku yang dapat berulang kembali. Jadi mengacu pada kedua pendapat Hudojo dan Slavin. Menurut Piaget. Penguasaan terhadap suatu skema baru mengindikasikan adanya perubahan di dalam struktur mental siswa. B. baik oleh Piaget maupun Vygotsky. 13 November 2010 dukungan bahwa orang dewasa menyediakan dalam membantu anak untuk belajar bagaimana melakukan tugas yang tidak dapat dikuasai sendiri. Slavin (2000. p. Dengan skema anak akan memproses dan mengatur informasi dalam mentalnya. Organisasi mengacu pada kemampuan untuk mengestimasi atau mengorganisasi proses-proses fisik atau psikologis menjadi sistem yang teratur dan berhubungan.30) juga menyatakan siswa mendemonstrasikan pola tingkah laku dan pemikiran yang disebut skema. Di satu sisi mereka mempunyai gagasan yang berbeda tetapi keduanya memandang sama bahwa pengetahuan dibangun dari aktivitas mental yang dikembangkan oleh siswa itu sendiri. cara yang yang digunakan organisme untuk mengembangkan kemajuan intelektual mereka didasarkan pada kedua fungsi yaitu organisasi dan adaptasi. Manajemen Risiko di Bidang Perbankan dan Asuransi | 244 . skema adalah pola tingkah laku dan pemikiran yang dapat berulang kembali. Uraian berikut akan memberi gambaran tentang teori belajar. Makalah ini membahas upaya peningkatan pembelajaran matematika di kelas dengan penerapan scaffolding. skema adalah struktur kognitif yang digunakan oleh siswa untuk menyesuaikan dengan lingkungan dan mengorganisasikannya. dan perkembangan mental siswa bergantung pada keaktifannya berinteraksi dengan lingkungan (Slavin. Sedangkan kemampuan seseorang untuk beradaptasi dengan lingkungan dikendalikan melalui organisasi-organisasi mental yang disebut skema. Akar Teoritis Pembelajaran dengan Scaffolding Model pembelajaran konstruktivis didasarkan terutama pada karya psikolog Swiss Jean Piaget dan teori sosial pikiran Vygotsky. 2000). terutama jika dikaitkan dengan model pembelajaran konstruktivisme. Dengan demikian. Slavin juga menggaris bawahi pandangan Piaget bahwa pengetahuan didapat dari pengalaman. p.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Hudojo (2003.

13 November 2010 Piaget menduga bahwa skema manusia beroperasi sejak mereka dilahirkan. atau pengalaman baru ke dalam skema atau pola yang sudah ada dalam pikirannya. maka orang akan melakukan akomodasi. Dalam keadaan ketidakseimbangan itu individu melakukan akomodasi dan struktur yang ada mengalami perubahan atau terbangunnya struktur yang baru. Seseorang melakukan adapatasi jika telah terjadi keseimbangan (equilibrium) antara asimilasi atau akomodasi. Karena kedewasaan seseorang mencerminkan karakteristik individual. Dari sini teorinya Piaget lebih dikenal dengan teori kognitif individual. Menurtu Piaget bahwa proses belajar terkait dengan tingkat perkembangan intelektual anak. karena tidak cocok. Namun mendasarkan pada pandangan Piaget yang bersifat individual tersebut memunculkan pertanyaan-pertanyaan penting. dan ketika terjadi keseimbangan maka dikatakan bahwa intelektual individu berada pada tingkatan yang lebih tinggi dari pada sebelumnya. Asimilasi merupakan proses kognitif seseorang yang mengintegrasikan persepsi. yang disebut refleks. mereka beradaptasi dengan lingkungan mereka dengan mengganti refleks mereka dengan skema yang dibangun melalui dunia dengan kedua cara yaitu asimilasi dan akomodasi. Jika individu–individu membangun pengetahuan mereka sendiri. maka proses pembelajaran menurut Piaget lebih bersifat internal pada individu itu sendiri. manusia sebaliknya. Ini dilakukan dengan membangun skema baru yang cocok atau memodifikasi skema yang sudah ada agar menjadi cocok dengan rangsangan atau pengalaman yang baru. yaitu Proses kedewasaan individu menjadi faktor utama yang memepengaruhi pembelajaran siswa. Sebaliknya jika seseorang tidak dapat beradaptasi dengan lingkungannya maka dikatakan dalam kondisi ketidakseimbangan (disequilibrium). Perkembangan intelektual ini (equilibrium dan disequilibriu) merupakan proses yang terus dalam aktivitas berfikir seseorang. bagaimana suatu kelompok individu (grup sosial) dapat saling tukar pikiran? Apakah individu yang membangun pengetahuan itu bebas dari faktor-faktor eksternal? Bagaimana kebenaran yang dibangun oleh individu bisa diakui kebenarannya secara bersama-sama. konsep.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Berbeda dengan binatang. Jika seseorang tidak dapat mengasimilasikan pengalaman yang baru pada skema yang telah ada. yang mengendalikan perilaku kebanyakan binatang sepanjang hidup mereka. dan menjadi milik mereka bersama? Konstruksi Manajemen Risiko di Bidang Perbankan dan Asuransi | 245 .

1996.274-275). Dalam hubungan ini. p. 13 November 2010 adalah suatu proses dimana pengetahuan dibangun dan diuji secara kontinu. Proses dalam kognisi diarahkan melalui adaptasi intelektual dalam konteks sosial budaya. yaitu Manajemen Risiko di Bidang Perbankan dan Asuransi | 246 . Zona of Proximal Development adalah daerah antar tingkat perkembangan sesungguhnya yang didefinisikan sebagai kemampuan memecahkan masalah secara mandiri dan tingkat perkembangan potensial. yaitu proses yang menekankan pada aspek interkasi sosial masing-masing individu dalam budaya mereka. Untuk menjawab pertanyaan tersebut di atas kita biasa menggunakan gagasan Vygotsky tentang teori kognitif sosial. Disamping itu menurut Vygostky bahwa pembelajaran terjadi saat siswa bekerja menangani tugas-tugas yang belum diperlajari namun tugas tugas itu masih dalam jangkauan kemampuannya atau disebut bahwa tugas-tugas itu berada dalam Zona of Proximal Development mereka. (2) tentang Zona of Proximal Development (ZPD). Dengan demikian dalam pandangan Vygotsky bahwa pembelajaran merupakan aspek sosiokultural. Ada dua point penting yang dapat di ambil dari teori Vygostsky. yaitu : (1) fungsi dan pentingnya bahasa dalam komunikasi sosial yang dimulai dari proses pencandraan terhadap tanda (sign) sampai kepada tukar menukar informasi dan pengetahuan. yaitu melalui proses regulasi diri secara internal. pengertian dan kompetensi. Guru sebagai mediator memiliki peran mendorong dan menjembatani siswa dalam upayanya membangun pengetahuan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 1996:8). para konstruktivis Vygotskian lebih menekankan pada penerapan teknik saling tukar gagasan antar individu (Sheffer. Dan objektivitas itu sendiri dipahami sebagai sosial artinya menjadi pengetahuan yang objektif jika sudah ada pengujian dan penerimaan secara sosial (social accepted). Pengetahuan mereka harus diuji kebenarannya oleh dunia luar individu atau grup sosial untuk selajutnya diterima sebagai pengetahuan mereka bersama. (Dixon-Kraus. Konstruktivis Vygotskian memandang bahwa pengetahuan dikonstruksi secara kolaboratif antara individu dan keadaan tersebut dapat disesuaikan oleh setiap individu. Hal ini sejalan dengan yang disampaikan Ernest (1991) bahwa konstruktivisme merupakan proses sosial antar pribadi yang diperlukan untuk mengubah pengetahuan matematika subyektif individual menjadi pengetahuan matematika objektif. Proses penyesuaian itu ekivalen dengan pengkonstruksian pengetahuan secara intra individual.

anak tidak mampu mengerjakan tugas-tugas yang diberikan. 1996). yaitu antara Zona of Actual Develompment (ZAD) yang didefinisikan sebagai kemampuan memecahkan masalah secara mandiri level (1) dan tingkat perkembangan potensial level (3). 1978:5). Demikian juga Tharpe dan Gallimore (1988) menggunakan istilah „assited learning‟ (belajar berbantuan) untuk mengembangkan pengelompokan interaksi orang dewasa. yang berarti memberikan kepada seorang anak sejumlah besar bantuan selama tahaptahap awal pembelajaran dan kemudian mengurangi bantuan tersebut dan memberikan kesempatan kepada anak tersebut mengambil alih tanggung jawab yang semakin besar setelah mampu mengerjakan sendiri (Vygotsky. Menurut Vygotsky bahwa pengetahuan dibangun siswa dalam konteks budaya dan atas interaksinya dengan teman teman sebaya. Menurut dia bahwa pengetahuan tidak bisa dibangun tanpa interaksi sosial. suatu zona tentang kemampuan memecahkan masalah. Berarti dalam tingkat ZPD mereka anak mempunyai kemampuan pemecahan masalah di bawah bimbingan orang dewasa atau teman sebaya yang lebih mampu (Sheffer. 1976). Hal ini mengindikasikan tentang kemungkinan pencapaian siswa terhadap tugas-tugas yang diberikan. C. Vygotsky mengemukakan ada tiga kategori pencapaian siswa dalam upayanya memecahkan masalah.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. (2) siswa mencapai keberhasilan dengan bantuan. & Ross. Scaffolding dan Level-level pada Kegiatan Kelas Menurut teori yang diajukan Vygotsky bahwa proses belajar terjadi ketika anak masih berada pada jangkauan Zona of Proxymal Development. dan (3) siswa gagal meraih keberhasilan. ZPD adalah daerah level (2). Teori Vygotsky pada prinsipnya berbeda karakteristik dengan teori Piaget. Jika teori Piaget lebih bersifat internal individual. 13 November 2010 kemampuan pemecahan masalah di bawah bimbingan orang dewasa atau teman sebaya yang lebih mampu (Sheffer. yaitu (1) siswa memcapai keberhasilan dengan baik secara mandiri. Bantuan siswa dalam belajar itu dikenalkan oleh Vygotsky sebagai scaffolding. secara jelas bahwa teori Vygotsky bersifat eksternal. karena Vygotsky lebih menekankan pada faktor luar dalam proses pembelajaran. 1996). Manajemen Risiko di Bidang Perbankan dan Asuransi | 247 . Pengertian itu juga sejalan dengan yang dikemukakan Wood dkk. bahwa „scaffolding‟ merefleksikan cara orang dewasa membantu siswa ketika dia belajar dan pada akhirnya melepasnya ketika dia sudah bisa mandiri (Wood. Bruner..

Sedangkan siswa yang kurang tergantung pada dukungan guru mungkin diharapkan akan berjalan dengan baik di dalam ZPD mereka. dan pembentukan partisipatif‟. kualitatif `bidang kegiatan sosial-budaya' dalam suasana out-of-sekolah yang ia disebut sebagai „magang.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Manajemen Risiko di Bidang Perbankan dan Asuransi | 248 . dan mengakses berbagai strategi metakognitif yang tepat untuk memonitor belajar mereka sendiri. Segala aspek yang mempengaruhi interaksi siswa di dalam lingkungan belajarnya dapat dimanfaatkan sebagai scaffolding untuk mecapai pemahaman yang lebih valid tentang matematika. tetapi lebih dari itu. 13 November 2010 Hal ini konsisten dengan gagasan Vygotsky (1978) tentang Zona Proksimal Development (ZPD) yang menunjukkan hubungan terbalik antara dukungan guru dan kemandirian siswa. Level scaffolding yang berbeda-beda telah diidentifikasi dalam berbagai Misalnya. mendemonstrasikan. yang memerlukan sedikit atau tidak ada intervensi dari guru. dengan mengoptimalkan bantuan siswa dalam belajar mereka. Beberapa pengajaran hanya menggunakan alat bantu yang minim. prompt. Rogoff (1995) mengidentifikasi tiga perbedaan secara literatur kognisi. serangkaian tindakan guru yang berbeda mungkin akan diperlukan. partisipasi dipandu. untuk contoh. mengenalkan. Tingkat yang berbeda menelusuri perkembangan individu dalam usaha sosial-budaya dari pemula bergantung kepada prkatisi independen. Siswa yang lebih tergantung pada dukungan guru mungkin diharapkan akan bekerja di marjin (batas) ZPD mereka. Sebuah model tiga tahap yang sama diajukan oleh Brown. Scaffolding tidak dimaknai dalam konteks yang sempit seperti alat bantu mengajar yang digunakan guru. untuk memperoleh pemahaman dan wawasan baru. Ketika metafor pembelajaran mengarah pada kontruktivistik peran guru lebih meningkat dalam upaya meningkatkan pembelajaran yang lebih bermakna . refleksi. menarik dan mendengarkan. Pada masa lampau ketika pembelajaran lebih terfokus pada guru. membutuhkan guru untuk model. seperti buku buku latihan yang sengaja dibuat dan dinilai hanya dengan penjelasan guru. proses pengajaran matematika dipandang sebagai prosedur yang standar dengan berlatih dan berhitung. Collins dan Duguid (1989) untuk menggambarkan kemajuan gradual (bertahap) dari kegiatan tertanam ke ahli reflektif. atau melatih. Dalam hal ini.

mereka juga mencakup dua kategori praktek yang melibatkan siswa secara langsung di kegiatan awal. meninjau dan restrukturisasi. menguraikan. Level 2 scaffolding melibatkan interaksi langsung antara guru dan siswa secara khusus difokuskan pada tugas di tangan. Dengan negosiasi norma-norma sosial dan nilai-nilai yang nilai penjelasan konseptual (sebagai lawan dari komputasi). termasuk jenis pola interaksi umum ditemukan di pendekatan 'tradisional'. dan / atau alat matematis. tugas. dan menjelaskan. Strategi tersebut bervariasi dari instruksi langsung . Level 3 scaffolding bertujuan untuk membuat koneksi antara pengetahuan awal siswa dan pengalaman dan matematika baru yang akan dipelajari. permainan mengoreksi diri. yaitu. Hal ini secara tidak langsung didukung oleh Turner et al. dimana guru tetap mempertahankan kontrol. menurut Anghileri.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. dan materi akan tersedia.untuk membuat makna yang lebih kolaboratif ". bahan / manipulatif. diskusi lebih bermakna dan makna yang menjadi milik bersama dari setiap individu melibatkan tindakan komunal yang membuat makna matematika. Mengembangkan alat representasi dan membangun wacana konseptual adalah dua daerah yang dipertimbangkan di sini. pilihan hati-hati. Ini mungkin mengambil bentuk generalisasi poster rekaman atau pengamatan kunci dari pelajaran masa lalu. Manajemen Risiko di Bidang Perbankan dan Asuransi | 249 . yaitu. aplikasi. Dalam hal ini.. struktur percakapan. yang membedakan tiga level dukungan guru. Level 1 scaffolding cenderung untuk merujuk kepada petunjuk (promt) dan rangsangan yang ada di lingkungan. melibatkan tugas atau teka-teki. keterlibatan langsung guru mungkin rendah tetapi tingkat dukungan yang bisa digambarkan sebagai tinggi tergantung pada pemikiran dan usaha dikeluarkan oleh guru dalam menentukan yang menampilkan. yang melayani untuk mendukung belajar siswa dalam matematika. 13 November 2010 Dalam kajian ini digunakan level-level scaffolding yang diajukan oleh Angghileri (2006).menunjukkan dan memberitahu . Scaffold pada tingkat ini. dan melaporkan bahwa tekanan lebih tinggi untuk pemahaman . Namun. (1998) yang membandingkan keterlibatan tinggi dan rendah oleh para guru. siswa yang kemungkinan akan terlibat dalam lagi.ditandai dengan penentuan guru untuk tetap bekerja dengan siswa sampai mereka menghargai koneksi yang relevan. baik sebagai hasil dari perencanaan yang sadar atau secara tidak sengaja (default).

dikaitkan dengan keterlibatan yang lebih besar dari siswa di kelas matematika. touching and verbalising parallel modelling promting and probing showing and telling students explaining and justifying teacher explaining Interpreting student‟s actions and talk simplifying the problem negotiating meanings Manajemen Risiko di Bidang Perbankan dan Asuransi | 250 . Secara skematis level-level scaffolding menurut Anghelery disajikan pada tabel berikut: LEVEL 1 Environmental Provisions Artefacts Classroom Organisation Free play Peer collaboration Squencing and pacing LEVEL 2 Explaining. 13 November 2010 generalisasi dan perluasan . Reviewing.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. and Restructuring emotif feetback Structured tasks self correcting Restructuring providing meaningful contexts tasks rephrasing student‟s talk Reviewing looking.

di masa lalu. Walalaupun scaffolding tipe ini bersifat verbal. Response. 1996).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Guru dan siswa secara refleks belajar bagaimana berkomunikasi dalam ruang kelas dengan cara yang sangat spesifik. Dia membuat titik Manajemen Risiko di Bidang Perbankan dan Asuransi | 251 . Wood (1994. Feedback) di ranah murid guru" (Pimm. tapi menawarkan lain.1996) telah menulis secara luas tentang funnelling dan focussing pada 'pola interaksi' yang diamati di Tahun 2 kelas matematika. seperti `bergerak' hanya akan efektif untuk sebatas bahwa permainan bahasa `baru' dihargai dan dipahami oleh siswa (Morine-Dershirner. 13 November 2010 LEVEL 3 Developing Conceptual Thingking Making connection Developing representational tools Generating conceptual discourse Strategi Guru pada Pembelajaran dengan Scaffolding di Kelas. Hal ini mungkin tidak tasks mengherankan mengingat keragaman praktek yang dianut oleh matematika sekolah. Zevenbergen. dukungan guru tampaknya dikonseptualisasikan dengan cara yang berbeda baik dalam pendekatan pengajaran maupun literatur kognisi. terletak pada pengakuan peserta didik ke dalam praktik sosial-budaya tertentu. sebagian besar kegiatan komunikasi kelas cenderung berfokus pada strategi ini secara bergiliran mengambil dan pengulangan "hampir tak henti-hentinya dari urutan IRF (Initiation. Pada penerapan yang paling mendasar bahwa komunikasi verbal menjadi strategi yang hanpir digunakan oleh guru untuk menscafold belajar siswa. mungkin lebih berguna. Mereka belajar dengan mengatakan apa. 1985. Hal ini menunjukkan bahwa guru mungkin sengaja mengadopsi pola interaksi tertentu. Praktik dijelaskan dalam Level 2 dan 3 dari kerangka Anghileri cenderung lebih terfokus secara emotif feetback self correcting khusus pada pola interaksi yang berbeda secara kualitatif. 1994). kapan dan kepada siapa.structured Peer squencing and collaboration pacing tasks Menurut Anghileri (2006). cara berbicara tentang sifat peran guru dalam membentuk komunikasi kelas dan budaya.

Selain itu. Dalam situasi ini. Artinya. Pola focus juga dapat digambarkan sebagai suatu situasi di mana aspek-aspek penting untuk memecahkan masalah dibawa kedepan. dan excavating (penggalian) 3. Berapa tahapan dalam membangun scaffolding di kelas dapat diidentifikasi dengan pendekatan atau interaksi yang beragam. Keduanya beroperasi untuk meningkatkan bukan kendala belajar siswa dan "melayani niat sentral guru berusaha untuk menciptakan situasi belajar yang memungkinkan siswa untuk membangun makna matematika untuk diri mereka sendiri" (Wood. (Wood. Namun. Discussing. Dalam interaksi tertentu. hal. sifat dari dukungan ini jauh lebih jelas dibingkai dalam hal interaksi guru-siswa. guru mengakui bahwa siswa tidak mampu merespons dengan tepat dengan jawaban yang benar. gagasan tentang pendekatan pembelajaran merujuk pada tindakan komunikatif guru dalam upaya mereka menscaffolding belajar siswa belajar di kelas matematika. dan karena itu mencoba untuk menawarkan pedoman pertanyaan untuk tujuan memungkinkan siswa untuk memecahkan masalah. tingkat dukungan guru berkurang. dalam kajian ini.159).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. pola interaksi ini dapat digambarkan sebagai salah satu yang pertanyaan guru bertindak untuk menunjukkan kepada anak fitur penting dari masalah yang belum dipahami. p. Pola funnel secara umum dapat digambarkan sebagai interaksi di mana guru menciptakan serangkaian pertanyaan yang bertindak untuk terus mempersempit kemungkinan siswa sampai mereka tiba pada jawaban yang benar. Penyediaan lingkungan 2. Sesuai dengan dengan level scaffolding dijelaskan sebelumnya. Dengan penekanan pada interaksi kelas. 1994. siswa selalu memiliki beberapa aspek masalah masih harus diselesaikan. 13 November 2010 bahwa pola interaksi alternatif untuk interaksi IRF tradisional. pola-pola interaksi dapat dilihat untuk mewakili berbagai tingkat dukungan guru. ketika tingkat pemahaman siswa meningkat. Reviewing. diantaranya adalah : 1. 1994. Bentuk pertukaran selalu berakhir dengan sebuah solusi untuk masalah yang dihadapi. Tunjukkan pada saya / meyakinkan saya / bertanya/ Focussing Manajemen Risiko di Bidang Perbankan dan Asuransi | 252 . 159-160).

13 November 2010 4. Jakarta: IMSTEP. C. del Rio. H. New York.). Touch the Future… Teach! Boston: Pearson Education. Dalam menguraikan dan mencontohkan daftar. Boston: Allyn & Bacon. Observer sociocultural activity on three planes: Participatory.Pelletier. London: The Falmer Press. 9. Pemodelan/ Membuat eksplisit Gagasan pendekatan pengajaran pengukuran dibingkai dalam tindakan komunikatif guru dengan tujuan untuk mengakomodasi berbagai praktik.&Provenzo.. New York: Longmans. D. Inc. 33-52.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. J.F. Meskipun ini merupakan uji ketahanan dan relevansi sampai batas tertentu. 32-42. mereka akan diakui secara luas oleh banyak guru sebagai sesuatu yang mereka "sudah lakukan".F. Kluwer Academic. Dordrecht: The Netherlands. Rogoff. 2003. A. Brown. R. (1996). PembangunanKurikulum dan Pembelajaran Matematika. (2000). Alvarez (Eds. Ernest. P. 2006. apa yang baru adalah bahwa daftar praktik scaffolding memberikan awal bahasa profesional untuk menggambarkan apa yang guru lakukan ketika mereka berusaha untuk mendukung belajar siswa dalam matematika. (1995). guided participation. In S. (1991). Journal of Mathematics Teacher Education (2006)..1989. Dixon-Kraus. Pimm. Spoken mathematical classroom culture: Artifice and Artificiality. NY: Cambridge University Press. diakui bahwa praktik-praktik yang dijelaskan belum tentu baru.E. B. P. P. Lerman (Ed). The Philosophy of Mathematics Education. Manajemen Risiko di Bidang Perbankan dan Asuransi | 253 .E.. Wertch.M. Memang. Collins. Hudojo. 18. L. White Plains.2006. Diaz. Situated Cognition and the Culture of Learning. DAFTAR PUSTAKA Anghileri. Educational Researcher. J.149-168). JICA. Sociocultural study of minds. Slavin. The culture of the mathematics classrooms (p. Scaffolding Practices That Enhance Mathematics Learning. In J. & A.. Vygotsky in the classroom: Mediated literacy instruction and assessment. & Duguid. and apprenticeship. (1994). Educational Psychology: Theory and Practice. appropriation. C.

Rousing minds to life: Teaching. Mind in society. Wood. diCintio. the metaphor of scaffolding: its utility for the field of learning disabilities. Journal of Educational Psychology.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Tharpe. The role of tutoring in problem solving. 30. 90. 17. 89-100. J. Patterns on interaction and the culture of mathematics classrooms. Kluwer Academic. Cambridge. Turner.149-168). Wood. & Thomas..G. and schooling in social context. Dordrecht: The Netherlands. MA: Harvard University Press. R.(1996). 730-745. T. Meyer. No 4. Wood. The development of higher psychological processes. Vol 3. Cox. Bruner. In S. & Gallimore. Cambridge: Cambridge University Press. Insights from research in classrooms. Events in learning mathematics. Educational studies in mathematics. & Ross. learning . (1978). (1994). J. Vygotsky. 13 November 2010 Stone.). (1988). (1998). R. C. T. T. The culture of the mathematics classrooms (p. Lerman(Ed. Creating contexts for involvement in mathematics. (1998). A. 85-105 Manajemen Risiko di Bidang Perbankan dan Asuransi | 254 .S. Journal of Child Psychology and Psychiatry. K. Journal of Learning Disabilities. (1976).. D. L.

LATAR BELAKANG a.Yuyun Hidayat. Dispenda Kota Bandung harus memahami aspek legal dan Standard Operating Procedure [SOP] pemungutan PBB yang diterapkan di Direktorat Jenderal Pajak [DJP]. TUJUAN a. Peneliti telah merokemendasikan perbaikan pada 8 SOP. dengan kata lain tidak ada pengawasan untuk pengawas. tidak ditemukan SOP tentang Pengawasan aktivitas pemungutan PBB. SOP Pengawasan yang dikembangkan terbukti feasible secara analitik pada kondisi tertentu dengan BCR minimal 1. Incomplete. Sampling Procedure Military Standard 105D General level Inspection III. 2. Sampling Inspection Procedure. KEY WRODS: SOP.2 dan ROI maksimal 6 tahun . Perlu dibuat SOP Pengawasan aktivitas pemungutan PBB. PENDAHULUAN 1. ROI. dan Inconsistent. e. ABSTRAK Penelitian ini focus pada pengembangan Standard Operating Procedure [SOP ]pengawasan internal bank data ZNT/NIR SPPT buku IV dan V Pajak bumi dan Bangunan.Kajain diarahkan pada 23 SOP yang sangat correlated dengan aktivitas PBB.Telah dikembangkan SOP pengawasan Bank Data ZNT/NIR SPPT Buku IV dan V PBB. 13 November 2010 (S. Procedural Analysis. SOP Pengawasan yang dikembangkan melibatkan 22 kali pengawasan pertahun dengan level inspeksi General Ispection Levels III. SOP Pengawasan yang dikembangkan memili kelemahan yaitu tidak melakukan quality control terhadap pengawas. Dari 196 SOP.Pemicu dari pengembangan ini adalah pendaerahan Pajak Bumi dan Bangunan pada awal tahun 2014 dan fakta bahwa dari 196 SOP yang dioperasikan KPP Pratama tidak ditemukan SOP tentang Pengawasan berbasis kasus spesifik Bank Data ZNT/SPPT Buku IV dan V aktivitas pemungutan PBB. I. c. Peta Blok ZNT dan Aplikasi SISMIOP. Sensitivity Analysis. Dispenda Kota Bandung perlu menyiapkan berbagai aspek diantaranya Basis Data Objek dan Subjek PBB. Mengidentifikasi fakta ilmiah yang komprehensif mengenai daftar kesenjangan dalam pengelolaan PBB dengan fokus sistem pengawasan internal terhadap aktivitas pemungutan PBB. BCR. Loop holes. Ambiguous. MSIE Ketua Pusat Pengkajian Dan Pengembangan Statistka Terapan Unpad. Hasil penelitian menunjukkan bahwa 23 SOP PBB di KPP Pratama Kota Bandung mengandung 5 kesalahan Procedural yaitu kesalahan unknown.Ada 4 kasus lain yang berhasil diidentifikasi pada Field Analysis tetapi belum ditangani.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 28 Tahun 2009 adalah beralihnya Bea Perolehan Hak Atas Tanah dan Bangunan [BPHTB] dan Pajak Bumi dan Bangunan [PBB] menjadi pajak daerah b. d.ZNT/NIR SPPT buku IV dan V. Hal paling baru dari UU No. Conformity Analysis. Manajemen Risiko di Bidang Perbankan dan Asuransi | 255 .7) SOP METODE PENGAWASAN INTERNAL BANK DATA ZNT/NIR SPPT BUKU IV DAN V Drs.

5.25 dan bound of error yang ditetapkan sehingga diperoleh n=10 step. 3. Memilih 10 sampel hipotesis dari langkah 6 secara random.8 SOP yang sudah diperbaiki ini memiliki total 84 steps. Hasil Koordinasi adalah Kanwil Direktorat Jenderal Pajak Jawa Barat menerbitkan surat yang ditujukan kepada seluruh kepala KPP Pratama di kota Bandung agar mereka kooperatif membantu P3ST dalam kegiatan Field Analysis di KPP Pratama. Menentukan langkah-langkah untuk mengurangi kesenjangan dalam sistem pengawasan internal aktivitas pemungutan PBB. Penjaringan Kasus hipotetis. II. Memberikan metode pengawasan untuk mengendalikan tingkat kesalahan Bank Data ZNT akibat legal dan illegal updating sampai tingkat tertentu. SASARAN a. Expert Opinion. Membuat SOP yang tidak dimiliki KPP Pratama b. b. Pilot Survey 3. Memberikan masukan untuk mengefektifkan pengawasan kasus-kasus yang memerlukan pengawasan ketat. Menetapkan populasi. Terdapat fakta ilmiah mengenai kesenjangan pada sistem pengawasan internal aktivitas pemungutan PBB. 1.Setiap steps dipandang sebagai sebuah trial Bernoully yang menghasilkan dua kejadian. ada atau tidak ada hipotesis. 2. 8. Melakukan koordinasi dengan Dispenda kota Bandung.FIELD ANALYSIS Kerangka kerja dari Field Analysis adalah sebagai berikut: A. Dari Sisi Metoda Bagi Ilmu Pengetahuan metode pengawasan yang telah dikembangkan merupakan aplikasi baru metode pengendalian mutu Standard Sampling Procedure Military 105D. a. 13 November 2010 b. Pakar melakukan pengecekan hipotesis yang dihasilkan dan melakukan koreksi bila terjadi kesalahan 7. 4. Berdasarkan hasil perbaikan SOP pada langkah sebelumnya diperoleh 8 SOP yang memiliki prioritas tinggi. Dipilih gabungan cara Mechanical.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Menetapkan ukuran sampel. Terhadap 8 SOP di atas diturunkan hipotesis dengan cara menambahkan kata “tidak”pada statement yang akan menghasilkan output 6. Memilih metoda untuk menurunkan hipotesis atau dugaan logis mengenai prosedur-prosedur yang berpeluang besar menghasilkan kasus PBB. Trust Random Number. KONTRIBUSI Dari sisi produk . Mengkompilasi hasil 10 sampel random ke dalam table konstruksi hipotesis Manajemen Risiko di Bidang Perbankan dan Asuransi | 256 . 4. Formula ukuran sampel diperoleh menggunakan model binomial dengan alfa 5% dan standar deviasi maksimal sebesar 0.

13 November 2010 Output dari delapan langkah di atas adalah kasus hipotetis sebagaimana disajikan pada table di bawah ini: Kasus hipotetis No Kasus 1 Kode Seksi SOP Pelaksana Seksi Pelayanan tidak menatausahakan STTS buku KPP30. Harga Bahan Bangunan dan Sewa Alat pada waktunya 2 3 4 5 6 7 8 Mutu kegiatan Field Analysis mempunyai signifikansi dalam menjaga agar SOP pengawasan internal PBB yang dihasilkan tidak terjebak pada SOP pengawasan yang dirancang berdasarkan kasus yang diperoleh secara hipotesis logis semata-mata.II. harga bahan bangunan dan sewa alat dalam rangka penyusunan DBKB Kepala Seksi Ekstensifikasi tidak memberikan disposisi pada KPP60waktunya kepada Pelaksana untuk menyusun konsep surat tugas 0008 kepada Pejabat Fungsional Kepala Seksi Ekstensifikasi tidak memberikan disposisi kepada KPP60Pelaksana Seksi Ekstensifikasi untuk menyusun konsep Laporan 0008 Harga Upah.Organisasi akan mengeluarkan resources secara sia-sia. Manajemen Risiko di Bidang Perbankan dan Asuransi | 257 .III dan atau tidak menyerahkan STTS buku IV dan V kepada 0014 Account Representative Kepala Seksi Pelayanan tidak menyerahkan SPPT tepat waktu KPP30kepada kepala kantor 0014 Account Representative menyerahkan STTS tidak secara KPP30langsung kepada WP 0014 Kepala Seksi Ekstensifikasi tidak memberikan disposisi pada KPP60.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.[ pertanyaan terbuka : apakah kasus-kasus besar yang memerlukan pengawasan ketat?terjadi pada proses apa di bagian mana? Pertanyaan „bodohnya‟ adalah prosedur mana yang sering dilanggar dan merugikan penerimaan PBB bagi Negara? ] Jika terjadi vacuum. Mengapa? Jika ternyata kasus tersebut tidak pernah terjadi!Atau pernah terjadi tetapi sangat jarang dan dampak terhadap satuan moneter yang diderita organisasi sangat kecil sehingga layak diabaikan.Untuk keperluan tersebut diperlukan langkah berikutnya yaitu Pilot Survey. B.Pelayanan I. maka terpaksa membuka kemungkinan dengan memancing kasus sebagaimana diproduksi oleh langkah 8 yang dikompilasi dalam table Kasus hipotetis.Ekstensifikasi waktunya kepada Pelaksana untuk menyusun konsep surat tugas 0009 kepada Pejabat Fungsional Pelaksana Seksi Ekstensifikasi tidak menyerahkan konsep surat KPP60tugas Pembentukan/Penyempurnaan ZNT/NIR kepada Kepala 0009 Seksi Ekstensifikasi pada waktunya Kepala Kantor Pelayanan Pajak tidak memberikan disposisi pada KPP60waktunya kepada Kepala Seksi Ekstensifikasi untuk membuat 0008 konsep surat tugas untuk mengumpulkan harga upah. Pilot Survey Pilot survey dilaksanakan dalam format scenario wawancara terbuka customer lens.

c. KPP mendeliver SPPT buku I. Bojonagara] Dalam forum tersebut diajukan pertanyaan terbuka : apakah kasus-kasus besar yang memerlukan pengawasan ketat?terjadi pada proses apa di bagian mana? Pertanyaan „bodohnya‟ adalah prosedur mana yang sering dilanggar dan merugikan penerimaan PBB bagi Negara? Jika terjadi vacuum. d. pilih kasus yang diperoleh pada Pilot survey.Karees. Jika terjadi disjoint antara kasus yang diidentifikasi pada langkah Penjaringan Kasus hipotetis dengan Pilot survey . Dalam spirit itulah Field Survey dilakukan. Pelaksana seksi pelayanan meloloskan data yang salah (kode data znt dan klas bangunan yang salah. Apa yang disebut kasus? Disebut kasus apabila output Suatu proses dan atau proses atomic [langkah-langkah pada SOP] menghasilkan keluaran yang salah atau tidak ada outputnya. berdasarkan irisan kasus tersebut dapat dipastikan sumber kesalahan. basis dari kegiatan pengawasan adalah kasus. Data collecting ke lima KPP Data analysis 1. Menetapkan Irisan antara kasus hipotetis dengan kasus hasil Pilot Survey sebagai calon kasus yang ditangani . kedua ada output tapi salah. Tabulasi data 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Mempersiapkan pelaksanaan pilot Project dalam format scenario Focus Group Discussion para pakar dari Lima KPP Pratama [Cicadas. Tabulasi distribusi frekuensi dukungan KPP Manajemen Risiko di Bidang Perbankan dan Asuransi | 258 . Peran Field Survey adalah mengidentifikasi kasus yang frekuensi kejadiannya sering dan dampak kerugian yang diakibatkannya besar bagi penerimaan PBB.Tegalega. maka terpaksa membuka kemungkinan dengan memancing kasus sebagaimana diproduksi oleh langkah 8 yang dikompilasi dalam table Kasus hipotetis. Calon Kasus Yang Ditangani 1. Lebih lanjut output yang salah bisa bersifat disengaja [deliberate] atau undeliberate [tidak disengaja]. pertama tidak ada output. buku II dan buku III yang salah ke Kelurahan [SOP KPP 30-0014] 3. 2. 3. 13 November 2010 Kerangka kerja dari Pilot survey adalah sebagai berikut: 1. Field Survey Dalam konteks pengawasan internal PBB . Kesalahan melakukan pemutakhiran data ZNT/NIR [SOP KPP 60-0009] 5. Output dari pilot survey adalah calon kasus. Cibeunying. b. WP tidak menerima SPPT Buku IV dan buku V yang asli [SOP KPP 30-0014] 4. Jadi kasus ada dua. Keterlambatan pengumpulan data untuk DBKB SOP KPP [60-0008] C. SOP KPP 30-0014) 2. Menetapkan Responden Merancang Questionnaire.Kegiatan Field Survey adalah sebagi berikut: a. Mengingat link antara gejala dengan penyebab dijembatani oleh SOP.Pengawasan internal PBB bertujuan untuk menjamin agar kasus-kasus krusial dapat dihilangkan [zero deviations] atau paling tidak direduksi.

Penelusuran terhadap buku-buku yang memiliki Kode ISBN serta harian terkenal mengarahkan Tim P3ST untuk menetapkan taksiran angka kesalahan pada pencetakan SPPT Buku IV dan V. “orang-orang yang baik” dan pertajam.Berdasarkan informasi yang diperoleh dari kegiatan Field Survey. Hal utama yang ingin diketahui oleh pengawas adalah sesuatu yang serius. Jangan pernah mengawasai atau perlonggar pengawasan pada “pipa yang bagus”. kasus yang real di lapangan adalah kasus 1. 13 November 2010 3. 3. 4 dan 5. Menurut Faisal Manajemen Risiko di Bidang Perbankan dan Asuransi | 259 . “Kesalahan melakukan up dating Bank data ZNT/NIR SPPT buku IV dan V PBB” merupakan kasus yang harus ditangani.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Field Analysis tidak dirancang untuk menemukan tingkat kesalahan pada pencetakan SPPT Buku IV dan V pada tahun 2010 dan tahun-tahun sebelumnya. perketat pengawasan pada proses yang besar potensi penyimpangannya. yaitu prosedur yang sering dilanggar pada suatu bagian tertentu yang berdampak besar terhadap penurunan penerimaan PBB kota Bandung.Oleh karena itu angka kesalahan didekati dengan mencermati angka-angka kebocoran pajak di Indonesia menurut para pakar . yaitu : “Kesalahan melakukan up dating data ZNT/NIR” III.Kasus tersebut terjadi pada proses mana [SOP] . sehingga untuk memilih satu kasus telah ditetapkan secara random. Oleh karena itu aktivitas Synthesis difokuskan pada kasus ini dengan kerangka kerja sebagaimana diuraikan pada bagian berikut ini: A. Menetapkan modus kasus 4. Ke empat kasus tersebut dinyatakan berdampak besar oleh 3 KPP. Pemilihan kasus secara acak bila terjadi multimodal Out put utama kegiatan ini adalah kasus-kasus disertai distribusinya. Fungsi pengawasan intinya melakukan concordancy antara prosedur dengan pelaksanaan. Intelligent design suatu pengawasan adalah perbedaan keketatan pengawasan yang diselaraskan dengan besar-kecilnya potensi penyimpangan. frekuensi kejadian proses tersebut dalam satuan waktu serta dampak konsekuensi kasus tersebut terhadap penerimaaan PBB. Berdasarkan Data Analysis . Penetapan Tujuan Pengawasan Menurunkan tingkat kesalahan Kode ZNT/NIR pada Bank Data SPPT Buku IV dan V PBB ke AQL 5% Pemilihan Buku IV dan V didasarkan atas prinsip Pareto yaitu 72% penerimaan PBB bersumber dari Buku ini [Laporan Hasil Penerimaan Struk Surat Pemberitahuan Pajak Terutang-SPPT PBB Tahun Anggaran 2010 Dispenda Kota Bandung].Kasus yang terpilih adalah kasus nomor 4. SYNTHESIS Kegiatan pengawasan merupakan aktifitas kunci dalam manajemen untuk menjamin agar output yang diinginkan dapat dicapai.

2.Di samping itu dipilih AQL 5% karena tingkat kesalahan yang terjadi diduga 10% berdasarkan studi literature.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Hanya setelah penyebab kasus diketahui kita bisa mengusulkan resepnya. Kompas. Sebagaiman telah diuraikan pada bagian sebelumnya [field Analysis] kasus yang ditangani adalah : Kesalahan melakukan up dating pada bank data ZNT/NIR SPPT buku IV dan V PBB .Berikut adalah langkah langkah perancangannya. Kesalahan bisa terjadi karena hal-hal sebagai berikut: a.Pakar P3ST merekomendasi penetapan AQL dengan merujuk pada pendekatan Six Sigma. Pakar P3ST menetapkan taksiran angka kesalahan pada pencetakan SPPT Buku IV dan V sebesar L0= 10%. Illegal up date bisa dilakukan oleh otoritas atau oleh Non Otoritas Manajemen Risiko di Bidang Perbankan dan Asuransi | 260 . 21 Oktober 2010]. Metoda pengawasan yang dikembangkan berbasis kasus. dengan kata lain jika tidak ada kasus tidak perlu dilakukan pengawasan. Resep yang manjur tentu bukan hanya sekedar menghilangkan gejala penyakit tetapi lebih jauh dari itu yaitu menyerang penyebabnya.Angka Kebocoran pajak di Surabaya bisa mencapai 10% yaitu sebesar 60 milyar/tahun [Kepala Dinas Pendapatan dan Pengelolan Keuangan Surabaya.Sebagai upaya awal kami akan memposisikan Dispenda Kota Bandung untuk mencapai tingkatan three sigma dengan tingkat kesalahan sekitar 5%. Kesalahan pada saat terjadi illegal up date dimungkinkan oleh dua hal yaitu kelalaian atau kesengajaan b. Kasus yang diawasi Pada kajian akademis ini dikembangkan system dan prosedur pengawasan internal pemungutan PBB. Identifikasi Penyebab kasus Metoda pengawasn internal yang efektif bisa dianalogikan dengan sebuah resep untuk menyembuhkan penyakit. B.. 1. Untuk keperluan ini harus dirancang dulu metoda pengawasannya. Acceptable Quality Level [AQL ]. Identifikasi Penyebab Kasus kesalahan kode ZNT/NIR SPPT Buku IV dan V Tujuan aktivitas pengawasan adalah membuat SOP pengawasan untuk menurunkan tingkat kesalahan Kode ZNT/NIR pada Bank Data SPPT Buku IV dan V PBB ke AQL 5%.00034%.AQL merupakan parameter manjerial yang penetapannya di bawah kendali manajemen. adalah angka kesalahan yang masih dapat ditoleransi oleh manajemen. 13 November 2010 Basri Korupsi perpajakan mencapai 15% dari Belanja Negara [Catattan 1 decade crisis 2005]. Susan Rose Nackerman menyatakan bahwa praktek pembocoran pajak bisa mencapai 25 % [ Korupsi Pemerintahan .Jadi metoda pengawasan internal yang baik harus diarahkan terhadap bagaimana menghilangkan penyebab atau paling tidak menguranginya. Oleh karena itu proses perbaikan kontinu yang dilakukan di Dispenda Kota Bandung akan lebih terukur dan terarah kepada target untuk mencapai six sigma yaitu tingkat kesalahan sebesar 0. World Bank].

Resep yang tepat tidak ada yang lain selain: Continual Inspection to Data Base. 13 November 2010 Berdasarkan hasil Focus Group Discussion dengan para Expert diperoleh keterangan bahwa kasus Kesalahan melakukan up dating pada bank data ZNT/NIR disebabkan oleh Illegal up date. • • Waktu pemeriksaan ditentukan secara acak.Adagium power tend to corrupt and absolute power corrupt absolutely dalam hal ini sangat relevan. Illegal up date bisa terjadi disebabkan pertama dilakukan oleh orang yang tidak berwenang.Berikut ini adalah metode pengawasan internal tersebut. tergolong deliberate error. misalnya karena pass word mudah ditebak. Up date bisa terjadi pada setiap waktu dan symptomnya ditemukan pada triwulan IV. Mengapa bisa terjadi korupsi karena adanya absolute power atau adanya sentralisasi kekuasaan. penyebabnya tidak lain adalah karena pejabat melakukan tindakan korupsi. Manajemen Risiko di Bidang Perbankan dan Asuransi | 261 . Illegal up date dilakukan oleh orang yang berwenang. METODE • Memeriksa Bank Data ZNT / NIR SPPT Buku IV dan V sebanyak 22 Kali setiap tahun. Resep ini selain bisa menekan Kesalahan melakukan up dating data ZNT/NIR akibat Illegal up date juga bisa menekan error akibat legal up date . Melakukan pemeriksaan fisik jika sertifikat tanah tidak ada atau alamat pada sertifikat tanah tidak sesuai dengan alamat pada Bank Data. C.Mengapa ini bisa terjadi? Karena lemahnya security system. PERANCANGAN METODE PENGAWASAN Metoda dan Teknik Pengawasan Internal terhadap Bank Data ZNT/NIR SPPT Buku IV dan V PBB Kota Bandung.5 % dari jumlah SPPT. 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. sehingga system mudah ditembus .Artinya diversifikai power akan cenderung mengurangi terjadinya penyelewengan. Menindaklanjuti Setiap Hasil Pemeriksaan.Resep ini juga bertumpu pada pemikiran bahwa esensi pengawasan adalah mencegah terjadinya center of power. Membandingkan Kode ZNT yang terdapat pada Bank Data dengan “Kode ZNT seharusnya”. 1. TEKNIK PEMERIKSAAN • • • • Memilih secara acak nomor SPPT sebanyak 5. Hasil Focus Group menyatakan bahwa terjadi Illegal up date oleh pejabat berwenang. “Kode ZNT yang seharusnya” ditentukan berdasarkan sertifikat tanah objek pajak atau berdasarkan hasil pemeriksaan fisik objek pajak.dengan adanya pengawasan pemusatan jadi terdistribusi karena ada intervensi dari pengawas.

PEMBUATAN SOP Berdasarkan hasil perancangan di atas kemudian dibuatlah SOP Pedngawasanya dengan hasil sebagai berikut: 1. 4. TEKNIK PENGACAKAN WAKTU PEMERIKSAAN • Pada setiap akhir minggu ditentukan apakah pada minggu depan harus dilakukan pemeriksaan. • Jika SPPT yang memiliki kesalahan Kode ZNT berjumlah di atas target maka lakukan “Penindaklanjutan Khusus”. • Penentuan harus tidaknya dilakukan pemeriksaan ditentukan menggunakan teknik “Pengambilan Satu Kartu Tanpa Pengembalian”. TEKNIK PENINDAKLANJUTAN • Jika tidak ditemukan SPPT yang memiliki kesalahan Kode ZNT maka penindaklanjutan tidak dilakukan. Draft Persiapan SOP Pengawasan NAMA SOP : TATA CARA PERSIAPAN PENGAWASAN BANK DATA ZNT / NIR SPPT BUKU IV DAN V KODE SOP : P001 Manajemen Risiko di Bidang Perbankan dan Asuransi | 262 . 3. Otoritas penguncian dan pembukaan kunci Bank Data ditentukan secara acak. dengan SKEMA PENGAWASAN D. 13 November 2010 • • Mengunci Bank Data selama proses pemeriksaan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. • Jika SPPT yang memiliki kesalahan Kode ZNT berjumlah di bawah target maka lakukan “Penindaklanjutan Normal”.

Dokumen yang Digunakan: 1. 2. Dasar Hukum: 1.SOP PELAKSANAAN PENGAWASAN BANK DATA ZNT / NIR SPPT BUKU IV DAN V (SOP P002) 2. Kepala Seksi Pengawasan 3. Peraturan Walikota Tentang Petunjuk Pelaksanaan Pendaftaran. Pelaksana Seksi Pengawasan 4. Manajemen Risiko di Bidang Perbankan dan Asuransi | 263 . Pihak Terkait: 1.Disposisi Penentuan Sampel SPPT dan Penentuan Pengawas Untuk Pengawasan Bank Data ZNT / NIR SPPT BUKU IV DAN V (P001-D001) 2. Ketua Tim Pengawas Pemeriksa SPPT 6.Surat tugas pengawasan Bank Data ZNT / NIR SPPT Buku IV dan V (P001D003) 5. Kepala Kantor Pelayanan Pajak 2.Daftar pengawas pemeriksa SPPT yang terdapat pada P001-D002S (P001D002P) 4. 13 November 2010 Deskripsi: SOP ini menjelaskan penentuan waktu pengawasan. dan penugasan pengawas. Kebutuhan Kapabilitas Sistem Bank Data ZNT / NIR: Sistem harus bisa mencegah terjadinya pengubahan data yang berkaitan dengan ZNT / NIR selama proses pengawasan.SOP RANDOMISASI PEMILIHAN KETUA TIM PEMERIKSA SPPT (SOP P005) e. SOP yang digunakan: 1. a. Dan Penilaian Objekdan Subjek Pajak Bumi Dan Bangunan Adalam Rangka Pembentukan Dan Atau Pemutakhiran Basis Data Sistem Manjemen Informasi Objek Pajak.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.Daftar SPPT Buku IV dan V yang harus diperiksa (P001-D002S) 3.SOP PENENTUAN SAMPEL SPPT UNTUK PENGAWASAN BANK DATA ZNT / NIR SPPT BUKU IV DAN V (SOP P004) 4. Pendataan.Informasi SPPT yang terdapat pada P001-D002S (P001-D004) c. Tim Pengawas Pemeriksa SPPT 5. pembentukan sampel objek yang diawasi. Surat Edaran Walikota Tentang Tata Cara Pembentukan /Penyempurnaan ZNT/NIR b. Kepala Seksi PDI d.SOP RANDOMISASI PENGAWASAN BANK DATA ZNT / NIR SPPT BUKU IV DAN V BASIS MINGGUAN (SOP P003) 3.

2.Kepala Seksi Pengawasan memeriksa konsep surat P001-D003. 3. Pelaksana Seksi Pelayanan menggunakan SOP RANDOMISASI PEMILIHAN KETUA TIM PEMERIKSA SPPT (SOP P005). Pelaksana Seksi Pelayanan membuat dokumen P001-D002S. 5. 13 November 2010 f. P001-D002P berisi daftar pengawas pemeriksa SPPT yang terdapat pada P001-D002S. Untuk menentukannya. Kepala Seksi Pengawasan menggunakan SOP RANDOMISASI PENGAWASAN BANK DATA ZNT / NIR SPPT BUKU IV DAN V BASIS MINGGUAN (SOP P003). Pelaksana Seksi Pelayanan menentukan ketua dari setiap tim tersebut.Pada setiap hari Jum‟at Kepala Seksi Pengawasan menentukan apakah minggu depan harus melakukan pengawasan atau tidak. Jika tidak Manajemen Risiko di Bidang Perbankan dan Asuransi | 264 . Jika tidak harus melakukan pengawasan maka proses selesai.Pelaksana Seksi Pengawasan menentukan sampel SPPT dari SPPT Buku IV dan V menggunakan SOP PENENTUAN SAMPEL SPPT UNTUK PENGAWASAN BANK DATA ZNT / NIR SPPT BUKU IV DAN V (SOP P004). 4.30 pada hari Jum‟at terakhir minggu ini. P001D002S berisi daftar SPPT Buku IV dan V yang harus diperiksa. dan P001-D002P sebagai lampirannya. Kepala Seksi Pengawasan harus sudah menentukan perlu tidaknya melakukan pengawasan selambat-lambatnya pukul 09. 6.Paling lambat empat jam setelah menerima disposisi P001-D001. 7. Pelaksana Seksi Pengawasan menyerahkan konsep surat tugas P001-D003 kepada Kepala Seksi Pengawasan. Pelaksana Seksi Pelayanan membuat dokumen P001-D002P. Kepala Seksi Pengawasan memberikan disposisi P001-D01 kepada Pelaksana Seksi Pengawasan untuk menentukan sampel SPPT yang harus diperiksa dan menentukan tim pengawas yang bertugas memeriksa SPPT-SPPT tersebut. Jika setuju dengan isi konsep surat. Kepala Seksi Pengawasan memarafnya. Untuk menentukannya. Prosedur: 1.Pelaksana Seksi Pengawasan menentukan tim pengawas pemeriksa SPPT yang terdapat pada P001-D002S (beranggotakan 15 orang).Prosiding Seminar Nasional Statistika Universitas Padjadjaran.Selambat-lambatnya 1 jam setelah menyelesaikan langkah 1.Pelaksana Seksi Pengawasan Membuat konsep Surat Tugas Pengawasan Bank Data ZNT / NIR SPPT Buku IV dan V (P001-D003) dengan dokumen P001D002S.

Paling lambat lima jam setelah membuat disposisi P001-D001. Pelaksana Seksi Pengawasan menyimpan surat tugas P001-D003 asli sebagai arsip. Kepala Seksi Pengawasan menyerahkan konsep surat P001-D003 kepada Kepala Kantor Pelayanan Pajak. Pelaksana Seksi Pengawasan menyerahkan salinan surat tugas tersebut kepada setiap ketua Tim Pengawas Pemeriksa SPPT. Kepala Kantor Pelayanan Pajak menandatanganinya kemudian menyerahkannya kembali kepada Kepala Seksi Pengawasan.Tim Pengawas Pemeriksa SPPT memeriksa kebenaran informasi SPPT yang tercantum pada dokumen P001-D004 menggunakan SOP PELAKSANAAN PNGAWASAN BANK DATA ZNT / NIR SPPT BUKU IV DAN V (SOP P002). Paling lambat satu jam setelah menerima konsep surat P001-D003. NPWP.Kepala Seksi Pengawasan menyerahkan surat tugas P001-D003 yang sudah ditandatangani Kepala Kantor Pelayanan Pajak kepada Pelaksana Seksi Pelayanan.Ketua Tim Pengawas Pemeriksa SPPT yang terdapat pada dokumen P001D002S mencetak daftar informasi SPPT (P001-D004) dengan disaksikan oleh Kepala Seksi PDI. 11. 10. 9. Ketua Tim Pengawas Pemeriksa SPPT memfotokopi dokumen P001-D004 yang telah ditandatangani oleh Kepala Seksi PDI kemudian membagikannya kepada anggota Tim Pengawas Pemeriksa SPPT 14. Kepala Seksi Pengawasan menyerahkannya kembali kepada Pelaksana Seksi Pengawasan untuk memperbaikinya. dan Kode ZNT.Kepala Kantor Pelayanan Pajak memeriksa isi konsep surat P001-D003.Ketua Tim Pengawas Pemeriksa SPPT atau salah satu dari anggota Tim Pengawas Pemeriksa SPPT mengunci Bank Data ZNT/NIR SPPT Buku IV dan V 13. Dokumen P001-D004 berisi informasi mengenai SPPT-SPPT yang terdapat pada dokumen P001-D002S. Nama Wajib Pajak. Kepala Seksi PDI menandatangani dokumen P001-D004. 15. 8.Proses Selesai Manajemen Risiko di Bidang Perbankan dan Asuransi | 265 . Alamat Wajib Pajak.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Jika setuju dengan isi konsep surat tersebut.Ketua Tim Pengawas Pemeriksa SPPT atau salah satu dari anggota Tim Pengawas Pemeriksa SPPT membuka kunci Bank Data ZNT/NIR SPPT Buku IV dan V 16. Jika tidak setuju dengan isi konsep surat tersebut. 12. Alamat Objek Pajak. Nama Objek Pajak. 13 November 2010 setuju dengan isi konsep surat. Kepala Kantor Pelayanan Pajak menyerahkannya kembali kepada Kepala Seksi Pengawasan untuk memperbaikinya.Pelaksana Seksi Pengawasan membuat salinan surat tugas P001-D003 dengan cara memfotokopinya. Proses kembali ke langkah 7. Kepala Kantor Pelayanan Pajak harus sudah menandatangani konsep surat tersebut. Informasi yang dimaksud meliputi Nomor SPPT.

Dokumen yang Digunakan: 1. Kepala Kantor Pelayanan Pajak 2.Sistem harus bisa memilih salah satu anggota Tim Pengawas SPPT sebagai pengunci Bank Data ZNT /NIR SPPT Buku IV dan V secara random 3. 13 November 2010 II. Dan Penilaian Objekdan Subjek Pajak Bumi Dan Bangunan Adalam Rangka Pembentukan Dan Atau Pemutakhiran Basis Data Sistem Manjemen Informasi Objek Pajak. SOP yang digunakan: 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Pihak Terkait: 1. Tim Pengawas Pemeriksa SPPT 3. 2. Pendataan.SOP PENENTUAN IDENTITAS WAJIB PAJAK (SOP P007) 2.Surat Edaran Walikota Tentang Tata Cara Pembentukan /Penyempurnaan ZNT/NIR c. Prosedur: Manajemen Risiko di Bidang Perbankan dan Asuransi | 266 . DRAFT SOP PELAKSANAAN PENGAWASAN BANK DATA ZNT / NIR SPPT BUKU IV DAN V NAMA SOP : PELAKSANAAN PENGAWASAN BANK DATA ZNT / NIR SPPT BUKU IV DAN V KODE SOP : P002 a.SOP TATA CARA PENINDAKLANJUTAN HASIL PEMERIKSAAN SPPT (SOP P008) f. Ketua Tim Pengawas Pemeriksa SPPT e. Deskripsi: SOP ini menjelaskan cara menentukan kebenaran SPPT dan cara menentukan kualitas Bank Data ZNT / NIR SPPT Buku IV dan V b. Kebutuhan Kapabilitas Sistem Bank Data ZNT / NIR: 1. Dasar Hukum: 1.Daftar SPPT yang salah (P002-D001) 2. 2.Sistem harus bisa memilih salah satu anggota tim pengawas SPPT sebagai pembuka kunci Bank Data ZNT /NIR SPPT Buku IV dan V secara random g.Sistem harus bisa mengunci bank data ZNT /NIR SPPT Buku IV dan V sehingga tidak terjadi perubahan data selama proses pengawasan.Surat Pemberitahuan Hasil Pemeriksaan Sampel SPPT Buku IV dan V (P002D002) d.Peraturan Walikota Tentang Petunjuk Pelaksanaan Pendaftaran.

Ketua Tim Pengawas Pemeriksa SPPT membuat Surat Pemberitahuan Hasil Pemeriksaan SPPT (P002-D002). 2. Surat tersebut menginformasikan baik buruknya kualitas Bank Data ZNT/NIR SPPT Buku IV dan V. Anggota Tim Pengawas Pemeriksa SPPT menandatangani Daftar SPPT yang salah (P002-D001) dan menyerahkannya kepada Ketua Tim Pengawas Pemeriksa SPPT. Alamat WP. NPWP. Tim Pengawas Pemeriksa SPPT memeriksa kebenaran SPPT yang terdapat dalam daftar SPPT yang harus diperiksa dengan cara sebagai berikut : a. NPWP. Kepala Kantor Pelayanan Pajak menindaklanjuti Hasil Pemeriksaan SPPT. Jika hasil pemeriksan buruk maka kepala kantor menindaklanjutinya menggunakan SOP TATA CARA PENINDAKLANJUTAN KHUSUS HASIL PEMERIKSAAN SPPT buku IV dan Buku V(SOP P010) (SILAHKAN KPP BIKIN SENDIRI) 6. Nama. Alamat WP. 5. Kode ZNT tercatat dan keterangan bahwa SPPT tersebut fiktif. maka tuliskan No SPPT. Nama Object Pajak. Jika Objek Pajak itu ternyata tidak ada atau bukan milik NPWP yang dimaksud. 3. Ketua Tim Pengawas Pemeriksa SPPT menyerahkan Surat Pemberitahuan Hasil Pemeriksaan SPPT kepada Kepala Kantor Pelayanan Pajak. Jika alamat Objek Pajak Sesuai dengan Kode ZNT. Jika hasil pemeriksan baik maka kepala kantor menindaklanjutinya menggunakan SOP TATA CARA PENINDAKLANJUTAN NORMAL HASIL PEMERIKSAAN SPPT buku IV dan Buku V(SOP P009) (SILAHKAN KPP BIKIN SENDIRI).5%. Selambat-lambatnya 5 hari kerja sejak Surat Tugas P001-D003 ditandatangani. maka bandingkan Alamat Objek Pajak dengan Alamat yang tertera pada Sertifikat Objek Pajak tersebut. jika tidak sama atau sertifikat tidak ada maka lakukan kunjungan ke lokasi Objek Pajak. Jika kode ZNT yang terdapat dalam daftar tersebut tidak sesuai dengan Alamat Objek Pajaknya maka Tim Pengawas Pemeriksa SPPT menuliskan No SPPT. 4. Proses Selesai Manajemen Risiko di Bidang Perbankan dan Asuransi | 267 . Nama Objek Pajak. Nama. Kode ZNT tercatat dan kode ZNT seharusnya pada Daftar SPPT yang salah (P002-D001) b. 13 November 2010 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Kualitas Bank Data ZNT/NIR SPPT Buku IV dan V disebut Baik bila prosentase jumlah seluruh SPPT yang salah terhadap jumlah SPPT yang harus diperiksa sebesar-besarnya 5.

Artinya apakah ada suatu cara untuk menekan kesalahan sampai mencapai AQL menjadi 5% dengan BCR sebesar 1. Formula untuk menghitung benefit adalah: Bs = ( Lo – Aql ) * P * R Lo = ekspektasi prosentase kesalahan per tahun jika tidak dilakukan inspeksi =10% Aql = ekspektasi prosentase kesalahan per tahun jika dilakukan inspeksi =5% P = ukuran populasi [dalam kajian ini adalah total SPPT buku IV dan V/tahun/KPP]=5768 SPPT R = ekspektasi besar kerugian per satu kesalahan [ per SPPT/meter persegi] =Rp. Berdasarkan penjelasan di atas benefit merupakan besarnya pengurangan kerugian.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Terjadi apabila system dapat menekan kerugian [kesalahan ] sampai tingkatan AQL.2 dan ROI kurang dari 6 tahun. Feasibility metoda inspeksi yang dikembangkan diukur oleh dua parameter keputusan yaitu Benefit To Cost Ratio [BCR] sebesar 1. Benefit per tahun masa stabil ialah selisih antara ekspektasi besar kerugian per tahun jika tidak dilakukan inspeksi dan ekspektasi besar kerugian per tahun jika dilakukan inspeksi. FEASIBILITY STUDY 1. 1814.Dalam hal ini keuntungan dilaksanakannya pengawasan adalah selisih antara kerugian akibat kesalahan kode ZNT dengan atau setelah dilaksanakannya pengawasan. Persoalan yang harus dijawab adalah Berapa kali inspeksi harus dilakukan setiap tahun? Inspeksi harus dilakukan sedemikian rupa sehingga Benefit to Cost Ratio [BCR] sangat besar di mana BCR adalah ratio keuntungan terhadap biaya dilaksanakannya pengawasan. 2. Masa stabil ialah masa ketika inspeksi dan penindaklanjutannya dapat menekan kesalahan sampai tingkat tertentu.2 dan Return On Investment [ ROI] di bawah 6 tahun. 13 November 2010 E. Menetapkan Criteria Feasibility Kelayakan dari metoda yang dikembangkan diuji untuk menjamin atau memastikan bahwa metode Feasible untuk mencapai tujuan. Membuat formula BCR dan ROI Pernyataan benefit akan menjadi lebih kompak jika disampaikan dalam format Formula Benefit To Cost Ratio [BCR] berikut ini: Bs / Cs > BCRs Bs = Benefit per tahun masa stabil Cs = Cost per tahun masa stabil Manajemen Risiko di Bidang Perbankan dan Asuransi | 268 . Benefit adalah manfaat yang diperoleh per tahun masa stabil.

Menghitung Biaya Masa Transisi (Cr) Cfir = (Aql + L0)/2 * X * P * Cfpdr Cr = Nr * ( Cpi + Cfir ) Cfpdr = Fr * Cfpd Manajemen Risiko di Bidang Perbankan dan Asuransi | 269 . Formula yang digunakan adalah: Tr = Nr / Ns Tr = Lama Masa Transisi (Tahun) Nr = Jumlah inspeksi pada masa transisi Menghitung Nr Nr = ( Lo – Aql ) / Dlpi Dlpi = ekspektasi penurunan prosentasi kesalahan setelah dilakukan satu kali inspeksi dan penindaklanjutan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Biaya yang dikeluarkan pada masa transisi bisa dianggap sebagai biaya investasi sehingga kita harus menghitung berapa lama ROI akan tercapai. Oleh karena itu perlu dihitung Lama Masa Transisi (Tr). Pada masa transisi dilakukan metode inspeksi dan penindaklanjutan hasil inspeksi yang diterapkan pada masa stabil. parameter manjerial masa stabil) Definisi ROI: waktu yang diperlukan agar biaya masa transisi tertutupi oleh keuntungan dilaksanakannya pengawasan. Kita perlu menghitung berapa lama masa transisi akan terjadi dan berapa biaya yang dikeluarkan pada masa transisi. Masa transisi ialah masa untuk mengusahakan agar tercapai masa stabil. ROI=g(parameter factual. parameter manjerial masa transisi. Jika Ns semakin kecil maka Dipl semakin kecil. 13 November 2010 BCRs = Rasio benefit terhadap cost per tahun masa stabil Cs = Ns * ( Cpi + Cfi ) Ns = Frekuensi inspeksi per tahun masa stabil Cpi = Ekspektasi biaya per satu kali inspeksi Cfi = Ekspektasi biaya untuk menindaklanjuti hasil satu kali inspeksi Formula BCR =f(parameter factual. Nilai ini bergantung kepada Ns dan metode penindaklanjutan hasil inspeksi.parameter manjerial masa stabil) Dalam menghitung ROI telah dipergunakan formula di bawah ini: ROI = Tr+ (Cr / Bs) Cr adalah biaya masa transisi. Jika metode penindaklanjutan makin lemah maka Dipl semakin kecil.

atau spesifikasi system.000 b. sehingga diperoleh BCRs sebesar 1.96. Angka BCRs =1.789. Parameter-parameter tersebut adalah. dan biaya investasi [Cr] Rp1.2 dan ROI kurang dari 10 tahun bila L0=10%. Postulat Kesalahan dapat ditekan sampai 5% dengan BCR minimal 1.3. 13 November 2010 Cfir = Ekspektasi biaya untuk menindaklanjuti hasil satu kali inspeksi masa transisi Cfpdr = ekspektasi biaya untuk menindaklanjuti satu kesalahan masa transisi (Berapa kali follow up cost dari masa stabil) Fr = Ekspektasi Rasio biaya penindaklanjutan pada masa transisi terhadap biaya penindaklanjutan pada masa stabil. atau pemasukan sebesar 1. Konsumsi energi dihitung setelah system memasuki kondisi stabil. Tdk= ekspektasi waktu untuk memeriksa satu datum (jam) di kantor.2 merupakan angka yang reasonable jika merujuk pada praktek perbankan khususnya bank Persero.28 jam.000.432.parameter ini tidak dapat dikendalikan oleh manajemen.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. biaya operasional [Cs]sebesar Rp. sehingga mulai tahun ke tujuh akan diperoleh benefit 1.84/tahun. dalam hal manufaktur. 2. Ns=22 kali inspection.fenomena seperti ini sama naturalnya seperti menghitung efisiensi konsumsi energy listrik pada peralatan elektronik. parameter ini misalnya karakteristik mesin.M=probabilitas perlunya dilakukan penelitian lapangan per datum M=0. Parameter ini merupakan system fisik.86/tahun .264. 2 kali pengeluaran dalam waktu kurang dari 8 tahun.571.Hal ini berarti untuk mencapai masa stabil diperlukan masa transisi selama 2 tahun.165.40. 789. Dalam hal ini kita lakukan langkah-langkah berikut ini: a. Menetapkan parameter-parameter factual Parameter factual adalah parameter yang nilainya merupakan karakteristik lapangan.527. H=Rp.717. Fr=2. Berdasarkan data BCRs BNI tahun 2001 dan 2010 diperoleh rerata BCRS bank BNI sebesar 1. dan investasi akan kembali setelah 4 tahun masa stabil.566. X=5. CFPD=Rp. Berdasarkan hal-hal di atas ROI dapat diperoleh seprti dilaporkan di bawah ini: 3.909.2 kali besarnya pengeluaran.5% . Hal ini berarti metoda inspeksi yang dikembangkan akan menghasilkan inflow sebesar 1. M mencerminkan proporsi keadaan populasi. TDK= 0.2 kali outflow .Jika Manajemen Risiko di Bidang Perbankan dan Asuransi | 270 . Feasibility study kondisi hipotetik Hasil perhitungan menunjukkan bahwa Cs= Rp. SOP Pengawasan yang dikembangkan terbukti feasible secara analitik pada kondisi hipotetik dengan benefit [Bs] sebesar Rp.527. Bank yang diacu oleh P3ST adalah bank BNI.65 tahun.20 untuk masa transisi [ TR ]selama 2 tahun ROI = Cr / Bs = 4 tahun. Selanjutnya berdasarkan perhitungan diperoleh Tr selama 1.264. 947.2.

Setting BCR=1.Mengapa?hal ini dapat dijelaskan sebagai berikut: a. c.Ukuran sampel 5.165. Jika sampel yang diawasi kurang dari 5% kita tidak percaya akan mencapai keinginan sebagaimana ditetapkan pada criteria feasibility atau tujuan tidak akan tercapai dengan scenario pengawasan yang buruk [worst inspection]. 13 November 2010 proporsi SPPT tak bersertifikat dalam populasi adalah 30%. B=Rp.000 dan Fr=2 kali. dan tingkat ketelitian inspeksi terbaik [general Inspection Level III ] menunjuk pada kode M dengan ukuran sampel sebanyak 315 unit atau sebesar 5. 1. CFPD. 2 memberikan keyakinan lebih besar untuk dicapai. TDl=5.2.64.Parameter manajerial masa Stabil adalah parameter untuk mengendalikan masa stabil.Ukuran populasi sebanyak 5768 . artinya jika NS ditetapkan pada nilai tertentu.5 %. Feasibility Study kondisi Hypothetic Setting Triplet parameter manajerial masa Stabil. Manajemen Risiko di Bidang Perbankan dan Asuransi | 271 .5%.walaupun ada fakta yang ditunjukkan oleh BNI bahwa BCR yang bisa dicapai adalah 1.2.222.2jam . parameter factual.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. R= Rp 1814. yaitu MIL STD 105 E.dan Z= 1811m2/SPPT .Parameter ini diberi symbol X.Selanjutnya parameter manjerial yang bersifat independen adalah DLPi ditetapkan sebesar 0. Hasil-hasil pada butir a dan b memberi arti bahwa metoda pengawasan dengan 22 kali inspeksi/tahun diyakini efektif menghasilkan BCR=1. P=5768 SPPT. Kesimpulan: Input nilai-nilai parameter keputusan.1%.64. padahal kita menetapkan NS sebanyak 22 kali. B = ekspektasi biaya transport untuk melakukan penelitian lapangan per Datum. Artinya kita bisa berharap pada kenyataannya mendapatkan BCR menjadi. dan parameter manajerial tersebut di atas memberikan hasil yang menunjukan bahwa metoda pengawasan bersifat efektif dan feasible.NS .Penyelamtan biaya ini secara perhitungan matematis akan diikuti oleh peningkatan BCR menjadi 1. 4. maka angka BCR sebesar 1.5% juga mengisyaratkan bahwa tidak beralasan menaikkannya lebih dari itu. ukuran tersebut sudah yang terbaik. L0= 10% . Jumlah inspeksi pertahun ditetapkan sebanyak 22kali dan ini bersesuaian dengan CFPD =Rp. Artinya tidak ada sampel yang paling bagus selain 5. maka CFPD dan Fr harus ditetapkan sebagi konsekuensi logis dari NS. Kita harus menghitung sampel yang tepat sebagai parameter manjerial masa stabil pertama. Ada tiga parameter manjerial yang bersifat intercorrelated NS=22 kali/tahun .2 menghasilkan NS=30. dan Fr. X=rasio ukuran sampel terhadap ukuran populasi .2 dan ROI 4 tahun. Hal ini ditempuh dengan mengikuti prosedur sampling standar yang telah dikembangkan . c. b. maka suatu sampel berukuran tertentu diharapkan juga kan memuat proporsi populasi sebesar 30%.6 bisa kita harapkan . Jika angka BCR sebesar 1. Hal ini berarti telah terjadi penyelamatan biaya sebanyak 8 kali inspeksi.

2 yes 5.000 165. Kajian sensitivity analysis secara kompak disajikan pada table di bawah ini.3 0.Apa yang harus dilakukan?Jika NS turun artinya kita harus bisa efektif dengan jumlah inspeksi yang lebih kecil.039 dengan maksimum Fr. biaya follow up masa transisi maksimum sebesar 6 kali biaya follow up masa stabil.2.5% 5.814 1. Bagaimana jika untuk setting parameter pada kajian Feasibility nilai m dirubah dengan nilai m=1 ? ini merupakan kondisi ekstrim. Maka Fr harus dinaikan. Sensitivity Analysis Sensitivity Analysis dilakukan untuk melihat apa yang terjadi jika nilainilai parameter tidak sesuai dengan kondisi yang diharapkan. melampaui batas kelayakan .814 Fr 2 2 2 2 X 5. karena model is always less complex than reality.000 165.Sensitivity Analysis L0 10% 8% 9% 10% M 0.3 0. dengan kata lain kita harus mempersiapkan worst case scenario.5% Ns 22 22 22 22 Cfpd 165.1814 2 x X 5. expect the unexpected.Hal ini muncul dari kesadaran bahwa Model inspeksi yang dikembangkan memuat error.814 1.2 0.Artinya Sensitivity Analysis berupaya untuk mengetahui keadaan terburuk yang akan terjadi sehingga kita dapat mengantisipasinya.Artinya persiapan inspeksi harus lebih serius dan lebih baik daripada sebelumnya.5% Ns 22x CFPD Rp. Di samping itu penurunan NS berarti ada penyelamatan sebanyak 19 inspeksi dari 30 inspeksi.3 R Fr Rp. Hasilnya adalah NS turun menjadi 11 kali inspeksi dan ROI menjadi 10 tahun .165. angka BCR yang tolerable adalah BCR=1.31 1. Lo 10% M 0. hal ini akan diikuti oleh peningkatan BCR. 13 November 2010 Berikut adalah feasibility study yang disajikan secara kompak dalam format tabular. Tabel .98 1.5% 5. tetapi kita harus mengantisipasinya.000 165.Ternyata berdasarkan trial and error pada model perumusan.3 0. atau kondisi terburuk yang tidak diharapkan . Sensitivity Analysis merupakan kegiatan untuk memeriksa bagaimana kalau terjadi kesalahan pada nilai-nilai parameter Factual dan parameter lainnya.814 1. 000 ROI 5 BCRs Feasible 1.4 R 1.000 ROI 5 4 4 6 BCRs 1.31 Feasible Yes No Yes Yes Manajemen Risiko di Bidang Perbankan dan Asuransi | 272 . maka yang harus dilakukan adalah menurunkan BCR dan Fr secara serempak sampai batas-batas BCR dan ROI yang tolerable.5% 5. Hal ini memiliki konsekuensi untuk meningkatkan biaya follow-up masa transisi atau Fr.Artinya jika BCR diset sebesar satu itu tidak mungkin karena malah jadi rugi.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.Akan tetapi kita sudah yakin dengan BCR sebesar 1.

5% 5.700 1.3 0.945+ 6.002R.4 0.16 1.4 1.1 dan R Manajemen Risiko di Bidang Perbankan dan Asuransi | 273 .5% 5. Misal kita buat L0=8%.Setelah dilakukan analisis regresi multivariat diperoleh model sebagai berikut: Y= -5.Variable dependen model tersebut adalah kondisi feasibility yang di beri kode 0 dan1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.baris ke 1 adalah kondisi hipotetik.4 0.000 6 4 4 4 6 4 4 6 6 4 4 4 1.675 1.5% 5.023 M +0.675 1. Model tersebut dapat diterima dengan melihat nilai signifikansi Alfa sebesar10%.5% 5.023 M +0. M.000 165.814 1.5% 5.5% 5.000 165.23 1.195 1.000 165.45 No No Yes Yes No Yes No Yes No Yes No Yes Untuk melakukannya kita harus bisa membayangkan parameter apa yang kita prediksi akan melenceng dari kenyatannya.000 182.5% 5. atau -5.945)/6.3 0.5 0.000 165.5% 5.700 1.089 1.000 209.002R -6.192 1.4 0. 13 November 2010 10% 9% 10% 10% 10% 9% 9% 10% 10% 9% 9% 11% 0. Agar metoda pengawasan ini feasible.4 0. Artinya 87 % dari keputusan model ini diharapkan benar.2268 L0 -6.002R >1 Dari ketiga variable independen di atas satu-satunya variable yang dapat dikendalikan oleh manjemen adalah m sehingga dengan manipulasi aljabar sederhana diperoleh pertidaksamaan: M < (6. maka diperoleh hasil pada table di atas pada baris ke dua.Sebagai ilustrasi jika L0=0.3 0.000 165.000 165. Berdasarkan data hasil Sensitivity Analysis pada table di atas kita dapat mencoba mengenali pola data dengan melakukan pendekatan analisis model regresi multivariate.5% 5.dan R.045 1.3 0.675 1.2268 L0+ 0.100 190.670 220.4 0.814 1.2 1.205 1.023 Artinya untuk setiap L0 dan R terdapat batas atas nilai M sehingga manajemen harus berupaya sedemikian rupa agar SPPT yang tidak bersertifikat tidak terlalu banyak.675 2 2 2 2 2 2 2 2 2 2 2 2 5.5% 5.700 1.600 1.225 1.700 1.000 165. Model ini memiliki akurasi klasifikasi sebesar 87%. maka nilai y harus lebih besar sama dengan 1 sehingga diperoleh pertidaksamaan y>=1.4 0.500 1.2 1.5% 5.083 1.945+ 6.2268 L0 -6.5% 22 22 22 22 22 22 22 22 22 22 22 22 165. sedangkan variable independennya adalah L0.

2003. Jakarta. Committee of Sponsoring Organizations of the Treadway Commission. 5. R.. Telah dikembangkan SOP pengawasan Bank Data ZNT/NIR SPPT Buku IV dan V PBB. 1999.R. Petunjuk Pelaksanaan Pendaftaran Pendataan dan Penilaian Objek dan Subjek Pajak Bumi dan Bangunan. 1990. 13 November 2010 =1814. 1992. R. Surat Edaran Direktur PBB dan BPHTBNomor SE-45/PJ. V.6/1999 tentang Pelaksanaan Analisa Penentuan Zona Nilai Tanah(ZNT) dan Nilai Indikasi Rata-rata (NIR) sebagai Dasar Penentuan NJOP Tanah. 2000. 4. General Accounting Office. Eckert. Gloudemans. 8. Direktur Jenderal Pajak. SOP Pengawasan yang dikembangkan terbukti feasible secara analitik pada kondisi tertentu dengan BCR minimal 1. Direktur Jenderal Pajak. Jakarta 6. Assessing Internal Controls in Performance Audits. Jakarta. 23 SOP PBB di KPP Pratama Kota Bandung mengandung 5 kesalahan yaitu kesalahan unknown. SOP Pengawasan yang dikembangkan memili kelemahan yaitu tidak melakukan quality control terhadap pengawas. Ambiguous.Inc. Direktur Jenderal Pajak. Surat Edaran Direktur Jenderal Pajak NomorSE09/PJ. J.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Manajemen Risiko di Bidang Perbankan dan Asuransi | 274 . SOP Pengawasan yang dikembangkan melibatkan 22 kali pengawasan pertahun dengan level inspeksi General Ispection Levels III 4.Artinya sebesar-besarnya M harus 48%. Incomplete.2 dan ROI maksimal 6 tahun 5.J. maka jumlah SPPT yang tidak bersertifikat jangan lebih dari 48% dari total SPPT. dan Inconsistent. 6. Internal Control . New York. Douglas C.[2009] Introduction To Statistical Quality Control 6th ed. 1990.John Wiley & Sons. Kep-533/PJ.. and Almy. KESIMPULAN 1. Chicago. Jakarta. Ada 4 kasus lain yang berhasil diidentifikasi pada Field Analysis tetapi belum ditangani DAFTAR PUSTAKA 1. 8 SOP telah diperbaiki.6/2003 tentang Aplikasi Bank Data Nilai Pasar Properti dan Petunjuk Pengoperasiannya serta Kelengkapan Lainnya. Departemen Keuangan Republik Indonesia. Property Appraisal andAssessment Administration. 2./2000. 2.. Surat Edaran Direktur Jenderal Pajak Nomor SE06/PJ. 3. Direkur PBB dan BPHTB../2003tentang Penerapan NJOP sama Dengan Nilai Pasar. 7. 2003. Loop holes.K. Montgomery. IAAO. 3.Integrated Framework (COSOReport). dengan kata lain tidak ada pengawasan untuk pengawas.

Hartoyo. Kota Bandung) 10.C. Amin Widjaja.COSO – Based Auditing. Manajemen Risiko di Bidang Perbankan dan Asuransi | 275 . D.: GAO. 9. Tunggal. Assessment Ratio Suatu Alat Pengukur Kinerja PenilaianDalam Pelaksanaan PBB.1998.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2000. 13 November 2010 Washington. Jakarta Kecamatan Bojongloa Kaler dan BabakanCiparay. Modul Penilaian II.Jakarta: Harvarindo.

Komitmen PT.Pendahuluan Dalam mengendalikan mutu kadar aluminium hidroksida pada produk Antasida Doen yang berguna untuk menetralisir asam lambung . iterasi dalam menentukan batas spesifikasi baru. Membuat batas spesifikasi baru dengan rentang lebih ketat merupakan upaya yang hendak dilakukan untuk meningkatkan mutu kadar aluminium hidroksida. dan pada Cpk=1. hasilnya adalah status kendali kadar aluminium hidroksida dinyatakan terkendali secara statistis. analisis stabilitas proses menggunakan diagram I-MR. PT.KIMIA FARMA (PERSERO) TBK BANDUNG Titi Purwandari Staf Pengajar Jurusan Statistika FMIPA UNPAD ABSTRAK Menilai status kendali dan kapabilitas proses produksi kadar aluminium hidroksida pada produk Antasida Doen yang dihasilkan PT Kimia Farma (Persero) Tbk Bandung berkaitan dengan komitmen PT Kimia Farma (Persero)Tbk dalam menjaga dan meningkatkan mutu kadar aluminium hidroksida.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.33 dihasilkan batas spesifikasi 185mg-215mg.Kimia Farma (Persero) Tbk mengacu pada syarat yang telah ditetapkan oleh Farmakope Indonesia yaitu antara 180.dilakukan analisis kapabilitas proses. 1. Selain itu peneliti juga menilai kelayakan revisi batas spesifikasi kadar aluminium lebih sempit pada produk Antasida Doen . 13 November 2010 (S. Menggunakan data hasil pemeriksaan Laboratorium di PT Kimia Farma (Persero)Tbk Plant Bandung mengenai kadar aluminium hidroksida pada produk Antasida Doen.0 – 220. proses yang ada telah mampu memenuhi batas spesifikasi dengan indeks kapabilitas proses Cpk=3.Stabilitas Proses.8) ANALISIS MUTU PROSES PRODUKSI PRODUK ANTASIDA DOEN DI PT.0 mg/tablet. Kata Kunci : Kapabilitas Proses.05 . hidroksida yang Manajemen Risiko di Bidang Perbankan dan Asuransi | 276 .Kimia Farma (Persero) Tbk untuk menjaga dan meningkatkan mutu produk-produk yang dihasilkan mendorong peneliti untuk mengidentifikasi bagaimana menilai status kendali dan mengukur kapabilitas proses produksi kadar aluminium hidroksida pada produk Antasida Doen.Diagram Kendali I-MR.

Manajemen Risiko di Bidang Perbankan dan Asuransi | 277 . Langkah strategis dalam revisi batasan spesifikasi baru kadar aluminium hidroksida pada produk Antasida Doen dalam upaya meningkatkan mutu kadar aluminium hidroksida pada produk Antasida Doen. yaitu proses berdistribusi normal dan proses berada dalam statistical control. 13 November 2010 Melalui penelititan ini peneliti dapat memberikan rekomendasi kepada PT. suatu proses dikatakan stabil jika berada dalam statistical control.Bower. 752 0.Tinjauan Pustaka Keith M. Strategi perbaikan mutu proses produksi Antasida Doen 2. 75 2. 25 1 n n2 b. Proses Berdistribusi Normal Pada pengujian normalitas ini digunakan The Anderson-Darling (A-D) Normality test. 2. Proses Berada dalam Statistical Control Kapabilitas proses merupakan suatu prediksi sejauh mana proses dapat memenuhi spesifikasi. Suatu proses dapat diprediksi jika kondisinya stabil (Mehernosh Kapadia) sedangkan.S.M.Kimia Farma (Persero) Tbk mengenai : 1. Hipotesis : Ho : Fn(x) = F0(x) H1 : Fn(x) ≠ F0(x) Keterangan : Fn(x) : fungsi distribusi secara empiris F0(x) : fungsi distribusi secara teoritis (data berdistribusi normal) (data tidak berdistribusi normal) (1) Tolak H0 jika AD > CV atau p-value < significance level yang digunakan dengan CV (critical value) = 0. menyatakan bahwa terdapat dua asumsi yang harus diperhatikan ketika melakukan analisis kapabilitas proses. Kendali mutu statistika yang tepat untuk memonitor proses produksi antasida doen 3.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. a.

dan standar deviasi proses. Tingkat produksi dari Antasida Doen juga terlalu lamban sehingga kurang memungkinkan untuk terlebih dahulu mengumpulkan sampel hingga lebih dari satu sebelum dilakukan analisis. Oleh karena itu.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Nilai rasio kapabilitas proses (Cp) akan meningkat jika besar rentang spesifikasi diperlebar atau standar deviasi proses diperkecil. maka jenis diagram kendali yang digunakan pada penelitian ini yaitu diagram kendali individual moving range. Semakin besar nilai Cp maka semakin sedikit cacat yang dihasilkan Manajemen Risiko di Bidang Perbankan dan Asuransi | 278 .267 MR = MR =0 xi xi 1 (2) (3) (4) (5) Pada pengukuran individual : UCL Center Line LCL = x 3 = x = x 3 MR d2 (6) (7) MR d2 LCL : lower control limit (8) Keterangan : UCL : upper control limit c. yaitu : 1. Ketika ukuran sampel pada subgroup adalah satu. maka tidak mungkin untuk menghitung standar deviasi sampel atau range sampel. Rasio Kapabilitas Proses USL : upper specification limit diperoleh dari nilai R S atau d2 c2 USL LSL . Nilai moving range diperoleh dengan menggunakan rumus : MRi Pada moving range chart : UCL Center Line LCL  = 3. 13 November 2010 Sesuai aturan pada buku Farmakope Indonesia dimana untuk pengujian kadar zat aktif hanya dilakukan satu kali pada setiap batch obat. terlihat bahwa terdapat hubungan antara nilai 6ˆ LSL : lower specification limit Menggunakan rumus C p rasio kapabilitas proses. besar rentang spesifikasi. simpangan baku ditaksir menggunakan moving range dari dua observasi berurutan .

33 1. Manajemen Risiko di Bidang Perbankan dan Asuransi | 279 . 13 November 2010 2.. or critical parameter.0.45 1. existing process Safety. new process 1. Semakin kecil nilai Cp maka semakin banyak jumlah cacat yang dihasilkan Tabel 1. Dalam kerangka Six Sigma. Indeks Kemampuan Proses Untuk menilai kapabilitas proses produksi . Nilai rasio kapabilitas proses (Cp) akan menurun jika besar rentang spesifikasi dipersempit atau standar deviasi proses diperbesar.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.50 1. batas terkecil indeks kemampuan proses adalah Cpk = 2. or critical parameter. Rekomendasi Nilai Minimum pada Process Capability Ratio Two-Sided Specifications Existing process New process Safety.45 c. 3. diperlukan standar kapabilitas proses sebagai patokan.25 1.60 1.Data Pengamatan Data yang digunakan merupakan hasil pemeriksaan Laboratorium di PT Kimia Farma (Persero)Tbk Plant Bandung mengenai kadar aluminium hidroksida pada produk Antasida Doen.67 1.50 One-Sided Specifications 1. strength. strength. sehingga setiap upaya memperoleh batas spesifikasi baru harus memperhatikan nilai acuan tersebut.

05.Data Kadar aluminium hidroksida / Al(OH)3 pada Antasida Doen 4. Grafik Uji Normalitas Kadar Al(OH)3 Dari grafik di atas diperoleh nilai p-value = 0.Uji Normalitas Gambar 1. 13 November 2010 Tabel 2. Hasil dan Pembahasan a.225 dimana nilai ini lebih besar dari taraf signifikansi yang telah ditetapkan yaitu α = 0. Manajemen Risiko di Bidang Perbankan dan Asuransi | 280 . Oleh karena itu maka data berdistribusi normal .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

IMR Chart Kadar Al(OH)3 Dari grafik di atas terlihat bahwa semua titik data berada dalam batas kendali. Analisis Kapabilitas Proses Dari analisis kapabilitas proses dengan menggunakan software Process Capability Calculator.Analisis Kendali Proses [Kestabilan Proses] Gambar 2. c. Hal ini berarti bahwa proses tersebut berada dalam kondisi statistical control. diperoleh hasil sebagai berikut : Manajemen Risiko di Bidang Perbankan dan Asuransi | 281 . 13 November 2010 b.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

Pengetatan batas spesifikasi tanpa diiringi perbaikan pada program Statistical Process Control [SPC] hanya akan meningkatkan biaya mutu. Hal ini berarti bahwa peluang terjadinya produksi yang keluar dari batas spesifikasi bawah yang baru (lebih kecil dari 185 mg) yaitu sebesar 33.09 .33.33 merupakan batas spesifikasi yang akan direkomendasikan sebagai batas spesifikasi baru.33 dengan batas spesifikasi antara 185 mg – 215 mg dengan proporsi PPM < LSL yaitu 33.71 produksi dalam satu juta produksi dan tidak terdapat peluang terjadinya produksi yang keluar dari batas spesifikasi atas yang baru (lebih besar dari 215 mg) atau dengan kata lain tidak terdapat produksi yang keluar dari batas spesifikasi atas yang baru. d.60 maka dapat dikatakan bahwa proses tersebut telah mampu dalam memenuhi batas spesifikasi yang ada saat ini.00 ppm. Tidak ada data yang menunjukkan benefit dari pengetatan spesifikasi baru yang direkomendasikan Manajemen Risiko di Bidang Perbankan dan Asuransi | 282 . Dengan demikian. 13 November 2010 Gambar 3. Grafik Kapabilitas Proses dari Kadar Al(OH)3 Dari grafik di atas diperoleh nilai Cp = 3. Hal ini pun dapat dilihat dari gambar grafik tersebut yang memperlihatkan bahwa proses berada dalam batas spesifikasi . diperoleh nilai Cpk = 1. Batas spesifikasi yang menghasilkan nilai Cpk = 1. 2. 3.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Evaluasi Perbaikan Batas Spesifikasi Percobaan perbaikan batas spesifikasi ini dilakukan dengan cara melakukan iterasi dimulai dari batas spesifikasi yang ada saat ini yaitu antara 180 mg – 220 mg lalu terus dipersempit hingga mencapai nilai Cpk = 1.67 dan nilai Cpk ≥ 1.berupa peningkatan produk rusak yang berada di luar spesifikasi baru. Melalui proses iterasi. Rekomendasi batas spesifikasi baru tersebut belum adekuat. mengingat hal-hal berikut ini: 1. perbaikan batas spesifikasi yaitu dengan membuat batas spesifikasi baru yang lebih ketat dari batas spesifikasi yang ada saat ini dapat dilakukan.05 dan Cpk = 2. Pengetatan batas spesifikasi akan memberikan outcome peningkatan mutu produk Antasida Doen secara terintegrasi jika diikuti oleh reduksi signifikan pada variasi proses produksi Antasida Doen. Karena nilai Cp ≥ 1.71 ppm dan proporsi PPM > USL yaitu 0.

A.71 produksi dalam satu juta produksi dan tidak terdapat peluang terjadinya produksi yang keluar dari batas spesifikasi atas (lebih besar dari 215 mg). 13 November 2010 Kesimpulan 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Status kendali proses produksi kadar aluminium hidroksida pada produk Antasida Doen yang dihasilkan PT. Dari hasil analisis kapabilitas proses terhadap batas spesifikasi yang ada saat ini yaitu antara 180 mg – 220 mg ternyata proses yang ada telah mampu dalam memenuhi batas spesifikasi tersebut. Anderson Darling : A Goodness of Fit Test for Small Samples Assumptions.C.M. New York : John Wiley&Sons. M.2009. Czarski. Volume 10. Romeu. Number 5. D.S. Selected Topics in Assurance Related Technologies.33 yaitu batas spesifikasi antara 185 mg – 215 mg dengan peluang terjadinya produksi yang keluar dari batas spesifikasi bawah (lebih kecil dari 185 mg) yaitu sebesar 33. 3.Kimia Farma (Persero)Tbk dinyatakan terkendali secara statistis dan dinyatakan stabil dalam level proses rata – rata 193. Montgomery. 2002. World Academy of Materials and Manufacturing Engineering. Montgomery. Measuring Your Process Capability. Penerapan Konsep Kapabilitas Proses Dalam Perbaikan Batas Spesifikasi Kadar Alumunium Hidroksida Pada Produk Antasida Doen.D. K.a modern Introduction Arizona:John Wiley &Sons.Inc. 2008.L. Bower.Statistical Quality Control. M.05.Indeks kapabiliti proses saat ini adalah sebesar Cp =3. Manajemen Risiko di Bidang Perbankan dan Asuransi | 283 .C. 2. International Scientific Journal. Process Capability Using MINITAB. Introduction to Statistical Quality Control. DAFTAR PUSTAKA Atika Nur Kusumaningtyas .J.71 mg. Symphony Technologies.Inc. Telah diperoleh batas spesifikasi yang menghasilkan nilai Cpk = 1. Estimation of Process Capability Indices in Case of Distribution Unlike The Normal One.2009. Kapadia.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran.ac.1) MEMBENTUK PRODUK BERKUALITAS MELALUI RANCANGAN FRACTIONAL FACTORIAL SPLIT-PLOT TAGUCHI Sri Winarni dan Budhi Handoko Jurusan Statistika FMIPA UNPAD Email : sri. Meski menyebabkan keragaman dalam respon.id ABSTRAK Produk berkualitas merupakan produk yang memenuhi standar minimal dari kebutuhan atau keinginan konsumen.id. Metode taguchi dalam rancangan Fractional Factorial Split-Plot (FFSP) mampu meningkatkan kualitas produk dengan cara meminimumkan pengaruh faktor-faktor yang tidak dapat dikendalikan (noise factors) dan menentukan taraf optimal dari faktor-faktor yang dapat dikendalikan (control factors). Proses meminimalisasi penyimpangan suatu produk dari nilai targetnya akan meningkatkan kualitas produk tersebut. 13 November 2010 IV. Peningkatan kualitas produk tersebut dapat dilakukan dengan proses meminimalisasi penyimpangan suatu produk dari nilai targetnya. baik dalam jangka pendek maupun jangka panjang. baik dalam jangka pendek maupun jangka panjang.ac. Kata kunci : Fractional Factorial Split-Plot Taguchi. budhihandoko@unpad. Control factors (C) merupakan faktorfaktor yang biasa digunakan dalam percobaan. SNR.winarni@unpad. pengaruh faktor N ini diharapkan seminimal mungkin. Genichi Taguchi memperkenalkan Robust Parameter Design (RPD) yang digunakan Manajemen Risiko di Bidang Perbankan dan Asuransi | 284 . Pada awal tahun 1980. Suatu produk dikatakan berkualitas jika memenuhi standar minimal dari kebutuhan atau keinginan konsumen. DESAIN EKSPERIMEN (D. sedangkan noise factors (N) merupakan faktor-faktor yang ikut mempengaruhi respon tetapi keberadaannya sulit dan mahal untuk dikendalikan. Proses tersebut dilakukan melalui serangkaian percobaan untuk mendapatkan produk yang sesuai dengan nilai target dan memiliki variansi kecil (robust). Pada dasarnya konsumen menginginkan dan mengharapkan produk yang secara konsisten memiliki performansi tinggi dan variasi minimal. seorang insinyur Jepang. PENDAHULUAN Peningkatan kualitas produk seringkali menjadi permasalahan dalam dunia industri. Pada dasarnya konsumen menginginkan dan mengharapkan produk yang secara konsisten memiliki performansi tinggi dan variasi minimal. A. kualitas produk. Percobaan yang dilakukan untuk peningkatan kualitas produk seringkali dihadapkan dengan faktor-faktor yang dapat dikontrol (control factors) dan faktorfaktor yang sulit untuk dikontrol (noise factors).

Nair 1992). Pembentukan rancangan FFSP RPD akan berdasarkan pada dua kasus tersebut. kadangkala menemui kendala teknis untuk melakukan pengacakan lengkap jika terdapat faktor yang sulit untuk diubah taraf kondisinya pada setiap unit percobaan yang digunakan. Pada rancangan FFSP terdapat faktor-faktor yang menjadi petak utama dan faktor-faktor yang menjadi anak petak. Tabel Control Factor pada Percobaan Schimidt & Launsby (1990) Manajemen Risiko di Bidang Perbankan dan Asuransi | 285 . al (1998). Rancangan Fractional Factorial Split-Plot (FFSP) digunakan untuk mengatasi masalah tersebut. Pelaksanaan percobaan di lapang. Contohnya dalam percobaan yang pengaruh kondisi lingkungannya (seperti suhu. RPD dengan jumlah faktor yang relatif sedikit. 13 November 2010 untuk mencari taraf dari faktor C yang memberikan ragam minimum yang ditimbulkan oleh faktor N (Ross 1989. Masing-masing petak utama dan anak petak dirancangan dengan rancangan FF. Respon yang diamati dalam hal ini adalah respon percobaan yang berhubungan dengan kualitas produk. Digunakan analisis ragam untuk mengetahui pengaruh faktor yang signifikan dan digunakan Signal to Noise Rasio (SNR) untuk mendapatkan setting faktor yang menghasilkan nilai respon yang robust. Dua kasus yang dikaji dalam rancangan FFSP RPD adalah (1) faktor C sebagai petak utama. Percobaan tersebut dilakukan untuk meminimalkan resiko cacat dari proses pensolderan. Jika terdapat banyak faktor yang terlibat dalam percobaan sehingga terbentur besarnya biaya dan waktu. tidak semua rancangan FFSP sama. Struktur rancangan FFSP ini dapat ditentukan dengan menggunakan metode yang diperkenalkan oleh Huang et. Penggunaan rancangan FF dalam RPD mampu mereduksi banyaknya unit percobaan yang digunakan. Faktor C yang dicobakan adalah sebagai berikut: Tabel 1. yaitu cross array dan single array. hal ini sangat mahal untuk menyesuaikan faktor-faktor tersebut dalam pabrik dan terhalang butuhnya waktu untuk merubah pengaturan tarafnya berulang kali (Bingham & Sitter 2001). Rancangan FFSP yang berkaitan dengan faktor C dan faktor N menggunakan rancangan RPD dalam pembentukan strukturnya. kelembaban. maka RPD dapat dilakukan dengan rancangan Fractional Factorial (FF) menjadi Fractional Factorial Robust Parameter Design (FF RPD) (Bingham & Sitter 2003). Ada dua cara yang digunakan untuk membentuk struktur rancangan ini. selain itu dapat pula digunakan algoritma yang diperkenalkan oleh Bingham&Sitter 1999 dengan mempertimbangkan minimum-aberration dan isomorphism. Sebuah contoh kasus rancangan RPD FFSP diberikan oleh Schimidt & Launsby (1990). Analisis yang digunakan dalam FFSP RPD bertujuan untuk mengetahui pengaruh faktor yang signifikan mempengaruhi respon dan mendapatkan setting taraf faktor yang menghasilkan nilai respon mendekati nilai target dengan ragam minimum. Ingin diketahui setting faktor yang optimal untuk mendapatkan respon yang robust. menjadi rancangan FFSP RPD.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Rancangan tipe ini tepat digunakan untuk banyak situasi. dan (2) faktor N sebagai petak utama. memungkinkan untuk melakukan RPD dengan rancangan faktorial lengkap meskipun dengan konsekuensi penggunaan biaya dan waktu yang relatif besar. beberapa lebih baik dari yang lain. Seperti pada rancangan FF. atau tekanan udara) berpengaruh pada respon yang diamati.

2 1 -5 -0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.6 Keterangan satuan °F feet/minute °F Inches Sedangkan Faktor N yang dicobakan adalah sebagai berikut : Tabel 2.5 0. Cross Array pada Percobaan Schimidt & Launsby (1990) Inner Array Outer Array -1 1 1 -1 Z1 -1 1 -1 1 Z2 X2 X3 X4 X5 -1 -1 1 1 Z3 1 1 -1 -1 194 197 193 275 1 -1 1 1 136 136 132 136 -1 1 -1 1 185 261 264 264 -1 -1 1 -1 47 125 127 42 1 1 1 -1 295 216 204 293 -1 1 1 1 234 159 231 157 -1 1 1 1 328 326 247 322 -1 -1 -1 -1 186 187 105 104 X1 1 1 1 1 -1 -1 -1 -1 Percobaan di atas merupakan percobaan RPD FFSP dengan faktor C dijadikan sebagai faktor petak utama dan faktor N sebagai anak petak.2 10 Flux density 0.9 1.0 Preheat temperature 150 200 Wave height 0. 13 November 2010 Faktor X1 X2 X3 X4 X5 Taraf rendah (-1) tinggi (1) Solder temperature 480 510 Conveyor speed 7.2 2 °F feet/minute Data hasil percobaan diberikan dalam bentuk cross array sebagai berikut : Tabel 3. Manajemen Risiko di Bidang Perbankan dan Asuransi | 286 . Tabel Noise Factor pada Percobaan Schimidt & Launsby (1990) Taraf Keterangan Faktor Satuan rendah (-1) tinggi (1) Solder temperature tolerance Conveyor speed tolerance Assembly type Z1 Z2 Z3 5 0.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran. adalah faktor-faktor yang bersifat eksternal dari proses dan sulit untuk dikontrol. Noise factors (N). IDENTIFIKASI MASALAH Permasalahan yang muncul dalam rancangan FFSP RPD adalah bagaimana menentukan struktur rancangan FFSP RPD dan analisisnya sehingga mampu memberikan hasil terbaik. Mampu menghasilkan cost-effectiveness. b. adalah faktor-faktor yang bersifat internal pada proses pembuatan produk. yaitu : 1. TUJUAN PENELITIAN Tujuan penelitian ini adalah memberikan kajian tentang penggunaan rancangan FFSP RPD untuk menghasilkan produk berkualitas dan cost-effectiveness. C. Taraf dari control factors yang ditentukan oleh si pembuat produk. Menurut Nair (1992). robust design merupakan sebuah metodologi engineering untuk memperbaiki produktifitas selama research and development (R&D) sehingga produk yang berkualitas tinggi dapat diproduksi secara cepat dengan biaya rendah. rancangan parameter robust atau biasa disebut robust design merupakan teknik perbaikan kualitas yang diharapkan sebagai pendekatan cost-effective untuk mereduksi keragaman dalam produk dan proses. yaitu produk yang mendekati nilai target dengan keragaman kecil. yaitu : a. Ross (1989) menyebutkan ada dua macam faktor yang digunakan dalam rancangan parameter robust. yaitu menghasilkan produk berkualitas dengan biaya rendah. sedangkan menurut Madhav Phadke dalam Nair (1992). c. Ada tiga kategori noise factor : Manajemen Risiko di Bidang Perbankan dan Asuransi | 287 . KERANGKA KONSEPTUAL Rancangan Parameter Robust (RPD) Rancangan parameter robust adalah suatu pendekatan pada percobaan terencana yang bertujuan untuk menentukan taraf dari faktor C sehingga keragaman yang disebabkan oleh faktor N dapat diminimalkan (Taguchi dalam Bingham & Sitter 2003). Faktor ini sering disebut dengan parameter. Mampu menduga pengaruh faktor utama dan pengaruh interaksi tingkat rendah sehingga diketahui faktor mana yang berpengaruh terhadap kualitas produk. 13 November 2010 B. 2. D. Diasumsikan bahwa pengaturan dari faktor-faktor ini dapat dikontrol. Mampu menghasilkan produk yang berkualitas. Control factors (C).

Penentuan rancangan yang berkualitas merupakan bentuk aktifitas online control. Definisi kualitas menurut Taguchi adalah kerugian yang diterima oleh masyarakat akibat penyimpangan nilai produk dari nilai targetnya. S y merupakan ragam yang akan direduksi pada tahap off- line control dan y merupakan nilai tengah dari variabel respon yang dikendalikan pada tahap on-line control. seperti faktor penyusutan. sedangkan kualitas produksi ditunjukkan oleh keragaman yang kecil dari product noise dan menghasilkan nilai produk yang dekat dengan nilai target. Sasaran metode Taguchi adalah menjadikan produk robust terhadap noise. 2. merupakan strategi yang dilakukan ketika produk dibuat. merupakan strategi development yang diambil sebelum produk dibuat. 13 November 2010    Outer noise. yaitu noise factor penyebab keragaman yang berasal dari dalam produk. Shina (2003) dan Ross (1989) menyebutkan dua strategi yang digunakan untuk mereduksi keragaman produksi. yaitu: 1. On-line control. Strategi ini difokuskan pada pemeliharaan kualitas produksi agar terus berada pada daerah keragaman yang digunakan. misalnya control chart. Filosofi Taguchi terhadap kualitas terdiri dari tiga buah konsep.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Manajemen Risiko di Bidang Perbankan dan Asuransi | 288 . b. Loss function yang merefleksikan kedua strategi tersebut adalah : L( y ) 2 k[ S y ( y m) 2 ] 2 dengan k adalah konstanta. Biaya kualitas harus diukur sebagai fungsi deviasi dari standar tertentu dan kerugian harus diukur pada seluruh sistem. Nilai m adalah nilai target yang ditentukan pada tahap off-line control. Kualitas dari rancangan ditunjukkan oleh pengaruh keragaman yang kecil dari outer atau inner noise. karena itu sering disebut sebagai Robust Design. Kualitas terbaik dicapai dengan meminimumkan deviasi dari target. Produk harus didesain sehingga robust terhadap faktor lingkungan yang tidak dapat dikontrol. Madhav Phadke dalam Nair (1992) menurunkan fungsi ini untuk mendapatkan fungsi signal-to-noise ratio yang digunakan untuk menentukan taraf faktor C yang menghasilkan produk yang tidak sensitif terhadap perubahan faktor N. yaitu : a. Kualitas harus didesain ke dalam produk dan bukan sekedar memeriksanya. yaitu noise factor penyebab keragaman yang berasal dari luar produk. Inner noise. 3. Produk yang dihasilkan bisa jadi memiliki sensitifitas terhadap ketiga bentuk noise tersebut secara simultan. 4. yaitu noise factor yang muncul dari keragaman bagianperbagian dalam produk (part-to-part variation). seperti suhu dan kelembaban lingkungan sekitar. Off-line control. Product noise.

1) -1. (1. yaitu (-1.-1) (1. Robust yang dimaksud adalah bahwa system membentuk fungsi yang tidak mempedulikan pengaruh faktor N.-1) (1.1) merupakan outer array. masing-masing terdiri dari empat kombinasi perlakuan faktor N.1). Inner array (22) untuk faktor C dan outer array (22) untuk faktor N akan membentuk 2 2 2 2 cross array.1) (-1.1) (1.-1). 13 November 2010 Shin Taguchi dalam Nair (1992) menjelaskan bahwa tujuan dari robust design ini adalah untuk mencapai fungsi robust pada engineering system.-1). Biaya dan waktu adalah hal penting dalam engineering. pada biaya terendah. Inner array merupakan kombinasi perlakuan dari faktor C. baik pada produk ataupun pada proses. Pembentukan kombinasi perlakuan dilakukan dengan sebuah cara yang direkomendasikan oleh Taguchi dalam Bingham & Sitter (2003).-1) (-1. (1.1) -1.1 (-1. yaitu (-1.1) (1.1) (-1.1) (1.1) merupakan inner array. (-1. Tujuan ini sangat berbeda dengan pure scientific study yang berusaha untuk mengetahui hubungan sebab akibat dan untuk memahami seluk beluk mekanis bagaimana sesuatu terjadi.    Cross array tersebut memiliki 16 titik kombinasi perlakuan. yaitu Cross array atau inner-outer array.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.-1) (-1. terdiri dari empat kombinasi perlakuan faktor C. sedangkan outer array merupakan kombinasi perlakuan dari faktor N.1).-1 Manajemen Risiko di Bidang Perbankan dan Asuransi | 289 . (-1. Cross array dibentuk dengan mengkombinasikan inner array dengan outer array. (-1. -1 1. Sebagai contoh. Pojok dari bujursangkar yang dalam. Empat titik pada tiap-tiap empat bujursangkar yang luar. 1 1. akan dijelaskan dengan Gambar 1.-1) dan (1.-1) dan (1.1) (1. misalkan ada sebuah rancangan percobaan dengan 2 faktor C dan 2 faktor N yang dibentuk dengan menggunakan cross array faktorial penuh.

maka cross array akan berukuran m n . Pengaruh petak utama yang ber-aliases dengan pengaruh anak petak akan merubah pembanding galat yang digunakan untuk pengujian. Pembentukan generator dalam rancangan FFSP dilakukan dengan memperhatikan dua hal.-1) Gambar 1. sedangkan pada rancangan anak petak ada sebanyak 2 ( n1 n2 ) ( p1 p2 ) kombinasi perlakuan yang dilakukan. generator petak utama harus bebas dari faktor anak petak dan generator anak petak harus mengandung sedikitnya dua faktor anak petak (Bingham & Sitter 1999). Jika Inner array berukuran m dan outer array berukuran n. Ada dua galat yang dihasilkan dalam rancangan FFSP.-1) (-1. Rancangan pertama merupakan rancangan petak utama ( 2 n1 p1 ) yang memiliki n1 faktor dengan p1 generator dan rancangan kedua merupakan rancangan anak petak ( 2 n2 p2 ) yang memiliki n2 faktor dengan p2 generator. Sebagai contoh. meskipun generator anak petak mengandung faktor dari petak utama. percobaan yang menggunakan 4 faktor C dan 2 faktor N menghasilkan 2 4 2 2 64 kombinasi perlakuan dengan cross array faktorial penuh. Ada 2 n1 p1 kombinasi perlakuan yang dilakukan pada rancangan petak utama. maka jumlah kombinasi perlakuan yang dihasilkan hanya sebesar 2 4 1 2 2 32 . Pengaruh petak utama dan interaksi antara faktor-faktor petak utama dibandingkan dengan galat petak utama. Misalkan inner array dibentuk FF 2 4 1 dan outer array tetap dengan 2 2 .-1) (-1. al (1998) menotasikan rancangan FFSP dua taraf dengan ( n1 n2 ) ( p1 p2 ) 2 . yaitu galat petak utama dan galat anak petak.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Manajemen Risiko di Bidang Perbankan dan Asuransi | 290 . Jumlah kombinasi perlakuan yang dihasilkan dengan cross array dapat direduksi dengan menggunakan rancangan FF pada inner dan atau outer array. Rancangan ini dibentuk dengan mengkombinasikan dua rancangan FF. Pertama. Struktur pembentukan cross array rancangan RPD 2 2 22 . Ada beberapa aturan untuk pengujian pengaruh faktor pada rancangan FFSP (Bingham & Sitter 2001): 1. generator anak petak boleh mengandung beberapa faktor petak utama.-1) (1. 13 November 2010 (1. Kedua. Hal ini akan menyebabkan hubungan pengaruh petak utama dan anak petak yang bisa jadi saling ber-aliases. Rancangan Fraksional Faktorial Split-Plot (FFSP) Huang et.

kemudian ada faktor N dalam percobaan tersebut maka rancangan FFSP RPD menjadi pilihan yang tepat untuk menentukan struktur rancangannya. (Bingham dan Sitter 2003) Ketika percobaan lebih menitikberatkan pada beberapa pengaruh faktor C dan interaksinya. Pengaruh anak petak dan interaksi yang ber-aliases dengan pengaruh petak utama atau ber-aliases dengan interaksi antara faktor-faktor petak utama dibandingkan dengan galat petak utama. sebuah kondisi yang biasa dalam RPD adalah di mana faktor N sungguh mahal untuk dikontrol. Sebagai contoh. dengan begitu titik berat pengujian lebih kepada anak petak.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Faktor N sebagai petak utama dan Faktor C sebagai anak petak Kasus yang dipilih disesuaikan dengan kondisi faktor-faktor yang dicobakan dan dipilih sesuai dengan pengaruh faktor mana yang lebih diperhatikan. jika faktor N adalah kondisi lingkungan dalam pabrik. pembentukan rancangan sebagai split-plot dengan faktor N sebagai petak utama dan faktor C sebagai anak petak merupakan pilihan praktis. faktor-faktor tersebut idealnya ditempatkan sebagai anak petak. Ada dua kasus yang dapat dibentuk. 13 November 2010 2. Pembentukan generator perlu lebih diperhatikan agar pengujian yang dilakukan dapat lebih tepat. Manajemen Risiko di Bidang Perbankan dan Asuransi | 291 . Rancangan FFSP RPD dapat dibentuk berdasarkan melatarbelakanginya. Pada kasus dua. Konsekuensinya. Precision merupakan kemampuan untuk mendeteksi pengaruh signifikan dengan power sebesar mungkin (Bingham & Sitter 2001). maka perubahan faktor N mungkin mengeluarkan banyak biaya dan waktu. Rancangan Fraksional Faktorial Split-Plot Robust (FFSP RPD) RPD dapat digunakan bersama rancangan FFSP. dengan alasan praktis. Galat petak utama lebih besar daripada galat anak petak. Dua aspek tersebut adalah identifiability dan precision. Pada kasus satu. yaitu : kondisi yang 1. Identifiability adalah kemampuan untuk menduga sebanyak mungkin pengaruh utama dan pengaruh interaksi dua faktor. Perbedaan galat petak utama dan anak petak memunculkan dua aspek yang menarik dalam pemilihan rancangan FFSP yang akan digunakan. faktor-faktor tersebut justru ditempatkan sebagai petak utama. Pengaruh anak petak dan interaksi yang melibatkan paling tidak satu faktor anak petak yang tidak ber-aliases dengan pengaruh petak utama atau tidak ber-aliases dengan interaksi antara faktor-faktor petak utama dibandingkan dengan galat anak petak. Jika faktor yang digunakan dalam jumlah yang besar dan ada kendala teknis di lapang sehingga digunakan rancangan FFSP. 3. Faktor C sebagai petak utama dan faktor N sebagai anak petak 2.

... 13 November 2010 Pada percobaan yang melibatkan faktor N dan dan faktor C.......Prosiding Seminar Nasional Statistika Universitas Padjadjaran... (1) Dimana : = Pengamatan pada Control factors ke-i dan Noise factors ke-j ulangan ke-k µ rk Ci = Rataan Umum = Pengaruh Kelompok ke-k = Pengaruh Control factors ke-i = Galat dari Control factors ke-i ulangan ke-k Nj CNij = Pengaruh Noise factors ke-j = Pengaruh interaksi Control factors ke-i denganNoise factors ke-j = Pengaruh galat dari Control factors ke-i denganNoise factors ke-j ulangan ke-k eijk Pengaruh Ci terdiri dari pengaruh utama faktor C itu sendiri dan pengaruh interaksi tingkat rendah antara faktor C dengan faktor C..... jika ber-alises dengan interaksi faktor C maka masuk dalam Manajemen Risiko di Bidang Perbankan dan Asuransi | 292 . Model linear yang digunakan pada kasus satu (Faktor C sebagai petak utama dan faktor N sebagai anak petak) adalah sebagai berikut : ...... dengan faktor N ditempatkan sebagai faktor petak utama bertujuan untuk menduga pengaruh-pengaruh berikut (Kowalski 2002):  Pengaruh utama dari faktor N (petak utama)  Pengaruh utama dari faktor C (anak petak)  Interaksi dua faktor antara faktor C dan faktor N  Interaksi dua faktor antar faktor C (bila mungkin) Pendugaan terhadap pengaruh utama faktor C dan interaksi antara faktor C dengan faktor N merupakan pendugaan yang penting untuk menentukan taraf dari faktor C yang membuat robust terhadap perubahan faktor N... Pengaruh Nj terdiri dari pengaruh utama faktor N itu sendiri dan pengaruh interaksi antara faktor N dengan faktor N. Sedangkan pengaruh interaksi CNij merupakan interaksi faktor C dan faktor N yang tidak ber-alises dengan interaksi faktor C...

....... 13 November 2010 pengaruh Ci... Jika percobaan yang dilakukan tidak memiliki ulangan maka pengaruh ulangan dapat dihilangkan dari model. Manajemen Risiko di Bidang Perbankan dan Asuransi | 293 . Model linear yang digunakan pada kasus dua (Faktor N sebagai petak utama dan Faktor C sebagai anak petak) adalah sebagai berikut : ..... Apakah faktor C sebagai petak utama ataukah faktor N yang sebagai petak utama.. jika beralises dengan interaksi faktor N maka masuk dalam pengaruh faktor Ni.Prosiding Seminar Nasional Statistika Universitas Padjadjaran..... (2) Dimana : = Pengamatan pada Noise factors ke-i dan Control factors ke-j ulangan ke-k µ rk Ni = Rataan Umum = Pengaruh Kelompok ke-k = Pengaruh Noise factors ke-i = Galat dari Noise factors ke-i ulangan ke-k Cj NCij = Pengaruh Control factors ke-j = Pengaruh interaksi Noise factors ke-i dengan Control factors ke-j = Pengaruh galat dari Noise factors ke-i dengan Control factors ke-j ulangan ke-k eijk Dalam hal ini pengaruh NCij merupakan pengaruh interaksi faktor N dan faktor C yang tidak ber-alises dengan pengaruh interaksi faktor N.. Komponen ragam yang diuji pada analisis ragam ini sesuai dengan komponen ragam yang ada pada model linear. E.. METODOLOGI Analisis Ragam untuk RPD FFSP Analisis ragam yang digunakan dalam RPD FFSP didasarkan pada kasus yang digunakan.....

Pengaruh interaksi petak utama dan anak petak yang ber-alises dengan interaksi petak utama b. Komponen pengaruh interaksi petak utama dan anak petak. Pengujian komponen keragaman berdasarkan galat masing-masing. Komponen anak petak yang terdiri dari : i. Tujuan yang diinginkan adalah menentukan taraf dari faktor kontrol yang memaksimumkan SNRS. Pengaruh utama faktor petak utama ii. Komponen galat petak utama merupakan interaksi tingkat tinggi dari faktor petak utama yang tidak akan diduga pengaruhnya. Komponen galat anak petak yang merupakan pengaruh kumulatif dari interaksi tingkat tinggi dari faktor anak petak yang tidak diduga pengaruhnya. Interaksi tingkat rendah faktor anak petak. Komponenkomponen keragaman yang diuji pada analisis ragam ini adalah sebagai berikut : a. iii. Sasaran tertentu-lebih baik (target-is-better) Manajemen Risiko di Bidang Perbankan dan Asuransi | 294 . sedangkan komponen (c) dan (d) diuji dengan galat anak petak.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Interaksi tingkat tinggi antara petak utama dan anak petak juga masuk dalam komponen ini. Komponen petak utama yang terdiri dari : i. maka SNR yang digunakan adalah SNRS. SNRS log10 1 n n yi2 i 1 b. Signal-to-Noise Rasio (SNR) SNR merupakan fungsi yang dihitung dari masing-masing faktor percobaan. komponen pengaruh kelompok tidak muncul karena tidak ada ulangan yang dilakukan. Komponen (a) diuji dengan galat petak utama. Pengaruh interaksi tingkat rendah dari faktor petak utama. Lebih besar-lebih baik (larger-the-better) SNRL digunakan jika percobaan yang dilakukan bertujuan untuk mendapatkan pengaturan taraf dari faktor kontrol yang memaksimumkan respon dan memaksimumkan SNRL. SNRL log10 1 n n i 1 1 yi2 c. dimana pengaruh interaksi ini tidak ber-alises dengan interaksi petak utama. Lebih kecil-lebih baik (smaller-the-better) jika percobaan yang dilakukan mengharapkan respon yang minimum. Pemilihan fungsi SNR tergantung pada tujuan percobaan : a. Pengaruh utama faktor anak petak ii. e. 13 November 2010 Pada percobaan RPD FFSP yang tidak memiliki ulangan. c. d.

13 November 2010 Jika tujuan percobaan adalah mereduksi keragaman disekitar nilai sasaran tertentu.620 3.125 2.420 Kuadrat Tengah 242. HASIL DAN PEMBAHASAN Struktur rancangan yang digunakan pada contoh kasus di atas merupakan struktur rancangan RPD FFSP. Analisis Ragam pada Percobaan Schimidt & Launsby (1990) Jumlah Sumber Keragaman X1 X2 X3 X4 X5 Galat petak utama Z1 Db 1 1 1 1 1 2 1 Kuadrat 242.46 18. Struktur generator yang digunakan akan membentuk struktur aliases yang akan menentukan struktur clear effect.445 1035. Clear effect merupakan pengaruh faktor utama dan pengaruh interaksi tingkat rendah yang dapat diduga.250 2. Pengaruh ini bisa jadi ber-aliases dengan interaksi tingkat tinggi.420 0.620 6.00* 18.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.13 4.125 2.205 165. Clear effect merupakan pengaruh penting yang ingin diduga.445 1035. Pengaruh interaksi tingkat tinggi dalam hal ini dapat diabaikan sehingga pengaruh faktor penting dapat diduga. maka digunakan fungsi SNRT.51 0.205 165.44* 18.71 18. Struktur generator yang digunakan adalah X4 = -X1X3 dan X5 = -X2X3. Secara umum analisis ragam dapat dilakukan berdasarkan pada model (1).000 1.32 F-Hitung F-Tabel 77. akan tetapi karena dalam hal ini yang ingin diketahui adalah hanya pengaruh faktor utama saja maka analisis ragam yang dihasilkan adalah sebagai berikut : Tabel 4. Pengujian terhadap clear effect dilakukan melalui analisis ragam.000 1. Struktur generator yang digunakan adalah Z3= -Z1Z2.24* 18.51 331.51 53.125 2. Sedangkan faktor N ditempatkan sebagai anak petak dengan struktur 23-1 . Faktor C yang dicobakan ditempatkan sebagai petak utama dengan struktur 25-2. F.51 Manajemen Risiko di Bidang Perbankan dan Asuransi | 295 .51 0. SNRT y2 log10 2 s Dengan menggunakan SNR akan didapatkan setting faktor yang menghasilkan respon dengan nilai yang mendekati target dan memiliki keragaman minimum (robust).

42.61 . SNRs pada Percobaan Schimidt & Launsby (1990) Run faktor C 1 2 3 4 5 6 7 8 Rata-rata 214.97 .43.32 0.50 85. dan assembly type). Dari hasil analisis ragam didapatkan bahwa faktor C yang berpengaruh adalah X1.45.59 Nilai SRSs yang paling besar adalah pada run ke-4 yang juga memiliki nilai rata-rata paling kecil.50 SNRs .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.00 243. 13 November 2010 Z2 Z3 Galat anak petak Total 1 1 21 31 2.645 4. conveyor speed tolerance.22 4.14 4.920 1853. wave heiht).39.75 135.76 . X3 dan X5.61 . Z2 dan Z3 (solder temperature tolerance.25 305. hal ini menunjukkan bahwa solder defects tidak dipengaruhi oleh faktor Z1.00 195. Dengan demikian setting faktor C yang menghasilkan solder defects sesuai target adalah pada solder temperature suhu 510°F.15 .75 145.663 0. Tujuan utama dari percobaan ini adalah mendapatkan setting taraf faktor C yang menghasilkan solder defects dengan target sekecil mungkin. sehingga analisis SNR yang digunaka adalah SNRs.45. X3 dan X5 ( solder temperature. Tidak ada pengaruh dari faktor N.4675 .32 Keterangan : (*) = berbeda nyata pada taraf 5% Dari hasil analisis ragam di atas didapatkan bahwa faktor C yang memiliki pengaruh signifikan terhadap solder defects adalah faktor X1.645 4.47.205 391.9 Manajemen Risiko di Bidang Perbankan dan Asuransi | 296 .205 18.51 .25 252.48.835 2. flux density. flux density taraf 0. Hasil analisis SNR yang dilakukan adalah sebagai berikut: Tabel 5.

Huang P. Six Sigma for Electronics Design and Manufacturing. Manajemen Risiko di Bidang Perbankan dan Asuransi | 297 . Kemudian Conveyor speed dengan taraf 7. DAFTAR PUSTAKA Bingham D.org. Dechang C. Setting taraf faktor tersebut mampu menghasilkan solder defects yang minimum dan robust terhadap solder temperature tolerance. Conveyor speed dengan taraf 7. conveyor speed tolerance dan assembly type.5 inches.9 dan wave heighttaraf 0. Technometrics 41: 62-70. Technometrics 410: 314-26. Taguchi‟s parameter design: a panel discussion. H. flux density taraf 0. New York: McGraw-Hill Book Co Shina SG. Nair VN. 1999. 2002. 2003. Joseph OV. Minimum aberration two-level fractional factorial splitplot design. 1998.2 feet/minute dan preheat temperature pada taraf 150°F. 13 November 2010 dan wave heighttaraf 0. Taguchi Technics for Quality Engeenering. Dalam contoh kasus yang berikan didapatkan hasil bahwa setting control faktor yang tepat adalah pada solder temperature suhu 510°F.asq.5 inches.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Kondisi ini adalah kondisi yang paling robust dan bersifat insensitif terhadap faktor N. Minimum aberration two-level split-plot designs. b. Rancangan RPD FFSP dapat digunakan dalam proses peningkatan kualitas produk dengan cara mendapatkan setting control factors yang tepat menghasilkan respon sesuai target dan robust terhadap noise factors. www. 1989. New York: McGraw-Hill Book Company. KESIMPULAN a. dalam hal ini solder defects yang sesuai target yaitu yang seminimal mungkin dan robust terhadap gangguan faktor N maka akan meningkatkan kualitas produk yang dihasilkan. Technometrics 34: 12761. Faktor C yang lain dapat disetting dengan taraf yang ekonomis karena tidak berpengaruh terhadap solder defects. 1992. G. Dengan hasil respon yang robust. 24 Run split-plot experiments for robust parameter design. Kowalski SM.2 feet/minute dan preheat temperature pada taraf 150°F. Sitter RR. Ross PJ.

surface plot. Dalam disiplin matematika. Dengan metode response surface akan didapatkan suatu persamaan regresi yang dapat berbentuk linear maupun non linear. 13 November 2010 (D. tergantung fungsi tujuannya yaitu maksimal atau minimal (Lieberman and Hillier. yaitu penyelesaian yang tidak melanggar batasan-batasan yang ada yang mempunyai nilai tujuan paling terbesar atau terkecil. Metode response surface merupakan suatu pengembangan metode polinomial ortogonal. Pada contoh yang digunakan (optimasi kuat tekan paving block). Komposisi perlakuan yang optimal dapat dilihat melalui contour plot dan surface plot. Proses optimasi tersebut bertujuan untuk mendapatkan setting taraf faktor yang mampu menghasilkan respon yang terbaik. optimasi.1995). dalam suatu problem optimasi diusahakan untuk memaksimalkan atau meminimalkan suatu besaran spesifik sebagai “tujuan” (objective) yang tergantung dari input sebuah variabel keputusan. contour plot. Sedangkan menurut Bronson (1983). Manajemen Risiko di Bidang Perbankan dan Asuransi | 298 . tingkat kehalusan pasir 4. Salah satu alternatif analisis yang dapat digunakan adalah metode response surface.3 Staf Pengajar Jurusan Statistika FMIPA Universitas Padjadjaran ABSTRAK Pada beberapa ekperimen yang digunakan pada banyak penelitian seringkali bertujuan untuk melakukan optimasi perlakuan yang dicobakan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.2) OPTIMASI KOMPOSISI PERLAKUAN DENGAN MENGGUNAKAN METODE RESPONSE SURFACE 1 2 Andry Ritonga H.5 mm dan jumlah pasir yang terkandung dalam campuran bahan pengisi sebanyak 25 gram. optimasi merujuk pada studi permasalahan yang mencoba mencari solusi optimal. metode optimasi dalam hubungan matematik biasanya menyangkut pengertian memaksimalkan atau meminimalkan. PENDAHULUAN Menurut Gill dkk (1993). Optimasi merupakan suatu proses untuk mencapai hasil yang ideal atau optimal (nilai efektif yang dapat dicapai). Kata kunci : Response Surface. Sudartianto 3 Sri Winarni 1 Mahasiswa Program Strata 1 Jurusan Statistika FMIPA Universitas Padjadjaran 2. 1. didapatkan hasil bahwa komposisi perlakuan yang menghasilkan kuat tekan paving block terbaik adalah komposisi dengan kadar air 23%.

3. sehingga dengan menggunakan metode response surface ini akan didapatkan suatu model persamaan regresi yang dapat berbentuk linier maupun non – linier. B. Dalam melakukan analisis ANAVA. diperlukan beberapa asumsi yang harus dipenuhi.. Selain persamaan regresi tersebut. yang digunakan adalah nilai residu ( ). P. dengan metode response surface ini akan didapatkan juga komposisi taraf yang optimal yang dapat dilihat melalui contour plot dan surface plot.. E. perlu ditentukan terlebih dahulu desain dasar dari eksperimen tersebut. yaitu normalitas dan homogenitas varians. Wilson. Desain dasar yang digunakan dan dicobakan pada suatu eksperimen yang melibatkan dua faktor atau lebih adalah desain faktorial. Proses optimasi dapat Manajemen Risiko di Bidang Perbankan dan Asuransi | 299 . meningkatkan. Pengaruh perlakuan diuji dengan menggunakan Analisi Varians (ANAVA) yang mampu memecah pengaruh perlakuan ke dalam pengaruh utama dan pengaruh interaksinya.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Response surface merupakan suatu metode pengembangan dari polinom ortogonal. Dalam metode response surface ini digunakan rangkaian eksperimen yang dirancang untuk memperoleh respon yang optimal (G. Perlakuan pada desain faktorial merupakan komposisi taraf dari faktor – faktor yang digunakan. Untuk uji normalitas ini. Metode response surface ini dapat digunakan untuk mencari titik optimum dari suatu proses yang telah dilakukan dan untuk mengoptimumkan suatu proses yang telah ada. TUJUAN Melakukan proses optimasi komposisi perlakuan dengan menerapkan metode response surface untuk mendapatkan respon pengamatan yang terbaik. di mana: .. 13 November 2010 Menurut Douglas C. maka eksperimen tersebut dipastikan memiliki faktor yang bersifat kuantitatif. Response Surface digunakan untuk menyelidiki hubungan antara beberapa variabel yang memberikan pengaruh pada satu atau lebih variabel respon.. LANDASAN TEORI Pada setiap eksperimen yang dilakukan baik yang bertujuan untuk proses optimasi ataupun yang bukan optimasi. Box dan K. (3.. Montgomery (2009). response surface merupakan suatu metode gabungan antara teknik matematika dan teknik statistika yang berguna untuk mengembangkan. 1978).. dan mengoptimalkan suatu proses.. 2.1) Ketika eksperimen yang dilakukan bertujuan untuk proses optimasi.

terlebih dahulu dilakukan pengujian tingkat orde faktor.. Namun pada situasi tertentu. Penentuan Polinom Faktor Dengan mengujian polinom faktor ini.. apabila efek penyimpangan dari model persamaan regresi tertentu signifikan.. Untuk pengujian keberlakuan persamaan regresi dimulai dari orde yang paling rendah hingga orde yang paling tinggi yang dapat dibentuk dalam penelitian.. Untuk menguji polinom faktor tersebut digunakan uji ANAVA... bentuk persamaan regresinya adalah sebagai berikut: Manajemen Risiko di Bidang Perbankan dan Asuransi | 300 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. b. diperlukan juga untuk menggunakan persamaan regresi dengan tingkat orde yang lebih tinggi (Raymond H. 13 November 2010 dilakukan dengan menggunakan metode response surface. maka diperlukan persamaan regresi dengan tingkat orde yang lebih tinggi lagi. Untuk mencari Jumlah Kuadrat (JK) orde faktor.2) dengan nilai i berasal dari tabel koefisien polinom ortogonal. maka dapat diketahui tingkat orde dari suatu faktor yang memberikan pengaruh terhadap suatu variabel respon. dkk.. digunakan perumusan seperti di bawah ini : JK (polinom) Yij 2 i 2 i .. Tahapan yang dilakukan dalam metode response surface adalah sebagai berikut a. Sedangkan untuk nilai Fhitung dapat diperoleh dengan membagi Kuadrat Terkecil (KT) dari polinom faktor terhadap KT dari kekeliruan atau dapat dituliskan sebagai berikut: F= KT(polinom faktor) KT(E) .. persamaan regresi dengan tingkat orde 2 (kuadratik) sudah cukup baik untuk digunakan. Pada umumnya. Myers.3) Pengujian dilakukan dengan melihat apakah efek penyimpangan dari model persamaan regresi yang ada masih berlaku atau tidak. Penentuan Persamaan Regresi Dalam menentukan persamaan regresinya akan didapatkan suatu persamaan regresi yang dapat berbentuk linier ataupun non linier.. Dalam menentukan polinom faktor.... 2009). Untuk model persamaan regresi yang paling sederhana atau orde pertama (linier). (3. (3..

meminimalkan jumlah kuadrat kekeliruan Sedangkan untuk persamaan regresi dengan tingkat orde 2 (kuadratik).. Persamaan di atas dapat ditulis dalam notasi matrix sebagai berikut . suku x1 x3 menunjukkan interaksi antara variabel-varabel x1 dan x3 ......Prosiding Seminar Nasional Statistika Universitas Padjadjaran. di mana: (3. dan x3 masing-masing sebagai prediktor...8) .. x1 .... Persamaan regresinya adalah sebagai berikut: y 0 1 1 x 2 2 x 3 3 x 2 11 1 x 2 22 2 x 2 33 3 x 12 1 2 xx 13 1 3 xx 23 2 3 xx 1 . x2 . dan suku x2 x3 menunjukkan interaksi antara variabel-variabel x2 dan x3 .. (3.. Maka L dapat dituliskan menjadi: (3... Dengan meminimalkan jumlah kuadrat kekeliruan є. (3..4) dengan Y sebagai respon.6) ......... dan .. yakni . (3.. dan 3 ditaksir dengan menggunakan metode kuadrat terkecil untuk ....5) Di mana suku x1 x2 menunjukkan interaksi antara variabel – variabel x1 dan x2 .... (3.7) Koefisien dalam model-model di atas akan ditaksir dengan menggunakan metoda kuadrat terkecil berdasarkan data hasil eksperimen. karena merupakan skalar (matrix 1 x 1). 13 November 2010 Y 0 1 1 x 2 2 x 3 3 x ...9) Kemudian L diturunkan terhadap β: Manajemen Risiko di Bidang Perbankan dan Asuransi | 301 . . . maka .. 2 ... 1 .. Sedangkan 0 .

7 245.1 150.3 119..2 179.5 151.2 100.3 117.5 155. Menggambarkan Kontur Garis kontur adalah garis yang menghubungkan titik-titik yang mempunyai ketinggian yang sama dari suatu bidang acuan tertentu.0 206.25 4.75 4.5 159.9 155.4 99.2 119.1 175.0 170. dapat terlihat komposisi taraf dari faktor – faktor yang optimal dalam memberikan pengaruh terhadap suatu variabel respon.0 185.3 259..1 60.1 169.5 140.0 120.2 148.9 169.4 67.1 Manajemen Risiko di Bidang Perbankan dan Asuransi | 302 .1 144.25 4.0 95.0 188.2 7.1 149.1 139.3 132..1 85.2 59.11) 4.0 100 125.9 160. digunakan software tertentu.6 89.9 142.8 222.5 101.0 179.5 131.1 77.0 171.2 160.1 149.4 75..8 157.1 139.3 99..0 170.9 140. (3.8 160. CONTOH KASUS Dalam pembuatan paving block.6 166.4 91.1 218.2 149.1 201.2 23.0 145.9 160.2 221. Hasil dari kontur sendiri ada yang berdimensi dua (contour plot) dan ada yang berdimensi tiga (surface plot).10) Maka. ingin diketahui komposisi taraf-taraf faktor yang bagaimanakah yang akan menghasilkan kuat tekan paving block yang terbaik.2 26.0 144.5 185.0 170.5 150.0 151.5 69.7 161.9 170.0 215.0 88.1 132.0 151.2 89.4 1.1 155.5 99.5 89.0 182.2 199.3 163.3 A 50 150. Setiap faktor – faktor yang ada terdiri atas beberapa taraf. penaksir untuk β yang didapatkan dengan metode kuadrat terkecil adalah .1 155. Dalam contoh kasus ini.3 7.4 130..1 150.9 160..5 143.0 152. c.1 152.1 87.3 7..0 169.8 210..2 210. Untuk menggambarkan konturnya.4 1. dan banyaknya jumlah pasir yang terkandung dalam campuran bahan pengisi.2 28.7 182.2 90.3 79..5 172.5 165.5 150. Dengan menggunakan kontur tersebut.. (3.8 120.4 65.7 120.8 240. 13 November 2010 .6 150.2 170.8 160. B C 1.4 1.5 159. faktor – faktor yang mempengaruhi kuat tekan paving block adalah tingkat kehalusan pasir.1 209.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.0 147.3 169..3 75 139.9 80.2 215.4 130. kadar air.0 143.0 148.2 180.5 141.7 110.75 4.2 156.3 115.3 7.4 169.0 73.2 25 21.

347 Manajemen Risiko di Bidang Perbankan dan Asuransi | 303 .1 55.6 Keterangan: A = Banyaknya jumlah pasir yang terkandung dalam campuran bahan pengisi (gram).0 125.61 Dk 1 JK KT Fhitung Ftabel 3148978. HASIL DAN PEMBAHASAN Dalam contoh kasus ini.2 130.5 107.0 119.312 55861.0 89.0 69.02 1.1 99.5 120.347 3148978.83 2.5 51.1 109.9 125 111.0 151.5 130.0 120.441 665.1 49.467 223.0 110.743 5.17 1.3 126.0 131.246 167585.0 39.3 119.7 101.5 55.9 19207.3 110.5 110.0 148.1 59.9 125.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. pengujian selanjutnya dapat dilaksanakan. a.3 59.306 4.113 4450.5 272. 13 November 2010 120.1 Tabel ANAVA Sumber Variasi Rata-rata Perlakuan: A B C AB AC BC ABC 4 3 2 12 8 6 24 112177.2 105. B = Kadar air (%) C = Tingkat kehalusan pasir (mm) 5.554 38414.457 27.4 55.07 2.0 109.1 125.1 121.399 2.4 122.201 1169.0 121.9 95. data yang digunakan telah memenuhi asumsi berdistribusi normal dan juga homogenitas varians.2 67.0 77.5 130.411 9355.0 122.3 111.5 115.1 60.1 88.909 3266.3 44.5 115.585 28044.0 144.0 102.282 1352.45 3. Uji Signifikan untuk Faktor – Faktor Tabel 5. Oleh karena itu.1 131.1 120.9 148.0 40.5 141.68 2.734 1342.0 49.1 101.65 6.2 140.19 455.685 185.2 119.5 95.

maka digunakan persamaan (3.2).634 13. maka didapatkan bahwa tingkat persamaan regresi yang berlaku adalah persamaan regresi hingga tingkat orde keempat. Setelah dilakukan pengujian.  Kadar air memberikan efek yang signifikan terhadap kuat tekan paving block.154 Berdasarkan tabel 5.246 110638.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 Kekeliruan Jumlah 120 180 5058.2 Tabel ANAVA untuk Menentukan Polinom Faktor Sumber Variasi Rata – rata Faktor A A linier A kuadratik dk 1 4 1 1 JK 3148978.3).  Tingkat kehalusan pasir memberikan efek yang signifikan terhadap kuat tekan paving block.  Interaksi antara banyaknya jumlah pasir yang terkandung dalam campuran bahan pengisi dan tingkat kehalusan pasir memberikan efek yang signifikan terhadap kuat tekan paving block.842 575.  Interaksi antara tingkat kehalusan pasir dan kadar air memberikan efek yang signifikan terhadap kuat tekan paving block.453 341651. tingkat kehalusan pasir. dan kadar air memberikan efek yang signifikan terhadap kuat tekan paving block.  Interaksi antara banyaknya jumlah pasir yang terkandung dalam campuran bahan pengisi. dapat disimpulkan bahwa:  Banyaknya jumlah pasir yang terkandung dalam campuran bahan pengisi memberikan efek yang signifikan terhadap kuat tekan paving block. Dengan menggunakan persamaan (3.1 di atas.  Interaksi antara banyaknya jumlah pasir yang terkandung dalam campuran bahan pengisi dan kadar air memberikan efek yang signifikan terhadap kuat tekan paving block.362 KT Fhitung 110638. maka didapatkan JK (polinom) untuk setiap faktor yang ada.649 Manajemen Risiko di Bidang Perbankan dan Asuransi | 304 .005 42.347 112177. Sedangkan untuk mendapatkan nilai Fhitung.842 575. selanjutnya dilakukan pengujian untuk menentukan polinom faktornya. Nilai JK (polinom) dan juga Fhitung yang telah didapatkan tersebut dituliskan ke dalam tabel ANAVa seperti di bawah ini Tabel 5.362 2624. Menentukan Polinom Faktor Setelah dilakukan uji signifikansi terhadap faktor – faktor yang ada. b.

429 19.000 119064.934 97.724 3.751 119.876 2.294 288.603 873.028 35.193 13.042 572.851 847.355 584.411 7.602 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.881 8.917 2027.113 38.607 79.350 2.103 48514.834 1.910 13.734 26.445 113.455 7.035 574.696 0.279 372.572 23.411 574.917 38414.279 372.918 47.503 1150.035 3266.467 7097.470 20.918 4450.399 71.106 863.301 4.020 169.869 26.447 6.508 26.152 30.097 0.414 1303.628 14.909 2027.570 1342.572 23.429 19.168 6.695 20.607 79.874 36387.263 396.286 61.851 847.294 288.686 35.180 Manajemen Risiko di Bidang Perbankan dan Asuransi | 305 .585 47.130 20.566 0.489 8.399 71.550 3.000 167585.869 9355.591 0.470 20.590 391.603 873.286 61.597 0.103 48514.164 48.934 97.550 3.492 611.590 9.554 119064.924 0.602 145.990 14.615 362.359 0.569 2824.833 0.888 0.020 169.623 1.411 7.023 1.847 0. 13 November 2010 A kubik A kuartik Faktor B B linier B kuadratik B kubik Faktor C C linier C kuadratik Interaksi A X B A L X BL AL X BD A L X BT AD X BL AD X BD AD X BT AT X BL AT X BD AT X BT AE X BL AE X BD AE X BT Interaksi A X C AL X C L A L X CD AD X CL AD X CD AT X CL AT X CD AE X CL AE X CD Interaksi B X C BL X C L B L X CD BD X CL BD X CD BT X CL BT X CD Interaksi A X B X C A L X BL X C L A L X B L X CD AL X BD X CL AL X BD X CD A L X BT X C L A L X B T X CD AD X BL X CL AD X BL X CD AD X BD X CL 1 1 3 1 1 1 2 1 1 12 1 1 1 1 1 1 1 1 1 1 1 1 8 1 1 1 1 1 1 1 1 6 1 1 1 1 1 1 24 1 1 1 1 1 1 1 1 1 391.277 13.042 572.641 867.628 168.168 6.615 362.847 1.602 145.641 867.508 26.990 14.078 80.686 35.355 584.177 320.414 1303.534 6.177 320.467 7097.445 113.404 1.078 80.263 396.458 2.501 9.028 35.843 0.091 20.570 38.534 6.751 119.492 611.874 36387.911 0.

13 November 2010 AD X BD X CD AD X BT X CL AD X BT X CD AT X BL X CL AT X BL X CD AT X BD X CL AT X BD X CD AT X BT X CL AT X BT X CD AE X BL X CL AE X BL X CD AE X BD X CL AE X BD X CD AE X BT X CL AE X BT X CD Kekeliruan 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 120 180 464.453 464. AD X BL X CD.833 186. dan AE X BL.  Faktor interaksi antara A dan C yang berbentuk AL X CD. kuadratik.017 941. maka akan didapatkan : Manajemen Risiko di Bidang Perbankan dan Asuransi | 306 .137 401. dan BD X CD. AE X BL X CD.003 9.154 59.172 374. dan C yang berbentuk AL X BL X CD.020 4.063 1. AT X CD.375 1.080 0.004 1.833 186.05.033 0.  Faktor interaksi antara A. AT X BD X CD.856 17.109 64.137 401. Faktor B yang berbentuk linier dan kuadratik.533 129. maka didapat Ftabel = 3.425 3.893 0. AL X BT X CD.014 0.327 5058.375 1.530 0. dan kuartik.882 0.338 0. 92.949 22.856 17.279 3.327 42.154 59.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.649 0. AT X BL X CD.649 0.154 11. BT X CD.11).420 0.109 64. B.383 0.407 8. c.526 Dengan α = 0. AL X BT.735 40.  Faktor interaksi antara B dan C yang berbentuk BL X CD.AT X BD. Faktor C yang berbentuk linier dan kuadratik.172 374. AE X BD X CD.383 0. dan AE X CD. AD X BD X CD.533 129.882 0. AL X BD.735 40.279 3. Berdasarkan tabel ANAVA di atas dapat dilihat bahwa faktor – faktor yang memberikan efek adalah:     Faktor A yang berbentuk linier.017 941. Faktor interaksi antara A dan B yang berbentuk AL X BL. Menentukan Persamaan Regresi Dengan menggunakan persamaan (3.

459 45.188 0.919 10-5 3.447 10-8 b 0.317 -0.032 10-8 5. 13 November 2010 -1845.243 28.180 -3.126 10-4 7.466 165.166 -0.432 10-10 Maka persamaan regresi yang terbentuk menjadi: d.447 0. Analsis dengan Contour Plot dan Surface Plot Manajemen Risiko di Bidang Perbankan dan Asuransi | 307 .919 0.02 1.002 -3.546 10-6 -4.866 10-5 5.239 10-7 9.002 -7.516 10-6 6.512 10-9 -4.055 -0.563 -44.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.002 -0.102 -1.749 10-4 -1.297 10-7 5.

592 133.592 121.137 98.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.047 145.319 145.230 180.502 168.412 Hold Values Pasir 25 Tingkat kehalusan pasir 22 23 24 25 26 Kadar air 27 28  Surface Plot Surface Plot of Kuat tekan pavin vs Tingkat kehalusa.685 203.319 133.775 168.775 156. 13 November 2010 Dengan menggunakan software tertentu didapatlah contour plot dan surface plot dengan hasil sebagai berikut:  Contour Plot Contour Plot of Kuat tekan pavin vs Tingkat kehalusa.957 203. Kadar air Hold Values Pasir 25 200 uat tekan paving block 150 8 100 22 4 24 Kadar air 26 28 2 6 T ingkat kehalusan pasir Manajemen Risiko di Bidang Perbankan dan Asuransi | 308 .412 > 215.230 191.685 215.864 109.957 191.047 156.502 180. Kadar air 7 6 5 4 3 2 Kuat tek an pav ing block < 98.137 109.864 121.

2.25 % hingga kadar air sebanyak 23 %. Inc. edisi keempat .. W. 1005. 6.2 mm hingga tingkat kehalusan pasir sebesar 4.G. Hunter. tingkat kehalusan pasir sebesar 4. J.P. An Introduction to Design. KESIMPULAN Berdasarkan analisis yang telah dilakukan.E. maka kuat tekan paving block terus mengalami penurunan. namun pada saat kadar air lebih besar daripada 23 %.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.5 mm dan jumlah pasir yang terkandung dalam campuran bahan pengisi sebanyak 25 gram.. 1978. Montgomery.5 mm. Data Analysis and Model Buildin. New York: John Wiley and Sons.S.5 mm. Berdasarkan kasus yang ada. dapat dilihat bahwa komposisi taraf yang menghasilkan kuat tekan paving block terbaik adalah pada kadar air 23 %. C. 13 November 2010 Berdasarkan contour plot dan surface plot di atas dapat dilihat bahwa kuat tekan paving block mengalami peningkatan mulai dari kadar air 21. Namun pada saat tingkat kehalusan pasir lebih besar daripada 4. Bandung: Tarsito. An Introduction of Operational Research. Desain dan Analisis Eksperimen. Inc. and Hunter. maka dapat diperoleh sebagai berikut: 1. Manajemen Risiko di Bidang Perbankan dan Asuransi | 309 . Design and Analysis of Experiment. Metode response surface mampu mendapatkan komposisi perlakuan yang menghasilkan respon percobaan yang terbaik. G. Sudjana. 1989. Dengan demikian dapat disimpulkan bahwa komposisi taraf yang menghasilkan kuat tekan paving block terbaik adalah pada komposisi kadar air sebanyak 23 %. kuat tekan paving block mengalami kenaikkan mulai dari tingkat kehalusan pasir 1. Statistics for Experimenters. 2009. tingkat kehalusan pasir 4. Seventh edition. Douglas. Dengan kuat tekan paving block yang dihasilkan di atas 215. Dengan kuat tekan yang dihasilkan di atas 215.412.5 mm dan jumlah pasir yang terkandung dalam campuran bahan pengisi sebanyak 25 gram. DAFTAR PUSTAKA Box. 412 kg/cm2. New York : John Wiley and Sons. Lieberman and Hillier. New York: McGraw-Hill Book Company. Sedangkan pada faktor tingkat kehalusan pasir sendiri. maka kuat tekan paving block terus mengalami penurunan.

Transformed Hessian Methods for large-scales constrained optimization. C. Presented at the Fourth Stockholm Optimization days. 13 November 2010 Myers.. M. Saunders.D. Anderson-Cook. Gill. Royal Institute of Technology .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. A. Montgomery. Inc. Stockholm. Murray. and M... Manajemen Risiko di Bidang Perbankan dan Asuransi | 310 . (Gill et al. W. Response Surface Methodology Process and Product Optimazation using Design Experiments. New York: John Wiley and Sons. 16 – 17 August.. Third edition.. E. 2009. Raymond H. 1993a) P. 1993. C.

13 November 2010 LAMPIRAN Tabel Koefisien Polinom Ortogonal N=3 Xj P1 1 -1 2 3 4 5 2 i N=4 P2 1 -2 1 P1 -3 -1 1 3 P2 1 -1 -1 1 P3 -1 3 -3 1 N=5 P1 -2 -1 0 1 2 P2 2 -1 -2 -1 2 14 1 P3 -1 2 0 -2 1 10 5/6 P4 1 -4 6 -4 1 70 35/12 0 1 2 1 6 3 20 2 4 1 20 10/3 10 1 Manajemen Risiko di Bidang Perbankan dan Asuransi | 311 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

Di PT. 13 November 2010 (D. maka sebagai alternatifnya harus dipilih desain yang sesuai dengan permasalahan tetapi efisien dan efektif. yang masing-masing faktor terdiri dari dua taraf. sehinga untuk memperoleh informasi tersebut harus dipilih desain yang tepat dan sesuai dengan permasalahan yang dihadapi. Salah satu tujuan dari desain eksperimen adalah untuk mengumpulkan informasi yang sebanyak-banyaknya yang diperlukan dan berguna untuk penelitian yang dilakukan guna memperoleh pemecahan dari permasalahan yang diteliti. e-mail : arthinii@yahoo.com ABSTRAK Untuk meneliti terjadinya Wet Spot pada bahan karet mentah atau SBR (Styrena Butadiena Rubber) diduga disebabkan oleh faktor-faktor tertentu yaitu : konsentrasi pH pada saat pencucian. Pendahuluan. yaitu efek faktor atau efek interaksi antara faktorfaktor dengan aliasnya tidak bisa dibedakan. Replikasi Fraksional. Kata Kunci : Desain Resolusi-V. apalagi ketika harus dilakukan reflikasi atau pengulangan maka eksperimen yang harus dilakukan akan semakin banyak lagi dan ketika eksperimen yang dilakukan tidak murah maka eksperimen tersebut akan membutuhkan biaya yang banyak. sehingga dalam penelitian ini melibatkan lima faktor sebagai perlakuan dan dalam eksperimennya terbentuk 25 kombinasi perlakuan. dengan melakuan replikasi sebanyak r maka eksperimen yang harus dilakukan sebanyak r25 begitu juga pengujian terhadap efek faktor maupun efek interaksi antara faktor-faktor yang harus dilakuan analisisnya sebanyak 25-1. X yang memproduksi bahan karet Manajemen Risiko di Bidang Perbankan dan Asuransi | 312 . 1. temperatur ketika dilakukannya pengeringan II dan ukuran Ampere Squizer pada saat pemerasan produk. MS. tanpa harus kehilangan informasi yang ingin diperoleh karena menggunakan sifat-sifat dari alias.3) DESAIN RESOLASI V DENGAN REPLIKASI FRAKSIONAL UNTUK MENENTUKAN FAKTOR PENYEBAB TERJADINYA WET SPOT PADA PRODUK KARET MENTAH Oleh : Enny Supartini Dra. Dengan desain resolusi V eksperimen yang harus dilakukan hanya sebanyak 25-1 . Tetapi ketika dalam penelitian tersebut melibatkan banyak faktor dan faktor-faktor tersebut terdiri dari beberapa taraf faktor sehingga kombinasi perlakuan yang harus dilakukan dalam eksperimen akan banyak sekali. temperatur ketika dilakukannya pengeringan I.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Alias. begitu juga untuk pengujian hipotesis yang dilakukan bisa lebih sedikit berdasarkan pada nilai-nilai efek faktor yang memperlihatkan efek yang cukup besar.

jika dilakukan pengulangan sebanyak r kali maka eksperimen tersebut harus dilakukan sebanyak rx22. temperatur ketika dilakukannya pengeringan I. coklat. Sehingga untuk melihat apakah terjadinya Wet Spot tersebut sebagai pengaruh dari kelima faktor tersebut maka harus dilakukan eksperimen dengan menggunakan eksperimen faktorial yang melibatkan 5 faktor tersebut dan jika masing-masing faktor terdiri dari dua taraf maka ada sebanyak 25 kombinasi perlakuan untuk eksperimen tersebut. Desain Resolasi-V dengan Replikasi Fraksional untuk menentukan Faktor penyebab terjadinya wet spot pada produk karet mentah Seperti dikemukakan pada bagian pendahuluan pada permasalahan PT. hasil produksinya masing dijumpai Wet Spot pada produk akhir-nya yaitu adanya spot pada permukaan bahan mentah karet. yaitu untuk melihat apakah terjadinya Wet Spot pada SBR merupakan pengaruh lima faktor maka harus dilakukan eksperimen dengan menggunakan eksperimen faktorial yang melibatkan 5 faktor dan jika masing-masing faktor terdiri dari dua taraf maka ada sebanyak 25 kombinasi perlakuan berarti dengan hanya satu kali replikasi saja. tetapi dengan menggunakan Desain Resolusi-V maka hanya perlu melakukan 25-1 eksperimen atau setengah replikasi yaitu hanya 16 eksperimen saja berarti akan banyak sekali menghemat padahal informasi yang dibutuhkan tetap akan diperoleh dengan menggunakan informasi berdasarkan Manajemen Risiko di Bidang Perbankan dan Asuransi | 313 . Terjadinya Wet Spot diduga disebabkan oleh faktor-faktor tertentu yaitu : konsentrasi pH pada saat pencucian. X. abu-abu atau warna lainnya yang disebabkan terjadinya kontaminasi dengan bahan lain. 2. 13 November 2010 mentah atau SBR (Styrena Butadiena Rubber) dalam tahapan akhir proses produksi yaitu tahapan pengeringan. untuk 3 replikasi berarti harus melakukan 96 eksperimen. X harus melakukan sebanyak 32 eksperimen. temperatur ketika dilakukannya pengeringan II. jika hal ini terjadi tentu saja menjadi masalah karena akan mengurangi nilai mutu dari produk tersebut. Dan sebagai alternatif untuk alasan efisiensi bisa digunakan Desain resolusi-V yang bisa mengurangi jumlah eksperimen yang harus dilakukan tanpa harus mengurangi informasi yang seharusnya diperoleh.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Spot adalah suatu noda pada bahan karet mentah dengan warna lain dari warna dasar karet mentah tersebut yaitu kuning. Pt. ukuran Ampere Squizer pada saat pemerasan produk dan ukuran ketebalan dari produk itu sendiri.

r Ai : merupakan efek faktor A taraf ke-i Bj . maka kombinasi perlakuan yang ada di kelompok lainnya sudah terwakili karena merupakan aliasnya yang berarti efek faktor maupun efek interaksinya tidak bisa dikatakan berbeda. B. l. + CDEklm + ABCDijkl + ... 13 November 2010 aliasnya... .1.1.. Sehingga ketika menggunakan ½ replikasi atau 16 dari 32 kombinasi perlakuan yang seharusnya dilakukan banyaknya kombinasi perlakuan tersebut dibagi kedalam dua kelompok dimana anggota kelompok-2 merupakan alias dari kelompok-1 sehingga ketika eksperimen yang dilakukan hanya terhadap kombinasi perlakuan yang ada di salah satu kelompok saja yang dipilih secara acak. + BCDEjklm + ABCDEijklm + εn(ijklm) 1. D dan E εn(ijklm) : merupakan kekeliruan eksperimen.2 begitu juga untuk j. : merupakan efek faktor B taraf ke-j ABij : merupakan efek bersama taraf ke-i faktor A dan taraf ke-j faktor B . Model matematisnya adalah sebagai berikut ( Montgomery 2005 ) : Yijklmn = μ + Ai + Bj + Ck + Dl +Em + ABij + .1. 10 interaksi tiga faktor. Eksperimen Faktorial Khusus 25 2.2.. m sebagai taraf faktor sedangkan n = Manajemen Risiko di Bidang Perbankan dan Asuransi | 314 ... 10 interaksi dua faktor. k.. . (2. C. ABCDEijklm : merupakan efek bersama antara faktor A. Model Matematis untuk Eksperimen Faktorial Khusus 25 Eksperimen faktorial khusus 25 adalah eksperimen faktorial yang melibatkan 5 faktor yang masing-masing faktor terdiri dari dua taraf sehingga dalam modelnya melibatkan 5 faktor utama. . 5 interaksi empat faktor dan satu interaksi lima faktor sehingga dalam eksperimennya akan melibatkan 32 kombinasi perlakuan dikalikan dengan n replikasi yang dilakukan.1) Dengan i = 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2. . + DElm + ABCijk + .

. begitu juga untuk memperoleh Jumlah Kuadrat-nya..de – abde – acde – bcde (2... Anava untuk Eksperimen Faktorial Khusus 25 Dalam analisis varians untuk desain 25 akan melibatkan 32 kombinasi perlakuan dan dalam modelnya akan diperoleh sebanyak 25-1 atau sama dengan 31 efek faktor ataupun efek bersama beberapa faktor sehingga akan dilakukan 31 pengujian hipotesis.ce – abce . misalnya kotras untuk interaksi faktor ABCD dapat diperoleh sebagai berikut : Kontras (ABCD) = (a-1)(b-1)(c-1)(d-1)(e+1) = abcde + cde + bde + ade + bce + ace + abe + e + abcd + cd + bd + ad + bc + ac + ab + (1) – a – b – c – abc – d – abg – acd – bcd – ac – be .1. Sedangkan n adalah banyaknya pengulangan yang dilakukan atau replikasi..3) 2 (kontras ABCDE ) n25 .2) Efek faktor bisa diestimasi oleh : .4) 1 (kontras ABCDE ) 2 5 n2 . Untuk memperoleh Ekspektasi Kuadrat Tengah (Means of Square) bisa diperoleh berdasarkan Jumlah Kuadrat dibagi dengan derajat bebasnya masing-masing sumber Manajemen Risiko di Bidang Perbankan dan Asuransi | 315 . Pada eksperimen faktorial 25.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 2. EFEK FAKTOR( ABCDE ) (2. 5 untuk pengujian terhadap efek faktor utamanya dan 26 untuk pengujian terhadap efek bersama diantara dua faktor atau lebih (interaksi diantara faktor-fakor Untuk menentukan estimasi terhadap efek faktor ataupun efek bersama beberapa faktor bisa diperoleh berdasarkan pada kontras.2.. Jumlah Kuadrat untuk interaksi ABCD adalah : JK ( ABCDE ) (2.

Tentukan kontras penentu. Alias Alias adalah efek diantara dua faktor atau interaksi antara faktor yang berbeda bisa dikatakan bahwa diantara keduanya tidak dapat membuat adanya perbedaan (Montgomery 2005). Sehingga diperoleh : Alias untuk A adalah A(ABCDE) = A2BCDE = BCDE Manajemen Risiko di Bidang Perbankan dan Asuransi | 316 .2. Bekerja dengan aljabar modulo 2 terhadap bilangan pangkat Dalam permasalahan yang dikaji melibatkan 5 faktor sehingga ada ada 32 kombinasi perlakuan. bahwa untuk melakukan eksperimen yang melibatkan lima faktor maka akan diperoleh sebanyak 32 kombinasi perlakuan sehingga eksperimen yang dilakuan sebanyak 32 dikalikan dengan replikasi yang harus dilakukan. 2. tetapi dengan menggunakan replikasi fraksional dalam analisis variansnya tidak perlu melakukan sebanyak itu cukup hanya sebagian saja misal setengahnya. 13 November 2010 variasi. 2. Cara menentukan alias. Tetapi walaupun hanya dilakukan sebagian kita tidak akan kehilangan informasi dari faktor atau interaksi faktor yang tidak dilakukan analisisnya karena masing-masing sudah diwakili oleh faktor-faktor atau interaksi antar faktor yang dilakukan analisisnya yaitu dengan cara menentukan aliasnya. Kalikan faktor (atau faktor-faktor) dengan kontras penentu. Dengan mencari alias untuk masing-masing faktor ataupun interaksi diantara faktor-faktor seperti berikut : 1. seperempatnya atau kalau banyak sekali faktor yang terlibat memungkinkan untuk seperdelapannya.1. Beberapa tahapan dalam menentukan alias : 1. 3.2. dalam hal ini hanya akan digunakan setengah replikasi saja yaitu 16 kombinasi perlakuan. Kontras penentunya I=ABCDE.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Seperti sudah dijelaskan pada bagian II. 2.3. Replikasi Fraksional. Sedangkan untuk menentukan statistik pengujian bisa diperoleh berdasarka Ekspektasi Kuadrat Tengah (EKT) 2.

Jadi Manajemen Risiko di Bidang Perbankan dan Asuransi | 317 . misalnya ketika menganalisis efek fakor A maka kita bisa memperoleh informasi mengenai efek bersama antara faktor-faktor B. C. 13 November 2010 Alias untuk B adalah B(ABCDE) = AB2CDE = ACDE Alias untuk C adalah C(ABCDE) = ABC2DE = ABDE Alias untuk D adalah D(ABCDE) = ABCD2E = ABCE Alias untuk E adalah E(ABCDE) = ABCDE2 = ABCD Alias untuk AB adalah AB(ABCDE) = A2B2CDE = CDE Alias untuk AC adalah AC(ABCDE) = A2BC2DE = BDE Alias untuk AD adalah AD(ABCDE) = A2BCD2E = BCE Alias untuk AE adalah AB(ABCDE) = A2BCDE2 = BCD Alias untuk BC adalah BC(ABCDE) = AB2C2DE = ADE Alias untuk BD adalah BD(ABCDE) = AB2CD2E = ACE Alias untuk BE adalah BE(ABCDE) = AB2CDE2 = ACD Alias untuk CD adalah CD(ABCDE) = ABC2D2E = ABE Alias untuk CE adalah CE(ABCDE) = ABC2DE2 = ABD Alias untuk DE adalah DE(ABCDE) = ABCD2E2 = ABC Maka diperoleh dua kelompok/blok dimana semua yang ada di Blok I aliasnya ada di Blok II seperti berikut ini : Blok I : I A B C D E AB AC AD AE BC BD BE CD CE DE Blok II : ABCDE BCE BCDE ACD ACDE ADE ABDE ACE ABCE ACD ABCD ABE CDE ABD BDE ABC Jadi dalam analisis variansnya cukup melakukan pengujian hipotesis terhadap efek faktor maupun interaksi diantara faktor-faktor pada salah satu blok saja karena semua efek faktor maupun interaksi antar faktor yang ada di Blok I aliasnya ada di Blok II.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. D dan E (interaksi BCDE) karena berdasarkan sifat alias efek faktor A tidak bisa dibedakan dengan interaksi BCDE. sehingga apabila kita melakukan analisis varian terhadap efek faktor A maka informasi untuk interaksi BCDE juga akan diperoleh.

13 November 2010 dalam pelaksanaannya cukup memilih salah satu blok saja untuk dianalisis. 3. Hasil dan Pembahasan Seperti dikemukakan pada bagian sebelumnya bahwa permasalahan PT. faktor B adalah ukuran Ampere Squizer.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Ketika memilih blok I maka dalam analisis varians hanya menguji efek faktor dan interaksi antar faktor yang ada di Blok I saja tetapi informasi untuk Blok II tetap diperoleh karena faktor dan interaksi pada Blok II semuanya merupakan alias dari faktor dan interaksi yang ada di Blok I. misal Blok I yang dipilih. faktor C adalah ketebalan produk (crumb). sedangkan faktor atau interaksi dengan nilai efek yang cukup kecil tidak dilakukan pengujiannya karena diduga akan memberikan hasil pengujian yang non signifikan.1. untuk analisis variansnya dibutuhkan mengestimasi efek faktor dan interaksi Manajemen Risiko di Bidang Perbankan dan Asuransi | 318 . maka statistik ujinya adalah F dengan perbandingan masing-masing Kuadrat Tengah dari Sumber Variasi yang akan di uji terhadap Kuadrat Tengah Error atau kekeliruan eksperimen. faktor D adalah temperatur pada pengeringan I dan faktor E adalah temperatur pada pengeringan II. dengan Desain Resolusi-V maka data yang dibutuhkan hanya sedikit saja yaitu setengah replikasi jadi berdasarkan kombinasi perlakuan yang terpilih untuk dilakukan eksperimennya saja seperti dapat dilihat pada Tabel 3. Statistik ujinya dapat ditentukan berdasarkan Ekspektasi Kuadrat Tengah (EKT). X adalah untuk melihat apakah terjadinya Wet Spot pada SBR merupakan pengaruh lima faktor yaitu faktor A adalah konsentrasi pH pada saat pencucian. Karena model yang digunakan model tetap. kemudian menggabungkan efek faktor atau interaksi yang nilainya cukup kecil terhadap kekeliruan eksperimennya (Montgomery 2005). karena sebaiknya yang dipilih yang mengandung faktor utamanya ( Montgomery 2005 ). Sedangkan untuk pengujian hipotesisnya tidak semua dilakukan tetapi hanya sebagian saja berdasarkan pada nilai efek faktor yang cukup besar yang diduga akan memberikan efek yang signifikan. sedangkan untuk nilai efek faktor yang dianggap cukup kecil nilainya digabungkan dengan kekeliruan eksperimennya. dengan Desain Resolusi-V pengujian yang dilakukan bisa disederhanakan lagi yaitu dengan memilih faktor atau interaksi dengan nilai efek yang cukup besar dan diduga akan memberikan hasil pengujian yang signifikan.

1.125 -0.250 0.+ + + + + + + + + + + + + Data Hasil Pengamatan 4 12 3 6 4 11 7 10 4 6 2 6 4 11 7 7 A + + + + + + + + B + + + + + + + + Tabel 3.000 0.625 0.+ . Hasil Perhitungan Estimasi Efek dan Jumlah Kuadrat Variabel A B C D E AB AC AD AE BC BD BE CD CE Estimasi Efek 2.4) dan untuk mempermudah perhitungan kontras dapat dibuat tabel untuk tanda koefisien efek faktor dan interaksi beberapa faktor dengan data hasil pengamatan dapat dilihat pada Tabel 3.125 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.375 1.250 6.250 0.250 0.125 1.125 4.500 0.563 6.1.125 -0.003 0.438 Jumlah Kuadrat 72. Tabel 3.000 0.250 2.000 0. Tanda Koefisien Efek Desain Resolusi V Untuk 25-1 dan Data Hasil Pengamatan Kombinasi Perlakuan E a b abe c ace bce abc d ade bde abd cde ace bce abcde Efek C D E = ABCD + + + + + + + + .625 0.125 0.+ + .000 0.250 1.438 Manajemen Risiko di Bidang Perbankan dan Asuransi | 319 .000 0.250 20. 13 November 2010 beberapa faktor dan hasil perhitungan berdasarlan rumusan (2.3) sedangkan untuk menentukan Jumlah Kuadrat bisa diperoleh berdasarkan bentuk kontrasnya seperti pada rumus (2.125 0.2.125 -0.

000 0.500 4.250 6.376 118.250 4.9)= 5. 13 November 2010 DE 0. Analisis Varians Desain Resolusi-V Untuk Eksperimen Faktorial 25 Sumber Variasi A C D AD BC DE Error Total df 1 120.417 1 6.417 1 6. Temperatur pengeringan I dan II kemudian interaksi antara konsentrasi pH dengan Temperatur pengeringan II.000 5.750 1 10. Statistik ujinya dapat ditentukan berdasarkan Ekspektasi Kuadrat Tengah (EKT).597 F Berdasarkan hasil analisis varians dengan menggunakan taraf signifikansi α=5%.417 1 33.376 KT 72. maka F0. maka statistik ujinya adalah F dengan perbandingan masing-masing Kuadrat Tengah dari Sumber Variasi yang akan di uji terhadap Kuadrat Tengah Error atau kekeliruan eksperimen. Karena model yang digunakan model tetap.3. untuk semua pengujian hipotesis yang dilakukan ternyata signifikan berarti ada pengaruh dari pH. Estimasi efek yang nilainya cukup besar dapat menentukan model regresi dari daerah eksperimental. Manajemen Risiko di Bidang Perbankan dan Asuransi | 320 .250 4.250 20. sedangkan untuk pengujian hipotesis yang lainnya non signifikan berarti tidak ada pengaruh dari faktor dan interaksi yang lainnya.000 5.250 20.667 1 10. sehingga dalam analisis variansnya yang dilakukan pengujian hipotesis hanya terhadap faktor atau interaksi antar faktor dengan estimasi untuk nilai efek faktor yang cukup besar dibandingkan dengan yang lainnya dan hasil perhitungan bisa dilihat pada Tabel 5.250 6. interaksi antara ketebalan crumb dengan temperatur pengeringan I dan juga interaksi antara temperatur pengeringan II dan ukuran Ampere Squizer terhadap terjadinya wet spot pada SBR.3.000 Hasil perhitungan untuk Estimasi Efek dan Jumlah Kuadratnya dapat dilihat pada Tabel 3.667 9 15 JK 72.250 4.250 4.2.000 6.12.05(1. Tabel 3.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

Untuk penelitian yaitu mengenai terjadinya Wet Spot pada bahan karet mentah atau SBR (Styrena Butadiena Rubber). 4.Dalam melakukan eksperimen faktorial 25 untuk efisiensi bisa digunakan desain Resolusi-V karena eksperimen yang dilakukan akan lebih sedikit yaitu hanya setengah replikasi tanpa harus kehilangan informasi yang seharusnya diperoleh. Saran Untuk penelitian selanjutnya ada beberapa saran sebagai masukan : . Temperatur pengeringan pada zone II kemudian interaksi antara konsentrasi pH dengan Temperatur pengeringan II.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Manajemen Risiko di Bidang Perbankan dan Asuransi | 321 .Sebaiknya untuk suatu penelitian yang bersipat eksperimental selain memilih desain yang paling sesuai juga dipilih desain yang lebih efisien supaya pelaksanaannya lebih efisien dan lebih ekonomis tetapi tetap efektif dalam memperoleh hasil yang diharapkan.1. . interaksi antara ketebalan crumb dengan temperatur pengeringan I dan juga interaksi antara temperatur pengeringan II dan ukuran Ampere Squizer. .2. 13 November 2010 begitu juga dapat disimpulkan untuk masing-masing aliasnya bahwa kesimpulannya tidak bisa dibedakan dengan kesimpulan hasil analisis varians yang sudah dilakukan.Untuk perusaan X penelitian selanjutnya dapat dilanjutkan yaitu untuk memperoleh ukuran taraf perlakuan mana yang paling optimal dan akan memberikan terjadinya Wet Spot paling sedikit atau minimum. Kesimpulan dan Saran 4. Temperatur pengeringan pada zone I. 4. ternyata dipengaruhi oleh adanya perbedaan ukuran dari konsentrasi pH. Kesimpulan Berdasarkan uraian pada bagian sebelumnya maka dapat disimpulkan bahwa : .

New York . S. J. Jurusan Teknik Industri Univ. W. Robert. Sudjana (1995). A. G. K. John Wiley. Hinkelmann. (2001) Design and Analysis of Experiment 5th ed. P. Montgomery. Manajemen Risiko di Bidang Perbankan dan Asuransi | 322 . & Boes. 13 November 2010 5. And Kempthorne (1994) Design and Analysis of Experiment. Ulfah M. A. 4. K. (2002) Statistical Design and Analysis of Experiment. Mc Graw Hill. Graybill F. Mc Graw Hill. 7.. with Aplication to Enggeenering and Sience.. Sultan Ageng Tirtayasa... John Wiley. edisi 4. Analisisa Penyebab Wet Spot untuk Menentukan Setting Optimum Proses Pengeringan Rubber dengan menggunakan Eksperimen Faktorial 25.. (1986) Testing Statistical Hypothesis. PT Tarsito. Second Editions.. 2. D.. New York. 9.. 3. John Wiley. New York. Lehmann E. Douglas C. and Hunter J. 8.. Desain dan Analisis Eksperimen. Lee. (1978) Statistical for Experimenters.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 6. John Wiley. Daftar Pustaka 1. Box. Anggraeni S. Winner. Hunter. Bandung.C. New York. New York. 5. (1971) Statistical Principle in Experimenttal Design. John Willey Mood. New York. (1974) Introduction to The Theori of Statistic. B. Mason. G..

1%.id Email2) : sri.ac. yang menambahkan dimensi baru dalam desain eksperimen konvensional. Sri Winarni2) 1. memperoleh variasi terkecil pada fungsi produk terhadap nilai target. Demikian halnya pada bidang industri. Pada kondisi optimum ini banyaknya produk yang baik meningkat dari 94.2) Staf Pengajar Jurusan Statistika FMIPA. Sehingga untuk mengatasi hal ini. Kata Kunci : Nominal-is-best. Orthogonal Array. Jenis desain taguchi yang akan dipakai adalah orthogonal array L9.4) DESAIN PARAMETER UNTUK DATA DISKRIT PADA ROBUST DESIGN Oleh Budhi Handoko1).id ABSTRAK Salah satu tahap dalam desain produk pada robust design yaitu desain parameter. Unpad Bandung Email1) : budhihandoko@unpad. robust design merupakan suatu metodologi dalam bidang teknik pengendalian kualitas yang bertujuan untuk mengoptimalkan kondisi produk dan proses produksi yang memiliki sensitivitas yang rendah terhadap berbagai sebab variasi yang Manajemen Risiko di Bidang Perbankan dan Asuransi | 323 .winarni@unpad. Penelitian ini akan memfokuskan pada desain parameter untuk data diskrit terutama dua kelas. PENDAHULUAN Desain eksperimen dalam perkembangannya mengalami penyempurnaanpenyempurnaan sesuai dengan bidang eksperimen yang dihadapi. Setelah dilakukan analisis kondisi optimum eksperimen adalah pada kombinasi perlakuan A2B1C1D1. Robust Design. Aspek baru yang terdapat dalam robust design diantaranya yaitu menentukan sekumpulan kondisi untuk variabel desain yang robust terhadap noise. 13 November 2010 (D. Secara praktis.ac. Kasus eksperimen yang akan dikaji mengenai proses produksi pembuatan komponen semikonduktor di sebuah pabrik dan bertujuan untuk menentukan kondisi optimum proses produksi. Beberapa keterbatasan dari desain konvensional yaitu tidak mampu menangani faktor noise serta tidak mampu memodelkan rata-rata dan dispersi secara simultan. seperti desain faktorial dan desain faktorial fraktional memiliki keterbatasan. Desain parameter dalam robust design terdiri atas diskrit dan kontinu.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.6% menjadi 97. I. digunakan Robust Design. pada saat desain eksperimen konvensional. Robust Design yang ditemukan oleh Taguchi. meminimumkan jumlah percobaan menggunakan orthogonal arrays dan melakukan pengujian untuk konfirmasi.

13 November 2010 muncul. 2. desain parameter bertujuan untuk menentukan kondisi operasi yang optimum serta mereduksi variasi kualitas (untuk meningkatkan kapabilitas proses) dengan meminimumkan pengaruh noise. dan D. Penelitian ini akan lebih menekankan pada desain parameter untuk data diskrit dua kelas. Menentukan Jenis Orthogonal Array yang sesuai dengan banyaknya Faktor dan Level Faktornya. 1. Dalam konteks desain produk. Pada tahap ini. Tujuan yang dapat dicapai dari penelitian ini adalah: 1. 1996) . Manfaat dari penelitian ini adalah memberikan gambaran mengenai teknik analisis desain eksperimen yang diaplikasikan pada dunia industri yaitu robust design dalam menentukan kondisi optimum suatu produk/proses dengan meminimumkan faktor noise untuk data yang bersifat diskrit. meminimumkan biaya produksi. METODE PENELITIAN Metode penelitian yang digunakan sesuai dengan perumusan masalah yaitu untuk desain parameter data diskrit dua kelas adalah signal to noise (SN) ratio. Salah satu alat yang penting dalam robust design adalah desain parameter yang diusulkan oleh Taguchi (1986). II. Desain parameter merupakan salah satu tahapan dari desain produk dan proses. selain dari desain sistem dan desain toleransi (Park. Desain parameter yang dikenal berdasarkan jenis datanya ada dua yaitu kontinu dan diskrit. Sedangkan dalam konteks desain proses. B. Maka bentuk orthogonal arrays yang dapat digunakan untuk melakukan eksperimen adalah seperti tampak di bawah ini : Manajemen Risiko di Bidang Perbankan dan Asuransi | 324 . dan 2. 1. Memperoleh kondisi optimum dari desain parameter data diskrit dua kelas. C. level-level dari variabel desain (faktor kontrol) yang meminimumkan efek dari faktor noise pada kualitas produk. Masing-masing faktor memiliki 3 level yang diberi kode 0. dan kualitas dari produk terhadap target yang telah ditetapkan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. desain parameter bertujuan mendesain variabel atau faktor kontrol yang mempengaruhi karakteristik fungsional suatu produk. Mendapatkan taksiran SN Rasio pada kondisi awal dan optimum. Misalkan terdapat empat faktor A.

Percobaan 1 2 3 4 5 6 7 8 9 Faktor Nomor Kolom Kondisi 1 0 0 0 1 1 1 2 2 2 A 2 0 1 2 0 1 2 0 1 2 B 3 0 1 2 1 2 0 2 0 1 C 4 0 1 2 2 0 1 1 2 0 D A0B0C0D0 A0B1C1D1 A0B2C2D2 A1B0C1D2 A1B1C2D0 A1B2C0D1 A2B0C2D1 A2B1C0D2 A2B2C1D0 Nilai Respon y1 y2 y3 y4 y5 y6 y7 y8 y9 2.. jika produk rusak yi 1. Analisis SN Ratio Misalkan terhadap n buah item produk yang diperiksa... ….Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 Tabel 1 Orthogonal Array L9(34) No. yn ) 2 n 1 (np) 2 n np 2 Manajemen Risiko di Bidang Perbankan dan Asuransi | 325 . yn. jika produk baik Jika dari hasil eksperimen diperoleh data y1. yn p n Dan variasi dari rata-rata umumnya adalah Sm ( y1 y2 . maka fraksi produk baik adalah y1 y2 . dan hasilnya adalah 0/1 dengan 0.. y2.

Jumlah dan Rata-rata SN Ratio Faktor keLevel 1 Jumlah 0 Rata-rata x 10 x 20 2 J20 … … … k Jk0 x k0 J10 Manajemen Risiko di Bidang Perbankan dan Asuransi | 326 . 13 November 2010 Variasi totalnya yaitu n ST i 1 yi np Sedangkan variasi kekeliruannya adalah Se ST Sm np np 2 np(1 p) Nilai ukuran Signal To Noise Ratio (SN Ratio) nya adalah karakteristik nominalis-best : y2 SN 10 log V dengan V adalah power of noise.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. SN Ratio menjadi 1 S SN 10 log n m V Sm 10 log nV 10 log 10 log p 1 p 1 1 p S 10 log m Se 1 p 10 log p np 2 10 log np (1 p ) 1 (1) Berdasarkan (1) apabila proporsi produk baik meningkat. Dalam konteks data diskrit dua kelas. maka nilai SN Ratio juga meningkat. Untuk menentukan level-level faktor yang menyebabkan kondisi optimum diperoleh dengan mencari rata-rata dari SN Ratio untuk faktor dan level masingmasing dan bisa dibuat table sebagai berikut : Tabel 2.

dan 5. level factor B adalah 100 C. dan 255 C.0.. yaitu level factor A adalah 1mm. X k . Eksperimen ini melibatkan empat faktor yaitu A (panjang plat). B (suhu awal). D (kecepatan putaran mesin).. Setiap factor terdiri atas tiga level. 5. HASIL ANALISIS Analisis dilakukan terhadap data hasil eksperimen tentang percobaan yang dilakukan pada industry pembuatan komponen semikonduktor yang bertujuan untuk mengurangi jumlah produk yang cacat. 2mm. 110 C. Taksiran SN Ratio pada kondisi awal dan kondisi optimum adalah sebagai berikut : ˆ ( X 1. Tabel 3 Data Hasil Eksperimen Manajemen Risiko di Bidang Perbankan dan Asuransi | 327 .level _ opt . dan 120 C. Data hasil eksperimen menggunakan OA L9 dan nilai SN Ratio yang sesuai dengan karakteristik produk ditampilkan pada Tabel 3. 250 C.level _ opt i 1 (k 1)T (2) Dengan k = banyaknya faktor dan interaksi faktor dalam kondisi optimum T = rata-rata SN Ratio total III. C(suhu pematrian). Level dari factor C adalah 245 C.5. Sedangkan level dari factor D adalah 4 terdiri atas 4. 13 November 2010 Jumlah 1 Rata-rata J11 x 11 J21 x 21 … … Jk1 x k1 Jumlah T Rata-rata Jumlah Total Rata-rata J1t x 1t J2t x 2t … … … … Jkt x kt J1T x 1T J2T x 2T JkT x kT Level-level faktor yang mengoptimumkan respon ditentukan berdasarkan ratarata SN Ratio yang terbesar diantara level-level tersebut.level _ opt ) k X i .level _ opt X 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. dan 3mm.5 ft/menit.

562 7. Tabel 4 Jumlah dan Rata-rata SN Ratio Faktor Level SN A Jumlah 0 Rata-rata 1 Jumlah 9.788 6.116 C 24.202 Dengan p merupakan proporsi produk yang baik dari 200 komponen yang diperiksa.159 B 23.437 28.021 5.386 24.021 10.320 11.042 15. 13 November 2010 Faktor Nomor Eksperimen A 1 2 3 4 5 6 7 8 9 0 0 0 1 1 1 2 2 2 B 0 1 2 0 1 2 0 1 2 C 0 1 2 1 2 0 2 0 1 D 0 1 2 2 0 1 1 2 0 Jumlah komponen yang baik (dari 200 komponen) 167 194 160 158 190 160 183 186 168 SN = -10 log ((1/p) .754 12.099 28. maka dapat disusun jumlah dan rata-rata dari nilai SN Ratio untuk setiap factor dan level factor eksperimen untuk mengetahui kondisi optimum dari kombinasi level faktornya. Berdasarkan Nilai SN Ratio yang telah dihitung pada Tabel 3.097 6.010 31. Jumlah dan rata-rata nilai SN Ratio dapat dilihat pada Tabel 4.031 Manajemen Risiko di Bidang Perbankan dan Asuransi | 328 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.118 8. Hasil eksperimen tersebut diperoleh menggunakan kondisi operasi awal eksperimen yaitu A1B1C1D0.296 D 27.234 7.1) 7.052 9.705 39.

053 9.73) 85.93 1. maka diperoleh kombinasi level-level factor yang menyebabkan hasil produk dapat mencapai optimum atau jumlah komponen yang baik semaksimal mungkin dan meminimumkan komponen yang cacat.670 81.376 81.93 F 0. salah satunya karena merupakan satu rangkaian dari proses pembuatan komponen semikonduktor.479 23.128 6.243 6.89 19.053 Setelah dilakukan perhitungan SN Ratio seperti pada tabel diatas. Level optimal dari factor A dan C berdasarkan Tabel 4 adalah A2C1. Untuk factor yang nonsignifikan yaitu A dan C tetap disertakan pada proses produksi berikutnya karena alasan ekonomi dan teknis.477 9.585 81.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.85 (7.07 F (0.15 1.01 4.351 29.039 19.85 RJK 1.43 74.414 81.053 10.477 9.05) 2 2 2 2 Kesimpulan H0 diterima H0 ditolak H0 diterima H0 ditolak Berdasarkan analisis varians pada Tabel 5.11 3.72 37.15 5.187 28. maka dapat disimpulkan factor yang signifikan adalah B dan D dan optimal pada saat B1D1.009 7.01 2.29 11. 13 November 2010 Rata-rata Jumlah 2 Rata-rata Jumlah Total Rata-rata 8.477 9. Sehingga kombinasi level factor yang mengoptimalkan respon adalah A2B1C1D1. Tabel 5 Analisis Varians Data Hasil Eksperimen Sumber Variasi A B C D (e) Total Derajat Jumlah Bebas Kuadrat 2 2 2 2 (4) 4 3. Manajemen Risiko di Bidang Perbankan dan Asuransi | 329 .053 13.755 9.477 9.

untuk mencari kondisi optimum proses produksi tetap disertakan berdasarkan pertimbangan ekonomi dan teknis. 13 November 2010 Kondisi operasi awal menggunakan level percobaan A1B1C1D0.865. yaitu : SN kondisi awal 10log 1 1 p 12.946 = 94.351 10.011 3x9.585 13. IV. Variabel yang signifikan dalam eksperimen pembuatan komponen elektronik adalah B dan D.431 = 2. Taksiran SN Ratio adalah ˆ ( A1 B1C1 D0 ) A1 B1 C1 D0 3T 8.053 15. Taksiran SN Ratio adalah ˆ ( A2 B1C1 D1 ) A2 B1 C1 D1 3T 9.040 9.431 Kondisi optimum eksperimen berdasarkan pengujian adalah A2B1C1D1.053 12. KESIMPULAN Berdasarkan uraian yang telah dipaparkan pada Bagian 3.296 – 12.188 13.296 Dengan kondisi optimum ini SN Ratio meningkat sebesar 15.971 = 97.351 9.1%.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.1% Hal ini berarti proporsi komponen yang baik meningkat dari 94. sehingga p = 0. 296 .6% menjadi 97. 431 . Meskipun factor A dan C nonsignifikan. dapat disimpulkan beberapa hal yaitu sebagai berikut : 1. Apabila peningkatan kualitas ini dihitung dalam proporsi komponen yang baik. Manajemen Risiko di Bidang Perbankan dan Asuransi | 330 .6% SN kondisi optimum 10log 1 1 p 15.479 3 x9. yang menunjukan ukuran besarnya peningkatan kualitas komponen.040 9. sehingga p = 0.

& Hamada. Park. 1996. John Wiley and Sons. M. J.G. 13 November 2010 2. Montgomery.H.Introduction to Quality Engineering. VI. W. dengan adanya Program Riset Mandiri (PRM) yang telah mendukung terlaksananya ini.. C. NJ: John Wiley & Sons.1986. Experiments: Planning. Hunter. UCAPAN TERIMA KASIH Penulis mengucapkan terima kasih yang kepada Jurusan Statistika FMIPA Universitas Padjadjaran. . Wu.F.J. Inc.2005. G.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. V.P. Design and Analysis of Experiments.S. New York: John Wiley & Sons. Manajemen Risiko di Bidang Perbankan dan Asuransi | 331 . New York . & Hunter. 2 ed. Tokyo: Asian Productivity Organization. Taguchi. Great Britain : Chapman and Hall. 2005.6% menjadi 97. DAFTAR PUSTAKA Box. Statistics for experimenters: Design innovation.and discovery.E. Robust Design and Analysis for Quality Engineering.2000. G..C. Pada kondisi optimum yaitu A2B1C1D1 persentase komponen yang baik akan meningkat dari 94.. analysis and parameter design optimization. Hoboken. D.1% dari kondisi awal eksperimen yaitu A1B1C1D0. S.

13 November 2010 (D. Pada praktek sehari-hari yang dilakukan oleh para doktergigi. telah banyak dilakukan eksperimen untuk mengetahui kekuatan semen pada pembuatan jembatan adhesif sebagai suatu restorasi untuk menggantikan kehilangan gigi dimana dalam restorasi jembatan adhesif pengambilan jaringan gigi lebih sedikit dibandingkan dengan restorasi jembatan konvesional. PENDAHULUAN 1. sering dijumpai kegagalan-kegagalan yang terjadi. I. tanpa memperhitungkan urutan rata-rata dalam pendekatan parametrik dapat dikerjakan melalaui analisis varians (ANAVA).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Pada penelitian ini akan dikemukakan aplikasi menguji kesamaan beberapa rata-rata yang diberikan oleh perlakuan yang berbeda melalui pendekatan parametrik. Aplikasinya adalah untuk mengetahui perlakuan yang memberikan efek yang paling baikberdasarkan kekuatan daya rekat dan persentase sisa resin yang melekat pada permukaan logam yang biasa digunakan dokter gigi dalam bidang prostodonsia. antara lain terlepasnya ikatan antara semen resin dengan permukaan gigi atau terlepasanya ikatan antara semen resin dengan permukaan logam. Dalam ANAVA urutan mengenai hipotesis dapat diketahui setelah hasil pengujian memperlihatkan hasil signifikan kemudian diikuti oleh pengujian setelah ANAVA seperti uji Newman-Keuls atau Scheffe.1 Latar Belakang Penelitian yang dilakukan dokter gigi dalam bidang prostodonsia. karena Manajemen Risiko di Bidang Perbankan dan Asuransi | 332 . Menurut Greugers (1985). BERNIK MASKUN ABSTRAK Pengujian hipotesis yang melibatkan beberapa rata-rata.5) ANALISIS VARIANS UNTUK MENGUJI KEKUATAN LEKAT SEMEN ADHESIF PADA PERMUKAAN LOGAM KARENA EMPAT MACAM PERLAKUAN (Studi Eksperimen pada Bidang Ortodonti Kedokteran Gigi) Oleh : H. Kegagalan terjadi pada jembatan Rochettte.

perforeted. Statistik uji 2. Laughlin (1986) dan Van der Veen (cit....Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Berbagai penelitian telah dilakukan untuk memperbaiki ikatan antara semen resin dan permukaan logam. antara lain dilakukan oleh Mc. 1. perlu dilakukan penelitian lainnya yang berkaitan dengan perlakuan-perlakuan yang diberikan kepada logam. Berdasarkan kegagalan-kegagalan dan upaya-upaya yang telah dilakukan oleh bebrapa peneliti untuk meningkatkan kekuatan pelekatan antara semen resin dengan permukaan logam. Manajemen Risiko di Bidang Perbankan dan Asuransi | 333 . Distribusi Sampling dari statistik uji 1. k H1 : Salah satu tanda sama dengan tidak berlaku.. Dachlan. untuk itu dapat diturunkan hipotesis statistik sebagai berikut : HO : HO : vs 1 2 . 1995) dengan membuat perlakuan pada permukaan logam berupa anyaman. menunjukkan bahwa kekuatan lekat semen resin pada logam sebagai restorasi jembatan akan berbeda jika logam yang digunakan memperoleh perlakuan yang berbeda. 13 November 2010 semen resin hanya melekat disekitar lubang-lubang dan tidak menyeluruh pada permukaan logam.2 Rumusan Masalah Berdasarkan hasil penelitian yang telah dilakukan. Untuk menguji hipotesis di atas diperlukan : 1.3 Tujuan Penelitian Menerapkan cara pengujian hipotesis untuk beberapa rata-rata yang sesuai dengan kaidah statistika. sandblast dan dietsa secara electrolisa.

.1 Pengujian Kesamaan Dua Rata-rata Jika dalam suatu penelitian ingin diketahui apakah dua perlakuan yang berbeda yang diberikan kepada satu kelompok percobaan yang bersifat homogen memberikan efek yang berbeda dapat diturunkan hipotesis statistik sebagai berikut Ho : H1 : 1 2 melawan 1 2 2..2 Statistik Uji dengan Pendekatan Non Parametrik Manajemen Risiko di Bidang Perbankan dan Asuransi | 334 . (2-1) Apabila 2 tidak diketahui maka statistik ujinya menggunakan staistik t dengan bentuk x1 s 1 n1 x2 1 n2 t .. (2-2) Kedua statistik di atas dapat digunakan jika data hasil penelitian berdistribusi Normal.1.1 Statistik uji dengan pendekatan parametrik Jika data hasil penelitian berskala rasio atau interval dan maka Statistik ujinya dapat digunakan statistik z berbentuk x1 x2 1 n1 1 n2 2 (varians) diketahui z ..4 Manfaat Penelitian Dengan digunakan statistik uji yang sesuai untuk menguji hipotesis beberapa rata-rata akan memberikan solusi yang lebih baik. 13 November 2010 1. 2.1. TINJAUAN PUSTAKA 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. II .

tentunya tidak akan menggunakan statistik uji untuk menguji hipotesis kesamaan dua rata-rata tetapi perlu dicari statistik uji yang sesuai.. tentukan alat ujinya tidak dapat menggunakan statistik z atau t tetapi perlu dicari statistik lain yang bebas dari distribusi data. Berdasarkan data tersebut. 13 November 2010 Bisa saja dalam suatu penelitian. Seperti halnya dalam menguji kesamaan dua rata-rata yang alat ujinya bergantung kepada skala pengukuran data.. pengukuran terhadap variabel penelitian tidak dapat dilakukan sehubungan dengan tidak adanya instrumen penelitian yang dapat digunakan untuk mengukurnya. k H1 : Salah satu tanda sama dengan tidak berlaku. Untuk menguji hipotesis di atas. ANAVA atau disebut juga Analisis Varians adalah alat uji untuk menguji hipotesis kesamaan beberapa rata-rata. (2-3) 2. Manajemen Risiko di Bidang Perbankan dan Asuransi | 335 . ingin diuji kesamaan dua rata-rata sehubungan dengan perlakuan yang berbeda. Untuk itu statistik uji yang bebas dari distribusi data atau statistik uji non-parametrik dapat digunakan untuk melakukan pengujian hipotesis tersebut. akibatnya peneliti hanya memberi skor dengan skala nominal atau ordinal terhadap hasil penelitiannya. maka hipotesis statistik yang dapat diturunkan dari masalah tersebut berbentuk : HO : HO : vs 1 2 . demikian pula ANAVA.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.2 Pengujian Hipotesis Beberapa Rata-Rata Jika dalam suatu penelitian ingin diketahui efek dari beberapa perlakuan yang berbeda terhadap sekelompok percobaan yang bersifat homogen.. antara lain statistik Uji Mann-Whitney dengan rumus sebagai berikut : n1 (n1 1) R1 2 U n1n2 ..

..Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Pengujian hipotesis yang melibatkan beberapa rata-rata tanpa memperhitungkan urutan rata-rata. (3-1) dengan i rata-rata efek efek perlakuan ke i kekeliruan. berupa efek acak yang berasal dari unit eksperimen ke j .. 13 November 2010 Sebuah alternatif dari ANAVA untuk data hasil eksperimen berupa skor dengan skala ordinal. dalam pendekatan parametrik dapat dikerjakan melalui Analisis Varians (ANAVA). tentunya perlu dilakukan uji–uji lainnya untuk mengetahui perbedaan perlakuan dengan cara berpasangan. III . 2. 1971) berbentuk : H dengan : k Rj n nj 12 n(n 1) k j 1 R2 j nj 3(n 1) = banyak kelompok sampel = rank pada sample ke j = ∑nj = banyak kasus dalam semua sampel = banyak kasus dalam sampel ke j Jika hasil pengujian signifikan.. METODOLOGI PENELITIAN Permasalahan yang dihadapi seperti tertuang dalam Bab I. pengukuran adalah yij .. i 1. pendekatan yang ada berupa Analisis Statistik Non-Parametrik dengan Uji Analisis Varian Ranking Satu Arah Kruskal-Wallis (Gibbons. 2..nk Dalam hal ini model mengenai data hasil i ij ... melibatkan pengujian beberapa rata-rata. 2001).k j 1. Manajemen Risiko di Bidang Perbankan dan Asuransi | 336 . dimana ij ij berdistribusi Normal dan Independen dengan 2 rata-rata nol dan varians (Montgomery.

. Untuk mengujinya diperlukan statis uji yang sesuai. ..... ..1 Statistik Uji Pendekatan Parametrik : Pengujian untuk hipotesis di atas... Y1j .. .. Y2n2 N2 .. dikerjakan berdasarkan data yang ditampilkan seperti pada tabel berikut ini Tabel 1 : Statistik yang dihitung dari Data Pengamatan (Tiap Perlakuan berisi n j pengamatan) Perlakuan 2 i Y21 . i = 1. . k H1 : Salah satu tanda sama dengan tidak berlaku. Ykj .. .. ..... k yang dapat diartikan tidak terdapat perbedaan mengenai efek perlakuan Hipotesis di atas dapat pula ditulis dalam bentuk : HO : vs 1 2 .... ...... Yknj nk Jk k n i 1 k ni Ji i 1 … yj J yk dari tabel di atas nampak bahwa : Manajemen Risiko di Bidang Perbankan dan Asuransi | 337 ..Prosiding Seminar Nasional Statistika Universitas Padjadjaran.. 3.... Y2j Yij . J2 y2 1 2 … J … … nj Banyak Pengamatan Jumlah Rata-rata 1 Y11 Y12 . Y1n1 n1 J1 y1 K Yk1 Yk2 ..2.. 13 November 2010 Berdasarkan model eksperimen seperti pada persamaan (3-1) dapat diturunkan hipotesis sebagai berikut : Ho : i 0 i 0 . ... Y22 . .

selanjutnya dapat dihitung berbagai statistik antara lain Jumlah kuadrat-kuadrat (JK) semua nilai pengamatan : k nj Y2 i 1 j 1 Yij2 Jumlah kuadrat-kuadrat (JK) untuk rata-rata : k Ry J / i 1 2 ni Jumlah kuadrat-kuadrat antar perlakuan : k Py i 1 ( J i2 / ni ) Ry Jumlah kuadrat-kuadrat kekeliruan perlakuan : k ni Ey i 1 j 1 (Yij Yi )2 Ey Y2 Ry Py Keseluruhan perhitungan di atas dapat ditampilkan dalam tabel sebagai berikut : ANAVA Dengan ni observasi tiap kelompok Sumber Variasi Dk Jumlah Kuadrat Rata-rata Jumlah Kuadrat F Hitung F Table Sifat (hasil Uji) Manajemen Risiko di Bidang Perbankan dan Asuransi | 338 . 13 November 2010 k n i 1 ni Berdasarkan data dalam Tabel 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

Dengan demikian model eksperimen/percobaan akan berbentuk Eksperimen Acak Sempurna dengan empat replikasi untuk tiap kelompok. Ingin diketahui apakah terdapat efek yang berarti dari keempat perlakuan berdasarkan kekuatan lekat maupun persentase luas permukan resin yang masih melekat pada permukaan logam ? Manajemen Risiko di Bidang Perbankan dan Asuransi | 339 . Kelompok III lempengan logam dibentuk pitted. 13 November 2010 Rata-rata Antar Kelompok Dalam Kelompok Jumlah 1 k-1 n-k-2 Ry Py Ey Ry /1 Py /(k-1)= ' Py' / E y F((k-1). sebagai pembandingnya digunakan F tabel dari Tabel Distribusi F dengan dk= ((k-1). Variabel yang menjadi obyek penelitian adalah rata-rata ukuran uji tarik dari keempat perlakuan permukaan logam dengan satuan Mpa dan prosentase Luas permukaan resin yang masih melekat pada permukaan logam.1 Disain Penelitian dan Hipotesis Penelitian ini dilakukan terhadap 16 (enam belas) pasang sampel berupa lempeng logam yang dibagi secara acak dalam 4 (empat) kelompok perlakuan yang berbeda. Jika pengujian bersifat signifikan. (n-k-2)) dengan taraf kepercayaan . Kelompok II lempengan logam yang dietsa elektrolisa. HASIL DAN PEMBAHASAN 4. IV. perlu dilakukan uji setelah ANAVA dengan Uji Newman Keuls. dan Kelompok IV adalah lempengan logam yang di sandblast. (n-k-2)) Py‟ E y /(n-k-2)= Ey‟ n Y2 - - - Dari tabel ANAVA di atas akan diperoleh F hitung. Kriteria pengujian : Terima Hipotesis jika F hitung < dari F Tabel. Setiap kelompok terdiri atas empat buah lempengan : Kelompok I lempengan dibentuk anyaman.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

2 Data Hasil Penelitian Data dalam Tabel 4 adalah hasil penelitian Edy Machmud (2003) yang menunjukkan kekuatan daya rekat yang diukur dalam MPa: Tabel 4 : Nilai Rata-rata Kekuatan Daya Tarik Keempat permukaan Rangka Logam Oleh Empat Perlakuan (Dlm Mpa) Perlakuan Sampel Anyaman Etsa Pitted Sandblast 1 32. 13 November 2010 Hipotesis : Hipotesis kerja yang dapat diturunkan dari masalah di atas adalah : 1.70 19.81 9. Perlakuan mana yang memberikan efek kekuatan daya lekat maupun persentase luas permukaan resin yang masih melakat yang terbaik ? Hipotesis kerja di atas akan diubah menjadi hipotesis statistik sebagai berikut : Ho : melawan H1 : efek ) 1 2 3 4 : Tidak terdapat perbedaan efek diantara keempat macam perlakuan Salah satu tanda sama dengan tidak berlaku (terdapat perbedaan 4.01 4 19.52 3.06 3 20.12 2 26.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.87 6. Pitted dan Sandblast ? 2.84 13.37 4.02 18.94 Sedangkan prosentase luas permukaan resin yang masih melekat pada permukaan logam diperlihatkan dalam table sebagai berikut : Tabel 5 : Luas Permukaan resin yang masih Merekat pada Permukaan Logam Manajemen Risiko di Bidang Perbankan dan Asuransi | 340 . Apakah terdapat perbedaan efek dari pemberian perlakuan dalam bentuk anyaman.23 14.52 6.82 17.23 8. etsa elektolisa.07 17.

52 17.13 66.28 18.82 20.50 16.50 9.94 4 20.03 16 238.87 18.61 24.52 4 4 73.12 6.02 19.01 3.84 13.13 5.40 3 80.41 24.04 10.00 21.28 11.88 Selanjutnya dari data dalam Tabel 4.06 4.65 Perlakuan Etsa Pitted 19.50 Sandblast 16.50 67.81 9.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.07 4 98.37 70.23 8.11 46.37 17.26 4 79.70 26. 13 November 2010 Oleh Empat Perlakuan (dlm %) Perlakuan Sampel Anyaman Etsa Pitted 1 98. dihitung statistiknya sehingga diperoleh hasil seperti pada tabel berikut ini : Tabel 6 : Statistik yang dihitung dari Data Pengamatan Nilai Rata-rata Kekuatan Daya Tarik dari Keempat Permukaan Rangka Logam (Tiap Perlakuan berisi 4 pengamatan) Sampel 1 2 3 4 ni Ji xi Anyaman 32.50 2 91.13 Dari Tabel 6 di atas akan diperoleh ANAVA sebagai berikut : Tabel 7 : ANAVA Untuk Pengujian Nilai Rata-rata Kekuatan Daya Tarik dari Keempat Permukaan Rangka Logam Dengan 4 observasi tiap kelompok Manajemen Risiko di Bidang Perbankan dan Asuransi | 341 .23 14.50 42.57 Jumlah Sandblast 6.82 79.24 34.

544.80 87.26 66.92 13.00 12 16 4.40 70.82 91.88 4 52.05 dan F table untuk taraf kepercayaan 99% = 5.65 MPa Rata-rata kekuatan rekat dengan Etsa Elektolisa = 18.67 Jumlah Sandblast 16.41 24.03 MPa x2 x3 x4 Dari Tabel 5.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.57 MPa Rata-rata kekuatan rekat dengan Sandblast = 5.04 10.74.05 5.96 13.00 21.50 80. 13 November 2010 Sumber Variasi Rata-rata Antar Kelompok Dalam Kelompok Jumlah Dk Jumlah Kuadrat 1 3 Rata-rata F Hitung F Tabel Sifat Jumlah (hasil Kuadrat Uji) 3.63 22.13 4 349.50 67.24 34.37 79. untuk itu perlu dilakukan uji setelah ANAVA dengan Uji Newman Keuls Hasil pengujian memperlihatkan urutan kekuatan rekat logam sebagai berikut : x1 Rata-rata kekuatan rekat dengan bentuk anyaman = 24.15 122.66 70.90 268.544.12 3.12 859.97 - - - Dari tabel ANAVA di atas diperoleh F hitung = 22.23 16 808.50 4 4 283.50 9.50 42.79 30.50 16.559.53 Manajemen Risiko di Bidang Perbankan dan Asuransi | 342 . Hasil pengujian menunjukkan sangat bermakna (**).45 Perlakuan Etsa Pitted 79.74 **) 155.28 MPa Rata-rata kekuatan rekat dengan Pitted = 11. dihitung statistiknya seperti terlihat dalam tabel sebagai berikut : Tabel 8 : Statistik yang dihitung dari Data Pengamatan Prosentase Luas Permukaan Resin yang Masih Merekat Pada Permukaan Rangka Logam (Tiap Perlakuan berisi 4 pengamatan) Sampel 1 2 3 4 ni Ji xi Anyaman 98.

23 % Manajemen Risiko di Bidang Perbankan dan Asuransi | 343 .16 - - - Dari tabel ANAVA di atas diperoleh F hitung = 83.81 83.857.79 % Rata-rata prosentase Luas Permukaaan resin yang melekat pada permukaan logam t dengan Pitted = 30.74. untuk itu perlu dilakukan uji setelah ANAVA dengan Uji Newman Keuls Hasil pengujian memperlihatkan urutan prosentase luas permuakaan resin yang masih melekat pada logam sebagai berikut : x1 Rata-rata prosentase Luas Permukaaan resin yang melekat pada permukaan logam x2 x3 x4 dengan bentuk anyaman = 87.45 % Rata-rata prosentase Luas Permukaaan resin yang melekat pada permukaan logam dengan Etsa Elektolisa = 70.745.74 **) 686.67 % Rata-rata prosentase Luas Permukaaan resin yang melekat pada permukaan logam dengan Sandblast = 13.55 14.00 5.00 dan F table untuk taraf kepercayaan 99% = 5. 13 November 2010 Dari Tabel 6 di atas akan diperoleh ANAVA sebagai berikut : Tabel 9 : ANAVA Untuk Pengujian Prosentase Luas Permukaan Resin yang Masih Merekat Pada Permukaan Rangka Logam Dengan 4 observasi tiap kelompok Sumber Variasi Rata-rata Antar Kelompok Dalam Kelompok Jumlah Dk Jumlah Kuadrat 1 3 12 Rata-rata F Hitung F Tabel Sifat Jumlah (hasil Kuadrat Uji) 40.55 40.44 4.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.781.17 57.857.18 16 55. Hasil pengujian menunjukkan sangat bermakna (**).237.

65 Mpa yang berarti lempeng logam akan terlepas dari lempeng logam lawan setelah diberi kekuatan tarik sebesar 24. XXX (4) . J.65MPa dengan luas permukaan resin yang masih melekat pada permukaan logam sebesar 87. Hal. 117-164. Creugers. 760 3. Sandblasting of Bands to Increase Bond Strenght. 9 th ed.. 230-241 Manajemen Risiko di Bidang Perbankan dan Asuransi | 344 . . 217-222 Phillip.D. J.45 %. 1996. Pengetahuan dasar dan Rancangan Pembuartan. 2.L.159.. Comparion of Shear Bond and Surface structure Between Convensional Acid Etching and Air Abrassion of Human Enamel. Cetakan ke II. Hal.Vol 64. R. 1985. Boston. Prajitno. Laughlin G . Buonocore.1955. New York. Prelimenary Report of Clinical Evalution of Three Types of Resin Bonded Bridge. G. Dent. Ilmu Geligi Tiruan Jembatan. Science of Dental Material. FKG -Universitas Padjadjaran Mc. NHJ. Gramedia. . Orthop 112 : 502-506 9.. Miller S Zernik J. H .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.D. Jakarta EGC. 10. Et. J. Orthod Dentofac. DAFTAR PUSTAKA 1.Res 34(1) : 849-852. 11. Inc. C.B. 185-229. J. A Simple Method of Increasing The adhesion of acrillic Filling material to Enamel Surface.1985. M. 1997. 5 th Edition. 1994.B. Hasil pengujian memperlihatkan bahwa lempeng logam yang diberi perlakuan anyaman memberikan kekuatan daya lekat paling besar yaitu sebesar 24. 1991. Hal. Edy Machmud. 497-500 4. Phioladelphia. PWS Publishers. O Bishara S E Damon P.. 6.. Mathematical Statistics with Applications. Montgomery. Hal 145. perhatikan kembali rata-rata kekuatan rekat pada permukaan logam dan persentase luas permukaan resin yang melekat pada permukaan logam. Design and Analysis of Experiments. Lipincott Co. 1-89. Saunders Co. KESIMPULAN Untuk mengetahui perlakukan mana diantara keempat perlakukan memberikan efek yang paling baik. 2001. 13 November 2010 V. Res. 5. D. W. Am. Scheaffer... Uji Beda Kekuatan Rekat Semen Resin Adhesif pada Permukaan Logam yang Diberi Empat Macam Perlakuan. W..O. 365. 1986. Journal . 7. 1983. Philadelphia. Direct Bonded Retainer. Hal 148-153 8. Program Pendidikan Dokter Gigi Spesialis Prostodonsia. 1986.al . Wackerly. Hal.C. Thirt Edition. Jakarta. Duxbury Press. Statistik NonParametrik. John Wiley & Sons. Mendenhall. Sidney Siegel. Den. Olsen M..

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

12. Sudjana, 2002, Desain dan Analisis Eksperimen, Edisi IV, Tarsito, Bandung, Hal 30-40. 13. Thomson, Et. Al, 1983, Resin Bonded Retainers Part 1 : Resin Bond to Electrolically Etcher Bond Precious Alloy, Journal of Prost. Dent, Vol 85 No 6 Hal 771 Zacharisson. B. U, 1977, A Post Treatment Evalution of Direct Bonding in Orthodontics. Am. J. Orthod. Dentofac.Orthod 71(2) : 173-189

14.

Manajemen Risiko di Bidang Perbankan dan Asuransi | 345

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

(D.6) PENAKSIRAN DATA HILANG PADA DESAIN FAKTORIAL FRAKSIONAL DUA LEVEL TANPA RAPLIKASI DENGAN CARA MEMINIMUMKAN JUMLAH KUADRAT RESIDU
1

Martinnus Oetama, 2Budhi Handoko, 3Sri Winarni
1

Mahasiswa Jurusan Statistika Universitas Padjajaran Jl. Raya Bandung – Sumedang Km. 21 Jatinangor Sumedang 45363 - Indonesia Dosen Jurusan Statistika Universitas Padjajaran Jl. Raya Bandung – Sumedang Km. 21 Jatinangor Sumedang 45363 - Indonesia e-mail : 1 emanuell_martinus@yahoo.com, 2 budhihandoko@unpad.ac.id, 3 win2_stk@yahoo.com
2,3

Abstrak. Desain faktorial merupakan solusi paling efisien pada saat meneliti pengaruh dari dua atau lebih faktor. Namun pada desain faktorial apabila jumlah kombinasi perlakuan yang besar, eksperimen menjadi tidak efisien untuk dilakukan, karena bertambahnya biaya, waktu dan tenaga yang dibutuhkan. Maka untuk menghindari masalah di atas akan diselesaikan dengan menggunakan desain faktorial fraksional. Dalam prakteknya, sering kali data yang diperoleh dari hasil eksperimen tidak lengkap. Melakukan eksperimen kembali guna memperoleh data yang hilang kurang efisien mengingat besarnya biaya, tenaga, terutama karena kondisi eksperimen telah mengalami perubahan mengingat keterbatasan waktu dalam melakukan penelitian. Oleh karena itu akan lebih efisien mengestimasi nilai-nilai yang hilang tersebut. Dalam skripsi ini membahas tentang estimasi data yang tidak lengkap tersebut dengan cara meminimumkankan dari jumlah kuadrat residu. Untuk melihat secara grafis apakah data hasil estimasi sudah cukup baik atau belum dapat digunakan half-normal plot. Data mengenai permainan golf yang diambil dari Dodgson, J.H. 2003. “A Graphical Method for Assessing Mean Square in Saturated Fractional Designs”. Journal of Quality Technology, 35, No. 2, pp. 206 – 212 akan digunakan dalam skripsi ini untuk menjelaskan prosedur-prosedur yang berkaitan dengan pemecahan masalah di atas. Dari hasil analisis dapat disimpulkan bahwa faktor-faktor yang sangat signifikan mempengaruhi jarak yang ditempuh bola golf pada permainan golf dengan respon jarak tempuh dalam yard adalah Ability (kemampuan), Ground (Lapangan) dan Teeing (Tongkat).

A. PENDAHULUAN Sejak tahun 1980an, analisis dari desain faktorial dua level dan desain faktorial fraksional tanpa replikasi sudah banyak dikaji. Dalam eksperimen faktorial tanpa replikasi, n-1 efek (tidak termasuk rata-rata keseluruhan) diestimasi menggunakan kontrasnya, namun sumber variasi kekeliruan eksperimen tidak dapat diperoleh. Sehingga perhitungan rasio nilai F diperoleh dengan membagi RJK efek dengan RJK efek interaksi tertinggi. Terdapat beberapa kelebihan yang dimiliki desain faktorial bila dibandingkan dengan desain-desain yang lainnya, yaitu lebih efisien dibanding dengan metode analisis satu faktor, mampu menunjukkan efek interaksi antar faktor, dapat memberikan perkiraan efek dari suatu faktor pada kondisi level yang berbeda-beda dari suatu faktor lain.

Manajemen Risiko di Bidang Perbankan dan Asuransi | 346

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010 Namun pada desain faktorial apabila jumlah faktornya besar dan diikuti oleh jumlah kombinasi perlakuan yang besar, eksperimen menjadi tidak efisien untuk dilakukan, karena bertambahnya biaya, waktu dan tenaga yang dibutuhkan. Maka untuk menghindari masalah di atas akan diselesaikan dengan menggunakan desain faktorial fraksional. Namun dalam prakteknya, sering kali data yang diperoleh dari hasil eksperimen tidak lengkap. Karena data hilang ini akan menimbulkan masalah dalam analisis yang mengakibatkan perlakuan dan kelompok menjadi tidak orthogonal, maka untuk memperoleh data hilang guna mempertahankan sifat ortogonal data tersebut, dapat dilakukan dengan 2 cara, yaitu melakukan eksperimen kembali atau dengan menaksir data yang hilang dari pengamatan yang ada. Melakukan eksperimen kembali guna memperoleh data yang hilang kurang efisien mengingat besarnya biaya, tenaga, terutama karena kondisi eksperimen telah mengalami perubahan mengingat keterbatasan waktu dalam melakukan penelitian. Oleh karena itu akan lebih efisien menaksir nilai-nilai yang hilang tersebut. Maka untuk mengestimasi data yang tidak lengkap tersebut, dalam makalah ini adalah dengan menggunakan cara yang dijelaskan oleh Cochran dan Cox (1957) yaitu menggunakan cara meminimalkan dari jumlah kuadrat residu dengan cara menentukan efek yang dihilangkan lalu disamakan dengan nol. Dan untuk melihat secara grafis apakah data hasil estimasi sudah cukup baik atau belum dapat digunakan half-normal plot seperti yang jelaskan Daniel (1959). B. IDENTIFIKASI MASALAH Berdasarkan latar belakang masalah tersebut, dapat dirumuskan permasalahan sebagai berikut : 1. Bagaimana cara menaksir data hilang pada pengamatan eksperimen faktorial fraksional? 2. Bagaimana melakukan analisis desain faktorial fraksional jika terdapat data hilang?

C. MAKSUD DAN TUJUAN PENELITIAN Maksud dan tujuan dari penelitian ini adalah : 1. Menjelaskan cara menaksir atau menentukan data hilang pada desain faktorial fraksional. 2. Melakukan analisis desain faktorial fraksional pada data hilang. D. MANFAAT PENELITIAN

Manfaat dari penelitian ini adalah : 1. Mendapat gambaran mengenai aplikasi ilmu statistika dalam real problem solving. 2. Memberikan informasi cara mengestimasi data hilang pada eksperimen faktorial fraksional.
E. KERANGKA KONSEPUAL 1. Desain Faktorial Desain faktorial adalah suatu desain yang menggunakan seluruh kombinasi perlakuan dari k faktor atau variabel input, yang dimana setiap tingkat masing-masing faktor dipasangkan atau disilangkan dengan tiap tingkat setiap faktor lainnya. Desain faktorial memungkinkan kita untuk menentukan apakah ada interaksi antara variabel bebas atau faktor yang dipertimbangkan. Interaksi menyiratkan bahwa perbedaan dalam salah satu faktor perbedaan tergantung pada faktor lain.

Manajemen Risiko di Bidang Perbankan dan Asuransi | 347

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010 2. Desain Faktorial Fraksional Desain faktorial fraksional merupakan kelanjutan dari desain faktorial. Dalam desain eksperimen, desain faktorial adalah suatu desain yang menggunakan seluruh kombinasi perlakuan dari k faktor atau variabel input. Apabila jumlah dari k faktor ini cukup besar, maka akan berakibat pada besarnya jumlah kombinasi perlakuan yang akan dilakukan, dan ini tidak cukup efisien dalam pelaksanaannya. Misalkan untuk eksperimen faktorial 2k, yakni eksperimen yang melibatkan k buah faktor masing-masing dengan taraf dua. Untuk k = 5 maka terjadi 32 kombinasi perlakuan sehingga memerlukan 32 eksperimen untuk sekali replikasi. Dengan uraian serupa, maka untuk setiap kali replikasi diperlukan 64 eksperimen jika k = 6, sebanyak 128 eksperimen jika k = 7 dan 256 eksperimen untuk k = 8, begitu pula seterusnya. Bilangan ini akan semakin membesar jika banyak faktor k yang terlibat dalam ekseprimen semakin besar. Dalam prakteknya, eksperimen sebanyak itu tidaklah ekonomis bahkan dalam beberapa hal tidak mungkin untuk dilakukan. Jadi penggunaan percobaan faktorial yang besar harus dihindari karena dengan ukurannya yang besar maka diperlukan analisis yang lebih rumit dan akan memakan waktu yang lama serta biaya yang dikeluarkan pun akan menjadi lebih besar. Hal ini tidaklah bijaksana jika melakukan percobaan yang besar pada awal penelitian tetapi hasil yang diharapakan tidak jauh berbeda dengan melakukan setengah percobaan dari total percobaan secara keseluruhan. Maka dilihat dari masalah tersebut, sebagai penanggulangannya dapat dilakukan dengan menggunakan desain faktorial fraksional. Penggunaan desain faktorial fraksional diusulkan pada tahun 1945 oleh Finney. Desain faktorial fraksional ini merupakan jenis desain eksperimen yang digunakan untuk menganalisis multifaktor dengan banyaknya percobaan yang dilakukan hanya sebagian dari eksperimen faktorial penuh. Secara umum, notasi yang digunakan dalam desain faktorial fraksional mengikuti notasi yang digunakan dalam desain faktorial. Tabel 2.1 Susunan Desain Faktorial 23
Kombinasi perlakuan (1) A B AB C AC BC ABC I + + + + + + + + A + + + + B + + + + AB + + + + Kontras C AC + + + + + + + + BC + + + + ABC + + + + Respons (Y) X1 X2 X3 X4 X5 X6 X7 X8

3. Menentukan Alias Dan Desainnya

Untuk membuat replikasi bagian untuk harga k besar dalam faktorial 2k, cara penentuan alias-alias dilakukan sebagai berikut : 1. Tentukan kontras penentu. 2. Kalikan faktor dengan kontras penentu. 3. Bekerja dengan aljabar modulo 2 terhadap bilangan pangkat.
4. Estimasi Efek Perlakuan Karena hanya akan dilakukan pengamatan sebanyak 23−1 = 4 kombinasi perlakuan, maka akan terdapat dftotal = 4−1 = 3 derajat bebas untuk menaksir efek faktor. Estimasi efek didasarkan pada koefisien kontras. Sebagai contoh, dari Tabel 3.2 untuk defining relation positif, I = ABC. Namun sebelum menentukan penaksir efek dari masing-masing faktor

Manajemen Risiko di Bidang Perbankan dan Asuransi | 348

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010 terlebih dahulu akan ditentukan kontras untuk masing-masing faktor, baik faktor utama maupun faktor interaksinya.

Kontras A = CA = (a - b - c + abc) Kontras B = CB = (-a + b - c + abc) Kontras BC = CBC = (a - b - c + abc) Kontras AC = CAC = (-a + b - c + abc) Kontras ABC = CABC = (-1 + a + b + c - ab - ac - bc + abc)
Dari kontras tiap faktor tersebut kemudian dapat ditentukan penaksir efek dari masing-masing faktor, sebagai berikut : i. Estimasi efek utama r 2k 1 *A = (a - b - c + abc) k 1 r 2 *B = (- a + b - c + abc) r 2k 1 *C = (- a - b + c + abc) ii. Estimasi efek interaksi dua faktor r 2k 1 *BC = (a − b − c + abc) r 2k 1 *AC = (- a + b − c + abc) r 2k 1 *AB = (- a − b + c + abc) Dari Penaksir efek di atas, nampak bahwa penaksir efek utama A dan interaksi BC, B dengan interaksi AC, dan C dengan interaksi AB adalah sama, sehingga tidak mungkin untuk menyatakan ada perbedaan antara A dan BC, B dan AC, dan C dan AB. Oleh karena itu, A disebut alias dengan BC, atau dibaurkan (confounded), demikian halnya dengan B alias dengan AC, dan C alias dengan AB. 5. Jenis Khusus Desain Faktorial Fraksional 2k Desain faktorial fraksional dibagi dalam beberapa jenis, yaitu i. Rancangan resolusi III, dimana tidak ada efek utama yang dibaurkan dengan efek utama yang lainnya, tapi efek utama dibaurkan dengan interaksi dua faktor. sebagai contoh 23−1 rancangan resolusi III. ii. Rancangan resolusi IV, dimana tidak ada efek utama yang dibaurkan dengan efek utama yang lain atau efek interaksi dua faktor, tapi interaksi dua faktor dibaurkan dengan sesamanya. iii. Rancangan resolusi V, dimana tidak ada efek utama atau interaksi dua faktor yang dibaurkan efek faktor utama dan interaksi dua faktor yang lainnya. Tapi interaksi dua faktor dibaurkan dengan interaksi tiga faktor. Secara umum, suatu rancangan resolusi R adalah keadaan dimana tidak ada efek faktor p yang dibaurkan dengan efek lainnya yang memuat kurang lebih R−p faktor. Untuk mengidentifikasi resolusi dari desain faktorial fraksional, digunakan angka romawi sebagai indeks. 6. Half-Normal Plot Half-normal plot adalah salah satu alat analisis statistik yang berfungsi untuk menentukan faktor mana yang penting atau berpengaruh dalam suatu eksperimen. Selain dari itu, menurut Daniel (1959) half-normal plot juga berfungsi untuk mengecek apakah data hasil estimasi sudah susuai dengan data aslinya atau tidak.

Manajemen Risiko di Bidang Perbankan dan Asuransi | 349

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010 F. METODOLOGI 1. Estimasi Data Hilang

Misalkan dalam desain faktorial 2 level atau desain faktorial fraksional dengan n pengamatan dilakukan, diperoleh y ' = (y1, y1, ... , yn) adalah vektor pengamatan. Jika tidak ada pengamatan yang hilang, efek rata-rata dapat diestimasi oleh y = e’y dan untuk (n-1) efek lainnya dapat diestimasi dengan menggunakan fungsi : ' i = 1, 2, ... , (n-1) Box dan Hunter, [1961 a,b] 1 i y, Jika 1'i 1j = 1'i e = 0, (i ≠ j), jumlah kuadrat total y‟y dapat dipecah menjadi n bagian orthogonal, maka nilai y‟y = (SS(e’y) + SS ( 1'i y)). ' 4 1y Karena SS(e’y) = n y 2, SS( 1'i y) = i' , dan 1'i1i = , maka : n 1i1i y ' y = ( SS(e’y) + SS ( 1'i y)) n n -1 ' 2 (1i y) =ny2+ (2.1) 4 i 1 Jika terdapat m pengamatan yang hilang, maka banyaknya efek yang dapat diestimasi (n-m) buah, sehingga harus dipilih (n-m) efek dari (n-1) efek yang ada, selain dari efek rata-rata. Hal ini dapat dimisalkan seperti penjumlahan kuadrat residu, sehingga dihasilkan persamaan jumlah kuadrat residu nya yaitu : n n-1 ' 2 (1i y) (2.2) s= 4 i=n-m Dengan menurunkan persamaan (2.2) terhadap (1'i y ) , diperoleh persamaan : n-1 a (1'i y) 0 (j = 1, 2, ..., m) (2.3) ij i=n-m Nilai a dalam persamaan (2.3) merupakan koefisien pengamatan ke-j yang ij hilang dalam (1'i y) , dan dapat dibuat matriks A, dengan A = { a }. Apabila matriks ij A non singular, maka persamaan (2.3) direduksi menjadi : ' i = (n-m), ..., (n-1) (2.4) 1i y = 0 Dengan menggunakan persamaan (2.4) ini, maka nilai hilang yang ada dalam pengamatan tersebut dapat diestimasi.
2. Analisis Data

Hubungan antara efek-efek dan kombinasi perlakuan dapat ditulis sebagai : Kontras = 2k-1 * (efek atau interaksi) Y 2 , jumlah kuadrat semua nilai Untuk ANAVA, perlu dihitung pengamatan, sedangkan jumlah kuadrat kuadrat tiap efek atau kombinasi perlakuan dihitung dengan : (kontras)2 JK (efek ) r.2k

Manajemen Risiko di Bidang Perbankan dan Asuransi | 350

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

Statistik Uji nya :

F=

KT(efek atau interaksi) KT(interaksi tingkat tertinggi)

Kriteria uji nya : Tolak jika Fhitung ≥ Ftabel, terima dalam hal lainnya.
G. HASIL ANALISIS 1. Data Yang Digunakan

Data yang digunakan untuk melakukan estimasi data hilang dan melakukan analisis desain faktorial fraksional adalah data mengenai percobaan permainan golf. Data ini disusun dalam desain faktorial fraksional 25−1 desain resolusi V dengan generator E = ABCD dan Defining Contrast I = ABCDE. Faktor-faktor yang mempengaruhi jarak yang ditempuh bola golf pada permainan golf dengan respon jarak tempuh dalam yard adalah Ability (Kemampuan), Ball (Bola), Club, Ground (Lapangan), dan Teeing (Tongkat).
Tabel 4.1: Faktor dan Level-level untuk Permainan Golf
Faktor Ability Ball Club Ground Teeing Low Level (-1) 8 Balata Wood Soft No tee High Level (1) 4 Two Piece Metal Hard Tee

Tabel 4.2: Desain Eksperimen Permainan Golf
No A B C D E Distance Percobaan 1 -1 -1 -1 -1 1 211 2 1 -1 -1 -1 -1 195 3 -1 1 -1 -1 -1 150 4 1 1 -1 -1 1 232 5 -1 -1 1 -1 -1 160 6 1 -1 1 -1 1 236 7 -1 1 1 -1 1 222 8 1 1 1 -1 -1 204 9 -1 -1 -1 1 -1 183 10 1 -1 -1 1 1 285 11 -1 1 -1 1 1 242 12 1 1 -1 1 -1 260 13 -1 -1 1 1 1 276 14 1 -1 1 1 -1 264 15 -1 1 1 1 -1 200 16 1 1 1 1 1 301 Sumber: Dodgson, J.H. 2003. ”A Graphical Method for Assessing Mean Square in Saturated Fractional Designs”. Journal of Quality Technology, 35, No. 2, pp. 206- 212.

2. Satu Data Hilang

Dengan menggunakan Half-Normal Plot diperoleh hasil estimasi yang paling baik adalah :

Manajemen Risiko di Bidang Perbankan dan Asuransi | 351

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010
Design-Expert® Software R1 Shapiro-Wilk test W-value = 0.912 p-value = 0.194 A: A B: B C: C D: D E: E Positive Effects Negative Effects

Half-Normal Plot
Select significant terms - see Tips
99

Design-Expert® Software R1

Half-Normal Plot
Select significant terms - see Tips
99

H a lf-N o rm a l % P ro b a b ility

95 90

Half-Normal % Probability

Shapiro-Wilk test W-value = 0.952 p-value = 0.589 A: A B: B C: C D: D E: E Positive Effects Negative Effects

95 90

80 70

80 70

50 30 20 10 0

50 30 20 10 0

0.00

7.28

14.56

21.84

29.12

0.00

45.00

90.00

135.00

180.00

225.00

|Standardized Effect|

|Standardized Effect|

Gambar 4.1 ( plot pada saat X = 127 )

Gambar 4.2 ( Plot data aslinya )

Dari keseluruhan bentuk half-normal plot tersebut dapat diketahui bahwa hasil estimasi yang paling baik adalah pada saat nilai x = 127. Hal ini dikatakan baik karena bentuk half-normal plot hasil estimasi efeknya lebih mendekati sama dengan bentuk aslinya dibandingkan dengan half-normal plot hasil estimasi efek nilai x lainnya. Jadi dapat disimpulkan bahwa x = 127 dapat digunakan untuk mengganti nilai yang hilang sehingga analisis variansnya dapat dilakukan.
Design-Expert® Software R1

Half-Normal Plot
99

Half-Normal % Probability

Shapiro-Wilk test W-value = 0.855 p-value = 0.066 A: A B: B C: C D: D E: E Positive Effects Negative Effects

D
95 90

E A C B

80 70

50 30 20 10 0

0.00

5.30

10.60 15.90 21.20 26.50 31.80 37.10 42.40 47.70 53.00

|Standardized Effect|

Sumber Variasi A B C D E Residual

Tabel 4.3 Tabel Anava Untuk Satu Data Hilang Derajat Jumlah Kuadrat F value Kebebasan Kuadrat Terkecil 1 7921.00 7921.00 37.27 1 30.25 30.25 0.14 1 1024.00 1024.00 4.82 1 11236.00 11236.00 52.86 1 10609.00 10609.00 49.91 10 2125.50 212.55

P value 0.0001 0.7139 0.0529 < 0.0001 < 0.0001

Dari bentuk Half-Normal Plot di atas dapat dijelaskan bahwa ada tiga efek yang mempunyai pengaruh yang sangat signifikan, yaitu efek A, D dan E. Ini dapat diketahui dari letak ketiga titik efek tersebut yang letaknya jauh dibandingkan dengan titik-titik lainnya. Hal ini diperjelas dengan nilai p value yang diperoleh dalam table Anavanya. Dari table Anava tersebut diketahui nilai p value untuk ketiga efek tersebut jauh lebih kecil dari 0.05.

Manajemen Risiko di Bidang Perbankan dan Asuransi | 352

00 135.5 ( Plot data aslinya ) ( Plot pada saat X2 = 187 dan X15 = 169) Dari keseluruhan bentuk half-normal plot tersebut diketahui bahwa hasil estimasi yang paling baik adalah pada saat nilai X2 = 187 dan X15 = 169.00 10.50 | Standardized Effect| Sumber Variasi A B C D Tabel 4.589 A: A B: B C: C D: D E: E Positive Effects Negative Effects Shapiro-Wilk test W-value = 0. 3.939 p-value = 0.896 A: A B: B C: C D: D E: E Positiv Effects e Negativ Effects e E 95 90 D A C 80 70 50 30 20 10 0 B 0.2821 0.25 420.10 42.0004 Manajemen Risiko di Bidang Perbankan dan Asuransi | 353 .00 8930. Dua Data Hilang Dengan menggunakan Half-Normal Plot diperoleh hasil estimasi yang paling baik adalah : Design-Expert® Software R1 Half-Normal PlotR1 Select significant terms . Sebagai catatan dalam tabel Anava. maka H0 ditolak sedangkan untuk efek B dan C karena memiliki nilai p value > 0. Sehingga dapat disimpulkan bahwa hanya efek A.00 180.00 215. Jadi faktor-faktor yang mempengaruhi jarak yang ditempuh bola golf pada permainan golf dengan respon jarak tempuh dalam yard adalah Ability (Kemampuan). Design-Expert® Software R1 Half-Normal Plot 99 Half-Normal % Probability Shapiro-W ilk test W -v alue = 0.404 A: A B: B C: C D: D E: E Positive Effects Negative Effects 95 90 80 70 80 70 50 30 20 10 0 50 30 20 10 0 0.952 p-value = 0.70 21.971 p-v alue = 0.00 0. D dan E mempunyai pengaruh terhadap model.00 24.25 1.00 7921.25 0.40 32.00 27.see Tips 99 Half-Normal % Probability 95 90 Half-Normal % Probability Shapiro-Wilk test W-value = 0.4 Tabel Anava Untuk Dua Data Hilang Derajat Jumlah Kuadrat F value Kebebasan Kuadrat Terkecil 1 7921. D dan E memiliki nilai p value < 0.00 |Standardized Effect| |Standardized Effect| Gambar 4.093 1 420.05 maka H0 diterima.05.29 1 8930. Ground (Lapangan).0006 0.00 172.4 Gambar 4.36 1 30.7666 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Hal ini dikatakan baik karena bentuk half-normal plot hasil estimasi efeknya lebih mendekati sama dengan bentuk aslinya dibandingkan dengan half-normal plot hasil estimasi efek nilai x lainnya.80 53.00 43.00 90.00 86.47 P value 0.25 30.00 129. sumber variasi residual merupakan gabungan dari efek-efek interaksi dua faktor. dan Teeing (Tongkat).00 225.00 45.see Tips 99 Design-Expert® Software Half-Normal Plot Select significant terms .00 258. 13 November 2010 Karena efek A.

G. 28. maka dapat diambil beberapa kesimpulan yaitu : 1. P. G. dan Teeing (Tongkat). R. London Gomez. Statistical Procedures for Agricultural Research 2nd. An Analysis for Unreplicated Fractional Factorials. Ground (Lapangan) dan Teeing (Tongkat). Faktor-faktor yang sangat signifikan mempengaruhi jarak yang ditempuh bola golf pada permainan golf dengan respon jarak tempuh dalam yard adalah Ability (kemampuan). E.10 Sebagai catatan dalam tabel Anava.42 0. Dan hal ini diperjelas dengan nilai p value yang diperoleh dalam table Anavanya. Ground (Lapangan). Box. untuk mengestimasi data hilangnya dapat ditentukan dengan menggunakan kontrasnya dan untuk menentukan hasil estimasi terbaik digunakan half-normal plot dari hasil estimasi efek kombinasi perlakuan dengan dibandingkan half-normal plot dari hasil estimasi efek kombinasi perlakuan dari data aslinya. 3. Use of half-normal plots in interpreting factorial two level experiments. M. Daniel. K. (1989). Manajemen Risiko di Bidang Perbankan dan Asuransi | 354 . Singapore. dan Meyer. The 2k-p fractional factorial designs. John Wiley and Sons.05. D dan E. E. Experimental Designs. Finney. New York. (1984). and Hunter. Dari table Anava tersebut diketahui nilai p value untuk ketiga efek tersebut nilainya < 0. 1 pp. Part I. Ltd. Jadi faktor-faktor yang mempengaruhi jarak yang ditempuh bola golf pada permainan golf dengan respon jarak tempuh dalam yard adalah Ability (Kemampuan). D. W. A. yaitu efek A.00 325. 311-41. Dari bentuk Half-Normal Plot di atas dapat dijelaskan bahwa ada 3 efek yang mempunyai pengaruh yang sangat signifikan. dapat juga digunakan untuk menguji pengaruh efek interaksinya. Technometrics 1. Jika analisis dilakukan dengan perhitungan biasa. and Cox. Technometrics 3. J. G. C. G. P. Technometrics. jumlah kuadrat total mempunyai 15 derajat bebas. (1957). 5 diantaranya untuk faktor utama dan 10 lainnya untuk interaksi dua faktor. and Gomez.0001 Residual 10 3251. Hastoto. DAFTAR PUSTAKA Box. 11-18 Cochran. Statistical Method to Biological Assay. nilai F value dalam table Anava tersebut tidak muncul disebabkan oleh tidak adanya pengulangan atau replikasi untuk tiap kombinasi perlakuan sehingga terdapat 16 kombinasi perlakuan. I.Y. 311-51. Dalam desain faktorial fraksional.A. (1964). John Willey & Sons Inc. Charles Griffin & Co. (1961a). H. Sehingga dapat disimpulkan bahwa efek A. maka H0 ditolak. (1959). 2. (1986). sehingga derajat bebas untuk error adalah 0. E. Dalam desain faktorial fraksional tanpa replikasi. S. D. 13 November 2010 E 1 11449.00 35. Bandung.05. Penaksiran Data Hilang Dalam Desain Blok Acak Dan Desain Bujur Sangkar Latin Melalui Modifikasi Rata-Rata Pengamatan. perhitungan rasio nilai F dilakukan dengan membagi RJK efek dengan RJK efek interaksi tertinggi.A. Sehingga dalam desain faktorial fraksional tanpa replikasi. KESIMPULAN Berdasarkan uraian teori dan contoh penggunaan kasus yang disajikan dalam babbab sebelumnya. Jurusan Statistika FMIPA Unpad. 4. Karena nilai p value < 0. D dan E mempunyai pengaruh yang signifikan. selain digunakan untuk menguji pengaruh efek utama. Ini dapat diketahui dari letak ketiga titik efek tersebut yang letaknya jauh dibandingkan dengan titik-titik lainnya.00 11449.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. sumber variasi residual merupakan gabungan dari efek-efek interaksi dua faktor.

pdf. Turnip. dan Fang.rit. Norman. Jurusan Statistika FMIPA Unpad. Estimating Missing Values In Unreplicated TwoLevel Facorial And Fractional Factorial Design. Wisconsin. Manajemen Risiko di Bidang Perbankan dan Asuransi | 355 . Desain dan Analisis Eksperimen. (1995). G. Taksiran Data Hilang Dalam Desain Blok Acak. (1999) Analisis Rata-Rata Data Hilang Dalam Desain Blok Acak Lengkap. A. Surabaya. University of Wisconsin. Technical Report 2004-1. Identifikasi Faktor Signifikan Rancangan Faktorial Fraksional Tanpa Pengulangan Dengan Metode Bissel. Madison. C. R. The Efficiencies of Fractional Factorial Designs. (2005). Sauddin. Jurusan Statistika FMIPA Institut Teknologi Sepuluh November. Bandung. (1989). S. A.com/ college/montgomery. (2006). U. (1964). Http://www. Voelkel.T. M. J. D. Http://www. Bandung. and David. Syafyatiningsih. Bandung.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.edu/ ∼636www/about/TR20041. Jurusan Statistika FMIPA Unpad. Tarsito. C. M. and Rochester.wiley. Lenth. Sudjana. S.I. D. Supplemental Text Material For Each Chapter of The 6th Edition of Design and Analysis of Experiments. (2004).R. 13 November 2010 Montgomery. J.

SOM. Pendahuluan Perekonomian menjadi salah satu pondasi utama kekuatan suatu negara.its. Tahun 2009 dan Laporan Bulanan Statistik Keuangan Bank Indonesia Tahun 2004 s. stabilitas ekonomi tidak selalu berjalan dengan mulus karena perekonomian dipengaruhi oleh banyak faktor. data dibagi menjadi dua. Desember 2009 yang digunakan untuk menguji akurasi model yang terbentuk. Pembandingan dilakukan dengan melihat Mean Square Error (MSE) dan Root Mean Square Error (RMSE) dari data (training) dan out sample data (testing) data in sample dan juga dilihat data in sample (testing).d. Plot antara data testing dengan taksiraan testing (Yhat-test) sudah mendekati dengan data asli Kata kunci : Inflasi. Usaha-usaha untuk meramalkan inflasi merupakan salah satu input yang cukup penting bagi proses pengambilan keputusan secara moneter. Surabaya 2 Dosen Pascasarjana Jurusan Statistika. Dalam penelitian ini digunakan metode SOM GRNN untuk memodelkan inflasi dengan menggunakan data yang bersumber dari Publikasi Indeks Harga Konsumen (IHK) Indoensia Tahun 2004 s. 1. data inflasi bulan januari 2004 sampai bulan desember 2008 yang digunakan untuk membentuk model runtun waktu. Namun.d. FMIPA-ITS. Untuk keperluan pembandingan model.1) PEMODELAN INFLASI DENGAN METODE SELF ORGANIZING MAPS GENERAL REGRESSION NEURAL NETWORK (SOM GRNN) 1 Hendra Wijaya. jumlah uang beredar (M2) dan nilai tukar rupiah terhadap dollar (Kurs Tengah).ac. GRNN.id Abstrak Inflasi merupakan salah satu indikator makro penting yang dapat memberikan informasi tentang gejolak perekonomian suatu bangsa. SOM-GRNN.d.com. data inflasi bulan Januari s. 2Brojol Sutijo Suprih Ulama 1 Mahasiswa Pascasarjana Jurusan Statistika. FMIPA-ITS. Surabaya e-mail : 1 henwij@gmail. 13 November 2010 V. ANALISIS REGRESI (R. 2 sutijo_su@statistika. Tahun 2009 sebanyak 72 bulan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Salah Manajemen Risiko di Bidang Perbankan dan Asuransi | 356 . Sedangkan data kedua adalah data out of sample (testing). Variabel yang digunakan sebagai variabel respon adalah inflasi dan variabel prediktornya adalah: suku bunga bank (BI Rate). baik itu faktor eksternal maupun faktor internal. Data pertama adalah data in sample (training).

13 November 2010 satu indikator utama yang digunakan untuk melihat perkembangan perekonomian suatu negara adalah tingkat laju inflasi. Angka inflasi yang mempunyai fluktuasi tinggi dari waktu ke waktu menandakan perekonomian suatu negara tidak atau kurang stabil. 2. 1995). et.al (2000) yang melakukan prediksi nilai tukar beberapa mata uang internasional dan membandingkannya dengan model Multilayer Feedforward Neural Network dengan beberapa fungsi transfer (aktifasi). Indonesia pernah mengalami tingkat inflasi yang sangat tinggi yaitu pada tahun 1966 dan 1997-1998. Hal ini dilakukan dengan membandingkan data testing dan data asli dengan metode permodelan GRNN. GRNN adalah salah satu model deret waktu nonlinier yang juga telah banyak dikembangkan untuk berbagai masalah statistika baik untuk output univariat maupun multivariat. et. 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.1 Inflasi Inflasi merupakan indikator perkembangan harga barang dan jasa yang dikonsumsi masyarakat. RBFNN (Radial Basic Feed Forward Neural Network). Cigizoglu. Landasan teori 2. namun “keranjang/paket” barang dan jasa yang digunakan untuk menghitung konsumsi rumah tangga seluruhnya berjumlah 774 komoditas. Angka tersebut merupakan hasil Survei Biaya Hidup (SBH) tahun 2007 yang merupakan patokan untuk menyusun inflasi. Tujuan dari makalah ini adalah mendapatkan model untuk data inflasi Indonesia. Diantaranya adalah Warsito dkk (2008) telah menerapkan GRNN untuk prediksi tingkat pencemaran udara ambien di kota Semarang. yang mengakibatkan berbagai segi kehidupan masyarakat mengalami krisis.2 Self Organizing Map Manajemen Risiko di Bidang Perbankan dan Asuransi | 357 . Sehingga diharapkan dapat bermanfaat untuk digunakan oleh Badan Pusat Statistik dan Bank Indonesia sebagai Bank Sentral di dalam memodelkan data inflasi sebagai salah satu input yang cukup penting bagi proses pengambilan keputusan secara moneter. banyak perusahaan yang gulung tikar dan pengangguran dimana-mana (Statistik 50 Tahun Indonesia Merdeka. al (2008) melakukan perbandingan model FFNN (Feed Forward Neural Network). Barang dan jasa tersebut jumlahnya sangat banyak. Kaitannya pemodelan GRNN untuk data finansial Leung. Untuk semua mata uang termasuk dalam penelitian empiris dilihat dari MAE dan RMSE untuk peramalan Model GRNN yang lebih signifilkan dibanding model.

Dengan demikian SOM mampu digunakan untuk menyelesaikan masalah yang rumit dan atau fungsi yang tidak diketahui. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari sistim pemrosesan informasi. Selanjutnya. Jaringan Kohonen SOM terdiri dari dua layer yaitu input layer dan output layer. Artificial Neural Network. 2. seperti manusia.3 Artificial Neural Network Artificial Neural Network (ANN) dibuat pertama kali pada tahun 1943 oleh neurophysiologist Waren McCulloch dan logician Walter Pits. Artificial Neural Network dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran. a. Setiap neuron dalam input layer terhubung dengan setiap neuron pada lapisan output. Artificial Neural Network adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistem sel syaraf biologi yaitu sama seperti otak yang memproses suatu informasi. Dengan kemampuan tersebut pengguna tidak perlu merumuskan kaidah atau fungsinya. Kelebihan Jaringan Syaraf Tiruan dengan algoritma SOM terletak pada kemampuan belajar mandiri yang dimilikinya. Aktifitas unit-unit input layer menunjukkan informasi dasar yang kemudian digunakan dalam Artificial Neural Network. Arsitektur pada Artificial Neural Network Lapisan pada artificial Neural Network biasanya mempunyai 3 layer atau lapisan yaitu : input layer yang terhubung dengan hidden layer yang selanjutnya terhubung dengan output layer. Input layer Hidden Layer Manajemen Risiko di Bidang Perbankan dan Asuransi | 358 . Aktifitas setiap unit-unit hidden layer ditentukan oleh aktifitas dari unit unit input dan bobot dari koneksi antara unit-unit input dan unit-unit hidden layer. Karakteristik dari unit-unit output tergantung dari aktifitas unit-unit hidden layer dan bobot antara unit-unit hidden layer dan unit-unit output. Setiap neuron dalam lapisan output merepresentasikan kelas dari input yang diberikan 2. namun teknologi yang tersedia pada saat itu belum memungkinkan mereka berbuat lebih jauh. 3. Hubungan antar lapiannya dapat dilihat seperti pada Gambar1. belajar dari suatu contoh.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. konsep penting dalam arsitektur Artificial Neural Network adalah sebagai berikut: 1. Masalah yang terdapat kaidah atau fungsi yang tidak diketahui. 13 November 2010 Jaringan Kohonen SOM (Self Organizing Map) merupakan salah satu model jaringan syaraf yang menggunakan metode pembelajaran unsupervised .

y output yang diprediksi.4 General Regression Neural Network (GRNN) GRNN pada awalnya diusulkan dan dikembangkan oleh Specht dan Leung. Berdasarkan nilai sampel x dan y dari variabel acak X dan Y. Ada dua tipe pembelajaran yang dikenal yaitu : pembelajaran terawasi (supervised) dan pembelajaran tak terawasi (unsupervised). 2. Dengan fungsi aktifasi GRNN yang telah ditetapkan : ζi e ( x-xi ) (x-x i ) / 2 2 (2) dengan xi adalah vektor training yang direpresentasikan oleh neuron pola i. Pada metode pembelajaran yang tidak terawasi (unsupervised). dan ζ i adalah suatu fungsi Gaussian. Hal lain yang penting adalah proses pembelajaran hubungan input/output. y )dy - dimana x = (x1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Pembelajaran terawasi (supervised) digunakan jika output yang diharapkan telah diketahui sebelumnya dan biasanya pembelajaran dilakukan dengan menggunakan data yang telah ada. Walaupun GRNN menghasilkan output berupa vektor multivariat.…. Arsitektur pada Artificial Neural Network a. didapat fungsi Manajemen Risiko di Bidang Perbankan dan Asuransi | 359 . hubungan antara input dan output harus diketahui secara pasti untuk dapat dibuat suatu model. jika menggunakan Artificial Neural Network. Selama proses pembelajaran. dengan tidak mengurangi keumuman deskripsi dari logika operasi GRNN pada tulisan ini disederhanakan untuk kasus output univariat dalam formula regresi nonlinear : yf( x. y)dy E( y | x) - (1) f( x. Dasar dari operasi GRNN secara esensial didasarkan pada teori regresi nonlinear (kernel) dimana estimasi dari nilai harapan output ditentukan oleh himpunan inputinputnya. σ meru pakan parameter smoothing. tidak memerlukan target output. 13 November 2010 Output Layer Gambar 1. E[y| x] nilai harapan dari output y jika diberikan vektor input x. nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan.x2. Tujuan pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dalam suatu area tertentu. Proses Pembelajaran Umumnya.xp) adalah vektor input. Pembelajaran seperti ini biasanya sangat cocok untuk pengelompokkan (klasifikasi) pola. dan f(x . Pada metode ini tidak dapat ditentukan hasil seperti apa yang diharapkan selama proses pembelajaran. et al.y) merupakan fungsi densitas probabilitas bersama dari x dan y.

xi ) (x . kemudian di teruskan ke hidden layer pertama pada GRNN dengan beberapa bobot dari SOM yang digunakan pada parameter GRNN.xi ) adalah (4) Dengan mensubstitusi estimasi probabilitas bersama (3) kedalam mean bersyarat (4) diperoleh estimator kernel Nadaraya-Watson sebagai berikut : n ˆ Y ( x) w ij exp i 1 n d i2 / 2 d /2 2 i 2 2 (5) exp i 1 Berdasarkan persamaan (5). GRNN yang dikembangkan oleh Specht (1991) memiliki formulasi sebagai berikut : n wij ζi Yj i 1 n (6) ζi i 1 n n wij ζi =Numerator i 1 i 1 ζi = Denominator 2. 3.y i ) / 2 2 (3) dengan n adalah banyaknya pengukuran dalam himpunan data pelatihan. Data Data yang digunakan dalam penelitian ini merupakan data sekunder yang berasal dari data inflasi Indonesia yang dirilis setiap bulan oleh Badan Pusat Statistik dan data Statistik Ekonomi dan Kebijakan Moneter (SEKI) yang juga dirilis setiap bulan Manajemen Risiko di Bidang Perbankan dan Asuransi | 360 . parameter penghalusan (panjang bidang) serta jarak metrik d i2 adalah: di2 (x .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 f (x.5 Self Organizing Maps General Regression Neural Network (SOM-GRNN) Metode ini merupakan hybrid anatara SOM dengan GRNN dimana diperlukan pengelompokan data observasi dengan melalui SOM. y ) 2 1 ( p 1) / 2 p 1 1 n n exp i 1 di2 / 2 2 exp (y .

Hal ini dilakukan dengan metode SOM-GRNN dengan cara membandingkan dari data asli dan perkiraan dari data testing (out sample). data ini digunakan untuk menguji akurasi dari model yang terbentuk.2 -2222 -2196. Pada penelitian ini.94 -2221.95 Manajemen Risiko di Bidang Perbankan dan Asuransi | 361 .02 -2228.08 2166. 13 November 2010 oleh Bank Indoensia. Tujuan dari pembuatan makalah ini adalah mendapatkan model yang baik untuk data inflasi Indonesia.2 -2184. Nilai dari Information Criterion for Autoregressive Model The SAS System 05:25 Thursday. November 11. Hasil dan pembahasan Untuk melihat lag yang optimum dalam model. data ini digunakan untuk membentuk model time series dari bulan Januari 2004 s. Desember 2009. 2010 2 The STATESPACE Procedure Information Criterion for Autoregressive Models Lag=0 Lag=1 Lag=2 Lag=3 Lag=4 Lag=5 Lag=6 Lag=7 Lag=8 Lag=9 Lag=10 -2182. Tabel 1. adalah dengan melihat nilai Information Criterion for Autoregressive Model (ICAM) seperti pada Tabel 1.d. Data observasi yang digunakan sebanyak 72 bulan. yang dibagi menjadi 60 observasi untuk in-sample dan 12 observasi untuk out-of-sample.45 -2157. dimulai dari januari 2004 sampai dengan desember 2009. 5.83 -2174.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Metodologi penelitian Untuk mendapatkan hasil yang diharapkan dalam penelitian ini digunakan metode SOM GRNN yang pada tahap ini sangat difokuskan pada pembentukan model yang diinginkan untuk disiapkan menjadi dasar dalam simulasinya. Data pertama adalah data in-sample (training). data yang digunakan merupakan data inflasi Indonesia yang dirilis setiap bulan oleh BPS dan data jumlah uang beredar. suku bunga dan kurs rupiah terhadap dollar yang dirilis Bank Indonesia. Desember 2008. 4.64 -2176. Untuk keperluan pembandingan model data dibagi menjadi dua.13 -2180.d. Sedangkan data kedua adalah data out of sample (testing) dari bulan Januari 2009 s. Data ini terdiri dari 72 observasi.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran.5 1 2 3 4 5 6 7 Index 8 9 10 11 12 Gambar 2. Time Series Plot of Ytest. Hasil dengan menggunakan kriteria MSE dan RMSE untuk membandingkan data testing (Ytest/data asli) dengan data taksiran testing (Yhat-test) pada gambar.448 RMSE 1.5 0. 13 November 2010 Terlihat lag yg optimum adalah lag 1 yang memiliki nilai ICAM terkecil dan dengan mengunakan cross correlation didapatkan hasil yang menyatakan bahwa hanya lag 1 yang signifikan.317 Tabel 2 menunjukkan bahwa nilai MSE dan RMSE training lebih kecil dari MSE dan RMSE testing.129 1. Yhat-test 1.874 1. Perbandingan MSE dan RMSE training dan testing pada Model SOM-GRNN SOM-GRNN Training Testing MSE 0. Tetapi ini masih layak digunakan karena perbedaannya yang tidak terlalu jauh antara training dan testing dilihat dari banyaknya jumlah observasi training dan testing.0 Data 0.0 -0.5 Variable Ytest Yhat-test 1. Plot Ytst dan Yhat-tes Manajemen Risiko di Bidang Perbankan dan Asuransi | 362 .2 terlihat bahwa dengan metode SOM-GRNN terlihat bahwa data plot taksiran (Yhat-test) cenderung mendekati plot data testing (Ytest). Pada bagian ini akan dipaparkan hasil empiris dari metode SOM-GRNN untuk melihat validasi model terbaik untuk data inflasi bulanan Indonesia. Tabel 2.

“Artificial Neural Network Models in Rainfall-Runoff Modelling of Turkish Rivers”. penentuan lag yang optimum.. O. M.T. S. Ayhan. Tesis. I. Penelitian lanjutan dapat dilakukan dengan menggunakan arsitektur jaringan lainnya seperti SOMGA-GRNN.. (2008). and Daouk. Askin. “Berita Resmi Statitsik Indeks Harga Konsumen”. “Statistik 50 Tahun Indonesia Merdeka”. “Analisis Pengaruh Inflasi. Isa... „Survei Biaya Hidup Tahun 2007” Badan Pusat Statistik. 13 November 2010 Pada model SOM-GARN tahap awal yang dilakukan adalah melakukan prepocessing data. Badan Pusat Statistik (2010). Kurs dan Jumlah Uang Beredar Terhadap Indeks LQ45”. 7. H.Kohonen SOM : Manajemen Risiko di Bidang Perbankan dan Asuransi | 363 .K. H.N. (2008). M and Ucar.. kami menyimpulkan bahwa model SOMGRNN merupakan model yang cukup baik untuk memodelkan data inflasi Indonesia. Istanbul Technical University.A. F.. “Forecasting Exchange Rates using General Regression Neural Networks”. A. A. membuat model dan validasi model. Nugroho.. Direktorat Sistem Informasi Statistik.. Daftar Pustaka Barai. Kesimpulan Berdasarkan hasil dan pembahasan pada bagian sebelumnya. Irawan. Jakarta Cigizoglu.. P. Computers & Operations Research 27.. Suku Bunga. working paper Badan Pusat Statistik.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Leung.. Gurbuz. “Statistik Ekonomi dan Keuangan Indonesia“.. sehingga model SOMG-RNN dapat dijadikan sebagai alternatif untuk memodelkan data inflasi Indonesia. M. Chen... (2010). Sagala. working paper. Ozturk. Yildiz. “Neural Network Models for Air Quality Prediction : A Comparative Study”.. atupun dengan membandingkan model SOM-GRNN dengan model statistik lain seperti VARIMAX. (2008) “ Analisis Regresi Berganda Terhadap Faktor-Faktor Yang Mempengaruhi Laju Inflasi”. USU Medan. page 1093-1110. pengelompokan data. A. Dikshit. Sharma.V. Nilai MSE dan RMSE masing-masing model dapat dilihat pada Tabel 2. UNDIP Semarang. 6. S. „Publikasi Indeks Harga Konsumen Indonesia 2010” Bank Indonesia. Skripsi. Hal ini ditunjukkkan dengan nilai MSE dan RMSE data testing (out-sample) yang tidak terlalu jauh daru data training (in sample) dan juga dari plot taksiran testing (Yhattest) sudah mendekati plot testing (Ytest). (1995). (2000). Heru. (2010). “Exploratory Data Analysis dengan JST . Badan Pusat Statistik Badan Pusat Statistik (2007). (2004).. (2006). A.

Seminar Nasional Aplikasi Teknologi Informasi. Jurnal PRESIPITASI Volume 4 No 1 Edisi Maret. UNDIP Semarang Warsito. UGM Yogyakarta Spech. (1995). “Pemodelan General Regression Neural Network pada Data Pencemaran Udara di Kota Semarang”. M dan Widyanti. A. Rusgiyono. Jurnal PRESIPITASI Volume 3 No 2 Edisi September. (2006). UNDIP Semarang Manajemen Risiko di Bidang Perbankan dan Asuransi | 364 . 13 November 2010 Struktur Tingkat Kesejahteraan Daerah Tk II se Jawa Timur”. M. Procedding Seminar Nasional Matematika. Jurnal PRESIPITASI Volume 4 No 1 Edisi Maret..Prosiding Seminar Nasional Statistika Universitas Padjadjaran. dan Sumiyati. Vol 2 pp. IEEE Transaction on Neural Networks.F (1991).. S. 568-576 Susanti. dan Amirillah.A. “Indikator-Indikator Makro Ekonomi”. UNDIP Semarang Warsito.. General Regression Neural Network. A. D. “Perbandingan Model FFNN dan GRNN pada Data Nilai Tukar Yen Terhadap Dolar AS”. B.. H .. B. (2008). “Prediksi Curah Hujan kota Semarang dengan Feedforward Neural Network Menggunakan Algoritma Quasi Newton BFGS dan Levenberg-Marquardt”.. Ikhsan. UNDIP Semarang Warsito. (2007). B.

terdapat satu masalah klasik diantara banyak masalah dalam analisis regresi multipel adanya korelasi sempurna atau hampir sempurna antara variabel prediktor. semakin banyak variabel yang terlibat dalam model regresi maka semakin akurat dan reliable nilai prediksinya karena tentunya dengan melibatkan banyak variabel prediktor.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 100. Namun satu hal yang menjadi kendala dalam PLSR Manajemen Risiko di Bidang Perbankan dan Asuransi | 365 . proporsi varians dari variabel respon yang dapat dijelaskan oleh variabel prediktor akan semakin tinggi yang ditunjukkan oleh nilai koefisien determinasi R2 yang semakin besar. PLSR merupakan gabungan dari Principal Component Regression (PCR) dengan Canonical Correlations (CC). Keyword : Regresi. Dalam bahasa regresi persamasalahan ini dikenal dengan nama multikolenieritas. Dengan menggunakan metode simulasi ditetapkan B=1000 dan sampel bootstrap n=(10. Konsep dari PLSR adalah mereduksi variabel prediktor menjadi k komponen dengan memperhatikan korelasi antara set variabel prediktor dengan set variabel respon. Sama halnya seperti metode Principal Component Regression dan Ridge Regression. dan Jackknife PENDAHULUAN Analisis regresi adalah teknik analisis statistik yang mencirikan hubungan antara dua buah variabel atau lebih untuk tujuan prediksi dan estimasi dengan model statistik yang disebut sebagai model regresi. Khusus untuk tujuan prediksi. 13 November 2010 (R. Bootstrap. penulis bertujuan untuk membandingkan bias pendugaan parameter regresi. Dalam penelitian ini. 50. standar error dan lebar interval konfidensinya .com ABSTRAK Metode Partial Least Square Regression salah satu metode yang ditawarkan untuk pemodelan persamaan regresi jika terdapat kasus multikolenieritas.2) PERBANDINGAN METODE BOOTSTRAP DAN JACKKNIFE DALAM PENDUGAAN PARAMETER REGRESI DENGAN PARTIAL LEAST SQUARE REGRESSION I Gede Nyoman Mindra Jaya Jurusan Statistika FMIPA Universitas Padjadjaran jay_komang@yahoo. Kajian yang telah dilakukan oleh Norliza (2006) menunjukkan bahwa metode PLSR adalah metode yang terbaik dibandingkan metode yang lain dilihat dari Means Square Error (MSE) pendugaan parameter regresi. Multikolenieritas. dengan korelasi antara prediktor sebesar =0. Namun. 200) dan Jackknife n-1. Pendekatan umum yang digunakan untuk mendapatkan standar error dan interval konfidensi dari pendugaan parameter regresi adalah dengan menggunakan metode Bootstrap dan Jackknife. Beberapa teknik statistik yang sering digunakan dalam penanggulangan multikolenieritas adalah Principal Component Regression (PCAR). Ridge Regression (RR) dan Partial Least Square Regression (PLSR). standar error dan interval konfidensi pendugaan. metode Partial Least Square Regression tidak memberikan standard error pendugaan parameter regresi karena dalam pemodelan tidak mengasumsikan sebaran dari error.9 diperoleh metode Bootstrap relatif lebih baik untuk ukuran sampel besar (n>30) dibandingkan dengan metode Jackknife dilihat dari bias pendugaan. 30.

Dalam penelitian ini. PLS dapapat digunakan untuk jumlah variabel prediktor yang sangat banyak bahkan lebih banyak dari ukuran sampelnya... Kemudian p x 1 vektor pi yang sering disebut vektor loading. (2) standard error dan (3) interval konfidensi pada Partial Least Square Regression. TUJUAN PENELITIAN Tujuan dari penelitian ini adalah membandingkan metode Bootstrap dan Jackknife dalam menduga (1) bias parameter. (2) standard error dan (3) interval konfidensi pada Partial Least Square Regression KERANGKA KONSEPTUAL Partial Least Square Regression PLS merupakan metode yang cukup baru yang dikembangkan oleh Herman Wold di Tahun 1960-an sebagai sebuah metode yang digunakan untuk membangun model prediksi saat variabel prediktor banyak dan saling berkorelasi. PLS menggunakan kedua variasi X dan Y untuk membangun faktor-faktor baru yang akan memainkan peran sebagai variabel prediktor. Namun bagaimanapun ti. Ada beberapa kesamaan dengan PCR. Berbeda dengan bobot di PCR (yaitu eigenvektor i).. 13 November 2010 adalah pada tahap pengujian signifikansi parameter regresi karena dalam metode PLSR tidak mengasumsikan sebaran dari data. seperti komponen utama Zi. Faktor-faktor baru sering disebut variabel laten atau komponen. PLS mencoba menemukan faktor-faktor baru yang akan memainkan peran yang sama dengan X. yang ditulis sebagai Xri. Pendekatan yang dapat digunakan untuk mendpatkan standar error dari pendugaan parameter yaitu metode resampling (Bootstrap) atau dengan menggunakan metode Jackknife. yang berguna untuk memprediksi y1.. Satu disebut NIPALS dan yang lainnya disebut algoritma SIMPLS Tahap awal dalam pendugaan parameter adalah menghitung ti yang merupakan kombinasi linier dari matriks residual Ei sebagai berikut : i ti Ei 1 w i . Masing-masing komponen adalah kombinasi linear dari X1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Matriks X dapat dilakukan dekomposisi bilinier sebagai berikut : p X / t1p1 / t 2p2 / . E0 X (2) Manajemen Risiko di Bidang Perbankan dan Asuransi | 366 .Xp. Ada dua algoritma populer untuk mendapatkan penduga PLS.. Untuk regresi variabel Y dengan variabel prediktor X1. Perbedaan utamanya adalah ketika PCR hanya menggunakan variasi X untuk membangun faktor-faktor baru. t p pp i 1 t i pi/ TP / (1) Di sini ti adalah kombinasi linear dari X. ri tidak ortonormal. Sehingga standar error pendugaan tidak bisa diturunkan dari aspek teoritis.. Ei X j 1 t jp /j .yq. Intensi dari PLS adalah untuk membentuk komponen yang menangkap sebagian besar informasi dalam variabel X. Kedua metode.Xp. penulis mencoba membandingkan metode Bootstrap dan Jackknife dalam menduga (1) bias parameter.. sama-sama menemukan faktor baru yang akan diregresikan dengan Y... Sekarang kita akan menurunkan penduga PLS dan B. dengan menggunakan komponen lebih sedikit dari jumlah variabel X. yang ortogonal...

2. Dengan demikian distribusi dari statistik uji sampel di ini ditetapkan dari distribusi sampling empiris. Idenya adalah untuk meniru proses pemilihan banyak sampel untuk menemukan kemungkinan bahwa nilai-nilai statistik uji mereka jatuh dalam berbagai interval (Efron.. langkah pertama adalah menghitung nilai vektor ti kemudian menghitung pi..2.) ˆ /B (r ) Bootstrap Untuk Interval Konfidensi Untuk interval konfidensi digunakan pendekatan normal sebagai berikut : ˆ ˆ ˆ ˆ t n p..Prosiding Seminar Nasional Statistika Universitas Padjadjaran...B). Secara jelas algoritmanya sebagai berikut : Tm=XRm Pm=X/Tm(T/m/Tm)-1 Rm=Wm (P/m Wm)-1 (3) Dimana m adalah banyak komponen yang dominan. Sedangkan pengamatan lain mungkin tidak muncul sama sekali. 13 November 2010 dimana wi adalah ortonormal. Pengamatan ke-i (i=1. / 2 seB (r ) (r ) (8) Bootstrap Untuk Uji Signifikansi Untuk uji signifikansi dengan menggunkan Bootstrap pada PLSR dapat dilakukan dengan formulasi sebagai berikut : Manajemen Risiko di Bidang Perbankan dan Asuransi | 367 .... Dalam algoritma PLS baik untuk multivariat dan univariat. 1979).. 2. masing-masing merupakan sampel acak berukuran n yang diambil dengan pengembalian dari populasi n pengamatan. i = 1. Bootstrap Untuk Bias Pendugaan Jika ˆ adalah penduga tak bias dari . Pada metode bootstrap dibentuk B buah sampel Bootstrap. Kemudian ri ..m adalah set vektor loading. / 2 seB t n p.n) dari sampel awal mungkin muncul beberapa kali pada sampel Bootstrap ke-r (r=1.. Sehingga penduga parameter dengan PLS adalah : / / ˆ ˆ βm R m (R m X / XR m ) 1 R m X / Xβ OLS PLS (4) Metode Bootstrap Metode Bootstrap adalah metode resampling dengan penggantian dari sampel asli untuk memperkirakan ketepatan statistik dari data dalam suatu sampel. Bias penduga dari ˆ adalah : E[ ˆ] (5) (6) bias( ˆ) ^ ˆ (r ) ˆ Bootstrap Untuk Standar Error Bila ˆ( r ) adalah dugaan parameter B r 1 yang diperoleh dari sampel Bootstrap ke-r adalah : 2 1/ 2 (r=1..2.) /( B 1) (7) (.B) maka dugaan simpangan baku dari parameter ˆ se B ˆ B r 1 ˆ (r ) ˆ (.. wi.. E[ ˆ] bias( ˆ) E[ ˆ ] Dan bias dari bootstrap adalah : .

Tolak hipotesis nol jika terjadi sebaliknya. Jackknife Untuk Bias Pendugaan Jika ˆ adalah sebuah statistik.xn) ˆ T ( x) .xi-1. jackknife untuk bias bias jack Dimana ˆ (.) /( B 1) Kriteria penerimaan H0 : Terima hipotesis nol jika nilai |t hitung| lebih kecil dari t tabel pada tingkat signifikansi dan derajat bebas db=n-p dengan p adalah banyak parameter yang ditaksir dalam penelitian. kemudian ˆ(i ) pendugaan parameter adalah : ^ t ( Fn 1 ( x(i ) )) .….…. Taksiran dari adalah ˆ t ( Fn ) . xi+1. dan sebenarnya. Misalkan x=(x1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.…. Jackknife Jackknife adalah metode resampling yang lain diperkenalkan oleh Quenouille (1949) untuk estimasi bias dan Tukey (1958) memperkenalkan Jackknife untuk menduga standar error .) 1 n n i 1 (n 1)( ˆ (. Misalkan Fn adalah empirical cumulatif distribution function (ecdf) . i=1.n . ˆ ˆ( x) adalah penduga yang dihitung dari data sampel Jackknife Untuk Bias Pendugaan Jackknife untuk standar error penduga dari ˆ adalah : ^ se jack (n 1) n n i 1 ˆ (i ) ˆ 2 (.) ˆ) (10) ˆ adalah rata-rata dugaan setelah proses penghilangan satu unit (i ) pengamatan ke-i.…. 13 November 2010 ˆ ti PLS i ˆ seB B r 1 (9) ˆ ˆ 2 1/ 2 ˆ ˆ Dengan seB diperoleh dari proses Bootstrap seB (r ) (. n (i ) Misalkan parameter =t(F) adalah fungsi dari distribusi F.) (11) METODOLOGI Manajemen Risiko di Bidang Perbankan dan Asuransi | 368 . Jackknife seperti halnya metode cross validation leave one out. definisikan replikasi jackknife ke-i sebagai ˆ Jika Tn 1 ( x(i ) ) .xn) adalah set obervasi acak dan didefnisikan sampel jackknife ke-i x(i) adalah set data dari x tanpa melibatkan observasi xi sehingga : x(i) =(x1.

100. dan interval konfidensi dengan metode Bootstrap dan Jackknife HASIL PENELIITAN Setelah dilakukan simulasi menggunakan software R dengan replikasi sebanyak 100 kali.0001 Manajemen Risiko di Bidang Perbankan dan Asuransi | 369 0.525522 0.518390 0.000069 0.519248 0.508369 0.0002 0.000092 0.000188 0.004319 Jackknife b2 0.505020 0.010223 N=200 b1 0.0972576 N=10 b1 0.000029 0.504049 0.0008 0.0006 0.5700363 0.507501 0.006137 0.007515 0.0007563 0.507439 0.501115 0. 30.513886 0.534668 0.510948 0.5020237 0.510419 0. 200) serta mempertimbangkan adanya multikolenieritas dengan korelasi antara variabel prediktor ditetapkan sebesar =0.000187 0.520316 0.0025445 0.518640 0.5235726 0.000550 0.507179 0.5214075 0.505054 0.001592 0.000631 0.526704 0.001095 0.0007 Ta ksira n Pa ra meter Beta 1 0.525679 0.5190643 0.510419 0.509371 0.518205 0.508496 0.0140 0.001095 0. 13 November 2010 Untuk memilih metode terbaik dalam pendugaan parameter regresi dengan partial least square akan dilakukan dengan metode simulasi monte carlo. Hasil Simulasi Metode Bootstrap dan Jacknife (B=1000.9 2.507213 0.0002856 0.533837 0.0060 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.508369 0.014948 b1 0.001812 0.4835913 0.512995 0.0709461 b1 0.003092 0.5049639 0.010457 Bootstrap b2 0.006319 Bootstrap b2 0.518096 0.509338 0.4797845 0.512960 0.510382 0.0120 Taksiran Parameter Beta 2 0. n=(10.0003 0.0080 0.014885 N=100 b1 0.526704 0. sampel bootstrap B=1000 dengan n=(10.000204 0.030394 b1 0.95 diperoleh hasil simulasi sebagai berikut : Tabel 1.507279 0.532662 0. Membangkitkan data sampel n=(10.504120 0. 200) variabel prediktor x1 dan x2 dengan korelasi antara prediktor ini ditetapkan sebesar =0.0004 0.5074083 0.5545374 0.002592 0.525833 0.002605 0.507216 0.5076099 0.0005 0.012771 Bootstrap b2 0.525522 0.507986 0.507970 0.I L. Prosedur simulasinya adalah sebagai berikut : 1. Melakukan pendugaan parameter regresi dengan metode Partial Least Square dengan banyak komponen adalah satu 3.523311 0.513698 0.001595 0.502608 0.519777 0.502758 0.491244 0.521213 0.5049639 0.024692 N=50 b1 0.509982 0.510439 0. 50. 30.000663 0.0556508 Bootstrap b2 0.501008 0.510731 0.508496 0.024677 b1 0.B U.000168 0.523233 0.521550 0.030840 N=30 b1 0.0020 0. 100.5354353 0.000179 0. Menghitung bias pendugaan.007407 0.0117674 0.507353 0.90 serta =0.513088 0.0205651 0.003112 0.004317 Bootstrap b2 0.532116 0.000534 0.010273 Sumber : Hasil Simulasi Sampel Standardized Method Observed Average Size Coefficient 0.002582 0.509982 0.006133 0.010388 Jackknife b2 0.000104 0.003750 0.503828 0. 30.0150016 0.5020237 0.000065 0.503442 0.521550 0.012690 Jackknife b2 0.0323286 Jackknife b2 0.000034 0. 50.518199 0.4727787 0. 50.507801 0.000153 0.002599 0. standar error. 200)) Confident Interval 95% Bias S.521213 0. 100.0040 0.0100 .006332 Jackknife b2 0.B b1 0.E Wide C.513214 0.0068359 0.003766 0.

0050 0.0025 Taksiran S.52 0.56 0. Bootstrap dan Jackknife Bias Parameter Beta 1 0.505 0.520 B1 0.52 0.E Beta 2 0.530 0.51 0.54 0. Bootstrap dan Jackknife Standar Error Beta 1 Gambar 2.50 0.53 B2 0.50 0. Bootstrap dan Jackknife Standar Error Beta Secara umum hasil simulasi menunjukkan bahwa metode Bootstrap relative lebih baik untuk ukuran sampel besar baik dilihat dari bias pendugaan parameter.53 0. Distribusi Bootstrap Beta-1 30 20 Distribusi Bootstrap Beta-2 25 Distribusi Bootstrap Beta-1 Distribusi Bootstrap Beta-2 Frequency 10 15 20 Frequency Frequency Frequency 0.60 B2 0.500 0.56 0.58 0.54 0.58 B2 0 0.0150 0.52 0.50 0.54 0.51 5 10 15 0.0100 0.52 0.0250 0.54 0.510 B1 0. Bootstrap dan Jackknife Bias Parameter Beta 2 0.510 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.55 Manajemen Risiko di Bidang Perbankan dan Asuransi | 370 .0020 0.0015 0.0000 0 50 100 150 200 250 0.505 0.E Beta 1 Gambar 2.0000 0 50 100 150 200 250 Ukuran Sampel (n) Bootstrap Jackknife Ukuran Sampel (n) Bootstrap Jackknife Gambar 3. 13 November 2010 Gambar 1. jackknife relatif lebih baik dibandingkan Bootstrap.55 Distribusi Jackknife Beta-1 20 20 Distribusi Jackknife Beta-2 25 Distribusi Jackknife Beta-1 Distribusi Jackknife Beta-2 10 15 20 15 Frequency Frequency 0.0200 Taksiran S.52 0. standar error dan interval konfidensinya.54 0.515 Frequency Frequency 15 10 10 5 5 0 0 0 5 0.51 5 10 15 0. Namun untuk ukuran sampel kecil kurang dari 30.55 B1 0.515 20 15 5 10 10 5 0 5 0 0 0 0.0030 0.0005 0.0010 0.510 B1 0.53 B2 0.

525 B2 B1 Manajemen Risiko di Bidang Perbankan dan Asuransi | 371 .512 0. pendekatan Bootstrap dan Jacknife sangat baik digunakan dalam menaksir standar error dugaan parameter yang akan digunakan dalam pengujian hipotesis signifikansi parameter regresi partial least square.530 0.530 0. 13 November 2010 Gambar 1.520 0.510 0.515 0. Frequency 8 Frequency 4 0 2 8 4 6 10 0 5 10 6 0.512 0.508 B1 0.504 0.510 0.508 B1 0.504 0.507 B1 0.520 0. Sehingga dengan ukuran sampel ini.504 0. baik pendekatan Bootstrap maupun Jackknife kurang baik digunakan dalam mendapatkan standar error yang akan digunakan dalam pengujian hipotesis.520 0.530 B2 5 10 B1 B2 B1 Gambar 3.525 0. Distribusi Bootstrap Beta-1 12 10 Distribusi Bootstrap Beta-2 20 Distribusi Bootstrap Beta-1 15 Frequency 0. terlihat distribusi sampling dari parameter regresi partial least square menyimpang dari sebaran normal.510 0.520 B2 0.512 Distribusi Bootstrap Beta-2 Frequency 15 Frequency Frequency 8 6 10 6 4 4 2 2 0 5 0 0 0 0.508 B1 0.510 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.509 0 5 Untuk ukuran sampel relative besar.515 0.512 Distribusi Jackknife Beta-2 8 Frequency 15 Frequency Frequency 0 2 4 6 8 6 4 10 2 0 5 0 0 0.525 Distribusi Jackknife Beta-1 10 15 Distribusi Jackknife Beta-2 Frequency Frequency 0 2 0.515 0. Sehinggau untuk ukuran sampel relatif besar.507 B1 0. Bootstrap dan Jackknife n = 10 Gambar 2. Bootstrap dan Jackknife n = 50 Distribusi Bootstrap Beta-1 10 15 Gambar 4. terlihat dari hasil simulasi (n>30) distribusi sampling dari dugaan parameter relatif menyebar normal.505 0.504 0.510 5 10 8 0.505 0. Bootstrap dan Jackknife n = 100 Distribusi Bootstrap Beta-2 0.530 Distribusi Jackknife Beta-1 10 12 Distribusi Jackknife Beta-2 20 Distribusi Jackknife Beta-1 15 Frequency 0. Bootstrap dan Jackknife n = 30 Untuk ukuran sampel kurang dari 30.508 B1 0.520 B2 0.520 B2 0.509 0.506 0.

T.2nd Ed. R. Journal MATEMATIKA.1991. Hasil simulasi menunjukkan bahwa bias pendugaan parameter relatif rendah dengan standar error dugaan relatif kecil. Norliza Adnan. A Comparative Study On Some Methods For Handling Multicollinearity Problems. Maizah Hura Ahmad. Vol 2.H. I. 2 Manajemen Risiko di Bidang Perbankan dan Asuransi | 372 . metode Bootstrap dan Jackknife baik digunakan untuk menaksir standar error dugaan parameter yang dapat digunakan untuk menghitung nilai statistik uji dalam uji hipotesis. 109–119 Sahinler. No.2nded. 1986.New York : John Willey & Sons. Jollife.N. Mayers.Classical and Modern Regression With Application. dan H. Smith. Metode Boostrap relatif lebih baik untuk ukuran sampel besar dibandingkan metode Jackknife namun untuk ukuran sampel kecil. New York. Principal Komponen Analysis. 1990. Applied Regression Analysis. New York : John Willey & Sons.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. “Bootstrap and Jackknife Resampling Algorithm For Estimation of Regression Parameters. DAFTAR PUSTAKA Draper.R. Bootstrap dan Jackknife n = 200 KESIMPULAN Partial Least Square Regression adalah analisis regresi yang dapat digunakan sebagai salah satu solusi menanggulangi terjadinya pelangagran asumsi non kolenearitas dalam variabel prediktor. Journal of Applied Quantitative Research. Robiah Adnan. terlihat Jackknife relatif lebih baik. 2007. Springer-Verlag. Number 2. Topuz. pp. 13 November 2010 Gambar 5. Volume 22 (2006). Untuk ukuran sampel relatif besar (n>30).

id Abstrak. Institut Teknologi Sepuluh Nopember (ITS) Surabaya e-mail: 1 freeyono@gmail.1 juta penduduk Manajemen Risiko di Bidang Perbankan dan Asuransi | 373 . Hasil penelitian menunjukkan bahwa variabel yang berpengaruh ( =5%) terhadap tingkat migrasi adalah peranan sektor industri terhadap PDRB. Heteroskedastisitas.its.3) PENDEKATAN BAYESIAN SPASIAL EKONOMETRIKA PADA PEMODELAN MIGRASI PENDUDUK DI JAWA BARAT Priyono1. Berdasarkan hasil Sensus Penduduk 2000.id. sedangkan variabel tingat pengangguran. Sutikno3 Mahasiswa S2 Jurusan Statistika. 3 sutikno@statistika.com. 13 November 2010 (R. Metode MCMC ini digunakan untuk mengatasi heteroskedastisitas pada model spasial lag (autoregressive).469535 dan signifikan pada level 5%.ac. Besarnya pengaruh spasial dependen (ρ) sebesar 0. Setiawan2. 2 setiawan@statistika.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Hal ini menunjukkan bahwa wilayah Provinsi Jawa Barat masih mempunyai daya tarik bagi para migran untuk tinggal dan menetap di wilayah ini. Berdasarkan hasil Sensus Penduduk 2000.its. Berbagai teori tentang migrasi mengasumsikan bahwa faktor ekonomi merupakan salah satu faktor penting yang mempengaruhi terjadinya migrasi selain daya tarik fasilitas sosial di wilayah tujuan migran. fasilitas pendidikan dan fasilitas kesehatan tidak cukup signifikan. jumlah migran ke Provinsi Jawa Barat merupakan yang terbanyak di Indonesia dengan jumlah hampir 1. Dalam penelitian ini digunakan metode bayesian dengan pendekatan Marcov Chain Monte Carlo (MCMC).3 Dosen Jurusan Statistika. Migrasi 1. Institut Teknologi Sepuluh Nopember (ITS) Surabaya 2. Pendahuluan Migrasi penduduk adalah perpindahan penduduk dari suatu tempat ke tempat yang lain. Metode estimasi model regresi spasial ekonometrik yang seringkali digunakan adalah metode Maximum Likelihood Estimation (MLE) dengan asumsi error-nya berdistribusi normal dengan varian konstan (homoskedastisitas).ac. jumlah migran ke Provinsi Jawa Barat merupakan yang terbanyak di Indonesia dengan jumlah hampir 1. 1 Kata Kunci: Bayesian spasial autoregressive.1 juta penduduk migran. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang mempengaruhi migrasi di Jawa Barat dengan pendekatan bayesian spasial autoregressive.

sedangkan migran yang jauh tertuju ke pusat-pusat perdagangan dan industri yang penting (Emalisa. Hal ini menunjukkan bahwa wilayah Provinsi Jawa Barat mempunyai daya tarik bagi para migran untuk tinggal dan menetap di wilayah ini. 2003). Penelitian empiris yang menggunakan metode ini diantaranya yaitu Halim (2007) yang menerapkan metode bayesian spasial autoregressive untuk mengurangi pengaruh keburaman pada suatu gambar (image) sintesis. Banyak migran menuju wilayah yang berjarak dekat. politik dan sosial. 13 November 2010 migran (BPS. Menurut Lee dalam Mantra (2000) faktor jarak antara daerah asal dengan daerah tujuan yang disebut sebagai rintangan antara juga sangat menentukan keputusan seseorang untuk berpindah. sedangkan Klarl (2010) menggunakan metode bayesian spasial ekonometrik dalam konteks pemilihan model spasial yang paling tepat pada kasus pengaruh tumpahan (spillover) pada perubahan teknologi dan informasi di Jerman. Manajemen Risiko di Bidang Perbankan dan Asuransi | 374 . secara konseptual lebih mudah dipahami dan mempunyai tingkat akurasi yang tinggi. Pendekatan alternatif dengan metode bayesian dapat digunakan untuk kasus data spasial tersebut karena mampu mengakomodasi adanya heteroskedastisitas dan outlier dengan penambahan prior sebagai informasi awal. Ketimpangan yang terjadi antara satu daerah dengan daerah lainnya juga menyebabkan penduduk terdorong atau tertarik untuk melakukan migrasi. Fenomena yang sering terjadi pada kasus yang melibatkan data spasial (kewilayahan) terdapat kecenderungan adanya heteroskedastisitas yaitu kondisi varian error-nya tidak identik karena antar suatu wilayah dengan wilayah yang lain sangat bervariasi dan juga adanya data pencilan (outlier) yang dapat mengakibatkan heteroskedastisitas. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang mempengaruhi migrasi di Jawa Barat dengan pendekatan bayesian spasial autoregressive sebagai alternatif dalam penanganan data dengan kondisi heteroskedastisitas maupun homoskesdastisitas. Beberapa keunggulan model bayesian pada penanganan data spasial diantaranya yaitu penggunaannya lebih fleksibel. sedangkan kelemahannya yaitu waktu yang dibutuhkan dalam memproses data lebih lama dibanding metode MLE. Menurut Klarl (2010) metode estimasi parameter model regresi spasial ekonometrika yang seringkali digunakan oleh para peneliti adalah metode Maximum Likelihood Estimation (MLE) dengan asumsi error-nya berdistribusi normal dengan varian konstan (tetap) atau identik tiap observasi (homoskedastisitas).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2002). Berbagai teori tentang migrasi mengasumsikan bahwa faktor ekonomi merupakan salah satu faktor penting yang mempengaruhi terjadinya migrasi selain daya tarik fasilitas sosial di wilayah tujuan migran. diantaranya bidang ekonomi. Model spasial ekonometrika dalam beberapa tahun belakangan ini banyak digunakan dalam berbagai macam studi. Diharapankan informasi yang didapatkan lebih informatif dan aplikatif terutama terkait dengan adanya efek spasial multiplier pada model.

2. Tinjauan Pustaka 2...2) y ε (1 N (0.. β adalah vektor koefisien regresi berukuran k x 1...1.. 13 November 2010 2. Model untuk tiap observasi ke-i adalah: n k Yi j 1 WijY j r 1 r X ir i . (r=1. sedangkan ρ merupakan koefisien spasial lag/autoregressive dan W adalah matrik pembobot spasial berukuran n x n.. dan Wij = 0 untuk region lainnya. (2.. Matrik pembobot/penimbang spasial (W) ini mencerminkan adanya hubungan antara satu wilayah dengan wilayah lainnya. Menurut LeSage (1999a) hubungan persinggungan (contiguity) merupakan metode pembentukan matrik pembobot spasial dimana wilayah yang berbatasan secara geografis merupakan neighbour (tetangga)..2..k) adalah variabel-variabel penjelas untuk observasi ke-i. (2.. Model Regresi Spasial Autoregressive Model Model umum regresi spasial autoregressive (SAR) yang dikembangkan oleh Anselin (1988) merupakan model ekonometrika spasial yaitu berupa pengembangan dari model regresi sederhana yang telah mengakomodasi fenomena autokolerasi spasial. Persamaan (2.....2... X adalah matriks variabel independen/penjelas berukuran n x k. dan Xir....Prosiding Seminar Nasional Statistika Universitas Padjadjaran. dan ε adalah vektor error regresi berukuran n x 1 yang bersifat identik independen dan berdistribusi normal.1) dimana Yi adalah variabel dependen untuk observasi ke-i.. Estimasi Model dengan Bayesian Spatial Ekonometrika Manajemen Risiko di Bidang Perbankan dan Asuransi | 375 .. W) 1 Xβ (1 2 W) 1 ε In ) dimana y adalah vektor variabel dependen/respon berukuran n x 1..1) dapat disajikan dalam bentuk notasi matrik sebagai berikut: y Wy Xβ ε . dimana Wij adalah elemen baris ke-i kolom ke-j yang bernilai 0 pada diagonal utamanya (i=j). Matrik pembobot spasial (W) yang digunakan dalam penelitian ini adalah metode queen contiguity (persinggungan sisi-sudut) yang mendefinisikan Wij = 1 untuk region yang bersisian (common side) atau titik sudutnya (common vertex) bertemu dengan region yang menjadi perhatian....

vn).. untuk i ≠ j Fungsi likelihood dari model heteroskedastisitas spasial ini adalah: p ( D β.. Geweke (1993) menunjukkan bahwa distribusi prior untuk vi mengikuti distribusi Chi-square ( 2 ) dengan derajat bebas r.. .…. (2. Dengan demikian untuk selanjutnya digunakan prior uninformatif pada prior normal dan invers-gamma.. yang akan digabungkan dengan likelihood dari data saat ini sehingga menghasilkan distribusi posterior yang merupakan update dari distribusi prior..n. Metode ini mempunyai asumsi bahwa semua parameter dalam model (θ) mempunyai distribusi prior p(θ) yang merupakan informasi (pengetahuan) awal.. sehingga distribusi prior untuk masing-masing parameternya sebagai berikut: Manajemen Risiko di Bidang Perbankan dan Asuransi | 376 . (2.. Pendekatan lain dalam estimasi parameter regresi spasial yang berkaitan dengan varian yang tidak konstan (bervariasi) pada tiap observasinya adalah dengan metode yang dipopulerkan oleh Gelfan and Smith pada tahun 1990 yaitu Bayesian Marcov Chain Monte Carlo (MCMC) (LeSage dan Pace. . v2.1012.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.. V ) (2 2 ) n 2 In W V 1/ 2 exp 1 2 2 1 2 2 ( Ay Xβ) V 1 ( Ay Xβ) (2 2 ) n 2 A V 1/ 2 exp n e V 1e n n A i 1 vi 1/ 2 exp i 1 ei2 2 2 vi .. Selanjutnya untuk menerapkan adanya heteroskedastisitas pada model bayesian SAR. dimana V merupakan matrik diagonal yang berisi parameterparameter (v1. 2009). Berikut ini uraiannya: y Wy Xβ ε y (1 W) 1 Xβ (1 2 W) 1 ε ..4) dimana e Ay Xβ dan A = In − ρW. maka ditambahkan faktor skalar varians V pada asumsi residual error-nya sehingga σ2V σ2In .3) ε N (0.b=0. V) Vii = vi . 13 November 2010 Estimasi model spasial ekonometrik yang seringkali digunakan para peneliti pada umumnya adalah metode Maximum Likelihood Estimation (MLE) dengan asumsi residual model berdistribusi normal dengan varian konstan pada tiap observasi (homoskedastisitas). Menurut Happle (1995) akan lebih bermanfaat untuk mendapat penyelesaian model bayesian SAR dalam konteks penyederhanaan yang ditawarkan oleh prior diffuse atau non-informatif.. T=Ik... dengan a.…. ….untuk i=1. dan Vi j = 0. dan c=0.

. V. ) (β) ( ) (V) ( ) maka distribusi join posteriornya adalah.(2.…. i 1. . Manajemen Risiko di Bidang Perbankan dan Asuransi | 377 . p(β.6) Estimasi dengan Marcov Chain Monte Carlo (MCMC) Metode bayesian dengan prosedur MCMC merupakan metode membangkitkan data secara berurutan dari rangkaian distribusi conditional dari semua parameter yang ada pada model sehingga menghasilkan suatu set estimasi yang secara konvergen mendekati distribusi asli dari join posterior dari model parameternya. V.. D) p(D β. ..n sehingga V i 1 vi ( r konstanta exp r 2vi .. Dari persamaan join posterior dapat dicari distribusi full conditional untuk masing-masing parameter dalam model.5) Distribusi Join Posterior Dari persamaan Teorema Bayes dan asumsi independen antar priornya (β. 2. ) (β) ( ) (V) ( ) n n n A i 1 n vi 1/ 2 exp i 1 ei2 2 n 2 n vi 2 2 i vi ( r i 1 2) / 2 exp r 2vi 1 n 1 A i 1 vi ( r 3) / 2 exp i 1 e r 2vi …. (2.. Setelah data dibangiktkan dari distribusi full conditional dari semua parameter secara berurutan dengan algoritma Gibbs Sampler dan Metropolis-Hasting maka menjadi suatu set sample parameter yang akan digunakan untuk membangun distribusi join posterior sehingga dapat diperoleh inferensia dari tiap parameternya (seperti mean dan moment)..Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2) / 2 . 13 November 2010 β konstanta 1 (r / vi ) iid n 2 (r ) / r.

(2. σ2(0).9) ( X V 1X T 1) 1 Full Conditional Distribusi Posterior untuk σ2 Dari distribusi join posterior didapatkan full conditional distribusi posterior untuk σ2.V) ~ N(c*..V) ~ IG(a*.10) Dengan demikian full conditional distribusi posterior untuk σ2 merupakan distribusi invers-gamma dengan parameter a* dan b* berikut.. .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. n p( 2 β.. .11) ….. ρ.12) Manajemen Risiko di Bidang Perbankan dan Asuransi | 378 . n p(β 2 . p(β|ρ. 13 November 2010 Full Conditional Distribusi Posterior untuk β Dari distribusi join posterior didapatkan full conditional distribusi posterior untuk β. V) n 1 exp i 1 e 2vi 1 2 2 i n 1 exp 2 2 e V 1e …. V) exp i 1 e 2vi 1 2 2 i exp 2 2 e V 1e ... (2. (2... (2.. b*) a* b* a n/2 b e V 1e / 2 …... p(σ2|β(1). (2.. T*) c* T* ( X V 1X 2 2 T-1 ) 1 ( X V 1Ay 2 2 T-1c) …..8) ….. (2..7) Dengan demikian full conditional distribusi posterior untuk β merupakan distribusi multivariate normal dengan rata-rata vektor c* dan matrik varian.kovarian T* berikut.

….. p 2 2 i e vi r β. Manajemen Risiko di Bidang Perbankan dan Asuransi | 379 . yang kita namakan ρ*.15) Untuk mendapatkan sampling dari parameter ρ. 13 November 2010 Full Conditional Distribusi Posterior untuk V Dari distribusi join posterior didapatkan full conditional distribusi posterior untuk V. (2.. 2 .. ) i 1 vi ( r 3) / 2 exp i 1 2 2 i e r 2vi …. Secara khusus dapat dinyatakan dari distribusi conditional dari tiap vi adalah....14) dimana v-i = (v1.. Notasi ei menyatakan elemen ke-i dari vektor e = Ay − Xβ. ) β. ... Dengan demikian kita mengambil sampel dari tiap skalar varian terhadap skalar varian yang lainnya. full conditional distribusi posterior untuk V ini mengikuti distribusi chi-square ( 2 ) dengan derajar bebas r+1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.vn) untuk tiap i.. V) In W exp 1 2 2 e V 1e …. (2. ) ….vi+1. p( p( * c β.16) Lesage dan Pace (2009) menggunakan distribusi normal standar sebagai distribusi proposal dengan prosedur random walk untuk menghasilkan nilai kandidat untuk ρ... Full Conditional Distribusi Posterior untuk ρ Dari distribusi join posterior didapatkan full conditional distribusi posterior untuk ρ. Nilai kandidat ini (ρ*) dan nilai pada saat ini (ρc) dievaluasi dengan persamaan di atas untuk menghitung peluang penerimaan menggunakan persamaan di bawah ini: H ( c .13) Seperti yang ditunjukkan oleh Geweke (1993). ….. (2. akan digunakan algoritma MetropolisHastings karena bentuk full conditional distribusi posteriornya tidak diketahui (tidak standar)... * ) min 1.. vi-1. n n p(V β. (2. Algoritma Metropolis-Hasting Algoritma Metropolis-Hasting membutuhkan distribusi proposal (kandidat) untuk mendapatkan nilai kandidat untuk parameter ρ. 2 . p( β. 2 .v 2 i (r 1) ….

2001). Puskesmas. Faktor yang terdapat di daerah asal maupun di tempat tujuan mempunyai faktor positif yang menarik seseorang untuk tidak meninggalkan daerah tersebut. rintangan antara. Variabel Operasional Variabel-variabel operasional yang digunakan yaitu Tingkat Migrasi Masuk Netto (Y) sebagai variabel respon/dependen.1. Metodologi 3... 2001).N (0. faktor yang terdapat di tempat tujuan. Tingkat pengangguran (%) (X2). 3.1) ….Prosiding Seminar Nasional Statistika Universitas Padjadjaran.2. (2. dan faktor negatif yang menyebabkan seseorang meninggalkan daerah tersebut. dan faktor individu.3. Menurut Emalisa (2003) banyak migran menuju wilayah yang berjarak dekat. dan tuning parameter (c) seperti ditunjukkan persamaan dibawah ini. sedangkan Peranan sektor industri pada PDRB (%) (X1). Tinjauan Non Statistika Menurut Lee dalam Mantra (2000) ada empat faktor yang terkait dengan perpindahan penduduk. 3. dan Klinik/Balai pengobatan) (X4) sebagai variabel penjelas/independen. 2002). yaitu faktor yang terdapat di daerah asal. Faktor jarak antara daerah asal dengan daerah tujuan yang disebut sebagai rintangan antara juga sangat menentukan keputusan seseorang untuk berpindah. 2. yaitu publikasi Penduduk Jawa Barat: Hasil Sensus Penduduk Tahun 2000 (BPS. * c c.. sedangkan migran yang jauh tertuju ke pusat-pusat perdagangan dan industri yang penting.. 13 November 2010 Prosedurnya melibatkan nilai ρc. PDRB Kabupaten/Kota di Jawa Barat Menurut Lapangan Usaha 1997-2000 (BPS Jawa Barat.17) Penggabungan algoritma Metropolis-Hastings ini kedalam rangkaian dari algoritma Gibbs Sampler disebut juga dengan algoritma Metropolis Within Gibbs. Sumber Data Data yang digunakan dalam penelitian adalah data cross-section yang merupakan data sekunder yang diperoleh dari beberapa publikasi Badan Pusat Statistik (BPS) maupun BPS Jawa Barat. sebuah angka random dari pembangkitan distribusi normal standar. Manajemen Risiko di Bidang Perbankan dan Asuransi | 380 . Jumlah prasarana sekolah tingkat SLTA keatas (X3). dan Jumlah prasarana kesehatan (Rumah sakit. dan Jawa Barat Dalam Angka 2000 (BPS Jawa Barat.

Tetapkan jumlah iterasi (M) yang akan digunakan untuk mencapai konvergensi model termasuk jumlah iterasi pada tahap burn-in. Satu urutan dari step 3 sampai 6 merupakan satu proses penarikan sampel. Namakan sampling dari vektor parameter V(1) untuk mengganti vektor parameter V(0). Bangkitkan angka random dari p(vi|β(1). kita bisa melakukan sejumlah M = 3. menggunakan distribusi invers gamma IG(a*. Step 7. T *).vi+1. Namakan sampling dari parameter σ2(1) untuk mengganti parameter σ2(0). standar deviasi.000 penarikan sample termasuk 500 pertama untuk tahap burn-in agar mencapai kondisi steady-state dan menggunakan sampel yang dihasilkan sebanyak 2. Step 2. ρ(0)). untuk tiap skalar vi dengan menggunakan distribusi chi-square dengan derajat bebas r+1 dengan v-i= (v1. Bangkitkan angka random dari p(ρ|β(1). ρ(0)) menggunakan distribusi N(c*.…n.3.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Bangkitkan angka random dari p(σ2|β(1). uji hipotesis). …. Beri nama nilai updatenya dengan ρ(1) untuk mengganti parameter ρ(0) dan kembali ke step 3 sampai mencapai sejumlah iterasi (M) yang ditetapkan untuk mencapai konvergen. Step 6.vn). 13 November 2010 3. median. Lakukan estimasi posterior dari hasil sampel yang diperoleh setelah kondisi burn-in (seperti rata-rata.11). ….500 sampel untuk menghasilkan estimasi posterior dan menarik kesimpulan. Namakan sampling dari vektor parameter β(1) untuk mengganti vektor parameter β(0). σ2(0). vi-1. Metode Analisis Langkah-langkah proses MCMC dengan mengambil sampel secara berurutan dari empat distribusi full conditional posteriornya dengan algoritma Metropolis Within Gibbs.10) dan (2. menggunakan algorima Metropolis-Hastings.7) dan (2.2. Tetapkan nilai inisiasi awal untuk β(0). i=1. V(0). Step 4. Manajemen Risiko di Bidang Perbankan dan Asuransi | 381 . V(0) dan ρ(0). Sebagai contoh. σ2(1). dengan mean dan varians dihitung dari persamaan (2. Bangkitkan angka random dari p(β|σ2(0). ρ(0)). V(1)). Step 5. Step 3. v-i.8). σ2(1). berikut ini langkah-langkahnya: Step 1. b*) dengan parameter a dan b dihitung dari persamaan (2.V(0).

Secara keseluruhan model regresi spasial ini mempunyai koefisien determinasi (R2) sebesar 0.4075 2.4741.1383 0.1.8101 1.0146 0.0155 4.4695 j 1 WijY j 1. Estimasi parameter model Heteroskedastisitas Bayesian SAR Variabel Konstanta Industri (X1) Pengangguran (X2) Fasilitas Pendidikan (X3) Fasilitas Kesehatan (X4) Rho R-square Koefisien 9.2454 0. dan Fasilitas Pendidikan bernilai positif kecuali Fasilitas Kesehatan yang bernilai negatif.0155.0932 p-value 0. Analisis dan Pembahasan Berikut hasil estimasi regresi spasial autoregressive dengan metode bayesian. Namun variabel yang siginifikan pada α 5% hanya variabel Industri. Penganguran.0155.1615 0.4695 0. maka interpretasi pada model regresi spasial berbeda dengan model regresi biasa.4427 1.0363.6836 0.4695 dengan nilai p-value yang signifikan yaitu 0. yang berarti bahwa kenaikan satu satuan dalam persentase peranan sektor industri akan meningkatkan tingkat migrasi sebesar 1.0516 0. artinya variasi pada tingkat migasi yang dapat dijelaskan oleh model sebesar 47.1791 -0. Tabel 4.1791X 3 0. Model regresi spasial untuk tiap observasinya berikut ini.0003 X 2 0. n Yi 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.9308 -1.3519 0.0363 Tabel 4. Hal ini menunjukkan bahwa persentase peranan sektor industri terhadap PDRB mempengaruhi tingkat migrasi yaitu sebesar 1.4741 Asym t-stat 0.1383 X 4 Terkait dengan adanya multiplier efek dari perubahan pada tiap variabel independen pada suatu wilayah yang dapat mempengaruhi variabel dependen pada wilayah yang bersangkutan maupun wilayah lain yang bertetangga (neighbour).69% yang mungkin disebabkan oleh variabel lain yang tidak tercakup dalam model. 13 November 2010 4.0155 X 1 4. Sementara nilai koefisien regresi dari varibel Industri. Interpretasi dari model regresi spasial menurut Lesage dan Pace (2009) terdiri dari ukuran sebagai berikut: Manajemen Risiko di Bidang Perbankan dan Asuransi | 382 .9465 2.41% sedangkan yang tidak dapat dijelaskan oleh model sebesar 52.1 menunjukkan bahwa koefisien spasial autoregressive (ρ) sebesar 0.0003 0.

b.1591 4.9261 0. Manajemen Risiko di Bidang Perbankan dan Asuransi | 383 . dan total effect Heteroskedastisitas Bayesian SAR Variabel Industri (X1) Pengangguran (X2) Fasilitas Pendidikan (X3) Fasilitas Kesehatan (X4) Average direct effect 1. indierct. Ini disebut juga dengan efek spillover (tumpahan).46%. c. Average indirect effect yaitu rata-rata efek perubahan pada variabel independen di semua wilayah lain terhadap variabel dependen di suatu wilayah.4364 -0. 5.4617 5.1955 Average total effect 2. Average total effect yaitu jumlah dari Average direct effect dan Average indirect effect merupakan rata-rata efek perubahan pada variabel independen di semua wilayah terhadap variabel dependen di suatu wilayah.5465 0. sedangkan variabel yang lain belum cukup signifikan untuk menjelaskan variasi dalam tingkat migrasi.6208.16% dan dampak tidak langsung sebesar 1. Hal ini menunjukkan bahwa perkembangan sektor industri di wilayah Jawa Barat yang tentunya memberi daya serap yang besar bagi lapangan pekerjaan akan membawa dampak pada meningkatnya migrasi ke wilayah ini.46%.2.1535 Average indirect effect 1. ini berarti bahwa satu persen perubahan pada peranan sektor industri mempunyai dampak langsung terhadap perubahan tingkat migrasi sebesar 1. Average direct effect yaitu rata-rata efek perubahan pada variabel independen di suatu wilayah terhadap variabel dependen di wilayah tersebut.4617 dan total efek sebesar 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.6204 0. 13 November 2010 a. Kesimpulan Dari hasil pembahasan dapat disimpulkan bahwa faktor yang berpengaruh terhadap tingkat migrasi di Jawa Barat adalah peranan sektor industri terhadap PDRB yang mempunyai dampak langsung sebesar 1.6208 10.3490 Dari tabel tersebut dapat dikatahui bahwa persentase peranan sektor industri mempunyai efek langsung pada variabel dependen sebesar 1.16% dan dampak tidak langsung sebesar 1. Berikut ini hasil estimasi dari rata-rata efek tersebut pada masing-masing variabel.1591. Tabel 4.1923 -0.2441 -0. Estimasi direct. efek tidak langsung sebesar 1.

8. Bandung. (1993). di download dari digital library Universitas Sumatra Utara. Proceedings of LSU Spatial Econometrics Conference. Emalisa. 20. International Regional Science Review. No. Bruton Center. (1988). 19–40. Vol. T. BPS.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. S. Bandung.id pada tanggal 15 Agustus 2010. Spatial Econometrics. 308-311.” Journal of Applied Econometrics. (2001a). 11. BPS. 7-11 November. “Bayesian Model Choice in Spatial Econometrics”. “Bayesian Spasial Autoregressive for Reducing Blurring Effect in Image. hal. Halim. Dallas. Geweke.ac. Vol. Lacombe. Dordrecht. Hepple.P. Klarl. (2003). D. (2010). 10-005. (1999). W. Konadi. (2007). An Introduction to Bayesian Inference in Spatial Econometrics. J. 1&2. (1997). 113–129. Pustaka Anselin. Jawa Barat Dalam Angka 2000.wordpress. L. no. Estimasi Angka Migrasi Rural-Urban di Propinsi Jawa Barat Periode 1985-2000. (2004).J. hal. Kluwer Academic.” Journal of Advance Computational Intelligence and Intelligence Informatics. Pola dan Arus Migrasi di Indonesia. Anselin. didownload dari http://ssrn. “Bayesian Treatment of the Independent Student-t Linear Model. “Spatial Model Selection and Spatial Knowledge Spillovers: A Regional View of Germany”. BPS. Vol. School of Social Sciences. (2001b). No. didownload dari http://winkonadi. -------------------.W.3. L.usu.com/abstract=1244261 pada tanggal 15 Agustus 2010. “Bayesian Estimation of Spatial Autoregressive Models”. Manajemen Risiko di Bidang Perbankan dan Asuransi | 384 . (2008). BPS. Baton Rouge. (2002). J. LeSage. 2003. PDRB Kabupaten/Kota di Jawa Barat Menurut Lapangan Usaha 1997-2000.com/2009/ 03/12/estimasi-angka-migrasi-rural-urban-di-propinsi-jawa-barat-periode-19952000 pada tanggal 27 Agustus 2010. Penduduk Jawa Barat: Hasil Sensus Penduduk Tahun 2000. Jakarta. (1999). Center for European Economic Research Discussion Paper. 13 November 2010 6. L. http://digital. BPS Jawa Barat. hal. University of Texas. Spatial Econometrics: Methods and Models.

hal. J.pdf pada tanggal 11 Agustus 2010.spatialeconometrics. LeSage.K. ---------------------------------.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. (2010).P. Fisher. Spatial Econometrics Model. M. Boca Raton [FL].spatial-econometrics.B. Berlin.. Pustaka Pelajar. London and New York. Introduction to Spatial Econometrics. Demografi Umum. Yogyakarta. (2009).M. Heidelberg and New York.. Department of Economics. University of Toledo. CRC Press (Taylor and Francis Group). Mantra. (2000). dan Pace. dalam Hanbook of Applied Spatial Analisys: Software Tools. (1999b). Springer. 355-376.com/html/wbook. (1999a). Methods. I. Manajemen Risiko di Bidang Perbankan dan Asuransi | 385 . A. The Theory and Practice of Spatial Econometrics. and Aplications.pdf pada tanggal 11 Agustus 2010. R. didownload dari http://www. eds. Getis. Spatial Econometrics.com/html/sbook. didownload dari http://www. Department of Economics. --------------. University of Toledo. 13 November 2010 --------------.

Berdasarkan waktu pengumpulan data. 2 setiawan@statistika. pertama. Setiawan2.id ABSTRACT Permasalahan heteroskedastisitas seringkali muncul pada pemodelan ekono-metrika spasial. Hasil penelitian menunjukkan bahwa variabel yang berpengaruh signifikan ( =5%) terhadap tingkat ketimpangan pendapatan adalah proporsi jumlah anggota rumah tangga yang terdidik/tingkat keahlian dan proporsi jumlah anggota rumah tangga yang bekerja di sektor industri. seringkali disebut Bayesian spatiotemporal. masalah ini dapat terjadi pada data cross section. yaitu ragam error model tidak konstan. dan data panel.4) PENDEKATAN BAYESIAN SPATIO-TEMPORAL UNTUK MENGATASI HETEROSKEDASTISITAS PADA PEMODELAN NILAI KETIMPANGAN PENDAPATAN MASYARAKAT DI PROPINSI SEPULAU JAWA Sahar Mildino1. Metode lain yang digunakan untuk mengatasi heteroskedastisitas adalah pendekatan Bayesian.ac. Pengaruh spasial ( ) sebesar 0. data panel. Penelitian ini membahas pendekatan bayesian untuk data panel. penggunaan data panel memiliki keuntungankeuntungan. dapat menggunakan analisis data panel.05%.com. Pendahuluan Metode ekonometrik spasial dapat menganalisa observasi yang terdiri atas data antar-waktu (series) maupun data antar daerah (cross-section). dan 67. 3 sutikno@statistika. Kata Kunci : Bayesian spatio-temporal.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Sutikno3 1.2.3%.ac. 13 November 2010 (R.its. memasukkan informasi yang berkaitan dengan baik variabel-variabel Manajemen Risiko di Bidang Perbankan dan Asuransi | 386 . memungkinkan jumlah data meningkat.id. Metode ini diterapkan pada kasus pemodelan nilai ketimpangan pendapatan masyarakat di Propinsi sepulau Jawa. 1. Sedangkan untuk menganalisa efek-efek ekonomi yang tidak dapat dibedakan hanya dengan menggunakan data time-series ataupun cross section. times series.3 Jurusan Statistika Institut Teknologi Sepuluh Nopember Surabaya Indonesia email: 1 saharmildino@gmail. Salah satu upaya untuk mengatasi masalah ini adalah dengan menggunakan pendekatan metode kuadrat terkecil tertimbang dan transformasi variabel. dan hal ini akan menghasilkan derajat kebebasan tambahan sehingga mengurangi kolinearitas antar variabel. Menurut Abbas Gozali (2000).483004. Sementara variabel proporsi jumlah penduduk usia > 60 tahun. dan pertumbuhan pendapatan (PDRB) mempunyai tingkat signifikansi masing-masing sebesar 56. Kedua. heteroskedastisitas.its.

Lesage (1997) menunjukkan estimasi Bayesian model spasial autoregressive dengan heteroskedastisitas. ' . Misalnya. . 1996). menggunakan pendekatan spatio-temporal heteroskedastisitas. X t' . Berdasarkan latar belakang tersebut. . Walaupun sudah ada penelitian spasial panel model. dimana faktor produksi disektor ini dapat menghasilkan nilai tambah yang besar. Tulisan ini mencoba mengembangkan pendekatan oleh Lesage (1997) Bayesian spasial panel model. yit . yt' . MODEL Misalkan yt (y1t . Panel data juga dapat mengontrol heterogenitas individu (daerah). Dalam hal ini sektor industri pengolahan. (3)meningkatnya jumlah anggota rumah tangga yang terdidik. Dapat Mengetahui faktor-faktor yang mempengaruhi tingkat ketimpangan pendapatan masyarakat di propinsi se Pulau Jawa. dan (4)ketidakmerataan tingkat upah. XT )' merupakan kumpulan k variabel Manajemen Risiko di Bidang Perbankan dan Asuransi | 387 . 2. Angka pendapatan perkapita merupakan angka rata rata yang tidak mencerminkan angka yang sebenarnya yang diterima penduduk. yaitu (1)meningkatnya proporsi rumah tangga perkotaan. y ' (y1 . untuk membahas Rasio Gini yang merupakan salah satu indikator lazim dan mudah digunakan sebagai pengukuran pemerataan pendapatan. yT )' menyatakan variabel dependent dimana . Berapa yang diterima tiap penduduk sebenarnya berkaitan dengan masalah merata atau tidak meratanya distribusi pendapatan. sebab sektor ini merupakan salah satu sektor yang cukup berperan besar terbadap pertumbuhan PDRB. selanjutnya perlu dikaji karakteristik sektor-sektor yang dapat mempercepat peningkatan pendapatan golongan masyarakat dan apakah sektor tersebut yang mempengaruhi karakteristik dari nilai rasio Gini. Faktor pertumbuhan pendapatan yang digambarkan pada produk domestik regional bruto (PDRB) dapat mempengaruhi distribusi pendapatan antar golongan masyarakat (size distribution of income) dalam masyarakat Indonesia. (Hal Hill. lebih bervariasi dan dapat mengurangi masalah yang muncul apabila ada variabel yang dihilangkan. maka tujuan pada penelitian ini adalah sebagai berikut: 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. homogenitas atau varians yang melewati waktu dihasilkan dalam model. (2)perubahan perubahan distribusi umur. pengganggu cross-section dan kombinasi keduanya. 2. 13 November 2010 cross-section maupun time-series. . ada empat faktor kecenderungan yang menyebabkan perubahan-perubahan terhadap ketidakmerataan pendapatan rumah tangga. . Menurut penelitian Estulido (1997). y Nt )' dan X ' ( X1' . Menggunakan data panel menambah dimensi kesulitan baru tentang masalah spesifikasi model dengan data panel pengganggu (disturbance terms) kemungkinan mengandung pengganggu yang berkaitan dengan time-series. Dapat menerapkan metode Bayesian Spatio-temporal pada pemodelan untuk mengatasi heteroskedastisitas pada pemodelan ketimpangan pendapatan masyarakat di propinsi se Pulau Jawa. tetapi dengan kemajuan teknologi Bayesian dengan varians modelnya yang bervariasi dapat diatasi.

. Fixed effect Model dengan Spatial Lag dan Spatio-temporal Heterokedastisitas dijabarkan sebagai berikut: yt Wyt X t t. Dapat disimpulkan bahwa W adalah weight matrik yang konstan. yi . s* ) berikut ( ) (vit 1 q* ) ( 2 ) N ( . i 1.1) . . )' dan ( 1. X Nt )' . t . pendekatan Bayesian berikut membolehkan suatu analisis numerik dari penyebaran gabungan distribusi. Selanjutnya Hirarki prior distribution dispesifikasikan sebagai 2 IG ( NT . ' .V2 . t 1.V . Kemudian fungsi likelihood dari model dijabarkan dengan: 1 1 1 2 L( y 2 .T 2 2 2 2 Dimana e X ( X1' . X . y ( y1 . Menurut Geweke (1993). Nt Dimana ( 1t . Sementara model ini dapat diestimasi menggunakan metode maksimum likelihood seperti pada Elhorst(2003). H 1 I n /1000 . . Selanjutnya joint posterior distribution ditunjukkan dengan Manajemen Risiko di Bidang Perbankan dan Asuransi | 388 . W ) In W T V exp (e'V 1e) N . k )' tetap namun nilai parameter tidak diketahui. N dan t 1. ' . Hal ini mengacu kepada distribusi . jumlah perbaris adalah satu. ( ) Unif ( 1. (vit q* ) (vit 1 q* ) (q* / 2)q* / 2 2 (q* / 2) 1 vit ( q* 2) / 2 exp( q* / 2vit ) yang berarti bahwa (q* ) / q . y N )' . 13 November 2010 independent sehingga X t ( X1't . T ) menunjukkan periode waktu dan ( 1 . e2 . ) ( 2 ) ( ) (V ) ( ).T ) (q* ) / q* (iid for i 1. . Vt ) t Vt diag (v1t . N . . ( 2 . 2 Prior Hyperparameter s*2 lebih dispesifikasikan lagi. N . T . et ( In W )( yt y) ( Xt X) . v2t . . N )' .VT ) .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2 N (0. semua elemen diagonalnya nol dan merupakan deretan matrik stokastik. X i' . i (1. . . W yang kita ketahui sebagai spatial Weight matrik berukuran NxN yang menggambarkan hubungan antar wilayah (juga dapat difungsikan sebagai jarak). maka prior parameter Anggap distribution berdiri sendiri. T ) dengan simulasi distribusi posterior pada model. ' . . . N ) menunjukkan Spatial unit. . vNt ) . yi dan X ' berarti rata-rata dari unit ke I melalui waktu 1 ke T dalam setiap variabel dan I n dinyatakan dengan NxN matrik identitas. Vt dinyatakan sebagai matrik diagonal yang tidak diketahui. V diag (V1 . eT )' . t 1. misal q*=5 dan s* berhenti hingga nol. H ) dengan 2 0. independent priors (vit ) juga ditujukan bagi semua parameter varian yang saling berkaitan vit . . X it . X N )' . . t (1. . dan i adalah efek variabel spesifik pada setiap spasial unitnya. termasuk perkiraan faktor varian vit (i 1. jika V diketahui. . ' (e1' . ' .

Manajemen Risiko di Bidang Perbankan dan Asuransi | 389 . 2 .V . X . . W ) ( ) (Vn ) ( ) T N T t 1 i 1 In W vit ( q* 3) / 2 exp( q* / 2vit ) exp( 2 2 it e / 2vit ). 2 p( . 3.V . secara umum dijabarkan sebagai berikut p( . Wyt X t ) dimana eit adalah elemen residual vector yang ke i. membuat ditribusi conditional mudah untuk di hitung menjadi sampel.T 1) L( y 2 .V . ) N( . Prosedur ini menghasilkan serangkaian perkiraan yang menyatu pada batas joint posterior distribution pada setiap parameter (lihat Gelfand and Smith (1990)). Kami memberi contoh melalui serangkaian distribusi full conditional dari parameter secara lengkap. dan vector dari ( IT (In W )) y dan X 'V 1 X dapat di perlakukan sebagai yang diketahui. H ( X 'V 1 X ) 1 dimana I T menunjukkan matriks identitas T T .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.T dan derajat bebas oleh karena itu 2 2 2 mengikuti distribusi invers gamma. 3. IG ' N . X . . perlu dicatat bahwa parameter . ) exp (eV 1e) 2 2 skala parameter ' eV 1e N . menjadikan metode ini menarik.3 Full conditional Posterior Distribution dari V T N p(V . . y. 3. 2 2 3. yaitu et ( yt densitas ini untuk memperoleh Full Conditional Distributions (FCD's) bagi semua parameter dalam model. . ( X 'V 1 X ) 1 X 'V 1 ( IT (In W )) y.2 Full conditional Posterior Distribution dari 2 Sehingga parameter vektor conditional pada parameter yang lain dalam model. 13 November 2010 p( 2 . Untuk mengimplementasikan pendekatan MCMC perlu menurunkan distribusi kondisional pada semua parameter secara lengkap pada model.T eV 1e . W ) ( N .V . Hal ini sering terjadi pada kasus estimasi MCMC.V .Vn .1 Full conditional Posterior Distribution dari 2 1 ' mengikuti invers distribusi chi dengan p( . ESTIMASI MODEL Dengan metode Markov chain Monte Carlo (MCMC). ) t 1 i 1 vit ( q* 3) / 2 exp( q* / 2vit ) exp( 2 2 it e / 2vit ). ) exp 1 2 ' (eV 1e) H ).

2. .T eV 1e .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. . ). 3. dan ) adalah distribusi chi square ( 2 2 it e q* ) / vit 2 (q* 1). vNT Dan akhirnya menentukan 1 0 1 dengan probabilitas 0 .5 Metode MCMC Bagan perkiraan MCMC dapat dimulai dengan nilai awal sembarang untuk parameter yang dilambangkan dengan 0 . Manajemen Risiko di Bidang Perbankan dan Asuransi | 390 .V .4 Full conditional Posterior Distribution dari Dari join distribusi (1) spasial korelasi parameter mengikuti kernel 1 T ' p( . v it . Oleh karena itu kita mengambil langkah metropolis dengan sampel rejection. .V 0 . kita menggunakan rejection sampling untuk membatasi untuk interval yang dikehendaki dengan menggunakan algoritma Metropolis (lihat Smith dan Lesage (2004)). . p( p( 2 2 1 q* 0 . Nilai alternatif pada parameter ini menghasilkan hubungan yang berbeda dari prior densitas vit .dengan kata lain jika min dan max menunjukkan minimum dan maksimum nilai eigenvalue W min dari biasa disebut bahwa 1 min 0 dan max 0 dan harus terletak pada interval. 1 . vi 1t . t 1. 13 November 2010 Menurut Geweke (1993) Posterior distributions dengan Elemen dari V . N .1 p( 0 ) v it v11 . . distribusi 1t chi-square dengan derajat bebas q+1 dimana v it adalah vt tanpa elemen vit 4. ) dengan distribusi multivariate normal dengan mean 1 0 dan varian H di beri nama baru 1 3.V ) I N W (eV 1e ) 2 2 Jika dimasukkan dalam determinan akan sulit untuk memberi sampel dari conditional posterior distribution. vi . N (0. vNT . v21.1) dimana c disebut parameter tuning sampel dari Kemudian kita menaksir nilai acceptance probability p( ) 0 . Oleh karena itu. dimana nilai kecil dari q* yang menghasilkan distribusi leptokurtic dan nilai besar mengahasilkan homoskedastisitas. misalkan v11 . 2 2 untuk nilai baru kita beri nama 1 . . (kondisional pada . Dengan mengikuti langkah Metropolis: 0 c .T . 0 dan 0 1. v21 . min . i 1. viT . p(vit . 1 max Sun dkk(1999). . 3. 0 0 0 ) IG ' N . q* mengendalikan jumlah penyebaran pada vit melalui observasi.V 0 . .

Angka Ketidakmerataan pendapatan (Y). Selanjutnya dikombinasikan dengan data cross section dari wilayah 6 propinsi di Pulau Jawa (data BPS). untuk kebutuhan angka ketidakmerataan pendapatan diproxi dari data indeks Gini atau nilai rasio Gini (hasil perhitungan menurut pengeluaran konsumsi penduduk). 6 untuk lulus SD. datanya didapatkan dari jumlah penduduk yang bekerja menurut pendidikan kemudian diberikan bobot berdasarkan waktu tempuh sekolah (tahun) yaitu 0 untuk tidak sekolah. selanjutnya dibandingkan dengan total jumlah penduduk di setiap propinsi di Pulau Jawa. 4. 14 lulus DI.V 0 . b. dan 0 . Kemudian bobotnya dikalikan dengan jumlah penduduk yang bekerja sesuai dengan klasifikasi.DIII/Akademi dan 16 lulus perguruan tinggi. Proporsi jumlah anggota rumah tangga pekerja terdidik/tingkat keahlian (X2).Prosiding Seminar Nasional Statistika Universitas Padjadjaran.X 2 .DII. X2 adalah proposi jumlah anggota rumah tangga yang terdidik/tingkat keahlian. sementara variabel bebasnya antara lain: a. 12 untuk lulus SLTA. 9 untuk lulus SLTP. Pada setiap langkah yang melalui pengulangan kita mengumpulkan gambaran parameter yang digunakan untuk membentuk posterior distribution. X1 adalah proporsi jumlah penduduk usia > 60 tahun. secara series dari tahun 2003 sampai dengan tahun 2008 di setiap propinsi di Pulau Jawa. 3 untuk tidak tamat SD. 13 November 2010 Kita sekarang kembali kelangkah pertama mendata nilai parameter terbaru pada nilai awal 0 .X 4 ) Dimana : Y adalah angka Indeks Ketidakmerataan pendapatan (Indeks Gini). Manajemen Risiko di Bidang Perbankan dan Asuransi | 391 .X 3 . X3 adalah proposi jumlah anggota rumah tangga yang bekerja di sektor industri X4 adalah pertumbuhan pendapatan nasional (PDRB). Penelitian dan Analisis Berdasarkan uraian dari latar belakang permasalahan maka peneliti mencoba menganalisa variabel-variabel independen dari hasil penelitian oleh Estudilo (1997) dengan fungsi indeks ketidakmerataan pendapatan/ Nilai rasio Gini sebagai berikut : Y= f (X1 . Proporsi jumlah penduduk berusia lanjut (lebih besar atau sama dengan usia 60 tahun/X1) datanya didapatkan dari jumlah penduduk berusia > 60 tahun pada tiap propinsi di Pulau Jawa dibandingkan dengan total jumlah penduduk di setiap propinsi di Pulau Jawa. 0 . kemudian dijumlahkan untuk mendapatkan suatu nilai jumlah keahlian.

Output Bayesian spatial autoregressive dengan Heteroscedastic model.19 %terhadap tingkat ketimpangan pendapatan.425452 -5. Pengaruh spasial ( ) sebesar 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2.050261 0.615612 0.563192 dan 0. %.571876 0.957735 -0. Terlihat bahwa : variabel yang signifikan ( =5%) terhadap tingkat ketimpangan pendapatan adalah proporsi jumlah anggota rumah tangga pekerja terdidik/tingkat keahlian (X 2) dengan P-Value sebesar 0.018001 dan variabel proporsi jumlah anggota rumah tangga yang bekerja di sektor industri (X3) dengan P-Value sebesar 0.851119 0.018001 0. d.19 ln X 1 0.195944 0. Variable constant pduduk60+ (X1) tkdidik (X2) tkindustri (X3) Pertmhnpdrb (X4) rho Rbar-squared Coefficient -3.365606 1. 13 November 2010 c.23% terhadap tingkat ketimpangan pendapatan.57WYit 0.563192 0.130135 -0. Setiap bertambah satu % proporsi jumlah anggota rumah tangga yang bekerja di sektor industri (X3) berpengaruh postitif sebesar 0.483004.000000 Dari Table 1.61 Model yang dihasilkan adalah ln Yit Dengan interpretasi bahwa: 1. 0. Proporsi jumlah anggota rumah tangga yang bekerja di sektor industri (X3) datanya didapatkan dari jumlah penduduk yang bekerja di sektor industri dibandingkan dengan total jumlah penduduk di setiap propinsi di Pulau Jawa. Sementara variabel Proporsi jumlah penduduk berusia lanjut (lebih besar atau sama dengan usia 60 tahun/X1 dan variabel Pertumbuhan pendapatan (PDRB) tiap Propinsi di Pulau Jawa (X4) memiliki nilai signifikansi masing-masing sebesar 0.0463 Asymptot t-stat -5.229710 -0.050261.591231 z-probability 0.23ln X 3 3.578107 -2.038355 -0. Setiap bertambah satu % proporsi jumlah anggota rumah tangga pekerja terdidik/tingkat keahlian (X2) berpengaruh negative sebesar 0. pertumbuhan ekonomi datanya didekati dengan data pertumbuhan PDRB dari setiap propinsi yang ada di Pulau Jawa. Pertumbuhan pendapatan nasional (X4). Manajemen Risiko di Bidang Perbankan dan Asuransi | 392 .670507. Tabel 1.000000 0.670507 0.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Statisitics for Spatial Data. Journal of Econometrics 140. Baltagi. (2005). Wiley.. kelompok penduduk berpendapatan sedang dan kelompok penduduk berpendapatan tinggi.Sevestre). (1993). In Fischer MM.H. The effects of bootlegging. C. Spatial Panel Data Models. Specification and Estimation of Spatial Panel Data Models. B. L. Elhorst. __________ (2009). International Regional Science Review 26. In The Econometrics of Panel Data (Edited by L. (2006). maka akan mendorong nilai rasio Gini membesar dan memperburuk indeks ketidakmerataan pendapatan. 3: 244–268.C. Matyas and P. Anselin. revised edition. Dordrecht: Kluwer Academic Publishers. 13 November 2010 5. 148-155.. Jung.2. Wiley. (2003). Testing for serial correlation. maka akibatnya tarif upah lebih tinggi jika dibandingkan dengan sektor pertanian atau sektor tradisional lainnya. Spatial panel econometrics. dengan demikian terjadi perubahan secara proporsional tingkat penyerapan tenaga kerja di sektor industri pengolahan. Referensi Anselin. H. Econometric Analysis of Panel Data. taxation and advertising reconsiderd. Springer. Kesimpulan Dari hasil yang diperoleh Perubahan komposisi penduduk menurut tingkat pendidikan berbanding terbalik dengan teori bahwa semakin banyak anggota rumah tangga pekerja yang ahli dalam bekerja maka imbalan jasa (pendapatan) akan semakin besar. L. W. (2007). Ch. (1986) Estimating dynamic demand for cigarettes using panel data. Spatial Econometrics: Methods and Models. hal ini akan terjadi perubahan dalam kelompok penduduk dari berpendapatan rendah. B.H. spatial autocorrelation and random effects using panel data. Getis A (Eds. 4th edition. S.3rd edition. B. H and Levin. N. Cressie. Baltagi.) Handbook of Applied Spatial Analysis. Estudilo J. Berlin Heidelberg New York: Springer. J. The Review of Economics and Statistics 68. and Koh. (1988). Ketidakmerataan dalam tingkat upah adalah lebih tinggi dari pada ketidakamerataan pendapatan menurut jam kerja. Song. Journal Of The Manajemen Risiko di Bidang Perbankan dan Asuransi | 393 . Hal ini dapat dilihat pada marginal produktivitas tenaga kerja yang bekerja dengan mesin (industri). B. Baltagi.P. D.P. 97-130. Income Inequality In The Philippines 1961-1991.

Departement of Economics University of Toledo. (1993) “Bayesian Treatment of the Independent Student-t Linear Model. theory and practices “ University of Cambridge. Geweke. J. D. Boca Raton. "Sampling-Based Approaches to Calculating Marginal Densities. and Wago. Robert Haining. 19–40. Bayesian Data Analysis. Bernard.” International Regional Science Review. 85. 113–129. (2006). mimeo. Carlin. Zhu. 13 November 2010 Developing Economics XXXV-I (March 1997) Gelfand. (1999).pdf didownload bulan September 2010. Manajemen Risiko di Bidang Perbankan dan Asuransi | 394 . D. Gilks (1997) “Weak Convergence and Optimal Scaling of Random Walk Metropolis Algorithm. (1992) editor. (2007). www. Berger..” Journal of Applied Econometrics. Gelman. The Theory and Practice of Spatial Econometrics. M. N. and Li.au/modsim05/papers/kakamu_1. 20. Stern. (1990). A. Gemmell." Journal of the American Statistical Association. (1997) “Bayesian Estimation of Spatial Autoregressive Models. W. 8. P. Polasek. LeSage. Gelman and W.J. O. Chapman. 398409.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. J.org..M. A. (eds J. Spatial Interaction of Crime Incidents in Japan. Smith). Dawid and A. E. F. and Smith. (1992) “Evaluating the Accuracy of Sampling-Based Approaches to the Calculation of Posterior Means.” Annals of Statistics.P.. PT. Jakarta.. Kakamu..” Annals of Applied Probability. and Rubin. (2003) “ Spatial data Analysis. K. J..” in Bayesian Statistics 4.M. Oxford. LeSage. H. R. J. A. F. H.(2004). 110–120. Transformasi Ekonomi Indonesia sejak 1966.Tirtana Wacana. Analyzing Spatial Panel Data of Cigarette Demand: Bayesian Hierarchical Modeling Aproach. J.Y. A.B.P.mssanz. A. J. O. ilmu Ekonomi Pembangunan beberapa Survei. 7. H. Tierney. G. Hill. Oxford University Press. 2nd edition. Roberts. 1966 Jogja. 22. LP3ES Geweke. Luke (1994) “ Markov Chains for Exploring Posterior Distributions (with discussion). Zeng. 1701–1762.

Finally. SEM handle endogeneity problem since the standard SEM is a simultaneous model (Joreskog and Sorbom. this assumption cannot be held in regional modeling. In regional modeling. 2008).Prosiding Seminar Nasional Statistika Universitas Padjadjaran.ac. And in many cases. These three advantages available in relation to the measurement model in SEM (Suparman et al. SEM overcomes multicollinearity problem due to highly correlated explanatory variables belonged to a latent concept. Here we propose to formulate a SEM for accommodating spatial dependency among observations. Third. we focus Manajemen Risiko di Bidang Perbankan dan Asuransi | 395 . Here. Nevertheless. First. 13 November 2010 (R. often observation units relate to each other. SEM assumes that observations are independent. Folmer and Oud (2008) propose a spatial autoregressive SEM with one observed endogenous variable and fixed observed exogenous variables. INTRODUCTION Structural Equation Model (SEM) has been recognized as a powerful analytical tool for causal relationship. Accordingly. 1996). There are some advantages that can be obtained from SEM. Particularly. The standard SEM assumes that observations are independent (Joreskog and Sorbom. 1996).5) A SPATIO-TEMPORAL AUTOREGRESSIVE SEM MODEL FOR REDUCING OMITTED VARIABLE BIAS Yusep Suparman . dependences among regions are the main interest. SEM explicitly includes latent variables into a model. Second. Nevertheless. This assumption prevents us to apply SEM in spatial modeling in which observations depend on each other according to their position in a space.Padjadjaran University yusep. SEM can be used to reduce the effect of attenuation caused by measurement errors. Particularly. we extend Folmer and Oud‟s model with multiple observed endogenous variables. the standard SEM cannot be used for modeling dependence among observations. we focus on spatio-temporal autoregressive model for reducing omitted variable bias in a spatial autoregressive model.id ABSTRAK Structural Equation Modeling (SEM) has been recognized as a powerful analytical tool..suparman@unpad. 1.

(1) (2) (3) cov ε cov δ Θ .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Moreover. and the Θ matrices are the measurement error covariance matrices. which minimizes the log-likelihood function of the free elements in the eight parameter matrices in the model (1)-(3) for given data Y (including both observed endogenous and exogenous variables): Manajemen Risiko di Bidang Perbankan dan Asuransi | 396 . The measurement errors ε and δ are assumed to be uncorrelated with one another as well as with δ and ξ . Here we restrict ourselves to the ML estimator. unweighted least squares. generalized least squares. Finally. We observe that several or all of the latent exogenous and endogenous variables in the structural model may be observed variables. Θ . 13 November 2010 on spatio-temporal autoregressive model for reducing omitted variable bias in a spatial autoregressive model. 2. fully weighted and diagonally weighted least squares. x Λ xξ δ Where (1) is the structural model and model (2) and (3) are the measurement models of endogenous and exogenous latent variables. cov δ Ψ. In the measurement equation (2) and (3) the Λ matrices contain the loadings or regression coefficients of the observed variables on the latent variables. twostage least squares. Φ is the covariance matrix of ξ and Ψ of the structural errors δ . the structural errors are assumed to be uncorrelated with the exogenous latent variables ξ . B specifies the structural relationships among the latent endogenous variables and Γ contains the effects of the latent exogenous on the latent endogenous variables. as introduced by notably Joreskog and Sorbom (1996). CONCEPTUAL FRAMEWORK A SEM. all errors are assumed to have expected value equal to zero. reads: ε Βε Γξ δ y Λyε ε with with with cov ξ Φ . and maximum likelihood (ML). respectively. For these cases an identity relationship holds in the corresponding measurement equation. In the structural model the vector ε contains the endogenous variables and the vector ξ the exogenous latent variables. Several estimator for SEMs have been developed including instrumental variables.

with Η I Β 1 . y ε (7) Where Manajemen Risiko di Bidang Perbankan dan Asuransi | 397 . (5) Finally. maximization of  ζ Y gives genuine ML estimates. SAR) model in unit of observation: ~ y ~ ρW~ Xγ ~ . (6) N 1 FML with the same result. ˆ The ML-estimator ζ If the observed variables follow a multivariate standard normal distribution. Y N p matrix ( N rows of independent replication of the p -variate vector y . A similar definition is applied on matrices. 13 November 2010  ζY N ln Σ 2 N tr SΣ 2 1 pN ln 2π . S Y Y is the sample covariance or moment matrix. We consider the standard one-equation spatial lag (spatial autoregression. Otherwise. Because the data-based matrix S is a constant. it refers to vector of variables. equation (4) and (6) relate linearly. If a vector refers to unit of observation. typically originating from a sample of randomly drawn subjects) and Σ covariance or moment matrix which is a function Σ ζ of ζ : p p is the model-implied Σ Λ y Η ΓΦΓ Ψ Η Λy Θ Λ y ΗΓΦΛ x ΛΦΛ Θ Λ x ΦΓ Η Λ y p p 1 N . Instead of maximizing the log-likelihood function in equation (4) standard software for SEM estimation usually minimizes the fit function FML Or 2 ln tr SΣ 1 ln S p. 2 (4) is the data Where ζ contains the parameters to be estimated in the eight matrices. It is important to distinguish between the tradional definition of a SEM in terms of variables as in (1)-(3) and a SEM defined in units of observation. it will be denoted by a tilde (~). arg max  ζ Y chooses that value of ζ which maximizes  ζ Y . as in standard spatial econometrics. In the case deviation from normality the estimator is consistent.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

2 (13) with r yWr γ x r and the subscript r denoting individual observation r . is the N 1 vector of stochastic disturbance.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. W ~ X ~ ε is the N q matrix of observation on the q explanatory variables. To develop a consistent and unbiased estimator of model (11) Folmer and Oud consider yW as a transformation W~ of the dependent variable and hence cannot be assumed to y be uncorrelated with the error term. Equation (13) shows that the component ln A is just added to the standard univariate loglikelihood. Manajemen Risiko di Bidang Perbankan dan Asuransi | 398 . is the spatial dependence parameter measuring the average influence of contiguous observation on y . For one equation case this lead to  ζ~ y ln A N ln 2 2 1 2 2 N yr r 1 2 r N ln 2π . (11) Where yW is the spatially lagged dependent variable and x the vector of exogenous explanatory variables. where A I ρW . They write (10) as ~ A~ Xγ y ε . 13 November 2010 ~ y is the N 1 vector of observations on the dependent variable y . γ is the q 1 vector of regression coefficients of the q explanatory variables. (12) Transformation of the vector of error terms to the vector of dependent variables leads to the addition of the Jacobian term ln A to the log-likelihood function (7). In SEM notation equation (10) reads y yW γx . is the N N contiguity matix.

the spatial temporal autoregressive model ~ yt t ~ yt 1 t W~t y t t W~t y 1 a ~ Xt a γ t ta ~ Xt 1a γt 1 δt (13) In the case of diarrhea accidents. we have ~ yt ~ yt 1 ~ yWt 1 ~ yWt a ~ Xt 1a γ a ~ Xt a γ ~ δt . y Manajemen Risiko di Bidang Perbankan dan Asuransi | 399 . For T times of observations. we rewrite (8) as ~ yt W~t y ~ Xt a γ t ~ Xt o γ t ~. εt t a o (9) ~ with a X t is the N q matrix of observation on the available explanatory variables matrix of observation on the omitted explanatory variables.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. . a three years period of observations is relatively small. we simplify (13) into a time invariance model. From (10) we obtain ~ νt ~ yt W~t y ~ Xt a γ t .e. let ~ νt o ~ Xt o γ t ~ εt 1 (10) as follows: (11) and assume that v t can be approximated by its lags v t ~ νt ~ νt ~ δt t 1 with δ t is the vector of error terms. (14) y with ~Wt W~ t . εt (8) In the case of some of some explanatory variables in X t is omitted. for i 2.3. T . (2008). 13 November 2010 3. Spatio-Temporal Autoregressive SEM for Reducing Omitted Variable Bias Observe a SAR model (7) at a point time t ~ yt t W~t y ~ Xt γ t ~.. ~ and o X t is the N q q Following Suparman et al. t a (12) Substitution of (12) into (11) gives ~ ~ ~ ~ ~ yt t Wy t a X t a γ t t yt 1 t Wy t 1 a ~ Xt 1a γt 1 ~ δt i. Hence.

2 0 0  0 0 B       γ a 0 0 0  0 0 0 0  0 0 0 γ a γ a  γ      0 0 0  a 0 0 0  γ 0 aγ 0 0  0 0 0  0 0 0       0 0 0  0 0 0  0 0 0  0 0 Γ 0. We have y Βy Γx δ (15) with y x y2 y3  yT yW 1 yW 2  yWT y1 1 x1 x 2  xT 2 3 δ  0 0 0  0 0 a T 0 0  0 0 0 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 Following Folmer and Oud (2008).1 0. instead of using a standard spatiotemporal model formulation.3  0 .T 0 0  0 0 γ a 0  0 0  0 0  0 0 γ a and we specify two additional parameter matrices 1 E x1 E x2  E xT E yW 1 E yW 2  E yWT E y1 COV δ Φ E x1x1 E x 2 x1  E xT x1 E yW 1x1 E yW 2 x1  E yWT x1 E y1x1 E x2x2  E xT x 2 E yW 1x 2 E yW 1x 2  E yWT x 2 E y1x 2   E xT xT  E yW 1xT  E yW 2 xT    E yWT xT  E y1x1 2 E yW 1 E yW 2 yW 1  E yWT yW 1 E y1 yW 1 2 E yW 2  E yWT yW 1 E y1 yW 2  2  E yWT  E y1 yWT E y12 Ψ Manajemen Risiko di Bidang Perbankan dan Asuransi | 400 . we use structural equation model (SEM) for expressing (14).T 1 0 .

yW 3 . is considered to be very flexible. These methods are available in the software package LISREL (Joreskog and Sorbom. yWT . the log likelihood is formulated as  ζY N ln Σ y 2 1 2 N yi i 1 μ i Σ y1 y i μi T 1N ln 2π . First. To develop a consistent estimator of model (8). In the case of the endogenous variables are also observed.  . namely: instrumental variables. 1996) and Mx (Neal et al. Let ~ Y ~2 y ~ X ~ Ζ ~  ~ . the error terms over times may differ and correlate. In relation to spatial data analysis. Oud (2004) provides the log-likelihood function of a standard SEM with fixed and observed exogenous variables. Hence. generalized least square. two stages least square. 13 November 2010 Observe that y1 is assumed to be exogenous and fixed. We focus our attention on the maximum likelihood method and start by formulating the likelihood function. In this formulation. Mx. which is a free program. 2 (16) where μ Ey I Β 1 Γx Σy E y μ y μ Ψ. and Γ 0 is a partition of Γ without columns relating to yW 2 . unweighted least square. we should take into account that y y  y is a transformation W ~ ~  ~ of the endogenous y y y W2 W3 WT 2 3 T variables and therefore cannot be assumed to be uncorrelated with the error terms. fully and diagonally weighted least square and maximum likelihood.. Several methods have been developed for estimating parameter in a SEM. y3 yT ~ y1 ~ .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. yW 1 ~ ~ 1 X1  XT ~ δ2 ~ ~ δ3  δT . It offers an extensive matrix algebra toolbox enabling linear and nonlinear parameter restrictions and allows modifying and extending the likelihood function in a user-defined way. we can rewrite (7) as Manajemen Risiko di Bidang Perbankan dan Asuransi | 401 . 2003).

. K. 13 November 2010 ~ Y ~ YΒ ~ WYρ I T 1 Β ~ XΓ0 Ζ (17) in the second term to the Putting the first term on the right hand to the left hand and left of W . A. Endogenous Network Interdependence: A Political Science Application. IL. (18) (11) leads us to additional the Jacobian term ln I N  ζY N ln Σ y 2 1 2 N ln I N W yi i 1 μ i Σ y1 y i μi T 1N ln 2π 2 (19) This result is confirmed by Hays et al. Statistical Methodology. doi:10. p. Jöreskög. ~ WYIT ~ XΓ0 ~ Ζ. Franzese Jr. Sörbom. Kachi. W to the log likelihood (9). 4. we have ~ ~ YIT 1 Β ρWY I T ~ XΓ0 ~ Ζ.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.2009. Scientific Software International. 2008). and finally IN ~ WYIT 1 Β ~ XΓ0 ~ Ζ.11. D. Environment and Planning A. R.. Oud. 2526-38.1016/j. (2008) How to get rid W: a latent variables approach to modeling spalially lagged variables. (2009) for the case standard approach.. (1996) LISREL 8: User’s Reference Guide. Chicago.C.. J.. in which the addition of temporally lagged spatial lag variables does not complicate the estimation. Hays. H. J. In our case the Jacobian is equal to the case of single equation (Folmer and Oud.. References Folmer. 1 ~ ρWY ~ WY ~ XΓ0 ~ XΓ0 1 ~ Ζ IT 1 Β 1 1 ~ Ζ IT Β Β .statmet. we rearrange ~ ~ ~ ~ Y ρWY XΓ0 Ζ I T ~ Y IN IN 1 Β 1 . 1 Β Further. (2010) A Spatial Model Incorporating Dynamic.G. 40.J.005 Manajemen Risiko di Bidang Perbankan dan Asuransi | 402 .

6th ed.H. Suparman.C. Folmer. S. Sweden. van Monfort. Richmond. Department of Psychiatry. Maes. VA. A.. J. (2004) SEM state space modeling...M. p. Gothenburg University. Oud. Satorra. H. Xie G. K.. H. paper presented at “16th Annual Conference of the European Association of Environmental and Resource Economists”. M.. 13-40.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.. B. (2003) Mx: Statistical Modeling. eds. Oud. Dordrecht. Boker. (2008) Eliciting the Willingness to Pay for Piped Water from Self-Reported Rent appraisals in Indonesia: a SEM Autoregressive Panel Approach. J. Kluwer Academic. Y. Oud. Manajemen Risiko di Bidang Perbankan dan Asuransi | 403 . Resosudarmo. H. 13 November 2010 Neal.. in Recent Developments on Structural Equation Models: Theory and Application.

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->