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

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. Harapannya perusahaan dapat menghadapi risiko dengan melakukan manajemen risiko yang baik dan benar. 1. Untuk sebagian besar. nilai merek. 13 November 2010 memahaman metoda secara analitik dan matematik sehingga pengungkapan. dilakukan. Manajemen Risiko Pengelolaan risiko telah menjadikan suatu profesi tersendiri dalam lingkungan institusi keuangan. penilaian dan transparansi dirasa tidak tercapai. menilai kerentanan aset penting untuk ancaman spesifik 3. lebih atau kurang. iteratif dan responsif terhadap perubahan mampu perbaikan dan peningkatan terus-menerus Manajemen Risiko di Bidang Perbankan dan Asuransi | 9 . 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. Risiko ini secara langsung mengurangi produktivitas pekerja. dalam urutan sebagai berikut. Hal ini sering terjadi salah penanganan. mengidentifikasi. mengidentifikasi cara untuk mengurangi risiko 5. kualitas. karakter. dan kualitas laba. dan menilai ancaman 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. menentukan risiko (yaitu konsekuensi yang diharapkan dari jenis tertentu serangan terhadap aset tertentu) 4. manajemen risiko tidak berwujud memungkinkan manajemen risiko untuk menciptakan nilai langsung dari identifikasi dan pengurangan risiko yang mengurangi produktivitas. Misalnya. Risiko ditangani secara berurutan sesuai dengan urutan probabilitas risiko yang akan terjadi. mengurangi efektivitas biaya. profitabilitas. 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. Selain itu manajemen risiko berwujud mengidentifikasi jenis baru dari suatu risiko yang memiliki probabilitas tinggi namun diabaikan oleh organisasi karena kurangnya kemampuan identifikasi. reputasi. layanan. ketika kekurangan informasi untuk menghadapi sebuah situasi tertentu dapat menimbulkan sebuah risiko yang dapat terwujud tanpa diketahui. metode ini terdiri dari unsur-unsur berikut ini. Proses keterlibatan resiko yang mungkin menjadi masalah ketika prosedur operasional tidak efektif diterapkan.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Suatu model dikatakan arbitrage free jika tidak terdapat arbitrage portfolio. Proposisi 1. Model Binomial satu periode adalah arbitrage free jika dan hanya jika Asumsikan bahwa Ini berarti bahwa merupakan kombinasi convex dari dan . Suatu arbitrage portfolio mempunyai sifat-sifat : dan dengan probabilitas 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 . 13 November 2010 Misalkan terdapat suatu portfolio Nilai dari portfolio adalah : yang terdiri dari obligasi dan unit saham.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

Manajemen Risiko di Bidang Perbankan dan Asuransi | 27 . Proposisi 2. Misalkan Untuk model binomial satu periode probabilitas martingale diberikan oleh : dan KESIMPULAN Sebagai financial sequrity. Proposisi 3. 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. Oleh karena itu nilai portfolio yang terdiri dari sejumlah saham dan obligasi memungkinkan sangat berfluktuasi. saham dan obligasi masing-masing memberikan resiko bagi pemiliknya. 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.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 Para ekonom menyebutnya sebagai neutral valuation formula.

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

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

2000:204).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. Beberapa pendekatan dapat digunakan untuk menghitung besarnya nilai VaR tersebut. Return saham dihitung secara harian menggunakan model geometrik yang memberikan continously compound return dan dihitung sebagai berikut : (1) 2. Hampir semua investor pasti tidak menginginkan adanya kerugian pada waktu melakukan investasi. untuk menghindari adanya kerugian. Untuk mengontrol sistem risiko tersebut dapat menggunakan Value at Risk ( disingkat VaR). Nilai VaR selalu disertai dengan probabilitas yang menunjukkan seberapa mungkin kerugian yang terjadi akan lebih kecil dari nilai VaR tersebut. 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. Oleh karena itu. sebaiknya investor melakukan perhitungan risiko dengan teliti dan analisis yang cermat untuk memperoleh hasil yang diharapkan. Salah satu kelebihan dari VaR adalah bahwa metode pengukuran ini dapat diaplikasikan ke seluruh produk-produk finansial yang diperdagangkan. 13 November 2010 keuntungan yang tinggi. PERUMUSAN MASALAH 2. model GARCH ( bulat) didefinisikan sebagai berikut: )( dan adalah bilangan (2) Manajemen Risiko di Bidang Perbankan dan Asuransi | 30 . Meskipun berbagai metode dapat menghitung besarnya kerugian yang dicapai oleh investor.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2.2 Model GARCH Untuk deret log return . maka ia harus bersedia menanggung risiko yang tinggi pula.

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

. wn .. 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 .. Seperti yang telah dijelaskan pada pembahasan w1 . Untuk mendapatkan suatu portofolio yang efisien. 13 November 2010 Estimasi VaR untuk saham individual dengan koefisien kepercayaan adalah: (10) 100% di mana adalah besar investasi awal...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 . di mana 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.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 .. Sehingga.. Tanda minus pada persamaan diatas menunjukkan bahwa VaR merupakan estimasi dari kerugian (losses). w2 . 2 . 2.. adalah standar deviasi dari return saham dan adalah persentil dari distribusi normal standar untuk tingkat konfidensi . n dengan ... dengan . adalah mean return saham .1.. Yaitu maksimumkan di mana adalah toleransi risiko investor.

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

9 55. kurs USD.1: Persamaan Model Regresi Setiap Saham Saham Model Regresi Bank Mandiri 369.2)-GARCH(3. dan kurs Yen sebagai variabel-variabel bebas yang dapat ditulis sebagai dan disajikan pada Tabel 3.1 berikut ini.48% Manajemen Risiko di Bidang Perbankan dan Asuransi | 34 . kurs Euro.000 BRI BNI 309. Bank BNI( ).30% 0.000 0.000 191.1) sebagai berikut: Untuk return kurs USD didapatkan parameter model AR(1)-GARCH(2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.1) sebagai berikut: Untuk return kurs Euro didapatkan parameter model ARMA(1. Tabel 3.1) sebagai berikut: Untuk return kurs Yen didapatkan parameter model ARMA(1. 13 November 2010 dengan pendekatan time series yaitu untuk return IHSG didapatkan parameter model AR(1)GARCH(1.1)-GARCH(1.5) sebagai berikut: Dari data return saham Bank Mandiri ( ). Bank BRI ( ).69% 0. dan PT Indofood ( ) akan diperoleh persamaan regresi linear berganda dengan pendekatan multifaktor masing-masing return saham sebagai variabel terikat dengan return indeks IHSG.9 51.9 39.

seperti yang dapat dilihat pada Gambar 3.000887 0.026589 Saham Bank BRI 0.000764 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.030136. di mana dihasilkan expected return portofolio tertinggi sebesar 0.002713 0.006383 0.3% 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 . 13 November 2010 PT Indofood 243.005166 dan tingkat Value at Risk minimum portofolio sebesar 0.00 pada masing-masing saham dengan koefisien kepercayaan sebesar 95%.000747 0.000136 0.1.000 Melalui uji signifikansi linear didapatkan nilai mean dan variansi return saham individual yang diberikan dalam Tabel 2 berikut ini.005125 0.7 45.1 berikut ini: Manajemen Risiko di Bidang Perbankan dan Asuransi | 35 .2: Mean dan Variansi Return Saham Individual Statistik Mean Variansi Standar Deviasi Bank Mandiri 0.027331 Bank BNI 0.000707 0.029782 PT Indofood 0. maka diperoleh VaR masing-masing saham yaitu: Tabel 3. Tabel 3.027640 Misalkan menginvestasikan dana sebesar Rp.

1983. New Jersey : John Wiley & Sons.164424 0.022772 0. Yogyakarta : Unit Penerbit dan Percetakan STIM YKPN.005166 0.166996 0.42495 0.225472 0.229894 0.44 0.03071 0.45 0.428793 0.450281 0.438483 0.004913 0.58 0.52 0.302389 0.161817 0.446327 0.230204 0. pemilihan portofolio optimal dapat ditentukan berdasarkan komposisi portofolio efisien yang menghasilkan mean return dan Value at Risk portofolio dengan rasio terbesar. 2005.4: Komposisi Portofolio Optimal Bobot 0.43 0.41 0. Husnan.045323 0.224826 0.004897 0.030457 0.160941 0.426869 0.037864 0.030549 0. Introduction to Mathematical Statistics.228019 0. Metode Statistika.48 0. Bandung : Transito Tufte.307698 0.432654 0. Cheshire : Graphic Press. T. DAFTAR PUSTAKA Hogg.030618 0.464015 0. New Jersey : Prentice Hall. 1958.442395 0.163559 0.004991 0.030402 0.03071.46 0.300638 0.28E-05 0. Manajemen Risiko di Bidang Perbankan dan Asuransi | 36 .227387 0. 2005. KESIMPULAN Pada paper ini. 13 November 2010 Gambar 3. Inc.166143 0.305919 0.304149 0. Fourth Edition.312066 0. Dari perhitungan rasio mean return dan Value at Risk portofolio diperoleh portofolio optimal yang memberikan mean return optimal sebesar 0.226114 0.458256 0.005055 0. Analysis of Financial Time Series.6086 0.430721 0. Tabel 3.295439 0. Tsay. 2000.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.1: Efficient Frontier Portofolio Adapun komposisi portofolio efisien memuat rasio expected return dan VaR diberikan dalam Tabel 3. Suad.16269 0.030442 0.005119 0.030517 0.54 0.005087 0.030655 0.042843 0. Dasar-Dasar Teori Portofolio dan Analisis Sekuritas Edisi Kedua.160501 0.5 0. A.004851 0.030389 0. Ruey S.004882 0.228959 0.030429 0.005166 dengan VaR optimal sebesar 0.309488 0.047797 0. R. Sudjana.165286 0. E. V. R.007431 2.012573 0.040356 0.297164 0.017687 0.161379 0.030486 0.296301 0.298897 0. dan Craig.16006 0.434592 0.004928 0.050265 0.229584 0.005023 0.56 0.030583 0.032859 0.004866 0.168208 4.229272 0. The Visual Display of Quantitative Information.294581 0.298029 0.454257 0.226752 0.4 berikut ini.00496 0.159618 0.030415 0.42 0.027829 0.228647 0.223896 0.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran.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.4) PENENTUAN CADANGAN DISESUAIKAN MELALUI METODE ILLINOIS PADA PRODUK ASURANSI DWIGUNA BERPASANGAN Suhartini. a_zanbar_s@yahoo. Cadangan disesuaikan. juga memperhitungkan besarnya biaya komisi agen yang dibebankan pada pemegang polis selama m tahun pertama pembayaran premi. Selanjutnya produk ini dinamakan Asuransi Dwiguna Berpasangan. Dengan demikian. Liendanyt@yahoo. Achmad Zanbar Soleh Jurusan Statistika. Manajemen Risiko di Bidang Perbankan dan Asuransi | 37 .com. Lienda Noviyanti. 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. Manfaat produk Asuransi Dwiguna hanya diberikan pada satu individu saja yang namanya tercantum sebagai pemegang polis asuransi.stat06@gmail. 13 November 2010 (A. besarnya cadangan asuransi dihitung berdasarkan rumusan cadangan disesuaikan melalui Metode Illinois. Bandung Email: suhartini.com. Perhitungan besaran-besaran aktuaria dalam penelitian ini selain melibatkan dua individu sebagai tertanggung. Kata Kunci: Asuransi Dwiguna berpasangan. Metode Illinois. Universitas Padjadjaran.

dan biaya administrasi pembuatan dan pengiriman polis asuransi. 13 November 2010 I. 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). Selain itu. maka mereka akan menerima uang pertanggungan. Perusahaan asuransi akan menerima sejumlah pembayaran secara berkala yang besarannya ditetapkan berdasarkan premi bersih dan biaya yang harus dibebankan pada pemegang polis. Produk Dwiguna yang ditawarkan selama ini bersifat individu artinya perusahaan asuransi hanya memberikan proteksi kepada satu orang saja. Premi bersih digunakan untuk perhitungan benefit yang harus diberikan kepada tertanggung jika terjadi klaim dari pemegang polis atau ahli warisnya. ahli waris akan menerima 100% Uang Pertanggungan apabila tertanggung meninggal dalam masa asuransi. Sedangkan biaya merupakan dana yang telah dikeluarkan perusahaan selama promosi produk Asuransi Dwiguna seperti komisi yang diberikan kepada agen marketing yang mendapatkan pemegang polis. Dengan demikian. biaya pemasaran produk. Penelitian ini mengembangkan produk Asuransi Dwiguna dengan menambahkan satu orang lagi tertanggung pada polis asuransinya. Sedangkan biaya pada tahun selanjutnya lebih kecil dari pada biaya tahun pertama. Biaya yang dilibatkan dalam penelitian ini dikeluarkan untuk membayar komisi kepada agen asuransi selama tiga tahun pertama pembayaran premi. perhitungan cadangan asuransi untuk produk Dwiguna harus Manajemen Risiko di Bidang Perbankan dan Asuransi | 38 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 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. 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. Selama kontrak asuransi telah ditandatangani pemegang polis. Produk ini memberikan benefit berupa jaminan 100% Uang Pertanggungan jika tertanggung hidup sampai akhir masa asuransi. 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.

Metode ini membatasi frekuansi biaya yang dibebankan pada pembayaran premi tahunan paling lama 20 tahun. BESARAN-BESARAN AKTUARIA 2. 13 November 2010 memperhitungkan biaya dalam penetapan besaran premi tahunan yang harus dibayarkan pemegang polis. penelitian ini menawarkan inovasi pada produk asuransi dwiguna dengan proteksi kepada dua orang tertanggung dan merumuskan besarnya cadangan asuransi disesuaikan melalui metode Illinois.y k bk v i 1 Z Manajemen Risiko di Bidang Perbankan dan Asuransi | 39 . 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. Rumusan ini dinamakan cadangan asuransi disesuaikan (modified reserve). Sehubungan dengan pernyataan di atas. II. Besarnya nilai cadangan asuransi disesuaikan dalam penelitian ini akan dihitung melalui pendekatan metode Illinois.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.1.

13 November 2010 A1 xy .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.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 .

.1..1..1.. 2. n 1... n 1.. q .n pxy .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.(2.. 13 November 2010 2. 2.. 2.... untuk k . 2. untuk k 0. n 1.. 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 . 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 ..y k b.. fungsi present value benefitnya adalah: Z2 0 100%UPv n . untuk k ...... fungsi present value benefitnya adalah : Z1 100%UPv k 0 1 ...2) xy:n Manajemen Risiko di Bidang Perbankan dan Asuransi | 41 . n 1 n. untuk k 0. n 1..1.. untuk k 0.. maka premi tunggal bersihnya adalah: n 1 A1 xy:n E Z1 (100% UP) k 0 v k 1. untuk k . n 1 n. sehingga premi tunggal bersihnya adalah: A 1 E Z2 (100% UP) v n .. n 1 n. karena K merupakan variabel acak.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 0. k pxy .(2.. untuk k .. n 1 n..1) x k....

benefit diberikan tepat pada saat salah satu dari tertanggung meninggal dunia. (2. Perhitungan Cadangan Illinois Pada Produk Dwiguna Berpasangan Penentuan cadangan disesuaikan melalui metode Illinois terdapat persyaratan yang harus terpenuhi..3) Pada produk Dwiguna berpasangan.5) 2...Prosiding Seminar Nasional Statistika Universitas Padjadjaran. k pxy. 13 November 2010 Maka besarnya premi tunggal bersih secara keseluruhan untuk produk asuransi Dwiguna berpasangan merupakan penjumlahan antara Persamaan (2. (2. Oleh karena itu..4) Premi tahunan Dwiguna Berpasangan dihitung dengan menggunakan rumus: P Axy:n Axy:n axy:n . Perumuman dari pernyataan di atas dapat diilustrasikan sebagai berikut : I I axy:k 1 P( Axy:n )axy:k .2) sebagai berikut : n 1 Axy:n (100%UP) k 0 v k 1.y k v n . dan P( Axy:n ) (prmi bersih untuk setelah k tahun). (2.. n pxy .. 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 . 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..1) dan (2. Dalam metode Illinois. I I (premi (premi bersih untuk k . (2.3. terdapat beberapa nilai premi bersih yakni bersih untuk tahun pertama). perlu mengubah asuransi Dwiguna berpasangan bentuk diskrit menjadi asuransi jiwa Dwiguna berpasangan bentuk kontinu..6) Manajemen Risiko di Bidang Perbankan dan Asuransi | 42 . qx k.1 tahun berikutnya). Pada penentuan cadangan dengan mentode ini terdapat batasan frekuensi biaya yang digunakan dalam perhitungan cadangan yakni maksimal biaya 20 tahun.

Pada penelitian ini besar k yakni k=3..11) Dengan kata lain I pada Persamaan (2. 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 .9) dengan k min(m.8) Berdasarkan perumusan premi di atas.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.7) dapat dinyatakan kembali sebagai berikut : P( Axy:n )axy:3 I * axy:2 axy:2 1 … (2. 20) axy:2 P( Axy:n )axy:3 . sehingga Persamaan (2.6) dapat dituliskan kembali sebagai berikut : I I min(3. dan 1 v 2 1 pxy 3 v 2 pxy … (2. . adalah sebagai berikut: * P( Axy:n ) . 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 .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. (2.7) 1 dan I dapat dinyatakan pada Persamaan di bawah ini : P ( Axy:n )axy:k I axy:k 1 1 … (2. y h:k h … (2. Besarnya total biaya yang dikeluarkan perusahaan untuk membayar komisi agen.. 20) serta m adalah periode pembayaran premi dengan biaya.

y h:3 h … (2. (6) biaya komisi agen dibebankan pada 3 tahun pertama pembayaran premi.13) III. (4) usia individu pertama. y = 25 tahun. y h:n h P Axy:n ax h .11) Berdasarkan perumusan valuasi premi di atas.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.12) dan perhitungan cadangan setelah tahun ke-3 akan menggunakan perumusan cadangan premi bersih tahunan sbb: h V Axy:n Ax h . maka premi tunggal bersihnya adalah Rp. 13 November 2010 dan I pada Persamaan (2. Beberapa asumsi yang digunakan dalam simulasi adalah (1) peluang meninggal didasarkan pada Tabel Mortalita CSO 1980.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.8) dapat dinyatakan kembali sebagai berikut : P( Axy:n )axy:3 I * axy:2 1 … (2. Jika salah seorang tertanggung meninggal dalam masa asuransi. 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 . (5) Uang Pertanggungan (UP) yang akan diberikan sebagai manfaat asuransi adalah sebesar Rp 20. (3) masa asuransi adalah 10 tahun. 529. Manajemen Risiko di Bidang Perbankan dan Asuransi | 44 .00.744. i = 7%. (2) tingkat suku bunga yang digunakan adalah. y h:n h … (2. 3. HASIL DAN PEMBAHASAN Aplikasi besaran-besaran aktuaria dari produk Asuransi Dwiguna Berpasangan dengan melibatkan biaya akan diulas pada bagian ini.000.98.000. x = 30 tahun dan usia individu kedua.

5254 Besarnya premi tahunan adalah sebagai berikut: A30.30. perlu mengubah asuransi Dwiguna berpasangan bentuk diskrit menjadi asuransi jiwa Dwiguna berpasangan bentuk kontinu. 9.25 7.25:10 a30. Jika kedua tertanggung masih tetap hidup hingga berakhirnya masa asuransi.305.439. 4081 v1 1 p30. oleh karena itu perlu dihitung besarnya premi tahunan sehingga tertanggung menjadi lebih ringan dalam pembayaran preminya tetapi tetap akan mendapatkan benefit yang sama.00. 3. 0.775..469.661.327. maka premi tunggal bersihnya adalah Rp. Oleh karena itu.469 7. premi tunggal bersih asuransi Dwiguna berpasangan bentuk diskrit adalah penjumlahan kedua premi tunggal bersih di atas yakni Rp.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 10. Pada produk Dwiguna berpasangan benefit diberikan tepat pada saat salah satu dari tertanggung meninggal dunia. Dengan demikian. Dengan menggunakan asumsi UDD.2 Premi Tahunan Besar anuitas berpasangan bentuk diskrit due adalah sebagai berikut: 9 a30.25 .32. 13 November 2010 b.661.25:10 k 0 v k k p30.. maka besar premi tunggal bersih untuk asuransi Dwiguna berpasangan bentuk kontinu Rp.4081 1. Biasanya tertanggung akan berkeberatan untuk membayar premi satu kali diawal tahun secara sekaligus.25:10 Manajemen Risiko di Bidang Perbankan dan Asuransi | 45 .25 1 0.25:25 10. 10..071.9313 0. v9 9 p30.162.8673 .525 P A30..25 v 0 0 p30.

00 yang dibayarkan sekaligus di awal kontrak asuransi atau sebesar Rp.2 Premi Bersih Tahunan Produk Dwiguna Berpasangan Selama Tiga Tahun Pertama Masa Asuransi Tahun ke0 Premi Bersih Tahunan Tanpa Biaya (Rp.20.439. 3.011 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 3.205 458.1.163 Premi Bersih Tahunan dengan Biaya (Rp.000.260 Manajemen Risiko di Bidang Perbankan dan Asuransi | 46 . UP sebesar Rp.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.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.015 31.10.) 359.) 1.) 1.1 Komisi Agen Produk Dwiguna Berpasangan Tahun 1 2 3 Total Besarnya Komisi Agen per tahun (Rp.469.072.00 diperoleh apabila pemegang polis membayar premi tanpa biaya sebesar Rp.163.00 yang pembayarannya dilakukan 10 kali secara kontinu di awal tahun. Total biaya yang dikeluarkan perusahaan untuk membayar komisi agen selama tiga tahun pertama pembayaran premi adalah: Tabel 3.000. 13 November 2010 Dengan demikian. 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.439.661.791 67.

1.530. Sedangkan besar cadangan Illinois untuk akhir tahun ke-1 dan ke-2 masing–masing adalah Rp. Cadangan premi bersih tahunan merupakan perhitungan cadangan tanpa melibatkan faktor biaya. sedangkan biaya yang dikeluarkan oleh perusahaan asuransi untuk tahun selanjutnya adalah lebih kecil. 13 November 2010 1 1.2 di atas diketahui bahwa besar premi bersih tahunan dengan biaya tahun pertama adalah Rp.738.3 Besar Cadangan Premi Asuransi pada Produk Dwiguna Berpasangan berdasarkan premi bersih dan premi kotor Tahun ke-h Cadangan premi bersih (Rp.935.296.296.1. Sedangkan besar premi bersih tahunan dengan biaya tahun kedua dan ketiga adalah Rp.) -254.2.472. Berdasarkan tabel 3.962.821.531.981 1. Dengan demikian besar cadangan produk Dwiguna berpasangan untuk masa asuransi 10 tahun dengan biaya tiga tahun pertama adalah sebagai berikut: Tabel 3.070.738 0 1 Manajemen Risiko di Bidang Perbankan dan Asuransi | 47 . 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.697 Cadangan premi kotor melalui metode Illinois (Rp.) 0 1. Besar premi bersih tahun pertama lebih kecil dari premi bersih tahun kedua dan ketiga. 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. Besar cadangan untuk h = 3 dan seterusnya sampai dengan akhir masa asuransi yakni 10 tahun dapat dihitung dengan menggunakan cadangan premi bersih tahunan.3 dapat dilihat bahwa besar cadangan Illinois untuk tahun ke-0 bernilai negatif.017.272 2 Berdasarkan tabel 3.dan Rp.1. hal ini dikarenakan pada tahun pertama diperlukan biaya besar untuk membayar komisi agen.Prosiding Seminar Nasional Statistika Universitas Padjadjaran..-.

besar cadangan premi tahunan yang harus dimiliki perusahaan asuransi adalah sebesar uang pertanggungan yaitu sebesar Rp.044 4.20.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.816 17.881. Akhir tahun ke 10. Sehingga besar biaya tersebut akan mengurangi besar cadangan yang dimiliki oleh perusahaan asuransi.899.422 12.300.246 10. Cadangan premi tahunan merupakan kondisi ideal yang dimiliki perusahaan.000 2.962. hal ini dikarenakan pada perhitungan cadangan Illinois terdapat faktor pengurang yaitu biaya.000 Berdasarkan tabel 3. Penentuan besarnya cadangan disesuaikan dengan metode Illinois.053 20.369 15.369 15.000.183 6. KESIMPULAN 1.054.574.752.031 8. Pada tahun ke-3 sampai dengan akhir masa asuransi tidak ada biaya yang dikeluarkan oleh perusahaan. 13 November 2010 2 3 4 5 6 7 8 9 10 3. akan menghasilkan besaran cadangan yang lebih kecil dibandingkan dengan besarnya cadangan premi tahunan. sehingga besar cadangan untuk tahun ke-3 sampai dengan akhir masa asuransi akan sama dengan cadangan premi tahunan pada tahun yang sama.000.628. Tetapi perusahaan asuransi harus mengeluarkan biaya untuk membayar komisi agen.899.574.752. IV. Manajemen Risiko di Bidang Perbankan dan Asuransi | 48 .816 17.529.053 20. sedangkan pada perhitungan cadangan premi bersih tahunan tidak memasukkan faktor biaya. Uang tersebut kemudian akan diberikan kepada sepasang tertanggung apabila keduanya masih tetap hidup sampai akhir masa asuransi.529.881.628. dalam hal ini adalah 10 tahun.000. 1.300. Dan Biaya tersebut dibebankan oleh perusahaan asuransi kepada tertanggung.000.3 di atas diketahui bahwa besar cadangan disesuaikan untuk akhir tahun ke-0.935 4.031 8. 2 akan lebih kecil dari cadangan premi tahunan.183 6.246 10.422 12.

Mathematics. 1962. Robert E. Gaumnitz.U.J. J. Erwin A.25:10 ) I . Japan.. Gerber. Larson. Futami. Inc. Japan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. N.. New York. John Wiley & Sons. Hickman. 1994. Oriental Life Insurance Cultural Development Centre. Tokyo. 2nd Ed. D. Oriental Life Insurance Cultural Development Centre.A.C. Tokyo. Matematika Asuransi Jiwa Bagian I.. 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. dan Nesbitt. C. Actuarial Manajemen Risiko di Bidang Perbankan dan Asuransi | 49 . 1997. Life Insurance Mathematics. DAFTAR PUSTAKA Bowers. Jones. Takashi. London. Matematika Asuransi Jiwa Bagian II.L.. 1993. Takashi. Inc. The Society of Actuaries. H. Futami.. Inc. 13 November 2010 2.

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

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

Fungsi ini menyatakan peluang seseorang yang berusia x tahun akan mengalami decrement karena sebab j di antara tahun t sampai dengan tahun t + dt. Rumusan dari fungsi densitas bersama tersebut dapat dituliskan sebagai berikut : f TxJx (t .1.6) Manajemen Risiko di Bidang Perbankan dan Asuransi | 52 . TINJAUAN PUSTAKA II.1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.4) t ( px j ) 1 t ( qx j ) (2.1.1) fJx(j) = x f TxJx (t . 13 November 2010 II.2) Fungsi densitas bersama dari Tx dan Jx dapat dituliskan dengan f Tx J x ( t . dan Jx yang menyatakan variabel acak penyebab populasinya berkurang (cause of decrement). Jx ( s . Fungsi marginal untuk masing-masing fTx(t) dan fJx(j) adalah fTx(t) = j f TxJx (t .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.1.1.1.5) Dalam Multipel decrement semua penyebab terjadinya decrement digunakan simbol supercript ( ). 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. j )ds 0 P (0 T t) (J j) t ( qx j ) t 0 (2.3) 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 . (2. j ) . j ) (2. j )dt . j ) P (t T t dt ) (J j) (2.

in-1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.1) Manajemen Risiko di Bidang Perbankan dan Asuransi | 53 . .. dapat dihitung dengan menggunakan rumusan berikut : Ax :n (2. 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} .j (2..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.2.1) 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.. dapat dihitung menggunakan rumusan berikut : w n Ax:n| (2.2.. Sedangkan dalam realitanya.A. Markov seorang ahli matematika dari Rusia mengemukakan teori ketergantungan variabel acak dalm proses acak yang dikenal dengan proses Markov..3. Proses Markov adalah proses stokastik yang mana masa lalu tidak mempunyai pengaruh pada masa yang akan datang bila masa sekarang diketahui. 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.. i. Sehingga pada kondisi adanya kemungkinkan terjadinya perpindahan antar status. namun pembayaran/perhitungan benefit (uang pertanggungan) bisa dilakukan pada akhir tahun terjadinya decrement (diskrit) ataupun tepat pada saat terjadinya decrement (kontinu).. X n 1 . n dan status i0.2 Premi Tunggal Netto Asuransi Multiple Decrement Dwiguna Asuransi ini adalah asuransi yang memberikan proteksi bagi insured terhadap beberapa hal yang penyebab terjadinya decrement.3 Rantai Markov dan Peluang Transisi Pada tahun 1906. 13 November 2010 II. 2. A. sangat mungkin sekali bahwa terjadinya satu decrement disebabkan oleh telah terjadinya decrement lainnya.

yang biasanya dinyatakan dalam bilangan bulat.t] adalah i Pi(t) = P(N(t)=i) = e-λt (λt)i / i! (2. dinyatakan dengan Pijn. 13 November 2010 Peluang transisi satu langkah bahwa Xn+1 berada pada status j jika diketahui Xn berada dalam status i. sehingga dalam hal ini : Pij n.2) Apabila peluang transisi satu-langkah independen dari variabel waktu.4. maka dikatakan rantai markov mempunyai peluang transisi stasioner. .4 Model Markov dengan Status Diskrit dan Waktu Kontinu Transisi yang terjadi diantara dua state apabila diukur antara waktu n dan n + i. dengan i = 1.3. disebut transisi dengan waktu diskrit. seperti yang telah dibahas pada bagian terdahulu.n 1 Pij Matriks peluang transisi n langkah disimbolkan dengan P(n) = Pij(n).3..Prosiding Seminar Nasional Statistika Universitas Padjadjaran.n+1. yaitu : Pij n.1) Manajemen Risiko di Bidang Perbankan dan Asuransi | 54 .3. Salah satu konsep dasar dalam pengukuran dengan waktu kontinu seperti ini adalah proses Poisson. peluang banyaknya kejadian dalam selang (0.3) Teorema : peluang transisi n langkah dari suatu Markov adalah Pij (n) k 0 Pik Pkj ( n 1) (2.3.4) 2.n 1 P{X n 1 j | Xn i} (2.2. ditulis sebagai Pij ( n) P{X n m j | Xm i} (2. Elemen dari Pij(n) menyatakan peluang bahwa proses berpindah dari status i ke status j dalam n langkah. Proses ini mengukur titik-titik kejadian secara tunggal dalam satuan waktu tertentu..

maka : (2.5) ii i j ij 0 Manajemen Risiko di Bidang Perbankan dan Asuransi | 55 .5.5. Untuk tingkat transisi dengan selang waktu yang sangat pendek atau ∆t → 0. 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 (2.4) Jika diketahui status i ditempati pada waktu t dan status lainnya akan ditempati pada waktu t+∆t.2) Dikatakan sebagai persamaan Chapman Kolmogorov untuk proses Markov dengan waktu homogen.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 2.5 Laju Transisi Jika X(t) menyatakan status yang ditempati pada waktu t.5. fungsi tersebut harus memenuhi 0 ≤ Pij ≤ 1 dan Pik j Pij (v) Pjk (t v) (t>v) (2.1) Jika nilai-nilai peluang tersebut mengabaikan waktu u. atau waktunya homogen.3) ii d Pii (0) dt lim t 0 1 Pii (t ) t (2.5.5. 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.

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

Misal mt adalah integer yang memenuhi tmt dengan persamaan (3.. Misalkan µij(t) = µij(m) jika t Є (tm-1. . 3... juga pij(m)(t) adalah fungsi transisi dinyatakan dengan interval [u..3. e d n (m) n t )C ( m ) Atau Phi (t ) k 1 ahk ( m) cki ( m ) d k ( m )t e (3.3.4) Menyatakan peluang transisi dari state h ke state i.. maka jika dikorespondensi menjadi (m) t ... sering kali diperlukan laju transisi pada tingkat usia yang berbeda. Dalam bentuk matriks.2) adalah : P(t) = eQt i 0 (Qt ) i i! (3.2) 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 ..u+t] yang termuat dalam [tm-1. tm].3) Andaikan Q mempunyai nilai-nilai eigen yang berbeda yang dinotasikan dengan D = diag (d1. maka solusi untuk persamaan (3. untuk itu dengan melakukan partisi laju transisi berdasarkan usia merupakan solusi yang bisa dipergunakan untuk masalah ini.2.3 Laju Konstan Dipartisi Berkaitan dengan aktuaria.2.2... 13 November 2010 P(t+u) = P(t) P(u) (3.1) Demikian pula bila diokorespondensikan dengan persamaan diferensial Kolmogorov Forward. dimana t0 = 0. dn) dan A menyatakan matriks eigen.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. maka : Q = A D A-1 Sehingga n P(t ) A diag(e d1t .2.. laju transisi dan peluang transisi dipartisi masing-masing Q(m) dan P(m)(t)..2..2.4) P(t ) A( m ) diag(e d1 1 t t mt . e d nt )C Atau Phi (t ) k 1 ahk cki e dk t (3. tm) untuk m = 1... dengan ahk adalah elemen matriks A dan cki menyatakan elemen matriks C = A-1. maka P‟(t) = P(t) Q = Q P(t) (3.2) Dengan P(0) = I.

4 Penentuan Premi Tunggal Netto Asuransi Dwiguna Multiple Decrement Menggunakan Model Rantai Markov dengan Laju Konstan Dipartisi Pada bagian ini. 13 November 2010 3. ataupun berpindah ke status 4. akan memperoleh santunan /benefit pada saat berpindah kestatus2. Meninggal Dalam kasus 4 status tersebut. juga bila berpindah ke status 3. Sehat 2. Sakit B dan 4. pada waktu berikutnya akan mengalami transisi atau perubahan ke status lain. namun didasarkan pada model stokastik multistate .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Sakit A µ14 µ21 µ32 µ23 4. dimana waktu transisi dan status yang dialaminya bersifat random. pembahasan difokuskan kepada penentuan besarnya premi tunggal netto dari suatu asuransi yang memiliki beberapa kemungkinan decrerment (status). Meninggal µ34 3. µ12 1. Berikut ini adalah contoh dari asuransi jiwa dwiguna menawarkan produknya yang mempertimbangkan 4 status. Sehat µ24 µ21 µ21 µ21 2. Sakit A 3. Sakit B Gambar 3.1 model 4 Status Manajemen Risiko di Bidang Perbankan dan Asuransi | 58 . pihak insured yang pada awal ikut asuransi berada pada kondisi sehat (status 1). Dalam model ini diasumsikan bahwa seseorang dengan usia x yang berada dalam status tertentu sejak dia masuk asuransi. masing-masing : 1.

u ) n 1 a hn c nj (u ) (u ) e dk (u ) 1 dn (u ) b11 e t . yang digunakan untuk membangun matriks Q(u) sehingga diperoleh A(u).Pij ( x. (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.. 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. Misalkan µij(u) merupakan force of transition dari status i ke status untuk satu individu antara usia u dan u+1. Sedangkan Pij(u) (y) merupakan fungsi peluang transisi dari status i ke status j yang diasosiasikan dengan interval usia dari u ke u+1. KESIMPULAN Berpijak kepada realita bahwa terjadinya suatu decrement dapat juga ditentukan oleh terjadinya decrement lain. dan bila mana manfaat santunan bij satuan yang dibayarkan langsung pada saat terjadi perpindahan dari state awal i pada usia ke state j lain. y )dy b11 . IV.4. selain itu insured pun akan menerima sejumlah benefit diakhir tahun masa proteksi jika ia tidak terjadi salah satu decrement tersebut.Pij ( x. y ) A diag (u ) d1 1 e d4 . dengan discount factor v adalah : x t Ax .t p x (3.4.t p x (u ) bij e u x (u x ) e d1 P( x..2) Merupakan rumusan premi tunggal netto pada asuransi dwiguna yang mempertimbangkan terjadinya perpindahan antar status.e t . C(u) dan D(u).t p x (3..Prosiding Seminar Nasional Statistika Universitas Padjadjaran. y )dy (u ) b11 e t .t | x bij e x t 1 ( y x) ..t | x bij e x t 1 ( y x) . 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.t p x 4 4 bij e u x (u x ) h 1 pih ( x.1) Atau dalam bentuk matriks x t Ax .

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

Metode Ohio. Manajemen Risiko di Bidang Perbankan dan Asuransi | 61 . Selanjutnya. a_zanbar_s@yahoo.com. Bandung Email: puputeka_pap@yahoo.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Kata Kunci: Multiple Life Function. dan PT) dan Nilai tunai yang diberikan secara lumpsum atau anuitas saat masa asuransi berakhir. menyimpulkan bahwa tiga tahun pertama pembayaran premi menghasilkan nilai cadangan tahunan yang lebih kecil daripada cadangan premi bersih tahunan tanpa biaya. Asuransi jiwa dalam penelitian ini akan memproteksi tertanggung (orang tua) dan juga penerima manfaat (anak) dari beberapa risiko yang terjadi pada keduanya. Lienda Noviyanti. Universitas Padjadjaran. 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. SMP.com.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. proteksi pendidikan berupa tahapan dana masuk sekolah (SD. Achmad Zanbar Soleh Jurusan Statistika. Dengan demikian model asuransi jiwa yang digunakan adalah Multiple Life Function berdasarkan Multiple Decrement. Liendanyt@yahoo. 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.6) PENENTUAN CADANGAN ASURANSI DISESUAIKAN MELALUI METODE OHIO PADA PRODUK GABUNGAN ASURANSI JIWA DAN PENDIDIKAN BERPASANGAN Puput Eka Fitriyani. SMU. 13 November 2010 (A. Hasil simulasi. maka cadangan asuransi dihitung melalui metode Ohio. Cadangan disesuaikan. Multiple Decrement .

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

UP Manajemen Risiko di Bidang Perbankan dan Asuransi | 63 . BESARAN-BESARAN AKTUARIA 2. 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.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 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. 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. 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.

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 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 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.y k qx axy:n A1 xy . 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. 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 1 n. 2... untuk k 0.. untuk k 0... Dapat dirumuskan fungsi present value benefitnya adalah : Z1 100%JUA. untuk k . 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.y k Manajemen Risiko di Bidang Perbankan dan Asuransi | 65 .. atau dapat dinyatakan sebagai berikut: bkxy 1 200%JUA 0 .y k ...v 0 k xy 1 . n 1.1) n menyatakan akhir masa asuransi... 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.5) karena K merupakan variabel acak.. untuk k .1.1. n 1. n 1 n. 2.. 2. n 1. ... n 1 n.1..(2. untuk k 0. untuk k .... 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. .3) Persamaan (2.6) x k. n 1.. 2...q (2) 1 . untuk k .v 0 k xy 1 . 0 …(2... k pxy ... 13 November 2010 2.4) fungsi present value benefitnya adalah : Z2 200%JUA.1.(2. …(2..3) simbol premi tunggal bersihnya diberi angka satu karena merupakan premi tunggal bersih dengan penyebab kematian yang pertama yaitu meninggal bukan karena kecelakaan. atau dapat dinyatakan sebagai berikut: bk xy 100%JUA 1 .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. maka premi tunggal bersihnya adalah: n 1 A1 x y:n (2) E Z2 200% JUA k 0 v k 1. …(2. …(2. 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.. untuk k 0......2) karena K merupakan variabel acak. n 1 n.

Pada modifikasi produk Beasiswa benefit diberikan tepat sesaat setelah salah satu antara tertanggung atau penerima manfaat meninggal (asuransi kontinu). untuk itu perlu merubah premi tunggal bersihnya dari bentuk diskrit menjadi bentuk kontinu dengan menggunakan asumsi UDD (Uniform Distribution of Death)...Prosiding Seminar Nasional Statistika Universitas Padjadjaran..9) simbol premi tunggal bersihnya diberi angka tiga karena merupakan premi tunggal bersih dengan penyebab kematian yang ketiga yaitu meninggal bukan karena kecelakaan..(2. . untuk k 0.. 2. n 1 n. atau dapat dinyatakan sebagai berikut: bkxy 1 50% JUA 0 .9) Persamaan (2. n 1.. 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... n 1.. (2. …(2.7) fungsi present value benefitnya adalah : Z3 50% JUA.v 0 k xy 1 .8) karena K merupakan variabel acak. 13 November 2010 Persamaan (2.. …(2. untuk k 0.1. Dari Persamaan (2.6) dan (2..11) Manajemen Risiko di Bidang Perbankan dan Asuransi | 66 .6) simbol premi tunggal bersihnya diberi angka dua karena merupakan premi tunggal bersih dengan penyebab kematian yang kedua yaitu meninggal karena kecelakaan.. …(2. Berdasarkan asumsi UDD maka diperoleh perumusan premi tunggal bersihnya menjadi : A i xy :n 1 A xy :n 1 …(2. 2...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) ... untuk k .3).y k .10) Persamaan (2.1. 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. 3. untuk k . n 1 n.10) tepat digunakan jika benefit diberikan pada akhir tahun meninggal salah satu antara tertanggung atau penerima manfaat (asuransi diskrit).

13) 2.3 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). …(2.4 Premi Tunggal Bersih untuk Asuransi Beasiswa Berdasarkan Persamaan (2.2v n . 13 November 2010 2.13) yang telah diperoleh maka premi tunggal bersih secara keseluruhan produk Beasiswa adalah sebagai berikut: PTBTotal A1 xy:n PTB pendidikan …(2.2 100% JUA Pada akhir masa asuransi diberikan tahapan dana masuk PT sebesar 50%JUA dan beasiswa sebesar 100% JUA. Produk JS. Untuk itu maka pada Persamaan (2. 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). 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 .12) bn bn bn.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.10) dan (2.2 . Perhitungan benefitnya adalah sebagai berikut : bn bn bk 1 12 6 3 10% JUA 20% JUA 30% JUA 50% JUA . 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. dapat dirumuskan pula premi tahunannya. 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).12) terdapat dua manfaat pada akhir masa asuransi yaitu tahapan dana masuk disimbolkan dengan bn dan beasiswa disimbolkan bn. …(2. SMP saat anak berusia 12 tahun (n-6).14) Dari perumusan premi tunggal bersih yang diperoleh.

. Manajemen Risiko di Bidang Perbankan dan Asuransi | 68 . P( A 1 ) : Untuk itu maka dapat dirumuskan kondisi tersebut sebagai berikut: O h P( A 1 ) P( A 1 ).(2.15) Premi bersih tahunan Beasiswa dihitung dengan menggunakan rumus: P(A 1 ) xy:n PTBtotal axy:n .. n v k ..19) Premi bersih dengan biaya tahun ketiga adalah : O 2 P( A 1 ) 1 xy:n 3 . .4.20) Premi dengan biaya juga akan dibuat tetap slama tiga tahun meskipun biaya komisi agen tiap tahun berbeda.(2. 13 November 2010 n 1 axy:n k 0.. Perhitungan Cadangan Ohio Pada Produk Beasiswa Penentuan cadangan disesuaikan melalui metode Ohio memiliki karakteristik khusus yaitu masa pembayaran premi kurang dari 20 tahun. n 6. . xy:n xy:n …(2.16) 2. .. (2. (2. 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... . Dalam metode Ohio. k n 12. k pxy ... . (2.17) Dari Persamaan (2. n 3.. Untuk itu perlu dihitung premi dengan biaya sekaligus untuk tiga tahun sehingga dapat diperoleh premi tahunan dengan biaya.18) Premi bersih dengan biaya tahun kedua adalah : O 1 P( A 1 ) 1 xy:n 2 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.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 .

13 November 2010 m 1 O sekaligus h 0 vh . 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. (5) Jumlah Uang asuransi yang akan diberikan sebagai manfaat asuransi adalah sebesar Rp 10.. x = 32 tahun dan usia individu kedua (anak).22) v h 0 hxy h pxy Berdasarkan perumusan premi di atas. n III.000.00..000.. Beberapa asumsi yang digunakan dalam simulasi adalah (1) peluang meninggal didasarkan pada Tabel Mortalita CSO 1980. y h:n h .. m 1 h V ( A1 ) xy:n h …(2. y dari 0 sampai 4 tahun.21) Premi tahunan dengan biaya dihitung menggunakan rumus : O O tahunan sekaligus axy:m O sekaligus m 1 …(2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.ax h . (3) masa asuransi maksimal adalah 18 tahun menyesuaikan dengan usia penerima manfaatnya yaitu 18-y.23) V ( A1 ) xy:n A 1 x h . perhitungan cadangan yang disesuaikan dengan menggunakan metode Ohio didefinisikan sebagai berikut : h V O (A1 ) xy:n A O 1 x h . (4) usia individu pertama (orang tua). i = 7%. untuk h 0. (2) tingkat suku bunga yang digunakan adalah. m 1. y h:n h P( A 1 ). (6) biaya komisi agen dibebankan pada 3 tahun pertama pembayaran premi. Manajemen Risiko di Bidang Perbankan dan Asuransi | 69 . HASIL DAN PEMBAHASAN Aplikasi besaran-besaran aktuaria dari produk Asuransi Beasiswa dengan melibatkan biaya akan diulas pada bagian ini... y h:n h h ..ax xy:n h . y h:n h .. O h …(2.1. untuk h m.

755.05. 1.53.455. 329. Premi tunggal bersih sekaligusnya adalah Rp. Jika tertanggung meninggal terlebih dulu karena sebab kecelakaan dalam masa asuransi. 8. Manajemen Risiko di Bidang Perbankan dan Asuransi | 70 .672.72. maka besar premi tunggal bersih untuk asuransi Beasiswa berpasangan modifikasi bentuk kontinu Rp. Premi tunggal bersih untuk proteksi pendidikan adalah Rp.63. 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. Dengan demikian. e. oleh karena itu perlu dihitung besarnya premi tahunan sehingga tertanggung menjadi lebih ringan dalam pembayaran preminya tetapi tetap akan mendapatkan benefit yang sama.470. Jika tertanggung mengalami cacat total karena sebab kecelakaan dalam masa asuransi.206. 973. perlu mengubah asuransi Beasiswa berpasangan modifikasi bentuk diskrit menjadi asuransi jiwa Beasiswa berpasangan modifikasi bentuk kontinu. 13 November 2010 3. 113. 530. Biasanya tertanggung akan berkeberatan untuk membayar premi satu kali diawal tahun secara sekaligus. d. premi tunggal bersih asuransi Beasiswa berpasangan modifikasi untuk proteksi kematian bentuk diskrit adalah penjumlahan ketiga premi tunggal bersih di atas yakni Rp.15. Dengan menggunakan asumsi UDD.006.1 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.864. Pada produk Beasiswa berpasangan modifikasi benefit diberikan tepat pada saat salah satu dari tertanggung meninggal dunia. Jika tertanggung atau penerima manfaat meninggal bukan karena kecelakaan dalam masa asuransi.891. maka premi tunggal bersihnya adalah Rp. Oleh karena itu.00. 9. maka premi tunggal bersihnya adalah Rp.47.679.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.280. maka premi tunggal bersihnya adalah Rp.

8025 Rp..2 Premi Tahunan Besar anuitas berpasangan bentuk diskrit due adalah sebagai berikut: 14 a32.679..207.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 0.3:15 9.240.38 80. v 0 0 p32. manfaat proteksi kematian dan proteksi pendidikan diperoleh apabila pemegang polis membayar premi tanpa biaya sebesar Rp.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.679. 3.) 434.3:15 32. k 3.48 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 .9.34 37.3 1 0.12 v k .756 7.3 ..9319 .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.3:15 k 0.932..240.850.1.3:15 a32.592.53 Dengan demikian. v14 14 p32. 13 November 2010 3.3675 Besarnya premi tahunan adalah sebagai berikut: A P A 1 1 32. Besar komisi agen tiap tahun yang harus dibayarkan oleh perusahaan adalah : Tabel 3.53 yang pembayarannya dilakukan 12 kali secara kontinu di awal tahun. 9.3 7.3 .710.76 552.755.592.72 yang dibayarkan sekaligus di awal kontrak asuransi atau sebesar Rp.1.8025 v1 1 p32. k p32.

1.726 Premi Bersih Tahunan dengan Biaya (Rp.821.240.525 dan ketiga adalah Rp.875 1.3 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.) Biaya (Rp.437.1.311.525 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.750 925.764.1.303 Berdasarkan tabel 3.) 1.592 1.563 1.321. 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. 1.240.240.) 0 1 2 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.764 1.3 Tabel 3.186 1. Dengan cara yang sama maka akan diperoleh hasil perhitungan premi untuk usia penerima manfaat dari 0 sampai 4 tahun seperti yang ditampilkan pada Tabel 3.509 1.437.399.00.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.116.002.303.278. Hasilnya dapat dilihat pada Tabel 3.4.184.621.) 1. Jika dihitung premi bersih tahunan dengan biaya yang tetap selama tiga tahun pertama maka nilainya adalah sebesar Rp. Manajemen Risiko di Bidang Perbankan dan Asuransi | 72 .592 1.110.674.592 1. 13 November 2010 Tabel 3.278.240.800 1.592 1.070.580 1. premi bersih tahunan dengan biaya tahun kedua Rp.2 di atas diketahui bahwa besar premi bersih tahunan dengan biaya tahun pertama adalah Rp.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.321.

920.522.994 Berdasarkan Tabel 3.727.150.049 1.223 7.506 -1.485 2.164.066.645.932 1.081 2.470 6.424.521.140 1. Sedangkan Tabel 3.178.648 1.075 6.061.079.465.357 4.284 7.663 -1.360 5. Manajemen Risiko di Bidang Perbankan dan Asuransi | 73 .236.495.070 794.126.280.230 456.352 -314.272.449 1.926.032.957.050.154.136 922.065.096 4.236 4.646 -455.817.680.888 775.990.931.939.097 4.527 1.424 6.732 5.581.069 3.472.086 -1.026 -1.178 1.575.712.870 7.231 5.273 -1.379.147 2.279.047.672.274 1.544.015 1.439 -1.891 5.904 -1.209 2.106.732 3.057.803.940 4.762 3.860. Prestasi Modifikasi Berdasarkan Masa Asuransi dan Usia Penerima manfaat (satuan Rp) y=0 y=1 y=2 y=3 y=4 -1.530 5.225 6.585 6.747 4.663.709.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.108 5.243 1.037 -797.624.892 -1.976.557.076 1.014.105.239 -1.956 2.215.337 8.418 2.468.427.141 2.712.729.753.356 9.209.4 di atas memberi hasil bahwa besar cadangan Beasiswa Berpasangan Modifikasi selama tiga tahun pertama dengan menggunakan metode Ohio bernilai negatif.455.631.356.129 3.024.072 -991. 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.137 1.203.538.341 2.381 4.306 1.531 6.401.439.160.516.825 8.448.561 661.049 5.112.358.963 2.4 Besar Cadangan Premi Asuransi pada Produk Beasiswa Berpasangan Modifikasi Cadangan JS.780.686 7. Sedangkan premi bersih tahunan dengan biaya untuk tiga tahun pertama lebih tinggi jika dibandingkan premi bersih tahunan tanpa biaya.583 -737.493.770.176 7.854 1.036 3.221 2.312 4.142.390 3.3 diketahui bahwa semakin lama masa asuransinya maka harga preminya akan semakin tinggi. 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 3.462 8.787 4.640 6.042.098 4.821 2.865.899 3.

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

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

Agar dapat diketahui sampai sejauh mana investor bisa berinvestasi dengan aman. maka return indeks j yang diperoleh adalah: I jt ln H jt H j (t 1) (2) 2. 2.2 Model GARCH Bila I jt adalah variabel acak dari return indeks ke. Risiko adalah besarnya penyimpangan antara tingkat pengembalian yang diharapkan (expected return) dengan tingkat pengembalian aktual (actual return) (Halim. Sama halnya dengan penghitungan return untuk saham tunggal. Volatilitas suatu saham merupakan suatu ukuran dari ketidakpastian tentang pengembalian yang disediakan.t dan ke. 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 . Kombinasi berbagai sekuritas dalam investasi tersebut dinamakan portofolio.t 1 adalah sebesar H jt dan H j (t 1) . Bila harga saham i pada hari ke. Untuk menyederhanakan analisis dalam menentukan portofolio yang optimal maka akan digunakan model indeks. Memegang portofolio adalah bagian dari investasi dan strategi dalam membatasi risiko yang disebut dengan diversifikasi. PERUMUSAN MODEL 2. 13 November 2010 I. diperlukan alat ukur untuk mengukur risiko. Tingginya risiko dalam dunia keuangan khususnya dalam pasar modal dapat dipengaruhi oleh tingkat relatif pergerakan naik turunnya saham (volatilitas) yang tajam. at jt t (3) Manajemen Risiko di Bidang Perbankan dan Asuransi | 76 .t dan ke. 2007:55). LATAR BELAKANG MASALAH Pada umumnya hampir semua investasi sekuritas di pasar modal mengandung unsur ketidakpastian atau risiko. tanah) (Ghozali.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Salah satunya yaitu dengan menggunakan Value at Risk (VaR). Untuk mengurangi risiko yang ditanggung.t 1 masing-masing adalah sebesar Pit dan Pi (t 1) . investor dapat menyebar investasinya pada berbagai kesempatan investasi. 2005:2). obligasi) atau aktiva riil (property. 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.j pada waktu t .1 Penghitungan Return Saham Individual dan Return Indeks Return adalah pendapatan yang akan diterima jika kita menginvestasikan uang pada suatu aktiva finansial (saham. 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. Maka return saham i adalah Rit ln P it P ( t 1) i (1) Misalkan indeks j pada saat ke.

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.... q . dengan mengambil ekspektasi dari it persamaan (7) dan berdasarkan sifat pembentukan persamaan bahwa E diperoleh L it i j 1 ij Ijt 0 . N (7) E Rit dan Ijt E I jt . Persamaan (3) dan (4) merupakan persamaan mean dan volatilitas untuk return indeks. p dan j 0 untuk j 1. 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. 0 dengan i 0 untuk i 1. maka return sekuritas i adalah Rit . 2..Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2.j pada waktu t .. Prasetyo & Tjiptono :1996). 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 ..3 Model Indeks Berganda Model indeks berusaha menyederhanakan analisis portofolio serta prosedur analisis untuk menentukan portofolio yang optimal... iL I Lt i i1 I1t i 2 I 2t it Misalkan it . 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 ... i 1. Jika Rit merupakan return sekuritas i pada saat t dan I jt adalah return indeks ke... 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 .. 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..

maka eT w 1 di mana eT i 1 1...Prosiding Seminar Nasional Statistika Universitas Padjadjaran.00 adalah L L 2 ij j 1 2 Ijt 2 i i j 1 ij Ijt VaRi z1 (13) 2.1 adalah vektor identitas. 2. j 1. Dengan demikian Value at Risk untuk saham individual berdasarkan model indeks berganda dengan asumsi besar investasi sebesar Rp...1997). j 1. i.6 Optimisasi Portofolio Asumsikan bahwa vektor nilai ekspektasi adalah μT i ij adalah 1 . dengan E Ri . Asumsikan suatu w1 .1... N ..... N .. i standar deviasi dari return saham i ... wN di mana N wi 1 . 13 November 2010 2.. Value at Risk portofolio untuk tingkat signifikansi kerugian sebesar VaRw z1 w w..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.5 Investasi Portofolio Portofolio adalah sekelompok bentuk investasi (Fabozzi. 2 . jika portofolio memiliki bobot wT i i 1 maka tingkat return portofolio diberikan oleh persamaan (Panjer.... 1999).... 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 1. N . i adalah mean return saham i .. N w 1 portofolio terdiri dari N asset. 1998:373): N Rw i 1 wi Ri (14) Jika mean return saham individual adalah N w i 1 i . Dengan bobot return portofolio wT w1 . dengan Cov Ri ... 2..wN . dan z persentil dari distribusi normal standar untuk tingkat konfidensi . 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 .1. 2. 2. dan matriks kovarians adalah Σ ij . maka mean return portofolio ( 2 w w N ) adalah wi ij wi ij i . w2 ... i. R j . 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. N .

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

AR(1)-GARCH(1.300641 2 t 1 0.078681rt 1 at 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 0.0988I Et 0.372516 2 t 1 t Sementara untuk return kurs nilai tukar Rupiah terhadap Yen. dan Bank Mandiri Tbk. 6 Manajemen Risiko di Bidang Perbankan dan Asuransi | 80 .137021at2 1 0.000 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.000000853 0.280911at2 1 0.00000866 0. akhirnya berdasarkan uji diagnostik menggunakan Eviews 5 diperoleh hasil bahwa model yang cukup baik adalah AR(1)-GARCH(1. juga diperoleh parameter model AR(1)-GARCH(2.1) yaitu: rt 2 t 0.234836at2 2 0. Data harga saham dan data indeks yang digunakan adalah data dalam periode Januari 2005 s. 8 294.0000223 0.2) untuk data kurs nilai tukar Rupiah terhadap Euro.1) yaitu: rt 2 t 0.000262 0. data return indeks dianalisis menggunakan model time series.111341rt 1 at 0.1) yaitu: rt 2 t 0.000 (0.834528 2 t 1 t Untuk return kurs nilai tukar Rupiah terhadap Euro. dan Yen.000000467 0.000578 Variansi 0. US Dollar.34 I It 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. 13 November 2010 Telekomunikasi Indonesia Tbk.0000238 0.478577at2 2 0.104 IYt (0.000) (0.386912at2 1 0.0000608 -0. 002) 0.8 % 304. 000) (0. 28I It 0. Untuk indeks industri data yang digunakan adalah IHSG (Indeks Harga Saham Gabungan). 282) 50. AR(1)-GARCH(2. 400 IUt (0.797) (0.7 % 49. diperoleh parameter model AR(1)GARCH(2. 601) Bt At R2 F pvalue 0. sedangkan untuk indeks ekonomi data yang digunakan adalah kurs nilai tukar Rupiah terhadap Euro.070772rt 1 at 0.1) untuk data kurs nilai tukar Rupiah terhadap US Dollar. diperoleh parameter model AR(1)GARCH(1.000165 1. dan AR(1)-GARCH(2.887) (0.1) untuk data kurs nilai tukar Rupiah terhadap Yen.361I Et 0. Hasilnya diberikan pada Tabel 2 berikut ini Tabel 2 Model Regresi pada Data Return Keempat Saham Saham Astra BRI RAt Model Regresi 0. Untuk return IHSG diperoleh parameter model AR(1)-GARCH(1. Melalui observasi terhadap sejumlah model. 284) (0. 000) RBt 0.094107 rt 1 at 0. 000091 1.000172 0.000677 -0.00000837 0. Desember 2009 yang diperoleh melalui akses internet.2) yaitu: rt 2 t 0.033IUt 0.140811at2 1 0. 0507 IYt (0. Sementara data indeks yang dianalisis meliputi indeks industri dan indeks ekonomi.d.1) untuk data IHSG.563666 2 t 2 t Untuk return kurs nilai tukar Rupiah terhadap US Dollar. Untuk menyelidiki nilai mean dan variansinya.796) (0.

135) 0.1616 . dan invers dari matriks kovariansi adalah sebagai berikut: Persoalan optimisasi dikembangkan berdasarkan (18) dengan menggunakan pengali Lagrange dan teorema Kuhn-Tucker. Komposisi portofolio ini memberikan expected return sebesar 0.1544 .  Untuk toleransi risiko 1 . Manajemen Risiko di Bidang Perbankan dan Asuransi | 81 . Dari hasil forecasting 1 langkah ke depan untuk nilai mean return indeks.38I It Lt (0. 5 0.000 0.0008969 dengan VaR sebesar 0.03525298. Hasilnya diberikan dalam bentuk matriks kovariansi. 276) Mt (0.1794 0. digunakan uji F dan uji t.1521 0. 5160 0. 000) 0. 000352 1. 9 361. 729) 0.02933219.1511 0. 0260 IYt (0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.5050 0.101IYt (0.02932046.936 I It 0.180 I Et (0. Setiap peningkatan nilai toleransi risiko akan menyebabkan kenaikan nilai mean return portofolio yang juga disertai dengan kenaikan Value at Risk portofolio. Dalam kasus ini nilai maksimum toleransi risiko adalah 39. definisikan eT 1 1 1 1 sebagai vektor identitas.02932118.000758 dengan tingkat VaR sebesar 0. Hasilnya penaksirannya diberikan ke dalam bentuk vektor T μ 0. 4941 0. 000) (0. 040) 45. menggunakan persamaan (21) diperoleh vektor bobot portofolio μT 0.541) (0.1823 0. maka selanjutnya dapat diperoleh mean return setiap saham dengan menggunakan formula it . 000634 0. 000279 0. 005) 0. 000825 0. menggunakan persamaan (21) diperoleh vektor bobot T portofolio μ 0.1687 . diperoleh hasil sebagai berikut:  Untuk toleransi risiko 0 . 13 November 2010 Telko m Mandi ri RLt RMt 0.9 % 250. Komposisi portofolio ini memberikan expected return sebesar 0. 200 I Et 0.000764 dengan tingkat VaR sebesar 0. 000864 0. 000947 .8 % 54.1851 0.  Untuk toleransi risiko 2 .149 IUt 0.564) (0. Komposisi portofolio ini memberikan expected return sebesar 0. selanjutnya diestimasi nilai variansi return saham dan kovariansi 2 return antar saham dengan menggunakan formula it dan ijt .575) (0. yaitu μT 0. 20 . Pada prinsipnya besar toleransi risiko masih dapat terus ditingkatkan.1502 0. Lalu disesuaikan dengan jumlah saham yang dianalisis. 075IUt (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. menggunakan persamaan (20) diperoleh vektor bobot portofolio yang menghasilkan VaR minimum. Untuk menguji signifikansi model regresi dan parameternya.000761 dengan tingkat VaR sebesar 0. di mana dihasilkan komposisi portofolio dengan expected return portofolio tertinggi yaitu sebesar 0. dengan syarat bobot portofolio yang dihasilkan bernilai 0 wi 1 . Berdasarkan hasil penaksiran variansi return indeks dan koefisien beta. Dengan menggunakan tingkat signifikansi 5%.

0268093 0.28354 0.29997 0.23241 0.03020969 0.16740 0.65 19.23880 0.0008151 dengan tingkat VaR sebesar 0.50 18.0268111 0.03032304 0.28749 0.03044428 0. model AR(1)-GARCH(1.29946 0.30351 w VaRw w VaRw 0.03040093 0.50 20.00081795 0. Model time series untuk memodelkan mean dan volatilitas return indeks adalah AR(1)-GARCH(1. 4.22928 0.23719 0. KESIMPULAN Return keempat saham yang telah dianalisis memberikan respon terhadap perubahan return indeks.00081630 0.29382 0.23084 0. selanjutnya berdasarkan komposisi portofolio efisien yang menghasilkan mean return dan Value at Risk portofolio dengan rasio terbesar.28763 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.31217 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 17.030401.27962 0.16899 0.03050793 0.03057365 0.23447 0.00081302 0.00081140 0.0268128 0.00 17.0268119 0. model AR(1)-GARCH(2.00 18.30426 0.1) untuk IHSG.00 19.29265 0. Berdasarkan komposisi portofolio efisien yang menghasilkan mean return dan Value at Risk portofolio dengan rasio terbesar.16688 0.030401.2) untuk return kurs nilai tukar Rupiah terhadap Euro. diperoleh portofolio optimal.00081514 0.0008151 dengan tingkat Value at Risk sebesar 0.0268053 0. Manajemen Risiko di Bidang Perbankan dan Asuransi | 82 .1) untuk return kurs nilai tukar Rupiah terhadap US Dollar dan model AR(1)-GARCH(2. 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.03026540 0. diperoleh portofolio optimal yaitu portofolio yang memberikan expected return senilai 0.00081961 0.0268078 Dengan demikian didapatkan hasil bahwa portofolio optimal ialah portofolio yang memberikan expected return 0. 13 November 2010 Gambar 1 Efficient Frontier Portofolio Setelah diperoleh portofolio-portofolio efisien.1) untuk return kurs nilai tukar Rupiah terhadap Yen.16862 0.23559 0.00 0.16793 0.16953 0.29545 0.17006 0.32422 0.31822 0.0268132* 0.00080978 0.

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

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 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

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.

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

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

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

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

vi ˆ (u . v ) p1 i i ˆ (u .vi ) 1 exp 2 1 ( dij / h )2 2 ui . v ) 01 i i 11 i i ˆ (u . v ) ˆ (u . Faktor ini memiliki nilai yang berbeda untuk setiap wilayah dan menunjukkan sifat lokal dari model. 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. vi (7) ke lokasi (uj.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. v ) ˆ (u . Penaksir Parameter dengan Pembobot Geografis Model linier Spatial Multivariat Pada model linier spatial faktor letak geografis merupakan faktor pembobot yang sangat diperhatikan. v ) 21 i i ˆ (u . v ) 2q i i ˆ (u . v ) pq i i dengan menggunakan perkalian Kronecker I q X (matriks identitas berordo qxq) (Christensen. 1991) persamaan (1) dapat dinyatakan dalam bentuk vektor matrik sebagai berikut : Vec Y Iq X Vec B u. maka penaksir ini merupakan penaksir setiap baris dari matrik lokal parameter seluruh lokasi penelitian yang dinyatakan dengan : ˆ (u . v ) 02 i i 12 i i ˆ (u .vj) dan h adalah parameter dengan dij adalah jarak antara lokasi penghalus (bandwidth). v ) ˆ (u . v ) p2 i i (4) ˆ (u . v ) 22 i i ˆ B ui . 13 November 2010 Jika pada model terdapat n lokasi sampel. 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 . Pada penelitian ini jenis pembobot yang digunakan adalah fungsi jarak Gauss (Gaussian Distance Function) yang dinyatakan dengan : w j ( ui . v ) 0q i i 1q i i ˆ (u . Σ In 3.

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

dan 1538 km2. 1600 Km2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Tulung Agung. Blitar. Kali Ngrowo. sedimentasi dan debit DAS konto hulu dengan menggunakan analisis spasial dan bantuan software MATLAB 7. dengan luas aliran sungainya ± 12. Mojokerto. Kabupaten Kediri. Berdasarkan kenyataan di atas maka perlu dilakukan penelitian untuk menganalisa secara tepat besarnya laju erosi. Sungai Brantas mempunyai panjang ± 320 km 2. Pada penelitian ini diambil 62 lokasi penelitian seperti pada gambar di bawah ini : Gambar 1.0 untuk mencari penaksir parameternya. 687 Km2. Hal ini disebabkan karena kapasitas tampungannya terhadap material sedimen pada sungai telah berkurang sehingga material sedimennya terus mengalir ke hilir sungai menuju Waduk Selorejo. DAS Brantas Bagian Tengah. Secara hidrologis wilayah DAS Brantas ini dibagi menjadi 3 bagian.000 km2 (25% wilayah Jawa Timur). Kali Konto dan Kali Widas yang masing-masing mempunyai Daerah Aliran Sungai (DAS) seluas 625 Km2. dan DAS Brantas Bagian Hilir. Anak sungai utama adalah Kali Lesti. C. Peta lokasi penelitian Manajemen Risiko di Bidang Perbankan dan Asuransi | 96 . Kondisi klimatologi didominasi oleh iklim tropis dengan rata-rata hujan tahunan 2000 mm. 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. yaitu : DAS Brantas Bagian Hulu. 2002). Sidoarjo dan Surabaya. 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. Kota Kediri. diantaranya 80% jatuh pada musim hujan (Asdak. Pembahasan Sungai Brantas adalah sungai utama yang airnya mengalir melewati sebagian kota-kota besar di Jawa Timur seperti Batu. Sejak tahun 1990. 13 November 2010 4. mata airnya berasal dari bagian barat daya kaki Pegunungan Arjuno. Malang.

didapatkan nilai CV yang minimum berada pada nilai bandwidth seperti pada tabel 1.v1). i=1. v1 ) Vec Y Penyelesaian persamaan ini dapat diselesaikan dengan menggunakan program Matlab 7.. v1 )X 1 I q XT W(u1 . . Dalam penelitian ini.47212881246337 13 iterasi Y3 1. Jika pembobot yang digunakan adalah fungsi Gauss maka pemilihan bandwidth ini sangatlah penting. Tabel 1. v1 adalah penaksir parameter dilokasi (u1. sebagai berikut : ˆ Vec B u1 .v1). vi ). . Sebaliknya nilai bandwidth yang besar memberikan bentuk fungsi penyelesaian yang sangat mulus (over smoothing)..0 sehingga didapatkan nilai taksiran parameter disemua lokasi (ui. Secara matematis dapat dinyatakan dengan : W(ui . Bandwidth Y1 4.. Dengan menggunakan data hidrologi dan faktor-faktor yang mempengaruhinya.. karena bandwidth merupakan pengontrol keseimbangan antara kesesuaian kurva terhadap data dan kemulusan data. vi ) diag[ w1 (ui . Nilai bandwidth yang sangat kecil akan memberikan bentuk fungsi penyelesaian yang sangat kasar (under smoothing) sehingga variannya cukup besar. Sebagai contoh lokasi (u1.47212865939481 26 iterasi Y2 4. wn (ui .. w2 (ui . v1 Iq XT W(u1 .v1) pembobotnya adalah W(u1.2. Manajemen Risiko di Bidang Perbankan dan Asuransi | 97 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Matrik pembobot ini nantinya digunakan untuk menaksir parameter di semua lokasi. vi )] ˆ Misalkan Vec B u1 .0. pemilihan bandwith optimum diperoleh secara iterasi menggunakan teknik optimalisasi dari program MATLAB 7. Setelah nilai bandwidth didapatkan maka langkah selanjutnya adalahh mencari matrik pembobot di semua lokasi penelitian.v1).. 13 November 2010 Dalam mencari penaksir parameter model linier spatial multivariat ini langkah pertama adalah dengan memasukkan pembobot spasial dalam perhitungannya. 62 (lampiran B). vi ). maka nilai penaksir ini diperolah dengan menggunakan persamaan (10) dan matrik pembobot W(u1.vi).74898920400524 26 iterasi dimana banyaknya iterasi yang diperlukan untuk memperoleh bandwidth optimum dalam proses penaksiran parameter disetiap lokasi tidak sama.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Berdasarkan uji kesesuaian model ternyata terdapat ada pengaruh spasial yang signifikan dari pada model global.9999999999999999965 0. Salah satunya dengan melihat nilai koefisien determinasi model (R2) serta Mean square error (MSE). Tabel 1 : Perbandingan Kesesuaian Model Model Model Global Y1 Y2 Y3 Model Spatial Y1 Y2 Y3 0. 13 November 2010 Untuk melihat model mana yang paling cocok diterapkan pada kasus data ini ada beberapa cara. Sifat lokal parameter yang dihasilkan dari model ini juga mampu menurunkan nilai MSE dari model global menjadi lokal.14 49427 484.454 738. Plot model global dan lokal laju erosi Manajemen Risiko di Bidang Perbankan dan Asuransi | 98 .9999999999999999773 0.0672e-025 8.0116e-027 0.9999999999999999972 1.9665e-026 4. 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 1.317 0. Model ini mampu menjelaskan keragaman laju erosi sebesar 99%.356 0. Suatu model dikatakan lebih baik dari model lain jika nilai koefisien derminasi yang dihasilkan cukup besar dan MSE kecil. sedimentasi sebesar 99% dan debit sebesar 99%.23 R sqr MSE Jika dibandingkan dengan model global maka model spatial merupakan model yang lebih baik digunakan dalam kasus ini.

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

Hidrologi dan Pengelolaan Daerah Aliran Sungai. 2003. Geographical Analysis. 5. Dibanding model global. Tanggal akses 6 Januari 2007. Faktor-faktor morfometri DAS Konto Hulu secara spatial masing-masing mempunyai pengaruh yang signifikan terhadap terjadinya erosi. ternyata model spatial merupakan model yang terbaik. Manajemen Risiko di Bidang Perbankan dan Asuransi | 100 . Atkinson. 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. The Ohio State University. 35.M. 7. Gajah Mada University Press. Model ini mampu menerangkan keragaman variabel respon sebesar 99%. Parameter yang dihasilkan bersifat lokal disetiap titik atau lokasi dimana data tersebut diamati. Kesimpulan Dari hasil pembahasan diatas dapat diperoleh kesimpulan bahwa : 1.. D. German. An Introduction to Spatial Regression Analysis in R. L. 6.sal.E. 2002. P.A. sedimentasi dan peningkatkan debit DAS pada setiap lokasi penelitian.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. No. Yogyakarta. 4 Juni 2010. model linier spatial multivariat dapat digunakan untuk mengatasi data spasial yang tidak stasioner dalam parameter. S. 2. C. Daftar Pustaka Anselin. http://www. 2003.uiuc. Clark. Exploring the Rela-tions Between Riverbank Erosion and Geomorphological Controls Using Geo-graphically Weighted Logistic Regres-sion. Asdak.J.edu/stuff/stuff-sum/pdf/spdepintro. Vol.. 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. 1. dan M.pdf. Sear. 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.

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

386 2.459 293.957 15.7077 3.5421 1.9232 29.4525 4853.25 658.405 2.5747 31.0291 2.816 0.869 3.2725 466 355.1485 0.6326 2.248 33.7338 1.6027 19.9939 38.9562 32.7271 3.2634 1.77 227.1386 46.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.0656 1.109 2.9889 1711.75 676 1070.3359 43.294 91.514 43.803 41.172 50.5 328.1 180.25 680.25 485 205 704.6386 2.8073 46. 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 21 168.087 0.6813 44.618 3.927 0.954 74.5849 5 2.811 10.4306 1.6995 27.7962 3429.856 83.529 232.3698 3.5 4557.1759 1106.992 214.8142 5575.2221 14.5129 6939.845 406.1494 4924.2367 1531 10348.147 (ton/jam) 4.761 60.903 4071.7287 10.25 Sedimen Debit (m) 3107.9291 2.1672 18.6182 22.351 209. 13 November 2010 Lampiran A.1571 34.815 40.5626 6159.512 15.575 1.46 226.9047 4.847 178.8364 6.6993 1.0686 Manajemen Risiko di Bidang Perbankan dan Asuransi | 102 .6251 33.75 10506.7894 3.571 222.9025 51.6 127.329 220.8632 5704.9203 20.476 1.3808 774.3076 2.3103 7.5 64.8547 9.7341 6595.701 150.0541 2.229 33.229 2.25 485 287 638.845 50.555 (mm) 395.634 29.2165 7734.9486 Lahan (%) 40.2619 2.895 222.075 43.566 29.1039 37.75 471.257 1.4939 6.3816 5169.904 185.2939 4637.064 218.297 54.571 139.385 400.1708 3.25 20.908 247.2787 Lereng 3.404 80.1746 2.053 140.235 1.962 2.589 222.691 7628.684 176.051 140.75 273 812.398 233.943 110.126 1.8622 (mm/jam) 181.471 44.465 2.5694 4.525 61.93 114.172 222.073 0.484 223.163 (m3/dt) 0.921 51.2264 4669.0185 1.416 0.3186 19.1168 7.374 222.3887 10.9231 5.

7807 30.5 240.5248 14.3214 16.968 85.18 230.818 1.2758 48.7029 49.2807 0.25 645.7186 3986.1973 4112.742 123.4824 4.3542 3.842 41.75 211.2117 45.131 123.545 229.938 54.9675 24.289 81.889 3.8581 0.073 29.87 155.25 180.549 145.5 271.328 1.835 44.858 0.2346 4954.566 265.241 248.5906 39.039 1.1751 26.8649 33.668 73.5 115.1427 5760.091 172.9955 7180.611 98.8641 1.7418 4.1082 3.258 234.6197 45.1005 3465.3499 12.75 446.2797 43.7243 659.1525 52.1741 6947.571 106.0448 2.21 183.4695 4805.933 232.75 17.734 236.8481 53.7269 37.5661 4.5776 244.5845 0.556 32.5 119.349 125.75 432.52 81.6616 3904.5 183.4802 22.0149 4.065 231.1681 32.4519 1.3095 3124.852 227.353 223.8607 3578.19 24.7394 0.7942 85.85 123.244 4.873 2.164 233.1093 5.902 175.25 330 334.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.46 1.601 179.127 97.5303 4.6321 55.5685 54.351 1.5 615 400.522 3110.4922 0.3917 4.75 97.6458 7670.114 109.16 0.996 1.75 582.1786 34.25 410.402 0 1.8677 11.185 141.679 0.0457 3.415 2.9076 2.5 688.666 225.9493 8.358 223.417 222.5 474.0911 17.35 35.3526 42.736 225.671 226.62 35.5633 9.4009 2.866 265.619 226.357 2.2545 7195.539 0.25 134.242 232.298 1.1768 7818.9474 Manajemen Risiko di Bidang Perbankan dan Asuransi | 103 .4777 2233.5453 4.081 20.661 232.87 1.83 2.7031 3.5094 29.05 4.407 114.761 232.655 89.0018 37.3871 102.75 151.4523 4587.1175 15.6059 1847.695 57.4787 2474.1364 2.25 450.5 101.8951 38.9676 20.0401 4.606 6.5609 30.98 150.8868 4913.7114 49.9363 2086.5376 3.7696 7898.481 0.532 225.811 227.0475 6.2623 34. 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 10.75 599.3082 3030.4394 46.7698 4.312 0.9168 60.435 219.3904 3.951 57.3053 20.4238 3.5 436.0274 41.723 228.377 42.6603 2673.6527 3.7859 2.402 42.

116 208.235 123.128 225.172 45.101 68.8092 5117.4165 22.9164 50.2006 3004.489 39.2916 1.7047 0.157 264.5 413 80 13 278.1512 11. 13 November 2010 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 242.4555 24.6409 4337.0353 0.5968 1.148 227.7233 2213.6764 4699.25 5 301.99 233.7513 1.789 225.1894 78.267 0 0 1.7142 Manajemen Risiko di Bidang Perbankan dan Asuransi | 104 .944 235.6851 4.0522 4570.367 66.18 129.1812 342.8272 13.9065 50.807 126.043 55.4038 21.5124 1.964 0.8584 19.0624 11.6919 4.2725 11.243 33.091 240.282 264.75 265.5 1052.4093 8.82 205.792 261.5786 7174.234 63.8713 1.8451 1.191 19.897 225.681 230.8034 1.2289 1.6115 3.6173 43.923 230.619 228.1258 2.5696 7844.8246 19.2082 1.537 0.594 74.75 100.415 47.9919 4773.418 6.898 64.435 224.2054 6047.9023 392.0099 6326.238 62.9004 37.323 29.605 44.3042 1.5274 8.7266 27.8013 3.803 231.8227 4.614 2.0612 1.615 1.352 1.7375 27.2758 3.368 141.2321 27.458 121.6391 7234.75 260 776.5 236 768.5981 3.05 186.25 4546.5423 18.5 410.8041 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.6894 1.6561 25.

69E-07 2.0064 0.51E-06 1.000161 0.82E-08 1.04E-08 1.74E-07 1E-05 2.63E-05 0.1E-08 2.06328 192.001402 0.43E-06 4.17E-06 Manajemen Risiko di Bidang Perbankan dan Asuransi | 105 .15E-05 5.03E-07 2.71E-06 1.000644 0.31E-07 4.000332 0.15E-07 1.67E-06 2.62E-08 2E-06 4.73E-05 5.1E-05 3.010294 -0.51E-07 1.004773 0.45E-05 0.01E-06 2.03741 0.000559 0.39E-05 4.13E-05 0.003877 7.92E-06 0.19E-05 3.27E-08 1.15E-07 7.81E-05 0.018059 0.18E-05 3.000586 0.84308 0.000137 6E-06 7.51E-05 1.91E-06 0.000641 0.05E-08 5.68E-05 0.000209 5.00298 -0.017005 0.34E-07 4.16E-06 1.000746 0.23E-06 9.92E-07 5.000108 5.68E-06 1.44E-07 1.84E-05 5.004412 0.94E-06 4.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.13E-05 1.023852 0.90396 3.92E-06 1.000712 1.59E-05 6.11E-05 8.44E-05 2.030087 0.03021 0.86E-06 6.07E-07 7.71E-06 6.91E-05 3.79E-06 0.4358 0.55E-07 4.78E-06 1.001916 0.56308 -28.27E-06 0. Penaksir Parameter beta Global laju erosi (Y1) Sedimentasi (Y2) Debit (Y3) 64. 13 November 2010 Lampiran B.15E-08 3.17E-06 3.54E-05 2.1E-07 1.91E-08 1.04E-05 2.41E-07 2.41E-05 1.000596 2.007006 0.27E-05 1.007613 0.04E-05 5.4E-06 2.23E-06 7.37E-06 2.96E-05 6.97E-05 4.78E-05 0.000352 2.37E-06 1.3E-06 6.85E-05 2.000623 0.001263 0.000502 2.3E-06 7.26E-07 8.58E-08 6.43E-06 0.01E-05 8.71E-06 2.45E-06 1.002206 0.35E-05 0.81E-05 7. Penaksir Parameter beta Spatial dari Laju Erosi (Y1) 0 1 2 3 4 5 4.00026 0.48E-06 2.000121 0. Penaksir parameter Beta Global dan Lokal Tabel B1.57E-08 1.03E-07 1.12E-05 4.00295 -0.63E-08 7.0002 8.17E-09 1.87E-06 2.38E-07 1.000427 0.29E-05 0.155162 0.00859 -0.87947 -1.82E-05 0.49542 -6.000155 1.000923 1.51E-07 1.3E-07 1.2193 13.85E-05 2.19E-07 8.000438 0.94E-06 8.005244 0.000351 2.000654 1E-05 0.98E-06 1.55E-05 9.000273 0.000882 0.43E-07 5.31E-06 5.36E-05 2.36E-06 7.39E-07 2.73E-05 9.0918 30.29E-06 3.1E-07 3.54E-05 6.000175 4.93E-08 2.61E-05 1.000441 1.02922 0.17E-07 1.33E-05 7.000174 0.54E-07 1.13E-05 3.035811 Tabel B2.

009619 0.002314 6.06E-08 7.000113 0.84E-08 2.53E-07 5.63E-06 3E-05 7.86E-05 2.00057 0.81E-06 3.009871 0 0 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.76E-05 2.11E-08 1.82E-08 1.39E-05 1.000177 0.015727 0.25E-06 4.05E-08 7.005403 0.000138 0.000112 9.1E-06 2.02E-05 4.00166 0.78E-06 0.000235 0.028429 0.62E-08 0 4.12E-07 0.19E-06 0.96E-08 7.48E-06 0 0 3.000179 0.92E-08 2.62E-05 0.91E-06 2.43E-07 1.000137 0 0 2.74E-08 4.67E-05 0 0 5.53E-06 0 1.000304 0.000298 0.41E-07 2. 13 November 2010 3.000231 0.08E-05 0.31E-05 1.000128 2.79E-08 7.00041 2.53E-05 1.95E-05 0.36E-05 1.17E-06 0.016686 1.13E-05 1.42E-06 6.5E-05 0.73E-07 1.21E-06 3E-06 2.001226 2.11E-05 1.46E-07 1.000303 3.31E-05 0.98E-08 7.85E-05 0.96E-06 1.000525 0.000815 0.85E-05 3.4E-05 1.41E-06 3.002495 5.92E-06 9.67E-08 1.000754 1.85E-06 3.000116 0.004219 0.93E-06 2.000228 3.0023 0.69E-07 3.75E-06 2.08E-07 2.000562 0 0 1.000162 Manajemen Risiko di Bidang Perbankan dan Asuransi | 106 .85E-06 6.17E-06 4.88E-07 6.002918 2.71E-09 4.82E-08 3.000246 0.37E-06 0.006281 0.62E-06 0.66E-06 0.77E-05 1.61E-06 5.99E-06 0.000649 0.29E-06 0 6.050135 0.000332 0 0.75E-05 0.73E-05 2.3E-06 0.88E-05 0.000245 6.9E-07 2.009443 2.16E-06 0 0 2.85E-08 5.64E-05 1.53E-07 1.97E-05 7.66E-06 5.6E-06 1.00079 0.019911 0.000422 3.17E-08 8.11E-07 1.084017 4.24E-06 0.8E-07 9.05E-05 9.043695 0.48E-06 5.000719 0.19E-06 4.013633 0.27E-06 2.7E-05 0.000217 0.69E-07 3.04E-09 3.01E-05 1.28E-08 5.000139 0.38E-06 3.36E-07 0 1.48E-05 4.001141 8.11E-06 1.32E-05 4.0129 0.010518 0.7E-06 1.13E-05 4.013765 1.001193 0.000239 0.95E-06 0.14E-06 2.62E-06 8.27E-06 2.64E-06 1.08E-08 9.09E-07 5.08E-07 2.000179 0.61E-06 0.08E-05 0 2.000274 3.61E-08 2.1E-05 0.000793 2.73E-06 8.000385 0.35E-05 8.005822 0.02E-06 1.99E-06 0.32E-05 1.000513 0.33E-07 1.71E-07 1.000701 3.000115 0.00038 0.66E-06 6.000668 0.000346 0.56E-07 7.91E-07 2.000728 0.

00509 0.000535 0.222391 0.003897 0.00489 0.011671 0.34E-05 4.8E-06 0.34E-05 3.03352 0.05936 0.64E-05 8.029709 0.81E-06 3.003113 0.67E-06 2.028873 0.002078 0.000682 0.08E-05 1.91E-05 0.016017 8.87E-06 6.000359 0.00068 0.001156 0.003076 0.46E-06 3.004969 0.00036 0.000234 0.78E-06 5.34E-06 2.004009 0.31E-05 3.005371 0.22E-05 0.002201 0.000618 Manajemen Risiko di Bidang Perbankan dan Asuransi | 107 .000354 0.000166 5.05E-05 0.000485 2.000312 0.03E-06 6.071817 0.000363 0.45E-05 3.002017 1E-04 0.001838 0.11E-05 0.031228 0.014245 0.35E-05 1.25E-05 1.036571 0.77E-06 4.09E-05 1.098224 0.22E-05 8.001221 0.002545 0.000214 0.41E-05 6.004094 0.001157 0.000455 0.000121 0.003532 0.01E-05 7.008902 0.00081 0.001113 0.001012 0.042827 0.63E-06 1.00771 0.003057 0.076312 0.000768 0.000353 0.002258 0.028704 0.031974 0.001911 0.002806 0.09E-05 7.000779 0.28E-06 1.000129 6.001955 0.072149 0.074442 0.000679 3.74E-06 9.004118 0.91E-05 1.07E-05 0.000805 0.333657 0.002395 0.91E-05 1.000541 4.000344 0.010826 0.98E-05 3.28E-06 2.34E-05 2.035107 0.000285 0.004264 0.000255 0.003096 0.000102 0.00237 0.19E-06 1.085131 0.32E-06 3.000254 9.001224 0.038344 0.66E-05 1.00148 0.000523 0.002719 0.004231 0.001229 0.000123 0.028994 0.00832 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.52E-05 3.67E-06 9. 13 November 2010 Tabel B3.002741 0.003017 0.54E-06 9.31E-05 9.046934 0.030279 0.012875 0.25E-05 2.000952 0.000382 9.001655 0.006127 0.64E-06 5.000201 4.000223 0.006301 0.31E-05 0.61E-06 0.031471 0.002112 0.003194 0.000507 0.024882 0. Penaksir Parameter beta Spatial dari Sedimentasi (Y2) 0 1 2 3 4 5 4.000402 0.016242 0.023935 0.36E-06 0.00079 0.9E-05 3.00018 0.086998 0.055187 0.0311 0.046183 0.002198 8.000465 0.0002 0.08E-06 1.6E-05 6.88E-05 1.001005 0.28E-06 0.000145 0.49E-05 7.001961 7.021041 0.07E-05 1.002058 0.31E-05 0.000142 0.006845 0.39E-05 0.024435 0.000206 6.000772 0.94E-06 4.054436 0.54E-06 1.000968 0.000238 0.98E-05 1.028912 0.22E-05 0.004002 0.25E-05 0.12642 0.1E-05 1.75E-05 0.001399 0.0489 0.84E-05 3.4E-05 8.84E-05 1.4E-06 4.003809 0.09E-05 1.007386 0.004545 0.66E-06 1.00105 0.92E-05 2.001073 0.99E-06 3.59E-06 1.59E-05 4.000204 8.002741 6.000954 0.029651 0.002741 0.000165 0.080958 0.07E-05 3.34566 0.049735 0.

001644 0.003691 0.046231 0.056936 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.000587 Manajemen Risiko di Bidang Perbankan dan Asuransi | 108 .00299 0.17E-05 6.35E-05 4.000463 1.051397 0.00631 0.00343 0.001678 4.68E-06 4.001126 0.000191 0.000235 0.99E-05 5.044325 0.005854 0.00564 0.001137 0.8E-06 1.002705 0.49E-05 0.037962 0.119885 0.000602 0.000855 0.05065 0.000146 0.83E-06 3.000594 0.000761 0.002319 0.017799 0.010234 0.001461 0.050477 0.0031 0.002596 0.11E-05 1.116201 0.18E-05 2.01E-05 1.00279 0.000491 0.033372 0.094418 0.08E-05 1.139181 0.000173 0.049954 0.000911 1.000172 9.003009 1.79E-06 1.000272 9.02871 0.63E-05 0.059407 0.000241 0.28E-06 3.1E-05 2.051005 0.008392 0.000473 0.1E-05 6.001909 0.99E-05 1.31E-05 2.000596 0.06E-05 0.034992 0.003555 0.004174 0.000872 0.002057 0.033189 0.000272 0.000242 0.000706 0.002166 0.52E-05 3.08E-05 0.000327 0.4E-05 1.59E-06 6.000364 0.034393 0.001384 0.000634 0.001585 0.66E-06 2.019973 0.002902 0.002814 0.004894 0.09E-05 9.000591 0.062585 0.35764 0.75E-05 4.002493 0.57E-05 0.18E-06 2.001667 0.97E-06 8.004295 0.11421 0.66E-06 1.001909 0.51E-06 9.005781 0.68E-05 2.000201 0.046906 0.00134 0.002958 0.57E-05 4.26E-05 0.000441 0.028455 0.00205 0. 13 November 2010 0.01184 0.030095 0.1E-05 6.82E-05 1.49E-05 1.45E-05 0.006348 0.8E-05 2.002008 0.074715 0.12E-05 5.53E-06 9.000511 0.000211 5.000199 1.000155 0.575059 0.06E-05 5.57E-05 0.002819 0.

3E-08 4.000128 0.46E-05 4.19E-06 0.53E-06 4.26E-07 1.18E-07 8.11E-07 3.62E-05 9.006916 0.00242 2.85E-05 1.94E-05 0.33E-05 0.001165 5.002259 0.89E-07 2.83E-05 3.44E-07 1.000414 1.000765 0.67E-07 1.18E-05 2.05E-07 7.05E-06 3.78E-05 1.9E-05 3.000571 0.03E-06 4.92E-05 0.83E-06 3.14E-07 3.000308 0.33E-08 8.25E-06 9.28E-07 1.29E-05 5.32E-05 0.001507 0.69E-06 9E-06 1.93E-05 0.62E-05 0.47E-06 1.63E-06 2.88E-06 2.73E-08 1.56E-05 0.79E-07 1.9E-05 5.48E-06 3.03E-06 2.65E-08 7.45E-06 1.88E-06 0.000734 0. Penaksir Parameter beta Spatial dari Debit (Y3) 0 1 2 3 4 5 9.010486 0.77E-07 2.003684 0.000202 0.89E-06 1.88E-06 1.014878 0.001008 4.94E-07 8.000147 1.000397 0.57E-06 0.62E-07 0.12E-07 1.000102 0.03E-05 1.000363 0.15E-08 7.27E-06 1.22E-07 5.001235 0.11E-06 1.21E-06 0.83E-06 1.98E-05 1.001197 0.000566 7.003066 0.55E-06 7.25E-06 2.32E-07 2.3E-06 6. 13 November 2010 Tabel B4.2E-05 2.65E-06 6.000328 0.22E-06 3.000616 0.53E-05 1.59E-08 5.000173 0.004481 4.39E-06 4.54E-07 1.1E-06 1.86E-07 1.72E-06 3.24E-05 0.00018 3.82E-05 8.05E-05 0.27E-08 2.44E-07 2.000227 0.19E-07 2E-07 1.86E-05 0.67E-06 3.000457 0.42E-05 2.75E-08 8.83E-06 1.56E-08 5.03E-05 2.000266 0.62E-07 2.000601 0.000244 6.010147 0.9E-08 9.0002 2.93E-06 1.03E-05 8.000302 1.31E-06 5.73E-08 3.03E-05 0.54E-06 9.35E-06 2.55E-07 6.49E-08 6.51E-05 8.00047 4.000474 1.48E-08 2.11E-08 3.002283 0.67E-05 4.55E-06 1.000264 0.18E-05 1.85E-06 5.37E-05 1.000505 0.00102 4.000287 0.94E-05 0.58E-05 2.12E-06 2.85E-08 5.051353 0.01592 0.08E-06 1.04E-05 1.07E-07 2.000867 0.00016 8.8E-05 2.56E-05 4.000427 0.000648 0.23E-06 8.57E-06 2.91E-05 0.07E-08 4.09E-06 1.3E-05 0.000226 0.38E-05 9.03E-05 0.08E-07 5.56E-07 2.18E-06 0.00034 Manajemen Risiko di Bidang Perbankan dan Asuransi | 109 .76E-07 1.09E-06 1.84E-05 9.004393 0.023097 0.000424 9.000129 2.000764 0.000602 2.000145 1.012835 0.000604 0.000558 0.32E-07 0.84E-05 0.85E-06 7.000231 1.005549 0.24E-05 1.27E-07 2.64E-07 7.0006 5.000219 0.000722 0.76E-06 7.15E-05 4.96E-07 5.84E-08 4.002744 0.0006 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.05E-06 2.57E-05 3.95E-06 3.017094 4.16E-06 4.63E-05 2.000104 1.05E-08 7.3E-06 0.87E-05 3.1E-06 8.75E-06 2.5E-05 2.000454 0.83E-07 7.52E-06 5.87E-08 8.001982 0.052236 0.

015428 0.18E-07 1.59E-08 6.00171 1.44E-06 1.25E-07 3.68E-06 0.000124 0.003792 0.47E-05 0.000687 0.29E-07 0.87E-05 3.53E-07 7.001443 5.29E-05 0.26E-06 6.000127 0.000171 0.00042 0.25E-05 3.00368 0.91E-06 9.47E-06 5.005412 0.25E-07 1.1E-07 1.26E-07 2.000321 0.4E-07 2.1E-05 0.62E-07 3.000801 1.34E-05 0.068186 0.000146 2.03E-05 0.75E-05 3.19E-05 6.49E-06 8.000337 9.001438 4.149354 0.77E-08 2.027297 0.07E-06 3.023073 0.86E-05 9.79E-07 2.000134 0. 13 November 2010 0.15E-06 1.001325 2.76E-05 9.97E-06 0.005738 2.92E-05 Manajemen Risiko di Bidang Perbankan dan Asuransi | 110 .66E-05 0.32E-08 6.99E-08 8.032299 0.48E-05 1.38E-05 0.02E-06 2.66E-05 0.92E-06 1.000448 3.000682 0.57E-05 0.5E-08 4.000226 1.56E-06 4.41E-06 1.02E-06 0.28E-07 3.74E-06 3.18E-06 1.04E-08 3.003709 0.002404 1.2E-07 6.008427 0.000252 9.16E-07 1.67E-05 3.66E-06 0.31E-06 1.69E-05 2.000521 0.57E-08 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.31E-05 7.06E-06 2.000534 1.18E-06 1.004582 5.000357 0.73E-05 3.04E-05 3.93E-07 1.62E-05 2.28E-07 0.69E-06 1.87E-08 1.39E-06 2.001271 0.88E-08 1.31E-05 0.88E-05 5.33E-05 0.000516 3.39E-05 0.000126 2.000147 0.89E-06 8.64E-08 3.02E-07 3.09E-06 3.000858 0.25E-05 2.002484 0.00057 0.000539 0.0017 4.000574 6.000303 4.00022 0.22E-06 2.78E-05 0.16E-05 8.000234 0.78E-06 1.049611 0.01E-08 1.003393 9.000348 0.93E-08 1.002257 0.003961 0.000174 5.8E-06 9.49E-07 6.68E-06 4.36E-05 0.31E-06 9.06E-06 3.

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

Berdasarkan hal di atas. PENDAHULUAN Kabupaten Ogan Ilir (OI) mempunyai 16 kecamatan dengan beberapa diantaranya adalah hasil pemekaran. diharapkan dapat memberikan informasi untuk menentukan kebijakan yang berkaitan dengan faktor-faktor yang berisiko pada putus Manajemen Risiko di Bidang Perbankan dan Asuransi | 112 . Selain itu. Sebagai kecamatan-kecamatan yang baru. yaitu menurunkan angka kemiskinan hingga 7. karakteristik wilayah antar kecamatan hasil pemekaran yang saling berbeda. Selain terbatasnya sarana dan prasarana pendidikan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Salah satu metode yang dapat digunakan untuk mendapatkan pemetaan tersebut adalah Analisis Biplot.5 %. Sehingga diperoleh pemetaan dalam bentuk grafik yang lebih menarik dan mudah diinterpretasikan. Sehingga perbedaan karakteristik wilayah ini perlu dianalisis untuk mendapatkan pemetaan karakteristik putus sekolah pendidikan dasar masyarakat miskin antar wilayah Kecamatan di Kabupaten Ogan Ilir. terlihat bahwa tingkat partisipasi sekolah.8%) dan Nasional (16. masih menjadi masalah yang perlu diperhatikan terutama pada masyarakat miskin di Kabupaten Ogan Ilir untuk masing-masing kecamatan hasil pemekaran. melalui pemetaan karakteristik antar kecamatan berdasarkan faktor-faktor yang berkaitan dengan putus sekolah. Dengan demikian. merupakan faktor yang menyebabkan karakteristik putus sekolah pendidikan dasar antar kecamatan berbeda-beda.66%) serta sangat jauh dengan capaian pembangunan milenium (Millenium Development Goals .45% masih di atas Palembang (16. untuk masing-masing kecamatan di wilyah Kabupaten OI masih memiliki jumlah penduduk miskin yang relatif cukup besar. 13 November 2010 A. 2007) menunjukan bahwa proporsi populasi dibawah garis kemiskinan Kabupaten OI sebesar 19. hasil pemekaran. Kemiskinan sebagai salah satu penyebab putus sekolah (Supriadi dalam Cahyawati 2007) dapat merupakan faktor penyebab masalah rendahnya partisipasi sekolah pendidikan dasar. Data Badan Perencanaan dan Pembangunan Nasional (Bappenas. Metode ini menganalisis peubah-peubah yang berkaitan dengan objek pengamatan. yang terkait dengan masalah putus sekolah. salah satunya yaitu masih terbatasnya akses atas sarana dan prasarana termasuk pada bidang pendidikan. masingmasing wilayah ini masih memiliki tantangan dalam pembangunannya. menampilkannya dalam grafik pada suatu bidang datar.MDGs) yang harus tercapai pada tahun 2015.

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

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

Teknik pengambilan sampel yang digunakan adalah teknik pengambilan sampel acak klaster (cluster random sampling). yaitu: No 1 Kecamatan Asal Indralaya Hasil Pemekaran 1. 3. dari setiap desa diambil dua Rukun Tangga (RT) secara acak sehingga diperoleh 64 RT sebagai wilayah penelitian. 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. 1. 2. Dimana terdapat 16 kecamatan di Kabupaten OI. 1. 2. dari setiap kecamatan diambil dua desa secara acak sehingga diperoleh 32 desa. 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. 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 . 2. Artinya. 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 3. 3. terdiri dari 16 kecamatan. 13 November 2010 berkaitan dengan karakteristik Putus Sekolah Pendidikan Dasar dan Kondisi Sosial Ekonomi Keluarga. 3. 1. 2.

53 89. Tabel 4.47 36.53 89. 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: 1.79 32.55 20. HASIL DAN PEMBAHASAN Berdasarkan hasil survei. dimana L1 A ' 4. Menginterpretasikan hasil biplot yang menggambarkan kemiripan masing-masing kecamatan berdasarkan peubah atau karakteristik yang diamati.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.35 10. 5.82 85.29 2.50 34. 13 November 2010 6 Rantau Alai 1.90 3.43 61. Mencari matriks G dengan G UL ' UL dan H 1 dan matriks H dengan L1 A ' 0 . Rantau Alai 2.23 8. 6. Mencari akar ciri dan vektor ciri x dari matriks R. Menbuat kesimpulan hasil penelitian D.00 3.94 34. sehingga menghasilkan pemetaan antar wilayah Kecamatan di Kabupaten Ogan Ilir berdasarkan karakteristik putus sekolah pendidikan dasar.47 15.24 30.29 36. Membuat tabel data karakteristik putus sekolah pendidikan dasar untuk masingmasing kecamatan dalam bentuk baris dan kolom.11. 3. data masing-masing kecamatan dengan karakteristik putus sekolah pendidikan dasar masyarakat miskin untuk masing-masing Kecamatan di Kabupaten Ogan Ilir dapat dilihat pada Tabel 4.00 X4 X5 X6 X7 10.64 3.24 Manajemen Risiko di Bidang Perbankan dan Asuransi | 116 . Memplotkan matriks G dan H dalam satu grafik berdimensi dua (biplot). 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 0.68 63.11 . 2.

70 75.77 88.92 81.91 85.28 64.86 37.96 90.95 34.08 16.03 32.12 87.48 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 4.90 4.89 5.19 3.00 88.82 87.12 32.50 34. Manajemen Risiko di Bidang Perbankan dan Asuransi | 117 .82 33.57 18. X 7 tersebut.73 12.00 3.18 Pemulutan Selatan 12.00 80.05 80.29 32.82 88.96 68.71 3.13 9.63 33.90 47.18 3.63 11.30 93.62 12.77 33.25 35.53 27.78 35.00 12.10 34.75 6. 13 November 2010 4 5 6 7 8 9 10 11 12 13 14 15 16 Pemulutan Pemulutan Barat 8.67 4.71 33.00 77.10 3. kemudian nilai-nilai akar ciri dari matriks korelasi R dapat dilihat pada Tabel 4.92 34.89 34.95 11.13 33.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.24 8.11 91.57 66.14 33.22 33.00 4.43 62.88 33.24 31.81 61.16 34.28 33.37 3.91 32.27 2.74 34.95 52.37 11.00 33.88 12.40 34.68 11.24 31.24 19.68 Tanjung Batu Payaraman Tanjung Raja Sungai Pinang Rantau Panjang Muara Kuang Rambang Kuang Lubuk Keliat Rantau Alai Kandis 15.91 3.38 3.13.86 77.27 3.12 84.45 68.00 3.11 tersebut merupakan elemen-elemen matriks data Berdasarkan matriks data 16 16 X7 .19 8.41 5.76 76.23 88.00 2.96 34. dapat dihitung matriks korelasi R antar peubah karakteristik putus sekolah pendidikan dasar.68 5.

65 100.61 dengan keragaman yang dapat dijelaskan oleh satu KU tersebut sebesar 51.41 95.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.85 0.79 99. sehingga kedua KU ini menerangkan data asal sebesar 79.13.61 1.15 berikut. Dua Vektor Ciri Pertama dari Matriks Korelasi Vektor Ciri Peubah I X1 X2 0. Nilai-Nilai Akar Ciri dari Matriks Korelasi R Akar Ciri Kumulatif Komponen Total (%) 1 2 3 4 5 6 7 3. berarti ada dua komponen utama (KU) yang digunakan sebagi peubah baru.58 90.001 -0.35 51.13. Nilai akar ciri untuk komponen utama kedua (KU II) sebesar 1. 13 November 2010 Tabel 4.02 51. jika digunakan dua nilai akar ciri terbesar pertama.20 0.96 dengan keragaman yang bisa dijelaskan sebesar 27.98%.83 5. 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.76 0. Maka.39 0.00 Keragaman (%) Berdasarkan Tabel 4.98 10.60 79.256 -0.15.60% .86 0.60 27. Tabel 4.96 0.53 2.253 II 0.94 98. diperoleh informasi bahwa nilai akar ciri pada komponen utama pertama (KU I) sebesar 3.054 Manajemen Risiko di Bidang Perbankan dan Asuransi | 118 .58%.06 0. Nilai-nilai vektor ciri dari matriks korelasi R dapat dilihat pada Tabel 4.

merupakan elemen-elemen matriks 7H2.495 -0. yaitu nilai-nilai koefisien dua komponen utama (KU) untuk masing-masing peubah asal.912 0.690 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.191 0.926 -0.233 -0.14.001 -0.019 0.042 0.151 0.828 II 0.970 -0. yaitu: Manajemen Risiko di Bidang Perbankan dan Asuransi | 119 .14 Tabel 4.050 0. Nilai-nilai Korelasi Peubah Asal dengan KU Komponen Utama (KU) Peubah I X1 X2 X3 X4 X5 X6 X7 0. merupakan elemen matriks dua vektor ciri 7A2 dengan tujuh peubah asal karakteristik putus sekolah dan dua peubah baru KU. Sehingga didapat kombinasi linear peubah asal untuk peubah baru KU. Peubah baru yang dihasilkan memiliki korelasi dengan peubah asal.14.474 0. Nilai masingmasing koefisien korelasi peubah asal terhadap peubah baru dapat dilihat pada Tabel 4.928 0.229 -0.010 0.841 -0.118 Nilai-nilai Tabel 4.181 0.107 -0.154 0.231 Nilai-nilai Tabel 4.302 0.15. 13 November 2010 X3 X4 X5 X6 X7 0.

04 -1.16.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.73 -0.019X6 + 0.928X4 + 0.0.55 0. Dua skor KU yang diperoleh untuk masing-masing Kecamatan di Kabupaten Ogan Ilir dapat dilihat pada tabel 4.68 -1.43 0.181X4 + 0.912X2 + 0.06 -2.06 -0.24 -0.45 Skor KU II 2.001X1.23 0. Tabel 4.19 -0.841X3 – 0.98 -0.32 0.926X1 – 0.30 0. 13 November 2010 KU1 = 0.16.302X3 + 0.45 -0.29 0.18 1.151X5 + 0.84 -0.107X2 .97X5 – 0.61 -0.69X6 + 0.91 Manajemen Risiko di Bidang Perbankan dan Asuransi | 120 .99 2.31 -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 -0.74 -0.16 0.11 -0.50 0.828X7 KU2 = 0.0.30 0.29 -0.63 0.81 0.98 -0.03 0.

yaitu 16 kecamatan.00000 -1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. merupakan elemen-elemen matriks 16G2 yang unsur-unsurnya merupakan titik-titik koordinat yang mewakili masing-masing kecamatan yang berada di Kabbupaten Ogan Ilir.58% dari keseluruhan informasi pada data asal. Selanjutnya hasil Analisis Biplot dapat diinterpretasikan sebagai berikut: 1.00000 2.00000 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 4.6% Gambar 3.00000 0. 13 November 2010 Nilai-nilai Tabel 4. Hasil pemetaan Biplot dapat dilihat pada Gambar 4.00000 KU I 51.00000 3.16.3 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 4.98% Tanjung Raja Indralaya Selatan X2 Pemulutan X4 X5 X7 X6 X1 X3 Payaraman Kandis Tanjung Batu 0.00000 -4. Matriks G dan H masing-masing diplot berdasarkan koordinat masingmasing unsur dari matriks G dan H.00000 Rantau Panjang Rantau Alai Lubuk Keliat Sungai Pinang Pemulutan Selatan Muara Kuang Rambang Kuang Pemulutan Barat Indralaya Utara -2.00000 KU II 27.00000 Indralaya 2. mengenai karakteristik putus sekolah pendidikan dasar untuk masing-masing Kecamatan di Wilayah Kabupaten Ogan Ilir.3. mampu menjelaskan keragaman data sebesar 79. Berdasarkan Kedekatan antar Objek Masing-masing Kecamatan Manajemen Risiko di Bidang Perbankan dan Asuransi | 121 . Dalam Analisis Biplot digunakan penggabungan dua buah matriks.

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

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

Rantau Panjang. dan Persentase Anak yang bekerja sangat tinggi. 2. rantau Alai. Kecamatan Payaraman dan Kecamatan Kandis memiliki kemiripan dalam hal karakteristik jumlah anak yang lebih tinggi.1. Kecamatan Muara Kuang mempunyai karakteristik tingkat Angka Putus Sekolah. Manajemen Risiko di Bidang Perbankan dan Asuransi | 124 . 3.2. E. Indralaya Selatan. Rambang Kuang dan Pemulutan Barat mempunyai kemiripan dalam hal motivasi terhadap sekolah relatif lebih rendah (baik orang tua maupun anak). dan pemulutan memiliki karakteristik hampir mirip berdasarkan Angka Partisipasi Murni yang relatif tinggi. Persentase Pendidikan Kepala Keluarga yang tidak tamat SD. Misalnya Metode Pohon Klasifikasi dan Metode Regresi Logistik. Kecamatan Indralaya mempunyai tingkat motivasi terhadap sekolah yang sangat tinggi. persentase anak yang bekerja dan angka putus sekolah yang relatif tinggi.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 4. Kesimpulan 1. Untuk mendapatkan kesempurnaan dalam penulisan atau penelitian yang akan datang. maka penulis menyarankan untuk menganalisis besarnya faktor-faktor yang mempengaruhi Putus Sekolah pendidikan dasar. serta karakteristik Angka Partisipasi Murni yang relatif rendah. sedangkan Angka Putus Sekolah. 6. 2. Kecamatan Payaraman dan Kecamatan Kandis. Kecamatan Tanjung Raja. Kepada pemerintah Kabupaten Ogan Ilir disarankan agar lebih memperhatikan Kecamatan Muara Kuang. 13 November 2010 E. Kecamatan Pemulutan Selatan. Tanjung Batu. baik Orang Tua maupun Anak 5. Kecamatan Indralaya Utara mempunyai tingkat Motivasi Orang Tua terhadap sekolah yang sangat rendah. Jumlah Anak dalam keluarga dan Persentase Anak yang bekerja relatif lebih rendah. KESIMPULAN DAN SARAN E. Saran 1. karena masyarakat miskin di kecamatan tersebut memiliki Angka Putus Sekolah yang relatif masih tinggi. Lubuk Keliat. Persentase Tingkat Pendidikan Kepala Keluarga yang tidak tamat SD. Sungai Pinang.

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

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

tidak saja mereka miskin dalam kondisi ekonomi. Namun demikian. Karena itu. Sehingga. Pembangunan pendidikan sangat penting peranannya untuk mencapai kemajuan di berbagai bidang kehidupan guna meningkatkan kualitas hidup bangsa Indonesia. dan kelompok masyarakat kaya maupun kelompok masyarakat miskin. Demikian juga untuk partisipasi sekolah tingkat SMP. Meskipun angka ini sudah diatas Provinsi Sumatera Selatan (83. tingginya angka putus sekolah lebih banyak bersumber pada persoalan ekonomi yang berasal dari keluarga miskin. Partisipasi sekolah dasar di Kabupaten Ogan Ilir (OI). kesamaan hak dalam bidang pendidikan ini. 13 November 2010 PENDAHULUAN Salah satu program dalam pembangunan nasional adalah pembangunan pendidikan. tuntas pendidikan bagi semua.2% masih dibawah Provinsi (83.58%) dan Nasional (71. untuk Manajemen Risiko di Bidang Perbankan dan Asuransi | 127 . dapat dilihat juga dari angka partisipasi sekolah pada setiap jenjang pendidikan. mengakibatkan anak menjadi putus sekolah. tetapi menjadi miskin juga dalam pendidikan. Demikian juga menurut data Survei Ekonomi Nasional (Susenas) Tahun 2003. belum dapat tuntas diperoleh bagi semua lapisan. Ketidakmampuan finansial orang tua untuk memenuhi kebutuhan biaya sekolah anak. Hal ini menjadikan keluarga miskin sulit untuk memperbaiki kualitas hidup dan keluar dari kemiskinan. Hal ini dapat dilihat dari masih adanya anak yang putus sekolah pada setiap tahunnya. baru mencapai 71.81%) serta jauh dibawah MDGs (100%). 1994). Salah satu yang mempengaruhi angka partisipasi sekolah adalah masalah putus sekolah. Diperkirakan terdapat satu juta anak yang putus sekolah setiap tahunnya (Republika.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. 5 Februari 2002 dalam Cahyawati. Kesamaan hak ini dimiliki baik oleh masyarakat di perkotaan maupun di pedesaan. Selain dari angka putus sekolah. berdasarkan Badan Perencanaan dan Pembangunan Daerah OI dalam Bappenas (2007) menunjukkan persentase partisipasi sekolah dasar di Kabupaten OI sebesar 90.44%.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. pemerintah berkewajiban untuk memenuhi kesamaan hak setiap warga negara dalam mendapatkan layanan pendidikan. Berbagai telaah yang mengamati masalah pendidikan mengungkapkan bahwa penyebab utama masalah putus sekolah adalah kemiskinan (Supriadi. Dalam hal ini. 2007a).

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

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

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

Prosiding Seminar Nasional Statistika Universitas Padjadjaran.X c Y X Y X 1 c X X X X (5) c : skalar nonstokastik. 0 < c < 1 Karena suku pertama pada Persamaan (4) merupakan jumlah kuadrat penaksir nilai aktual Y dan suku keduanya jumlah kuadrat residu E Y . 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 < < 1 Dapat ditunjukan bahwa T dan 1 Y ET EY X X yang berarti ET 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. sehingga T identik dengan Y . Fungsi kegagalan untuk T jika digunakan sebagai penaksir T sama dengan f T. fungsi kegagalan untuk X jika digunakan sebagai penaksir X dibangun atas kombinasi linier yang diboboti dengan persamaan f X . sehingga fungsi target untuk Y dapat dibangun berdasarkan persamaan T 1 Y EY (6) : skalar nonstokastik.

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

Jika p dan P digunakan sebagai penaksir untuk fungsi target T . 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). ET p Fungsi resiko jika p dan P digunakan sebagai penaksir untuk fungsi target T . 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.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 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 .

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

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

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

Hal ini akan sangat berguna untuk efisiensi algoritma perhitungan indeks XB. perhitungan untuk mendapatkan kelompok ideal akan semakin cepat. indeks XB akan dihitung sebanyak objek yang dikelompokkan. Beberapa penelitian dalam analisis cluster lebih menitikberatkan pada struktur dan metode pengelompokkan yang terus berkembang dari waktu ke waktu. Untuk itu dicoba untuk membatasi banyak kelompok dengan menggunakan proporsi eigen value dari matriks kemiripan (similarity). Kata kunci : analisis pengelompokkan. matriks kemiripan. 1. eigen value. Universitas Padjadjaran Bandung Manajemen Risiko di Bidang Perbankan dan Asuransi |144 . 13 November 2010 (M. Beberapa peneliti memilih banyak kelompok sesuai dengan kebutuhan dalam penelitiannya. similarity. Untuk jumlah objek yang besar. FMIPA. Pendahuluan Analisis Cluster adalah salah satu analisis data eksploratori yang bertujuan untuk menentukan kelompok atau grup dari sekelompok data. banyak kelompok menjadi suatu masalah yang berarti. maka hal ini tidaklah efektif. cluster. 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. Makalah ini selain mengkaji metode pengelompokkan dengan Fuzzy C-means Cluster juga akan memilih banyak kelompok ideal dengan menggunakan indeks XB (Xie dan Beni). Awal mulanya metode ini dikembangkan 1 Staf Pengajar Jurusan Statistika.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2001). Metode terakhir yang sedang diminati adalah Fuzzy C-means Cluster. fuzzy c-means.com ABSTRAK Dalam analisis pengelompokkan (cluster). Dengan membatasi banyak kelompok.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. proporsi. indeks XB.

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

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

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

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

5. 13 November 2010 juga biasa disebut sebagai notasi Landau (Landau notation). khususnya pada deret asimptotik. Manajemen Risiko di Bidang Perbankan dan Asuransi |149 . Beberapa jenis data simulasi dibangkitkan dan dicari banyak pengelompokan optimum menggunakan algoritma lama dan baru. Hasilnya ditampilkan pada Tabel 2. Pada bidang ilmu komputer. Bachman-Landau notation. Pembentukan Fast Algorithm. M: banyak nilai eigen yang jumlahan proporsinya 100%. Tabel 1. notasi ini sangat berguna dalam analisis dari kompleksitas algoritma. k: banyak variable. notasi tersebut biasanya digunakan untuk menjelaskan tahap sisa dari deret tak terhingga. dan apakah algoritma baru yang terbentuk cukup efisien. 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. 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%). Perbandingan Algoritma lama dan baru terdapat pada Tabel 1. Pada bidang matematika. h: banyak iterasi dalam pembentukan kelompok.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Notasi Big-O mempunyai aplikasi pada dua buah bidang. dan notasi asimptotik (Asimptotik notation).

hal ini terlihat dengan nilai Big-O pada fast algorithm yang jauh lebih kecil dari pada old algorithm. Selain itu dengan melakukan pembatasan perulangan. 13 November 2010 Tabel 2. 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. Hal ini membuktikan bahwa pembatasan perulangan pada algoritma FCM dapat dilakukan dengan mencari banyaknya nilai eigen yang membentuk proporsi 100%.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Manajemen Risiko di Bidang Perbankan dan Asuransi |150 . maka algoritma yang tercapai akan lebih efisien.

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

dapat dibentuk sebanyak tujuh klaster perusahaan eksportir dengan karakteristik berbeda tiap klaster. Sekarang ini analisis klaster telah banyak diaplikasikan dalam berbagai bidang yang ditulis dalam berbagai penelitian dan jurnal. sedangkan dalam Fuzzy clustering. 1. Furniture rotan. Fuzzy k-means clustering. Algoritma fuzzy clustering yang digunakan dalam penelitian ini yaitu Fuzzy K-Means Clustering yang merupakan pengembangan dari Hard K-Means Clustering. Melalui indeks Xie dan Benie sebagai validasi. 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 . 13 November 2010 (M. Fuzzy K-Means Clustering ini dilakukan pada 117 perusahaan eksportir furniture rotan di Kabupaten Cirebon. 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.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. Ada beberapa teknik dalam memformulasikan masalah dalam analisis klaster. Pendahuluan Analisis klaster merupakan suatu teknik multivariat dengan tujuan utama mengelompokkan objek-objek berdasarkan karakteristik yang dimiliki.com ABSTRAK Analisis klaster merupakan suatu teknik multivariat dengan tujuan utama mengelompokkan objek-objek berdasarkan karakteristik yang dimiliki. Kata kunci : Analisis klaster. 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. Indeks XB. data dialokasikan ulang secara tegas ke klaster yang mempunyai centroid terdekat dengan data tersebut. Dalam hard clustering. Teori fuzzy.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

Dalam metode non-hierarki ada beberapa teknik dalam memformulasikan masalah. P. diantaranya hard clustering dan fuzzy clustering. Algoritma yang paling terkenal dari fuzzy clustering adalah fuzzy k-means clustering. Perkembangan terakhir dari analisis klaster dengan metode non-hierarki yang sudah banyak ditulis dalam berbagai jurnal dan penelitian adalah fuzzy clustering. 2. Metode clustering ini dilakukan dengan mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai dasar pembobotan terhadap pengelompokkannya (Bezdek 1981).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. pi ) (1) Manajemen Risiko di Bidang Perbankan dan Asuransi |153 . xn ke dalam k klaster dengan meminimumkan fungsi objektif dengan persamaan (1). Fuzzy k-means membagi sebuah set data x1 . 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). data dialokasikan ulang secara tegas ke klaster yang mempunyai centroid terdekat dengan data tersebut. j 1 i 1 k 2 (uij ) m dij (x j . Hard clustering dapat mengelompokkan data yang terpisah jauh.. Dalam hard clustering. dan dikembangkan lebih jauh oleh Bezdek (1981).. 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. pertama kali diperkenalkan oleh Dunn (1973).. 13 November 2010 mengevaluasi kelompok-kelompok yang terbentuk. U. n (k ) J FKM X.. karena pusat klaster dan hasil pengelompokkan tidak berubah jika ada data baru yang ekstrim. Salah satu teknik pengklasteran yang banyak digunakan dalam analisis klaster ialah metode non-hierarki. x2 . tetapi untuk data yang berdekatan pengelompokkan akan menjadi kurang tepat karena informasi kesimilaritasan data terhadap klaster-klaster yang terbentuk akan sulit dibedakan. 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.

Menghitung fuzzy claster center (centroid) utama Pi. 2.2. 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. P.2. Σ adalah matriks kovarians. 13 November 2010 Dimana: n (uij ) m j 1 0 j = 1. Σ adalah matriks Identitas. Dalam penelitian digunakan m=2. pi = jarak observasi dengan persamaan (2)..n dij 2 2 dij x j .. x j pi 2 x j pi T Σ-1 x j pi (2) dimana Σ memiliki kemungkinan: 2 a. U. Tentukan banyak klaster dari 2 sampai sampai banyak klaster optimum (N) Menentukan tingkat ke-fuzzy-an hasil pengelompokan (m).. maka d ij adalah jarak euclidean 2 b.k k (uij ) m i 1 1 i = 1.. 4. Dimana uij dan pi diperoleh dengan persamaan (3) dan (4).Prosiding Seminar Nasional Statistika Universitas Padjadjaran... Algoritma Fuzzy K-Means Clustering Beberapa tahapan dari fuzzy k-means clustering: 1. pi ) diberikan melalui j 1 i 1 (k ) Kondisi minimum fungsi objektif J FKM X. Manajemen Risiko di Bidang Perbankan dan Asuransi |154 . maka d ij adalah jarak mahalanobis xj pi = vektor pengamatan = pusat klaster n k 2 (uij ) m dij (x j . optimasi parameter uij dan pi. 3. Hitung jarak euclidean dengan menggunakan persamaan (5)...

4. Perbarui keanggotaan dan fungsi objektifnya. p j dengan nilai m yang dapat berubah-ubah. 9. j pi . Validasi Klaster Validasi klaster dilakukan untuk menentukan ketepatan banyak klaster yang dibuat. jika belum maka kembali ke Langkah 7. 6. Bandingkan nilai keanggotaan ( uij ) dalam matriks U. Hitung fungsi objektif dengan menggunakan Persamaan (1). Hitung centroid baru dengan menggunakan Persamaan (3). jika tidak banyak mengalami perubahan maka artinya konvergen dan keanggotaannya sudah. Banyak klaster optimum yang terbentuk diberikan oleh nilai indeks XB yang paling minimum. 13 November 2010 k dij ( x j . maksimal. 7. Hitung derajat keanggotaan berdasarkan Persamaan (4). pi ) i 1 (x jl pil )2 (5) 5. Manajemen Risiko di Bidang Perbankan dan Asuransi |155 . Validitas dalam fuzzy k-means clustering dapat ditentukan melalui perhitungan indeks validitas Xie dan Benie dengan Persamaan (6).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Banyak klaster yang dapat dibentuk melalui perhitungan indeks Xie dan Benie (XB) adalah tujuh klaster dengan keanggotaan pada Tabel 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. Batas iterasi adalah jika nilai U( k 1) Uk sudah terpenuhi. 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. n k 2 (uij ) m dij XB j 1 i 1 (6) 2 N min i . 8. 5.

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

PT AGUNG PUTRA MANDIRI. PT SAFIRA. CV CIREMAI INDAH PERKASA.514 -0. CV TROPICA (GN. CV SHAH JAYA. PT PIRAMIDA RATTAN.54386 1. CV FAUZITAMA RATTAN. PT MULYA PRATAMA INDAH. CV PLUMBON PRATAMA. CV SUMBER MUTIARA ABADI. CV MULIA JAYA F. CV VALENTA CITRA PRATAMA.699 0.073232 Nilai Investasi 1.0316 -0.4533 -0. CV TULUS ASIH.35532 4. JATI).19816 0.1331 0.5699 -0.43607 4. Interpretasi Klaster Gambaran karakteristik klaster dapat dilihat dari pusat klaster (centroid) sebagai berikut : Tabel 2.8528 -0. CV NAGAM RATTAN. PT PERFECTI IND RATTAN. CV TALANG MAS MULYA. CV ZAHRA ADEILA. CV PRUNABON INT. CV PERMATA RATTAN.35858 0. PT 5 JATI VISION RAYA. CV VEDERAMA. PT HOUSE OF RATTAN. CV MARTINO RATTAN. CV YAMAKAWA RATTAN.03163 Manajemen Risiko di Bidang Perbankan dan Asuransi |157 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. CV DIMO PUTRA JAYA. CV ZICO RATTAN.5663 -0.31107 5. Pusat Klaster (Centroid) Kelompok Perusahaan Klaster 1 2 3 4 5 6 7 Tenaga Kerja 1. CV PARI RATTAN PLUS. CV PERINTIS 18.8653 -0. CV POLPIT.50327 0. CV 6.67683 Kapasitas Produksi 1.17877 2. PT CHANDRA RATTAN.079972 Nilai Ekspor 2. CV TEGUH RATTAN. CV TRIPOLAR. CV WANDA RATTAN.563 0. 13 November 2010 BALAGI RATTAN.13019 0.18994 1. CV WIWIN DESIGN.61745 -0. CV AVANTI COLLECTION. CV 4 LIMINDO UTAMA. CV KURNIA ALAM SEJATI.055449 0. CV GRIYA RATTAN. CV VISINDO RATTANESIA. CV TRIJAYA FURNITURE. CV NEBULA BUANA. CV KHALIM.21026 0.9039 -0.

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

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

Therefor.00 Total 801 255 589 1645 Manajemen Risiko di Bidang Perbankan dan Asuransi |160 . 39% of object is in the second class and 21% of object is in the third class which has error classification at 0. Raya Bandung – Sumedang Km. Grouping method done in this research is latent class cluster analysis which is the number of class is treated as latent category variable.7) PENGELOMPOKAN PASIEN PENYAKIT DEMAM TYPHOID DENGAN MENGGUNAKAN ANALISIS KLASTER KELAS LATEN 1 Nurdianto Zaenurdin. The method has some of speciality than the other. 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. Key Word: Latent. Base on BIC (Bayesian Information Criterion) statistic.id.id Abstract For an effort in early diagnosis at typhoid fever. 2Achmad Bachrudin.co. getting the best model that is model with 3 clases where 40% of object is in the first class. 21 Jatinangor Sumedang 45363 .co. the nmber of parameter and error classification. one of them is able to involve variable with different measurement scale. termasuk di Rumah Sakit “X”. 13 November 2010 (M. BIC LATAR BELAKANG Demam typhoid masih merupakan penyakit infeksi tropik sistemik.3 e-mail : 1 zaefebrian@yahoo. bersifat endemis dan masih menjadi masalah kesehatan masyarakat di Jawa Barat.00 III 155 48 118 321 107. 2 abach_stat@yahoo.Indonesia 2. 3Anna Chadidjah.0320. 1 Alumnus Jurusan Statistika Universitas Padjajaran Dosen Jurusan Statistika Universitas Padjajaran Alamat: Jl. Berdasarkan data yang diperoleh dari Unit Rekam Medis Rumah Sakit “X”.00 IV 192 77 148 417 139. grouping of typhoid fever patient must be done based on clinical symptom and laboratory result. jumlah penderita demam typhoid di Rumah Sakit “X” per triwulan pada tahun 2008 diperlihatkan pada tabel berikut.33 II 202 56 138 396 132.com. 3 anna_chadidjah@yahoo. need to be known heterogeneity of typhoid fever.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 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.

Manajemen Risiko di Bidang Perbankan dan Asuransi |161 .08 Sumber: Unit Rekam Medis Rumah Sakit “X” Dari data tersebut angka kejadian penyakit demam typhoid di Rumah Sakit “X” masih tinggi. Adapun tujuan dari penelitian ini adalah untuk mendapatkan kelompok-kelompok pasien demam typhoid dengan masing-masing karakteristiknya berdasarkan gejala klinis dan uji laboratatorium.25 63. Hal ini mungkin menyebabkan seorang ahli pun dapat mengalami kesulitan dalam menegakkan diagnosis demam typhoid apabila hanya berdasarkan gambaran klinis.25 137. 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. 13 November 2010 Rata-rata 200. Nilai yang tinggi dari titer H 160 menunjukan terjadinya infeksi aktif. maka analisis yang akan digunakan adalah analisis klaster (Kaufman dan Rousseeuw. 2005). Hasil uji widal diinterpretasikan sebagai berikut: 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. maka diperlukan sebuah analisis yang dapat mengelompokan objek-objek ke dalam kelas-kelas tertentu. Pengetahuan mengenai predefine class membedakan analisis klasifikasi dari analisis klaster (Rencher. Secara umum untuk tujuan pengelompokan.1999). Maksud dari penelitian ini adalah menerapkan analisis klaster kelas laten pada pengelompokan pasien demam typhoid. 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. Penyakit demam typhoid disebabkan oleh bakteri salmonella typhi yang masuk ke dalam tubuh melalui makanan dan air. 2002) Dalam penelitian ini tidak ada informasi mengenai jumlah kelas dan struktur kelasnya. Butel & Morse). diagnosis dini penyakit demam typhoid perlu segera ditegakkan. Sehubungan dengan demam typhoid tersebut. untuk diagnosisnya maka dilakukan uji widal.75 147. Namun gambaran klinis penyakit demam typhoid sangat bervariasi serta serupa dengan infeksi akut pada umumnya. analisis yang digunakan adalah analisis klasifikasi dan analisis klaster. Nilai yang tinggi atau peningkatan dari titer O 2. maka sebagai bentuk peningkatan pelayanan medis. 160 menunjukan infeksi lama (Brooks. gangguan pencernaan dan gangguan kesadaran (Nursalam dkk. 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. TINJAUAN PUSTAKA Agar tujuan dari penelitian ini dapat tercapai.

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

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

q jk …(3. z i . 2002).2) k 1 j 1 : Banyaknya variabel indikator : Proporsi objek yang masuk ke dalam kelas leten ke-k.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Vermunt. artinya ke dalam kelas mana sebuah objek harus dimasukkan. f k yij q jk Pada model kelas laten dapat dimasukan beberapa kovariat untuk memprediksi keanggotaan objek (Vermunt dan Magidson. : Banyaknya kelas laten : Fungsi densitas untuk tiap indikator. yaitu variabel-variabel indikator mutually independent dalam masing-masing klaster atau equivalent diberikan variabel laten (Zhang. maka model pada persamaan (3. y6 : Sakit kepala y7 : Gangguan fungsi usus Pengecekkan asumsi local independence Asumsi dasar dalam model kelas laten adalah local independence. diartikan sebagai peluang posterior yang dinyatakan sebagai berikut Manajemen Risiko di Bidang Perbankan dan Asuransi |164 . 1998. 1997). 13 November 2010 6. 2004).1) akan menjadi f yi zi . (Hagenaars. 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 K hk z i J f k yij z i . yaitu sebuah objek menjadi anggota kelas ke k bersyarat y. f yi q Dimana: J hk K K hk J f k yij q jk …(3.3) k 1 j 1 Distribusi bersyarat P k y i . Pengecekan asumsi local independence dilakukan dengan melihat bivariat residual untuk pasangan indicator-indikator dan pasangan kovariat-indikator. 2002). Dengan melibatkan kovariat.1) local Dimana Jp adalah bagian dari local dependency dengan P parameter. 7. Model Klaster Kelas Laten Dengan Variabel Indikator Campuran Model klaster kelas laten untuk variabel indikator (y) campuran adalah sebagai berikut (Vermunt dan Magidson.

q jk j hk zi …(3. q jk …(3. 2004): a. Estimasi Parameter Parameter-parameter dalam anaisis klaster kelas laten diestimasi dengan metode maksimum likelihood yang dinyatakan sebagai berikut (Moustaki dan Papageorgiou.7) j 1 Manajemen Risiko di Bidang Perbankan dan Asuransi |165 . 2004): n L i 1 n log f y i z i . zi k j f k yij z i .4) Dalam model klaster kelas laten dengan variabel indikator campuran harus ditetapkan fungsi distribusi univariat yang sesuai untuk tiap elemen y i . 2005). q K L i 1 log k 1 hk z i J f k yij z i . q jk f k yij z i . si2 2p 1 2 s 1 2 exp 1 yi 2si2 mik 2 …(3.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Adapun fungsi distribusi untuk y i adalah (Moustaki dan papageorgiou. 13 November 2010 hk zi P k yi .6) Dimana mik adalah parameter dari variabel kontinu yi dalam kelas k dan si2 adalah varians dari variabel ke i yang konstan antar kelas. Variabel Kontinu Untuk variabel kontinu diasumsikan bahwa y berasal dari distribusi normal.5) Dimana pij adalah peluang sebuah objek yang menjadi anggota kelas j akan dijelaskan oleh variabel i pij P yi 1k b. f yi mik . sehingga masing-masing kelas laten memiliki rata-rata mij dan varians si2 (Vermunt & Magidson. 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 t b0 bqt 0 R brt zir …(3. 2005): Prediktor linier untuk variabel kontinu lqt . z i ˆ nhk …(3.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Prediktor linier untuk variabel biner t lm q . zi …(3.9) h 1 Taksiran parameter untuk variabel kontinu: ˆ mik n ˆ xih P k y i .13) r 1 Manajemen Risiko di Bidang Perbankan dan Asuransi |166 . zi t bm 0 t bmq 0 R t bmr zir …(3. bq 0 adalah efek klaster terhadap yit .11) h 1 k 1 Dalam model klaster kelas laten dapat dibuat linier prediktor sebagai berikut (Vermunt & Magidson.8) h 1 Taksiran peluang bersyarat bahwa yi 1 bersyarat kelas k untuk variabel biner: ˆ pik n ˆ xih P k y i . 2004): Taksiran peluang prior kelas ˆ hk n ˆ P k yi . 13 November 2010 Taksiram maksimum likelihood yang diperoleh dari turunan parsial dari log likelihood pada persamaan (3.12) r 1 t t Dimana b0 adalah intersep. zi n K ˆ P k yi . zi n …(3. dan brt merupakan efek langsung kovariat r terhadap indikator yang bersangkutan.6) adalah sebagai berikut (Moustaki dan papageorgiou. z i ˆ nhk …(3.10) 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 .

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 . Tolak H0 jika p-value Penentuan Banyak Kelas a Untuk mengukur kecocokan model dalam analisis klaster kelas laten digunakan beberapa kriteria informasi. bmq 0 adalah efek klaster terhadap yitm . Untuk respon ke-i peluang suatu objek masuk pada suatu klaster dinyatakan sebagai berikut: ˆ P j yi .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. z i (Moustaki dan papageorgiou. BIC adalah kriteria yang paling sering digunakan (Raftery. dimana model yang terbaik adalah model dengan nilai BIC paling rendah.14) Dengan kriteria uji. 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 . Adapun statistik ukuran kecocokan model Bayesian Information Criteria (BIC) dirumuskan sebagai berikut (Schwartz. 2004). 1987): BIC 2log L p log n …(3. zi ˆ hk zi j ˆ f k yij z i . 1986). dan bmr merupakan efek langsung kovariat r terhadap indikator yang bersangkutan. Statistik uji: ˆ W 2 = C'J ' C'Σ J C -1 C'J …(3.16) Manajemen Risiko di Bidang Perbankan dan Asuransi |167 . q jk ˆ f k yij z i . 13 November 2010 t t t Dimana bm0 adalah intersep. q jk j ˆ hk zi k …(3.

Selanjutnya dari hasil identifikasi model dengan tiga klaster. tahap terakhir adalah member profil terhadap masing-masing klaster.69 dan error klasifikasi terkecil sebesar 0.84 (Vermunt & Magidson). dapat pula ditunjukan bahwa asumsi local independence telah terpenuhi yaitu dilihat dari nilai bivariat residual yang kurang dari 3. Sedangkan error classification diperoleh sebesar 0. 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. 2005): t wi 1 max P k y i . peningkatan titer antibodi H. 13 November 2010 Dimana nilai peluang posterior yang paling tinggi pada suatu klaster menunjukan bahwa objek yang bersangkutan menjadi bagian dari klaster tersebut. Analisis dikerjakan dengan menggunakan software Laten Gold 4.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.0320. yaitu 1183. frekuensi objek yang memiliki kesamaan nilai-nilai variabel.17) Dengan wi . klaster laten 2 sebanyak 33 pengamatan dan klaster laten 3 sebanyak 23 pengamatan. Setelah diperoleh sejumlah klaster. z i E i 1 N …(3. Manajemen Risiko di Bidang Perbankan dan Asuransi |168 . dengan nilai BIC terkecil. Identifikasi Model Berdasarkan kriteria BIC diperoleh model optimal dengan 3 klaster. data yang digunakan dalam analisis ini merupakan data sekunder yang diperoleh dari unit rekam medis Rumah Sakit “X”.0 karena dapat memfasilitasi hal-hal yang telah dijelaskan sebelumnya. HASIL ANALISIS Seperti telah dijelaskan sebelumnya. Untuk menilai kualitas model klasifikasi diukur nilai classification error sebagai berikut (Vermunt & Magidson. yaitu suhu.0859 dengan jumlah klasifikasi yang benar pada klaster laten 1 sebanyak 34 pengamatan. Data dalam analisis ini terdiri dari lima variabel metrik dan dua variabel kategori yang masing-masing diasumsikan berdistribusi normal dan Bernoulli. Oleh karena itu pada analisis ini akan digunakan 3 buah klaster. peningkatan titer antibodi O. sakit kepala dan gangguan fungsi usus.

R2 menunjukkan bahwa 43.6157 klaster 1 + 0.6332 . nilai p-value < taraf kesalahan 0. R2 menunjukkan bahwa 68.2. 5.3584 klaster 2 + 1.05. R2 menunjukkan bahwa 63. Sedangkan. Linier prediktor untuk variabel H (peningkatan titer antibodi H) = 0. Sedangkan.97% variasi yang terjadi pada variabel indikator peningkatan titer antibody H dapat dijelaskan oleh model yang terbentuk.0281klaster 1 + 0. Linear prediktor untuk variabel indikator Suhu = 37.0774 + 0. Linier prediktor untuk variabel sakit kepala = 0. artinya variabel indikator peningkatan titer antibodi O mempunyai daya pembeda terhadap klaster laten yang terbentuk. Sedangkan. artinya variabel indikator suhu mempunyai daya pembeda terhadap klaster laten yang terbentuk.3713 klaster 3 Pada uji Wald.0821 klaster 3 Pada uji Wald.05.0. dengan metode estimasi maksimm likelihood diperoleh estimasi parameter linier prediktor untuk variabel indikator adalah sebagai berikut: 1. H suhu 3. nilai p-value < taraf kesalahan 0.1885 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. yang menunjukkan bahwa parameter-parameter model memiliki pengaruh yang signifikan terhadap model. 2.0536 klaster 2 + 0. Linier prediktor untuk variabel O (peningkatan titer antibodi O) = 0. yang menunjukkan bahwa parameter model memiliki pengaruh yang signifikan terhadap model. nilai p-value < taraf kesalahan 0.16% variasi yang terjadi pada variabel indikator gangguan fungsi usus dapat dijelaskan oleh model yang terbentuk.6332 . 13 November 2010 Hasil Estimasi Parameter Model Seperti yang telah dijelaskan sebelumnya. yang menunjukkan bahwa parameter-parameter model memiliki pengaruh yang signifikan terhadap model.0.05.7415 klaster 2 . yang menunjukkan bahwa parameter-parameter model memiliki pengaruh yang signifikan terhadap model.5621 klaster 3 Pada uji Wald.3702klaster 1 + 0. Sedangkan.56% variasi yang terjadi pada variabel indicator peningkatan titer antibodi O dapat dijelaskan oleh model yang terbentuk. artinya variabel indikator sakit kepala mempunyai daya pembeda terhadap klaster laten yang terbentuk. Linier prediktor untuk variabel gangguan fungsi usus = 0.8768 .05.6.6749 klaster 2 .3262 klaster 2 .1.7267 klaster 3 Pada uji Wald. yang menunjukkan bahwa parameter model memiliki pengaruh yang signifikan terhadap model.0.0.7% variasi yang terjadi pada variabel indikator leukosit dapat dijelaskan oleh model yang terbentuk. R2 menunjukkan bahwa hanya 4.4957 klaster 3 Pada uji Wald.98% variasi yang terjadi pada variabel indikator sakit kepala dapat dijelaskan oleh model yang terbentuk. artinya variabel indikator gangguan fungsi usus mempunyai daya pembeda terhadap klaster laten yang terbentuk. nilai p-value < taraf kesalahan 0. 4.5928klaster 1 + 2. Manajemen Risiko di Bidang Perbankan dan Asuransi |169 GFusus O sakit kepala . artinya variabel indikator peningkatan titer antibodi H mempunyai daya pembeda terhadap klaster laten yang terbentuk. nilai p-value < taraf kesalahan 0.05. R2 menunjukkan bahwa 75.8541klaster 1 + 0. Sedangkan.

Latent Class Models for Mixed Variables with Applications in Archaeometry. dan. Babin. dan Raftery. Wichern.05). Black.. A. Barry J. Dari model klaster yang terbentuk.. Tatham. Elsevier. Demam Tifoid. Balazs. Manajemen Risiko di Bidang Perbankan dan Asuransi |170 . Moustaki. 2. Hair. Janet S. 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.05). “Applied Multivariate Statistical Analysis” Prentice Hall. tidak terdapat sakit kepala dan gangguan fungsi usus serta tidak terjadi inadequate intake. Mc GrawHill. Rahmat. 7. 1992. Geo F. Stephen A. 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. Prentice Hall: New Jersey. Dean. 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. 6. Fifth Edition. Berlin Brooks. 2008. 3.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 5. Departement of Statistics. dan Morse. Kelompok penyakit demam typhoid tipe I adalah kelompok dengan rata-rata suhu 370C. University of Washington. Anderson. Buku Ajar Ilmu Penyakit Dalam. Rolf E. 1998. W. Josep F. c. Persatuan Ilmu penyakit Dalam Indonesia. Adriane.. D. 3... Jilid 1. William C. Medical Microbiology. Seatle. Hal 435-442. Abonyi. 2004. Jr. Karakteristik setiap klaster yang terbentuk adalah sebagai berikut: a. Cluster analysis for data mining and system Identification. Latent Class Analysis Variable Selection. REFERENSI 1. rata-rata peningkatan titer antibodi H dan O sebanyak satu kali. R. Johnson. Nema. b. I. Kelompok penyakit demam typhoid tipe III adalah kelompok dengan rata-rata suhu 370C. Juwono. Birkhaser.. Kapita Selekta Kedokteran. Model pengelompokan pasien demam typhoid berdasarkan variabel indikator gejala klinis dan uji laboratorium adalah model dengan tiga klaster. Fakultas Kedokteran Universitas Indonesia. dapat diambil kesimpulan sebagai berikut: 1. I. 2. Multivariate Data Analysis. Butel.. Media Aeskulapius. Edisi 23. 8.. New Jersey. 2004.0320.. 4. KESIMPULAN Berdasarkan hasil analisis yang telah dikemukakan pada bab sebelumnya. rata-rata peningkatan titer antibodi H sebanyak 2 kali dan rata-rata peningkatan titer antibodi O sebanyak 3 kali. dan Ronald L. artinya model klaster kelas laten sangat baik digunakan dalam hal pengklasteran. Janos dan Feil. Papageorgiou. Englewood Cliffis. 1999. 2007. diperoleh kesalahan klasifikasi sebesar 0. Hanya inadequate intake saja yang berpengarh signifikans (p-value < 0.

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

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

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

Estimasi Bayesian dalam SEM Pendekatan Bayesian untuk SEM tidak menggunakan matrik kovarians dari data. 2009). Matrik adalah koefisien struktural yang menghubungkan variabel laten dengan variabel observasi. maka tingkat kompleksitas yang tinggi harus diatasi dan menjadi perhatian utama (Teo. Model Penelitian Berdasarkan pada uraian diatas. tetapi menggunakan row data asli (Lee. hipotesis yang digunakan dalam penelitian ini adalah: Hipotesis 1. Kompleksitas Teknologi (KT) Kompleksitas teknologi mengacu kepada sejauh mana tingkat kesulitan suatu teknologi untuk dipahami dan digunakan. 2007). Manajemen Risiko di Bidang Perbankan dan Asuransi |174 . Perceived Ease of Use (PEU) berpengaruh langsung pada Perceived Usefulness (PU) 3. Kualitas TI Kemampuan Sistem Perceived Usefulness (PU) Dukungan Organisasi Perceived Ease of Use (PEU) Kompleksitas Teknologi Gambar 1.Secara umum tingkat kompleksitas suatu teknologi mempengaruhi persepsi tingkat kemudahan pengguna. 13 November 2010 dukungan organisasi diwujudkan dalam sumber daya dan bantuan yang diberikan organisasi dalam proses penerimaan suatu teknologi informasi. indikator untuk variabel laten eksogen yang berukuran . Dukungan organisasi berpengaruh langsung pada Perceived Usefulness (PU) dan Perceived Ease of Use (PEU) Hipotesis 4. Misalnya untuk persamaan pengukuran: (1) dengan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Kualitas Teknologi mempengaruhi Perceived Usefulness (PU) Hipotesis 2.4. Vektor merupakan ukuran error untuk . Kemampuan sistem mempengaruhi Perceived Usefulness (PU) dan Perceived Ease of Use (PEU) Hipotesis 3. sebab kapasitas pemrosesan informasi manusia secara alami mengalami keterbatasan. 2. Kompleksitas teknologi berpengaruh langsung pada Perceived Ease of Use (PEU) Hipotesis 5. adalah vektor .

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

Uji Reliabilitas dan Validitas Semua penelitian yang akan mengukur sesuatu. yaitu nilai alpha Cronbach (Cronbach. Sifat reliabilitas adalah merupakan skor pengukuran dan tergantung dari sampel (Gliem dan Gliem. 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. ukuran reliabilitas adalah mengukur sesuatu secara konsisten. Tabel 1. dan validitas adalah akurasi.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2003). 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. Kuesioner yang digunakan dalam penelitian. atribut. harus memperhatikan tingkat akurasi yang biasa disebut sebagai ukuran reliabilitas. 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. Tinggi rendahnya reliabilitas ditunjukkan oleh suatu angka yang disebut nilai koefisien reliabilitas. Validitas ditunjukkan oleh korelasi antara masing-masing pertanyaan dengan skor total dengan menghitung korelasi perkalian momen (product moment correlation). Reliabilitas tidak mencerminkan validitas. 1951). 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. 13 November 2010 digunakan dalam analisis ini adalah sebanyak 202 responden.1. Seperti akurasi dan presisi. Hasil dan Pembahasan Berdasarkan data yang diperoleh melalui survei untuk menguji hipotesis penelitian dan membentuk model. 5. maka reliabilitas adalah presisi. Semua variabel laten dalam penelitian diukur dengan 22 variabel observasi seperti pada Tabel 1. tetapi belum tentu mampu mengukur apa yang akan diukur.

822 4 Manajemen Risiko di Bidang Perbankan dan Asuransi |177 .696 0.7472 0. artinya ketepatan dan kecermatan pertanyaan dalam melakukan fungsi ukurnya cukup baik.749 6 Vali ditas (2) Relia bilita s (3) 0.731 5 Vali ditas (2) Relia bilita s (3) 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Nilai Validitas dan Reliabilitas dari variabel penelitian Variab el (1) KTI KTI1 ( ) KTI2 ( ) KTI3 ( ) KTI4 ( ) KTI5 ( ) KT 0.798 PEU2 ( ) 9 0.855 7 0. Tabel 2. 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.7. sehingga data yang diperoleh dapat mencapai tujuan penelitian.742 KS KS1 ( ) 0.787 0.7558 0.703 4 Variabe l (1) PEU 0.771 8 0. PU dan PEU semua memiliki nilai alpha cronbach lebih besar dari 0.5605 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.706 5 Variab el (1) DO DO1 ( ) DO2 ( ) DO3 ( ) 0.957 PEU3 ( ) 7 PEU1 ( ) Vali ditas (2) Relia bilita s (3) 0.5866 0.7437 0.725 2 PU PU1 ( ) 0. Sedangkan untuk korelasi antara setiap komponen dengan total komponen seluruhnya bernilai positif.840 9 0.

Pada penelitian ini kami menggunakan prior sebagai berikut: dan Manajemen Risiko di Bidang Perbankan dan Asuransi |178 . S EM Bayes ian dari Mode l Penelitian Untuk data kategori.8094 0.1].2. Nilai hiperparameter diasumsikan diketahui berdasarkan informasi dari studi-studi sebelumnya atau dari sumber lain yang mendukung.894 4 5. 13 November 2010 9 KT1 ( ) KT2 ( ) KT3 ( ) 0. Tabel 3 menunjukkan frekuensi untuk setiap kategori pada masing-masing pertanyaan untuk membentuk threshold yang berdistribusi N[0.7835 0.8514 0 0. harus ditentukan nilai hiperparameter yang akan digunakan untuk membentuk distribusi prior.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. yang diperlukan dalam analisis dan estimasi Bayesian adalah frekuensi dan proporsi untuk setiap kategori yang diperlukan untuk menentukan threshold ( ). 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. Tabel 3.726 KS3 ( ) 0 0.779 KS2 ( ) 0 0.741 2 0.670 KS4 ( ) 5 PU2 ( ) PU3 ( ) PU4 ( ) 2 0.678 7 0. Jumlah kategori untuk setiap pertanyaan pada penelitian adalah antara 3 dan 5.

704 0.07 1 1.667 1.18 1 1 1.875 1.347 1. δ1 x1 δ2 x2 δ3 x3 δ4 x4 δ5 x5 1.281 1.311 1.703 1.39 1.302 1. dimana semua nilai lebih besar dari 0.606 0.633 Var.176 1.443 1.847 1.61 0.93 δ6 δ7 δ8 δ9 δ10 δ11 δ12 δ13 δ14 δ15 ξ1 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 1.198 1. Nilai (1) (2) (1) (2) 0.74 ε5 y5 ε6 y6 ε6 y7 0.240 0.414 1.608 1.725 1.069 1.88 1.245 1.648 1.813 0. (1) Nilai (2) 1.262 1.24 ζ1 η1 0.229 1.31 1.63 ξ3 0.92 1 1. maka model hubungan antara PEU. (1) Nilai (2) 0.5.329 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.760 1.688 1.479 0. 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 2.387 1.633 0.18 ξ4 y1 ε3 y2 ε2 y3 ε1 Gambar 2.7 0.920 0.563 1. Model Penelitian yang dihasilkan Pada Tabel 4 dan Gambar 2.926 1.760 Var. Manajemen Risiko di Bidang Perbankan dan Asuransi |179 .881 Berdasarkan hasil pada tabel diatas.182 0.785 1.18 0.25 1. Estimasi Parameter model Var. 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 4.825 1. Dengan iterasi sebanyak 5000.48 0. Nilai Var. telah mencapai burn in untuk semua parameter dalam model.76 ξ2 η2 ζ2 1 0.35 1.189 0.345 1.81 0.19 0. dapat dilihat bahwa secara umum nilai faktor loading sangat signifikan pada selang kepercayaan 95%.22 1.30 ε4 y4 1 0.33 0.454 1.26 1. Tabel 4.341 1.179 1.744 0.

W. Ph. L. Pengaruh positif yang kuat pada PU juga ditunjukkan oleh kualitas teknologi pemetaan ( ) dengan . Pemetaan SP2010: Pedoman Instruktur Nasional/ Instruktur Daerah. International Journal of Information Management.. I. 13 November 2010 Selanjutnya kemampuan sistem pemetaan ( ) memiliki hubungan positif paling kuat dengan PU ( ) dan PEU ( ) yang ditunjukkan oleh nilai dan . kualitas peta yang lebih baik. Hung. Kesimpulan Berdasarkan dari informasi pada bagian hasil dan pembahasan. Y. dan mendukung aspek penting dalam pekerjaan. dan Hwang. M. jelas dan mudah dipahami. kepada BPS Provinsi Sulawesi Selatan yang telah berpartisipasi dalam pengisian kuesioner untuk penelitian ini dan kepada Prof. Daftar Pustaka Badan Pusat Statistik (2008). yaitu dukungan organisasi ( ) dan kompleksitas teknologi ( ) juga memiliki hubungan positif dengan PU dan PEU. peta yang dapat memberikan informasi bagi organisasi. Persepsi langsung pengguna tentang manfaat peta adalah bahwa dengan peta dimungkinkan pencacahan akan lebih cepat selesai. peta dapat digunakan sebagai bahan dalam pengambilan keputusan.. Magni. Dua variabel eksternal lainnya. peta dapat meningkatkan pengawasan. Nur Iriawan. 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. 8. BPS.“An empirical study on the impact of quality antecedents on tax payers‟ acceptance of Internet tax-filing systems”... (2005). Persepsi pengguna tentang tingkat kemudahan penggunaan peta terbukti memiliki pengaruh signifikan terhadap persepsi manfaat.Drs. kelengkapan peta.C. PEU memiliki hubungan yang kuat dengan PU. Ukuran yang digunakan adalah bahwa peta lebih mudah digunakan. tingkat kehandalan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.. dengan nilai sebesar 0. Caporarello. Basaglia. Italy.. Chang. Penghargaan Penghargaan setinggi-tingginya diberikan kepada BPS yang telah memberikan kesempatan kepada penulis untuk memperluas wawasan dalam bidang keilmuan statistika. Pennarola. 6.63. jelas dan tidak saling tumpang tindih. dan meminimalkan lewat cacah dan ganda cacah.. Dari hasil penelitian ini.C.D yang telah bersedia membimbing hingga terselesaikannya penelitian ini. dan efektifitas dan efisiensi dalam penyimpanan. Terakhir. Li. Manajemen Risiko di Bidang Perbankan dan Asuransi |180 . Selanjutnya pengguna mengharapkan peta yang mampu meningkatkan kualitas hasil sensus. H. “IT knowledge integration capability and team performance: The role of team climate”. M. S. 7. F.Ikom. F.G. 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. (2010). walaupun hubungannya tidak kuat ( ). Jakarta. dan peta dapat memenuhi keinginan pengguna. Persepsi pengguna yang berhubungan dengan kualitas peta adalah: kesesuaian peta dengan daerah aslinya.

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

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

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

P . Kemudian memaksimumkan fungsi ln likelihood dengan menderivatifkan ln fungsi likelihood terhadap parameter-parameternya dan kemudian menyamakan dengan nol. X1i . P01i dan P00i . Membentuk fungsi likelihood Pada data biner bivariat.. Y01i dan Y00i dengan i 1. Bentuk 11 10 distribusi peluangnya adalah: Y00 1 Y11 Y10 Y01 f ( y11 . P01 ) 11 10 y y P y11 P y10 P0101 P0000 11 10 2.. Membuat ln fungsi likelihood. Untuk mendapatkan penaksir β dengan menggunakan metode MLE adalah dengan langkah-langkah sebagai berikut: 1. Y10 i . y10 . Y00i . 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. Mengambil n sampel random Y11i . Y01 ~ M 1. y10 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. P . X 2i . 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. n serta nilai peluangnya adalah P i . y01 . Y10i . Y01i . . X ki i 1. y01 . maka variabel random bivariat akan berdistribusi multinomial dengan nilai setiap selnya adalah Y11i . 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. P . P .. Y00 dan P00 secara berturut adalah 11 10 dan P00 1 P P P01 serta nilai y11 . 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). n . y00 adalah 0 atau 1. Maka turunan pertama ln(β) terhadap β1 adalah: Manajemen Risiko di Bidang Perbankan dan Asuransi |184 . 2. P i . Y10 . P01 . yang mana kejadian pada setiap res-ponden akan berdistribusi Multinomial Y11 .. dengan mengambil n sampel random yang saling bebas. 2.

matrik ini diperoleh dari turunan parsial kedua ln L( ) terhadap β . dimana m adalah penaksiran parameter pada iterasi ke m. Melalui proses iterasi Newton-Raphson dapat diperoleh penaksir maksimum likelihood bagi . terlebih dahulu menentukan vektor g . maka salah satu pendekatan numerik yang dapat digunakan adalah metode Newton-Raphson. Algoritma proses iterasi Newton-Raphson untuk mencari suatu penaksir bagi β . Kemudian menentukan matriks H .b Pi 1 1 P2i P01i c 1 . yang elemen-elemennya merupakan turunan kedua terhadap parameternya. dan d P01i 1 1 Pi 1 P01i Karena diperoleh hasil taksiran yang tidak close form. Dalam pengujian Manajemen Risiko di Bidang Perbankan dan Asuransi |185 . dilakukan pengujian parameter model probit biner bivariat. yang merupakan turunan pertama dari fungsi likelihood terhadap parameternya. 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.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Sehingga. 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) . Hal ini bertujuan untuk mengetahui apakah variabel prediktor yang terdapat dalam model berpengaruh nyata atau tidak. 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 .

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

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

Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Manajemen Risiko di Bidang Perbankan dan Asuransi |195 . =0. Kesimpulan dan Saran Berdasarkan hasil analisis peramalan. dan 3. data hasil peramalan terlampir) : Gambar 1.9. 2. memberikan hasil peramalan untuk 60 hari kedepan (2 bulan) adalah sebagai berikut (dalam plot data.2 yang diterapkan pada data debit air masuk harian di Waduk Saguling. Hasil Analisis Analisis peramalan dengan menggunakan metode exponential smoothing dengan koefisien pemulusan sebesar = 0. 5. Dalam bulan Juli dan Agustus 2010 diramalkan akan terjadi peningkatan debit air masuk meskipun telah memasuki musim kemarau.4 memperlihatkan bahwa pola volume debit air masuk pada bulan juli-agustus 2010 telah bertambah apabila dibandingkan dengan bulan yang sama pada tahun 2009. Apabila hasil peramalan menjadi kenyataan akan terjadi peningkatan potensi Pembangkit Listrik Tenaga Air sebagai energi ramah lingkungan. didapat kesimpulan bahwa : 1. 13 November 2010 4. dan = 0. Diperkirakan telah terjadi perubahan pola musim.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 1.1.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 Saran 1.29 58. www.75 162. 3.00 26.08 104.83 151.42 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-09 100.50 109.50 111.92 192.42 58.or. Time Series Forecasting using Holt-Winters Exponential Smoothing.id/index. Data Debit Air Masuk Harian di Waduk Saguling 42.55 97.08 69. 2.00 94. Referensi 1. http://iklim.50 151.46 93.46 106.21 83.83 86.08 134.com Lampiran 1.79 104.75 145. Prajakta S.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 .92 81.25 40.58 76.00 88.67 234.13 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-09 122.08 85. dilakukan penelitian jangka panjang mengenai perubahan pola cuaca dan pengaruhnya terhadap peningkatan atau pengurangan potensi sistem produksi energi.33 82.88 128.38 55.79 26.04 74.42 73. Bombay : Kanwal Rekhi School of Information Technology. 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.zaitunsoftware.17 141.dirgantaralapan.54 97.63 192.42 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 69.58 85.25 36.08 145.php?option=com_content&view=article&id=85&Itemid=78 (diakses tanggal 8 November 2010) 2. Kalekar.71 66.50 72.25 102.63 63.00 26.17 29.31 69.35 77.33 97. 2004.

00 117.54 180.58 142.21 75.04 Juni-09 123.08 Mei-09 80.88 Mei-09 104.50 71.88 80.17 224.08 Mei-09 130.83 156.67 200.92 136.33 66.04 248.88 92.29 210.96 83.04 130.58 Mei-09 95.33 94.13 226.96 Mei-09 145.71 Juni-09 127.54 138.71 Mei-09 102.17 98.21 Juni-09 90.08 108.79 203.83 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 156.63 108.92 229.92 202.67 Juni-09 262.46 127.75 Juni-09 168.67 101.46 Mei-09 80.83 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 113.83 106.92 210.50 109.83 67.63 85.58 171.00 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-09 248.25 81.46 Mei-09 118.92 173.21 99.54 202.92 97.33 226.00 259.17 Juni-09 100.25 Mei-09 Mei-09 Mei-09 Mei-09 Mei-09 Mei-09 121.38 252.71 180.13 142.71 72.13 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-09 104.54 Mei-09 121.75 Juni-09 102.25 Juni-09 Manajemen Risiko di Bidang Perbankan dan Asuransi |197 .96 92.58 Juni-09 142.83 191.04 83.50 Mei-09 Mei-09 193.92 Mei-09 195.79 Mei-09 138.88 Mei-09 Mei-09 125.88 142.25 93.42 80.75 189.96 188.75 148.21 70.71 175.50 161.71 Mei-09 128.38 246.63 95.50 63.67 172.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.54 88.71 221.63 65.67 54.04 Mei-09 99.67 155.38 122.58 276.96 308.67 Juni-09 87.33 Mei-09 Mei-09 Mei-09 Mei-09 Mei-09 107.42 Juni-09 109.29 125.79 Mei-09 120. 13 November 2010 261.25 123.54 117.25 121.58 98.17 Mei-09 143.38 208.79 70.67 287.04 111.00 Mei-09 217.04 140.88 86.79 Juni-09 218.63 165.

33 36.00 12.83 11.00 11.08 44.25 14.00 17.00 12.25 85.33 11.83 54.13 28.96 11.00 12.71 24.00 15.42 12.21 12.88 Okt-09 77.00 12.79 32.00 16.67 13.88 10.29 41.79 28.63 57.00 11.50 37.58 26.00 10.88 10.92 16.29 17.29 60.58 37.71 45.83 12.79 11.13 12.00 18.25 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 22.08 38.38 28.67 21.00 38.50 15.13 12.63 11.00 18.00 12.00 12.50 31.00 11.33 27.04 13.75 14.00 45.50 23.00 12.46 38.50 15.83 19.00 28.38 9.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.25 11.38 54.92 48.04 17.92 12.00 12.00 27.83 14.17 16.00 11.33 11.79 11.92 18.08 29.75 11.00 18.00 18.00 11.67 36.92 38.71 23.21 12.00 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 18.04 81.04 10.13 12.00 11.00 11.96 Okt-09 102.63 11.00 28.50 13.25 12.88 15.79 32.17 10.25 15.67 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 11.71 10. 13 November 2010 70.00 13.00 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 18.67 15.38 10.38 12.50 50.42 17.88 18.17 13.79 11.96 Okt-09 Okt-09 Okt-09 Okt-09 Manajemen Risiko di Bidang Perbankan dan Asuransi |198 .

96 286.63 64.25 108.83 256.46 184.88 132.04 52.67 15.83 281.29 61.58 Des-09 234.04 19.58 23.08 77.13 70.08 274.63 74.71 49.00 Okt-09 Okt-09 Okt-09 44.63 68.08 180.13 29.17 Des-09 206.50 40.25 61.46 37.25 81.71 187.31 226.54 76.79 256.88 14.75 19.88 75.63 24.58 149.00 16.67 49.63 16.25 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-10 134.71 Des-09 83.17 20.17 227.46 129.21 63.92 70.13 21.00 53.04 Okt-09 67.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.33 98.04 72.17 13.63 59.92 165.38 185.54 109.96 63.08 Des-09 224.38 47.00 40.46 41.52 176.79 140.04 Des-09 236.00 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-09 240.88 64.38 178.04 276.25 Des-09 281.42 164.96 14.54 158.46 396.92 88.75 38.83 21.33 16.33 79.58 70.50 87.21 71.79 137.58 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-09 162.58 178.21 235.79 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 67.50 17.50 341.79 159.88 25.13 110.00 15. 13 November 2010 22.13 166.25 182.67 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 120.00 273.88 192.63 91.38 15.96 34.25 53.25 20.92 34.74 177.79 71.25 75.21 36.33 16.96 35.92 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Manajemen Risiko di Bidang Perbankan dan Asuransi |199 .17 36.71 22.54 42.71 46.74 83.08 Des-09 160.

42 214.13 322.75 69. 13 November 2010 391.75 393.50 156.83 Mei-10 276.67 86.25 249.29 215.29 216.00 86.29 Mei-10 382.79 426.67 371.92 291.88 Mei-10 235.50 170.58 Mei-10 200.25 90.75 178.42 202.92 Mei-10 225.83 249.21 300.67 183.79 56.38 Mei-10 132.50 342.54 286.96 Mei-10 150.17 135.75 Mei-10 309.25 Mei-10 113.38 210.75 213.08 56.71 159.75 Mei-10 138.13 339.04 338.21 201.17 494.58 189.04 56.08 512.25 84.38 259.54 212.38 58.54 Mei-10 155.13 65.38 368.54 81.25 201.83 98.33 363.88 92.63 128.92 287.25 Mei-10 197.58 94.33 174.46 155.00 271.54 245.63 216.46 Mei-10 110.50 328.00 405.92 Mei-10 296.63 68.96 267.46 169.46 225.04 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 75.83 233.33 71.54 Mei-10 216.00 185.21 Mei-10 253.79 Mei-10 219.50 286.33 88.46 Mei-10 Mei-10 Mei-10 Mei-10 Mei-10 140.00 399.96 303.92 132.63 265.67 106.50 402.00 Mei-10 199.71 189.75 Mei-10 246.54 595.08 505.46 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-10 219.79 262.92 401.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.25 303.79 Mei-10 127.42 166.08 Juni-10 Manajemen Risiko di Bidang Perbankan dan Asuransi |200 .04 201.38 380.79 Mei-10 165.75 Mei-10 143.75 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-10 200.38 455.63 69.96 194.25 341.04 115.17 359.63 183.83 244.88 Mei-10 130.

984 169.476 22 104.467 166.20 42.11 129.226 105.362 279.686 173. 13 November 2010 94.278 133.947 12 62. Hasil Peramalan 60 hari kedepan Hari Peramalan ke.71 77.845 130.97 Juni-10 100.572 228.65 4 95.395 157.711 16 64.085 7 109.238 10 97.61 151.267 100.704 185.50 Juni-10 Juni-10 Juni-10 Juni-10 153.496 20 82.025 129.48 35.221 3 81.348 118.24 Juni-10 69.998 109.461 15 56.40 Juni-10 Juni-10 Juni-10 Juni-10 Juni-10 100.42 32.794 90.043 165.341 141.26 83.247 128.661 13 65.201 11 66.38 114.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.94 Juni-10 94.42 Juni-10 150.17 42.019 113.686 145.443 9 85.28 Juni-10 81.922 112.65 5 87.732 125.64 133.877 169.48 42.799 6 103.895 Manajemen Risiko di Bidang Perbankan dan Asuransi |201 .416 8 96.599 18 43.745 135.641 14 53.10 Juni-10 2.306 171. 1 84.63 64.91 Juni-10 115.40 Juni-10 84.053 92.40 45.79 74.923 248.598 211.365 2 75.25 47 48 49 50 51 52 53 54 55 56 57 58 59 60 212.99 53.036 171.173 17 53.466 181.57 Juni-10 Juni-10 Juni-10 Juni-10 Juni-10 Juni-10 119.75 Juni-10 126.943 101.326 19 49.08 66.42 Juni-10 111.53 Juni-10 47.46 Juni-10 114.79 Juni-10 103.75 Juni-10 297.977 21 100.023 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.

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

Kajian Pustaka Kelemahan metode IDEA yang menggunakan plaintext 64 bit dan operasi perkalian modulo 216 + 1. Dengan menggunakan plaintext 64 bit (4 buah 16 bit subblock text). Hanya saja pada proses dekripsi. x1. Proses enkripsi dilakukan terhadap blok bit plainteks dengan mengguanakan kunci yang berukuran sama dengan ukuran blok plainteks. diterapkan enam kali bersama dengan fungsi XOR. II. Salah satu algoritma kriptigrafi yang sering digunakan adalah Cipher block. Pembentukan Kunci. x2. MMB menggunakan 32 bit subblock text (x0. f. 13 November 2010 keilmuan dalam penyandian informasi atau pesan dengan tujuan menjaga keamanannya. Substitusi ini ditentukan oleh sebuah operasi perkalian modulo 232 – 1 dengan faktor konstan. Walaupun telah berkembang sejak zaman dahulu kala. 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 . k3). Sebuah fungsi non linier. Hal ini membuat algoritma tersebut sangat cocok diimplementasikan pada prosesor 32 bit. Algoritma ini akan menghasilkan cipherteks yang sama panjang dengan blok plainteks. operasi berjalan kebalikan dari proses enkripsi. Cipher blok merupakan algoritma kriptografi yang beroperasi dalam bentuk blok bit. metode IDEA hanya dapat diimplementasikan pada prosesor 16 bit. sehingga dinilai tidak dapat mengikuti perkembangan teknologi pada saat ini yang kebanyakan telah menggunakan prosesor 32 bit. x3) dan 32 bit subblock kunci (k0. 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. Proses dekripsi terhadap cipherteks berlangsung dengan cara serupa seperti enkripsi. Kunci yang di-input hanya dibagi menjadi 4 buah subblock kunci dengan panjang masing-masing 32 bit.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. diperbaiki oleh Joan Daemen dalam sebuah algoritma yang dinamakan MMB (Modular Multiplication-based Block cipher). k2. Metode MMB menggunakan kunci sepanjang 128 bit. Proses pembentukan kunci pada metode MMB ini sangat sederhana. teknik kriptografi yang dibutuhkan masa kini harus menyesuaikan dirinya terhadap meluasnya penggunaan komputer digital pada masa kini. k1. 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. yang memiliki tingkat sekuritas lebih tinggi bila dibandingkan dengan metode IDEA yang hanya menggunakan operasi perkalian modulo 216 + 1.

(2006). A 0 0 1 B 0 1 0 A 0 1 1 B Manajemen Risiko di Bidang Perbankan dan Asuransi | 204 . Ciphertext di XOR kan dengan Kunci untuk menghasilkan Plaintext untuk proses dekripsi. Inti proses enkripsi dan dekripsi dari metode MMB adalah sebagai berikut : 1. 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 “ ”. 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. x3).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Rinaldi . x2. 13 November 2010 Menurut Munir. 2. secara umum metode MMB menggunakan plaintext dan kunci pada proses enkripsi. dengan panjang 128 bit. 3. Plaintext atau Cipher text dibagi menjadi 4 subblock yang sama besar (x0. dan menggunakan ciphertext dan kunci untuk proses dekripsi. Kemudian Plaintext di XOR kan dengan Kunci untuk menghasilkan ciphertext untuk proses enkripsi. x1.

Sama seperti metode kriptografi simetris lainnya. 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 . Proses Dekripsi. Untuk lebih memahami proses pembentukan kunci pada metode MMB. 2. 13 November 2010 1 1 0 III. diberikan sebuah contoh berikut ini. 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.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Proses Enkripsi. Misalkan diketahui input kunci = „CRYPTOGRAPHY MMB‟. 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 Pembentukan Kunci. proses penyelesaian metode MMB ini dapat dibagi menjadi 3 tahapan yaitu : 1.

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 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. Misalkan diketahui plaintext = „UNPAD-ILMUKOMPTR‟ dengan menggunakan kunci yang dihasilkan di atas. 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 . Proses enkripsi dari metode MMB dapat dilihat pada contoh berikut ini.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

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) .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.1) = 000000000000000000000001001011111000111 001011110011010001101000 0011011011000 * 01111001 00001100000001010000001100010110 MOD 11111111111111111111111111111111 Y3) = C(3) * XR3) MOD ((2^32) .1) = 000000000000000000000000010010111110001 1100110110110 * 011011010110110001101100 00010000011000100000111000011110 MOD 00000100 11111111111111111111111111111111 Y(2) = C(2) * R(2) MOD ((2^32) .1) = 00000010010111110001110011011011 * 011110100111110100001100 00010110000111000000100100010001 MOD 10000010 11111111111111111111111111111111 Hasil Y(i) Y(1) = C(1) * R(1) MOD ((2^32) .1) = 000000000000000000010010111110001110011 0110110000000 * 010010100111101001111101 Manajemen Risiko di Bidang Perbankan dan Asuransi | 207 .

Prosiding Seminar Nasional Statistika Universitas Padjadjaran.2 akan dikalikan dengan konstanta C. 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 01101101000111010001100100010000 11111111111111111111111111111111 MOD 01111010 Kemudian hasil dari perkalian pada table 3.3 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.

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 . 13 November 2010 Langkah-langkah diatas dilakukan dengan operasi modulo 4 dengan dimulai dari Sub kunci (Ki) berikutnya hingga didapat Cipher text. Sebagai contoh.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. maka didapat Cipher text sebagai berikut: Hasil= 1011011000011101000101110010100001000110001100110000001001110110000011 0111011100010100111110010110101101111011000100001100101001 Ciphertext = ¶(F3vÜSå-ìC) Proses Dekripsi Proses dekripsi ini merupakan proses kebalikan dari proses enkripsi. misalkan ingin didekripsikan kembali hasil enkripsi yang telah didapatkan di atas.

enkripsi. antara lain : Manajemen Risiko di Bidang Perbankan dan Asuransi | 210 . 13 November 2010 Seperti yang telah dijelaskan sebelumnya bahwa proses dekripsi merupakan kebalikan dari proses enkripsi. Perangkat lunak bantu pemahaman ini dirancang dengan menggunakan beberapa form. Hasil= 0101010101001110010100000100000101000100001011010100100101001100010011 0101010101010010110100111101001101010100000101010001010010 Plaintext = UNPAD-ILMUKOMPTR Perangkat Lunaka Bantu Kriptografi MMB Perangkat lunak bantu pemahaman ini menggunakan animasi dalam tahapan proses pembentukan kunci. dekripsi dan fungsi f.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.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Perangkat lunak bantu pemahaman ini dirancang dengan menggunakan bahasa pemrograman Microsoft Visual Basic 6. 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.

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. 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. dimana hasil eksekusi yang pernah diproses sebelumnya dapat disimpan ke dalam bentuk text file. dimana Visual Basic tidak dapat mendukung operasi tersebut. yang dirancang dengan menggunakan MDI Form dan berfungsi sebagai form induk untuk menggabungkan semua form yang ada. Substitusi ini ditentukan oleh sebuah operasi perkalian modulo 232 – 1 dengan faktor konstan. Form „Teori‟. Manajemen Risiko di Bidang Perbankan dan Asuransi | 211 . merupakan child form dari form „Main‟. 5. Dengan menggunakan perangkat lunak bantu pemahaman ini. maka user dapat menghemat waktu. 2. Form „Proses Pembentukan Kunci‟. 13 November 2010 1. 3.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 4. Form „Proses Dekripsi‟. Form „Main‟. Perangkat lunak ini dapat mendukung hasil operasi perkalian yang lebih dari 32 bit dengan menggunakan fungsi-fungsi yang dideklarasi secara manual. Form „Proses Enkripsi‟. Form „Kecepatan Animasi‟. sehingga dapat dibuka dan dipergunakan kembali apabila diperlukan. yang memiliki tingkat sekuritas lebih tinggi bila dibandingkan dengan metode IDEA yang hanya menggunakan operasi perkalian modulo 216 + 1. 6. merupakan child form dari form „Main‟. merupakan child form dari form „Main‟.

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

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

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 (2.5.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. d dan D merupakan bentuk non-seasonal dan seasonal dari differencing yang digunakan. Tabel 2. Estimasi Parameter model ARIMA Dalam menaksir parameter model ARIMA ada beberapa metode yang dapat dilakukan. Identifikasi model ARIMA menggunakan Correlogram Identifikasi model ARIMA bisa dilakukan dengan melihat plot ACF dan plot PACF yang dinamakan sebagai correlogram. Bentuk-bentuk plot ACF dan PACF dalam mengindentifikasi model ARIMA adalah seperti pada Tabel 2..14).q) Sumber : (Wei. 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.1. dan Bs adalah polynomial dengan ordo P dan Q untuk seasonal.4. maka model ARIMA akan menjadi Seasonal ARIMA atau biasa disingkat menjadi SARIMA dengan ordo ( P. Correlogram digunakan antara lain untuk menentukan lag yang signifikan dan untuk menentukan ordo p dan q dari model ARIMA. 2. 1990). 2. Untuk mengetahui apakah parameter model ARIMA yang telah diestimasi signifikan atau tidak maka dilakukan pengujian signifikansi parameter dengan menggunakan uji-t.3. dan Reissel. Q ) s . salah satunya yaitu metode Conditional Least Squares (Box. adalah polynomial dengan ordo p dan q untuk nonQ B s . 2. 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 . Jenkins. 13 November 2010 Jika pada data deret waktu terdapat komponen musim (s). B dan P B .1 Bentuk ACF dan PACF untuk model ARIMA Model AR(p) MA(q) AR(p) atau MA(q) ARMA(p. D.13) dengan (2. 1994).

5]. atau bilangan riil. 13 November 2010 White noise dilakukan untuk melihat apakah error yang dihasilkan memiliki varians konstan (identik) dan tidak ada autocorrelation. mutasi. Ada empat bagian dalam setiap kromosom yang harus dibentuk untuk menghasilkan bentuk AR. Kumpulan dari kromosom yang dibentuk merupakan populasi atau disebut sebagai generasi. 4])s.. Manajemen Risiko di Bidang Perbankan dan Asuransi | 222 .k . Akurasi Peramalan Data Time Series Akurasi peramalan dapat diukur dari nilai berikut diantaranya : . 01110). 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. 10001. dan seleksi untuk mendapatkan solusi optimum. jika kromosom yang dihasilkan adalah (10110..Mean Squared Error (MSE) yaitu rata-rata jumlah kuadrat error peramalan. 2. 2005).2.1. Rumusnya adalah sebagai berikut : 2 1 n ˆ MSE Zt Zt (4) nt1 3. Dalam satu kromosom terdapat beberap gen yang jumlahnya ditentukan sesuai kebutuhan.q)(P. Hipotesisnya adalah sebagai berikut : H0 : ρ1 ρ2 . 3. [2. 3. Kromosom dapat berupa nilai biner. 01010. Integer.. Misalnya. Populasi dengan kromosom bilangan biner Untuk membangun model ARIMA.6. 4]. Algoritma Genetika sangat efektif dan efisien serta memiliki kemungkinan yang besar untuk mendapat solusi global optimum (Palit dan Popovic.. ρk 0 H1 : minimal ada satu m yang tidak sama dengan nol untuk m 1..Prosiding Seminar Nasional Statistika Universitas Padjadjaran. MA.Q)s yaitu SARMA ([1. 3. Setiap kromosom mempunyai nilai ukuran berupa nilai fitness yang menyatakan solusi dari suatu permasalahan. Representasi Kromosom Representasi kromosom adalah pembentukan dan pengkodean kromosom.. maka didekati dengan model ARMA terlebih dahulu.1. seasonal AR dan seasonal MA. Algoritma Genetika Algoritma Genetika menerapkan proses biologi dari rekombinasi genetika. 4])([1. maka model nya adalah SARMA (p. Solusi yang didapatkan dengan algoritma genetika berupa kromosom yang disebut sebagai struktur data. [2.

Semakin tinggi nilai fitness menunjukkan kromosom tersebut dapat bertahan dalam generasinya. Pada seleksi Boltzmann kemungkinan kromosom terpilih berdasarkan nilai fitness tiap kromosom dalam suatu populasi. Multi Point Crossover. 13 November 2010 3. Rumusnya adalah sebagai berikut : P( xi ) exp[ ( f max f ( xi )) / T ] (6) dimana : f ( xi ) adalah nilai fitness kromosom ke-i . Fungsi fitness yang digunakan pada penelitian ini adalah : 1 (5) f ( x) MSE 3. i = 1. Mutasi Manajemen Risiko di Bidang Perbankan dan Asuransi | 223 .2. Crossover Crossover mengkombinasikan dua induk hasil seleksi untuk mendapatkan keturunan. sebaliknya semakin rendah nilai fitness maka suatu kromosom tidak dapat bertahan dalam generasinya.2. Kromosom baru dibentuk dari kromosom dari induk A sebelum titik potong dan dari induk B setelah titik potong dan sebaliknya. makin besar nilai fitness. maka makin besar kemungkinan terpilih. 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. Proses seleksi yang akan digunakan pada penelitian ini yaitu seleksi Boltzmann. 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. … .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Seleksi Seleksi adalah proses memilih dua kromosom induk dari populasi yang akan digunakan dalam proses berikutnya yaitu crossover. Fungsi Fitness Fungsi fitness merupakan probabilitas suatu kromosom dapat tetap terpilih dalam generasi berikutnya.5.3. Tujuannya yaitu untuk memilih bagian terbaik dari kromosom sebelumnya. Kemudian kromosom induk hasil seleksi dipotong. 3.4.2. Salah satu proses crossover yaitu multi point crossover dimana ditentukan beberapa titik potong.

13 November 2010 Mutasi adalah proses menukar satu atau lebih gen dengan gen yang lain pada populasi untuk menghasilkan populasi baru. Menguji signifikansi parameter dari masing-masing model e. Melihat stasioneritas data terhadap varians dan rata-rata. 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. lamanya waktu proses. Proses Mutasi 3. c. Mengidentifikasi model ARIMA menggunakan metode correlogram dengan langkah sebagai berikut : a. b. Manajemen Risiko di Bidang Perbankan dan Asuransi | 224 . maka model diidentifikasi dengan model ARIMA yang lain. Bila tidak memenuhi asumsi. 4. dan tidak ada perubahan yang signifikan pada nilai fitness. Mutasi dilakukan untuk mencegah terjebak pada solusi lokal optimum. Kriteria penghentian bisa juga merupakan gabungan dari kriteria tersebut dengan urutan tertentu. Pemilihan solusi optimum yaitu memilih satu kromosom dari generasi terakhir yang mempunyai nilai fitness maksimum. Banyaknya gen yang akan dimutasi tergantung besarnya persentase mutasi (Pm) dari jumlah gen dalam populasi. Identifikasi beberapa kemungkinan model yang bisa dibentuk dengan melihat lag yang signifikan pada plot ACF dan plot PACF.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Penghentian Proses (Kriteria Konvergen) Kriteria penghentian proses pencarian solusi antara lain yaitu jumlah maksimum generasi. Mutasi biasanya dilakukan dengan nilai Pm yang kecil. 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. Mengestimasi Parameter menggunakan metode Conditional Least Square d. Memeriksa asumsi dari error dengan uji white noise dan uji Kolmogorov Smirnov.6.3. Pada penelitian ini proses akan dihentikan dengan menentukan jumlah maksimum generasi 50 dan 100.

1.03 dan 1. Representasi kromosom dan menginisialisasikan jumlah kromosom dalam populasi. 5. Kemudian yang berikutnya yaitu melihat stasioneritas terhadap rata-rata dengan melihat plot data deret waktu pada gambar 5.1. Hasil dan Pembahasan Pertama yaitu melihat stasioneritas terhadap varians yang dapat dilihat pada gambar berikut : f.03 1. Seleksi kromosom menggunakan seleksi Boltzmann d. Melihat Stasioneritas terhadap Varians.(a) diatas terlihat bahwa nilai Lambda terletak antara -2. (b). Menghentikan proses jika sudah mencapai jumlah generasi maksimum g. Menentukan dan Menghitung Fungsi Fitness c. b.(b).(a). 13 November 2010 Membandingkan nilai MSE dari masing-masing model. sehingga perlu dilakukan proses differencing 1 dan 12 terhadap data. f. Pada gambar 5.14 yang berarti bahwa data tersebut sudah statsioner terhadap varians. Pada gambar tersebut terlihat bahwa data tersebut tidak stasioner terhadap rata-rata. Identifikasi model ARIMA menggunakan metode algoritma genetika dengan langkah-langkah sebagai berikut : a.1.50 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. Menentukan model terbaik berdasarkan nilai fitness yang paling besar 3.52 -2.0% confidence) Estimate -0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Melakukan mutasi kromosom. Sehingga tidak perlu dilakukan transformasi terhadap data.0 Limit 250000 200000 Jan Jul Jan Jul Jan Jul Jan Month Jul Jan Jul Jan (a) (b) Gambar 5. Melihat Stasioneritas terhadap Rata-rata.14 -0. Plot ACF dan plot PACF data deret waktu setelah dilakukan proses differencing yaitu sebagai berikut : Manajemen Risiko di Bidang Perbankan dan Asuransi | 225 . Model yang menghasilkan nilai MSE minimum merupakan model terbaik. Box-Cox Plot of JArr Lower CL Upper CL Lambda (using 95.0 -2. Nilai yang minimum menunjukkan tingkat akurasi yang lebih tinggi. 2. Melakukan crossover terhadap kromosom hasil seleksi dengan metode multi point crossover e.5 5. Membandingkan nilai MSE yang dihasilkan.0 Lambda 2.5 0.

[3.1)12 ARIMA(2. Hasil uji asumsi error dengan uji white noise adalah sebagai berikut: Manajemen Risiko di Bidang Perbankan dan Asuransi | 226 . 13 November 2010 (with 5% significance limits for the partial autocorrelations) 1.8 -1. Plot Autocorrelation Function.4 0.1.3.3)(0.1.1)12 ARIMA(2.0)12 MSE 505875660 576576870 524261720 470685810 526676055 458875974 502443463 493225943 467770803 459528628 Berdasarkan tabel diatas.5])(0.1.8 -1.[1.1)(1.4 -0.2 -0. Perbandingan Model Correlogram dengan Model Algoritma Genetika Metode Model ARIMA(2.0 1 5 10 15 20 25 Lag 30 35 40 45 (a) (b) Gambar 5.1.6 Autocorrelation Autocorrelation Function for C7 0.4.6 -0.6 -0.0)(1.1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.2 -0.1.0 -0.5])12 Algoritma Genetika ARIMA(0.1.4])12. Plot Partial Autocorrelation Function. Berdasarkan plot ACF dan plot PACF diatas.0)12 Correlogram ARIMA(2. maka model terbaiknya setelah dilakukan 12 generasi adalah SARIMA(0.0 1 5 10 15 20 25 Lag 30 35 40 45 0.8 Partial Autocorrelation Partial Autocorrelation Function for C7 (with 5% significance limits for the autocorrelations) 1.1. sedangkan jika menggunakan metode Algoritma Genetika.3.1.2 0.0)(2.[1.1.1.2 0.1.1.0)(0. maka model yang terbaik dengan metode Correlogram adalah model ARIMA (2.4 0.1)([4]. Kemudian hasil dari uji white noise menunjukkan bahwa asumsi tidak ada autokorelasi pada error di semua lag bisa dipenuhi.1)12 ARIMA(0.1)(1.1)(1.1.0)(2.0)12 ARIMA(0. sehingga model identifikasi menggunakan Algoritma Genetika sesuai untuk data tersebut. maka perbandingannya adalah sebagai berikut: Tabel 5.0)(0.1.1. (b).0 -0.0 0. identifikasi model menggunakan metode Algoritma Genetika dapat menghasilkan hasil yang lebih baik dibanding dengan metode correlogram.1.4 -0.(a).1.0)(1.6 0.1.1.[3.8 0.0 0.1.0)12 ARIMA(0.1.1)12 ARIMA(2.1.2.1.1. Setelah menghitung kriteria pemilihan model terbaik.4])12 ARIMA(1.1)12.

. IEEE Transaction on Signal Processing.. R. S..Prosiding Seminar Nasional Statistika Universitas Padjadjaran.C. S. Jakarta Chan. Badan Pusat Statistik. 2000.E. Lee.2 57. Makridakis.5 16. C.8 DF 8 20 32 44 P-Value 0. Metode Algoritma Genetika menghasilkan tingkat akurasi yang lebih tinggi dibandingkan dengan metode correlogram. M.685 0. A comparison of some of pattern identification methods for order determination of mixed ARMA models.811 0.. dan Reissel.K. 2002.835 0. V. W. edisi ketiga.05 yang menunjukkan bahwa asumsi tidak ada korelasi antar error sudah terpenuhi. G..C.. Peng.. Maximum Likelihood Parameter Estimation of F-ARIMA Processes Using the Genetic Algorithm in the Frequency Domain.079 Terlihat diatas bahwa nilai P-value semuanya diatas 0.M. 1999. 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. Chapman &C Hall/CRC Chen. Jenkins.. S. 1994. Buletin Statistik Bulanan. Hari Suminto. B. Time-Series Forecasting. 50 Gen. B. vol.E. Genetic Algorithms and Engineering Optimization. Indikator Ekonomi.. G. Kesimpulan dan Saran Pada makalah ini digunakan pendekatan metode Algoritma Genetika untuk mengidentifikasi model ARIMA dari data deret waktu.S.S. 2004 – 2010. Englewood Cliffs : Prentice Hall. Time Series Analysis Forecasting and Control.. 1999.5 24. Bina Rupa Aksara.P. Wheelwright. 6. Jakarta. John Wiley & Son Inc. Manajemen Risiko di Bidang Perbankan dan Asuransi | 227 .C. dan McGee. Metode dan Aplikasi Peramalan. dan Cheng. DAFTAR PUSTAKA Box. Canada. Chatfield. 13 November 2010 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 4. Jilid 1 Edisi Kedua.. G. Terjemahan Ir. Statistics & Probability Letters 42 (1) 69–79. 2000.

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

2006b).26 pada tahun 2005 (BPS. Penurunan TFR ini berdampak pada laju pertumbuhan penduduk (LPP). 2006 a).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Karena itu dalam makalah ini akan dibuat simulasi proyeksi penduduk Indonesia dengan asumsi TFR naik 5 % dan turun 5 % setiap periode proyeksi.26 (BPS.Pendahuluan Pada tanggal 29 Juni 1970. Berdasarkan hasil Sensus Penduduk 2000 (SP 2000) ternyata tujuan pertama telah tercapai bahkan dapat melampauinya. diharapkan pada tahun 2000 turun 50 % menjadi sebnesar 2.34 % pada periode 1961-1971 menjadi 1. TFR turun dari 5.97 % pertahun pada periode 1980-1990 dan menjadi 1. saat program Keluarga Berencana (KB) dicanangkan sebagai Program Nasional.5) SIMULASI PROYEKSI PENDUDUK INDONESIA DENGAN ASUMSI TFR NAIK DAN TURUN Yayat Karyana Jurusan Statistika FMIPA UNISBA E-mail : yayatkaryana@gmail. namun angka pertumbuhan penduduk mengalami penurunan dari 2. Turunya angka pertumbuhan tersebut salah satunya disebakan ada penurunan TFR (Total Fertility Rate).6. 1. Berdasarkan SP 1980. 1990. Manajemen Risiko di Bidang Perbankan dan Asuransi | 229 .8 yang artinya pada tahun 2000 setiap wanita usia subur rata-rata melahirkan antara 2 sampai 3 orang bayi. SP 2000. 13 November 2010 (S.26juta dan 219. 2006 b).5 % pertahun pada periode 1990-2000.20 juta ( BPS.77 juta. TFR pada tahun 1970 sebesar 5. Proyeksi penduduk Indonesia ini akan dibuat sampai tahun 2060 menggunakan Metode Komponen. Metode Komponen. Namun sekarang perhatian berbagai pihak terhadap program BKKBN sudah mulai memudar.6 pada tahun 1970 menjadi 2. Kata Kunci : TFR.25 juta. yaitu menurunkan Total Fertility Rate (TFR) dan melembagakan/membudayakan Norma Keluarga Kecil yang Bahagia dan Sejahtera (NKKBS). 179. Sehingga memungkinkan TFR naik lagi.20 juta orang. dan 146. LPP Indonesia periode tahun 1971-1980 sebesar 3. Meskipun LPP Indonesia terus turun namun jumlah penduduk Indonesia masih terus bertambah. jumlah penduduk bertamah terus dan berdasarkan hasil SUPAS 2005 penduduk Indonesia mencapai 219. dan berdasarkan hasil SUPAS 2005 TFR turun menjadi 2.2 % pertahun turun menjadi 1. Program KB Nasional mempunyai 2 tujuan.30 % per tahun pada periode 1990-2000.com ABSTRAK Berdasarkan hasil Sensus Penduduk dari tahun 1961 sampai dengan tahun 2005. Proyeksi Penduduk. SP SUPAS 2005 penduduk Indonesia berturut-turut adalah 206.

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

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

13 November 2010 Dx=P(x. 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. Data penduduk pada tahun dasar biasanya digunakan hasil Sensus Penduduk (SP) atau hasil Survey Antar Sensus (SUPAS).a) Sx (2) NM(x)= ASOMR(x) – ASIMR(x) P(x. 1972) x = umur Khusus untuk x = 0 tahun. untuk proyeksi penduduk dalam kelompok umur Sx diambil dari Table Kematian (Sinha. dan di sini diperlukan ASOMR dan ASIMR (6) (5) Manajemen Risiko di Bidang Perbankan dan Asuransi | 232 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 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) (3) ASOMR(x) adalah Age Specific Out-Migration Rate per orang ASIMR(x) adalah Age Specific In-Migration Rate per orang n =5 . proyeksi penduduk berumur 0 tahun yaitu P(0) didapat dari banyaknya kelahiran selama periode proyeksi. 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 asumsi tingkat kematian yang menggunakan level tabel kematian Jika dipisahkan proyeksi bayi laki-laki dan perempuan.

121. Pada kedua proyeksi tersebut sebelumnya sudah membuat estimasi parameter demografi penduduk Indonesia (BPS. Proyeksi yang didasarkan pada hasil SP 2000 hanya mencakup periode tahun 2000 – 2010. Asumsi mortalitas inipun makin lama makin turun. BPS dan UNFPA Badan Pusat Statistik (BPS) sudah beberapa kali membuat proyeksi penduduk Indonesia antara lain : Proyeksi Penduduk Indonesia per propinsi 1995-2005 (BPS. 18 dan 15. 28 . Dari asumsi tersebut piperkirakan bahwa pada tahuN 2025 setiap 1000 kelahiran hidup rata-rata terdapat kematian bayi 15 orang. BPS. 2001). 2015-2020 dan 2020-2025 berturut-turut adalah 36 . 2. 2. 2. 2. Dari asumsi tersebut piperkirakan bahwa pada tahu 2025 seorang penduduk wanita akan mempunyai anak rata-rata 2. 2002).3 Proyeksi Penduduk dari BAPPENAS. namun akan disimulasikan jika mengalami kenaikan.2 Asumsi Mortalitas Asumsi mortalitas yang diambil pada proyeksi tersebut adalah Angka Kematian Bayi (AKB). TFR untuk periode proyeksi tahun 2005-2010. AKB untuk periode proyeksi tahun 2005-2010. Manajemen Risiko di Bidang Perbankan dan Asuransi | 233 . Karena itu. 2015-2020 dan 2020-2025 adalah berturut-turut 2.3.276 .3.1 Asuimsi Fertilitas Asumsi fertilitas yang diambil pada proyeksi tersebut adalah Angka Kelahiran Total atau Total Fertility Rate (TFR). UNFPA.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 20102015. Proyeksi Penduduk Indonesia per Propinsi menurut Kelompok Umur dan Jenis Kelamin 2000-2010 (BPS.177. Untuk keperluan Rencana Pembangunan Jangka Menengah dan Renmcana Pembangunan Jangka Panjang diperlukan proyeksi penduduk sampai dengan tahun 2025. Pada proyeksi tersebut telah diambil asumsi antara lain : 2.072. Asumsi fertilitas ini makin lama makin turun. 2005). proyeksi penduduk tahun 2000 – 2025 dibuat atas kerjasama antara BAPPENAS. 2010-2015.072 orang anak diakhir masa reproduksinya.090 dan 2. 23. BPS dan UNFPA (United Nations for Population Funs Activities) pada tahun 2005 dengan data dasar hasil SP 2000 (BAPPENAS. 13 November 2010 2.1998).

3. 261..4 juta. 2. Berdasarkan asumsi fertilitas. angkanya menjadi kurang berarti.1 Bahan Bahan dalam penelitian ini yang diperlukan untuk proyeksi tersebut adalah : 1. karena meskipun ada.3. penduduk Indonesia masih bertambah.4 Proyeksi penduduk Indonesia tahun 2000-2025) Metoda proyeksi yang biasa digunakan oleh BPS untuk membuat proyeksi penduduk Indonesia adalah dengan Metoda Komponen (BPS. maka dibuatlah proyeksi penduduk Indonesia tahun periode 2000-2005. Hal ini dilakukan karena salah satu asumsi yang digunakan yaitu fertilitas diasumsikan naik dan turun.005. Jumlah penduduk Indonesia tahun 1985 samapi tahun 2005.477.0 juta. 2002). BAHAN DAN METODE Pada simulasi proyeksi penduduk ini akan menggunakan Metoda Komponen. mortalitas dan mobilitas di atas . 3.2 juta orang.572. Apalagi jika TFR tiap tahun mengalami kenaikan. 219.219. Dengan asumsi TFR turunpun. Tetapi untuk angka mobilitas antara propinsi tidak dianggap 0. Pada makalah ini akan dibuat simulasi proyeksi penduduk di mana fertilitas atau TFR tiap tahun mengalami kenaikan dan penurunan. namun jika dibandingkan terhadap jumlah penduduk Indonesia yang besar. 2015-2020 dan 2020-2025 berturutturut adalah 205. 2010-2015. TFR penduduk Indonesia tahun 1985-2005 Manajemen Risiko di Bidang Perbankan dan Asuransi | 234 .4 juta .132.3 Asumsi Mobilitas Asumsi mobilitas internasional penduduk Indonesia diambil 0. sedangkan asumsi moralitas diasumsikan mengikuti trend sebelum periode proyeksi. 247. 233.0 juta dan 273.7 juta . Level Mortalitas Penduduk Indonesia tahun 1985-2005 4. 2005-2010. maka pertambahan penduduknya akan makin pesat.204. 13 November 2010 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Jumlah penduduk menurut kelompok umur dan jenis kelamin tahun 2005 3. 2. 3.

Buat proyeksi level mortalitas tahun 2010-2060 menggunakan hasil 1) dan buat asumsinya. dan hitung angka pertumbuhannya. 5). 2025-2030. 2030-2035. 2020-2025. 4). Cari model trend level fertilitas tahun 1985 sampai tahun 2005.2 Metode Untuk memdapatkan proyeksi penduduk Indonesia sampai tahun 2060 langkah-langkah sebagai berikut : 1). 2015-2020. dan asumsi fertilitas turun. 2035-2040. 2020-2025. 2040-2045. 2) Hitung Laju pertumbuhan penduduk (LPP) dari tahun 2010-2015. 2040-2045. hasilnya adalah jumlah penduduk terus bertambah dan pada tahun 2060 terdapat 320 juta orang atau bertambah 50 % dari tahun 2005. sedangkan jumlah bayi sebanyak 23. hasil simulasi proyeksi penduduknya adalah sebagai berikut : 4. 2035-2040. 13 November 2010 3. HASIL PERHITUNGAN DAN PEMBAHASAN Dengan langkah-langkah perhitungan seperti dijelaskan di atas. Buat prroyeksi level fertilitas tahun 2010-2060 dengan memperhatikan hasil 3) dan dengan asumsi fertilitas naik.1 Proyeksi Penduduk Dengan Asumsi TFR Tetap Pada simulasi proyeksi ini asumsi TFR sama seperti pada tahun 2005. 2).5 juta orang atau Manajemen Risiko di Bidang Perbankan dan Asuransi | 235 . Cari model trend level mortalitas tahun 1985 samapi tahun 2005. 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 2055-2060. 2030-2035. 2015-2020. 2025-2030. 1) Hitung jumlah penduduk Indonesia tahun 2010-2015. 3).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. dan hitung angka pertumbuhannya. dan 2055-2060 berdasarkan hasil pada 5) 4.

8 8 % Manajemen Risiko di Bidang Perbankan dan Asuransi | 236 .3 18.9 1.7 2.6 2.5 30.3 17.1 320 1.4 2.4 310 30.2 2.6 8% 4.4 353 37.0 25.3 22.5 19.3 265 21. Tabel 4.7 3.3 17. Proyeksi ini sangat mungkin tidak terjadi karena pada kenyataannya TFR masih berubah.3 1.3 19.7 32.5 314 23.1 2.8 22.2 378 42.1 240 21.1 293 27.2 3.1 228 21.5 2.9 2.1 2.3 20.5 260 25.3 juta orang atau bertambah 180 % dari tahun 2005.3 28.2 276 21.0 284 21. seperti pada Tabel 4.6 20.3 25.3 22.7 3.7 35.3 24.3 18.2 2.6 3.1.4 2.9 23.5 23.8 277 26.1 54.3 3.0 307 22.7 2.1 227 20.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.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 19.6 2. hasilnya adalah jumlah penduduk terus bertambah dan pada tahun 2060 terdapat 447 juta orang atau bertambah 110 % dari tahun 2005.1 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. Tabel 4.2.7 293 22.9 2.3 2.8 447 2.8 330 33. 13 November 2010 bertambah 20 % dari tahun 2005.3 23.3 410 47.4 300 22.3 24.2 253 21.2 26. sedangkan jumlah bayi sebanyak 54.2 2.0 2.5 1.2 Proyeksi Penduduk Indonesia Dengan Asumsi TFR Naik 5 % Pada simulasi proyeksi ini asumsi TFR naik 5 % setiap periode proyeksi.2 243 23.8 3.7 2. seperti pada Tabel 4.0 24.2 2.3 21.

3 Proyeksi Penduduk Indonesia Dengan Asumsi TFR Turun 5 % Pada simulasi proyeksi ini asumsi TFR turun 5 % setiap periode proyeksi. KESIMPULAN DAN SARAN 5.4 20.1 2.0 263 14.4 260 16.0 2.1 Kesimpulan Dengan asumsi fertilitas naik 5 % setiap periode proyeksi atau setiap 5 tahun.6 1.9 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.3 Tabel 4.3 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 19.8 20.1 237 19.0 247 18. sedangkan jumlah bayi sebanyak 9.5 1.7 21.6 21.3 18.6 8 % 5. 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. maka penduduk Indonesia pada tahun 2060 naik menjadi 2 kali lipat penduduk tahun 2005.9 19. seperti pada Tabel 4.1 1.8 262 15.6 253 11.9 258 12.0 1.3 1.1 226 19.3 1.6 1.8 255 17. Manajemen Risiko di Bidang Perbankan dan Asuransi | 237 .4 2. 13 November 2010 4.1 262 13.6 19.0 19.9 juta orang atau turun 50 % dari tahun 2005.2 kali lipat atau sebanyak 246 juta orang.3 0.5 1.4 20.3 1.8 20.3 17.2 9. sedangkan apabila fertilitas turun 5 % setiap periode proyeksi maka penduduk Indonesia naik menjadi 1.2 246 1.5 20.

Estimasi Parameter Demografi Fertilitas. Yogyakarta. BPS. 2006 b. Makalah disampaikan pada SEMINAR SEHARI di FMIPA UGM. termasuk penataan ulang program dan pengagaran. Hasil SUPAS 2005. maka disarankan untuk menata ulang kebijakan tentang BKKBN sekarang . Yusuf. Manajemen Risiko di Bidang Perbankan dan Asuransi | 238 . 13 November 2010 5. edisi Jumat. BKKBN Tidak Bisa Menempatkan Kebijakan Yang Sama. Suara Pembaharuan. Pelaksanaan Program KB Mulai Mengendur.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2001. Methods for Population Projection by Sex and Age. Bombay. Sugiri. Yayat.. 2007..2 Saran Agar supaya proyeksi penduduk terjadi sesuai yang diharapkan. 2006 a. Pikiran Rakyat. Population Studies No : 25 U. ___. Proyeksi Penduduk Indonesia per Propinsi menurut Kelompok Umur dan Jenis Kelamin 2000-2010. 2002. Departement of Economic and Social Affairs. dan semua pihak diharapkan dapat membantu program pemerintah pusat dan daerah sehingga penduduk dapat tumbuh seimbang dan dapat dipenuhi segala kebutuhannya. Karyana. Proyeksi Penduduk Indonesia 2000-2025. Estimasi Fertilitas. 20 Juli 2007. 2005. New York. Manual III.N. Sinha U. Mortalitas dan Migrasi. Proyeksi Penduduk Dengan Menggunakan Metoda Campuran. Syarief. Mortalitas dan Migrasi. DAFTAR PUSTAKA BAPPENAS. Proyeksi Penduduk Indonesia per Propinsi 1995-2005. 2007. Penduduk Indonesia. Kalla. ___. edisi 7 Pebruari 2007. 1972 United Nations. Complite Life Table Based on Coale and Demeny Model (West) Life Table.P. ___. ___. BPS dan UNFPA. 2000. 1952.1998.

1996). ABSTRAK Sejak konstruktivisme digunakan sebagai cara berpikir tentang pengetahuan dan tindakan belajar terjadi perubahan pendekatan pembelajaran di dalam kelas. 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. Kajian ini merupakan studi kasus yang membahas penerapan scaffolding untuk peningkatan Pembelajaran matematika di kelas Sekolah Menengah Pertama (SMP). Studi kasus ini mengambil subjek Guru Matematika di suatu SMP negeri di Malang yang menyelenggarakan program akselerasi. berubah ke arah pembelajaran yang berpusat kepada siswa. 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.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. bukan mengisinya. Dalam tingkat ZPD. 13 November 2010 (S. anak mempunyai kemampuan pemecahan masalah di bawah bimbingan orang dewasa atau teman sebaya yang lebih mampu (Sheffer. Bantuan siswa dalam belajar itu dikenalkan oleh Manajemen Risiko di Bidang Perbankan dan Asuransi | 239 . Scaffolding pada Kegiatan Kelas Menurut teori yang diajukan Vygotsky bahwa proses belajar terjadi ketika anak masih berada pada jangkauan ZPD mereka. Pada pendekatan tradisional menempatkan guru sebagai tokoh sentral dalam proses pengajaran yang berperan mentransfer pengetahuan mereka kepada siswa. 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. Seperti dikatakan Heberman dalam Diaz (2006) bahwa guru yang efektif harus menarik keluar pengetahuan dari siswa .

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. yang melayani untuk mendukung belajar siswa dalam matematika. 13 November 2010 Vygotsky (1978) sebagai scaffolding. Pengertian itu juga sejalan dengan yang dikemukakan Wood dkk. Meskipun banyak laporan yang telah menunjukkan tentang kemajuan kinerja siswa. Bruner. Angghileri (2006) mengajukan tingkatan penerapan skoffolding dengan memilah scaffolding pada tiga level dukungan guru. Level 2 melibatkan interaksi langsung antara guru dan siswa yang difokuskan pada tugas.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. baik sebagai hasil dari perencanaan yang sadar atau secara tidak sengaja (default). bahwa „scaffolding‟ merefleksikan cara orang dewasa membantu siswa ketika dia belajar dan pada akhirnya melepasnya ketika dia sudah bisa mandiri (Wood. Temuannya telah banyak diadops dan digunakan dalam menentukan kebijakan yang membantu pengajaran matematika yang efektif. & Ross. Untuk kegiatan kelas. belajar mandiri. 1976). Para pakar dan praktisi pendidikan telah aktif terlibat dalam penelitian tentang pendidikan matematika. Strategi tersebut bervariasi dari instruksi langsung yang menunjukkan dan memberitahu kearah membuat makna yang lebih kolaboratif. kerja tim dan kemampuan komunikasi. 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. A. keterampilan berpikir tingkat tinggi. Diharapkan bahwa para siswa akan terlibat dalam pembelajaran lebih bermakna dan berbagai keterampilan berfikir siswa. 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 . 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.. Perubahan Paradigma Pembelajaran Abad ke-21 ini ditandai dengan kemajuan pengetahuan dan teknologi pembelajaran. matematika tampaknya masih menjadi salah satu mata pelajaran yang sulit bagi siswa. Level 1 merujuk kepada petunjuk (promt) dan rangsangan yang ada di lingkungan.

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

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

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

skema adalah struktur kognitif yang digunakan oleh siswa untuk menyesuaikan dengan lingkungan dan mengorganisasikannya.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. p. Slavin (2000.59) menyatakan skema adalah pola tingkah laku yang dapat berulang kembali. Slavin juga menggaris bawahi pandangan Piaget bahwa pengetahuan didapat dari pengalaman. 13 November 2010 dukungan bahwa orang dewasa menyediakan dalam membantu anak untuk belajar bagaimana melakukan tugas yang tidak dapat dikuasai sendiri. cara yang yang digunakan organisme untuk mengembangkan kemajuan intelektual mereka didasarkan pada kedua fungsi yaitu organisasi dan adaptasi. Makalah ini membahas upaya peningkatan pembelajaran matematika di kelas dengan penerapan scaffolding. Menurut Piaget. Dengan skema anak akan memproses dan mengatur informasi dalam mentalnya. terutama jika dikaitkan dengan model pembelajaran konstruktivisme. dan perkembangan mental siswa bergantung pada keaktifannya berinteraksi dengan lingkungan (Slavin. 2000). Manajemen Risiko di Bidang Perbankan dan Asuransi | 244 . baik oleh Piaget maupun Vygotsky. Uraian berikut akan memberi gambaran tentang teori belajar. B. skema adalah pola tingkah laku dan pemikiran yang dapat berulang kembali.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Hudojo (2003. Penguasaan terhadap suatu skema baru mengindikasikan adanya perubahan di dalam struktur mental siswa. Jadi mengacu pada kedua pendapat Hudojo dan Slavin. p. Dengan demikian. Sedangkan kemampuan seseorang untuk beradaptasi dengan lingkungan dikendalikan melalui organisasi-organisasi mental yang disebut skema. Organisasi mengacu pada kemampuan untuk mengestimasi atau mengorganisasi proses-proses fisik atau psikologis menjadi sistem yang teratur dan berhubungan. Akar Teoritis Pembelajaran dengan Scaffolding Model pembelajaran konstruktivis didasarkan terutama pada karya psikolog Swiss Jean Piaget dan teori sosial pikiran Vygotsky.

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

(Dixon-Kraus. 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.274-275). Dalam hubungan ini. Konstruktivis Vygotskian memandang bahwa pengetahuan dikonstruksi secara kolaboratif antara individu dan keadaan tersebut dapat disesuaikan oleh setiap individu. yaitu proses yang menekankan pada aspek interkasi sosial masing-masing individu dalam budaya mereka. yaitu melalui proses regulasi diri secara internal.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. para konstruktivis Vygotskian lebih menekankan pada penerapan teknik saling tukar gagasan antar individu (Sheffer. Proses dalam kognisi diarahkan melalui adaptasi intelektual dalam konteks sosial budaya. yaitu Manajemen Risiko di Bidang Perbankan dan Asuransi | 246 . Proses penyesuaian itu ekivalen dengan pengkonstruksian pengetahuan secara intra individual. 13 November 2010 adalah suatu proses dimana pengetahuan dibangun dan diuji secara kontinu. (2) tentang Zona of Proximal Development (ZPD). 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. 1996. Dengan demikian dalam pandangan Vygotsky bahwa pembelajaran merupakan aspek sosiokultural. Zona of Proximal Development adalah daerah antar tingkat perkembangan sesungguhnya yang didefinisikan sebagai kemampuan memecahkan masalah secara mandiri dan tingkat perkembangan potensial. pengertian dan kompetensi. Untuk menjawab pertanyaan tersebut di atas kita biasa menggunakan gagasan Vygotsky tentang teori kognitif sosial. Pengetahuan mereka harus diuji kebenarannya oleh dunia luar individu atau grup sosial untuk selajutnya diterima sebagai pengetahuan mereka bersama. Dan objektivitas itu sendiri dipahami sebagai sosial artinya menjadi pengetahuan yang objektif jika sudah ada pengujian dan penerimaan secara sosial (social accepted). p. 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. 1996:8). Guru sebagai mediator memiliki peran mendorong dan menjembatani siswa dalam upayanya membangun pengetahuan.

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

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

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

Reviewing.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 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 .dikaitkan dengan keterlibatan yang lebih besar dari siswa di kelas matematika. and Restructuring emotif feetback Structured tasks self correcting Restructuring providing meaningful contexts tasks rephrasing student‟s talk Reviewing looking. 13 November 2010 generalisasi dan perluasan . 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.

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

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

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

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

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

KONTRIBUSI Dari sisi produk . 4. Terhadap 8 SOP di atas diturunkan hipotesis dengan cara menambahkan kata “tidak”pada statement yang akan menghasilkan output 6. Melakukan koordinasi dengan Dispenda kota Bandung. Memberikan masukan untuk mengefektifkan pengawasan kasus-kasus yang memerlukan pengawasan ketat. Berdasarkan hasil perbaikan SOP pada langkah sebelumnya diperoleh 8 SOP yang memiliki prioritas tinggi. Dari Sisi Metoda Bagi Ilmu Pengetahuan metode pengawasan yang telah dikembangkan merupakan aplikasi baru metode pengendalian mutu Standard Sampling Procedure Military 105D. 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. b. Expert Opinion. II. Membuat SOP yang tidak dimiliki KPP Pratama b. 8. 5. Pilot Survey 3. Trust Random Number. Memberikan metode pengawasan untuk mengendalikan tingkat kesalahan Bank Data ZNT akibat legal dan illegal updating sampai tingkat tertentu.FIELD ANALYSIS Kerangka kerja dari Field Analysis adalah sebagai berikut: A. Menetapkan populasi.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.25 dan bound of error yang ditetapkan sehingga diperoleh n=10 step. 1. Pakar melakukan pengecekan hipotesis yang dihasilkan dan melakukan koreksi bila terjadi kesalahan 7. Mengkompilasi hasil 10 sampel random ke dalam table konstruksi hipotesis Manajemen Risiko di Bidang Perbankan dan Asuransi | 256 . Memilih 10 sampel hipotesis dari langkah 6 secara random. Penjaringan Kasus hipotetis. ada atau tidak ada hipotesis. 3. Formula ukuran sampel diperoleh menggunakan model binomial dengan alfa 5% dan standar deviasi maksimal sebesar 0. 4.Setiap steps dipandang sebagai sebuah trial Bernoully yang menghasilkan dua kejadian.8 SOP yang sudah diperbaiki ini memiliki total 84 steps. SASARAN a. Terdapat fakta ilmiah mengenai kesenjangan pada sistem pengawasan internal aktivitas pemungutan PBB. Menentukan langkah-langkah untuk mengurangi kesenjangan dalam sistem pengawasan internal aktivitas pemungutan PBB. Dipilih gabungan cara Mechanical. Menetapkan ukuran sampel. a. 2. 13 November 2010 b. Memilih metoda untuk menurunkan hipotesis atau dugaan logis mengenai prosedur-prosedur yang berpeluang besar menghasilkan kasus PBB.

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.II. Pilot Survey Pilot survey dilaksanakan dalam format scenario wawancara terbuka customer lens.[ 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. 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.Untuk keperluan tersebut diperlukan langkah berikutnya yaitu Pilot Survey.Organisasi akan mengeluarkan resources secara sia-sia. maka terpaksa membuka kemungkinan dengan memancing kasus sebagaimana diproduksi oleh langkah 8 yang dikompilasi dalam table Kasus hipotetis. 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.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.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. Manajemen Risiko di Bidang Perbankan dan Asuransi | 257 .Pelayanan I. B.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

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

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

AQL merupakan parameter manjerial yang penetapannya di bawah kendali manajemen. World Bank]. dengan kata lain jika tidak ada kasus tidak perlu dilakukan pengawasan. Kesalahan bisa terjadi karena hal-hal sebagai berikut: a.Di samping itu dipilih AQL 5% karena tingkat kesalahan yang terjadi diduga 10% berdasarkan studi literature.Sebagai upaya awal kami akan memposisikan Dispenda Kota Bandung untuk mencapai tingkatan three sigma dengan tingkat kesalahan sekitar 5%. Kompas. Metoda pengawasan yang dikembangkan berbasis kasus. Susan Rose Nackerman menyatakan bahwa praktek pembocoran pajak bisa mencapai 25 % [ Korupsi Pemerintahan . Resep yang manjur tentu bukan hanya sekedar menghilangkan gejala penyakit tetapi lebih jauh dari itu yaitu menyerang penyebabnya. Identifikasi Penyebab kasus Metoda pengawasn internal yang efektif bisa dianalogikan dengan sebuah resep untuk menyembuhkan penyakit. 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 . 21 Oktober 2010]. Kasus yang diawasi Pada kajian akademis ini dikembangkan system dan prosedur pengawasan internal pemungutan PBB.Berikut adalah langkah langkah perancangannya. 13 November 2010 Basri Korupsi perpajakan mencapai 15% dari Belanja Negara [Catattan 1 decade crisis 2005]. Untuk keperluan ini harus dirancang dulu metoda pengawasannya. Illegal up date bisa dilakukan oleh otoritas atau oleh Non Otoritas Manajemen Risiko di Bidang Perbankan dan Asuransi | 260 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. adalah angka kesalahan yang masih dapat ditoleransi oleh manajemen. Kesalahan pada saat terjadi illegal up date dimungkinkan oleh dua hal yaitu kelalaian atau kesengajaan b. Hanya setelah penyebab kasus diketahui kita bisa mengusulkan resepnya.. 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%. Acceptable Quality Level [AQL ]. 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. 1.00034%. 2.Jadi metoda pengawasan internal yang baik harus diarahkan terhadap bagaimana menghilangkan penyebab atau paling tidak menguranginya. Pakar P3ST menetapkan taksiran angka kesalahan pada pencetakan SPPT Buku IV dan V sebesar L0= 10%.Pakar P3ST merekomendasi penetapan AQL dengan merujuk pada pendekatan Six Sigma. B.Angka Kebocoran pajak di Surabaya bisa mencapai 10% yaitu sebesar 60 milyar/tahun [Kepala Dinas Pendapatan dan Pengelolan Keuangan Surabaya.

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

• Jika SPPT yang memiliki kesalahan Kode ZNT berjumlah di atas target maka lakukan “Penindaklanjutan Khusus”. TEKNIK PENGACAKAN WAKTU PEMERIKSAAN • Pada setiap akhir minggu ditentukan apakah pada minggu depan harus dilakukan pemeriksaan. dengan SKEMA PENGAWASAN D. • Jika SPPT yang memiliki kesalahan Kode ZNT berjumlah di bawah target maka lakukan “Penindaklanjutan Normal”. 13 November 2010 • • Mengunci Bank Data selama proses pemeriksaan. TEKNIK PENINDAKLANJUTAN • Jika tidak ditemukan SPPT yang memiliki kesalahan Kode ZNT maka penindaklanjutan tidak dilakukan. PEMBUATAN SOP Berdasarkan hasil perancangan di atas kemudian dibuatlah SOP Pedngawasanya dengan hasil sebagai berikut: 1. 3.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. • Penentuan harus tidaknya dilakukan pemeriksaan ditentukan menggunakan teknik “Pengambilan Satu Kartu Tanpa Pengembalian”. Otoritas penguncian dan pembukaan kunci Bank Data ditentukan secara acak. 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 . 4.

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

Pelaksana Seksi Pengawasan menentukan tim pengawas pemeriksa SPPT yang terdapat pada P001-D002S (beranggotakan 15 orang). Untuk menentukannya. P001D002S berisi daftar SPPT Buku IV dan V yang harus diperiksa. 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. Prosedur: 1. Pelaksana Seksi Pelayanan menentukan ketua dari setiap tim tersebut. Jika tidak Manajemen Risiko di Bidang Perbankan dan Asuransi | 264 . 7. 6.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). Kepala Seksi Pengawasan menggunakan SOP RANDOMISASI PENGAWASAN BANK DATA ZNT / NIR SPPT BUKU IV DAN V BASIS MINGGUAN (SOP P003). Pelaksana Seksi Pengawasan menyerahkan konsep surat tugas P001-D003 kepada Kepala Seksi Pengawasan.Selambat-lambatnya 1 jam setelah menyelesaikan langkah 1. 13 November 2010 f. 5.Pelaksana Seksi Pengawasan Membuat konsep Surat Tugas Pengawasan Bank Data ZNT / NIR SPPT Buku IV dan V (P001-D003) dengan dokumen P001D002S.30 pada hari Jum‟at terakhir minggu ini. Jika tidak harus melakukan pengawasan maka proses selesai. Jika setuju dengan isi konsep surat. P001-D002P berisi daftar pengawas pemeriksa SPPT yang terdapat pada P001-D002S.Kepala Seksi Pengawasan memeriksa konsep surat P001-D003. 2. Untuk menentukannya.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.Pada setiap hari Jum‟at Kepala Seksi Pengawasan menentukan apakah minggu depan harus melakukan pengawasan atau tidak. Kepala Seksi Pengawasan memarafnya.Paling lambat empat jam setelah menerima disposisi P001-D001. 4. Kepala Seksi Pengawasan harus sudah menentukan perlu tidaknya melakukan pengawasan selambat-lambatnya pukul 09. dan P001-D002P sebagai lampirannya. Pelaksana Seksi Pelayanan menggunakan SOP RANDOMISASI PEMILIHAN KETUA TIM PEMERIKSA SPPT (SOP P005). Pelaksana Seksi Pelayanan membuat dokumen P001-D002S. Pelaksana Seksi Pelayanan membuat dokumen P001-D002P. 3.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 setuju dengan isi konsep surat. Nama Wajib Pajak.Proses Selesai Manajemen Risiko di Bidang Perbankan dan Asuransi | 265 .Kepala Kantor Pelayanan Pajak memeriksa isi konsep surat P001-D003.Paling lambat lima jam setelah membuat disposisi P001-D001. Alamat Objek Pajak. 15. Paling lambat satu jam setelah menerima konsep surat P001-D003. 10.Kepala Seksi Pengawasan menyerahkan surat tugas P001-D003 yang sudah ditandatangani Kepala Kantor Pelayanan Pajak kepada Pelaksana Seksi Pelayanan.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. Alamat Wajib Pajak.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). Pelaksana Seksi Pengawasan menyerahkan salinan surat tugas tersebut kepada setiap ketua Tim Pengawas Pemeriksa SPPT. Kepala Seksi Pengawasan menyerahkannya kembali kepada Pelaksana Seksi Pengawasan untuk memperbaikinya. Dokumen P001-D004 berisi informasi mengenai SPPT-SPPT yang terdapat pada dokumen P001-D002S. 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. 9.Pelaksana Seksi Pengawasan membuat salinan surat tugas P001-D003 dengan cara memfotokopinya. 8. Kepala Kantor Pelayanan Pajak menandatanganinya kemudian menyerahkannya kembali kepada Kepala Seksi Pengawasan.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. Jika tidak setuju dengan isi konsep surat tersebut. Kepala Kantor Pelayanan Pajak menyerahkannya kembali kepada Kepala Seksi Pengawasan untuk memperbaikinya. Pelaksana Seksi Pengawasan menyimpan surat tugas P001-D003 asli sebagai arsip. Kepala Seksi Pengawasan menyerahkan konsep surat P001-D003 kepada Kepala Kantor Pelayanan Pajak. NPWP. Proses kembali ke langkah 7. Informasi yang dimaksud meliputi Nomor SPPT. Nama Objek Pajak. dan Kode ZNT. Jika setuju dengan isi konsep surat tersebut.Ketua Tim Pengawas Pemeriksa SPPT yang terdapat pada dokumen P001D002S mencetak daftar informasi SPPT (P001-D004) dengan disaksikan oleh Kepala Seksi PDI. Kepala Seksi PDI menandatangani dokumen P001-D004. 11. 12. Kepala Kantor Pelayanan Pajak harus sudah menandatangani konsep surat tersebut.

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

3.5%. Alamat WP. NPWP. 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. Jika alamat Objek Pajak Sesuai dengan Kode ZNT. Nama. Nama Object Pajak. Ketua Tim Pengawas Pemeriksa SPPT menyerahkan Surat Pemberitahuan Hasil Pemeriksaan SPPT kepada Kepala Kantor Pelayanan Pajak. Proses Selesai Manajemen Risiko di Bidang Perbankan dan Asuransi | 267 . Selambat-lambatnya 5 hari kerja sejak Surat Tugas P001-D003 ditandatangani. Kepala Kantor Pelayanan Pajak menindaklanjuti Hasil Pemeriksaan SPPT.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Kode ZNT tercatat dan keterangan bahwa SPPT tersebut fiktif. Jika Objek Pajak itu ternyata tidak ada atau bukan milik NPWP yang dimaksud. Jika kode ZNT yang terdapat dalam daftar tersebut tidak sesuai dengan Alamat Objek Pajaknya maka Tim Pengawas Pemeriksa SPPT menuliskan No SPPT. Alamat WP. 13 November 2010 1. Nama Objek Pajak. 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. 2. Ketua Tim Pengawas Pemeriksa SPPT membuat Surat Pemberitahuan Hasil Pemeriksaan SPPT (P002-D002). 4. 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). Tim Pengawas Pemeriksa SPPT memeriksa kebenaran SPPT yang terdapat dalam daftar SPPT yang harus diperiksa dengan cara sebagai berikut : a. 5. Kode ZNT tercatat dan kode ZNT seharusnya pada Daftar SPPT yang salah (P002-D001) b. maka bandingkan Alamat Objek Pajak dengan Alamat yang tertera pada Sertifikat Objek Pajak tersebut. Anggota Tim Pengawas Pemeriksa SPPT menandatangani Daftar SPPT yang salah (P002-D001) dan menyerahkannya kepada Ketua Tim Pengawas Pemeriksa SPPT. NPWP. maka tuliskan No SPPT. Surat tersebut menginformasikan baik buruknya kualitas Bank Data ZNT/NIR SPPT Buku IV dan V. jika tidak sama atau sertifikat tidak ada maka lakukan kunjungan ke lokasi Objek Pajak.

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. 1814.2 dan ROI kurang dari 6 tahun. 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 . 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. 2. Terjadi apabila system dapat menekan kerugian [kesalahan ] sampai tingkatan AQL. 13 November 2010 E.Dalam hal ini keuntungan dilaksanakannya pengawasan adalah selisih antara kerugian akibat kesalahan kode ZNT dengan atau setelah dilaksanakannya pengawasan.2 dan Return On Investment [ ROI] di bawah 6 tahun. Berdasarkan penjelasan di atas benefit merupakan besarnya pengurangan kerugian.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. FEASIBILITY STUDY 1. Artinya apakah ada suatu cara untuk menekan kesalahan sampai mencapai AQL menjadi 5% dengan BCR sebesar 1. Benefit adalah manfaat yang diperoleh per tahun masa stabil. Menetapkan Criteria Feasibility Kelayakan dari metoda yang dikembangkan diuji untuk menjamin atau memastikan bahwa metode Feasible untuk mencapai tujuan. Feasibility metoda inspeksi yang dikembangkan diukur oleh dua parameter keputusan yaitu Benefit To Cost Ratio [BCR] sebesar 1. 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. Masa stabil ialah masa ketika inspeksi dan penindaklanjutannya dapat menekan kesalahan sampai tingkat tertentu.

Nilai ini bergantung kepada Ns dan metode penindaklanjutan hasil inspeksi. 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. Biaya yang dikeluarkan pada masa transisi bisa dianggap sebagai biaya investasi sehingga kita harus menghitung berapa lama ROI akan tercapai. Kita perlu menghitung berapa lama masa transisi akan terjadi dan berapa biaya yang dikeluarkan pada masa transisi.parameter manjerial masa stabil) Dalam menghitung ROI telah dipergunakan formula di bawah ini: ROI = Tr+ (Cr / Bs) Cr adalah biaya masa transisi. Jika Ns semakin kecil maka Dipl semakin kecil. parameter manjerial masa transisi. Oleh karena itu perlu dihitung Lama Masa Transisi (Tr). ROI=g(parameter factual. Jika metode penindaklanjutan makin lemah maka Dipl semakin kecil. parameter manjerial masa stabil) Definisi ROI: waktu yang diperlukan agar biaya masa transisi tertutupi oleh keuntungan dilaksanakannya pengawasan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 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. 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 . Pada masa transisi dilakukan metode inspeksi dan penindaklanjutan hasil inspeksi yang diterapkan pada masa stabil. Masa transisi ialah masa untuk mengusahakan agar tercapai masa stabil.

909.96. dan investasi akan kembali setelah 4 tahun masa stabil. 947. sehingga mulai tahun ke tujuh akan diperoleh benefit 1. sehingga diperoleh BCRs sebesar 1.5% . Angka BCRs =1. 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. X=5. parameter ini misalnya karakteristik mesin.parameter ini tidak dapat dikendalikan oleh manajemen. Menetapkan parameter-parameter factual Parameter factual adalah parameter yang nilainya merupakan karakteristik lapangan. CFPD=Rp.20 untuk masa transisi [ TR ]selama 2 tahun ROI = Cr / Bs = 4 tahun.000. H=Rp.432.2 merupakan angka yang reasonable jika merujuk pada praktek perbankan khususnya bank Persero. Berdasarkan hal-hal di atas ROI dapat diperoleh seprti dilaporkan di bawah ini: 3.2 kali besarnya pengeluaran. 2 kali pengeluaran dalam waktu kurang dari 8 tahun. Tdk= ekspektasi waktu untuk memeriksa satu datum (jam) di kantor.717. 789.Jika Manajemen Risiko di Bidang Perbankan dan Asuransi | 270 .165.Hal ini berarti untuk mencapai masa stabil diperlukan masa transisi selama 2 tahun. Postulat Kesalahan dapat ditekan sampai 5% dengan BCR minimal 1. M mencerminkan proporsi keadaan populasi. dalam hal manufaktur. Berdasarkan data BCRs BNI tahun 2001 dan 2010 diperoleh rerata BCRS bank BNI sebesar 1. Bank yang diacu oleh P3ST adalah bank BNI.84/tahun. atau pemasukan sebesar 1.3. biaya operasional [Cs]sebesar Rp.28 jam.M=probabilitas perlunya dilakukan penelitian lapangan per datum M=0.527. Hal ini berarti metoda inspeksi yang dikembangkan akan menghasilkan inflow sebesar 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.65 tahun. 2. TDK= 0.2 kali outflow .40.571. Konsumsi energi dihitung setelah system memasuki kondisi stabil. Parameter ini merupakan system fisik. Fr=2.000 b.264.2.527. SOP Pengawasan yang dikembangkan terbukti feasible secara analitik pada kondisi hipotetik dengan benefit [Bs] sebesar Rp.2 dan ROI kurang dari 10 tahun bila L0=10%.789. atau spesifikasi system.fenomena seperti ini sama naturalnya seperti menghitung efisiensi konsumsi energy listrik pada peralatan elektronik.264.86/tahun . Ns=22 kali inspection. dan biaya investasi [Cr] Rp1.566. Selanjutnya berdasarkan perhitungan diperoleh Tr selama 1. Parameter-parameter tersebut adalah. Feasibility study kondisi hipotetik Hasil perhitungan menunjukkan bahwa Cs= Rp. Dalam hal ini kita lakukan langkah-langkah berikut ini: a.

c.2 menghasilkan NS=30.165.2. Artinya tidak ada sampel yang paling bagus selain 5.222. 4. R= Rp 1814.1%. dan Fr.NS .2jam .5 %. dan tingkat ketelitian inspeksi terbaik [general Inspection Level III ] menunjuk pada kode M dengan ukuran sampel sebanyak 315 unit atau sebesar 5.Ukuran sampel 5. TDl=5.Parameter manajerial masa Stabil adalah parameter untuk mengendalikan masa stabil. L0= 10% . padahal kita menetapkan NS sebanyak 22 kali.walaupun ada fakta yang ditunjukkan oleh BNI bahwa BCR yang bisa dicapai adalah 1.Parameter ini diberi symbol X. b.64.Ukuran populasi sebanyak 5768 . Setting BCR=1. Kesimpulan: Input nilai-nilai parameter keputusan. c. X=rasio ukuran sampel terhadap ukuran populasi . Hal ini berarti telah terjadi penyelamatan biaya sebanyak 8 kali inspeksi. Kita harus menghitung sampel yang tepat sebagai parameter manjerial masa stabil pertama.6 bisa kita harapkan .Mengapa?hal ini dapat dijelaskan sebagai berikut: a. Artinya kita bisa berharap pada kenyataannya mendapatkan BCR menjadi.2 dan ROI 4 tahun. maka suatu sampel berukuran tertentu diharapkan juga kan memuat proporsi populasi sebesar 30%.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. artinya jika NS ditetapkan pada nilai tertentu. 13 November 2010 proporsi SPPT tak bersertifikat dalam populasi adalah 30%. B=Rp. maka angka BCR sebesar 1. maka CFPD dan Fr harus ditetapkan sebagi konsekuensi logis dari NS. dan parameter manajerial tersebut di atas memberikan hasil yang menunjukan bahwa metoda pengawasan bersifat efektif dan feasible.5%.5% juga mengisyaratkan bahwa tidak beralasan menaikkannya lebih dari itu.2. parameter factual. P=5768 SPPT.64. B = ekspektasi biaya transport untuk melakukan penelitian lapangan per Datum. 2 memberikan keyakinan lebih besar untuk dicapai. ukuran tersebut sudah yang terbaik.dan Z= 1811m2/SPPT . 1. 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].000 dan Fr=2 kali. Jumlah inspeksi pertahun ditetapkan sebanyak 22kali dan ini bersesuaian dengan CFPD =Rp. Ada tiga parameter manjerial yang bersifat intercorrelated NS=22 kali/tahun . Hal ini ditempuh dengan mengikuti prosedur sampling standar yang telah dikembangkan . yaitu MIL STD 105 E. Feasibility Study kondisi Hypothetic Setting Triplet parameter manajerial masa Stabil. Jika angka BCR sebesar 1. CFPD.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.Penyelamtan biaya ini secara perhitungan matematis akan diikuti oleh peningkatan BCR menjadi 1. Manajemen Risiko di Bidang Perbankan dan Asuransi | 271 .

31 1.000 ROI 5 4 4 6 BCRs 1. biaya follow up masa transisi maksimum sebesar 6 kali biaya follow up masa stabil.814 1. Maka Fr harus dinaikan. Di samping itu penurunan NS berarti ada penyelamatan sebanyak 19 inspeksi dari 30 inspeksi. hal ini akan diikuti oleh peningkatan BCR.Artinya jika BCR diset sebesar satu itu tidak mungkin karena malah jadi rugi. Sensitivity Analysis merupakan kegiatan untuk memeriksa bagaimana kalau terjadi kesalahan pada nilai-nilai parameter Factual dan parameter lainnya.Artinya persiapan inspeksi harus lebih serius dan lebih baik daripada sebelumnya.5% Ns 22x CFPD Rp. Hal ini memiliki konsekuensi untuk meningkatkan biaya follow-up masa transisi atau Fr.000 165. dengan kata lain kita harus mempersiapkan worst case scenario.31 Feasible Yes No Yes Yes Manajemen Risiko di Bidang Perbankan dan Asuransi | 272 .Artinya Sensitivity Analysis berupaya untuk mengetahui keadaan terburuk yang akan terjadi sehingga kita dapat mengantisipasinya.4 R 1.2.Apa yang harus dilakukan?Jika NS turun artinya kita harus bisa efektif dengan jumlah inspeksi yang lebih kecil.5% 5.3 0.3 0. karena model is always less complex than reality.814 Fr 2 2 2 2 X 5.1814 2 x X 5. Lo 10% M 0.Ternyata berdasarkan trial and error pada model perumusan.5% 5. angka BCR yang tolerable adalah BCR=1.Hal ini muncul dari kesadaran bahwa Model inspeksi yang dikembangkan memuat error.814 1.165.039 dengan maksimum Fr.Akan tetapi kita sudah yakin dengan BCR sebesar 1.Sensitivity Analysis L0 10% 8% 9% 10% M 0.2 yes 5. Bagaimana jika untuk setting parameter pada kajian Feasibility nilai m dirubah dengan nilai m=1 ? ini merupakan kondisi ekstrim.3 0. Hasilnya adalah NS turun menjadi 11 kali inspeksi dan ROI menjadi 10 tahun .2 0. Sensitivity Analysis Sensitivity Analysis dilakukan untuk melihat apa yang terjadi jika nilainilai parameter tidak sesuai dengan kondisi yang diharapkan. 13 November 2010 Berikut adalah feasibility study yang disajikan secara kompak dalam format tabular.5% Ns 22 22 22 22 Cfpd 165.3 R Fr Rp. 000 ROI 5 BCRs Feasible 1.5% 5.000 165. maka yang harus dilakukan adalah menurunkan BCR dan Fr secara serempak sampai batas-batas BCR dan ROI yang tolerable.000 165. Tabel . atau kondisi terburuk yang tidak diharapkan .98 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.814 1. expect the unexpected. tetapi kita harus mengantisipasinya. melampaui batas kelayakan . Kajian sensitivity analysis secara kompak disajikan pada table di bawah ini.

192 1.205 1.1 dan R Manajemen Risiko di Bidang Perbankan dan Asuransi | 273 .4 0.4 0. Agar metoda pengawasan ini feasible.814 1.Setelah dilakukan analisis regresi multivariat diperoleh model sebagai berikut: Y= -5.4 0. Berdasarkan data hasil Sensitivity Analysis pada table di atas kita dapat mencoba mengenali pola data dengan melakukan pendekatan analisis model regresi multivariate.000 6 4 4 4 6 4 4 6 6 4 4 4 1.000 165.5% 5.5% 5.2268 L0 -6.3 0.100 190.5% 5. atau -5.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.2268 L0+ 0.2268 L0 -6.023 M +0. Artinya 87 % dari keputusan model ini diharapkan benar.4 0.700 1.945+ 6.814 1. Model tersebut dapat diterima dengan melihat nilai signifikansi Alfa sebesar10%.600 1.4 0.000 165.5% 5.002R >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 < (6.002R.225 1.2 1.5% 5. maka nilai y harus lebih besar sama dengan 1 sehingga diperoleh pertidaksamaan y>=1.Variable dependen model tersebut adalah kondisi feasibility yang di beri kode 0 dan1.675 1.195 1. Model ini memiliki akurasi klasifikasi sebesar 87%.3 0.675 2 2 2 2 2 2 2 2 2 2 2 2 5.16 1.4 1.700 1.000 165.baris ke 1 adalah kondisi hipotetik. Misal kita buat L0=8%.045 1.5% 5.45 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.Sebagai ilustrasi jika L0=0. 13 November 2010 10% 9% 10% 10% 10% 9% 9% 10% 10% 9% 9% 11% 0.083 1.5% 5. maka diperoleh hasil pada table di atas pada baris ke dua.5% 5.945)/6.4 0. M.000 165.000 165.700 1.23 1.000 209.089 1. sedangkan variable independennya adalah L0.023 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.3 0.000 165.675 1.023 M +0.675 1.500 1.945+ 6.dan R.5% 5.5% 5.000 182.5% 5.700 1.3 0.5 0.002R -6.000 165.2 1.5% 22 22 22 22 22 22 22 22 22 22 22 22 165.670 220.

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

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

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

Proses Berada dalam Statistical Control Kapabilitas proses merupakan suatu prediksi sejauh mana proses dapat memenuhi spesifikasi.M. Strategi perbaikan mutu proses produksi Antasida Doen 2. menyatakan bahwa terdapat dua asumsi yang harus diperhatikan ketika melakukan analisis kapabilitas proses.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 25 1 n n2 b. 2.Bower. Proses Berdistribusi Normal Pada pengujian normalitas ini digunakan The Anderson-Darling (A-D) Normality test. suatu proses dikatakan stabil jika berada dalam statistical control. yaitu proses berdistribusi normal dan proses berada dalam statistical control.S. 13 November 2010 Melalui penelititan ini peneliti dapat memberikan rekomendasi kepada PT. 752 0. a. 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. 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.Kimia Farma (Persero) Tbk mengenai : 1. Suatu proses dapat diprediksi jika kondisinya stabil (Mehernosh Kapadia) sedangkan. 75 2.Tinjauan Pustaka Keith M. Manajemen Risiko di Bidang Perbankan dan Asuransi | 277 . Kendali mutu statistika yang tepat untuk memonitor proses produksi antasida doen 3.

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

diperlukan standar kapabilitas proses sebagai patokan. 3.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.. sehingga setiap upaya memperoleh batas spesifikasi baru harus memperhatikan nilai acuan tersebut. Semakin kecil nilai Cp maka semakin banyak jumlah cacat yang dihasilkan Tabel 1. 13 November 2010 2. Nilai rasio kapabilitas proses (Cp) akan menurun jika besar rentang spesifikasi dipersempit atau standar deviasi proses diperbesar. existing process Safety. strength.45 1.50 1.45 c. Indeks Kemampuan Proses Untuk menilai kapabilitas proses produksi . or critical parameter. strength. batas terkecil indeks kemampuan proses adalah Cpk = 2. new process 1.60 1. Manajemen Risiko di Bidang Perbankan dan Asuransi | 279 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.50 One-Sided Specifications 1. Dalam kerangka Six Sigma.0. or critical parameter.67 1.25 1. Rekomendasi Nilai Minimum pada Process Capability Ratio Two-Sided Specifications Existing process New process Safety.33 1.

Hasil dan Pembahasan a.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Oleh karena itu maka data berdistribusi normal . Manajemen Risiko di Bidang Perbankan dan Asuransi | 280 . Grafik Uji Normalitas Kadar Al(OH)3 Dari grafik di atas diperoleh nilai p-value = 0. 13 November 2010 Tabel 2.Data Kadar aluminium hidroksida / Al(OH)3 pada Antasida Doen 4.05.Uji Normalitas Gambar 1.225 dimana nilai ini lebih besar dari taraf signifikansi yang telah ditetapkan yaitu α = 0.

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

00 ppm.09 . Hal ini pun dapat dilihat dari gambar grafik tersebut yang memperlihatkan bahwa proses berada dalam batas spesifikasi . Rekomendasi batas spesifikasi baru tersebut belum adekuat. d. Tidak ada data yang menunjukkan benefit dari pengetatan spesifikasi baru yang direkomendasikan Manajemen Risiko di Bidang Perbankan dan Asuransi | 282 .71 ppm dan proporsi PPM > USL yaitu 0. 2.33 dengan batas spesifikasi antara 185 mg – 215 mg dengan proporsi PPM < LSL yaitu 33. Karena nilai Cp ≥ 1.60 maka dapat dikatakan bahwa proses tersebut telah mampu dalam memenuhi batas spesifikasi yang ada saat ini. Batas spesifikasi yang menghasilkan nilai Cpk = 1.71 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. Grafik Kapabilitas Proses dari Kadar Al(OH)3 Dari grafik di atas diperoleh nilai Cp = 3. Pengetatan batas spesifikasi tanpa diiringi perbaikan pada program Statistical Process Control [SPC] hanya akan meningkatkan biaya mutu. Pengetatan batas spesifikasi akan memberikan outcome peningkatan mutu produk Antasida Doen secara terintegrasi jika diikuti oleh reduksi signifikan pada variasi proses produksi Antasida Doen. 13 November 2010 Gambar 3.berupa peningkatan produk rusak yang berada di luar spesifikasi baru. 3.33 merupakan batas spesifikasi yang akan direkomendasikan sebagai batas spesifikasi baru.05 dan Cpk = 2. Hal ini berarti bahwa peluang terjadinya produksi yang keluar dari batas spesifikasi bawah yang baru (lebih kecil dari 185 mg) yaitu sebesar 33. 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. mengingat hal-hal berikut ini: 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.67 dan nilai Cpk ≥ 1. Dengan demikian. Melalui proses iterasi. perbaikan batas spesifikasi yaitu dengan membuat batas spesifikasi baru yang lebih ketat dari batas spesifikasi yang ada saat ini dapat dilakukan. diperoleh nilai Cpk = 1.33.

3.2009. 2008. Kapadia. 13 November 2010 Kesimpulan 1. 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. Montgomery. New York : John Wiley&Sons.71 mg. Czarski. Romeu.S. M.Inc.D.L. D. Selected Topics in Assurance Related Technologies. Penerapan Konsep Kapabilitas Proses Dalam Perbaikan Batas Spesifikasi Kadar Alumunium Hidroksida Pada Produk Antasida Doen. Volume 10.Indeks kapabiliti proses saat ini adalah sebesar Cp =3. M.Inc.2009. Introduction to Statistical Quality Control. Montgomery. Process Capability Using MINITAB.71 produksi dalam satu juta produksi dan tidak terdapat peluang terjadinya produksi yang keluar dari batas spesifikasi atas (lebih besar dari 215 mg).Statistical Quality Control. Manajemen Risiko di Bidang Perbankan dan Asuransi | 283 .05. Number 5. Anderson Darling : A Goodness of Fit Test for Small Samples Assumptions.C. DAFTAR PUSTAKA Atika Nur Kusumaningtyas . 2. Symphony Technologies.a modern Introduction Arizona:John Wiley &Sons. Estimation of Process Capability Indices in Case of Distribution Unlike The Normal One. Telah diperoleh batas spesifikasi yang menghasilkan nilai Cpk = 1. Bower.J. K. World Academy of Materials and Manufacturing Engineering.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.C.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Measuring Your Process Capability. International Scientific Journal.A.M.Kimia Farma (Persero)Tbk dinyatakan terkendali secara statistis dan dinyatakan stabil dalam level proses rata – rata 193. 2002. Status kendali proses produksi kadar aluminium hidroksida pada produk Antasida Doen yang dihasilkan PT.

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

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

6 Keterangan satuan °F feet/minute °F Inches Sedangkan Faktor N yang dicobakan adalah sebagai berikut : Tabel 2.9 1. 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. Manajemen Risiko di Bidang Perbankan dan Asuransi | 286 .2 10 Flux density 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.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.2 1 -5 -0. 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 0.0 Preheat temperature 150 200 Wave height 0.5 0.

C. Menurut Nair (1992). Ada tiga kategori noise factor : Manajemen Risiko di Bidang Perbankan dan Asuransi | 287 . Faktor ini sering disebut dengan parameter. adalah faktor-faktor yang bersifat internal pada proses pembuatan produk. Control factors (C). b. Diasumsikan bahwa pengaturan dari faktor-faktor ini dapat dikontrol.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. yaitu menghasilkan produk berkualitas dengan biaya rendah. yaitu : 1. 13 November 2010 B. yaitu : a. adalah faktor-faktor yang bersifat eksternal dari proses dan sulit untuk dikontrol. Mampu menghasilkan cost-effectiveness. Taraf dari control factors yang ditentukan oleh si pembuat produk. 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. 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. D. sedangkan menurut Madhav Phadke dalam Nair (1992). TUJUAN PENELITIAN Tujuan penelitian ini adalah memberikan kajian tentang penggunaan rancangan FFSP RPD untuk menghasilkan produk berkualitas dan cost-effectiveness. Mampu menduga pengaruh faktor utama dan pengaruh interaksi tingkat rendah sehingga diketahui faktor mana yang berpengaruh terhadap kualitas produk. Ross (1989) menyebutkan ada dua macam faktor yang digunakan dalam rancangan parameter robust. Noise factors (N). yaitu produk yang mendekati nilai target dengan keragaman kecil. 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). 2. Mampu menghasilkan produk yang berkualitas. c. IDENTIFIKASI MASALAH Permasalahan yang muncul dalam rancangan FFSP RPD adalah bagaimana menentukan struktur rancangan FFSP RPD dan analisisnya sehingga mampu memberikan hasil terbaik.

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

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

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

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

....... 13 November 2010 Pada percobaan yang melibatkan faktor N dan dan faktor C. (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... Sedangkan pengaruh interaksi CNij merupakan interaksi faktor C dan faktor N yang tidak ber-alises dengan interaksi faktor C......... Pengaruh Nj terdiri dari pengaruh utama faktor N itu sendiri dan pengaruh interaksi antara faktor N dengan faktor N.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. jika ber-alises dengan interaksi faktor C maka masuk dalam Manajemen Risiko di Bidang Perbankan dan Asuransi | 292 ... 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.... Model linear yang digunakan pada kasus satu (Faktor C sebagai petak utama dan faktor N sebagai anak petak) adalah sebagai berikut : ...

..... Manajemen Risiko di Bidang Perbankan dan Asuransi | 293 ...Prosiding Seminar Nasional Statistika Universitas Padjadjaran... Komponen ragam yang diuji pada analisis ragam ini sesuai dengan komponen ragam yang ada pada model linear. E. (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..... Jika percobaan yang dilakukan tidak memiliki ulangan maka pengaruh ulangan dapat dihilangkan dari model... Model linear yang digunakan pada kasus dua (Faktor N sebagai petak utama dan Faktor C sebagai anak petak) adalah sebagai berikut : ... METODOLOGI Analisis Ragam untuk RPD FFSP Analisis ragam yang digunakan dalam RPD FFSP didasarkan pada kasus yang digunakan. 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....... 13 November 2010 pengaruh Ci..

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

125 2.24* 18.46 18.125 2. Clear effect merupakan pengaruh penting yang ingin diduga.51 53.51 0.13 4.205 165.51 331.445 1035.000 1. maka digunakan fungsi SNRT. Pengaruh ini bisa jadi ber-aliases dengan interaksi tingkat tinggi.44* 18. 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. HASIL DAN PEMBAHASAN Struktur rancangan yang digunakan pada contoh kasus di atas merupakan struktur rancangan RPD FFSP. 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). 13 November 2010 Jika tujuan percobaan adalah mereduksi keragaman disekitar nilai sasaran tertentu.445 1035. Clear effect merupakan pengaruh faktor utama dan pengaruh interaksi tingkat rendah yang dapat diduga. akan tetapi karena dalam hal ini yang ingin diketahui adalah hanya pengaruh faktor utama saja maka analisis ragam yang dihasilkan adalah sebagai berikut : Tabel 4.00* 18.250 2.420 0.32 F-Hitung F-Tabel 77. Struktur generator yang digunakan adalah Z3= -Z1Z2.51 0. Faktor C yang dicobakan ditempatkan sebagai petak utama dengan struktur 25-2.620 3. Sedangkan faktor N ditempatkan sebagai anak petak dengan struktur 23-1 .125 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.620 6.51 Manajemen Risiko di Bidang Perbankan dan Asuransi | 295 . Pengujian terhadap clear effect dilakukan melalui analisis ragam. Struktur generator yang digunakan akan membentuk struktur aliases yang akan menentukan struktur clear effect. Struktur generator yang digunakan adalah X4 = -X1X3 dan X5 = -X2X3.000 1. F.71 18.420 Kuadrat Tengah 242. Pengaruh interaksi tingkat tinggi dalam hal ini dapat diabaikan sehingga pengaruh faktor penting dapat diduga. Secara umum analisis ragam dapat dilakukan berdasarkan pada model (1).205 165.

76 .920 1853.14 4.205 391.48. Z2 dan Z3 (solder temperature tolerance. conveyor speed tolerance.663 0.61 .59 Nilai SRSs yang paling besar adalah pada run ke-4 yang juga memiliki nilai rata-rata paling kecil.9 Manajemen Risiko di Bidang Perbankan dan Asuransi | 296 .45.4675 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Hasil analisis SNR yang dilakukan adalah sebagai berikut: Tabel 5.32 0. Tujuan utama dari percobaan ini adalah mendapatkan setting taraf faktor C yang menghasilkan solder defects dengan target sekecil mungkin. Dari hasil analisis ragam didapatkan bahwa faktor C yang berpengaruh adalah X1.645 4. Dengan demikian setting faktor C yang menghasilkan solder defects sesuai target adalah pada solder temperature suhu 510°F.00 195.00 243. dan assembly type). flux density.645 4. SNRs pada Percobaan Schimidt & Launsby (1990) Run faktor C 1 2 3 4 5 6 7 8 Rata-rata 214.61 .50 SNRs .51 .835 2.205 18.97 . flux density taraf 0.42. 13 November 2010 Z2 Z3 Galat anak petak Total 1 1 21 31 2.75 135. sehingga analisis SNR yang digunaka adalah SNRs. hal ini menunjukkan bahwa solder defects tidak dipengaruhi oleh faktor Z1.25 305. Tidak ada pengaruh dari faktor N.39.47.50 85.43.22 4.32 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. X3 dan X5. wave heiht).75 145. X3 dan X5 ( solder temperature.15 .45.25 252.

2 feet/minute dan preheat temperature pada taraf 150°F. 2003. Joseph OV.org. b. Minimum aberration two-level fractional factorial splitplot design. New York: McGraw-Hill Book Company. Taguchi Technics for Quality Engeenering. Setting taraf faktor tersebut mampu menghasilkan solder defects yang minimum dan robust terhadap solder temperature tolerance. 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. 24 Run split-plot experiments for robust parameter design. Technometrics 41: 62-70. New York: McGraw-Hill Book Co Shina SG. Faktor C yang lain dapat disetting dengan taraf yang ekonomis karena tidak berpengaruh terhadap solder defects. Kondisi ini adalah kondisi yang paling robust dan bersifat insensitif terhadap faktor N. Nair VN.2 feet/minute dan preheat temperature pada taraf 150°F.9 dan wave heighttaraf 0. Dalam contoh kasus yang berikan didapatkan hasil bahwa setting control faktor yang tepat adalah pada solder temperature suhu 510°F.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Sitter RR. Technometrics 410: 314-26. www. G. Dechang C. 1998. Minimum aberration two-level split-plot designs. Technometrics 34: 12761. conveyor speed tolerance dan assembly type.5 inches. KESIMPULAN a. 13 November 2010 dan wave heighttaraf 0. Dengan hasil respon yang robust. 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. DAFTAR PUSTAKA Bingham D. Ross PJ. flux density taraf 0. 1999. H.5 inches. 1989.asq. Kowalski SM. Manajemen Risiko di Bidang Perbankan dan Asuransi | 297 . 2002. 1992. Taguchi‟s parameter design: a panel discussion. Huang P. Six Sigma for Electronics Design and Manufacturing. Kemudian Conveyor speed dengan taraf 7. Conveyor speed dengan taraf 7.

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

. yaitu normalitas dan homogenitas varians. Wilson.. LANDASAN TEORI Pada setiap eksperimen yang dilakukan baik yang bertujuan untuk proses optimasi ataupun yang bukan optimasi. TUJUAN Melakukan proses optimasi komposisi perlakuan dengan menerapkan metode response surface untuk mendapatkan respon pengamatan yang terbaik. response surface merupakan suatu metode gabungan antara teknik matematika dan teknik statistika yang berguna untuk mengembangkan. dan mengoptimalkan suatu proses. E. dengan metode response surface ini akan didapatkan juga komposisi taraf yang optimal yang dapat dilihat melalui contour plot dan surface plot. diperlukan beberapa asumsi yang harus dipenuhi. Dalam melakukan analisis ANAVA. 1978). Response surface merupakan suatu metode pengembangan dari polinom ortogonal. Desain dasar yang digunakan dan dicobakan pada suatu eksperimen yang melibatkan dua faktor atau lebih adalah desain faktorial. di mana: . B. yang digunakan adalah nilai residu ( ).. perlu ditentukan terlebih dahulu desain dasar dari eksperimen tersebut. Montgomery (2009). maka eksperimen tersebut dipastikan memiliki faktor yang bersifat kuantitatif. P. 3. 2. sehingga dengan menggunakan metode response surface ini akan didapatkan suatu model persamaan regresi yang dapat berbentuk linier maupun non – linier.. meningkatkan. Dalam metode response surface ini digunakan rangkaian eksperimen yang dirancang untuk memperoleh respon yang optimal (G. Box dan K. Response Surface digunakan untuk menyelidiki hubungan antara beberapa variabel yang memberikan pengaruh pada satu atau lebih variabel respon. 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. Untuk uji normalitas ini... 13 November 2010 Menurut Douglas C.. Proses optimasi dapat Manajemen Risiko di Bidang Perbankan dan Asuransi | 299 . Perlakuan pada desain faktorial merupakan komposisi taraf dari faktor – faktor yang digunakan. Selain persamaan regresi tersebut.1) Ketika eksperimen yang dilakukan bertujuan untuk proses optimasi. (3. Metode response surface ini dapat digunakan untuk mencari titik optimum dari suatu proses yang telah dilakukan dan untuk mengoptimumkan suatu proses yang telah ada.

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

....4) dengan Y sebagai respon....8) . karena merupakan skalar (matrix 1 x 1).. yakni .7) Koefisien dalam model-model di atas akan ditaksir dengan menggunakan metoda kuadrat terkecil berdasarkan data hasil eksperimen.. 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 . (3. x2 .. dan x3 masing-masing sebagai prediktor. di mana: (3. ..6) . Dengan meminimalkan jumlah kuadrat kekeliruan є.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. (3.... suku x1 x3 menunjukkan interaksi antara variabel-varabel x1 dan x3 . Maka L dapat dituliskan menjadi: (3. dan ...... Persamaan di atas dapat ditulis dalam notasi matrix sebagai berikut . .. dan 3 ditaksir dengan menggunakan metode kuadrat terkecil untuk .. x1 .... 1 .9) Kemudian L diturunkan terhadap β: Manajemen Risiko di Bidang Perbankan dan Asuransi | 301 ... Sedangkan 0 . (3.. 13 November 2010 Y 0 1 1 x 2 2 x 3 3 x . 2 .. meminimalkan jumlah kuadrat kekeliruan Sedangkan untuk persamaan regresi dengan tingkat orde 2 (kuadratik).... (3...5) Di mana suku x1 x2 menunjukkan interaksi antara variabel – variabel x1 dan x2 ....... dan suku x2 x3 menunjukkan interaksi antara variabel-variabel x2 dan x3 . maka .

4 99.1 Manajemen Risiko di Bidang Perbankan dan Asuransi | 302 .2 7. 13 November 2010 .5 89.8 160.10) Maka.2 221.5 150.1 149. kadar air.. (3.4 1.3 7.4 1.3 163.8 222.6 150.0 170.2 100.2 215.0 100 125.9 169.5 143.2 59..1 150.4 65.1 139.1 218.3 79.2 156.0 182.7 110.1 60. dan banyaknya jumlah pasir yang terkandung dalam campuran bahan pengisi.8 210. Untuk menggambarkan konturnya..9 142. Dengan menggunakan kontur tersebut.3 119.0 171.5 140.4 130. dapat terlihat komposisi taraf dari faktor – faktor yang optimal dalam memberikan pengaruh terhadap suatu variabel respon.2 210.4 75.5 99.1 155.2 149.0 151.1 169.0 152.3 A 50 150..3 117.0 120.3 75 139.1 152.5 185.2 25 21.7 245.0 144..5 131.3 115.5 101.7 120.9 80.75 4.1 175. c..0 179.0 73..0 145.0 169.9 160.0 151.0 143.5 165.5 159. faktor – faktor yang mempengaruhi kuat tekan paving block adalah tingkat kehalusan pasir.4 1.5 69.4 130.2 26.1 201.5 159.0 147.1 149.9 160.75 4.2 148.25 4.0 95.2 90. CONTOH KASUS Dalam pembuatan paving block.3 169.4 169.3 259.6 166.1 150.1 87.11) 4.1 77.0 206.2 180.5 155. Setiap faktor – faktor yang ada terdiri atas beberapa taraf. B C 1.1 132.0 215.5 150.0 148. penaksir untuk β yang didapatkan dengan metode kuadrat terkecil adalah .2 160..0 170.2 179.3 99.2 28.5 141.3 7...0 88..9 140.3 132.25 4.8 157.8 160. Dalam contoh kasus ini. digunakan software tertentu.0 185.0 170.4 67.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.7 182.9 170.8 120.1 209.1 144.2 89.3 7. ingin diketahui komposisi taraf-taraf faktor yang bagaimanakah yang akan menghasilkan kuat tekan paving block yang terbaik.5 151.4 91.6 89.9 155.7 161.0 188.1 155.. (3. Menggambarkan Kontur Garis kontur adalah garis yang menghubungkan titik-titik yang mempunyai ketinggian yang sama dari suatu bidang acuan tertentu.2 170.2 199.5 172.8 240.2 119.9 160.1 85. Hasil dari kontur sendiri ada yang berdimensi dua (contour plot) dan ada yang berdimensi tiga (surface plot).2 23.1 139.

5 120.282 1352.1 120.1 121.1 109.399 2.5 110.6 Keterangan: A = Banyaknya jumlah pasir yang terkandung dalam campuran bahan pengisi (gram).734 1342.3 126.19 455.0 77.0 102.1 59.1 55.0 110.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.3 59.3 111.0 120.45 3.5 51.0 39.457 27.1 99. Uji Signifikan untuk Faktor – Faktor Tabel 5.5 130.5 141.3 119.1 88.0 122.246 167585.02 1.411 9355.1 49.5 55.0 148.113 4450.554 38414. data yang digunakan telah memenuhi asumsi berdistribusi normal dan juga homogenitas varians.83 2.2 105. HASIL DAN PEMBAHASAN Dalam contoh kasus ini.4 55.5 115. 13 November 2010 120.1 125. a.1 131.5 95.306 4. Oleh karena itu.909 3266.0 131.0 151.201 1169.1 Tabel ANAVA Sumber Variasi Rata-rata Perlakuan: A B C AB AC BC ABC 4 3 2 12 8 6 24 112177.2 119.0 119.5 130.2 130.07 2.3 44.585 28044.61 Dk 1 JK KT Fhitung Ftabel 3148978.743 5.467 223.5 107.2 67.312 55861.0 69.685 185.9 95.9 125.5 272.17 1.5 115.4 122. B = Kadar air (%) C = Tingkat kehalusan pasir (mm) 5.65 6.3 110.0 144.0 89.9 19207.2 140.0 40.9 125 111.0 125.0 121. pengujian selanjutnya dapat dilaksanakan.441 665.347 3148978.347 Manajemen Risiko di Bidang Perbankan dan Asuransi | 303 .7 101.1 101.68 2.1 60.0 109.0 49.9 148.

maka didapatkan JK (polinom) untuk setiap faktor yang ada.  Interaksi antara banyaknya jumlah pasir yang terkandung dalam campuran bahan pengisi.  Kadar air memberikan efek yang signifikan terhadap kuat tekan paving block. Setelah dilakukan pengujian. Dengan menggunakan persamaan (3.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.  Tingkat kehalusan pasir memberikan efek yang signifikan terhadap kuat tekan paving block.362 2624. maka didapatkan bahwa tingkat persamaan regresi yang berlaku adalah persamaan regresi hingga tingkat orde keempat.  Interaksi antara banyaknya jumlah pasir yang terkandung dalam campuran bahan pengisi dan kadar air memberikan efek yang signifikan terhadap kuat tekan paving block.842 575.347 112177. selanjutnya dilakukan pengujian untuk menentukan polinom faktornya.634 13. Nilai JK (polinom) dan juga Fhitung yang telah didapatkan tersebut dituliskan ke dalam tabel ANAVa seperti di bawah ini Tabel 5. dapat disimpulkan bahwa:  Banyaknya jumlah pasir yang terkandung dalam campuran bahan pengisi memberikan efek yang signifikan terhadap kuat tekan paving block. Sedangkan untuk mendapatkan nilai Fhitung. Menentukan Polinom Faktor Setelah dilakukan uji signifikansi terhadap faktor – faktor yang ada. b.842 575. tingkat kehalusan pasir.649 Manajemen Risiko di Bidang Perbankan dan Asuransi | 304 .362 KT Fhitung 110638.005 42. maka digunakan persamaan (3.154 Berdasarkan tabel 5.3).  Interaksi antara tingkat kehalusan pasir dan kadar air memberikan efek yang signifikan terhadap kuat tekan paving block. dan kadar air memberikan efek yang signifikan terhadap kuat tekan paving block.246 110638.1 di atas.453 341651.  Interaksi antara banyaknya jumlah pasir yang terkandung dalam campuran bahan pengisi dan tingkat kehalusan pasir memberikan efek yang signifikan terhadap kuat tekan paving block.2).

301 4.489 8.177 320. 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 1 391.641 867.686 35.734 26.359 0.023 1.106 863.286 61.277 13.411 7.628 14.294 288.180 Manajemen Risiko di Bidang Perbankan dan Asuransi | 305 .445 113.193 13.492 611.042 572.000 167585.411 7.572 23.279 372.000 119064.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.918 47.603 873.414 1303.724 3.602 145.602 145.566 0.695 20.569 2824.570 38.847 0.834 1.607 79.917 38414.035 574.445 113.028 35.447 6.874 36387.028 35.696 0.534 6.279 372.843 0.168 6.263 396.503 1150.550 3.458 2.591 0.404 1.572 23.603 873.470 20.590 9.501 9.113 38.429 19.585 47.470 20.623 1.078 80.990 14.103 48514.874 36387.035 3266.888 0.917 2027.020 169.508 26.091 20.294 288.911 0.429 19.570 1342.399 71.455 7.918 4450.851 847.399 71.607 79.467 7097.467 7097.355 584.641 867.355 584.286 61.615 362.615 362.130 20.833 0.177 320.550 3.152 30.602 0.508 26.103 48514.934 97.876 2.078 80.263 396.590 391.350 2.554 119064.869 26.909 2027.869 9355.851 847.597 0.847 1.097 0.751 119.042 572.628 168.411 574.910 13.881 8.492 611.934 97.168 6.020 169.414 1303.686 35.164 48.751 119.534 6.990 14.924 0.

279 3.172 374.453 464.327 42. AD X BL X CD.856 17.383 0.327 5058. dan kuartik.735 40.154 59.338 0.  Faktor interaksi antara A dan C yang berbentuk AL X CD. AE X BL X CD.154 59.014 0. Faktor interaksi antara A dan B yang berbentuk AL X BL. AL X BT. maka akan didapatkan : Manajemen Risiko di Bidang Perbankan dan Asuransi | 306 .375 1. Faktor C yang berbentuk linier dan kuadratik. Faktor B yang berbentuk linier dan kuadratik. AT X CD.AT X BD. AL X BD. kuadratik. AT X BD X CD.05.649 0.109 64. Berdasarkan tabel ANAVA di atas dapat dilihat bahwa faktor – faktor yang memberikan efek adalah:     Faktor A yang berbentuk linier. dan AE X CD. AD X BD X CD.  Faktor interaksi antara A.949 22.  Faktor interaksi antara B dan C yang berbentuk BL X CD.003 9.017 941. AL X BT X CD.833 186.11).735 40.533 129.004 1.893 0.137 401.530 0. Menentukan Persamaan Regresi Dengan menggunakan persamaan (3.383 0.017 941. dan C yang berbentuk AL X BL X CD.856 17.033 0.172 374.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. maka didapat Ftabel = 3.154 11.279 3. BT X CD. dan AE X BL.407 8. 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 1 120 180 464.063 1.649 0.526 Dengan α = 0.080 0. dan BD X CD. AE X BD X CD.020 4.833 186. B. AT X BL X CD.420 0. 92.425 3. c.882 0.109 64.137 401.375 1.882 0.533 129.

Analsis dengan Contour Plot dan Surface Plot Manajemen Risiko di Bidang Perbankan dan Asuransi | 307 .02 1.516 10-6 6.466 165.546 10-6 -4.126 10-4 7.002 -0.447 10-8 b 0.447 0.563 -44.919 0.032 10-8 5.188 0. 13 November 2010 -1845.239 10-7 9.459 45.919 10-5 3.317 -0.243 28.297 10-7 5.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.432 10-10 Maka persamaan regresi yang terbentuk menjadi: d.055 -0.866 10-5 5.102 -1.002 -7.166 -0.180 -3.512 10-9 -4.002 -3.749 10-4 -1.

319 145.957 191.230 180.592 133.047 156.047 145. Kadar air 7 6 5 4 3 2 Kuat tek an pav ing block < 98.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.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. 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.502 168. 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 .685 215.137 109.137 98.775 168.775 156.412 > 215.592 121.685 203.864 109.230 191.864 121.957 203.319 133.502 180.

Bandung: Tarsito. Inc. Dengan kuat tekan yang dihasilkan di atas 215. An Introduction to Design.. 2009. KESIMPULAN Berdasarkan analisis yang telah dilakukan. Desain dan Analisis Eksperimen. edisi keempat . Berdasarkan kasus yang ada.. Dengan kuat tekan paving block yang dihasilkan di atas 215. Douglas. and Hunter. kuat tekan paving block mengalami kenaikkan mulai dari tingkat kehalusan pasir 1. maka kuat tekan paving block terus mengalami penurunan. Namun pada saat tingkat kehalusan pasir lebih besar daripada 4. Design and Analysis of Experiment. Sedangkan pada faktor tingkat kehalusan pasir sendiri. Statistics for Experimenters. Hunter. 412 kg/cm2.5 mm dan jumlah pasir yang terkandung dalam campuran bahan pengisi sebanyak 25 gram. Seventh edition. 1978.S.P.5 mm dan jumlah pasir yang terkandung dalam campuran bahan pengisi sebanyak 25 gram. dapat dilihat bahwa komposisi taraf yang menghasilkan kuat tekan paving block terbaik adalah pada kadar air 23 %.25 % hingga kadar air sebanyak 23 %.412. J. C. 1005. 1989. DAFTAR PUSTAKA Box. Montgomery. tingkat kehalusan pasir 4. maka kuat tekan paving block terus mengalami penurunan.5 mm. G. Inc. maka dapat diperoleh sebagai berikut: 1. namun pada saat kadar air lebih besar daripada 23 %. 2. 6. W. Sudjana. Metode response surface mampu mendapatkan komposisi perlakuan yang menghasilkan respon percobaan yang terbaik. Lieberman and Hillier. Data Analysis and Model Buildin.G. Dengan demikian dapat disimpulkan bahwa komposisi taraf yang menghasilkan kuat tekan paving block terbaik adalah pada komposisi kadar air sebanyak 23 %.E. New York: McGraw-Hill Book Company.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. New York : John Wiley and Sons. tingkat kehalusan pasir sebesar 4.2 mm hingga tingkat kehalusan pasir sebesar 4. An Introduction of Operational Research. New York: John Wiley and Sons.5 mm. 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. Manajemen Risiko di Bidang Perbankan dan Asuransi | 309 .

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

e-mail : arthinii@yahoo. Pendahuluan. Dengan desain resolusi V eksperimen yang harus dilakukan hanya sebanyak 25-1 . MS. begitu juga untuk pengujian hipotesis yang dilakukan bisa lebih sedikit berdasarkan pada nilai-nilai efek faktor yang memperlihatkan efek yang cukup besar. Kata Kunci : Desain Resolusi-V. 13 November 2010 (D. 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. Replikasi Fraksional. Alias. temperatur ketika dilakukannya pengeringan II dan ukuran Ampere Squizer pada saat pemerasan produk. tanpa harus kehilangan informasi yang ingin diperoleh karena menggunakan sifat-sifat dari alias. 1. sehingga dalam penelitian ini melibatkan lima faktor sebagai perlakuan dan dalam eksperimennya terbentuk 25 kombinasi perlakuan. 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. maka sebagai alternatifnya harus dipilih desain yang sesuai dengan permasalahan tetapi efisien dan efektif.3) DESAIN RESOLASI V DENGAN REPLIKASI FRAKSIONAL UNTUK MENENTUKAN FAKTOR PENYEBAB TERJADINYA WET SPOT PADA PRODUK KARET MENTAH Oleh : Enny Supartini Dra. temperatur ketika dilakukannya pengeringan I. yaitu efek faktor atau efek interaksi antara faktorfaktor dengan aliasnya tidak bisa dibedakan. Di PT.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. X yang memproduksi bahan karet Manajemen Risiko di Bidang Perbankan dan Asuransi | 312 .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. sehinga untuk memperoleh informasi tersebut harus dipilih desain yang tepat dan sesuai dengan permasalahan yang dihadapi. yang masing-masing faktor terdiri dari dua taraf. 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. 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.

temperatur ketika dilakukannya pengeringan I. abu-abu atau warna lainnya yang disebabkan terjadinya kontaminasi dengan bahan lain. 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. X. 2. Spot adalah suatu noda pada bahan karet mentah dengan warna lain dari warna dasar karet mentah tersebut yaitu kuning. Terjadinya Wet Spot diduga disebabkan oleh faktor-faktor tertentu yaitu : konsentrasi pH pada saat pencucian. temperatur ketika dilakukannya pengeringan II. X harus melakukan sebanyak 32 eksperimen. 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. hasil produksinya masing dijumpai Wet Spot pada produk akhir-nya yaitu adanya spot pada permukaan bahan mentah karet. 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 . Pt. 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. 13 November 2010 mentah atau SBR (Styrena Butadiena Rubber) dalam tahapan akhir proses produksi yaitu tahapan pengeringan. coklat. jika dilakukan pengulangan sebanyak r kali maka eksperimen tersebut harus dilakukan sebanyak rx22. untuk 3 replikasi berarti harus melakukan 96 eksperimen. 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. jika hal ini terjadi tentu saja menjadi masalah karena akan mengurangi nilai mutu dari produk tersebut. ukuran Ampere Squizer pada saat pemerasan produk dan ukuran ketebalan dari produk itu sendiri.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

Eksperimen Faktorial Khusus 25 2. k. . B. + CDEklm + ABCDijkl + ..... 10 interaksi dua faktor. . : merupakan efek faktor B taraf ke-j ABij : merupakan efek bersama taraf ke-i faktor A dan taraf ke-j faktor B .. + DElm + ABCijk + .r Ai : merupakan efek faktor A taraf ke-i Bj .Prosiding Seminar Nasional Statistika Universitas Padjadjaran... maka kombinasi perlakuan yang ada di kelompok lainnya sudah terwakili karena merupakan aliasnya yang berarti efek faktor maupun efek interaksinya tidak bisa dikatakan berbeda. (2. 10 interaksi tiga faktor.1. .2.1) Dengan i = 1. C. 13 November 2010 aliasnya.1. 2. 5 interaksi empat faktor dan satu interaksi lima faktor sehingga dalam eksperimennya akan melibatkan 32 kombinasi perlakuan dikalikan dengan n replikasi yang dilakukan. + BCDEjklm + ABCDEijklm + εn(ijklm) 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. D dan E εn(ijklm) : merupakan kekeliruan eksperimen.2 begitu juga untuk j. l.1. Model matematisnya adalah sebagai berikut ( Montgomery 2005 ) : Yijklmn = μ + Ai + Bj + Ck + Dl +Em + ABij + .. . 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. ABCDEijklm : merupakan efek bersama antara faktor A. m sebagai taraf faktor sedangkan n = Manajemen Risiko di Bidang Perbankan dan Asuransi | 314 .

Prosiding Seminar Nasional Statistika Universitas Padjadjaran..4) 1 (kontras ABCDE ) 2 5 n2 . Jumlah Kuadrat untuk interaksi ABCD adalah : JK ( ABCDE ) (2.de – abde – acde – bcde (2..3) 2 (kontras ABCDE ) n25 . 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 . begitu juga untuk memperoleh Jumlah Kuadrat-nya. 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. 13 November 2010 2. Sedangkan n adalah banyaknya pengulangan yang dilakukan atau replikasi. 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 .ce – abce . 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. Pada eksperimen faktorial 25.2..1.. EFEK FAKTOR( ABCDE ) (2...2) Efek faktor bisa diestimasi oleh : .

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. Bekerja dengan aljabar modulo 2 terhadap bilangan pangkat Dalam permasalahan yang dikaji melibatkan 5 faktor sehingga ada ada 32 kombinasi perlakuan. Beberapa tahapan dalam menentukan alias : 1. Kalikan faktor (atau faktor-faktor) dengan kontras penentu. 2. 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). Seperti sudah dijelaskan pada bagian II. 2. Tentukan kontras penentu.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. seperempatnya atau kalau banyak sekali faktor yang terlibat memungkinkan untuk seperdelapannya.1. tetapi dengan menggunakan replikasi fraksional dalam analisis variansnya tidak perlu melakukan sebanyak itu cukup hanya sebagian saja misal setengahnya. 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. dalam hal ini hanya akan digunakan setengah replikasi saja yaitu 16 kombinasi perlakuan. Sedangkan untuk menentukan statistik pengujian bisa diperoleh berdasarka Ekspektasi Kuadrat Tengah (EKT) 2.3.2. Replikasi Fraksional. Cara menentukan alias. 3. Kontras penentunya I=ABCDE. 13 November 2010 variasi.2. Dengan mencari alias untuk masing-masing faktor ataupun interaksi diantara faktor-faktor seperti berikut : 1. Sehingga diperoleh : Alias untuk A adalah A(ABCDE) = A2BCDE = BCDE Manajemen Risiko di Bidang Perbankan dan Asuransi | 316 . 2.

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. Jadi Manajemen Risiko di Bidang Perbankan dan Asuransi | 317 . C. misalnya ketika menganalisis efek fakor A maka kita bisa memperoleh informasi mengenai efek bersama antara faktor-faktor B. sehingga apabila kita melakukan analisis varian terhadap efek faktor A maka informasi untuk interaksi BCDE juga akan diperoleh. D dan E (interaksi BCDE) karena berdasarkan sifat alias efek faktor A tidak bisa dibedakan dengan interaksi BCDE.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

1. faktor C adalah ketebalan produk (crumb). 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. Statistik ujinya dapat ditentukan berdasarkan Ekspektasi Kuadrat Tengah (EKT). faktor D adalah temperatur pada pengeringan I dan faktor E adalah temperatur pada pengeringan II. kemudian menggabungkan efek faktor atau interaksi yang nilainya cukup kecil terhadap kekeliruan eksperimennya (Montgomery 2005). sedangkan untuk nilai efek faktor yang dianggap cukup kecil nilainya digabungkan dengan kekeliruan eksperimennya. 13 November 2010 dalam pelaksanaannya cukup memilih salah satu blok saja untuk dianalisis. misal Blok I yang dipilih. karena sebaiknya yang dipilih yang mengandung faktor utamanya ( Montgomery 2005 ). 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. sedangkan faktor atau interaksi dengan nilai efek yang cukup kecil tidak dilakukan pengujiannya karena diduga akan memberikan hasil pengujian yang non signifikan. X adalah untuk melihat apakah terjadinya Wet Spot pada SBR merupakan pengaruh lima faktor yaitu faktor A adalah konsentrasi pH pada saat pencucian. 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. faktor B adalah ukuran Ampere Squizer.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Hasil dan Pembahasan Seperti dikemukakan pada bagian sebelumnya bahwa permasalahan PT. 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. 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. 3. Karena model yang digunakan model tetap. untuk analisis variansnya dibutuhkan mengestimasi efek faktor dan interaksi Manajemen Risiko di Bidang Perbankan dan Asuransi | 318 .

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 3.438 Jumlah Kuadrat 72. Tabel 3.125 0.3) sedangkan untuk menentukan Jumlah Kuadrat bisa diperoleh berdasarkan bentuk kontrasnya seperti pada rumus (2.625 0.125 0.438 Manajemen Risiko di Bidang Perbankan dan Asuransi | 319 .125 -0.250 0.125 4.250 6.125 0.000 0. 13 November 2010 beberapa faktor dan hasil perhitungan berdasarlan rumusan (2.+ + + + + + + + + + + + + Data Hasil Pengamatan 4 12 3 6 4 11 7 10 4 6 2 6 4 11 7 7 A + + + + + + + + B + + + + + + + + Tabel 3.2.250 2.250 0.000 0.+ .125 -0.563 6.375 1.000 0.003 0.500 0.+ + .250 20.125 -0.1. Hasil Perhitungan Estimasi Efek dan Jumlah Kuadrat Variabel A B C D E AB AC AD AE BC BD BE CD CE Estimasi Efek 2.1.250 1.000 0.000 0.625 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 + + + + + + + + .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.250 0.125 1.

750 1 10. Statistik ujinya dapat ditentukan berdasarkan Ekspektasi Kuadrat Tengah (EKT). 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. 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. 13 November 2010 DE 0. 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 5.2.376 118. untuk semua pengujian hipotesis yang dilakukan ternyata signifikan berarti ada pengaruh dari pH. Tabel 3.417 1 33.250 20.9)= 5. Manajemen Risiko di Bidang Perbankan dan Asuransi | 320 .000 5.667 1 10. maka F0.000 0. Temperatur pengeringan I dan II kemudian interaksi antara konsentrasi pH dengan Temperatur pengeringan II.250 4.250 20.3.597 F Berdasarkan hasil analisis varians dengan menggunakan taraf signifikansi α=5%. Estimasi efek yang nilainya cukup besar dapat menentukan model regresi dari daerah eksperimental.12.05(1.250 4.500 4.3.000 5.376 KT 72.250 6. Karena model yang digunakan model tetap.000 Hasil perhitungan untuk Estimasi Efek dan Jumlah Kuadratnya dapat dilihat pada Tabel 3.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.417 1 6.000 6.250 4.250 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.667 9 15 JK 72.250 4. sedangkan untuk pengujian hipotesis yang lainnya non signifikan berarti tidak ada pengaruh dari faktor dan interaksi yang lainnya.

1.Untuk penelitian yaitu mengenai terjadinya Wet Spot pada bahan karet mentah atau SBR (Styrena Butadiena Rubber).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. ternyata dipengaruhi oleh adanya perbedaan ukuran dari konsentrasi pH.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. interaksi antara ketebalan crumb dengan temperatur pengeringan I dan juga interaksi antara temperatur pengeringan II dan ukuran Ampere Squizer.2. Temperatur pengeringan pada zone I. Kesimpulan Berdasarkan uraian pada bagian sebelumnya maka dapat disimpulkan bahwa : . 4.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. 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. Temperatur pengeringan pada zone II kemudian interaksi antara konsentrasi pH dengan Temperatur pengeringan II. Manajemen Risiko di Bidang Perbankan dan Asuransi | 321 . . 13 November 2010 begitu juga dapat disimpulkan untuk masing-masing aliasnya bahwa kesimpulannya tidak bisa dibedakan dengan kesimpulan hasil analisis varians yang sudah dilakukan. Saran Untuk penelitian selanjutnya ada beberapa saran sebagai masukan : .

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

1%. Demikian halnya pada bidang industri. Kasus eksperimen yang akan dikaji mengenai proses produksi pembuatan komponen semikonduktor di sebuah pabrik dan bertujuan untuk menentukan kondisi optimum proses produksi.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. meminimumkan jumlah percobaan menggunakan orthogonal arrays dan melakukan pengujian untuk konfirmasi. Robust Design yang ditemukan oleh Taguchi. Sri Winarni2) 1. memperoleh variasi terkecil pada fungsi produk terhadap nilai target. 13 November 2010 (D.6% menjadi 97. Setelah dilakukan analisis kondisi optimum eksperimen adalah pada kombinasi perlakuan A2B1C1D1. Unpad Bandung Email1) : budhihandoko@unpad. I. pada saat desain eksperimen konvensional.2) Staf Pengajar Jurusan Statistika FMIPA. PENDAHULUAN Desain eksperimen dalam perkembangannya mengalami penyempurnaanpenyempurnaan sesuai dengan bidang eksperimen yang dihadapi.4) DESAIN PARAMETER UNTUK DATA DISKRIT PADA ROBUST DESIGN Oleh Budhi Handoko1). Aspek baru yang terdapat dalam robust design diantaranya yaitu menentukan sekumpulan kondisi untuk variabel desain yang robust terhadap noise.id Email2) : sri. yang menambahkan dimensi baru dalam desain eksperimen konvensional. seperti desain faktorial dan desain faktorial fraktional memiliki keterbatasan. Kata Kunci : Nominal-is-best.winarni@unpad. Secara praktis. Desain parameter dalam robust design terdiri atas diskrit dan kontinu. Penelitian ini akan memfokuskan pada desain parameter untuk data diskrit terutama dua kelas. digunakan Robust Design. Robust Design. Sehingga untuk mengatasi hal ini.ac. 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 . Pada kondisi optimum ini banyaknya produk yang baik meningkat dari 94. Orthogonal Array.id ABSTRAK Salah satu tahap dalam desain produk pada robust design yaitu desain parameter. Beberapa keterbatasan dari desain konvensional yaitu tidak mampu menangani faktor noise serta tidak mampu memodelkan rata-rata dan dispersi secara simultan.ac. Jenis desain taguchi yang akan dipakai adalah orthogonal array L9.

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

Prosiding Seminar Nasional Statistika Universitas Padjadjaran.. …. 13 November 2010 Tabel 1 Orthogonal Array L9(34) No. Analisis SN Ratio Misalkan terhadap n buah item produk yang diperiksa.. yn. yn p n Dan variasi dari rata-rata umumnya adalah Sm ( y1 y2 . yn ) 2 n 1 (np) 2 n np 2 Manajemen Risiko di Bidang Perbankan dan Asuransi | 325 .. dan hasilnya adalah 0/1 dengan 0. y2. jika produk rusak yi 1. jika produk baik Jika dari hasil eksperimen diperoleh data y1.. 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. maka fraksi produk baik adalah y1 y2 .

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. Dalam konteks data diskrit dua kelas. 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. maka nilai SN Ratio juga meningkat. 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. 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 .

dan 5. X k . Setiap factor terdiri atas tiga level. dan 255 C. Taksiran SN Ratio pada kondisi awal dan kondisi optimum adalah sebagai berikut : ˆ ( X 1.level _ opt X 2. Data hasil eksperimen menggunakan OA L9 dan nilai SN Ratio yang sesuai dengan karakteristik produk ditampilkan pada Tabel 3. C(suhu pematrian).5.5 ft/menit. Level dari factor C adalah 245 C. yaitu level factor A adalah 1mm.level _ opt ) k X i . 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. 5.. Sedangkan level dari factor D adalah 4 terdiri atas 4.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. D (kecepatan putaran mesin).. B (suhu awal). 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. Eksperimen ini melibatkan empat faktor yaitu A (panjang plat).level _ opt . dan 120 C.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2mm. Tabel 3 Data Hasil Eksperimen Manajemen Risiko di Bidang Perbankan dan Asuransi | 327 .0. 250 C. dan 3mm. level factor B adalah 100 C. 110 C.

234 7.042 15. Jumlah dan rata-rata nilai SN Ratio dapat dilihat pada Tabel 4.320 11.010 31. Tabel 4 Jumlah dan Rata-rata SN Ratio Faktor Level SN A Jumlah 0 Rata-rata 1 Jumlah 9.031 Manajemen Risiko di Bidang Perbankan dan Asuransi | 328 .116 C 24.021 5.1) 7. 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.052 9.159 B 23.562 7.099 28. Berdasarkan Nilai SN Ratio yang telah dihitung pada Tabel 3.705 39.437 28.788 6.021 10.118 8.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.386 24.097 6.296 D 27.202 Dengan p merupakan proporsi produk yang baik dari 200 komponen yang diperiksa.754 12. 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) . Hasil eksperimen tersebut diperoleh menggunakan kondisi operasi awal eksperimen yaitu A1B1C1D0.

670 81. Untuk factor yang nonsignifikan yaitu A dan C tetap disertakan pada proses produksi berikutnya karena alasan ekonomi dan teknis.376 81.05) 2 2 2 2 Kesimpulan H0 diterima H0 ditolak H0 diterima H0 ditolak Berdasarkan analisis varians pada Tabel 5.477 9. maka dapat disimpulkan factor yang signifikan adalah B dan D dan optimal pada saat B1D1. 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.479 23. 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 3.477 9.585 81.43 74.243 6.01 2.053 9. Manajemen Risiko di Bidang Perbankan dan Asuransi | 329 . 13 November 2010 Rata-rata Jumlah 2 Rata-rata Jumlah Total Rata-rata 8.477 9.15 5.477 9.351 29.755 9.053 10.039 19.07 F (0.15 1.11 3.85 (7. Level optimal dari factor A dan C berdasarkan Tabel 4 adalah A2C1.128 6.93 F 0.93 1. salah satunya karena merupakan satu rangkaian dari proses pembuatan komponen semikonduktor.01 4.29 11.053 13.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.72 37.73) 85.414 81.187 28.053 Setelah dilakukan perhitungan SN Ratio seperti pada tabel diatas.85 RJK 1.89 19. Sehingga kombinasi level factor yang mengoptimalkan respon adalah A2B1C1D1.009 7.

KESIMPULAN Berdasarkan uraian yang telah dipaparkan pada Bagian 3. 431 . dapat disimpulkan beberapa hal yaitu sebagai berikut : 1.431 = 2. Meskipun factor A dan C nonsignifikan.296 Dengan kondisi optimum ini SN Ratio meningkat sebesar 15.040 9. Apabila peningkatan kualitas ini dihitung dalam proporsi komponen yang baik. 296 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.585 13.188 13. Variabel yang signifikan dalam eksperimen pembuatan komponen elektronik adalah B dan D. IV. Taksiran SN Ratio adalah ˆ ( A1 B1C1 D0 ) A1 B1 C1 D0 3T 8.296 – 12.351 9.053 12. Manajemen Risiko di Bidang Perbankan dan Asuransi | 330 . untuk mencari kondisi optimum proses produksi tetap disertakan berdasarkan pertimbangan ekonomi dan teknis. yang menunjukan ukuran besarnya peningkatan kualitas komponen. 13 November 2010 Kondisi operasi awal menggunakan level percobaan A1B1C1D0.1%. sehingga p = 0. Taksiran SN Ratio adalah ˆ ( A2 B1C1 D1 ) A2 B1 C1 D1 3T 9.6% menjadi 97.865.011 3x9.971 = 97.040 9.431 Kondisi optimum eksperimen berdasarkan pengujian adalah A2B1C1D1.053 15.1% Hal ini berarti proporsi komponen yang baik meningkat dari 94.351 10.479 3 x9. sehingga p = 0. yaitu : SN kondisi awal 10log 1 1 p 12.6% SN kondisi optimum 10log 1 1 p 15.946 = 94.

G.P. Great Britain : Chapman and Hall.Introduction to Quality Engineering. G. Hunter.S. D. analysis and parameter design optimization. John Wiley and Sons.6% menjadi 97. Hoboken. J. Park. dengan adanya Program Riset Mandiri (PRM) yang telah mendukung terlaksananya ini.1986. Experiments: Planning..1% dari kondisi awal eksperimen yaitu A1B1C1D0. & Hunter..C. 2005. .2000. G. Pada kondisi optimum yaitu A2B1C1D1 persentase komponen yang baik akan meningkat dari 94. 1996.and discovery. S. Manajemen Risiko di Bidang Perbankan dan Asuransi | 331 .E. 13 November 2010 2. Wu. Taguchi. New York . W.J.F. New York: John Wiley & Sons. NJ: John Wiley & Sons. 2 ed. C. UCAPAN TERIMA KASIH Penulis mengucapkan terima kasih yang kepada Jurusan Statistika FMIPA Universitas Padjadjaran. M. DAFTAR PUSTAKA Box. Robust Design and Analysis for Quality Engineering. Inc. & Hamada. Design and Analysis of Experiments..H.2005. Tokyo: Asian Productivity Organization.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. VI. Statistics for experimenters: Design innovation. V. Montgomery.

Kegagalan terjadi pada jembatan Rochettte. tanpa memperhitungkan urutan rata-rata dalam pendekatan parametrik dapat dikerjakan melalaui analisis varians (ANAVA). 13 November 2010 (D.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.1 Latar Belakang Penelitian yang dilakukan dokter gigi dalam bidang prostodonsia. PENDAHULUAN 1. Menurut Greugers (1985). 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. Pada penelitian ini akan dikemukakan aplikasi menguji kesamaan beberapa rata-rata yang diberikan oleh perlakuan yang berbeda melalui pendekatan parametrik. BERNIK MASKUN ABSTRAK Pengujian hipotesis yang melibatkan beberapa rata-rata. 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. antara lain terlepasnya ikatan antara semen resin dengan permukaan gigi atau terlepasanya ikatan antara semen resin dengan permukaan logam.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. sering dijumpai kegagalan-kegagalan yang terjadi. 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. I. karena Manajemen Risiko di Bidang Perbankan dan Asuransi | 332 .

Laughlin (1986) dan Van der Veen (cit..2 Rumusan Masalah Berdasarkan hasil penelitian yang telah dilakukan. Manajemen Risiko di Bidang Perbankan dan Asuransi | 333 . Dachlan.3 Tujuan Penelitian Menerapkan cara pengujian hipotesis untuk beberapa rata-rata yang sesuai dengan kaidah statistika. Untuk menguji hipotesis di atas diperlukan : 1. Statistik uji 2.... k H1 : Salah satu tanda sama dengan tidak berlaku. sandblast dan dietsa secara electrolisa.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 semen resin hanya melekat disekitar lubang-lubang dan tidak menyeluruh pada permukaan logam. 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. 1. untuk itu dapat diturunkan hipotesis statistik sebagai berikut : HO : HO : vs 1 2 . Berdasarkan kegagalan-kegagalan dan upaya-upaya yang telah dilakukan oleh bebrapa peneliti untuk meningkatkan kekuatan pelekatan antara semen resin dengan permukaan logam. perforeted. antara lain dilakukan oleh Mc. perlu dilakukan penelitian lainnya yang berkaitan dengan perlakuan-perlakuan yang diberikan kepada logam. Berbagai penelitian telah dilakukan untuk memperbaiki ikatan antara semen resin dan permukaan logam. Distribusi Sampling dari statistik uji 1.

1.. TINJAUAN PUSTAKA 2.1 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.. 13 November 2010 1.4 Manfaat Penelitian Dengan digunakan statistik uji yang sesuai untuk menguji hipotesis beberapa rata-rata akan memberikan solusi yang lebih baik.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 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.. (2-2) Kedua statistik di atas dapat digunakan jika data hasil penelitian berdistribusi Normal. (2-1) Apabila 2 tidak diketahui maka statistik ujinya menggunakan staistik t dengan bentuk x1 s 1 n1 x2 1 n2 t . II .2 Statistik Uji dengan Pendekatan Non Parametrik Manajemen Risiko di Bidang Perbankan dan Asuransi | 334 . 2.

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

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

Ykj .. k H1 : Salah satu tanda sama dengan tidak berlaku.2.. . . 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 .... 13 November 2010 Berdasarkan model eksperimen seperti pada persamaan (3-1) dapat diturunkan hipotesis sebagai berikut : Ho : i 0 i 0 ..1 Statistik Uji Pendekatan Parametrik : Pengujian untuk hipotesis di atas.... Y22 . . .. Y2j Yij . Y1n1 n1 J1 y1 K Yk1 Yk2 . k yang dapat diartikan tidak terdapat perbedaan mengenai efek perlakuan Hipotesis di atas dapat pula ditulis dalam bentuk : HO : vs 1 2 .... Untuk mengujinya diperlukan statis uji yang sesuai. ....... J2 y2 1 2 … J … … nj Banyak Pengamatan Jumlah Rata-rata 1 Y11 Y12 . .... Y2n2 N2 . Y1j .... 3. i = 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran....... .... . 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 . .

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 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 k n i 1 ni Berdasarkan data dalam Tabel 1.

Kriteria pengujian : Terima Hipotesis jika F hitung < dari F Tabel.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.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. (n-k-2)) Py‟ E y /(n-k-2)= Ey‟ n Y2 - - - Dari tabel ANAVA di atas akan diperoleh F hitung. 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. dan Kelompok IV adalah lempengan logam yang di sandblast. perlu dilakukan uji setelah ANAVA dengan Uji Newman Keuls. IV. Kelompok II lempengan logam yang dietsa elektrolisa. 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 . 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). HASIL DAN PEMBAHASAN 4. Setiap kelompok terdiri atas empat buah lempengan : Kelompok I lempengan dibentuk anyaman. Kelompok III lempengan logam dibentuk pitted. Dengan demikian model eksperimen/percobaan akan berbentuk Eksperimen Acak Sempurna dengan empat replikasi untuk tiap kelompok. (n-k-2)) dengan taraf kepercayaan . Jika pengujian bersifat signifikan. sebagai pembandingnya digunakan F tabel dari Tabel Distribusi F dengan dk= ((k-1).

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 .07 17.23 14.70 19.12 2 26.01 4 19.06 3 20.84 13. 13 November 2010 Hipotesis : Hipotesis kerja yang dapat diturunkan dari masalah di atas adalah : 1.82 17.81 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 4.2 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 32.52 6.87 6.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.02 18.37 4. etsa elektolisa.52 3. Apakah terdapat perbedaan efek dari pemberian perlakuan dalam bentuk anyaman.23 8. Pitted dan Sandblast ? 2.

28 11.13 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 .84 13.37 70.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.13 5.37 17.26 4 79.50 67.23 14.50 2 91.52 17.00 21.04 10. 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 32.11 46. 13 November 2010 Oleh Empat Perlakuan (dlm %) Perlakuan Sampel Anyaman Etsa Pitted 1 98.24 34.81 9.12 6.06 4.40 3 80.50 42.28 18.50 16.57 Jumlah Sandblast 6.82 20.23 8.13 66.50 Sandblast 16.94 4 20.61 24.02 19.50 9.07 4 98.82 79.01 3.65 Perlakuan Etsa Pitted 19.52 4 4 73.88 Selanjutnya dari data dalam Tabel 4.70 26.03 16 238.41 24.87 18.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran.74.37 79.03 MPa x2 x3 x4 Dari Tabel 5.57 MPa Rata-rata kekuatan rekat dengan Sandblast = 5.65 MPa Rata-rata kekuatan rekat dengan Etsa Elektolisa = 18.05 dan F table untuk taraf kepercayaan 99% = 5. 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 98.79 30.97 - - - Dari tabel ANAVA di atas diperoleh F hitung = 22.96 13.50 4 4 283.92 13.66 70.80 87.15 122.88 4 52.544.50 67.50 16.67 Jumlah Sandblast 16.40 70.13 4 349.45 Perlakuan Etsa Pitted 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. Hasil pengujian menunjukkan sangat bermakna (**).23 16 808. 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) 3.50 80.90 268.00 12 16 4.12 3.544.00 21.26 66.41 24.82 91.12 859.53 Manajemen Risiko di Bidang Perbankan dan Asuransi | 342 .28 MPa Rata-rata kekuatan rekat dengan Pitted = 11.50 9.74 **) 155.05 5.50 42.04 10.24 34.63 22.559.

00 dan F table untuk taraf kepercayaan 99% = 5.55 40. 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) 40.17 57. 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 = 87.79 % Rata-rata prosentase Luas Permukaaan resin yang melekat pada permukaan logam t dengan Pitted = 30.81 83.781.44 4. Hasil pengujian menunjukkan sangat bermakna (**).55 14.16 - - - Dari tabel ANAVA di atas diperoleh F hitung = 83.237.745.00 5.67 % Rata-rata prosentase Luas Permukaaan resin yang melekat pada permukaan logam dengan Sandblast = 13.857.74 **) 686.45 % Rata-rata prosentase Luas Permukaaan resin yang melekat pada permukaan logam dengan Etsa Elektolisa = 70.857.18 16 55.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.23 % Manajemen Risiko di Bidang Perbankan dan Asuransi | 343 .74.

Hasil pengujian memperlihatkan bahwa lempeng logam yang diberi perlakuan anyaman memberikan kekuatan daya lekat paling besar yaitu sebesar 24. NHJ. Lipincott Co. Edy Machmud. Sandblasting of Bands to Increase Bond Strenght. Direct Bonded Retainer. Saunders Co. 10.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Orthop 112 : 502-506 9. Scheaffer. 1997. 13 November 2010 V. 1983. Jakarta. 1994.. Cetakan ke II. 217-222 Phillip. 365. perhatikan kembali rata-rata kekuatan rekat pada permukaan logam dan persentase luas permukaan resin yang melekat pada permukaan logam. A Simple Method of Increasing The adhesion of acrillic Filling material to Enamel Surface.. New York. D. Miller S Zernik J.. 2001.1985. 497-500 4. . Comparion of Shear Bond and Surface structure Between Convensional Acid Etching and Air Abrassion of Human Enamel. Program Pendidikan Dokter Gigi Spesialis Prostodonsia. Hal 145.D.. Inc. 1985.65 Mpa yang berarti lempeng logam akan terlepas dari lempeng logam lawan setelah diberi kekuatan tarik sebesar 24. G.Res 34(1) : 849-852. 760 3. O Bishara S E Damon P. J..C. 6. M. Design and Analysis of Experiments. W. Philadelphia. J. Phioladelphia. Duxbury Press. J. Ilmu Geligi Tiruan Jembatan..al . Olsen M. 1-89. 11. 2. Jakarta EGC. Hal. Sidney Siegel.45 %. 230-241 Manajemen Risiko di Bidang Perbankan dan Asuransi | 344 . 1996. Wackerly. Et. Boston.65MPa dengan luas permukaan resin yang masih melekat pada permukaan logam sebesar 87. Montgomery. Prelimenary Report of Clinical Evalution of Three Types of Resin Bonded Bridge. John Wiley & Sons.O. Hal. Hal. Hal. XXX (4) . H . PWS Publishers. Mathematical Statistics with Applications. 9 th ed. Laughlin G . Thirt Edition. Journal . Creugers. Hal 148-153 8. 5 th Edition. 1986. Res.159. Statistik NonParametrik. 117-164. 185-229. 1986.Vol 64.B.1955. 1991. Den. DAFTAR PUSTAKA 1. Orthod Dentofac. FKG -Universitas Padjadjaran Mc. Gramedia. Prajitno. Science of Dental Material.B. C.. . Am. 7.. R. Buonocore. KESIMPULAN Untuk mengetahui perlakukan mana diantara keempat perlakukan memberikan efek yang paling baik. J. Pengetahuan dasar dan Rancangan Pembuartan. 5.D. W. Dent. Uji Beda Kekuatan Rekat Semen Resin Adhesif pada Permukaan Logam yang Diberi Empat Macam Perlakuan.. Mendenhall.L.

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

47 P value 0.80 53. Sehingga dapat disimpulkan bahwa hanya efek A. Jadi faktor-faktor yang mempengaruhi jarak yang ditempuh bola golf pada permainan golf dengan respon jarak tempuh dalam yard adalah Ability (Kemampuan).00 258.10 42. D dan E memiliki nilai p value < 0.00 10.00 0.00 45.971 p-v alue = 0.589 A: A B: B C: C D: D E: E Positive Effects Negative Effects Shapiro-Wilk test W-value = 0.25 0.0004 Manajemen Risiko di Bidang Perbankan dan Asuransi | 353 .05 maka H0 diterima. Design-Expert® Software R1 Half-Normal Plot 99 Half-Normal % Probability Shapiro-W ilk test W -v alue = 0.5 ( 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 8930.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.7666 0. Ground (Lapangan).00 43. maka H0 ditolak sedangkan untuk efek B dan C karena memiliki nilai 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 0.25 1.50 | Standardized Effect| Sumber Variasi A B C D Tabel 4.2821 0. D dan E mempunyai pengaruh terhadap model. 3.00 135.0006 0.00 24.4 Tabel Anava Untuk Dua Data Hilang Derajat Jumlah Kuadrat F value Kebebasan Kuadrat Terkecil 1 7921.25 420.00 129. Sebagai catatan dalam tabel Anava.00 |Standardized Effect| |Standardized Effect| Gambar 4. dan Teeing (Tongkat).4 Gambar 4.see Tips 99 Half-Normal % Probability 95 90 Half-Normal % Probability Shapiro-Wilk test W-value = 0.00 180.40 32.00 7921.00 27.404 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.see Tips 99 Design-Expert® Software Half-Normal Plot Select significant terms .25 30.00 172. sumber variasi residual merupakan gabungan dari efek-efek interaksi dua faktor. 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 . 13 November 2010 Karena efek A.70 21.952 p-value = 0.00 86.00 215.36 1 30.00 90.093 1 420. 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.00 225.29 1 8930.05.939 p-value = 0.

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

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

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

et.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Landasan teori 2. 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. Angka tersebut merupakan hasil Survei Biaya Hidup (SBH) tahun 2007 yang merupakan patokan untuk menyusun inflasi. GRNN adalah salah satu model deret waktu nonlinier yang juga telah banyak dikembangkan untuk berbagai masalah statistika baik untuk output univariat maupun multivariat. 2.al (2000) yang melakukan prediksi nilai tukar beberapa mata uang internasional dan membandingkannya dengan model Multilayer Feedforward Neural Network dengan beberapa fungsi transfer (aktifasi). Hal ini dilakukan dengan membandingkan data testing dan data asli dengan metode permodelan GRNN. Kaitannya pemodelan GRNN untuk data finansial Leung. RBFNN (Radial Basic Feed Forward Neural Network). 2. banyak perusahaan yang gulung tikar dan pengangguran dimana-mana (Statistik 50 Tahun Indonesia Merdeka. et. Tujuan dari makalah ini adalah mendapatkan model untuk data inflasi Indonesia. Angka inflasi yang mempunyai fluktuasi tinggi dari waktu ke waktu menandakan perekonomian suatu negara tidak atau kurang stabil. 1995). 13 November 2010 satu indikator utama yang digunakan untuk melihat perkembangan perekonomian suatu negara adalah tingkat laju inflasi. Cigizoglu.2 Self Organizing Map Manajemen Risiko di Bidang Perbankan dan Asuransi | 357 . Untuk semua mata uang termasuk dalam penelitian empiris dilihat dari MAE dan RMSE untuk peramalan Model GRNN yang lebih signifilkan dibanding model. namun “keranjang/paket” barang dan jasa yang digunakan untuk menghitung konsumsi rumah tangga seluruhnya berjumlah 774 komoditas. Indonesia pernah mengalami tingkat inflasi yang sangat tinggi yaitu pada tahun 1966 dan 1997-1998.1 Inflasi Inflasi merupakan indikator perkembangan harga barang dan jasa yang dikonsumsi masyarakat. 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. Barang dan jasa tersebut jumlahnya sangat banyak. al (2008) melakukan perbandingan model FFNN (Feed Forward Neural Network).

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

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

3.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). 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 .y i ) / 2 2 (3) dengan n adalah banyaknya pengukuran dalam himpunan data pelatihan. y ) 2 1 ( p 1) / 2 p 1 1 n n exp i 1 di2 / 2 2 exp (y .xi ) (x . kemudian di teruskan ke hidden layer pertama pada GRNN dengan beberapa bobot dari SOM yang digunakan pada parameter GRNN.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 f (x. 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 2.5 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.

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.02 -2228. Hasil dan pembahasan Untuk melihat lag yang optimum dalam model. Desember 2008. Desember 2009.64 -2176. 5. Nilai dari Information Criterion for Autoregressive Model The SAS System 05:25 Thursday. 13 November 2010 oleh Bank Indoensia. yang dibagi menjadi 60 observasi untuk in-sample dan 12 observasi untuk out-of-sample. Data observasi yang digunakan sebanyak 72 bulan.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 4. 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. adalah dengan melihat nilai Information Criterion for Autoregressive Model (ICAM) seperti pada Tabel 1. Data pertama adalah data in-sample (training).13 -2180. data ini digunakan untuk menguji akurasi dari model yang terbentuk.45 -2157.94 -2221. Untuk keperluan pembandingan model data dibagi menjadi dua. Pada penelitian ini. Sedangkan data kedua adalah data out of sample (testing) dari bulan Januari 2009 s.d. suku bunga dan kurs rupiah terhadap dollar yang dirilis Bank Indonesia.2 -2222 -2196. Data ini terdiri dari 72 observasi.83 -2174.08 2166. Tabel 1. Tujuan dari pembuatan makalah ini adalah mendapatkan model yang baik untuk data inflasi Indonesia.95 Manajemen Risiko di Bidang Perbankan dan Asuransi | 361 .2 -2184. November 11. data yang digunakan merupakan data inflasi Indonesia yang dirilis setiap bulan oleh BPS dan data jumlah uang beredar.d. Hal ini dilakukan dengan metode SOM-GRNN dengan cara membandingkan dari data asli dan perkiraan dari data testing (out sample). data ini digunakan untuk membentuk model time series dari bulan Januari 2004 s. dimulai dari januari 2004 sampai dengan desember 2009.

Tabel 2.0 -0. Hasil dengan menggunakan kriteria MSE dan RMSE untuk membandingkan data testing (Ytest/data asli) dengan data taksiran testing (Yhat-test) pada gambar.5 0. Perbandingan MSE dan RMSE training dan testing pada Model SOM-GRNN SOM-GRNN Training Testing MSE 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.5 1 2 3 4 5 6 7 Index 8 9 10 11 12 Gambar 2.5 Variable Ytest Yhat-test 1. Plot Ytst dan Yhat-tes Manajemen Risiko di Bidang Perbankan dan Asuransi | 362 . Tetapi ini masih layak digunakan karena perbedaannya yang tidak terlalu jauh antara training dan testing dilihat dari banyaknya jumlah observasi training dan testing. 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.874 1.2 terlihat bahwa dengan metode SOM-GRNN terlihat bahwa data plot taksiran (Yhat-test) cenderung mendekati plot data testing (Ytest). Yhat-test 1. Time Series Plot of Ytest. Pada bagian ini akan dipaparkan hasil empiris dari metode SOM-GRNN untuk melihat validasi model terbaik untuk data inflasi bulanan Indonesia.129 1.448 RMSE 1.0 Data 0.

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

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

Dengan menggunakan metode simulasi ditetapkan B=1000 dan sampel bootstrap n=(10. Bootstrap. Keyword : Regresi. Konsep dari PLSR adalah mereduksi variabel prediktor menjadi k komponen dengan memperhatikan korelasi antara set variabel prediktor dengan set variabel respon. standar error dan interval konfidensi pendugaan. 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. standar error dan lebar interval konfidensinya . Sama halnya seperti metode Principal Component Regression dan Ridge Regression. terdapat satu masalah klasik diantara banyak masalah dalam analisis regresi multipel adanya korelasi sempurna atau hampir sempurna antara variabel prediktor. Namun satu hal yang menjadi kendala dalam PLSR Manajemen Risiko di Bidang Perbankan dan Asuransi | 365 . Dalam bahasa regresi persamasalahan ini dikenal dengan nama multikolenieritas. 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.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. semakin banyak variabel yang terlibat dalam model regresi maka semakin akurat dan reliable nilai prediksinya karena tentunya dengan melibatkan banyak variabel prediktor. Namun. dengan korelasi antara prediktor sebesar =0. Dalam penelitian ini. 50. penulis bertujuan untuk membandingkan bias pendugaan parameter regresi. 200) dan Jackknife n-1.com ABSTRAK Metode Partial Least Square Regression salah satu metode yang ditawarkan untuk pemodelan persamaan regresi jika terdapat kasus multikolenieritas. Ridge Regression (RR) dan Partial Least Square Regression (PLSR).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Beberapa teknik statistik yang sering digunakan dalam penanggulangan multikolenieritas adalah Principal Component Regression (PCAR). PLSR merupakan gabungan dari Principal Component Regression (PCR) dengan Canonical Correlations (CC). Khusus untuk tujuan prediksi. Pendekatan umum yang digunakan untuk mendapatkan standar error dan interval konfidensi dari pendugaan parameter regresi adalah dengan menggunakan metode Bootstrap dan Jackknife. 30. metode Partial Least Square Regression tidak memberikan standard error pendugaan parameter regresi karena dalam pemodelan tidak mengasumsikan sebaran dari error. 100.9 diperoleh metode Bootstrap relatif lebih baik untuk ukuran sampel besar (n>30) dibandingkan dengan metode Jackknife dilihat dari bias pendugaan. 13 November 2010 (R. proporsi varians dari variabel respon yang dapat dijelaskan oleh variabel prediktor akan semakin tinggi yang ditunjukkan oleh nilai koefisien determinasi R2 yang semakin besar.

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

2. 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...Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Dalam algoritma PLS baik untuk multivariat dan univariat. Kemudian ri . masing-masing merupakan sampel acak berukuran n yang diambil dengan pengembalian dari populasi n pengamatan. 13 November 2010 dimana wi adalah ortonormal. Pada metode bootstrap dibentuk B buah sampel Bootstrap... Bootstrap Untuk Bias Pendugaan Jika ˆ adalah penduga tak bias dari . / 2 seB t n p.. i = 1. 1979). 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. langkah pertama adalah menghitung nilai vektor ti kemudian menghitung pi.... wi. Idenya adalah untuk meniru proses pemilihan banyak sampel untuk menemukan kemungkinan bahwa nilai-nilai statistik uji mereka jatuh dalam berbagai interval (Efron. / 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 . E[ ˆ] bias( ˆ) E[ ˆ ] Dan bias dari bootstrap adalah : . Pengamatan ke-i (i=1.2....B).) ˆ /B (r ) Bootstrap Untuk Interval Konfidensi Untuk interval konfidensi digunakan pendekatan normal sebagai berikut : ˆ ˆ ˆ ˆ t n p. Sedangkan pengamatan lain mungkin tidak muncul sama sekali..2. 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. Dengan demikian distribusi dari statistik uji sampel di ini ditetapkan dari distribusi sampling empiris.B) maka dugaan simpangan baku dari parameter ˆ se B ˆ B r 1 ˆ (r ) ˆ (.m adalah set vektor loading.n) dari sampel awal mungkin muncul beberapa kali pada sampel Bootstrap ke-r (r=1...) /( B 1) (7) (. 2.

n .) 1 n n i 1 (n 1)( ˆ (. Jackknife seperti halnya metode cross validation leave one out. 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 ) (.…. dan sebenarnya. Jackknife Jackknife adalah metode resampling yang lain diperkenalkan oleh Quenouille (1949) untuk estimasi bias dan Tukey (1958) memperkenalkan Jackknife untuk menduga standar error .xn) ˆ T ( x) . Jackknife Untuk Bias Pendugaan Jika ˆ adalah sebuah statistik. n (i ) Misalkan parameter =t(F) adalah fungsi dari distribusi F. Misalkan Fn adalah empirical cumulatif distribution function (ecdf) .) /( 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.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. kemudian ˆ(i ) pendugaan parameter adalah : ^ t ( Fn 1 ( x(i ) )) . Tolak hipotesis nol jika terjadi sebaliknya. i=1.…. jackknife untuk bias bias jack Dimana ˆ (.…. 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.….Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Misalkan x=(x1. definisikan replikasi jackknife ke-i sebagai ˆ Jika Tn 1 ( x(i ) ) . xi+1.) (11) METODOLOGI Manajemen Risiko di Bidang Perbankan dan Asuransi | 368 .xi-1. Taksiran dari adalah ˆ t ( Fn ) .

513698 0.510731 0.90 serta =0.5545374 0.0002856 0.002592 0.519248 0.5354353 0.003766 0.519777 0.010273 Sumber : Hasil Simulasi Sampel Standardized Method Observed Average Size Coefficient 0.510439 0. Menghitung bias pendugaan.533837 0.000179 0.002582 0.014948 b1 0.0556508 Bootstrap b2 0.526704 0.525679 0.0323286 Jackknife b2 0.0117674 0.010457 Bootstrap b2 0.002605 0. 50.I L.000550 0.0120 Taksiran Parameter Beta 2 0.000188 0.030394 b1 0. 50.0007 Ta ksira n Pa ra meter Beta 1 0.0025445 0.5049639 0.0008 0.0004 0.001595 0.B U.010223 N=200 b1 0.507179 0.024692 N=50 b1 0.534668 0.000034 0.504049 0.000029 0.5074083 0.5190643 0. 30.4835913 0.513088 0.504120 0.510382 0.0205651 0.E Wide C.507213 0.002599 0.0040 0.509371 0.508369 0. Prosedur simulasinya adalah sebagai berikut : 1. Hasil Simulasi Metode Bootstrap dan Jacknife (B=1000.5076099 0.507353 0.024677 b1 0.518390 0.001812 0.501115 0.505054 0.0020 0.004317 Bootstrap b2 0.5020237 0.503828 0.501008 0.508496 0.000104 0.000092 0.4797845 0. 30.507801 0.532662 0.513214 0.000204 0.508496 0. sampel bootstrap B=1000 dengan n=(10.513886 0.0001 Manajemen Risiko di Bidang Perbankan dan Asuransi | 369 0.006332 Jackknife b2 0.0005 0. 50.007515 0.012771 Bootstrap b2 0.518096 0. 100.0002 0.003750 0.001095 0.5020237 0.030840 N=30 b1 0.523233 0.000069 0.000187 0.507279 0.000631 0. standar error.491244 0.0003 0.5700363 0. 100.510419 0.000065 0.512960 0.B b1 0.0100 .003112 0.0080 0.0140 0.507501 0.014885 N=100 b1 0.525833 0.523311 0.006137 0.0972576 N=10 b1 0.505020 0.004319 Jackknife b2 0.502608 0.006319 Bootstrap b2 0.525522 0. 200)) Confident Interval 95% Bias S.95 diperoleh hasil simulasi sebagai berikut : Tabel 1.507216 0.512995 0.0709461 b1 0.503442 0.001095 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.518640 0. 200) serta mempertimbangkan adanya multikolenieritas dengan korelasi antara variabel prediktor ditetapkan sebesar =0. dan interval konfidensi dengan metode Bootstrap dan Jackknife HASIL PENELIITAN Setelah dilakukan simulasi menggunakan software R dengan replikasi sebanyak 100 kali.010388 Jackknife b2 0.521550 0.006133 0.502758 0.509338 0.510948 0.518205 0.520316 0.000534 0. Membangkitkan data sampel n=(10.000153 0.5214075 0. 200) variabel prediktor x1 dan x2 dengan korelasi antara prediktor ini ditetapkan sebesar =0.000168 0.509982 0. 30.003092 0.521213 0.521550 0.526704 0.5235726 0.525522 0. 100.012690 Jackknife b2 0.509982 0.510419 0.007407 0.0060 0.508369 0.001592 0.0150016 0.507986 0. 13 November 2010 Untuk memilih metode terbaik dalam pendugaan parameter regresi dengan partial least square akan dilakukan dengan metode simulasi monte carlo. n=(10.000663 0.532116 0.518199 0.9 2.0068359 0.0007563 0.4727787 0. Melakukan pendugaan parameter regresi dengan metode Partial Least Square dengan banyak komponen adalah satu 3.0006 0.507439 0.5049639 0.507970 0.521213 0.

60 B2 0.510 B1 0.52 0.51 0.515 Frequency Frequency 15 10 10 5 5 0 0 0 5 0.50 0.515 20 15 5 10 10 5 0 5 0 0 0 0.50 0.54 0.0000 0 50 100 150 200 250 0.51 5 10 15 0.50 0.54 0.0200 Taksiran S.54 0.56 0.E Beta 2 0.0000 0 50 100 150 200 250 Ukuran Sampel (n) Bootstrap Jackknife Ukuran Sampel (n) Bootstrap Jackknife Gambar 3.55 B1 0. Bootstrap dan Jackknife Bias Parameter Beta 2 0.0010 0.53 B2 0.54 0.0100 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 0.0005 0.530 0.500 0.510 0.0150 0. standar error dan interval konfidensinya. 13 November 2010 Gambar 1.505 0.0025 Taksiran S.58 B2 0 0. jackknife relatif lebih baik dibandingkan Bootstrap.51 5 10 15 0.55 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 0.52 0.0015 0.58 0.0050 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.52 0. Bootstrap dan Jackknife Bias Parameter Beta 1 0. Bootstrap dan Jackknife Standar Error Beta 1 Gambar 2.52 0.52 0.0020 0.0030 0.510 B1 0.55 Manajemen Risiko di Bidang Perbankan dan Asuransi | 370 .56 0.520 B1 0.0250 0. Namun untuk ukuran sampel kecil kurang dari 30.E Beta 1 Gambar 2.505 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 0.53 B2 0.54 0.

terlihat dari hasil simulasi (n>30) distribusi sampling dari dugaan parameter relatif menyebar normal.530 B2 5 10 B1 B2 B1 Gambar 3. 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.515 0.504 0.510 0.512 Distribusi Jackknife Beta-2 8 Frequency 15 Frequency Frequency 0 2 4 6 8 6 4 10 2 0 5 0 0 0.507 B1 0. Distribusi Bootstrap Beta-1 12 10 Distribusi Bootstrap Beta-2 20 Distribusi Bootstrap Beta-1 15 Frequency 0.505 0. baik pendekatan Bootstrap maupun Jackknife kurang baik digunakan dalam mendapatkan standar error yang akan digunakan dalam pengujian hipotesis.530 Distribusi Jackknife Beta-1 10 12 Distribusi Jackknife Beta-2 20 Distribusi Jackknife Beta-1 15 Frequency 0.508 B1 0. Bootstrap dan Jackknife n = 10 Gambar 2.520 0. Sehinggau untuk ukuran sampel relatif besar. terlihat distribusi sampling dari parameter regresi partial least square menyimpang dari sebaran normal.509 0 5 Untuk ukuran sampel relative besar. Bootstrap dan Jackknife n = 100 Distribusi Bootstrap Beta-2 0.510 0.525 B2 B1 Manajemen Risiko di Bidang Perbankan dan Asuransi | 371 .512 0. Sehingga dengan ukuran sampel ini.520 B2 0.510 0.520 B2 0.520 0.515 0.508 B1 0.520 0.504 0.504 0.512 Distribusi Bootstrap Beta-2 Frequency 15 Frequency Frequency 8 6 10 6 4 4 2 2 0 5 0 0 0 0. Bootstrap dan Jackknife n = 50 Distribusi Bootstrap Beta-1 10 15 Gambar 4. Bootstrap dan Jackknife n = 30 Untuk ukuran sampel kurang dari 30.504 0.520 B2 0. Frequency 8 Frequency 4 0 2 8 4 6 10 0 5 10 6 0.510 5 10 8 0.525 Distribusi Jackknife Beta-1 10 15 Distribusi Jackknife Beta-2 Frequency Frequency 0 2 0.512 0.508 B1 0.530 0. 13 November 2010 Gambar 1.515 0.510 0.506 0.507 B1 0.509 0.530 0.505 0.508 B1 0.525 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

“Bootstrap and Jackknife Resampling Algorithm For Estimation of Regression Parameters. Volume 22 (2006). Metode Boostrap relatif lebih baik untuk ukuran sampel besar dibandingkan metode Jackknife namun untuk ukuran sampel kecil. New York : John Willey & Sons. Principal Komponen Analysis. Vol 2. Untuk ukuran sampel relatif besar (n>30). Smith. Norliza Adnan.R. 109–119 Sahinler. Number 2. I.H. Journal MATEMATIKA. Robiah Adnan.N. New York. Hasil simulasi menunjukkan bahwa bias pendugaan parameter relatif rendah dengan standar error dugaan relatif kecil.2nd Ed. 1990. DAFTAR PUSTAKA Draper. 2007.1991.2nded.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Mayers. Springer-Verlag. 1986. A Comparative Study On Some Methods For Handling Multicollinearity Problems. dan H. pp. Topuz.Classical and Modern Regression With Application. No. metode Bootstrap dan Jackknife baik digunakan untuk menaksir standar error dugaan parameter yang dapat digunakan untuk menghitung nilai statistik uji dalam uji hipotesis. Journal of Applied Quantitative Research. Jollife. 13 November 2010 Gambar 5. terlihat Jackknife relatif lebih baik. Maizah Hura Ahmad. Applied Regression Analysis. 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. T. 2 Manajemen Risiko di Bidang Perbankan dan Asuransi | 372 .New York : John Willey & Sons.

Berdasarkan hasil Sensus Penduduk 2000.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.3) PENDEKATAN BAYESIAN SPASIAL EKONOMETRIKA PADA PEMODELAN MIGRASI PENDUDUK DI JAWA BARAT Priyono1. Migrasi 1. sedangkan variabel tingat pengangguran. 1 Kata Kunci: Bayesian spasial autoregressive. jumlah migran ke Provinsi Jawa Barat merupakan yang terbanyak di Indonesia dengan jumlah hampir 1. 3 sutikno@statistika. 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. Dalam penelitian ini digunakan metode bayesian dengan pendekatan Marcov Chain Monte Carlo (MCMC). fasilitas pendidikan dan fasilitas kesehatan tidak cukup signifikan. Berdasarkan hasil Sensus Penduduk 2000. 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). Sutikno3 Mahasiswa S2 Jurusan Statistika. Setiawan2. 13 November 2010 (R.id. Institut Teknologi Sepuluh Nopember (ITS) Surabaya 2. Metode MCMC ini digunakan untuk mengatasi heteroskedastisitas pada model spasial lag (autoregressive). Hasil penelitian menunjukkan bahwa variabel yang berpengaruh ( =5%) terhadap tingkat migrasi adalah peranan sektor industri terhadap PDRB. jumlah migran ke Provinsi Jawa Barat merupakan yang terbanyak di Indonesia dengan jumlah hampir 1.its. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang mempengaruhi migrasi di Jawa Barat dengan pendekatan bayesian spasial autoregressive. Heteroskedastisitas. Hal ini menunjukkan bahwa wilayah Provinsi Jawa Barat masih mempunyai daya tarik bagi para migran untuk tinggal dan menetap di wilayah ini.3 Dosen Jurusan Statistika. Institut Teknologi Sepuluh Nopember (ITS) Surabaya e-mail: 1 freeyono@gmail. 2 setiawan@statistika. Besarnya pengaruh spasial dependen (ρ) sebesar 0.1 juta penduduk Manajemen Risiko di Bidang Perbankan dan Asuransi | 373 .1 juta penduduk migran.469535 dan signifikan pada level 5%.ac.com.id Abstrak.its.ac. Pendahuluan Migrasi penduduk adalah perpindahan penduduk dari suatu tempat ke tempat yang lain.

Beberapa keunggulan model bayesian pada penanganan data spasial diantaranya yaitu penggunaannya lebih fleksibel. 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. politik dan sosial. diantaranya bidang ekonomi. 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 . 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). 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. 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. 13 November 2010 migran (BPS. Banyak migran menuju wilayah yang berjarak dekat. 2003). Diharapankan informasi yang didapatkan lebih informatif dan aplikatif terutama terkait dengan adanya efek spasial multiplier pada model. sedangkan kelemahannya yaitu waktu yang dibutuhkan dalam memproses data lebih lama dibanding metode MLE. Hal ini menunjukkan bahwa wilayah Provinsi Jawa Barat mempunyai daya tarik bagi para migran untuk tinggal dan menetap di wilayah ini.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 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. 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. secara konseptual lebih mudah dipahami dan mempunyai tingkat akurasi yang tinggi. Model spasial ekonometrika dalam beberapa tahun belakangan ini banyak digunakan dalam berbagai macam studi. 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. 2002). sedangkan migran yang jauh tertuju ke pusat-pusat perdagangan dan industri yang penting (Emalisa.

. β adalah vektor koefisien regresi berukuran k x 1. (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. (r=1. Persamaan (2. Estimasi Model dengan Bayesian Spatial Ekonometrika Manajemen Risiko di Bidang Perbankan dan Asuransi | 375 ..2) y ε (1 N (0.... dan Xir.. 2. X adalah matriks variabel independen/penjelas berukuran n x k.2.... dan Wij = 0 untuk region lainnya..1) dimana Yi adalah variabel dependen untuk observasi ke-i..... dan ε adalah vektor error regresi berukuran n x 1 yang bersifat identik independen dan berdistribusi normal.. 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. W) 1 Xβ (1 2 W) 1 ε In ) dimana y adalah vektor variabel dependen/respon berukuran n x 1.......1.. dimana Wij adalah elemen baris ke-i kolom ke-j yang bernilai 0 pada diagonal utamanya (i=j). (2. Matrik pembobot/penimbang spasial (W) ini mencerminkan adanya hubungan antara satu wilayah dengan wilayah lainnya.1) dapat disajikan dalam bentuk notasi matrik sebagai berikut: y Wy Xβ ε .2...Prosiding Seminar Nasional Statistika Universitas Padjadjaran.. Model untuk tiap observasi ke-i adalah: n k Yi j 1 WijY j r 1 r X ir i . Menurut LeSage (1999a) hubungan persinggungan (contiguity) merupakan metode pembentukan matrik pembobot spasial dimana wilayah yang berbatasan secara geografis merupakan neighbour (tetangga).k) adalah variabel-variabel penjelas untuk observasi ke-i. 13 November 2010 2.. Tinjauan Pustaka 2. sedangkan ρ merupakan koefisien spasial lag/autoregressive dan W adalah matrik pembobot spasial berukuran n x n.

1012...3) ε N (0.. . (2. vn). Menurut Happle (1995) akan lebih bermanfaat untuk mendapat penyelesaian model bayesian SAR dalam konteks penyederhanaan yang ditawarkan oleh prior diffuse atau non-informatif.n... (2. Geweke (1993) menunjukkan bahwa distribusi prior untuk vi mengikuti distribusi Chi-square ( 2 ) dengan derajat bebas r. Berikut ini uraiannya: y Wy Xβ ε y (1 W) 1 Xβ (1 2 W) 1 ε .…. Dengan demikian untuk selanjutnya digunakan prior uninformatif pada prior normal dan invers-gamma. dimana V merupakan matrik diagonal yang berisi parameterparameter (v1. dan Vi j = 0. dan c=0. 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 . 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)..4) dimana e Ay Xβ dan A = In − ρW. V) Vii = vi . maka ditambahkan faktor skalar varians V pada asumsi residual error-nya sehingga σ2V σ2In ..Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Metode ini mempunyai asumsi bahwa semua parameter dalam model (θ) mempunyai distribusi prior p(θ) yang merupakan informasi (pengetahuan) awal. 2009). Selanjutnya untuk menerapkan adanya heteroskedastisitas pada model bayesian SAR. 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.…. ….... untuk i ≠ j Fungsi likelihood dari model heteroskedastisitas spasial ini adalah: p ( D β. dengan a.... sehingga distribusi prior untuk masing-masing parameternya sebagai berikut: Manajemen Risiko di Bidang Perbankan dan Asuransi | 376 . T=Ik.b=0. yang akan digabungkan dengan likelihood dari data saat ini sehingga menghasilkan distribusi posterior yang merupakan update dari distribusi prior. . v2.untuk i=1.

. 2.. . Manajemen Risiko di Bidang Perbankan dan Asuransi | 377 . (2.…. 2) / 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). ) (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 …. p(β. 13 November 2010 β konstanta 1 (r / vi ) iid n 2 (r ) / r. ) (β) ( ) (V) ( ) maka distribusi join posteriornya adalah. .. V. Dari persamaan join posterior dapat dicari distribusi full conditional untuk masing-masing parameter dalam model. . V.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. D) p(D β. i 1.(2.n sehingga V i 1 vi ( r konstanta exp r 2vi ..5) Distribusi Join Posterior Dari persamaan Teorema Bayes dan asumsi independen antar priornya (β..Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

. (2. (2.10) Dengan demikian full conditional distribusi posterior untuk σ2 merupakan distribusi invers-gamma dengan parameter a* dan b* berikut. (2.9) ( 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 1 exp i 1 e 2vi 1 2 2 i n 1 exp 2 2 e V 1e ….. n p(β 2 ...V) ~ N(c*.. p(σ2|β(1).V) ~ IG(a*.. p(β|ρ. (2.12) Manajemen Risiko di Bidang Perbankan dan Asuransi | 378 ..Prosiding Seminar Nasional Statistika Universitas Padjadjaran... V) exp i 1 e 2vi 1 2 2 i exp 2 2 e V 1e . n p( 2 β..7) Dengan demikian full conditional distribusi posterior untuk β merupakan distribusi multivariate normal dengan rata-rata vektor c* dan matrik varian. (2... . 13 November 2010 Full Conditional Distribusi Posterior untuk β Dari distribusi join posterior didapatkan full conditional distribusi posterior untuk β. .kovarian T* berikut. σ2(0). ρ. T*) c* T* ( X V 1X 2 2 T-1 ) 1 ( X V 1Ay 2 2 T-1c) ….. b*) a* b* a n/2 b e V 1e / 2 ….11) …... (2.8) ….

.13) Seperti yang ditunjukkan oleh Geweke (1993)... ….. Full Conditional Distribusi Posterior untuk ρ Dari distribusi join posterior didapatkan full conditional distribusi posterior untuk ρ. V) In W exp 1 2 2 e V 1e ….16) Lesage dan Pace (2009) menggunakan distribusi normal standar sebagai distribusi proposal dengan prosedur random walk untuk menghasilkan nilai kandidat untuk ρ. vi-1. ) i 1 vi ( r 3) / 2 exp i 1 2 2 i e r 2vi ….Prosiding Seminar Nasional Statistika Universitas Padjadjaran.. Notasi ei menyatakan elemen ke-i dari vektor e = Ay − Xβ. p( p( * c β. Algoritma Metropolis-Hasting Algoritma Metropolis-Hasting membutuhkan distribusi proposal (kandidat) untuk mendapatkan nilai kandidat untuk parameter ρ.vi+1. p 2 2 i e vi r β.. (2. 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 . * ) min 1.. (2. yang kita namakan ρ*. 2 .. n n p(V β.. p( β.. ) β. ) …. (2. full conditional distribusi posterior untuk V ini mengikuti distribusi chi-square ( 2 ) dengan derajar bebas r+1.15) 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.. Dengan demikian kita mengambil sampel dari tiap skalar varian terhadap skalar varian yang lainnya.. 2 .. akan digunakan algoritma MetropolisHastings karena bentuk full conditional distribusi posteriornya tidak diketahui (tidak standar).v 2 i (r 1) …. Manajemen Risiko di Bidang Perbankan dan Asuransi | 379 . Secara khusus dapat dinyatakan dari distribusi conditional dari tiap vi adalah. .... …. 2 .14) dimana v-i = (v1.vn) untuk tiap i.

sebuah angka random dari pembangkitan distribusi normal standar.. dan Jawa Barat Dalam Angka 2000 (BPS Jawa Barat.. 2001). dan faktor negatif yang menyebabkan seseorang meninggalkan daerah tersebut.17) Penggabungan algoritma Metropolis-Hastings ini kedalam rangkaian dari algoritma Gibbs Sampler disebut juga dengan algoritma Metropolis Within Gibbs. 2001). Puskesmas. yaitu publikasi Penduduk Jawa Barat: Hasil Sensus Penduduk Tahun 2000 (BPS. 2002). Tingkat pengangguran (%) (X2). Faktor jarak antara daerah asal dengan daerah tujuan yang disebut sebagai rintangan antara juga sangat menentukan keputusan seseorang untuk berpindah. PDRB Kabupaten/Kota di Jawa Barat Menurut Lapangan Usaha 1997-2000 (BPS Jawa Barat. rintangan antara. Faktor yang terdapat di daerah asal maupun di tempat tujuan mempunyai faktor positif yang menarik seseorang untuk tidak meninggalkan daerah tersebut. Tinjauan Non Statistika Menurut Lee dalam Mantra (2000) ada empat faktor yang terkait dengan perpindahan penduduk.. faktor yang terdapat di tempat tujuan. (2. 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. sedangkan migran yang jauh tertuju ke pusat-pusat perdagangan dan industri yang penting.1) ….1. Manajemen Risiko di Bidang Perbankan dan Asuransi | 380 . 2. * c c. dan faktor individu. yaitu faktor yang terdapat di daerah asal.3.2. sedangkan Peranan sektor industri pada PDRB (%) (X1).. 3. Variabel Operasional Variabel-variabel operasional yang digunakan yaitu Tingkat Migrasi Masuk Netto (Y) sebagai variabel respon/dependen. 13 November 2010 Prosedurnya melibatkan nilai ρc. 3. dan Jumlah prasarana kesehatan (Rumah sakit.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. dan tuning parameter (c) seperti ditunjukkan persamaan dibawah ini. Menurut Emalisa (2003) banyak migran menuju wilayah yang berjarak dekat. Jumlah prasarana sekolah tingkat SLTA keatas (X3).N (0. dan Klinik/Balai pengobatan) (X4) sebagai variabel penjelas/independen. Metodologi 3.

median.7) dan (2. Bangkitkan angka random dari p(β|σ2(0). σ2(1). Tetapkan jumlah iterasi (M) yang akan digunakan untuk mencapai konvergensi model termasuk jumlah iterasi pada tahap burn-in. kita bisa melakukan sejumlah M = 3. uji hipotesis).10) dan (2. Namakan sampling dari vektor parameter V(1) untuk mengganti vektor parameter V(0). 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 4.11). 13 November 2010 3.8). menggunakan distribusi invers gamma IG(a*. i=1.vn). V(1)). dengan mean dan varians dihitung dari persamaan (2. σ2(1). ρ(0)) menggunakan distribusi N(c*.000 penarikan sample termasuk 500 pertama untuk tahap burn-in agar mencapai kondisi steady-state dan menggunakan sampel yang dihasilkan sebanyak 2.vi+1. Tetapkan nilai inisiasi awal untuk β(0). Sebagai contoh.…n. Manajemen Risiko di Bidang Perbankan dan Asuransi | 381 . untuk tiap skalar vi dengan menggunakan distribusi chi-square dengan derajat bebas r+1 dengan v-i= (v1. Lakukan estimasi posterior dari hasil sampel yang diperoleh setelah kondisi burn-in (seperti rata-rata. vi-1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Bangkitkan angka random dari p(vi|β(1). Step 5. ρ(0)).500 sampel untuk menghasilkan estimasi posterior dan menarik kesimpulan. Bangkitkan angka random dari p(σ2|β(1). Metode Analisis Langkah-langkah proses MCMC dengan mengambil sampel secara berurutan dari empat distribusi full conditional posteriornya dengan algoritma Metropolis Within Gibbs. Bangkitkan angka random dari p(ρ|β(1).2. …. b*) dengan parameter a dan b dihitung dari persamaan (2. T *). berikut ini langkah-langkahnya: Step 1. ρ(0)). V(0). standar deviasi. Namakan sampling dari vektor parameter β(1) untuk mengganti vektor parameter β(0). v-i. Step 2. Satu urutan dari step 3 sampai 6 merupakan satu proses penarikan sampel. menggunakan algorima Metropolis-Hastings. Namakan sampling dari parameter σ2(1) untuk mengganti parameter σ2(0). …. Step 7. V(0) dan ρ(0).3. σ2(0). Step 6. Step 3.V(0).

yang berarti bahwa kenaikan satu satuan dalam persentase peranan sektor industri akan meningkatkan tingkat migrasi sebesar 1.0146 0. Secara keseluruhan model regresi spasial ini mempunyai koefisien determinasi (R2) sebesar 0.4741. Sementara nilai koefisien regresi dari varibel Industri. Namun variabel yang siginifikan pada α 5% hanya variabel Industri.9308 -1.0155.0932 p-value 0.3519 0. Hal ini menunjukkan bahwa persentase peranan sektor industri terhadap PDRB mempengaruhi tingkat migrasi yaitu sebesar 1.0363 Tabel 4. Interpretasi dari model regresi spasial menurut Lesage dan Pace (2009) terdiri dari ukuran sebagai berikut: Manajemen Risiko di Bidang Perbankan dan Asuransi | 382 .1383 0. Model regresi spasial untuk tiap observasinya berikut ini. 13 November 2010 4. maka interpretasi pada model regresi spasial berbeda dengan model regresi biasa.0516 0.1791X 3 0.4695 dengan nilai p-value yang signifikan yaitu 0. dan Fasilitas Pendidikan bernilai positif kecuali Fasilitas Kesehatan yang bernilai negatif. Penganguran.6836 0.0003 X 2 0.4695 j 1 WijY j 1.4695 0.4075 2. Estimasi parameter model Heteroskedastisitas Bayesian SAR Variabel Konstanta Industri (X1) Pengangguran (X2) Fasilitas Pendidikan (X3) Fasilitas Kesehatan (X4) Rho R-square Koefisien 9.0003 0.0363.9465 2.1615 0. Analisis dan Pembahasan Berikut hasil estimasi regresi spasial autoregressive dengan metode bayesian. Tabel 4.0155 4.1791 -0. n Yi 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.41% sedangkan yang tidak dapat dijelaskan oleh model sebesar 52.69% yang mungkin disebabkan oleh variabel lain yang tidak tercakup dalam model.1.0155 X 1 4.1 menunjukkan bahwa koefisien spasial autoregressive (ρ) sebesar 0.8101 1.0155.1383 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).2454 0. artinya variasi pada tingkat migasi yang dapat dijelaskan oleh model sebesar 47.4741 Asym t-stat 0.4427 1.

Tabel 4.16% dan dampak tidak langsung sebesar 1. dan total effect Heteroskedastisitas Bayesian SAR Variabel Industri (X1) Pengangguran (X2) Fasilitas Pendidikan (X3) Fasilitas Kesehatan (X4) Average direct effect 1. sedangkan variabel yang lain belum cukup signifikan untuk menjelaskan variasi dalam tingkat migrasi. 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.5465 0.1955 Average total effect 2.1535 Average indirect effect 1. Average indirect effect yaitu rata-rata efek perubahan pada variabel independen di semua wilayah lain terhadap variabel dependen di suatu wilayah.2441 -0. Berikut ini hasil estimasi dari rata-rata efek tersebut pada masing-masing variabel. ini berarti bahwa satu persen perubahan pada peranan sektor industri mempunyai dampak langsung terhadap perubahan tingkat migrasi sebesar 1. Manajemen Risiko di Bidang Perbankan dan Asuransi | 383 .6208. 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. b.1923 -0. Average direct effect yaitu rata-rata efek perubahan pada variabel independen di suatu wilayah terhadap variabel dependen di wilayah tersebut.16% dan dampak tidak langsung sebesar 1. 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.6208 10. indierct. 5. 13 November 2010 a.46%.1591. Estimasi direct.3490 Dari tabel tersebut dapat dikatahui bahwa persentase peranan sektor industri mempunyai efek langsung pada variabel dependen sebesar 1.9261 0.4364 -0. c.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.4617 5.2.46%. Ini disebut juga dengan efek spillover (tumpahan).4617 dan total efek sebesar 2. efek tidak langsung sebesar 1.1591 4.6204 0.

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

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

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

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

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

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

4 Full conditional Posterior Distribution dari Dari join distribusi (1) spasial korelasi parameter mengikuti kernel 1 T ' p( . vNT . kita menggunakan rejection sampling untuk membatasi untuk interval yang dikehendaki dengan menggunakan algoritma Metropolis (lihat Smith dan Lesage (2004)). v21 . dan ) adalah distribusi chi square ( 2 2 it e q* ) / vit 2 (q* 1). .1 p( 0 ) v it v11 . N . 0 0 0 ) IG ' N . . distribusi 1t chi-square dengan derajat bebas q+1 dimana v it adalah vt tanpa elemen vit 4. p( p( 2 2 1 q* 0 . Nilai alternatif pada parameter ini menghasilkan hubungan yang berbeda dari prior densitas vit . vi . . viT . Oleh karena itu kita mengambil langkah metropolis dengan sampel rejection. . 1 max Sun dkk(1999). ) 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. misalkan v11 .V 0 . 1 . vi 1t . . Oleh karena itu. min . . 3. N (0.5 Metode MCMC Bagan perkiraan MCMC dapat dimulai dengan nilai awal sembarang untuk parameter yang dilambangkan dengan 0 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. vNT Dan akhirnya menentukan 1 0 1 dengan probabilitas 0 .T eV 1e .T . 3.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. . p(vit . t 1. Dengan mengikuti langkah Metropolis: 0 c . v it . dimana nilai kecil dari q* yang menghasilkan distribusi leptokurtic dan nilai besar mengahasilkan homoskedastisitas. 2. 0 dan 0 1. v21. Manajemen Risiko di Bidang Perbankan dan Asuransi | 390 .V 0 . ). (kondisional pada . 2 2 untuk nilai baru kita beri nama 1 . .1) dimana c disebut parameter tuning sampel dari Kemudian kita menaksir nilai acceptance probability p( ) 0 . q* mengendalikan jumlah penyebaran pada vit melalui observasi.V . i 1. 13 November 2010 Menurut Geweke (1993) Posterior distributions dengan Elemen dari V .

Pada setiap langkah yang melalui pengulangan kita mengumpulkan gambaran parameter yang digunakan untuk membentuk posterior distribution. 14 lulus DI. sementara variabel bebasnya antara lain: a.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.X 4 ) Dimana : Y adalah angka Indeks Ketidakmerataan pendapatan (Indeks Gini). Proporsi jumlah anggota rumah tangga pekerja terdidik/tingkat keahlian (X2). X3 adalah proposi jumlah anggota rumah tangga yang bekerja di sektor industri X4 adalah pertumbuhan pendapatan nasional (PDRB).DII.X 2 . 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 . Angka Ketidakmerataan pendapatan (Y). Manajemen Risiko di Bidang Perbankan dan Asuransi | 391 .X 3 . 9 untuk lulus SLTP. X1 adalah proporsi jumlah penduduk usia > 60 tahun. 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 . secara series dari tahun 2003 sampai dengan tahun 2008 di setiap propinsi di Pulau Jawa. X2 adalah proposi jumlah anggota rumah tangga yang terdidik/tingkat keahlian. selanjutnya dibandingkan dengan total jumlah penduduk di setiap propinsi di Pulau Jawa.DIII/Akademi dan 16 lulus perguruan tinggi. 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. kemudian dijumlahkan untuk mendapatkan suatu nilai jumlah keahlian. b.V 0 . 13 November 2010 Kita sekarang kembali kelangkah pertama mendata nilai parameter terbaru pada nilai awal 0 . untuk kebutuhan angka ketidakmerataan pendapatan diproxi dari data indeks Gini atau nilai rasio Gini (hasil perhitungan menurut pengeluaran konsumsi penduduk). 4. 12 untuk lulus SLTA. 3 untuk tidak tamat SD. Selanjutnya dikombinasikan dengan data cross section dari wilayah 6 propinsi di Pulau Jawa (data BPS). Kemudian bobotnya dikalikan dengan jumlah penduduk yang bekerja sesuai dengan klasifikasi. dan 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 0.578107 -2. Tabel 1.000000 0.563192 dan 0.57WYit 0.571876 0.591231 z-probability 0.563192 0.19 ln X 1 0.851119 0.195944 0. 13 November 2010 c.130135 -0.038355 -0. Setiap bertambah satu % proporsi jumlah anggota rumah tangga yang bekerja di sektor industri (X3) berpengaruh postitif sebesar 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.957735 -0. pertumbuhan ekonomi datanya didekati dengan data pertumbuhan PDRB dari setiap propinsi yang ada di Pulau Jawa.19 %terhadap tingkat ketimpangan pendapatan.050261 0.229710 -0. Setiap bertambah satu % proporsi jumlah anggota rumah tangga pekerja terdidik/tingkat keahlian (X2) berpengaruh negative sebesar 0.018001 0.61 Model yang dihasilkan adalah ln Yit Dengan interpretasi bahwa: 1. 0. 2. Variable constant pduduk60+ (X1) tkdidik (X2) tkindustri (X3) Pertmhnpdrb (X4) rho Rbar-squared Coefficient -3. %. Pengaruh spasial ( ) sebesar 0.483004.425452 -5. 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 0.23% terhadap tingkat ketimpangan pendapatan.0463 Asymptot t-stat -5.23ln X 3 3.670507. 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.670507 0. Manajemen Risiko di Bidang Perbankan dan Asuransi | 392 .018001 dan variabel proporsi jumlah anggota rumah tangga yang bekerja di sektor industri (X3) dengan P-Value sebesar 0.615612 0.365606 1. Output Bayesian spatial autoregressive dengan Heteroscedastic model.000000 Dari Table 1.050261. d. Pertumbuhan pendapatan nasional (X4).

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

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

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

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

it will be denoted by a tilde (~). ˆ The ML-estimator ζ If the observed variables follow a multivariate standard normal distribution. 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. Y N p matrix ( N rows of independent replication of the p -variate vector y . 13 November 2010  ζY N ln Σ 2 N tr SΣ 2 1 pN ln 2π . 2 (4) is the data Where ζ contains the parameters to be estimated in the eight matrices. Because the data-based matrix S is a constant. S Y Y is the sample covariance or moment matrix. (5) Finally. In the case deviation from normality the estimator is consistent. Otherwise. We consider the standard one-equation spatial lag (spatial autoregression. 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 refers to vector of variables. equation (4) and (6) relate linearly. as in standard spatial econometrics. with Η I Β 1 . (6) N 1 FML with the same result. SAR) model in unit of observation: ~ y ~ ρW~ Xγ ~ . If a vector refers to unit of observation. y ε (7) Where Manajemen Risiko di Bidang Perbankan dan Asuransi | 397 . arg max  ζ Y chooses that value of ζ which maximizes  ζ Y .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. A similar definition is applied on matrices. maximization of  ζ Y gives genuine ML estimates. 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 .

(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). (11) Where yW is the spatially lagged dependent variable and x the vector of exogenous explanatory variables.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. where A I ρW . In SEM notation equation (10) reads y yW γx . They write (10) as ~ A~ Xγ y ε . W ~ X ~ ε is the N q matrix of observation on the q explanatory variables. 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 . 13 November 2010 ~ y is the N 1 vector of observations on the dependent variable y . is the spatial dependence parameter measuring the average influence of contiguous observation on y . 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. 2 (13) with r yWr γ x r and the subscript r denoting individual observation r . γ is the q 1 vector of regression coefficients of the q explanatory variables. Manajemen Risiko di Bidang Perbankan dan Asuransi | 398 . is the N N contiguity matix. Equation (13) shows that the component ln A is just added to the standard univariate loglikelihood. is the N 1 vector of stochastic disturbance.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 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. for i 2.. 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. From (10) we obtain ~ νt ~ yt W~t y ~ Xt a γ t . 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 ~. y Manajemen Risiko di Bidang Perbankan dan Asuransi | 399 . 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. Hence.e. For T times of observations. a three years period of observations is relatively small.3. 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. (14) y with ~Wt W~ t . T . ~ and o X t is the N q q Following Suparman et al. . we simplify (13) into a time invariance model. we have ~ yt ~ yt 1 ~ yWt 1 ~ yWt a ~ Xt 1a γ a ~ Xt a γ ~ δt . 13 November 2010 3. (2008). we rewrite (8) as ~ yt W~t y ~ Xt a γ t ~ Xt o γ t ~. εt (8) In the case of some of some explanatory variables in X t is omitted.

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 . instead of using a standard spatiotemporal model formulation. 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.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. we use structural equation model (SEM) for expressing (14).T 1 0 .1 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 . 13 November 2010 Following Folmer and Oud (2008).3  0 .

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. yW 3 . and Γ 0 is a partition of Γ without columns relating to yW 2 . 2 (16) where μ Ey I Β 1 Γx Σy E y μ y μ Ψ. generalized least square. the error terms over times may differ and correlate. yWT .. we can rewrite (7) as Manajemen Risiko di Bidang Perbankan dan Asuransi | 401 . Let ~ Y ~2 y ~ X ~ Ζ ~  ~ . Mx. 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 . We focus our attention on the maximum likelihood method and start by formulating the likelihood function. fully and diagonally weighted least square and maximum likelihood. These methods are available in the software package LISREL (Joreskog and Sorbom. unweighted least square. Oud (2004) provides the log-likelihood function of a standard SEM with fixed and observed exogenous variables. namely: instrumental variables. which is a free program. First. In this formulation. 13 November 2010 Observe that y1 is assumed to be exogenous and fixed. y3 yT ~ y1 ~ . Several methods have been developed for estimating parameter in a SEM. Hence. In the case of the endogenous variables are also observed.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2003). In relation to spatial data analysis. 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. yW 1 ~ ~ 1 X1  XT ~ δ2 ~ ~ δ3  δT . is considered to be very flexible. two stages least square.  . 1996) and Mx (Neal et al. To develop a consistent estimator of model (8).

. J. (1996) LISREL 8: User’s Reference Guide. References Folmer. Environment and Planning A. Kachi. 2526-38. Franzese Jr. H.G.statmet. Sörbom. Chicago. Statistical Methodology. Scientific Software International. 40. 1 Β Further.J. In our case the Jacobian is equal to the case of single equation (Folmer and Oud.. p. Hays. J. Endogenous Network Interdependence: A Political Science Application. 1 ~ ρWY ~ WY ~ XΓ0 ~ XΓ0 1 ~ Ζ IT 1 Β 1 1 ~ Ζ IT Β Β . 2008). W to the log likelihood (9).1016/j. we have ~ ~ YIT 1 Β ρWY I T ~ XΓ0 ~ Ζ. in which the addition of temporally lagged spatial lag variables does not complicate the estimation.11. (2010) A Spatial Model Incorporating Dynamic. K. doi:10. and finally IN ~ WYIT 1 Β ~ XΓ0 ~ Ζ. (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. .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. (2009) for the case standard approach. R. A. Oud. 4. D.2009.. (2008) How to get rid W: a latent variables approach to modeling spalially lagged variables. 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 . we rearrange ~ ~ ~ ~ Y ρWY XΓ0 Ζ I T ~ Y IN IN 1 Β 1 . ~ WYIT ~ XΓ0 ~ Ζ. IL... Jöreskög.C.005 Manajemen Risiko di Bidang Perbankan dan Asuransi | 402 .

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