Prosiding Seminar Nasional Statistika 2010 (Repaired)

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
S.6 Peningkatan Pembelajaran Matematika Di Kelas Dengan Skaffolding ................................... 239

S.7 Sop Metode Pengawasan Internal Bank Data Znt/Nir Sppt Buku Iv Dan V ............................ 255
S.8 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

Prosiding
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.

Prosiding
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 "‫"قزر‬, "Rizk"
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

Prosiding
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

Prosiding
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

Prosiding
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

Prosiding
memahaman metoda secara analitik dan matematik sehingga pengungkapan, penilaian dan
transparansi dirasa tidak tercapai.
Manajemen Risiko
Pengelolaan risiko telah menjadikan suatu profesi tersendiri dalam lingkungan institusi
keuangan. Harapannya perusahaan dapat menghadapi risiko dengan melakukan manajemen
risiko yang baik dan benar. 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. Risiko ditangani secara berurutan
sesuai dengan urutan probabilitas risiko yang akan terjadi. 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. Hal ini sering terjadi salah penanganan.
Selain itu manajemen risiko berwujud mengidentifikasi jenis baru dari suatu risiko yang
memiliki probabilitas tinggi namun diabaikan oleh organisasi karena kurangnya kemampuan
identifikasi. Misalnya, ketika kekurangan informasi untuk menghadapi sebuah situasi
tertentu dapat menimbulkan sebuah risiko yang dapat terwujud tanpa diketahui. Proses
keterlibatan resiko yang mungkin menjadi masalah ketika prosedur operasional tidak efektif
diterapkan. Risiko ini secara langsung mengurangi produktivitas pekerja, mengurangi
efektivitas biaya, profitabilitas, layanan, kualitas, reputasi, nilai merek, dan kualitas laba.
manajemen risiko tidak berwujud memungkinkan manajemen risiko untuk menciptakan nilai
langsung dari identifikasi dan pengurangan risiko yang mengurangi produktivitas.
Untuk sebagian besar, metode ini terdiri dari unsur-unsur berikut ini, dilakukan, lebih atau
kurang, dalam urutan sebagai berikut.
1. mengidentifikasi, karakter, dan menilai ancaman

2. menilai kerentanan aset penting untuk ancaman spesifik
3. menentukan risiko (yaitu konsekuensi yang diharapkan dari jenis tertentu serangan
terhadap aset tertentu)
4. mengidentifikasi cara untuk mengurangi risiko
5. 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, iteratif dan responsif terhadap perubahan
mampu perbaikan dan peningkatan terus-menerus

Prosiding
Manajemen risiko dapat menempatkan urutan kegiatan sebagai berikut
1. Identifikasi risiko dalam domain yang dipilih bunga

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

Prosiding
dalam hal kerugian keuangan). Kemungkinan terjadinya adalah juga dinilai dengan skala dari
0 sampai 10, dimana 0 merupakan probabilitas nol (tidak mungkin terjadi) pada kejadian
risiko benar-benar terjadi sementara 10 merupakan probabilitas 100% (mungkin terjadi) dari
kejadian. Perhatikan bahwa kemungkinan terjadinya risiko sulit untuk memperkirakan sejak
data terakhir pada frekuensi yang tidak tersedia, seperti yang disebutkan di atas. Demikian
juga, dampak risiko tidak mudah untuk memperkirakan karena seringkali sulit untuk
memperkirakan potensi kerugian dalam hal terjadinya risiko.
Selanjutnya, kedua faktor di atas dapat berubah dalam besarnya tergantung pada kecukupan
tindakan penghindaran resiko dan pencegahan yang diambil dan akibat perubahan lingkungan
bisnis eksternal. Oleh karena itu sangatlah penting untuk secara periodik menilai ulang risiko
dan mengintensifkan / bersantai tindakan mitigasi yang diperlukan. Dalam bisnis sangat
penting untuk dapat menyajikan temuan-temuan dari penilaian risiko secara finansial.
Penanganan Risiko
Setelah risiko telah diidentifikasi dan dinilai, semua teknik untuk mengelola risiko jatuh ke
dalam satu atau lebih dari empat kategori utama berikut:
Penghindaran (menghilangkan, menarik diri dari atau tidak terlibat)

Pengurangan (mengoptimalkan - memitigasi)
Berbagi (transfer - outsourcing atau menjamin)
Retensi (menerima dan anggaran)
pencegahan bahaya mengacu pada pencegahan risiko dalam keadaan darurat. Tahap pertama
dan paling efektif pencegahan bahaya adalah penghapusan bahaya. Jika hal ini memakan
waktu terlalu lama, terlalu mahal, atau jika tidak praktis, tahap kedua adalah pengurangan
risiko.
Pengurangan Risiko atau "optimasi" melibatkan mengurangi keparahan hilangnya atau

kemungkinan kerugian dari terjadi. Penekanan sistem untuk mengurangi risiko itu terjadi
mungkin dapat dilakukan, tetapi biaya mungkin mahal untuk dilaksanakan oleh karena itu
perlu langkah membagi atau mentranfer sebagian atau selusuruhnya.
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. Outsourcing bisa menjadi contoh pengurangan risiko jika agen outsourcing
bisa menunjukkan kemampuan lebih tinggi dalam mengelola atau mengurangi risiko. Dalam
prakteknya jika perusahaan asuransi atau kontraktor bangkrut atau berakhir di pengadilan,
risiko asli kemungkinan untuk tetap kembali ke pihak pertama. Dengan demikian dalam
terminologi para praktisi dan sarjana sama, pembelian kontrak asuransi sering digambarkan
sebagai "pengalihan risiko”. Namun, secara teknis, pembeli kontrak asuransi umumnya tetap
sebagai tanggung jawab hukum atas kerugian "dipindahkan", yang berarti asuransi yang
mungkin lebih akurat digambarkan sebagai mekanisme kompensasi kerugian. Singkat kata
"berbagi dengan pihak lain beban kerugian atau keuntungan dari keuntungan dari risiko
adalah suatu tindakan untuk mengurangi risiko.

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

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

Prosiding
9. membeli perlindungan untuk keranjang risiko;

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

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

Prosiding
2. Strategi Perawatan Asset

Secara filosopi, perawatan terdiri dari unplanned maintenance / corrective maintenance (CM)
untuk kondisi insidental terhadap mode kegagalan yang belum / tidak diprediksikan, dan
planned maintenance, preventive maintenance (PM) dan predictive maintenance (PdM),
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, dan RBM (Risk Based Maintenance) atau
streamlined RCM.
2.1 Reliability Centered Maintenance (RCM)

RCM (Reliability Centered Maintenance), perawatan berbasis kehandalan, adalah suatu
prosedur untuk menentukan strategi perawatan berdasarkan teknik-teknik
kehandalan/reliabilitas dan menggunakan metoda analisis tertentu seperti FMEA (Failure
Mode and Effects Analysis). Tujuan dari RCM adalah melakukan program perawatan yang
memenuhi :
- Minimum biaya
- Tujuan keselamatan dan lingkungan (safety & environment goals)
- Tujuan operational (operational goals)
Dalam aplikasinya, RCM agak sulit dilakukan karena diperlukan data sejarah asset (history
data) yang cukup untuk analisis kehandalannya, dan pelaksanaanya pun memerlukan waktu
dan tenaga yang cukup banyak. Oleh karena itu, muncul metoda lain sebagai pemecahannya
yang dikenal dengan RBM (Risk Based Maintenance), perawatan berbasis resiko, atau
beberapa menyebutnya sebagai streamlined RCM.
2.2 Risk Based Maintenance (RBM)

RBM (Risk Based Maintenance), perawatan berbasis resiko, adalah suatu prosedur untuk
menentukan strategi perawatan berdasarkan resiko (risk) masing-masing asset. Resiko (risk),
biasanya dibagi menjadi 3 kelompok atau kategori, yaitu high risk (H), medium risk (M), dan
low risk (L), dimana risk (R) didefinisikan sebagai :
R=P×C …(1)
Dimana :
R : Resiko (risk)
P : probability of the event (likelihood)
C : consequences (severity / impact)
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, maka akan diperoleh nilai R yang
rendah. Secara umum, alat yang digunakan untuk menentukan tingkat resiko suatu asset
dinyatakan dengan risk matrix, seperti yang digambarkan pada Gambar 1.

Prosiding
Gambar 1. Risk Matrix
Dalam melakukan program RBM, risk (resiko) sangat memegang peranan penting dalam
menentukan asset mana yang akan diprioritaskan untuk dianalisis dan ditentukan strategi
perawatannya. Prosedur pelaksanaan (diagram alur) RBM dapat dilihat pada Gambar 2.
Gambar 2. Diagram Alur RBM

Prosiding
3. Aplikasi Manajemen Resiko dalam Strategi Perawatan Asset

Aplikasi strategi perawatan asset yang dilakukan terhadap sebuah plant perusahaan migas
adalah dengan menggunakan manajemen resiko, Risk Based Maintenance, dengan langkah-
langkah sebagai berikut :
1. Penyusunan risk matrix

Risk matrix disusun berdasarkan kondisi, target/strategi perusahaan mengacu pada aturan
regulasi dan ketentuan perusahaan yang berlaku, dan diperoleh 4 buah risk matrix :
a. Safety risk matrix
b. Environmental risk matrix
c. Business risk matrix
d. Follow cost (capital asset) risk matrix
2. System screening, pemilihan system yang akan dianalisis mengacu pada risk matrix yang
telah disusun, dan diperoleh hasil : dari 37 system yang ada pada pusat pengolahan gas,
terdapat 4 system dengan kategori low risk (L), 20 system dengan kategori medium risk
(M), dan 13 system dengan kategori high risk (H).
3. Penyusunan FMEA, dari 37 system (4587 equipments/items) diperoleh hasil seperti pada
Gambar 3.
Gambar 3. Items Risk Analysis Result
4. Menentukan maintenance task terhadap masing-masing equipments/items

Prosiding
5. Kesimpulan
RBM (Risk Based Maintenance), perawatan berbasis resiko, merupakan suatu cara
menentukan strategi perawatan asset yang efektif. Dengan mempertimbangkan resiko, kita
dapat membuat skala prioritas penanganan perawatan, dan waktu yang dibutuhkan untuk
melakukan analisis pun dapat diminimumkan (sebagai perbandingan, analisis RCM telah
dilakukan terhadap plant sejenis, dengan jumlah equipments hampir sama, dibutuhkan waktu
selama 2 tahun untuk menyelesaikannya, sedangkan dengan RBM hanya 4 bulan saja)
6. Referensi
[1] ID-F-KI-00000-00000-00271 Hiu Kerisi RCM Final Report, Jakarta, 2007

[2] Moubray, John, Reliability-centred Maintenance, 2nd edition, Butterworth-Heinemann,
Oxford, 1997
[3] Smith, Anthony M., Reliability-Centered Maintenance, McGraw-Hill, Inc., New York,
1993

Prosiding
(A.2)
MENENTUKAN NILAI PORTOFOLIO MENGGUNAKAN MODEL BINOMIAL
SATU PERIODE
Eti Kurniati
Program Studi Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Islam Bandung
Jalan Purnawarman N0 63 Bandung 40116
email:eti_kurniati0101@yahoo.com
ABSTRAK
Saham dan obligasi merupakan financial security yang sering diperjualbelikan di

financial market. Saham merupakan salah satu produk yang banyak diminati, karena membeli
saham berarti ikut menjadi pemilik perusahaan. Sedangkan membeli obligasi ekivalen dengan
mendepositokan uang di bank. Dalam kenyataannya membeli kedua financial security
tersebut menghadapi suatu risiko.
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.
Kata kunci : saham, obligasi, model Binomial satu periode.
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.
Saham merupakan salah satu sekuritas yang diperjualbelikan di pasar modal. Menurut Suad
Husnan (2005 : 29) sekuritas merupakan secarik kertas yang menunjukkan hak pemodal
(yaitu pihak yang memiliki kertas tersebut) untuk memperoleh bagian dari prospek atau
kekayaan organisasi yang menerbitkan sekuritas tersebut, dan berbagai kondisi yang
memungkinkan pemodal tersebut menjalankan haknya.

Prosiding
Menurut Darmadji dan Fakhruddin, (2001: 5), Saham dapat didefinisikan sebagai tanda
penyertaan atau kepemilikan seseorang atau badan dalam suatu perusahaan atau perseroan
terbatas. Wujud saham adalah selembar kertas yang menerangkan bahwa pemilik kertas
tersebut adalah pemilik perusahaan yang menerbitkan surat berharga tersebut. Porsi
kepemilikan ditentukan oleh seberapa besar penyertaan yang ditanamkan di perusahaan
tersebut.
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 karena saham merupakan tanda penyertaan kepemilikan suatu perusahaan, maka orang
yang memiliki saham memiliki hak untuk ambil bagian dalam mengelola perusahaan. Hak
tersebut sesuai dengan hak suara yang dimilikinya berdasarkan seberapa besar saham yang
dipunyai. Semakin banyak persentase saham yang dimiliki seseorang maka semakin besar
hak suara yang dimiliki orang tersebut untuk mengontrol operasional perusahaan
Penentuan harga saham di setiap perusahaan tidaklah sama. Saham suatu perusahaan
memiliki harga yang berbeda-beda bergantung kepada beberapa hal. 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, sehingga walaupun keuntungan sekarang tidak begitu besar tetapi prediksi
keuntungan kedepan akan jauh menjadi lebih baik akan menyebabkan nilai saham melonjak.
Oleh karenanya nilai saham dipasar modal sering bergejolak.
Secara garis besar faktor-faktor yang menyebabkan gejolak harga saham dibagi menjadi dua.
Faktor pertama adalah faktor makro. Faktor makro adalah faktor-faktor yang mempengaruhi
ekonomi secara keseluruhan, yaitu tingkat suku bunga yang tinggi, inflasi, tingkat
produktivitas nasional, politik dan lain sebagainya. Hal ini dapat memiliki dampak penting
pada potensi keuntungan perusahaan hingga pada akhirnya juga akan mempengaruhi harga
sahamnya.
Faktor kedua adalah faktor mikro. Faktor mikro adalah faktor-faktor yang berdampak secara
langsung pada perusahaan itu sendiri, misalnya perubahan manajemen, harga dan

Prosiding
ketersediaan bahan mentah, produktivitas pekerja dan lain sebagainya yang akan dapat
mempengaruhi kinerja keuntungan perusahaan tersebut secara individual.
Oleh karena nilai saham suatu perusahaan seringkali bergejolak, diperlukan suatu cara
memprediksi nilai saham dan segala kemungkinannya diwaktu mendatang. Sedangkan
obligasi nilainya lebih stabil karena memiliki jangka waktu tertentu.
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.
2. Probabilitas
Kata probabilitas sering diartikan sebagai peluang. Berbicara tentang peluang sering
dikaitkan dengan nilai kemungkinan. Misalnya ada dua kemungkinan yang akan terjadi
dalam percobaan jika satu mata uang ditos satu kali yaitu muncul muka atau muncul
belakang. Dua kemungkinan tersebut disebut ruang sampel.
Definisi 1. Ruang Sampel.

Ruang sampel adalah himpunan semua kemungkinan hasil suatu percobaan, dan
dilambangkan dengan .
Seperti contoh diatas, ruang sampel dari percobaan tos satu mata uang satu kali adalah
Salah satu cara untuk menentukan ruang sampel dapat digunakan diagram pohon. Misalkan
akan ditentukan ruang sampel dari percobaan satu mata uang di tos dua kali
M
M
B
M
B
B
Gambar 1. Diagram Pohon Tos Mata Uang Dua Kali

Prosiding
Dari diagram pohon pada gambar tersebut dapat ditentukan ruang sampel percobaan tos mata
uang dua kali yaitu : . Munculnya dua muka dari tos mata uang dua
kali disebut kejadian.
Definisi 2. Kejadian.
Kejadian adalah kumpulan beberapa atau semua titik dari suatu ruang sampel .
Suatu kejadian mungkin terdiri dari beberapa titik sampel, atau mungkin semua titik sampel ,
atau mungkin tidak mengandung suau titik sampel, yang disebut kejadian kosong. Sebagai
contoh, misalkan adalah muncul paling sedikit satu muka dari percobaan tos mata uang
dua kali, maka . Ruang sampel dapat digunakan untuk menentukan
peluang terjadinya suatu kejadian.
Definisi 3. Peluang.
Jika suatu kejadian terjadi dalam dari cara kemungkinan, dimana kemungkinan
tersebut mempunyai kesempatan yang sama untuk terjadi, maka peluang terjadinya kejadian
dinotasikan dengan , memiliki nilai
Seperti contoh diatas, kejadian adalah kejadian muncul paling sedikit satu muka dari
percobaan tos mata uang dua kali. Kejadian terjadi dalam 3 cara yaitu
dari cara yaitu yang masing-masing memiliki
kesempatan yang sama untuk terjadi. Oleh karena itu peluang terjadinya kejadian yaitu
= .
3. Penentuan Nilai Saham

Saham (Stock) merupakan salah satu finance security yang sangat dipengaruhi banyak
hal, sehingga memungkinkan nilainya berfluktuasi. Salah satu model yang digunakan untuk

Prosiding
menentukan nilai saham adalah Binomial Pricing Model. Menurut model ini, nilai saham
akan berubah dari suatu nilai ke satu nilai lain dari dua kemungkinan nilai yang ada.
Misalkan nilai awal suatu saham adalah . Terdapat dua nilai dan dimana
Demikian sehingga untuk periode berikutnya nilai saham yaitu akan berkisar antara
dan . Jelas terdapat dua kemungkinan nilai saham pada periode ke satu. Hal ini
sesuai dengan kemungkinan muncul muka dan belakang dari satu kali tos mata uang.
Apabila satu mata uang ditos satu kali, ruang sampel yang diperoleh adalah .
dan .
Gambar 2. Pohon Binomial Nilai Saham Periode Pertama

Khususnya nilai dan diambil memenuhi . Hal ini mengakibatkan
perubahan nilai dari ke menunjukkan penurunan nilai , sedangkan perubahan
dari ke menunjukkan peningkatan nilai . Pada umumnya nilai .
Untuk periode kedua, nilai saham , akan mempunyai empat kemungkinan sesuai dengan
kemungkinan apabila satu mata uang di tos dua kali. Apabila satu mata uang ditos dua kali,
ruang sampael yang diperoleh adalah . Seperti pada periode pertama,
nilai saham untuk periode kedua dapat dilihat dari pohon binomial. Misalkan nilai saham
awal . Nilai saham periode kedua dapat dilihat dari Gambar 3.
Berikut,

Prosiding
Gambar 3. Pohon Binomial Nilai Saham Periode kedua
Dengan cara yang sama dapat ditentukan nilai saham pada periode tertentu.
4. Model binomial Satu Periode

Model Binomial adalah model diskret yang sering digunakan di pasar financial. Salah satu
model Binomial yang sederhana adalah model satu periode dengan dua asset. Misalkan asset
yang digunakan adalah saham (stock) dan obligasi (bond). Model satu periode menggunakan
titik-titik waktu dan . Obligasi adalah suatu sertifikat utang yang dikeluarkan
oleh pemerintah atau perusahaan . Model obligasi dinotasikan dengan yang menyatakan
harga obligasi tersebut pada waktu Oleh karena model yang akan di gunakan adalah model
binomial satu periode, maka terdapat dua harga obligasi yaitu dan , dimana
dan
Konstanta adalah tingkat bunga. Membeli obligasi ekivalen dengan mendepositokan uang
di Bank dengan tingkat bunga . Asset yang lain dari model adalah saham (stock). Suatu
perusahaan apabila akan meningkatkan modalnya seringkali dilakukan dengan mengeluarkan
saham. Seperti obligasi, karena menggunakan model satu periode maka akan terdapat dua
nilai saham yaitu dan . dan , dimana adalah variabel random
dengan distribusi
Diasumsikan bahwa

Prosiding
Misalkan terdapat suatu portfolio yang terdiri dari obligasi dan unit saham.
Nilai dari portfolio adalah :
Suatu arbitrage portfolio mempunyai sifat-sifat :
dan dengan probabilitas 1.
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 , yaitu :
dimana dan
Misalkan adalah probabilitas baru sehingga dan ,

maka
Suatu probabilitas disebut martingale jika kondisi berikut dipenuhi :

Prosiding
Para ekonom menyebutnya sebagai neutral valuation formula.
Proposisi 2. Model Binomial satu periode adalah arbitrage free jika dan hanya jika terdapat
suatu martingale .
Proposisi 3. Misalkan
Untuk model binomial satu periode probabilitas martingale diberikan oleh :
dan
KESIMPULAN
Sebagai financial sequrity, saham dan obligasi masing-masing memberikan resiko

bagi pemiliknya. Oleh karena itu nilai portfolio yang terdiri dari sejumlah saham dan
obligasi memungkinkan sangat berfluktuasi. Untuk menentukan nilai portfolio yang terbebas
dari resiko tersebut dibutuhkan suatu model. 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
DAFTAR PUSTAKA
1. Chalasani, Prasad & Jha,Somesh (1996). Steven Shreve : Stochastic Calculus and
Finance. Steven Shreve.
2. Van der Weide, Hans (2007). Financial Mathematics.
3. M.S. Joshi, The Concepts of Mathematical Finance
4. Husnan, Suad. (2000). Teori Portofolio dan Analisis Investasi. Yogyakarta: UPP AMP
YKPN.
5. Elton and Gruber. (1995). Modern Portfolio: Theory and Investment Analysis. New York:
Wiley

Prosiding
(A.3)
PENDEKATAN MULTIFAKTOR UNTUK OPTIMISASI PORTOFOLIO
INVESTASI DI BAWAH VALUE-AT-RISK
Betty Subartini, Lily Dwi Noviyanti, F. Sukono

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

Prosiding
keuntungan yang tinggi, maka ia harus bersedia menanggung risiko yang tinggi pula. Hampir
semua investor pasti tidak menginginkan adanya kerugian pada waktu melakukan investasi.
Oleh karena itu, untuk menghindari adanya kerugian, sebaiknya investor melakukan
perhitungan risiko dengan teliti dan analisis yang cermat untuk memperoleh hasil yang
diharapkan.
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. Salah satu kelebihan dari VaR
adalah bahwa metode pengukuran ini dapat diaplikasikan ke seluruh produk-produk finansial
yang diperdagangkan. Beberapa pendekatan dapat digunakan untuk menghitung besarnya
nilai VaR tersebut.
Meskipun berbagai metode dapat menghitung besarnya kerugian yang dicapai oleh
investor, 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.
2. PERUMUSAN MASALAH
2.1 Return Saham
“Return adalah keuntungan investasi atau pendapatan yang diterima dari selisih lebih
investasi yang dilakukan sedangkan keuntungan yang diharapkan merupakan rata-rata
tertimbang dari pendapatan historis yang tercermin dari rata-rata profitabilitas tingkat
keuntungan”(Husnan, 2000:204).
Return saham dihitung secara harian menggunakan model geometrik yang memberikan
continously compound return dan dihitung sebagai berikut :
(1)
2.2 Model GARCH
Untuk deret log return , model GARCH ( )( dan adalah bilangan

bulat) didefinisikan sebagai berikut:
(2)

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

indeks.

Prosiding
Estimasi VaR untuk saham individual dengan koefisien kepercayaan 100%

adalah:
(10)
di mana adalah besar investasi awal, adalah mean return saham , adalah standar
deviasi dari return saham dan adalah persentil dari distribusi normal standar untuk
tingkat konfidensi . Tanda minus pada persamaan diatas menunjukkan bahwa VaR
merupakan estimasi dari kerugian (losses).
2.5 Model Optimasi Portofolio
Asumsikan vektor nilai-nilai ekspektasi adalah μ T 1 , 2 ,..., n dengan

dan matriks kovariansi adalah , dengan
. Seperti yang telah dijelaskan pada pembahasan
sebelumnya bahwa bobot return saham pada suatu portofolio w T w1 , w2 ,..., wn , di mana
atau eT w 1 dengan eT 1,1,...,1 vektor elemen satu-satu.
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
. Untuk mendapatkan suatu portofolio yang efisien, digunakan fungsi obyektif yang
sangat sederhana. Yaitu maksimumkan di mana adalah toleransi
risiko investor. Sehingga, 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

Prosiding
Fungsi Lagrange diberikan oleh
L(w, ) (2 1)μT w z (wT w)1/ 2 (eT w 1) .
Menggunakan teorema Kuhn-Tucker, syarat optimalitas adalah
L z Σw
(2 1)μ e 0
w (w T Σw)1/ 2
L
eT w 1 0 .
Untuk , diperoleh suatu portofolio minimum dengan vektor bobot wMin .

Berdasarkan atas 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 , diperoleh nilai

2−4 12/2 , dan vektor bobotnya adalah
Σ -1μ Σ -1e
w Min . (15)
eT Σ -1μ eT Σ -1e
Untuk , diperoleh portofolio optimum dengan vektor bobot . Berdasarkan

perhitungan aljabar dan mengambil nilai-nilai:
A eT Σ-1e , B (2 1)(μ T Σ -1e) eT Σ -1μ) , dan C (2 1)2 (μT Σ-1μ) z 2 , diperoleh nilai
, dan vektor bobotnya adalah
(2 1) Σ -1μ Σ -1e
w* (16)
(2 1)eT Σ -1μ eT Σ -1e
Jika vektor wMin disubstitusikan ke dalam persamaan (13) dan (15), maka diperoleh
return portofolio minimum dan Value at Risk minimum. Sedangkan, jika vektor w *
disubstitusikan ke dalam persamaan (16), maka akan diperoleh return portofolio yang
optimum.
3. 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. Untuk data saham yaitu
Bank Mandiri, Bank BRI, Bank BNI, dan PT Indofood, Tbk. Sedangkan untuk data indeks
yaitu IHSG, kurs USD, kurs Euro, dan kurs Yen. Estimasi model GARCH yang diperoleh

Prosiding
dengan pendekatan time series yaitu untuk return IHSG didapatkan parameter model AR(1)-
GARCH(1,1) sebagai berikut:
Untuk return kurs USD didapatkan parameter model AR(1)-GARCH(2,1) sebagai berikut:
Untuk return kurs Euro didapatkan parameter model ARMA(1,1)-GARCH(1,1) sebagai

berikut:
Untuk return kurs Yen didapatkan parameter model ARMA(1,2)-GARCH(3,5) sebagai

berikut:
Dari data return saham Bank Mandiri ( ), Bank BRI ( ), Bank BNI( ),
dan PT Indofood ( ) akan diperoleh persamaan regresi linear berganda dengan
pendekatan multifaktor masing-masing return saham sebagai variabel terikat dengan return
indeks IHSG, kurs USD, kurs Euro, dan kurs Yen sebagai variabel-variabel bebas yang dapat
ditulis sebagai dan disajikan pada Tabel 3.1 berikut ini.
Tabel 3.1: Persamaan Model Regresi Setiap Saham
Saham Model Regresi
Bank Mandiri 369.9 55.69% 0.000
BRI 309.9 51.30% 0.000
BNI 191.9 39.48% 0.000

Prosiding
PT Indofood 243.7 45.3% 0.000
Melalui uji signifikansi linear didapatkan nilai mean dan variansi return saham individual
yang diberikan dalam Tabel 2 berikut ini.
Tabel 3.2: Mean dan Variansi Return Saham Individual
Statistik Saham
Bank Mandiri Bank BRI Bank BNI PT Indofood
Mean 0.000136 0.002713 0.005125 0.006383
Variansi 0.000707 0.000747 0.000887 0.000764
Standar Deviasi 0.026589 0.027331 0.029782 0.027640
Misalkan menginvestasikan dana sebesar Rp.1,00 pada masing-masing saham

dengan koefisien kepercayaan sebesar 95%, maka diperoleh VaR masing-masing saham
yaitu:
Tabel 3.3: Value at Risk Saham Individual
Saham Value at Risk

Bank Mandiri
Bank BRI
Bank BNI
PT Indofood
Diperoleh hasil bahwa portofolio-portofolio efisien terletak di sepanjang garis dengan

toleransi risiko sebesar , di mana dihasilkan expected return portofolio
tertinggi sebesar 0.005166 dan tingkat Value at Risk minimum portofolio sebesar 0.030136,
seperti yang dapat dilihat pada Gambar 3.1 berikut ini:

Prosiding
Gambar 3.1: Efficient Frontier Portofolio
Adapun komposisi portofolio efisien memuat rasio expected return dan VaR diberikan dalam
Tabel 3.4 berikut ini.
Tabel 3.4: Komposisi Portofolio Optimal
Bobot
0.41 0.050265 0.230204 0.294581 0.42495 0.004851 0.030389 0.159618
0.42 0.047797 0.229894 0.295439 0.426869 0.004866 0.030402 0.16006
0.43 0.045323 0.229584 0.296301 0.428793 0.004882 0.030415 0.160501
0.44 0.042843 0.229272 0.297164 0.430721 0.004897 0.030429 0.160941
0.45 0.040356 0.228959 0.298029 0.432654 0.004913 0.030442 0.161379
0.46 0.037864 0.228647 0.298897 0.434592 0.004928 0.030457 0.161817
0.48 0.032859 0.228019 0.300638 0.438483 0.00496 0.030486 0.16269
0.5 0.027829 0.227387 0.302389 0.442395 0.004991 0.030517 0.163559
0.52 0.022772 0.226752 0.304149 0.446327 0.005023 0.030549 0.164424
0.54 0.017687 0.226114 0.305919 0.450281 0.005055 0.030583 0.165286
0.56 0.012573 0.225472 0.307698 0.454257 0.005087 0.030618 0.166143
0.58 0.007431 0.224826 0.309488 0.458256 0.005119 0.030655 0.166996
0.6086 2.28E-05 0.223896 0.312066 0.464015 0.005166 0.03071 0.168208
4. KESIMPULAN
Pada paper ini, pemilihan portofolio optimal dapat ditentukan berdasarkan komposisi
portofolio efisien yang menghasilkan mean return dan Value at Risk portofolio dengan rasio
terbesar. Dari perhitungan rasio mean return dan Value at Risk portofolio diperoleh
portofolio optimal yang memberikan mean return optimal sebesar 0.005166 dengan VaR
optimal sebesar 0.03071.
DAFTAR PUSTAKA
Hogg, R. V. dan Craig, T. A. 1958. Introduction to Mathematical Statistics, Fourth Edition.

New Jersey : Prentice Hall.
Husnan, Suad. 2000. Dasar-Dasar Teori Portofolio dan Analisis Sekuritas Edisi Kedua.
Yogyakarta : Unit Penerbit dan Percetakan STIM YKPN.
Sudjana. 2005. Metode Statistika. Bandung : Transito Tufte. E. R. 1983. The Visual Display
of Quantitative Information. Cheshire : Graphic Press.
Tsay, Ruey S. 2005. Analysis of Financial Time Series. New Jersey : John Wiley & Sons, Inc.

Prosiding
(A.4)
PENENTUAN CADANGAN DISESUAIKAN MELALUI METODE ILLINOIS PADA
PRODUK ASURANSI DWIGUNA BERPASANGAN
Suhartini, Lienda Noviyanti, Achmad Zanbar Soleh

Jurusan Statistika, Universitas Padjadjaran, Bandung
Email: suhartini.stat06@gmail.com, Liendanyt@yahoo.com, a_zanbar_s@yahoo.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. Manfaat produk Asuransi Dwiguna hanya diberikan pada satu
individu saja yang namanya tercantum sebagai pemegang polis asuransi. 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. Selanjutnya produk ini dinamakan Asuransi Dwiguna Berpasangan. Perhitungan
besaran-besaran aktuaria dalam penelitian ini selain melibatkan dua individu sebagai
tertanggung, juga memperhitungkan besarnya biaya komisi agen yang dibebankan pada
pemegang polis selama m tahun pertama pembayaran premi. Dengan demikian, besarnya
cadangan asuransi dihitung berdasarkan rumusan cadangan disesuaikan melalui Metode
Illinois.
Kata Kunci: Asuransi Dwiguna berpasangan, Cadangan disesuaikan, Metode Illinois.

Prosiding
I. 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. Produk Dwiguna yang ditawarkan
selama ini bersifat individu artinya perusahaan asuransi hanya memberikan proteksi kepada
satu orang saja. Produk ini memberikan benefit berupa jaminan 100% Uang Pertanggungan
jika tertanggung hidup sampai akhir masa asuransi. Selain itu, ahli waris akan menerima
100% Uang Pertanggungan apabila tertanggung meninggal dalam masa asuransi.
Penelitian ini mengembangkan produk Asuransi Dwiguna dengan menambahkan satu

orang lagi tertanggung pada polis asuransinya. 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, maka mereka akan menerima uang pertanggungan.
Selama kontrak asuransi telah ditandatangani pemegang polis, Perusahaan asuransi

akan menerima sejumlah pembayaran secara berkala yang besarannya ditetapkan berdasarkan
premi bersih dan biaya yang harus dibebankan pada pemegang polis. Premi bersih digunakan
untuk perhitungan benefit yang harus diberikan kepada tertanggung jika terjadi klaim dari
pemegang polis atau ahli warisnya. Sedangkan biaya merupakan dana yang telah dikeluarkan
perusahaan selama promosi produk Asuransi Dwiguna seperti komisi yang diberikan kepada
agen marketing yang mendapatkan pemegang polis, biaya pemasaran produk, dan biaya
administrasi pembuatan dan pengiriman polis asuransi. Pada awal tahun polis biasanya
diperlukan biaya yang besar. Sedangkan biaya pada tahun selanjutnya lebih kecil dari pada
biaya tahun pertama.
Bentuk tanggung jawab perusahaan asuransi atas premi yang telah diterima adalah
menyiapkan cadangan asuransi yang sewaktu-waktu harus dikeluarkan untuk membayar
manfaat asuransi ketika terjadi klaim dari pemegang polis. Pada dasarnya cadangan asuransi
dihitung berdasarkan asumsi premi bersih tahunan (tidak melibatkan biaya yang dikeluarkan
tiap tahunnya oleh perusahaan). Biaya yang dilibatkan dalam penelitian ini dikeluarkan untuk
membayar komisi kepada agen asuransi selama tiga tahun pertama pembayaran premi.
Dengan demikian, perhitungan cadangan asuransi untuk produk Dwiguna harus

Prosiding
memperhitungkan biaya dalam penetapan besaran premi tahunan yang harus dibayarkan
pemegang polis. Rumusan ini dinamakan cadangan asuransi disesuaikan (modified reserve).
Besarnya nilai cadangan asuransi disesuaikan dalam penelitian ini akan dihitung
melalui pendekatan metode Illinois. Metode ini membatasi frekuansi biaya yang dibebankan
pada pembayaran premi tahunan paling lama 20 tahun.
Sehubungan dengan pernyataan di atas, penelitian ini menawarkan inovasi pada

produk asuransi dwiguna dengan proteksi kepada dua orang tertanggung dan merumuskan
besarnya cadangan asuransi disesuaikan melalui metode Illinois.
II. BESARAN-BESARAN AKTUARIA
2.1. Simbol-simbol Aktuaria
NOTASI KETERANGAN
X Variabel acak yang menyatakan usia individu pertama
Y Variabel acak yang menyatakan usia individu kedua
x t Laju kematian (force of mortality) dari seseorang yang

berumur x tahun
k 1 qx Peluang orang yang berumur x tahun akan hidup sampai k

tahun dan meninggal 1 tahun berikutnya
t p xy Peluang orang yang berusia x tahun dan y tahun masih akan

hidup kedua-duanya dalam t tahun kemudian
t q xy Peluang seseorang yang lebih dulu meninggal dari sepasang

tertanggung yang berumur x tahun dan y tahun dalam t tahun
kemudian
qx k,y k
Peluang seseorang yang lebih dulu meninggal dari sepasang
tertanggung yang berusia x+k tahun dan y+k tahun dalam 1
tahun kemudian
bk 1
Besarnya benefit yang dibayarkan perusahaan asuransi pada
akhir tahun terjadi risiko
v Nilai tunai (Present value)
i rate of interest (tingkat bunga efektif yang berlaku)
Z Variabel acak yang menyatakan fungsi present value benefit

Prosiding
A1 Premi tunggal bersih asuransi jiwa berjangka n tahun bentuk

xy ;n diskrit untuk sepasang tertanggung yang berumur x tahun
dan y tahun
A 1
Premi tunggal bersih asuransi jiwa n-year pure endowment
xy :n untuk sepasang tertanggung yang berusia x tahun dan y tahun
Axy:n Premi tunggal bersih asuransi jiwa dwiguna bentuk diskrit

untuk sepasang tertanggung yang berusia x tahun dan y tahun
Axy:n 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)
axy:n Anuitas hidup berjangka n tahun untuk sepasang tertanggung

yang berusia x tahun dan y tahun
bt Besarnya benefit yang dibayarkan perusahaan asuransi pada

saat terjadi risiko (t)
P ( Axy:n ) Premi bersih tahunan asuransi jiwa berpasangan dwiguna

bentuk diskrit yang dibayarkan setiap awal periode untuk
seseorang yang berusia x tahun dan berusia y tahun
H Waktu saat perhitungan cadangan
V Axy:n Cadangan premi tahunan asuransi jiwa dwiguna kontinu

h
dengan premi dibayarkan tiap awal tahun untuk setiap satuan
waktu h
M Periode pembayaran premi dengan biaya
I Premi bersih untuk tahun pertama pada metode illinois
I
Premi bersih untuk tahun kedua dan seterusnya sampai ke-m
pada metode Illinois
V il ( Axy:n )
h
Cadangan illinois asuransi jiwa Dwiguna berpasangan
kontinu dengan premi dibayarkan tiap awal tahun setiap
satuan waktu h
*
Fungsi present value total biaya komisi agen
1 Presentasi komisi agen untuk tahun pertama
2 Presentasi komisi agen untuk tahun kedua
3 Presentasi komisi agen untuk tahun ketiga

Prosiding
2.2 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. 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:
100%UP , untuk k 0,1, 2,..., n 1

bk 1
0 , untuk k n, n 1,...
fungsi present value benefitnya adalah :

100%UPv k 1
, untuk k 0,1, 2,..., n 1
Z1
0 , untuk k n, n 1,...
karena K merupakan variabel acak, maka premi tunggal bersihnya adalah:

n 1
A1 E Z1 (100% UP) v k 1. k pxy . q ...(2.1)
xy:n k 0 x k,y k
b. 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:
0 , untuk k 0,1, 2,..., n 1

bn
100%UP , untuk k n, n 1,...
fungsi present value benefitnya adalah:
0 , untuk k 0,1, 2,..., n 1
Z2
100%UPv n , untuk k n, n 1,...
sehingga premi tunggal bersihnya adalah:

A 1 E Z2 (100% UP) v n .n pxy ...(2.2)
xy:n

Prosiding
Maka besarnya premi tunggal bersih secara keseluruhan untuk produk asuransi
Dwiguna berpasangan merupakan penjumlahan antara Persamaan (2.1) dan (2.2) sebagai
berikut :
n 1
Axy:n (100%UP) v k 1. k pxy. qx k,y k v n . n pxy ... (2.3)
k 0
Pada produk Dwiguna berpasangan, benefit diberikan tepat pada saat salah satu dari
tertanggung meninggal dunia. Oleh karena itu, perlu mengubah asuransi Dwiguna
berpasangan bentuk diskrit menjadi asuransi jiwa Dwiguna berpasangan bentuk kontinu.
Dengan menggunakan asumsi UDD (Uniform Distribution of Death) hubungan asuransi jiwa
dwiguna berpasangan bentuk diskrit dengan asuransi jiwa dwiguna berpasangan bentuk
kontinu adalah sbb:
i
A xy :n A xy :n
... (2.4)
Premi tahunan Dwiguna Berpasangan dihitung dengan menggunakan rumus:

Axy:n
P Axy:n ... (2.5)
axy:n
2.3. Perhitungan Cadangan Illinois Pada Produk Dwiguna Berpasangan
Penentuan cadangan disesuaikan melalui metode Illinois terdapat persyaratan yang

harus terpenuhi, 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. Dalam metode Illinois, terdapat beberapa nilai premi bersih yakni I (premi
bersih untuk tahun pertama), I (premi bersih untuk k - 1 tahun berikutnya), dan P( Axy:n )
(prmi bersih untuk setelah k tahun). Pada penentuan cadangan dengan mentode ini terdapat
batasan frekuensi biaya yang digunakan dalam perhitungan cadangan yakni maksimal biaya
20 tahun. Perumuman dari pernyataan di atas dapat diilustrasikan sebagai berikut :
I I axy:k 1
P( Axy:n )axy:k ... (2.6)

Prosiding
Atau dengan kata lain I dapat dinyatakan pada Persamaan di bawah ini :
P( Axy:n )axy:k axy:k 1

I … (2.7)
axy:k 1
1
dan I dapat dinyatakan pada Persamaan di bawah ini :
P ( Axy:n )axy:k
I … (2.8)
axy:k 1
1
Berdasarkan perumusan premi di atas, perhitungan cadangan yang disesuaikan dengan

menggunakan metode Illinois didefinisikan sebagai berikut :
V il ( Axy:n )
h V ( Axy:n ) (
h I P( Axy:n ))ax h , y h:k h
… (2.9)
dengan k min(m, 20) serta m adalah periode pembayaran premi dengan biaya.
Besarnya total biaya yang dikeluarkan perusahaan untuk membayar komisi agen,
adalah sebagai berikut:
*
P( Axy:n ) 1 v 2 1 pxy 3 v 2 pxy … (2.10)
dengan 1 , 2 , dan 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. Pada penelitian ini besar k min(3, 20)
yakni k=3, sehingga Persamaan (2.6) dapat dituliskan kembali sebagai berikut :
I I axy:2 P( Axy:n )axy:3 ... (2.11)
Dengan kata lain I pada Persamaan (2.7) dapat dinyatakan kembali sebagai berikut :
*
P( Axy:n )axy:3 axy:2
I … (2.12)
axy:2 1

Prosiding
dan I pada Persamaan (2.8) dapat dinyatakan kembali sebagai berikut :
*
P( Axy:n )axy:3
I … (2.11)
axy:2 1
Berdasarkan perumusan valuasi premi di atas, perhitungan cadangan yang disesuaikan

dengan menggunakan metode Illinois didefinisikan sebagai berikut :
V il ( Axy:n )
h hV ( Axy:n ) ( I P( Axy:n ))ax h , y h:3 h
… (2.12)
dan perhitungan cadangan setelah tahun ke-3 akan menggunakan perumusan cadangan premi
bersih tahunan sbb:
h V Axy:n Ax h , y h:n h
P Axy:n ax h , y h:n h
… (2.13)
III. HASIL DAN PEMBAHASAN
Aplikasi besaran-besaran aktuaria dari produk Asuransi Dwiguna Berpasangan

dengan melibatkan biaya akan diulas pada bagian ini. Beberapa asumsi yang digunakan
dalam simulasi adalah (1) peluang meninggal didasarkan pada Tabel Mortalita CSO 1980, (2)
tingkat suku bunga yang digunakan adalah; i = 7%, (3) masa asuransi adalah 10 tahun, (4)
usia individu pertama; x = 30 tahun dan usia individu kedua; y = 25 tahun, (5) Uang
Pertanggungan (UP) yang akan diberikan sebagai manfaat asuransi adalah sebesar Rp
20.000.000,00, (6) biaya komisi agen dibebankan pada 3 tahun pertama pembayaran premi.
3.1 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. Jika salah seorang tertanggung meninggal dalam masa asuransi, maka premi tunggal
bersihnya adalah Rp. 529.744,98.

Prosiding
b. Jika kedua tertanggung masih tetap hidup hingga berakhirnya masa asuransi, maka
premi tunggal bersihnya adalah Rp. 9.775.327,32.
Dengan demikian, premi tunggal bersih asuransi Dwiguna berpasangan bentuk diskrit
adalah penjumlahan kedua premi tunggal bersih di atas yakni Rp. 10.305.071,30.
Pada produk Dwiguna berpasangan benefit diberikan tepat pada saat salah satu dari
tertanggung meninggal dunia. Oleh karena itu, perlu mengubah asuransi Dwiguna
berpasangan bentuk diskrit menjadi asuransi jiwa Dwiguna berpasangan bentuk kontinu.
Dengan menggunakan asumsi UDD, maka besar premi tunggal bersih untuk asuransi
Dwiguna berpasangan bentuk kontinu Rp. 10.661.469,00.
Biasanya tertanggung akan berkeberatan untuk membayar premi satu kali diawal
tahun secara sekaligus, oleh karena itu perlu dihitung besarnya premi tahunan sehingga
tertanggung menjadi lebih ringan dalam pembayaran preminya tetapi tetap akan mendapatkan
benefit yang sama.
3.2 Premi Tahunan
Besar anuitas berpasangan bentuk diskrit due adalah sebagai berikut:
9
a30,25:10 v k k p30,25
k 0
v 0 0 p30,25 v1 1 p30,25 ... v9 9 p30,25

1 0,9313 0,8673 ... 0,5254
7, 4081
Besarnya premi tahunan adalah sebagai berikut:
A30,25:10
P A30,25:10
a30,25:25
10.661.469
7,4081
1.439.162,525

Prosiding
Dengan demikian, UP sebesar Rp.20.000.000,00 diperoleh apabila pemegang polis

membayar premi tanpa biaya sebesar Rp.10.661.469,00 yang dibayarkan sekaligus di awal
kontrak asuransi atau sebesar Rp.1.439.163,00 yang pembayarannya dilakukan 10 kali secara
kontinu di awal tahun.
3.3 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. 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.
Total biaya yang dikeluarkan perusahaan untuk membayar komisi agen selama tiga
tahun pertama pembayaran premi adalah:
Tabel 3.1 Komisi Agen Produk Dwiguna Berpasangan
Tahun Besarnya Komisi Agen per tahun (Rp.)
1 359.791
2 67.015
3 31.205
Total 458.011
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 3.2 Premi Bersih Tahunan Produk Dwiguna Berpasangan
Selama Tiga Tahun Pertama Masa Asuransi
Tahun Premi Bersih Tahunan Premi Bersih Tahunan dengan

ke- Tanpa Biaya (Rp.) Biaya (Rp.)
0 1.439.163 1.072.260

Prosiding
1
1.530.272
2
Berdasarkan tabel 3.2 di atas diketahui bahwa besar premi bersih tahunan dengan biaya tahun
pertama adalah Rp.1.070.821. Sedangkan besar premi bersih tahunan dengan biaya tahun
kedua dan ketiga adalah Rp.1.531.017. Besar premi bersih tahun pertama lebih kecil dari
premi bersih tahun kedua dan ketiga, hal ini dikarenakan pada tahun pertama diperlukan
biaya besar untuk membayar komisi agen, sedangkan biaya yang dikeluarkan oleh
perusahaan asuransi untuk tahun selanjutnya adalah lebih kecil. 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.
Berdasarkan tabel 3.3 dapat dilihat bahwa besar cadangan Illinois untuk tahun ke-0
bernilai negatif, 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.
Sedangkan besar cadangan Illinois untuk akhir tahun ke-1 dan ke-2 masing–masing adalah
Rp.1.296.738,- dan Rp.2.962.935,-.
Besar cadangan untuk h = 3 dan seterusnya sampai dengan akhir masa asuransi
yakni 10 tahun dapat dihitung dengan menggunakan cadangan premi bersih tahunan.
Cadangan premi bersih tahunan merupakan perhitungan cadangan tanpa melibatkan faktor
biaya. Dengan demikian besar cadangan produk Dwiguna berpasangan untuk masa asuransi
10 tahun dengan biaya tiga tahun pertama adalah sebagai berikut:
Tabel 3.3 Besar Cadangan Premi Asuransi pada
Produk Dwiguna Berpasangan berdasarkan premi bersih dan premi kotor

Cadangan premi kotor
Cadangan premi bersih
Tahun ke-h melalui metode Illinois
(Rp.)
(Rp.)
0 0 -254.981
1 1.472.697 1.296.738

Prosiding
2 3.054.044 2.962.935
3 4.752.183 4.752.183
4 6.574.031 6.574.031
5 8.529.246 8.529.246
6 10.628.422 10.628.422
7 12.881.369 12.881.369
8 15.300.816 15.300.816
9 17.899.053 17.899.053
10 20.000.000 20.000.000
Berdasarkan tabel 3.3 di atas diketahui bahwa besar cadangan disesuaikan untuk akhir
tahun ke-0, 1, 2 akan lebih kecil dari cadangan premi tahunan, hal ini dikarenakan pada
perhitungan cadangan Illinois terdapat faktor pengurang yaitu biaya, sedangkan pada
perhitungan cadangan premi bersih tahunan tidak memasukkan faktor biaya. Pada tahun ke-3
sampai dengan akhir masa asuransi tidak ada biaya yang dikeluarkan oleh perusahaan,
sehingga besar cadangan untuk tahun ke-3 sampai dengan akhir masa asuransi akan sama
dengan cadangan premi tahunan pada tahun yang sama. Akhir tahun ke 10, besar cadangan
premi tahunan yang harus dimiliki perusahaan asuransi adalah sebesar uang pertanggungan
yaitu sebesar Rp.20.000.000. Uang tersebut kemudian akan diberikan kepada sepasang
tertanggung apabila keduanya masih tetap hidup sampai akhir masa asuransi, dalam hal ini
adalah 10 tahun.
IV. KESIMPULAN
1. Penentuan besarnya cadangan disesuaikan dengan metode Illinois, akan menghasilkan

besaran cadangan yang lebih kecil dibandingkan dengan besarnya cadangan premi
tahunan. Cadangan premi tahunan merupakan kondisi ideal yang dimiliki perusahaan.
Tetapi perusahaan asuransi harus mengeluarkan biaya untuk membayar komisi agen. Dan
Biaya tersebut dibebankan oleh perusahaan asuransi kepada tertanggung. Sehingga besar
biaya tersebut akan mengurangi besar cadangan yang dimiliki oleh perusahaan asuransi.

Prosiding
2. 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( A30,25:10 ) I
.
DAFTAR PUSTAKA
Bowers, N.L., Gerber, H.U., Hickman, J.C., Jones, D.A., dan Nesbitt, C.J. 1997. Actuarial
Mathematics, 2nd Ed. The Society of Actuaries.
Futami, Takashi. 1993. Matematika Asuransi Jiwa Bagian I. Oriental Life Insurance Cultural
Development Centre, Inc. Tokyo, Japan.
Futami, Takashi. 1994. Matematika Asuransi Jiwa Bagian II. Oriental Life Insurance
Cultural Development Centre, Inc. Tokyo, Japan.
Larson, Robert E., Gaumnitz, Erwin A. 1962. Life Insurance Mathematics. New York. John
Wiley & Sons, Inc. London.

Prosiding
(A.5)
MENENTUKAN PREMI TUNGGAL NETTO MENGGUNAKAN MODEL RANTAI
MARKOV PADA ASURANSI DWIGUNA MULTIPLE DECREMENT
Gatot Riwi Setyanto

Jurusan Statistika, Universitas Padjadjaran
(gatot_riwi@unpad.ac.id)
ABSTRAK
Seiring dengan semakin maraknya perkembangan industri asuransi pada dekade ini,
berbagai inovasi produk asuransi banyak ditawarkan, salah satu diantaranya adalah produk
asuransi jiwa yang tidak hanya menawarkan santunan bilamana peserta asuransi (insured)
meninggal dunia, namun juga memberikan santunan bilamana insured tersebut sakit,
kecelakaan, cacat, ataupun kejadian lainnya. Produk asuransi seperti ini, biasa dikenal dengan
model asuransi multiple decrement.
Perhitungan premi netto secara praktis yang saat ini dilakukan, umumnya secara
deterministik. Sedangkan perhitungan secara probabilistikpun, masih menggunakan
probabilitas multiple decrement yang bersifat mutualy exclusive antara satu decrement
dengan decrement lainnya. Pada hal dalam kenyataannya, terjadinya satu decrement dapat
juga ditentukan oleh terjadinya decrement lain, atau dengan kata lain sangat memungkinkan
terjadi perpindahan antar status/decrement. Perpindahan antar status ini akan mempengaruhi
besar peluang terjadinya suatu decrement, yang pada akhirnya akan menentukan besarnya
premi netto.
Dengan demikian perhitungan premi tunggal netto pada asuransi jiwa multiple decrement,
sangat perlu mempertimbangkan kemungkinan terjadi perpindahan antar
status/decrement, yang mana status decrement bersifat diskrit dan saat perpindahan bersifat
kontinu dengan laju konstan dipartisi
Key words: Premin Tunggal Netto, Multiple Decrement, Model Rantai Markov

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

Prosiding
II. TINJAUAN PUSTAKA

II.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, dan Jx yang menyatakan variabel acak penyebab populasinya berkurang
(cause of decrement). Fungsi marginal untuk masing-masing fTx(t) dan fJx(j) adalah
fTx(t) = f TxJx (t , j )
j
(2.1.1)
fJx(j) = f TxJx (t , j )dt .

x
(2.1.2)
Fungsi densitas bersama dari Tx dan Jx dapat dituliskan dengan f Tx J x ( t , j ) . 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 , j ) P (t T t dt ) (J j)
(2.1.3)
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 , Jx ( s , j )ds P (0 T t) (J j) t q x( j ) t 0
0
(2.1.4)
t px( j ) 1 t qx( j )
(2.1.5)
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 m
( ) ( j)
tq x f Tx ( s )ds q
t x
0 j 1
(2.1.6)

Prosiding
II.2 Premi Tunggal Netto Asuransi Multiple Decrement Dwiguna

Asuransi ini adalah asuransi yang memberikan proteksi bagi insured terhadap
beberapa hal yang penyebab terjadinya decrement, namun pembayaran/perhitungan benefit
(uang pertanggungan) bisa dilakukan pada akhir tahun terjadinya decrement (diskrit) ataupun
tepat pada saat terjadinya decrement (kontinu).
Besarnya premi tunggal netto yang harus dibayarkan insured di awal ikut asuransi
dwiguna berbentuk diskrit multiple decrement, dapat dihitung dengan menggunakan rumusan
berikut :
n 1 w
Ax :n E( Z ) B( j )v k 1
k px( )qx k
( j)
Bv n n px
k 0 j 1
(2.2.1)
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| E(Z ) B ( j ) vt t px x (t )dt Bv n n pt
j 1 0
(2.2.2)
Rumusan-rumusan premi pada asuransi dwiguna di atas hanya memperhitungkan sifat
mutually exclusive diantara decrement-decrementnya. Sedangkan dalam realitanya, sangat
mungkin sekali bahwa terjadinya satu decrement disebabkan oleh telah terjadinya decrement
lainnya. Sehingga pada kondisi adanya kemungkinkan terjadinya perpindahan antar status,
persamaan di atas tidak lagi tepat untuk menghitung premi tunggal netto pada asuransi
multiple decrement.
2.3 Rantai Markov dan Peluang Transisi

Pada tahun 1906, A.A. Markov seorang ahli matematika dari Rusia mengemukakan
teori ketergantungan variabel acak dalm proses acak yang dikenal dengan proses Markov.
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 ,..., X n 1 , X n i} P{ X n 1 j | Xn i} ; n dan status i0, ..., in-1, i,j
(2.3.1)

Prosiding
Peluang transisi satu langkah bahwa Xn+1 berada pada status j jika diketahui Xn berada dalam
status i, dinyatakan dengan Pijn,n+1, yaitu :
n,n 1
Pij P{X n 1 j | Xn i}
(2.3.2)
Apabila peluang transisi satu-langkah independen dari variabel waktu, maka
dikatakan rantai markov mempunyai peluang transisi stasioner, sehingga dalam hal ini :
n,n 1
Pij Pij
Matriks peluang transisi n langkah disimbolkan dengan P(n) = Pij(n). Elemen dari Pij(n)
menyatakan peluang bahwa proses berpindah dari status i ke status j dalam n langkah, ditulis
sebagai
( n)
Pij P{X n m j | Xm i}
(2.3.3)
Teorema : peluang transisi n langkah dari suatu Markov adalah
(n) ( n 1)
Pij Pik Pkj
k 0
(2.3.4)
2.4 Model Markov dengan Status Diskrit dan Waktu Kontinu

Transisi yang terjadi diantara dua state apabila diukur antara waktu n dan n + i,
dengan i = 1,2,3, ... yang biasanya dinyatakan dalam bilangan bulat, seperti yang telah
dibahas pada bagian terdahulu, disebut transisi dengan waktu diskrit. Salah satu
konsep dasar dalam pengukuran dengan waktu kontinu seperti ini adalah proses
Poisson. Proses ini mengukur titik-titik kejadian secara tunggal dalam satuan waktu
tertentu, peluang banyaknya kejadian dalam selang (0,t] adalah i
Pi(t) = P(N(t)=i) = e-λt (λt)i / i!
(2.4.1)

Prosiding
2.5 Laju Transisi

Jika X(t) menyatakan status yang ditempati pada waktu t, 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)
(2.5.1)
Jika nilai-nilai peluang tersebut mengabaikan waktu u, atau waktunya homogen, fungsi
tersebut harus memenuhi
0 ≤ Pij ≤ 1 dan Pik Pij (v) Pjk (t v) (t>v)

j
(2.5.2)
Dikatakan sebagai persamaan Chapman Kolmogorov untuk proses Markov dengan waktu
homogen.
Untuk tingkat transisi dengan selang waktu yang sangat pendek atau ∆t → 0, maka
Pij(∆t) = µij (∆t) + o (∆t) (i≠j)
Pii(∆t) = 1+ µii (∆t) + o (∆t)
Atau dapat ditulis
d Pij (t )
ij Pij (0) lim
dt t 0 t
(2.5.3)
d 1 Pii (t )
ii Pii (0) lim
dt t 0 t
(2.5.4)
Jika diketahui status i ditempati pada waktu t dan status lainnya akan ditempati pada waktu
t+∆t,
maka : ii ij 0
i j
(2.5.5)

Prosiding
III. PREMI TUNGGAL NETTO ASURANSI DWIGUNA MULTIPLE DECREMENT

MENGGUNAKAN MODEL RANTAI MARKOV
3.1 Model Multistage dengan Waktu Homogen

Misalkan X = {X(t), t ≥ 0} merupakan proses stokastik, X(t) menyatakan state yang
ditempati pada waktu t. dengan banyaknya state diasumsikan berhingga. Karena X(t) terdiri
dari banyak state, maka akan terjadi jalur-jalur lintasan yang menggambarkan perpindahan
antar state, yang dalam kurun waktu tertentu diperoleh laju transisi (force of transition).
Nilai peluang transisi, secara teoritis dapat ditentukan menggunakan laju transisinya.
Namun dalam prakteknya sangat sulit memperoleh nilai peluang transisi untuk proses
multistate. Untuk itu model markov dengan waktu homogen digunakan sebagai asumsi, yang
berarti model mempunyai laju transisi yang konstan atau tingkat percepatan perpindahan
antar state hanya bergantung pada selang waktu yang diamati, tidak pada kapan suatu even
terjadi. Sedangkan peluang transisi dengan waktu kontinu dan state diskrit diselesaikan
dengan sistem persamaan diferensial peluang transisi.
Untuk kasus rantai Markov homogeneous {X(t), t ≥ 0}, Laju transisi tidak
bergantung pada waktu t, sehingga
µii(t) = µii dan µij(t) = µij
(3.1.1)
Bila persamaan (3.1.1) dituliskan dalam bentuk matriks, maka diperoleh
11 12 13 ... 1K
21 22 23 ... 2K
Q 31 32 33 ... 3K dengan µij(i=j) = -∑i≠j µij

... ... ... ... ...
K1 K2 K3 ... KK
3.2 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,s+t)
adalah sama untuk semua s ≥ 0 sehingga pij(s,s+t) = pij(t). Kemudian laju transisi dan fungsi
peluang transisi dinyatakan dalam bentuk matriks. Jika dikorespondensikan dengan
persamaan Chapman-Kolmogorov, maka

Prosiding
P(t+u) = P(t) P(u)

(3.2.1)
Demikian pula bila diokorespondensikan dengan persamaan diferensial Kolmogorov
Forward, maka
P‟(t) = P(t) Q = Q P(t)
(3.2.2)
Dengan P(0) = I, maka solusi untuk persamaan (3.2.2) adalah :
(Qt ) i
P(t) = eQt
i 0 i!
(3.2.3)
Andaikan Q mempunyai nilai-nilai eigen yang berbeda yang dinotasikan dengan D = diag (d1,
..., dn) dan A menyatakan matriks eigen, maka : Q = A D A-1
Sehingga
n
P(t ) A diag(e d1t ,..., e d nt )C Atau Phi (t ) ahk cki e dk t
k 1
(3.2.4)
Menyatakan peluang transisi dari state h ke state i, dengan ahk adalah elemen matriks A dan
cki menyatakan elemen matriks C = A-1.
3.3 Laju Konstan Dipartisi

Berkaitan dengan aktuaria, sering kali diperlukan laju transisi pada tingkat usia yang
berbeda, untuk itu dengan melakukan partisi laju transisi berdasarkan usia merupakan solusi
yang bisa dipergunakan untuk masalah ini.
Misalkan µij(t) = µij(m) jika t Є (tm-1, tm) untuk m = 1,,3,... dimana t0 = 0, juga pij(m)(t) adalah
fungsi transisi dinyatakan dengan interval [u,u+t] yang termuat dalam [tm-1, tm]. Dalam
bentuk matriks, laju transisi dan peluang transisi dipartisi masing-masing Q(m) dan P(m)(t).
Misal mt adalah integer yang memenuhi tmt 1 t t mt , maka jika dikorespondensi
dengan persamaan (3.2.4) menjadi

n
(m) (m)
( m) ( m ) d k ( m )t
P(t ) A( m ) diag(e d1 t
,..., e d n t
)C ( m ) Atau Phi (t ) ahk cki e
k 1
(3.3.2)
dimana ahk(m) dan cki(m) adalah entri-entri dari matriks A(m) dan matriks Chk(m)

Prosiding
3.4 Penentuan Premi Tunggal Netto Asuransi Dwiguna Multiple Decrement

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

Prosiding
Asuransi ini adalah asuransi yang memberikan proteksi bagi insured terhadap
beberapa hal yang penyebab terjadinya decrement dalam jangka waktu tertentu, selain itu
insured pun akan menerima sejumlah benefit diakhir tahun masa proteksi jika ia tidak terjadi
salah satu decrement tersebut. 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, yang digunakan untuk membangun matriks Q(u) sehingga
diperoleh A(u), C(u) dan D(u). Sedangkan Pij(u) (y) merupakan fungsi peluang transisi dari
status i ke status j yang diasosiasikan dengan interval usia dari u ke u+1, dan bila mana
manfaat santunan bij satuan yang dibayarkan langsung pada saat terjadi perpindahan dari
state awal i pada usia ke state j lain, maka besarnya premi tunggal netto yang merupakan
present value dari benefit yang akan diterima insured bila terjadi decrement dalam masa t
tahun, dengan discount factor v adalah :
x t
( y x)
Ax ,t | bij e .Pij ( x, y )dy b11 .e t .t p x
x
(u )
x t 1
(u x )
4 4
(u ) (u ) e dk 1
bij e pih ( x, u ) a hn c nj (u )
b11 e t .t p x
u x h 1 n 1 dn
(3.4.1)
Atau dalam bentuk matriks
x t
( y x)
Ax ,t | bij e .Pij ( x, y )dy b11 e t .t p x
x
(u ) (u )
x t 1
(u x ) e d1
(u ) 1 e d4 1
bij e P( x, y ) A diag (u )
,..., (u ) C (u ) b11 e t .t p x
u x d1 d4
(3.4.2)
Merupakan rumusan premi tunggal netto pada asuransi dwiguna yang
mempertimbangkan terjadinya perpindahan antar status.
IV. KESIMPULAN
Berpijak kepada realita bahwa terjadinya suatu decrement dapat juga ditentukan oleh
terjadinya decrement lain, atau dengan kata lain sangat memungkinkan terjadi perpindahan

Prosiding
antar status/decrement, untuk itu pertimbangan menggunakan model Markov dalam

perhitungan premi akan memberikan hasil yang lebih realistis, serta mengurangi risiko
terjadinya kerugian terutama dipihak asuransi.
DAFTAR PUSTAKA
1. Bowers,N.,Gerber,H.,Hickman,J.,Jones,D.,Nesbitt,C.1997.Actuarial Mathematics, 2nd
edition. Shaumberg, IL : Society of Actuaries.
2. Bruce, L.J., Actuarial Calculating Using Markov Model, Transaction of Society of
Actuaries, 1994, vol .46.
3. Cox, D.R, and Miller, H.D, 1965, The Theory of Stochastic Processes, London: Chapman
and Hall.
4. Ross, S., 1996, . 1992. Stochastic Processes, 2nd Edition, John Wiley & Sons, Inc.New
York.

Prosiding
(A.6)
PENENTUAN CADANGAN ASURANSI DISESUAIKAN MELALUI METODE OHIO
PADA PRODUK GABUNGAN ASURANSI JIWA DAN PENDIDIKAN
BERPASANGAN
Puput Eka Fitriyani, Lienda Noviyanti, Achmad Zanbar Soleh

Jurusan Statistika, Universitas Padjadjaran, Bandung
Email: puputeka_pap@yahoo.com, Liendanyt@yahoo.com, a_zanbar_s@yahoo.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. 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. Asuransi jiwa dalam penelitian ini akan memproteksi tertanggung (orang
tua) dan juga penerima manfaat (anak) dari beberapa risiko yang terjadi pada keduanya.
Dengan demikian model asuransi jiwa yang digunakan adalah Multiple Life Function
berdasarkan Multiple Decrement. Selanjutnya, proteksi pendidikan berupa tahapan dana
masuk sekolah (SD, SMP, SMU, dan PT) dan Nilai tunai yang diberikan secara lumpsum
atau anuitas saat masa asuransi berakhir. Berdasarkan lama proteksi produk gabungan
asuransi jiwa dan pendidikan yakni 18 tahun (saat penerima manfaat masuk PT) dan
tambahan biaya pada premi yang dibayarkan tertanggung, maka cadangan asuransi dihitung
melalui metode Ohio. Hasil simulasi, menyimpulkan bahwa tiga tahun pertama pembayaran
premi menghasilkan nilai cadangan tahunan yang lebih kecil daripada cadangan premi bersih
tahunan tanpa biaya.
Kata Kunci: Multiple Life Function, Multiple Decrement , Cadangan disesuaikan, Metode
Ohio.

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

Prosiding
Output yang diharapkan dalam penelitian ini adalah besaran-besaran aktuaria yang
menawarkan inovasi pada produk asuransi beasiswa yang memberikan manfaat proteksi
kepada tertanggung dan penerima manfaat dengan memasukkan unsur biaya yang
dikeluarkan perusahaan dalam penentuan premi tahunan.
II. BESARAN-BESARAN AKTUARIA
2.1. Simbol-simbol Aktuaria

Notasi Keterangan
Variabel acak seseorang yang berusia x tahun sebagai tertanggung dan
X
sebagai orang pertama yang mendapat proteksi kematian.
Variabel acak seseorang yang berusia y tahun sebagai penerima
Y manfaat tahapan dana masuk sekolah dan beasiswa sekaligus sebagai
orang kedua yang mendapat proteksi kematian.
i rate of interest (tingkat bunga efektif yang berlaku)
laju perubahan suku bunga terhadap satuan waktu terkecil (force of
interest)
h Waktu saat perhitungan cadangan
m Periode pembayaran premi dengan biaya (waktu diperhitungkan biaya)
n Jangka waktu asuransi
1
Persentasi komisi agen untuk tahun pertama
2
Persentasi komisi agen untuk tahun kedua
3
Persentasi komisi agen untuk tahun ketiga
Besarnya pertanggungan yang dibayarkan perusahaan asuransi pada
bk 1
akhir tahun terjadi risiko
vk 1
Nilai tunai diskrit(Present value) pada saat k+1
0
O Premi bersih dengan biaya untuk tahun pertama berdasarkan cadangan
Ohio
1
O Premi bersih dengan biaya untuk tahun kedua berdasarkan cadangan
Ohio
2
O Premi bersih dengan biaya untuk tahun ketiga berdasarkan cadangan
Ohio
sekaligus
O Premi bersih sekaligus dengan biaya berdasarkan cadangan Ohio
tahunan
O Premi bersih tahunan dengan biaya untuk tiga tahun pertama
berdasarkan cadangan Ohio
UP Uang pertangunggan adalah jumlah uang asuransi yang ditetapkan
pada awal mengikuti asuransi sebagai acuan dalam menghitung
besaran aktuaria yang diinginkan.

Prosiding
PTB Premi Tunggal Bersih(Premi tunggal netto)

PTBpendidikan Premi tunggal bersih yang dibebankan kepada tertanggung untuk
proteksi pendidikan meliputi tahapan dana masuk sekolah dan
beasiswa selama PT.
PTBtotal 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
t p xy
kedua-duanya dalam t tahun yang akan datang
Peluang seseorang yang lebih dulu meninggal karena semua sebab dari
t q xy sepasang tertanggung yang berumur x tahun dan y tahun dalam t tahun
yang akan datang
qx k,y k
Peluang seseorang yang lebih dulu meninggal dari sepasang
tertanggung yang berusia x+k tahun dan y+k tahun dalam 1 tahun
kemudian
axy:n Anuitas hidup berjangka n tahun untuk tertanggung yang berusia x
dan y tahun
Premi tunggal bersih asuransi jiwa berjangka n tahun bentuk kontinu
A1
xy ; n untuk sepasang tertanggung yang berumur x tahun dan y tahun
Premi tunggal bersih asuransi jiwa berjangka n tahun berpasangan jika
( )
A1 tertanggung yang berusia x meninggal lebih dulu dalam n tahun
x y:n
dengan penyebab kematian tertentu ( ) .
Premi tahunan bersih asuransi jiwa berjangka n tahun berpasangan
P ( A1 ) bentuk kontinu yang dibayarkan setiap awal periode untuk tertanggung
xy:n
berusia x dan penerima manfaat berusia y tahun
Cadangan benefit asuransi jiwa berjangka n tahun berpasangan
h V A1
xy:n kontinu dengan premi dibayarkan tiap awal tahun untuk setiap satuan
waktu h
Cadangan Ohio asuransi jiwa berjangka n tahun berpasangan kontinu
V O A1
h
xy:n dengan premi dibayarkan tiap awal tahun untuk setiap satuan waktu h

Prosiding
2.2 Premi Tunggal Bersih untuk Proteksi Jiwa

Besarnya premi tunggal bersih yang harus dibayarkan oleh individu pertama yang
berusia x tahun (orang tua) dan individu kedua yang berusia y tahun (anak) pada saat pertama
kali ikut asuransi kepada perusahaan asuransi adalah:
1. 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, atau dapat
dinyatakan sebagai berikut:
100%JUA , untuk k 0,1, 2,..., n 1
bk xy 1 …(2.1)
0 , untuk k n, n 1,...
n menyatakan akhir masa asuransi. Dapat dirumuskan fungsi present value benefitnya
adalah :
k xy 1
100%JUA.v , untuk k 0,1, 2,..., n 1
Z1 …(2.2)
0 , untuk k n, n 1,...

n 1
1 k xy 1 1
A1 E Z1 100% JUA v k pxy q . ...(2.3)
xy:n k 0 x k,y k
Persamaan (2.3) simbol premi tunggal bersihnya diberi angka satu karena merupakan
premi tunggal bersih dengan penyebab kematian yang pertama yaitu meninggal bukan karena
kecelakaan.
2. 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, atau dapat dinyatakan sebagai berikut:
200%JUA , untuk k 0,1, 2,..., n 1
bkxy 1 …(2.4)
0 , untuk k n, n 1,...
k xy 1
200%JUA.v , untuk k 0,1, 2,..., n 1
Z2 …(2.5)
0 , untuk k n, n 1,...

n 1
(2)
A1 E Z2 200% JUA v k 1. k pxy .q 1
(2)
. ...(2.6)
x y:n k 0 x k,y k

Prosiding
Persamaan (2.6) simbol premi tunggal bersihnya diberi angka dua karena
merupakan premi tunggal bersih dengan penyebab kematian yang kedua yaitu meninggal
karena kecelakaan.
3. 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, atau dapat dinyatakan sebagai berikut:
50% JUA , untuk k 0,1, 2,..., n 1
bkxy 1 …(2.7)
0 , untuk k n, n 1,...
k xy 1
50% JUA.v , untuk k 0,1, 2,..., n 1
Z3 …(2.8)
0 , untuk k n, n 1,...

n 1
(3) k xy 1 (3)
A1 E Z3 50% JUA v k px y q . ...(2.9)
x y:n k 0 x k,y k
Persamaan (2.9) simbol premi tunggal bersihnya diberi angka tiga karena
merupakan premi tunggal bersih dengan penyebab kematian yang ketiga yaitu meninggal
bukan karena kecelakaan.
Dari Persamaan (2.3), (2.6) dan (2.9) maka dapat dituliskan perumusan premi tunggal
bersih keseluruhan sebagai berikut:
A1 A1 (1)
A1 (2)
A1 (3)
. …(2.10)
xy:n xy:n x y:n x y:n
Persamaan (2.10) tepat digunakan jika benefit diberikan pada akhir tahun meninggal
salah satu antara tertanggung atau penerima manfaat (asuransi diskrit). 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). Berdasarkan asumsi UDD maka diperoleh perumusan premi
tunggal bersihnya menjadi :
i
A 1 A 1 …(2.11)
xy :n xy :n

Prosiding
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), SMP saat anak berusia
12 tahun (n-6), SMA saat anak berusia 15 tahun (n-3) dan perguruan tinggi saat anak
berusia 18 tahun (n), 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.
Perhitungan benefitnya adalah sebagai berikut :
bn 12 10% JUA
bn 6 20% JUA
bk 1 bn 3 30% JUA , …(2.12)
bn 50% JUA
bn.2 100% JUA
Pada akhir masa asuransi diberikan tahapan dana masuk PT sebesar 50%JUA dan
beasiswa sebesar 100% JUA. Untuk itu maka pada Persamaan (2.12) terdapat dua
manfaat pada akhir masa asuransi yaitu tahapan dana masuk disimbolkan dengan bn dan
beasiswa disimbolkan bn.2 . 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.2v n . …(2.13)
2.4 Premi Tunggal Bersih untuk Asuransi Beasiswa

Berdasarkan Persamaan (2.10) dan (2.13) yang telah diperoleh maka premi tunggal
bersih secara keseluruhan produk Beasiswa adalah sebagai berikut:
PTBTotal A1 PTB pendidikan …(2.14)
xy:n
Dari perumusan premi tunggal bersih yang diperoleh, dapat dirumuskan pula premi
tahunannya. Dalam menentukan premi tahunan maka perlu diketahui bagaimana ketentuan
cicilan preminya selama masa asuransi agar dapat dihitung anuitasnya. Produk JS. 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).
Dari penjelasan di atas maka dapat diperoleh perhitungan anuitasnya adalah sebagai berikut:

Prosiding
n 1
axy:n v k . k pxy . ...(2.15)
k 0, k n 12,
n 6, n 3, n
Premi bersih tahunan Beasiswa dihitung dengan menggunakan rumus:

PTBtotal
P(A 1 ) . ...(2.16)
xy:n axy:n
2.4. Perhitungan Cadangan Ohio Pada Produk Beasiswa

Penentuan cadangan disesuaikan melalui metode Ohio memiliki karakteristik khusus
yaitu masa pembayaran premi kurang dari 20 tahun. Dalam metode Ohio, terdapat beberapa
nilai premi bersih sesuai dengan karakteristik produk yang telah dijelaskan pada bagian
pendahuluan yakni
O
0 : premi bersih dengan biaya untuk tahun pertama
O
1 : premi bersih dengan biaya untuk tahun kedua
O
2 premi bersih dengan biaya untuk tahun ketiga
P( A 1 ) premi bersih untuk tahun ke m sampai dengan akhir masa
xy:n
:
asuransi
Premi bersih dengan biaya merupakan penjumlahan dari premi bersih tahunan dengan biaya.
Untuk itu maka dapat dirumuskan kondisi tersebut sebagai berikut:
O
h P( A 1 ) P( A 1 ).
xy:n xy:n
…(2.17)
Dari Persamaan (2.17) maka diperoleh perumusan premi tiap tahun dengan biaya adalah
sebagai berikut :
Premi bersih dengan biaya tahun pertama adalah :
O
0 P( A 1 ) 1 1 , ... (2.18)
xy:n
Premi bersih dengan biaya tahun kedua adalah :

O
1 P( A 1 ) 1 2 , ... (2.19)
xy:n
Premi bersih dengan biaya tahun ketiga adalah :

O
2 P( A 1 ) 1 3 , ... (2.20)
xy:n
Premi dengan biaya juga akan dibuat tetap slama tiga tahun meskipun biaya komisi
agen tiap tahun berbeda. Untuk itu perlu dihitung premi dengan biaya sekaligus untuk tiga
tahun sehingga dapat diperoleh premi tahunan dengan biaya.

Prosiding
m 1
O
sekaligus vh . h
O
h 0 …(2.21)
Premi tahunan dengan biaya dihitung menggunakan rumus :
O
O sekaligus
tahunan
axy:m
O
sekaligus …(2.22)
m 1
hxy
v h pxy
h 0
Berdasarkan perumusan premi di atas, perhitungan cadangan yang disesuaikan dengan

menggunakan metode Ohio didefinisikan sebagai berikut :
V O (A1 )
h A 1 h
O
.ax h , y h:n h
, untuk h 0,1,..., m 1
xy:n x h , y h:n h
V ( A1 )
h
…(2.23)
xy:n
V ( A1 )
h A 1 P( A 1 ).ax h , y h:n h
, untuk h m, m 1,..., n
xy:n x h , y h:n h xy:n
III. HASIL DAN PEMBAHASAN

Aplikasi besaran-besaran aktuaria dari produk Asuransi Beasiswa dengan melibatkan
biaya akan diulas pada bagian ini. Beberapa asumsi yang digunakan dalam simulasi adalah
(1) peluang meninggal didasarkan pada Tabel Mortalita CSO 1980, (2) tingkat suku bunga
yang digunakan adalah; i = 7%, (3) masa asuransi maksimal adalah 18 tahun menyesuaikan
dengan usia penerima manfaatnya yaitu 18-y, (4) usia individu pertama (orang tua); x = 32
tahun dan usia individu kedua (anak); y dari 0 sampai 4 tahun, (5) Jumlah Uang asuransi yang
akan diberikan sebagai manfaat asuransi adalah sebesar Rp 10.000.000,00, (6) biaya komisi
agen dibebankan pada 3 tahun pertama pembayaran premi. 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.

Prosiding
3.1 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. Jika tertanggung atau penerima manfaat meninggal bukan karena kecelakaan
dalam masa asuransi, maka premi tunggal bersihnya adalah Rp. 329.455,47.
d. Jika tertanggung meninggal terlebih dulu karena sebab kecelakaan dalam masa
asuransi, maka premi tunggal bersihnya adalah Rp. 530.280,05.
e. Jika tertanggung mengalami cacat total karena sebab kecelakaan dalam masa
asuransi, maka premi tunggal bersihnya adalah Rp. 113.470,63.
Dengan demikian, premi tunggal bersih asuransi Beasiswa berpasangan
modifikasi untuk proteksi kematian bentuk diskrit adalah penjumlahan ketiga premi
tunggal bersih di atas yakni Rp. 973.206,15.
Pada produk Beasiswa berpasangan modifikasi benefit diberikan tepat pada
saat salah satu dari tertanggung meninggal dunia. Oleh karena itu, perlu mengubah
asuransi Beasiswa berpasangan modifikasi bentuk diskrit menjadi asuransi jiwa
Beasiswa berpasangan modifikasi bentuk kontinu. Dengan menggunakan asumsi
UDD, maka besar premi tunggal bersih untuk asuransi Beasiswa berpasangan
modifikasi bentuk kontinu Rp. 1.006.864,00.
Premi tunggal bersih untuk proteksi pendidikan adalah Rp. 8.672.891,53.

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. Premi tunggal bersih sekaligusnya adalah Rp. 9.679.755,72.
Biasanya tertanggung akan berkeberatan untuk membayar premi satu kali diawal
tahun secara sekaligus, oleh karena itu perlu dihitung besarnya premi tahunan sehingga
tertanggung menjadi lebih ringan dalam pembayaran preminya tetapi tetap akan mendapatkan
benefit yang sama.

Prosiding
3.2 Premi Tahunan

Besar anuitas berpasangan bentuk diskrit due adalah sebagai berikut:
14
a32.3:15 v k . k p32.3 .
k 0, k 3,9,12
v 0 0 p32,3 v1 1 p32,3 ... v14 14 p32,3

1 0,9319 ... 0,3675
7,8025
Besarnya premi tahunan adalah sebagai berikut:
A 1
32,3:15
P A 1
32,3:15 a32,3:15
9.679.756
7,8025
Rp.1.240.592,53
Dengan demikian, manfaat proteksi kematian dan proteksi pendidikan diperoleh
apabila pemegang polis membayar premi tanpa biaya sebesar Rp. 9.679.755,72 yang
dibayarkan sekaligus di awal kontrak asuransi atau sebesar Rp.1.240.592,53 yang
pembayarannya dilakukan 12 kali secara kontinu di awal tahun.
3.3 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.
Besar komisi agen tiap tahun yang harus dibayarkan oleh perusahaan adalah :
Tabel 3.1 Komisi Agen Produk Beasiswa Berpasangan Modifikasi Berdasarkan Usia
Tertanggung dan Penerima Manfaat 32 Tahun dan 3 Tahun
Tahun Besarnya Komisi Agen per tahun (Rp.)

1 434.207,38
2 80.932,34
3 37.710,76
Total 552.850,48
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 :

Prosiding
Tabel 3.2 Premi Bersih Tahunan Produk Beasiswa Berpasangan Modifikasi

Selama Tiga Tahun Pertama Masa Asuransi
Tahun Premi Bersih Tahunan Premi Bersih Tahunan dengan
ke- Tanpa Biaya (Rp.) Biaya (Rp.)
0 1.240.592 1.674.800
1 1.240.592 1.321.525
2 1.240.592 1.278.303
Berdasarkan tabel 3.2 di atas diketahui bahwa besar premi bersih tahunan dengan biaya tahun
pertama adalah Rp.1.070.821, premi bersih tahunan dengan biaya tahun kedua Rp. 1.321.525
dan ketiga adalah Rp.1.278.303. 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. 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. Jika dihitung premi bersih tahunan dengan biaya yang tetap selama tiga tahun
pertama maka nilainya adalah sebesar Rp. 1.437.764,00.
Dengan cara yang sama maka akan diperoleh hasil perhitungan premi untuk usia
penerima manfaat dari 0 sampai 4 tahun seperti yang ditampilkan pada Tabel 3.3
Tabel 3.3 Premi Bersih Tahunan dengan Biaya
dan Premi Bersih Tahunan Tanpa Biaya
Usia Masa
Premi Bersih Premi Bersih
penerima Asuransi
Tahunan Tanpa Tahunan dengan
Manfaat (n
Biaya (Rp.) Biaya (Rp.)
(y tahun) tahun)
4 14 1.399.186 1.621.509
3 15 1.240.592 1.437.764
2 16 1.110.563 1.311.875
1 17 1.002.750 1.184.580
0 18 925.726 1.116.397
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.
Hasilnya dapat dilihat pada Tabel 3.4.

Prosiding
Tabel 3.4 Besar Cadangan Premi Asuransi pada

Produk Beasiswa Berpasangan Modifikasi
Cadangan JS. Prestasi Modifikasi Berdasarkan Masa Asuransi dan
Tahun ke-h Usia Penerima manfaat (satuan Rp)
y=0 y=1 y=2 y=3 y=4
0 -1.729.273 -1.581.026 -1.663.904 -1.538.439 -1.624.072
1 -1.522.086 -1.203.037 -1.215.583 -1.014.646 -991.352
2 -1.164.230 -797.561 -737.888 -455.136 -314.178
3 456.070 661.076 775.932 922.140 1.112.854
4 794.527 1.050.274 1.236.449 1.472.963 1.780.485
5 1.154.049 1.465.015 1.727.243 2.061.418 2.493.341
6 1.150.137 1.455.306 1.712.956 2.042.081 2.468.390
7 1.557.648 1.926.821 2.272.147 2.712.036 3.280.357
8 1.990.209 2.427.221 2.865.762 3.424.098 4.142.732
9 2.448.141 2.957.129 3.495.312 4.178.747 5.057.225
10 2.931.069 3.516.940 4.160.097 4.976.360 6.024.284
11 3.439.899 4.106.381 4.860.787 5.817.530 7.047.075
12 3.379.732 4.032.096 4.770.108 5.709.531 6.920.825
13 3.939.236 4.680.891 5.544.470 6.645.176 8.066.356
14 4.521.231 5.358.424 6.356.686 7.631.462 9.279.994
15 5.126.049 6.065.640 7.209.337 8.672.892
16 5.753.585 6.803.870 8.105.506
17 6.401.223 7.575.239
18 7.079.663
Berdasarkan Tabel 3.3 diketahui bahwa semakin lama masa asuransinya maka harga
preminya akan semakin tinggi. Sedangkan premi bersih tahunan dengan biaya untuk tiga
tahun pertama lebih tinggi jika dibandingkan premi bersih tahunan tanpa biaya. Sedangkan
Tabel 3.4 di atas memberi hasil bahwa besar cadangan Beasiswa Berpasangan Modifikasi
selama tiga tahun pertama dengan menggunakan metode Ohio bernilai negatif. 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.

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

Prosiding
(A.7)
OPTIMISASI PORTOFOLIO BERDASARKAN MEAN-VALUE AT RISK DI BAWAH
MODEL INDEKS BERGANDA DENGAN VOLATILITAS TAK KONSTAN
Agus Supriatna, F. Sukono, Bunga Luvita

Jl. 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. Dalam model
indeks berganda diasumsikan bahwa korelasi return masing-masing saham dipengaruhi oleh
respon saham tersebut terhadap perubahan indeks-indeks tertentu. Di sini return indeks
diasumsikan memiliki volatilitas tak konstan sehingga akan diestimasi dengan menggunakan
model GARCH. Risiko diukur menggunakan VaR yang dihitung berdasarkan quantile
distribusi normal standar. Mean return dan VaR akan digunakan dalam formula optimisasi
portofolio dan teknik penyelesaiannya menggunakan teorema Kuhn-Tucker.
Dalam paper ini dianalisis pembentukan portofolio yang tersusun dari beberapa saham
yang diperdagangkan di pasar modal Indonesia. Adapun yang menjadi target yang diinginkan
adalah membentuk komposisi portofolio-portofolio efisien dan menentukan portofolio
optimalnya.
Kata Kunci : VaR, return, model GARCH, model indeks berganda, 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. In multi index model,
correlation of each stock return assumed it is influenced by that stock response to index
changes. Index return is assumed has non constant volatility so will be estimated by GARCH
models. Risk is measured by VaR that calculated based on quantile standard normal
distribution. Mean return and VaR will be used for formulation of portfolio optimization
problem and solution by using the Kuhn-Tucker theorem. In this paper will be analysed the
formation of portfolio which formed by a few stock that are traded in the Indonesian capital
market. The target of this problem is to obtain efficient portfolios and determine the optimum
portfolio.
Keywords : VaR, return, GARCH model, multi index model, Kuhn-Tucker theorem

Prosiding
I. LATAR BELAKANG MASALAH

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

Bila I jt adalah variabel acak dari return indeks ke- j pada waktu t , maka model time
series untuk menaksir mean dan variansi return indeks secara berturut-turut dapat ditulis
sebagai berikut
p q
i jt 0 k i jt k at a
l t l , at jt t (3)
k 1 l 1

Prosiding
m n
2 2 2
jt 0 k at k l jt l (4)
k 1 l 1
di mana t adalah urutan dari independent identically distributed (iid) variabel acak
dengan mean 0 dan variansi 1, 0 0 dengan i 0 untuk i 1, 2,..., p dan j 0 untuk
j 1, 2,..., q .
Persamaan (3) dan (4) merupakan persamaan mean dan volatilitas untuk return indeks.
Sehingga persamaan untuk meramalkan nilai mean dan variansi return indeks dalam
langkah ke depan adalah
p q
i jt 0 k i jt k at a
l t l (5)
k 1 l 1
dan
m n
2 2 2
jt 0 k at k l jt l (6)
k 1 l 1
2.3 Model Indeks Berganda

Model indeks berusaha menyederhanakan analisis portofolio serta prosedur analisis
untuk menentukan portofolio yang optimal. 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, Prasetyo & Tjiptono
:1996). Jika Rit merupakan return sekuritas i pada saat t dan I jt adalah return indeks ke- j
pada waktu t , maka return sekuritas i adalah
Rit i i1 I1t i 2 I 2t ... iL I Lt it ; i 1, 2,..., N (7)
Misalkan it E Rit dan Ijt E I jt , dengan mengambil ekspektasi dari
persamaan (7) dan berdasarkan sifat pembentukan persamaan bahwa E it 0 , maka dapat
diperoleh
L
it i ij Ijt
(8)
j 1
Dengan asumsi bahwa E I jt Ijt I kt Ikt 0 dan E it I jt Ijt 0 , maka variansi

(7) adalah
L
2
it
2
ij
2
Ijt
2
i
(9)
j 1
Sehingga standar deviasi untuk return saham individual adalah
L
it
2
ij
2
Ijt
2
i
(10)
j 1
Sementara berdasarkan pembentukan persamaan E I jt Ijt I kt Ikt 0 dan
E it I jt Ijt 0 serta asumsi bahwa E it jt 0 , maka kovariansi antara return

saham i dengan return saham j yaitu
L
ijt ik jk
2
Ikt
(11)
k

Prosiding
2.4 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,1997). Estimasi VaR untuk saham individual i
dengan koefisien kepercayaan (1 ) 100% adalah:
VaRi S0 z i i (12)
di mana S 0 adalah besar investasi awal, i adalah mean return saham i , i standar deviasi
dari return saham i , dan z persentil dari distribusi normal standar untuk tingkat konfidensi
.
Dengan demikian Value at Risk untuk saham individual berdasarkan model indeks berganda
dengan asumsi besar investasi sebesar Rp.1,00 adalah
L L
VaRi z1 2
ij
2
Ijt
2
i i ij Ijt
(13)
j 1 j 1
2.5 Investasi Portofolio

Portofolio adalah sekelompok bentuk investasi (Fabozzi, 1999). Asumsikan suatu
portofolio terdiri dari N asset, jika portofolio memiliki bobot wT w1 , w2 ,...wN , N w 1
i
i 1
maka tingkat return portofolio diberikan oleh persamaan (Panjer, 1998:373):

N
Rw wi Ri
i 1
(14)
Jika mean return saham individual adalah i , maka mean return portofolio ( w ) adalah
N N N
2
w wi i . Sedangkan variansi return portofolio ( w ) yaitu 2
w wi ij wj
i 1 i 1 j 1
di mana ij menunjukkan kovariansi antara return saham i dan return saham j untuk i j.
Value at Risk portofolio untuk tingkat signifikansi kerugian sebesar adalah
VaRw z1 w w.
2.6 Optimisasi Portofolio

Asumsikan bahwa vektor nilai ekspektasi adalah μT 1 , 2 ,..., N , dengan
i E Ri , i 1, 2,..., N , dan matriks kovarians adalah Σ ij , i, j 1, 2,..., N , dengan
ij Cov Ri , R j , i, j 1, 2,..., N . Dengan bobot return portofolio wT w1 ,..., wN di mana

N
wi 1 , maka eT w 1 di mana eT 1,1,...,1 adalah vektor identitas. Sehingga
i 1
berdasarkan asumsi di atas diperoleh:
w E Rw μT w (15)
Var Rw w Σw
2
w
T
(16)
Dengan demikian Value at Risk untuk portofolio dengan tingkat signifikansi kerugian sebesar
adalah

Prosiding
1
VaRw z1 wT Σw 2 μTw (17)
Suatu portofolio dengan bobot w * dikatakan (mean-VaR) efisien jika tidak ada
portofolio w dengan w w* dan VaRw VaRw* (Panjer, 1998:379). Untuk memperoleh
portofolio yang efisen, gunakan fungsi obyektif yaitu dengan memaksimumkan
{2 w VaRw} , 0
di mana menunjukkan toleransi risiko dari investor.
Sehingga dengan toleransi risiko 0 harus diselesaikan persoalan optimasi
1
max 2 μT w z wT Σw 2 μT w (18)
1
dengan pembatas eT w 1 .
Masalah di atas adalah masalah optimisasi dengan fungsi kendala persamaan. Sehingga untuk
mencari vektor bobot optimal dari masalah di atas perlu didefinisikan fungsi Lagrangean,
yaitu
1
L w, 2 1 μT w z1 wT Σw 2 eT w 1 (19)
Karena matriks kovariansi Σ merupakan semi-definite positif, fungsi objektif adalah
quadratic concave (Panjer, 1998:380). Lalu dengan menggunakan teorema Kuhn-Tucker,
syarat optimalitas adalah
L z1 Σw
(2 1)μ 1
e 0
w
wT Σw 2
L
eT w 1 0.
Untuk 0 , diperoleh suatu VaR portofolio minimum dengan vektor bobot w Min .
Berdasarkan perhitungan aljabar dengan mengambil nilai-nilai A eT Σ 1e ,
1
B T
μ Σ 1
e e Σ T 1
μ dan C μ ΣT 1
μ z12 , dapat diperoleh nilai B ( B 2 4 AC ) 2
2A
dengan vektor bobot sebagai berikut:
Σ 1μ Σ 1e (20)
w Min
T 1
e Σ μ eT Σ 1e
Sementara untuk 0 , diperoleh portofolio optimum dengan vektor bobot w * .
Berdasarkan perhitungan aljabar dan mengambil nilai-nilai A eT Σ 1e ,
B (2 1)(μT Σ 1e eT Σ 1μ) dan C (2 1) 2 (μT Σ 1μ) z12 , diperoleh nilai
1
B ( B 2 4 AC ) 2 , dan vektor bobotnya adalah
2A
(2 1) Σ 1μ Σ 1e (21)
w*
T 1
(2 1)e Σ μ eT Σ 1e
Apabila vektor w Min disubstitusikan ke dalam formula mean dan VaR portofolio, maka
dapat diperoleh return portofolio dengan Value at Risk minimum. Dengan cara yang serupa,
apabila vektor w * yang disubstitusikan maka akan diperoleh return portofolio optimum.
3. ANALISIS KASUS
Untuk aplikasi dari metode yang telah diberikan di atas, dianalisis return saham dari
empat perusahaan di Indonesia, yaitu Astra International Tbk, Bank Rakyat Indonesia Tbk,

Prosiding
Telekomunikasi Indonesia Tbk, dan Bank Mandiri Tbk. Sementara data indeks yang
dianalisis meliputi indeks industri dan indeks ekonomi. Untuk indeks industri data yang
digunakan adalah IHSG (Indeks Harga Saham Gabungan), sedangkan untuk indeks ekonomi
data yang digunakan adalah kurs nilai tukar Rupiah terhadap Euro, US Dollar, dan Yen. Data
harga saham dan data indeks yang digunakan adalah data dalam periode Januari 2005 s.d.
Desember 2009 yang diperoleh melalui akses internet.
Untuk menyelidiki nilai mean dan variansinya, data return indeks dianalisis
menggunakan model time series. Melalui observasi terhadap sejumlah model, akhirnya
berdasarkan uji diagnostik menggunakan Eviews 5 diperoleh hasil bahwa model yang cukup
baik adalah AR(1)-GARCH(1,1) untuk data IHSG, AR(1)-GARCH(1,2) untuk data kurs nilai
tukar Rupiah terhadap Euro, AR(1)-GARCH(2,1) untuk data kurs nilai tukar Rupiah terhadap
US Dollar, dan AR(1)-GARCH(2,1) untuk data kurs nilai tukar Rupiah terhadap Yen. Untuk
return IHSG diperoleh parameter model AR(1)-GARCH(1,1) yaitu:
rt 0.111341rt 1 at
2
t 0.00000866 0.137021at2 1 0.834528 2
t 1 t
Untuk return kurs nilai tukar Rupiah terhadap Euro, diperoleh parameter model AR(1)-
GARCH(1,2) yaitu:
rt 0.070772rt 1 at
2
t 0.000000853 0.140811at2 1 0.300641 2
t 1 0.563666 2
t 2 t
Untuk return kurs nilai tukar Rupiah terhadap US Dollar, diperoleh parameter model AR(1)-
GARCH(2,1) yaitu:
rt 0.078681rt 1 at
2
t 0.00000837 0.386912at2 1 0.478577at2 2 0.372516 2
t 1 t
Sementara untuk return kurs nilai tukar Rupiah terhadap Yen, juga diperoleh parameter
model AR(1)-GARCH(2,1) yaitu:
rt 0.094107 rt 1 at
2
t 0.000000467 0.280911at2 1 0.234836at2 2 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 Mean Variansi
IHSG 0,000677 0,000172
Kurs Rupiah terhadap Euro -0,0000608 0,0000238
Kurs Rupiah terhadap USD -0,000262 0,0000223
Kurs Rupiah terhadap Yen 0,000578 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. Hasilnya diberikan pada Tabel 2 berikut ini
Tabel 2 Model Regresi pada Data Return Keempat Saham
p-
Saham Model Regresi R2 F
value
RAt 0, 000091 1,34 I It 0,361I Et 0, 400 IUt 0, 0507 IYt At 50,7 304,
Astra 0,000
(0,887) (0, 000) (0, 000) (0, 002) (0, 601) % 8
RBt 0,000165 1, 28I It 0,0988I Et 0,033IUt 0,104 IYt Bt 49,8 294,
BRI 0,000
(0,797) (0,000) (0, 284) (0,796) (0, 282) % 6

Prosiding
Telko RLt 0, 000279 0,936 I It 0, 200 I Et 0,149 IUt 0, 0260 IYt Lt 45,8 250,
0,000
m (0,575) (0, 000) (0, 005) (0,135) (0, 729) % 9
Mandi RMt 0, 000352 1,38I It 0,180 I Et 0, 075IUt 0,101IYt Mt 54,9 361,
0,000
ri (0,564) (0, 000) (0, 040) (0,541) (0, 276) % 5
Adapun nilai yang berada di bawah penduga pada persamaan regresi linier berganda
merupakan nilai probabilitas tobservasi sebagai ukuran tingkat ketelitian untuk pengujian
hipotesis. Untuk menguji signifikansi model regresi dan parameternya, digunakan uji F dan
uji t.
Dari hasil forecasting 1 langkah ke depan untuk nilai mean return indeks, maka
selanjutnya dapat diperoleh mean return setiap saham dengan menggunakan formula it .
Hasilnya penaksirannya diberikan ke dalam bentuk vektor
μ T
0, 000825 0, 000864 0, 000634 0, 000947 . Berdasarkan hasil penaksiran variansi return
indeks dan koefisien beta, selanjutnya diestimasi nilai variansi return saham dan kovariansi
return antar saham dengan menggunakan formula it2 dan ijt . Hasilnya diberikan dalam
bentuk matriks kovariansi, dan invers dari matriks kovariansi adalah sebagai berikut:
Persoalan optimisasi dikembangkan berdasarkan (18) dengan menggunakan pengali

Lagrange dan teorema Kuhn-Tucker. Lalu disesuaikan dengan jumlah saham yang dianalisis,
definisikan eT 1 1 1 1 sebagai vektor identitas. Dengan menggunakan tingkat
signifikansi 5%, diperoleh hasil sebagai berikut:
 Untuk toleransi risiko 0 , menggunakan persamaan (20) diperoleh vektor bobot
portofolio yang menghasilkan VaR minimum, yaitu μT 0,1502 0,1794 0, 5160 0,1544 .
Komposisi portofolio ini memberikan expected return sebesar 0,000758 dengan tingkat
VaR sebesar 0,02932046.
portofolio μT 0,1511 0,1823 0,5050 0,1616 . Komposisi portofolio ini memberikan
expected return sebesar 0,000761 dengan tingkat VaR sebesar 0,02932118.
portofolio μ T
0,1521 0,1851 0, 4941 0,1687 . Komposisi portofolio ini memberikan
expected return sebesar 0,000764 dengan tingkat VaR sebesar 0,02933219.
Pada prinsipnya besar toleransi risiko masih dapat terus ditingkatkan, dengan syarat bobot
portofolio yang dihasilkan bernilai 0 wi 1 . Dalam kasus ini nilai maksimum toleransi risiko
adalah 39, 20 , di mana dihasilkan komposisi portofolio dengan expected return portofolio
tertinggi yaitu sebesar 0,0008969 dengan VaR sebesar 0,03525298. Setiap peningkatan nilai
toleransi risiko akan menyebabkan kenaikan nilai mean return portofolio yang juga disertai
dengan kenaikan Value at Risk portofolio.

Prosiding
Gambar 1 Efficient Frontier Portofolio

Setelah diperoleh portofolio-portofolio efisien, selanjutnya berdasarkan komposisi
terbesar, diperoleh portofolio optimal. Adapun komposisi portofolio yang memuat rasio
expected return dan VaR terbesar dapat dilihat dalam Tabel 3 berikut ini:
Tabel 3 Komposisi Portofolio Optimal
Bobot w VaRw w
VaRw
17,00 0,16688 0,22928 0,32422 0,27962 0,00080978 0,03020969 0,0268053
17,50 0,16740 0,23084 0,31822 0,28354 0,00081140 0,03026540 0,0268093
18,00 0,16793 0,23241 0,31217 0,28749 0,00081302 0,03032304 0,0268119
18,65 0,16862 0,23447 0,30426 0,29265 0,00081514 0,03040093 0,0268132*
19,00 0,16899 0,23559 0,29997 0,29545 0,00081630 0,03044428 0,0268128
19,50 0,16953 0,23719 0,29382 0,29946 0,00081795 0,03050793 0,0268111
20,00 0,17006 0,23880 0,28763 0,30351 0,00081961 0,03057365 0,0268078
Dengan demikian didapatkan hasil bahwa portofolio optimal ialah portofolio yang
memberikan expected return 0,0008151 dengan tingkat VaR sebesar 0,030401.
4. KESIMPULAN
Return keempat saham yang telah dianalisis memberikan respon terhadap perubahan
return indeks. Model time series untuk memodelkan mean dan volatilitas return indeks
adalah AR(1)-GARCH(1,1) untuk IHSG, model AR(1)-GARCH(1,2) untuk return kurs nilai
tukar Rupiah terhadap Euro, model AR(1)-GARCH(2,1) untuk return kurs nilai tukar Rupiah
terhadap US Dollar dan model AR(1)-GARCH(2,1) untuk return kurs nilai tukar Rupiah
terhadap Yen.
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. Berdasarkan komposisi
terbesar, diperoleh portofolio optimal yaitu portofolio yang memberikan expected return
senilai 0,0008151 dengan tingkat Value at Risk sebesar 0,030401.

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

Prosiding
(A.8)
BESARAN-BESARAN AKTUARIA DENGAN PENDEKATAN SIMULASI FUNGSI
KONTINGENSI KEHIDUPAN

Prosiding

Prosiding

Prosiding

Prosiding

Prosiding

Prosiding

Prosiding
II. MULTIVARIAT
(M.1)
SEDIMENTASI DAN DEBIT OPTIMAL DAS KONTO HULU
1
Sri Harini, 2Purhadi, 3Muhammad Mashuri, 4Sony Sunaryo
1
Mahasiswa S-3 Statistika FMIPA ITS, Surabaya
1
Jurusan Matematika, FSAINTEK, Universitas Islam Negeri Malang
2,3,4
Jurusan Statistika, Institut Teknologi Sepuluh Nopember
Jl. Arif Rahman Hakim 1 Surabaya 60111
e-mail : 1 sriharini21@yahoo.co.id, 2 purhadi@statistika.its.ac.id,

3
m_mashuri@statistika.its.ac.id, 4 sonny_s@statistika.its.ac.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. Faktor letak geografis
merupakan faktor pembobot yang sangat diperhatikan, dimana faktor ini memiliki nilai yang
berbeda untuk setiap wilayah dan menunjukkan sifat lokal dari model tersebut.
Pada penelitian ini penaksir parameter dari model linier spatial multivariat akan
diaplikasikan pada bidang hidrologi dengan variabel terikat (y) adalah laju erosi, sedimentasi
dan debit DAS konto hulu dan variabel bebas (x) adalah : luas DAS (x 1), panjang sungai (x2),
rerata kemiringan lahan (x3), 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,
efisien dan konsisten. Untuk mendapatkan model terbaik ini dilakukan dengan cara mencari
nilai bandwidth yang optimum dengan metode Cross Validation berdasarkan fungsi
pembobotan kernel gauss.
Kata Kunci : Gaussian Distance Function, bandwidth, Cross Validation , DAS, laju erosi,
sedimentasi, debit debit dan morfometri.

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

Prosiding
Christensen dan Amemiya (2002) mengkaji modeling dan penaksir dari data spatial
multivariat dengan menggunakan analisis faktor yang diaplikasikan pada bidang pertanian.
Dalam penelitian ini akan dicari penaksir parameter dari model linier spatial multivariat
yang diaplikasikan pada bidang hidrologi dengan variabel terikat (y) adalah laju erosi,
sedimentasi dan debit DAS konto hulu dan variabel bebas (x) adalah : luas DAS (x1), panjang
sungai (x2), rerata kemiringan lahan (x3), faktor panjang lereng (x4) dan curah hujan (x5)
dengan pembobot geografis fungsi kernel gauss (Gaussian Distance Function).
2. Model linier Spatial Multivariat

Model linier spatial multivariat merupakan pengembangan dari model linier spatial
univariat. 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.
T
Dalam model linier spatial multivariat variabel respon Y Y1 Y2 Yq dan variabel
prediktor X1, 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, 1991).
Model linier spatial multivariat untuk observasi (pengamatan) ke-j dapat ditulis sebagai
T
Y1 j , Y2 j , ..., Yqj , j 1, 2,..., n atau juga dapat dinyatakan dengan Yh Yh1 Yh 2 ... Yhn , maka
model linier untuk Yh pada lokasi ke ui , vi adalah : Yh X h ui , vi h (1)
dimana :
T T
h ui , vi 0h ui , vi 1h ui , vi 2h ui , vi ... ph ui , vi εh h1 , h2 , , hn
Secara umum model linier spatial multivariat dapat ditulis sebagai :
Y XB u, v Ε (2)
dengan parameter pada lokasi ui , vi adalah :
T
B ui , vi ( qx ( p 1)) xq
β1 ui , vi , β2 ui , vi , , βq ui , vi (3)

Prosiding
Jika pada model terdapat n lokasi sampel, maka penaksir ini merupakan penaksir setiap
baris dari matrik lokal parameter seluruh lokasi penelitian yang dinyatakan dengan :
ˆ (u , v ) ˆ (u , v ) ˆ (u , v ) ˆ (u , v )
01 i i 11 i i 21 i i p1 i i
ˆ (u , v ) ˆ (u , v ) ˆ (u , v ) ˆ (u , v ) (4)
Bˆ ui , vi 02 i i 12 i i 22 i i p2 i i
ˆ (u , v ) ˆ (u , v ) ˆ (u , v ) ˆ (u , v )
0q i i 1q i i 2q i i 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, v +Vec Ε (5)
mean dan matriks varian-covarian dari Vec Ε adalah :
E Vec Ε 0
11 12 1q
simetris 22 2q
Σ (6)
qq
Cov Vec Ε Σ In
Sehingga didapatkan distribusi dari Vec Ε adalah : Vec Ε ~ N p 0, Σ In
3. Penaksir Parameter dengan Pembobot Geografis Model linier Spatial Multivariat

Pada model linier spatial faktor letak geografis merupakan faktor pembobot yang
sangat diperhatikan. Faktor ini memiliki nilai yang berbeda untuk setiap wilayah dan
menunjukkan sifat lokal dari model. Pada penelitian ini jenis pembobot yang digunakan
adalah fungsi jarak Gauss (Gaussian Distance Function) yang dinyatakan dengan :
1 1
w j ( ui ,vi ) exp ( dij / h )2 (7)
2 2
dengan dij adalah jarak antara lokasi ui , vi ke lokasi (uj,vj) dan h adalah parameter
penghalus (bandwidth). Pemilihan bandwidth ini sangat penting karena bandwidth
merupakan pengontrol keseimbangan antara kesesuaian kurva terhadap data dan kemulusan

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

Prosiding
4. Pembahasan
Sungai Brantas adalah sungai utama yang airnya mengalir melewati sebagian kota-kota
besar di Jawa Timur seperti Batu, Malang, Blitar, Tulung Agung, Kota Kediri, Kabupaten
Kediri, Mojokerto, Sidoarjo dan Surabaya. Sungai Brantas mempunyai panjang ± 320 km 2,
dengan luas aliran sungainya ± 12.000 km2 (25% wilayah Jawa Timur), mata airnya berasal
dari bagian barat daya kaki Pegunungan Arjuno. Secara hidrologis wilayah DAS Brantas ini
dibagi menjadi 3 bagian, yaitu : DAS Brantas Bagian Hulu, DAS Brantas Bagian Tengah,
dan DAS Brantas Bagian Hilir. Anak sungai utama adalah Kali Lesti, Kali Ngrowo, Kali
Konto dan Kali Widas yang masing-masing mempunyai Daerah Aliran Sungai (DAS) seluas
625 Km2, 1600 Km2, 687 Km2, dan 1538 km2. Kondisi klimatologi didominasi oleh iklim
tropis dengan rata-rata hujan tahunan 2000 mm, diantaranya 80% jatuh pada musim hujan
(Asdak, C. 2002).
Sejak tahun 1990, 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. Hal ini disebabkan karena kapasitas
tampungannya terhadap material sedimen pada sungai telah berkurang sehingga material
sedimennya terus mengalir ke hilir sungai menuju Waduk Selorejo. 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.
Berdasarkan kenyataan di atas maka perlu dilakukan penelitian untuk menganalisa

secara tepat besarnya laju erosi, sedimentasi dan debit DAS konto hulu dengan menggunakan
analisis spasial dan bantuan software MATLAB 7.0 untuk mencari penaksir parameternya.
Pada penelitian ini diambil 62 lokasi penelitian seperti pada gambar di bawah ini :
Gambar 1. Peta lokasi penelitian

Prosiding
Dalam mencari penaksir parameter model linier spatial multivariat ini langkah pertama
adalah dengan memasukkan pembobot spasial dalam perhitungannya. Jika pembobot yang
digunakan adalah fungsi Gauss maka pemilihan bandwidth ini sangatlah penting, karena
bandwidth merupakan pengontrol keseimbangan antara kesesuaian kurva terhadap data dan
kemulusan data. Nilai bandwidth yang sangat kecil akan memberikan bentuk fungsi
penyelesaian yang sangat kasar (under smoothing) sehingga variannya cukup besar.
Sebaliknya nilai bandwidth yang besar memberikan bentuk fungsi penyelesaian yang sangat
mulus (over smoothing).
Dalam penelitian ini, pemilihan bandwith optimum diperoleh secara iterasi

menggunakan teknik optimalisasi dari program MATLAB 7.0. Dengan menggunakan data
hidrologi dan faktor-faktor yang mempengaruhinya, didapatkan nilai CV yang minimum
berada pada nilai bandwidth seperti pada tabel 1.
Tabel 1. Bandwidth
Y1 Y2 Y3
4.47212865939481 4.47212881246337 1.74898920400524
26 iterasi 13 iterasi 26 iterasi
dimana banyaknya iterasi yang diperlukan untuk memperoleh bandwidth optimum dalam
proses penaksiran parameter disetiap lokasi tidak sama.
Setelah nilai bandwidth didapatkan maka langkah selanjutnya adalahh mencari matrik
pembobot di semua lokasi penelitian. Sebagai contoh lokasi (u1,v1) pembobotnya adalah
W(u1,v1). Matrik pembobot ini nantinya digunakan untuk menaksir parameter di semua
lokasi. Secara matematis dapat dinyatakan dengan :
W(ui , vi ) diag[ w1 (ui , vi ), w2 (ui , vi ),..., wn (ui , vi )]
Misalkan Vec Bˆ u1 , v1 adalah penaksir parameter dilokasi (u1,v1), maka nilai penaksir
ini diperolah dengan menggunakan persamaan (10) dan matrik pembobot W(u1,v1), sebagai
berikut :
Vec Bˆ u1 , v1
1
Iq XT W(u1 , v1 )X I q XT W(u1 , v1 ) Vec Y
Penyelesaian persamaan ini dapat diselesaikan dengan menggunakan program Matlab 7.0
sehingga didapatkan nilai taksiran parameter disemua lokasi (ui,vi), i=1,2, ... , 62 (lampiran
B).

Prosiding
Untuk melihat model mana yang paling cocok diterapkan pada kasus data ini ada
beberapa cara. Salah satunya dengan melihat nilai koefisien determinasi model (R2) serta
Mean square error (MSE). Suatu model dikatakan lebih baik dari model lain jika nilai
koefisien derminasi yang dihasilkan cukup besar dan MSE kecil.
Tabel 1 : Perbandingan Kesesuaian Model
Model R sqr MSE
Model Global
Y1 0.356 738.14
Y2 0.317 49427
Y3 0.454 484.23
Model Spatial
Y1 0.9999999999999999965 1.9665e-026
Y2 0.9999999999999999773 4.0672e-025
Y3 0.9999999999999999972 8.0116e-027
Jika dibandingkan dengan model global maka model spatial merupakan model yang lebih
baik digunakan dalam kasus ini. Model ini mampu menjelaskan keragaman laju erosi sebesar
99%, sedimentasi sebesar 99% dan debit sebesar 99%. Sifat lokal parameter yang dihasilkan
dari model ini juga mampu menurunkan nilai MSE dari model global menjadi lokal.
Berdasarkan uji kesesuaian model ternyata terdapat ada pengaruh spasial yang signifikan dari
pada model global. 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
-50
0 10 20 30 40 50 60 70
Gambar 1. Plot model global dan lokal laju erosi

Prosiding
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. Hal ini berbeda jauh dengan plot laju erosi dari model lokal dimana pengaruh
variabel morfometri DAS disetiap lokasi mampu menjelaskan dengan baik pengaruhnya
terhadap model sesungguhnya.
Global: Sedimen
450
model
data
400
350
300
250
200
150
100
0 10 20 30 40 50 60 70
Gambar 2. 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. Hal ini berbeda jauh dengan plot sedimentasi dari model lokal dimana
pengaruh morfometri DAS setiap 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 debit

Prosiding
Hasil plot debit pada model global terlihat bahwa pengaruh variabel morfometri DAS tidak
bisa menjelaskan dengan baik estimasi parameternya terhadap model debit sesunguhnya. 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.
5. Kesimpulan
Dari hasil pembahasan diatas dapat diperoleh kesimpulan bahwa :
1. model linier spatial multivariat dapat digunakan untuk mengatasi data spasial yang
tidak stasioner dalam parameter. Parameter yang dihasilkan bersifat lokal disetiap titik
atau lokasi dimana data tersebut diamati.
2. Faktor-faktor morfometri DAS Konto Hulu secara spatial masing-masing mempunyai
pengaruh yang signifikan terhadap terjadinya erosi, sedimentasi dan peningkatkan debit
DAS pada setiap lokasi penelitian. Dibanding model global, ternyata model spatial
merupakan model yang terbaik. Model ini mampu menerangkan keragaman variabel
respon sebesar 99%.
6. 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, 4 Juni 2010.
7. Daftar Pustaka
Anselin, L. 2003. An Introduction to Spatial Regression Analysis in R.

http://www.sal.uiuc.edu/stuff/stuff-sum/pdf/spdepintro.pdf. Tanggal akses 6 Januari
2007.
Asdak, C. 2002. Hidrologi dan Pengelolaan Daerah Aliran Sungai. Gajah Mada University
Press, Yogyakarta.
Atkinson, P.M., German, S.E., Sear, D.A. dan M.J. Clark. 2003. Exploring the Rela-tions
Between Riverbank Erosion and Geomorphological Controls Using Geo-graphically
Weighted Logistic Regres-sion. Geographical Analysis, Vol. 35, No. 1. The Ohio State
University.

Prosiding
Brown, P.J., Nhu D. Le dan Zidek, J.V. 1994. Multivariate Spatial Interpolation and
Exposure to Air Pollutants. The Cana-dian Journal of Statistics. vol. 22, no. 4, pp. 489-
509
Christensen, R. 1991. Linier Model For Multivariate, Time Series and Spatial Data,
Springer-Verlag, New York.
_______ dan Amemiya, Y. 2002. Modelling and Prediction for Multivariate Spatial Factor
Analysis. Journal of Statistical planning and inference. No.115, pp. 543-564.
Cressie, N.A.C. 1991. Statistics for Spatial Data. Revised ed. John Wiley and Sons, New
York.
Haas, C.T. 1996. Multivariate Spatial Predic-tion in the Presence of Non-Linier trend and
Covariance Non-Stationerity.
Journal Environmetrics, Vol. 7, pp. 145-165.
LeSage, J.P. 1999. The Theory and Practice of Spatial Econometrics. Departemen of
Economics, University of Toledo.
_____, 2004. Lecture 1: Maximum Likelihood Estimation of Spatial Regression Models.

http://www4.fe.uc.pt/spatial/doc/lecture1.pdf. Tanggal akses 6 Januari 2007.
Leung, Y. 2000. Statistical Tests for Spatial Non-Stationarity Based on the Geogra-phically
Weighted Regression Model, Journal, The Chinese University of Hong Kong, Hong
Kong.
Royle, J.A dan Berliner, L.M. 1999. A Hierarchical Approach to Multivariate Spatial
Modeling and prediction. Journal of Agricultural, Biological, and Enviro-mental
Statistics, vol. 4, no.1, pp. 29-56.
Zhang, L. dan Gove, J.H. (2005). Spatial Assessment of Model Errors from Four Regression
Techniques. Forest Science, Vol. 51, No. 4, hal. 334-346.

Prosiding
Lampiran A. Data Penelitian
sub x1 x2 x3 x4 x5 y1 y2 y3
Panjang Rerata Faktor Curah Laju

Luas Sungai Kemiringan Panjang Hujan Erosi Sedimen Debit
DAS
(Ha) (m) Lahan (%) Lereng (mm/jam) (ton/jam) (mm) (m3/dt)
1 168.25 3107.2939 40.6813 3.1708 181.529 4.386 395.385 0.962
2 485 4637.903 44.1039 3.3076 232.294 2.927 400.172 2.1485
3 205 4071.5129 37.9025 2.9047 91.351 0.816 222.329 0.9291
4 704.25 6939.1494 51.5747 4.0541 209.992 0.618 220.845 2.7894
5 658.5 4924.3816 31.8073 2.3698 214.847 3.235 406.571 3.0185
6 328.25 5169.9486 46.1386 3.7271 178.684 1.087 222.589 1.4939
7 1531 10348.2725 46.1672 3.7338 176.921 0.566 222.571 6.3887
8 466 4557.5626 18.1571 1.6386 51.761 29.476 139.46 10.405
9 355.75 6159.8142 34.3186 2.6993 60.471 1.075 226.051 2.0291
10 676 5575.2165 19.9562 1.465 44.856 43.073 140.77 2.5694
11 1070.75 7734.7962 32.811 2.575 83.514 0.957 227.943 4.7287
12 273 3429.691 10.9939 1.1746 43.1 15.229 110.374 10.5849
13 812.75 7628.7341 38.3359 2.869 180.064 2.109 222.895 5
14 471.25 6595.4525 43.9203 3.2634 218.93 2.904 222.459 2.8364
15 680.25 4853.1759 20.8547 1.4306 114.404 185.229 293.908 6.1168
16 20.5 1106.9889 9.512 1.2619 80.845 33.634 247.6 7.6995
17 64.5 1711.3808 15.6182 2.126 50.525 29.172 127.701 27.3103
18 774.75 10506.2221 22.9232 1.9231 61.297 50.416 150.484 7.6251
19 14.25 638.8632 29.6027 5.0656 54.803 0.815 223.053 33.7077
20 485 5704.2264 19.248 1.6326 41.954 40.257 140.398 3.5421
21 287 4669.0686 33.2787 2.8622 74.147 1.555 233.163 1.2367

Prosiding
22 10.25 688.3082 26.5609 4.0448 49.377 1.328 231.242 35.5906
23 180.5 3030.6603 30.5094 2.7859 42.62 1.298 232.164 39.0475
24 119.75 2673.1005 29.3053 2.4519 35.52 1.571 233.091 6.1175
25 446.5 3465.1427 20.1681 1.357 81.98 106.05 172.358 15.4824
26 615 5760.1973 32.1786 2.3904 150.951 4.351 223.545 4.2797
27 400.25 4112.7696 34.6197 3.0401 57.549 1.83 229.18 43.5453
28 645.75 7898.3095 45.0274 4.0457 145.655 2.415 230.619 4.4394
29 211.75 3124.1768 41.8951 3.4238 89.131 2.039 226.666 46.7418
30 599.5 7818.8868 38.7269 3.6527 123.968 1.818 225.811 4.4922
31 240.25 4913.2545 37.5685 3.1093 85.601 1.873 227.532 0.996
32 450.5 7195.522 54.8481 5.1082 179.566 2.402 225.736 1.5845
33 183.25 3110.4695 53.0018 3.889 265.349 0 225.852 0.7114
34 410.5 4805.4777 37.2117 3.3917 125.866 1.16 227.353 49.1525
35 115.75 2233.7186 45.8677 4.679 265.407 0.402 223.185 52.4802
36 432.5 3986.6458 11.3526 0.7031 114.902 42.46 141.723 22.4009
37 474.5 7670.2346 42.9493 3.7394 175.611 1.073 228.87 2.7942
38 436.75 4954.7243 8.3214 0.606 98.435 29.081 155.35 85.3871
39 17.5 659.9363 16.2623 6.3542 219.21 20.858 102.114 109.5776
40 101.25 2086.1741 34.2758 3.5661 183.734 0.481 244.933 57.5376
41 330 6947.8607 48.8649 4.1364 236.742 0.244 232.671 3.6321
42 334.75 3578.9955 33.7807 2.9076 123.85 4.312 226.241 55.7698
43 582.5 7180.4523 30.5248 2.2807 123.938 0.835 248.661 4.9675
44 271.75 4587.6059 14.0911 0.8641 54.127 44.289 232.417 24.9168
45 97.25 1847.6616 17.3499 1.539 97.842 81.19 222.761 60.0149
46 134.75 3904.4787 12.5633 0.8581 41.668 24.556 232.258 4.9676
47 151.5 2474.1751 9.5303 0.7029 73.87 32.065 234.695 20.9474

Prosiding
48 242.75 4546.0522 24.4038 1.8034 78.234 62.172 230.99 2.5981
49 260 4570.0099 21.6173 1.6115 63.282 45.267 233.897 3.1258
50 776.5 6326.9919 43.7375 3.8041 264.157 0 225.128 2.7047
51 236 4773.5696 27.6561 2.2082 264.18 0 225.148 0.8227
52 768.75 7844.2006 25.8272 1.6894 129.367 1.415 227.435 4.2725
53 100.25 3004.1812 13.1512 1.0353 66.101 47.323 224.82 11.4093
54 5 342.6391 11.9004 0.2758 68.05 29.964 205.091 8.2289
55 301.75 7234.2054 37.7266 3.0612 186.458 0.352 240.681 1.5968
56 265.5 6047.5786 27.4165 1.7513 121.235 1.489 230.116 1.418
57 1052.5 7174.8092 22.9065 1.6851 123.803 39.615 208.619 6.2916
58 410.5 5117.6409 50.9164 4.6919 231.792 1.537 228.789 1.8451
59 413 4337.7233 50.8246 4.5124 261.594 0.605 225.807 1.5274
60 80 2213.9023 19.8584 1.8013 74.243 44.191 126.368 8.2321
61 13 392.6764 19.5423 3.3042 33.043 19.898 141.944 27.0624
62 278.25 4699.4555 18.8713 1.1894 55.238 64.923 235.614 11.7142

Prosiding
Lampiran B. Penaksir parameter Beta Global dan Lokal
Tabel B1. Penaksir Parameter beta Global

laju erosi (Y1) Sedimentasi (Y2) Debit (Y3)
64.06328 192.0918 30.84308
0.02922 0.018059 0.010294
-0.00295 -0.00859 -0.00298
-0.90396 3.87947 -1.49542
-6.56308 -28.2193 13.4358
0.023852 0.155162 0.035811
Tabel B2. Penaksir Parameter beta Spatial dari Laju Erosi (Y1)
0 1 2 3 4 5
4.51E-07 7.59E-05 0.001402 1.84E-05 1.43E-06 8.19E-05

1.34E-07 6.51E-05 0.000623 5.92E-06 4.44E-07 3.12E-05
4.91E-08 1.01E-05 0.0002 1.86E-06 1.43E-07 4.48E-06
1.27E-08 8.94E-06 8.81E-05 6.55E-07 5.15E-08 2.67E-06
1.31E-07 8.61E-05 0.000644 4.16E-06 3.1E-07 2.81E-05
4.05E-08 1.33E-05 0.000209 1.87E-06 1.51E-07 7.23E-06
5.17E-09 7.92E-06 5.35E-05 2.39E-07 1.93E-08 9.15E-07
1.4E-06 0.000654 0.0064 2.55E-05 2.3E-06 7.27E-05
2.82E-08 1E-05 0.000174 9.69E-07 7.62E-08 1.71E-06
1.37E-06 0.000923 0.007613 2.73E-05 2E-06 6.13E-05
1.57E-08 1.68E-05 0.000121 5.15E-07 4.04E-08 1.31E-06
1.29E-06 0.000351 0.004412 1.41E-05 1.51E-06 5.54E-05
3.58E-08 2.91E-05 0.000273 1.37E-06 1.03E-07 6.45E-06
6.63E-08 3.13E-05 0.000438 2.91E-06 2.17E-07 1.45E-05
7.71E-06 0.005244 0.03741 0.000161 1.1E-05 0.000882
2.73E-05 0.000559 0.03021 0.00026 3.44E-05 0.002206
9.94E-06 0.000641 0.017005 0.000155 2.11E-05 0.000502
4.54E-07 0.000352 0.004773 1.04E-05 8.74E-07 2.78E-05
1.98E-06 2.82E-05 0.001263 5.85E-05 1E-05 0.000108
1.23E-06 0.000596 0.007006 2.36E-05 2.01E-06 5.15E-05
7.1E-08 2.04E-05 0.000332 2.36E-06 2.03E-07 5.27E-06
2.78E-06 2.85E-05 0.001916 7.39E-05 1.13E-05 0.000137
1.41E-07 2.54E-05 0.000427 4.3E-06 3.92E-07 6E-06
2.19E-07 2.63E-05 0.000586 6.43E-06 5.38E-07 7.79E-06
8.68E-06 0.003877 0.030087 0.000175 1.18E-05 0.000712
1.3E-07 7.97E-05 0.000746 4.17E-06 3.1E-07 1.96E-05
1.07E-07 4.29E-05 0.000441 3.71E-06 3.26E-07 6.17E-06

Prosiding
3.84E-08 2.48E-05 0.000304 1.73E-06 1.56E-07 5.6E-06

2.08E-07 4.4E-05 0.000649 8.7E-06 7.11E-07 1.85E-05
2.96E-08 1.77E-05 0.000231 1.14E-06 1.08E-07 3.66E-06
7.74E-08 1.86E-05 0.00038 2.91E-06 2.41E-07 6.62E-06
4.62E-08 2.08E-05 0.000332 2.53E-06 2.36E-07 8.29E-06
0 0 0 0 0 0
4.98E-08 2.05E-05 0.000239 1.85E-06 1.69E-07 6.27E-06
7.92E-08 9.17E-06 0.000177 3.63E-06 3.71E-07 2.1E-05
2.64E-06 0.001141 0.010518 3E-05 1.85E-06 0.000303
1.82E-08 8.62E-06 0.000139 7.8E-07 6.79E-08 3.19E-06
1.17E-06 0.000513 0.005822 9.78E-06 7.12E-07 0.000116
4.31E-05 0.000754 0.028429 0.000701 0.000274 0.009443
1.09E-07 1.11E-05 0.000228 3.75E-06 3.9E-07 2.01E-05
5.04E-09 1.66E-06 3.5E-05 2.46E-07 2.08E-08 1.19E-06
3.33E-07 0.000112 0.001193 1.13E-05 9.69E-07 4.13E-05
1.61E-08 9.37E-06 0.000115 4.91E-07 3.67E-08 1.99E-06
2.1E-06 0.00057 0.009619 2.95E-05 1.81E-06 0.000113
2.36E-05 0.0023 0.043695 0.00041 3.64E-05 0.002314
1.61E-06 0.000217 0.006281 2.02E-05 1.38E-06 6.7E-05
5.21E-06 0.00079 0.0129 4.97E-05 3.66E-06 0.000385
3E-06 0.000728 0.013633 7.32E-05 5.41E-06 0.000235
2.16E-06 0.000562 0.009871 4.67E-05 3.48E-06 0.000137
0 0 0 0 0 0
0 0 0 0 0 0
2.28E-08 1.75E-05 0.000179 5.88E-07 3.85E-08 2.95E-06
5.24E-06 0.000525 0.015727 6.88E-05 5.42E-06 0.000346
0.000245 0.001226 0.084017 0.002918 6.76E-05 0.016686
6.71E-09 2.02E-06 4.85E-05 2.53E-07 2.05E-08 1.25E-06
4.06E-08 1.08E-05 0.000246 1.11E-06 7.11E-08 4.92E-06
7.53E-07 0.000793 0.005403 1.73E-05 1.27E-06 9.32E-05
5.82E-08 2.39E-05 0.000298 2.96E-06 2.73E-07 1.35E-05
3.17E-08 1.31E-05 0.000138 1.61E-06 1.43E-07 8.3E-06
8.99E-06 0.000719 0.019911 0.000179 1.62E-05 0.000668
0.000128 0.00166 0.050135 0.002495 0.000422 0.004219
2.93E-06 0.000815 0.013765 5.53E-05 3.48E-06 0.000162

Prosiding
Tabel B3. Penaksir Parameter beta Spatial dari Sedimentasi (Y2)
0 1 2 3 4 5
4.07E-05 0.006845 0.12642 0.001655 0.000129 0.007386

1.84E-05 0.008902 0.085131 0.00081 6.07E-05 0.004264
1.34E-05 0.002741 0.054436 0.000507 3.88E-05 0.001221
4.54E-06 0.003194 0.031471 0.000234 1.84E-05 0.000952
1.64E-05 0.010826 0.080958 0.000523 3.9E-05 0.003532
8.28E-06 0.002719 0.042827 0.000382 3.09E-05 0.00148
2.03E-06 0.003113 0.021041 9.39E-05 7.59E-06 0.00036
6.64E-06 0.003096 0.030279 0.000121 1.09E-05 0.000344
5.94E-06 0.002112 0.036571 0.000204 1.6E-05 0.000359
4.46E-06 0.003017 0.024882 8.91E-05 6.54E-06 0.0002
3.74E-06 0.004002 0.028912 0.000123 9.63E-06 0.000312
9.32E-06 0.002545 0.031974 0.000102 1.1E-05 0.000402
3.78E-06 0.003076 0.028873 0.000145 1.09E-05 0.000682
5.08E-06 0.002395 0.03352 0.000223 1.66E-05 0.001113
1.22E-05 0.00832 0.05936 0.000255 1.75E-05 0.001399
0.000201 0.004118 0.222391 0.001911 0.000254 0.016242
4.35E-05 0.002806 0.074442 0.000679 9.25E-05 0.002198
1.36E-06 0.00105 0.014245 3.11E-05 2.61E-06 8.31E-05
0.000541 0.00771 0.34566 0.016017 0.002741 0.029651
4.28E-06 0.002078 0.024435 8.25E-05 6.99E-06 0.00018
1.07E-05 0.003057 0.049735 0.000354 3.05E-05 0.00079
0.000485 0.004969 0.333657 0.012875 0.001961 0.023935
2.52E-05 0.004545 0.076312 0.000768 7.01E-05 0.001073
3.25E-05 0.003897 0.086998 0.000954 7.98E-05 0.001156
1.41E-05 0.006301 0.0489 0.000285 1.91E-05 0.001157
6.66E-06 0.004094 0.038344 0.000214 1.59E-05 0.001005
1.34E-05 0.005371 0.055187 0.000465 4.08E-05 0.000772
3.67E-06 0.00237 0.028994 0.000165 1.49E-05 0.000535
2.31E-05 0.00489 0.072149 0.000968 7.91E-05 0.002058
3.67E-06 0.002201 0.028704 0.000142 1.34E-05 0.000455
9.4E-06 0.002258 0.046183 0.000353 2.92E-05 0.000805
4.34E-06 0.001955 0.031228 0.000238 2.22E-05 0.000779
2.31E-05 0.004231 0.071817 0.001224 8.98E-05 0.006127
9.77E-06 0.004009 0.046934 0.000363 3.31E-05 0.001229
4.4E-05 0.00509 0.098224 0.002017 0.000206 0.011671
8.81E-06 0.003809 0.035107 1E-04 6.19E-06 0.001012
3.87E-06 0.001838 0.029709 0.000166 1.45E-05 0.00068
6.28E-06 0.002741 0.0311 5.22E-05 3.8E-06 0.000618

Prosiding
0.000211 0.003691 0.139181 0.00343 0.00134 0.046231

5.57E-05 0.00564 0.116201 0.001909 0.000199 0.010234
4.8E-06 0.001585 0.033372 0.000235 1.99E-05 0.001137
1.75E-05 0.005854 0.062585 0.000591 5.08E-05 0.002166
4.79E-06 0.00279 0.034393 0.000146 1.09E-05 0.000594
1.1E-05 0.00299 0.050477 0.000155 9.51E-06 0.000596
6.49E-05 0.00631 0.119885 0.001126 9.99E-05 0.006348
1.52E-05 0.00205 0.059407 0.000191 1.31E-05 0.000634
3.82E-05 0.005781 0.094418 0.000364 2.68E-05 0.002819
1.11E-05 0.002705 0.05065 0.000272 2.01E-05 0.000872
1.12E-05 0.002902 0.051005 0.000241 1.8E-05 0.000706
5.53E-06 0.004295 0.034992 0.000242 2.1E-05 0.001461
9.83E-06 0.002319 0.046906 0.000272 2.17E-05 0.002596
3.66E-06 0.002814 0.02871 9.45E-05 6.18E-06 0.000473
2.49E-05 0.002493 0.074715 0.000327 2.57E-05 0.001644
0.001678 0.008392 0.575059 0.019973 0.000463 0.11421
4.59E-06 0.001384 0.033189 0.000173 1.4E-05 0.000855
6.28E-06 0.001667 0.037962 0.000172 1.1E-05 0.000761
3.97E-06 0.004174 0.028455 9.08E-05 6.68E-06 0.000491
8.66E-06 0.003555 0.044325 0.000441 4.06E-05 0.002008
1.18E-05 0.004894 0.051397 0.000602 5.35E-05 0.0031
2.57E-05 0.002057 0.056936 0.000511 4.63E-05 0.001909
0.000911 0.01184 0.35764 0.017799 0.003009 0.030095
1.06E-05 0.002958 0.049954 0.000201 1.26E-05 0.000587

Prosiding
Tabel B4. Penaksir Parameter beta Spatial dari Debit (Y3)
0 1 2 3 4 5
9.9E-08 1.67E-05 0.000308 4.03E-06 3.14E-07 1.8E-05

9.85E-08 4.78E-05 0.000457 4.35E-06 3.26E-07 2.29E-05
5.59E-08 1.15E-05 0.000227 2.12E-06 1.62E-07 5.1E-06
5.73E-08 4.03E-05 0.000397 2.95E-06 2.32E-07 1.2E-05
1.22E-07 8.04E-05 0.000601 3.88E-06 2.89E-07 2.62E-05
5.56E-08 1.82E-05 0.000287 2.57E-06 2.07E-07 9.93E-06
5.84E-08 8.94E-05 0.000604 2.69E-06 2.18E-07 1.03E-05
4.96E-07 0.000231 0.002259 9E-06 8.12E-07 2.57E-05
5.33E-08 1.9E-05 0.000328 1.83E-06 1.44E-07 3.22E-06
8.15E-08 5.51E-05 0.000454 1.63E-06 1.19E-07 3.65E-06
7.75E-08 8.3E-05 0.0006 2.54E-06 2E-07 6.48E-06
8.94E-07 0.000244 0.003066 9.83E-06 1.05E-06 3.85E-05
8.49E-08 6.9E-05 0.000648 3.25E-06 2.44E-07 1.53E-05
6.48E-08 3.05E-05 0.000427 2.85E-06 2.11E-07 1.42E-05
2.55E-07 0.000173 0.001235 5.31E-06 3.64E-07 2.91E-05
6.25E-06 0.000128 0.006916 5.94E-05 7.88E-06 0.000505
9.3E-06 0.0006 0.01592 0.000145 1.98E-05 0.00047
6.87E-08 5.32E-05 0.000722 1.57E-06 1.32E-07 4.21E-06
8.18E-05 0.001165 0.052236 0.00242 0.000414 0.004481
1.08E-07 5.24E-05 0.000616 2.08E-06 1.76E-07 4.53E-06
5.65E-08 1.62E-05 0.000264 1.88E-06 1.62E-07 4.19E-06
7.46E-05 0.000765 0.051353 0.001982 0.000302 0.003684
4.23E-06 0.000764 0.012835 0.000129 1.18E-05 0.00018
8.54E-07 0.000102 0.002283 2.5E-05 2.09E-06 3.03E-05
1.27E-06 0.000566 0.004393 2.56E-05 1.72E-06 0.000104
1.27E-07 7.84E-05 0.000734 4.1E-06 3.05E-07 1.92E-05
2.55E-06 0.00102 0.010486 8.83E-05 7.75E-06 0.000147
7.07E-08 4.56E-05 0.000558 3.18E-06 2.86E-07 1.03E-05
4.76E-06 0.001008 0.014878 0.0002 1.63E-05 0.000424
7.3E-08 4.38E-05 0.000571 2.83E-06 2.67E-07 9.05E-06
4.11E-08 9.89E-06 0.000202 1.55E-06 1.28E-07 3.52E-06
3.05E-08 1.37E-05 0.000219 1.67E-06 1.56E-07 5.47E-06
7.27E-08 1.33E-05 0.000226 3.85E-06 2.83E-07 1.93E-05
2.11E-06 0.000867 0.010147 7.86E-05 7.16E-06 0.000266
1.03E-05 0.001197 0.023097 0.000474 4.84E-05 0.002744
1.39E-06 0.000602 0.005549 1.58E-05 9.79E-07 0.00016
4.73E-08 2.24E-05 0.000363 2.03E-06 1.77E-07 8.3E-06
3.45E-06 0.001507 0.017094 2.87E-05 2.09E-06 0.00034

Prosiding
0.000226 0.003961 0.149354 0.00368 0.001438 0.049611

1.31E-05 0.001325 0.027297 0.000448 4.67E-05 0.002404
7.5E-08 2.47E-05 0.000521 3.66E-06 3.1E-07 1.78E-05
4.31E-06 0.001443 0.015428 0.000146 1.25E-05 0.000534
9.57E-08 5.57E-05 0.000687 2.92E-06 2.18E-07 1.19E-05
1.18E-06 0.000321 0.005412 1.66E-05 1.02E-06 6.38E-05
1.75E-05 0.0017 0.032299 0.000303 2.69E-05 0.00171
3.25E-07 4.39E-05 0.001271 4.09E-06 2.79E-07 1.36E-05
3.41E-06 0.000516 0.008427 3.25E-05 2.39E-06 0.000252
1.25E-07 3.04E-05 0.00057 3.06E-06 2.26E-07 9.8E-06
1.49E-07 3.88E-05 0.000682 3.22E-06 2.4E-07 9.44E-06
6.64E-08 5.16E-05 0.00042 2.91E-06 2.53E-07 1.76E-05
3.59E-08 8.47E-06 0.000171 9.93E-07 7.93E-08 9.49E-06
6.88E-08 5.29E-05 0.000539 1.78E-06 1.16E-07 8.89E-06
1.26E-06 0.000127 0.003792 1.66E-05 1.31E-06 8.34E-05
6.73E-05 0.000337 0.023073 0.000801 1.86E-05 0.004582
3.04E-08 9.18E-06 0.00022 1.15E-06 9.32E-08 5.68E-06
3.87E-08 1.03E-05 0.000234 1.06E-06 6.77E-08 4.69E-06
1.2E-07 0.000126 0.000858 2.74E-06 2.02E-07 1.48E-05
6.99E-08 2.87E-05 0.000357 3.56E-06 3.28E-07 1.62E-05
8.01E-08 3.31E-05 0.000348 4.07E-06 3.62E-07 2.1E-05
1.68E-06 0.000134 0.003709 3.33E-05 3.02E-06 0.000124
0.000174 0.002257 0.068186 0.003393 0.000574 0.005738
5.28E-07 0.000147 0.002484 9.97E-06 6.29E-07 2.92E-05

Prosiding
(M.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, Dian Cahyawati

(Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Sriwijaya)
dian_cahyawati@yahoo.com
ABSTRAK
Masalah putus sekolah pendidikan dasar masih menjadi masalah yang perlu diperhatikan,
terutama pada masyarakat miskin. Demikian juga di Wilayah Kabupaten Ogan Ilir yang
masih memiliki jumlah penduduk miskin relatif cukup besar. Wilayah ini terdiri dari 16
Kecamatan dengan beberapa diantaranya adalah hasil pemekaran. Karakteristik wilayah antar
kecamatan hasil pemekaran yang saling berbeda, merupakan faktor yang dapat menyebabkan
karakteristik putus sekolah pendidikan dasar antar kecamatan berbeda-beda, sehingga perlu
dianalisis untuk mendapatkan pemetaan masalah putus sekolah antar kecamatan terhadap
faktor-faktor yang berkaitan dengan karakteristik putus sekolah pendidikan dasar. Pemetaan
ini diperoleh dengan menggunkan Analisis Biplot. Objek yang diamati dalam penelitian ini
adalah seluruh kecamatan yang berada di Kabupaten Ogan Ilir, sedangkan yang menjadi
karakteristik peubahnya adalah Angka Putus Sekolah, Angka Partisipasi Murni, Persentase
Anak yang Bekerja, Tingkat Motivasi Anak, Tingkat Motivasi Orang Tua, Persentase Tingkat
Pendidikan Kepala Keluarga yang Tidak Tamat SD, dan Jumlah Anak. Hasil Analisis Biplot
diperlihatkan bahwa Kecamatan Payaraman dan Kandis mempunyai kemiripan dalam hal
karakteristik Jumlah Anak, Persentase Pendidikan Kepala Keluarga yang Tidak Tamat SD
dan Angka Putus Sekolah yang relatif tinggi, serta Angka Partisipasi Murni yang relatif
rendah. Peubah Angka Putus Sekolah mempunyai korelasi yang kuat dengan peubah Angka
Partisipasi Murni, Persentase Anak yang Bekerja, Persentase Pendidikan Kepala Keluarga
yang Tidak Tamat SD, dan Jumlah Anak. Kecamatan Muara Kuang mempunyai karakteristik
Angka Putus Sekolah yang sangat tinggi dan Angka Partisipasi Murni yang sangat rendah.
Berdasarkan hasil ini, 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.
Kata kunci: Angka Putus Sekolah Pendidikan Dasar, Masalah Kemiskinan, Metode Biplot.

Prosiding
A. PENDAHULUAN
Kabupaten Ogan Ilir (OI) mempunyai 16 kecamatan dengan beberapa diantaranya

adalah hasil pemekaran. Sebagai kecamatan-kecamatan yang baru, hasil pemekaran, masing-
masing wilayah ini masih memiliki tantangan dalam pembangunannya, salah satunya yaitu
masih terbatasnya akses atas sarana dan prasarana termasuk pada bidang pendidikan.
Selain terbatasnya sarana dan prasarana pendidikan, untuk masing-masing kecamatan

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

Prosiding
sekolah untuk masing-masing kecamatan, khususnya pada masyarakat miskin di wilayah

Kabupaten Ogan Ilir.
B. TINJAUAN PUSTAKA
B.1. Nilai Eigen dan Vektor Eigen
Definisi:
Jika A adalah sebuah matriks yang berukuran nxn, maka sebuah vektor taknol x pada
n
R disebut vektor eigen dari A, jika Ax adalah kelipatan skalar dari x, yakni:
Ax = λx
untuk skalar sembarang λ. Skalar λ disebut nilai eigen dari A dan x disebut vektor eigen dari
A yang terkait dengan λ. Persamaan Ax = λx dapat ditulis sebagai (A-λI)x=0.
(Anton dan Rorres, 2002)
B.2. Penguraian Nilai Singular (PNS)
Penguraian nilai singular (PNS) menunjukan matriks berukuran nxp dengan n p

menghasilkan tiga perkalian matriks, yaitu:
'
n Xp n Ur Lr A p (B.1)
Dimana X adalah matriks berukuran nxp dengan jumlah kolom r. U=
1 1 1
xa1 , x a 2 ,..., xa r adalah matriks berukuran nxr, merupakan himpunan vektor
1 2 r
eigen dari X ' X atau XX ' .
L adalah matriks diagonal berukuran rxr dengan unsur-unsur diagonalnya adalah akar kuadrat
dari nilai eigen matriks X ' X atau XX ' dengan 1 1 … r >0. Unsur-unsur
diagonal matriks L ini disebut nilai singular matriks X.

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

Prosiding
berkaitan dengan karakteristik Putus Sekolah Pendidikan Dasar dan Kondisi Sosial Ekonomi
Keluarga.
Teknik pengambilan sampel yang digunakan adalah teknik pengambilan sampel acak
klaster (cluster random sampling). Dimana terdapat 16 kecamatan di Kabupaten OI, dari
setiap kecamatan diambil dua desa secara acak sehingga diperoleh 32 desa, dari setiap desa
diambil dua Rukun Tangga (RT) secara acak sehingga diperoleh 64 RT sebagai wilayah
penelitian. Artinya, seluruh kepala keluarga yang memiliki anak usia sekolah pendidikan
dasar (7-15 tahun) dan merupakan keluarga miskin yang ada di 64 RT tersebut merupakan
responden.
Karakteristik putus sekolah yang diamati dalam penelitian ini adalah:
1) Angka Putus Sekolah Pendidikan Dasar

2) Angka Partisipasi Murni Pendidikan Dasar
3) Persentase Anak Usia Pendidikan Dasar yang Bekerja
4) Rata-Rata Motivasi Anak Terhadap Sekolah
5) Rata-Rata Motivasi Orang Tua Terhadap Sekolah
6) Persentase Pendidikan KK yang Tidak Tamat SD
7) Jumlah Anak Orang Tua
Objek yang diamati dalam penelitian ini adalah semua Kecamatan di Kabupaten Ogan
Ilir, terdiri dari 16 kecamatan, yaitu:
No Kecamatan Asal Hasil Pemekaran
1 Indralaya 1. Indralaya
2. Indralaya Utara
3. Indralaya Selatan
2 Pemulutan 1. Pemulutan
2. Pemulutan Barat
3. Pemulutan Selatan
3 Tanjung Batu 1. Tanjung Batu
2. Payaraman
4 Tanjung Raja 1. Tanjung Raja
2. Sungai Pinang
3. Rantau Panjang
5 Muara Kuang 1. Muara Kuang
2. Rambang Kuang
3. Lubuk Keliat

Prosiding
6 Rantau Alai 1. Rantau Alai
2. 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. Membuat tabel data karakteristik putus sekolah pendidikan dasar untuk masing-
masing kecamatan dalam bentuk baris dan kolom.
2. Mencari akar ciri dan vektor ciri x dari matriks R.
3. Mencari matriks G dengan 1 dan matriks H dengan 0 , dimana
'
G UL UL dan H L1 A ' L1 A '
4. Memplotkan matriks G dan H dalam satu grafik berdimensi dua (biplot), sehingga
menghasilkan pemetaan antar wilayah Kecamatan di Kabupaten Ogan Ilir
berdasarkan karakteristik putus sekolah pendidikan dasar.
5. Menginterpretasikan hasil biplot yang menggambarkan kemiripan masing-masing
kecamatan berdasarkan peubah atau karakteristik yang diamati.
6. Menbuat kesimpulan hasil penelitian
D. HASIL DAN PEMBAHASAN
Berdasarkan hasil survei, data masing-masing kecamatan dengan karakteristik putus

sekolah pendidikan dasar masyarakat miskin untuk masing-masing Kecamatan di Kabupaten
Ogan Ilir dapat dilihat pada Tabel 4.11 .
Tabel 4.11. Data Karakteristik Putus Sekolah Pendidikan Dasar Masyarakat Miskin
untuk Masing-Masing Kecamatan di Kabupaten Ogan Ilir
Karakteristik Putus Sekolah Pendidikan Dasar

No Kecamatan
X1 X2 X3 X4 X5 X6 X7
1 Indralaya 10,53 89,47 0,00 36,29 36,55 20,00 3,35
2 Indralaya Utara 10,53 89,47 15,79 32,24 30,68 63,64 3,23
3 Indralaya Selatan 8,82 85,29 2,94 34,50 34,43 61,90 3,24

Prosiding
4 Pemulutan 8,11 91,89 5,41 33,95 34,12 84,00 3,28
5 Pemulutan Barat 12,82 87,18 5,13 33,03 32,76 76,19 3,62
6 Pemulutan Selatan 12,12 87,88 12,12 32,24 31,96 90,91 3,68
7 Tanjung Batu 15,00 80,00 2,50 34,10 34,95 52,38 3,57
8 Payaraman 18,92 81,08 16,22 33,92 34,70 75,00 4,10
9 Tanjung Raja 3,13 93,75 6,25 35,16 34,96 68,18 3,23
10 Sungai Pinang 9,30 88,37 11,63 33,40 34,28 64,00 3,68
11 Rantau Panjang 11,77 88,24 5,88 33,71 33,00 77,27 2,68
12 Muara Kuang 31,43 62,86 37,14 33,89 34,57 66,67 4,24
13 Rambang Kuang 19,05 80,95 11,91 32,29 32,91 85,71 3,19
14 Lubuk Keliat 8,82 88,24 8,82 33,74 34,86 77,27 3,73
15 Rantau Alai 12,00 88,00 12,00 33,96 34,90 47,37 3,53
16 Kandis 27,45 68,63 11,77 33,78 35,81 61,90 4,48
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 4.11 tersebut merupakan elemen-elemen matriks data 16 X7 .
Berdasarkan matriks data 16 X 7 tersebut, dapat dihitung matriks korelasi R antar peubah
karakteristik putus sekolah pendidikan dasar, kemudian nilai-nilai akar ciri dari matriks
korelasi R dapat dilihat pada Tabel 4.13.

Prosiding
Tabel 4.13. Nilai-Nilai Akar Ciri dari Matriks Korelasi R
Akar Ciri
Kumulatif
Komponen Keragaman
Total (%)
(%)
1 3,61 51,60 51,60
2 1,96 27,98 79,58
3 0,76 10,83 90,41
4 0,39 5,53 95,94
5 0,20 2,85 98,79
6 0,06 0,86 99,65
7 0,02 0,35 100,00
Berdasarkan Tabel 4.13, diperoleh informasi bahwa nilai akar ciri pada komponen
utama pertama (KU I) sebesar 3,61 dengan keragaman yang dapat dijelaskan oleh satu KU
tersebut sebesar 51,60% . Nilai akar ciri untuk komponen utama kedua (KU II) sebesar 1,96
dengan keragaman yang bisa dijelaskan sebesar 27,98%. Maka, jika digunakan dua nilai akar
ciri terbesar pertama, berarti ada dua komponen utama (KU) yang digunakan sebagi peubah
baru, sehingga kedua KU ini menerangkan data asal sebesar 79,58%. 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.
Nilai-nilai vektor ciri dari matriks korelasi R dapat dilihat pada Tabel 4.15 berikut.
Tabel 4.15. Dua Vektor Ciri Pertama dari Matriks Korelasi
Vektor Ciri
Peubah
I II
X1 0,256 0,001
X2 -0,253 -0,054

Prosiding
X3 0,233 -0,154
X4 -0,050 0,474
X5 0,042 0,495
X6 0,191 -0,010
X7 0,229 0,118
Nilai-nilai Tabel 4.15, merupakan elemen matriks dua vektor ciri 7A2 dengan tujuh
peubah asal karakteristik putus sekolah dan dua peubah baru KU.
Peubah baru yang dihasilkan memiliki korelasi dengan peubah asal. Nilai masing-
masing koefisien korelasi peubah asal terhadap peubah baru dapat dilihat pada Tabel 4.14
Tabel 4.14. Nilai-nilai Korelasi Peubah Asal dengan KU
Komponen Utama (KU)

Peubah
I II
X1 0,926 0,001
X2 -0,912 -0,107
X3 0,841 -0,302
X4 -0,181 0,928
X5 0,151 0,970
X6 0,690 -0,019
X7 0,828 0,231
Nilai-nilai Tabel 4.14, merupakan elemen-elemen matriks 7H2, yaitu nilai-nilai

koefisien dua komponen utama (KU) untuk masing-masing peubah asal. Sehingga didapat
kombinasi linear peubah asal untuk peubah baru KU, yaitu:

Prosiding
KU1 = 0,926X1 – 0,912X2 + 0,841X3 – 0,181X4 + 0,151X5 + 0,69X6 + 0,828X7
KU2 = 0,001X1- 0,107X2 - 0,302X3 + 0,928X4 + 0,97X5 – 0,019X6 + 0,231X7
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.
Dua skor KU yang diperoleh untuk masing-masing Kecamatan di Kabupaten Ogan

Ilir dapat dilihat pada tabel 4.16.
Tabel 4.16. Skor KU I dan KU II untuk Masing-Masing Kecamatan di

Kabupaten Ogan Ilir
No Kecamatan Skor KU I Skor KU II
1 Indralaya -0,61 2,06
2 Indralaya Utara -0,45 -2,03
3 Indralaya Selatan -0,73 0,50
4 Pemulutan -0,74 0,06
5 Pemulutan Selatan -0,29 -0,68
6 Pemulutan Barat 0,31 -1,43
7 Tanjung Batu -0,23 0,63
8 Payaraman 0,98 0,32
9 Tanjung Raja -0,98 0,84
10 Sungai Pinang -0,24 -0,11
11 Rantau Panjang -0,99 -0,55
12 Muara Kuang 2,81 0,04
13 Rambang Kuang 0,19 -1,16
14 Lubuk Keliat -0,29 0,30
15 Rantau Alai -0,18 0,30
16 Kandis 1,45 0,91

Prosiding
Nilai-nilai Tabel 4.16, merupakan elemen-elemen matriks 16G2 yang unsur-unsurnya

merupakan titik-titik koordinat yang mewakili masing-masing kecamatan yang berada di
Kabbupaten Ogan Ilir, yaitu 16 kecamatan.
Dalam Analisis Biplot digunakan penggabungan dua buah matriks, yaitu matriks G
dan matriks H. Matriks G dan H masing-masing diplot berdasarkan koordinat masing-
masing unsur dari matriks G dan H. Hasil pemetaan Biplot dapat dilihat pada Gambar 4.3
RE
GR
fact
4.00000 or
sco
re
2
for
ana
lysi
s1
RE
GR
fact
Indralaya or
sco
2.00000 re
1
KU II 27,98%
for
ana
lysi
Tanjung Raja X4 X5 Kandis s1
VA
R0
Indralaya Selatan Tanjung Batu 000
Payaraman 2
X7 RE
Pemulutan Rantau Alai Muara Kuang GR
X2 Lubuk Keliat X6 fact
0.00000 or
Sungai Pinang X1 sco
Rantau Panjang re
Pemulutan Selatan X3 1
for
ana
Rambang Kuang lysi
s1
Pemulutan Barat
Indralaya Utara
-2.00000
-4.00000
-1.00000 0.00000 1.00000 2.00000 3.00000

KU I 51,6%
Gambar 3. Pemetaan Kecamatan di Kabupaten Ogan Ilir Berdasarkan Karakteristik

Partisipasi Sekolah Pendidikan Dasar dan Sosial Ekonomi Keluarga
Biplot pada gambar 4.3. mampu menjelaskan keragaman data sebesar 79,58% dari
keseluruhan informasi pada data asal, mengenai karakteristik putus sekolah pendidikan dasar
untuk masing-masing Kecamatan di Wilayah Kabupaten Ogan Ilir. Selanjutnya hasil Analisis
Biplot dapat diinterpretasikan sebagai berikut:
1. Berdasarkan Kedekatan antar Objek Masing-masing Kecamatan

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

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

Prosiding
E. KESIMPULAN DAN SARAN
E.1. Kesimpulan
1. Kecamatan Tanjung Raja, Indralaya Selatan, Tanjung Batu, rantau Alai, Lubuk
Keliat, Sungai Pinang, Rantau Panjang, dan pemulutan memiliki karakteristik hampir
mirip berdasarkan Angka Partisipasi Murni yang relatif tinggi, sedangkan Angka
Putus Sekolah, Persentase Tingkat Pendidikan Kepala Keluarga yang tidak tamat SD,
Jumlah Anak dalam keluarga dan Persentase Anak yang bekerja relatif lebih rendah.
2. Kecamatan Pemulutan Selatan, Rambang Kuang dan Pemulutan Barat mempunyai
kemiripan dalam hal motivasi terhadap sekolah relatif lebih rendah (baik orang tua
maupun anak).
3. Kecamatan Payaraman dan Kecamatan Kandis memiliki kemiripan dalam hal
karakteristik jumlah anak yang lebih tinggi, persentase anak yang bekerja dan angka
putus sekolah yang relatif tinggi, serta karakteristik Angka Partisipasi Murni yang
relatif rendah.
4. Kecamatan Indralaya mempunyai tingkat motivasi terhadap sekolah yang sangat
tinggi, baik Orang Tua maupun Anak
5. Kecamatan Muara Kuang mempunyai karakteristik tingkat Angka Putus Sekolah,
Persentase Pendidikan Kepala Keluarga yang tidak tamat SD, dan Persentase Anak
yang bekerja sangat tinggi.
6. Kecamatan Indralaya Utara mempunyai tingkat Motivasi Orang Tua terhadap sekolah
yang sangat rendah.
E.2. Saran
1. Kepada pemerintah Kabupaten Ogan Ilir disarankan agar lebih memperhatikan

Kecamatan Muara Kuang, Kecamatan Payaraman dan Kecamatan Kandis, karena
masyarakat miskin di kecamatan tersebut memiliki Angka Putus Sekolah yang relatif
masih tinggi.
2. Untuk mendapatkan kesempurnaan dalam penulisan atau penelitian yang akan
datang, maka penulis menyarankan untuk menganalisis besarnya faktor-faktor yang
mempengaruhi Putus Sekolah pendidikan dasar, Misalnya Metode Pohon Klasifikasi
dan Metode Regresi Logistik.

Prosiding
F. DAFTAR PUSTAKA
Anton, H. & C. Rorres. 2002. Aljabar Linier Elementer, Edisi Kedelapan Jilid 1. Erlangga,
Jakarta.
Sartono, B., F.M. Affandi, U.D. Syafitri, I.M. Sumertajaya & Y. Agraeni. 2003. Analisis
Peubah Ganda. Jurusan Statistika FMIPA IPB, Bogor.
Sharma, S. 1996. Applied Multivariate Techniques. John Wiley & Sons, Inc. New York.

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

Prosiding
PENDAHULUAN
Salah satu program dalam pembangunan nasional adalah pembangunan pendidikan.

Pembangunan pendidikan sangat penting peranannya untuk mencapai kemajuan di berbagai
bidang kehidupan guna meningkatkan kualitas hidup bangsa Indonesia. Karena itu,
pemerintah berkewajiban untuk memenuhi kesamaan hak setiap warga negara dalam
mendapatkan layanan pendidikan. Kesamaan hak ini dimiliki baik oleh masyarakat di
perkotaan maupun di pedesaan, dan kelompok masyarakat kaya maupun kelompok
masyarakat miskin.
Namun demikian, kesamaan hak dalam bidang pendidikan ini, belum dapat tuntas
diperoleh bagi semua lapisan. Hal ini dapat dilihat dari masih adanya anak yang putus
sekolah pada setiap tahunnya. Diperkirakan terdapat satu juta anak yang putus sekolah setiap
tahunnya (Republika, 5 Februari 2002 dalam Cahyawati, 2007a). Selain dari angka putus
sekolah, tuntas pendidikan bagi semua, dapat dilihat juga dari angka partisipasi sekolah pada
setiap jenjang pendidikan.
Partisipasi sekolah dasar di Kabupaten Ogan Ilir (OI), berdasarkan Badan Perencanaan
dan Pembangunan Daerah OI dalam Bappenas (2007) menunjukkan persentase partisipasi
sekolah dasar di Kabupaten OI sebesar 90,44%. Meskipun angka ini sudah diatas Provinsi
Sumatera Selatan (83,31%) 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. Demikian juga
untuk partisipasi sekolah tingkat SMP, baru mencapai 71,2% masih dibawah Provinsi
(83,58%) dan Nasional (71,81%) serta jauh dibawah MDGs (100%).
Salah satu yang mempengaruhi angka partisipasi sekolah adalah masalah putus sekolah.
Berbagai telaah yang mengamati masalah pendidikan mengungkapkan bahwa penyebab
utama masalah putus sekolah adalah kemiskinan (Supriadi, 1994). Demikian juga menurut
data Survei Ekonomi Nasional (Susenas) Tahun 2003, tingginya angka putus sekolah lebih
banyak bersumber pada persoalan ekonomi yang berasal dari keluarga miskin.
Ketidakmampuan finansial orang tua untuk memenuhi kebutuhan biaya sekolah anak,
mengakibatkan anak menjadi putus sekolah. Dalam hal ini, tidak saja mereka miskin dalam
kondisi ekonomi, tetapi menjadi miskin juga dalam pendidikan. Hal ini menjadikan keluarga
miskin sulit untuk memperbaiki kualitas hidup dan keluar dari kemiskinan. Sehingga, untuk

Prosiding
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).

Prosiding
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.

Prosiding
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 Variabel Kategori Status Sekolah Jml Persentase Ukuran Asosiasi

Tidak Putus Koef. p-value
Jumlah Sampel 508 84 592 14.2
(%)
1 Jenis Kelamin Anak Perempuan (0) 266 25 291 8.6 0.156 0.00
Laki-Laki (1) 242 59 301 19.6
2 Asal Daerah Ayah Pribumi (0) 399 65 464 14.0 0.01 0.811
Pendatang (1) 109 19 128 14.8
3 Tingkat Tidak Tamat SD (0) 75 26 101 25.7
Tamat SD (1) 286 45 331 13.6 0.168 0.002
Pendidikan Ayah SMP (2) 97 11 108 10.2
SMA (3) 49 2 51 3.9
PT (4) 1 0 1 0.0
4 Tingkat Tidak Tamat SD (0) 74 21 95 22.1
Tamat SD (1) 314 50 364 13.7 0.113 0.103
Pendidikan Ibu SMP (2) 88 11 99 11.1
SMA (3) 30 2 32 6.2
PT (4) 2 0 2 0.0
5 Jenis Pekerjaan Ayah Tidak Bekerja (0) 21 6 27 22.2
Tingkat Berdagang (1) 15 1 16 6.2
Bertani (2) 309 54 363 14.9 0.074 0.662
Swasta (3) 35 6 41 14.6
PNS (4) 1 0 1 0.0
Lainnya (5) 127 17 144 11.8
6 Jenis Pekerjaan Ibu Tidak Bekerja (0) 126 11 137 8.0 0.18 0.001
Berdagang (1) 25 2 27 7.4

Prosiding
Bertani (2) 270 65 335 19.4

Swasta (3) 6 2 8 25.0
PNS (4) 4 0 4 0.0
Lainnya (5) 77 4 81 4.9
7 Tingkat < 600 (1) 329 55 384 14.3
600 – 1200 (2) 147 25 172 14.5
0.09 0.301
Pendapatan Rumah 1201 – 1800 (3) 16 0 16 0.0
>1800 (4) 16 4 20 16.7
Tangga >2400 (5) 1 1 2 50.0
8 Jumlah Anak dalam Kurang dari 3 (1) 127 12 139 8.6
3-5 (2) 316 50 366 13.7 0.146 0.012
Keluarga 6-8 (3) 55 19 74 25.7
9-10 (4) 9 3 12 25.0
Lebih dari 10 (5) 1 0 1 0.0
9 Motivasi Anak Rendah (1) 20 31 51 60.8 0.388 0.00
Sedang (2) 198 32 230 13.9
Tinggi (3) 290 21 311 6.8
10 Motivasi Orang Tua Rendah (1) 11 4 15 26.7 0.123 0.011
Sedang (2) 171 40 211 19.0
Tinggi (3) 326 40 366 10.9
11 Menerima Bantuan Pernah (0) 142 5 147 3.4 0.175 0.00
Tidak Pernah (1) 366 79 445 17.8
Pendidikan
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

Prosiding
SPL : PUTUS
VAL : 0 1
COU : 508 84
PVA : 0.0001 0.0001
SPL : MOTANK SPL : MOTANK SPL : MOTANK

VAL : 1 VAL : 2 VAL : 3
COU : 20 31 COU : 198 32 COU : 290 21
PVA : 0.0019 0.0034 PVA : 0.0003 0.0176 PVA : 0.0001 0.0115
SPL : JK SPL : JK SPL : PKRJIB SPL : PKRJIB SPL : PKRJIB SPL : MOTORT SPL : MOTORT
VAL : 1 VAL : 0 VAL : 3 VAL : 2 1 VAL : 0 5 4 VAL : 1 2 VAL : 3
COU : 6 23 COU : 14 8 COU : 1 2 COU : 106 28 COU : 91 2 COU : 66 16 COU : 224 5
PVA : 0.1163 0.2595 PVA : 0.0022 0.0132 PVA : 0.0833 0.0833 PVA : 0.0083 0.1742 PVA : 0.2968 0.3731 PVA : 0.0069 0.0339 PVA : 0.2231 0.5378
SPL : PKRJAY SPL : PKRJAY SPL : BNTU SPL : BNTU

VAL : 0 1 5 VAL : 2 3 VAL : 1 VAL : 0
COU : 0 6 COU : 14 2 COU : 44 16 COU : 22 0
PVA : PVA : 0.0033 0.0265 PVA : 0.0425 0.1093 PVA :
SPL : JUMANK SPL : JUMANK

VAL : 1 2 VAL : 3
COU : 13 0 COU : 1 2
PVA : 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

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
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
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/18-
bappeda_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.

Prosiding
(M.4)
MENGHITUNG FUNGSI RESIKO DAN KEGAGALAN PADA MODEL LINEAR
Mulyana
Jurusan Statistika FMIPA Unpad
Jl. Raya Bandung Sumedang Km 21 Jatinangor – Sumedang
e_mail : mulyanakanaan@yahoo.co.id
Abstrak
Model linear adalah model yang sering digunakan dalam persoalan peramalan. Karena
proses analisisnya cukup sederhana. Pada model linear Y X , dengan Y : nx1 vektor respon
; X : nxm , m < n , matriks prediktor ; , mx1 , vektor parameter ; dan , nx1 vektor kekeliruan
2
dengan asumsi E( ) = 0 dan E( ‟) = σ I , I , nxn matriks identitas. Jika rank X penuh, maka
penaksir sama dengan = (X‟X)-1X‟ Y . Sehingga taksiran faktual dari Y , sama dengan Y = X
. Berdasarkan sifat kelinearan, penaksir rata-rata Y , E( Y ), juga sama dengan E(Y) = X .

Berdasarkan kondisi ini, perlu dibangun fungsi target dan dihitung fungsi resiko dan kegalan
pada saat menentukan peran dari . Teori ini dapat digunakan untuk membandingkan pendapat
konsumen dan produsen terhadap produk yang dibuat produsen tersebut.
Kata Kunci : fungsi target, fungsi kegagalan, fungsi resiko.
Abstract
Linear models is models often use in forecasting problem. Because simple in analysisis.
In models , Y X with Y : nx1 respon vektor ; X : nxm , m < n , predictor matrix ; : mx1
parameter vektor and : nx1 error vektor of , with assumption E( ) = 0 , E( ) = σ2 I ,
I identity matrix. If X rank full, then estimation is = (X‟X)-1X‟ Y . Then factual estimation of
Y is Y = X . Be base on linearity, mean estimation of Y , E( Y ) ,is same is that E(Y) = X . Be

base on this condition, need building target function, and computing risk and loss function, when
determine function of . This theory can be use for compare opinion of consumer and producer,
in case product was make by that’s producer.

Prosiding
Pendahuluan
Dalam model linier dengan asumsi kekeliruannya berdistribusi identik independen dengan
rata-rata 0 dan varians konstan sama dengan 2, menggabungkan antara penaksir aktual (nilai
ramalan) dengan nilai rata-rata merupakan segi (aspect) penting dalam analisis regresi terapan.
Misalkan sebuah pabrik farmasi membuat obat dengan formulasi baru dan ingin menelaah daya
sembuhnya jika dibandingkan dengan formulasi lama, yang tingkat (lama) kesembuhannya
dipengaruhi oleh beberapa variabel pada pasien. Dalam hal ini biasanya yang ditelaah pihak
produsen adalah rata-rata tingkat kesembuhan, sedangkan pasien nilai aktualnya, sehingga
persoalannya bagaimana menggabungkan kedua telaahan itu secara statistika ?
Teori
Perhatikan model linier

Y X e (1)
dengan
Y , vektor variabel respon (variabel tidak bebas) berukuran nx1
X , matriks variabel explanatory (variabel bebas) berukuran nxm , m < n, m > 2 , dengan rank
penuh
, vektor parameter model berukuran mx1
2
e , vektor kekeliruan model berukuran nx1, dengan asumsi E e 0 , dan E ee I, I
matriks identitas berukuran nxn
Dengan menggunakan metode kuadrat terkecil, penaksir untuk adalah
1
XX XY (2)
yang merupakan statistik tak-bias dan bervarians minimum, sehingga penaksir aktual untuk Y
adalah Y X .
Karena E Y X , maka berdasarkan sifat kelinieran, penaksir untuk rata-rata Y , E Y
adalah E Y X , sehingga dari paparan tersebut tersurat bahwa X memiliki peran dua
penaksir, 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 Statistika-
Matematis, untuk keperluan tersebut diperlukan formulasi dari jumlah kuadrat kekeliruan model,
agar bisa dibangun fungsi target beserta fungsi kegagalan (loss function) dan fungsi resikonya
(risk function).

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

Prosiding
Pada Persamaan (7) tersurat, 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), yang berarti Persamaan (7) merupakan fungsi kegagalan untuk X (jika
digunakan sebagai penaksir X ) yang sebaiknya digunakan, dengan fungsi resiko sama dengan
E f T, 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).
Dari paparan ini disimpulkan bahwa formulasi untuk menggabungkan antara penaksir nilai
aktual dengan rata-rata hitungnya harus mengikuti Persamaan (6).
Shalabh (1999) mengemukakan, 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 penaksir berdasarkan aturan Stein (Stein-rule estimator),
yang persamaannya
a Y HC Y
S
1
n m 2 Y HY
(8)
a : a > 0, skalar karakaterisasi penaksir
1
H X X X X , H C I H , I matriks identitas
Dapat ditunjukan S
bukan penaksir takbias, dan akan merupakan penaksir takbias jika
Y H C Y 0 , yaitu jika Y Y (model regresi sangat cocok sebagai model ramalan), sehingga
dalam penggunaannya harus dikombinasi linierkan dengan penaksir kuadrat terkecil, dengan
persamaan
b (1 w ) w S
(9)
0<w<1, skalar nonstokastik
Jadi dalam hal ini penaksir untuk X , bisa digunakan
1
p X X XX XY HY
(10)
atau

Prosiding
a Y HC Y a Y HC Y
pS X S
X 1 HY HY
n m 2 Y HY n m 2 Y HY
(11)
atau kombinasi liniernya
P (1 w )p w pS
a YH C Y
(1 w )H Y w HY 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).
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
a Y HC Y
ET P E (1 )Y EY HY w HY
n m 2 Y HY
a Y HC Y
E (1 )Y EY HY Ew HY
n m 2 Y HY
a Y HC Y a Y HC Y
w HE Y w X
n m 2 Y HY n m 2 Y HY
(14)
karena
a YH C Y
0 w 1,
n m 2 YH Y
maka
ET p ET P
Fungsi resiko jika p dan P digunakan sebagai penaksir untuk fungsi target T , masing-masing
sama dengan
2 2
R (p) ET p T p 1 n 1 2 m
(15)

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

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

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

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

Prosiding
dengan menemukan struktur pengelompokkan diantara objek yang akan dikelompokkan.

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

Prosiding
2. 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, 2001). 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). Oleh karena itu
sebagian besar referensi dari tulisan ini didapatkan dari jurnal penelitian Klawonn bersama
peneliti lainnya.
Fuzzy C-means cluster pertama kali dikemukakan oleh Dunn (1973) dan kemudian
dikembangkan oleh Bezdek (1981) yang banyak digunakan dalam pattern recognition. Metode
ini merupakan pengembangan dari metode non hierarki K-means Cluster, karena pada awalnya
ditentukan dulu jumlah kelompok atau cluster yang akan dibentuk. Kemudian dilakukan iterasi
sampai mendapatkan keanggotaan kelompok tersebut. Metode ini adalah metode yang paling
digemari karena merupakan metode yang paling robust (( Klawonn dan Höppner, 2001) dan
(Klawonn, 2000)) dan memberikan hasil yang smooth (halus) dengan toleransi relatif (Shihab,
2000).
Prinsip utama pengelompokkan dengan fuzzy c-means cluster adalah meminimumkan
fungsi objektif
c N
J FCM P, U, X , c , m (uik ) m d ik2 x k , p i (1)
i 1 k 1
dengan constraint atau fungsi batasan

c
u ik 1 , untuk k 1,  , N . (2)
i 1
Keterangan: P dan U adalah variabel yang kondisi optimalnya diharapkan, untuk matriks U
kondisi optimalnya berarti konvergensi keanggotaan kelompok dalam FCM. X, c, m adalah
parameter input dari JFCM, dimana:
c adalah jumlah cluster yang memenuhi X (jumlah cluster yang diinginkan, 2 c N )
m 1 adalah tingkat ke-fuzzy-an dari hasil pengelompokkan. Parameter ini disebut dengan
fuzzier, nilai dari m yang sering dipakai dan dianggap yang paling halus adalah m=2
(Klawonn dan Höppner, 2001)
uik adalah tingkat keanggotaan yang merupakan elemen dari matriks U.
N jumlah observasi.
d ik2 adalah jarak observasi yang dapat dirumuskan sebagai berikut:
2 T
d ik2 x k , p i xk pi A
xk pi A xk pi (3)

Prosiding
Jika A adalah matriks identitas maka d ik2 adalah jarak Euclid.
Algoritma pengelompokan Fuzzy C-means cluster diberikan sebagai berikut:
1. Menentukan c banyak cluster atau kelompok yang ingin dibuat.

2. Menentukan tingkat ke-fuzzy-an hasil pengelompokan (m).
3. Menghitung fuzzy cluster center (P) dengan persamaan (2)
N
u ikm x k
p*i k 1
N
(4)
m
u ik
k 1
4. Update anggota matriks U dengan persamaan

1
u ik* 1/ m 1
(5)
c
d ik2
2
j 1 d jk
5. Bandingkan nilai keanggotaan dalam matriks U, jika || U(k+1) - U(k)||< maka sudah
konvergen dan iterasi dihentikan. Jika tidak maka kembali ke langkah 3.
3. Penentuan Banyak Kelompok
Penentuan banyak kelompok dalam Fuzzy C-Means Cluster didasarkan pada dua hal.
Yang pertama adalah dengan membatasi banyak kelompok yang terbentuk melalui proporsi
eigen value matriks korelasi dari objek yang akan dikelompokkan. Yang kedua adalah
melakukan kontrol dengan indeks XB. Tujuannya adalah untuk mengetahui apakah benar banyak
kelompok terbaik bisa didapatkan diantara banyak cluster yang dibatasi oleh proporsi eigen
value matriks korelasi. Berikut ini adalah ulasan mengenai proporsi eigen value matriks korelasi
dan Indeks XB.
3.1 Proporsi Eigen Value Matriks Korelasi

Analisis Eigen adalah salah satu teknik yang memberikan ringkasan struktur data yang
direpresentasikan oleh matriks korelasi ataupun kovarians (Johnson dan Wichern, 2002).
Proporsi dari eigen value menggambarkan seberapa besar struktur data yang dapat diwakili atau
direpresentasikan oleh matriks korelasi atau kovarians tersebut. Dalam analisis komponen utama
dan analisis faktor, proporsi dari eigen value memberikan interpretasi mengenai seberapa besar
data dapat terwakili dalam dimensi yang telah direduksi.

Prosiding
Pada kasus pengelompokkan dalam analisis cluster, matriks yang digunakan adalah
matriks kemiripan dari objek yang akan dikelompokkan. Prinsipnya adalah semakin nilai
kemiripan antara objek satu dengan yang lain mendekati 1, maka nilai pengamatan antar objek
tersebut memiliki banyak kesamaan (berarti memungkinkan untuk menjadi satu kelompok).
Proporsi eigen value untuk ilustrasi ini berarti memberikan informasi besarnya tingkat kesamaan
antar objek. Proporsi eigen value 100 persen diberikan oleh semua eigen yang terbentuk yang
banyaknya sama dengan banyak objek yang dikelompokkan.
3.2 Indeks XB (Xie dan Beni)

Sesuai dengan namanya Indeks XB ditemukan oleh Xie dan Beni yang pertama kali
dikemukakan pada tahun 1991. Validitas dalam FCM ditentukan oleh banyak kelompok
optimum melalui perhitungan Indeks validitas.
Formula dari Indeks XB diberikan pada (6). Formula ini mirip dengan Separation
Index dengan nilai m yang dapat berubah-ubah, oleh karena itu indeks ini dapat digunakan untuk
metode hard partition seperti K-means cluster maupun FCM. Kriterianya banyak kelompok
optimum diberikan oleh nilai XB yang minimum.
c N
(uik ) m d ik2 x k , p i
i 1 k 1
XB c 2
(6)
N min i , j p i , p j
Dengan c menyatakan banyak cluster, uik adalah tingkat keanggotaan, d ik2 adalah jarak
observasi dengan pusat cluster, pi adalah pusat cluster, N merupakan banyak objek yang akan
2
dikelompokkan, min i , j p i , p j menyatakan jarak minimum antara pusat cluster pi dan pj.
Kriteria banyak cluster optimum diberikan oleh indeks XB yang minimum.
4. 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). Algoritma yang bagus adalah algoritma yang efisien dimana algoritma
tersebut dikatakan bagus karena dinilai dari aspek kebutuhan waktu dan ruang membutuhkan
jumlah yang sedikit.
Notasi Big-O adalah notasi matematika yang digunakan untuk menggambarkan suatu
fungsi asimptotik. Notasi Big-O sering digunakan untuk menjelaskan berapa besar ukuran dari
suatu data mempengaruhi penggunaan sebuah algoritma dari sumber komputasi. Notasi Big-O

Prosiding
juga biasa disebut sebagai notasi Landau (Landau notation), Bachman-Landau notation, dan
notasi asimptotik (Asimptotik notation).
Notasi Big-O mempunyai aplikasi pada dua buah bidang. Pada bidang matematika,
notasi tersebut biasanya digunakan untuk menjelaskan tahap sisa dari deret tak terhingga,
khususnya pada deret asimptotik. Pada bidang ilmu komputer, notasi ini sangat berguna dalam
analisis dari kompleksitas algoritma.
5. Pembentukan Fast Algorithm, 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.
Tabel 1. Perbandingan ALgoritma lama dan baru

Old Algorithm Fast Algorithm
Tahap Persiapan
Pembentukan Matriks O(Nk )
kemiripan
Perhitungan Eigen Value O(N )
Penentuan banyaknya nilai O(N )
eigen yang menghasilkan
proporsi 100%
Tahap Clustering Tahap Clustering
Lakukan dari 2 sampai N Lakukan dari 2 sampai M
Pembentukan O((N 1)h) Pembentukan Kelompok O((M 1)h)
Kelompok
Perhitugan Indeks XB O(N 1) Perhitugan Indeks XB O(M 1)
Pencarian XB minimum O(N 1) Pencarian XB minimum O(M 1)
Dengan: N: banyak objek; k: banyak variable; M: banyak nilai eigen yang jumlahan
proporsinya 100%; h: banyak iterasi dalam pembentukan kelompok.
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%, dan apakah algoritma baru yang terbentuk cukup
efisien. Beberapa jenis data simulasi dibangkitkan dan dicari banyak pengelompokan optimum
menggunakan algoritma lama dan baru. Hasilnya ditampilkan pada Tabel 2.
Prosiding
Tabel 2. Simulasi Data

Old Fast
Data Kriteria Algorithm Algorithm
Banyak Objek (N) 23 23
Banyak Variabel (k) 5 5
Simulasi Banyak nilai eigen (M) - 6
1 XB minimum 5 5
Banyak iterasi (h) 200 200
Big-O O(4400) O(800)
2 XB minimum 7 7
Big-O O(19800) O(1200)
3 XB minimum 9 9
Big-O O(38400) O(2400)
4 XB minimum 18 18
Big-O O(144500) O(8500)
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%. Selain itu dengan melakukan pembatasan perulangan,
maka algoritma yang tercapai akan lebih efisien, hal ini terlihat dengan nilai Big-O pada fast
algorithm yang jauh lebih kecil dari pada old algorithm.

Prosiding
6. Kesimpulan
Penentuan jumlah cluster yang ideal dapat dilakukan dengan perhitungan indeks XB.
Namun untuk jumlah data yang besar, maka perhitungan indeks XB akan dilakukan sampai
jumlah pengelompokkan maksimum, yaitu sebanyak jumlah objek itu sendiri. Hal ini kurang
efisien, maka direkomendasikan untuk menentukan banyaknya cluster yang mungkin terbentuk
dengan memperhatikan proporsi kumulatif eigen value matriks similarity dari objek dalam
pengelompokkan.
Referensi :
Bezdek, James., 1981. Pattern Recognition with Fuzzy Objective Function Algorith, Plenum
Press, New York.
Calinski and Harabasz, (1974), “A Dendrite Method for Cluster Analysis”. Communication in
Statistics 3, 1-27.
Dunn, J.C., (1973), “A Fuzzy Relative of the ISODATA Process and Its Use in Detecting
Compact well-Separated Cluster”, Journal of Cybernetic 3, 32-57.
Fayyad, U, M., Piatetsky-Saphiro, G., Smith., (1996). Advance and Knowledge discovery and
data mining, Part 2.33, http://AAIPress.com/AdvanceKnowledgedisc-Fayyadetal//
Johnson, Wichern, (2002), Applied Multivariate Statistical Analysis, Prentice Hall, New Jersey.
Klawonn, Frank., (2000), “Fuzzy Clustering: Insight and a New Approach”, Science Journal,
http://public.rz.fh-wolfenbuettel.de/klawonn.
Klawonn dand Höppner, (2001), “What is Fuzzy about Fuzzy Clustering? Understanding and
Improving the Concept of the Fuzzier”. Science Journal, http://public.rz.fh-
wolfenbuettel.de/klawonn.
Klawonn dan Keller, (1997), “Fuzzy Clustering and Fuzzy Rules”, Science Journal,
Klawonn dan Klementida, (1997), “Matematical Analysis of Fuzzy Clasifiers”, Science Journal,
Klawonn dan Kruse, (1995), “Clustering Method in Fuzzy Control”, Science Journal,
Sharma, S, (1996), Applied Multivariate Techniques, John Wiley and Sons, Inc, New York.
Shihab, A.I., (2000) “Fuzzy Clustering Algorithm and Their Application to Medical Image
Analysis”. Dissertation, University of London, London.
Pickert, Klawonn, dan Wingender., (1997), “Fuzzy Cluster Analysis for Identification of Gene
Regulation Region”. Science Journal, http://public.rz.fh-wolfenbuettel.de/klawonn.
Zadeh, Lotfi. A., (1965), Fuzzy Sets. Information Control, vol 8, 338-353.

Prosiding
(M.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.com
ABSTRAK
Analisis klaster merupakan suatu teknik multivariat dengan tujuan utama mengelompokkan
objek-objek berdasarkan karakteristik yang dimiliki. Ada beberapa teknik dalam
memformulasikan masalah dalam analisis klaster, diantaranya yaitu hard clustering dan fuzzy
clustering. Dalam hard clustering, data dialokasikan ulang secara tegas ke klaster yang
mempunyai centroid terdekat dengan data tersebut, sedangkan dalam Fuzzy clustering,
mengalokasikan kembali data ke dalam masing-masing klaster dengan memanfaatkan teori Fuzzy
yang merupakan salah satu algoritma clustering alternatif dengan hasil yang lebih baik.
Algoritma fuzzy clustering yang digunakan dalam penelitian ini yaitu Fuzzy K-Means Clustering
yang merupakan pengembangan dari Hard K-Means Clustering. Fuzzy K-Means Clustering ini
dilakukan pada 117 perusahaan eksportir furniture rotan di Kabupaten Cirebon. Melalui indeks
Xie dan Benie sebagai validasi, dapat dibentuk sebanyak tujuh klaster perusahaan eksportir
dengan karakteristik berbeda tiap klaster. 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.
Kata kunci : Analisis klaster, Fuzzy k-means clustering, Teori fuzzy, Indeks XB, Furniture
rotan.
1. Pendahuluan
Analisis klaster merupakan suatu teknik multivariat dengan tujuan utama
mengelompokkan objek-objek berdasarkan karakteristik yang dimiliki. Sekarang ini analisis
klaster telah banyak diaplikasikan dalam berbagai bidang yang ditulis dalam berbagai penelitian
dan jurnal. Metode ini sangat berguna dalam membantu para pengambil keputusan dalam
2
Mahasiswa Jurusan Statistika FMIPA Universitas Padjadjaran Bandung
3
Dosen Jurusan Statistika FMIPA Universitas Padjadjaran Bandung

Prosiding
mengevaluasi kelompok-kelompok yang terbentuk. Salah satu teknik pengklasteran yang banyak
digunakan dalam analisis klaster ialah metode non-hierarki. Dalam metode non-hierarki ada
beberapa teknik dalam memformulasikan masalah, diantaranya hard clustering dan fuzzy
clustering. Dalam hard clustering, data dialokasikan ulang secara tegas ke klaster yang
mempunyai centroid terdekat dengan data tersebut. Hard clustering dapat mengelompokkan data
yang terpisah jauh, tetapi untuk data yang berdekatan pengelompokkan akan menjadi kurang
tepat karena informasi kesimilaritasan data terhadap klaster-klaster yang terbentuk akan sulit
dibedakan.
Perkembangan terakhir dari analisis klaster dengan metode non-hierarki yang sudah
banyak ditulis dalam berbagai jurnal dan penelitian adalah fuzzy clustering. Metode clustering ini
dilakukan dengan mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy
sebagai dasar pembobotan terhadap pengelompokkannya (Bezdek 1981). Metode ini merupakan
pengembangan dari hard clustering dan merupakan salah satu algoritma clustering alternatif
dengan hasil yang lebih halus (smooth) karena pembobotan yang dilakukan dengan
memanfaatkan teori fuzzy (Shihab 2000).
Algoritma yang paling terkenal dari fuzzy clustering adalah fuzzy k-means clustering.
Dalam beberapa jurnal dari Klawonn dan Hoppner menyebutkan bahwa metode ini merupakan
metode yang paling kokoh (robust), karena pusat klaster dan hasil pengelompokkan tidak
berubah jika ada data baru yang ekstrim. Penelitian ini akan membahas mengenai model fuzzy k-
means 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.
2. Fuzzy K-Means Clustering

Teori fuzzy k-means clustering, pertama kali diperkenalkan oleh Dunn (1973), dan
dikembangkan lebih jauh oleh Bezdek (1981). Fuzzy k-means membagi sebuah set data
x1 , x2 ,..., xn ke dalam k klaster dengan meminimumkan fungsi objektif dengan persamaan (1).
n k
(k )
J FKM X, P, U, (uij ) m dij2 (x j , pi ) (1)
j 1 i 1

Prosiding
Dimana:
n
(uij ) m 0 j = 1,2,...,k
j 1
k
(uij ) m 1 i = 1,2,...,n
i 1
dij 2 = jarak observasi dengan persamaan (2).
2 T
dij2 x j , pi x j pi x j pi Σ-1 x j pi (2)
dimana Σ memiliki kemungkinan:
a. Σ adalah matriks Identitas, maka d ij2 adalah jarak euclidean
b. Σ adalah matriks kovarians, maka d ij2 adalah jarak mahalanobis
xj = vektor pengamatan
pi = pusat klaster
n k
(k )
Kondisi minimum fungsi objektif J FKM X, P, U, (uij ) m dij2 (x j , pi ) diberikan melalui
j 1 i 1
optimasi parameter uij dan pi. Dimana uij dan pi diperoleh dengan persamaan (3) dan (4).
n
uijm x j
j 1
pi n (3)
m
u ij
j 1
1
uij 1/ m 1
(4)
k dij2
l 1 dlj2
3. Algoritma Fuzzy K-Means Clustering

Beberapa tahapan dari fuzzy k-means clustering:
1. Tentukan banyak klaster dari 2 sampai sampai banyak klaster optimum (N)
2. Menentukan tingkat ke-fuzzy-an hasil pengelompokan (m). Dalam penelitian digunakan
m=2.
3. Menghitung fuzzy claster center (centroid) utama Pi.
4. Hitung jarak euclidean dengan menggunakan persamaan (5).

Prosiding
k
dij ( x j , pi ) (x jl pil )2 (5)
i 1
5. Hitung derajat keanggotaan berdasarkan Persamaan (4).

6. Hitung fungsi objektif dengan menggunakan Persamaan (1).
7. Hitung centroid baru dengan menggunakan Persamaan (3).
8. Perbarui keanggotaan dan fungsi objektifnya.
9. Bandingkan nilai keanggotaan ( uij ) dalam matriks U, jika tidak banyak mengalami
perubahan maka artinya konvergen dan keanggotaannya sudah. maksimal. Batas iterasi
adalah jika nilai U( k 1)
Uk sudah terpenuhi, jika belum maka kembali ke Langkah 7.
4. Validasi Klaster
Validasi klaster dilakukan untuk menentukan ketepatan banyak klaster yang dibuat.
Validitas dalam fuzzy k-means clustering dapat ditentukan melalui perhitungan indeks validitas
Xie dan Benie dengan Persamaan (6).
n k
(uij ) m dij2
j 1 i 1 (6)
XB 2
N min i , j pi , p j
dengan nilai m yang dapat berubah-ubah.

Banyak klaster optimum yang terbentuk diberikan oleh nilai indeks XB yang paling
minimum.
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.
5. 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.
Banyak klaster yang dapat dibentuk melalui perhitungan indeks Xie dan Benie (XB)
adalah tujuh klaster dengan keanggotaan pada Tabel 1.

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

Prosiding
BALAGI RATTAN, PT MULYA PRATAMA INDAH, CV

CHANDRA RATTAN, CV NEBULA BUANA, CV
CIREMAI INDAH PERKASA, CV PARI RATTAN PLUS, PT
DIMO PUTRA JAYA, CV PERFECTI IND RATTAN, CV
FAUZITAMA RATTAN, CV PERMATA RATTAN, CV
KURNIA ALAM SEJATI, CV POLPIT, CV
MARTINO RATTAN, CV PRUNABON INT, PT
MULIA JAYA F, CV SAFIRA, CV
PLUMBON PRATAMA, PT SHAH JAYA, CV
AGUNG PUTRA MANDIRI, CV SUMBER MUTIARA ABADI, CV
AVANTI COLLECTION, CV TALANG MAS MULYA, CV
GRIYA RATTAN, CV TEGUH RATTAN, CV
KHALIM, CV TRIPOLAR, CV
LIMINDO UTAMA, CV TROPICA (GN. JATI), CV
4
NAGAM RATTAN, CV VALENTA CITRA PRATAMA, CV
PERINTIS 18, PT VEDERAMA, CV
PIRAMIDA RATTAN, CV VISINDO RATTANESIA, CV
TRIJAYA FURNITURE, CV WANDA RATTAN, CV
TULUS ASIH, PT WIWIN DESIGN, CV
HOUSE OF RATTAN, PT ZAHRA ADEILA, CV
5 JATI VISION RAYA, CV ZICO RATTAN, CV
YAMAKAWA RATTAN, PT
6. Interpretasi Klaster
Gambaran karakteristik klaster dapat dilihat dari pusat klaster (centroid) sebagai berikut
:
Tabel 2.
Pusat Klaster (Centroid) Kelompok Perusahaan
Tenaga Nilai Kapasitas Nilai
Klaster
Kerja Investasi Produksi Ekspor
1 1.8528 1.9039 1.514 2.699
2 -0.31107 -0.35532 -0.43607 0.17877
3 5.4533 4.8653 4.0316 2.5663
4 -0.35858 -0.50327 -0.54386 -0.61745
5 0.19816 0.1331 1.563 -0.18994
6 0.13019 0.055449 0.21026 1.5699
7 0.073232 0.67683 0.079972 -0.03163

Prosiding
Berdasarkan pusat klaster diatas, karakteristiknya dapat diurutkan berdasarkan variabel

pembeda berikut :
Tabel 3.
Karakteristik Klaster Berdasarkan Variabel Pembeda
Tenaga Nilai Kapasitas Nilai
Klaster
Kerja Investasi Produksi Ekspor
1 6 6 5 7
2 2 2 2 4
3 7 7 7 6
4 1 1 1 1
5 5 4 6 2
6 4 3 4 5
7 3 5 3 3
Berdasarkan Tabel 2 dan Tabel 3, karakteristik klaster pertama merupakan perusahaan

besar yang berkembang karena mampu mencapai nilai ekspor yang maksimal. Klaster kedua
merupakan perusahaan kecil yang berkembang karena memiliki nilai ekspor yang cukup tinggi
dibandingkan variabel lainnya. Klaster ketiga merupakan perusahaan besar dengan jumlah
tenaga kerja terbanyak, nilai investasi tertinggi serta kapasitas produksi terbesar, namun tidak
diimbangi dengan nilai ekspor yang paling tinggi. Klaster keempat merupakan perusahaan kecil
dengan keempat variabel yang memiliki nilai terkecil. Klaster kelima merupakan perusahaan
menengah dengan nilai ekspor terkecil dibandingkan variabel lainnya, kelompok perusahaan ini
berkemungkinan lebih menitikberatkan penjualan pada pasar domestik. Klaster keenam
merupakan kelompok perusahaan yang memiliki kendala pada nilai investasi yang cukup kecil
namun mampu mencapai nilai ekspor yang cukup besar. Berkebalikan dengan kelompok
perusahaan pada klaster enam, klaster ketujuh merupakan perusahaan perusahaan dengan nilai
investasi besar namun memiliki banyak tenaga kerja, kapasitas produksi dan nilai ekspor yang
cukup rendah.

Prosiding
7. Kesimpulan
Banyak klaster optimal yang dapat dibentuk dari data ialah tujuh klaster dengan
anggota klaster satu sebanyak 19 perusahaan, klaster dua sebanyak 16 perusahaan, klaster tiga
sebanyak 11 perusahaan, klaster empat sebanyak 10 perusahaan, klaster lima sebanyak 3
perusahaan, klaster enam sebanyak 3 perusahaan dan klaster tujuh sebanyak 55 perusahaan.
Hasil pengelompokkan pada penelitian ini dapat dijadikan sebagai bahan pertimbangan untuk
mempermudah dalam hal ini pihak DISPERINDAG Kabupaten Cirebon untuk menentukan skala
prioritas pemberian bantuan atau pembinaan dalam usaha peningkatan produksi furniture rotan
di Kabupaten Cirebon berdasarkan karakteristiknya.
8. Referensi
Duo, C., Xue, L., Du-Wu, C., (2007), “An Adaptive Cluster Validity Index for the Fuzzy
C-means”, International Journal of Computer Science and Network Security 7
No.2, 146-156
Klawon, F., Hopner, F, “A Contribution to Convergence Theory of Fuzzy C-Means and

Derivatives”, Science Journal, http://public.rz.fh-wolfenbuettel.de/~klawonn.
Pravitasari, A. A., (2008). “Analisis Pengelompokkan Dengan Fuzzy C-Means Cluster”,

Institut Teknologi Sepuluh Nopember, Surabaya.
Supriyanto, (2004), Analisis Klaster Menggunakan Metode Fuzzy Clustering. Tugas

Akhir, Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Universitas Padjadjaran, Bandung.

Prosiding
(M.7)
PENGELOMPOKAN PASIEN PENYAKIT DEMAM TYPHOID DENGAN
MENGGUNAKAN ANALISIS KLASTER KELAS LATEN
1
Nurdianto Zaenurdin, 2Achmad Bachrudin, 3Anna Chadidjah,
1
Alumnus Jurusan Statistika Universitas Padjajaran
2,3
Dosen Jurusan Statistika Universitas Padjajaran
Alamat: Jl. Raya Bandung – Sumedang Km. 21 Jatinangor Sumedang 45363 - Indonesia
e-mail : 1 zaefebrian@yahoo.com, 2 abach_stat@yahoo.co.id, 3 anna_chadidjah@yahoo.co.id
Abstract
For an effort in early diagnosis at typhoid fever, need to be known heterogeneity of typhoid fever.
Therefor, grouping of typhoid fever patient must be done based on clinical symptom and laboratory
result. Grouping method done in this research is latent class cluster analysis which is the number of class
is treated as latent category variable. The method has some of speciality than the other, one of them is
able to involve variable with different measurement scale.
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.
Base on BIC (Bayesian Information Criterion) statistic, the nmber of parameter and error classification,
getting the best model that is model with 3 clases where 40% of object is in the first class, 39% of object
is in the second class and 21% of object is in the third class which has error classification at 0.0320.
Key Word: Latent, BIC
LATAR BELAKANG
Demam typhoid masih merupakan penyakit infeksi tropik sistemik, bersifat endemis dan
masih menjadi masalah kesehatan masyarakat di Jawa Barat, termasuk di Rumah Sakit “X”.
Berdasarkan data yang diperoleh dari Unit Rekam Medis Rumah Sakit “X”, jumlah penderita
demam typhoid di Rumah Sakit “X” per triwulan pada tahun 2008 diperlihatkan pada tabel berikut.
Jumlah pasien demam typhoid di Rumah Sakit “X” tahun 2008

Triwulan Rawat Jalan IGD Rawat Inap Total Rata-rata
I 252 74 185 511 170.33
II 202 56 138 396 132.00
III 155 48 118 321 107.00
IV 192 77 148 417 139.00
Total 801 255 589 1645

Prosiding
Rata-rata 200.25 63.75 147.25 137.08
Sumber: Unit Rekam Medis Rumah Sakit “X”
Dari data tersebut angka kejadian penyakit demam typhoid di Rumah Sakit “X” masih tinggi,
maka sebagai bentuk peningkatan pelayanan medis, diagnosis dini penyakit demam typhoid perlu segera
ditegakkan. Namun gambaran klinis penyakit demam typhoid sangat bervariasi serta serupa dengan
infeksi akut pada umumnya. Hal ini mungkin menyebabkan seorang ahli pun dapat mengalami kesulitan
dalam menegakkan diagnosis demam typhoid apabila hanya berdasarkan gambaran klinis, 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, gangguan pencernaan dan gangguan kesadaran (Nursalam dkk,
2005). Penyakit demam typhoid disebabkan oleh bakteri salmonella typhi yang masuk ke dalam tubuh
melalui makanan dan air.
Sehubungan dengan demam typhoid tersebut, untuk diagnosisnya maka dilakukan uji widal.
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. Hasil uji widal diinterpretasikan sebagai berikut:
1. Nilai yang tinggi atau peningkatan dari titer O 160 menunjukan terjadinya infeksi aktif.
2. Nilai yang tinggi dari titer H 160 menunjukan infeksi lama (Brooks, Butel & Morse).
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.
Maksud dari penelitian ini adalah menerapkan analisis klaster kelas laten pada
pengelompokan pasien demam typhoid. Adapun tujuan dari penelitian ini adalah untuk
mendapatkan kelompok-kelompok pasien demam typhoid dengan masing-masing
karakteristiknya berdasarkan gejala klinis dan uji laboratatorium.
TINJAUAN PUSTAKA
Agar tujuan dari penelitian ini dapat tercapai, maka diperlukan sebuah analisis yang dapat
mengelompokan objek-objek ke dalam kelas-kelas tertentu. Secara umum untuk tujuan pengelompokan,
analisis yang digunakan adalah analisis klasifikasi dan analisis klaster. Pengetahuan mengenai predefine
class membedakan analisis klasifikasi dari analisis klaster (Rencher, 2002)
Dalam penelitian ini tidak ada informasi mengenai jumlah kelas dan struktur kelasnya, maka
analisis yang akan digunakan adalah analisis klaster (Kaufman dan Rousseeuw,1999).

Prosiding
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, 1990; Rencher 2002).
Dua pendekatan yang umum digunakan dalam analisis klaster adalah hierarchical clustering dan
partitioning (Rencher, 2002; Abonyi 2008). Dalam hierarchical clustering dikenal dua metode yaitu
metode aglomerative dan divisive.
Pada metode agglomerative, analisis dimulai dengan n buah klaster dengan item tunggal,
kemudian dilakukan penyatuan (merging) sampai pada akhirnya diperoleh klaster tunggal
dengan n observasi, sebaliknya pada metode divisive, analisis dimulai dari klaster tunggal dengan
n item, kemudian dilakukan pemisahan (splitting) sampai pada akhirnya diperoleh n buah klaster
dengan item tunggal (Rencher, 2002; Abonyi, 2008).
Pada hierarchical clustering hasil pengklasteran dapat berbeda tergantung pada penentuan
starting point-nya (Hair dkk, 1998), kemudian tidak ada aturan baku mengenai penentuan jumlah
klaster (Latin, 2003), kedua hal inilah yang menjadi kelemaham metode hierarki.
Pada metode partitioning, observasi dipisahkan ke dalam g buah klaster tanpa
menggunakan pendakatan hierarki. Salah satu analisis yang termasuk dalam partitioning adalah
klaster k means (Rencher, 2002; Abonyi, 2008).
Analisis Klaster Kelas Laten

Sama halnya dengan analisis klaster baku, dimana pada analisis klaster kelas laten, objek-
objek dimasukan menjadi bagian salah satu dari K buah kelas laten dengan jumlah dan ukuran
kelas tidak diketahui sebelumnya. Namun berbeda dengan analisis klaster baku, pada model
klaster kelas laten pengelompokan dilakukan berdasarkan sebuah model (model based
classification), artinya diperlukan sebuah model statistik untuk populasi dimana sampel dalam
penelitian diambil (Vermunt dan Magidson, 2002).
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. Dalam contoh aplikasi mengenai terracotta data set, dianalisis
73 objek sampel yaitu berupa pot dan ubin yang dibuat antara abad XVI-XVIII. Dalam penelitian
ini melibatkan 21 variabel metrik dan 19 variabel kategori. Hasil dari penelitian ini diperoleh 3
kelas berdasarkan nilai statistik BIC, dengan 33% objek masuk dalam kelas pertama, 37% masuk
dalam kelas kedua dan 30% masuk dalam kelas ketiga.
Berbeda dengan analisis klaster k means dimana pengelompokan didasarkan pada ukuran
jarak sehingga tipe data terbatas pada skala interval, pada analisis klaster kelas laten
pengelompokan didasarkan pada peluang keanggotaan posterior, maka variabelnya dapat berupa
kontinu, kategori, count atau kombinasinya (Vermunt dan Magidson, 2002). Selain itu pada
analisis klaster k means tidak terdapat panduan mengenai penentuan jumlah klaster, berbeda
dengan analisis klaster kelas laten dimana penentuan jumlah klaster didasarkan pada beberapa
kriteria statistik seperti BIC (Vermunt dan Magidson, 2002).

Prosiding
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. Hal ini
ditunjukan dengan nilai misclassification rate klaster kelas laten sebesar 1.3% lebih kecil dari
misclassification rate klaster K-means sebesar 8%.
Dari uraian diatas, berdasarkan tujuan dan struktur data yang ada, metode yang tepat
digunakan dalam penelitian ini adalah metode klaster kelas laten dengan alasan sebagai berikut:
1. Tidak ada pengetahuan mengenai predefine class.
2. Melibatkan variabel laten.
3. Melibatkan variabel dengan skala yang berbeda (diskrit dan kontinu).
4. Memberikan berbagai kriteria seperti statistik BIC, yang dapat digunakan dalam penentuan
jumlah klaster.
5. Dapat memasukkan variabel demografi atau variabel eksogen (kovariat). Hal ini
dimungkinkan karena analisis klaster kelas laten melakukan analisis klaster dan klasifikasi
secara simultan (Vermunt dan Magidson, 2002).
ANALISIS STATISTIK
Data dan Variabel Penelitian

Data yang digunakan pada penelitian ini berasal dari Unit Rekam Medis Rumah Sakit
“X”, yaitu data mengenai pasien rawat inap tahun 2008 dengan penyakit demam typhoid
sebanyak 100 orang.
Adapun variabel-variabel yang digunakan dalam penelitian ini adalah sebagai berikut:
Kovariat
1. z1 : Usia, yaitu usia pasien rawat inap yang didiagnosa demam typhoid.
2. z2 : Inadequate intake, yaitu asupan nutrisi kurang dari kebutuhan tubuh, ditandai dengan
mulut kering, selaput lendir pucat dan lidah tampak kotor.
3. z3 : Jenis kelamin.
Variabel indikator
1. y1 : Suhu tubuh (0C); diukur pada hari pertama saat pasien menjalani rawat inap.
2. y 2 : peningkatan titer antibodi H; merupakan peningkatan nilai hasil uji widal terhadap
antibodi H antar dua kali uji.
3. y3 : peningkatan titer antibodi O; merupakan peningkatan nilai hasil uji widal terhadap
antibodi H antar dua kali uji.
4. y 4 : Jumlah leukosit (sel/ l ); diukur pada hari pertama saat pasien menjalani rawat inap
5. y5 : Jumlah trombosit (sel/ l ); diukur pada hari pertama saat pasien menjalani rawat
inap

Prosiding
6. y6 : Sakit kepala
7. y7 : Gangguan fungsi usus
Pengecekkan asumsi local independence

Asumsi dasar dalam model kelas laten adalah local independence, yaitu variabel-variabel
indikator mutually independent dalam masing-masing klaster atau equivalent diberikan variabel
laten (Zhang, 2004). Pengecekan asumsi local independence dilakukan dengan melihat bivariat
residual untuk pasangan indicator-indikator dan pasangan kovariat-indikator. (Hagenaars, 1998;
Vermunt, 1997). Rumus umum bivariat residual adalah sebagai berikut:
2
P P 2
1 log log
BR (3.1)
P p 1 Jlocal
p p 1
2
Jlocal
p
Dimana Jp adalah bagian dari local dependency dengan P parameter.

local
Model Klaster Kelas Laten Dengan Variabel Indikator Campuran

Model klaster kelas laten untuk variabel indikator (y) campuran adalah sebagai berikut
(Vermunt dan Magidson, 2002).
K J
f yi q hk f k yij q jk …(3.2)
k 1 j 1
Dimana:
J : Banyaknya variabel indikator
hk : Proporsi objek yang masuk ke dalam kelas leten ke-k.
K : Banyaknya kelas laten
f k yij q jk : Fungsi densitas untuk tiap indikator.
Pada model kelas laten dapat dimasukan beberapa kovariat untuk memprediksi
keanggotaan objek (Vermunt dan Magidson, 2002), artinya ke dalam kelas mana sebuah objek
harus dimasukkan. Dengan melibatkan kovariat, maka model pada persamaan (3.1) akan menjadi
K J
f yi zi , q hk z i f k yij z i , q jk …(3.3)
k 1 j 1
Distribusi bersyarat P k y i , z i , yaitu sebuah objek menjadi anggota kelas ke k bersyarat

y, diartikan sebagai peluang posterior yang dinyatakan sebagai berikut

Prosiding
hk zi f k yij z i , q jk
P k yi , zi
j
…(3.4)
hk zi f k yij z i , q jk
k j
Dalam model klaster kelas laten dengan variabel indikator campuran harus ditetapkan
fungsi distribusi univariat yang sesuai untuk tiap elemen y i . Adapun fungsi distribusi untuk y i
adalah (Moustaki dan papageorgiou, 2004):
a. Variabel Kategori (biner)
Untuk variabel biner dengan mengambil nilai 0 dan 1 distribusi yang digunakan adalah
distribusi Bernoulli yang dinyatakan sebagai berikut
1 yi
f yi k pikyi 1 pik …(3.5)
Dimana pij adalah peluang sebuah objek yang menjadi anggota kelas j akan dijelaskan oleh
variabel i pij P yi 1k
b. Variabel Kontinu
Untuk variabel kontinu diasumsikan bahwa y berasal dari distribusi normal, sehingga
masing-masing kelas laten memiliki rata-rata mij dan varians si2 (Vermunt & Magidson,
2005).
1 1 1 2
f yi mik , si2 2p 2
s 2
exp yi mik …(3.6)
2si2
Dimana mik adalah parameter dari variabel kontinu yi dalam kelas k dan si2 adalah varians dari
variabel ke i yang konstan antar kelas.
Estimasi Parameter
Parameter-parameter dalam anaisis klaster kelas laten diestimasi dengan metode maksimum
likelihood yang dinyatakan sebagai berikut (Moustaki dan Papageorgiou, 2004):
n
L log f y i z i , q
i 1
n K J
L log hk z i f k yij z i , q jk …(3.7)
i 1 k 1 j 1

Prosiding
Taksiram maksimum likelihood yang diperoleh dari turunan parsial dari log likelihood
pada persamaan (3.6) adalah sebagai berikut (Moustaki dan papageorgiou, 2004):
Taksiran peluang prior kelas
n
hˆk Pˆ k y i , z i n …(3.8)
h 1
Taksiran peluang bersyarat bahwa yi 1 bersyarat kelas k untuk variabel biner:
n
pˆ ik xih Pˆ k y i , z i nhˆk …(3.9)
h 1
Taksiran parameter untuk variabel kontinu:
n
mˆ ik xih Pˆ k y i , z i nhˆk …(3.10)
h 1
Dan varians (disumsikan konstan) dalam masing-masing kelas adalah
n K n K
Pˆ k y i , z i Pˆ k y i , z i
2
sî2 yih mˆ ik …(3.11)
h 1 j 1 h 1 k 1
Dalam model klaster kelas laten dapat dibuat linier prediktor sebagai berikut (Vermunt &
Magidson, 2005):
Prediktor linier untuk variabel kontinu
R
lqt , zi b0t bqt 0 brt zir …(3.12)
r 1
Dimana b0t adalah intersep, bqt 0 adalah efek klaster terhadap yit , dan brt merupakan efek
langsung kovariat r terhadap indikator yang bersangkutan.
Prediktor linier untuk variabel biner

R
lmt q , zi bmt 0 bmt q 0 bmr
t
zir …(3.13)
r 1

Prosiding
Dimana bmt 0 adalah intersep, bmq

t
0 adalah efek klaster terhadap
yitm , dan bmr
t
merupakan
efek langsung kovariat r terhadap indikator yang bersangkutan.
Langkah selanjutnya dari analisis klaster kelas laten adalah menguji signifikasi parameter
dengan menggunakan statistik Wald sebagai berikut:
H0 : C ' J 0 (Variabel indikator tidak mempunyai daya pembeda terhadap kelas laten yang
terbentuk)
H1 : C ' J 0 (Variabel indikator mempunyai daya pembeda terhadap kelas laten yang
terbentuk)
Dengan taraf kesalahan sebesar a .

-1
Statistik uji: ˆ J C
W 2 = C'J ' C'Σ C'J …(3.14)
Dengan kriteria uji; Tolak H0 jika p-value a
Penentuan Banyak Kelas

Untuk mengukur kecocokan model dalam analisis klaster kelas laten digunakan beberapa kriteria
informasi, BIC adalah kriteria yang paling sering digunakan (Raftery, 1986), dimana model yang terbaik
adalah model dengan nilai BIC paling rendah.
Adapun statistik ukuran kecocokan model Bayesian Information Criteria (BIC)

dirumuskan sebagai berikut (Schwartz, 1987):
BIC 2log L p log n …(3.15)

Dengan:
log L : logaritma natural likelihood
p : Banyaknya parameter
n : Ukuran sampel
Klasifikasi Objek ke dalam Kelas Laten
Pengklasifikasian objek-objek ke dalam kelas-kelas dilakukan berdasarkan taksiran peluang

posterior Pˆ k y i , z i (Moustaki dan papageorgiou, 2004). Untuk respon ke-i peluang suatu objek masuk
pada suatu klaster dinyatakan sebagai berikut:
hˆk zi fˆk yij z i , q jk
Pˆ j y i , z i …(3.16)
j
hˆk zi fˆk yij z i , q jk

k j

Prosiding
Dimana nilai peluang posterior yang paling tinggi pada suatu klaster menunjukan bahwa objek
yang bersangkutan menjadi bagian dari klaster tersebut.
Untuk menilai kualitas model klasifikasi diukur nilai classification error sebagai berikut
(Vermunt & Magidson, 2005):
t
wi 1 max P k y i , z i
E i 1
…(3.17)
N
Dengan wi , frekuensi objek yang memiliki kesamaan nilai-nilai variabel.
Setelah diperoleh sejumlah klaster, tahap terakhir adalah member profil terhadap masing-masing klaster.
HASIL ANALISIS
Seperti telah dijelaskan sebelumnya, data yang digunakan dalam analisis ini merupakan data
sekunder yang diperoleh dari unit rekam medis Rumah Sakit “X”. Data dalam analisis ini terdiri dari lima
variabel metrik dan dua variabel kategori yang masing-masing diasumsikan berdistribusi normal dan
Bernoulli.
Analisis dikerjakan dengan menggunakan software Laten Gold 4.0 karena dapat memfasilitasi
hal-hal yang telah dijelaskan sebelumnya.
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, yaitu suhu,
peningkatan titer antibodi H, peningkatan titer antibodi O, sakit kepala dan gangguan fungsi usus.
Selanjutnya dari hasil identifikasi model dengan tiga klaster, dapat pula ditunjukan bahwa asumsi local
independence telah terpenuhi yaitu dilihat dari nilai bivariat residual yang kurang dari 3.84 (Vermunt &
Magidson).
Identifikasi Model
Berdasarkan kriteria BIC diperoleh model optimal dengan 3 klaster, dengan nilai BIC terkecil,
yaitu 1183.69 dan error klasifikasi terkecil sebesar 0.0320. Oleh karena itu pada analisis ini akan
digunakan 3 buah klaster. Sedangkan error classification diperoleh sebesar 0.0859 dengan jumlah
klasifikasi yang benar pada klaster laten 1 sebanyak 34 pengamatan, klaster laten 2 sebanyak 33
pengamatan dan klaster laten 3 sebanyak 23 pengamatan.

Prosiding
Hasil Estimasi Parameter Model

Seperti yang telah dijelaskan sebelumnya, dengan metode estimasi maksimm likelihood diperoleh
estimasi parameter linier prediktor untuk variabel indikator adalah sebagai berikut:
1. Linear prediktor untuk variabel indikator Suhu
suhu
= 37,0774 + 0,0281klaster 1 + 0.3262 klaster 2 - 6.7267 klaster 3
Pada uji Wald, nilai p-value < taraf kesalahan 0.05, yang menunjukkan bahwa parameter model
memiliki pengaruh yang signifikan terhadap model, artinya variabel indikator suhu mempunyai daya
pembeda terhadap klaster laten yang terbentuk. Sedangkan, R2 menunjukkan bahwa hanya 4,7%
variasi yang terjadi pada variabel indikator leukosit dapat dijelaskan oleh model yang terbentuk.
2. Linier prediktor untuk variabel H (peningkatan titer antibodi H)

H
= 0,6332 - 0.6157 klaster 1 + 0,0536 klaster 2 + 0.5621 klaster 3
Pada uji Wald, nilai p-value < taraf kesalahan 0.05, yang menunjukkan bahwa parameter model
memiliki pengaruh yang signifikan terhadap model, artinya variabel indikator peningkatan titer
antibodi H mempunyai daya pembeda terhadap klaster laten yang terbentuk. Sedangkan, R2
menunjukkan bahwa 43,97% variasi yang terjadi pada variabel indikator peningkatan titer antibody H
dapat dijelaskan oleh model yang terbentuk.
3. Linier prediktor untuk variabel O (peningkatan titer antibodi O)

O
= 0,6332 - 0,3702klaster 1 + 0,7415 klaster 2 - 0,3713 klaster 3
Pada uji Wald, nilai p-value < taraf kesalahan 0.05, yang menunjukkan bahwa parameter-parameter
model memiliki pengaruh yang signifikan terhadap model, artinya variabel indikator peningkatan titer
antibodi O mempunyai daya pembeda terhadap klaster laten yang terbentuk. Sedangkan, R2
menunjukkan bahwa 63,56% variasi yang terjadi pada variabel indicator peningkatan titer antibodi O
dapat dijelaskan oleh model yang terbentuk.
4. Linier prediktor untuk variabel sakit kepala

sakit kepala
= 0,8768 - 1,8541klaster 1 + 0,3584 klaster 2 + 1,4957 klaster 3
model memiliki pengaruh yang signifikan terhadap model, artinya variabel indikator sakit kepala
mempunyai daya pembeda terhadap klaster laten yang terbentuk. Sedangkan, R2 menunjukkan bahwa
68,98% variasi yang terjadi pada variabel indikator sakit kepala dapat dijelaskan oleh model yang
terbentuk.
5. Linier prediktor untuk variabel gangguan fungsi usus

GFusus
= 0,1885 - 0,5928klaster 1 + 2,6749 klaster 2 - 2,0821 klaster 3
model memiliki pengaruh yang signifikan terhadap model, artinya variabel indikator gangguan fungsi
usus mempunyai daya pembeda terhadap klaster laten yang terbentuk. Sedangkan, R2 menunjukkan
bahwa 75,16% variasi yang terjadi pada variabel indikator gangguan fungsi usus dapat dijelaskan
oleh model yang terbentuk.

Prosiding
Dilihat dari efek langsung kovariat terhadap klaster diperoleh bahwa usia dan jenis kelamin tidak
memberikan pengaruh yang signifikan dalam pembentukan klaster (p-value > 0.05). Hanya inadequate
intake saja yang berpengarh signifikans (p-value < 0.05).
KESIMPULAN
Berdasarkan hasil analisis yang telah dikemukakan pada bab sebelumnya, dapat diambil
kesimpulan sebagai berikut:
1. Model pengelompokan pasien demam typhoid berdasarkan variabel indikator gejala klinis dan uji
laboratorium adalah model dengan tiga klaster.
2. Karakteristik setiap klaster yang terbentuk adalah sebagai berikut:
a. Kelompok penyakit demam typhoid tipe I adalah kelompok dengan rata-rata suhu 370C, rata-rata
peningkatan titer antibodi H dan O sebanyak satu kali, tidak terdapat sakit kepala dan gangguan
fungsi usus serta tidak terjadi inadequate intake.
b. Kelompok penyakit demam typhoid tipe II adalah kelompok dengan dengan rata-rata suhu 370C,
rata-rata peningkatan titer antibodi H sebanyak 2 kali dan rata-rata peningkatan titer antibodi O
sebanyak 3 kali, terdapat sakit kepala dan gangguan fungsi usus serta terjadi inadequate intake.
c. Kelompok penyakit demam typhoid tipe III adalah kelompok dengan rata-rata suhu 370C, rata-
rata 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.
3. Dari model klaster yang terbentuk, diperoleh kesalahan klasifikasi sebesar 0.0320, artinya model
klaster kelas laten sangat baik digunakan dalam hal pengklasteran.
REFERENSI
1. Abonyi, Janos dan Feil, Balazs. 2007. Cluster analysis for data mining and system Identification.
Birkhaser. Berlin
2. Brooks, Geo F., Butel, Janet S., dan Morse, Stephen A. 2004. Medical Microbiology. Edisi 23. Mc
GrawHill.
3. Dean, Nema., dan Raftery, Adriane., Latent Class Analysis Variable Selection, 2008. Departement of
Statistics, University of Washington. Seatle.
4. Hair, Josep F., Jr., William C. Black, Barry J. Babin, Rolf E. Anderson, dan Ronald L. Tatham.
1998. Multivariate Data Analysis. Fifth Edition. Prentice Hall: New Jersey.
5. Johnson, R. A., dan. Wichern. D. W. 1992. “Applied Multivariate Statistical Analysis” Prentice Hall,
Englewood Cliffis, New Jersey.
6. Juwono, Rahmat. Demam Tifoid. Buku Ajar Ilmu Penyakit Dalam. Jilid 1. Hal 435-442. Persatuan
Ilmu penyakit Dalam Indonesia.
7. Kapita Selekta Kedokteran. 1999. Media Aeskulapius, Fakultas Kedokteran Universitas Indonesia.
8. Moustaki, I., Papageorgiou, I., 2004. Latent Class Models for Mixed Variables with Applications in
Archaeometry. Elsevier.

Prosiding
9. Muliawan Sylvia Y., Surjawidjaja Julius E., Tinjauan Ulang Peranan Uji Widal Sebagai alat
diagnostic Penyakit Demam Typhoid di Rumah Sakit. Bagian Mikrobiologi, Fakultas Kedokteran
Universitas Trisakti. Jakarta.
10. Nylund, Karen. L., Asparouhov, Tihomir dan Muthen Bengt O., 2007. Deciding on the Number
Classes in Latent Class Analysis and Growth Mixture Model: A Monte Carlo Simulation Study.
Lawrance Erlbaum Associate, Inc. Los Angeles.
11. Rencher C. Alvin., 2002. Method of Multivariate Analysis 2nd Edition. Wiley Series in Probability.
12. Vermunt,. J. K dan Magidson,J., 2000. Latent GOLD’s User’s Guide. Statistical Innovation Inc.,
Boston.
13. Vermunt,. J. K dan Magidson,J., 2002. Latent Class Clster Analysis. Tilburg University Statistical
Innovation Inc., Boston.
14. Vermunt,. J. K dan Magidson,J., 2002. Latent Class Model for Clustering: A Comparison with K
Means. Canadian Journal of Marketing Research, Volume 20, hal. 37-44.
15. Vermunt,. J. K dan Magidson,J., 2005. Technical Guide for Latent GOLD 4.0: Basic and Advance.
Statistical Innovation Inc.
16. Yang Miin Shen., Y Nan Yi., 2003. Estimation of Parameter in Latent Class Models sing Fuzzy
Clstering Algorithm. Elsevier

Prosiding
(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
Lukitoningtyas 1*, Nur Iriawan 2
Mahasiswa Magister Statistika, Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia1*

Lukitoningtyas.10@gmail.com
Jurusan Statistika, Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia 2
Abstrak
Pada tahun 2008 BPS melakukan pembaharuan peta dalam rangka pelaksanaan Sensus
Penduduk 2010, sebagai tindak lanjut dari proses tersebut diperlukan adanya alat ukur
untuk mengetahui manfaat dan tingkat kemudahan teknologi yang baru diterapkan
dalam bidang pemetaan. 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). Selain PU
dan PEU, intervensi variabel eksternal secara tidak langsung juga memiliki pengaruh.
Selanjutnya hubungan sebab akibat antara PEU, PU dan variabel eksternal dimodelkan
dengan menggunakan pendekatan SEM Bayesian. Kelebihan pendekatan bayesian
untuk SEM adalah: berfokus pada data individu; mengurangi ketergantungan pada
teori asimtotik normal; lebih mudah diaplikasikan untuk kasus yang komplek; dapat
digunakan untuk model dengan hubungan tidak linier; dapat digunakan untuk jenis
data dikotomus dan data kategori; dan tetap reliable untuk ukuran data kecil.
Kata kunci : Structural Equation Modeling (SEM), Bayesian, Perceived Usefulness

(PU), Perceived Ease of Use (PEU).
1. Pendahuluan
Manfaat peta dalam sensus adalah untuk mengidentifikasi letak atau alamat dari
responden yang dicacah (United Nations, 2000). Selain itu, peta juga sangat strategis untuk
menghindari kesalahan cakupan yang dapat berupa lewat cacah (omission) atau ganda cacah
(double counting) (BPS, 2008). Setelah proses pencacahan selesai, peta digunakan untuk
visualisasi hasil sensus, mendukung demografi kewilayahan dan indikator sosial dari suatu
wilayah (United Nations, 2000).
Selama ini Peta yang digunakan BPS masih berupa sketsa peta yang belum ber-
georeference. Peta belum menggunakan skala yang sesuai dengan letak daerah tersebut pada
permukaan bumi (BPS, 2008). Pada tahun 2008 BPS melakukan pembaharuan peta dalam rangka
pelaksanaan Sensus Penduduk 2010, sebagai tindak lanjut dari proses tersebut diperlukan adanya

Prosiding
alat ukur untuk mengetahui manfaat dan tingkat kemudahan teknologi yang baru diterapkan
dalam bidang pemetaan. 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).
Dishaw dan Strong (1998) menunjukkan bahwa intervensi variabel eksternal secara
tidak langsung mempengaruhi PEU dan PU. Variabel eksternal dipilih sesuai dengan technology
features, keadaan penelitian, dan tujuan riset. Hubungan sebab akibat antara PEU, PU dan
variabel eksternal dimodelkan dengan suatu metode. Para peneliti menggunakan berbagai
metode untuk uji asumsi dan pembentukan model, misalnya Davis (1989) mengadopsi analisis
faktor, Stan dan Saporta membandingkan Structural Equation Modeling (SEM) dengan Partial
Least Squares (PLS) dan Linear Structural Relationship (LISREL), Green, Hevner dan Collin
(2005) menggunakan model PLS, Handy, Whiddett dan Hunter (2001) menggunakan analisis
regresi. Dan adopsi SEM untuk pembentukan model dilakukan oleh Kim, Park dan Lee (2007).
Dalam makalah ini, untuk memodelkan hubungan antara PEU, PU dan variabel
eksternal menggunakan pendekatan SEM Bayesian. Menurut Lee (2007) kelebihan pendekatan
bayesian untuk SEM adalah: berfokus pada data individu; mengurangi ketergantungan pada teori
asimtotik normal; lebih mudah diaplikasikan untuk kasus yang komplek; dapat digunakan untuk
model dengan hubungan tidak linier; dapat digunakan untuk jenis data dikotomus dan data
kategori; dan tetap reliable untuk ukuran data kecil.
2. Model dan Hipotesis

Dalam penggunaan TI, perceived ease of use (PEU) adalah suatu ukuran dimana
seseorang percaya bahwa TI mudah dipahami dan digunakan. Sedangkan perceived usefulness
(PU) adalah suatu ukuran dimana penggunaan suatu teknologi dipercaya akan mendatangkan
manfaat dan meningkatkan kinerja bagi orang yang menggunakannya (Davis, 1989). PEU
berpengaruh langsung kepada PU. Dalam penelitian ini kami mengidentifikasi variabel eksternal
yang berpengaruh pada PEU dan PU berdasarkan analisis sejenis yang telah dilakukan oleh
peneliti-peneliti sebelumnya, yaitu: kualitas teknologi informasi, kemampuan sistem, dukungan
organisasi dan kompleksitas teknologi.
2.1. Kualitas Teknologi Informasi (KTI)

Kualitas didefinisikan sebagai kriteria pengguna berkaitan dengan keunggulan suatu
teknologi informasi, dimana kualitas yang baik merujuk pada anggapan bahwa teknologi dapat
memenuhi harapan pengguna, atau pelayanan yang diberikan dapat memuaskan pengguna
(Chang, Li, Hung, dan Hwang, 2005).
2.2. Kemampuan Sistem (KS)

Kemampuan sistem diukur dengan menggunakan tingkat efesiensi, efektifitas, dan
reliabilitas dari sistem (Basaglia, Caporarello, Magni dan Pennarola, 2010). Suatu teknologi
tidak secara eksplisit mempertimbangkan bagaimana harapan pengguna, tetapi kemampuan
sistem akan mempengaruhi perilaku mereka.
2.3. Dukungan Organisasi (DO)

Faktor organisasi dipilih sebagai eksternal variabel untuk mencerminkan dukungan dan
promosi organisasi dalam penerimaan suatu teknologi informasi (Kim, dkk, 2007). Bentuk

Prosiding
dukungan organisasi diwujudkan dalam sumber daya dan bantuan yang diberikan organisasi
dalam proses penerimaan suatu teknologi informasi.
2.4. Kompleksitas Teknologi (KT)

Kompleksitas teknologi mengacu kepada sejauh mana tingkat kesulitan suatu teknologi
untuk dipahami dan digunakan.Secara umum tingkat kompleksitas suatu teknologi
mempengaruhi persepsi tingkat kemudahan pengguna, sebab kapasitas pemrosesan informasi
manusia secara alami mengalami keterbatasan, maka tingkat kompleksitas yang tinggi harus
diatasi dan menjadi perhatian utama (Teo, 2009).
Kualitas
TI
Perceived
Kemampuan Usefulness (PU)
Sistem
Dukungan
Organisasi
Perceived
Ease of Use (PEU)
Kompleksitas
Teknologi
Gambar 1. Model Penelitian
Berdasarkan pada uraian diatas, hipotesis yang digunakan dalam penelitian ini adalah:
Hipotesis 1. Kualitas Teknologi mempengaruhi Perceived Usefulness (PU)
Hipotesis 2. Kemampuan sistem mempengaruhi Perceived Usefulness (PU) dan Perceived
Ease of Use (PEU)
Hipotesis 3. Dukungan organisasi berpengaruh langsung pada Perceived Usefulness (PU) dan
Perceived Ease of Use (PEU)
Hipotesis 4. Kompleksitas teknologi berpengaruh langsung pada Perceived Ease of Use
(PEU)
Hipotesis 5. Perceived Ease of Use (PEU) berpengaruh langsung pada Perceived Usefulness
(PU)
3. Estimasi Bayesian dalam SEM

Pendekatan Bayesian untuk SEM tidak menggunakan matrik kovarians dari data, tetapi
menggunakan row data asli (Lee, 2007). Misalnya untuk persamaan pengukuran:
(1)
dengan, adalah vektor , indikator untuk variabel laten eksogen

yang berukuran . Matrik adalah koefisien struktural yang menghubungkan variabel
laten dengan variabel observasi. Vektor merupakan ukuran error untuk .

Prosiding
Jika didefinisikan adalah himpunan parameter yang tidak diketahui.

Misalkan adalah baris ke-k dari dan adalah elemen diagonal dari , maka diperoleh
prior:
(2)
dimana adalah elemen didalam dan adalah hiperparameter dan

matrik positif definit. adalah distribusi Wishart berdimensi q dengan
hiperparameter dan adalah matrik positif definit.
Misalkan adalah baris ke-k dari X, adalah matrik dari variabel laten,
, dan juga diketahui bahwa
. Selanjutnya distribusi bersyarat dari
akan berdistribusi Normal-gamma.
(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 . Pendekatan threshold untuk analisisnya
adalah dengan memperlakukan data kategori sebagai manifestasi dalam variabel normal x,
karena x tidak tersedia, maka x akan berhubungan dengan data kategori . Selanjutnya dihitung:
(4)
dengan, adalah fungsi indikator dari y (sama dengan 1 jika dan 0 untuk lainnya) dan
adalah suatu densitas normal standar.
Terakhir menghitung distribusi posterior bersama dengan menggunakan
simulasi Gibbs Sampler yang merupakan jenis dari simulasi markov chain (Gelman, Carlin,
Stern dan Rubin, 2004). Dimulai dari suatu inisial nilai , selanjutnya untuk
iterasi ke- akan sama dengan:
Langkah 1: Bangkitkan dari ;

Langkah 2: Bangkitkan dari ;
Langkah 3: Bangkitkan ( dari .
4. Metode Penelitian
Berdasarkan model penelitian pada Gambar 1 dan hipotesis penelitian yang telah
dijelaskan pada bagian sebelumnya, 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. Dari jumlah tersebut, data yang lengkap dan dapat

Prosiding
digunakan dalam analisis ini adalah sebanyak 202 responden. Kuesioner yang digunakan dalam
penelitian, dapat dilihat pada Tabel 1.
5. Hasil dan Pembahasan

Berdasarkan data yang diperoleh melalui survei untuk menguji hipotesis penelitian dan
membentuk model, maka SEM untuk penelitian ini mengandung empat variabel laten eksogen
yang merujuk pada variabel ekternal dan dua variabel laten endogen untuk
PU dan PEU. Semua variabel laten dalam penelitian diukur dengan 22 variabel observasi seperti
pada Tabel 1.
5.1. Uji Reliabilitas dan Validitas

Semua penelitian yang akan mengukur sesuatu, harus memperhatikan tingkat akurasi
yang biasa disebut sebagai ukuran reliabilitas. Tinggi rendahnya reliabilitas ditunjukkan oleh
suatu angka yang disebut nilai koefisien reliabilitas, yaitu nilai alpha Cronbach (Cronbach,
1951). Sifat reliabilitas adalah merupakan skor pengukuran dan tergantung dari sampel (Gliem
dan Gliem, 2003). Reliabilitas tidak mencerminkan validitas, ukuran reliabilitas adalah
mengukur sesuatu secara konsisten, tetapi belum tentu mampu mengukur apa yang akan diukur.
Seperti akurasi dan presisi, maka reliabilitas adalah presisi, dan validitas adalah akurasi.
Validitas ditunjukkan oleh korelasi antara masing-masing pertanyaan dengan skor total dengan
menghitung korelasi perkalian momen (product moment correlation). Nilai reliabilitas dan
validitas dari komponen-komponen yang digunakan dalam penelitian ditunjukkan oleh Tabel 2.
Tabel 1. Daftar pertanyaan pada kuesioner yang digunakan dalam penelitian

Variabel Pertanyaan tentang persepsi pengguna peta
KTI1 ( ) Peta ber-georeference telah sesuai bentuk aslinya di lapangan

KTI2 ( ) Peta ber-georeference telah lengkap (legenda, atribut, batas wilayah
dan identitas)
KTI3 ( ) Peta ber-georeference lebih efektif dan efisien dalam penyimpanan
KTI4 ( ) Peta ber-georeference secara kualitas lebih baik
KTI5 ( ) Peta ber-georeference lebih handal (jumlah peta yang salah
berkurang)
KS1 ( ) Peta ber-georeference jelas dan tidak saling tumpang tindih
KS2 ( ) Peta ber-georeference meningkatkan kualitas hasil dari sensus/ survei
KS3 ( ) Peta ber-georeferencememberikan informasi yang berguna bagi
organisasi
KS4 ( ) Peta ber-georeference meminimalkan lewat cacah dan ganda cacah
DO1 ( ) Atasan seharusnya mewajibkan menggunakan peta ber-georeference
pada setiap kegiatan pencacahan
DO2 ( ) Kantor seharusnya menyediakan alat, bantuan dan fasilitas untuk
pemetaan
DO3 ( ) Seharusnya ada staf khusus yang menangani masalah peta
KT1 ( ) Peta ber-georeference tidak sulit dibaca
KT2 ( ) Peta ber-georeference mudah digunakan

Prosiding
KT3 ( ) Peta ber-georeference tidak rumit

PEU1 ( ) Peta ber-georeferencemudah digunakan dan lebih powerfull
PEU2 ( ) Peta ber-georeference jelas dan mudah dipahami oleh pengguna
PEU3 ( ) Peta ber-georeference dapat dengan mudah memenuhi apa yang
diinginkan dan lebih fleksibel
PU1 ( ) Peta ber-georeference memungkinkan kegiatan pencacahan selesai
dalam jangka waktu yang lebih cepat
PU2 ( ) Peta ber-georeference menambah bukti/bahan yang akan mendukung
dalam pengambilan keputusan
PU3 ( ) Peta ber-georeference menunjukkan control (pengawasan) yang lebih
pada kegiatan sensus/survei
PU4 ( ) Peta ber-georeference mendukung aspek penting dalam pekerjaan (BS
lebih mudah ditemukan)
Dari Tabel 2 dapat dilihat bahwa untuk semua variabel eksternal, PU dan PEU semua
memiliki nilai alpha cronbach lebih besar dari 0,7. 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. Sedangkan untuk korelasi antara setiap
komponen dengan total komponen seluruhnya bernilai positif, artinya ketepatan dan kecermatan
pertanyaan dalam melakukan fungsi ukurnya cukup baik, sehingga data yang diperoleh dapat
mencapai tujuan penelitian.
Tabel 2. Nilai Validitas dan Reliabilitas dari variabel penelitian

Relia Relia Relia
Variab Vali Variab Vali Variabe Vali
bilita bilita bilita
el ditas el ditas l ditas
s s s
(1) (2) (3) (1) (2) (3) (1) (2) (3)
0,706 0,703 0,822

KTI DO PEU
5 4 4
KTI1 DO1 0,771 0,840
0,5605 PEU1 ( )
( ) ( ) 8 9
KTI2 DO2 0,855 0,798
0,7472 PEU2 ( )
( ) ( ) 7 9
KTI3 DO3 0,749 0,957
0,7437 PEU3 ( )
( ) ( ) 6 7
KTI4
0,7558
( )
KTI5 0,725 0,731
0,5866 KS PU
( ) 2 5
KT 0,742 KS1 ( ) 0,787 PU1 ( ) 0,696

Prosiding
9 0 2
KT1 0,8094 0,779 0,741 5.2. S
KS2 ( ) PU2 ( ) EM
( ) 0 2
KT2 0,7835 0,678 Bayes
0,726
KS3 ( ) PU3 ( ) ian
( ) 0 7
dari
KT3 0,8514 0,670 0,894 Mode
KS4 ( ) PU4 ( )
( ) 5 4 l
Penelitian
Untuk data kategori, yang diperlukan dalam analisis dan estimasi Bayesian adalah
frekuensi dan proporsi untuk setiap kategori yang diperlukan untuk menentukan threshold ( ).
Tabel 3 menunjukkan frekuensi untuk setiap kategori pada masing-masing pertanyaan untuk
membentuk threshold yang berdistribusi N[0,1]. Jumlah kategori untuk setiap pertanyaan pada
penelitian adalah antara 3 dan 5.
Tabel 3. Frekuensi untuk masing-masing pertanyaan dalam penelitian

Frekuensi Frekuensi
Variabel Variabel
1 2 3 4 5 1 2 3 4 5
(1) (2) (3) (4) (5) (6) (1) (2) (3) (4) (5) (6)
KTI1 ( ) 1 42 75 72 12 DO3 ( ) 18 132 52 - -

KTI2 ( ) 0 4 20 41 137 KT1 ( ) 2 68 132 - -
KTI3 ( ) 1 5 39 46 111 KT2 ( ) 14 126 62 - -
KTI4 ( ) 4 9 18 28 143 KT3 ( ) 24 113 65 - -
KTI5 ( ) 2 0 23 40 137 PEU1 ( ) 1 12 50 82 57
KS1 ( ) 0 2 31 79 90 PEU2 ( ) 0 7 38 63 94
KS2 ( ) 0 7 62 100 33 PEU3 ( ) 1 31 39 104 27
KS3 ( ) 14 92 96 - - PU1 ( ) 33 59 110 - -
KS4 ( ) 6 75 121 - - PU2 ( ) 5 45 152 - -
DO1 ( ) 5 48 149 - - PU3 ( ) 3 33 166 - -
DO2 ( ) 11 46 145 - - PU4 ( ) 29 64 109 - -
Untuk estimasi parameter model dengan pendekatan SEM Bayesian, harus ditentukan
nilai hiperparameter yang akan digunakan untuk membentuk distribusi prior. Nilai
hiperparameter diasumsikan diketahui berdasarkan informasi dari studi-studi sebelumnya atau
dari sumber lain yang mendukung. Pada penelitian ini kami menggunakan prior sebagai berikut:
dan

Prosiding
Selanjutnya pengolahan data untuk memperoleh estimasi parameter pada model

penelitian dilakukan dengan bantuan paket program WinBugs 14 dan hasilnya seperti pada Tabel
4. Dengan iterasi sebanyak 5000, telah mencapai burn in untuk semua parameter dalam model.
Tabel 4. Estimasi Parameter model

Var. Nilai Var. Nilai Var. Nilai Var. Nilai
(1) (2) (1) (2) (1) (2) (1) (2)
0,633 1,245 0,926 1,847
0,479 1,229 1,198 1,443
0,606 1,176 1,760 1,88
0,744 1,262 1,648 1,703
0,189 1,387 1,688 1,875
0,240 1,329 1,347 1,341
0,179 1,182 1,725 1,608
1,345 0,704 1,825 1,414
1,311 0,920 1,563 1,281
1,302 0,813 1,454 1,785
1,069 0,760 1,633 1,667
1,881
Berdasarkan hasil pada tabel diatas, maka model hubungan antara PEU, 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.
δ1 δ2 δ3 δ4 δ5
x1 x2 x3 x4 x5
1 1,35 1.31 1,30 1.07

ε4 ε5 ε6 ε6
ξ1
δ6 x6 y4 y5 y6 y7
1.25 0.48
δ7 0.81 0.76
x7 1 0.93
1.22 ξ2
δ8 ζ2
x8 1.18 0.61 η2
1
δ9 x9
0.74
δ10 x10 0.63

1.26 0.19
δ11 x11 1.39
ξ3 ζ1
δ12 1
x12 0.24
η1
δ13 x13 0.18
1.33 1
0.7 0.92
δ14 1
x14 ξ4
y1 y2 y3
δ15 1.18
x15
ε3 ε2 ε1
Gambar 2. Model Penelitian yang dihasilkan

Pada Tabel 4 dan Gambar 2, dapat dilihat bahwa secara umum nilai faktor loading
sangat signifikan pada selang kepercayaan 95%, dimana semua nilai lebih besar dari 0,5.

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

Prosiding
Government Information Quarterly, Department of Information Management, National

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

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

Prosiding
Seringkali kondisi lapangan menunjukkan bahwa beberapa variabel prediktor tidak hanya
mempengaruhi sebuah variabel respon saja. Misalnya pada kasus Indeks Pembangunan Manusia
(IPM), IPM terdiri dari tiga dimensi yaitu kesehatan, pendidikan dan daya beli masyarakat.
Sehingga variabel respon untuk kasus tersebut adalah tiga variabel. Menurut Diana (2009), IPM
dipengaruhi oleh Persentase penduduk yang tinggal di daerah perkotaan, Persentase penduduk
yang berpendidikan diatas SLTP, Rata-rata pendapatan perkapita, Rasio ketergantungan
penduduk, Persentase peranan masyarakat di sektor industri dalam PDRB dan Persentase
penduduk miskin.
Estimasi yang digunakan untuk pemodelan probit adalah metode maximum likelihood
estimator (MLE) dan statistik ujinya dengan menggunakan metode maximum likelihood ratio
test (MLRT).
MODEL PROBIT BINER BIVARIAT

Green (2008), model probit bivariat adalah pengembangan dari model probit univariat.
Spesifikasi secara umum untuk model tersebut adalah:
y1* β1T x1 ε1 , jika y1* 0 maka y1 0
y1* 0 maka y1 1 (1)
y2* βT2 x2 ε2 , jika y2* 0 maka y2 0
y2* 0 maka y2 1 (2)
E ε1 x1 , x2 E ε2 x1 , x2 0
Var ε1 x1 , x2 Var ε2 x1 , x2 1
Cov ε1 , ε2 x1 , x2
Estimasi yang digunakan pada model probit bivariat adalah maksimum likelihood. Model probit
biner bivariat mempertimbangkan dua variabel dependen ( y1 dan y 2 ), dan mengasumsikan dua
variabel random error 1 dan 2 saling berkorelasi . Probabilitas distribusi bivariat adalah:
z2 z1
P( Z1 z1 , Z 2 z2 ) ( z1 , z2 , ) d z1 d z2 ( z1 , z2 ) ( z1 ) (3)
dimana ( ) adalah fungsi densitas dan ( ) adalah fungsi distribusi kumulatif normal bivariat.
Fungsi densitasnya adalah:
1 1 1
( z1 , z2 , ) exp z12 2 z1 z2 z22 (4)
2 2 1 2
2 1

Prosiding
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). Untuk mendapatkan penaksir β dengan menggunakan metode MLE adalah
dengan langkah-langkah sebagai berikut:
1. Mengambil n sampel random
Y11i , Y10i , Y01i , Y00i , X1i , X 2i , , X ki i 1, 2,..., n
Tabel 1: Struktur Data Biner Bivariat

I Y11i Y10i Y01i Y00i X1 X2 Xk
1 1 0 0 0 x11 x21 xk1
2 0 0 0 1 x12 x12 xk 2
3 0 0 1 0 x13 x13 xk 3
N 0 1 0 0 x1n x2n xkn
Tabel 1 menunjukkan struktur data biner bivariat, yang mana kejadian pada setiap res-ponden
akan berdistribusi Multinomial Y11 , Y10 , Y01 ~ M 1; P11 , P10 , P01 . Y00 dan P00 secara berturut adalah
Y00 1 Y11 Y10 Y01dan P00 1 P11 P10 P01 serta nilai y11 , y10 , y01 , y00 adalah 0 atau 1. Bentuk
distribusi peluangnya adalah:
f ( y11 , y10 , y01 , P11 , P10 , P01 ) P11y11 P10y10 P01y01 P00y00
2. Membentuk fungsi likelihood

Pada data biner bivariat, dengan mengambil n sampel random yang saling bebas, maka variabel
random bivariat akan berdistribusi multinomial dengan nilai setiap selnya adalah Y11i , Y10 i , Y01i
dan Y00i dengan i 1, 2, , n serta nilai peluangnya adalah P11i , P10i , P01i dan P00i . Sehingga
fungsi likelihood dari variabel random biner bivariat sebagai berikut:
n
L β P11i y11i P10i y10 i P01i y01i (1 P11 P10 P01 ) 1 y11 y10 y01
(5)
i 1
3. Membuat ln fungsi likelihood, fungsi ln likelihood tersebut adalah:

n
ln L β ln P11i y11i P10i y10 i P01i y01i (1 P11 P10 P01 ) 1 y11 y10 y01
(6)
i 1
4. Kemudian memaksimumkan fungsi ln likelihood dengan menderivatifkan ln fungsi

likelihood terhadap parameter-parameternya dan kemudian menyamakan dengan nol.
Maka turunan pertama ln(β) terhadap β1 adalah:

Prosiding
ln L n
P01i P1i (7)
( a y11i b y10i c y01i d y00i ) (b y10i d y00i )
β T
1 i 1 β1T β1T
Sedangkan turunan pertama ln(β) terhadap β 2 adalah:

ln L n
P2i P01i (8)
(a y11i b y10i ) ( a y11i b y10i c y01i d y00 i )
β T
2 i 1 βT2 βT2
Misal:
1 1 1 1
a ,b c , dan d
P2i P01i P1i P2i P01i P01i 1 P1i P01i
Karena diperoleh hasil taksiran yang tidak close form, maka salah satu pendekatan numerik yang
dapat digunakan adalah metode Newton-Raphson. Melalui proses iterasi Newton-Raphson dapat
m
diperoleh penaksir maksimum likelihood bagi , dimana adalah penaksiran parameter
pada iterasi ke m. Algoritma proses iterasi Newton-Raphson untuk mencari suatu penaksir bagi β
, terlebih dahulu menentukan vektor g , yang merupakan turunan pertama dari fungsi likelihood
terhadap parameternya. Kemudian menentukan matriks H , yang elemen-elemennya merupakan
turunan kedua terhadap parameternya. Komponen vektor g yang berukuran (2 1) adalah:
ln L(β)
β1T
g (β) (9)
ln L(β)
βT2 [2( p 1) 1]
Kemudian membentuk matrik Hessian atau matrik H(β) , matrik ini diperoleh dari turunan
parsial kedua ln L( ) terhadap β . Sehingga, didapatkan matrik simetris Hessian adalah sebagai
berikut:
2 2
ln L(β) ln L(β)
β1 β1T β1 βT2
H(β) (10)
2
ln L(β)
β 2 βT2 [2( p 1) 2( p 1)]
PENGUJIAN SIGNIFIKANSI MODEL PROBIT BINER BIVARIAT

Untuk menguji kelayakan model yang diperoleh dari penaksiran parameter, dilakukan
pengujian parameter model probit biner bivariat. Hal ini bertujuan untuk mengetahui apakah
variabel prediktor yang terdapat dalam model berpengaruh nyata atau tidak. Dalam pengujian

Prosiding
parameter model dilakukan baik secara overall (serentak) maupun parsial. Metode yang
digunakan adalah MLRT.
Hipotesa untuk menguji secara serentak, apakah variabel x1 , x2 ,..., x p mempunyai pengaruh
yang signifikan terhadap variabel respon y1 dan y 2 , adalah:
H0 : 11 12 1p 21 22 2p 0
H 1 : paling sedikit ada satu rs 0
dengan r 1, 2 dan s 1, 2,..., p (11)
Statistik uji yang digunakan adalah G 2 .
L( ˆ )
G2 2 ln 2 ln 2 ln L( ˆ ) 2 ln L( ˆ ) (12)
L( ˆ )
Distribusi G 2 mendekati distribusi 2

(Agresti, 2002). Keputusan untuk menolak H0 jika
2 2
Ghitung ,v , dimana v adalah banyaknya parameter model dibawah populasi dikurangi
2
banyaknya parameter model dibawah H0. Kemudian nilai v, dapat diperoleh pada tabel Chi-
Square.
Setelah melakukan pengujian secara serentak, langkah selanjutnya adalah pengujian secara
parsial. Pada pengujian ini, ingin diketahui kontribusi setiap variabel prediktor. Pengujian
hipotesis secara parsial pada model probit biner bivariat adalah:
H0 : rs 0
H1 : rs 0 dengan r 1, 2 dan s 0,1, 2,..., p (13)
Untuk menentukan statistik uji pada uji parsial dilakukan cara yang sama seperti uji serentak,
ˆ
rs
sehingga didapatkan statistik uji t , yaitu thitung . (14)
SE ( ˆrs )
SE ( ˆrs ) Var ( ˆrs ) , dimana Var ( ˆrs ) adalah elemen diagonal dari matrik Informasi,
I E ( H 1 ) . Keputusan untuk menolak H0 jika thitung t(1; ) .
APLIKASI MODEL PROBIT BINER BIVARIAT

Indeks Pembangunan Manusia (IPM) / Human Development Index (HDI) adalah
pengukuran perbandingan dari kesehatan, pendidikan dan daya beli masyarakat. Paper ini
memberikan studi kasus nilai IPM yang ditinjau dari sisi pendidikannya. Pendidikan mempunyai
dua indikator yaitu melek huruf (y1) dan lamanya studi (y2). Dan variabel prediktor yang diduga
mempengaruhi variabel respon adalah 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 masyarakat di sektor industri

Prosiding
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 P11 P10 P01 P00
kota
1 12.9 35.1 195.1 0.5 23.3 0.230 0.626 0.000 0.142
4 7 6 5 4.18 1 1 0 6 4 2 8
2 25.7 37.0 233.7 0.4 18.2 0.076 0.574 0.000 0.348
2 3 6 8 9.67 3 0 0 7 5 2 5
3 24.2 32.8 224.9 0.5 22.7 0.068 0.568 0.000 0.363
2 4 3 3 8.47 9 1 0 3 1 2 4
4 43.0 41.4 253.3 0.5 18.0 17.8 0.327 0.561 0.000 0.110
8 1 4 2 7 3 1 1 9 5 5 0
5 25.4 34.9 276.4 0.5 16.4 0.042 0.523 0.000 0.433
0 1 5 5 2.45 7 0 0 9 4 1 5
6 39.2 42.6 231.1 0.5 16.1 18.9 0.491 0.455 0.000 0.053
2 8 4 2 2 8 1 1 3 2 4 1
7 40.7 35.0 259.4 0.5 19.6 15.6 0.230 0.626 0.000 0.142
5 7 5 2 5 6 0 0 6 4 3 7
: : : : : : : : :
36.0 278.6 0.5 12.0 0.092 0.494 0.000 0.412
99 37.5 7.86 1 1
1 1 4 5 85 4 8 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
dibawah rata-rata adalah P01 ( z1 ) , sedangkan diatas rata-rata adalah P11 1 ( z1 ) .
Sedangkan persamaan kedua adalah:

Prosiding
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 P12 1 ( z2 ) .
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
ACTUA
P10 2 15 0 5
L
P01 1 3 0 10
P00 0 5 0 18
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.

Prosiding
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.

Prosiding
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
Email : nenks_stat@yahoo.com
3
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.

Prosiding
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

Prosiding
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 yt st (1 )(lt 1 bt 1 ) …(1.1)
Trend : bt (lt lt 1 ) (1 )bt 1 …(1.2)
Musiman : st yt lt (1 ) st s …(1.3)
Ramalan : yt lt bt st …(1.4)
Dimana :
lt : Pemulusan pada tahap level
bt : Pemulusan tren

Prosiding
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.

Prosiding
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.

Prosiding
4. Hasil Analisis
Analisis peramalan dengan menggunakan metode exponential smoothing dengan
koefisien pemulusan sebesar = 0.9, =0.1, dan = 0.2 yang diterapkan pada data debit air
masuk harian di Waduk Saguling, memberikan hasil peramalan untuk 60 hari kedepan (2 bulan)
adalah sebagai berikut (dalam plot data, data hasil peramalan terlampir) :
Gambar 1.4 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 1.4 memperlihatkan bahwa pola volume debit air masuk
pada bulan juli-agustus 2010 telah bertambah apabila dibandingkan dengan bulan yang sama
pada tahun 2009.
5. Kesimpulan dan Saran

Berdasarkan hasil analisis peramalan, didapat kesimpulan bahwa :
1. Dalam bulan Juli dan Agustus 2010 diramalkan akan terjadi peningkatan debit air masuk
meskipun telah memasuki musim kemarau,
2. Apabila hasil peramalan menjadi kenyataan akan terjadi peningkatan potensi Pembangkit
Listrik Tenaga Air sebagai energi ramah lingkungan, dan
3. Diperkirakan telah terjadi perubahan pola musim.

Prosiding
Saran
1. dilakukan penelitian jangka panjang mengenai perubahan pola cuaca dan pengaruhnya
terhadap peningkatan atau pengurangan potensi sistem produksi energi.
2. 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.
Referensi
1. http://iklim.dirgantara-
lapan.or.id/index.php?option=com_content&view=article&id=85&Itemid=78 (diakses
tanggal 8 November 2010)
2. Kalekar, Prajakta S. 2004. Time Series Forecasting using Holt-Winters Exponential
Smoothing. Bombay : Kanwal Rekhi School of Information Technology.
3. www.zaitunsoftware.com
Lampiran
1. Data Debit Air Masuk Harian di Waduk Saguling
42.38 Jan-09 69.88 Jan-09 122.21 Jan-09 100.46 Feb-09
55.25 Jan-09 128.33 Jan-09 83.42 Jan-09 93.25 Feb-09
40.25 Jan-09 82.58 Jan-09 73.08 Jan-09 102.54 Feb-09
36.17 Jan-09 85.08 Jan-09 134.79 Jan-09 97.08 Feb-09
29.79 Jan-09 104.08 Jan-09 104.33 Jan-09 85.46 Feb-09
26.00 Jan-09 69.83 Jan-09 97.17 Feb-09 106.71 Feb-09
26.00 Jan-09 86.50 Jan-09 141.75 Feb-09 66.31 Feb-09
26.92 Jan-09 109.58 Jan-09 145.67 Feb-09 69.55 Feb-09
81.50 Jan-09 76.29 Jan-09 234.92 Feb-09 97.00 Feb-09
72.25 Jan-09 58.42 Jan-09 192.50 Feb-09 88.35 Feb-09
59.63 Jan-09 58.83 Jan-09 151.08 Feb-09 77.00 Feb-09
63.04 Jan-09 151.75 Jan-09 145.50 Feb-09 94.63 Feb-09
74.42 Jan-09 162.13 Jan-09 111.42 Feb-09 192.42 Feb-09

Prosiding
261.58 Feb-09 248.67 Mar-09 104.83 Apr-09 156.96 Mei-09

276.00 Feb-09 172.58 Mar-09 106.29 Apr-09 145.08 Mei-09
259.67 Feb-09 142.92 Mar-09 125.83 Apr-09 130.79 Mei-09
200.75 Feb-09 210.96 Mar-09 156.46 Apr-09 120.46 Mei-09
148.25 Feb-09 188.25 Mar-09 127.54 Apr-09 118.79 Mei-09
123.04 Feb-09 121.54 Mar-09 117.71 Apr-09 138.04 Mei-09
140.38 Feb-09 202.92 Mar-09 221.83 Apr-09 99.42 Mei-09
122.17 Mar-09 229.38 Mar-09 191.67 Apr-09 80.79 Mei-09
98.04 Mar-09 208.50 Mar-09 155.00 Apr-09 70.25 Mei-09
83.33 Mar-09 161.75 Apr-09 117.83 Apr-09 81.88 Mei-09
94.38 Mar-09 189.54 Apr-09 121.08 Mei-09 86.54 Mei-09
246.38 Mar-09 180.88 Apr-09 80.50 Mei-09 88.25 Mei-09
252.71 Mar-09 142.13 Apr-09 63.67 Mei-09 107.17 Juni-09
175.58 Mar-09 142.33 Apr-09 54.96 Mei-09 100.67 Juni-09
171.29 Mar-09 226.96 Apr-09 92.92 Mei-09 262.75 Juni-09
210.13 Mar-09 308.79 Apr-09 97.33 Mei-09 168.79 Juni-09
226.17 Mar-09 203.92 Apr-09 113.88 Mei-09 218.58 Juni-09
224.71 Mar-09 136.63 Apr-09 104.46 Mei-09 142.71 Juni-09
180.04 Mar-09 108.25 Apr-09 80.88 Mei-09 127.04 Juni-09
248.92 Mar-09 93.63 Apr-09 92.50 Mei-09 123.42 Juni-09
173.92 Mar-09 85.50 Apr-09 193.92 Mei-09 109.75 Juni-09
202.04 Mar-09 109.54 Apr-09 195.71 Mei-09 102.21 Juni-09
130.58 Mar-09 138.21 Apr-09 128.17 Mei-09 90.50 Juni-09
98.96 Mar-09 99.08 Apr-09 143.71 Mei-09 71.63 Juni-09
83.71 Mar-09 108.04 Apr-09 102.58 Mei-09 65.33 Juni-09
72.83 Mar-09 111.63 Apr-09 95.21 Mei-09 66.88 Juni-09
67.67 Mar-09 95.21 Apr-09 75.88 Mei-09 80.83 Juni-09
101.67 Mar-09 70.63 Apr-09 125.00 Mei-09 121.67 Juni-09
287.00 Mar-09 165.13 Apr-09 217.54 Mei-09 87.25 Juni-09

Prosiding
70.63 Juni-09 18.00 Juli-09 18.04 Agus-09 11.88 Sep-09

36.50 Juli-09 11.83 Juli-09 15.50 Agus-09 26.25 Sep-09
37.67 Juli-09 11.83 Juli-09 15.75 Agus-09 14.79 Sep-09
36.08 Juli-09 12.38 Agus-09 14.17 Agus-09 11.71 Sep-09
44.38 Juli-09 10.79 Agus-09 13.13 Agus-09 10.38 Sep-09
54.58 Juli-09 11.00 Agus-09 12.92 Sep-09 9.88 Sep-09
37.50 Juli-09 10.79 Agus-09 12.63 Sep-09 10.88 Okt-09
31.13 Juli-09 11.25 Agus-09 11.21 Sep-09 15.25 Okt-09
28.79 Juli-09 12.00 Agus-09 12.83 Sep-09 15.46 Okt-09
28.00 Juli-09 12.00 Agus-09 14.38 Sep-09 38.92 Okt-09
28.00 Juli-09 12.00 Agus-09 12.75 Sep-09 48.25 Okt-09
28.00 Juli-09 12.00 Agus-09 11.25 Sep-09 114.96 Okt-09
27.33 Juli-09 12.00 Agus-09 11.17 Sep-09 102.88 Okt-09
27.00 Juli-09 12.00 Agus-09 10.33 Sep-09 77.83 Okt-09
22.88 Juli-09 12.00 Agus-09 11.67 Sep-09 54.38 Okt-09
18.00 Juli-09 12.00 Agus-09 13.00 Sep-09 28.67 Okt-09
18.00 Juli-09 12.00 Agus-09 13.67 Sep-09 21.96 Okt-09

Prosiding
22.00 Okt-09 44.63 Nov-09 67.25 Des-09 240.71 Jan-10

53.92 Okt-09 91.88 Nov-09 81.54 Des-09 187.54 Jan-10
88.00 Okt-09 132.21 Nov-09 76.50 Des-09 158.79 Jan-10
134.04 Okt-09 71.63 Nov-09 40.67 Des-09 140.33 Jan-10
67.17 Okt-09 74.46 Nov-09 49.96 Des-09 98.74 Jan-10
36.58 Okt-09 41.88 Nov-09 63.38 Des-09 83.04 Jan-10
23.63 Okt-09 75.79 Nov-09 47.75 Des-09 72.58 Jan-10
16.67 Okt-09 71.42 Nov-09 38.54 Des-09 70.21 Jan-10
15.17 Okt-09 164.38 Nov-09 42.96 Des-09 63.29 Jan-10
13.75 Okt-09 185.08 Nov-09 34.21 Des-09 61.88 Jan-10
19.25 Okt-09 274.83 Nov-09 36.46 Des-09 64.04 Jan-10
61.71 Okt-09 281.96 Nov-09 37.13 Des-09 52.92 Jan-10
49.96 Okt-09 286.08 Nov-09 29.63 Des-09 70.63 Jan-10
35.71 Okt-09 180.54 Nov-09 24.83 Des-09 68.25 Jan-10
22.88 Okt-09 109.33 Nov-09 21.13 Des-09 108.79 Jan-10
25.92 Okt-09 79.08 Nov-09 21.00 Des-09 159.79 Jan-10
34.00 Okt-09 77.58 Nov-09 162.25 Des-09 137.52 Jan-10
40.04 Okt-09 149.50 Nov-09 281.04 Des-09 176.46 Jan-10
19.33 Okt-09 87.13 Nov-09 236.58 Des-09 184.74 Jan-10
16.33 Okt-09 110.46 Nov-09 234.17 Des-09 177.31 Jan-10
16.00 Nov-09 129.79 Nov-09 206.08 Des-09 226.21 Jan-10
16.00 Nov-09 120.71 Des-09 224.08 Des-09 235.50 Jan-10
15.38 Nov-09 83.13 Des-09 160.38 Jan-10 341.04 Jan-10
15.96 Nov-09 70.71 Des-09 178.13 Jan-10 276.00 Jan-10
14.50 Nov-09 46.25 Des-09 166.88 Jan-10 273.79 Feb-10
17.25 Nov-09 53.25 Des-09 192.58 Jan-10 256.25 Feb-10
20.88 Nov-09 75.63 Des-09 178.92 Jan-10 182.83 Feb-10
14.17 Nov-09 64.63 Des-09 165.17 Jan-10 256.46 Feb-10
20.58 Nov-09 59.92 Des-09 227.67 Jan-10 396.25 Feb-10

Prosiding
391.21 Feb-10 200.04 Mar-10 219.25 Apr-10 75.08 Mei-10

300.79 Feb-10 201.54 Mar-10 201.21 Apr-10 56.75 Mei-10
262.50 Feb-10 286.50 Mar-10 201.96 Apr-10 69.79 Mei-10
286.83 Feb-10 328.75 Mar-10 194.33 Apr-10 56.00 Mei-10
249.75 Feb-10 393.04 Mar-10 174.92 Apr-10 86.46 Mei-10
213.83 Feb-10 338.29 Mar-10 132.04 Apr-10 140.00 Mei-10
233.38 Feb-10 215.75 Mar-10 115.63 Apr-10 199.88 Mei-10
368.92 Feb-10 178.46 Mar-10 128.42 Apr-10 235.25 Mei-10
287.25 Feb-10 155.63 Mar-10 202.50 Apr-10 197.79 Mei-10
341.50 Feb-10 265.00 Mar-10 156.54 Apr-10 219.21 Mei-10
342.50 Feb-10 271.00 Mar-10 212.46 Apr-10 253.75 Mei-10
402.67 Feb-10 405.33 Mar-10 225.50 Apr-10 246.54 Mei-10
371.08 Feb-10 363.54 Mar-10 170.17 Apr-10 216.58 Mei-10
505.79 Feb-10 595.08 Mar-10 135.67 Apr-10 200.96 Mei-10
426.38 Feb-10 512.38 Mar-10 106.88 Apr-10 150.38 Mei-10
380.13 Feb-10 455.00 Mar-10 92.58 Apr-10 132.83 Mei-10
322.42 Feb-10 399.17 Mar-10 94.25 Apr-10 276.29 Mei-10
214.38 Feb-10 494.92 Mar-10 90.67 Apr-10 382.75 Mei-10
210.38 Feb-10 401.96 Mar-10 86.54 Apr-10 309.92 Mei-10
259.58 Feb-10 303.54 Mar-10 81.25 Apr-10 296.92 Mei-10
189.71 Feb-10 245.25 Mar-10 84.63 Apr-10 225.79 Mei-10
159.71 Feb-10 303.96 Mar-10 69.63 Apr-10 165.54 Mei-10
189.29 Feb-10 267.17 Mar-10 68.04 Apr-10 155.88 Mei-10
216.25 Mar-10 359.13 Mar-10 56.33 Apr-10 130.75 Mei-10
249.63 Mar-10 339.92 Mar-10 71.83 Apr-10 138.25 Mei-10
216.67 Mar-10 291.83 Apr-10 98.13 Apr-10 113.79 Mei-10
183.00 Mar-10 244.63 Apr-10 65.38 Mei-10 127.75 Mei-10
185.42 Mar-10 183.46 Apr-10 58.33 Mei-10 143.46 Mei-10
166.75 Mar-10 169.46 Apr-10 88.04 Mei-10 110.08 Juni-10

Prosiding
94.79 Juni-10 153.46 Juni-10 84.53 Juni-10 47.48 Juni-10

150.42 Juni-10 115.75 Juni-10 42.48 Juni-10
111.75 Juni-10 126.94 Juni-10 35.17 Juni-10
297.10 Juni-10 94.97 Juni-10 42.57 Juni-10
2. Hasil Peramalan 60 hari kedepan

Hari 23 81.794 47 212.572
Peramalan
ke. 24 90.019 48 228.362
1 84.365 25 113.267 49 279.923
2 75.221 26 100.38 50 248.598
3 81.65 27 114.278 51 211.036
4 95.65 28 133.984 52 171.732
5 87.799 29 169.466 53 125.025
6 103.085 30 181.043 54 129.341
7 109.416 31 165.686 55 141.998
8 96.443 32 145.348 56 109.053
9 85.238 33 118.845 57 92.226
10 97.201 34 130.686 58 105.877
11 66.947 35 173.306 59 169.704
12 62.661 36 171.518 60 185.895
13 65.641 37 145.11
14 53.461 38 129.64
15 56.711 39 133.247
16 64.173 40 128.943
17 53.599 41 101.922
18 43.326 42 112.467
19 49.496 43 166.745
20 82.977 44 135.61
21 100.476 45 151.395
22 104.023 46 157.25

Prosiding
(S.2)
KRIPTOGRAFI METODA MODULAR MULTIPLICATON-BASED BLOCK
CIPHER PADA FILE TEXT
Taufiqulhadi
taufiq_nad@yahoo.co.id
Erick Paulus, S.Si., M.Kom.

erick_paulus@yahoo.com
ABSTRAK
Kriptografi adalah suatu ilmu yang digunakan dalam mengamankan data-data.
Kriptografi mengalami perkembangan yang pesat seiring dengan kebutuhan atau
kesadaran terhadap pengamanan data. 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. Substitusi ini ditentukan oleh sebuah operasi perkalian modulo 232 –
1 dengan faktor konstan, dengan tingkat sekuritas yang tinggi. MMB menggunakan 32
bit subblock text (x0, x1, x2, x3) dan 32 bit subblock kunci (k0, k1, k2, k3). Hal ini
membuat algoritma tersebut sangat cocok diimplementasikan pada prosesor 32 bit.
Hasil akhir yang dicapai adalah adanya suatu perangkat lunak yang dapat
mensimulasikan proses enkripsi dan dekripsi data berupa text secara bertahap dan jelas.
Perangkat lunak juga dilengkapi dengan pengaturan kecepatan proses enkripsi dan
dekripsi guna proses edukasi.
Kata kunci : Kriptografi, block cipher, enkripsi, dekripsi.
I. Pendahuluan
Perkembangan dunia informatika yang sangat pesat saat ini membawa

pertumbuhan dunia ke dalam masa teknologi informasi menjadi ujung tombak
kemajuan. Karena itulah nilai informasi saat ini sangat tinggi dan penting. Teknologi
informasi yang telah terjalin saat ini berdiri di atas media komunikasi sebagai media
penyampaian informasi dari suatu tempat ke tempat lainnya. Informasi-informasi yang
ingin disampaikan berjalan melalui media komunikasi tersebut. Media komunikasi
yang banyak digunakan tentu harus merupakan media yang mudah dijangkau dan
digunakan oleh semua orang. Contoh media komunikasi yang saat ini sering digunakan
adalah telepon, jaringan internet dan email. Kemudahan pengaksesan media komunikasi
oleh semua orang membawa dampak bagi keamanan informasi atau pesan yang
menggunakan media komunikasi tersebut. Informasi menjadi sangat rentan untuk
diketahui diambil dan dimanipulasi oleh pihak-pihak yang tidak berkepentingan.
Karena itulah dibutuhkan suatu metode yang dapat menjaga kerahasiaan
informasi ini Metode yang dimaksud adalah kriptografi yaitu sebuah seni dan bidang

Prosiding
keilmuan dalam penyandian informasi atau pesan dengan tujuan menjaga keamanannya.
Walaupun telah berkembang sejak zaman dahulu kala, teknik kriptografi yang
dibutuhkan masa kini harus menyesuaikan dirinya terhadap meluasnya penggunaan
komputer digital pada masa kini. 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.
Salah satu algoritma kriptigrafi yang sering digunakan adalah Cipher block.
Cipher blok merupakan algoritma kriptografi yang beroperasi dalam bentuk blok bit.
Proses enkripsi dilakukan terhadap blok bit plainteks dengan mengguanakan kunci yang
berukuran sama dengan ukuran blok plainteks. Algoritma ini akan menghasilkan
cipherteks yang sama panjang dengan blok plainteks. Proses dekripsi terhadap
cipherteks berlangsung dengan cara serupa seperti enkripsi. Hanya saja pada proses
dekripsi, operasi berjalan kebalikan dari proses enkripsi.
II. Kajian Pustaka

Kelemahan metode IDEA yang menggunakan plaintext 64 bit dan operasi
perkalian modulo 216 + 1, diperbaiki oleh Joan Daemen dalam sebuah algoritma yang
dinamakan MMB (Modular Multiplication-based Block cipher). Dengan menggunakan
plaintext 64 bit (4 buah 16 bit subblock text), 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. 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. Substitusi ini
ditentukan oleh sebuah operasi perkalian modulo 232 – 1 dengan faktor konstan, yang
memiliki tingkat sekuritas lebih tinggi bila dibandingkan dengan metode IDEA yang
hanya menggunakan operasi perkalian modulo 216 + 1. MMB menggunakan 32 bit
subblock text (x0, x1, x2, x3) dan 32 bit subblock kunci (k0, k1, k2, k3). Hal ini membuat
algoritma tersebut sangat cocok diimplementasikan pada prosesor 32 bit. Sebuah fungsi
non linier, f, diterapkan enam kali bersama dengan fungsi XOR.
Pembentukan Kunci.
Metode MMB menggunakan kunci sepanjang 128 bit. Proses pembentukan
kunci pada metode MMB ini sangat sederhana. Kunci yang di-input hanya dibagi
menjadi 4 buah subblock kunci dengan panjang masing-masing 32 bit. Proses
pembentukan kunci pada metode MMB ini dapat dilihat pada Gambar berikut ini :
k0 k1 k2 … k127
k0 k1 … k31 k32 k33 … k63 k64 k65 … k95 k96 k97 … k127
Proses Enkripsi dan Dekripsi

Prosiding
Menurut Munir, Rinaldi , (2006), secara umum metode MMB menggunakan

plaintext dan kunci pada proses enkripsi, dan menggunakan ciphertext dan kunci untuk
proses dekripsi, dengan panjang 128 bit. Inti proses enkripsi dan dekripsi dari metode
MMB adalah sebagai berikut :
1. Plaintext atau Cipher text dibagi menjadi 4 subblock yang sama besar (x0, x1, x2, x3).
2. Kemudian Plaintext di XOR kan dengan Kunci untuk menghasilkan ciphertext untuk
proses enkripsi.
3. Ciphertext di XOR kan dengan Kunci untuk menghasilkan Plaintext untuk proses
dekripsi.
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.
A B A B
0 0 0
0 1 1
1 0 1

Prosiding
1 1 0
III. 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.
Sama seperti metode kriptografi simetris lainnya, proses penyelesaian metode
MMB ini dapat dibagi menjadi 3 tahapan yaitu :
1. Proses Pembentukan Kunci.
2. Proses Enkripsi.
3. Proses Dekripsi.
Proses Pembentukan Kunci

Metode MMB ini memiliki input 128 bit kunci (key) yang identik dengan 32
digit heksadesimal ataupun 16 karakter yang akan dipecah menjadi 4 buah sub kunci
(subkey) dengan panjang masing-masing sub kunci adalah sebesar 32 bit. Untuk lebih
memahami proses pembentukan kunci pada metode MMB, diberikan sebuah contoh
berikut ini.
Misalkan diketahui input kunci = „CRYPTOGRAPHY MMB‟, maka proses
pembentukan kuncinya adalah sebagai berikut :
Kunci = CRYPTOGRAPHY MMB
Ubah ke bentuk biner =
0100001101010010010110010101000001010100010011110100011101010010010000
0101010000010010000101100100100000010011010100110101000010
Dipecah menjadi 4 buah sub kunci :
K(0) = 01000011010100100101100101010000
K(1) = 01010100010011110100011101010010
K(2) = 01000001010100000100100001011001
K(3) = 00100000010011010100110101000010

Prosiding
Proses Enkripsi
Proses enkripsi dari metode MMB ini memiliki input data plaintext 128 bit yang
identik dengan 32 digit heksadesimal atau 16 karakter.
Proses enkripsi dari metode MMB dapat dilihat pada contoh berikut ini.
Misalkan diketahui plaintext = „UNPAD-ILMUKOMPTR‟ dengan menggunakan kunci
yang dihasilkan di atas, 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, maka dilakukan proses seperti dibawah ini:
X(i) XOR K(i) Hasil R(i)
X(0) = X(0) XOR K(0)

0001011000011100000010010001000
=
0101010101001110010100000100000 1
1 XOR
0100001101010010010110010101000
0
X(1) = X(1) XOR K(1) 0001000001100010000011100001111

0
=
0100010000101101010010010100110
0 XOR
0101010001001111010001110101001 0000110000000101000000110001011
0 0
X(2) = X(2) XOR K(2)

= 0110110100011101000110010001000
0100110101010101010010110100111 0

Prosiding
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 Hasil Y(i)
Y(0) = C(0) * R(0) MOD ((2^32) - 1)

= 00000010010111110001110011011011 * 011110100111110100001100
00010110000111000000100100010001 MOD 10000010
11111111111111111111111111111111
Y(1) = C(1) * R(1) MOD ((2^32) - 1)

=
000000000000000000000000010010111110001
1100110110110 *
011011010110110001101100
00010000011000100000111000011110 MOD
00000100
11111111111111111111111111111111
Y(2) = C(2) * R(2) MOD ((2^32) - 1)
=
000000000000000000000001001011111000111 001011110011010001101000
0011011011000 * 01111001
00001100000001010000001100010110 MOD
11111111111111111111111111111111
Y3) = C(3) * XR3) MOD ((2^32) - 1)

=
000000000000000000010010111110001110011
0110110000000 * 010010100111101001111101

Prosiding
01101101000111010001100100010000 MOD 01111010

11111111111111111111111111111111
Kemudian hasil dari perkalian pada table 3.2 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, ini dapat dilihat pada table 3.3 dibawah ini:
Proses Yi-1 XOR Yi XOR Yi+1
Yi-1 XOR Yi XOR Yi+1 Hasil
X(0) = Y(3) XOR Y(0) XOR Y(1)

= 01100000110100001101011111010000
XOR 01111010011111010000110010000010
XOR 01101101011011000110110000000100 01110111110000011011011101010110
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)
01111010011111010000110010000010
= 00110101100110011011001100101011
XOR 00101111001101000110100001111001
XOR 01100000110100001101011111010000
X(3) = Y(2) XOR Y(3) XOR Y(0) 01101101011011000110110000000100

= 01111010011111010000110010000010
XOR 01100000110100001101011111010000
XOR 01110111110000011011011101010110

Prosiding
Langkah-langkah diatas dilakukan dengan operasi modulo 4 dengan dimulai dari

Sub kunci (Ki) berikutnya hingga didapat Cipher text, 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. Sebagai
contoh, misalkan ingin didekripsikan kembali hasil enkripsi yang telah didapatkan di
atas, 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

Prosiding
Seperti yang telah dijelaskan sebelumnya bahwa proses dekripsi merupakan

kebalikan dari proses enkripsi, 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.
Hasil=
0101010101001110010100000100000101000100001011010100100101001100010011
0101010101010010110100111101001101010100000101010001010010
Plaintext = UNPAD-ILMUKOMPTR
Perangkat Lunaka Bantu Kriptografi MMB
Perangkat lunak bantu pemahaman ini menggunakan animasi dalam tahapan
proses pembentukan kunci, enkripsi, dekripsi dan fungsi f. Perangkat lunak bantu
pemahaman ini dirancang dengan menggunakan bahasa pemrograman Microsoft Visual
Basic 6.0 dan menggunakan MDI Form (Multiple Document Interface Form) sebagai
form induk (main form) dan fasilitas menu editor untuk membuat dan mengatur
tampilan menu pull down.
Perangkat lunak bantu pemahaman ini dirancang dengan menggunakan beberapa
form, antara lain :

Prosiding
1. Form „Main‟, yang dirancang dengan menggunakan MDI Form dan berfungsi
sebagai form induk untuk menggabungkan semua form yang ada.
2. Form „Teori‟.
3. Form „Proses Pembentukan Kunci‟, merupakan child form dari form „Main‟.
4. Form „Proses Enkripsi‟, merupakan child form dari form „Main‟.
5. Form „Proses Dekripsi‟, merupakan child form dari form „Main‟.
6. Form „Kecepatan Animasi‟.
Skema rancangan perangkat lunak kriptografi MMB
Form Main
Menu ‘File’ Menu ‘Teori’ Menu ‘Proses’ Menu

‘Kecepatan
Animasi’
Sub menu ‘Load Data’ Sub menu ‘Metode MMB’ Sub menu ‘Proses Pembentukan Kunci’
Sub menu ‘Exit’ Sub menu ‘Proses Pembentukan Kunci’ Sub menu ‘Proses Enkripsi’
Sub menu ‘Proses Enkripsi’ Sub menu ‘Proses Dekripsi’
Sub menu ‘Proses Dekripsi’
IV. 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. Substitusi ini
ditentukan oleh sebuah operasi perkalian modulo 232 – 1 dengan faktor konstan, yang
memiliki tingkat sekuritas lebih tinggi bila dibandingkan dengan metode IDEA yang
hanya menggunakan operasi perkalian modulo 216 + 1.
Perangkat lunak ini dapat mendukung hasil operasi perkalian yang lebih dari 32
bit dengan menggunakan fungsi-fungsi yang dideklarasi secara manual, dimana Visual
Basic tidak dapat mendukung operasi tersebut. Dengan menggunakan perangkat lunak
bantu pemahaman ini, maka user dapat menghemat waktu, dimana hasil eksekusi yang
pernah diproses sebelumnya dapat disimpan ke dalam bentuk text file, sehingga dapat
dibuka dan dipergunakan kembali apabila diperlukan.

Prosiding
Daftar Pustaka
1. Ariyus, Dony, Pengantar ilmu Kriptografi, Andi, Yogyakarta, 2008.
2. Djoko Pramono, Mudah menguasai Visual Basic 6, PT. Elex Media
Komputindo, Jakarta, 2002.
3. Munir, Rinaldi., Kriptografi, Informatika Bandung., Bandung, 2006.
4. Sadeli, Muhammad, Visual Basic 2005 untuk orang awam, Maxikom,
Palembang, 2008.
5. http://id.wikipedia.org/wiki/Kriptografi (Tanggal akses 9 November 2010)

Prosiding
(S.3)
EVALUASI INTEGRAL MONTE CARLO DENGAN METODE CONTROL
VARIATES
1
Zulhanif, 2Yadi Suprijadi
1
Jurusan Statistika, FMIPA Universitas Padjadjaran, Bandung, Indonesia
2
Jurusan Statistika, FMIPA Universitas Padjadjaran, Bandung, Indonesia
e-mail: 1dzulhanif@yahoo.com, 2yadi@bdg.centrin.net.id
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 ,

Prosiding
 , x n dari distribusi X , dan menggunakan sampel ini untuk memperkirakan nilai rata-
rata dari X :
n
1
E( X ) xi
n 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
n
ˆ 1
n ( xi )
n 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 .

Prosiding
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 adalah :
1. ˆ Y
2. ˆ Y c( Z E ( Z ))
c
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 ) (5)
diharapkan nilai Var ( ˆc ) minimum dengan memilih nilai c tertentu, dengan
menggunakan kalkulus didapat nilai c adalah :
Cov(Y , Z )
c
Var ( Z )
(6)
Subsitusi nilai c kedalam persamaan 1 didapat:
Cov(Y , Z ) 2
Var ( ˆc ) Var (Y )
Var ( Z )
(7)
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:

Prosiding
n
(Yi c (Z i E ( Z ))
ˆ i 1
(8)
c
n
Sedangkan nilai Cov(Y , Z ) ditaksir melalui simulasi awal sbb:
p
(Y j Y p )(Z j E ( Z ))
j 1
Cov(Y , Z ) (9)
p 1
p
(Z j E ( Z j ))2
j 1
Var ( Z ) (10)
p 1
Sehingga didapat
Cov(Y , Z )
cˆ
Var ( Z )
Secara lengkap algoritma metode control variates disajikan sbb:
3. Desain Simulasi

Prosiding
Untuk mengetahui performasi nilai taksiran dengan menggunakan algoritma

Metode Control Variates akan ditaksir nilai taksiran dari nilai ekspektasi
W )2
E (e (U ) 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
Wn ) 2 Wn ) 2
Y1 e (U1 ,..., Yn e (U n dan Z1 (U1 W1 ) 2 ,..., Z n (U n Wn )2
Cov(Y , Z )
3. Hitung nilai cˆ
Var ( Z )
4. Ulangi langkah 1 dan 2 dan hitung nilai V Y cˆ ( Z E ( Z ))

5. Hitung E(V )
W )2
Tabel 1 Nilai Taksiran E (e (U )
Metoda Rata-rata Varians

Control Variates 4.9329 3.1218
Non Control Variates 5.0340 6.2507
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:

Prosiding
1. Perhitungan dengan metoda ini relatif mudah

2. 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.

Prosiding
(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,

Prosiding
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 F-
ARIMA. 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 rata-
rata 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 Box-
Cox. 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
p B 1 B Zt θq B at (1)
dimana :
p B 1 1 B ... p B p
q B 1 1 B ... p Bq
(1 B ) d merupakan operator untuk differencing orde d.

Prosiding
Jika pada data deret waktu terdapat komponen musim (s), maka model ARIMA
akan menjadi Seasonal ARIMA atau biasa disingkat menjadi SARIMA dengan ordo
( P, D, Q ) s . Bentuk umum dari model SARIMA adalah sebagai berikut :
s s D s
P ( B )(1 B ) Z t Q ( B ) at (2)
dimana :
P = parameter seasonal autoregressive
Q = parameter seasonal moving average
Dengan menggabungkan persamaan (2.13) dengan (2.14), maka akan diperoleh

model multiplicative dengan bemtuk umumnya sebagai berikut :
d D
p B P Bs 1 B 1 Bs Zt q B Q B s at (3)
dimana : p B dan q B , adalah polynomial dengan ordo p dan q untuk non-
seasonal, P B s , dan Q Bs adalah polynomial dengan ordo P dan Q untuk
seasonal, d dan D merupakan bentuk non-seasonal dan seasonal dari differencing yang
digunakan.
2.3. Identifikasi model ARIMA menggunakan Correlogram
Identifikasi model ARIMA bisa dilakukan dengan melihat plot ACF dan plot
PACF yang dinamakan sebagai correlogram. Correlogram digunakan antara lain untuk
menentukan lag yang signifikan dan untuk menentukan ordo p dan q dari model
ARIMA. Bentuk-bentuk plot ACF dan PACF dalam mengindentifikasi model ARIMA
adalah seperti pada Tabel 2.1.
Tabel 2.1 Bentuk ACF dan PACF untuk model ARIMA
Model ACF PACF
turun cepat secara
AR(p) terputus setelah lag p
eksponensial / sinusoidal
turun cepat secara
MA(q) terputus setelah lag q
eksponensial / sinusoidal
AR(p) atau MA(q) terputus setelah lag q terputus setelah lag p
turun cepat setelah lag (p-
ARMA(p,q) turun cepat setelah lag (q-p)
q)
Sumber : (Wei, 1990).

2.4. Estimasi Parameter model ARIMA
Dalam menaksir parameter model ARIMA ada beberapa metode yang dapat
dilakukan, salah satunya yaitu metode Conditional Least Squares (Box, Jenkins, dan
Reissel., 1994). Untuk mengetahui apakah parameter model ARIMA yang telah
diestimasi signifikan atau tidak maka dilakukan pengujian signifikansi parameter
dengan menggunakan uji-t.
2.5. Uji Asumsi Residual

Prosiding
White noise dilakukan untuk melihat apakah error yang dihasilkan memiliki
varians konstan (identik) dan tidak ada autocorrelation. Hipotesisnya adalah sebagai
berikut :
H0 : ρ1 ρ2 ... ρk 0
H1 : minimal ada satu m yang tidak sama dengan nol untuk m 1,2,...,k .
2.6. Akurasi Peramalan Data Time Series

Akurasi peramalan dapat diukur dari nilai berikut diantaranya :
- Mean Squared Error (MSE) yaitu rata-rata jumlah kuadrat error peramalan.
Rumusnya adalah sebagai berikut :
2
1 n
MSE Zt Zˆt (4)
nt1
3. Algoritma Genetika
Algoritma Genetika menerapkan proses biologi dari rekombinasi genetika,

mutasi, dan seleksi untuk mendapatkan solusi optimum. Algoritma Genetika sangat
efektif dan efisien serta memiliki kemungkinan yang besar untuk mendapat solusi
global optimum (Palit dan Popovic, 2005).
Solusi yang didapatkan dengan algoritma genetika berupa kromosom yang
disebut sebagai struktur data. Kromosom dapat berupa nilai biner, Integer, atau bilangan
riil. Setiap kromosom mempunyai nilai ukuran berupa nilai fitness yang menyatakan
solusi dari suatu permasalahan.
3.1. Representasi Kromosom
Representasi kromosom adalah pembentukan dan pengkodean kromosom.
Dalam satu kromosom terdapat beberap gen yang jumlahnya ditentukan sesuai
kebutuhan. Kumpulan dari kromosom yang dibentuk merupakan populasi atau disebut
sebagai generasi.
Kromosom 1 0 0 1 1 0 0 1 1 0
1
Kromosom 1 1 1 0 0 1 1 0 0 0
2
Populasi
Kromosom 1 1 1 1 0 0 0 1 1 1
3
Kromosom 0 0 1 1 0 0 1 1 0 0
4
Gambar 2.1. Populasi dengan kromosom bilangan biner
Untuk membangun model ARIMA, maka didekati dengan model ARMA terlebih
dahulu. Ada empat bagian dalam setiap kromosom yang harus dibentuk untuk
menghasilkan bentuk AR, MA, seasonal AR dan seasonal MA. Misalnya, jika
kromosom yang dihasilkan adalah (10110; 01010; 10001; 01110), maka model nya
adalah SARMA (p,q)(P,Q)s yaitu SARMA ([1, 3, 4], [2, 4])([1, 5], [2, 3, 4])s.

Prosiding
3.2. Fungsi Fitness

Fungsi fitness merupakan probabilitas suatu kromosom dapat tetap terpilih
dalam generasi berikutnya. Semakin tinggi nilai fitness menunjukkan kromosom
tersebut dapat bertahan dalam generasinya, sebaliknya semakin rendah nilai fitness
maka suatu kromosom tidak dapat bertahan dalam generasinya. Fungsi fitness yang
digunakan pada penelitian ini adalah :
1
f ( x) (5)
MSE
3.3. Seleksi
Seleksi adalah proses memilih dua kromosom induk dari populasi yang akan
digunakan dalam proses berikutnya yaitu crossover. Proses seleksi yang akan digunakan
pada penelitian ini yaitu seleksi Boltzmann.
Pada seleksi Boltzmann kemungkinan kromosom terpilih berdasarkan nilai
fitness tiap kromosom dalam suatu populasi, makin besar nilai fitness, maka makin
besar kemungkinan terpilih. Rumusnya adalah sebagai berikut :
P( xi ) exp[ ( f max f ( xi )) / T ] (6)
dimana :
f ( xi ) adalah nilai fitness kromosom ke-i ; i = 1,2, … , G
f max adalah nilai maksimum dari f ( xi )
T = T0 (1 )k
k (1 100g / G)
g = current generation number
G = nilai maksimum dari g
bernilai antara 0 dan 1
T0 bernilai antara 5 dan 100
3.4. Crossover
Crossover mengkombinasikan dua induk hasil seleksi untuk mendapatkan
keturunan. Tujuannya yaitu untuk memilih bagian terbaik dari kromosom sebelumnya.
Salah satu proses crossover yaitu multi point crossover dimana ditentukan
beberapa titik potong. Kemudian kromosom induk hasil seleksi dipotong. Kromosom
baru dibentuk dari kromosom dari induk A sebelum titik potong dan dari induk B
setelah titik potong dan sebaliknya. Ilustrasinya adalah sebagai berikut :
Induk A 0 1 1 0 0 1 0 0 1 1
Induk B 1 0 1 1 1 1 0 0 0 0
Keturunan A 0 1 1 1 1 1 0 0 0 0
Keturunan B 1 0 1 0 0 1 0 0 1 1
Gambar 2.2. Multi Point Crossover.
3.5. Mutasi

Prosiding
Mutasi adalah proses menukar satu atau lebih gen dengan gen yang lain pada
populasi untuk menghasilkan populasi baru. Banyaknya gen yang akan dimutasi
tergantung besarnya persentase mutasi (Pm) dari jumlah gen dalam populasi. Mutasi
dilakukan untuk mencegah terjebak pada solusi lokal optimum. Mutasi biasanya
dilakukan dengan nilai Pm yang kecil.
Kromosom 1 0 0 1 1 0 0 1 1 0
1
Kromosom 1 1 1 0 0 1 1 0 0 0
2
Populasi
Kromosom 1 1 1 1 0 0 0 1 1 1
3
Kromosom 0 0 1 1 0 0 1 1 0 0
4
dilakukan mutasi menjadi
Kromosom 1 1 0 1 1 0 0 0 1 0
1
Kromosom 1 1 1 1 0 1 1 0 0 0
2
Populasi
Kromosom 1 1 1 1 0 0 1 1 1 1
3
Kromosom 0 0 0 1 0 0 1 1 0 0
4
Gambar 2.3. Proses Mutasi
3.6. Penghentian Proses (Kriteria Konvergen)

Kriteria penghentian proses pencarian solusi antara lain yaitu jumlah
maksimum generasi, lamanya waktu proses, dan tidak ada perubahan yang signifikan
pada nilai fitness. Kriteria penghentian bisa juga merupakan gabungan dari kriteria
tersebut dengan urutan tertentu. Pada penelitian ini proses akan dihentikan dengan
menentukan jumlah maksimum generasi 50 dan 100. Pemilihan solusi optimum yaitu
memilih satu kromosom dari generasi terakhir yang mempunyai nilai fitness maksimum.
4. Metodologi
Metode penelitian yang digunakan sebagai langkah-langkah untuk mencapai

tujuan dari penelitian ini adalah sebagai berikut :
1. Mengidentifikasi model ARIMA menggunakan metode correlogram dengan
langkah sebagai berikut :
a. Melihat stasioneritas data terhadap varians dan rata-rata.
b. Identifikasi beberapa kemungkinan model yang bisa dibentuk dengan melihat
lag yang signifikan pada plot ACF dan plot PACF.
c. Mengestimasi Parameter menggunakan metode Conditional Least Square
d. Menguji signifikansi parameter dari masing-masing model
e. Memeriksa asumsi dari error dengan uji white noise dan uji Kolmogorov
Smirnov. Bila tidak memenuhi asumsi, maka model diidentifikasi dengan
model ARIMA yang lain.

Prosiding
f.Membandingkan nilai MSE dari masing-masing model. Model yang

menghasilkan nilai MSE minimum merupakan model terbaik.
2. Identifikasi model ARIMA menggunakan metode algoritma genetika dengan
langkah-langkah sebagai berikut :
a. Representasi kromosom dan menginisialisasikan jumlah kromosom dalam
populasi.
b. Menentukan dan Menghitung Fungsi Fitness
c. Seleksi kromosom menggunakan seleksi Boltzmann
d. Melakukan crossover terhadap kromosom hasil seleksi dengan metode multi
point crossover
e. Melakukan mutasi kromosom.
f. Menghentikan proses jika sudah mencapai jumlah generasi maksimum
g. Menentukan model terbaik berdasarkan nilai fitness yang paling besar
3. Membandingkan nilai MSE yang dihasilkan. Nilai yang minimum menunjukkan
tingkat akurasi yang lebih tinggi.
Pertama yaitu melihat stasioneritas terhadap varians yang dapat dilihat pada gambar
berikut :
Box-Cox Plot of JArr Time Series Plot of JArr

Lower CL Upper CL
Lambda 400000
47500 (using 95.0% confidence)
Estimate -0.52
45000 Lower C L -2.03

Upper C L 1.14
350000
Rounded Value -0.50

42500
JArr
StDev
300000
40000
250000
37500
35000 Limit
200000
-5.0 -2.5 0.0 2.5 5.0 Jan Jul Jan Jul Jan Jul Jan Jul Jan Jul Jan
Lambda Month
(a) (b)
Gambar 5.1.(a). Melihat Stasioneritas terhadap Varians. (b). Melihat Stasioneritas
terhadap Rata-rata.
Pada gambar 5.1.(a) diatas terlihat bahwa nilai Lambda terletak antara -2,03 dan 1,14
yang berarti bahwa data tersebut sudah statsioner terhadap varians. Sehingga tidak
perlu dilakukan transformasi terhadap data. Kemudian yang berikutnya yaitu melihat
stasioneritas terhadap rata-rata dengan melihat plot data deret waktu pada gambar
5.1.(b).
Pada gambar tersebut terlihat bahwa data tersebut tidak stasioner terhadap rata-rata,
sehingga perlu dilakukan proses differencing 1 dan 12 terhadap data.
Plot ACF dan plot PACF data deret waktu setelah dilakukan proses differencing
yaitu sebagai berikut :

Prosiding
Partial Autocorrelation Function for C7 Autocorrelation Function for C7

(with 5% significance limits for the partial autocorrelations) (with 5% significance limits for the autocorrelations)
1.0 1.0
0.8 0.8
0.6 0.6
Partial Autocorrelation
0.4 0.4
Autocorrelation
0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 5 10 15 20 25 30 35 40 45 1 5 10 15 20 25 30 35 40 45
Lag Lag
(a) (b)
Gambar 5.2.(a). Plot Partial Autocorrelation Function. (b). Plot Autocorrelation
Function.
Berdasarkan plot ACF dan plot PACF diatas, maka model yang terbaik dengan
metode Correlogram adalah model ARIMA (2,1,0)(1,1,1)12, sedangkan jika
menggunakan metode Algoritma Genetika, maka model terbaiknya setelah dilakukan
12 generasi adalah SARIMA(0,1,1)(1,1,[3,4])12. Setelah menghitung kriteria
pemilihan model terbaik, maka perbandingannya adalah sebagai berikut:
Tabel 5.1. Perbandingan Model Correlogram dengan Model Algoritma Genetika
Metode Model MSE
ARIMA(2,1,0)(2,1,1)12 505875660
ARIMA(2,1,0)(2,1,0)12 576576870
Correlogram ARIMA(2,1,0)(0,1,1)12 524261720
ARIMA(2,1,0)(1,1,1)12 470685810
ARIMA(2,1,1)(1,1,1)12 526676055
ARIMA(0,1,1)(1,1,[3,4])12 458875974
ARIMA(1,1,0)(0,1,[1,3,4,5])12 502443463
Algoritma Genetika ARIMA(0,1,1)([4],1,0)12 493225943
ARIMA(0,1,[1,3,5])(0,1,0)12 467770803
ARIMA(0,1,3)(0,1,0)12 459528628
Berdasarkan tabel diatas, identifikasi model menggunakan metode Algoritma

Genetika dapat menghasilkan hasil yang lebih baik dibanding dengan metode
correlogram.
Kemudian hasil dari uji white noise menunjukkan bahwa asumsi tidak ada
autokorelasi pada error di semua lag bisa dipenuhi, sehingga model identifikasi
menggunakan Algoritma Genetika sesuai untuk data tersebut. Hasil uji asumsi error
dengan uji white noise adalah sebagai berikut:

Prosiding
Modified Box-Pierce (Ljung-Box) Chi-Square statistic
Lag 12 24 36 48
Chi-Square 4.5 16.5 24.2 57.8
DF 8 20 32 44
P-Value 0.811 0.685 0.835 0.079
Terlihat diatas bahwa nilai P-value semuanya diatas 0,05 yang menunjukkan bahwa
asumsi tidak ada korelasi antar error sudah terpenuhi.
Pada makalah ini digunakan pendekatan metode Algoritma Genetika untuk

mengidentifikasi model ARIMA dari data deret waktu. Metode Algoritma Genetika
menghasilkan tingkat akurasi yang lebih tinggi dibandingkan dengan metode
correlogram.
Pendekatan metode Algoritma Genetika ini bisa dikembangkan dengan menggunakan
beberapa tipe operator yang digunakan dalam proses genetika dan membandingkan
tingkat akurasi dan tingkat efisiensi dari penggunaan operator yang berbeda tersebut.
DAFTAR PUSTAKA
Box, G.E.P., Jenkins, G.M., dan Reissel, G.C., 1994. Time Series Analysis Forecasting
and Control, edisi ketiga. Englewood Cliffs : Prentice Hall.
Badan Pusat Statistik, 2004 – 2010, Indikator Ekonomi, Buletin Statistik Bulanan,
Jakarta
Chan, W.S, 1999, A comparison of some of pattern identification methods for order
determination of mixed ARMA models, Statistics & Probability Letters 42 (1)
69–79.
Chatfield, C, 2000, Time-Series Forecasting, Chapman &C Hall/CRC
Chen, B.S., Lee, B.K., Peng, S.C., 2002, Maximum Likelihood Parameter Estimation of
F-ARIMA Processes Using the Genetic Algorithm in the Frequency Domain,
IEEE Transaction on Signal Processing, vol. 50
Gen, M., dan Cheng, R., 2000. Genetic Algorithms and Engineering Optimization, John
Wiley & Son Inc, Canada.
Makridakis, S., Wheelwright, S.C., dan McGee, V.E., 1999. Metode dan Aplikasi
Peramalan, Jilid 1 Edisi Kedua, Terjemahan Ir. Hari Suminto, Bina Rupa
Aksara, Jakarta.

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

Prosiding
(S.5)
SIMULASI PROYEKSI PENDUDUK INDONESIA DENGAN ASUMSI TFR
NAIK DAN TURUN
Yayat Karyana
Jurusan Statistika FMIPA UNISBA

E-mail : yayatkaryana@gmail.com
ABSTRAK
Berdasarkan hasil Sensus Penduduk dari tahun 1961 sampai dengan tahun 2005, jumlah
penduduk bertamah terus dan berdasarkan hasil SUPAS 2005 penduduk Indonesia
mencapai 219,20 juta orang, namun angka pertumbuhan penduduk mengalami
penurunan dari 2,34 % pada periode 1961-1971 menjadi 1,30 % per tahun pada periode
1990-2000. Turunya angka pertumbuhan tersebut salah satunya disebakan ada
penurunan TFR (Total Fertility Rate). TFR turun dari 5,6 pada tahun 1970 menjadi
2,26 pada tahun 2005 (BPS, 2006b). Namun sekarang perhatian berbagai pihak terhadap
program BKKBN sudah mulai memudar. Sehingga memungkinkan TFR naik lagi.
Karena itu dalam makalah ini akan dibuat simulasi proyeksi penduduk Indonesia
dengan asumsi TFR naik 5 % dan turun 5 % setiap periode proyeksi. Proyeksi
penduduk Indonesia ini akan dibuat sampai tahun 2060 menggunakan Metode
Komponen.
Kata Kunci : TFR, Proyeksi Penduduk, Metode Komponen.
1.Pendahuluan
Pada tanggal 29 Juni 1970, saat program Keluarga Berencana (KB) dicanangkan
sebagai Program Nasional, Program KB Nasional mempunyai 2 tujuan, yaitu
menurunkan Total Fertility Rate (TFR) dan melembagakan/membudayakan Norma
Keluarga Kecil yang Bahagia dan Sejahtera (NKKBS). TFR pada tahun 1970 sebesar
5,6, diharapkan pada tahun 2000 turun 50 % menjadi sebnesar 2,8 yang artinya pada
tahun 2000 setiap wanita usia subur rata-rata melahirkan antara 2 sampai 3 orang bayi.
Berdasarkan hasil Sensus Penduduk 2000 (SP 2000) ternyata tujuan pertama telah
tercapai bahkan dapat melampauinya, dan berdasarkan hasil SUPAS 2005 TFR turun
menjadi 2,26 (BPS, 2006 b). Penurunan TFR ini berdampak pada laju pertumbuhan
penduduk (LPP). LPP Indonesia periode tahun 1971-1980 sebesar 3,2 % pertahun
turun menjadi 1,97 % pertahun pada periode 1980-1990 dan menjadi 1,5 % pertahun
pada periode 1990-2000. Meskipun LPP Indonesia terus turun namun jumlah penduduk
Indonesia masih terus bertambah. Berdasarkan SP 1980, SP 1990, SP 2000, dan
SUPAS 2005 penduduk Indonesia berturut-turut adalah 146,77 juta, 179,25 juta,
206,26juta dan 219,20 juta ( BPS, 2006 a).

Prosiding
Apabila tujuan diadakannya Program KB dengan pelaksananya Badan Koordinasi

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

Prosiding
pemerintah . Hal ini disampaikan oleh Presiden Susilo Bambang Yudhoyono di akhir
Januari 2007 dalam pidato tahunan.
Dengan berbagai kendala seperti diutarakan diatas, mungkin TFR akan naik lagi, yang
disusul juga dengan kenaikan LPP Indonesia, yang makin meningkatkan juga
pertambahan jumlah penduduk Indonesia dan makin memberatkan tugas-tugas
pemerintah untuk membiayai pembangunan. Karena itu apabila TFR terus naik, perlu
dicari konsekuensinya yaitu berapakah proyeksi jumlah penduduk Indonesia di masa
depan. Namun demikian masih adanya perhatian terhadap perkembangan TFR dan
apabila berhasil bagaimana pengaruhnya terhadap pertumbuhan penduduk Indonesia.
Karena beberapa hal tersebut maka akan dicoba sesuah simulasi proyeksi penduduk
menggunakan metode komponen dengan asumsi TFR naik dan turun.
2. TINJAUAN PUSTAKA
2.1 Pendahuluan
Salah satu metode proyeksi penduduk adalah Metode Komponen. Pada metode tersebut
diperlukan asumsi-asumsi pertilitas, mortalitas dan mobilitas. 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,
dan untuk mobilitas adalah ASNMR (Age Specific Migra-Production Rate) semua
asumsi tersebut biasanya berbeda untuk setiap periode proyeksi.
2.2 Metoda Komponen

Salah satu metoda proyeksi yang diusulkan oleh UN adalah Metoda Komponen
(UN,1952). Proyeksi penduduk dengan metoda ini adalah dengan memperhatikan
komponen demografi yaitu kelahiran, kematian dan migrasi.
Jika penduduk awal tahun yang berumur x tahun adalah P(x,a), dan banyak
kematian yang berumur x tahun adalah D(x), serta banyak net migran yang berumur x
tahun adalah NM(x) , maka proyeksi penduduk berumur x ahun pada tahun t adalah :
P(x) = P(x,a) – D(x) + NM(x) (1)

dengan :

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

Prosiding
2.3 Proyeksi Penduduk dari BAPPENAS, BPS dan UNFPA

Badan Pusat Statistik (BPS) sudah beberapa kali membuat proyeksi penduduk Indonesia
antara lain : Proyeksi Penduduk Indonesia per propinsi 1995-2005 (BPS,1998),
Proyeksi Penduduk Indonesia per Propinsi menurut Kelompok Umur dan Jenis Kelamin
2000-2010 (BPS, 2002). Pada kedua proyeksi tersebut sebelumnya sudah membuat
estimasi parameter demografi penduduk Indonesia (BPS, 2001). Proyeksi yang
didasarkan pada hasil SP 2000 hanya mencakup periode tahun 2000 – 2010. Untuk
keperluan Rencana Pembangunan Jangka Menengah dan Renmcana Pembangunan
Jangka Panjang diperlukan proyeksi penduduk sampai dengan tahun 2025. Karena itu,
proyeksi penduduk tahun 2000 – 2025 dibuat atas kerjasama antara BAPPENAS, BPS
dan UNFPA (United Nations for Population Funs Activities) pada tahun 2005 dengan
data dasar hasil SP 2000 (BAPPENAS, BPS, UNFPA, 2005).
Pada proyeksi tersebut telah diambil asumsi antara lain :
2.3.1 Asuimsi Fertilitas

Asumsi fertilitas yang diambil pada proyeksi tersebut adalah Angka Kelahiran Total
atau Total Fertility Rate (TFR). TFR untuk periode proyeksi tahun 2005-2010, 2010-
2015, 2015-2020 dan 2020-2025 adalah berturut-turut 2,276 , 2,177, 2,121, 2,090 dan
2,072. Dari asumsi tersebut piperkirakan bahwa pada tahu 2025 seorang penduduk
wanita akan mempunyai anak rata-rata 2,072 orang anak diakhir masa reproduksinya.
Asumsi fertilitas ini makin lama makin turun, namun akan disimulasikan jika
mengalami kenaikan.
2.3.2 Asumsi Mortalitas

Asumsi mortalitas yang diambil pada proyeksi tersebut adalah Angka Kematian Bayi
(AKB). AKB untuk periode proyeksi tahun 2005-2010, 2010-2015, 2015-2020 dan
2020-2025 berturut-turut adalah 36 , 28 , 23, 18 dan 15. Dari asumsi tersebut
piperkirakan bahwa pada tahuN 2025 setiap 1000 kelahiran hidup rata-rata terdapat
kematian bayi 15 orang. Asumsi mortalitas inipun makin lama makin turun.

Prosiding
2.3.3 Asumsi Mobilitas

Asumsi mobilitas internasional penduduk Indonesia diambil 0, karena meskipun ada,
namun jika dibandingkan terhadap jumlah penduduk Indonesia yang besar, angkanya
menjadi kurang berarti. Tetapi untuk angka mobilitas antara propinsi tidak dianggap 0.
2.3.4 Proyeksi penduduk Indonesia tahun 2000-2025)

Metoda proyeksi yang biasa digunakan oleh BPS untuk membuat proyeksi penduduk
Indonesia adalah dengan Metoda Komponen (BPS, 2002). Berdasarkan asumsi
fertilitas, mortalitas dan mobilitas di atas , maka dibuatlah proyeksi penduduk Indonesia
tahun periode 2000-2005, 2005-2010, 2010-2015, 2015-2020 dan 2020-2025 berturut-
turut adalah 205.132,0 juta, 219.204,7 juta , 233.477,4 juta , 247.572,4 juta, 261.005,0
juta dan 273.219,2 juta orang..
Dengan asumsi TFR turunpun, penduduk Indonesia masih bertambah. Apalagi jika
TFR tiap tahun mengalami kenaikan, maka pertambahan penduduknya akan makin
pesat. Pada makalah ini akan dibuat simulasi proyeksi penduduk di mana fertilitas atau
TFR tiap tahun mengalami kenaikan dan penurunan.
3. BAHAN DAN METODE
Pada simulasi proyeksi penduduk ini akan menggunakan Metoda Komponen. Hal ini
dilakukan karena salah satu asumsi yang digunakan yaitu fertilitas diasumsikan naik
dan turun, sedangkan asumsi moralitas diasumsikan mengikuti trend sebelum periode
proyeksi.
3.1 Bahan
Bahan dalam penelitian ini yang diperlukan untuk proyeksi tersebut adalah :
1. Jumlah penduduk Indonesia tahun 1985 samapi tahun 2005,
2. Jumlah penduduk menurut kelompok umur dan jenis kelamin tahun 2005
3. Level Mortalitas Penduduk Indonesia tahun 1985-2005
4. TFR penduduk Indonesia tahun 1985-2005

Prosiding
3.2 Metode
Untuk memdapatkan proyeksi penduduk Indonesia sampai tahun 2060 diperlukan
langkah-langkah sebagai berikut :
1). Cari model trend level mortalitas tahun 1985 samapi tahun 2005, dan hitung
angka pertumbuhannya.
2). Buat proyeksi level mortalitas tahun 2010-2060 menggunakan hasil 1) dan buat
asumsinya.
3). Cari model trend level fertilitas tahun 1985 sampai tahun 2005, dan hitung angka
pertumbuhannya.
4). Buat prroyeksi level fertilitas tahun 2010-2060 dengan memperhatikan hasil 3)
dan dengan asumsi fertilitas naik, dan asumsi fertilitas turun.
5). Buat proyeksi penduduk menurut kelompok umur dan jenis kelamin dengan
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.
1) Hitung jumlah penduduk Indonesia tahun 2010-2015, 2015-2020, 2020-2025,
2025-2030, 2030-2035, 2035-2040, 2040-2045, dan 2055-2060,
2) Hitung Laju pertumbuhan penduduk (LPP) dari tahun 2010-2015, 2015-2020,
2020-2025, 2025-2030, 2030-2035, 2035-2040, 2040-2045, dan 2055-2060
berdasarkan hasil pada 5)
4. HASIL PERHITUNGAN DAN PEMBAHASAN
Dengan langkah-langkah perhitungan seperti dijelaskan di atas, hasil simulasi proyeksi

penduduknya adalah sebagai berikut :
4.1 Proyeksi Penduduk Dengan Asumsi TFR Tetap
Pada simulasi proyeksi ini asumsi TFR sama seperti pada tahun 2005, hasilnya adalah
jumlah penduduk terus bertambah dan pada tahun 2060 terdapat 320 juta orang atau
bertambah 50 % dari tahun 2005, sedangkan jumlah bayi sebanyak 23,5 juta orang atau

Prosiding
bertambah 20 % dari tahun 2005. Proyeksi ini sangat mungkin tidak terjadi karena pada
kenyataannya TFR masih berubah, seperti pada Tabel 4.1.
Tabel 4.1
PROYEKSI PENDUDUK INDONESIA
DENGAN ASUMSI TFR TETAP
THN 2005 2010 2015 2020 2025 2030 2035 2040 2045 2050 2055 2060 PBD
PDK 213 227 240 253 265 276 284 293 300 307 314 320 1,5
BAYI 19,1 20,4 21,0 21,7 21,7 21,6 21,7 22,2 22,6 22,9 23,2 23,5 1,2
TFR 2,3 2,3 2,3 2,3 2,3 2,3 2,3 2,3 2,3 2,3 2,3 2,3 1,0
TKP 17,1 18,1 19,2 20,3 21,2 22,0 22,7 23,4 24,0 24,5 25,1 25,6 8%
4.2 Proyeksi Penduduk Indonesia Dengan Asumsi TFR Naik 5 %

Pada simulasi proyeksi ini asumsi TFR naik 5 % setiap periode proyeksi, hasilnya
adalah jumlah penduduk terus bertambah dan pada tahun 2060 terdapat 447 juta orang
atau bertambah 110 % dari tahun 2005, sedangkan jumlah bayi sebanyak 54,3 juta
orang atau bertambah 180 % dari tahun 2005, seperti pada Tabel 4.2.
Tabel 4.2
DENGAN ASUMSI TFR NAIK 5 % TIAP PERIODE
THN 2005 2010 2015 2020 2025 2030 2035 2040 2045 2050 2055 2060 PBD
PDK 213 228 243 260 277 293 310 330 353 378 410 447 2,1
BAYI 19,1 21,5 23,2 25,1 26,4 27,9 30,2 33,7 37,7 42,3 47,6 54,3 2,8
TFR 2,3 2,3 2,5 2,6 2,8 2,9 3,0 3,2 3,3 3,5 3,7 3,9 1,7
TKP 17,1 18,2 19,5 20,8 22,1 23,4 24,8 26,4 28,2 30,3 32,8 35,8 8 %

Prosiding
4.3 Proyeksi Penduduk Indonesia Dengan Asumsi TFR Turun 5 %
Pada simulasi proyeksi ini asumsi TFR turun 5 % setiap periode proyeksi, hasilnya
adalah jumlah penduduk masih terus bertambah dan pada tahun 2060 terdapat 246 juta
orang atau hanya bertambah 20 % dari tahun 2005, sedangkan jumlah bayi sebanyak
9,9 juta orang atau turun 50 % dari tahun 2005, seperti pada Tabel 4.3
Tabel 4.3
DENGAN ASUMSI TFR TURUN 5 % SETIAP PERIODE
THN 2005 2010 2015 2020 2025 2030 2035 2040 2045 2050 2055 2060 PBD
PDK 213 226 237 247 255 260 262 263 262 258 253 246 1,2
BAYI 19,1 19,4 19,0 18,6 17,6 16,5 15,3 14,3 13,3 12,1 11,0 9,9 0,5
TFR 2,3 2,3 2,0 1,9 1,8 1,8 1,7 1,6 1,5 1,4 1,4 1,3 0,6
TKP 17,1 18,1 19,0 19,8 20,4 20,8 21,0 21,1 20,9 20,6 20,2 19,6 8 %
5. KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dengan asumsi fertilitas naik 5 % setiap periode proyeksi atau setiap 5 tahun, maka
penduduk Indonesia pada tahun 2060 naik menjadi 2 kali lipat penduduk tahun 2005,
atau sebanyak 447 juta orang, sedangkan apabila fertilitas turun 5 % setiap periode
proyeksi maka penduduk Indonesia naik menjadi 1,2 kali lipat atau sebanyak 246 juta
orang.

Prosiding
5.2 Saran
Agar supaya proyeksi penduduk terjadi sesuai yang diharapkan, maka disarankan
untuk menata ulang kebijakan tentang BKKBN sekarang , termasuk penataan ulang
program dan pengagaran, dan semua pihak diharapkan dapat membantu program
pemerintah pusat dan daerah sehingga penduduk dapat tumbuh seimbang dan dapat
dipenuhi segala kebutuhannya.
DAFTAR PUSTAKA
BAPPENAS, BPS dan UNFPA. 2005. Proyeksi Penduduk Indonesia 2000-2025.
BPS.1998. Proyeksi Penduduk Indonesia per Propinsi 1995-2005.
___. 2001. Estimasi Fertilitas, Mortalitas dan Migrasi.
___. 2002. Proyeksi Penduduk Indonesia per Propinsi menurut Kelompok Umur dan
Jenis Kelamin 2000-2010.
___. 2006 a. Penduduk Indonesia. Hasil SUPAS 2005.
___. 2006 b. Estimasi Parameter Demografi Fertilitas, Mortalitas dan Migrasi.
Kalla, Yusuf. 2007. BKKBN Tidak Bisa Menempatkan Kebijakan Yang Sama. Suara
Pembaharuan, edisi 7 Pebruari 2007.
Syarief, Sugiri. 2007. Pelaksanaan Program KB Mulai Mengendur. Pikiran Rakyat,

edisi Jumat, 20 Juli 2007.
Sinha U.P., Complite Life Table Based on Coale and Demeny Model (West) Life
Table, Bombay, 1972
United Nations. 1952. Methods for Population Projection by Sex and Age. Manual III,
Population Studies No : 25 U.N., Departement of Economic and Social Affairs,
New York.
Karyana, Yayat. 2000. Proyeksi Penduduk Dengan Menggunakan Metoda Campuran.

Makalah disampaikan pada SEMINAR SEHARI di FMIPA UGM. Yogyakarta.

Prosiding
(S.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.
ABSTRAK
Sejak konstruktivisme digunakan sebagai cara berpikir tentang pengetahuan dan

tindakan belajar terjadi perubahan pendekatan pembelajaran di dalam kelas. Pada
pendekatan tradisional menempatkan guru sebagai tokoh sentral dalam proses
pengajaran yang berperan mentransfer pengetahuan mereka kepada siswa, berubah ke
arah pembelajaran yang berpusat kepada siswa.
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 , bukan mengisinya.
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,
khususnya dukungan bahwa orang dewasa menyediakan membantu anak untuk belajar
bagaimana melakukan tugas yang tidak dapat dikuasai sendiri.
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.
Scaffolding pada Kegiatan Kelas
Menurut teori yang diajukan Vygotsky bahwa proses belajar terjadi ketika anak
masih berada pada jangkauan ZPD mereka. Dalam tingkat ZPD, anak mempunyai
kemampuan pemecahan masalah di bawah bimbingan orang dewasa atau teman sebaya
yang lebih mampu (Sheffer, 1996). Bantuan siswa dalam belajar itu dikenalkan oleh

Prosiding
Vygotsky (1978) sebagai scaffolding, 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. Pengertian itu juga sejalan dengan yang dikemukakan Wood dkk., bahwa
„scaffolding‟ merefleksikan cara orang dewasa membantu siswa ketika dia belajar dan
pada akhirnya melepasnya ketika dia sudah bisa mandiri (Wood, Bruner, & Ross, 1976).
Untuk kegiatan kelas, Angghileri (2006) mengajukan tingkatan penerapan

skoffolding dengan memilah scaffolding pada tiga level dukungan guru. Level 1
merujuk kepada petunjuk (promt) dan rangsangan yang ada di lingkungan, baik sebagai
hasil dari perencanaan yang sadar atau secara tidak sengaja (default), yang melayani
untuk mendukung belajar siswa dalam matematika. Level 2 melibatkan interaksi
langsung antara guru dan siswa yang difokuskan pada tugas. Strategi tersebut bervariasi
dari instruksi langsung yang menunjukkan dan memberitahu kearah membuat makna
yang lebih kolaboratif. 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.
A. Perubahan Paradigma Pembelajaran
Abad ke-21 ini ditandai dengan kemajuan pengetahuan dan teknologi

pembelajaran. 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, keterampilan
berpikir tingkat tinggi, belajar mandiri, kerja tim dan kemampuan komunikasi.
Para pakar dan praktisi pendidikan telah aktif terlibat dalam penelitian tentang
pendidikan matematika. Temuannya telah banyak diadops dan digunakan dalam
menentukan kebijakan yang membantu pengajaran matematika yang efektif.
Diharapkan bahwa para siswa akan terlibat dalam pembelajaran lebih bermakna dan
berbagai keterampilan berfikir siswa.
Meskipun banyak laporan yang telah menunjukkan tentang kemajuan kinerja

siswa, matematika tampaknya masih menjadi salah satu mata pelajaran yang sulit bagi
siswa. Von Glaserfeld (1995) mengatakan bahwa 'Pendidik‟ telah memperhatikan
bahwa banyak siswa yang cukup mampu untuk mempelajari formula yang diperlukan

Prosiding
dan menerapkannya pada jangkauan terbatas dari situasi buku teks dan tes, tetapi ketika
dihadapkan dengan masalah baru, menunjukkan bahwa mereka jauh dari sudah
mengerti konsep-konsep yang relevan dan hubungan konseptual.
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. Sementara itu, menurut penelitian Trends in International
Mathematics and Science Study - Repeat (TIMMS-R)1999, yang membandingkan
prestasi matematika dan sains siswa kelas delapan diantara 38 negara, Indonesia adalah
salah satu di antara 38 negara yang berpartisipasi dalam penelitian ini. Temuan
menunjukkan bahwa pencapaian rata-rata matematika di semua lima bidang matematika
siswa Indonesia adalah 403, lebih rendah daripada rata internasional 487. Dalam hal
peringkat, Indonesia ditempatkan di nomor 34 dari 38. Singapura menduduki peringkat
pertama dengan rata-rata 604 poin dan Malaysia peringkat ke 16 dengan rata-rata 519
poin. (TIMMS, 1999).
Setelah sepuluh tahun reformasi sistem pendidikan, peringkat Indonesia tidak

beranjak dari peringkat papan bawah. Seperti ditunjukkan dalam laporan TIMMS tahun
2007, Indonesia berada pada peringkat ke 36 dari 48 negara peserta dengan rata-rata 397
poin, sementara Singapura berada pada peringkat ke 3 dengan rata-rata 593 poin dan
Malaysia berada pada peringkat ke 20 dengan rata 474 poin.(TMMS, 2007).
Peringkat Indonesia berada di bawah Malaysia dan Singapura,

padahal berdasarkan hasil penelitian TIMMS yang dilakukan oleh Frederick K. S.
Leung (2003) bahwa jumlah jam pelajaran matematika di Indonesia jauh lebih banyak
dibandingkan Malaysia dan Singapura. Dalam satu tahun, siswa kelas 8 di Indonesia
rata-rata mendapat 169 jam pelajaran matematika. Sementara di Malaysia hanya
mendapat 120 jam dan Singapura 112 jam. Waktu yang dihabiskan siswa Indonesia di
sekolah tidak sebanding dengan prestasi yang diraih. Itu artinya, ada sesuatu dengan
metode matematika di negara ini, seperti yang ditemukan dalam penelitian Frederick
dari TIMMS. Dalam penelitian itu, Frederick dari Universitas Hongkong menyebutkan,
mayoritas soal yang diberikan guru matematika di Indonesia terlalu kaku. Umumnya,
siswa di Indonesia lebih banyak mengerjakan soal yang diekspresikan dalam bahasa dan

Prosiding
simbol matematika yang diset dalam konteks yang jauh dari realitas kehidupan sehari-
hari (TIMMS,203). Ini berarti bahwa siswa Indonesia kelas delapan dianggap kurang
atau tidak memiliki pemahaman matematika, kompetensi strategis, dan keterampilan
penalaran yang memadai untuk matematika.
Banyak faktor yang dapat mempengaruhi dan berkontribusi bagi pemahaman

matematika dan prestasi 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. Sebagai contoh, di Singapura yang nilai
matematikanya sangat tinggi, karena menempatkan aspek dan pembelajaran
matematika di sekolah dasar biasanya dipersiapkan untuk sekolah menengah atau
sekolah pertama (Kaur dan Pereira, 2000). Sedangkan di Indonesia seperti
dikemukakan oleh Marpaung (2003) ada banyak faktor yang menyebabkan rendahnya
mutu pendidikan, tanpa mengabaikan faktor eksternal, faktor internal yang tidak kurang
pentinya adalah tidak adanya perubahan dalam proses pengajaran dan pembelajaran
matematika dan assesmenya. Proses pembelajaran pada umumnya berlangsung secara
tradisional, yaitu bersifat mekanistik yang hanya menghasilkan pemahaman
instrumental. Siswa tidak diberdayakan untuk berfikir yang lebih canggih, kemampuan
yang dikembangkan hanyalah kemampuan menghapal dan kemampuan kognitif aras
rendah. Strategi pembelajaran semacam itu mempromosikan penguasaan pengetahuan
secara prosedural, dengan guru sebagai pemberi dan murid sebagai penerima, tetapi
tidak mempromosikan pandangan bahwa siswa memiliki potensi untuk membangun,
membuat rencana, memonitor, mengajukan alasan, dan mengevaluasi pengetahuan
mereka.
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, berubah ke arah pembelajaran
yang berpusat kepada siswa.
Pembelajaran matematika dikatakan memiliki paradigma konstruktivis dalam

proses belajar-mengajar jika siswa secara aktif mengkonstruksi suatu makna ketika

Prosiding
mereka berpartisipasi dalam upaya meningkatkan kemajuan praktek-praktek matematis

(Cobb, Yackel & McClain, 2000). Pembelajaran dengan pendekatan konstruktivis
tersebut akan mendorong siswa secara aktif mengembangkan belajar mereka sendiri.
Model pembelajaran ini akan memberikan lebih banyak kebebasan siswa dalam
memahami dunia mereka dengan cara menemukan atau mengembangkan diri mereka
sendiri.
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. Seperti dikatakan Heberman dalam
Diaz (2006) bahwa guru yang efektif harus „menarik keluar‟ pengetahuan dari kepala
siswa , bukan mengisinya.
Agar guru bisa mengajar di lingkungan sekolah yang terus berubah, 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, yang tidak lagi pemegang penuh otoritas kelas seperti
yang terjadi pada kelas tradisional tetapi lebih berperan sebagai pembimbing belajar dan
pemantau kemajuan pencapaian siswa.
Bimbingan guru kepada siswa membutuhkan sejumlah dukungan bagi

pengembangan daya fikir siswa, yaitu dengan cara mengembangkan daya fikir tiap-tiap
individu agar menjadi generasi mendatang yang memiliki pemahaman matematika yang
valid. Menurut Anghileri hal ini berkaitan dengan semakin diterimanya secara luas
gagasan pembelajaran konstruksi dan paradigma belajar konstruktivis. Selanjutnya
Anghileri menyatakan bahwa fungsi guru sebagai rekan yang memiliki misi khusus dan
kekuasaan di budaya kelas. Oleh karena itu, guru harus mengambil perhatian khusus
terhadap kekayaan budaya kelas, dalam penawaran, tantangan, alternatif, dan model,
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, khususnya

Prosiding
dukungan bahwa orang dewasa menyediakan dalam membantu anak untuk belajar
bagaimana melakukan tugas yang tidak dapat dikuasai sendiri.
Makalah ini membahas upaya peningkatan pembelajaran matematika di kelas

dengan penerapan scaffolding.
B. Akar Teoritis Pembelajaran dengan Scaffolding

Model pembelajaran konstruktivis didasarkan terutama pada karya psikolog Swiss
Jean Piaget dan teori sosial pikiran Vygotsky. Di satu sisi mereka mempunyai gagasan
yang berbeda tetapi keduanya memandang sama bahwa pengetahuan dibangun dari
aktivitas mental yang dikembangkan oleh siswa itu sendiri. Uraian berikut akan
memberi gambaran tentang teori belajar, baik oleh Piaget maupun Vygotsky, terutama
jika dikaitkan dengan model pembelajaran konstruktivisme.
Menurut Piaget, cara yang yang digunakan organisme untuk mengembangkan

kemajuan intelektual mereka didasarkan pada kedua fungsi yaitu organisasi dan
adaptasi. Slavin juga menggaris bawahi pandangan Piaget bahwa pengetahuan didapat
dari pengalaman, dan perkembangan mental siswa bergantung pada keaktifannya
berinteraksi dengan lingkungan (Slavin, 2000).
Organisasi mengacu pada kemampuan untuk mengestimasi atau mengorganisasi

proses-proses fisik atau psikologis menjadi sistem yang teratur dan berhubungan.
Sedangkan kemampuan seseorang untuk beradaptasi dengan lingkungan dikendalikan
melalui organisasi-organisasi mental yang disebut skema. Dengan skema anak akan
memproses dan mengatur informasi dalam mentalnya. Hudojo (2003, p.59) menyatakan
skema adalah pola tingkah laku yang dapat berulang kembali. Slavin (2000, p.30) juga
menyatakan siswa mendemonstrasikan pola tingkah laku dan pemikiran yang disebut
skema. Jadi mengacu pada kedua pendapat Hudojo dan Slavin, skema adalah pola
tingkah laku dan pemikiran yang dapat berulang kembali. Dengan demikian, skema
adalah struktur kognitif yang digunakan oleh siswa untuk menyesuaikan dengan
lingkungan dan mengorganisasikannya. Penguasaan terhadap suatu skema baru
mengindikasikan adanya perubahan di dalam struktur mental siswa.

Prosiding
Piaget menduga bahwa skema manusia beroperasi sejak mereka dilahirkan, yang
disebut refleks, yang mengendalikan perilaku kebanyakan binatang sepanjang hidup
mereka. Berbeda dengan binatang, manusia sebaliknya, 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,

konsep, atau pengalaman baru ke dalam skema atau pola yang sudah ada dalam
pikirannya. Jika seseorang tidak dapat mengasimilasikan pengalaman yang baru pada
skema yang telah ada, karena tidak cocok, maka orang akan melakukan akomodasi. Ini
dilakukan dengan membangun skema baru yang cocok atau memodifikasi skema yang
sudah ada agar menjadi cocok dengan rangsangan atau pengalaman yang baru.
Seseorang melakukan adapatasi jika telah terjadi keseimbangan (equilibrium) antara
asimilasi atau akomodasi. Sebaliknya jika seseorang tidak dapat beradaptasi dengan
lingkungannya maka dikatakan dalam kondisi ketidakseimbangan (disequilibrium).
Dalam keadaan ketidakseimbangan itu individu melakukan akomodasi dan struktur
yang ada mengalami perubahan atau terbangunnya struktur yang baru. Perkembangan
intelektual ini (equilibrium dan disequilibriu) merupakan proses yang terus dalam
aktivitas berfikir seseorang, dan ketika terjadi keseimbangan maka dikatakan bahwa
intelektual individu berada pada tingkatan yang lebih tinggi dari pada sebelumnya.
Menurtu Piaget bahwa proses belajar terkait dengan tingkat perkembangan

intelektual anak, yaitu Proses kedewasaan individu menjadi faktor utama yang
memepengaruhi pembelajaran siswa. Karena kedewasaan seseorang mencerminkan
karakteristik individual, maka proses pembelajaran menurut Piaget lebih bersifat
internal pada individu itu sendiri. Dari sini teorinya Piaget lebih dikenal dengan teori
kognitif individual.
Namun mendasarkan pada pandangan Piaget yang bersifat individual tersebut

memunculkan pertanyaan-pertanyaan penting. Jika individu–individu membangun
pengetahuan mereka 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, dan menjadi milik mereka bersama? Konstruksi

Prosiding
adalah suatu proses dimana pengetahuan dibangun dan diuji secara kontinu.
Pengetahuan mereka harus diuji kebenarannya oleh dunia luar individu atau grup sosial
untuk selajutnya diterima sebagai pengetahuan mereka bersama. 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. Dan objektivitas itu sendiri dipahami sebagai
sosial artinya menjadi pengetahuan yang objektif jika sudah ada pengujian dan
penerimaan secara sosial (social accepted).
Untuk menjawab pertanyaan tersebut di atas kita biasa menggunakan gagasan

Vygotsky tentang teori kognitif sosial. Konstruktivis Vygotskian memandang bahwa
pengetahuan dikonstruksi secara kolaboratif antara individu dan keadaan tersebut dapat
disesuaikan oleh setiap individu. Proses dalam kognisi diarahkan melalui adaptasi
intelektual dalam konteks sosial budaya. Proses penyesuaian itu ekivalen dengan
pengkonstruksian pengetahuan secara intra individual, yaitu melalui proses regulasi diri
secara internal. Dalam hubungan ini, para konstruktivis Vygotskian lebih menekankan
pada penerapan teknik saling tukar gagasan antar individu (Sheffer, 1996. p.274-275).
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. (2)
tentang Zona of Proximal Development (ZPD). Guru sebagai mediator memiliki peran
mendorong dan menjembatani siswa dalam upayanya membangun pengetahuan,
pengertian dan kompetensi. (Dixon-Kraus, 1996:8). Dengan demikian dalam pandangan
Vygotsky bahwa pembelajaran merupakan aspek sosiokultural, yaitu proses yang
menekankan pada aspek interkasi sosial masing-masing individu dalam budaya mereka.
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. Zona of Proximal Development adalah daerah antar
tingkat perkembangan sesungguhnya yang didefinisikan sebagai kemampuan
memecahkan masalah secara mandiri dan tingkat perkembangan potensial, yaitu

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

Prosiding
Hal ini konsisten dengan gagasan Vygotsky (1978) tentang Zona Proksimal
Development (ZPD) yang menunjukkan hubungan terbalik antara dukungan guru dan
kemandirian siswa. Siswa yang lebih tergantung pada dukungan guru mungkin
diharapkan akan bekerja di marjin (batas) ZPD mereka, membutuhkan guru untuk
model, prompt, mendemonstrasikan, atau melatih, untuk memperoleh pemahaman dan
wawasan baru. Sedangkan siswa yang kurang tergantung pada dukungan guru mungkin
diharapkan akan berjalan dengan baik di dalam ZPD mereka, yang memerlukan sedikit
atau tidak ada intervensi dari guru, dan mengakses berbagai strategi metakognitif yang
tepat untuk memonitor belajar mereka sendiri. Dalam hal ini, serangkaian tindakan guru
yang berbeda mungkin akan diperlukan, untuk contoh, refleksi, mengenalkan, menarik
dan mendengarkan.
Level scaffolding yang berbeda-beda telah diidentifikasi dalam berbagai

literatur kognisi. Misalnya, Rogoff (1995) mengidentifikasi tiga perbedaan secara
kualitatif `bidang kegiatan sosial-budaya' dalam suasana out-of-sekolah yang ia disebut
sebagai „magang, partisipasi dipandu, dan pembentukan partisipatif‟. Tingkat yang
berbeda menelusuri perkembangan individu dalam usaha sosial-budaya dari pemula
bergantung kepada prkatisi independen. Sebuah model tiga tahap yang sama diajukan
oleh Brown, Collins dan Duguid (1989) untuk menggambarkan kemajuan gradual
(bertahap) dari kegiatan tertanam ke ahli reflektif.
Pada masa lampau ketika pembelajaran lebih terfokus pada guru, proses
pengajaran matematika dipandang sebagai prosedur yang standar dengan berlatih dan
berhitung. Beberapa pengajaran hanya menggunakan alat bantu yang minim, seperti
buku buku latihan yang sengaja dibuat dan dinilai hanya dengan penjelasan guru. Ketika
metafor pembelajaran mengarah pada kontruktivistik peran guru lebih meningkat dalam
upaya meningkatkan pembelajaran yang lebih bermakna , dengan mengoptimalkan
bantuan siswa dalam belajar mereka. Scaffolding tidak dimaknai dalam konteks yang
sempit seperti alat bantu mengajar yang digunakan guru, tetapi lebih dari itu. Segala
aspek yang mempengaruhi interaksi siswa di dalam lingkungan belajarnya dapat
dimanfaatkan sebagai scaffolding untuk mecapai pemahaman yang lebih valid tentang
matematika.

Prosiding
Dalam kajian ini digunakan level-level scaffolding yang diajukan oleh Angghileri
(2006), yang membedakan tiga level dukungan guru. Level 1 scaffolding cenderung
untuk merujuk kepada petunjuk (promt) dan rangsangan yang ada di lingkungan, baik
sebagai hasil dari perencanaan yang sadar atau secara tidak sengaja (default), yang
melayani untuk mendukung belajar siswa dalam matematika. Ini mungkin mengambil
bentuk generalisasi poster rekaman atau pengamatan kunci dari pelajaran masa lalu,
pilihan hati-hati, permainan mengoreksi diri, melibatkan tugas atau teka-teki, bahan /
manipulatif, dan / atau alat matematis. Dalam hal ini, 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, tugas, dan materi akan tersedia.
Level 2 scaffolding melibatkan interaksi langsung antara guru dan siswa secara
khusus difokuskan pada tugas di tangan. Strategi tersebut bervariasi dari instruksi
langsung - menunjukkan dan memberitahu - untuk membuat makna yang lebih
kolaboratif ". Scaffold pada tingkat ini, menurut Anghileri, termasuk jenis pola interaksi
umum ditemukan di pendekatan 'tradisional', yaitu, dimana guru tetap mempertahankan
kontrol, struktur percakapan, menguraikan, dan menjelaskan. Namun, mereka juga
mencakup dua kategori praktek yang melibatkan siswa secara langsung di kegiatan
awal, yaitu, meninjau dan restrukturisasi.
Level 3 scaffolding bertujuan untuk membuat koneksi antara pengetahuan awal

siswa dan pengalaman dan matematika baru yang akan dipelajari. Mengembangkan alat
representasi dan membangun wacana konseptual adalah dua daerah yang
dipertimbangkan di sini. Dengan negosiasi norma-norma sosial dan nilai-nilai yang nilai
penjelasan konseptual (sebagai lawan dari komputasi), siswa yang kemungkinan akan
terlibat dalam lagi, diskusi lebih bermakna dan makna yang menjadi milik bersama dari
setiap individu melibatkan tindakan komunal yang membuat makna matematika.
Hal ini secara tidak langsung didukung oleh Turner et al., (1998) yang
membandingkan keterlibatan tinggi dan rendah oleh para guru, dan melaporkan bahwa
tekanan lebih tinggi untuk pemahaman - ditandai dengan penentuan guru untuk tetap
bekerja dengan siswa sampai mereka menghargai koneksi yang relevan, aplikasi,

Prosiding
generalisasi dan perluasan - dikaitkan dengan keterlibatan yang lebih besar dari siswa di
kelas matematika.
Secara skematis level-level scaffolding menurut Anghelery disajikan pada tabel

berikut:
LEVEL 1
Environmental Provisions
Artefacts Classroom
Organisation Free play
Peer Squencing and Structured
collaboration pacing tasks

LEVEL 2
Explaining, Reviewing, and Restructuring
emotif feetback self correcting

Reviewing Restructuring
tasks
looking, promting and providing rephrasing
touching probing showing and meaningful student‟s
and telling contexts talk
verbalising
parallel students simplifying the negotiating

modelling explaining and problem meanings
justifying
teacher
explaining
Interpreting
student‟s
actions
and talk

Prosiding
LEVEL 3
Developing Conceptual Thingking
Making Developing Generating

connection representational conceptual
tools discourse
Strategi
Peer Guru pada Pembelajaran denganand
squencing Scaffolding di Kelas.structured
collaboration pacing
Menurut Anghileri (2006), dukungan tasks
guru tampaknya dikonseptualisasikan
dengan cara yang berbeda baik dalam pendekatan pengajaran maupun literatur kognisi,
terletak pada pengakuan peserta didik ke dalam praktik sosial-budaya tertentu. 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. Hal ini mungkin tidak
mengherankan mengingat keragaman praktek tasksyang dianut oleh matematika sekolah, tapi
menawarkan lain, mungkin lebih berguna, 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. Walalaupun
scaffolding tipe ini bersifat verbal, di masa lalu, sebagian besar kegiatan komunikasi
kelas cenderung berfokus pada strategi ini secara bergiliran mengambil dan
pengulangan "hampir tak henti-hentinya dari urutan IRF (Initiation, Response,
Feedback) di ranah murid guru" (Pimm, 1994). Guru dan siswa secara refleks belajar
bagaimana berkomunikasi dalam ruang kelas dengan cara yang sangat spesifik. Mereka
belajar dengan mengatakan apa, kapan dan kepada siapa. Hal ini menunjukkan bahwa
guru mungkin sengaja mengadopsi pola interaksi tertentu, seperti `bergerak' hanya
akan efektif untuk sebatas bahwa permainan bahasa `baru' dihargai dan dipahami oleh
siswa (Morine-Dershirner, 1985; Zevenbergen, 1996).
Wood (1994,1996) telah menulis secara luas tentang funnelling dan focussing
pada 'pola interaksi' yang diamati di Tahun 2 kelas matematika. Dia membuat titik

Prosiding
bahwa pola interaksi alternatif untuk interaksi IRF tradisional. 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, 1994, p.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. Dalam situasi ini,
guru mengakui bahwa siswa tidak mampu merespons dengan tepat dengan jawaban
yang benar, dan karena itu mencoba untuk menawarkan pedoman pertanyaan untuk
tujuan memungkinkan siswa untuk memecahkan masalah. Bentuk pertukaran selalu
berakhir dengan sebuah solusi untuk masalah yang dihadapi.
Pola focus juga dapat digambarkan sebagai suatu situasi di mana aspek-aspek
penting untuk memecahkan masalah dibawa kedepan. Selain itu, pola interaksi ini dapat
digambarkan sebagai salah satu yang pertanyaan guru bertindak untuk menunjukkan
kepada anak fitur penting dari masalah yang belum dipahami. Dalam interaksi tertentu,
siswa selalu memiliki beberapa aspek masalah masih harus diselesaikan. (Wood, 1994,
hal. 159-160).
Sesuai dengan dengan level scaffolding dijelaskan sebelumnya, pola-pola

interaksi dapat dilihat untuk mewakili berbagai tingkat dukungan guru. Artinya, ketika
tingkat pemahaman siswa meningkat, tingkat dukungan guru berkurang. Namun, sifat
dari dukungan ini jauh lebih jelas dibingkai dalam hal interaksi guru-siswa.
Dengan penekanan pada interaksi kelas, dalam kajian ini, gagasan tentang
pendekatan pembelajaran merujuk pada tindakan komunikatif guru dalam upaya
mereka menscaffolding belajar siswa belajar di kelas matematika.
Berapa tahapan dalam membangun scaffolding di kelas dapat diidentifikasi

dengan pendekatan atau interaksi yang beragam, diantaranya adalah :
1. Penyediaan lingkungan
2. Discussing, Reviewing, dan excavating (penggalian)
3. Tunjukkan pada saya / meyakinkan saya / bertanya/ Focussing

Prosiding
4. Pemodelan/ Membuat eksplisit

Gagasan pendekatan pengajaran pengukuran dibingkai dalam tindakan
komunikatif guru dengan tujuan untuk mengakomodasi berbagai praktik. Dalam
menguraikan dan mencontohkan daftar, diakui bahwa praktik-praktik yang dijelaskan
belum tentu baru. Memang, mereka akan diakui secara luas oleh banyak guru sebagai
sesuatu yang mereka "sudah lakukan". Meskipun ini merupakan uji ketahanan dan
relevansi sampai batas tertentu, 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.
DAFTAR PUSTAKA
Anghileri, J. 2006. Scaffolding Practices That Enhance Mathematics Learning. Journal

of Mathematics Teacher Education (2006), 9, 33-52.
Brown, J., Collins, A., & Duguid, P.1989. Situated Cognition and the Culture of
Learning. Educational Researcher, 18, 32-42.
Diaz, C.F.,Pelletier, C.M.,&Provenzo,E.F.2006. Touch the Future… Teach! Boston:

Pearson Education, Inc.
Dixon-Kraus, L. (1996). Vygotsky in the classroom: Mediated literacy instruction and

assessment. White Plains, New York: Longmans.
Ernest, P. (1991). The Philosophy of Mathematics Education. London: The Falmer

Press.
Hudojo, H. 2003. PembangunanKurikulum dan Pembelajaran Matematika. JICA.

Jakarta: IMSTEP.
Pimm, D. (1994). Spoken mathematical classroom culture: Artifice and Artificiality. In

S. Lerman (Ed). The culture of the mathematics classrooms (p.149-168).
Dordrecht: The Netherlands. Kluwer Academic.
Rogoff, B. (1995). Observer sociocultural activity on three planes: Participatory,

appropriation, guided participation, and apprenticeship. In J. Wertch, P. del Rio,
& A. Alvarez (Eds.). Sociocultural study of minds. New York, NY: Cambridge
University Press.
Slavin, R.E. (2000). Educational Psychology: Theory and Practice. Boston: Allyn &
Bacon.

Prosiding
Stone, A. (1998). the metaphor of scaffolding: its utility for the field of learning
disabilities. Journal of Learning Disabilities, Vol 3, No 4.
Tharpe, R. & Gallimore, R. (1988). Rousing minds to life: Teaching, learning , and
schooling in social context. Cambridge: Cambridge University Press.
Turner, J., Meyer, D. Cox, K. diCintio, & Thomas, C. (1998). Creating contexts for
involvement in mathematics. Journal of Educational Psychology, 90, 730-745.
Vygotsky, L.S. (1978). Mind in society. The development of higher psychological

processes. Cambridge, MA: Harvard University Press.
Wood, T., Bruner, J. & Ross,G. (1976). The role of tutoring in problem solving. Journal
of Child Psychology and Psychiatry. 17, 89-100.
Wood, T. (1994). Patterns on interaction and the culture of mathematics classrooms. In

S. Lerman(Ed.). The culture of the mathematics classrooms (p.149-168).
Dordrecht: The Netherlands. Kluwer Academic.
Wood, T.(1996). Events in learning mathematics. Insights from research in classrooms.

Educational studies in mathematics. 30, 85-105

Prosiding
(S.7)
SOP METODE PENGAWASAN INTERNAL BANK DATA ZNT/NIR SPPT
BUKU IV DAN V
Drs.Yuyun Hidayat, MSIE
Ketua Pusat Pengkajian Dan Pengembangan Statistka Terapan Unpad.
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.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.Kajain diarahkan pada 23 SOP
yang sangat correlated dengan aktivitas PBB. Hasil penelitian menunjukkan bahwa 23
SOP PBB di KPP Pratama Kota Bandung mengandung 5 kesalahan Procedural yaitu
kesalahan unknown, Ambiguous, Incomplete, Loop holes, dan Inconsistent. Peneliti
telah merokemendasikan perbaikan pada 8 SOP.Telah dikembangkan SOP pengawasan
Bank Data ZNT/NIR SPPT Buku IV dan V PBB, SOP Pengawasan yang
dikembangkan melibatkan 22 kali pengawasan pertahun dengan level inspeksi General
Ispection Levels III, SOP Pengawasan yang dikembangkan terbukti feasible secara
analitik pada kondisi tertentu dengan BCR minimal 1.2 dan ROI maksimal 6 tahun ,
SOP Pengawasan yang dikembangkan memili kelemahan yaitu tidak melakukan quality
control terhadap pengawas, dengan kata lain tidak ada pengawasan untuk pengawas.Ada
4 kasus lain yang berhasil diidentifikasi pada Field Analysis tetapi belum ditangani.
KEY WRODS: SOP,ZNT/NIR SPPT buku IV dan V, BCR, ROI, Sampling
Inspection Procedure, Sampling Procedure Military Standard 105D General level
Inspection III, Procedural Analysis, Conformity Analysis, Sensitivity Analysis.
I. PENDAHULUAN
1. LATAR BELAKANG
a. Hal paling baru dari UU No. 28 Tahun 2009 adalah beralihnya Bea
Perolehan Hak Atas Tanah dan Bangunan [BPHTB] dan Pajak Bumi dan
Bangunan [PBB] menjadi pajak daerah
b. Dispenda Kota Bandung perlu menyiapkan berbagai aspek diantaranya Basis
Data Objek dan Subjek PBB, Peta Blok ZNT dan Aplikasi SISMIOP.
c. Dispenda Kota Bandung harus memahami aspek legal dan Standard
Operating Procedure [SOP] pemungutan PBB yang diterapkan di Direktorat
Jenderal Pajak [DJP].
d. Dari 196 SOP, tidak ditemukan SOP tentang Pengawasan aktivitas
pemungutan PBB.
e. Perlu dibuat SOP Pengawasan aktivitas pemungutan PBB.
2. TUJUAN
a. Mengidentifikasi fakta ilmiah yang komprehensif mengenai daftar kesenjangan
dalam pengelolaan PBB dengan fokus sistem pengawasan internal terhadap
aktivitas pemungutan PBB.

Prosiding
b. Menentukan langkah-langkah untuk mengurangi kesenjangan dalam sistem

pengawasan internal aktivitas pemungutan PBB.
3. SASARAN
a. Terdapat fakta ilmiah mengenai kesenjangan pada sistem pengawasan internal
aktivitas pemungutan PBB.
b. Memberikan masukan untuk mengefektifkan pengawasan kasus-kasus yang
memerlukan pengawasan ketat.
4. KONTRIBUSI
Dari sisi produk .
a. Membuat SOP yang tidak dimiliki KPP Pratama
b. Memberikan metode pengawasan untuk mengendalikan tingkat kesalahan Bank
Data ZNT akibat legal dan illegal updating sampai tingkat tertentu.
Dari Sisi Metoda
Bagi Ilmu Pengetahuan metode pengawasan yang telah dikembangkan merupakan
aplikasi baru metode pengendalian mutu Standard Sampling Procedure Military 105D.
II.FIELD ANALYSIS
Kerangka kerja dari Field Analysis adalah sebagai berikut:
A. Penjaringan Kasus hipotetis.

1. Melakukan koordinasi dengan Dispenda kota Bandung. 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.
2. Memilih metoda untuk menurunkan hipotesis atau dugaan logis mengenai
prosedur-prosedur yang berpeluang besar menghasilkan kasus PBB. Dipilih
gabungan cara Mechanical, Trust Random Number, Expert Opinion, Pilot
Survey
3. Menetapkan populasi. Berdasarkan hasil perbaikan SOP pada langkah
sebelumnya diperoleh 8 SOP yang memiliki prioritas tinggi.8 SOP yang sudah
diperbaiki ini memiliki total 84 steps.
4. Menetapkan ukuran sampel.Setiap steps dipandang sebagai sebuah trial
Bernoully yang menghasilkan dua kejadian, ada atau tidak ada hipotesis.
Formula ukuran sampel diperoleh menggunakan model binomial dengan alfa 5%
dan standar deviasi maksimal sebesar 0.25 dan bound of error yang ditetapkan
sehingga diperoleh n=10 step.
5. Terhadap 8 SOP di atas diturunkan hipotesis dengan cara menambahkan kata
“tidak”pada statement yang akan menghasilkan output
6. Pakar melakukan pengecekan hipotesis yang dihasilkan dan melakukan koreksi
bila terjadi kesalahan
7. Memilih 10 sampel hipotesis dari langkah 6 secara random.
8. Mengkompilasi hasil 10 sampel random ke dalam table konstruksi hipotesis

Prosiding
Output dari delapan langkah di atas adalah kasus hipotetis sebagaimana disajikan pada
table di bawah ini:
Kasus hipotetis
No Kasus Kode Seksi
SOP
1 Pelaksana Seksi Pelayanan tidak menatausahakan STTS buku KPP30- Pelayanan
I,II,III dan atau tidak menyerahkan STTS buku IV dan V kepada 0014
Account Representative
2 Kepala Seksi Pelayanan tidak menyerahkan SPPT tepat waktu KPP30-
kepada kepala kantor 0014
3 Account Representative menyerahkan STTS tidak secara KPP30-
langsung kepada WP 0014
4 Kepala Seksi Ekstensifikasi tidak memberikan disposisi pada KPP60- Ekstensifikasi
waktunya kepada Pelaksana untuk menyusun konsep surat tugas 0009
kepada Pejabat Fungsional
5 Pelaksana Seksi Ekstensifikasi tidak menyerahkan konsep surat KPP60-
tugas Pembentukan/Penyempurnaan ZNT/NIR kepada Kepala 0009
Seksi Ekstensifikasi pada waktunya
6 Kepala Kantor Pelayanan Pajak tidak memberikan disposisi pada KPP60-
waktunya kepada Kepala Seksi Ekstensifikasi untuk membuat 0008
konsep surat tugas untuk mengumpulkan harga upah, harga
bahan bangunan dan sewa alat dalam rangka penyusunan DBKB
7 Kepala Seksi Ekstensifikasi tidak memberikan disposisi pada KPP60-
waktunya kepada Pelaksana untuk menyusun konsep surat tugas 0008
kepada Pejabat Fungsional
8 Kepala Seksi Ekstensifikasi tidak memberikan disposisi kepada KPP60-
Pelaksana Seksi Ekstensifikasi untuk menyusun konsep Laporan 0008
Harga Upah, Harga Bahan Bangunan dan Sewa Alat pada
waktunya
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.
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.Organisasi akan mengeluarkan resources secara sia-sia.Untuk
keperluan tersebut diperlukan langkah berikutnya yaitu Pilot Survey.
B. 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, maka terpaksa membuka kemungkinan dengan memancing kasus sebagaimana
diproduksi oleh langkah 8 yang dikompilasi dalam table Kasus hipotetis.

Prosiding
Kerangka kerja dari Pilot survey adalah sebagai berikut:

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

Prosiding
3. Menetapkan modus kasus

4. Pemilihan kasus secara acak bila terjadi multimodal
Out put utama kegiatan ini adalah kasus-kasus disertai distribusinya.Kasus tersebut
terjadi pada proses mana [SOP] , frekuensi kejadian proses tersebut dalam satuan waktu
serta dampak konsekuensi kasus tersebut terhadap penerimaaan PBB.
Berdasarkan Data Analysis , kasus yang real di lapangan adalah kasus 1, 3, 4 dan 5. Ke
empat kasus tersebut dinyatakan berdampak besar oleh 3 KPP, sehingga untuk memilih
satu kasus telah ditetapkan secara random.Kasus yang terpilih adalah kasus nomor 4,
yaitu :
“Kesalahan melakukan up dating data ZNT/NIR”
III. SYNTHESIS
Kegiatan pengawasan merupakan aktifitas kunci dalam manajemen untuk menjamin

agar output yang diinginkan dapat dicapai. Fungsi pengawasan intinya melakukan
concordancy antara prosedur dengan pelaksanaan. Intelligent design suatu pengawasan
adalah perbedaan keketatan pengawasan yang diselaraskan dengan besar-kecilnya
potensi penyimpangan. Jangan pernah mengawasai atau perlonggar pengawasan pada
“pipa yang bagus”, “orang-orang yang baik” dan pertajam, perketat pengawasan pada
proses yang besar potensi penyimpangannya.
Hal utama yang ingin diketahui oleh pengawas adalah sesuatu yang serius, yaitu
prosedur yang sering dilanggar pada suatu bagian tertentu yang berdampak besar
terhadap penurunan penerimaan PBB kota Bandung.Berdasarkan informasi yang
diperoleh dari kegiatan Field Survey, “Kesalahan melakukan up dating Bank data
ZNT/NIR SPPT buku IV dan V PBB” merupakan kasus yang harus ditangani. Oleh
karena itu aktivitas Synthesis difokuskan pada kasus ini dengan kerangka kerja
sebagaimana diuraikan pada bagian berikut ini:
A. 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].
Field Analysis tidak dirancang untuk menemukan tingkat kesalahan
pada pencetakan SPPT Buku IV dan V pada tahun 2010 dan tahun-tahun
sebelumnya.Oleh karena itu angka kesalahan didekati dengan
mencermati angka-angka kebocoran pajak di Indonesia menurut para
pakar . 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. Menurut Faisal

Prosiding
Basri Korupsi perpajakan mencapai 15% dari Belanja Negara [Catattan

1 decade crisis 2005]. Susan Rose Nackerman menyatakan bahwa
praktek pembocoran pajak bisa mencapai 25 % [ Korupsi Pemerintahan
, World Bank].Angka Kebocoran pajak di Surabaya bisa mencapai 10%
yaitu sebesar 60 milyar/tahun [Kepala Dinas Pendapatan dan Pengelolan
Keuangan Surabaya, Kompas, 21 Oktober 2010].
Pakar P3ST menetapkan taksiran angka kesalahan pada pencetakan
SPPT Buku IV dan V sebesar L0= 10%.
Acceptable Quality Level [AQL ], adalah angka kesalahan yang masih

dapat ditoleransi oleh manajemen.AQL merupakan parameter manjerial
yang penetapannya di bawah kendali manajemen.Pakar P3ST
merekomendasi penetapan AQL dengan merujuk pada pendekatan Six
Sigma. 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
0.00034%.Sebagai upaya awal kami akan memposisikan Dispenda Kota
Bandung untuk mencapai tingkatan three sigma dengan tingkat
kesalahan sekitar 5%.Di samping itu dipilih AQL 5% karena tingkat
kesalahan yang terjadi diduga 10% berdasarkan studi literature.
B. 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%.
Untuk keperluan ini harus dirancang dulu metoda pengawasannya.Berikut
adalah langkah langkah perancangannya.
1. Kasus yang diawasi
Pada kajian akademis ini dikembangkan system dan prosedur pengawasan
internal pemungutan PBB. Metoda pengawasan yang dikembangkan berbasis
kasus, dengan kata lain jika tidak ada kasus tidak perlu dilakukan pengawasan.
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 .
2. Identifikasi Penyebab kasus

Metoda pengawasn internal yang efektif bisa dianalogikan dengan sebuah resep
untuk menyembuhkan penyakit. Hanya setelah penyebab kasus diketahui kita
bisa mengusulkan resepnya., Resep yang manjur tentu bukan hanya sekedar
menghilangkan gejala penyakit tetapi lebih jauh dari itu yaitu menyerang
penyebabnya.Jadi metoda pengawasan internal yang baik harus diarahkan
terhadap bagaimana menghilangkan penyebab atau paling tidak menguranginya.
Kesalahan bisa terjadi karena hal-hal sebagai berikut:
a. Kesalahan pada saat terjadi illegal up date dimungkinkan oleh dua hal yaitu
kelalaian atau kesengajaan
b. Illegal up date bisa dilakukan oleh otoritas atau oleh Non Otoritas

Prosiding
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, tergolong deliberate error. Up date
bisa terjadi pada setiap waktu dan symptomnya ditemukan pada triwulan IV.
Illegal up date bisa terjadi disebabkan pertama dilakukan oleh orang yang tidak
berwenang.Mengapa ini bisa terjadi? Karena lemahnya security system,
sehingga system mudah ditembus , misalnya karena pass word mudah ditebak.
Hasil Focus Group menyatakan bahwa terjadi Illegal up date oleh pejabat
berwenang. Illegal up date dilakukan oleh orang yang berwenang, penyebabnya
tidak lain adalah karena pejabat melakukan tindakan korupsi. Mengapa bisa
terjadi korupsi karena adanya absolute power atau adanya sentralisasi
kekuasaan.Adagium power tend to corrupt and absolute power corrupt
absolutely dalam hal ini sangat relevan.Artinya diversifikai power akan
cenderung mengurangi terjadinya penyelewengan. Resep yang tepat tidak ada
yang lain selain: Continual Inspection to Data Base. Resep ini selain bisa
menekan Kesalahan melakukan up dating data ZNT/NIR akibat Illegal up
date juga bisa menekan error akibat legal up date .Resep ini juga bertumpu pada
pemikiran bahwa esensi pengawasan adalah mencegah terjadinya center of
power,dengan adanya pengawasan pemusatan jadi terdistribusi karena ada
intervensi dari pengawas.Berikut ini adalah metode pengawasan internal
tersebut.
C. PERANCANGAN METODE PENGAWASAN

Metoda dan Teknik Pengawasan Internal terhadap Bank Data ZNT/NIR SPPT
Buku IV dan V PBB Kota Bandung.
1. METODE
• Memeriksa Bank Data ZNT / NIR SPPT Buku IV dan V sebanyak 22 Kali setiap
tahun.
• Waktu pemeriksaan ditentukan secara acak.
• Menindaklanjuti Setiap Hasil Pemeriksaan.
2. TEKNIK PEMERIKSAAN
• Memilih secara acak nomor SPPT sebanyak 5,5 % dari jumlah SPPT.
• Membandingkan Kode ZNT yang terdapat pada Bank Data dengan “Kode ZNT
seharusnya”.
• “Kode ZNT yang seharusnya” ditentukan berdasarkan sertifikat tanah objek
pajak atau berdasarkan hasil pemeriksaan fisik objek pajak.
• Melakukan pemeriksaan fisik jika sertifikat tanah tidak ada atau alamat pada
sertifikat tanah tidak sesuai dengan alamat pada Bank Data.

Prosiding
• Mengunci Bank Data selama proses pemeriksaan.

• Otoritas penguncian dan pembukaan kunci Bank Data ditentukan secara acak.
3. TEKNIK PENGACAKAN WAKTU PEMERIKSAAN

• Pada setiap akhir minggu ditentukan apakah pada minggu depan harus dilakukan
pemeriksaan.
• Penentuan harus tidaknya dilakukan pemeriksaan ditentukan dengan
menggunakan teknik “Pengambilan Satu Kartu Tanpa Pengembalian”.
4. TEKNIK PENINDAKLANJUTAN
• Jika tidak ditemukan SPPT yang memiliki kesalahan Kode ZNT maka
penindaklanjutan tidak dilakukan.
• Jika SPPT yang memiliki kesalahan Kode ZNT berjumlah di bawah target maka
lakukan “Penindaklanjutan Normal”.
• Jika SPPT yang memiliki kesalahan Kode ZNT berjumlah di atas target maka
lakukan “Penindaklanjutan Khusus”.
SKEMA PENGAWASAN
D. PEMBUATAN SOP
Berdasarkan hasil perancangan di atas kemudian dibuatlah SOP Pedngawasanya
dengan hasil sebagai berikut:
1. Draft Persiapan SOP Pengawasan

NAMA SOP : TATA CARA PERSIAPAN PENGAWASAN BANK DATA
ZNT / NIR SPPT BUKU IV DAN V
KODE SOP : P001

Prosiding
Deskripsi:
SOP ini menjelaskan penentuan waktu pengawasan, pembentukan sampel objek
yang diawasi, dan penugasan pengawas.
a. Dasar Hukum:
1. Peraturan Walikota Tentang Petunjuk Pelaksanaan Pendaftaran,
Pendataan, Dan Penilaian Objekdan Subjek Pajak Bumi Dan Bangunan
Adalam Rangka Pembentukan Dan Atau Pemutakhiran Basis Data
Sistem Manjemen Informasi Objek Pajak.
2. Surat Edaran Walikota Tentang Tata Cara Pembentukan
/Penyempurnaan ZNT/NIR
b. Dokumen yang Digunakan:
1.Disposisi Penentuan Sampel SPPT dan Penentuan Pengawas Untuk
Pengawasan
Bank Data ZNT / NIR SPPT BUKU IV DAN V (P001-D001)
2.Daftar SPPT Buku IV dan V yang harus diperiksa (P001-D002S)
3.Daftar pengawas pemeriksa SPPT yang terdapat pada P001-D002S (P001-
D002P)
4.Surat tugas pengawasan Bank Data ZNT / NIR SPPT Buku IV dan V (P001-
D003)
5.Informasi SPPT yang terdapat pada P001-D002S (P001-D004)
c. Pihak Terkait:
1. Kepala Kantor Pelayanan Pajak
2. Kepala Seksi Pengawasan
3. Pelaksana Seksi Pengawasan
4. Tim Pengawas Pemeriksa SPPT
5. Ketua Tim Pengawas Pemeriksa SPPT
6. Kepala Seksi PDI
d. SOP yang digunakan:

1.SOP PELAKSANAAN PENGAWASAN BANK DATA ZNT / NIR SPPT
BUKU IV DAN V
(SOP P002)
2.SOP RANDOMISASI PENGAWASAN BANK DATA ZNT / NIR SPPT
BUKU IV DAN V
BASIS MINGGUAN (SOP P003)
3.SOP PENENTUAN SAMPEL SPPT UNTUK PENGAWASAN BANK
DATA ZNT / NIR SPPT
BUKU IV DAN V (SOP P004)
4.SOP RANDOMISASI PEMILIHAN KETUA TIM PEMERIKSA SPPT (SOP
P005)
e. Kebutuhan Kapabilitas Sistem Bank Data ZNT / NIR:

Sistem harus bisa mencegah terjadinya pengubahan data yang berkaitan dengan
ZNT / NIR selama proses pengawasan.

Prosiding
f. Prosedur:
1.Pada setiap hari Jum‟at Kepala Seksi Pengawasan menentukan apakah minggu
depan harus melakukan pengawasan atau tidak. Untuk menentukannya, Kepala
Seksi Pengawasan menggunakan SOP RANDOMISASI PENGAWASAN
BANK DATA ZNT / NIR SPPT BUKU IV DAN V BASIS MINGGUAN (SOP
P003). Jika tidak harus melakukan pengawasan maka proses selesai. Kepala
Seksi Pengawasan harus sudah menentukan perlu tidaknya melakukan
pengawasan selambat-lambatnya pukul 09.30 pada hari Jum‟at terakhir minggu
ini.
2.Selambat-lambatnya 1 jam setelah menyelesaikan langkah 1, 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.
3.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). Pelaksana Seksi Pelayanan membuat dokumen P001-D002S. P001-
D002S berisi daftar SPPT Buku IV dan V yang harus diperiksa.
4.Pelaksana Seksi Pengawasan menentukan tim pengawas pemeriksa SPPT yang

terdapat pada P001-D002S (beranggotakan 15 orang). Pelaksana Seksi
Pelayanan menentukan ketua dari setiap tim tersebut. Untuk menentukannya,
Pelaksana Seksi Pelayanan menggunakan SOP RANDOMISASI PEMILIHAN
KETUA TIM PEMERIKSA SPPT (SOP P005). Pelaksana Seksi Pelayanan
membuat dokumen P001-D002P. P001-D002P berisi daftar pengawas pemeriksa
SPPT yang terdapat pada P001-D002S.
5.Pelaksana Seksi Pengawasan Membuat konsep Surat Tugas Pengawasan Bank

Data ZNT / NIR SPPT Buku IV dan V (P001-D003) dengan dokumen P001-
D002S, dan P001-D002P sebagai lampirannya.
6.Paling lambat empat jam setelah menerima disposisi P001-D001, Pelaksana

Seksi Pengawasan menyerahkan konsep surat tugas P001-D003 kepada Kepala
Seksi Pengawasan.
7.Kepala Seksi Pengawasan memeriksa konsep surat P001-D003. Jika setuju
dengan isi konsep surat, Kepala Seksi Pengawasan memarafnya. Jika tidak

Prosiding
setuju dengan isi konsep surat, Kepala Seksi Pengawasan menyerahkannya

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

Prosiding
II. 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. Deskripsi:
SOP ini menjelaskan cara menentukan kebenaran SPPT dan cara menentukan
kualitas Bank Data ZNT / NIR SPPT Buku IV dan V
b. Dasar Hukum:
1.Peraturan Walikota Tentang Petunjuk Pelaksanaan Pendaftaran, Pendataan,

Dan
Penilaian Objekdan Subjek Pajak Bumi Dan Bangunan Adalam Rangka
Pembentukan
Dan Atau Pemutakhiran Basis Data Sistem Manjemen Informasi Objek Pajak.
2.Surat Edaran Walikota Tentang Tata Cara Pembentukan /Penyempurnaan
ZNT/NIR
c. Dokumen yang Digunakan:

1.Daftar SPPT yang salah (P002-D001)
2.Surat Pemberitahuan Hasil Pemeriksaan Sampel SPPT Buku IV dan V (P002-
D002)
d. Pihak Terkait:
1. Kepala Kantor Pelayanan Pajak
2. Tim Pengawas Pemeriksa SPPT
3. Ketua Tim Pengawas Pemeriksa SPPT
e. SOP yang digunakan:

1.SOP PENENTUAN IDENTITAS WAJIB PAJAK (SOP P007)
2.SOP TATA CARA PENINDAKLANJUTAN HASIL PEMERIKSAAN SPPT
(SOP P008)
f. Kebutuhan Kapabilitas Sistem Bank Data ZNT / NIR:

1.Sistem harus bisa mengunci bank data ZNT /NIR SPPT Buku IV dan V
sehingga tidak
terjadi perubahan data selama proses pengawasan.
2.Sistem harus bisa memilih salah satu anggota Tim Pengawas SPPT sebagai
pengunci
Bank Data ZNT /NIR SPPT Buku IV dan V secara random
3.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. Prosedur:

Prosiding
1. Tim Pengawas Pemeriksa SPPT memeriksa kebenaran SPPT yang terdapat

dalam daftar SPPT yang harus diperiksa dengan cara sebagai berikut :
a. Jika kode ZNT yang terdapat dalam daftar tersebut tidak sesuai dengan Alamat
Objek Pajaknya maka Tim Pengawas Pemeriksa SPPT menuliskan No SPPT,
NPWP, Nama, Alamat WP, Nama Objek Pajak, Kode ZNT tercatat dan kode ZNT
seharusnya pada Daftar SPPT yang salah (P002-D001)
b. Jika alamat Objek Pajak Sesuai dengan Kode ZNT, maka bandingkan Alamat
Objek Pajak dengan Alamat yang tertera pada Sertifikat Objek Pajak tersebut, jika
tidak sama atau sertifikat tidak ada maka lakukan kunjungan ke lokasi Objek Pajak.
Jika Objek Pajak itu ternyata tidak ada atau bukan milik NPWP yang dimaksud,
maka tuliskan No SPPT, NPWP, Nama, Alamat WP, Nama Object Pajak, Kode
ZNT tercatat dan keterangan bahwa SPPT tersebut fiktif.
2. Anggota Tim Pengawas Pemeriksa SPPT menandatangani Daftar SPPT yang

salah (P002-D001) dan menyerahkannya kepada Ketua Tim Pengawas Pemeriksa
SPPT.
3. Ketua Tim Pengawas Pemeriksa SPPT membuat Surat Pemberitahuan Hasil

Pemeriksaan SPPT (P002-D002). Surat tersebut menginformasikan baik buruknya
kualitas Bank Data ZNT/NIR SPPT Buku IV dan V. 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 5,5%.
4. Selambat-lambatnya 5 hari kerja sejak Surat Tugas P001-D003 ditandatangani,

Ketua Tim Pengawas Pemeriksa SPPT menyerahkan Surat Pemberitahuan Hasil
Pemeriksaan SPPT kepada Kepala Kantor Pelayanan Pajak.
5. Kepala Kantor Pelayanan Pajak menindaklanjuti Hasil Pemeriksaan SPPT. 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). 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. Proses Selesai

Prosiding
E. FEASIBILITY STUDY
1. 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 1,2 dan Return On
Investment
[ ROI] di bawah 6 tahun. Artinya apakah ada suatu cara untuk menekan
kesalahan sampai mencapai AQL menjadi 5% dengan BCR sebesar 1,2
dan ROI kurang dari 6 tahun.
Benefit adalah manfaat yang diperoleh per tahun masa stabil. Masa stabil
ialah masa ketika inspeksi dan penindaklanjutannya dapat menekan
kesalahan sampai tingkat tertentu. 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.
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.Dalam hal ini keuntungan dilaksanakannya
pengawasan adalah selisih antara kerugian akibat kesalahan kode ZNT
dengan atau setelah dilaksanakannya pengawasan. 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. 1814.
Berdasarkan penjelasan di atas benefit merupakan besarnya pengurangan
kerugian. Terjadi apabila system dapat menekan kerugian [kesalahan ]
sampai tingkatan AQL.
2. 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

Prosiding
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, parameter manjerial masa stabil)
Definisi ROI: waktu yang diperlukan agar biaya masa transisi tertutupi
oleh keuntungan dilaksanakannya pengawasan. ROI=g(parameter
factual, parameter manjerial masa transisi,parameter manjerial masa
stabil)
Dalam menghitung ROI telah dipergunakan formula di bawah ini:

ROI = Tr+ (Cr / Bs)
Cr adalah biaya masa transisi. Masa transisi ialah masa untuk mengusahakan
agar tercapai masa stabil. Pada masa transisi dilakukan metode inspeksi dan
penindaklanjutan hasil inspeksi yang diterapkan pada masa stabil. Kita perlu
menghitung berapa lama masa transisi akan terjadi dan berapa biaya yang
dikeluarkan pada masa transisi.
Biaya yang dikeluarkan pada masa transisi bisa dianggap sebagai biaya
investasi sehingga kita harus menghitung berapa lama ROI akan tercapai.
Oleh karena itu perlu dihitung Lama Masa Transisi (Tr). 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. Nilai ini bergantung kepada Ns dan
metode penindaklanjutan hasil inspeksi.
Jika Ns semakin kecil maka Dipl semakin kecil. Jika metode
penindaklanjutan makin lemah maka Dipl semakin kecil.
Menghitung Biaya Masa Transisi (Cr)
Cfir = (Aql + L0)/2 * X * P * Cfpdr
Cr = Nr * ( Cpi + Cfir )
Cfpdr = Fr * Cfpd

Prosiding
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.
Berdasarkan hal-hal di atas ROI dapat diperoleh seprti dilaporkan di bawah
ini:
3. Feasibility study kondisi hipotetik

Hasil perhitungan menunjukkan bahwa Cs= Rp. 789.527.264,96,
sehingga diperoleh BCRs sebesar 1,2. Hal ini berarti metoda inspeksi
yang dikembangkan akan menghasilkan inflow sebesar 1.2 kali outflow
, atau pemasukan sebesar 1, 2 kali pengeluaran dalam waktu kurang
dari 8 tahun. Angka BCRs =1,2 merupakan angka yang reasonable jika
merujuk pada praktek perbankan khususnya bank Persero. Bank yang
diacu oleh P3ST adalah bank BNI. Berdasarkan data BCRs BNI tahun
2001 dan 2010 diperoleh rerata BCRS bank BNI sebesar 1, 2. SOP
Pengawasan yang dikembangkan terbukti feasible secara analitik pada
kondisi hipotetik dengan benefit [Bs] sebesar Rp. 947.432.717,84/tahun,
biaya operasional [Cs]sebesar Rp.789.527.264,86/tahun , dan biaya
investasi [Cr] Rp1.571,566.909.20 untuk masa transisi [ TR ]selama 2
tahun
ROI = Cr / Bs
= 4 tahun.
Selanjutnya berdasarkan perhitungan diperoleh Tr selama 1.65 tahun.Hal
ini berarti untuk mencapai masa stabil diperlukan masa transisi selama 2
tahun, dan investasi akan kembali setelah 4 tahun masa stabil, sehingga
mulai tahun ke tujuh akan diperoleh benefit 1.2 kali besarnya
pengeluaran.fenomena seperti ini sama naturalnya seperti menghitung
efisiensi konsumsi energy listrik pada peralatan elektronik. Konsumsi
energi dihitung setelah system memasuki kondisi stabil.
Dalam hal ini kita lakukan langkah-langkah berikut ini:

a. Postulat
Kesalahan dapat ditekan sampai 5% dengan BCR minimal 1,2 dan
ROI kurang dari 10 tahun bila L0=10%, Fr=2, X=5,5% , Ns=22 kali
inspection, CFPD=Rp.165.000
b. Menetapkan parameter-parameter factual
Parameter factual adalah parameter yang nilainya merupakan
karakteristik lapangan.parameter ini tidak dapat dikendalikan oleh
manajemen. Parameter ini merupakan system fisik, atau spesifikasi
system, dalam hal manufaktur, parameter ini misalnya karakteristik
mesin. Parameter-parameter tersebut adalah, Tdk= ekspektasi waktu
untuk memeriksa satu datum (jam) di kantor, TDK= 0.28 jam,
H=Rp.40.000,M=probabilitas perlunya dilakukan penelitian lapangan
per datum M=0.3. M mencerminkan proporsi keadaan populasi.Jika

Prosiding
proporsi SPPT tak bersertifikat dalam populasi adalah 30%, maka

suatu sampel berukuran tertentu diharapkan juga kan memuat
proporsi populasi sebesar 30%. TDl=5.2jam , B = ekspektasi biaya
transport untuk melakukan penelitian lapangan per Datum,
B=Rp.2.222, L0= 10% , P=5768 SPPT, R= Rp 1814,dan Z=
1811m2/SPPT .
c. Kita harus menghitung sampel yang tepat sebagai parameter
manjerial masa stabil pertama.Parameter ini diberi symbol X.
X=rasio ukuran sampel terhadap ukuran populasi . Hal ini ditempuh
dengan mengikuti prosedur sampling standar yang telah
dikembangkan , yaitu MIL STD 105 E.Ukuran populasi sebanyak
5768 , dan tingkat ketelitian inspeksi terbaik [general Inspection
Level III ] menunjuk pada kode M dengan ukuran sampel sebanyak
315 unit atau sebesar 5,5%. Artinya tidak ada sampel yang paling
bagus selain 5,5 %. 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].Ukuran sampel 5,5% juga
mengisyaratkan bahwa tidak beralasan menaikkannya lebih dari itu,
ukuran tersebut sudah yang terbaik.
4. Feasibility Study kondisi Hypothetic

Setting Triplet parameter manajerial masa Stabil.Parameter manajerial
masa Stabil adalah parameter untuk mengendalikan masa stabil.
Ada tiga parameter manjerial yang bersifat intercorrelated NS=22
kali/tahun , CFPD, dan Fr. artinya jika NS ditetapkan pada nilai tertentu,
maka CFPD dan Fr harus ditetapkan sebagi konsekuensi logis dari
NS.NS , Jumlah inspeksi pertahun ditetapkan sebanyak 22kali dan ini
bersesuaian dengan CFPD =Rp.165.000 dan Fr=2 kali.Selanjutnya
parameter manjerial yang bersifat independen adalah DLPi ditetapkan
sebesar 0.1%.
Kesimpulan: Input nilai-nilai parameter keputusan, parameter factual,
dan parameter manajerial tersebut di atas memberikan hasil yang
menunjukan bahwa metoda pengawasan bersifat efektif dan
feasible.Mengapa?hal ini dapat dijelaskan sebagai berikut:
a. Setting BCR=1,2 menghasilkan NS=30, padahal kita menetapkan NS
sebanyak 22 kali. Hal ini berarti telah terjadi penyelamatan biaya
sebanyak 8 kali inspeksi.Penyelamtan biaya ini secara perhitungan
matematis akan diikuti oleh peningkatan BCR menjadi 1.64. Artinya kita
bisa berharap pada kenyataannya mendapatkan BCR menjadi,
1,64,walaupun ada fakta yang ditunjukkan oleh BNI bahwa BCR yang
bisa dicapai adalah 1.2.
b. Jika angka BCR sebesar 1,6 bisa kita harapkan , maka angka BCR
sebesar 1, 2 memberikan keyakinan lebih besar untuk dicapai.
c. Hasil-hasil pada butir a dan b memberi arti bahwa metoda pengawasan
dengan 22 kali inspeksi/tahun diyakini efektif menghasilkan BCR=1.2
dan ROI 4 tahun.

Prosiding
Berikut adalah feasibility study yang disajikan secara kompak

dalam format tabular.
Lo M R Fr X Ns CFPD ROI BCRs Feasible

10% 0.3 Rp.1814 2 x 5.5% 22x Rp.165. 5 1.2 yes
000
5. Sensitivity Analysis
Sensitivity Analysis dilakukan untuk melihat apa yang terjadi jika nilai-
nilai parameter tidak sesuai dengan kondisi yang diharapkan. Sensitivity
Analysis merupakan kegiatan untuk memeriksa bagaimana kalau terjadi
kesalahan pada nilai-nilai parameter Factual dan parameter
lainnya.Artinya Sensitivity Analysis berupaya untuk mengetahui keadaan
terburuk yang akan terjadi sehingga kita dapat mengantisipasinya,
dengan kata lain kita harus mempersiapkan worst case scenario.Hal ini
muncul dari kesadaran bahwa Model inspeksi yang dikembangkan
memuat error, karena model is always less complex than reality.
Bagaimana jika untuk setting parameter pada kajian Feasibility nilai m
dirubah dengan nilai m=1 ? ini merupakan kondisi ekstrim, atau kondisi
terburuk yang tidak diharapkan , tetapi kita harus mengantisipasinya,
expect the unexpected. Hasilnya adalah NS turun menjadi 11 kali
inspeksi dan ROI menjadi 10 tahun , melampaui batas kelayakan .Apa
yang harus dilakukan?Jika NS turun artinya kita harus bisa efektif
dengan jumlah inspeksi yang lebih kecil.Artinya persiapan inspeksi harus
lebih serius dan lebih baik daripada sebelumnya. Hal ini memiliki
konsekuensi untuk meningkatkan biaya follow-up masa transisi atau Fr,
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.Akan tetapi kita sudah yakin dengan BCR sebesar
1.2, maka yang harus dilakukan adalah menurunkan BCR dan Fr secara
serempak sampai batas-batas BCR dan ROI yang tolerable.Artinya jika
BCR diset sebesar satu itu tidak mungkin karena malah jadi
rugi.Ternyata berdasarkan trial and error pada model perumusan, angka
BCR yang tolerable adalah BCR=1.039 dengan maksimum Fr, biaya
follow up masa transisi maksimum sebesar 6 kali biaya follow up masa
stabil.
Kajian sensitivity analysis secara kompak disajikan pada table di bawah
ini.
Tabel .Sensitivity Analysis
L0 M R Fr X Ns Cfpd ROI BCRs Feasible
10% 0.3 1,814 2 5,5% 22 165,000 5 1.2 Yes

8% 0.3 1,814 2 5,5% 22 165,000 4 0.98 No
9% 0.3 1,814 2 5,5% 22 165,000 4 1.31 Yes
10% 0.4 1,814 2 5,5% 22 165,000 6 1.31 Yes

Prosiding
10% 0.5 1,814 2 5,5% 22 165,000 6 1.089 No

9% 0.4 1,814 2 5,5% 22 165,000 4 1.045 No
10% 0.4 1,700 2 5,5% 22 165,000 4 1.225 Yes
10% 0.4 1,675 2 5,5% 22 165,000 4 1.205 Yes
10% 0.4 1,500 2 5,5% 22 165,000 6 1.083 No
9% 0.3 1,700 2 5,5% 22 165,000 4 1.23 Yes
9% 0.3 1,600 2 5,5% 22 165,000 4 1.16 No
10% 0.4 1,675 2 5,5% 22 182,100 6 1.2 Yes
10% 0.4 1,675 2 5,5% 22 190,000 6 1.195 No
9% 0.3 1,700 2 5,5% 22 209,670 4 1.2 Yes
9% 0.3 1,700 2 5,5% 22 220,000 4 1.192 No
11% 0.4 1,675 2 5,5% 22 165,000 4 1.45 Yes
Untuk melakukannya kita harus bisa membayangkan parameter apa yang

kita prediksi akan melenceng dari kenyatannya.baris ke 1 adalah kondisi
hipotetik. Misal kita buat L0=8%, maka diperoleh hasil pada table di atas
pada baris ke dua.
Berdasarkan data hasil Sensitivity Analysis pada table di atas kita dapat
mencoba mengenali pola data dengan melakukan pendekatan analisis
model regresi multivariate.Variable dependen model tersebut adalah
kondisi feasibility yang di beri kode 0 dan1, sedangkan variable
independennya adalah L0, M,dan R.Setelah dilakukan analisis regresi
multivariat diperoleh model sebagai berikut:
Y= -5.945+ 6.2268 L0 -6.023 M +0.002R.
Model ini memiliki akurasi klasifikasi sebesar 87%. Artinya 87 % dari

keputusan model ini diharapkan benar. Model tersebut dapat diterima
dengan melihat nilai signifikansi Alfa sebesar10%.
Agar metoda pengawasan ini feasible, maka nilai y harus lebih besar
sama dengan 1 sehingga diperoleh pertidaksamaan
y>=1, atau
-5.945+ 6.2268 L0 -6.023 M +0.002R >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 < (6.2268 L0+ 0.002R -6.945)/6.023
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.Sebagai ilustrasi jika L0=0.1 dan R

Prosiding
=1814, maka jumlah SPPT yang tidak bersertifikat jangan lebih dari 48%
dari total SPPT.Artinya sebesar-besarnya M harus 48%.
V. KESIMPULAN
1. 23 SOP PBB di KPP Pratama Kota Bandung mengandung 5 kesalahan
yaitu kesalahan unknown, Ambiguous, Incomplete, Loop holes, dan
Inconsistent. 8 SOP telah diperbaiki.
2. Telah dikembangkan SOP pengawasan Bank Data ZNT/NIR SPPT Buku
IV dan V PBB.
3. SOP Pengawasan yang dikembangkan melibatkan 22 kali pengawasan
pertahun dengan level inspeksi General Ispection Levels III
4. SOP Pengawasan yang dikembangkan terbukti feasible secara analitik
pada kondisi tertentu dengan BCR minimal 1.2 dan ROI maksimal 6
tahun
5. SOP Pengawasan yang dikembangkan memili kelemahan yaitu tidak
melakukan quality control terhadap pengawas, dengan kata lain tidak ada
pengawasan untuk pengawas.
6. Ada 4 kasus lain yang berhasil diidentifikasi pada Field Analysis tetapi
belum ditangani
DAFTAR PUSTAKA
1. Committee of Sponsoring Organizations of the Treadway Commission. 1992..

Internal Control - Integrated Framework (COSOReport).
2. Douglas C. Montgomery,[2009] Introduction To Statistical Quality Control 6th
ed.,John Wiley & Sons,Inc., New York.
3. Direktur Jenderal Pajak. 1999. Surat Edaran Direktur Jenderal Pajak Nomor SE-
06/PJ.6/1999 tentang Pelaksanaan Analisa Penentuan Zona Nilai Tanah(ZNT)
dan Nilai Indikasi Rata-rata (NIR) sebagai Dasar Penentuan NJOP Tanah.
Jakarta.
4. Direktur Jenderal Pajak, 2000. Petunjuk Pelaksanaan Pendaftaran Pendataan
dan Penilaian Objek dan Subjek Pajak Bumi dan Bangunan. Kep-533/PJ./2000.
Departemen Keuangan Republik Indonesia. Jakarta.
5. Direktur Jenderal Pajak, 2003. Surat Edaran Direktur Jenderal Pajak NomorSE-
09/PJ./2003tentang Penerapan NJOP sama Dengan Nilai Pasar. Jakarta
6. Direkur PBB dan BPHTB, 2003. Surat Edaran Direktur PBB dan
BPHTBNomor SE-45/PJ.6/2003 tentang Aplikasi Bank Data Nilai Pasar
Properti dan Petunjuk Pengoperasiannya serta Kelengkapan Lainnya.
Jakarta.
7. Eckert, J.K. Gloudemans, R.J. and Almy, R.R., 1990. Property Appraisal
andAssessment
Administration, IAAO. Chicago.
8. General Accounting Office. 1990. Assessing Internal Controls in Performance
Audits.

Prosiding
Washington, D.C.: GAO.

9. Hartoyo.1998. Assessment Ratio Suatu Alat Pengukur Kinerja PenilaianDalam
Pelaksanaan PBB. Modul Penilaian II. Jakarta
Kecamatan Bojongloa Kaler dan BabakanCiparay, Kota Bandung)
10. Tunggal, Amin Widjaja. 2000.COSO – Based Auditing.Jakarta: Harvarindo.

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

Prosiding
Melalui penelititan ini peneliti dapat memberikan rekomendasi kepada PT.Kimia Farma
(Persero) Tbk mengenai :
1. Strategi perbaikan mutu proses produksi Antasida Doen
2. Kendali mutu statistika yang tepat untuk memonitor proses produksi antasida
doen
3. 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.
2.Tinjauan Pustaka
Keith M.Bower,M.S. menyatakan bahwa terdapat dua asumsi yang harus
diperhatikan ketika melakukan analisis kapabilitas proses, yaitu proses berdistribusi
normal dan proses berada dalam statistical control.
a. Proses Berdistribusi Normal

Pada pengujian normalitas ini digunakan The Anderson-Darling (A-D)
Normality test.
Hipotesis :
Ho : Fn(x) = F0(x) (data berdistribusi normal)
H1 : Fn(x) ≠ F0(x) (data tidak berdistribusi normal)
Keterangan :
Fn(x) : fungsi distribusi secara empiris F0(x) : fungsi distribusi secara teoritis
(1)
Tolak H0 jika AD > CV atau p-value < significance level yang digunakan
0, 752
dengan CV (critical value) =
0, 75 2, 25
1
n n2
b. Proses Berada dalam Statistical Control
Kapabilitas proses merupakan suatu prediksi sejauh mana proses dapat
memenuhi spesifikasi. Suatu proses dapat diprediksi jika kondisinya stabil (Mehernosh
Kapadia) sedangkan, suatu proses dikatakan stabil jika berada dalam statistical control.

Prosiding
Sesuai aturan pada buku Farmakope Indonesia dimana untuk pengujian kadar zat aktif
hanya dilakukan satu kali pada setiap batch obat. 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. Ketika ukuran sampel pada subgroup adalah satu, maka tidak mungkin
untuk menghitung standar deviasi sampel atau range sampel. Oleh karena itu,
simpangan baku ditaksir menggunakan moving range dari dua observasi berurutan .
Nilai moving range diperoleh dengan menggunakan rumus :
MRi xi xi 1 (2)
Pada moving range chart :

UCL = 3.267 MR (3)
Center Line = MR (4)
LCL =0 (5)
 Pada pengukuran individual :
MR
UCL = x 3 (6)
d2
Center Line = x (7)
MR
LCL = x 3 (8)
d2
Keterangan : UCL : upper control limit LCL : lower control limit
c. Rasio Kapabilitas Proses

USL : upper specification limit LSL : lower specification limit
R S
diperoleh dari nilai atau
d2 c2
USL LSL
Menggunakan rumus C p , terlihat bahwa terdapat hubungan antara nilai
6ˆ
rasio kapabilitas proses, besar rentang spesifikasi, dan standar deviasi proses, yaitu :
1. Nilai rasio kapabilitas proses (Cp) akan meningkat jika besar rentang spesifikasi
diperlebar atau standar deviasi proses diperkecil. Semakin besar nilai Cp maka
semakin sedikit cacat yang dihasilkan

Prosiding
2. Nilai rasio kapabilitas proses (Cp) akan menurun jika besar rentang spesifikasi
dipersempit atau standar deviasi proses diperbesar. Semakin kecil nilai Cp maka
semakin banyak jumlah cacat yang dihasilkan
Tabel 1. Rekomendasi Nilai Minimum pada

Process Capability Ratio
Two-Sided Specifications One-Sided Specifications
Existing process 1.33 1.25
New process 1.50 1.45
Safety, strength, or critical 1.50 1.45
parameter, existing process
Safety, strength, or critical 1.67 1.60
parameter, new process
c. Indeks Kemampuan Proses

Untuk menilai kapabilitas proses produksi , diperlukan standar kapabilitas proses
sebagai patokan.
Dalam kerangka Six Sigma, batas terkecil indeks kemampuan proses adalah Cpk = 2.0.,
sehingga setiap upaya memperoleh batas spesifikasi baru harus memperhatikan nilai
acuan tersebut.
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.

Prosiding
Tabel 2.Data Kadar aluminium hidroksida / Al(OH)3 pada Antasida Doen

a.Uji Normalitas
Gambar 1. Grafik Uji Normalitas Kadar Al(OH)3

Dari grafik di atas diperoleh nilai p-value = 0,225 dimana nilai ini lebih besar dari
taraf signifikansi yang telah ditetapkan yaitu α = 0,05. Oleh karena itu maka data
berdistribusi normal .

Prosiding
b.Analisis Kendali Proses [Kestabilan Proses]
Gambar 2. IMR Chart Kadar Al(OH)3
Dari grafik di atas terlihat bahwa semua titik data berada dalam batas kendali. Hal ini
berarti bahwa proses tersebut berada dalam kondisi statistical control.
c. Analisis Kapabilitas Proses

Dari analisis kapabilitas proses dengan menggunakan software Process
Capability Calculator, diperoleh hasil sebagai berikut :

Prosiding
Gambar 3. Grafik Kapabilitas Proses dari Kadar Al(OH)3

Dari grafik di atas diperoleh nilai Cp = 3,05 dan Cpk = 2,09 . Karena nilai Cp ≥
1,67 dan nilai Cpk ≥ 1,60 maka dapat dikatakan bahwa proses tersebut telah mampu
dalam memenuhi batas spesifikasi yang ada saat ini. Hal ini pun dapat dilihat dari
gambar grafik tersebut yang memperlihatkan bahwa proses berada dalam batas
spesifikasi . Dengan demikian, perbaikan batas spesifikasi yaitu dengan membuat batas
spesifikasi baru yang lebih ketat dari batas spesifikasi yang ada saat ini dapat dilakukan.
d. 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 = 1,33. Batas spesifikasi yang
menghasilkan nilai Cpk = 1,33 merupakan batas spesifikasi yang akan direkomendasikan
sebagai batas spesifikasi baru.
Melalui proses iterasi, diperoleh nilai Cpk = 1,33 dengan batas spesifikasi antara 185
mg – 215 mg dengan proporsi PPM < LSL yaitu 33,71 ppm dan proporsi PPM > USL
yaitu 0,00 ppm. Hal ini berarti bahwa peluang terjadinya produksi yang keluar dari
batas spesifikasi bawah yang baru (lebih kecil dari 185 mg) yaitu sebesar 33,71
produksi dalam satu juta produksi dan tidak terdapat peluang terjadinya produksi yang
keluar dari batas spesifikasi atas yang baru (lebih besar dari 215 mg) atau dengan kata
lain tidak terdapat produksi yang keluar dari batas spesifikasi atas yang baru.
Rekomendasi batas spesifikasi baru tersebut belum adekuat, mengingat hal-hal berikut
ini:
1. Pengetatan batas spesifikasi tanpa diiringi perbaikan pada program Statistical
Process Control [SPC] hanya akan meningkatkan biaya mutu,berupa
peningkatan produk rusak yang berada di luar spesifikasi baru.
2. Pengetatan batas spesifikasi akan memberikan outcome peningkatan mutu
produk Antasida Doen secara terintegrasi jika diikuti oleh reduksi signifikan
pada variasi proses produksi Antasida Doen.
3. Tidak ada data yang menunjukkan benefit dari pengetatan spesifikasi baru yang
direkomendasikan

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

Prosiding
IV. DESAIN EKSPERIMEN
(D.1)
MEMBENTUK PRODUK BERKUALITAS MELALUI RANCANGAN
FRACTIONAL FACTORIAL SPLIT-PLOT TAGUCHI
Sri Winarni dan Budhi Handoko

Jurusan Statistika FMIPA UNPAD
Email : sri.winarni@unpad.ac.id, budhihandoko@unpad.ac.id
ABSTRAK
Produk berkualitas merupakan produk yang memenuhi standar minimal dari kebutuhan
atau keinginan konsumen. Pada dasarnya konsumen menginginkan dan mengharapkan
produk yang secara konsisten memiliki performansi tinggi dan variasi minimal, baik
dalam jangka pendek maupun jangka panjang. Proses meminimalisasi penyimpangan
suatu produk dari nilai targetnya akan meningkatkan kualitas produk tersebut. 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).
Kata kunci : Fractional Factorial Split-Plot Taguchi, SNR, kualitas produk.
A. PENDAHULUAN
Peningkatan kualitas produk seringkali menjadi permasalahan dalam dunia

industri. 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, baik dalam jangka pendek maupun jangka panjang. Peningkatan kualitas
produk tersebut dapat dilakukan dengan proses meminimalisasi penyimpangan suatu
produk dari nilai targetnya. Proses tersebut dilakukan melalui serangkaian percobaan
untuk mendapatkan produk yang sesuai dengan nilai target dan memiliki variansi kecil
(robust).
Percobaan yang dilakukan untuk peningkatan kualitas produk seringkali
dihadapkan dengan faktor-faktor yang dapat dikontrol (control factors) dan faktor-
faktor yang sulit untuk dikontrol (noise factors). Control factors (C) merupakan faktor-
faktor yang biasa digunakan dalam percobaan, sedangkan noise factors (N) merupakan
faktor-faktor yang ikut mempengaruhi respon tetapi keberadaannya sulit dan mahal
untuk dikendalikan. Meski menyebabkan keragaman dalam respon, pengaruh faktor N
ini diharapkan seminimal mungkin. Pada awal tahun 1980, seorang insinyur Jepang,
Genichi Taguchi memperkenalkan Robust Parameter Design (RPD) yang digunakan

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

Prosiding
Taraf
Faktor Keterangan
rendah (-1) tinggi (1) satuan
X1 Solder temperature 480 510 °F
X2 Conveyor speed 7.2 10 feet/minute
X3 Flux density 0.9 1.0
Preheat
X4 temperature 150 200 °F
X5 Wave height 0.5 0.6 Inches
Sedangkan Faktor N yang dicobakan adalah sebagai berikut :
Tabel 2. Tabel Noise Factor pada Percobaan Schimidt & Launsby (1990)
Taraf
Faktor Keterangan
rendah (-1) tinggi (1) Satuan
Solder temperature
Z1 tolerance 5 -5 °F
Z2 Conveyor speed tolerance 0.2 -0.2 feet/minute
Z3 Assembly type 1 2
Data hasil percobaan diberikan dalam bentuk cross array sebagai berikut :
Tabel 3. Cross Array pada Percobaan Schimidt & Launsby (1990)

Inner Array Outer Array
-1 1 1 -1 Z1
-1 1 -1 1 Z2
X1 X2 X3 X4 X5 -1 -1 1 1 Z3
1 1 1 -1 -1 194 197 193 275
1 1 -1 1 1 136 136 132 136
1 -1 1 -1 1 185 261 264 264
1 -1 -1 1 -1 47 125 127 42
-1 1 1 1 -1 295 216 204 293
-1 -1 1 1 1 234 159 231 157
-1 -1 1 1 1 328 326 247 322
-1 -1 -1 -1 -1 186 187 105 104
Percobaan di atas merupakan percobaan RPD FFSP dengan faktor C dijadikan sebagai
faktor petak utama dan faktor N sebagai anak petak.

Prosiding
B. IDENTIFIKASI MASALAH
Permasalahan yang muncul dalam rancangan FFSP RPD adalah bagaimana

menentukan struktur rancangan FFSP RPD dan analisisnya sehingga mampu
memberikan hasil terbaik, yaitu :
a. Mampu menghasilkan produk yang berkualitas, yaitu produk yang mendekati
nilai target dengan keragaman kecil.
b. Mampu menghasilkan cost-effectiveness, yaitu menghasilkan produk berkualitas
dengan biaya rendah.
c. Mampu menduga pengaruh faktor utama dan pengaruh interaksi tingkat rendah
sehingga diketahui faktor mana yang berpengaruh terhadap kualitas produk.
C. TUJUAN PENELITIAN
Tujuan penelitian ini adalah memberikan kajian tentang penggunaan rancangan

FFSP RPD untuk menghasilkan produk berkualitas dan cost-effectiveness.
D. 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).
Menurut Nair (1992), 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, sedangkan menurut Madhav
Phadke dalam Nair (1992), robust design merupakan sebuah metodologi engineering
untuk memperbaiki produktifitas selama research and development (R&D) sehingga
produk yang berkualitas tinggi dapat diproduksi secara cepat dengan biaya rendah.
Ross (1989) menyebutkan ada dua macam faktor yang digunakan dalam
rancangan parameter robust, yaitu :
1. Control factors (C), adalah faktor-faktor yang bersifat internal pada proses
pembuatan produk. Faktor ini sering disebut dengan parameter. Taraf dari
control factors yang ditentukan oleh si pembuat produk. Diasumsikan bahwa
pengaturan dari faktor-faktor ini dapat dikontrol.
2. Noise factors (N), adalah faktor-faktor yang bersifat eksternal dari proses dan
sulit untuk dikontrol. Ada tiga kategori noise factor :

Prosiding
 Outer noise, yaitu noise factor penyebab keragaman yang berasal dari luar
produk, seperti suhu dan kelembaban lingkungan sekitar.
 Inner noise, yaitu noise factor penyebab keragaman yang berasal dari dalam
produk, seperti faktor penyusutan.
 Product noise, yaitu noise factor yang muncul dari keragaman bagian-
perbagian dalam produk (part-to-part variation).
Produk yang dihasilkan bisa jadi memiliki sensitifitas terhadap ketiga bentuk noise
tersebut secara simultan. Kualitas dari rancangan ditunjukkan oleh pengaruh
keragaman yang kecil dari outer atau inner noise, sedangkan kualitas produksi
ditunjukkan oleh keragaman yang kecil dari product noise dan menghasilkan nilai
produk yang dekat dengan nilai target.
Sasaran metode Taguchi adalah menjadikan produk robust terhadap noise, karena
itu sering disebut sebagai Robust Design. Definisi kualitas menurut Taguchi adalah
kerugian yang diterima oleh masyarakat akibat penyimpangan nilai produk dari nilai
targetnya. Filosofi Taguchi terhadap kualitas terdiri dari tiga buah konsep, yaitu:
1. Kualitas harus didesain ke dalam produk dan bukan sekedar memeriksanya.

2. Kualitas terbaik dicapai dengan meminimumkan deviasi dari target.
3. Produk harus didesain sehingga robust terhadap faktor lingkungan yang tidak
dapat dikontrol.
4. Biaya kualitas harus diukur sebagai fungsi deviasi dari standar tertentu dan
kerugian harus diukur pada seluruh sistem.
Shina (2003) dan Ross (1989) menyebutkan dua strategi yang digunakan untuk
mereduksi keragaman produksi, yaitu :
a. Off-line control, merupakan strategi development yang diambil sebelum produk

dibuat. Penentuan rancangan yang berkualitas merupakan bentuk aktifitas on-
line control.
b. On-line control, merupakan strategi yang dilakukan ketika produk dibuat.
Strategi ini difokuskan pada pemeliharaan kualitas produksi agar terus berada
pada daerah keragaman yang digunakan, misalnya control chart.
Loss function yang merefleksikan kedua strategi tersebut adalah :
L( y ) k[ S y2 ( y m) 2 ]
dengan k adalah konstanta, S y2 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. Nilai m adalah nilai target yang ditentukan pada tahap off-line
control. 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.

Prosiding
Shin Taguchi dalam Nair (1992) menjelaskan bahwa tujuan dari robust design ini
adalah untuk mencapai fungsi robust pada engineering system, baik pada produk
ataupun pada proses, pada biaya terendah. Robust yang dimaksud adalah bahwa system
membentuk fungsi yang tidak mempedulikan pengaruh faktor N. Tujuan ini sangat
berbeda dengan pure scientific study yang berusaha untuk mengetahui hubungan sebab
akibat dan untuk memahami seluk beluk mekanis bagaimana sesuatu terjadi. Biaya dan
waktu adalah hal penting dalam engineering.
Pembentukan kombinasi perlakuan dilakukan dengan sebuah cara yang

direkomendasikan oleh Taguchi dalam Bingham & Sitter (2003), yaitu Cross array atau
inner-outer array. Inner array merupakan kombinasi perlakuan dari faktor C,
sedangkan outer array merupakan kombinasi perlakuan dari faktor N. Cross array
dibentuk dengan mengkombinasikan inner array dengan outer array. Sebagai contoh,
misalkan ada sebuah rancangan percobaan dengan 2 faktor C dan 2 faktor N yang
dibentuk dengan menggunakan cross array faktorial penuh. Inner array (22) untuk
faktor C dan outer array (22) untuk faktor N akan membentuk 2 2 2 2 cross array.
 Cross array tersebut memiliki 16 titik kombinasi perlakuan, akan dijelaskan

dengan Gambar 1.
 Pojok dari bujursangkar yang dalam, terdiri dari empat kombinasi perlakuan
faktor C, yaitu (-1,-1), (-1,1), (1,-1) dan (1,1) merupakan inner array.
 Empat titik pada tiap-tiap empat bujursangkar yang luar, masing-masing terdiri
dari empat kombinasi perlakuan faktor N, yaitu (-1,-1), (-1,1), (1,-1) dan (1,1)
merupakan outer array.
(-1,1) (1,1) (-1,1) (1,1)
-1, 1 1,1
(-1,-1) (1,-1) (-1,-1) (1,-1)
(-1,1) (1,1) (-1,1) (1,1)
-1, -1 1,-1

Prosiding
(-1,-1) (1,-1) (-1,-1) (1,-1)
Gambar 1. Struktur pembentukan cross array rancangan RPD 2 2 22 .
Jika Inner array berukuran m dan outer array berukuran n, maka cross array akan
berukuran m n .
Jumlah kombinasi perlakuan yang dihasilkan dengan cross array dapat direduksi
dengan menggunakan rancangan FF pada inner dan atau outer array. Sebagai contoh,
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 , maka jumlah kombinasi perlakuan
yang dihasilkan hanya sebesar 2 4 1 2 2 32 .
Rancangan Fraksional Faktorial Split-Plot (FFSP)

Huang et. al (1998) menotasikan rancangan FFSP dua taraf dengan
( n1 n2 ) ( p1 p2 )
2 . Rancangan ini dibentuk dengan mengkombinasikan dua rancangan FF.
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. Ada 2 n1 p1 kombinasi perlakuan yang
dilakukan pada rancangan petak utama, sedangkan pada rancangan anak petak ada
sebanyak 2 ( n1 n2 ) ( p1 p2 ) kombinasi perlakuan yang dilakukan.
Pembentukan generator dalam rancangan FFSP dilakukan dengan

memperhatikan dua hal. Pertama, generator anak petak boleh mengandung beberapa
faktor petak utama. Kedua, meskipun generator anak petak mengandung faktor dari
petak utama, generator petak utama harus bebas dari faktor anak petak dan generator
anak petak harus mengandung sedikitnya dua faktor anak petak (Bingham & Sitter
1999). Hal ini akan menyebabkan hubungan pengaruh petak utama dan anak petak yang
bisa jadi saling ber-aliases.
Pengaruh petak utama yang ber-aliases dengan pengaruh anak petak akan
merubah pembanding galat yang digunakan untuk pengujian. Ada dua galat yang
dihasilkan dalam rancangan FFSP, yaitu galat petak utama dan galat anak petak. Ada
beberapa aturan untuk pengujian pengaruh faktor pada rancangan FFSP (Bingham &
Sitter 2001):
1. Pengaruh petak utama dan interaksi antara faktor-faktor petak utama

dibandingkan dengan galat petak utama.

Prosiding
2. 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.
3. 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.
Galat petak utama lebih besar daripada galat anak petak, dengan begitu titik berat
pengujian lebih kepada anak petak. Pembentukan generator perlu lebih diperhatikan
agar pengujian yang dilakukan dapat lebih tepat.
Perbedaan galat petak utama dan anak petak memunculkan dua aspek yang
menarik dalam pemilihan rancangan FFSP yang akan digunakan. Dua aspek tersebut
adalah identifiability dan precision. Identifiability adalah kemampuan untuk menduga
sebanyak mungkin pengaruh utama dan pengaruh interaksi dua faktor. Precision
merupakan kemampuan untuk mendeteksi pengaruh signifikan dengan power sebesar
mungkin (Bingham & Sitter 2001).
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, kemudian ada faktor N dalam percobaan tersebut maka rancangan
FFSP RPD menjadi pilihan yang tepat untuk menentukan struktur rancangannya.
Rancangan FFSP RPD dapat dibentuk berdasarkan kondisi yang

melatarbelakanginya. Ada dua kasus yang dapat dibentuk, yaitu :
1. Faktor C sebagai petak utama dan faktor N sebagai anak petak

2. 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. (Bingham dan Sitter
2003)
Ketika percobaan lebih menitikberatkan pada beberapa pengaruh faktor C dan

interaksinya, faktor-faktor tersebut idealnya ditempatkan sebagai anak petak. Pada
kasus satu, dengan alasan praktis, faktor-faktor tersebut justru ditempatkan sebagai
petak utama. Pada kasus dua, sebuah kondisi yang biasa dalam RPD adalah di mana
faktor N sungguh mahal untuk dikontrol. Sebagai contoh, jika faktor N adalah kondisi
lingkungan dalam pabrik, maka perubahan faktor N mungkin mengeluarkan banyak
biaya dan waktu. Konsekuensinya, pembentukan rancangan sebagai split-plot dengan
faktor N sebagai petak utama dan faktor C sebagai anak petak merupakan pilihan
praktis.

Prosiding
Pada percobaan yang melibatkan faktor N dan dan faktor C, 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 :
......................... (1)
Dimana :
= Pengamatan pada Control factors ke-i dan Noise factors ke-j

ulangan ke-k
µ = Rataan Umum
rk = Pengaruh Kelompok ke-k
Ci = Pengaruh Control factors ke-i
= Galat dari Control factors ke-i ulangan ke-k
Nj = Pengaruh Noise factors ke-j
CNij = Pengaruh interaksi Control factors ke-i denganNoise factors

ke-j
eijk = Pengaruh galat dari Control factors ke-i denganNoise

factors ke-j ulangan ke-k
Pengaruh Ci terdiri dari pengaruh utama faktor C itu sendiri dan pengaruh interaksi
tingkat rendah antara faktor C dengan faktor C. Pengaruh Nj terdiri dari pengaruh utama
faktor N itu sendiri dan pengaruh interaksi antara faktor N dengan faktor N. Sedangkan
pengaruh interaksi CNij merupakan interaksi faktor C dan faktor N yang tidak ber-alises
dengan interaksi faktor C, jika ber-alises dengan interaksi faktor C maka masuk dalam

Prosiding
pengaruh Ci. 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 :
......................... (2)
Dimana :
= Pengamatan pada Noise factors ke-i dan Control factors ke-j

ulangan ke-k
µ = Rataan Umum
rk = Pengaruh Kelompok ke-k
Ni = Pengaruh Noise factors ke-i
= Galat dari Noise factors ke-i ulangan ke-k
Cj = Pengaruh Control factors ke-j
NCij = Pengaruh interaksi Noise factors ke-i dengan Control

factors ke-j
eijk = Pengaruh galat dari Noise factors ke-i dengan Control

factors ke-j ulangan ke-k
Dalam hal ini pengaruh NCij merupakan pengaruh interaksi faktor N dan faktor C yang
tidak ber-alises dengan pengaruh interaksi faktor N, jika beralises dengan interaksi
faktor N maka masuk dalam pengaruh faktor Ni.
E. 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. Komponen ragam yang diuji pada analisis ragam ini sesuai dengan komponen
ragam yang ada pada model linear.

Prosiding
Pada percobaan RPD FFSP yang tidak memiliki ulangan, komponen pengaruh
kelompok tidak muncul karena tidak ada ulangan yang dilakukan. Komponen-
komponen keragaman yang diuji pada analisis ragam ini adalah sebagai berikut :
a. Komponen petak utama yang terdiri dari :

i. Pengaruh utama faktor petak utama
ii. Pengaruh interaksi tingkat rendah dari faktor petak utama.
iii. Pengaruh interaksi petak utama dan anak petak yang ber-alises dengan
interaksi petak utama
b. Komponen galat petak utama merupakan interaksi tingkat tinggi dari faktor
petak utama yang tidak akan diduga pengaruhnya.
c. Komponen anak petak yang terdiri dari :
i. Pengaruh utama faktor anak petak
ii. Interaksi tingkat rendah faktor anak petak.
d. Komponen pengaruh interaksi petak utama dan anak petak, dimana pengaruh
interaksi ini tidak ber-alises dengan interaksi petak utama.
e. Komponen galat anak petak yang merupakan pengaruh kumulatif dari interaksi
tingkat tinggi dari faktor anak petak yang tidak diduga pengaruhnya. Interaksi
tingkat tinggi antara petak utama dan anak petak juga masuk dalam komponen
ini.
Pengujian komponen keragaman berdasarkan galat masing-masing. Komponen (a) diuji
dengan galat petak utama, sedangkan komponen (c) dan (d) diuji dengan galat anak
petak.
Signal-to-Noise Rasio (SNR)

SNR merupakan fungsi yang dihitung dari masing-masing faktor percobaan.
Pemilihan fungsi SNR tergantung pada tujuan percobaan :
a. Lebih kecil-lebih baik (smaller-the-better)

jika percobaan yang dilakukan mengharapkan respon yang minimum, maka
SNR yang digunakan adalah SNRS. Tujuan yang diinginkan adalah menentukan
taraf dari faktor kontrol yang memaksimumkan SNRS.
n
1
SNRS log10 yi2
n i 1
b. 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.
n
1 1
SNRL log10
n i 1 yi2
c. Sasaran tertentu-lebih baik (target-is-better)

Prosiding
Jika tujuan percobaan adalah mereduksi keragaman disekitar nilai sasaran

tertentu, maka digunakan fungsi SNRT.
y2
SNRT log10 2
s
Dengan menggunakan SNR akan didapatkan setting faktor yang menghasilkan respon
dengan nilai yang mendekati target dan memiliki keragaman minimum (robust).
F. HASIL DAN PEMBAHASAN
Struktur rancangan yang digunakan pada contoh kasus di atas merupakan

struktur rancangan RPD FFSP. Faktor C yang dicobakan ditempatkan sebagai petak
utama dengan struktur 25-2. Struktur generator yang digunakan adalah X4 = -X1X3 dan
X5 = -X2X3. Sedangkan faktor N ditempatkan sebagai anak petak dengan struktur 23-1 .
Struktur generator yang digunakan adalah Z3= -Z1Z2.
Struktur generator yang digunakan akan membentuk struktur aliases yang akan
menentukan struktur clear effect. Clear effect merupakan pengaruh faktor utama dan
pengaruh interaksi tingkat rendah yang dapat diduga. Clear effect merupakan pengaruh
penting yang ingin diduga. Pengaruh ini bisa jadi ber-aliases dengan interaksi tingkat
tinggi. Pengaruh interaksi tingkat tinggi dalam hal ini dapat diabaikan sehingga
pengaruh faktor penting dapat diduga. Pengujian terhadap clear effect dilakukan melalui
analisis ragam. Secara umum analisis ragam dapat dilakukan berdasarkan pada model
(1), 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. Analisis Ragam pada Percobaan Schimidt & Launsby (1990)
Jumlah Kuadrat
Sumber Keragaman Db Kuadrat Tengah F-Hitung F-Tabel

X1 1 242.000 242.000 77.44* 18.51
X2 1 1.445 1.445 0.46 18.51
X3 1 1035.125 1035.125 331.24* 18.51
X4 1 2.205 2.205 0.71 18.51
X5 1 165.620 165.620 53.00* 18.51
Galat petak utama 2 6.250 3.125
Z1 1 2.420 2.420 0.13 4.32

Prosiding
Z2 1 2.645 2.645 0.14 4.32
Z3 1 4.205 4.205 0,22 4.32
Galat anak petak 21 391.920 18.663
Total 31 1853.835
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 ( solder
temperature, flux density, wave heiht). Tidak ada pengaruh dari faktor N, hal ini
menunjukkan bahwa solder defects tidak dipengaruhi oleh faktor Z1, Z2 dan Z3 (solder
temperature tolerance, conveyor speed tolerance, dan assembly type).
Tujuan utama dari percobaan ini adalah mendapatkan setting taraf faktor C yang
menghasilkan solder defects dengan target sekecil mungkin, sehingga analisis SNR
yang digunaka adalah SNRs. Hasil analisis SNR yang dilakukan adalah sebagai
berikut:
Tabel 5. SNRs pada Percobaan Schimidt & Launsby (1990)
Run faktor
C Rata-rata SNRs
1 214.75 - 4675
2 135.00 - 42.61
3 243.50 - 47.61
4 85.25 - 39.51
5 252.00 - 48.15
6 195.25 - 45.97
7 305.75 - 45.76
8 145.50 - 43.59
Nilai SRSs yang paling besar adalah pada run ke-4 yang juga memiliki nilai rata-rata
paling kecil. Dari hasil analisis ragam didapatkan bahwa faktor C yang berpengaruh
adalah X1, X3 dan X5. Dengan demikian setting faktor C yang menghasilkan solder
defects sesuai target adalah pada solder temperature suhu 510°F, flux density taraf 0.9

Prosiding
dan wave heighttaraf 0.5 inches. Faktor C yang lain dapat disetting dengan taraf yang
ekonomis karena tidak berpengaruh terhadap solder defects. Conveyor speed dengan
taraf 7.2 feet/minute dan preheat temperature pada taraf 150°F. Kondisi ini adalah
kondisi yang paling robust dan bersifat insensitif terhadap faktor N. Dengan hasil respon
yang robust, 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.
G. KESIMPULAN
a. 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.
b. Dalam contoh kasus yang berikan didapatkan hasil bahwa setting control faktor
yang tepat adalah pada solder temperature suhu 510°F, flux density taraf 0.9
dan wave heighttaraf 0.5 inches. Kemudian Conveyor speed dengan taraf 7.2
feet/minute dan preheat temperature pada taraf 150°F. Setting taraf faktor
tersebut mampu menghasilkan solder defects yang minimum dan robust
terhadap solder temperature tolerance, conveyor speed tolerance dan assembly
type.
H. DAFTAR PUSTAKA
Bingham D, Sitter RR. 1999. Minimum aberration two-level fractional factorial split-
plot design. Technometrics 41: 62-70.
Huang P, Dechang C, Joseph OV. 1998. Minimum aberration two-level split-plot

designs. Technometrics 410: 314-26.
Kowalski SM. 2002. 24 Run split-plot experiments for robust parameter design.
www.asq.org.
Nair VN. 1992. Taguchi‟s parameter design: a panel discussion. Technometrics 34: 127-
61.
Ross PJ. 1989. Taguchi Technics for Quality Engeenering. New York: McGraw-Hill
Book Co
Shina SG. 2003. Six Sigma for Electronics Design and Manufacturing. New York:
McGraw-Hill Book Company.

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

Prosiding
Menurut Douglas C. Montgomery (2009), response surface merupakan suatu metode

gabungan antara teknik matematika dan teknik statistika yang berguna untuk
mengembangkan, meningkatkan, dan mengoptimalkan suatu proses. Metode response
surface ini dapat digunakan untuk mencari titik optimum dari suatu proses yang telah
dilakukan dan untuk mengoptimumkan suatu proses yang telah ada.
Response Surface digunakan untuk menyelidiki hubungan antara beberapa variabel

yang memberikan pengaruh pada satu atau lebih variabel respon. Dalam metode
response surface ini digunakan rangkaian eksperimen yang dirancang untuk
memperoleh respon yang optimal (G. E. P. Box dan K. B. Wilson; 1978).
Response surface merupakan suatu metode pengembangan dari polinom ortogonal,

sehingga dengan menggunakan metode response surface ini akan didapatkan suatu
model persamaan regresi yang dapat berbentuk linier maupun non – linier. Selain
persamaan regresi tersebut, dengan metode response surface ini akan didapatkan juga
komposisi taraf yang optimal yang dapat dilihat melalui contour plot dan surface plot.
2. TUJUAN
Melakukan proses optimasi komposisi perlakuan dengan menerapkan metode response

surface untuk mendapatkan respon pengamatan yang terbaik.
3. LANDASAN TEORI
Pada setiap eksperimen yang dilakukan baik yang bertujuan untuk proses optimasi
ataupun yang bukan optimasi, perlu ditentukan terlebih dahulu desain dasar dari
eksperimen tersebut. Desain dasar yang digunakan dan dicobakan pada suatu
eksperimen yang melibatkan dua faktor atau lebih adalah desain faktorial. Perlakuan
pada desain faktorial merupakan komposisi taraf dari faktor – faktor yang digunakan.
Pengaruh perlakuan diuji dengan menggunakan Analisi Varians (ANAVA) yang

mampu memecah pengaruh perlakuan ke dalam pengaruh utama dan pengaruh
interaksinya. Dalam melakukan analisis ANAVA, diperlukan beberapa asumsi yang
harus dipenuhi, yaitu normalitas dan homogenitas varians. Untuk uji normalitas ini,
yang digunakan adalah nilai residu ( ).
di mana: ........ (3.1)
Ketika eksperimen yang dilakukan bertujuan untuk proses optimasi, maka eksperimen
tersebut dipastikan memiliki faktor yang bersifat kuantitatif. Proses optimasi dapat

Prosiding
dilakukan dengan menggunakan metode response surface. Tahapan yang dilakukan

dalam metode response surface adalah sebagai berikut
a. Penentuan Polinom Faktor
Dengan mengujian polinom faktor ini, maka dapat diketahui tingkat orde dari suatu
faktor yang memberikan pengaruh terhadap suatu variabel respon. Untuk menguji
polinom faktor tersebut digunakan uji ANAVA.
Dalam menentukan polinom faktor, terlebih dahulu dilakukan pengujian tingkat orde
faktor. Untuk mencari Jumlah Kuadrat (JK) orde faktor, digunakan perumusan seperti di
bawah ini :
2
Yij i
JK (polinom) 2
i
........ (3.2)
dengan nilai i berasal dari tabel koefisien polinom ortogonal.
Sedangkan untuk nilai Fhitung dapat diperoleh dengan membagi Kuadrat Terkecil (KT)
dari polinom faktor terhadap KT dari kekeliruan atau dapat dituliskan sebagai berikut:
KT(polinom faktor)
F=
KT(E)
........ (3.3)
Pengujian dilakukan dengan melihat apakah efek penyimpangan dari model persamaan
regresi yang ada masih berlaku atau tidak, apabila efek penyimpangan dari model
persamaan regresi tertentu signifikan, maka diperlukan persamaan regresi dengan
tingkat orde yang lebih tinggi lagi. Untuk pengujian keberlakuan persamaan regresi
dimulai dari orde yang paling rendah hingga orde yang paling tinggi yang dapat
dibentuk dalam penelitian.
Pada umumnya, persamaan regresi dengan tingkat orde 2 (kuadratik) sudah cukup baik
untuk digunakan. Namun pada situasi tertentu, diperlukan juga untuk menggunakan
persamaan regresi dengan tingkat orde yang lebih tinggi (Raymond H. Myers, dkk;
2009).
b. Penentuan Persamaan Regresi
Dalam menentukan persamaan regresinya akan didapatkan suatu persamaan regresi

yang dapat berbentuk linier ataupun non linier. Untuk model persamaan regresi yang
paling sederhana atau orde pertama (linier), bentuk persamaan regresinya adalah
sebagai berikut:

Prosiding
Y x x x
0 1 1 2 2 3 3 ......... (3.4)
dengan Y sebagai respon; x1 , x2 , dan x3 masing-masing sebagai prediktor. Sedangkan

0 , 1 , 2 , dan 3 ditaksir dengan menggunakan metode kuadrat terkecil untuk
meminimalkan jumlah kuadrat kekeliruan .
Sedangkan untuk persamaan regresi dengan tingkat orde 2 (kuadratik). Persamaan

regresinya adalah sebagai berikut:
2 2 2
y 0 1 1 x x
2 2 x
3 3 x
11 1 x
22 2 x
33 3 xx
12 1 2 xx
13 1 3 xx
23 2 3 1 ........ (3.5)
Di mana suku x1 x2 menunjukkan interaksi antara variabel – variabel x1 dan x2 , suku

x1 x3 menunjukkan interaksi antara variabel-varabel x1 dan x3 , dan suku x2 x3
menunjukkan interaksi antara variabel-variabel x2 dan x3 .
Persamaan di atas dapat ditulis dalam notasi matrix sebagai berikut
....... (3.6)
di mana:
, , , dan ....... (3.7)
Koefisien dalam model-model di atas akan ditaksir dengan menggunakan metoda

kuadrat terkecil berdasarkan data hasil eksperimen. Dengan meminimalkan jumlah
kuadrat kekeliruan є, yakni
....... (3.8)
Maka L dapat dituliskan menjadi:
....... (3.9)
karena merupakan skalar (matrix 1 x 1), maka .
Kemudian L diturunkan terhadap β:

Prosiding
....... (3.10)
Maka, penaksir untuk β yang didapatkan dengan metode kuadrat terkecil adalah
....... (3.11)
c. Menggambarkan Kontur
Garis kontur adalah garis yang menghubungkan titik-titik yang mempunyai ketinggian
yang sama dari suatu bidang acuan tertentu. Untuk menggambarkan konturnya,
digunakan software tertentu.
Hasil dari kontur sendiri ada yang berdimensi dua (contour plot) dan ada yang
berdimensi tiga (surface plot). Dengan menggunakan kontur tersebut, dapat terlihat
komposisi taraf dari faktor – faktor yang optimal dalam memberikan pengaruh terhadap
suatu variabel respon.
4. CONTOH KASUS
Dalam pembuatan paving block, faktor – faktor yang mempengaruhi kuat tekan paving
block adalah tingkat kehalusan pasir, kadar air, dan banyaknya jumlah pasir yang
terkandung dalam campuran bahan pengisi. Setiap faktor – faktor yang ada terdiri atas
beberapa taraf. Dalam contoh kasus ini, ingin diketahui komposisi taraf-taraf faktor
yang bagaimanakah yang akan menghasilkan kuat tekan paving block yang terbaik.
B
C 21,25 23,75 26,25 28,75
1,2 4,3 7,4 1,2 4,3 7,4 1,2 4,3 7,4 1,2 4,3 7,4
155,8 210,9 169,9 170,7 245,7 182,5 155,1 201,9 160,3 117,0 120,5 101,7
25
161,2 215,0 171,0 182,3 259,0 179,5 159,2 199,5 159,8 90,6 99,8 99,5
160,2 221,0 170,6 166,8 240,2 180,2 148,0 185,1 152,2 89,0 110,2 100,3
156,1 209,5 165,2 160,8 222,1 175,1 139,5 185,5 143,7 95,1 160,1 99,5
A 50 150,2 210,0 151,8 157,0 215,4 169,9 142,2 179,1 150,2 87,4 155,1 89,1
149,0 206,1 155,5 151,1 218,0 170,5 140,2 170,0 143,0 75,4 149,4 77,0
145,0 170,5 150,6 150,5 172,3 163,8 120,9 160,4 130,3 67,3 91,2 88,0
75 139,3 169,0 147,1 144,1 169,5 150,2 119,0 151,5 141,3 79,1 89,9 73,5
132,0 169,1 139,9 140,0 188,1 149,5 131,0 144,0 148,0 60,2 80,1 69,4
100 125,1 150,1 132,7 120,9 160,4 130,3 115,0 152,3 119,1 59,2 85,2 65,9

Prosiding
120,9 148,2 130,2 119,0 151,5 141,3 111,2 140,1 120,3 55,1 77,0 67,1
119,5 130,3 126,0 131,0 144,0 148,0 120,1 131,5 120,5 49,0 69,1 59,5
115,9 125,5 110,5 107,5 130,5 115,9 89,9 105,1 99,5 39,5 60,3 55,0
125 111,0 119,1 121,3 110,1 125,0 125,0 95,1 110,7 101,4 51,0 59,1 49,3
102,0 121,0 109,1 101,0 122,4 122,0 88,2 109,1 95,0 40,0 55,2 44,6
Keterangan:
A = Banyaknya jumlah pasir yang terkandung dalam campuran bahan pengisi (gram).
B = Kadar air (%)
C = Tingkat kehalusan pasir (mm)
5. HASIL DAN PEMBAHASAN
Dalam contoh kasus ini, data yang digunakan telah memenuhi asumsi berdistribusi
normal dan juga homogenitas varians. Oleh karena itu, pengujian selanjutnya dapat
dilaksanakan.
a. Uji Signifikan untuk Faktor – Faktor
Tabel 5.1
Tabel ANAVA
Sumber Variasi Dk JK KT Fhitung Ftabel
Rata-rata 1 3148978,347 3148978,347
Perlakuan:
A 4 112177,246 28044,312 665,282 2,45
B 3 167585,554 55861,9 1352,19 3,07
C 2 38414,909 19207,5 455,65 2,68
AB 12 3266,411 272,201 6,457 2,02
AC 8 9355,734 1169,467 27,743 1,83
BC 6 1342,113 223,685 5,306 2,17
ABC 24 4450,585 185,441 4,399 1,61

Prosiding
Kekeliruan 120 5058,453 42,154
Jumlah 180 341651,005
Berdasarkan tabel 5.1 di atas, dapat disimpulkan bahwa:
 Banyaknya jumlah pasir yang terkandung dalam campuran bahan pengisi

memberikan efek yang signifikan terhadap kuat tekan paving block.
 Tingkat kehalusan pasir memberikan efek yang signifikan terhadap kuat tekan
paving block.
 Kadar air memberikan efek yang signifikan terhadap kuat tekan paving block.
 Interaksi antara banyaknya jumlah pasir yang terkandung dalam campuran
bahan pengisi dan tingkat kehalusan pasir memberikan efek yang signifikan
terhadap kuat tekan paving block.
bahan pengisi dan kadar air memberikan efek yang signifikan terhadap kuat
tekan paving block.
 Interaksi antara tingkat kehalusan pasir dan kadar air memberikan efek yang
signifikan terhadap kuat tekan paving block.
bahan pengisi, tingkat kehalusan pasir, dan kadar air memberikan efek yang
signifikan terhadap kuat tekan paving block.
b. Menentukan Polinom Faktor
Setelah dilakukan uji signifikansi terhadap faktor – faktor yang ada, selanjutnya
dilakukan pengujian untuk menentukan polinom faktornya. Setelah dilakukan
pengujian, maka didapatkan bahwa tingkat persamaan regresi yang berlaku adalah
persamaan regresi hingga tingkat orde keempat. Dengan menggunakan persamaan (3.2),
maka didapatkan JK (polinom) untuk setiap faktor yang ada. Sedangkan untuk
mendapatkan nilai Fhitung, maka digunakan persamaan (3.3). Nilai JK (polinom) dan juga
Fhitung yang telah didapatkan tersebut dituliskan ke dalam tabel ANAVa seperti di bawah
ini
Tabel 5.2
Tabel ANAVA untuk Menentukan Polinom Faktor
Sumber Variasi dk JK KT Fhitung

Rata – rata 1 3148978,347
Faktor A 4 112177,246
A linier 1 110638,842 110638,842 2624,634
A kuadratik 1 575,362 575,362 13,649

Prosiding
A kubik 1 391,042 391,042 9,277

A kuartik 1 572,000 572,000 13,569
Faktor B 3 167585,554
B linier 1 119064,103 119064,103 2824,503
B kuadratik 1 48514,534 48514,534 1150,888
B kubik 1 6,917 6,917 0,164
Faktor C 2 38414,909
C linier 1 2027,874 2027,874 48,106
C kuadratik 1 36387,035 36387,035 863,193
Interaksi A X B 12 3266,411
A L X BL 1 574,492 574,492 13,628
AL X BD 1 611,263 611,263 14,501
A L X BT 1 396,399 396,399 9,404
AD X BL 1 71,508 71,508 1,696
AD X BD 1 26,286 26,286 0,623
AD X BT 1 61,445 61,445 1,458
AT X BL 1 113,603 113,603 2,695
AT X BD 1 873,602 873,602 20,724
AT X BT 1 145,294 145,294 3,447
AE X BL 1 288,078 288,078 6,834
AE X BD 1 80,572 80,572 1,911
AE X BT 1 23,869 23,869 0,566
Interaksi A X C 8 9355,734
AL X C L 1 26,467 26,467 0,628
A L X CD 1 7097,028 7097,028 168,359
AD X CL 1 35,686 35,686 0,847
AD X CD 1 35,550 35,550 0,843
AT X CL 1 3,851 3,851 0,091
AT X CD 1 847,168 847,168 20,097
AE X CL 1 6,414 6,414 0,152
AE X CD 1 1303,570 1303,570 30,924
Interaksi B X C 6 1342,113
BL X C L 1 38,355 38,355 0,910
B L X CD 1 584,934 584,934 13,876
BD X CL 1 97,020 97,020 2,301
BD X CD 1 169,607 169,607 4,023
BT X CL 1 79,279 79,279 1,881
BT X CD 1 372,918 372,918 8,847
Interaksi A X B X C 24 4450,585
A L X BL X C L 1 47,641 47,641 1,130
A L X B L X CD 1 867,990 867,990 20,591
AL X BD X CL 1 14,751 14,751 0,350
AL X BD X CD 1 119,429 119,429 2,833
A L X BT X C L 1 19,177 19,177 0,455
A L X B T X CD 1 320,470 320,470 7,602
AD X BL X CL 1 20,615 20,615 0,489
AD X BL X CD 1 362,411 362,411 8,597
AD X BD X CL 1 7,590 7,590 0,180

Prosiding
AD X BD X CD 1 464,279 464,279 11,014

AD X BT X CL 1 3,375 3,375 0,080
AD X BT X CD 1 1,383 1,383 0,033
AT X BL X CL 1 0,137 0,137 0,003
AT X BL X CD 1 401,735 401,735 9,530
AT X BD X CL 1 40,017 40,017 0,949
AT X BD X CD 1 941,649 941,649 22,338
AT X BT X CL 1 0,154 0,154 0,004
AT X BT X CD 1 59,856 59,856 1,420
AE X BL X CL 1 17,172 17,172 0,407
AE X BL X CD 1 374,882 374,882 8,893
AE X BD X CL 1 0,833 0,833 0,020
AE X BD X CD 1 186,533 186,533 4,425
AE X BT X CL 1 129,109 129,109 3,063
AE X BT X CD 1 64,327 64,327 1,526
Kekeliruan 120 5058,453 42,154
180
Dengan α = 0,05; maka didapat Ftabel = 3, 92. Berdasarkan tabel ANAVA di atas dapat
dilihat bahwa faktor – faktor yang memberikan efek adalah:
 Faktor A yang berbentuk linier, kuadratik, dan kuartik.

 Faktor B yang berbentuk linier dan kuadratik.
 Faktor C yang berbentuk linier dan kuadratik.
 Faktor interaksi antara A dan B yang berbentuk AL X BL, AL X BD, AL X BT,AT
X BD, dan AE X BL.
 Faktor interaksi antara A dan C yang berbentuk AL X CD, AT X CD, dan AE X
CD.
 Faktor interaksi antara B dan C yang berbentuk BL X CD, BT X CD, dan BD X
CD.
 Faktor interaksi antara A, B, dan C yang berbentuk AL X BL X CD, AL X BT X
CD, AD X BL X CD, AD X BD X CD, AT X BL X CD, AT X BD X CD, AE X BL X
CD, AE X BD X CD.
c. Menentukan Persamaan Regresi
Dengan menggunakan persamaan (3.11), maka akan didapatkan :

Prosiding
-1845,459
45,466
165,243
28,317
-0,180
-3,563
-44,919
0,002
-7,546 10-6
-4,447
0,166
-0,002
-3,239 10-7
9,447 10-8
b 0,102
-1,126 10-4
7,297 10-7
5,055
-0,188
0,002
-0,02
1,866 10-5
5,749 10-4
-1,919 10-5
3,516 10-6
6,512 10-9
-4,032 10-8
5,432 10-10
Maka persamaan regresi yang terbentuk menjadi:
d. Analsis dengan Contour Plot dan Surface Plot

Prosiding
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; Kadar air

Kuat tek an pav ing
7 block
< 98,137
98,137 - 109,864
6 109,864 - 121,592
Tingkat kehalusan pasir
121,592 - 133,319
133,319 - 145,047
5 145,047 - 156,775
156,775 - 168,502
168,502 - 180,230
180,230 - 191,957
4
191,957 - 203,685
203,685 - 215,412
> 215,412
3
Hold Values
Pasir 25
22 23 24 25 26 27 28
Kadar air
 Surface Plot
Surface Plot of Kuat tekan pavin vs Tingkat kehalusa; Kadar air

Hold Values
Pasir 25
200
uat tekan paving block

150
8
100 6
4
22 T ingkat kehalusan pasir
24 2
26 28
Kadar air

Prosiding
Berdasarkan contour plot dan surface plot di atas dapat dilihat bahwa kuat tekan paving
block mengalami peningkatan mulai dari kadar air 21,25 % hingga kadar air sebanyak
23 %, namun pada saat kadar air lebih besar daripada 23 %, maka kuat tekan paving
block terus mengalami penurunan.
Sedangkan pada faktor tingkat kehalusan pasir sendiri, kuat tekan paving block
mengalami kenaikkan mulai dari tingkat kehalusan pasir 1,2 mm hingga tingkat
kehalusan pasir sebesar 4,5 mm. Namun pada saat tingkat kehalusan pasir lebih besar
daripada 4,5 mm, maka kuat tekan paving block terus mengalami penurunan.
Dengan demikian dapat disimpulkan bahwa komposisi taraf yang menghasilkan kuat
tekan paving block terbaik adalah pada komposisi kadar air sebanyak 23 %, tingkat
kehalusan pasir sebesar 4,5 mm dan jumlah pasir yang terkandung dalam campuran
bahan pengisi sebanyak 25 gram. Dengan kuat tekan paving block yang dihasilkan di
atas 215, 412 kg/cm2.
6. KESIMPULAN
Berdasarkan analisis yang telah dilakukan, maka dapat diperoleh sebagai berikut:
1. Metode response surface mampu mendapatkan komposisi perlakuan yang

menghasilkan respon percobaan yang terbaik.
2. Berdasarkan kasus yang ada, dapat dilihat bahwa komposisi taraf yang
menghasilkan kuat tekan paving block terbaik adalah pada kadar air 23 %,
tingkat kehalusan pasir 4,5 mm dan jumlah pasir yang terkandung dalam
campuran bahan pengisi sebanyak 25 gram. Dengan kuat tekan yang dihasilkan
di atas 215,412.
DAFTAR PUSTAKA
Box, G.E.P., Hunter, W.G. and Hunter, J.S. 1978. Statistics for Experimenters, An
Introduction to Design, Data Analysis and Model Buildin., New York: John
Wiley and Sons, Inc.
Montgomery, C. Douglas. 2009. Design and Analysis of Experiment, Seventh edition.

New York : John Wiley and Sons, Inc.
Sudjana. 1005. Desain dan Analisis Eksperimen, edisi keempat . Bandung: Tarsito.
Lieberman and Hillier, 1989. An Introduction of Operational Research, New York:

McGraw-Hill Book Company.

Prosiding
Myers, Raymond H., Montgomery, C.D., Anderson-Cook, M., C. 2009. Response

Surface Methodology Process and Product Optimazation using Design
Experiments, Third edition. New York: John Wiley and Sons, Inc.
(Gill et al., 1993a) P. E. Gill., W. Murray, and M. A. Saunders. Transformed Hessian

Methods for large-scales constrained optimization. Presented at the Fourth
Stockholm Optimization days, Royal Institute of Technology , Stockholm, 16 –
17 August, 1993.

Prosiding
LAMPIRAN
Tabel Koefisien Polinom Ortogonal
N=3 N=4 N=5
Xj P1 P2 P1 P2 P3 P1 P2 P3 P4
1 -1 1 -3 1 -1 -2 2 -1 1
2 0 -2 -1 -1 3 -1 -1 2 -4
3 1 1 1 -1 -3 0 -2 0 6
4 3 1 1 1 -1 -2 -4
5 2 2 1 1
2 2 6 20 4 20 10 14 10 70
i
1 3 2 1 10/3 1 1 5/6 35/12

Prosiding
(D.3)
DESAIN RESOLASI V DENGAN REPLIKASI FRAKSIONAL UNTUK
MENENTUKAN FAKTOR PENYEBAB TERJADINYA WET SPOT PADA
PRODUK KARET MENTAH
Oleh : Enny Supartini Dra. MS.

e-mail : arthinii@yahoo.com
ABSTRAK
Untuk meneliti terjadinya Wet Spot pada bahan karet mentah atau SBR
(Styrena Butadiena Rubber) diduga disebabkan oleh faktor-faktor tertentu yaitu :
konsentrasi pH pada saat pencucian, temperatur ketika dilakukannya pengeringan I,
temperatur ketika dilakukannya pengeringan II dan ukuran Ampere Squizer pada saat
pemerasan produk, yang masing-masing faktor terdiri dari dua taraf, sehingga dalam
penelitian ini melibatkan lima faktor sebagai perlakuan dan dalam eksperimennya
terbentuk 25 kombinasi perlakuan, dengan melakuan replikasi sebanyak r maka
eksperimen yang harus dilakukan sebanyak r25 begitu juga pengujian terhadap efek
faktor maupun efek interaksi antara faktor-faktor yang harus dilakuan analisisnya
sebanyak 25-1. Dengan desain resolusi V eksperimen yang harus dilakukan hanya
sebanyak 25-1 , begitu juga untuk pengujian hipotesis yang dilakukan bisa lebih
sedikit berdasarkan pada nilai-nilai efek faktor yang memperlihatkan efek yang
cukup besar, tanpa harus kehilangan informasi yang ingin diperoleh karena
menggunakan sifat-sifat dari alias, yaitu efek faktor atau efek interaksi antara faktor-
faktor dengan aliasnya tidak bisa dibedakan.
Kata Kunci : Desain Resolusi-V, Replikasi Fraksional, Alias.
1. Pendahuluan.
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,
sehinga untuk memperoleh informasi tersebut harus dipilih desain yang tepat dan
sesuai dengan permasalahan yang dihadapi. 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, 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. Di PT. X yang memproduksi bahan karet

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

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,
Pt. X harus melakukan sebanyak 32 eksperimen, untuk 3 replikasi berarti harus
melakukan 96 eksperimen, 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

Prosiding
aliasnya. 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, maka
kombinasi perlakuan yang ada di kelompok lainnya sudah terwakili karena
merupakan aliasnya yang berarti efek faktor maupun efek interaksinya tidak bisa
dikatakan berbeda.
2.1. Eksperimen Faktorial Khusus 25

2.1.1. 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, 10 interaksi dua faktor, 10 interaksi tiga
faktor, 5 interaksi empat faktor dan satu interaksi lima faktor sehingga dalam
eksperimennya akan melibatkan 32 kombinasi perlakuan dikalikan dengan n
replikasi yang dilakukan. Model matematisnya adalah sebagai berikut (
Montgomery 2005 ) :
Yijklmn = μ + Ai + Bj + Ck + Dl +Em + ABij + ... + DElm + ABCijk + ... + CDEklm

+
ABCDijkl + ... + BCDEjklm + ABCDEijklm + εn(ijklm) . . . (2.1)
Dengan i = 1,2 begitu juga untuk j, k, l, m sebagai taraf faktor sedangkan n =
1,2,...r
Ai : merupakan efek faktor A taraf ke-i
Bj : merupakan efek faktor B taraf ke-j
ABij : merupakan efek bersama taraf ke-i faktor A dan taraf ke-j faktor B
.
.
.
ABCDEijklm : merupakan efek bersama antara faktor A, B, C, D dan E
εn(ijklm) : merupakan kekeliruan eksperimen.

Prosiding
2.1.2. Anava untuk Eksperimen Faktorial Khusus 25
Dalam analisis varians untuk desain 25 akan melibatkan 32 kombinasi

perlakuan dan dalam modelnya akan diperoleh sebanyak 25-1 atau sama dengan 31
efek faktor ataupun efek bersama beberapa faktor sehingga akan dilakukan 31
pengujian hipotesis, 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, begitu juga untuk
memperoleh Jumlah Kuadrat-nya. Pada eksperimen faktorial 25, 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
- ce – abce - de – abde – acde – bcde ...
(2.2)
Efek faktor bisa diestimasi oleh :
2
EFEK FAKTOR( ABCDE ) (kontras ABCDE ) ...
n25
(2.3)
Jumlah Kuadrat untuk interaksi ABCD adalah :
1
JK ( ABCDE ) 5
(kontras ABCDE ) 2 ...
n2
(2.4)
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

Prosiding
variasi. Sedangkan untuk menentukan statistik pengujian bisa diperoleh berdasarka

Ekspektasi Kuadrat Tengah (EKT)
2.2. Replikasi Fraksional.

Seperti sudah dijelaskan pada bagian II.3. 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, tetapi dengan menggunakan replikasi fraksional dalam analisis
variansnya tidak perlu melakukan sebanyak itu cukup hanya sebagian saja misal
setengahnya, seperempatnya atau kalau banyak sekali faktor yang terlibat
memungkinkan untuk seperdelapannya. 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.
2.2.1. 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).
Cara menentukan alias.
Beberapa tahapan dalam menentukan alias :
1. Tentukan kontras penentu.
2. Kalikan faktor (atau faktor-faktor) dengan kontras penentu.
3. Bekerja dengan aljabar modulo 2 terhadap bilangan pangkat
Dalam permasalahan yang dikaji melibatkan 5 faktor sehingga ada ada 32
kombinasi perlakuan, dalam hal ini hanya akan digunakan setengah replikasi saja
yaitu 16 kombinasi perlakuan. Dengan mencari alias untuk masing-masing faktor
ataupun interaksi diantara faktor-faktor seperti berikut :
1. Kontras penentunya I=ABCDE.
2. Sehingga diperoleh :
Alias untuk A adalah A(ABCDE) = A2BCDE = BCDE

Prosiding
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 : Blok II :
I AD ABCDE BCE
A AE BCDE ACD
B BC ACDE ADE
C BD ABDE ACE
D BE ABCE ACD
E CD ABCD ABE
AB CE CDE ABD
AC DE 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, misalnya ketika menganalisis efek fakor A maka kita bisa
memperoleh informasi mengenai efek bersama antara faktor-faktor B, C, D dan E
(interaksi BCDE) karena berdasarkan sifat alias efek faktor A tidak bisa dibedakan
dengan interaksi BCDE, sehingga apabila kita melakukan analisis varian terhadap
efek faktor A maka informasi untuk interaksi BCDE juga akan diperoleh. Jadi

Prosiding
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 ). 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,
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, sedangkan faktor atau
interaksi dengan nilai efek yang cukup kecil tidak dilakukan pengujiannya karena
diduga akan memberikan hasil pengujian yang non signifikan, kemudian
menggabungkan efek faktor atau interaksi yang nilainya cukup kecil terhadap
kekeliruan eksperimennya (Montgomery 2005).
Statistik ujinya dapat ditentukan berdasarkan Ekspektasi Kuadrat Tengah
(EKT). Karena model yang digunakan model tetap, 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.

Seperti dikemukakan pada bagian sebelumnya bahwa permasalahan PT. X
adalah untuk melihat apakah terjadinya Wet Spot pada SBR merupakan pengaruh
lima faktor yaitu faktor A adalah konsentrasi pH pada saat pencucian, faktor B
adalah ukuran Ampere Squizer, faktor C adalah ketebalan produk (crumb), faktor
D adalah temperatur pada pengeringan I dan faktor E adalah temperatur pada
pengeringan II, dengan Desain Resolusi-V maka data yang dibutuhkan hanya
sedikit saja yaitu setengah replikasi jadi berdasarkan kombinasi perlakuan yang
terpilih untuk dilakukan eksperimennya saja seperti dapat dilihat pada Tabel 3.1.
Sedangkan untuk pengujian hipotesisnya tidak semua dilakukan tetapi hanya
sebagian saja berdasarkan pada nilai efek faktor yang cukup besar yang diduga
akan memberikan efek yang signifikan, sedangkan untuk nilai efek faktor yang
dianggap cukup kecil nilainya digabungkan dengan kekeliruan eksperimennya,
untuk analisis variansnya dibutuhkan mengestimasi efek faktor dan interaksi

Prosiding
beberapa faktor dan hasil perhitungan berdasarlan rumusan (2.3) sedangkan untuk
menentukan Jumlah Kuadrat bisa diperoleh berdasarkan bentuk kontrasnya
seperti pada rumus (2.4) dan untuk mempermudah perhitungan kontras dapat
dibuat tabel untuk tanda koefisien efek faktor dan interaksi beberapa faktor
dengan data hasil pengamatan dapat dilihat pada Tabel 3.1.
Tabel 3.1. Tanda Koefisien Efek Desain Resolusi V Untuk 25-1

dan Data Hasil Pengamatan
Kombinasi Efek Data Hasil

Perlakuan A B C D E = ABCD Pengamatan
E - - - - + 4
a + - - - - 12
b - + - - - 3
abe + + - - + 6
c - - + - - 4
ace + - + - + 11
bce - + + - + 7
abc + + + - - 10
d - - - + - 4
ade + - - + + 6
bde - + - + + 2
abd + + - + - 6
cde - - + + + 4
ace + - + + - 11
bce - + + + - 7
abcde + + + + + 7
Tabel 3.2. Hasil Perhitungan Estimasi Efek dan Jumlah Kuadrat

Variabel Estimasi Efek Jumlah Kuadrat
A 2,125 72,250
B -0,375 2,250
C 1,125 20,250
D -0,625 6,250
E 0,250 1,000
AB 0,000 0,000
AC 0,125 0,125
AD -0,500 4,000
AE 0,003 0,563
BC 0,625 6,250
BD 0.125 0,125
BE 0,125 0,125
CD 0,250 1,000
CE 0,438 0,438

Prosiding
DE 0,500 4,000
Hasil perhitungan untuk Estimasi Efek dan Jumlah Kuadratnya dapat dilihat
pada Tabel 3.2. Estimasi efek yang nilainya cukup besar dapat menentukan model
regresi dari daerah eksperimental, 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 5.3. Statistik ujinya
dapat ditentukan berdasarkan Ekspektasi Kuadrat Tengah (EKT). Karena model
yang digunakan model tetap, 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.
Tabel 3.3. Analisis Varians Desain Resolusi-V Untuk Eksperimen Faktorial 25
Sumber Variasi df JK KT F
A 1 72,250 72,250
C 120,417
D 1 20,250 20,250
AD 33,750
BC 1 6,250 6,250
DE 10,417
Error 1 4,000 4,000
Total 6,667
1 6,250 5,250
10,417
1 4,000 4,000
6,667
9 5,376 0,597
15 118,376
Berdasarkan hasil analisis varians dengan menggunakan taraf signifikansi

α=5%, maka F0,05(1,9)= 5,12, untuk semua pengujian hipotesis yang dilakukan
ternyata signifikan berarti ada pengaruh dari pH, Temperatur pengeringan I dan II
kemudian interaksi antara konsentrasi pH dengan Temperatur pengeringan II,
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, sedangkan untuk pengujian hipotesis yang lainnya
non signifikan berarti tidak ada pengaruh dari faktor dan interaksi yang lainnya,

Prosiding
begitu juga dapat disimpulkan untuk masing-masing aliasnya bahwa

kesimpulannya tidak bisa dibedakan dengan kesimpulan hasil analisis varians yang
sudah dilakukan.
4.1. Kesimpulan
Berdasarkan uraian pada bagian sebelumnya maka dapat disimpulkan

bahwa :
- 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.
- Untuk penelitian yaitu mengenai terjadinya Wet Spot pada bahan karet mentah
atau SBR (Styrena Butadiena Rubber), ternyata dipengaruhi oleh adanya
perbedaan ukuran dari konsentrasi pH, Temperatur pengeringan pada zone I,
Temperatur pengeringan pada zone II kemudian interaksi antara konsentrasi pH
dengan Temperatur pengeringan II, interaksi antara ketebalan crumb dengan
temperatur pengeringan I dan juga interaksi antara temperatur pengeringan II dan
ukuran Ampere Squizer.
4.2. Saran
Untuk penelitian selanjutnya ada beberapa saran sebagai masukan :

- 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.
- 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.

Prosiding
5. Daftar Pustaka
1. Box, G. P., Hunter, W. G., and Hunter J. S., (1978) Statistical for
Experimenters, New York, John Wiley.
2. Hinkelmann, K. And Kempthorne (1994) Design and Analysis of

Experiment, New York, John Wiley.
3. Lehmann E., (1986) Testing Statistical Hypothesis, New York, John

Wiley.
4. Montgomery, Douglas C., (2001) Design and Analysis of Experiment 5th

ed. New York, John Wiley.
5. Ulfah M., Anggraeni S. K., Analisisa Penyebab Wet Spot untuk

Menentukan Setting Optimum Proses Pengeringan Rubber dengan
menggunakan Eksperimen Faktorial 25.
Jurusan Teknik Industri Univ. Sultan Ageng Tirtayasa.
6. Robert. Lee. Mason., (2002) Statistical Design and Analysis of

Experiment, with Aplication to Enggeenering and Sience, Second
Editions, John Willey
7. Mood, A., Graybill F. A. & Boes, D.C. (1974) Introduction to The Theori
of Statistic, New York , Mc Graw Hill.
8. Sudjana (1995), Desain dan Analisis Eksperimen, edisi 4, Bandung, PT

Tarsito.
9. Winner, B. J., (1971) Statistical Principle in Experimenttal Design. New

York, Mc Graw Hill.

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

Prosiding
muncul. Salah satu alat yang penting dalam robust design adalah desain parameter yang
diusulkan oleh Taguchi (1986).
Desain parameter merupakan salah satu tahapan dari desain produk dan proses, selain
dari desain sistem dan desain toleransi (Park, 1996) . Dalam konteks desain produk,
desain parameter bertujuan mendesain variabel atau faktor kontrol yang mempengaruhi
karakteristik fungsional suatu produk. Pada tahap ini, level-level dari variabel desain
(faktor kontrol) yang meminimumkan efek dari faktor noise pada kualitas produk,
meminimumkan biaya produksi, dan kualitas dari produk terhadap target yang telah
ditetapkan. Sedangkan dalam konteks desain proses, desain parameter bertujuan untuk
menentukan kondisi operasi yang optimum serta mereduksi variasi kualitas (untuk
meningkatkan kapabilitas proses) dengan meminimumkan pengaruh noise.
Desain parameter yang dikenal berdasarkan jenis datanya ada dua yaitu kontinu dan
diskrit. Penelitian ini akan lebih menekankan pada desain parameter untuk data diskrit
dua kelas.
Tujuan yang dapat dicapai dari penelitian ini adalah:
1. Memperoleh kondisi optimum dari desain parameter data diskrit dua kelas.
2. Mendapatkan taksiran SN Rasio pada kondisi awal dan optimum.
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.
II. METODE PENELITIAN

Metode penelitian yang digunakan sesuai dengan perumusan masalah yaitu untuk
desain parameter data diskrit dua kelas adalah signal to noise (SN) ratio.
1. Menentukan Jenis Orthogonal Array yang sesuai dengan banyaknya
Faktor dan Level Faktornya.
Misalkan terdapat empat faktor A, B, C, dan D. Masing-masing faktor memiliki
3 level yang diberi kode 0, 1, dan 2. Maka bentuk orthogonal arrays yang dapat
digunakan untuk melakukan eksperimen adalah seperti tampak di bawah ini :

Prosiding
Tabel 1 Orthogonal Array L9(34)
No. Nomor Kolom Nilai

Kondisi
Percobaan 1 2 3 4 Respon
1 0 0 0 0 A0B0C0D0 y1
2 0 1 1 1 A0B1C1D1 y2
3 0 2 2 2 A0B2C2D2 y3
4 1 0 1 2 A1B0C1D2 y4
5 1 1 2 0 A1B1C2D0 y5
6 1 2 0 1 A1B2C0D1 y6
7 2 0 2 1 A2B0C2D1 y7
8 2 1 0 2 A2B1C0D2 y8
9 2 2 1 0 A2B2C1D0 y9
Faktor A B C D
2. Analisis SN Ratio
Misalkan terhadap n buah item produk yang diperiksa, dan hasilnya adalah 0/1
dengan
0, jika produk rusak
yi
1, jika produk baik
Jika dari hasil eksperimen diperoleh data y1, y2, …, yn, maka fraksi produk baik
adalah
y1 y2 ... yn
p
n
Dan variasi dari rata-rata umumnya adalah
( y1 y2 ... yn ) 2
Sm
n
1
(np) 2
n
np 2
Prosiding
Variasi totalnya yaitu

n
ST yi np
i 1
Sedangkan variasi kekeliruannya adalah

Se ST Sm np np 2 np(1 p)
Nilai ukuran Signal To Noise Ratio (SN Ratio) nya adalah karakteristik nominal-
is-best :
y2
SN 10 log
V
dengan V adalah power of noise. Dalam konteks data diskrit dua kelas, SN Ratio
menjadi
1
S
SN 10 log n m
V
Sm S np 2
10 log 10 log m 10 log
nV Se np (1 p )
1
p 1 p
10 log 10 log
1 p p
1
10 log 1 (1)
p
Berdasarkan (1) apabila proporsi produk baik meningkat, maka nilai SN Ratio
juga meningkat.
Untuk menentukan level-level faktor yang menyebabkan kondisi optimum

diperoleh dengan mencari rata-rata dari SN Ratio untuk faktor dan level masing-
masing dan bisa dibuat table sebagai berikut :
Tabel 2. Jumlah dan Rata-rata SN Ratio
Faktor ke-
Level
1 2 … k
Jumlah J10 J20 … Jk0

0
Rata-rata x 10 x 20 … x k0

Prosiding
Jumlah J11 J21 … Jk1

1
Rata-rata x 11 x 21 … x k1
Jumlah J1t J2t … Jkt

T
Rata-rata x 1t x 2t … x kt
Jumlah J1T J2T … JkT

Total
Rata-rata x 1T x 2T … x kT
Level-level faktor yang mengoptimumkan respon ditentukan berdasarkan rata-

rata SN Ratio yang terbesar diantara level-level tersebut.
Taksiran SN Ratio pada kondisi awal dan kondisi optimum adalah sebagai
berikut :
k
ˆ ( X 1;level _ opt X 2;level _ opt ... X k ;level _ opt ) X i ;level _ opt (k 1)T (2)
i 1
Dengan k = banyaknya faktor dan interaksi faktor dalam kondisi optimum
T = rata-rata SN Ratio total
III. 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), B (suhu awal), C(suhu pematrian), D (kecepatan putaran mesin). Setiap factor
terdiri atas tiga level, yaitu level factor A adalah 1mm, 2mm, dan 3mm, level factor B
adalah 100 C, 110 C, dan 120 C. Level dari factor C adalah 245 C, 250 C, dan 255 C.
Sedangkan level dari factor D adalah 4 terdiri atas 4.5, 5,0, dan 5,5 ft/menit. Data hasil
eksperimen menggunakan OA L9 dan nilai SN Ratio yang sesuai dengan karakteristik
produk ditampilkan pada Tabel 3.
Tabel 3 Data Hasil Eksperimen

Prosiding
Jumlah
Faktor komponen
Nomor SN = -10 log
yang baik (dari
Eksperimen ((1/p) - 1)
200
A B C D komponen)
1 0 0 0 0 167 7.042
2 0 1 1 1 194 15.097
3 0 2 2 2 160 6.021
4 1 0 1 2 158 5.754
5 1 1 2 0 190 12.788
6 1 2 0 1 160 6.021
7 2 0 2 1 183 10.320
8 2 1 0 2 186 11.234
9 2 2 1 0 168 7.202
Dengan p merupakan proporsi produk yang baik dari 200 komponen yang diperiksa.
Hasil eksperimen tersebut diperoleh menggunakan kondisi operasi awal eksperimen
yaitu A1B1C1D0.
Berdasarkan Nilai SN Ratio yang telah dihitung pada Tabel 3, 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. Jumlah dan rata-rata
nilai SN Ratio dapat dilihat pada Tabel 4.
Tabel 4 Jumlah dan Rata-rata SN Ratio
Faktor
Level SN
A B C D
Jumlah 28.159 23.116 24.296 27.031

0
Rata-rata 9.386 7.705 8.099 9.010
1 Jumlah 24.562 39.118 28.052 31.437

Prosiding
Rata-rata 8.187 13.039 9.351 10.479
Jumlah 28.755 19.243 29.128 23.009

2
Rata-rata 9.585 6.414 6.376 7.670
Jumlah 81.477 81.477 81.477 81.477

Total
Rata-rata 9.053 9.053 9.053 9.053
Setelah dilakukan perhitungan SN Ratio seperti pada tabel diatas, 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.
Tabel 5 Analisis Varians Data Hasil Eksperimen
Sumber Derajat Jumlah F

RJK F Kesimpulan
Variasi Bebas Kuadrat (0.05)
A 2 3.43 1.72 0.89 2 H0 diterima
B 2 74.01 37.01 19.15 2 H0 ditolak
C 2 4.29 2.15 1.11 2 H0 diterima
D 2 11.85 5.93 3.07 2 H0 ditolak
(e) (4) (7.73) 1.93
Total 4 85.85
Berdasarkan analisis varians pada Tabel 5, maka dapat disimpulkan factor yang
signifikan adalah B dan D dan optimal pada saat B1D1. Untuk factor yang
nonsignifikan yaitu A dan C tetap disertakan pada proses produksi berikutnya karena
alasan ekonomi dan teknis, salah satunya karena merupakan satu rangkaian dari proses
pembuatan komponen semikonduktor. Level optimal dari factor A dan C berdasarkan
Tabel 4 adalah A2C1. Sehingga kombinasi level factor yang mengoptimalkan respon
adalah A2B1C1D1.

Prosiding
Kondisi operasi awal menggunakan level percobaan A1B1C1D0. Taksiran SN Ratio

adalah
ˆ ( A1 B1C1 D0 ) A1 B1 C1 D0 3T
8.188 13.040 9.351 9.011 3x9.053
12.431
Kondisi optimum eksperimen berdasarkan pengujian adalah A2B1C1D1. Taksiran SN

Ratio adalah
ˆ ( A2 B1C1 D1 ) A2 B1 C1 D1 3T
9.585 13.040 9.351 10.479 3 x9.053
15.296
Dengan kondisi optimum ini SN Ratio meningkat sebesar 15,296 – 12,431 = 2,865,
yang menunjukan ukuran besarnya peningkatan kualitas komponen. Apabila
peningkatan kualitas ini dihitung dalam proporsi komponen yang baik, yaitu :
1
SN kondisi awal 10log 1 12, 431 , sehingga p = 0,946 = 94,6%
p
1
SN kondisi optimum 10log 1 15, 296 , sehingga p = 0,971 = 97,1%
p
Hal ini berarti proporsi komponen yang baik meningkat dari 94,6% menjadi 97,1%.
IV. KESIMPULAN
Berdasarkan uraian yang telah dipaparkan pada Bagian 3, dapat disimpulkan
beberapa hal yaitu sebagai berikut :
1. Variabel yang signifikan dalam eksperimen pembuatan komponen elektronik

adalah B dan D. Meskipun factor A dan C nonsignifikan, untuk mencari
kondisi optimum proses produksi tetap disertakan berdasarkan pertimbangan
ekonomi dan teknis.

Prosiding
2. Pada kondisi optimum yaitu A2B1C1D1 persentase komponen yang baik akan
meningkat dari 94,6% menjadi 97,1% dari kondisi awal eksperimen yaitu
A1B1C1D0.
V. UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih yang kepada Jurusan Statistika FMIPA

Universitas Padjadjaran, dengan adanya Program Riset Mandiri (PRM) yang telah
mendukung terlaksananya ini.
VI. DAFTAR PUSTAKA
Box, G.E.P., Hunter, J.S., & Hunter, W.G.2005. Statistics for experimenters: Design
innovation,and discovery, 2 ed. Hoboken, NJ: John Wiley & Sons.
Montgomery, D.C. 2005. Design and Analysis of Experiments. New York ; John
Wiley and Sons, Inc.
Park, S.H. 1996. Robust Design and Analysis for Quality Engineering. Great Britain
: Chapman and Hall.
Taguchi, G.1986.Introduction to Quality Engineering. Tokyo: Asian Productivity

Organization.
Wu, C.F.J., & Hamada, M. .2000. Experiments: Planning, analysis and parameter
design optimization. New York: John Wiley & Sons.

Prosiding
(D.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. BERNIK MASKUN
ABSTRAK
Pengujian hipotesis yang melibatkan beberapa rata-rata, tanpa memperhitungkan
urutan rata-rata dalam pendekatan parametrik dapat dikerjakan melalaui analisis
varians (ANAVA). 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. Pada penelitian
ini akan dikemukakan aplikasi menguji kesamaan beberapa rata-rata yang diberikan
oleh perlakuan yang berbeda melalui pendekatan parametrik. Aplikasinya adalah
untuk mengetahui perlakuan yang memberikan efek yang paling baikberdasarkan
kekuatan daya rekat dan persentase sisa resin yang melekat pada permukaan logam
yang biasa digunakan dokter gigi dalam bidang prostodonsia.
I. PENDAHULUAN
1.1 Latar Belakang
Penelitian yang dilakukan dokter gigi dalam bidang prostodonsia, 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 praktek sehari-hari yang dilakukan oleh para doktergigi, sering dijumpai
kegagalan-kegagalan yang terjadi, antara lain terlepasnya ikatan antara semen resin
dengan permukaan gigi atau terlepasanya ikatan antara semen resin dengan permukaan
logam. Menurut Greugers (1985). Kegagalan terjadi pada jembatan Rochettte, karena

Prosiding
semen resin hanya melekat disekitar lubang-lubang dan tidak menyeluruh pada
permukaan logam.
Berbagai penelitian telah dilakukan untuk memperbaiki ikatan antara semen

resin dan permukaan logam, antara lain dilakukan oleh Mc. Laughlin (1986) dan Van
der Veen (cit. Dachlan, 1995) dengan membuat perlakuan pada permukaan logam
berupa anyaman, perforeted, sandblast dan dietsa secara electrolisa.
Berdasarkan kegagalan-kegagalan dan upaya-upaya yang telah dilakukan oleh bebrapa

peneliti untuk meningkatkan kekuatan pelekatan antara semen resin dengan permukaan
logam, perlu dilakukan penelitian lainnya yang berkaitan dengan perlakuan-perlakuan
yang diberikan kepada logam.
1.2 Rumusan Masalah
Berdasarkan hasil penelitian yang telah dilakukan, menunjukkan bahwa

kekuatan lekat semen resin pada logam sebagai restorasi jembatan akan berbeda jika
logam yang digunakan memperoleh perlakuan yang berbeda.; untuk itu dapat
diturunkan hipotesis statistik sebagai berikut :
HO : HO : 1 2 ... k
vs
H1 : Salah satu tanda sama dengan tidak berlaku.
Untuk menguji hipotesis di atas diperlukan :

1. Statistik uji
2. Distribusi Sampling dari statistik uji
1.3 Tujuan Penelitian
Menerapkan cara pengujian hipotesis untuk beberapa rata-rata yang sesuai

dengan kaidah statistika..

Prosiding
1.4 Manfaat Penelitian
Dengan digunakan statistik uji yang sesuai untuk menguji hipotesis beberapa
rata-rata akan memberikan solusi yang lebih baik.
II . 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 : 1 2
melawan
H1 : 1 2
2.1.1 Statistik uji dengan pendekatan parametrik
2
Jika data hasil penelitian berskala rasio atau interval dan (varians) diketahui
maka Statistik ujinya dapat digunakan statistik z berbentuk
x1 x2
z ... (2-1)
1 n1 1
n2
2
Apabila tidak diketahui maka statistik ujinya menggunakan staistik t dengan bentuk
x1 x2
t ... (2-2)
s 1 n1 1
n2
Kedua statistik di atas dapat digunakan jika data hasil penelitian berdistribusi Normal.
2.1.2 Statistik Uji dengan Pendekatan Non Parametrik

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

Prosiding
Sebuah alternatif dari ANAVA untuk data hasil eksperimen berupa skor dengan
skala ordinal, pendekatan yang ada berupa Analisis Statistik Non-Parametrik dengan
Uji Analisis Varian Ranking Satu Arah Kruskal-Wallis (Gibbons, 1971) berbentuk :
12 k R 2j
H 3(n 1)
n(n 1) j 1 nj
dengan :
k = banyak kelompok sampel
Rj = rank pada sample ke j
n = ∑nj = banyak kasus dalam semua sampel
nj = banyak kasus dalam sampel ke j
Jika hasil pengujian signifikan, tentunya perlu dilakukan uji–uji lainnya untuk
mengetahui perbedaan perlakuan dengan cara berpasangan.
III . METODOLOGI PENELITIAN
Permasalahan yang dihadapi seperti tertuang dalam Bab I, melibatkan pengujian

beberapa rata-rata. Pengujian hipotesis yang melibatkan beberapa rata-rata tanpa
memperhitungkan urutan rata-rata, dalam pendekatan parametrik dapat dikerjakan
melalui Analisis Varians (ANAVA). Dalam hal ini model mengenai data hasil
pengukuran adalah
yij i ij ; ... (3-1)

i 1, 2,...k
j 1, 2,...nk
dengan rata-rata efek
i efek perlakuan ke i
ij kekeliruan, berupa efek acak yang berasal dari unit eksperimen
ke j , dimana ij berdistribusi Normal dan Independen dengan

2
rata-rata nol dan varians (Montgomery, 2001).

Prosiding
Berdasarkan model eksperimen seperti pada persamaan (3-1) dapat diturunkan hipotesis
sebagai berikut :
Ho : i 0 i 0 ; i = 1,2, ... , k yang dapat diartikan tidak terdapat perbedaan

mengenai efek perlakuan
Hipotesis di atas dapat pula ditulis dalam bentuk :
HO : 1 2 ... k
vs
Untuk mengujinya diperlukan statis uji yang sesuai.
3.1 Statistik Uji Pendekatan Parametrik :
Pengujian untuk hipotesis di atas, 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
1 2 i K
1 Y11 Y21 ... Yk1
2 Y12 Y22 ... Yk2
… ... ... ... ...
J Y1j Y2j Yij Ykj
… ... ... ... ...
… ... ... ... ...
nj Y1n1 Y2n2 Yknj
Banyak n1 N2 ... nk k
n ni
Pengamatan i 1
Jumlah J1 J2 … Jk k
J Ji
i 1
Rata-rata y1 y2 yj yk
dari tabel di atas nampak bahwa :

Prosiding
k
n ni
i 1
Berdasarkan data dalam Tabel 1, selanjutnya dapat dihitung berbagai statistik antara
lain
Jumlah kuadrat-kuadrat (JK) semua nilai pengamatan :
k nj
Y2 Yij2
i 1 j 1
Jumlah kuadrat-kuadrat (JK) untuk rata-rata :

k
2
Ry J / ni
i 1
Jumlah kuadrat-kuadrat antar perlakuan :
k
Py ( J i2 / ni ) Ry
i 1
Jumlah kuadrat-kuadrat kekeliruan perlakuan :
k ni
Ey (Yij Yi )2
i 1 j 1
Ey Y2 Ry Py
Keseluruhan perhitungan di atas dapat ditampilkan dalam tabel sebagai berikut :
ANAVA
Dengan ni observasi tiap kelompok
Sumber Dk Jumlah Rata-rata F F Sifat

Variasi Kuadrat Jumlah Hitung Table (hasil
Kuadrat Uji)

Prosiding
Rata-rata 1 Ry Ry /1
Antar k-1 Py Py /(k-1)= Py' / E y' F((k-1); (n-k-2))
Kelompok Py‟
Dalam n-k-2 Ey E y /(n-k-2)=
Kelompok Ey‟
Jumlah n Y2 - - -
Dari tabel ANAVA di atas akan diperoleh F hitung, sebagai pembandingnya

digunakan F tabel dari Tabel Distribusi F dengan dk= ((k-1); (n-k-2)) dengan taraf
kepercayaan .
Kriteria pengujian : Terima Hipotesis jika F hitung < dari F Tabel. Jika pengujian
bersifat signifikan, perlu dilakukan uji setelah ANAVA dengan Uji Newman Keuls.
IV. HASIL DAN PEMBAHASAN
4.1 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. Setiap kelompok terdiri atas empat buah lempengan : Kelompok I lempengan
dibentuk anyaman, Kelompok II lempengan logam yang dietsa elektrolisa, Kelompok
III lempengan logam dibentuk pitted, dan Kelompok IV adalah lempengan logam yang
di sandblast. Dengan demikian model eksperimen/percobaan akan berbentuk
Eksperimen Acak Sempurna dengan empat replikasi untuk tiap kelompok. 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.
Ingin diketahui apakah terdapat efek yang berarti dari keempat perlakuan
berdasarkan kekuatan lekat maupun persentase luas permukan resin yang masih melekat
pada permukaan logam ?

Prosiding
Hipotesis :
Hipotesis kerja yang dapat diturunkan dari masalah di atas adalah :
1. Apakah terdapat perbedaan efek dari pemberian perlakuan dalam bentuk
anyaman, etsa elektolisa, Pitted dan Sandblast ?
2. 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 : 1 2 3 4 : Tidak terdapat perbedaan efek diantara keempat

macam perlakuan
melawan
H1 : Salah satu tanda sama dengan tidak berlaku (terdapat perbedaan
efek )
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 32,70 19,84 13,52 6,12
2 26,82 17,81 9,87 6,06
3 20,02 18,23 8,37 4,01
4 19,07 17,23 14,52 3,94
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

Prosiding
Oleh Empat Perlakuan

(dlm %)
Perlakuan
Sampel Anyaman Etsa Pitted Sandblast
1 98,82 79,24 34,50 16,50
2 91,50 67,41 24,40 16,04
3 80,37 70,00 21,26 10,50
4 79,13 66,50 42,50 9,88
Selanjutnya dari data dalam Tabel 4, dihitung statistiknya sehingga diperoleh hasil
seperti pada tabel berikut ini :
Tabel 6 :
Nilai Rata-rata Kekuatan Daya Tarik dari Keempat
Permukaan Rangka Logam
(Tiap Perlakuan berisi 4 pengamatan)
Sampel Perlakuan Jumlah

Anyaman Etsa Pitted Sandblast
1 32,70 19,84 13,52 6,12
2 26,82 17,81 9,87 6,06
3 20,02 18,23 8,37 4,01
4 19,07 17,23 14,52 3,94
ni 4 4 4 4 16
Ji 98,61 73,11 46,28 20,13 238,13
xi 24,65 18,28 11,57 5,03
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

Prosiding
Sumber Dk Jumlah Rata-rata F Hitung F Tabel Sifat

Variasi Kuadrat Jumlah (hasil
Kuadrat Uji)
Rata-rata 1 3.544,12 3.544,12
Antar 3 859,90 268,63 22,05 5,74 **)
Kelompok
Dalam 12 155,96 13,00
Kelompok
Jumlah 16 4.559,97 - - -
Dari tabel ANAVA di atas diperoleh F hitung = 22,05 dan F table untuk taraf
kepercayaan 99% = 5,74. Hasil pengujian menunjukkan sangat bermakna (**), 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 = 24,65 MPa

x2 Rata-rata kekuatan rekat dengan Etsa Elektolisa = 18,28 MPa
x3 Rata-rata kekuatan rekat dengan Pitted = 11,57 MPa
x4 Rata-rata kekuatan rekat dengan Sandblast = 5,03 MPa
Dari Tabel 5, dihitung statistiknya seperti terlihat dalam tabel sebagai berikut :
Tabel 8 :
Prosentase Luas Permukaan Resin yang Masih
Merekat Pada Permukaan Rangka Logam
(Tiap Perlakuan berisi 4 pengamatan)
Sampel Perlakuan Jumlah

Anyaman Etsa Pitted Sandblast
1 98,82 79,24 34,50 16,50
2 91,50 67,41 24,40 16,04
3 80,37 70,00 21,26 10,50
4 79,13 66,50 42,50 9,88
ni 4 4 4 4 16
Ji 349,80 283,15 122,66 52,92 808,53
xi 87,45 70,79 30,67 13,23

Prosiding
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 Dk Jumlah Rata-rata F Hitung F Tabel Sifat

Variasi Kuadrat Jumlah (hasil
Kuadrat Uji)
Rata-rata 1 40.857,55 40.857,55
Antar 3 14.237,44 4.745,81 83,00 5,74 **)
Kelompok
Dalam 12 686,17 57,18
Kelompok
Jumlah 16 55.781,16 - - -
Dari tabel ANAVA di atas diperoleh F hitung = 83,00 dan F table untuk taraf
kepercayaan 99% = 5,74. Hasil pengujian menunjukkan sangat bermakna (**), 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
dengan bentuk anyaman = 87,45 %
dengan Etsa Elektolisa = 70,79 %
t dengan Pitted = 30,67 %
dengan Sandblast = 13,23 %

Prosiding
V. KESIMPULAN
Untuk mengetahui perlakukan mana diantara keempat perlakukan memberikan
efek yang paling baik, perhatikan kembali rata-rata kekuatan rekat pada permukaan
logam dan persentase luas permukaan resin yang melekat pada permukaan logam. Hasil
pengujian memperlihatkan bahwa lempeng logam yang diberi perlakuan anyaman
memberikan kekuatan daya lekat paling besar yaitu sebesar 24,65 Mpa yang berarti
lempeng logam akan terlepas dari lempeng logam lawan setelah diberi kekuatan tarik
sebesar 24,65MPa dengan luas permukaan resin yang masih melekat pada permukaan
logam sebesar 87,45 %.
DAFTAR PUSTAKA
1. Buonocore. M. G. ,1955, A Simple Method of Increasing The adhesion of acrillic
Filling material to Enamel Surface., J. Den.Res 34(1) : 849-852.
2. Creugers. NHJ. Et.al , 1985, Prelimenary Report of Clinical Evalution of Three
Types of Resin Bonded Bridge., Journal . Dent. Res.Vol 64.. Hal. 760
3. Edy Machmud, 1983, Uji Beda Kekuatan Rekat Semen Resin Adhesif pada
Permukaan Logam yang Diberi Empat Macam Perlakuan, Program
Pendidikan Dokter Gigi Spesialis Prostodonsia, FKG -Universitas Padjadjaran
4. Mc. Laughlin G , 1986, Direct Bonded Retainer, Philadelphia, J.B. Lipincott Co.,
Hal. 1-89, 117-164, 185-229.
5. Miller S Zernik J. H , 1996, Sandblasting of Bands to Increase Bond Strenght,

J.C.O. XXX (4) ; Hal. 217-222
6. Phillip, 1991, Science of Dental Material, 9 th ed. Phioladelphia., W.B. Saunders

Co. , Hal. 365, 497-500
7. Prajitno, 1994, Ilmu Geligi Tiruan Jembatan, Pengetahuan dasar dan Rancangan
Pembuartan, Cetakan ke II, Jakarta EGC., Hal 148-153
8. Olsen M. O Bishara S E Damon P, 1997, Comparion of Shear Bond and Surface

structure Between Convensional Acid Etching and Air Abrassion of Human
Enamel. Am. J. Orthod Dentofac. Orthop 112 : 502-506
9. Mendenhall, W., Scheaffer, R.L., Wackerly, D.D., 1986, Mathematical Statistics

with Applications, Thirt Edition, PWS Publishers, Duxbury Press, Boston.
10. Montgomery, C,D, 2001, Design and Analysis of Experiments, 5 th Edition, John
Wiley & Sons, Inc, New York.
11. Sidney Siegel,1985, Statistik NonParametrik, Gramedia, Jakarta, Hal 145- 159,
230-241

Prosiding
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
14. Zacharisson. B. U, 1977, A Post Treatment Evalution of Direct Bonding in

Orthodontics. Am. J. Orthod. Dentofac.Orthod 71(2) : 173-189

Prosiding
(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
2,3
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
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.

Prosiding
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.

Prosiding
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 Kontras Respons
perlakuan I A B AB C AC BC ABC (Y)
(1) + - - + - + + - X1
A + + - - - - + + X2
B + - + - - + - + X3
AB + + + + - - - - X4
C + - - + + - - + X5
AC + + - - + + - - X6
BC + - + - + - + - X7
ABC + + + + + + + + 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

Prosiding
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.

Prosiding
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 :
'
1 i y, i = 1, 2, ... , (n-1) Box dan Hunter, [1961 a,b]
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)).
'
1y 4
Karena SS(e’y) = n y 2, SS( 1'i y) = i' , dan 1'i1i = , maka :
1i1i n
y ' y = ( SS(e’y) + SS ( 1'i y))
n n -1 ' 2
=ny2+ (1i y) (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
s= (1i y) (2.2)
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 :
'
1i y = 0 i = (n-m), ..., (n-1) (2.4)
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)
Untuk ANAVA, perlu dihitung Y 2 , jumlah kuadrat semua nilai
pengamatan, sedangkan jumlah kuadrat kuadrat tiap efek atau kombinasi perlakuan
dihitung dengan :
(kontras)2
JK (efek )
r.2k

Prosiding
Statistik Uji nya :

KT(efek atau interaksi)
F=
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 Low Level (-1) High Level (1)
Ability 8 4
Ball Balata Two Piece
Club Wood Metal
Ground Soft Hard
Teeing No tee 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 :

Prosiding
Design-Expert® Software Design-Expert® Software

R1 Half-Normal Plot R1 Half-Normal Plot
Shapiro-Wilk test Select significant terms - see Tips Shapiro-Wilk test
W-value = 0.912 Select significant terms - see Tips
99 W-value = 0.952
p-value = 0.194 p-value = 0.589 99
A: A A: A
H a lf-N o rm a l % P ro b a b ility
B: B B: B
Half-Normal % Probability
C: C C: C
D: D D: D
95
E: E E: E 95
Positive Effects Positive Effects
Negative Effects 90 Negative Effects 90
80
80
70
70
50
50
30
20 30
10 20
0 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|
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
Shapiro-Wilk test
W-value = 0.855
p-value = 0.066 99
A: A
B: B
C: C
D: D D
E: E 95
Positive Effects
Negative Effects 90
E
80 A
70
C
50
B
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
Tabel 4.3 Tabel Anava Untuk Satu Data Hilang

Sumber Derajat Jumlah Kuadrat
F value P value
Variasi Kebebasan Kuadrat Terkecil
A 1 7921.00 7921.00 37.27 0.0001
B 1 30.25 30.25 0.14 0.7139
C 1 1024.00 1024.00 4.82 0.0529
D 1 11236.00 11236.00 52.86 < 0.0001
E 1 10609.00 10609.00 49.91 < 0.0001
Residual 10 2125.50 212.55
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.

Prosiding
Karena efek A, D dan E memiliki nilai p value < 0.05, maka H0 ditolak sedangkan
untuk efek B dan C karena memiliki nilai p value > 0.05 maka H0 diterima. Sehingga dapat
disimpulkan bahwa hanya efek A, D dan E mempunyai pengaruh terhadap model.
Jadi faktor-faktor yang mempengaruhi jarak yang ditempuh bola golf pada
permainan golf dengan respon jarak tempuh dalam yard adalah Ability (Kemampuan),
Ground (Lapangan), dan Teeing (Tongkat).
Sebagai catatan dalam tabel Anava, sumber variasi residual merupakan gabungan
dari efek-efek interaksi dua faktor.
3. Dua Data Hilang

Dengan menggunakan Half-Normal Plot diperoleh hasil estimasi yang paling
baik adalah :
Design-Expert® Software Design-Expert® Software
R1 Half-Normal PlotR1 Half-Normal Plot
Shapiro-Wilk test Select significant terms - see Tips Shapiro-Wilk test Select significant terms - see Tips
W-value = 0.952 W-value = 0.939
p-value = 0.589 99 p-value = 0.404 99
A: A A: A
B: B B: B
C: C C: C
D: D D: D
E: E 95 E: E 95
Positive Effects Positive Effects
Negative Effects 90 Negative Effects 90
80 80
70 70
50 50
30 30
20 20
10 10
0 0
0.00 45.00 90.00 135.00 180.00 225.00 0.00 43.00 86.00 129.00 172.00 215.00 258.00
|Standardized Effect| |Standardized Effect|
Gambar 4.4 Gambar 4.5

( 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. 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.
Design-Expert® Software
R1 Half-Normal Plot
Shapiro-W ilk test
W -value = 0.971
p-value = 0.896 99
A: A
B: B
C: C
D: D E
E: E 95
Positive Effects
Negative Effects 90
D
80 A
70
C
50
30
20 B
10
0
0.00 10.70 21.40 32.10 42.80 53.50
| Standardized Effect|
Tabel 4.4 Tabel Anava Untuk Dua Data Hilang

Sumber Derajat Jumlah Kuadrat
F value P value
Variasi Kebebasan Kuadrat Terkecil
A 1 7921.00 7921.00 24.36 0.0006
B 1 30.25 30.25 0.093 0.7666
C 1 420.25 420.25 1.29 0.2821
D 1 8930.00 8930.00 27.47 0.0004

Prosiding
E 1 11449.00 11449.00 35.42 0.0001

Residual 10 3251.00 325.10
Sebagai catatan dalam tabel Anava, sumber variasi residual merupakan gabungan
dari efek-efek interaksi dua faktor. Dari bentuk Half-Normal Plot di atas dapat dijelaskan
bahwa ada 3 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. Dan hal ini diperjelas dengan nilai p value yang diperoleh dalam
table Anavanya. Dari table Anava tersebut diketahui nilai p value untuk ketiga efek tersebut
nilainya < 0.05. Karena nilai p value < 0.05, maka H0 ditolak. Sehingga dapat disimpulkan
bahwa efek A, D dan E mempunyai pengaruh yang signifikan.
Jadi faktor-faktor yang mempengaruhi jarak yang ditempuh bola golf pada
permainan golf dengan respon jarak tempuh dalam yard adalah Ability (Kemampuan),
Ground (Lapangan), dan Teeing (Tongkat).
H. KESIMPULAN
Berdasarkan uraian teori dan contoh penggunaan kasus yang disajikan dalam bab-
bab sebelumnya, maka dapat diambil beberapa kesimpulan yaitu :
1. 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).
2. Dalam desain faktorial fraksional tanpa replikasi, untuk mengestimasi data hilangnya
dapat ditentukan dengan menggunakan kontrasnya dan untuk menentukan hasil
estimasi terbaik digunakan half-normal plot dari hasil estimasi efek kombinasi
perlakuan dengan dibandingkan half-normal plot dari hasil estimasi efek kombinasi
perlakuan dari data aslinya.
3. Jika analisis dilakukan dengan perhitungan biasa, 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, jumlah kuadrat
total mempunyai 15 derajat bebas, 5 diantaranya untuk faktor utama dan 10 lainnya
untuk interaksi dua faktor, sehingga derajat bebas untuk error adalah 0. Sehingga
dalam desain faktorial fraksional tanpa replikasi, perhitungan rasio nilai F dilakukan
dengan membagi RJK efek dengan RJK efek interaksi tertinggi.
4. Dalam desain faktorial fraksional, selain digunakan untuk menguji pengaruh efek
utama, dapat juga digunakan untuk menguji pengaruh efek interaksinya.
I. DAFTAR PUSTAKA
Box, G. E. P. and Hunter, J. S. (1961a). The 2k-p fractional factorial designs. Part I.
Technometrics 3, 311-51.
Box, G. E. P. dan Meyer, R. D. (1986). An Analysis for Unreplicated Fractional
Factorials. Technometrics. 28. 1 pp. 11-18
Cochran, W. G. and Cox, G. M. (1957). Experimental Designs. John Wiley and
Sons, New York.
Daniel, C. (1959). Use of half-normal plots in interpreting factorial two level experiments.
Technometrics 1, 311-41.
Finney, D.Y. (1964). Statistical Method to Biological Assay, Charles Griffin & Co, Ltd.
London
Gomez, K.A. and Gomez, A.A. (1984). Statistical Procedures for Agricultural Research
2nd. John Willey & Sons Inc, Singapore.
Hastoto, E. (1989). Penaksiran Data Hilang Dalam Desain Blok Acak Dan Desain Bujur
Sangkar Latin Melalui Modifikasi Rata-Rata Pengamatan. Jurusan Statistika FMIPA
Unpad, Bandung.

Prosiding
Montgomery, D. C. (2005). Supplemental Text Material For Each Chapter of The 6th
Edition of Design and Analysis of Experiments. Http://www.wiley.com/ col-
lege/montgomery.
Norman, R. D. and David, M. S. (1964). Estimating Missing Values In Unreplicated Two-
Level Facorial And Fractional Factorial Design. University of Wisconsin, Madison,
Wisconsin, U. S. A.
Sauddin, A. (2006). Identifikasi Faktor Signifikan Rancangan Faktorial Fraksional Tanpa
Pengulangan Dengan Metode Bissel, Lenth, dan Fang. Jurusan Statistika FMIPA
Institut Teknologi Sepuluh November, Surabaya.
Sudjana. (1995). Desain dan Analisis Eksperimen. Tarsito, Bandung.
Syafyatiningsih. (1989). Taksiran Data Hilang Dalam Desain Blok Acak. Jurusan Statistika
FMIPA Unpad, Bandung.
Turnip, M. J. (1999) Analisis Rata-Rata Data Hilang Dalam Desain Blok Acak Lengkap.
Jurusan Statistika FMIPA Unpad, Bandung.
Voelkel, G. J. and Rochester, C.R.I.T. (2004). The Efficiencies of Fractional Factorial
Designs, Technical Report 2004-1. Http://www.rit.edu/ ∼636www/about/TR2004-
1.pdf.

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

Prosiding
satu indikator utama yang digunakan untuk melihat perkembangan perekonomian suatu
negara adalah tingkat laju inflasi. Angka inflasi yang mempunyai fluktuasi tinggi dari
waktu ke waktu menandakan perekonomian suatu negara tidak atau kurang stabil.
Indonesia pernah mengalami tingkat inflasi yang sangat tinggi yaitu pada tahun 1966
dan 1997-1998, yang mengakibatkan berbagai segi kehidupan masyarakat mengalami
krisis, banyak perusahaan yang gulung tikar dan pengangguran dimana-mana (Statistik
50 Tahun Indonesia Merdeka, 1995).
GRNN adalah salah satu model deret waktu nonlinier yang juga telah banyak
dikembangkan untuk berbagai masalah statistika baik untuk output univariat maupun
multivariat. Diantaranya adalah Warsito dkk (2008) telah menerapkan GRNN untuk
prediksi tingkat pencemaran udara ambien di kota Semarang, Cigizoglu, et. al (2008)
melakukan perbandingan model FFNN (Feed Forward Neural Network), RBFNN
(Radial Basic Feed Forward Neural Network). Kaitannya pemodelan GRNN untuk data
finansial Leung, et.al (2000) yang melakukan prediksi nilai tukar beberapa mata uang
internasional dan membandingkannya dengan model Multilayer Feedforward Neural
Network dengan beberapa fungsi transfer (aktifasi). Untuk semua mata uang termasuk
dalam penelitian empiris dilihat dari MAE dan RMSE untuk peramalan Model GRNN
yang lebih signifilkan dibanding model.
Tujuan dari makalah ini adalah mendapatkan model untuk data inflasi
Indonesia. Hal ini dilakukan dengan membandingkan data testing dan data asli dengan
metode permodelan GRNN. 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.
2. Landasan teori
2.1 Inflasi
Inflasi merupakan indikator perkembangan harga barang dan jasa yang

dikonsumsi masyarakat. Barang dan jasa tersebut jumlahnya sangat banyak, namun
“keranjang/paket” barang dan jasa yang digunakan untuk menghitung konsumsi rumah
tangga seluruhnya berjumlah 774 komoditas. Angka tersebut merupakan hasil Survei
Biaya Hidup (SBH) tahun 2007 yang merupakan patokan untuk menyusun inflasi.
2.2 Self Organizing Map

Prosiding
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. Dengan kemampuan tersebut pengguna tidak perlu
merumuskan kaidah atau fungsinya. Dengan demikian SOM mampu digunakan untuk
menyelesaikan masalah yang rumit dan atau fungsi yang tidak diketahui.
Masalah yang terdapat kaidah atau fungsi yang tidak diketahui. Jaringan
Kohonen SOM terdiri dari dua layer yaitu input layer dan output layer. Setiap neuron
dalam input layer terhubung dengan setiap neuron pada lapisan output. Setiap neuron
dalam lapisan output merepresentasikan kelas dari input yang diberikan
2.3 Artificial Neural Network
Artificial Neural Network (ANN) dibuat pertama kali pada tahun 1943 oleh
neurophysiologist Waren McCulloch dan logician Walter Pits, namun teknologi yang
tersedia pada saat itu belum memungkinkan mereka berbuat lebih jauh. Artificial Neural
Network adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistem sel
syaraf biologi yaitu sama seperti otak yang memproses suatu informasi. Elemen
mendasar dari paradigma tersebut adalah struktur yang baru dari sistim pemrosesan
informasi. Artificial Neural Network, seperti manusia, belajar dari suatu contoh.
Artificial Neural Network dibentuk untuk memecahkan suatu masalah tertentu seperti
pengenalan pola atau klasifikasi karena proses pembelajaran.
a. 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. Hubungan antar lapiannya dapat dilihat seperti pada
Gambar1. Selanjutnya, konsep penting dalam arsitektur Artificial Neural Network
1. Aktifitas unit-unit input layer menunjukkan informasi dasar yang kemudian
digunakan dalam Artificial Neural Network.
2. 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. Karakteristik dari unit-unit output tergantung dari aktifitas unit-unit hidden layer
dan bobot antara unit-unit hidden layer dan unit-unit output.
Input layer Hidden Layer

Prosiding
Output Layer
Gambar 1. Arsitektur pada Artificial Neural Network
a. Proses Pembelajaran
Umumnya, jika menggunakan Artificial Neural Network, hubungan antara
input dan output harus diketahui secara pasti untuk dapat dibuat suatu model. Hal lain
yang penting adalah proses pembelajaran hubungan input/output. Ada dua tipe
pembelajaran yang dikenal yaitu : pembelajaran terawasi (supervised) dan pembelajaran
tak terawasi (unsupervised).
Pembelajaran terawasi (supervised) digunakan jika output yang diharapkan
telah diketahui sebelumnya dan biasanya pembelajaran dilakukan dengan menggunakan
data yang telah ada.
Pada metode pembelajaran yang tidak terawasi (unsupervised), tidak
memerlukan target output. Pada metode ini tidak dapat ditentukan hasil seperti apa yang
diharapkan selama proses pembelajaran. Selama proses pembelajaran, 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. Pembelajaran seperti ini biasanya sangat cocok untuk pengelompokkan
(klasifikasi) pola.
2.4 General Regression Neural Network (GRNN)

GRNN pada awalnya diusulkan dan dikembangkan oleh Specht dan Leung, et al.
Dasar dari operasi GRNN secara esensial didasarkan pada teori regresi nonlinear
(kernel) dimana estimasi dari nilai harapan output ditentukan oleh himpunan input-
inputnya. Walaupun GRNN menghasilkan output berupa vektor multivariat, dengan
tidak mengurangi keumuman deskripsi dari logika operasi GRNN pada tulisan ini
disederhanakan untuk kasus output univariat dalam formula regresi nonlinear :
yf( x, y)dy
-
E( y | x) (1)
f( x, y )dy
-
dimana x = (x1,x2,…,xp) adalah vektor input, y output yang diprediksi, E[y| x] nilai
harapan dari output y jika diberikan vektor input x, dan f(x ,y) merupakan fungsi
densitas probabilitas bersama dari x dan y. Dengan fungsi aktifasi GRNN yang telah
ditetapkan :
2
ζi e ( x-xi ) (x-x i ) / 2 (2)
dengan xi adalah vektor training yang direpresentasikan oleh neuron pola i, σ meru
pakan parameter smoothing, dan ζ i adalah suatu fungsi Gaussian. Berdasarkan nilai
sampel x dan y dari variabel acak X dan Y, didapat fungsi

Prosiding
n
1 1
f (x, y ) ( p 1) / 2 p 1
exp di2 / 2 2
exp (y - y i ) / 2 2
(3)
2 n i 1
dengan n adalah banyaknya pengukuran dalam himpunan data pelatihan, adalah

parameter penghalusan (panjang bidang) serta jarak metrik d i2 adalah:
di2 (x - xi ) (x - xi ) (4)
Dengan mensubstitusi estimasi probabilitas bersama (3) kedalam mean bersyarat (4)
diperoleh estimator kernel Nadaraya-Watson sebagai berikut :
n
w ij exp d i2 / 2 2
ˆ ( x)
Y i 1
(5)
n
2 2
exp d /2i
i 1
Berdasarkan persamaan (5), GRNN yang dikembangkan oleh Specht (1991) memiliki
formulasi sebagai berikut :
n
wij ζi
i 1
Yj n
(6)
ζi
i 1
n n
wij ζi =Numerator ζi = Denominator
i 1 i 1
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, kemudian di teruskan ke hidden
layer pertama pada GRNN dengan beberapa bobot dari SOM yang digunakan pada
parameter GRNN.
3. 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

Prosiding
oleh Bank Indoensia. Data observasi yang digunakan sebanyak 72 bulan, dimulai dari
januari 2004 sampai dengan desember 2009. Untuk keperluan pembandingan model
data dibagi menjadi dua. Data pertama adalah data in-sample (training), data ini
digunakan untuk membentuk model time series dari bulan Januari 2004 s.d. Desember
2008. Sedangkan data kedua adalah data out of sample (testing) dari bulan Januari 2009
s.d. Desember 2009, data ini digunakan untuk menguji akurasi dari model yang
terbentuk.
4. 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.
Tujuan dari pembuatan makalah ini adalah mendapatkan model yang baik untuk
data inflasi Indonesia. Hal ini dilakukan dengan metode SOM-GRNN dengan cara
membandingkan dari data asli dan perkiraan dari data testing (out sample).
Pada penelitian ini, data yang digunakan merupakan data inflasi Indonesia yang
dirilis setiap bulan oleh BPS dan data jumlah uang beredar, suku bunga dan kurs rupiah
terhadap dollar yang dirilis Bank Indonesia. Data ini terdiri dari 72 observasi, yang
dibagi menjadi 60 observasi untuk in-sample dan 12 observasi untuk out-of-sample.
5. Hasil dan pembahasan
Untuk melihat lag yang optimum dalam model, adalah dengan melihat nilai
Information Criterion for Autoregressive Model (ICAM) seperti pada Tabel 1.
Tabel 1. Nilai dari Information Criterion for Autoregressive Model
The SAS System 05:25 Thursday, November 11, 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
-2182.02 -2228.94 -2221.2 -2222 -2196.64 -2176.83 -2174.2 -2184.13 -2180.08 -
2166.45 -2157.95

Prosiding
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.
Tabel 2. Perbandingan MSE dan RMSE training dan testing pada

Model SOM-GRNN
SOM-GRNN MSE RMSE
Training 0,874 1,129
Testing 1,448 1,317
Tabel 2 menunjukkan bahwa nilai MSE dan RMSE training lebih kecil dari
MSE dan RMSE testing. Tetapi ini masih layak digunakan karena perbedaannya yang
tidak terlalu jauh antara training dan testing dilihat dari banyaknya jumlah observasi
training dan testing.
Pada bagian ini akan dipaparkan hasil empiris dari metode SOM-GRNN untuk
melihat validasi model terbaik untuk data inflasi bulanan Indonesia. Hasil dengan
menggunakan kriteria MSE dan RMSE untuk membandingkan data testing (Ytest/data
asli) dengan data taksiran testing (Yhat-test) pada gambar.2 terlihat bahwa dengan
metode SOM-GRNN terlihat bahwa data plot taksiran (Yhat-test) cenderung mendekati
plot data testing (Ytest).
Time Series Plot of Ytest; Yhat-test

1.5 Variable
Ytest
Yhat-test
1.0
Data
0.5
0.0
-0.5
1 2 3 4 5 6 7 8 9 10 11 12
Index
Gambar 2. Plot Ytst dan Yhat-tes

Prosiding
Pada model SOM-GARN tahap awal yang dilakukan adalah melakukan

prepocessing data, penentuan lag yang optimum, pengelompokan data, membuat model
dan validasi model. Nilai MSE dan RMSE masing-masing model dapat dilihat pada
Tabel 2.
6. Kesimpulan
Berdasarkan hasil dan pembahasan pada bagian sebelumnya, kami

menyimpulkan bahwa model SOMGRNN merupakan model yang cukup baik untuk
memodelkan data inflasi Indonesia. 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), sehingga
model SOMG-RNN dapat dijadikan sebagai alternatif untuk memodelkan data inflasi
Indonesia. Penelitian lanjutan dapat dilakukan dengan menggunakan arsitektur jaringan
lainnya seperti SOMGA-GRNN, atupun dengan membandingkan model SOM-GRNN
dengan model statistik lain seperti VARIMAX.
7. Daftar Pustaka
Barai, S.V., Dikshit, A.A., Sharma, S., (2006), “Neural Network Models for Air
Quality Prediction : A Comparative Study”, working paper
Badan Pusat Statistik, (1995), “Statistik 50 Tahun Indonesia Merdeka”, Direktorat
Sistem Informasi Statistik, Badan Pusat Statistik
Badan Pusat Statistik (2007). „Survei Biaya Hidup Tahun 2007”
Badan Pusat Statistik, (2010), “Berita Resmi Statitsik Indeks Harga Konsumen”.
Badan Pusat Statistik (2010). „Publikasi Indeks Harga Konsumen Indonesia 2010”
Bank Indonesia, (2010), “Statistik Ekonomi dan Keuangan Indonesia“, Jakarta
Cigizoglu, H.,K., Askin., P., Ozturk, A., Gurbuz, A., Ayhan, O., Yildiz, M and Ucar, I.,
(2008), “Artificial Neural Network Models in Rainfall-Runoff Modelling of
Turkish Rivers”, Istanbul Technical University, working paper.
Sagala, F., (2008) “ Analisis Regresi Berganda Terhadap Faktor-Faktor Yang
Mempengaruhi Laju Inflasi”, Skripsi, USU Medan.
Leung, M.T., Chen, A.N., and Daouk, H., (2000), “Forecasting Exchange Rates using
General Regression Neural Networks”, Computers & Operations Research 27,
page 1093-1110.
Nugroho, Heru, (2008), “Analisis Pengaruh Inflasi, Suku Bunga, Kurs dan Jumlah
Uang Beredar Terhadap Indeks LQ45”, Tesis, UNDIP Semarang.
Irawan, M. Isa., (2004), “Exploratory Data Analysis dengan JST - Kohonen SOM :

Prosiding
Struktur Tingkat Kesejahteraan Daerah Tk II se Jawa Timur”, Seminar

Nasional Aplikasi Teknologi Informasi, UGM Yogyakarta
Spech, D.F (1991). A. General Regression Neural Network. IEEE Transaction on
Neural Networks, Vol 2 pp. 568-576
Susanti, H , Ikhsan, M dan Widyanti., (1995), “Indikator-Indikator Makro Ekonomi”,
Jurnal PRESIPITASI Volume 4 No 1 Edisi Maret, UNDIP Semarang
Warsito, B., (2006), “Perbandingan Model FFNN dan GRNN pada Data Nilai Tukar
Yen Terhadap Dolar AS”, Procedding Seminar Nasional Matematika, UNDIP
Semarang
Warsito, B. dan Sumiyati, S., (2007), “Prediksi Curah Hujan kota Semarang dengan
Feedforward Neural Network Menggunakan Algoritma Quasi Newton BFGS
dan Levenberg-Marquardt”, Jurnal PRESIPITASI Volume 3 No 2 Edisi
September, UNDIP Semarang
Warsito, B., Rusgiyono, A., dan Amirillah, M.A., (2008), “Pemodelan General
Regression Neural Network pada Data Pencemaran Udara di Kota Semarang”,
Jurnal PRESIPITASI Volume 4 No 1 Edisi Maret, UNDIP Semarang

Prosiding
(R.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.com
ABSTRAK
Metode Partial Least Square Regression salah satu metode yang ditawarkan untuk
pemodelan persamaan regresi jika terdapat kasus multikolenieritas. Sama halnya seperti
metode Principal Component Regression dan Ridge Regression, metode Partial Least
Square Regression tidak memberikan standard error pendugaan parameter regresi
karena dalam pemodelan tidak mengasumsikan sebaran dari error. Pendekatan umum
yang digunakan untuk mendapatkan standar error dan interval konfidensi dari
pendugaan parameter regresi adalah dengan menggunakan metode Bootstrap dan
Jackknife. Dalam penelitian ini, penulis bertujuan untuk membandingkan bias
pendugaan parameter regresi, standar error dan interval konfidensi pendugaan. Dengan
menggunakan metode simulasi ditetapkan B=1000 dan sampel bootstrap n=(10, 30, 50,
100, 200) dan Jackknife n-1, dengan korelasi antara prediktor sebesar =0.9 diperoleh
metode Bootstrap relatif lebih baik untuk ukuran sampel besar (n>30) dibandingkan
dengan metode Jackknife dilihat dari bias pendugaan, standar error dan lebar interval
konfidensinya .
Keyword : Regresi, Multikolenieritas, Bootstrap, dan Jackknife
PENDAHULUAN
Analisis regresi adalah teknik analisis statistik yang mencirikan hubungan antara
dua buah variabel atau lebih untuk tujuan prediksi dan estimasi dengan model statistik
yang disebut sebagai model regresi. Khusus untuk tujuan prediksi, semakin banyak
variabel yang terlibat dalam model regresi maka semakin akurat dan reliable nilai
prediksinya karena tentunya dengan melibatkan banyak variabel prediktor, proporsi
varians dari variabel respon yang dapat dijelaskan oleh variabel prediktor akan semakin
tinggi yang ditunjukkan oleh nilai koefisien determinasi R2 yang semakin besar.
Namun, terdapat satu masalah klasik diantara banyak masalah dalam analisis regresi
multipel adanya korelasi sempurna atau hampir sempurna antara variabel prediktor.
Dalam bahasa regresi persamasalahan ini dikenal dengan nama multikolenieritas.
Beberapa teknik statistik yang sering digunakan dalam penanggulangan
multikolenieritas adalah Principal Component Regression (PCAR), Ridge Regression
(RR) dan Partial Least Square Regression (PLSR). 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.
Konsep dari PLSR adalah mereduksi variabel prediktor menjadi k komponen
dengan memperhatikan korelasi antara set variabel prediktor dengan set variabel respon.
PLSR merupakan gabungan dari Principal Component Regression (PCR) dengan
Canonical Correlations (CC). Namun satu hal yang menjadi kendala dalam PLSR

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

Prosiding
dimana wi adalah ortonormal. Kemudian ri , wi, i = 1, 2,..,m adalah set vektor loading.
Dalam algoritma PLS baik untuk multivariat dan univariat, langkah pertama adalah
menghitung nilai vektor ti kemudian menghitung pi. 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. Sehingga penduga parameter
dengan PLS adalah :
βˆ mPLS R m (R m/ X / XR m ) 1 R m/ X / Xβˆ OLS
(4)
Metode Bootstrap
Metode Bootstrap adalah metode resampling dengan penggantian dari sampel asli
untuk memperkirakan ketepatan statistik dari data dalam suatu sampel. Idenya adalah
untuk meniru proses pemilihan banyak sampel untuk menemukan kemungkinan bahwa
nilai-nilai statistik uji mereka jatuh dalam berbagai interval (Efron, 1979). Dengan
demikian distribusi dari statistik uji sampel di ini ditetapkan dari distribusi sampling
empiris. Pada metode bootstrap dibentuk B buah sampel Bootstrap, masing-masing
merupakan sampel acak berukuran n yang diambil dengan pengembalian dari populasi n
pengamatan. Pengamatan ke-i (i=1,2,...,n) dari sampel awal mungkin muncul beberapa
kali pada sampel Bootstrap ke-r (r=1,2,..,B). Sedangkan pengamatan lain mungkin
tidak muncul sama sekali.
Bootstrap Untuk Bias Pendugaan

Jika ˆ adalah penduga tak bias dari , E[ ˆ] . Bias penduga dari ˆ adalah :
bias( ˆ) E[ ˆ ] E[ ˆ] (5)
Dan bias dari bootstrap adalah :
^
bias( ˆ) ˆ (r ) ˆ
(6)
Bootstrap Untuk Standar Error

Bila ˆ( r ) adalah dugaan parameter yang diperoleh dari sampel Bootstrap ke-r
(r=1,2,...,B) maka dugaan simpangan baku dari parameter adalah :
2 1/ 2
B
seˆ B ˆ ˆ /( B 1)
(r ) (.)
r 1
(7)
B
ˆ ˆ /B
(.) (r )
r 1
Bootstrap Untuk Interval Konfidensi
Untuk interval konfidensi digunakan pendekatan normal sebagai berikut :
ˆ t n p, / 2 seˆB ˆ t n p, / 2 seˆB
(r ) (r )
(8)
Bootstrap Untuk Uji Signifikansi

Untuk uji signifikansi dengan menggunkan Bootstrap pada PLSR dapat dilakukan
dengan formulasi sebagai berikut :

Prosiding
ˆ
PLS i
ti (9)
seˆB
2 1/ 2
B
Dengan seˆB diperoleh dari proses Bootstrap seˆB ˆ ˆ /( B 1)
(r ) (.)
r 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. Tolak hipotesis nol jika terjadi sebaliknya.
Jackknife
Jackknife adalah metode resampling yang lain diperkenalkan oleh Quenouille (1949)
untuk estimasi bias dan Tukey (1958) memperkenalkan Jackknife untuk menduga
standar error . Jackknife seperti halnya metode cross validation leave one out. Misalkan
x=(x1,…,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,…,xi-1, xi+1,…,xn)
Jika ˆ Tn ( x) , definisikan replikasi jackknife ke-i sebagai ˆ(i ) Tn 1 ( x(i ) ) , i=1,…,n .
Misalkan parameter =t(F) adalah fungsi dari distribusi F. Misalkan Fn adalah
empirical cumulatif distribution function (ecdf) . Taksiran dari adalah ˆ t ( Fn ) .
Jackknife Untuk Bias Pendugaan

Jika ˆ adalah sebuah statistik, kemudian ˆ(i ) t ( Fn 1 ( x(i ) )) , jackknife untuk bias
pendugaan parameter adalah :
^
bias jack (n 1)( ˆ (.) ˆ)
(10)
n
1
Dimana ˆ (.) ˆ adalah rata-rata dugaan setelah proses penghilangan satu unit
(i )
n i 1
pengamatan ke-i, dan ˆ ˆ( x) adalah penduga yang dihitung dari data sampel
sebenarnya.
Jackknife Untuk Bias Pendugaan

Jackknife untuk standar error penduga dari ˆ adalah :
n 2
^ (n 1) ˆ ˆ
se jack (i ) (.)
n i 1
(11)
METODOLOGI

Prosiding
Untuk memilih metode terbaik dalam pendugaan parameter regresi dengan partial
least square akan dilakukan dengan metode simulasi monte carlo. Prosedur simulasinya
adalah sebagai berikut :
1. Membangkitkan data sampel n=(10, 30, 50, 100, 200) variabel prediktor x1 dan
x2 dengan korelasi antara prediktor ini ditetapkan sebesar =0.9
2. Melakukan pendugaan parameter regresi dengan metode Partial Least Square
dengan banyak komponen adalah satu
3. Menghitung bias pendugaan, standar error, dan interval konfidensi dengan
metode Bootstrap dan Jackknife
HASIL PENELIITAN
Setelah dilakukan simulasi menggunakan software R dengan replikasi sebanyak 100
kali, sampel bootstrap B=1000 dengan n=(10, 30, 50, 100, 200) serta
mempertimbangkan adanya multikolenieritas dengan korelasi antara variabel prediktor
ditetapkan sebesar =0.90 serta =0.95 diperoleh hasil simulasi sebagai berikut :
Tabel 1. Hasil Simulasi Metode Bootstrap dan Jacknife (B=1000, n=(10, 30, 50,
100, 200))
Confident Interval
Sampel Standardized
Method Observed Average Bias S.E 95% Wide C.I
Size Coefficient
L.B U.B
b1 0.5020237 0.5076099 0.0002856 0.0117674 0.4797845 0.5354353 0.0556508
Bootstrap
b2 0.5049639 0.5214075 0.0025445 0.0205651 0.4727787 0.5700363 0.0972576
N=10
b1 0.5020237 0.5074083 0.0007563 0.0068359 0.491244 0.5235726 0.0323286
Jackknife
b2 0.5049639 0.5190643 0.001812 0.0150016 0.4835913 0.5545374 0.0709461
b1 0.510419 0.507501 0.000153 0.003112 0.501115 0.513886 0.012771
Bootstrap
b2 0.526704 0.519248 0.000631 0.007515 0.503828 0.534668 0.030840
N=30
b1 0.510419 0.507353 0.000168 0.003092 0.501008 0.513698 0.012690
Jackknife
b2 0.526704 0.518640 0.000663 0.007407 0.503442 0.533837 0.030394
b1 0.509982 0.507986 0.000188 0.002599 0.502758 0.513214 0.010457
Bootstrap
b2 0.525522 0.520316 0.000550 0.006137 0.507970 0.532662 0.024692
N=50
b1 0.509982 0.507801 0.000179 0.002582 0.502608 0.512995 0.010388
Jackknife
b2 0.525522 0.519777 0.000534 0.006133 0.507439 0.532116 0.024677
b1 0.508369 0.507279 0.000065 0.001592 0.504120 0.510439 0.006319
Bootstrap
b2 0.521213 0.518390 0.000187 0.003750 0.510948 0.525833 0.014885
N=100
b1 0.508369 0.507216 0.000069 0.001595 0.504049 0.510382 0.006332
Jackknife
b2 0.521213 0.518205 0.000204 0.003766 0.510731 0.525679 0.014948
b1 0.508496 0.507213 0.000034 0.001095 0.505054 0.509371 0.004317
Bootstrap
b2 0.521550 0.518199 0.000104 0.002592 0.513088 0.523311 0.010223
N=200
b1 0.508496 0.507179 0.000029 0.001095 0.505020 0.509338 0.004319
Jackknife
b2 0.521550 0.518096 0.000092 0.002605 0.512960 0.523233 0.010273
Sumber : Hasil Simulasi
0.0008 0.0140
0.0007 0.0120
Ta ksira n Pa ra meter Beta 1
Taksiran Parameter Beta 2
0.0006
0.0100
0.0005 Manajemen Risiko di Bidang Perbankan dan Asuransi | 369
0.0080
0.0004
0.0060
0.0003
0.0040
0.0002
0.0001 0.0020
Prosiding
Gambar 1. Bootstrap dan Jackknife Gambar 2. Bootstrap dan Jackknife

Bias Parameter Beta 1 Bias Parameter Beta 2
0.0030 0.0250
0.0025
0.0200
Taksiran S.E Beta 1
Taksiran S.E Beta 2

0.0020
0.0150
0.0015
0.0100
0.0010
0.0050
0.0005
0.0000 0.0000
0 50 100 150 200 250 0 50 100 150 200 250
Ukuran Sampel (n) Ukuran Sampel (n)
Bootstrap Jackknife Bootstrap Jackknife

Standar Error Beta 1 Standar Error Beta
Secara umum hasil simulasi menunjukkan bahwa metode Bootstrap relative lebih baik
untuk ukuran sampel besar baik dilihat dari bias pendugaan parameter, standar error dan
interval konfidensinya. Namun untuk ukuran sampel kecil kurang dari 30, jackknife
relatif lebih baik dibandingkan Bootstrap.
Distribusi Bootstrap Beta-1 Distribusi Bootstrap Beta-2 Distribusi Bootstrap Beta-1 Distribusi Bootstrap Beta-2
25
30
20
15
10 15 20
Frequency
Frequency
20
15
Frequency
Frequency
10
10
5 10
5
5
5
0
0
0.50 0.51 0.52 0.53 0.54 0.55 0.50 0.52 0.54 0.56 0.58 0.60 0.505 0.510 0.515 0.51 0.52 0.53 0.54 0.55
B1 B2 B1 B2
Distribusi Jackknife Beta-1 Distribusi Jackknife Beta-2 Distribusi Jackknife Beta-1 Distribusi Jackknife Beta-2
25
20
20
10 15 20
15
15
Frequency
Frequency
Frequency
Frequency
15
10
10
10
5
5
5
5
0
0.500 0.510 0.520 0.530 0.50 0.52 0.54 0.56 0.58 0.505 0.510 0.515 0.51 0.52 0.53 0.54 0.55
B1 B2 B1 B2

Prosiding

n = 10 n = 30
Untuk ukuran sampel kurang dari 30, terlihat distribusi sampling dari parameter regresi
partial least square menyimpang dari sebaran normal. Sehingga dengan ukuran sampel
ini, baik pendekatan Bootstrap maupun Jackknife kurang baik digunakan dalam
mendapatkan standar error yang akan digunakan dalam pengujian hipotesis.
Distribusi Bootstrap Beta-1 Distribusi Bootstrap Beta-2
15
20
12
10
15
Frequency
Frequency
10
8
Frequency
Frequency
8
10
6
6
5
4
4
5
2
2
0
0
0.504 0.508 0.512 0.510 0.520 0.530

0.504 0.508 0.512 0.510 0.520 0.530
B1 B2
B1 B2
Distribusi Jackknife Beta-1 Distribusi Jackknife Beta-2 Distribusi Jackknife Beta-1 Distribusi Jackknife Beta-2
10
20
15
12
15
Frequency
Frequency
10
Frequency
Frequency
6
0 2 4 6 8
10
4
5
5
2
0
0
0.504 0.508 0.512 0.510 0.520 0.530 0.504 0.506 0.508 0.510 0.512 0.510 0.515 0.520 0.525 0.530
B2 B2
B1 B1 B1 B1

n = 50 n = 100

Untuk ukuran sampel relative besar,
10
15
terlihat dari hasil simulasi (n>30)

8
Frequency
Frequency
10
distribusi sampling dari dugaan

6
4
parameter relatif menyebar normal.

5
2
Sehinggau untuk ukuran sampel relatif

0
0.505 0.507 0.509 0.515 0.520 0.525

besar, pendekatan Bootstrap dan
B1 B2
Jacknife sangat baik digunakan dalam
Distribusi Jackknife Beta-1 Distribusi Jackknife Beta-2 menaksir standar error dugaan parameter
yang akan digunakan dalam pengujian
15
10
hipotesis signifikansi parameter regresi

8
Frequency
Frequency
10
6
partial least square.

4
5
2
0
0.505 0.507 0.509 0.515 0.520 0.525

B2
B1 B1

Prosiding
Gambar 5. 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. Hasil simulasi menunjukkan bahwa bias pendugaan parameter relatif
rendah dengan standar error dugaan relatif kecil. Untuk ukuran sampel relatif besar
(n>30), metode Bootstrap dan Jackknife baik digunakan untuk menaksir standar error
dugaan parameter yang dapat digunakan untuk menghitung nilai statistik uji dalam uji
hipotesis. Metode Boostrap relatif lebih baik untuk ukuran sampel besar dibandingkan
metode Jackknife namun untuk ukuran sampel kecil, terlihat Jackknife relatif lebih baik.
DAFTAR PUSTAKA
Draper,N.R. dan H. Smith.1991. Applied Regression Analysis.2nd Ed. New York : John
Willey & Sons.
Jollife, I. T. 1986. Principal Komponen Analysis. Springer-Verlag, New York.
Mayers, R.H. 1990.Classical and Modern Regression With Application.2nded.New York
: John Willey & Sons.
Norliza Adnan, Maizah Hura Ahmad, Robiah Adnan. A Comparative Study On Some
Methods For Handling Multicollinearity Problems, Journal MATEMATIKA,
Volume 22 (2006), Number 2, pp. 109–119
Sahinler, Topuz. 2007. “Bootstrap and Jackknife Resampling Algorithm For Estimation
of Regression Parameters, Journal of Applied Quantitative Research, Vol 2. No. 2

Prosiding
(R.3)
PENDEKATAN BAYESIAN SPASIAL EKONOMETRIKA PADA
PEMODELAN MIGRASI PENDUDUK DI JAWA BARAT
Priyono1, Setiawan2, Sutikno3
1
Mahasiswa S2 Jurusan Statistika, Institut Teknologi Sepuluh Nopember (ITS)
Surabaya
2,3
Dosen Jurusan Statistika, Institut Teknologi Sepuluh Nopember (ITS) Surabaya
e-mail: 1 freeyono@gmail.com; 2 setiawan@statistika.its.ac.id; 3
sutikno@statistika.its.ac.id
Abstrak. Berdasarkan hasil Sensus Penduduk 2000, jumlah migran ke Provinsi Jawa
Barat merupakan yang terbanyak di Indonesia dengan jumlah hampir 1,1 juta penduduk
migran. Hal ini menunjukkan bahwa wilayah Provinsi Jawa Barat masih mempunyai
daya tarik bagi para migran untuk tinggal dan menetap di wilayah ini. 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. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor
yang mempengaruhi migrasi di Jawa Barat dengan pendekatan bayesian spasial
autoregressive. 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). Dalam
penelitian ini digunakan metode bayesian dengan pendekatan Marcov Chain Monte
Carlo (MCMC). 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, sedangkan variabel tingat pengangguran, fasilitas pendidikan dan
fasilitas kesehatan tidak cukup signifikan. Besarnya pengaruh spasial dependen (ρ)
sebesar 0.469535 dan signifikan pada level 5%.
Kata Kunci: Bayesian spasial autoregressive, Heteroskedastisitas, Migrasi
1. Pendahuluan
Migrasi penduduk adalah perpindahan penduduk dari suatu tempat ke tempat

yang lain. Berdasarkan hasil Sensus Penduduk 2000, jumlah migran ke Provinsi Jawa
Barat merupakan yang terbanyak di Indonesia dengan jumlah hampir 1,1 juta penduduk

Prosiding
migran (BPS, 2002). Hal ini menunjukkan bahwa wilayah Provinsi Jawa Barat
mempunyai daya tarik bagi para migran untuk tinggal dan menetap di wilayah ini.
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. Ketimpangan yang terjadi antara satu daerah dengan
daerah lainnya juga menyebabkan penduduk terdorong atau tertarik untuk melakukan
migrasi. 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. Banyak migran menuju wilayah yang berjarak dekat,
sedangkan migran yang jauh tertuju ke pusat-pusat perdagangan dan industri yang
penting (Emalisa, 2003).
Model spasial ekonometrika dalam beberapa tahun belakangan ini banyak

digunakan dalam berbagai macam studi, diantaranya bidang ekonomi, politik dan sosial.
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). 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. 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.
Beberapa keunggulan model bayesian pada penanganan data spasial diantaranya

yaitu penggunaannya lebih fleksibel, secara konseptual lebih mudah dipahami dan
mempunyai tingkat akurasi yang tinggi, sedangkan kelemahannya yaitu waktu yang
dibutuhkan dalam memproses data lebih lama dibanding metode MLE. 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, 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.
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. Diharapankan informasi yang
didapatkan lebih informatif dan aplikatif terutama terkait dengan adanya efek spasial
multiplier pada model.

Prosiding
2. Tinjauan Pustaka
2.1. 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.
Model untuk tiap observasi ke-i adalah:
n k
Yi WijY j r X ir i ............ (2.1)
j 1 r 1
dimana Yi adalah variabel dependen untuk observasi ke-i, dan Xir, (r=1,2,...,k) adalah
variabel-variabel penjelas untuk observasi ke-i, sedangkan ρ merupakan koefisien
spasial lag/autoregressive dan W adalah matrik pembobot spasial berukuran n x n,
dimana Wij adalah elemen baris ke-i kolom ke-j yang bernilai 0 pada diagonal utamanya
(i=j). Persamaan (2.1) dapat disajikan dalam bentuk notasi matrik sebagai berikut:
y Wy Xβ ε ............ (2.2)
y (1 W) 1 Xβ (1 W) 1 ε
ε N (0, 2
In )
dimana y adalah vektor variabel dependen/respon berukuran n x 1, X adalah matriks

variabel independen/penjelas berukuran n x k, β adalah vektor koefisien regresi
berukuran k x 1, dan ε adalah vektor error regresi berukuran n x 1 yang bersifat identik
independen dan berdistribusi normal.
Matrik pembobot/penimbang spasial (W) ini mencerminkan adanya hubungan

antara satu wilayah dengan wilayah lainnya. Menurut LeSage (1999a) hubungan
persinggungan (contiguity) merupakan metode pembentukan matrik pembobot spasial
dimana wilayah yang berbatasan secara geografis merupakan neighbour (tetangga).
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, dan Wij = 0 untuk region lainnya.
2.2. Estimasi Model dengan Bayesian Spatial Ekonometrika

Prosiding
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). 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, 2009). Metode ini
mempunyai asumsi bahwa semua parameter dalam model (θ) mempunyai distribusi
prior p(θ) yang merupakan informasi (pengetahuan) awal, yang akan digabungkan
dengan likelihood dari data saat ini sehingga menghasilkan distribusi posterior yang
merupakan update dari distribusi prior.
Selanjutnya untuk menerapkan adanya heteroskedastisitas pada model bayesian

SAR, maka ditambahkan faktor skalar varians V pada asumsi residual error-nya
sehingga σ2V σ2In , dimana V merupakan matrik diagonal yang berisi parameter-
parameter (v1, v2, …, vn). 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 W) 1 ε
ε N (0, 2
V) ............ (2.3)
Vii = vi ,untuk i=1,…,n, dan Vi j = 0, untuk i ≠ j
Fungsi likelihood dari model heteroskedastisitas spasial ini adalah:

n
1/ 2 1
p ( D β, , , V ) (2 2
) 2
In W V exp 2
( Ay Xβ) V 1 ( Ay Xβ)
2
n
2 1/ 2 1
(2 ) 2
A V exp 2
e V 1e
2
n n
ei2
n
A vi 1/ 2 exp 2
.…... (2.4)
i 1 i 1 2 vi
dimana e Ay Xβ dan A = In − ρW.
Menurut Happle (1995) akan lebih bermanfaat untuk mendapat penyelesaian

model bayesian SAR dalam konteks penyederhanaan yang ditawarkan oleh prior diffuse
atau non-informatif. Dengan demikian untuk selanjutnya digunakan prior uninformatif
pada prior normal dan invers-gamma, dengan a,b=0, dan c=0, T=Ik.1012, sehingga
distribusi prior untuk masing-masing parameternya sebagai berikut:

Prosiding
β konstanta
2
(r / vi ) iid (r ) / r, i 1, 2, ,n
n
r
sehingga V vi ( r 2) / 2
exp .…... (2.5)
i 1 2vi
konstanta
Distribusi Join Posterior
Dari persamaan Teorema Bayes dan asumsi independen antar priornya

(β, , V, ) (β) ( ) (V) ( ) maka distribusi join posteriornya adalah.
p(β, , V, D) p(D β, , ) (β) ( ) (V) ( )
n
n n
ei2 n
r 1
A vi 1/ 2 exp 2
vi ( r 2) / 2
exp
i 1 i 1 2 vi i 1 2vi
n n 2 2
e r
n 1
A vi ( r 3) / 2
exp i
…....(2.6)
i 1 i 1 2vi
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. Dari persamaan
join posterior dapat dicari distribusi full conditional untuk masing-masing parameter
dalam model. Setelah data dibangiktkan dari distribusi full conditional dari semua
parameter secara berurutan dengan algoritma Gibbs Sampler dan Metropolis-Hasting
maka menjadi suatu set sample parameter yang akan digunakan untuk membangun
distribusi join posterior sehingga dapat diperoleh inferensia dari tiap parameternya
(seperti mean dan moment).

Prosiding
Full Conditional Distribusi Posterior untuk β
Dari distribusi join posterior didapatkan full conditional distribusi posterior untuk β.
n 2 2
e
p(β 2
, , V) exp i
i 1 2vi
1
exp 2
e V 1e ....... (2.7)
2
Dengan demikian full conditional distribusi posterior untuk β merupakan distribusi

multivariate normal dengan rata-rata vektor c* dan matrik varian- kovarian T* berikut.
p(β|ρ, σ2(0),V) ~ N(c*, T*)
c* ( X V 1X 2
T-1 ) 1 ( X V 1Ay 2
T-1c) …... (2.8)
T* 2
( X V 1X 2
T 1) 1
…... (2.9)
Full Conditional Distribusi Posterior untuk σ2
Dari distribusi join posterior didapatkan full conditional distribusi posterior untuk σ2.
n 2 2
e
p( 2
β, , V) n 1
exp i
i 1 2vi
1
n 1
exp 2
e V 1e ….. (2.10)
2
Dengan demikian full conditional distribusi posterior untuk σ2 merupakan distribusi

invers-gamma dengan parameter a* dan b* berikut.
p(σ2|β(1), ρ,V) ~ IG(a*, b*)
a* a n/2 …... (2.11)
b* b e V 1e / 2 …... (2.12)

Prosiding
Full Conditional Distribusi Posterior untuk V
Dari distribusi join posterior didapatkan full conditional distribusi posterior untuk V.
n n 2 2
e r
p(V β, 2
, ) vi ( r 3) / 2
exp i
…..... (2.13)
i 1 i 1 2vi
Seperti yang ditunjukkan oleh Geweke (1993), full conditional distribusi posterior untuk
V ini mengikuti distribusi chi-square ( 2 ) dengan derajar bebas r+1. Secara khusus
dapat dinyatakan dari distribusi conditional dari tiap vi adalah.
2 2
e r
p i
β, , 2
,v i
2
(r 1) …..... (2.14)
vi
dimana v-i = (v1, …, vi-1,vi+1, …,vn) untuk tiap i. Dengan demikian kita mengambil
sampel dari tiap skalar varian terhadap skalar varian yang lainnya. Notasi ei menyatakan
elemen ke-i dari vektor e = Ay − Xβ.
Full Conditional Distribusi Posterior untuk ρ
Dari distribusi join posterior didapatkan full conditional distribusi posterior untuk ρ.
1
p( β, 2
, V) In W exp 2
e V 1e …..... (2.15)
2
Untuk mendapatkan sampling dari parameter ρ, akan digunakan algoritma Metropolis-

Hastings karena bentuk full conditional distribusi posteriornya tidak diketahui (tidak
standar).
Algoritma Metropolis-Hasting
Algoritma Metropolis-Hasting membutuhkan distribusi proposal (kandidat)

untuk mendapatkan nilai kandidat untuk parameter ρ, yang kita namakan ρ*. Nilai
kandidat ini (ρ*) dan nilai pada saat ini (ρc) dievaluasi dengan persamaan di atas untuk
menghitung peluang penerimaan menggunakan persamaan di bawah ini:
p( *
β, )
H ( c
, *
) min 1, …..... (2.16)
p( c
β, )
Lesage dan Pace (2009) menggunakan distribusi normal standar sebagai distribusi
proposal dengan prosedur random walk untuk menghasilkan nilai kandidat untuk ρ.

Prosiding
Prosedurnya melibatkan nilai ρc, sebuah angka random dari pembangkitan distribusi
normal standar, dan tuning parameter (c) seperti ditunjukkan persamaan dibawah ini.
* c
c.N (0.1) …..... (2.17)
Penggabungan algoritma Metropolis-Hastings ini kedalam rangkaian dari algoritma

Gibbs Sampler disebut juga dengan algoritma Metropolis Within Gibbs.
2.3. Tinjauan Non Statistika
Menurut Lee dalam Mantra (2000) ada empat faktor yang terkait dengan
perpindahan penduduk, yaitu faktor yang terdapat di daerah asal, faktor yang terdapat di
tempat tujuan, rintangan antara, dan faktor individu. Faktor yang terdapat di daerah asal
maupun di tempat tujuan mempunyai faktor positif yang menarik seseorang untuk tidak
meninggalkan daerah tersebut, dan faktor negatif yang menyebabkan seseorang
meninggalkan daerah tersebut. Faktor jarak antara daerah asal dengan daerah tujuan
yang disebut sebagai rintangan antara juga sangat menentukan keputusan seseorang
untuk berpindah. Menurut Emalisa (2003) banyak migran menuju wilayah yang
berjarak dekat, sedangkan migran yang jauh tertuju ke pusat-pusat perdagangan dan
industri yang penting.
3. Metodologi
3.1. 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, yaitu publikasi Penduduk Jawa Barat: Hasil Sensus
Penduduk Tahun 2000 (BPS, 2002), PDRB Kabupaten/Kota di Jawa Barat Menurut
Lapangan Usaha 1997-2000 (BPS Jawa Barat, 2001), dan Jawa Barat Dalam Angka
2000 (BPS Jawa Barat, 2001).
3.2. Variabel Operasional
Variabel-variabel operasional yang digunakan yaitu Tingkat Migrasi Masuk Netto

(Y) sebagai variabel respon/dependen, sedangkan Peranan sektor industri pada PDRB
(%) (X1), Tingkat pengangguran (%) (X2), Jumlah prasarana sekolah tingkat SLTA
keatas (X3), dan Jumlah prasarana kesehatan (Rumah sakit, Puskesmas, dan
Klinik/Balai pengobatan) (X4) sebagai variabel penjelas/independen.

Prosiding
3.3. Metode Analisis
Langkah-langkah proses MCMC dengan mengambil sampel secara berurutan dari

empat distribusi full conditional posteriornya dengan algoritma Metropolis Within
Gibbs, berikut ini langkah-langkahnya:
Step 1. Tetapkan nilai inisiasi awal untuk β(0), σ2(0), V(0) dan ρ(0).
Step 2. Tetapkan jumlah iterasi (M) yang akan digunakan untuk mencapai konvergensi
model termasuk jumlah iterasi pada tahap burn-in.
Step 3. Bangkitkan angka random dari p(β|σ2(0),V(0), ρ(0)) menggunakan distribusi N(c*,
T *), dengan mean dan varians dihitung dari persamaan (2.7) dan (2.8).
Namakan sampling dari vektor parameter β(1) untuk mengganti vektor
parameter β(0).
Step 4. Bangkitkan angka random dari p(σ2|β(1), V(0), ρ(0)), menggunakan distribusi
invers gamma IG(a*, b*) dengan parameter a dan b dihitung dari persamaan
(2.10) dan (2.11). Namakan sampling dari parameter σ2(1) untuk mengganti
parameter σ2(0).
Step 5. Bangkitkan angka random dari p(vi|β(1), σ2(1), v-i, ρ(0)), untuk tiap skalar vi
dengan menggunakan distribusi chi-square dengan derajat bebas r+1 dengan
v-i= (v1, …, vi-1,vi+1, …,vn), i=1,2,…n. Namakan sampling dari vektor parameter
V(1) untuk mengganti vektor parameter V(0).
Step 6. Bangkitkan angka random dari p(ρ|β(1), σ2(1), V(1)), menggunakan algorima
Metropolis-Hastings. 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 7. Lakukan estimasi posterior dari hasil sampel yang diperoleh setelah kondisi
burn-in (seperti rata-rata, median, standar deviasi, uji hipotesis).
Satu urutan dari step 3 sampai 6 merupakan satu proses penarikan sampel. Sebagai
contoh, kita bisa melakukan sejumlah M = 3.000 penarikan sample termasuk 500
pertama untuk tahap burn-in agar mencapai kondisi steady-state dan menggunakan
sampel yang dihasilkan sebanyak 2.500 sampel untuk menghasilkan estimasi posterior
dan menarik kesimpulan.

Prosiding
4. Analisis dan Pembahasan
Berikut hasil estimasi regresi spasial autoregressive dengan metode bayesian.
Tabel 4.1. Estimasi parameter model Heteroskedastisitas Bayesian SAR
Variabel Koefisien Asym t-stat p-value

Konstanta 9.8101 0.4075 0.6836
Industri (X1) 1.0155 2.4427 0.0146
Pengangguran (X2) 4.0003 1.1615 0.2454
Fasilitas Pendidikan (X3) 0.1791 0.9308 0.3519
Fasilitas Kesehatan (X4) -0.1383 -1.9465 0.0516
Rho 0.4695 2.0932 0.0363
R-square 0.4741
Tabel 4.1 menunjukkan bahwa koefisien spasial autoregressive (ρ) sebesar 0.4695
dengan nilai p-value yang signifikan yaitu 0.0363. Sementara nilai koefisien regresi
dari varibel Industri, Penganguran, dan Fasilitas Pendidikan bernilai positif kecuali
Fasilitas Kesehatan yang bernilai negatif. Namun variabel yang siginifikan pada α 5%
hanya variabel Industri. Hal ini menunjukkan bahwa persentase peranan sektor industri
terhadap PDRB mempengaruhi tingkat migrasi yaitu sebesar 1.0155, yang berarti bahwa
kenaikan satu satuan dalam persentase peranan sektor industri akan meningkatkan
tingkat migrasi sebesar 1.0155. Secara keseluruhan model regresi spasial ini mempunyai
koefisien determinasi (R2) sebesar 0.4741, artinya variasi pada tingkat migasi yang
dapat dijelaskan oleh model sebesar 47,41% sedangkan yang tidak dapat dijelaskan oleh
model sebesar 52,69% yang mungkin disebabkan oleh variabel lain yang tidak tercakup
dalam model.
Model regresi spasial untuk tiap observasinya berikut ini.

n
Yi 0.4695 WijY j 1.0155 X 1 4.0003 X 2 0.1791X 3 0.1383 X 4
j 1
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), maka interpretasi
pada model regresi spasial berbeda dengan model regresi biasa. Interpretasi dari model
regresi spasial menurut Lesage dan Pace (2009) terdiri dari ukuran sebagai berikut:

Prosiding
a. Average direct effect yaitu rata-rata efek perubahan pada variabel independen di
suatu wilayah terhadap variabel dependen di wilayah tersebut.
b. Average indirect effect yaitu rata-rata efek perubahan pada variabel independen di
semua wilayah lain terhadap variabel dependen di suatu wilayah. Ini disebut juga
dengan efek spillover (tumpahan).
c. 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.
Berikut ini hasil estimasi dari rata-rata efek tersebut pada masing-masing variabel.
Tabel 4.2. Estimasi direct, indierct, dan total effect Heteroskedastisitas Bayesian SAR
Average Average Average

Variabel
direct effect indirect effect total effect
Industri (X1) 1.1591 1.4617 2.6208
Pengangguran (X2) 4.6204 5.9261 10.5465
Fasilitas Pendidikan (X3) 0.1923 0.2441 0.4364
Fasilitas Kesehatan (X4) -0.1535 -0.1955 -0.3490
Dari tabel tersebut dapat dikatahui bahwa persentase peranan sektor industri mempunyai
efek langsung pada variabel dependen sebesar 1.1591, efek tidak langsung sebesar
1.4617 dan total efek sebesar 2.6208, ini berarti bahwa satu persen perubahan pada
peranan sektor industri mempunyai dampak langsung terhadap perubahan tingkat
migrasi sebesar 1.16% dan dampak tidak langsung sebesar 1.46%.
5. 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 1.16% dan dampak tidak langsung sebesar
1.46%, 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.

Prosiding
6. Pustaka
Anselin, L. (1988), Spatial Econometrics: Methods and Models, Kluwer Academic,

Dordrecht.
Anselin, L. (1999), Spatial Econometrics, Bruton Center, School of Social Sciences,

University of Texas, Dallas.
BPS. (2002), Penduduk Jawa Barat: Hasil Sensus Penduduk Tahun 2000, BPS, Jakarta.
BPS Jawa Barat. (2001a), Jawa Barat Dalam Angka 2000, BPS, Bandung.
-------------------. (2001b), PDRB Kabupaten/Kota di Jawa Barat Menurut Lapangan

Usaha 1997-2000, BPS, Bandung.
Emalisa. (2003), Pola dan Arus Migrasi di Indonesia, di download dari digital library
Universitas Sumatra Utara, http://digital.usu.ac.id pada tanggal 15 Agustus 2010.
Geweke, J. (1993), “Bayesian Treatment of the Independent Student-t Linear Model,”

Journal of Applied Econometrics, Vol. 8, hal. 19–40.
Halim, S. (2007), “Bayesian Spasial Autoregressive for Reducing Blurring Effect in

Image,” Journal of Advance Computational Intelligence and Intelligence
Informatics, Vol. 11, No.3, hal. 308-311.
Hepple, L.W. (1999), “Bayesian Model Choice in Spatial Econometrics”, Proceedings

of LSU Spatial Econometrics Conference, Baton Rouge, 7-11 November, 2003.
Klarl, T. (2010), “Spatial Model Selection and Spatial Knowledge Spillovers: A

Regional View of Germany”, Center for European Economic Research
Discussion Paper, No. 10-005.
Konadi, W. (2004), Estimasi Angka Migrasi Rural-Urban di Propinsi Jawa Barat

Periode 1985-2000, didownload dari http://winkonadi.wordpress.com/2009/
03/12/estimasi-angka-migrasi-rural-urban-di-propinsi-jawa-barat-periode-1995-
2000 pada tanggal 27 Agustus 2010.
Lacombe, D.J. (2008), An Introduction to Bayesian Inference in Spatial Econometrics,

didownload dari http://ssrn.com/abstract=1244261 pada tanggal 15 Agustus 2010.
LeSage, J.P. (1997), “Bayesian Estimation of Spatial Autoregressive Models”,

International Regional Science Review, Vol. 20, no. 1&2, hal. 113–129.

Prosiding
--------------. (1999a), Spatial Econometrics, Department of Economics, University of

Toledo, didownload dari http://www.spatial-econometrics.com/html/wbook.pdf
pada tanggal 11 Agustus 2010.
--------------. (1999b), The Theory and Practice of Spatial Econometrics, Department of

Economics, University of Toledo, didownload dari http://www.spatial-
econometrics.com/html/sbook.pdf pada tanggal 11 Agustus 2010.
LeSage, J.P. dan Pace, R.K. (2009), Introduction to Spatial Econometrics, CRC Press
(Taylor and Francis Group), Boca Raton [FL], London and New York.
---------------------------------. (2010), Spatial Econometrics Model, dalam Hanbook of

Applied Spatial Analisys: Software Tools, Methods, and Aplications, eds, Fisher,
M.M., Getis, A., Springer, Berlin, Heidelberg and New York, hal. 355-376.
Mantra, I.B. (2000), Demografi Umum, Pustaka Pelajar, Yogyakarta.

Prosiding
(R.4)
PENDEKATAN BAYESIAN SPATIO-TEMPORAL UNTUK MENGATASI
HETEROSKEDASTISITAS PADA PEMODELAN NILAI KETIMPANGAN
PENDAPATAN MASYARAKAT DI PROPINSI SEPULAU JAWA
Sahar Mildino1, Setiawan2, Sutikno3

1,2,3
Jurusan Statistika Institut Teknologi Sepuluh Nopember Surabaya Indonesia
email: 1 saharmildino@gmail.com, 2 setiawan@statistika.its.ac.id, 3
sutikno@statistika.its.ac.id
ABSTRACT
Permasalahan heteroskedastisitas seringkali muncul pada pemodelan ekono-metrika

spasial, yaitu ragam error model tidak konstan. Berdasarkan waktu pengumpulan data,
masalah ini dapat terjadi pada data cross section, times series, dan data panel. Salah satu
upaya untuk mengatasi masalah ini adalah dengan menggunakan pendekatan metode
kuadrat terkecil tertimbang dan transformasi variabel. Metode lain yang digunakan
untuk mengatasi heteroskedastisitas adalah pendekatan Bayesian. Penelitian ini
membahas pendekatan bayesian untuk data panel, seringkali disebut Bayesian spatio-
temporal. Metode ini diterapkan pada kasus pemodelan nilai ketimpangan pendapatan
masyarakat di Propinsi sepulau Jawa. 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. Sementara variabel
proporsi jumlah penduduk usia > 60 tahun, dan pertumbuhan pendapatan (PDRB)
mempunyai tingkat signifikansi masing-masing sebesar 56.3%, dan 67.05%. Pengaruh
spasial ( ) sebesar 0.483004.
Kata Kunci : Bayesian spatio-temporal, data panel, heteroskedastisitas.
1. Pendahuluan
Metode ekonometrik spasial dapat menganalisa observasi yang terdiri atas data
antar-waktu (series) maupun data antar daerah (cross-section). Sedangkan untuk
menganalisa efek-efek ekonomi yang tidak dapat dibedakan hanya dengan
menggunakan data time-series ataupun cross section, dapat menggunakan analisis data
panel. Menurut Abbas Gozali (2000), penggunaan data panel memiliki keuntungan-
keuntungan, pertama, memungkinkan jumlah data meningkat, dan hal ini akan
menghasilkan derajat kebebasan tambahan sehingga mengurangi kolinearitas antar
variabel. Kedua, memasukkan informasi yang berkaitan dengan baik variabel-variabel

Prosiding
cross-section maupun time-series, lebih bervariasi dan dapat mengurangi masalah yang
muncul apabila ada variabel yang dihilangkan. Panel data juga dapat mengontrol
heterogenitas individu (daerah). 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,
pengganggu cross-section dan kombinasi keduanya.
Walaupun sudah ada penelitian spasial panel model, homogenitas atau varians
yang melewati waktu dihasilkan dalam model, tetapi dengan kemajuan teknologi
Bayesian dengan varians modelnya yang bervariasi dapat diatasi. Misalnya, Lesage
(1997) menunjukkan estimasi Bayesian model spasial autoregressive dengan
heteroskedastisitas. Tulisan ini mencoba mengembangkan pendekatan oleh Lesage
(1997) Bayesian spasial panel model, menggunakan pendekatan spatio-temporal
heteroskedastisitas, untuk membahas Rasio Gini yang merupakan salah satu indikator
lazim dan mudah digunakan sebagai pengukuran pemerataan pendapatan.
Angka pendapatan perkapita merupakan angka rata rata yang tidak

mencerminkan angka yang sebenarnya yang diterima penduduk. Berapa yang diterima
tiap penduduk sebenarnya berkaitan dengan masalah merata atau tidak meratanya
distribusi pendapatan, (Hal Hill, 1996). 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, selanjutnya perlu dikaji karakteristik sektor-sektor yang dapat
mempercepat peningkatan pendapatan golongan masyarakat dan apakah sektor tersebut
yang mempengaruhi karakteristik dari nilai rasio Gini. Dalam hal ini sektor industri
pengolahan, sebab sektor ini merupakan salah satu sektor yang cukup berperan besar
terbadap pertumbuhan PDRB, dimana faktor produksi disektor ini dapat menghasilkan
nilai tambah yang besar.
Menurut penelitian Estulido (1997), ada empat faktor kecenderungan yang
menyebabkan perubahan-perubahan terhadap ketidakmerataan pendapatan
rumah tangga, yaitu (1)meningkatnya proporsi rumah tangga perkotaan,
(2)perubahan perubahan distribusi umur, (3)meningkatnya jumlah anggota rumah
tangga yang terdidik, dan (4)ketidakmerataan tingkat upah.
Berdasarkan latar belakang tersebut, maka tujuan pada penelitian ini adalah sebagai
berikut:
1. Dapat menerapkan metode Bayesian Spatio-temporal pada pemodelan untuk

mengatasi heteroskedastisitas pada pemodelan ketimpangan pendapatan masyarakat
di propinsi se Pulau Jawa.
2. Dapat Mengetahui faktor-faktor yang mempengaruhi tingkat ketimpangan
pendapatan masyarakat di propinsi se Pulau Jawa.
2. MODEL
Misalkan y (y1' , , yt' , , yT' )' menyatakan variabel dependent dimana
yt (y1t , , yit , , y Nt )' dan X ( X1' , , X t' , , XT' )' merupakan kumpulan k variabel

Prosiding
independent sehingga X t ( X1't , , X it' , '

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

Prosiding
2 2
p( , ,Vn , y, X , W ) L( y , , , X , W ) ( ) (Vn ) ( )
T N
( N .T 1) T ( q* 3) / 2 2 2
In W vit exp( q* / 2vit ) exp( e / 2vit ),
it
t 1 i 1
dimana eit adalah elemen residual vector yang ke i. yaitu et ( yt Wyt X t )

densitas ini untuk memperoleh Full Conditional Distributions (FCD's) bagi semua
parameter dalam model.
3. ESTIMASI MODEL
Dengan metode Markov chain Monte Carlo (MCMC). Kami memberi contoh melalui
serangkaian distribusi full conditional dari parameter secara lengkap. Untuk
mengimplementasikan pendekatan MCMC perlu menurunkan distribusi kondisional
pada semua parameter secara lengkap pada model. Prosedur ini menghasilkan
serangkaian perkiraan yang menyatu pada batas joint posterior distribution pada setiap
parameter (lihat Gelfand and Smith (1990)).
3.1 Full conditional Posterior Distribution dari 2
1 ' 1
p( ,V , ) exp 2
(eV e) mengikuti invers distribusi chi dengan
2
' 1
N .T eV e 2
skala parameter dan derajat bebas oleh karena itu mengikuti distribusi
2 2
' 1
N .T eV e
invers gamma, IG ,
2 2
3.2 Full conditional Posterior Distribution dari

1 ' 1
p( ,V , ) exp 2
(eV e)
2
Sehingga parameter vektor conditional pada parameter yang lain dalam model,
2
,V , secara umum dijabarkan sebagai berikut
2
p( ,V , ) N( , H ),
( X 'V 1 X ) 1 X 'V 1 ( IT (In W )) y,
H ( X 'V 1 X ) 1
dimana I T menunjukkan matriks identitas T T . perlu dicatat bahwa parameter
,V , 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.
Hal ini sering terjadi pada kasus estimasi MCMC, menjadikan metode ini menarik.
3.3 Full conditional Posterior Distribution dari V

T N
( q* 3) / 2 2 2
p(V , , ) vit exp( q* / 2vit ) exp( e / 2vit ),
it
t 1 i 1

Prosiding
Menurut Geweke (1993) Posterior distributions dengan Elemen dari V , misalkan

v11 , v21 , , viT , , vNT , (kondisional pada , dan ) adalah distribusi chi square
2 2 2
( eit q* ) / vit (q* 1), i 1, , N , t 1, ,T .
q* mengendalikan jumlah penyebaran pada vit melalui observasi. Nilai alternatif pada
parameter ini menghasilkan hubungan yang berbeda dari prior densitas vit , dimana nilai
kecil dari q* yang menghasilkan distribusi leptokurtic dan nilai besar q*
mengahasilkan homoskedastisitas.
3.4 Full conditional Posterior Distribution dari

Dari join distribusi (1) spasial korelasi parameter mengikuti kernel
T 1 ' 1
p( , ,V ) I N W 2
(eV e)
2
Jika dimasukkan dalam determinan akan sulit untuk memberi sampel dari conditional
posterior distribution. Oleh karena itu kita mengambil langkah metropolis dengan
sampel rejection.
3.5 Metode MCMC

Bagan perkiraan MCMC dapat dimulai dengan nilai awal sembarang untuk parameter
yang dilambangkan dengan 0 ,V 0 , 0 dan 0
' 1
N .T eV e
,
2 0 0 0 2 2 1
1. p( ,V , ) IG untuk nilai baru kita beri nama
1
2. p( ,V 0 , 0
) dengan distribusi multivariate normal dengan mean dan varian
2 1
H di beri nama baru
1 1 0
3. p(vit , , v it , ), distribusi chi-square dengan derajat bebas q+1
v it dimana v it adalah vt tanpa elemen vit
v11 , v21, , vi 1t , vi 1t , vNT
4. Dengan mengikuti langkah Metropolis:
0
sampel dari c , N (0,1) dimana c disebut parameter tuning
Kemudian kita menaksir nilai acceptance probability
0 p( )
, min ,1
p( 0 )
1 0
Dan akhirnya menentukan dengan probabilitas , ,dengan kata lain
1 0
jika min dan max menunjukkan minimum dan maksimum nilai eigenvalue W
dari biasa disebut bahwa min 0 dan max 0 dan harus terletak pada interval,
1 1
min
, max
Sun dkk(1999). Oleh karena itu, kita menggunakan rejection sampling
untuk membatasi untuk interval yang dikehendaki dengan menggunakan algoritma
Metropolis (lihat Smith dan Lesage (2004)).

Prosiding
Kita sekarang kembali kelangkah pertama mendata nilai parameter terbaru pada
nilai awal 0 ,V 0 , 0 , dan 0 . Pada setiap langkah yang melalui pengulangan kita
mengumpulkan gambaran parameter yang digunakan untuk membentuk posterior
distribution.
4. 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 ,X 2 ,X 3 ,X 4 )
Dimana :
Y adalah angka Indeks Ketidakmerataan pendapatan (Indeks Gini).
X1 adalah proporsi jumlah penduduk usia > 60 tahun.
X2 adalah proposi jumlah anggota rumah tangga yang terdidik/tingkat keahlian.
X3 adalah proposi jumlah anggota rumah tangga yang bekerja di sektor industri
X4 adalah pertumbuhan pendapatan nasional (PDRB).
Angka Ketidakmerataan pendapatan (Y), untuk kebutuhan angka

ketidakmerataan pendapatan diproxi dari data indeks Gini atau nilai rasio Gini (hasil
perhitungan menurut pengeluaran konsumsi penduduk), secara series dari tahun 2003
sampai dengan tahun 2008 di setiap propinsi di Pulau Jawa. Selanjutnya
dikombinasikan dengan data cross section dari wilayah 6 propinsi di Pulau Jawa (data
BPS), sementara variabel bebasnya antara lain:
a. 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.
b. Proporsi jumlah anggota rumah tangga pekerja terdidik/tingkat keahlian (X2),
datanya didapatkan dari jumlah penduduk yang bekerja menurut pendidikan
kemudian diberikan bobot berdasarkan waktu tempuh sekolah (tahun) yaitu 0 untuk
tidak sekolah, 3 untuk tidak tamat SD, 6 untuk lulus SD, 9 untuk lulus SLTP, 12
untuk lulus SLTA, 14 lulus DI,DII,DIII/Akademi dan 16 lulus perguruan tinggi.
Kemudian bobotnya dikalikan dengan jumlah penduduk yang bekerja sesuai dengan
klasifikasi, kemudian dijumlahkan untuk mendapatkan suatu nilai jumlah keahlian,
selanjutnya dibandingkan dengan total jumlah penduduk di setiap propinsi di Pulau
Jawa.

Prosiding
c. 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.
d. Pertumbuhan pendapatan nasional (X4), pertumbuhan ekonomi datanya didekati
dengan data pertumbuhan PDRB dari setiap propinsi yang ada di Pulau Jawa.
Tabel 1. Output Bayesian spatial autoregressive dengan Heteroscedastic model.
Variable Coefficient Asymptot t-stat z-probability

constant -3.615612 -5.851119 0.000000
pduduk60+ (X1) 0.038355 0.578107 0.563192
tkdidik (X2) -0.195944 -2.365606 0.018001
tkindustri (X3) 0.229710 1.957735 0.050261
Pertmhnpdrb (X4) -0.130135 -0.425452 0.670507
rho -0.571876 -5.591231 0.000000
Rbar-squared 0.0463
Dari Table 1. Terlihat bahwa :
variabel yang signifikan ( =5%) terhadap tingkat ketimpangan pendapatan adalah

proporsi jumlah anggota rumah tangga pekerja terdidik/tingkat keahlian (X 2) dengan
P-Value sebesar 0.018001 dan variabel proporsi jumlah anggota rumah tangga yang
bekerja di sektor industri (X3) dengan P-Value sebesar 0.050261. 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 0.563192 dan 0.670507. %.
Pengaruh spasial ( ) sebesar 0.483004.
Model yang dihasilkan adalah ln Yit 0.57WYit 0.19 ln X 1 0.23ln X 3 3.61
Dengan interpretasi bahwa:
1. Setiap bertambah satu % proporsi jumlah anggota rumah tangga pekerja

terdidik/tingkat keahlian (X2) berpengaruh negative sebesar 0.19 %terhadap
tingkat ketimpangan pendapatan.
2. Setiap bertambah satu % proporsi jumlah anggota rumah tangga yang bekerja di
sektor industri (X3) berpengaruh postitif sebesar 0.23% terhadap tingkat
ketimpangan pendapatan.

Prosiding
5. 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, hal ini akan terjadi perubahan dalam kelompok penduduk dari berpendapatan
rendah, kelompok penduduk berpendapatan sedang dan kelompok penduduk
berpendapatan tinggi.
Ketidakmerataan dalam tingkat upah adalah lebih tinggi dari pada

ketidakamerataan pendapatan menurut jam kerja. Hal ini dapat dilihat pada marginal
produktivitas tenaga kerja yang bekerja dengan mesin (industri), maka akibatnya tarif
upah lebih tinggi jika dibandingkan dengan sektor pertanian atau sektor tradisional
lainnya, dengan demikian terjadi perubahan secara proporsional tingkat penyerapan
tenaga kerja di sektor industri pengolahan, maka akan mendorong nilai rasio Gini
membesar dan memperburuk indeks ketidakmerataan pendapatan.
Referensi
Anselin, L. (1988). Spatial Econometrics: Methods and Models. Dordrecht: Kluwer

Academic Publishers.
Anselin, L. (2006). Spatial panel econometrics. In The Econometrics of Panel Data

(Edited by L. Matyas and P.Sevestre), 4th edition. Springer.
Baltagi, B. H. (2005). Econometric Analysis of Panel Data,3rd edition. Wiley.
Baltagi, B. H and Levin, D. (1986) Estimating dynamic demand for cigarettes using
panel data; The effects of bootlegging, taxation and advertising reconsiderd. The
Review of Economics and Statistics 68, 148-155.
Baltagi, B.H., Song, S.H., Jung, B.C. and Koh, W. (2007). Testing for serial correlation,
spatial autocorrelation and random effects using panel data. Journal of
Econometrics 140, 97-130.
Cressie, N. (1993). Statisitics for Spatial Data, revised edition. Wiley.
Elhorst, J.P. (2003), Specification and Estimation of Spatial Panel Data Models.
International Regional Science Review 26, 3: 244–268.
__________ (2009), Spatial Panel Data Models. In Fischer MM, Getis A (Eds.)
Handbook of Applied Spatial Analysis, Ch. C.2. Berlin Heidelberg New York:
Springer.
Estudilo J.P. Income Inequality In The Philippines 1961-1991. Journal Of The

Prosiding
Developing Economics XXXV-I (March 1997)
Gelfand, A. E., and Smith, A. F. M. (1990), "Sampling-Based Approaches to

Calculating Marginal Densities," Journal of the American Statistical
Association, 85, 398409.
Gelman, A., Carlin, J.B., Stern, H. and Rubin, D.(2004). Bayesian Data Analysis, 2nd
edition, Chapman, Boca Raton.
Gemmell, N. (1992) editor, ilmu Ekonomi Pembangunan beberapa Survei, LP3ES

Jakarta.
Geweke, J. (1992) “Evaluating the Accuracy of Sampling-Based Approaches to the

Calculation of Posterior Means,” in Bayesian Statistics 4, (eds J.M. Bernard, J.
O. Berger, A. P. Dawid and A. F.M. Smith), Oxford University Press, Oxford.
Geweke, J. (1993) “Bayesian Treatment of the Independent Student-t Linear Model,”

Journal of Applied Econometrics, 8, 19–40.
Hill, H. Transformasi Ekonomi Indonesia sejak 1966, PT.Tirtana Wacana. 1966

Jogja.
Robert Haining, (2003) “ Spatial data Analysis, theory and practices “ University of
Cambridge.
Kakamu, K., Polasek, W., and Wago, H. (2006). Spatial Interaction of Crime Incidents
in Japan. mimeo. www.mssanz.org.au/modsim05/papers/kakamu_1.pdf
didownload bulan September 2010.
LeSage, J.P. (1997) “Bayesian Estimation of Spatial Autoregressive Models,”

International Regional Science Review, 20, 113–129.
LeSage, J.P. (1999), The Theory and Practice of Spatial Econometrics, Departement of
Economics University of Toledo.
Roberts, G. O., A. Gelman and W. R. Gilks (1997) “Weak Convergence and Optimal
Scaling of Random Walk Metropolis Algorithm,” Annals of Applied Probability,
7, 110–120.
Tierney, Luke (1994) “ Markov Chains for Exploring Posterior Distributions (with
discussion),” Annals of Statistics, 22, 1701–1762.
Zeng,Y. Zhu,J. and Li, D. (2007), Analyzing Spatial Panel Data of Cigarette Demand:
Bayesian Hierarchical Modeling Aproach.

Prosiding
(R.5)
A SPATIO-TEMPORAL AUTOREGRESSIVE SEM MODEL FOR REDUCING
OMITTED VARIABLE BIAS
Yusep Suparman - Padjadjaran University

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

Prosiding
on spatio-temporal autoregressive model for reducing omitted variable bias in a spatial

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

Prosiding
N N pN
 ζY ln Σ tr SΣ 1
ln 2π , (4)
2 2 2
Where ζ contains the parameters to be estimated in the eight matrices, Y N p is the data
matrix ( N rows of independent replication of the p -variate vector y , typically

originating from a sample of randomly drawn subjects) and Σ p p is the model-implied
covariance or moment matrix which is a function Σ ζ of ζ :
Λ y Η ΓΦΓ Ψ Η Λy Θ Λ y ΗΓΦΛ x
Σ , with Η I Β
1
. (5)
Λ x ΦΓ Η Λ y ΛΦΛ Θ
1
Finally, S p p N Y Y is the sample covariance or moment matrix.
The ML-estimator ζˆ arg max  ζ Y chooses that value of ζ which maximizes  ζ Y .
If the observed variables follow a multivariate standard normal distribution,

maximization of  ζ Y gives genuine ML estimates. In the case deviation from
normality the estimator is consistent.

Instead of maximizing the log-likelihood function in equation (4) standard software for
SEM estimation usually minimizes the fit function
1
FML ln tr SΣ ln S p, (6)
2
Or N 1 FML with the same result. Because the data-based matrix S is a constant,
equation (4) and (6) relate linearly.
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, as in standard spatial
econometrics. If a vector refers to unit of observation, it will be denoted by a tilde (~).
Otherwise, it refers to vector of variables. A similar definition is applied on matrices.
We consider the standard one-equation spatial lag (spatial autoregression, SAR) model
in unit of observation:
~ ~
y ρW~
y Xγ ~
ε, (7)
Where

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

Prosiding
3. Spatio-Temporal Autoregressive SEM for Reducing Omitted Variable Bias

Observe a SAR model (7) at a point time t
~ ~
yt t W~
yt Xt γ t ~
εt , (8)
In the case of some of some explanatory variables in X t is omitted, we rewrite (8) as
~ ~ ~
yt t W~
yt a Xt a γ t o Xt o γ t ~
εt , (9)
~
with a X t is the N q matrix of observation on the available explanatory variables
~
and o X t is the N q q matrix of observation on the omitted explanatory variables.
Following Suparman et al. (2008), let
~ν ~ ~
t o Xt o γ t εt (10)
and assume that v t can be approximated by its lags v t 1 as follows:
~ν ~ν ~
t t t 1 δt (11)
with δ t is the vector of error terms. From (10) we obtain
~ ~ ~
νt yt t W~
yt a Xt a γ t . (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.e. the spatial temporal autoregressive model
~ ~ ~ ~
yt t yt 1 t W~
yt t t W~
yt 1 a Xt a γ t ta Xt 1a γt 1 δt (13)
In the case of diarrhea accidents, a three years period of observations is relatively small.
Hence, we simplify (13) into a time invariance model. For T times of observations, we
have
~ ~ ~ ~ ~ ~ ~
yt yt 1 yWt 1 yWt a Xt 1a γ a Xt a γ δt , for i 2,3,, , T , (14)
with ~
yWt W~
yt .

Prosiding
Following Folmer and Oud (2008), instead of using a standard spatiotemporal model
formulation, we use structural equation model (SEM) for expressing (14). We have
y Βy Γx δ (15)
with
y y2 y3  yT
x 1 x1 x 2  xT yW 1 yW 2  yWT y1
δ 2 3  T
0 0 0  0 0
0 0  0 0
0 0  0 0
B
     
0 0 0  0 0
0 0 0  0
0 ,1 a γ a γ 0  0 0 0  0 0
0, 2 0 a γ a γ  0 0 0  0 0 0
0,3 0 0 a γ  0 0 0 0  0 0 0
Γ
             
0 ,T 1 0 0 0  a γ 0 0 0 0  0 0
0 ,T 0 0 0  a γ aγ 0 0 0  0
and we specify two additional parameter matrices
1
E x1 E x1x1
E x2 E x 2 x1 E x2x2
   
E xT E xT x1 E xT x 2  E xT xT
Φ
E yW 1 E yW 1x1 E yW 1x 2  E yW 1xT E yW2 1
E yW 2 E yW 2 x1 E yW 1x 2  E yW 2 xT E yW 2 yW 1 E yW2 2
       
E yWT E yWT x1 E yWT x 2  E yWT xT E yWT yW 1 E yWT yW 1  E yWT2
E y1 E y1x1 E y1x 2  E y1x1 E y1 yW 1 E y1 yW 2  E y1 yWT E y12

Ψ COV δ

Prosiding
Observe that y1 is assumed to be exogenous and fixed. In this formulation, the error
terms over times may differ and correlate.
Several methods have been developed for estimating parameter in a SEM, namely:
instrumental variables, two stages least square, unweighted least square, generalized
least square, fully and diagonally weighted least square and maximum likelihood. These
methods are available in the software package LISREL (Joreskog and Sorbom, 1996)
and Mx (Neal et al., 2003). In relation to spatial data analysis, Mx, which is a free
program, is considered to be very flexible. It offers an extensive matrix algebra toolbox
enabling linear and nonlinear parameter restrictions and allows modifying and
extending the likelihood function in a user-defined way.
We focus our attention on the maximum likelihood method and start by formulating the
likelihood function. Oud (2004) provides the log-likelihood function of a standard SEM
with fixed and observed exogenous variables. In the case of the endogenous variables
are also observed, the log likelihood is formulated as
N
N 1 T 1N
 ζY ln Σ y yi μ i Σ y1 y i μi ln 2π , (16)
2 2 i 1 2
where
1
μ Ey I Β Γx
Σy E y μ y μ Ψ.
To develop a consistent estimator of model (8), we should take into account that
y W2 y  y is a transformation W ~
W3 WT y ~ y  ~ y of the endogenous
2 3 T
variables and therefore cannot be assumed to be uncorrelated with the error terms. First,
Let
~
Y ~ y2 ~
y3  ~
yT ,
~ ~ ~ ~ ~
X 1 X1  XT y1 yW 1 ,
~ ~ ~ ~
Ζ δ2 δ3  δT , and
Γ 0 is a partition of Γ without columns relating to yW 2 , yW 3 ,  , yWT . Hence, we can

rewrite (7) as

Prosiding
~ ~ ~ ~
Y YΒ WYρ I T 1 Β XΓ0 Ζ (17)
Putting the first term on the right hand to the left hand and in the second term to the
left of W , we have
~ ~ ~ ~
YIT 1 Β ρWY I T 1 Β XΓ0 Ζ.
Further, we rearrange
~ ~ ~ ~ 1
Y ρWY XΓ0 Ζ I T 1 Β ,
~ ~ ~ ~ 1
Y ρWY XΓ0 Ζ IT 1 Β ,
~ ~ ~ 1
IN WY XΓ0 Ζ IT 1 Β ,
~ ~ ~
IN WYIT 1 Β XΓ0 Ζ,
and finally
~ ~ ~
IN WYIT 1 Β XΓ0 Ζ. (18)
(11) leads us to additional the Jacobian term ln I N W to the log likelihood (9),
N
N 1 T 1N
 ζY ln I N W ln Σ y yi μ i Σ y1 y i μi ln 2π (19)
2 2 i 1 2
This result is confirmed by Hays et al. (2009) for the case standard approach, in which
the addition of temporally lagged spatial lag variables does not complicate the
estimation. In our case the Jacobian is equal to the case of single equation (Folmer and
Oud, 2008).
4. References
Folmer, H., Oud, J. (2008) How to get rid W: a latent variables approach to modeling
spalially lagged variables. Environment and Planning A, 40, p. 2526-38.
Jöreskög, K.G., Sörbom, D. (1996) LISREL 8: User’s Reference Guide, Scientific
Software International, Chicago, IL.
Hays, J.C., Kachi, A., Franzese Jr., R.J. (2010) A Spatial Model Incorporating Dynamic,
Endogenous Network Interdependence: A Political Science Application.
Statistical Methodology, doi:10.1016/j.statmet.2009.11.005

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

Prosiding Seminar Nasional Statistika 2010 (Repaired)

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Prosiding Seminar Nasional Statistika 2010 (Repaired)

Diunggah oleh

Hak Cipta:

Format Tersedia

SEMINAR NASIONAL STATISTIKA

“Manajemen Risiko di Bidang Asuransi dan Perbankan”

Vol 1, November 2010

Sabtu, 13 November 2010

Daftar Isi ....................................................................................................................................................... 2

III. Matematika Dan Statistika Aplikasi ................................................................................................... 190

Manajemen Risiko di Bidang Perbankan dan Asuransi | 2

S.6 Peningkatan Pembelajaran Matematika Di Kelas Dengan Skaffolding ................................... 239

IV. Desain Eksperimen ............................................................................................................................. 284

V. Analisis Regresi ................................................................................................................................... 356

Manajemen Risiko di Bidang Perbankan dan Asuransi | 3

Jatinangor, 13 November 2010

Manajemen Risiko di Bidang Perbankan dan Asuransi | 4

Ocke Kurniandi, MSi, FSAI

Ketua Komisi Ujian & Kurikulum PAI

Latar Belakang dan Definisi Risiko

Manajemen Risiko di Bidang Perbankan dan Asuransi | 5

Risiko atau Ketidakpastian

Risiko: Sebuah negara ketidakpastian dimana beberapa kemungkinan melibatkan kerugian,

Manajemen Risiko di Bidang Perbankan dan Asuransi | 6

Risiko juga dapat didefinisikan sebagai bagian dari suatu ancaman

1. probabilitas bahwa ada ancaman

Risiko dalam Perusahaan Asuransi

Manajemen Risiko di Bidang Perbankan dan Asuransi | 7

Manajemen Risiko di Bidang Perbankan dan Asuransi | 8

1. mengidentifikasi, karakter, dan menilai ancaman

Oleh karena itu manajemen risiko harus dapat :

Manajemen Risiko di Bidang Perbankan dan Asuransi | 9

Manajemen risiko dapat menempatkan urutan kegiatan sebagai berikut

1. Identifikasi risiko dalam domain yang dipilih bunga

Identifikasi dan Penilaian Risiko

Komposit Indeks Risiko Risiko = Dampak peristiwa x Probabilitas Kejadian

Manajemen Risiko di Bidang Perbankan dan Asuransi | 10

Penghindaran (menghilangkan, menarik diri dari atau tidak terlibat)

Pengurangan Risiko atau "optimasi" melibatkan mengurangi keparahan hilangnya atau

Manajemen Risiko di Bidang Perbankan dan Asuransi | 11

Pengelolaan Risiko dan Ilmu Aktuaria

Asuransi jiwa, dana pensiun dan asuransi umum

Manajemen Risiko di Bidang Perbankan dan Asuransi | 12

Manajemen Risiko di Bidang Perbankan dan Asuransi | 13

9. membeli perlindungan untuk keranjang risiko;

Manajemen Risiko di Bidang Perbankan dan Asuransi | 14

Manajemen Risiko di Bidang Perbankan dan Asuransi | 15

2. Strategi Perawatan Asset

2.1 Reliability Centered Maintenance (RCM)

2.2 Risk Based Maintenance (RBM)

Manajemen Risiko di Bidang Perbankan dan Asuransi | 16

Gambar 1. Risk Matrix

Gambar 2. Diagram Alur RBM

Manajemen Risiko di Bidang Perbankan dan Asuransi | 17

3. Aplikasi Manajemen Resiko dalam Strategi Perawatan Asset

1. Penyusunan risk matrix

Gambar 3. Items Risk Analysis Result

4. Menentukan maintenance task terhadap masing-masing equipments/items

Manajemen Risiko di Bidang Perbankan dan Asuransi | 18

[1] ID-F-KI-00000-00000-00271 Hiu Kerisi RCM Final Report, Jakarta, 2007

Manajemen Risiko di Bidang Perbankan dan Asuransi | 19

Saham dan obligasi merupakan financial security yang sering diperjualbelikan di

Kata kunci : saham, obligasi, model Binomial satu periode.

Manajemen Risiko di Bidang Perbankan dan Asuransi | 20

Manajemen Risiko di Bidang Perbankan dan Asuransi | 21

Definisi 1. Ruang Sampel.

Gambar 1. Diagram Pohon Tos Mata Uang Dua Kali

Manajemen Risiko di Bidang Perbankan dan Asuransi | 22