SEMINAR NASIONAL STATISTIKA

“Manajemen Risiko di Bidang Asuransi dan Perbankan”

Vol 1, November 2010 ISSN 2087-5290

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

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

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

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

II.

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

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

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

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

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

Manajemen Risiko di Bidang Perbankan dan Asuransi |

3

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

Jatinangor, 13 November 2010 Panitia.

Manajemen Risiko di Bidang Perbankan dan Asuransi |

4

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

Manajemen Risiko di Bidang Perbankan dan Asuransi |

5

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

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

Manajemen Risiko di Bidang Perbankan dan Asuransi |

7

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

Manajemen Risiko di Bidang Perbankan dan Asuransi |

8

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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 Model GARCH Untuk deret log return . Untuk mengontrol sistem risiko tersebut dapat menggunakan Value at Risk ( disingkat VaR). Oleh karena itu. 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. Meskipun berbagai metode dapat menghitung besarnya kerugian yang dicapai oleh investor. 13 November 2010 keuntungan yang tinggi. PERUMUSAN MASALAH 2. maka ia harus bersedia menanggung risiko yang tinggi pula.1 Return Saham “Return adalah keuntungan investasi atau pendapatan yang diterima dari selisih lebih investasi yang dilakukan sedangkan keuntungan yang diharapkan merupakan rata-rata tertimbang dari pendapatan historis yang tercermin dari rata-rata profitabilitas tingkat keuntungan”(Husnan. Beberapa pendekatan dapat digunakan untuk menghitung besarnya nilai VaR tersebut. Return saham dihitung secara harian menggunakan model geometrik yang memberikan continously compound return dan dihitung sebagai berikut : (1) 2. 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Hampir semua investor pasti tidak menginginkan adanya kerugian pada waktu melakukan investasi. untuk menghindari adanya kerugian. 2000:204). sebaiknya investor melakukan perhitungan risiko dengan teliti dan analisis yang cermat untuk memperoleh hasil yang diharapkan. model GARCH ( bulat) didefinisikan sebagai berikut: )( dan adalah bilangan (2) Manajemen Risiko di Bidang Perbankan dan Asuransi | 30 .

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

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

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

9 51.1) sebagai berikut: Untuk return kurs USD didapatkan parameter model AR(1)-GARCH(2. Tabel 3.1) sebagai berikut: Untuk return kurs Euro didapatkan parameter model ARMA(1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.1) sebagai berikut: Untuk return kurs Yen didapatkan parameter model ARMA(1.1: Persamaan Model Regresi Setiap Saham Saham Model Regresi Bank Mandiri 369.1 berikut ini.9 39.000 BRI BNI 309.1)-GARCH(1. dan PT Indofood ( ) akan diperoleh persamaan regresi linear berganda dengan pendekatan multifaktor masing-masing return saham sebagai variabel terikat dengan return indeks IHSG. kurs Euro.5) sebagai berikut: Dari data return saham Bank Mandiri ( ). dan kurs Yen sebagai variabel-variabel bebas yang dapat ditulis sebagai dan disajikan pada Tabel 3.69% 0. Bank BNI( ).9 55. kurs USD.000 0.000 191.30% 0. 13 November 2010 dengan pendekatan time series yaitu untuk return IHSG didapatkan parameter model AR(1)GARCH(1.48% Manajemen Risiko di Bidang Perbankan dan Asuransi | 34 . Bank BRI ( ).2)-GARCH(3.

000 Melalui uji signifikansi linear didapatkan nilai mean dan variansi return saham individual yang diberikan dalam Tabel 2 berikut ini.3% 0.005166 dan tingkat Value at Risk minimum portofolio sebesar 0. maka diperoleh VaR masing-masing saham yaitu: Tabel 3.027640 Misalkan menginvestasikan dana sebesar Rp.1 berikut ini: Manajemen Risiko di Bidang Perbankan dan Asuransi | 35 .1.030136.000707 0.000747 0. 13 November 2010 PT Indofood 243.006383 0.00 pada masing-masing saham dengan koefisien kepercayaan sebesar 95%.7 45. seperti yang dapat dilihat pada Gambar 3.3: Value at Risk Saham Individual Saham Bank Mandiri Bank BRI Bank BNI PT Indofood Value at Risk Diperoleh hasil bahwa portofolio-portofolio efisien terletak di sepanjang garis dengan toleransi risiko sebesar .000764 0.029782 PT Indofood 0.000887 0.027331 Bank BNI 0.005125 0.000136 0.002713 0.026589 Saham Bank BRI 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. di mana dihasilkan expected return portofolio tertinggi sebesar 0. Tabel 3.2: Mean dan Variansi Return Saham Individual Statistik Mean Variansi Standar Deviasi Bank Mandiri 0.

004866 0. T.227387 0.229584 0.226752 0.030486 0.42495 0.030583 0.050265 0. 2005.166143 0.160501 0.464015 0.5 0.446327 0. 2000.030655 0. DAFTAR PUSTAKA Hogg.017687 0. Manajemen Risiko di Bidang Perbankan dan Asuransi | 36 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.428793 0. R. The Visual Display of Quantitative Information. V.005119 0.004897 0.161817 0.230204 0.43 0. Tsay.298029 0.305919 0.307698 0.223896 0.229894 0.004882 0.012573 0. R.042843 0. Introduction to Mathematical Statistics. Inc.54 0.56 0.6086 0.165286 0.030442 0.28E-05 0.294581 0.295439 0. Fourth Edition.426869 0.4: Komposisi Portofolio Optimal Bobot 0.450281 0.03071 0.309488 0.047797 0.41 0.161379 0. Bandung : Transito Tufte.005023 0.040356 0.228959 0. Dari perhitungan rasio mean return dan Value at Risk portofolio diperoleh portofolio optimal yang memberikan mean return optimal sebesar 0.16006 0.007431 2.030389 0.298897 0.032859 0.304149 0. New Jersey : Prentice Hall.005166 dengan VaR optimal sebesar 0.030517 0.030402 0.159618 0.037864 0.226114 0.005055 0.164424 0. 13 November 2010 Gambar 3.225472 0.45 0.4 berikut ini. Sudjana.030618 0. Tabel 3.438483 0.48 0.005166 0. 2005.00496 0.46 0.42 0.229272 0. Suad. Cheshire : Graphic Press.163559 0. pemilihan portofolio optimal dapat ditentukan berdasarkan komposisi portofolio efisien yang menghasilkan mean return dan Value at Risk portofolio dengan rasio terbesar.432654 0.300638 0.312066 0. dan Craig. New Jersey : John Wiley & Sons.005087 0.430721 0. KESIMPULAN Pada paper ini. Ruey S. 1958.027829 0. Husnan.03071. Metode Statistika.442395 0.297164 0.228019 0.58 0.004928 0.16269 0.44 0.030457 0.168208 4. Dasar-Dasar Teori Portofolio dan Analisis Sekuritas Edisi Kedua.045323 0.434592 0.166996 0.296301 0.030415 0.302389 0.004991 0. E.454257 0. Yogyakarta : Unit Penerbit dan Percetakan STIM YKPN.004851 0. A.52 0.160941 0. 1983.022772 0.030429 0. Analysis of Financial Time Series.1: Efficient Frontier Portofolio Adapun komposisi portofolio efisien memuat rasio expected return dan VaR diberikan dalam Tabel 3.004913 0.030549 0.228647 0.458256 0.224826 0.

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

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

13 November 2010 memperhitungkan biaya dalam penetapan besaran premi tahunan yang harus dibayarkan pemegang polis. penelitian ini menawarkan inovasi pada produk asuransi dwiguna dengan proteksi kepada dua orang tertanggung dan merumuskan besarnya cadangan asuransi disesuaikan melalui metode Illinois. Metode ini membatasi frekuansi biaya yang dibebankan pada pembayaran premi tahunan paling lama 20 tahun. BESARAN-BESARAN AKTUARIA 2.1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Simbol-simbol Aktuaria NOTASI X Y x KETERANGAN Variabel acak yang menyatakan usia individu pertama Variabel acak yang menyatakan usia individu kedua Laju kematian (force of mortality) dari seseorang yang berumur x tahun Peluang orang yang berumur x tahun akan hidup sampai k tahun dan meninggal 1 tahun berikutnya Peluang orang yang berusia x tahun dan y tahun masih akan hidup kedua-duanya dalam t tahun kemudian Peluang seseorang yang lebih dulu meninggal dari sepasang tertanggung yang berumur x tahun dan y tahun dalam t tahun kemudian Peluang seseorang yang lebih dulu meninggal dari sepasang tertanggung yang berusia x+k tahun dan y+k tahun dalam 1 tahun kemudian Besarnya benefit yang dibayarkan perusahaan asuransi pada akhir tahun terjadi risiko Nilai tunai (Present value) rate of interest (tingkat bunga efektif yang berlaku) Variabel acak yang menyatakan fungsi present value benefit t k 1 qx t p xy t q xy qx k. Besarnya nilai cadangan asuransi disesuaikan dalam penelitian ini akan dihitung melalui pendekatan metode Illinois.y k bk v i 1 Z Manajemen Risiko di Bidang Perbankan dan Asuransi | 39 . II. Rumusan ini dinamakan cadangan asuransi disesuaikan (modified reserve). Sehubungan dengan pernyataan di atas.

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

.. n 1 n. n 1 n. n 1. untuk k .... untuk k . Jika Salah Satu dari Tertanggung Meninggal Dunia Jika salah satu tertanggung meninggal dunia maka benefit akan dibayarkan sebesar 100% Uang Pertanggungan (UP) sekaligus pada akhir tahun tertanggung meninggal dunia atau dapat dinyatakan sebagai berikut: bk 1 100%UP 0 .. q .... n 1.(2.... fungsi present value benefitnya adalah: Z2 0 100%UPv n . n 1 n. n 1 n. maka premi tunggal bersihnya adalah: n 1 A1 xy:n E Z1 (100% UP) k 0 v k 1.. 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.. fungsi present value benefitnya adalah : Z1 100%UPv k 0 1 ... untuk k .1. untuk k 0..2) xy:n Manajemen Risiko di Bidang Perbankan dan Asuransi | 41 . karena K merupakan variabel acak. untuk k 0.1) x k. untuk k 0... 2. 2..Prosiding Seminar Nasional Statistika Universitas Padjadjaran....1.. untuk k 0. n 1. untuk k ...1.. sehingga premi tunggal bersihnya adalah: A 1 E Z2 (100% UP) v n . k pxy .1.y k b... 2..n pxy ..(2. 13 November 2010 2. Jika Kedua Tertanggung Masih Tetap Hidup Hingga Akhir Masa Asuransi Jika kedua tertanggung masih tetap hidup hingga berakhirnya masa asuransi maka benefit akan dibayarkan sebesar 100% Uang Pertanggungan sekaligus pada akhir tahun ke-n atau dapat dinyatakan sebagai berikut: bn 0 100%UP .. n 1.

3. k pxy.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.3) Pada produk Dwiguna berpasangan. benefit diberikan tepat pada saat salah satu dari tertanggung meninggal dunia.. yaitu nilai premi tahunan yang dibayarkan oleh tertanggung lebih besar dari nilai premi tahunan asuransi seumur hidup dengan jangka pembayaran premi 20 tahun pada usia yang sama...1 tahun berikutnya).4) Premi tahunan Dwiguna Berpasangan dihitung dengan menggunakan rumus: P Axy:n Axy:n axy:n . Perhitungan Cadangan Illinois Pada Produk Dwiguna Berpasangan Penentuan cadangan disesuaikan melalui metode Illinois terdapat persyaratan yang harus terpenuhi. perlu mengubah asuransi Dwiguna berpasangan bentuk diskrit menjadi asuransi jiwa Dwiguna berpasangan bentuk kontinu.1) dan (2.6) Manajemen Risiko di Bidang Perbankan dan Asuransi | 42 . Oleh karena itu. Perumuman dari pernyataan di atas dapat diilustrasikan sebagai berikut : I I axy:k 1 P( Axy:n )axy:k ..2) sebagai berikut : n 1 Axy:n (100%UP) k 0 v k 1. Dalam metode Illinois. n pxy .5) 2.. terdapat beberapa nilai premi bersih yakni bersih untuk tahun pertama). (2. (2. dan P( Axy:n ) (prmi bersih untuk setelah k tahun). qx k.. (2.y k v n . I I (premi (premi bersih untuk k . (2.. 13 November 2010 Maka besarnya premi tunggal bersih secara keseluruhan untuk produk asuransi Dwiguna berpasangan merupakan penjumlahan antara Persamaan (2.. Pada penentuan cadangan dengan mentode ini terdapat batasan frekuensi biaya yang digunakan dalam perhitungan cadangan yakni maksimal biaya 20 tahun. Dengan menggunakan asumsi UDD (Uniform Distribution of Death) hubungan asuransi jiwa dwiguna berpasangan bentuk diskrit dengan asuransi jiwa dwiguna berpasangan bentuk kontinu adalah sbb: A xy :n i A xy :n .

. 20) axy:2 P( Axy:n )axy:3 .7) dapat dinyatakan kembali sebagai berikut : P( Axy:n )axy:3 I * axy:2 axy:2 1 … (2.7) 1 dan I dapat dinyatakan pada Persamaan di bawah ini : P ( Axy:n )axy:k I axy:k 1 1 … (2. Pada penelitian ini besar k yakni k=3.8) Berdasarkan perumusan premi di atas.10) dengan 1 2 3 merupakan presentase komisi yang harus dibayarkan oleh perusahaan kepada agen yang berhasil menjual produk asuransi pada tahun pertama sampai tahun ke tiga dan besarnya diperoleh berdasarkan tabel komisi.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.6) dapat dituliskan kembali sebagai berikut : I I min(3. adalah sebagai berikut: * P( Axy:n ) . 20) serta m adalah periode pembayaran premi dengan biaya. 13 November 2010 Atau dengan kata lain I dapat dinyatakan pada Persamaan di bawah ini : P( Axy:n )axy:k I axy:k 1 1 axy:k … (2. sehingga Persamaan (2. y h:k h … (2. Besarnya total biaya yang dikeluarkan perusahaan untuk membayar komisi agen. (2. perhitungan cadangan yang disesuaikan dengan menggunakan metode Illinois didefinisikan sebagai berikut : h V il ( Axy:n ) h V ( Axy:n ) ( I P( Axy:n ))ax h .12) Manajemen Risiko di Bidang Perbankan dan Asuransi | 43 .9) dengan k min(m.11) Dengan kata lain I pada Persamaan (2. . dan 1 v 2 1 pxy 3 v 2 pxy … (2..

Jika salah seorang tertanggung meninggal dalam masa asuransi. (3) masa asuransi adalah 10 tahun. y = 25 tahun. perhitungan cadangan yang disesuaikan dengan menggunakan metode Illinois didefinisikan sebagai berikut : h V il ( Axy:n ) h V ( Axy:n ) ( I P( Axy:n ))ax h .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.00. maka premi tunggal bersihnya adalah Rp. HASIL DAN PEMBAHASAN Aplikasi besaran-besaran aktuaria dari produk Asuransi Dwiguna Berpasangan dengan melibatkan biaya akan diulas pada bagian ini. 13 November 2010 dan I pada Persamaan (2.8) dapat dinyatakan kembali sebagai berikut : P( Axy:n )axy:3 I * axy:2 1 … (2.1 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. (5) Uang Pertanggungan (UP) yang akan diberikan sebagai manfaat asuransi adalah sebesar Rp 20. 3.11) Berdasarkan perumusan valuasi premi di atas. i = 7%. y h:3 h … (2. Manajemen Risiko di Bidang Perbankan dan Asuransi | 44 . y h:n h … (2.98. (2) tingkat suku bunga yang digunakan adalah. y h:n h P Axy:n ax h . 529. (4) usia individu pertama.744.12) dan perhitungan cadangan setelah tahun ke-3 akan menggunakan perumusan cadangan premi bersih tahunan sbb: h V Axy:n Ax h .000.000.13) III. Beberapa asumsi yang digunakan dalam simulasi adalah (1) peluang meninggal didasarkan pada Tabel Mortalita CSO 1980. x = 30 tahun dan usia individu kedua. (6) biaya komisi agen dibebankan pada 3 tahun pertama pembayaran premi.

4081 v1 1 p30. 10. v9 9 p30.525 P A30.25 1 0.25:10 a30.. Oleh karena itu. 10. Dengan menggunakan asumsi UDD. 0.9313 0.439. 13 November 2010 b.661.25 .25 v 0 0 p30.. maka besar premi tunggal bersih untuk asuransi Dwiguna berpasangan bentuk kontinu Rp.305.775..8673 .25:10 k 0 v k k p30.2 Premi Tahunan Besar anuitas berpasangan bentuk diskrit due adalah sebagai berikut: 9 a30.00.469 7.32.5254 Besarnya premi tahunan adalah sebagai berikut: A30.25:10 Manajemen Risiko di Bidang Perbankan dan Asuransi | 45 .162. Biasanya tertanggung akan berkeberatan untuk membayar premi satu kali diawal tahun secara sekaligus. premi tunggal bersih asuransi Dwiguna berpasangan bentuk diskrit adalah penjumlahan kedua premi tunggal bersih di atas yakni Rp..071.661.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 9. Pada produk Dwiguna berpasangan benefit diberikan tepat pada saat salah satu dari tertanggung meninggal dunia. maka premi tunggal bersihnya adalah Rp. 3.25 7. Jika kedua tertanggung masih tetap hidup hingga berakhirnya masa asuransi.4081 1.25:25 10. oleh karena itu perlu dihitung besarnya premi tahunan sehingga tertanggung menjadi lebih ringan dalam pembayaran preminya tetapi tetap akan mendapatkan benefit yang sama. perlu mengubah asuransi Dwiguna berpasangan bentuk diskrit menjadi asuransi jiwa Dwiguna berpasangan bentuk kontinu.30.469. Dengan demikian.327.

439. UP sebesar Rp. Total biaya yang dikeluarkan perusahaan untuk membayar komisi agen selama tiga tahun pertama pembayaran premi adalah: Tabel 3.000.163 Premi Bersih Tahunan dengan Biaya (Rp.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. 13 November 2010 Dengan demikian.163.1 Komisi Agen Produk Dwiguna Berpasangan Tahun 1 2 3 Total Besarnya Komisi Agen per tahun (Rp.469.) 1.2 Premi Bersih Tahunan Produk Dwiguna Berpasangan Selama Tiga Tahun Pertama Masa Asuransi Tahun ke0 Premi Bersih Tahunan Tanpa Biaya (Rp.20.661.260 Manajemen Risiko di Bidang Perbankan dan Asuransi | 46 .) 1.015 31.072.3 Cadangan Dalam perhitungan cadangan terlebih dahulu akan dihitung besar cadangan Illinois selama tiga tahun pertama sebagai akibat biaya yang dikeluarkan oleh perusahaan untuk membayar komisi agen.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.000. Kemudian untuk tahun selanjutnya perhitungan cadangan akan menggunakan cadangan premi bersih tahunan karena sudah tidak ada lagi biaya yang dikeluarkan perusahaan untuk membayar komisi agen.00 yang pembayarannya dilakukan 10 kali secara kontinu di awal tahun.00 diperoleh apabila pemegang polis membayar premi tanpa biaya sebesar Rp.00 yang dibayarkan sekaligus di awal kontrak asuransi atau sebesar Rp.) 359.439.791 67. 3.1.10.205 458.

1.070..697 Cadangan premi kotor melalui metode Illinois (Rp.3 dapat dilihat bahwa besar cadangan Illinois untuk tahun ke-0 bernilai negatif.2 di atas diketahui bahwa besar premi bersih tahunan dengan biaya tahun pertama adalah Rp.1.472.296.981 1.935. Sedangkan besar cadangan Illinois untuk akhir tahun ke-1 dan ke-2 masing–masing adalah Rp. Besar cadangan untuk h = 3 dan seterusnya sampai dengan akhir masa asuransi yakni 10 tahun dapat dihitung dengan menggunakan cadangan premi bersih tahunan.) -254.3 Besar Cadangan Premi Asuransi pada Produk Dwiguna Berpasangan berdasarkan premi bersih dan premi kotor Tahun ke-h Cadangan premi bersih (Rp. Sedangkan besar premi bersih tahunan dengan biaya tahun kedua dan ketiga adalah Rp. sedangkan biaya yang dikeluarkan oleh perusahaan asuransi untuk tahun selanjutnya adalah lebih kecil. 13 November 2010 1 1.272 2 Berdasarkan tabel 3.017.) 0 1. Berdasarkan tabel 3.962. 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. Cadangan premi bersih tahunan merupakan perhitungan cadangan tanpa melibatkan faktor biaya. hal ini dikarenakan pada tahun pertama diperlukan biaya besar untuk membayar komisi agen.1. 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.-.738.2.531. Besar premi bersih tahun pertama lebih kecil dari premi bersih tahun kedua dan ketiga.530.dan Rp.738 0 1 Manajemen Risiko di Bidang Perbankan dan Asuransi | 47 .296. Dengan demikian besar cadangan produk Dwiguna berpasangan untuk masa asuransi 10 tahun dengan biaya tiga tahun pertama adalah sebagai berikut: Tabel 3.821.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

183 6. sedangkan pada perhitungan cadangan premi bersih tahunan tidak memasukkan faktor biaya.752.000 2.000.529.881.031 8.881.053 20. 13 November 2010 2 3 4 5 6 7 8 9 10 3.031 8.422 12. Pada tahun ke-3 sampai dengan akhir masa asuransi tidak ada biaya yang dikeluarkan oleh perusahaan.628. dalam hal ini adalah 10 tahun.422 12. 2 akan lebih kecil dari cadangan premi tahunan.574.935 4. Akhir tahun ke 10.054.369 15. Sehingga besar biaya tersebut akan mengurangi besar cadangan yang dimiliki oleh perusahaan asuransi. IV. hal ini dikarenakan pada perhitungan cadangan Illinois terdapat faktor pengurang yaitu biaya. 1.044 4.962. Cadangan premi tahunan merupakan kondisi ideal yang dimiliki perusahaan.816 17. Manajemen Risiko di Bidang Perbankan dan Asuransi | 48 .529.000.752.369 15.899. KESIMPULAN 1.183 6.899. Tetapi perusahaan asuransi harus mengeluarkan biaya untuk membayar komisi agen.000.246 10. akan menghasilkan besaran cadangan yang lebih kecil dibandingkan dengan besarnya cadangan premi tahunan. Uang tersebut kemudian akan diberikan kepada sepasang tertanggung apabila keduanya masih tetap hidup sampai akhir masa asuransi.300.300.246 10.574.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.20.628.3 di atas diketahui bahwa besar cadangan disesuaikan untuk akhir tahun ke-0. sehingga besar cadangan untuk tahun ke-3 sampai dengan akhir masa asuransi akan sama dengan cadangan premi tahunan pada tahun yang sama.816 17.000.053 20. Dan Biaya tersebut dibebankan oleh perusahaan asuransi kepada tertanggung.000 Berdasarkan tabel 3. besar cadangan premi tahunan yang harus dimiliki perusahaan asuransi adalah sebesar uang pertanggungan yaitu sebesar Rp. Penentuan besarnya cadangan disesuaikan dengan metode Illinois.

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

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

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

dan Jx yang menyatakan variabel acak penyebab populasinya berkurang (cause of decrement).1. j ) P (t T t dt ) (J j) (2. Rumusan dari fungsi densitas bersama tersebut dapat dituliskan sebagai berikut : f TxJx (t .1 Multiple Decrement Dalam multiple decrement ada 2 jenis variabel acak yaitu Tx yang menyatakan lamanya hidup yang akan datang dari seseorang yang berusia x tahun sampai ia mengalami suatu decrement.1. j )ds 0 P (0 T t) (J j) t ( qx j ) t 0 (2. j )dt . Maka peluang seseorang yang berusia x tahun mengalami decrement karena semua sebab dalam jangka waktu t tahun adalah : t tq ( ) x 0 m f Tx ( s )ds ( j) t x q j 1 (2.1.3) Sedangkan peluang seseorang yang berusia x tahun mengalami decrement karena sebab j dalam waktu t tahun yang akan datang dapat dituliskan sebagai berikut : t f Tx . j ) .4) t ( px j ) 1 t ( qx j ) (2. Jx ( s .1) fJx(j) = x f TxJx (t . j ) (2. 13 November 2010 II. (2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.2) Fungsi densitas bersama dari Tx dan Jx dapat dituliskan dengan f Tx J x ( t .5) Dalam Multipel decrement semua penyebab terjadinya decrement digunakan simbol supercript ( ). Fungsi marginal untuk masing-masing fTx(t) dan fJx(j) adalah fTx(t) = j f TxJx (t .1.6) Manajemen Risiko di Bidang Perbankan dan Asuransi | 52 . TINJAUAN PUSTAKA II.1.1. Fungsi ini menyatakan peluang seseorang yang berusia x tahun akan mengalami decrement karena sebab j di antara tahun t sampai dengan tahun t + dt.

2.3 Rantai Markov dan Peluang Transisi Pada tahun 1906.. dapat dihitung dengan menggunakan rumusan berikut : Ax :n (2.. Sedangkan dalam realitanya.j (2. X n 1 .1) Manajemen Risiko di Bidang Perbankan dan Asuransi | 53 . .A. i.1) E( Z ) n 1 w k 0 j 1 B( j )v k 1 k ( px )q x ( j) k Bv n n px Besarnya premi tunggal netto yang harus dibayarkan insured pada saat awal ikut asuransi dwiguna bentuk kontinu untuk multiple decrement. X n i} P{ X n 1 j | Xn i} . 2. namun pembayaran/perhitungan benefit (uang pertanggungan) bisa dilakukan pada akhir tahun terjadinya decrement (diskrit) ataupun tepat pada saat terjadinya decrement (kontinu). 13 November 2010 II. Markov seorang ahli matematika dari Rusia mengemukakan teori ketergantungan variabel acak dalm proses acak yang dikenal dengan proses Markov. persamaan di atas tidak lagi tepat untuk menghitung premi tunggal netto pada asuransi multiple decrement.2) E(Z ) j 1 0 B ( j ) vt t px x (t )dt Bv n n pt Rumusan-rumusan premi pada asuransi dwiguna di atas hanya memperhitungkan sifat mutually exclusive diantara decrement-decrementnya.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. dapat dihitung menggunakan rumusan berikut : w n Ax:n| (2. atau secara formal : P{ X n 1 j | X0 i0 . Sehingga pada kondisi adanya kemungkinkan terjadinya perpindahan antar status.. sangat mungkin sekali bahwa terjadinya satu decrement disebabkan oleh telah terjadinya decrement lainnya.. in-1. A. Besarnya premi tunggal netto yang harus dibayarkan insured di awal ikut asuransi dwiguna berbentuk diskrit multiple decrement..2.3. n dan status i0... Proses Markov adalah proses stokastik yang mana masa lalu tidak mempunyai pengaruh pada masa yang akan datang bila masa sekarang diketahui.2 Premi Tunggal Netto Asuransi Multiple Decrement Dwiguna Asuransi ini adalah asuransi yang memberikan proteksi bagi insured terhadap beberapa hal yang penyebab terjadinya decrement.

2.3.4 Model Markov dengan Status Diskrit dan Waktu Kontinu Transisi yang terjadi diantara dua state apabila diukur antara waktu n dan n + i.n 1 P{X n 1 j | Xn i} (2. ditulis sebagai Pij ( n) P{X n m j | Xm i} (2. yaitu : Pij n.2) Apabila peluang transisi satu-langkah independen dari variabel waktu.n 1 Pij Matriks peluang transisi n langkah disimbolkan dengan P(n) = Pij(n).3.3..Prosiding Seminar Nasional Statistika Universitas Padjadjaran. peluang banyaknya kejadian dalam selang (0. seperti yang telah dibahas pada bagian terdahulu. maka dikatakan rantai markov mempunyai peluang transisi stasioner. Elemen dari Pij(n) menyatakan peluang bahwa proses berpindah dari status i ke status j dalam n langkah.3.n+1.1) Manajemen Risiko di Bidang Perbankan dan Asuransi | 54 .3) Teorema : peluang transisi n langkah dari suatu Markov adalah Pij (n) k 0 Pik Pkj ( n 1) (2. 13 November 2010 Peluang transisi satu langkah bahwa Xn+1 berada pada status j jika diketahui Xn berada dalam status i. yang biasanya dinyatakan dalam bilangan bulat.. dinyatakan dengan Pijn. sehingga dalam hal ini : Pij n.t] adalah i Pi(t) = P(N(t)=i) = e-λt (λt)i / i! (2.4) 2. Proses ini mengukur titik-titik kejadian secara tunggal dalam satuan waktu tertentu. disebut transisi dengan waktu diskrit. . Salah satu konsep dasar dalam pengukuran dengan waktu kontinu seperti ini adalah proses Poisson.4. dengan i = 1.

atau waktunya homogen. fungsi tersebut harus memenuhi 0 ≤ Pij ≤ 1 dan Pik j Pij (v) Pjk (t v) (t>v) (2.5 Laju Transisi Jika X(t) menyatakan status yang ditempati pada waktu t.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.5.1) Jika nilai-nilai peluang tersebut mengabaikan waktu u. Untuk tingkat transisi dengan selang waktu yang sangat pendek atau ∆t → 0.4) Jika diketahui status i ditempati pada waktu t dan status lainnya akan ditempati pada waktu t+∆t. maka Pij(∆t) = µij (∆t) + o (∆t) Pii(∆t) = 1+ µii (∆t) + o (∆t) Atau dapat ditulis ij (i≠j) d Pij (0) dt lim t Pij (t ) t 0 (2.2) Dikatakan sebagai persamaan Chapman Kolmogorov untuk proses Markov dengan waktu homogen.5. maka : (2.5.5) ii i j ij 0 Manajemen Risiko di Bidang Perbankan dan Asuransi | 55 .5. maka suatru proses Markov dengan himpunan status diskrit dan waktu yang kontinu akan mempunyai suatu himpunan fungsi peluang transisi rantai Markov yang jika dituliskan : Pij(t) = P(X(t+u) = j | X(u) = i) (2.5. 13 November 2010 2.3) ii d Pii (0) dt lim t 0 1 Pii (t ) t (2.

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

13 November 2010 P(t+u) = P(t) P(u) (3. Misalkan µij(t) = µij(m) jika t Є (tm-1. e d n (m) n t )C ( m ) Atau Phi (t ) k 1 ahk ( m) cki ( m ) d k ( m )t e (3.2. maka solusi untuk persamaan (3...4) Menyatakan peluang transisi dari state h ke state i..3 Laju Konstan Dipartisi Berkaitan dengan aktuaria.2. Dalam bentuk matriks.4) P(t ) A( m ) diag(e d1 1 t t mt . juga pij(m)(t) adalah fungsi transisi dinyatakan dengan interval [u. e d nt )C Atau Phi (t ) k 1 ahk cki e dk t (3.3) Andaikan Q mempunyai nilai-nilai eigen yang berbeda yang dinotasikan dengan D = diag (d1...2. tm) untuk m = 1...3. Misal mt adalah integer yang memenuhi tmt dengan persamaan (3. laju transisi dan peluang transisi dipartisi masing-masing Q(m) dan P(m)(t).2. dimana t0 = 0......2. dn) dan A menyatakan matriks eigen.2. untuk itu dengan melakukan partisi laju transisi berdasarkan usia merupakan solusi yang bisa dipergunakan untuk masalah ini. .2) dimana ahk(m) dan cki(m) adalah entri-entri dari matriks A(m) dan matriks Chk(m) Manajemen Risiko di Bidang Perbankan dan Asuransi | 57 .. 3... tm].1) Demikian pula bila diokorespondensikan dengan persamaan diferensial Kolmogorov Forward. maka P‟(t) = P(t) Q = Q P(t) (3. maka : Q = A D A-1 Sehingga n P(t ) A diag(e d1t .3.2) Dengan P(0) = I. sering kali diperlukan laju transisi pada tingkat usia yang berbeda. maka jika dikorespondensi menjadi (m) t .u+t] yang termuat dalam [tm-1. dengan ahk adalah elemen matriks A dan cki menyatakan elemen matriks C = A-1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.2) adalah : P(t) = eQt i 0 (Qt ) i i! (3.

1 model 4 Status Manajemen Risiko di Bidang Perbankan dan Asuransi | 58 . masing-masing : 1. dimana waktu transisi dan status yang dialaminya bersifat random. Sehat 2. Sakit B dan 4.4 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).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 3. pihak insured yang pada awal ikut asuransi berada pada kondisi sehat (status 1). Sakit B Gambar 3. namun didasarkan pada model stokastik multistate . pada waktu berikutnya akan mengalami transisi atau perubahan ke status lain. akan memperoleh santunan /benefit pada saat berpindah kestatus2. Sakit A 3. µ12 1. Sehat µ24 µ21 µ21 µ21 2. Sakit A µ14 µ21 µ32 µ23 4. Berikut ini adalah contoh dari asuransi jiwa dwiguna menawarkan produknya yang mempertimbangkan 4 status. Meninggal Dalam kasus 4 status tersebut. Meninggal µ34 3. Dalam model ini diasumsikan bahwa seseorang dengan usia x yang berada dalam status tertentu sejak dia masuk asuransi. ataupun berpindah ke status 4. juga bila berpindah ke status 3.

. 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. y )dy b11 . u ) n 1 a hn c nj (u ) (u ) e dk (u ) 1 dn (u ) b11 e t .t | x bij e x t 1 ( y x) . atau dengan kata lain sangat memungkinkan terjadi perpindahan Manajemen Risiko di Bidang Perbankan dan Asuransi | 59 . dengan discount factor v adalah : x t Ax . Misalkan µij(u) merupakan force of transition dari status i ke status untuk satu individu antara usia u dan u+1..4. yang digunakan untuk membangun matriks Q(u) sehingga diperoleh A(u).4.1) Atau dalam bentuk matriks x t Ax .e t .Pij ( x. IV. y )dy (u ) b11 e t . selain itu insured pun akan menerima sejumlah benefit diakhir tahun masa proteksi jika ia tidak terjadi salah satu decrement tersebut.t | x bij e x t 1 ( y x) .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.. 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.t p x (u ) bij e u x (u x ) e d1 P( x.t p x (3. C(u) dan D(u).t p x (3. 13 November 2010 Asuransi ini adalah asuransi yang memberikan proteksi bagi insured terhadap beberapa hal yang penyebab terjadinya decrement dalam jangka waktu tertentu. KESIMPULAN Berpijak kepada realita bahwa terjadinya suatu decrement dapat juga ditentukan oleh terjadinya decrement lain.Pij ( x. (u ) d4 (u ) 1 C (u ) b11 e t .t p x 4 4 bij e u x (u x ) h 1 pih ( x.2) Merupakan rumusan premi tunggal netto pada asuransi dwiguna yang mempertimbangkan terjadinya perpindahan antar status.. Sedangkan Pij(u) (y) merupakan fungsi peluang transisi dari status i ke status j yang diasosiasikan dengan interval usia dari u ke u+1. y ) A diag (u ) d1 1 e d4 .

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

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

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

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

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

n 1 n. n 1.. . n 1..(2.2) karena K merupakan variabel acak. Jika tertanggung atau penerima manfaat meninggal bukan karena kecelakaan Jika salah satu tertanggung meninggal dunia maka benefit akan dibayarkan sebesar 100% JUA atau UP sekaligus pada akhir tahun tertanggung meninggal dunia. …(2.1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran..v 0 k xy 1 .3) simbol premi tunggal bersihnya diberi angka satu karena merupakan premi tunggal bersih dengan penyebab kematian yang pertama yaitu meninggal bukan karena kecelakaan.. ..y k . n 1. untuk k 0.. k pxy . untuk k . …(2..1. untuk k .y k Manajemen Risiko di Bidang Perbankan dan Asuransi | 65 .... 2...1.. Dapat dirumuskan fungsi present value benefitnya adalah : Z1 100%JUA. 2.4) fungsi present value benefitnya adalah : Z2 200%JUA.. untuk k .. 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.v 0 k xy 1 ... atau dapat dinyatakan sebagai berikut: bk xy 100%JUA 1 ..(2..q (2) 1 . n 1 n. untuk k . 0 …(2... 2..3) Persamaan (2. n 1 n.6) x k.5) karena K merupakan variabel acak... maka premi tunggal bersihnya adalah: A1 xy:n 1 n 1 E Z1 100% JUA k 0 v k xy 1 k pxy q 1 x k. 2. atau dapat dinyatakan sebagai berikut: bkxy 1 200%JUA 0 .... untuk k 0.. maka premi tunggal bersihnya adalah: n 1 A1 x y:n (2) E Z2 200% JUA k 0 v k 1.. 13 November 2010 2.1) n menyatakan akhir masa asuransi. untuk k 0. n 1 n. 2... …(2.1.. n 1. untuk k 0.2 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.

y k .11) Manajemen Risiko di Bidang Perbankan dan Asuransi | 66 . n 1 n... 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: bkxy 1 50% JUA 0 . n 1. untuk k ... .... 2.3). (2. 13 November 2010 Persamaan (2.v 0 k xy 1 .. …(2.1.8) karena K merupakan variabel acak. untuk k 0.10) tepat digunakan jika benefit diberikan pada akhir tahun meninggal salah satu antara tertanggung atau penerima manfaat (asuransi diskrit). n 1...6) dan (2. 2. …(2. Dari Persamaan (2. Berdasarkan asumsi UDD maka diperoleh perumusan premi tunggal bersihnya menjadi : A i xy :n 1 A xy :n 1 …(2.7) fungsi present value benefitnya adalah : Z3 50% JUA. Pada modifikasi produk Beasiswa benefit diberikan tepat sesaat setelah salah satu antara tertanggung atau penerima manfaat meninggal (asuransi kontinu).. n 1 n..(2.1.9) Persamaan (2.9) maka dapat dituliskan perumusan premi tunggal bersih keseluruhan sebagai berikut: A1 xy:n A1 xy:n (1) A1 x y:n (2) A1 x y:n (3) . untuk k ..Prosiding Seminar Nasional Statistika Universitas Padjadjaran. untuk k 0.10) 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.. untuk itu perlu merubah premi tunggal bersihnya dari bentuk diskrit menjadi bentuk kontinu dengan menggunakan asumsi UDD (Uniform Distribution of Death). …(2. maka premi tunggal bersihnya adalah: n 1 A1 x y:n (3) E Z3 50% JUA k 0 v k xy 1 k px y q (3) x k.9) simbol premi tunggal bersihnya diberi angka tiga karena merupakan premi tunggal bersih dengan penyebab kematian yang ketiga yaitu meninggal bukan karena kecelakaan..

12) terdapat dua manfaat pada akhir masa asuransi yaitu tahapan dana masuk disimbolkan dengan bn dan beasiswa disimbolkan bn. dapat dirumuskan pula premi tahunannya.2v n . SMA saat anak berusia 15 tahun (n-3) dan perguruan tinggi saat anak berusia 18 tahun (n).4 Premi Tunggal Bersih untuk Asuransi Beasiswa Berdasarkan Persamaan (2.13) 2.13) yang telah diperoleh maka premi tunggal bersih secara keseluruhan produk Beasiswa adalah sebagai berikut: PTBTotal A1 xy:n PTB pendidikan …(2. Produk JS.2 100% JUA Pada akhir masa asuransi diberikan tahapan dana masuk PT sebesar 50%JUA dan beasiswa sebesar 100% JUA. 13 November 2010 2. Perhitungan benefitnya adalah sebagai berikut : bn bn bk 1 12 6 3 10% JUA 20% JUA 30% JUA 50% JUA .12) bn bn bn. 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. Dari penjelasan di atas maka dapat diperoleh perhitungan anuitasnya adalah sebagai berikut: Manajemen Risiko di Bidang Perbankan dan Asuransi | 67 . 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).2 .14) Dari perumusan premi tunggal bersih yang diperoleh.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).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Dalam menentukan premi tahunan maka perlu diketahui bagaimana ketentuan cicilan preminya selama masa asuransi agar dapat dihitung anuitasnya. Untuk itu maka pada Persamaan (2. …(2.10) dan (2. SMP saat anak berusia 12 tahun (n-6). 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. …(2.

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

untuk h m. (6) biaya komisi agen dibebankan pada 3 tahun pertama pembayaran premi..000. y h:n h . y dari 0 sampai 4 tahun. Beberapa asumsi yang digunakan dalam simulasi adalah (1) peluang meninggal didasarkan pada Tabel Mortalita CSO 1980.ax h . untuk h 0.22) v h 0 hxy h pxy Berdasarkan perumusan premi di atas.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. (4) usia individu pertama (orang tua). perhitungan cadangan yang disesuaikan dengan menggunakan metode Ohio didefinisikan sebagai berikut : h V O (A1 ) xy:n A O 1 x h . m 1 h V ( A1 ) xy:n h …(2. O h …(2.... n III. (5) Jumlah Uang asuransi yang akan diberikan sebagai manfaat asuransi adalah sebesar Rp 10. (2) tingkat suku bunga yang digunakan adalah.. y h:n h P( A 1 ).ax xy:n h . Manajemen Risiko di Bidang Perbankan dan Asuransi | 69 . y h:n h h .1. i = 7%. y h:n h . x = 32 tahun dan usia individu kedua (anak).. HASIL DAN PEMBAHASAN Aplikasi besaran-besaran aktuaria dari produk Asuransi Beasiswa dengan melibatkan biaya akan diulas pada bagian ini. (3) masa asuransi maksimal adalah 18 tahun menyesuaikan dengan usia penerima manfaatnya yaitu 18-y.21) Premi tahunan dengan biaya dihitung menggunakan rumus : O O tahunan sekaligus axy:m O sekaligus m 1 …(2..000. m 1. 13 November 2010 m 1 O sekaligus h 0 vh ..23) V ( A1 ) xy:n A 1 x h .00. 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.

Dengan menggunakan asumsi UDD. 530.280. Premi tunggal bersih sekaligusnya adalah Rp. Jika tertanggung atau penerima manfaat meninggal bukan karena kecelakaan dalam masa asuransi. Jika tertanggung meninggal terlebih dulu karena sebab kecelakaan dalam masa asuransi. 13 November 2010 3.455.00.47.72. 1. Manajemen Risiko di Bidang Perbankan dan Asuransi | 70 . oleh karena itu perlu dihitung besarnya premi tahunan sehingga tertanggung menjadi lebih ringan dalam pembayaran preminya tetapi tetap akan mendapatkan benefit yang sama.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. Dengan demikian.53. premi tunggal bersih asuransi Beasiswa berpasangan modifikasi untuk proteksi kematian bentuk diskrit adalah penjumlahan ketiga premi tunggal bersih di atas yakni Rp. d.006.63.755. perlu mengubah asuransi Beasiswa berpasangan modifikasi bentuk diskrit menjadi asuransi jiwa Beasiswa berpasangan modifikasi bentuk kontinu. 8. 113.864.15. Biasanya tertanggung akan berkeberatan untuk membayar premi satu kali diawal tahun secara sekaligus. 329.05. maka besar premi tunggal bersih untuk asuransi Beasiswa berpasangan modifikasi bentuk kontinu Rp. Pada produk Beasiswa berpasangan modifikasi benefit diberikan tepat pada saat salah satu dari tertanggung meninggal dunia.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Premi tunggal bersih untuk proteksi pendidikan adalah Rp. Oleh karena itu.206.891. 9. maka premi tunggal bersihnya adalah Rp. maka premi tunggal bersihnya adalah Rp.470. maka premi tunggal bersihnya adalah Rp.672. 973. Produk Beasiswa berpasangan modifikasi adalah suatu produk yang memberikan manfaat proteksi kematian dan proteksi pendidikan sehingga untuk mendapat niali premi bersih sekaligus merupakan penjumlahan dari premi bersih proteksi kematian dan proteksi pendidikan. e. Jika tertanggung mengalami cacat total karena sebab kecelakaan dalam masa asuransi.679.

72 yang dibayarkan sekaligus di awal kontrak asuransi atau sebesar Rp. manfaat proteksi kematian dan proteksi pendidikan diperoleh apabila pemegang polis membayar premi tanpa biaya sebesar Rp.755.9319 .207. Besar komisi agen tiap tahun yang harus dibayarkan oleh perusahaan adalah : Tabel 3.3 1 0.8025 v1 1 p32.53 Dengan demikian. v14 14 p32.1 Komisi Agen Produk Beasiswa Berpasangan Modifikasi Berdasarkan Usia Tertanggung dan Penerima Manfaat 32 Tahun dan 3 Tahun Tahun 1 2 3 Total Besarnya Komisi Agen per tahun (Rp.8025 Rp.240.592.34 37.3:15 a32.3:15 9. 0.48 Besar premi bersih tanpa biaya dan premi bersih dengan biaya selama tiga tahun pertama masa asuransi yang dibayarkan di awal tahun dapat dilihat pada tabel di bawah ini : Manajemen Risiko di Bidang Perbankan dan Asuransi | 71 .53 yang pembayarannya dilakukan 12 kali secara kontinu di awal tahun.756 7.3 .710.3675 Besarnya premi tahunan adalah sebagai berikut: A P A 1 1 32.Prosiding Seminar Nasional Statistika Universitas Padjadjaran..3 . 13 November 2010 3.679.. v 0 0 p32.592.76 552.1. 9.3:15 k 0.9. k p32. k 3.2 Premi Tahunan Besar anuitas berpasangan bentuk diskrit due adalah sebagai berikut: 14 a32.3 Cadangan Seperti yang telah dijelaskan pada bagian pendahuluan bahwa perhitungan melibatkan biaya komisi agen selama tiga tahun pertama maka untuk tiga tahun pertama perhitungan premi tahunan dan cadangan akan disesuaikan dengan biaya. 3.850.12 v k ...932.679.240.3 7.) 434.38 80.3:15 32.1.

580 1.399.116.278.563 1. Sedangkan premi bersih tahunan tanpa biaya lebih besar dari premi bersih tahunan dengan biaya untuk tahun pertama dan lebih kecil dari besar pemi bersih tahunan dengan biaya untuk tahun kedua dan ketiga.240.592 1.240.184.303 Berdasarkan tabel 3. 1. Besar premi bersih dengan biaya pada tahun pertama adalah yang terbesar jika dibandingkan tahun kedua dan ketiga karena sesuai dengan biaya komisi agen yang dikeluarkan perusahaan paling besar adalah untuk tahun pertama.2 di atas diketahui bahwa besar premi bersih tahunan dengan biaya tahun pertama adalah Rp.240.) Biaya (Rp.437.800 1. 13 November 2010 Tabel 3.321.321. premi bersih tahunan dengan biaya tahun kedua Rp. Jika dihitung premi bersih tahunan dengan biaya yang tetap selama tiga tahun pertama maka nilainya adalah sebesar Rp.821.1.674.3 Premi Bersih Tahunan dengan Biaya dan Premi Bersih Tahunan Tanpa Biaya Usia Masa penerima Asuransi Manfaat (n (y tahun) tahun) 4 3 2 1 0 14 15 16 17 18 Premi Bersih Tahunan Tanpa Biaya (Rp. 1.) 1.110.592 1.875 1. Hasilnya dapat dilihat pada Tabel 3.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.437.592 1.525 1.186 1.1.) 0 1 2 1.00.726 Premi Bersih Tahunan dengan Biaya (Rp.509 1. Manajemen Risiko di Bidang Perbankan dan Asuransi | 72 . Dengan cara yang sama maka akan diperoleh hasil perhitungan premi untuk usia penerima manfaat dari 0 sampai 4 tahun seperti yang ditampilkan pada Tabel 3.278.070.764.2 Premi Bersih Tahunan Produk Beasiswa Berpasangan Modifikasi Selama Tiga Tahun Pertama Masa Asuransi Tahun Premi Bersih Tahunan Premi Bersih Tahunan dengan keTanpa Biaya (Rp.750 925.592 1.303.4.) 1.525 dan ketiga adalah Rp.397 Selanjutnya akan diperhitungan cadangan untuk tiga tahun pertama disesuaikan dengan biaya menggunakan cadangan Ohio dan setelah tahun ketiga akan dihitung berdasarkan perhitungan cadangan premi bersih tahunan karena sudah tidak dilibatkan biaya.621.3 Tabel 3.311.002.240.764 1.

154.455.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.178 1.762 3.888 775.920.753.825 8.462 8.531 6.583 -737.230 456.112.129 3.273 -1.147 2.164.470 6.581.081 2.424.672.732 5.066.358.821 2.891 5.640 6.854 1.279.645.231 5.096 4.495.075 6. 13 November 2010 Tahun ke-h 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Tabel 3.709.544.940 4.990.274 1.076 1.049 1.4 di atas memberi hasil bahwa besar cadangan Beasiswa Berpasangan Modifikasi selama tiga tahun pertama dengan menggunakan metode Ohio bernilai negatif.963 2.243 1. Sedangkan Tabel 3.079.069 3.485 2.014.787 4.538.712.648 1.427.527 1.663 -1.203.284 7.223 7.221 2.631.209.105.712.047.4 Besar Cadangan Premi Asuransi pada Produk Beasiswa Berpasangan Modifikasi Cadangan JS.401.050.337 8.352 -314.439. 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.360 5.780.561 661.126.341 2.522.663.390 3.057. Manajemen Risiko di Bidang Perbankan dan Asuransi | 73 .956 2.236.892 -1.379.575.860.680.939.686 7.994 Berdasarkan Tabel 3.357 4.061.137 1.506 -1.236 4.136 922.904 -1.209 2.272.049 5.624.150.530 5.239 -1.381 4.932 1.976.280.957.585 6.448. Prestasi Modifikasi Berdasarkan Masa Asuransi dan Usia Penerima manfaat (satuan Rp) y=0 y=1 y=2 y=3 y=4 -1.306 1.418 2.086 -1.449 1.065.026 -1.106.729.770.870 7.468.176 7. Sedangkan premi bersih tahunan dengan biaya untuk tiga tahun pertama lebih tinggi jika dibandingkan premi bersih tahunan tanpa biaya.042.899 3.015 1.032.3 diketahui bahwa semakin lama masa asuransinya maka harga preminya akan semakin tinggi.160.646 -455.803.070 794.142.215.424 6.472.108 5.356.098 4.516.037 -797.557.747 4.931.865.178.141 2.732 3.817.439 -1.024.493.036 3.356 9.465.312 4.521.097 4.225 6.926.727.140 1.072 -991.

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

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

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

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

N . N . Dengan demikian Value at Risk untuk saham individual berdasarkan model indeks berganda dengan asumsi besar investasi sebesar Rp.. 2.. Sehingga berdasarkan asumsi di atas diperoleh: E Rw μT w w 2 w T (15) Var Rw w Σw (16) Dengan demikian Value at Risk untuk portofolio dengan tingkat signifikansi kerugian sebesar adalah Manajemen Risiko di Bidang Perbankan dan Asuransi | 78 ..Prosiding Seminar Nasional Statistika Universitas Padjadjaran. j 1. Estimasi VaR untuk saham individual i dengan koefisien kepercayaan (1 ) 100% adalah: VaRi S0 z i (12) i di mana S 0 adalah besar investasi awal. 2 .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. i. wN di mana N wi 1 . 2. w2 ..... 1999)... 1998:373): N Rw i 1 wi Ri (14) Jika mean return saham individual adalah N w i 1 i .5 Investasi Portofolio Portofolio adalah sekelompok bentuk investasi (Fabozzi. 2.1..1.1 adalah vektor identitas... Sedangkan variansi return portofolio ( ) yaitu N 2 w wj i 1 j 1 di mana menunjukkan kovariansi antara return saham i dan return saham j untuk i j.. j 1... dan z persentil dari distribusi normal standar untuk tingkat konfidensi . Asumsikan suatu w1 .. R j .1997). dan matriks kovarians adalah Σ ij .. i standar deviasi dari return saham i . maka mean return portofolio ( 2 w w N ) adalah wi ij wi ij i ... Value at Risk portofolio untuk tingkat signifikansi kerugian sebesar VaRw z1 w w.. Dengan bobot return portofolio wT w1 .wN .. i adalah mean return saham i . dengan Cov Ri . 13 November 2010 2. N .6 Optimisasi Portofolio Asumsikan bahwa vektor nilai ekspektasi adalah μT i ij adalah 1 . N . N w 1 portofolio terdiri dari N asset. i 1. jika portofolio memiliki bobot wT i i 1 maka tingkat return portofolio diberikan oleh persamaan (Panjer. maka eT w 1 di mana eT i 1 1. dengan E Ri .00 adalah L L 2 ij j 1 2 Ijt 2 i i j 1 ij Ijt VaRi z1 (13) 2. 2..... i...

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

diperoleh parameter model AR(1)GARCH(1. 000) (0. 6 Manajemen Risiko di Bidang Perbankan dan Asuransi | 80 .000677 -0.1) yaitu: rt 2 t 0. dan AR(1)-GARCH(2.000172 0. juga diperoleh parameter model AR(1)-GARCH(2.300641 2 t 1 0.140811at2 1 0.7 % 49.070772rt 1 at 0.8 % 304.000 (0. 284) (0.1) untuk data kurs nilai tukar Rupiah terhadap US Dollar. Desember 2009 yang diperoleh melalui akses internet. dan Bank Mandiri Tbk.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.0000223 0.094107 rt 1 at 0.078681rt 1 at 0.834528 2 t 1 t Untuk return kurs nilai tukar Rupiah terhadap Euro.2) yaitu: rt 2 t 0. 13 November 2010 Telekomunikasi Indonesia Tbk. 8 294.280911at2 1 0. 002) 0. Hasilnya diberikan pada Tabel 2 berikut ini Tabel 2 Model Regresi pada Data Return Keempat Saham Saham Astra BRI RAt Model Regresi 0. dan Yen.887) (0.563666 2 t 2 t Untuk return kurs nilai tukar Rupiah terhadap US Dollar. Untuk menyelidiki nilai mean dan variansinya.0000238 0. Melalui observasi terhadap sejumlah model.951865 2 t 1 t Adapun hasil forecasting 1 langkah ke depan dari model mean dan variansi return indeks disajikan dalam Tabel 1 berikut ini Tabel 1 Peramalan Mean dan Variansi pada Return Keempat Indeks Indeks IHSG Kurs Rupiah terhadap Euro Kurs Rupiah terhadap USD Kurs Rupiah terhadap Yen Mean 0. data return indeks dianalisis menggunakan model time series. AR(1)-GARCH(1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.000000467 0. Sementara data indeks yang dianalisis meliputi indeks industri dan indeks ekonomi. Untuk indeks industri data yang digunakan adalah IHSG (Indeks Harga Saham Gabungan). Untuk return IHSG diperoleh parameter model AR(1)-GARCH(1.033IUt 0.000165 1.796) (0.372516 2 t 1 t Sementara untuk return kurs nilai tukar Rupiah terhadap Yen. 400 IUt (0.000000853 0.000) (0.361I Et 0.137021at2 1 0.0988I Et 0.1) untuk data IHSG.d.00000866 0. 0507 IYt (0. AR(1)-GARCH(2.386912at2 1 0.2) untuk data kurs nilai tukar Rupiah terhadap Euro.478577at2 2 0.1) untuk data kurs nilai tukar Rupiah terhadap Yen.111341rt 1 at 0.0000608 -0. Data harga saham dan data indeks yang digunakan adalah data dalam periode Januari 2005 s. sedangkan untuk indeks ekonomi data yang digunakan adalah kurs nilai tukar Rupiah terhadap Euro.000262 0.104 IYt (0.234836at2 2 0. 601) Bt At R2 F pvalue 0.000578 Variansi 0. akhirnya berdasarkan uji diagnostik menggunakan Eviews 5 diperoleh hasil bahwa model yang cukup baik adalah AR(1)-GARCH(1.1) yaitu: rt 2 t 0. 28I It 0. US Dollar.34 I It 0.00000837 0.000 0.797) (0.1) yaitu: rt 2 t 0. 000091 1. diperoleh parameter model AR(1)GARCH(2. 000) RBt 0. 282) 50.

Hasilnya diberikan dalam bentuk matriks kovariansi.135) 0. Dalam kasus ini nilai maksimum toleransi risiko adalah 39. 13 November 2010 Telko m Mandi ri RLt RMt 0. definisikan eT 1 1 1 1 sebagai vektor identitas.564) (0. selanjutnya diestimasi nilai variansi return saham dan kovariansi 2 return antar saham dengan menggunakan formula it dan ijt .1687 .1521 0. Setiap peningkatan nilai toleransi risiko akan menyebabkan kenaikan nilai mean return portofolio yang juga disertai dengan kenaikan Value at Risk portofolio. dan invers dari matriks kovariansi adalah sebagai berikut: Persoalan optimisasi dikembangkan berdasarkan (18) dengan menggunakan pengali Lagrange dan teorema Kuhn-Tucker.1794 0.02933219.38I It Lt (0.180 I Et (0. diperoleh hasil sebagai berikut:  Untuk toleransi risiko 0 . Komposisi portofolio ini memberikan expected return sebesar 0.1502 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.000764 dengan tingkat VaR sebesar 0.149 IUt 0. Manajemen Risiko di Bidang Perbankan dan Asuransi | 81 .  Untuk toleransi risiko 2 .000761 dengan tingkat VaR sebesar 0. di mana dihasilkan komposisi portofolio dengan expected return portofolio tertinggi yaitu sebesar 0. menggunakan persamaan (21) diperoleh vektor bobot T portofolio μ 0. 000) 0. yaitu μT 0. Dengan menggunakan tingkat signifikansi 5%.101IYt (0.575) (0. 000947 . 000279 0.936 I It 0.1544 . 200 I Et 0. 5 0.541) (0.02932118.8 % 54. 20 .9 % 250. 9 361.03525298.5050 0.000 0. dengan syarat bobot portofolio yang dihasilkan bernilai 0 wi 1 . 000634 0. 4941 0. Untuk menguji signifikansi model regresi dan parameternya. 040) 45. Lalu disesuaikan dengan jumlah saham yang dianalisis.1851 0. 005) 0.  Untuk toleransi risiko 1 . 276) Mt (0. digunakan uji F dan uji t. 000) (0. menggunakan persamaan (21) diperoleh vektor bobot portofolio μT 0. Berdasarkan hasil penaksiran variansi return indeks dan koefisien beta.1823 0.000758 dengan tingkat VaR sebesar 0.02932046. Hasilnya penaksirannya diberikan ke dalam bentuk vektor T μ 0. 5160 0. Dari hasil forecasting 1 langkah ke depan untuk nilai mean return indeks.000 Adapun nilai yang berada di bawah penduga pada persamaan regresi linier berganda merupakan nilai probabilitas tobservasi sebagai ukuran tingkat ketelitian untuk pengujian hipotesis. Komposisi portofolio ini memberikan expected return sebesar 0.1511 0. 729) 0. menggunakan persamaan (20) diperoleh vektor bobot portofolio yang menghasilkan VaR minimum. 000352 1.0008969 dengan VaR sebesar 0. 075IUt (0. 0260 IYt (0. 000864 0. Pada prinsipnya besar toleransi risiko masih dapat terus ditingkatkan. maka selanjutnya dapat diperoleh mean return setiap saham dengan menggunakan formula it . 000825 0.1616 . Komposisi portofolio ini memberikan expected return sebesar 0.

28749 0.1) untuk return kurs nilai tukar Rupiah terhadap US Dollar dan model AR(1)-GARCH(2.23241 0.0268111 0.29997 0. diperoleh portofolio optimal yaitu portofolio yang memberikan expected return senilai 0.16862 0.65 19.00 17.16899 0.00081140 0. Berdasarkan komposisi portofolio efisien yang menghasilkan mean return dan Value at Risk portofolio dengan rasio terbesar.0008151 dengan tingkat VaR sebesar 0. 4. model AR(1)-GARCH(2.29265 0.28763 0.32422 0.03044428 0. 13 November 2010 Gambar 1 Efficient Frontier Portofolio Setelah diperoleh portofolio-portofolio efisien.27962 0.30351 w VaRw w VaRw 0.030401.0268093 0.23447 0.17006 0. diperoleh portofolio optimal.03026540 0.030401.00081961 0.23880 0.16953 0.28354 0.03050793 0.29946 0.1) untuk return kurs nilai tukar Rupiah terhadap Yen.23559 0.23084 0.0008151 dengan tingkat Value at Risk sebesar 0.30426 0.16688 0.00081302 0.16793 0.03040093 0.29382 0.50 20.00 18.00081630 0. model AR(1)-GARCH(1.2) untuk return kurs nilai tukar Rupiah terhadap Euro.50 18. selanjutnya berdasarkan komposisi portofolio efisien yang menghasilkan mean return dan Value at Risk portofolio dengan rasio terbesar.00 19.0268078 Dengan demikian didapatkan hasil bahwa portofolio optimal ialah portofolio yang memberikan expected return 0. Hasil optimisasi portofolio berdasarkan mean-Value at Risk menunjukkan bahwa setiap peningkatan toleransi risiko menyebabkan kenaikan nilai expected return portofolio yang juga disertai dengan kenaikan tingkat Value at Risk portofolio. KESIMPULAN Return keempat saham yang telah dianalisis memberikan respon terhadap perubahan return indeks. Adapun komposisi portofolio yang memuat rasio expected return dan VaR terbesar dapat dilihat dalam Tabel 3 berikut ini: Tabel 3 Komposisi Portofolio Optimal Bobot 17.03032304 0.00081795 0.0268128 0.31217 0.00080978 0.23719 0.0268132* 0.1) untuk IHSG. Manajemen Risiko di Bidang Perbankan dan Asuransi | 82 .03020969 0.31822 0.0268053 0.00081514 0.22928 0.29545 0.0268119 0.00 0.16740 0.03057365 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Model time series untuk memodelkan mean dan volatilitas return indeks adalah AR(1)-GARCH(1.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

vi ). 62 (lampiran B).. didapatkan nilai CV yang minimum berada pada nilai bandwidth seperti pada tabel 1.vi). i=1. v1 Iq 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 )] ˆ Misalkan Vec B u1 . pemilihan bandwith optimum diperoleh secara iterasi menggunakan teknik optimalisasi dari program MATLAB 7. Bandwidth Y1 4.v1). Dengan menggunakan data hidrologi dan faktor-faktor yang mempengaruhinya. vi ) diag[ w1 (ui . sebagai berikut : ˆ Vec B u1 .. Nilai bandwidth yang sangat kecil akan memberikan bentuk fungsi penyelesaian yang sangat kasar (under smoothing) sehingga variannya cukup besar. Matrik pembobot ini nantinya digunakan untuk menaksir parameter di semua lokasi. w2 (ui . 13 November 2010 Dalam mencari penaksir parameter model linier spatial multivariat ini langkah pertama adalah dengan memasukkan pembobot spasial dalam perhitungannya.. vi ).. Sebagai contoh lokasi (u1. wn (ui . Dalam penelitian ini.v1) pembobotnya adalah W(u1.0.47212865939481 26 iterasi Y2 4.. Tabel 1. v1 )X 1 I q XT W(u1 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.v1).47212881246337 13 iterasi Y3 1. v1 adalah penaksir parameter dilokasi (u1. Setelah nilai bandwidth didapatkan maka langkah selanjutnya adalahh mencari matrik pembobot di semua lokasi penelitian. 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. maka nilai penaksir ini diperolah dengan menggunakan persamaan (10) dan matrik pembobot W(u1. Sebaliknya nilai bandwidth yang besar memberikan bentuk fungsi penyelesaian yang sangat mulus (over smoothing). .74898920400524 26 iterasi dimana banyaknya iterasi yang diperlukan untuk memperoleh bandwidth optimum dalam proses penaksiran parameter disetiap lokasi tidak sama.. Secara matematis dapat dinyatakan dengan : W(ui . Manajemen Risiko di Bidang Perbankan dan Asuransi | 97 .2.v1). .

0672e-025 8.14 49427 484. Berdasarkan uji kesesuaian model ternyata terdapat ada pengaruh spasial yang signifikan dari pada model global. Tabel 1 : Perbandingan Kesesuaian Model Model Model Global Y1 Y2 Y3 Model Spatial Y1 Y2 Y3 0.0116e-027 0. sedimentasi sebesar 99% dan debit sebesar 99%.356 0.9665e-026 4. Plot model global dan lokal laju erosi Manajemen Risiko di Bidang Perbankan dan Asuransi | 98 .23 R sqr MSE Jika dibandingkan dengan model global maka model spatial merupakan model yang lebih baik digunakan dalam kasus ini.9999999999999999965 0. Sifat lokal parameter yang dihasilkan dari model ini juga mampu menurunkan nilai MSE dari model global menjadi lokal. Model ini mampu menjelaskan keragaman laju erosi sebesar 99%. Salah satunya dengan melihat nilai koefisien determinasi model (R2) serta Mean square error (MSE).9999999999999999972 1.9999999999999999773 0. Hal ini dapat ditunjukkan dari plot grafik antara data model global dan model lokal di bawah ini : Global: Laju Erosi 200 model data 150 100 50 0 -50 0 10 20 30 40 50 60 70 Gambar 1. 13 November 2010 Untuk melihat model mana yang paling cocok diterapkan pada kasus data ini ada beberapa cara.454 738. Suatu model dikatakan lebih baik dari model lain jika nilai koefisien derminasi yang dihasilkan cukup besar dan MSE kecil.317 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

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

http://www. L. Parameter yang dihasilkan bersifat lokal disetiap titik atau lokasi dimana data tersebut diamati. 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. Dibanding model global. C. Gajah Mada University Press. 6. D..A. Asdak. 2002.. Atkinson. Clark. Tanggal akses 6 Januari 2007. 2003. No.uiuc.J. Geographical Analysis.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Kesimpulan Dari hasil pembahasan diatas dapat diperoleh kesimpulan bahwa : 1. dan M.M.E. Daftar Pustaka Anselin. 35. 7. ternyata model spatial merupakan model yang terbaik. Exploring the Rela-tions Between Riverbank Erosion and Geomorphological Controls Using Geo-graphically Weighted Logistic Regres-sion. 1. model linier spatial multivariat dapat digunakan untuk mengatasi data spasial yang tidak stasioner dalam parameter. Manajemen Risiko di Bidang Perbankan dan Asuransi | 100 . Sear.edu/stuff/stuff-sum/pdf/spdepintro. German. P. 2. 5. An Introduction to Spatial Regression Analysis in R.pdf. Hidrologi dan Pengelolaan Daerah Aliran Sungai. 4 Juni 2010. 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. Model ini mampu menerangkan keragaman variabel respon sebesar 99%. Yogyakarta. 2003.sal. The Ohio State University. 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. Vol. 13 November 2010 Hasil plot debit pada model global terlihat bahwa pengaruh variabel morfometri DAS tidak bisa menjelaskan dengan baik estimasi parameternya terhadap model debit sesunguhnya. S.

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

8632 5704.5 4557.25 485 205 704.869 3.943 110.25 485 287 638.5129 6939.374 222.2787 Lereng 3.847 178.2367 1531 10348.684 176.803 41.634 29.1746 2.75 676 1070.0686 Manajemen Risiko di Bidang Perbankan dan Asuransi | 102 .1485 0.229 2.2264 4669.8622 (mm/jam) 181.512 15.064 218.051 140.5747 31.9231 5.1168 7.5 328.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.3808 774.6251 33.172 222.6993 1.229 33.8142 5575.3359 43.9203 20.3186 19.3698 3.1494 4924.9025 51.957 15.6813 44.954 74.25 680.053 140.476 1.529 232.4525 4853.2165 7734.5421 1.1386 46.75 273 812.761 60.9047 4.5 64.921 51.9291 2.109 2.75 471.7271 3.073 0.9889 1711.297 54.386 2.0541 2.6 127.459 293.811 10.908 247.589 222.2634 1.3816 5169.903 4071.1039 37.25 Sedimen Debit (m) 3107.904 185.962 2.257 1.6027 19.571 222. 13 November 2010 Lampiran A.8073 46.471 44.7338 1.618 3.0291 2.404 80.248 33.856 83.1759 1106.7077 3.2725 466 355.75 10506.235 1.575 1.8364 6.815 40.566 29.992 214.25 658.7962 3429.7287 10.93 114.9939 38.163 (m3/dt) 0.25 20.1 180.555 (mm) 395.126 1.405 2.172 50.1672 18.416 0.46 226.329 220.9232 29.525 61.3076 2.2939 4637.2619 2.77 227.6182 22.6326 2.7341 6595.0656 1.691 7628.6995 27.087 0.1571 34.5626 6159.514 43.816 0. Data Penelitian sub x1 x2 Panjang Sungai x3 Rerata Kemiringan x4 Faktor Panjang x5 Curah Hujan y1 Laju Erosi y2 y3 Luas DAS (Ha) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 168.895 222.075 43.3887 10.351 209.5849 5 2.5694 4.571 139.8547 9.385 400.927 0.465 2.0185 1.9562 32.845 406.4306 1.701 150.2221 14.3103 7.1708 3.294 91.484 223.4939 6.147 (ton/jam) 4.9486 Lahan (%) 40.398 233.6386 2.7894 3.845 50.

357 2.1973 4112.377 42.75 211.5094 29.8641 1.6321 55.039 1.091 172.7418 4.3917 4.7696 7898.5376 3.4787 2474.7807 30.933 232.1427 5760.9168 60.811 227.7269 37.87 155.21 183.4009 2.298 1.671 226.85 123.83 2.606 6.25 645.1786 34.131 123.9493 8.545 229.3904 3.549 145.75 97.1005 3465.2117 45.481 0.353 223.5 271.358 223.19 24.75 582.1093 5.842 41.3526 42.761 232.25 410.2807 0.185 141.3499 12.5 183.5661 4.5 474.4922 0.402 42.1681 32.5 101.7698 4.87 1. 13 November 2010 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 10.2623 34.289 81.5776 244.8607 3578.8951 38.52 81.4777 2233.679 0.328 1.16 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.666 225.312 0.62 35.0448 2.852 227.7031 3.75 17.5845 0.1751 26.742 123.522 3110.5 115.736 225.415 2.5633 9.4519 1.4238 3.127 97.435 219.75 446.0475 6.8481 53.8649 33.5 436.835 44.5453 4.8581 0.5685 54.98 150.889 3.402 0 1.75 599.351 1.3214 16.073 29.2545 7195.114 109.996 1.6197 45.6527 3.6603 2673.6458 7670.407 114.695 57.734 236.081 20.3871 102.25 180.6616 3904.7029 49.8868 4913.3082 3030.5 119.601 179.556 32.661 232.349 125.18 230.7942 85.75 432.7243 659.5248 14.4394 46.1175 15.873 2.5609 30.9363 2086.968 85.611 98.9474 Manajemen Risiko di Bidang Perbankan dan Asuransi | 103 .4695 4805.9676 20.619 226.668 73.258 234.655 89.858 0.9955 7180.1741 6947.5 240.5 615 400.164 233.866 265.3095 3124.2758 48.417 222.46 1.3053 20.25 330 334.7859 2.951 57.35 35.1525 52.6059 1847.0401 4.244 4.9675 24.25 134.5 688.05 4.2346 4954.0018 37.5906 39.938 54.1364 2.75 151.566 265.0911 17.4824 4.25 450.7114 49.5303 4.7394 0.0274 41.3542 3.8677 11.7186 3986.723 228.1768 7818.065 231.0457 3.818 1.4802 22.539 0.1082 3.0149 4.571 106.4523 4587.532 225.242 232.902 175.9076 2.2797 43.241 248.

235 123.18 129.897 225.148 227.5981 3.367 66.537 0.05 186.25 4546.7142 Manajemen Risiko di Bidang Perbankan dan Asuransi | 104 .75 265.2006 3004.282 264.8041 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.7266 27.128 225.238 62.1812 342.4038 21.2054 6047.792 261.99 233.75 100.0522 4570.172 45.5786 7174.8227 4.458 121.594 74.6561 25.9919 4773.7375 27.3042 1.25 5 301.9164 50.615 1.6851 4.8451 1.243 33.9004 37.5968 1.1894 78.0624 11.898 64.8584 19.619 228.6391 7234.6764 4699.352 1.7233 2213.0099 6326.8713 1.6919 4.4165 22.614 2.7047 0. 13 November 2010 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 242.8034 1.435 224.489 39.2725 11.789 225.9023 392.323 29.5124 1.5274 8.8013 3.2916 1.8272 13.964 0.234 63.8246 19.043 55.923 230.5696 7844.5423 18.191 19.4093 8.1258 2.2758 3.5 236 768.681 230.091 240.605 44.116 208.415 47.267 0 0 1.368 141.82 205.0612 1.807 126.9065 50.5 1052.7513 1.157 264.2082 1.6409 4337.944 235.5 413 80 13 278.2321 27.803 231.75 260 776.101 68.418 6.0353 0.6173 43.6115 3.5 410.4555 24.6894 1.8092 5117.2289 1.1512 11.

15E-08 3.003877 7.000209 5.000586 0.51E-05 1.94E-06 4.001402 0.03E-07 2.17E-06 Manajemen Risiko di Bidang Perbankan dan Asuransi | 105 .15E-05 5.84E-05 5.1E-07 3.91E-06 0.78E-05 0.000502 2.000596 2.13E-05 0.000623 0.004412 0.3E-07 1.000352 2.51E-06 1.97E-05 4.000882 0.04E-05 2.03E-07 1.000559 0. Penaksir Parameter beta Spatial dari Laju Erosi (Y1) 0 1 2 3 4 5 4. 13 November 2010 Lampiran B.01E-06 2.018059 0.73E-05 9.51E-07 1.000923 1.31E-06 5.71E-06 1.36E-05 2.3E-06 7.02922 0.03021 0.71E-06 2.85E-05 2.3E-06 6.36E-06 7.00295 -0.000161 0.00859 -0.90396 3.007613 0.27E-05 1.55E-05 9.91E-05 3.31E-07 4.87E-06 2.92E-07 5.55E-07 4.79E-06 0.92E-06 0.85E-05 2.29E-06 3.56308 -28.74E-07 1E-05 2.34E-07 4.45E-05 0.03741 0.05E-08 5.000332 0.000427 0.41E-07 2.37E-06 1.29E-05 0.41E-05 1.23E-06 9.000746 0.010294 -0.017005 0.98E-06 1.04E-05 5.86E-06 6.26E-07 8.54E-05 6.13E-05 1.12E-05 4.19E-05 3.030087 0.43E-07 5.27E-06 0.23E-06 7.15E-07 1.4E-06 2.27E-08 1.000441 1.000712 1.17E-07 1. Penaksir Parameter beta Global laju erosi (Y1) Sedimentasi (Y2) Debit (Y3) 64.96E-05 6.87947 -1.51E-07 1.71E-06 6.001263 0.78E-06 1.81E-05 7.18E-05 3.63E-05 0.62E-08 2E-06 4.67E-06 2.81E-05 0.91E-08 1.023852 0.92E-06 1. Penaksir parameter Beta Global dan Lokal Tabel B1.000644 0.1E-08 2.001916 0.44E-05 2.005244 0.000175 4.54E-07 1.45E-06 1.000137 6E-06 7.002206 0.68E-06 1.39E-07 2.2193 13.000155 1.007006 0.000641 0.07E-07 7.004773 0.49542 -6.04E-08 1.35E-05 0.06328 192.84308 0.39E-05 4.68E-05 0.1E-07 1.000273 0.000438 0.000654 1E-05 0.54E-05 2.000121 0.4358 0.16E-06 1.37E-06 2.000108 5.58E-08 6.0002 8.63E-08 7.17E-06 3.0064 0.33E-05 7.82E-05 0.155162 0.11E-05 8.94E-06 8.15E-07 7.93E-08 2.035811 Tabel B2.17E-09 1.48E-06 2.00026 0.13E-05 3.1E-05 3.38E-07 1.61E-05 1.73E-05 5.000351 2.00298 -0.0918 30.69E-07 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.000174 0.43E-06 0.44E-07 1.01E-05 8.19E-07 8.57E-08 1.59E-05 6.82E-08 1.43E-06 4.

61E-08 2.084017 4.00057 0.41E-07 2.002314 6.08E-08 9.002495 5.67E-05 0 0 5.96E-08 7.53E-06 0 1.96E-06 1.36E-07 0 1.00041 2.81E-06 3.66E-06 6.71E-09 4.000701 3.85E-06 3.9E-07 2.79E-08 7.000128 2.000139 0.02E-05 4.62E-05 0. 13 November 2010 3.000235 0.67E-08 1.000112 9.013633 0.000138 0.61E-06 5.11E-07 1.05E-05 9.000649 0.08E-05 0 2.000562 0 0 1.004219 0.000217 0.000245 6.91E-07 2.016686 1.41E-06 3.53E-05 1.78E-06 0.5E-05 0.93E-06 2.64E-05 1.000793 2.95E-06 0.000422 3.48E-06 5.02E-06 1.8E-07 9.00166 0.7E-06 1.21E-06 3E-06 2.028429 0.61E-06 0.64E-06 1.000754 1.28E-08 5.000177 0.98E-08 7.48E-05 4.1E-06 2.37E-06 0.25E-06 4.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.001226 2.62E-06 8.001193 0.17E-08 8.73E-07 1.99E-06 0.29E-06 0 6.050135 0.74E-08 4.97E-05 7.000513 0.33E-07 1.88E-05 0.27E-06 2.31E-05 1.009443 2.92E-06 9.16E-06 0 0 2.000385 0.000179 0.000304 0.013765 1.010518 0.17E-06 4.53E-07 5.05E-08 7.3E-06 0.000346 0.66E-06 0.88E-07 6.63E-06 3E-05 7.85E-06 6.000728 0.000116 0.73E-05 2.000303 3.85E-08 5.31E-05 0.48E-06 0 0 3.43E-07 1.38E-06 3.0129 0.000137 0 0 2.24E-06 0.09E-07 5.001141 8.01E-05 1.53E-07 1.46E-07 1.000525 0.00038 0.000228 3.11E-06 1.17E-06 0.92E-08 2.42E-06 6.32E-05 1.86E-05 2.82E-08 1.006281 0.91E-06 2.000246 0.08E-07 2.32E-05 4.000162 Manajemen Risiko di Bidang Perbankan dan Asuransi | 106 .56E-07 7.00079 0.1E-05 0.12E-07 0.62E-06 0.19E-06 0.77E-05 1.11E-05 1.76E-05 2.62E-08 0 4.75E-06 2.000298 0.75E-05 0.35E-05 8.13E-05 1.009619 0.69E-07 3.14E-06 2.04E-09 3.73E-06 8.005822 0.19E-06 4.000668 0.71E-07 1.000332 0 0.06E-08 7.27E-06 2.000231 0.13E-05 4.0023 0.85E-05 3.000115 0.043695 0.08E-05 0.000239 0.000274 3.015727 0.7E-05 0.4E-05 1.85E-05 0.002918 2.99E-06 0.82E-08 3.11E-08 1.000815 0.000719 0.39E-05 1.69E-07 3.000179 0.009871 0 0 0.005403 0.000113 0.95E-05 0.36E-05 1.66E-06 5.08E-07 2.019911 0.6E-06 1.84E-08 2.

74E-06 9.81E-06 3.36E-06 0.001005 0.00148 0.001012 0.28E-06 0.001911 0.34E-05 2.000354 0.31E-05 3.000768 0.001113 0.031471 0.59E-05 4.071817 0.004545 0.4E-06 4.07E-05 1.055187 0.031974 0.076312 0.028873 0.000363 0.35E-05 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.002078 0.000254 9.87E-06 6.080958 0.0311 0.1E-05 1.003897 0.000507 0.028704 0.004002 0.64E-05 8.4E-05 8.00509 0.98E-05 1.000204 8.001399 0.000102 0.00832 0.000201 4.001073 0.05E-05 0.49E-05 7.94E-06 4.6E-05 6.000255 0.00105 0.007386 0.34E-05 4.005371 0.84E-05 3.002201 0.004969 0.12642 0.000123 0.00771 0.016017 8.054436 0.000779 0.000165 0.78E-06 5.07E-05 3.64E-06 5.029651 0.54E-06 1.038344 0.25E-05 2.45E-05 3.91E-05 0.035107 0.25E-05 1.52E-05 3.34E-06 2.08E-06 1.000359 0.002741 0.66E-06 1.00237 0.05936 0.012875 0.002112 0.0002 0.61E-06 0.11E-05 0.002395 0.001655 0.19E-06 1.92E-05 2.024435 0.88E-05 1.003532 0.67E-06 9.042827 0.008902 0.029709 0.000344 0.000618 Manajemen Risiko di Bidang Perbankan dan Asuransi | 107 .098224 0.000968 0.011671 0.07E-05 0.002741 6.84E-05 1.002017 1E-04 0.074442 0.004094 0.000402 0.222391 0.002198 8.000772 0.41E-05 6.000145 0.085131 0.000523 0.98E-05 3.66E-05 1.91E-05 1.046934 0.31E-05 9.54E-06 9.63E-06 1.00489 0.000535 0.036571 0.072149 0.000312 0.000485 2.25E-05 0.003113 0.000541 4.024882 0.001838 0.000206 6.003194 0.39E-05 0.086998 0.004118 0.003096 0.000234 0.002058 0.002258 0.002719 0.75E-05 0.000142 0.000465 0.003057 0.004009 0.001156 0.000353 0.000166 5.28E-06 2.00018 0.016242 0.004264 0.046183 0.01E-05 7.08E-05 1.006845 0.001157 0.77E-06 4.000285 0.001224 0.09E-05 7.000682 0.22E-05 0. 13 November 2010 Tabel B3.09E-05 1.000129 6. Penaksir Parameter beta Spatial dari Sedimentasi (Y2) 0 1 2 3 4 5 4.002741 0.34E-05 3.014245 0.003809 0.333657 0.021041 0.001955 0.000805 0.006127 0.049735 0.03352 0.28E-06 1.99E-06 3.59E-06 1.000214 0.22E-05 8.91E-05 1.004231 0.00036 0.32E-06 3.001221 0.001961 7.31E-05 0.030279 0.03E-06 6.9E-05 3.023935 0.0489 0.001229 0.031228 0.34566 0.09E-05 1.000954 0.000223 0.22E-05 0.00068 0.46E-06 3.31E-05 0.000382 9.006301 0.67E-06 2.003017 0.002806 0.028994 0.010826 0.000121 0.00081 0.000238 0.000679 3.000952 0.003076 0.028912 0.000455 0.002545 0.00079 0.8E-06 0.

13 November 2010 0.051397 0.63E-05 0.01184 0.00205 0.8E-06 1.002057 0.002493 0.028455 0.094418 0.004894 0.003555 0.575059 0.005854 0.000172 9.002319 0.11E-05 1.002902 0.57E-05 4.49E-05 0.005781 0.4E-05 1.003009 1.000634 0.59E-06 6.000155 0.001678 4.49E-05 1.00279 0.35E-05 4.00343 0.000591 0.000855 0.017799 0.002819 0.05065 0.001909 0.1E-05 2.79E-06 1.000272 0.28E-06 3.17E-05 6.139181 0.037962 0.09E-05 9.000211 5.001461 0.53E-06 9.8E-05 2.000872 0.000441 0.116201 0.002814 0.000491 0.001644 0.002958 0.06E-05 0.001126 0.99E-05 5.68E-05 2.31E-05 2.000272 9.044325 0.82E-05 1.0031 0.000463 1.000173 0.02871 0.004174 0.000364 0.52E-05 3.68E-06 4.050477 0.00299 0.83E-06 3.119885 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.004295 0.06E-05 5.66E-06 1.034992 0.57E-05 0.000473 0.000911 1.051005 0.97E-06 8.000511 0.000235 0.000191 0.074715 0.049954 0.046231 0.046906 0.002596 0.51E-06 9.000761 0.030095 0.003691 0.000602 0.002705 0.08E-05 1.019973 0.18E-05 2.99E-05 1.00631 0.002008 0.18E-06 2.000596 0.000327 0.010234 0.000242 0.26E-05 0.000146 0.12E-05 5.11421 0.45E-05 0.062585 0.57E-05 0.008392 0.001909 0.056936 0.033372 0.000199 1.75E-05 4.000241 0.00564 0.000594 0.001384 0.1E-05 6.08E-05 0.000201 0.006348 0.001585 0.000587 Manajemen Risiko di Bidang Perbankan dan Asuransi | 108 .00134 0.033189 0.002166 0.000706 0.01E-05 1.1E-05 6.034393 0.66E-06 2.001667 0.35764 0.001137 0.059407 0.

010147 0.73E-08 1.23E-06 8.000244 6.52E-06 5.15E-08 7.67E-07 1.3E-06 0.69E-06 9E-06 1.79E-07 1.21E-06 0.000129 2.86E-05 0.003066 0.86E-07 1.023097 0.07E-08 4.000454 0.25E-06 9.28E-07 1.11E-08 3.000102 0.55E-06 1.3E-06 6.27E-07 2.000474 1.000173 0.82E-05 8.58E-05 2.63E-05 2.05E-08 7.9E-08 9.32E-05 0.83E-06 1.55E-07 6.1E-06 8.32E-07 0.09E-06 1.24E-05 0.000287 0.000764 0.88E-06 2.18E-07 8.000505 0.85E-06 7.29E-05 5.003684 0.001008 4.000558 0.84E-08 4.83E-05 3.45E-06 1.000424 9.000202 0.85E-05 1.27E-08 2.017094 4.56E-05 0.000414 1.1E-06 1.62E-07 0.012835 0.57E-05 3.26E-07 1.14E-07 3.0006 0.051353 0.25E-06 2.56E-07 2.05E-05 0.000601 0.93E-05 0.35E-06 2.62E-07 2.11E-06 1.49E-08 6.54E-06 9.27E-06 1.005549 0.03E-05 1.00242 2.44E-07 2.000734 0.001165 5.00034 Manajemen Risiko di Bidang Perbankan dan Asuransi | 109 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.33E-05 0.010486 0.03E-05 0.00047 4.0006 5.000266 0.18E-05 2.72E-06 3.000616 0.18E-06 0.000765 0.22E-06 3.22E-07 5.05E-06 3.000231 1.03E-06 4.000128 0.46E-05 4.83E-06 1.31E-06 5.004481 4.51E-05 8.92E-05 0.12E-07 1.03E-05 2.000328 0.96E-07 5.65E-08 7.44E-07 1. Penaksir Parameter beta Spatial dari Debit (Y3) 0 1 2 3 4 5 9.5E-05 2.54E-07 1.59E-08 5.76E-07 1.00016 8.000457 0.89E-06 1.39E-06 4.9E-05 3.000145 1.12E-06 2.42E-05 2.9E-05 5.75E-06 2.09E-06 1.00102 4.16E-06 4.62E-05 9.004393 0.014878 0.62E-05 0.000571 0.000397 0.53E-06 4.63E-06 2.8E-05 2.83E-06 3.33E-08 8.03E-06 2.38E-05 9.64E-07 7.000602 2.001507 0.88E-06 1.15E-05 4.56E-08 5.05E-07 7.000264 0.95E-06 3.83E-07 7.84E-05 0.84E-05 9.19E-07 2E-07 1.87E-05 3.32E-07 2.002744 0.76E-06 7.000227 0. 13 November 2010 Tabel B4.3E-05 0.85E-06 5.000226 0.93E-06 1.94E-05 0.002259 0.89E-07 2.48E-08 2.002283 0.48E-06 3.000722 0.03E-05 0.000363 0.000604 0.77E-07 2.006916 0.000147 1.65E-06 6.000867 0.53E-05 1.47E-06 1.98E-05 1.67E-05 4.01592 0.67E-06 3.0002 2.88E-06 0.052236 0.91E-05 0.24E-05 1.03E-05 8.000648 0.37E-05 1.75E-08 8.87E-08 8.000308 0.00018 3.11E-07 3.05E-06 2.57E-06 2.55E-06 7.2E-05 2.000104 1.94E-05 0.18E-05 1.78E-05 1.08E-07 5.001982 0.07E-07 2.04E-05 1.73E-08 3.000566 7.000219 0.08E-06 1.19E-06 0.000427 0.001197 0.000302 1.3E-08 4.57E-06 0.56E-05 4.94E-07 8.001235 0.85E-08 5.

38E-05 0.00368 0.002257 0.02E-07 3.39E-06 2.000124 0.99E-08 8.25E-07 3.78E-05 0.41E-06 1.32E-08 6.92E-06 1.47E-05 0.000521 0.00042 0.33E-05 0.62E-05 2.49E-07 6.39E-05 0.1E-07 1.18E-06 1.59E-08 6.000171 0.87E-05 3.26E-07 2.07E-06 3.06E-06 2.22E-06 2.25E-05 3.25E-07 1.93E-08 1.68E-06 4.005412 0.88E-08 1.18E-07 1.36E-05 0.06E-06 3.000337 9.000574 6.02E-06 0.19E-05 6.78E-06 1.31E-05 7.91E-06 9.5E-08 4.28E-07 3.02E-06 2.000234 0.002404 1.31E-05 0.75E-05 3.023073 0.001443 5.03E-05 0.31E-06 1.00057 0.48E-05 1.29E-07 0. 13 November 2010 0.57E-05 0.74E-06 3.57E-08 1.89E-06 8.049611 0.000687 0.69E-05 2.09E-06 3.69E-06 1.000321 0.003393 9.62E-07 3.87E-08 1.88E-05 5.002484 0.97E-06 0.000682 0.000858 0.77E-08 2.26E-06 6.001271 0.68E-06 0.76E-05 9.0017 4.000146 2.000226 1.000357 0.15E-06 1.86E-05 9.00022 0.49E-06 8.000539 0.004582 5.032299 0.001325 2.8E-06 9.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.56E-06 4.003792 0.04E-08 3.008427 0.73E-05 3.149354 0.000252 9.000516 3.18E-06 1.53E-07 7.000534 1.29E-05 0.000147 0.25E-05 2.31E-06 9.16E-07 1.01E-08 1.44E-06 1.001438 4.16E-05 8.005738 2.000348 0.04E-05 3.068186 0.027297 0.66E-05 0.66E-05 0.34E-05 0.015428 0.003709 0.67E-05 3.003961 0.79E-07 2.93E-07 1.000127 0.66E-06 0.000174 5.47E-06 5.000448 3.00171 1.64E-08 3.28E-07 0.000303 4.000134 0.000126 2.1E-05 0.92E-05 Manajemen Risiko di Bidang Perbankan dan Asuransi | 110 .2E-07 6.4E-07 2.000801 1.

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

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

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

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

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

sehingga menghasilkan pemetaan antar wilayah Kecamatan di Kabupaten Ogan Ilir berdasarkan karakteristik putus sekolah pendidikan dasar. 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: 1.64 3.47 36. Tabel 4.82 85. Menbuat kesimpulan hasil penelitian D.29 2.68 63. Data Karakteristik Putus Sekolah Pendidikan Dasar Masyarakat Miskin untuk Masing-Masing Kecamatan di Kabupaten Ogan Ilir Karakteristik Putus Sekolah Pendidikan Dasar No 1 2 3 Kecamatan X1 Indralaya Indralaya Utara Indralaya Selatan X2 X3 0.94 34. Memplotkan matriks G dan H dalam satu grafik berdimensi dua (biplot).24 Manajemen Risiko di Bidang Perbankan dan Asuransi | 116 .24 30. Menginterpretasikan hasil biplot yang menggambarkan kemiripan masing-masing kecamatan berdasarkan peubah atau karakteristik yang diamati. 5.00 X4 X5 X6 X7 10. Mencari matriks G dengan G UL ' UL dan H 1 dan matriks H dengan L1 A ' 0 . data masing-masing kecamatan dengan karakteristik putus sekolah pendidikan dasar masyarakat miskin untuk masing-masing Kecamatan di Kabupaten Ogan Ilir dapat dilihat pada Tabel 4.53 89. Rantau Alai 2.47 15.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 6 Rantau Alai 1.43 61.79 32. Mencari akar ciri dan vektor ciri x dari matriks R.35 10. Membuat tabel data karakteristik putus sekolah pendidikan dasar untuk masingmasing kecamatan dalam bentuk baris dan kolom.00 3.90 3. 6.11 .11. 2.55 20. dimana L1 A ' 4.23 8. HASIL DAN PEMBAHASAN Berdasarkan hasil survei.53 89.29 36. 3.50 34.

96 90.03 32.10 34.38 3.78 35.12 84.53 27. dapat dihitung matriks korelasi R antar peubah karakteristik putus sekolah pendidikan dasar.92 81.71 3.28 64.68 5.12 87.86 37.11 tersebut merupakan elemen-elemen matriks data Berdasarkan matriks data 16 16 X7 .00 77.89 5.05 80.28 33.82 87.41 5.16 34.13 9.24 19. Manajemen Risiko di Bidang Perbankan dan Asuransi | 117 .70 75.86 77.67 4.40 34.14 33.08 16.27 3.90 47. kemudian nilai-nilai akar ciri dari matriks korelasi R dapat dilihat pada Tabel 4.71 33.88 12.96 34.48 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 91.43 62.45 68.27 2.50 34.62 12.00 2.00 3.00 33.57 66.75 6.00 4.74 34.95 52.68 11.00 88.24 31.91 85.57 18.90 4.63 33.63 11.95 34.30 93.77 88.96 68.82 88.25 35.95 11.00 12.37 3.77 33.82 33.91 32.22 33.18 3.19 8.73 12.91 3.00 80.37 11.88 33. 13 November 2010 4 5 6 7 8 9 10 11 12 13 14 15 16 Pemulutan Pemulutan Barat 8.24 8.76 76.24 31.12 32.29 32.10 3.92 34.68 Tanjung Batu Payaraman Tanjung Raja Sungai Pinang Rantau Panjang Muara Kuang Rambang Kuang Lubuk Keliat Rantau Alai Kandis 15.19 3. X 7 tersebut.13.81 61.13 33.18 Pemulutan Selatan 12.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.00 3.23 88.89 34.

96 0.58%.60 27. Nilai-nilai vektor ciri dari matriks korelasi R dapat dilihat pada Tabel 4.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.253 II 0.76 0.41 95.15.61 dengan keragaman yang dapat dijelaskan oleh satu KU tersebut sebesar 51.20 0. jika digunakan dua nilai akar ciri terbesar pertama. Nilai akar ciri untuk komponen utama kedua (KU II) sebesar 1.256 -0. sehingga kedua KU ini menerangkan data asal sebesar 79.35 51.13.58 90.06 0.054 Manajemen Risiko di Bidang Perbankan dan Asuransi | 118 . Dua Vektor Ciri Pertama dari Matriks Korelasi Vektor Ciri Peubah I X1 X2 0.96 dengan keragaman yang bisa dijelaskan sebesar 27.39 0.02 51. berarti ada dua komponen utama (KU) yang digunakan sebagi peubah baru.86 0. Nilai-Nilai Akar Ciri dari Matriks Korelasi R Akar Ciri Kumulatif Komponen Total (%) 1 2 3 4 5 6 7 3.98%. 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.85 0. Tabel 4. 13 November 2010 Tabel 4.13.60% .00 Keragaman (%) Berdasarkan Tabel 4.98 10.79 99.60 79. Maka.15 berikut.65 100.53 2. diperoleh informasi bahwa nilai akar ciri pada komponen utama pertama (KU I) sebesar 3.83 5.001 -0.61 1.94 98.

Sehingga didapat kombinasi linear peubah asal untuk peubah baru KU.042 0.302 0.828 II 0.474 0.229 -0. merupakan elemen-elemen matriks 7H2.15.495 -0. yaitu: Manajemen Risiko di Bidang Perbankan dan Asuransi | 119 .191 0.050 0.912 0.14.107 -0. Nilai masingmasing koefisien korelasi peubah asal terhadap peubah baru dapat dilihat pada Tabel 4. Peubah baru yang dihasilkan memiliki korelasi dengan peubah asal.151 0.231 Nilai-nilai Tabel 4.926 -0.233 -0.690 0.970 -0. Nilai-nilai Korelasi Peubah Asal dengan KU Komponen Utama (KU) Peubah I X1 X2 X3 X4 X5 X6 X7 0. 13 November 2010 X3 X4 X5 X6 X7 0.928 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.154 0.14 Tabel 4. yaitu nilai-nilai koefisien dua komponen utama (KU) untuk masing-masing peubah asal.181 0.841 -0.001 -0. merupakan elemen matriks dua vektor ciri 7A2 dengan tujuh peubah asal karakteristik putus sekolah dan dua peubah baru KU.019 0.14.010 0.118 Nilai-nilai Tabel 4.

302X3 + 0.29 -0.03 0.74 -0.151X5 + 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.16 0.69X6 + 0.19 -0.43 0.23 0.04 -1.61 -0.99 2.06 -0. 13 November 2010 KU1 = 0.11 -0.97X5 – 0.31 -0.45 Skor KU II 2.231X7 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.912X2 + 0.98 -0.926X1 – 0.0.84 -0.68 -1. Tabel 4. Dua skor KU yang diperoleh untuk masing-masing Kecamatan di Kabupaten Ogan Ilir dapat dilihat pada tabel 4.841X3 – 0.107X2 .98 -0.55 0.32 0.81 0.181X4 + 0. Skor KU I dan KU II untuk Masing-Masing Kecamatan di Kabupaten Ogan Ilir No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 Kecamatan Indralaya Indralaya Utara Indralaya Selatan Pemulutan Pemulutan Selatan Pemulutan Barat Tanjung Batu Payaraman Tanjung Raja Sungai Pinang Rantau Panjang Muara Kuang Rambang Kuang Lubuk Keliat Rantau Alai Kandis Skor KU I -0.24 -0.50 0.18 1.30 0.73 -0.928X4 + 0.45 -0.91 Manajemen Risiko di Bidang Perbankan dan Asuransi | 120 .019X6 + 0.30 0.001X1.0.16.63 0.828X7 KU2 = 0.16.06 -2.29 0.

58% dari keseluruhan informasi pada data asal.3 RE GR fact or sco re 2 for ana lysi s1 RE GR fact or sco re 1 for ana lysi s1 VA R0 000 2 RE GR fact or sco re 1 for ana lysi s1 4.00000 -4. Pemetaan Kecamatan di Kabupaten Ogan Ilir Berdasarkan Karakteristik Partisipasi Sekolah Pendidikan Dasar dan Sosial Ekonomi Keluarga Biplot pada gambar 4.16. Dalam Analisis Biplot digunakan penggabungan dua buah matriks.00000 2.00000 KU II 27.3.00000 Rantau Panjang Rantau Alai Lubuk Keliat Sungai Pinang Pemulutan Selatan Muara Kuang Rambang Kuang Pemulutan Barat Indralaya Utara -2. yaitu 16 kecamatan.00000 0. Berdasarkan Kedekatan antar Objek Masing-masing Kecamatan Manajemen Risiko di Bidang Perbankan dan Asuransi | 121 . mampu menjelaskan keragaman data sebesar 79.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.98% Tanjung Raja Indralaya Selatan X2 Pemulutan X4 X5 X7 X6 X1 X3 Payaraman Kandis Tanjung Batu 0. Hasil pemetaan Biplot dapat dilihat pada Gambar 4.00000 KU I 51.00000 1. yaitu matriks G dan matriks H.00000 Indralaya 2.6% Gambar 3.00000 -1. 13 November 2010 Nilai-nilai Tabel 4. mengenai karakteristik putus sekolah pendidikan dasar untuk masing-masing Kecamatan di Wilayah Kabupaten Ogan Ilir. Matriks G dan H masing-masing diplot berdasarkan koordinat masingmasing unsur dari matriks G dan H. Selanjutnya hasil Analisis Biplot dapat diinterpretasikan sebagai berikut: 1. merupakan elemen-elemen matriks 16G2 yang unsur-unsurnya merupakan titik-titik koordinat yang mewakili masing-masing kecamatan yang berada di Kabbupaten Ogan Ilir.00000 3.

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

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

karena masyarakat miskin di kecamatan tersebut memiliki Angka Putus Sekolah yang relatif masih tinggi. Rambang Kuang dan Pemulutan Barat mempunyai kemiripan dalam hal motivasi terhadap sekolah relatif lebih rendah (baik orang tua maupun anak). 4. persentase anak yang bekerja dan angka putus sekolah yang relatif tinggi. dan pemulutan memiliki karakteristik hampir mirip berdasarkan Angka Partisipasi Murni yang relatif tinggi. 3. 6. Kecamatan Muara Kuang mempunyai karakteristik tingkat Angka Putus Sekolah. Tanjung Batu. serta karakteristik Angka Partisipasi Murni yang relatif rendah. Kecamatan Payaraman dan Kecamatan Kandis. Persentase Pendidikan Kepala Keluarga yang tidak tamat SD. baik Orang Tua maupun Anak 5. Kecamatan Payaraman dan Kecamatan Kandis memiliki kemiripan dalam hal karakteristik jumlah anak yang lebih tinggi. Kepada pemerintah Kabupaten Ogan Ilir disarankan agar lebih memperhatikan Kecamatan Muara Kuang. Lubuk Keliat. Kecamatan Tanjung Raja. Kecamatan Indralaya mempunyai tingkat motivasi terhadap sekolah yang sangat tinggi. rantau Alai. Sungai Pinang. dan Persentase Anak yang bekerja sangat tinggi. 13 November 2010 E. Kesimpulan 1. Kecamatan Indralaya Utara mempunyai tingkat Motivasi Orang Tua terhadap sekolah yang sangat rendah. Rantau Panjang. 2. E. sedangkan Angka Putus Sekolah. Jumlah Anak dalam keluarga dan Persentase Anak yang bekerja relatif lebih rendah. Kecamatan Pemulutan Selatan. Untuk mendapatkan kesempurnaan dalam penulisan atau penelitian yang akan datang.1. 2.2. Indralaya Selatan. Manajemen Risiko di Bidang Perbankan dan Asuransi | 124 . Saran 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. KESIMPULAN DAN SARAN E. Misalnya Metode Pohon Klasifikasi dan Metode Regresi Logistik. maka penulis menyarankan untuk menganalisis besarnya faktor-faktor yang mempengaruhi Putus Sekolah pendidikan dasar. Persentase Tingkat Pendidikan Kepala Keluarga yang tidak tamat SD.

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

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

belum dapat tuntas diperoleh bagi semua lapisan. tidak saja mereka miskin dalam kondisi ekonomi. Meskipun angka ini sudah diatas Provinsi Sumatera Selatan (83. tuntas pendidikan bagi semua.58%) dan Nasional (71. Namun demikian. baru mencapai 71. Hal ini menjadikan keluarga miskin sulit untuk memperbaiki kualitas hidup dan keluar dari kemiskinan. Sehingga. Salah satu yang mempengaruhi angka partisipasi sekolah adalah masalah putus sekolah.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Karena itu. Dalam hal ini. Pembangunan pendidikan sangat penting peranannya untuk mencapai kemajuan di berbagai bidang kehidupan guna meningkatkan kualitas hidup bangsa Indonesia. 13 November 2010 PENDAHULUAN Salah satu program dalam pembangunan nasional adalah pembangunan pendidikan.44%. Berbagai telaah yang mengamati masalah pendidikan mengungkapkan bahwa penyebab utama masalah putus sekolah adalah kemiskinan (Supriadi. pemerintah berkewajiban untuk memenuhi kesamaan hak setiap warga negara dalam mendapatkan layanan pendidikan. Selain dari angka putus sekolah. 5 Februari 2002 dalam Cahyawati. Diperkirakan terdapat satu juta anak yang putus sekolah setiap tahunnya (Republika. Demikian juga untuk partisipasi sekolah tingkat SMP. dan kelompok masyarakat kaya maupun kelompok masyarakat miskin. Ketidakmampuan finansial orang tua untuk memenuhi kebutuhan biaya sekolah anak. berdasarkan Badan Perencanaan dan Pembangunan Daerah OI dalam Bappenas (2007) menunjukkan persentase partisipasi sekolah dasar di Kabupaten OI sebesar 90.2% masih dibawah Provinsi (83. tingginya angka putus sekolah lebih banyak bersumber pada persoalan ekonomi yang berasal dari keluarga miskin. untuk Manajemen Risiko di Bidang Perbankan dan Asuransi | 127 . Hal ini dapat dilihat dari masih adanya anak yang putus sekolah pada setiap tahunnya. kesamaan hak dalam bidang pendidikan ini. 2007a). Demikian juga menurut data Survei Ekonomi Nasional (Susenas) Tahun 2003. Kesamaan hak ini dimiliki baik oleh masyarakat di perkotaan maupun di pedesaan. 1994). dapat dilihat juga dari angka partisipasi sekolah pada setiap jenjang pendidikan. tetapi menjadi miskin juga dalam pendidikan.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.81%) serta jauh dibawah MDGs (100%). mengakibatkan anak menjadi putus sekolah. Partisipasi sekolah dasar di Kabupaten Ogan Ilir (OI).

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

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

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

Manajemen Risiko di Bidang Perbankan dan Asuransi | 128

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

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

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

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

Manajemen Risiko di Bidang Perbankan dan Asuransi | 129

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

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

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

0.168

0.002

0.113

0.103

0.074

0.662

6

Jenis Pekerjaan Ibu

0.18

0.001

Manajemen Risiko di Bidang Perbankan dan Asuransi | 130

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

7

Tingkat Pendapatan Rumah Tangga Jumlah Anak dalam Keluarga

0.09

0.301

8

0.146

0.012

9 10 11

Motivasi Anak Motivasi Orang Tua Menerima Bantuan Pendidikan

0.388 0.123 0.175

0.00 0.011 0.00

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

*alamat web terlampir pada bagian referensi 1

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

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

Manajemen Risiko di Bidang Perbankan dan Asuransi |134

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

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

Manajemen Risiko di Bidang Perbankan dan Asuransi |135

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

Prosiding Seminar Nasional Statistika Universitas Padjadjaran. dengan rank penuh . sehingga dari paparan tersebut tersurat bahwa X memiliki peran dua penaksir. 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. sedangkan pasien nilai aktualnya. penaksir untuk adalah (2) XX 1 XY yang merupakan statistik tak-bias dan bervarians minimum. 13 November 2010 Pendahuluan Dalam model linier dengan asumsi kekeliruannya berdistribusi identik independen dengan rata-rata 0 dan varians konstan sama dengan 2. sehingga penaksir aktual untuk Y adalah Y X . m < n. dengan asumsi E e 0 . m > 2 . penaksir untuk rata-rata Y . 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). I matriks identitas berukuran nxn Dengan menggunakan metode kuadrat terkecil. Persoalannya bagaimana menyajikan statistik X jika diinginkan perannya lebih dominan sebagai penaksir nilai aktual dari pada sebagai nilai rata-rata atau sebaliknya? Berdasarkan teori StatistikaMatematis. vektor variabel respon (variabel tidak bebas) berukuran nx1 X . yang tingkat (lama) kesembuhannya dipengaruhi oleh beberapa variabel pada pasien. dan E ee 2 I. X . Manajemen Risiko di Bidang Perbankan dan Asuransi |137 . Dalam hal ini biasanya yang ditelaah pihak produsen adalah rata-rata tingkat kesembuhan. sehingga persoalannya bagaimana menggabungkan kedua telaahan itu secara statistika ? Teori Perhatikan model linier Y X e (1) dengan Y . maka berdasarkan sifat kelinieran. E Y Karena E Y adalah E Y X . vektor parameter model berukuran mx1 e . vektor kekeliruan model berukuran nx1. yaitu sebagai penaksir nilai aktual dan nilai rata-rata untuk Y . matriks variabel explanatory (variabel bebas) berukuran nxm .

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

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

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

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

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

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

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

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

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

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

p j menyatakan jarak minimum antara pusat cluster pi dan pj. Notasi Big-O 2 Manajemen Risiko di Bidang Perbankan dan Asuransi |148 . 4. j p i . uik adalah tingkat keanggotaan. Proporsi eigen value untuk ilustrasi ini berarti memberikan informasi besarnya tingkat kesamaan antar objek. Algoritma yang bagus adalah algoritma yang efisien dimana algoritma tersebut dikatakan bagus karena dinilai dari aspek kebutuhan waktu dan ruang membutuhkan jumlah yang sedikit. Formula dari Indeks XB diberikan pada (6). j p i . Prinsipnya adalah semakin nilai kemiripan antara objek satu dengan yang lain mendekati 1.2 Indeks XB (Xie dan Beni) Sesuai dengan namanya Indeks XB ditemukan oleh Xie dan Beni yang pertama kali dikemukakan pada tahun 1991. p j 2 (6) 2 Dengan c menyatakan banyak cluster. Notasi Big-O sering digunakan untuk menjelaskan berapa besar ukuran dari suatu data mempengaruhi penggunaan sebuah algoritma dari sumber komputasi. pi adalah pusat cluster. Notasi Big-O adalah notasi matematika yang digunakan untuk menggambarkan suatu fungsi asimptotik. Validitas dalam FCM ditentukan oleh banyak kelompok optimum melalui perhitungan Indeks validitas. d ik adalah jarak observasi dengan pusat cluster.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Proporsi eigen value 100 persen diberikan oleh semua eigen yang terbentuk yang banyaknya sama dengan banyak objek yang dikelompokkan. c N 2 (uik ) m d ik x k . p i XB c i 1 k 1 N min i . Kriteria banyak cluster optimum diberikan oleh indeks XB yang minimum. N merupakan banyak objek yang akan dikelompokkan. Analisis efisiensi algoritma dengan menggunakan notasi Big-O Efisiensi di dalam algoritma sangat dipertimbangkan karena suatu masalah dapat diselesaikan dengan berbagai macam cara yang dalam hal ini disebut sebagai algoritma (langkah penyelesaian masalah). 3. min i . Formula ini mirip dengan Separation Index dengan nilai m yang dapat berubah-ubah. Kriterianya banyak kelompok optimum diberikan oleh nilai XB yang minimum. 13 November 2010 Pada kasus pengelompokkan dalam analisis cluster. matriks yang digunakan adalah matriks kemiripan dari objek yang akan dikelompokkan. maka nilai pengamatan antar objek tersebut memiliki banyak kesamaan (berarti memungkinkan untuk menjadi satu kelompok). oleh karena itu indeks ini dapat digunakan untuk metode hard partition seperti K-means cluster maupun FCM.

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

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

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

mengalokasikan kembali data ke dalam masing-masing klaster dengan memanfaatkan teori Fuzzy yang merupakan salah satu algoritma clustering alternatif dengan hasil yang lebih baik. 1. data dialokasikan ulang secara tegas ke klaster yang mempunyai centroid terdekat dengan data tersebut. Teori fuzzy. Fuzzy k-means clustering. 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. Ada beberapa teknik dalam memformulasikan masalah dalam analisis klaster. Fuzzy K-Means Clustering ini dilakukan pada 117 perusahaan eksportir furniture rotan di Kabupaten Cirebon. Dalam hard clustering. sedangkan dalam Fuzzy clustering. Pendahuluan Analisis klaster merupakan suatu teknik multivariat dengan tujuan utama mengelompokkan objek-objek berdasarkan karakteristik yang dimiliki. Melalui indeks Xie dan Benie sebagai validasi.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. Algoritma fuzzy clustering yang digunakan dalam penelitian ini yaitu Fuzzy K-Means Clustering yang merupakan pengembangan dari Hard K-Means Clustering. Sekarang ini analisis klaster telah banyak diaplikasikan dalam berbagai bidang yang ditulis dalam berbagai penelitian dan jurnal. Kata kunci : Analisis klaster.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. dapat dibentuk sebanyak tujuh klaster perusahaan eksportir dengan karakteristik berbeda tiap klaster.com ABSTRAK Analisis klaster merupakan suatu teknik multivariat dengan tujuan utama mengelompokkan objek-objek berdasarkan karakteristik yang dimiliki. 13 November 2010 (M. diantaranya yaitu hard clustering dan fuzzy clustering. Indeks XB. Metode ini sangat berguna dalam membantu para pengambil keputusan dalam 2 3 Mahasiswa Jurusan Statistika FMIPA Universitas Padjadjaran Bandung Dosen Jurusan Statistika FMIPA Universitas Padjadjaran Bandung Manajemen Risiko di Bidang Perbankan dan Asuransi |152 . Furniture rotan.

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

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

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

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

CV PERINTIS 18. PT PERFECTI IND RATTAN. CV CIREMAI INDAH PERKASA. CV 6. CV TROPICA (GN.8528 -0.35532 4. CV KURNIA ALAM SEJATI.21026 0.17877 2. 13 November 2010 BALAGI RATTAN. CV ZAHRA ADEILA. PT MULYA PRATAMA INDAH.0316 -0.073232 Nilai Investasi 1. CV WIWIN DESIGN.19816 0.079972 Nilai Ekspor 2. CV AVANTI COLLECTION. CV VISINDO RATTANESIA.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. CV WANDA RATTAN.9039 -0.8653 -0. CV PARI RATTAN PLUS.31107 5.18994 1. CV VEDERAMA.699 0. PT SAFIRA. Pusat Klaster (Centroid) Kelompok Perusahaan Klaster 1 2 3 4 5 6 7 Tenaga Kerja 1.61745 -0. CV SHAH JAYA. CV TRIJAYA FURNITURE. CV VALENTA CITRA PRATAMA. PT AGUNG PUTRA MANDIRI. PT PIRAMIDA RATTAN. CV YAMAKAWA RATTAN. JATI). PT CHANDRA RATTAN. CV DIMO PUTRA JAYA.43607 4.514 -0.1331 0. CV GRIYA RATTAN. CV NAGAM RATTAN. CV PRUNABON INT. CV POLPIT.35858 0.563 0. CV ZICO RATTAN. CV TRIPOLAR. CV MARTINO RATTAN. CV FAUZITAMA RATTAN.54386 1.5663 -0.055449 0.5699 -0. CV PLUMBON PRATAMA. CV KHALIM. CV 4 LIMINDO UTAMA. CV TEGUH RATTAN. Interpretasi Klaster Gambaran karakteristik klaster dapat dilihat dari pusat klaster (centroid) sebagai berikut : Tabel 2. CV NEBULA BUANA. CV SUMBER MUTIARA ABADI.50327 0.03163 Manajemen Risiko di Bidang Perbankan dan Asuransi |157 .4533 -0.13019 0. CV PERMATA RATTAN. CV TULUS ASIH.67683 Kapasitas Produksi 1. CV TALANG MAS MULYA. CV MULIA JAYA F. PT HOUSE OF RATTAN. PT 5 JATI VISION RAYA.

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

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

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

Butel & Morse). Pengetahuan mengenai predefine class membedakan analisis klasifikasi dari analisis klaster (Rencher.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 Rata-rata 200. Hasil uji widal diinterpretasikan sebagai berikut: 1.08 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.1999). 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. Manajemen Risiko di Bidang Perbankan dan Asuransi |161 . analisis yang digunakan adalah analisis klasifikasi dan analisis klaster. Nilai yang tinggi atau peningkatan dari titer O 2. 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. Namun gambaran klinis penyakit demam typhoid sangat bervariasi serta serupa dengan infeksi akut pada umumnya.25 63. TINJAUAN PUSTAKA Agar tujuan dari penelitian ini dapat tercapai. Hal ini mungkin menyebabkan seorang ahli pun dapat mengalami kesulitan dalam menegakkan diagnosis demam typhoid apabila hanya berdasarkan gambaran klinis.25 137. Adapun tujuan dari penelitian ini adalah untuk mendapatkan kelompok-kelompok pasien demam typhoid dengan masing-masing karakteristiknya berdasarkan gejala klinis dan uji laboratatorium. 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. 2005). maka diperlukan sebuah analisis yang dapat mengelompokan objek-objek ke dalam kelas-kelas tertentu. Maksud dari penelitian ini adalah menerapkan analisis klaster kelas laten pada pengelompokan pasien demam typhoid. maka analisis yang akan digunakan adalah analisis klaster (Kaufman dan Rousseeuw. 2002) Dalam penelitian ini tidak ada informasi mengenai jumlah kelas dan struktur kelasnya. Secara umum untuk tujuan pengelompokan. Penyakit demam typhoid disebabkan oleh bakteri salmonella typhi yang masuk ke dalam tubuh melalui makanan dan air.75 147. Sehubungan dengan demam typhoid tersebut. 160 menunjukan infeksi lama (Brooks. gangguan pencernaan dan gangguan kesadaran (Nursalam dkk. Nilai yang tinggi dari titer H 160 menunjukan terjadinya infeksi aktif. diagnosis dini penyakit demam typhoid perlu segera ditegakkan.

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

diukur pada hari pertama saat pasien inap menjalani rawat Manajemen Risiko di Bidang Perbankan dan Asuransi |163 . yaitu asupan nutrisi kurang dari kebutuhan tubuh. metode yang tepat digunakan dalam penelitian ini adalah metode klaster kelas laten dengan alasan sebagai berikut: 1. 13 November 2010 Vermunt dan Magidson dalam jurnalnya “Latent Class Models for Clustering: A Comparison with K-Means” menyimpulkan bahwa klaster kelas laten lebih baik dari klaster K-means. diukur pada hari pertama saat pasien menjalani rawat inap. 3. 5. selaput lendir pucat dan lidah tampak kotor. y3 : peningkatan titer antibodi O. Hal ini dimungkinkan karena analisis klaster kelas laten melakukan analisis klaster dan klasifikasi secara simultan (Vermunt dan Magidson. Melibatkan variabel dengan skala yang berbeda (diskrit dan kontinu). Dari uraian diatas. z3 : Jenis kelamin. 2002). berdasarkan tujuan dan struktur data yang ada. Melibatkan variabel laten. 3. 2. ditandai dengan mulut kering. Memberikan berbagai kriteria seperti statistik BIC. diukur pada hari pertama saat pasien menjalani rawat inap y5 : Jumlah trombosit (sel/ l ). z2 : Inadequate intake. ANALISIS STATISTIK Data dan Variabel Penelitian Data yang digunakan pada penelitian ini berasal dari Unit Rekam Medis Rumah Sakit “X”.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 5. z1 : Usia. 2. y 4 : Jumlah leukosit (sel/ l ). merupakan peningkatan nilai hasil uji widal terhadap antibodi H antar dua kali uji. yaitu usia pasien rawat inap yang didiagnosa demam typhoid. Dapat memasukkan variabel demografi atau variabel eksogen (kovariat). y 2 : peningkatan titer antibodi H. merupakan peningkatan nilai hasil uji widal terhadap antibodi H antar dua kali uji. yang dapat digunakan dalam penentuan jumlah klaster. Tidak ada pengetahuan mengenai predefine class. 4. 3. 4.3% lebih kecil dari misclassification rate klaster K-means sebesar 8%. yaitu data mengenai pasien rawat inap tahun 2008 dengan penyakit demam typhoid sebanyak 100 orang. Hal ini ditunjukan dengan nilai misclassification rate klaster kelas laten sebesar 1. y1 : Suhu tubuh (0C). Adapun variabel-variabel yang digunakan dalam penelitian ini adalah sebagai berikut: Kovariat 1. Variabel indikator 1. 2.

3) k 1 j 1 Distribusi bersyarat P k y i . q K hk z i J f k yij z i . (Hagenaars. 1998.1) local Dimana Jp adalah bagian dari local dependency dengan P parameter. yaitu variabel-variabel indikator mutually independent dalam masing-masing klaster atau equivalent diberikan variabel laten (Zhang. Pengecekan asumsi local independence dilakukan dengan melihat bivariat residual untuk pasangan indicator-indikator dan pasangan kovariat-indikator. Rumus umum bivariat residual adalah sebagai berikut: BR 1 P P 2 p 1 log Jlocal p P 2 2 p 1 log Jlocal p (3.1) akan menjadi f yi zi . yaitu sebuah objek menjadi anggota kelas ke k bersyarat y.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. z i . y6 : Sakit kepala y7 : Gangguan fungsi usus Pengecekkan asumsi local independence Asumsi dasar dalam model kelas laten adalah local independence. 2002). 7. f k yij q jk Pada model kelas laten dapat dimasukan beberapa kovariat untuk memprediksi keanggotaan objek (Vermunt dan Magidson. 1997). 2004). : Banyaknya kelas laten : Fungsi densitas untuk tiap indikator. Dengan melibatkan kovariat. q jk …(3. f yi q Dimana: J hk K K hk J f k yij q jk …(3. artinya ke dalam kelas mana sebuah objek harus dimasukkan. Model Klaster Kelas Laten Dengan Variabel Indikator Campuran Model klaster kelas laten untuk variabel indikator (y) campuran adalah sebagai berikut (Vermunt dan Magidson. Vermunt. 13 November 2010 6. maka model pada persamaan (3. diartikan sebagai peluang posterior yang dinyatakan sebagai berikut Manajemen Risiko di Bidang Perbankan dan Asuransi |164 .2) k 1 j 1 : Banyaknya variabel indikator : Proporsi objek yang masuk ke dalam kelas leten ke-k. 2002).

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

8) h 1 Taksiran peluang bersyarat bahwa yi 1 bersyarat kelas k untuk variabel biner: ˆ pik n ˆ xih P k y i .6) adalah sebagai berikut (Moustaki dan papageorgiou. zi …(3. dan brt merupakan efek langsung kovariat r terhadap indikator yang bersangkutan. zi n K ˆ P k yi . zi n …(3. z i ˆ nhk …(3. z i ˆ nhk …(3. zi t b0 bqt 0 R brt zir …(3. 2004): Taksiran peluang prior kelas ˆ hk n ˆ P k yi .12) r 1 t t Dimana b0 adalah intersep. 13 November 2010 Taksiram maksimum likelihood yang diperoleh dari turunan parsial dari log likelihood pada persamaan (3.13) r 1 Manajemen Risiko di Bidang Perbankan dan Asuransi |166 .11) h 1 k 1 Dalam model klaster kelas laten dapat dibuat linier prediktor sebagai berikut (Vermunt & Magidson. Prediktor linier untuk variabel biner t lm q . bq 0 adalah efek klaster terhadap yit .Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2005): Prediktor linier untuk variabel kontinu lqt .9) h 1 Taksiran parameter untuk variabel kontinu: ˆ mik n ˆ xih P k y i . zi t bm 0 t bmq 0 R t bmr zir …(3.10) h 1 Dan varians (disumsikan konstan) dalam masing-masing kelas adalah ˆ si2 n K yih h 1 j 1 ˆ mik 2 ˆ P k yi .

1987): BIC 2log L p log n …(3. q jk j ˆ hk zi k …(3. 13 November 2010 t t t Dimana bm0 adalah intersep. bmq 0 adalah efek klaster terhadap yitm . Untuk respon ke-i peluang suatu objek masuk pada suatu klaster dinyatakan sebagai berikut: ˆ P j yi . Langkah selanjutnya dari analisis klaster kelas laten adalah menguji signifikasi parameter dengan menggunakan statistik Wald sebagai berikut: H0 : C ' J H1 : C ' J 0 (Variabel indikator tidak mempunyai daya pembeda terhadap kelas laten yang terbentuk) 0 (Variabel indikator mempunyai daya pembeda terhadap kelas laten yang terbentuk) Dengan taraf kesalahan sebesar a . 1986). zi ˆ hk zi j ˆ f k yij z i . q jk ˆ f k yij z i . dan bmr merupakan efek langsung kovariat r terhadap indikator yang bersangkutan. Statistik uji: ˆ W 2 = C'J ' C'Σ J C -1 C'J …(3. dimana model yang terbaik adalah model dengan nilai BIC paling rendah.16) Manajemen Risiko di Bidang Perbankan dan Asuransi |167 .14) Dengan kriteria uji. BIC adalah kriteria yang paling sering digunakan (Raftery. Tolak H0 jika p-value Penentuan Banyak Kelas a Untuk mengukur kecocokan model dalam analisis klaster kelas laten digunakan beberapa kriteria informasi. Adapun statistik ukuran kecocokan model Bayesian Information Criteria (BIC) dirumuskan sebagai berikut (Schwartz.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. z i (Moustaki dan papageorgiou. 2004).15) Dengan: log L : logaritma natural likelihood p n : Banyaknya parameter : Ukuran sampel Klasifikasi Objek ke dalam Kelas Laten Pengklasifikasian objek-objek ke dalam kelas-kelas dilakukan berdasarkan taksiran peluang ˆ posterior P k y i .

z i E i 1 N …(3. HASIL ANALISIS Seperti telah dijelaskan sebelumnya. Manajemen Risiko di Bidang Perbankan dan Asuransi |168 . 13 November 2010 Dimana nilai peluang posterior yang paling tinggi pada suatu klaster menunjukan bahwa objek yang bersangkutan menjadi bagian dari klaster tersebut. 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. Identifikasi Model Berdasarkan kriteria BIC diperoleh model optimal dengan 3 klaster.0320. tahap terakhir adalah member profil terhadap masing-masing klaster. klaster laten 2 sebanyak 33 pengamatan dan klaster laten 3 sebanyak 23 pengamatan.17) Dengan wi . 2005): t wi 1 max P k y i . frekuensi objek yang memiliki kesamaan nilai-nilai variabel.0859 dengan jumlah klasifikasi yang benar pada klaster laten 1 sebanyak 34 pengamatan. sakit kepala dan gangguan fungsi usus. Selanjutnya dari hasil identifikasi model dengan tiga klaster.0 karena dapat memfasilitasi hal-hal yang telah dijelaskan sebelumnya. yaitu suhu. data yang digunakan dalam analisis ini merupakan data sekunder yang diperoleh dari unit rekam medis Rumah Sakit “X”. Sedangkan error classification diperoleh sebesar 0. Setelah diperoleh sejumlah klaster. dengan nilai BIC terkecil.69 dan error klasifikasi terkecil sebesar 0. Oleh karena itu pada analisis ini akan digunakan 3 buah klaster.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. yaitu 1183. Untuk menilai kualitas model klasifikasi diukur nilai classification error sebagai berikut (Vermunt & Magidson. peningkatan titer antibodi O. dapat pula ditunjukan bahwa asumsi local independence telah terpenuhi yaitu dilihat dari nilai bivariat residual yang kurang dari 3.84 (Vermunt & Magidson). Analisis dikerjakan dengan menggunakan software Laten Gold 4. Data dalam analisis ini terdiri dari lima variabel metrik dan dua variabel kategori yang masing-masing diasumsikan berdistribusi normal dan Bernoulli. peningkatan titer antibodi H.

0. nilai p-value < taraf kesalahan 0. Linier prediktor untuk variabel O (peningkatan titer antibodi O) = 0.56% variasi yang terjadi pada variabel indicator peningkatan titer antibodi O dapat dijelaskan oleh model yang terbentuk.98% variasi yang terjadi pada variabel indikator sakit kepala dapat dijelaskan oleh model yang terbentuk.6. 4.6749 klaster 2 .3262 klaster 2 . R2 menunjukkan bahwa 63. artinya variabel indikator gangguan fungsi usus mempunyai daya pembeda terhadap klaster laten yang terbentuk.1885 .05. Sedangkan. yang menunjukkan bahwa parameter-parameter model memiliki pengaruh yang signifikan terhadap model.16% variasi yang terjadi pada variabel indikator gangguan fungsi usus dapat dijelaskan oleh model yang terbentuk.8768 .3713 klaster 3 Pada uji Wald. nilai p-value < taraf kesalahan 0. yang menunjukkan bahwa parameter-parameter model memiliki pengaruh yang signifikan terhadap model. Linear prediktor untuk variabel indikator Suhu = 37. 13 November 2010 Hasil Estimasi Parameter Model Seperti yang telah dijelaskan sebelumnya. H suhu 3. nilai p-value < taraf kesalahan 0.97% variasi yang terjadi pada variabel indikator peningkatan titer antibody H dapat dijelaskan oleh model yang terbentuk.0.0821 klaster 3 Pada uji Wald. nilai p-value < taraf kesalahan 0. dengan metode estimasi maksimm likelihood diperoleh estimasi parameter linier prediktor untuk variabel indikator adalah sebagai berikut: 1. artinya variabel indikator peningkatan titer antibodi O mempunyai daya pembeda terhadap klaster laten yang terbentuk. 5. R2 menunjukkan bahwa 68. 2. yang menunjukkan bahwa parameter model memiliki pengaruh yang signifikan terhadap model.05. artinya variabel indikator suhu mempunyai daya pembeda terhadap klaster laten yang terbentuk. artinya variabel indikator sakit kepala mempunyai daya pembeda terhadap klaster laten yang terbentuk. artinya variabel indikator peningkatan titer antibodi H mempunyai daya pembeda terhadap klaster laten yang terbentuk.6157 klaster 1 + 0.6332 . nilai p-value < taraf kesalahan 0.05. Linier prediktor untuk variabel H (peningkatan titer antibodi H) = 0.7415 klaster 2 .3584 klaster 2 + 1. Sedangkan.4957 klaster 3 Pada uji Wald. Sedangkan.2.6332 .3702klaster 1 + 0.0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Sedangkan.7% variasi yang terjadi pada variabel indikator leukosit dapat dijelaskan oleh model yang terbentuk.05.0281klaster 1 + 0. Linier prediktor untuk variabel gangguan fungsi usus = 0.7267 klaster 3 Pada uji Wald.05. R2 menunjukkan bahwa 75.0.0536 klaster 2 + 0. yang menunjukkan bahwa parameter model memiliki pengaruh yang signifikan terhadap model. Manajemen Risiko di Bidang Perbankan dan Asuransi |169 GFusus O sakit kepala .5928klaster 1 + 2. R2 menunjukkan bahwa hanya 4.8541klaster 1 + 0.1.5621 klaster 3 Pada uji Wald.0774 + 0. Sedangkan. R2 menunjukkan bahwa 43. yang menunjukkan bahwa parameter-parameter model memiliki pengaruh yang signifikan terhadap model. Linier prediktor untuk variabel sakit kepala = 0.

2004. R. Anderson. Model pengelompokan pasien demam typhoid berdasarkan variabel indikator gejala klinis dan uji laboratorium adalah model dengan tiga klaster. Jr. Englewood Cliffis. Kelompok penyakit demam typhoid tipe I adalah kelompok dengan rata-rata suhu 370C.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 7. Abonyi. Buku Ajar Ilmu Penyakit Dalam. dan Morse. D. Persatuan Ilmu penyakit Dalam Indonesia. dan Raftery. Media Aeskulapius.. Multivariate Data Analysis. A. 2. 3. Tatham. KESIMPULAN Berdasarkan hasil analisis yang telah dikemukakan pada bab sebelumnya. Balazs. 1999. Butel.. Josep F. Rahmat. REFERENSI 1. 1992. Departement of Statistics. I.. 2004. 1998. Hal 435-442. 2007.. Edisi 23. terdapat sakit kepala dan gangguan fungsi usus serta terjadi inadequate intake. Geo F.. Kelompok penyakit demam typhoid tipe III adalah kelompok dengan rata-rata suhu 370C. Latent Class Models for Mixed Variables with Applications in Archaeometry. ratarata peningkatan titer antibodi H sebanyak 3 kali dan rata-rata peningkatan titer antibodi O sebanyak 1 kali dan terdapat sakit kepala namun tanpa gangguan fungsi usus serta terjadi inadequate intake. Rolf E. Barry J. Fakultas Kedokteran Universitas Indonesia. William C. Nema. Prentice Hall: New Jersey. “Applied Multivariate Statistical Analysis” Prentice Hall. 2. I. Johnson. New Jersey.. dan. diperoleh kesalahan klasifikasi sebesar 0.0320. dan Ronald L. 8. 4. W. Stephen A. Karakteristik setiap klaster yang terbentuk adalah sebagai berikut: a.05). Dean. Papageorgiou. rata-rata peningkatan titer antibodi H sebanyak 2 kali dan rata-rata peningkatan titer antibodi O sebanyak 3 kali. Seatle. Elsevier. artinya model klaster kelas laten sangat baik digunakan dalam hal pengklasteran. Hanya inadequate intake saja yang berpengarh signifikans (p-value < 0. 6. Janos dan Feil. 2008. 3.. Wichern. 13 November 2010 Dilihat dari efek langsung kovariat terhadap klaster diperoleh bahwa usia dan jenis kelamin tidak memberikan pengaruh yang signifikan dalam pembentukan klaster (p-value > 0. Adriane. Babin. University of Washington. Medical Microbiology. Jilid 1. Dari model klaster yang terbentuk. dapat diambil kesimpulan sebagai berikut: 1. 5.. Mc GrawHill. rata-rata peningkatan titer antibodi H dan O sebanyak satu kali.. Cluster analysis for data mining and system Identification. Hair. Demam Tifoid. Kapita Selekta Kedokteran. Black. Berlin Brooks. b. Latent Class Analysis Variable Selection. c. tidak terdapat sakit kepala dan gangguan fungsi usus serta tidak terjadi inadequate intake. Manajemen Risiko di Bidang Perbankan dan Asuransi |170 . Fifth Edition. Kelompok penyakit demam typhoid tipe II adalah kelompok dengan dengan rata-rata suhu 370C. Moustaki. Juwono. Janet S.05). Birkhaser.

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

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

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

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

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

maka SEM untuk penelitian ini mengandung empat variabel laten eksogen yang merujuk pada variabel ekternal dan dua variabel laten endogen untuk PU dan PEU. 2003).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Seperti akurasi dan presisi. 13 November 2010 digunakan dalam analisis ini adalah sebanyak 202 responden. Reliabilitas tidak mencerminkan validitas. Sifat reliabilitas adalah merupakan skor pengukuran dan tergantung dari sampel (Gliem dan Gliem. Tabel 1.1. Nilai reliabilitas dan validitas dari komponen-komponen yang digunakan dalam penelitian ditunjukkan oleh Tabel 2. 1951). tetapi belum tentu mampu mengukur apa yang akan diukur. Semua variabel laten dalam penelitian diukur dengan 22 variabel observasi seperti pada Tabel 1. bantuan dan fasilitas untuk pemetaan ) Seharusnya ada staf khusus yang menangani masalah peta ) Peta ber-georeference tidak sulit dibaca ) Peta ber-georeference mudah digunakan Manajemen Risiko di Bidang Perbankan dan Asuransi |176 . dapat dilihat pada Tabel 1. Tinggi rendahnya reliabilitas ditunjukkan oleh suatu angka yang disebut nilai koefisien reliabilitas. Kuesioner yang digunakan dalam penelitian. Daftar pertanyaan pada kuesioner yang digunakan dalam penelitian Variabel KTI1 ( ) KTI2 ( ) KTI3 ( KTI4 ( KTI5 ( KS1 ( KS2 ( KS3 ( KS4 ( DO1 ( DO2 ( DO3 ( KT1 ( KT2 ( Pertanyaan tentang persepsi pengguna peta Peta ber-georeference telah sesuai bentuk aslinya di lapangan Peta ber-georeference telah lengkap (legenda. Hasil dan Pembahasan Berdasarkan data yang diperoleh melalui survei untuk menguji hipotesis penelitian dan membentuk model. 5. 5. harus memperhatikan tingkat akurasi yang biasa disebut sebagai ukuran reliabilitas. Uji Reliabilitas dan Validitas Semua penelitian yang akan mengukur sesuatu. batas wilayah dan identitas) ) Peta ber-georeference lebih efektif dan efisien dalam penyimpanan ) Peta ber-georeference secara kualitas lebih baik ) Peta ber-georeference lebih handal (jumlah peta yang salah berkurang) Peta ber-georeference jelas dan tidak saling tumpang tindih ) Peta ber-georeference meningkatkan kualitas hasil dari sensus/ survei ) Peta ber-georeferencememberikan informasi yang berguna bagi ) organisasi Peta ber-georeference meminimalkan lewat cacah dan ganda cacah ) ) Atasan seharusnya mewajibkan menggunakan peta ber-georeference pada setiap kegiatan pencacahan ) Kantor seharusnya menyediakan alat. Validitas ditunjukkan oleh korelasi antara masing-masing pertanyaan dengan skor total dengan menghitung korelasi perkalian momen (product moment correlation). dan validitas adalah akurasi. atribut. yaitu nilai alpha Cronbach (Cronbach. maka reliabilitas adalah presisi. ukuran reliabilitas adalah mengukur sesuatu secara konsisten.

725 2 PU PU1 ( ) 0.7558 0.5605 0. Sedangkan untuk korelasi antara setiap komponen dengan total komponen seluruhnya bernilai positif. 13 November 2010 KT3 ( PEU1 ( PEU2 ( PEU3 ( PU1 ( ) PU2 ( ) PU3 ( ) PU4 ( ) ) ) ) ) Peta ber-georeference tidak rumit Peta ber-georeferencemudah digunakan dan lebih powerfull Peta ber-georeference jelas dan mudah dipahami oleh pengguna Peta ber-georeference dapat dengan mudah memenuhi apa yang diinginkan dan lebih fleksibel Peta ber-georeference memungkinkan kegiatan pencacahan selesai dalam jangka waktu yang lebih cepat Peta ber-georeference menambah bukti/bahan yang akan mendukung dalam pengambilan keputusan Peta ber-georeference menunjukkan control (pengawasan) yang lebih pada kegiatan sensus/survei Peta ber-georeference mendukung aspek penting dalam pekerjaan (BS lebih mudah ditemukan) Dari Tabel 2 dapat dilihat bahwa untuk semua variabel eksternal.787 0.7437 0.703 4 Variabe l (1) PEU 0. sehingga data yang diperoleh dapat mencapai tujuan penelitian. 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.840 9 0. PU dan PEU semua memiliki nilai alpha cronbach lebih besar dari 0.798 PEU2 ( ) 9 0. artinya ketepatan dan kecermatan pertanyaan dalam melakukan fungsi ukurnya cukup baik.706 5 Variab el (1) DO DO1 ( ) DO2 ( ) DO3 ( ) 0. Tabel 2.771 8 0.822 4 Manajemen Risiko di Bidang Perbankan dan Asuransi |177 . Nilai Validitas dan Reliabilitas dari variabel penelitian Variab el (1) KTI KTI1 ( ) KTI2 ( ) KTI3 ( ) KTI4 ( ) KTI5 ( ) KT 0.855 7 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.696 0.749 6 Vali ditas (2) Relia bilita s (3) 0.7.742 KS KS1 ( ) 0.957 PEU3 ( ) 7 PEU1 ( ) Vali ditas (2) Relia bilita s (3) 0.7472 0.731 5 Vali ditas (2) Relia bilita s (3) 0.5866 0.

7835 0. Tabel 3. Nilai hiperparameter diasumsikan diketahui berdasarkan informasi dari studi-studi sebelumnya atau dari sumber lain yang mendukung. yang diperlukan dalam analisis dan estimasi Bayesian adalah frekuensi dan proporsi untuk setiap kategori yang diperlukan untuk menentukan threshold ( ). Pada penelitian ini kami menggunakan prior sebagai berikut: dan Manajemen Risiko di Bidang Perbankan dan Asuransi |178 .678 7 0.1].Prosiding Seminar Nasional Statistika Universitas Padjadjaran.670 KS4 ( ) 5 PU2 ( ) PU3 ( ) PU4 ( ) 2 0. 13 November 2010 9 KT1 ( ) KT2 ( ) KT3 ( ) 0.894 4 5.779 KS2 ( ) 0 0.2.8514 0 0. harus ditentukan nilai hiperparameter yang akan digunakan untuk membentuk distribusi prior.741 2 0. Frekuensi untuk masing-masing pertanyaan dalam penelitian Frekuensi Frekuensi Variabel Variabel 1 2 3 4 5 1 2 3 4 (1) (2) (3) (4) (5) (6) (1) (2) (3) (4) (5) KTI1 ( KTI2 ( KTI3 ( KTI4 ( KTI5 ( KS1 ( KS2 ( KS3 ( KS4 ( DO1 ( DO2 ( 1 0 1 4 2 ) 0 ) 0 ) 14 ) 6 ) 5 ) 11 ) ) ) ) ) 42 75 72 4 20 41 5 39 46 9 18 28 0 23 40 2 31 79 7 62 100 92 96 75 121 48 149 46 145 12 137 111 143 137 90 33 DO3 ( KT1 ( KT2 ( KT3 ( PEU1 ( PEU2 ( PEU3 ( PU1 ( PU2 ( PU3 ( PU4 ( ) 18 ) 2 ) 14 ) 24 ) 1 ) 0 ) 1 ) 33 ) 5 ) 3 ) 29 132 68 126 113 12 7 31 59 45 33 64 52 132 62 65 50 82 38 63 39 104 110 152 166 109 - 5 (6) 57 94 27 - Untuk estimasi parameter model dengan pendekatan SEM Bayesian. S EM Bayes ian dari Mode l Penelitian Untuk data kategori. Tabel 3 menunjukkan frekuensi untuk setiap kategori pada masing-masing pertanyaan untuk membentuk threshold yang berdistribusi N[0. Jumlah kategori untuk setiap pertanyaan pada penelitian adalah antara 3 dan 5.8094 0.726 KS3 ( ) 0 0.

198 1.920 0.179 1. dimana semua nilai lebih besar dari 0.341 1.785 1.07 1 1.703 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.81 0.069 1.387 1.19 0.182 0.443 1.245 1.92 1 1.311 1.229 1. maka model hubungan antara PEU.262 1. Nilai Var.31 1.648 1.347 1.22 1.825 1.479 0.18 ξ4 y1 ε3 y2 ε2 y3 ε1 Gambar 2.345 1.33 0.608 1. telah mencapai burn in untuk semua parameter dalam model.704 0.5.26 1.74 ε5 y5 ε6 y6 ε6 y7 0.25 1.35 1.30 ε4 y4 1 0.18 1 1 1.329 1. δ1 x1 δ2 x2 δ3 x3 δ4 x4 δ5 x5 1. Dengan iterasi sebanyak 5000.414 1. (1) Nilai (2) 1.39 1.176 1.881 Berdasarkan hasil pada tabel diatas.454 1. dapat dilihat bahwa secara umum nilai faktor loading sangat signifikan pada selang kepercayaan 95%.48 0. Nilai (1) (2) (1) (2) 0.7 0.563 1. Tabel 4.302 1.63 ξ3 0.24 ζ1 η1 0. 13 November 2010 Selanjutnya pengolahan data untuk memperoleh estimasi parameter pada model penelitian dilakukan dengan bantuan paket program WinBugs 14 dan hasilnya seperti pada Tabel 4.18 0. Manajemen Risiko di Bidang Perbankan dan Asuransi |179 .93 δ6 δ7 δ8 δ9 δ10 δ11 δ12 δ13 δ14 δ15 ξ1 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 1.189 0.847 1.875 1.76 ξ2 η2 ζ2 1 0.281 1.760 Var.606 0.813 0.725 1.240 0. PU dan variabel Ekternal untuk penggunaan peta ber-georeference dalam pelaksanaan SP 2010 di BPS Kabupaten/kota di Provinsi Sulawesi Selatan adalah seperti pada Gambar 2.633 0. (1) Nilai (2) 0.926 1.744 0. Model Penelitian yang dihasilkan Pada Tabel 4 dan Gambar 2.667 1.633 Var.61 0.688 1.760 1.88 1. Estimasi Parameter model Var.

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

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

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

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

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

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

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

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

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

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

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

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

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

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

z2

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

Peluang

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

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

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

Manajemen Risiko di Bidang Perbankan dan Asuransi |189

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

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

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

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

Manajemen Risiko di Bidang Perbankan dan Asuransi |190

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

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

Manajemen Risiko di Bidang Perbankan dan Asuransi |191

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

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

yt
(lt

st yt lt

(1

)(lt
)bt

1
1

bt 1 )

…(1.1) …(1.2) …(1.3) …(1.4)

lt 1 ) (1

(1

) st

s

lt bt

st

: Pemulusan tren

Manajemen Risiko di Bidang Perbankan dan Asuransi |192

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

yt

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

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

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

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

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

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

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

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

= 0.2. untuk selanjutnya koefisien tersebut dipakai dalam analisis exponential

smoothing menggunakan software Minitab 14.

Manajemen Risiko di Bidang Perbankan dan Asuransi |194

2. 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. =0.1. dan = 0.4 memperlihatkan bahwa pola volume debit air masuk pada bulan juli-agustus 2010 telah bertambah apabila dibandingkan dengan bulan yang sama pada tahun 2009.9. dan 3. Manajemen Risiko di Bidang Perbankan dan Asuransi |195 . Hasil Analisis Analisis peramalan dengan menggunakan metode exponential smoothing dengan koefisien pemulusan sebesar = 0. 5. didapat kesimpulan bahwa : 1. Apabila hasil peramalan menjadi kenyataan akan terjadi peningkatan potensi Pembangkit Listrik Tenaga Air sebagai energi ramah lingkungan. 13 November 2010 4. Dalam bulan Juli dan Agustus 2010 diramalkan akan terjadi peningkatan debit air masuk meskipun telah memasuki musim kemarau. memberikan hasil peramalan untuk 60 hari kedepan (2 bulan) adalah sebagai berikut (dalam plot data. Diperkirakan telah terjadi perubahan pola musim.2 yang diterapkan pada data debit air masuk harian di Waduk Saguling.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Kesimpulan dan Saran Berdasarkan hasil analisis peramalan.

Bombay : Kanwal Rekhi School of Information Technology.25 59.29 58.08 145.83 151.92 192.25 102.46 106.08 104. Prajakta S. 2. www.63 63.zaitunsoftware.00 26.31 69.75 162.42 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 69.25 36.55 97. 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 1.63 192.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.or.58 76.35 77. Kalekar. 13 November 2010 Saran 1. 3.com Lampiran 1. Time Series Forecasting using Holt-Winters Exponential Smoothing.88 128.00 26.25 40.38 55.00 88.08 69. dilakukan penelitian jangka panjang mengenai perubahan pola cuaca dan pengaruhnya terhadap peningkatan atau pengurangan potensi sistem produksi energi.75 145.17 29.08 85.id/index.83 86.79 26.dirgantaralapan.79 104.58 85.42 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Manajemen Risiko di Bidang Perbankan dan Asuransi |196 .50 72.33 82. 2004.42 58.71 66.04 74.50 151.21 83.42 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 100.92 81.42 73. Data Debit Air Masuk Harian di Waduk Saguling 42. http://iklim.50 109.54 97.50 111.13 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 Jan-09 122.46 93.00 94.33 97.php?option=com_content&view=article&id=85&Itemid=78 (diakses tanggal 8 November 2010) 2.08 134.17 141.67 234.

71 72.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.38 122.79 Mei-09 120.13 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 104.63 95.83 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 113.08 Mei-09 130.04 130.58 142.79 Mei-09 138.50 63.50 71.88 92.33 Mei-09 Mei-09 Mei-09 Mei-09 Mei-09 107.96 308.92 136.25 Mei-09 Mei-09 Mei-09 Mei-09 Mei-09 Mei-09 121.58 Juni-09 142.17 Mei-09 143.58 276.58 98.67 Juni-09 262.46 127.63 65.04 83.63 85.67 155.75 189.71 180.33 66.92 202.67 287.71 Mei-09 128.54 88.54 180.46 Mei-09 80.29 125.42 80.54 202.96 Mei-09 145.00 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Feb-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 Mar-09 248.92 210.42 Juni-09 109.71 Juni-09 127.29 210.33 94.67 54.21 Juni-09 90.79 203.88 142.17 98.67 Juni-09 87.25 121.88 Mei-09 104.75 Juni-09 168.21 75.54 117.00 259.58 Mei-09 95.75 148.00 Mei-09 217.17 Juni-09 100.38 208.21 99.63 108.88 80.17 224.92 Mei-09 195.54 Mei-09 121. 13 November 2010 261.71 Mei-09 102.92 229.04 140.13 226.54 138.08 108.71 175.04 Juni-09 123.75 Juni-09 102.50 161.25 Juni-09 Manajemen Risiko di Bidang Perbankan dan Asuransi |197 .13 142.83 156.38 246.92 97.92 173.96 92.25 93.83 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 Apr-09 156.04 Mei-09 99.04 111.58 171.50 109.79 Juni-09 218.25 123.71 221.63 165.46 Mei-09 118.96 83.08 Mei-09 80.96 188.21 70.83 106.33 226.67 200.04 248.25 81.88 Mei-09 Mei-09 125.67 101.38 252.83 191.88 86.79 70.67 172.83 67.50 Mei-09 Mei-09 193.00 117.

50 23.79 11.50 37.63 11.92 18.00 11.96 Okt-09 102.17 16.08 38.08 29.88 18.88 10.04 13.67 36.00 12.00 12.00 16.50 50.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.00 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 18.96 Okt-09 Okt-09 Okt-09 Okt-09 Manajemen Risiko di Bidang Perbankan dan Asuransi |198 .83 14.00 11.38 28.00 11.00 12.67 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Agus-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 11.50 31.92 12.83 19.38 9.13 12.25 15.33 11.00 45.00 12.92 48.67 13.00 15.96 11.29 60.25 12.00 11.17 10.29 17.88 10.42 17.25 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Sep-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 114.00 10.00 12.33 11. 13 November 2010 70.17 13.71 45.71 23.83 54.00 18.00 27.33 36.92 38.13 28.21 12.00 38.08 44.79 11.13 12.00 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 Juni-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 Juli-09 18.75 14.83 12.00 11.25 85.63 11.71 10.75 11.88 Okt-09 77.29 41.67 21.38 10.92 16.13 12.00 18.63 57.67 15.00 17.00 12.00 18.25 14.00 22.04 81.79 32.04 10.00 28.50 13.00 11.58 26.50 15.00 11.38 12.21 12.00 18.33 27.79 32.50 15.71 24.00 13.42 12.00 28.00 12.88 15.79 28.00 12.38 54.25 11.46 38.04 17.58 37.79 11.83 11.

92 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Manajemen Risiko di Bidang Perbankan dan Asuransi |199 .71 46.38 185.08 274.29 61.58 149.92 88.74 83.04 72.04 Okt-09 67.21 36.33 79.46 129.33 16.79 256.88 14.63 91.08 180.92 70.63 59.71 49.63 24.46 41.83 21.25 108.00 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 Des-09 240.42 164.63 16.38 47.17 13.67 49.50 341.88 75.00 40.74 177.13 110.71 187.00 15.13 70.46 396.46 184.71 Des-09 83.50 87.54 76.00 273.54 158.46 37.38 178.17 Des-09 206.50 40.50 17.33 16.58 Des-09 234.52 176.96 63.08 Des-09 160.83 281.13 29.67 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 120.63 74.88 64.21 63.33 98.79 159.08 Des-09 224.58 23.31 226.63 64.04 52.21 235.79 140.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.25 81.04 276.96 14.25 Des-09 281.00 53.96 35.79 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 67.75 38.92 34.88 192.25 75.92 165.17 227.25 20.79 71.04 Des-09 236.75 19.58 178.00 16.17 20.88 25.96 34.25 53. 13 November 2010 22.58 70.25 61.25 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Jan-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 134.88 132.17 36.38 15.08 77.13 21.00 Okt-09 Okt-09 Okt-09 44.63 68.79 137.58 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Okt-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 Nov-09 162.54 109.83 256.71 22.67 15.54 42.13 166.21 71.04 19.25 182.96 286.

25 Mei-10 113.75 213.50 402.79 Mei-10 219.88 92.33 363.42 202.46 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Apr-10 Apr-10 Apr-10 Apr-10 219.21 201.96 Mei-10 150.92 401.88 Mei-10 130.54 595.25 341.83 249.25 84.21 300.42 166.63 128.04 115.46 Mei-10 110.46 225.92 Mei-10 296.33 71.17 359.50 170.17 494.83 Mei-10 276.00 271.58 189.46 169.04 338.04 56.13 339.75 393.38 368.29 215.83 233.33 174.08 56.00 Mei-10 199.25 201.67 371.79 426.88 Mei-10 235.38 Mei-10 132.54 286.63 69.67 106.58 94.54 212.54 Mei-10 216.29 216.75 178. 13 November 2010 391.54 81.38 455.63 216.46 155.13 322.50 342.75 Mei-10 309.75 Mei-10 246.71 159.33 88.25 90.75 69.38 210.08 505.25 249.25 Mei-10 197.71 189.79 Mei-10 127.83 244.75 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Feb-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 Mar-10 200.79 262.54 245.96 303.29 Mei-10 382.92 291.04 201.50 156.92 287.42 214.00 185.08 Juni-10 Manajemen Risiko di Bidang Perbankan dan Asuransi |200 .54 Mei-10 155.46 Mei-10 Mei-10 Mei-10 Mei-10 Mei-10 140.04 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Apr-10 Mei-10 Mei-10 Mei-10 75.50 328.00 399.83 98.13 65.96 194.25 303.38 58.38 380.00 86.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.92 132.63 68.63 265.08 512.58 Mei-10 200.75 Mei-10 138.96 267.92 Mei-10 225.17 135.67 86.63 183.00 405.38 259.79 Mei-10 165.79 56.75 Mei-10 143.50 286.21 Mei-10 253.67 183.

019 113.20 42.845 130.42 32.365 2 75.686 145.799 6 103.97 Juni-10 100.598 211.306 171.75 Juni-10 126.40 Juni-10 84.17 42.461 15 56.599 18 43.794 90.395 157.496 20 82. 13 November 2010 94.57 Juni-10 Juni-10 Juni-10 Juni-10 Juni-10 Juni-10 119.348 118.50 Juni-10 Juni-10 Juni-10 Juni-10 153.085 7 109.278 133.08 66.79 Juni-10 103.65 4 95.943 101.25 47 48 49 50 51 52 53 54 55 56 57 58 59 60 212.28 Juni-10 81.63 64.48 35.025 129.043 165.65 5 87.745 135.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.53 Juni-10 47.053 92.711 16 64.922 112.476 22 104.466 181.42 Juni-10 150.704 185.362 279.238 10 97.40 Juni-10 Juni-10 Juni-10 Juni-10 Juni-10 100.686 173. Hasil Peramalan 60 hari kedepan Hari Peramalan ke.173 17 53. 1 84.416 8 96.11 129.467 166.226 105.26 83.38 114.947 12 62.71 77.247 128.895 Manajemen Risiko di Bidang Perbankan dan Asuransi |201 .036 171.572 228.341 141.79 74.40 45.923 248.42 Juni-10 111.518 145.877 169.24 Juni-10 69.326 19 49.61 151.221 3 81.267 100.46 Juni-10 114.641 14 53.023 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 81.998 109.91 Juni-10 115.94 Juni-10 94.977 21 100.443 9 85.64 133.661 13 65.201 11 66.48 42.732 125.75 Juni-10 297.99 53.984 169.10 Juni-10 2.

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

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

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

3. Misalkan diketahui input kunci = „CRYPTOGRAPHY MMB‟. 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. maka proses pembentukan kuncinya adalah sebagai berikut : Kunci = CRYPTOGRAPHY MMB Ubah ke bentuk biner = 0100001101010010010110010101000001010100010011110100011101010010010000 0101010000010010000101100100100000010011010100110101000010 Dipecah menjadi 4 buah sub kunci : K(0) = 01000011010100100101100101010000 K(1) = 01010100010011110100011101010010 K(2) = 01000001010100000100100001011001 K(3) = 00100000010011010100110101000010 Manajemen Risiko di Bidang Perbankan dan Asuransi | 205 . 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 Pembentukan Kunci. proses penyelesaian metode MMB ini dapat dibagi menjadi 3 tahapan yaitu : 1. Proses Enkripsi. 13 November 2010 1 1 0 III. diberikan sebuah contoh berikut ini.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Untuk lebih memahami proses pembentukan kunci pada metode MMB. Proses Dekripsi. 2.

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

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

13 November 2010 01101101000111010001100100010000 11111111111111111111111111111111 MOD 01111010 Kemudian hasil dari perkalian pada table 3.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.2 akan dikalikan dengan konstanta C.3 dibawah ini: Proses Yi-1 XOR Yi XOR Yi+1 Yi-1 XOR Yi XOR Yi+1 X(0) = Y(3) XOR Y(0) XOR Y(1) = 01100000110100001101011111010000 XOR 01111010011111010000110010000010 XOR 01101101011011000110110000000100 01110111110000011011011101010110 Hasil X(1) = Y(0) XOR Y(1) XOR Y(2) = 01110111110000011011011101010110 00110101100110011011001100101011 XOR 01101101011011000110110000000100 XOR 00101111001101000110100001111001 X(2) = Y(1) XOR Y(2) XOR Y(3) = 00110101100110011011001100101011 XOR 00101111001101000110100001111001 XOR 01100000110100001101011111010000 01111010011111010000110010000010 X(3) = Y(2) XOR Y(3) XOR Y(0) = 01111010011111010000110010000010 XOR 01100000110100001101011111010000 XOR 01110111110000011011011101010110 01101101011011000110110000000100 Manajemen Risiko di Bidang Perbankan dan Asuransi | 208 . 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.

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 Manajemen Risiko di Bidang Perbankan dan Asuransi | 209 . Sebagai contoh.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. maka didapat Cipher text sebagai berikut: Hasil= 1011011000011101000101110010100001000110001100110000001001110110000011 0111011100010100111110010110101101111011000100001100101001 Ciphertext = ¶(F3vÜSå-ìC) Proses Dekripsi Proses dekripsi ini merupakan proses kebalikan dari proses enkripsi. 13 November 2010 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.

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

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

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

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

1 2

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

1

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

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

(1)

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

Manajemen Risiko di Bidang Perbankan dan Asuransi | 213

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

rata dari X :
E( X ) 1 n
n

xi
i 1

(2)

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

(3)

dan

E( ( X )) merupakan nilai harapan variable acak

(X ) dengan fungsi densitas

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

n

( xi )
i 1

(4)

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

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

ˆ . n

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

Manajemen Risiko di Bidang Perbankan dan Asuransi | 214

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

2. Metode Control Variates Andaikan dalam nilai

E(Y ) dimana Y

h(Y ) dan merupakan output dari

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

adalah :

ˆ

c

Y

c( Z

E ( Z ))

dimana c merupakan sebuah bilangan real sehingga E ( ˆc )

dan memiliki nilai varians

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

c
(6)

Cov(Y , Z ) Var ( Z )

Subsitusi nilai c kedalam persamaan 1 didapat:

Var ( ˆc ) Var (Y )
(7)

Cov(Y , Z ) 2 Var ( Z )

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

Cov(Y , Z )

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

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

Manajemen Risiko di Bidang Perbankan dan Asuransi | 215

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010
n

ˆ
c

(Yi
i 1

c (Z i n

E ( Z ))
(8)

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

(Y j Cov(Y , Z )
j 1

Y p )(Z j p 1

E ( Z ))

(9)

p

(Z j Var ( Z )
j 1

E ( Z j ))2 p 1

(10)

Sehingga didapat

ˆ c

Cov(Y , Z ) Var ( Z )

Secara lengkap algoritma metode control variates disajikan sbb:

3. Desain Simulasi

Manajemen Risiko di Bidang Perbankan dan Asuransi | 216

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

Untuk mengetahui performasi nilai taksiran dengan

menggunakan algoritma

Metode Control Variates akan ditaksir nilai taksiran dari nilai ekspektasi

E (e (U

W )2

) dengan prosedur simulasi sbb:

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

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

,..., Yn

e (U n

Wn ) 2

dan Z1

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

(U n Wn )2

ˆ 3. Hitung nilai c

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

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

Tabel 1 Nilai Taksiran

E (e (U

W )2

)

Metoda Control Variates Non Control Variates

Rata-rata 4.9329 5.0340

Varians 3.1218 6.2507

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

Manajemen Risiko di Bidang Perbankan dan Asuransi | 217

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

1. 2.

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

3.

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

4.

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

Daftar Pustaka

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

Manajemen Risiko di Bidang Perbankan dan Asuransi | 218

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

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

1.

Pendahuluan

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

Manajemen Risiko di Bidang Perbankan dan Asuransi | 219

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

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

B

1

1

B ...

p

Bq

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

Manajemen Risiko di Bidang Perbankan dan Asuransi | 220

2. D.. Correlogram digunakan antara lain untuk menentukan lag yang signifikan dan untuk menentukan ordo p dan q dari model ARIMA.5. Estimasi Parameter model ARIMA Dalam menaksir parameter model ARIMA ada beberapa metode yang dapat dilakukan. 2. Jenkins. Bentuk-bentuk plot ACF dan PACF dalam mengindentifikasi model ARIMA adalah seperti pada Tabel 2. maka model ARIMA akan menjadi Seasonal ARIMA atau biasa disingkat menjadi SARIMA dengan ordo ( P. Bentuk umum dari model SARIMA adalah sebagai berikut : s s D s (2) P ( B )(1 B ) Z t Q ( B ) at dimana : P = parameter seasonal autoregressive Q = parameter seasonal moving average Dengan menggabungkan persamaan (2. Uji Asumsi Residual ACF turun cepat secara eksponensial / sinusoidal terputus setelah lag q terputus setelah lag q turun cepat setelah lag (q-p) PACF terputus setelah lag p turun cepat secara eksponensial / sinusoidal terputus setelah lag p turun cepat setelah lag (pq) Manajemen Risiko di Bidang Perbankan dan Asuransi | 221 . dan Bs adalah polynomial dengan ordo P dan Q untuk seasonal.3.1 Bentuk ACF dan PACF untuk model ARIMA Model AR(p) MA(q) AR(p) atau MA(q) ARMA(p. B dan P B . Q ) s . adalah polynomial dengan ordo p dan q untuk nonQ B s . Identifikasi model ARIMA menggunakan Correlogram Identifikasi model ARIMA bisa dilakukan dengan melihat plot ACF dan plot PACF yang dinamakan sebagai correlogram.1.q) Sumber : (Wei. 1994). Tabel 2. salah satunya yaitu metode Conditional Least Squares (Box. 2. dan Reissel. maka akan diperoleh model multiplicative dengan bemtuk umumnya sebagai berikut : p B P Bs 1 B p d 1 Bs q D Zt q B Q B s at (3) dimana : seasonal. 13 November 2010 Jika pada data deret waktu terdapat komponen musim (s).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. d dan D merupakan bentuk non-seasonal dan seasonal dari differencing yang digunakan. 1990). Untuk mengetahui apakah parameter model ARIMA yang telah diestimasi signifikan atau tidak maka dilakukan pengujian signifikansi parameter dengan menggunakan uji-t.13) dengan (2.4.14).

Populasi dengan kromosom bilangan biner Untuk membangun model ARIMA. ρk 0 H1 : minimal ada satu m yang tidak sama dengan nol untuk m 1. atau bilangan riil. Manajemen Risiko di Bidang Perbankan dan Asuransi | 222 . 3. 01110)..Q)s yaitu SARMA ([1. 4].q)(P. 3. Integer.. maka model nya adalah SARMA (p.1. Misalnya.1.. Hipotesisnya adalah sebagai berikut : H0 : ρ1 ρ2 . Algoritma Genetika sangat efektif dan efisien serta memiliki kemungkinan yang besar untuk mendapat solusi global optimum (Palit dan Popovic. 4])([1. jika kromosom yang dihasilkan adalah (10110. Setiap kromosom mempunyai nilai ukuran berupa nilai fitness yang menyatakan solusi dari suatu permasalahan. Kromosom 1 Kromosom 2 Populasi Kromosom 3 Kromosom 4 1 0 0 1 1 0 0 1 1 0 1 1 1 0 0 1 1 0 0 0 1 1 1 1 0 0 0 1 1 1 0 0 1 1 0 0 1 1 0 0 Gambar 2. mutasi. Akurasi Peramalan Data Time Series Akurasi peramalan dapat diukur dari nilai berikut diantaranya : . Kumpulan dari kromosom yang dibentuk merupakan populasi atau disebut sebagai generasi. Representasi Kromosom Representasi kromosom adalah pembentukan dan pengkodean kromosom.. 5].. 4])s. 01010. Kromosom dapat berupa nilai biner. dan seleksi untuk mendapatkan solusi optimum. 2.6. maka didekati dengan model ARMA terlebih dahulu. Rumusnya adalah sebagai berikut : 2 1 n ˆ MSE Zt Zt (4) nt1 3. Ada empat bagian dalam setiap kromosom yang harus dibentuk untuk menghasilkan bentuk AR. Dalam satu kromosom terdapat beberap gen yang jumlahnya ditentukan sesuai kebutuhan. [2. MA. [2. Solusi yang didapatkan dengan algoritma genetika berupa kromosom yang disebut sebagai struktur data. Algoritma Genetika Algoritma Genetika menerapkan proses biologi dari rekombinasi genetika. 10001.Mean Squared Error (MSE) yaitu rata-rata jumlah kuadrat error peramalan.2. 13 November 2010 White noise dilakukan untuk melihat apakah error yang dihasilkan memiliki varians konstan (identik) dan tidak ada autocorrelation.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. seasonal AR dan seasonal MA.k .. 3. 2005).

Seleksi Seleksi adalah proses memilih dua kromosom induk dari populasi yang akan digunakan dalam proses berikutnya yaitu crossover. makin besar nilai fitness. 13 November 2010 3.2. sebaliknya semakin rendah nilai fitness maka suatu kromosom tidak dapat bertahan dalam generasinya. … . Ilustrasinya adalah sebagai berikut : Induk A Induk B Keturunan A Keturunan B 0 1 1 1 0 1 0 0 1 1 1 1 0 0 0 1 1 0 0 0 0 1 1 1 1 1 0 0 0 0 1 0 1 0 0 1 0 0 1 1 Gambar 2.2. 3.5.2. Tujuannya yaitu untuk memilih bagian terbaik dari kromosom sebelumnya. Mutasi Manajemen Risiko di Bidang Perbankan dan Asuransi | 223 . Kromosom baru dibentuk dari kromosom dari induk A sebelum titik potong dan dari induk B setelah titik potong dan sebaliknya.4. i = 1. Multi Point Crossover. Proses seleksi yang akan digunakan pada penelitian ini yaitu seleksi Boltzmann. Semakin tinggi nilai fitness menunjukkan kromosom tersebut dapat bertahan dalam generasinya. 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. Salah satu proses crossover yaitu multi point crossover dimana ditentukan beberapa titik potong. Pada seleksi Boltzmann kemungkinan kromosom terpilih berdasarkan nilai fitness tiap kromosom dalam suatu populasi. Crossover Crossover mengkombinasikan dua induk hasil seleksi untuk mendapatkan keturunan. Fungsi Fitness Fungsi fitness merupakan probabilitas suatu kromosom dapat tetap terpilih dalam generasi berikutnya.3. Fungsi fitness yang digunakan pada penelitian ini adalah : 1 (5) f ( x) MSE 3. Kemudian kromosom induk hasil seleksi dipotong. 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 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

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

0 Limit 250000 200000 Jan Jul Jan Jul Jan Jul Jan Month Jul Jan Jul Jan (a) (b) Gambar 5.03 1.0% confidence) Estimate -0.(b). Menentukan model terbaik berdasarkan nilai fitness yang paling besar 3. Identifikasi model ARIMA menggunakan metode algoritma genetika dengan langkah-langkah sebagai berikut : a.1.50 Time Series Plot of JArr 400000 47500 45000 42500 StDev Lower C L Upper C L Rounded Value 350000 JArr 300000 40000 37500 35000 -5.5 5. Melakukan mutasi kromosom. Plot ACF dan plot PACF data deret waktu setelah dilakukan proses differencing yaitu sebagai berikut : Manajemen Risiko di Bidang Perbankan dan Asuransi | 225 . Menghentikan proses jika sudah mencapai jumlah generasi maksimum g.03 dan 1. Membandingkan nilai MSE yang dihasilkan. Melihat Stasioneritas terhadap Varians. Seleksi kromosom menggunakan seleksi Boltzmann d. Melakukan crossover terhadap kromosom hasil seleksi dengan metode multi point crossover e.52 -2. Sehingga tidak perlu dilakukan transformasi terhadap data. sehingga perlu dilakukan proses differencing 1 dan 12 terhadap data. b. Nilai yang minimum menunjukkan tingkat akurasi yang lebih tinggi.(a) diatas terlihat bahwa nilai Lambda terletak antara -2. Model yang menghasilkan nilai MSE minimum merupakan model terbaik. Representasi kromosom dan menginisialisasikan jumlah kromosom dalam populasi. Hasil dan Pembahasan Pertama yaitu melihat stasioneritas terhadap varians yang dapat dilihat pada gambar berikut : f. (b). 2.(a). Pada gambar 5.5 0.1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 Membandingkan nilai MSE dari masing-masing model.14 yang berarti bahwa data tersebut sudah statsioner terhadap varians. f. Kemudian yang berikutnya yaitu melihat stasioneritas terhadap rata-rata dengan melihat plot data deret waktu pada gambar 5. Box-Cox Plot of JArr Lower CL Upper CL Lambda (using 95.14 -0.0 Lambda 2. Pada gambar tersebut terlihat bahwa data tersebut tidak stasioner terhadap rata-rata. 5. Melihat Stasioneritas terhadap Rata-rata.0 -2.1. Menentukan dan Menghitung Fungsi Fitness c.

[1. Berdasarkan plot ACF dan plot PACF diatas.2 0. maka model terbaiknya setelah dilakukan 12 generasi adalah SARIMA(0.0)(1.1.1.1. sedangkan jika menggunakan metode Algoritma Genetika.1.5])(0.1.1.1. sehingga model identifikasi menggunakan Algoritma Genetika sesuai untuk data tersebut.(a).0)12 ARIMA(0.6 -0. (b). Hasil uji asumsi error dengan uji white noise adalah sebagai berikut: Manajemen Risiko di Bidang Perbankan dan Asuransi | 226 .1.1)12 ARIMA(2. Kemudian hasil dari uji white noise menunjukkan bahwa asumsi tidak ada autokorelasi pada error di semua lag bisa dipenuhi.1.1.1.0)(0.4 0.[3.2 -0.1.1.1. identifikasi model menggunakan metode Algoritma Genetika dapat menghasilkan hasil yang lebih baik dibanding dengan metode correlogram. maka model yang terbaik dengan metode Correlogram adalah model ARIMA (2.5])12 Algoritma Genetika ARIMA(0.3)(0.0)(0.1)([4].Prosiding Seminar Nasional Statistika Universitas Padjadjaran.8 0.0)12 MSE 505875660 576576870 524261720 470685810 526676055 458875974 502443463 493225943 467770803 459528628 Berdasarkan tabel diatas.4])12 ARIMA(1.2 -0.8 -1.6 Autocorrelation Autocorrelation Function for C7 0.1.1)12 ARIMA(2. maka perbandingannya adalah sebagai berikut: Tabel 5.1.0)12 ARIMA(0. Setelah menghitung kriteria pemilihan model terbaik.0 -0.1.1.8 -1.8 Partial Autocorrelation Partial Autocorrelation Function for C7 (with 5% significance limits for the autocorrelations) 1. Perbandingan Model Correlogram dengan Model Algoritma Genetika Metode Model ARIMA(2.1.2.2 0.4 0.1)12 ARIMA(0.1)12 ARIMA(2.3.6 0.0)(2.4.0)(1.3.0 1 5 10 15 20 25 Lag 30 35 40 45 (a) (b) Gambar 5.0 1 5 10 15 20 25 Lag 30 35 40 45 0.[1. 13 November 2010 (with 5% significance limits for the partial autocorrelations) 1.0 -0.0)12 Correlogram ARIMA(2.0 0.1)(1.1.1)(1.0 0.1.6 -0.4 -0.1.[3.0)(2.1)12. Plot Partial Autocorrelation Function.1.1.4 -0.1)(1. Plot Autocorrelation Function.1.4])12.

dan Cheng. IEEE Transaction on Signal Processing. 50 Gen.079 Terlihat diatas bahwa nilai P-value semuanya diatas 0. Kesimpulan dan Saran Pada makalah ini digunakan pendekatan metode Algoritma Genetika untuk mengidentifikasi model ARIMA dari data deret waktu. S. Statistics & Probability Letters 42 (1) 69–79.K. Makridakis. DAFTAR PUSTAKA Box. Chapman &C Hall/CRC Chen. 2000. G. 2002. Peng. dan McGee. 2000. Buletin Statistik Bulanan. S. B. R. Time Series Analysis Forecasting and Control.E...Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Wheelwright.5 16. Genetic Algorithms and Engineering Optimization. 1994....811 0. Jilid 1 Edisi Kedua.M. Indikator Ekonomi. 1999. S.P. Hari Suminto. Jenkins.2 57. W. Lee. Terjemahan Ir. 13 November 2010 Modified Box-Pierce (Ljung-Box) Chi-Square statistic Lag 12 24 36 48 Chi-Square 4. Jakarta Chan. Bina Rupa Aksara.C. Jakarta. Manajemen Risiko di Bidang Perbankan dan Asuransi | 227 .S.S.835 0. Chatfield.. Time-Series Forecasting.. A comparison of some of pattern identification methods for order determination of mixed ARMA models.8 DF 8 20 32 44 P-Value 0. V.. edisi ketiga.685 0. Maximum Likelihood Parameter Estimation of F-ARIMA Processes Using the Genetic Algorithm in the Frequency Domain. Badan Pusat Statistik. John Wiley & Son Inc. Metode Algoritma Genetika menghasilkan tingkat akurasi yang lebih tinggi dibandingkan dengan metode correlogram. 1999. Metode dan Aplikasi Peramalan. B.5 24. vol. 2004 – 2010.E.. Englewood Cliffs : Prentice Hall. C. M. dan Reissel. 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.C..05 yang menunjukkan bahwa asumsi tidak ada korelasi antar error sudah terpenuhi.. G.C. 6. Canada. G.

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

Prosiding Seminar Nasional Statistika Universitas Padjadjaran.8 yang artinya pada tahun 2000 setiap wanita usia subur rata-rata melahirkan antara 2 sampai 3 orang bayi. dan 146. Program KB Nasional mempunyai 2 tujuan. Proyeksi penduduk Indonesia ini akan dibuat sampai tahun 2060 menggunakan Metode Komponen.6.20 juta orang.30 % per tahun pada periode 1990-2000. Karena itu dalam makalah ini akan dibuat simulasi proyeksi penduduk Indonesia dengan asumsi TFR naik 5 % dan turun 5 % setiap periode proyeksi.26 pada tahun 2005 (BPS.6 pada tahun 1970 menjadi 2. Proyeksi Penduduk.26 (BPS. 1990.34 % pada periode 1961-1971 menjadi 1. namun angka pertumbuhan penduduk mengalami penurunan dari 2. 2006 a).5) SIMULASI PROYEKSI PENDUDUK INDONESIA DENGAN ASUMSI TFR NAIK DAN TURUN Yayat Karyana Jurusan Statistika FMIPA UNISBA E-mail : yayatkaryana@gmail. Namun sekarang perhatian berbagai pihak terhadap program BKKBN sudah mulai memudar. 179. Manajemen Risiko di Bidang Perbankan dan Asuransi | 229 . saat program Keluarga Berencana (KB) dicanangkan sebagai Program Nasional.5 % pertahun pada periode 1990-2000. 1. dan berdasarkan hasil SUPAS 2005 TFR turun menjadi 2. Meskipun LPP Indonesia terus turun namun jumlah penduduk Indonesia masih terus bertambah. Berdasarkan SP 1980. LPP Indonesia periode tahun 1971-1980 sebesar 3. TFR turun dari 5.com ABSTRAK Berdasarkan hasil Sensus Penduduk dari tahun 1961 sampai dengan tahun 2005.20 juta ( BPS. diharapkan pada tahun 2000 turun 50 % menjadi sebnesar 2. SP 2000. Berdasarkan hasil Sensus Penduduk 2000 (SP 2000) ternyata tujuan pertama telah tercapai bahkan dapat melampauinya.97 % pertahun pada periode 1980-1990 dan menjadi 1.25 juta. Kata Kunci : TFR. Metode Komponen. Turunya angka pertumbuhan tersebut salah satunya disebakan ada penurunan TFR (Total Fertility Rate). Sehingga memungkinkan TFR naik lagi.26juta dan 219. jumlah penduduk bertamah terus dan berdasarkan hasil SUPAS 2005 penduduk Indonesia mencapai 219. 2006 b).Pendahuluan Pada tanggal 29 Juni 1970. Penurunan TFR ini berdampak pada laju pertumbuhan penduduk (LPP).2 % pertahun turun menjadi 1.77 juta. yaitu menurunkan Total Fertility Rate (TFR) dan melembagakan/membudayakan Norma Keluarga Kecil yang Bahagia dan Sejahtera (NKKBS). TFR pada tahun 1970 sebesar 5. SP SUPAS 2005 penduduk Indonesia berturut-turut adalah 206. 13 November 2010 (S. 2006b).

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

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

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

121. 18 dan 15. 2002). 2. 28 . Manajemen Risiko di Bidang Perbankan dan Asuransi | 233 . UNFPA. 2. namun akan disimulasikan jika mengalami kenaikan. Pada kedua proyeksi tersebut sebelumnya sudah membuat estimasi parameter demografi penduduk Indonesia (BPS.072.3. Proyeksi Penduduk Indonesia per Propinsi menurut Kelompok Umur dan Jenis Kelamin 2000-2010 (BPS. 2001). proyeksi penduduk tahun 2000 – 2025 dibuat atas kerjasama antara BAPPENAS.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Pada proyeksi tersebut telah diambil asumsi antara lain : 2. Untuk keperluan Rencana Pembangunan Jangka Menengah dan Renmcana Pembangunan Jangka Panjang diperlukan proyeksi penduduk sampai dengan tahun 2025. Proyeksi yang didasarkan pada hasil SP 2000 hanya mencakup periode tahun 2000 – 2010.090 dan 2.3. TFR untuk periode proyeksi tahun 2005-2010.072 orang anak diakhir masa reproduksinya.1998). BPS. Asumsi mortalitas inipun makin lama makin turun. 2015-2020 dan 2020-2025 adalah berturut-turut 2. Karena itu. 13 November 2010 2.177. 2. AKB untuk periode proyeksi tahun 2005-2010. 2010-2015.2 Asumsi Mortalitas Asumsi mortalitas yang diambil pada proyeksi tersebut adalah Angka Kematian Bayi (AKB). Asumsi fertilitas ini makin lama makin turun. 2005). 23.276 . Dari asumsi tersebut piperkirakan bahwa pada tahu 2025 seorang penduduk wanita akan mempunyai anak rata-rata 2. 20102015. 2. Dari asumsi tersebut piperkirakan bahwa pada tahuN 2025 setiap 1000 kelahiran hidup rata-rata terdapat kematian bayi 15 orang. BPS dan UNFPA Badan Pusat Statistik (BPS) sudah beberapa kali membuat proyeksi penduduk Indonesia antara lain : Proyeksi Penduduk Indonesia per propinsi 1995-2005 (BPS. BPS dan UNFPA (United Nations for Population Funs Activities) pada tahun 2005 dengan data dasar hasil SP 2000 (BAPPENAS.1 Asuimsi Fertilitas Asumsi fertilitas yang diambil pada proyeksi tersebut adalah Angka Kelahiran Total atau Total Fertility Rate (TFR). 2015-2020 dan 2020-2025 berturut-turut adalah 36 .3 Proyeksi Penduduk dari BAPPENAS.

2002).7 juta .4 juta . karena meskipun ada. maka pertambahan penduduknya akan makin pesat. penduduk Indonesia masih bertambah.0 juta dan 273. 233.4 Proyeksi penduduk Indonesia tahun 2000-2025) Metoda proyeksi yang biasa digunakan oleh BPS untuk membuat proyeksi penduduk Indonesia adalah dengan Metoda Komponen (BPS. 2005-2010..3 Asumsi Mobilitas Asumsi mobilitas internasional penduduk Indonesia diambil 0. 3. TFR penduduk Indonesia tahun 1985-2005 Manajemen Risiko di Bidang Perbankan dan Asuransi | 234 .204. Jumlah penduduk menurut kelompok umur dan jenis kelamin tahun 2005 3. 3. maka dibuatlah proyeksi penduduk Indonesia tahun periode 2000-2005. 2015-2020 dan 2020-2025 berturutturut adalah 205. 261.2 juta orang. mortalitas dan mobilitas di atas . Hal ini dilakukan karena salah satu asumsi yang digunakan yaitu fertilitas diasumsikan naik dan turun. sedangkan asumsi moralitas diasumsikan mengikuti trend sebelum periode proyeksi. BAHAN DAN METODE Pada simulasi proyeksi penduduk ini akan menggunakan Metoda Komponen.0 juta. Tetapi untuk angka mobilitas antara propinsi tidak dianggap 0. 2010-2015.1 Bahan Bahan dalam penelitian ini yang diperlukan untuk proyeksi tersebut adalah : 1. 219.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2.132.3. 13 November 2010 2. namun jika dibandingkan terhadap jumlah penduduk Indonesia yang besar.3.477. Pada makalah ini akan dibuat simulasi proyeksi penduduk di mana fertilitas atau TFR tiap tahun mengalami kenaikan dan penurunan. Jumlah penduduk Indonesia tahun 1985 samapi tahun 2005.4 juta. Apalagi jika TFR tiap tahun mengalami kenaikan. 2.005.219. angkanya menjadi kurang berarti. Level Mortalitas Penduduk Indonesia tahun 1985-2005 4. 247. Berdasarkan asumsi fertilitas.572. Dengan asumsi TFR turunpun.

5). Cari model trend level mortalitas tahun 1985 samapi tahun 2005. Cari model trend level fertilitas tahun 1985 sampai tahun 2005. 2040-2045. dan hitung angka pertumbuhannya. 3). Buat proyeksi penduduk menurut kelompok umur dan jenis kelamin dengan diperlukan Metoda Komponen mengunakan rumus Persamaan (6) sampai Persamaan (11) tahun 2010-2060 Dengan asumsi :1) Level mortalitas sesuai trend yang terjadi hasil pada 2) 2) Fertilitas naik atau TFR naik 5 % setiap periode hasil pada 4) 3) Fertilitas turun atau TFR turun 5 % setiap periode. 2030-2035. 2015-2020. hasilnya adalah jumlah penduduk terus bertambah dan pada tahun 2060 terdapat 320 juta orang atau bertambah 50 % dari tahun 2005. 2025-2030. 13 November 2010 3. dan hitung angka pertumbuhannya. 2).5 juta orang atau Manajemen Risiko di Bidang Perbankan dan Asuransi | 235 . dan 2055-2060 berdasarkan hasil pada 5) 4. 2040-2045. Buat prroyeksi level fertilitas tahun 2010-2060 dengan memperhatikan hasil 3) dan dengan asumsi fertilitas naik. sedangkan jumlah bayi sebanyak 23. 2030-2035. 2) Hitung Laju pertumbuhan penduduk (LPP) dari tahun 2010-2015. HASIL PERHITUNGAN DAN PEMBAHASAN Dengan langkah-langkah perhitungan seperti dijelaskan di atas.2 Metode Untuk memdapatkan proyeksi penduduk Indonesia sampai tahun 2060 langkah-langkah sebagai berikut : 1). 2035-2040. 2015-2020. dan 2055-2060. 2035-2040. 1) Hitung jumlah penduduk Indonesia tahun 2010-2015. Buat proyeksi level mortalitas tahun 2010-2060 menggunakan hasil 1) dan buat asumsinya. 2020-2025. 2020-2025. hasil simulasi proyeksi penduduknya adalah sebagai berikut : 4.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. dan asumsi fertilitas turun. 2025-2030.1 Proyeksi Penduduk Dengan Asumsi TFR Tetap Pada simulasi proyeksi ini asumsi TFR sama seperti pada tahun 2005. 4).

3 22.2 378 42.1 54.3 20. Tabel 4.7 32.2 2.1 2.7 3. seperti pada Tabel 4.7 2.5 2.3 23.4 2.6 2.2 2.2. Proyeksi ini sangat mungkin tidak terjadi karena pada kenyataannya TFR masih berubah. sedangkan jumlah bayi sebanyak 54. Tabel 4.8 3.9 2.0 24.3 3.1 2.9 1.7 35.6 2.1 2.1 293 27.2 3.6 20.3 265 21.8 8 % Manajemen Risiko di Bidang Perbankan dan Asuransi | 236 .3 19.4 310 30.7 3.3 juta orang atau bertambah 180 % dari tahun 2005.1 228 21.5 1.3 17.1 PROYEKSI PENDUDUK INDONESIA DENGAN ASUMSI TFR TETAP THN PDK BAYI TFR TKP 2005 2010 2015 2020 2025 2030 2035 2040 2045 2050 2055 2060 PBD 213 19.6 8% 4.3 25.8 330 33.2 Proyeksi Penduduk Indonesia Dengan Asumsi TFR Naik 5 % Pada simulasi proyeksi ini asumsi TFR naik 5 % setiap periode proyeksi.3 17.7 2.2 2.3 1.4 2.3 2.0 25.0 307 22.1 227 20.9 2.8 22.5 314 23.3 28.7 293 22.9 23.3 21.4 353 37. hasilnya adalah jumlah penduduk terus bertambah dan pada tahun 2060 terdapat 447 juta orang atau bertambah 110 % dari tahun 2005.0 284 21. seperti pada Tabel 4.8 447 2.3 24.2 243 23.1 240 21.7 2.1 320 1.0 2.4 300 22.5 30.5 19.3 22.2 276 21.5 260 25.5 23. 13 November 2010 bertambah 20 % dari tahun 2005.2 PROYEKSI PENDUDUK INDONESIA DENGAN ASUMSI TFR NAIK 5 % TIAP PERIODE THN PDK BAYI TFR TKP 2005 2010 2015 2020 2025 2030 2035 2040 2045 2050 2055 2060 PBD 213 19.3 18.2 26.6 3.3 24.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.3 410 47.2 2.8 277 26.1.2 253 21.3 18.

0 2.6 253 11.8 20.8 255 17.3 18.2 kali lipat atau sebanyak 246 juta orang.0 247 18.3 0.3 Tabel 4.1 Kesimpulan Dengan asumsi fertilitas naik 5 % setiap periode proyeksi atau setiap 5 tahun.9 19.4 20.1 262 13.6 8 % 5.2 9.0 19.0 1.5 1.4 2.9 258 12. seperti pada Tabel 4.6 21.6 1.1 1.6 1.7 21.5 20.3 Proyeksi Penduduk Indonesia Dengan Asumsi TFR Turun 5 % Pada simulasi proyeksi ini asumsi TFR turun 5 % setiap periode proyeksi.4 260 16.0 263 14.5 1.1 2.9 juta orang atau turun 50 % dari tahun 2005.3 1.3 1. maka penduduk Indonesia pada tahun 2060 naik menjadi 2 kali lipat penduduk tahun 2005.6 19.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.3 17.1 226 19.4 20.8 262 15. sedangkan apabila fertilitas turun 5 % setiap periode proyeksi maka penduduk Indonesia naik menjadi 1.3 1. hasilnya adalah jumlah penduduk masih terus bertambah dan pada tahun 2060 terdapat 246 juta orang atau hanya bertambah 20 % dari tahun 2005. Manajemen Risiko di Bidang Perbankan dan Asuransi | 237 .8 20.2 246 1. atau sebanyak 447 juta orang. sedangkan jumlah bayi sebanyak 9.3 PROYEKSI PENDUDUK INDONESIA DENGAN ASUMSI TFR TURUN 5 % SETIAP PERIODE THN PDK BAYI TFR TKP 2005 2010 2015 2020 2025 2030 2035 2040 2045 2050 2055 2060 PBD 213 19. KESIMPULAN DAN SARAN 5. 13 November 2010 4.9 0.1 237 19.

Population Studies No : 25 U. ___. 2007. Mortalitas dan Migrasi. BPS. BPS dan UNFPA.. Complite Life Table Based on Coale and Demeny Model (West) Life Table. Yogyakarta. 1972 United Nations. Karyana. Manual III. Makalah disampaikan pada SEMINAR SEHARI di FMIPA UGM. 1952. 2001. 2006 a.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 20 Juli 2007. Mortalitas dan Migrasi.P. dan semua pihak diharapkan dapat membantu program pemerintah pusat dan daerah sehingga penduduk dapat tumbuh seimbang dan dapat dipenuhi segala kebutuhannya. Sinha U. 2005. Syarief.1998. Manajemen Risiko di Bidang Perbankan dan Asuransi | 238 . Kalla. Yayat. maka disarankan untuk menata ulang kebijakan tentang BKKBN sekarang . New York. Departement of Economic and Social Affairs. ___. Estimasi Fertilitas. 13 November 2010 5. Proyeksi Penduduk Indonesia per Propinsi menurut Kelompok Umur dan Jenis Kelamin 2000-2010. edisi 7 Pebruari 2007. 2006 b. 2000. Hasil SUPAS 2005.N. 2007. BKKBN Tidak Bisa Menempatkan Kebijakan Yang Sama. Bombay. Suara Pembaharuan. ___. Sugiri. 2002. Proyeksi Penduduk Indonesia 2000-2025. Proyeksi Penduduk Dengan Menggunakan Metoda Campuran. Pikiran Rakyat. termasuk penataan ulang program dan pengagaran. edisi Jumat.. Proyeksi Penduduk Indonesia per Propinsi 1995-2005. DAFTAR PUSTAKA BAPPENAS. Pelaksanaan Program KB Mulai Mengendur. Penduduk Indonesia. Methods for Population Projection by Sex and Age. ___.2 Saran Agar supaya proyeksi penduduk terjadi sesuai yang diharapkan. Estimasi Parameter Demografi Fertilitas. Yusuf.

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

& Ross. baik sebagai hasil dari perencanaan yang sadar atau secara tidak sengaja (default). Level 2 melibatkan interaksi langsung antara guru dan siswa yang difokuskan pada tugas. 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. kerja tim dan kemampuan komunikasi. Level 1 merujuk kepada petunjuk (promt) dan rangsangan yang ada di lingkungan. matematika tampaknya masih menjadi salah satu mata pelajaran yang sulit bagi siswa. bahwa „scaffolding‟ merefleksikan cara orang dewasa membantu siswa ketika dia belajar dan pada akhirnya melepasnya ketika dia sudah bisa mandiri (Wood. Von Glaserfeld (1995) mengatakan bahwa 'Pendidik‟ telah memperhatikan bahwa banyak siswa yang cukup mampu untuk mempelajari formula yang diperlukan Manajemen Risiko di Bidang Perbankan dan Asuransi | 240 . Meskipun banyak laporan yang telah menunjukkan tentang kemajuan kinerja siswa.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.. belajar mandiri. Bruner. 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. Untuk kegiatan kelas. Temuannya telah banyak diadops dan digunakan dalam menentukan kebijakan yang membantu pengajaran matematika yang efektif. Para pakar dan praktisi pendidikan telah aktif terlibat dalam penelitian tentang pendidikan matematika. Pengertian itu juga sejalan dengan yang dikemukakan Wood dkk. keterampilan berpikir tingkat tinggi. Angghileri (2006) mengajukan tingkatan penerapan skoffolding dengan memilah scaffolding pada tiga level dukungan guru. Diharapkan bahwa para siswa akan terlibat dalam pembelajaran lebih bermakna dan berbagai keterampilan berfikir siswa. 13 November 2010 Vygotsky (1978) sebagai scaffolding. 1976). yang melayani untuk mendukung belajar siswa dalam matematika. A. 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. Strategi tersebut bervariasi dari instruksi langsung yang menunjukkan dan memberitahu kearah membuat makna yang lebih kolaboratif. Perubahan Paradigma Pembelajaran Abad ke-21 ini ditandai dengan kemajuan pengetahuan dan teknologi pembelajaran.

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

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

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

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

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

1996:8). 1996.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Guru sebagai mediator memiliki peran mendorong dan menjembatani siswa dalam upayanya membangun pengetahuan. yaitu melalui proses regulasi diri secara internal. Dalam hubungan ini. 13 November 2010 adalah suatu proses dimana pengetahuan dibangun dan diuji secara kontinu. Proses dalam kognisi diarahkan melalui adaptasi intelektual dalam konteks sosial budaya. (Dixon-Kraus. yaitu : (1) fungsi dan pentingnya bahasa dalam komunikasi sosial yang dimulai dari proses pencandraan terhadap tanda (sign) sampai kepada tukar menukar informasi dan pengetahuan. Pengetahuan mereka harus diuji kebenarannya oleh dunia luar individu atau grup sosial untuk selajutnya diterima sebagai pengetahuan mereka bersama. Zona of Proximal Development adalah daerah antar tingkat perkembangan sesungguhnya yang didefinisikan sebagai kemampuan memecahkan masalah secara mandiri dan tingkat perkembangan potensial. p. (2) tentang Zona of Proximal Development (ZPD).274-275). pengertian dan kompetensi. Proses penyesuaian itu ekivalen dengan pengkonstruksian pengetahuan secara intra individual. yaitu Manajemen Risiko di Bidang Perbankan dan Asuransi | 246 . Konstruktivis Vygotskian memandang bahwa pengetahuan dikonstruksi secara kolaboratif antara individu dan keadaan tersebut dapat disesuaikan oleh setiap individu. Untuk menjawab pertanyaan tersebut di atas kita biasa menggunakan gagasan Vygotsky tentang teori kognitif sosial. yaitu proses yang menekankan pada aspek interkasi sosial masing-masing individu dalam budaya mereka. Ada dua point penting yang dapat di ambil dari teori Vygostsky. Dengan demikian dalam pandangan Vygotsky bahwa pembelajaran merupakan aspek sosiokultural. para konstruktivis Vygotskian lebih menekankan pada penerapan teknik saling tukar gagasan antar individu (Sheffer. 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. Dan objektivitas itu sendiri dipahami sebagai sosial artinya menjadi pengetahuan yang objektif jika sudah ada pengujian dan penerimaan secara sosial (social accepted). 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.

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

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

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

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

Wood (1994.1996) telah menulis secara luas tentang funnelling dan focussing pada 'pola interaksi' yang diamati di Tahun 2 kelas matematika. Zevenbergen. Guru dan siswa secara refleks belajar bagaimana berkomunikasi dalam ruang kelas dengan cara yang sangat spesifik. cara berbicara tentang sifat peran guru dalam membentuk komunikasi kelas dan budaya. 1985. dukungan guru tampaknya dikonseptualisasikan dengan cara yang berbeda baik dalam pendekatan pengajaran maupun literatur kognisi.structured Peer squencing and collaboration pacing tasks Menurut Anghileri (2006). kapan dan kepada siapa. tapi menawarkan lain. Response.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Hal ini menunjukkan bahwa guru mungkin sengaja mengadopsi pola interaksi tertentu. Feedback) di ranah murid guru" (Pimm. 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. Pada penerapan yang paling mendasar bahwa komunikasi verbal menjadi strategi yang hanpir digunakan oleh guru untuk menscafold belajar siswa. Mereka belajar dengan mengatakan apa. Dia membuat titik Manajemen Risiko di Bidang Perbankan dan Asuransi | 251 . Walalaupun scaffolding tipe ini bersifat verbal. terletak pada pengakuan peserta didik ke dalam praktik sosial-budaya tertentu. 1996). 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 tasks mengherankan mengingat keragaman praktek yang dianut oleh matematika sekolah. 13 November 2010 LEVEL 3 Developing Conceptual Thingking Making connection Developing representational tools Generating conceptual discourse Strategi Guru pada Pembelajaran dengan Scaffolding di Kelas. mungkin lebih berguna. seperti `bergerak' hanya akan efektif untuk sebatas bahwa permainan bahasa `baru' dihargai dan dipahami oleh siswa (Morine-Dershirner. 1994).

Prosiding Seminar Nasional Statistika Universitas Padjadjaran. pola-pola interaksi dapat dilihat untuk mewakili berbagai tingkat dukungan guru. dan excavating (penggalian) 3. Reviewing. 1994.159). 1994. (Wood. Namun. Dalam situasi ini. 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. ketika tingkat pemahaman siswa meningkat. Artinya. diantaranya adalah : 1. Tunjukkan pada saya / meyakinkan saya / bertanya/ Focussing Manajemen Risiko di Bidang Perbankan dan Asuransi | 252 . 159-160). Dengan penekanan pada interaksi kelas. Discussing. Dalam interaksi tertentu. Berapa tahapan dalam membangun scaffolding di kelas dapat diidentifikasi dengan pendekatan atau interaksi yang beragam. p. guru mengakui bahwa siswa tidak mampu merespons dengan tepat dengan jawaban yang benar. 13 November 2010 bahwa pola interaksi alternatif untuk interaksi IRF tradisional. siswa selalu memiliki beberapa aspek masalah masih harus diselesaikan. pola interaksi ini dapat digambarkan sebagai salah satu yang pertanyaan guru bertindak untuk menunjukkan kepada anak fitur penting dari masalah yang belum dipahami. Pola focus juga dapat digambarkan sebagai suatu situasi di mana aspek-aspek penting untuk memecahkan masalah dibawa kedepan. Sesuai dengan dengan level scaffolding dijelaskan sebelumnya. dalam kajian ini. Selain itu. dan karena itu mencoba untuk menawarkan pedoman pertanyaan untuk tujuan memungkinkan siswa untuk memecahkan masalah. hal. gagasan tentang pendekatan pembelajaran merujuk pada tindakan komunikatif guru dalam upaya mereka menscaffolding belajar siswa belajar di kelas matematika. Bentuk pertukaran selalu berakhir dengan sebuah solusi untuk masalah yang dihadapi. Penyediaan lingkungan 2. tingkat dukungan guru berkurang. sifat dari dukungan ini jauh lebih jelas dibingkai dalam hal interaksi guru-siswa. 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.

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

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

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

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

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

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

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

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

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

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

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

Pelaksana Seksi Pelayanan membuat dokumen P001-D002P. Jika setuju dengan isi konsep surat. Pelaksana Seksi Pelayanan menentukan ketua dari setiap tim tersebut. Kepala Seksi Pengawasan memarafnya. Kepala Seksi Pengawasan harus sudah menentukan perlu tidaknya melakukan pengawasan selambat-lambatnya pukul 09. 7. dan P001-D002P sebagai lampirannya. 2.Kepala Seksi Pengawasan memeriksa konsep surat P001-D003. Jika tidak harus melakukan pengawasan maka proses selesai.30 pada hari Jum‟at terakhir minggu ini.Selambat-lambatnya 1 jam setelah menyelesaikan langkah 1.Pada setiap hari Jum‟at Kepala Seksi Pengawasan menentukan apakah minggu depan harus melakukan pengawasan atau tidak.Pelaksana Seksi Pengawasan menentukan tim pengawas pemeriksa SPPT yang terdapat pada P001-D002S (beranggotakan 15 orang). P001D002S berisi daftar SPPT Buku IV dan V yang harus diperiksa. Untuk menentukannya. 13 November 2010 f. 3. P001-D002P berisi daftar pengawas pemeriksa SPPT yang terdapat pada P001-D002S. Kepala Seksi Pengawasan menggunakan SOP RANDOMISASI PENGAWASAN BANK DATA ZNT / NIR SPPT BUKU IV DAN V BASIS MINGGUAN (SOP P003). 4. Prosedur: 1. Jika tidak Manajemen Risiko di Bidang Perbankan dan Asuransi | 264 .Pelaksana Seksi Pengawasan Membuat konsep Surat Tugas Pengawasan Bank Data ZNT / NIR SPPT Buku IV dan V (P001-D003) dengan dokumen P001D002S. 5.Paling lambat empat jam setelah menerima disposisi P001-D001. Pelaksana Seksi Pelayanan menggunakan SOP RANDOMISASI PEMILIHAN KETUA TIM PEMERIKSA SPPT (SOP P005). Pelaksana Seksi Pengawasan menyerahkan konsep surat tugas P001-D003 kepada Kepala Seksi Pengawasan. 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. 6.Pelaksana Seksi Pengawasan menentukan sampel SPPT dari SPPT Buku IV dan V menggunakan SOP PENENTUAN SAMPEL SPPT UNTUK PENGAWASAN BANK DATA ZNT / NIR SPPT BUKU IV DAN V (SOP P004). Untuk menentukannya. Pelaksana Seksi Pelayanan membuat dokumen P001-D002S.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

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

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

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

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

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

X=5. dalam hal manufaktur.40. SOP Pengawasan yang dikembangkan terbukti feasible secara analitik pada kondisi hipotetik dengan benefit [Bs] sebesar Rp. H=Rp. atau spesifikasi system.264. CFPD=Rp. Hal ini berarti metoda inspeksi yang dikembangkan akan menghasilkan inflow sebesar 1.000.000 b. 2 kali pengeluaran dalam waktu kurang dari 8 tahun. Angka BCRs =1. dan biaya investasi [Cr] Rp1. Selanjutnya berdasarkan perhitungan diperoleh Tr selama 1. biaya operasional [Cs]sebesar Rp. Feasibility study kondisi hipotetik Hasil perhitungan menunjukkan bahwa Cs= Rp. 947.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.432. Dalam hal ini kita lakukan langkah-langkah berikut ini: a.96.84/tahun.527. Parameter ini merupakan system fisik. Postulat Kesalahan dapat ditekan sampai 5% dengan BCR minimal 1. Konsumsi energi dihitung setelah system memasuki kondisi stabil. 789. dan investasi akan kembali setelah 4 tahun masa stabil.5% . 13 November 2010 Cfir = Ekspektasi biaya untuk menindaklanjuti hasil satu kali inspeksi masa transisi Cfpdr = ekspektasi biaya untuk menindaklanjuti satu kesalahan masa transisi (Berapa kali follow up cost dari masa stabil) Fr = Ekspektasi Rasio biaya penindaklanjutan pada masa transisi terhadap biaya penindaklanjutan pada masa stabil. parameter ini misalnya karakteristik mesin.165.909.527.fenomena seperti ini sama naturalnya seperti menghitung efisiensi konsumsi energy listrik pada peralatan elektronik. Bank yang diacu oleh P3ST adalah bank BNI.2 merupakan angka yang reasonable jika merujuk pada praktek perbankan khususnya bank Persero. atau pemasukan sebesar 1. Berdasarkan hal-hal di atas ROI dapat diperoleh seprti dilaporkan di bawah ini: 3.2 kali outflow .2 kali besarnya pengeluaran. Berdasarkan data BCRs BNI tahun 2001 dan 2010 diperoleh rerata BCRS bank BNI sebesar 1. Fr=2.86/tahun .parameter ini tidak dapat dikendalikan oleh manajemen. Tdk= ekspektasi waktu untuk memeriksa satu datum (jam) di kantor.Jika Manajemen Risiko di Bidang Perbankan dan Asuransi | 270 .28 jam.Hal ini berarti untuk mencapai masa stabil diperlukan masa transisi selama 2 tahun.717. TDK= 0.2 dan ROI kurang dari 10 tahun bila L0=10%. M mencerminkan proporsi keadaan populasi. Parameter-parameter tersebut adalah.M=probabilitas perlunya dilakukan penelitian lapangan per datum M=0.3.264.65 tahun.789. Ns=22 kali inspection.571.2. sehingga diperoleh BCRs sebesar 1. 2. Menetapkan parameter-parameter factual Parameter factual adalah parameter yang nilainya merupakan karakteristik lapangan.20 untuk masa transisi [ TR ]selama 2 tahun ROI = Cr / Bs = 4 tahun.566. sehingga mulai tahun ke tujuh akan diperoleh benefit 1.

Hal ini ditempuh dengan mengikuti prosedur sampling standar yang telah dikembangkan . Setting BCR=1.5%.2 menghasilkan NS=30. Artinya kita bisa berharap pada kenyataannya mendapatkan BCR menjadi. Kesimpulan: Input nilai-nilai parameter keputusan. ukuran tersebut sudah yang terbaik.165. c. X=rasio ukuran sampel terhadap ukuran populasi . Manajemen Risiko di Bidang Perbankan dan Asuransi | 271 . TDl=5.1%. Kita harus menghitung sampel yang tepat sebagai parameter manjerial masa stabil pertama. parameter factual.Selanjutnya parameter manjerial yang bersifat independen adalah DLPi ditetapkan sebesar 0. maka angka BCR sebesar 1.5% juga mengisyaratkan bahwa tidak beralasan menaikkannya lebih dari itu.6 bisa kita harapkan . dan tingkat ketelitian inspeksi terbaik [general Inspection Level III ] menunjuk pada kode M dengan ukuran sampel sebanyak 315 unit atau sebesar 5.dan Z= 1811m2/SPPT .222. Hasil-hasil pada butir a dan b memberi arti bahwa metoda pengawasan dengan 22 kali inspeksi/tahun diyakini efektif menghasilkan BCR=1. yaitu MIL STD 105 E. Artinya tidak ada sampel yang paling bagus selain 5.2. 13 November 2010 proporsi SPPT tak bersertifikat dalam populasi adalah 30%. c.Ukuran populasi sebanyak 5768 . B = ekspektasi biaya transport untuk melakukan penelitian lapangan per Datum.000 dan Fr=2 kali. padahal kita menetapkan NS sebanyak 22 kali.2 dan ROI 4 tahun. Hal ini berarti telah terjadi penyelamatan biaya sebanyak 8 kali inspeksi. Jumlah inspeksi pertahun ditetapkan sebanyak 22kali dan ini bersesuaian dengan CFPD =Rp.Parameter manajerial masa Stabil adalah parameter untuk mengendalikan masa stabil. R= Rp 1814.Mengapa?hal ini dapat dijelaskan sebagai berikut: a. Feasibility Study kondisi Hypothetic Setting Triplet parameter manajerial masa Stabil.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.NS .walaupun ada fakta yang ditunjukkan oleh BNI bahwa BCR yang bisa dicapai adalah 1.Penyelamtan biaya ini secara perhitungan matematis akan diikuti oleh peningkatan BCR menjadi 1. artinya jika NS ditetapkan pada nilai tertentu. Ada tiga parameter manjerial yang bersifat intercorrelated NS=22 kali/tahun . dan Fr. B=Rp. 4. CFPD. P=5768 SPPT. 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].2. 1. L0= 10% . maka suatu sampel berukuran tertentu diharapkan juga kan memuat proporsi populasi sebesar 30%.Parameter ini diberi symbol X. Jika angka BCR sebesar 1.2jam . maka CFPD dan Fr harus ditetapkan sebagi konsekuensi logis dari NS. b. 2 memberikan keyakinan lebih besar untuk dicapai.64.5 %. dan parameter manajerial tersebut di atas memberikan hasil yang menunjukan bahwa metoda pengawasan bersifat efektif dan feasible.64.Ukuran sampel 5.

5% Ns 22x CFPD Rp. Tabel .98 1. Bagaimana jika untuk setting parameter pada kajian Feasibility nilai m dirubah dengan nilai m=1 ? ini merupakan kondisi ekstrim. melampaui batas kelayakan . Hasilnya adalah NS turun menjadi 11 kali inspeksi dan ROI menjadi 10 tahun . Lo 10% M 0. maka yang harus dilakukan adalah menurunkan BCR dan Fr secara serempak sampai batas-batas BCR dan ROI yang tolerable. dengan kata lain kita harus mempersiapkan worst case scenario. karena model is always less complex than reality.2 yes 5.814 1.Artinya Sensitivity Analysis berupaya untuk mengetahui keadaan terburuk yang akan terjadi sehingga kita dapat mengantisipasinya.Hal ini muncul dari kesadaran bahwa Model inspeksi yang dikembangkan memuat error.2 0. Sensitivity Analysis Sensitivity Analysis dilakukan untuk melihat apa yang terjadi jika nilainilai parameter tidak sesuai dengan kondisi yang diharapkan.4 R 1.2. Sensitivity Analysis merupakan kegiatan untuk memeriksa bagaimana kalau terjadi kesalahan pada nilai-nilai parameter Factual dan parameter lainnya.814 1.3 0.000 165.Sensitivity Analysis L0 10% 8% 9% 10% M 0.31 Feasible Yes No Yes Yes Manajemen Risiko di Bidang Perbankan dan Asuransi | 272 . Kajian sensitivity analysis secara kompak disajikan pada table di bawah ini.3 R Fr Rp.814 Fr 2 2 2 2 X 5.Ternyata berdasarkan trial and error pada model perumusan. 000 ROI 5 BCRs Feasible 1.5% 5.Artinya persiapan inspeksi harus lebih serius dan lebih baik daripada sebelumnya.5% Ns 22 22 22 22 Cfpd 165.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.165.Apa yang harus dilakukan?Jika NS turun artinya kita harus bisa efektif dengan jumlah inspeksi yang lebih kecil.3 0.814 1. hal ini akan diikuti oleh peningkatan BCR.Artinya jika BCR diset sebesar satu itu tidak mungkin karena malah jadi rugi.039 dengan maksimum Fr. Hal ini memiliki konsekuensi untuk meningkatkan biaya follow-up masa transisi atau Fr. biaya follow up masa transisi maksimum sebesar 6 kali biaya follow up masa stabil.5% 5. Maka Fr harus dinaikan.000 165. tetapi kita harus mengantisipasinya.000 ROI 5 4 4 6 BCRs 1.31 1.1814 2 x X 5. expect the unexpected.5% 5. angka BCR yang tolerable adalah BCR=1.Akan tetapi kita sudah yakin dengan BCR sebesar 1. atau kondisi terburuk yang tidak diharapkan .000 165. Di samping itu penurunan NS berarti ada penyelamatan sebanyak 19 inspeksi dari 30 inspeksi.3 0. 13 November 2010 Berikut adalah feasibility study yang disajikan secara kompak dalam format tabular.

Sebagai ilustrasi jika L0=0.945+ 6.675 1. Model tersebut dapat diterima dengan melihat nilai signifikansi Alfa sebesar10%.5% 5.4 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.023 M +0.700 1.5% 5. 13 November 2010 10% 9% 10% 10% 10% 9% 9% 10% 10% 9% 9% 11% 0.000 165.083 1.4 1. atau -5.675 1.002R >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 < (6.225 1. maka nilai y harus lebih besar sama dengan 1 sehingga diperoleh pertidaksamaan y>=1.4 0.000 165.192 1.002R -6.dan R.002R.2 1.3 0.000 165.675 2 2 2 2 2 2 2 2 2 2 2 2 5. M.205 1.5% 5.5% 5.3 0.4 0.5% 5.23 1.500 1.000 182.000 165.5% 5.5% 5.600 1.000 165.100 190.000 6 4 4 4 6 4 4 6 6 4 4 4 1. Misal kita buat L0=8%.2268 L0 -6.000 165.Setelah dilakukan analisis regresi multivariat diperoleh model sebagai berikut: Y= -5. maka diperoleh hasil pada table di atas pada baris ke dua.2268 L0 -6.baris ke 1 adalah kondisi hipotetik.4 0.45 No No Yes Yes No Yes No Yes No Yes No Yes Untuk melakukannya kita harus bisa membayangkan parameter apa yang kita prediksi akan melenceng dari kenyatannya.4 0.5% 5. Berdasarkan data hasil Sensitivity Analysis pada table di atas kita dapat mencoba mengenali pola data dengan melakukan pendekatan analisis model regresi multivariate. Agar metoda pengawasan ini feasible.4 0.700 1.814 1.5 0.3 0.089 1.1 dan R Manajemen Risiko di Bidang Perbankan dan Asuransi | 273 .5% 22 22 22 22 22 22 22 22 22 22 22 22 165.2268 L0+ 0.700 1.945)/6. sedangkan variable independennya adalah L0.Variable dependen model tersebut adalah kondisi feasibility yang di beri kode 0 dan1.675 1.700 1.16 1.023 M +0.2 1.5% 5.814 1. Model ini memiliki akurasi klasifikasi sebesar 87%. Artinya 87 % dari keputusan model ini diharapkan benar.5% 5.945+ 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.3 0.000 209.000 165.670 220.045 1.5% 5.195 1.

IAAO. 2. Petunjuk Pelaksanaan Pendaftaran Pendataan dan Penilaian Objek dan Subjek Pajak Bumi dan Bangunan. Jakarta.J. Committee of Sponsoring Organizations of the Treadway Commission. Kep-533/PJ. Direktur Jenderal Pajak. 7.[2009] Introduction To Statistical Quality Control 6th ed.R. Surat Edaran Direktur Jenderal Pajak Nomor SE06/PJ.Artinya sebesar-besarnya M harus 48%. 5.K. 3. SOP Pengawasan yang dikembangkan memili kelemahan yaitu tidak melakukan quality control terhadap pengawas. Gloudemans./2000.Inc. Loop holes.6/2003 tentang Aplikasi Bank Data Nilai Pasar Properti dan Petunjuk Pengoperasiannya serta Kelengkapan Lainnya. Douglas C. 1990. New York. Montgomery. Surat Edaran Direktur Jenderal Pajak NomorSE09/PJ./2003tentang Penerapan NJOP sama Dengan Nilai Pasar. 2000. Surat Edaran Direktur PBB dan BPHTBNomor SE-45/PJ. KESIMPULAN 1.John Wiley & Sons. Departemen Keuangan Republik Indonesia.2 dan ROI maksimal 6 tahun 5. 2003. 2003. Internal Control . Jakarta. Chicago. Jakarta 6. V. R. Direktur Jenderal Pajak. 6. Ada 4 kasus lain yang berhasil diidentifikasi pada Field Analysis tetapi belum ditangani DAFTAR PUSTAKA 1. dan Inconsistent... J. 2. Incomplete.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. SOP Pengawasan yang dikembangkan terbukti feasible secara analitik pada kondisi tertentu dengan BCR minimal 1. 13 November 2010 =1814. Property Appraisal andAssessment Administration. Telah dikembangkan SOP pengawasan Bank Data ZNT/NIR SPPT Buku IV dan V PBB.. dengan kata lain tidak ada pengawasan untuk pengawas. Ambiguous. 1999.Integrated Framework (COSOReport). R. General Accounting Office. 1992. Direktur Jenderal Pajak. 4.6/1999 tentang Pelaksanaan Analisa Penentuan Zona Nilai Tanah(ZNT) dan Nilai Indikasi Rata-rata (NIR) sebagai Dasar Penentuan NJOP Tanah. Eckert. 8. 3. 1990. and Almy.. SOP Pengawasan yang dikembangkan melibatkan 22 kali pengawasan pertahun dengan level inspeksi General Ispection Levels III 4. Jakarta. 23 SOP PBB di KPP Pratama Kota Bandung mengandung 5 kesalahan yaitu kesalahan unknown. maka jumlah SPPT yang tidak bersertifikat jangan lebih dari 48% dari total SPPT. 8 SOP telah diperbaiki. Direkur PBB dan BPHTB. Assessing Internal Controls in Performance Audits. Manajemen Risiko di Bidang Perbankan dan Asuransi | 274 .

Amin Widjaja.Jakarta: Harvarindo. Hartoyo. Jakarta Kecamatan Bojongloa Kaler dan BabakanCiparay. Modul Penilaian II.COSO – Based Auditing. 13 November 2010 Washington.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.: GAO. 2000.C. Kota Bandung) 10.1998. 9. Manajemen Risiko di Bidang Perbankan dan Asuransi | 275 . D. Assessment Ratio Suatu Alat Pengukur Kinerja PenilaianDalam Pelaksanaan PBB. Tunggal.

0 – 220. Membuat batas spesifikasi baru dengan rentang lebih ketat merupakan upaya yang hendak dilakukan untuk meningkatkan mutu kadar aluminium hidroksida. iterasi dalam menentukan batas spesifikasi baru.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.33 dihasilkan batas spesifikasi 185mg-215mg. proses yang ada telah mampu memenuhi batas spesifikasi dengan indeks kapabilitas proses Cpk=3.0 mg/tablet. Komitmen PT. analisis stabilitas proses menggunakan diagram I-MR.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. 13 November 2010 (S. dan pada Cpk=1. Selain itu peneliti juga menilai kelayakan revisi batas spesifikasi kadar aluminium lebih sempit pada produk Antasida Doen .Stabilitas Proses. hidroksida yang Manajemen Risiko di Bidang Perbankan dan Asuransi | 276 . Kata Kunci : Kapabilitas Proses.Diagram Kendali I-MR. Menggunakan data hasil pemeriksaan Laboratorium di PT Kimia Farma (Persero)Tbk Plant Bandung mengenai kadar aluminium hidroksida pada produk Antasida Doen.Pendahuluan Dalam mengendalikan mutu kadar aluminium hidroksida pada produk Antasida Doen yang berguna untuk menetralisir asam lambung .8) ANALISIS MUTU PROSES PRODUKSI PRODUK ANTASIDA DOEN DI PT. hasilnya adalah status kendali kadar aluminium hidroksida dinyatakan terkendali secara statistis.05 .Kimia Farma (Persero) Tbk mengacu pada syarat yang telah ditetapkan oleh Farmakope Indonesia yaitu antara 180. PT. 1.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.dilakukan analisis kapabilitas proses.

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

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

50 One-Sided Specifications 1.45 1. strength.67 1. Semakin kecil nilai Cp maka semakin banyak jumlah cacat yang dihasilkan Tabel 1. strength.45 c. existing process Safety.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. Manajemen Risiko di Bidang Perbankan dan Asuransi | 279 . Rekomendasi Nilai Minimum pada Process Capability Ratio Two-Sided Specifications Existing process New process Safety.60 1.33 1.0. sehingga setiap upaya memperoleh batas spesifikasi baru harus memperhatikan nilai acuan tersebut. or critical parameter.25 1. Nilai rasio kapabilitas proses (Cp) akan menurun jika besar rentang spesifikasi dipersempit atau standar deviasi proses diperbesar.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 2. new process 1. batas terkecil indeks kemampuan proses adalah Cpk = 2. Dalam kerangka Six Sigma. 3.. Indeks Kemampuan Proses Untuk menilai kapabilitas proses produksi . or critical parameter. diperlukan standar kapabilitas proses sebagai patokan.50 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.Uji Normalitas Gambar 1. Oleh karena itu maka data berdistribusi normal . Hasil dan Pembahasan a. 13 November 2010 Tabel 2.Data Kadar aluminium hidroksida / Al(OH)3 pada Antasida Doen 4.05. Manajemen Risiko di Bidang Perbankan dan Asuransi | 280 .Prosiding Seminar Nasional Statistika Universitas Padjadjaran.

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

05 dan Cpk = 2.67 dan nilai Cpk ≥ 1. Dengan demikian. perbaikan batas spesifikasi yaitu dengan membuat batas spesifikasi baru yang lebih ketat dari batas spesifikasi yang ada saat ini dapat dilakukan.00 ppm.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Evaluasi Perbaikan Batas Spesifikasi Percobaan perbaikan batas spesifikasi ini dilakukan dengan cara melakukan iterasi dimulai dari batas spesifikasi yang ada saat ini yaitu antara 180 mg – 220 mg lalu terus dipersempit hingga mencapai nilai Cpk = 1. Rekomendasi batas spesifikasi baru tersebut belum adekuat. diperoleh nilai Cpk = 1. Batas spesifikasi yang menghasilkan nilai Cpk = 1. 13 November 2010 Gambar 3. Hal ini berarti bahwa peluang terjadinya produksi yang keluar dari batas spesifikasi bawah yang baru (lebih kecil dari 185 mg) yaitu sebesar 33. Hal ini pun dapat dilihat dari gambar grafik tersebut yang memperlihatkan bahwa proses berada dalam batas spesifikasi .33 dengan batas spesifikasi antara 185 mg – 215 mg dengan proporsi PPM < LSL yaitu 33. Karena nilai Cp ≥ 1.09 . mengingat hal-hal berikut ini: 1.33 merupakan batas spesifikasi yang akan direkomendasikan sebagai batas spesifikasi baru. Melalui proses iterasi. Grafik Kapabilitas Proses dari Kadar Al(OH)3 Dari grafik di atas diperoleh nilai Cp = 3.71 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. Pengetatan batas spesifikasi tanpa diiringi perbaikan pada program Statistical Process Control [SPC] hanya akan meningkatkan biaya mutu. 2. d.71 ppm dan proporsi PPM > USL yaitu 0. Pengetatan batas spesifikasi akan memberikan outcome peningkatan mutu produk Antasida Doen secara terintegrasi jika diikuti oleh reduksi signifikan pada variasi proses produksi Antasida Doen.33.berupa peningkatan produk rusak yang berada di luar spesifikasi baru. Tidak ada data yang menunjukkan benefit dari pengetatan spesifikasi baru yang direkomendasikan Manajemen Risiko di Bidang Perbankan dan Asuransi | 282 . 3.60 maka dapat dikatakan bahwa proses tersebut telah mampu dalam memenuhi batas spesifikasi yang ada saat ini.

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.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2. Measuring Your Process Capability.71 mg.L.S.C.2009.2009. Number 5. 3. M.a modern Introduction Arizona:John Wiley &Sons. Kapadia. Process Capability Using MINITAB. International Scientific Journal. DAFTAR PUSTAKA Atika Nur Kusumaningtyas .M. Selected Topics in Assurance Related Technologies. New York : John Wiley&Sons.71 produksi dalam satu juta produksi dan tidak terdapat peluang terjadinya produksi yang keluar dari batas spesifikasi atas (lebih besar dari 215 mg). Telah diperoleh batas spesifikasi yang menghasilkan nilai Cpk = 1. Volume 10. Montgomery.Inc.Inc.Statistical Quality Control. Montgomery. 2002.A.C. Romeu. Anderson Darling : A Goodness of Fit Test for Small Samples Assumptions. Czarski. Manajemen Risiko di Bidang Perbankan dan Asuransi | 283 . Symphony Technologies. 2008. Status kendali proses produksi kadar aluminium hidroksida pada produk Antasida Doen yang dihasilkan PT. Introduction to Statistical Quality Control.Kimia Farma (Persero)Tbk dinyatakan terkendali secara statistis dan dinyatakan stabil dalam level proses rata – rata 193. M.Indeks kapabiliti proses saat ini adalah sebesar Cp =3. Estimation of Process Capability Indices in Case of Distribution Unlike The Normal One.J. World Academy of Materials and Manufacturing Engineering.05. Bower. K.D. D. Penerapan Konsep Kapabilitas Proses Dalam Perbaikan Batas Spesifikasi Kadar Alumunium Hidroksida Pada Produk Antasida Doen. 13 November 2010 Kesimpulan 1. Dari hasil analisis kapabilitas proses terhadap batas spesifikasi yang ada saat ini yaitu antara 180 mg – 220 mg ternyata proses yang ada telah mampu dalam memenuhi batas spesifikasi tersebut.

sedangkan noise factors (N) merupakan faktor-faktor yang ikut mempengaruhi respon tetapi keberadaannya sulit dan mahal untuk dikendalikan. SNR. 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).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Genichi Taguchi memperkenalkan Robust Parameter Design (RPD) yang digunakan Manajemen Risiko di Bidang Perbankan dan Asuransi | 284 . Percobaan yang dilakukan untuk peningkatan kualitas produk seringkali dihadapkan dengan faktor-faktor yang dapat dikontrol (control factors) dan faktorfaktor yang sulit untuk dikontrol (noise factors).winarni@unpad. Meski menyebabkan keragaman dalam respon. Pada dasarnya konsumen menginginkan dan mengharapkan produk yang secara konsisten memiliki performansi tinggi dan variasi minimal. Kata kunci : Fractional Factorial Split-Plot Taguchi. Suatu produk dikatakan berkualitas jika memenuhi standar minimal dari kebutuhan atau keinginan konsumen.id ABSTRAK Produk berkualitas merupakan produk yang memenuhi standar minimal dari kebutuhan atau keinginan konsumen. Peningkatan kualitas produk tersebut dapat dilakukan dengan proses meminimalisasi penyimpangan suatu produk dari nilai targetnya. baik dalam jangka pendek maupun jangka panjang. Control factors (C) merupakan faktorfaktor yang biasa digunakan dalam percobaan. Pada dasarnya konsumen menginginkan dan mengharapkan produk yang secara konsisten memiliki performansi tinggi dan variasi minimal. seorang insinyur Jepang.ac.id. Proses tersebut dilakukan melalui serangkaian percobaan untuk mendapatkan produk yang sesuai dengan nilai target dan memiliki variansi kecil (robust). DESAIN EKSPERIMEN (D. PENDAHULUAN Peningkatan kualitas produk seringkali menjadi permasalahan dalam dunia industri. pengaruh faktor N ini diharapkan seminimal mungkin. budhihandoko@unpad. Proses meminimalisasi penyimpangan suatu produk dari nilai targetnya akan meningkatkan kualitas produk tersebut. 13 November 2010 IV. A.ac. Pada awal tahun 1980.1) MEMBENTUK PRODUK BERKUALITAS MELALUI RANCANGAN FRACTIONAL FACTORIAL SPLIT-PLOT TAGUCHI Sri Winarni dan Budhi Handoko Jurusan Statistika FMIPA UNPAD Email : sri. baik dalam jangka pendek maupun jangka panjang. kualitas produk.

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

2 1 -5 -0.5 0. Tabel Noise Factor pada Percobaan Schimidt & Launsby (1990) Taraf Keterangan Faktor Satuan rendah (-1) tinggi (1) Solder temperature tolerance Conveyor speed tolerance Assembly type Z1 Z2 Z3 5 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Manajemen Risiko di Bidang Perbankan dan Asuransi | 286 . Cross Array pada Percobaan Schimidt & Launsby (1990) Inner Array Outer Array -1 1 1 -1 Z1 -1 1 -1 1 Z2 X2 X3 X4 X5 -1 -1 1 1 Z3 1 1 -1 -1 194 197 193 275 1 -1 1 1 136 136 132 136 -1 1 -1 1 185 261 264 264 -1 -1 1 -1 47 125 127 42 1 1 1 -1 295 216 204 293 -1 1 1 1 234 159 231 157 -1 1 1 1 328 326 247 322 -1 -1 -1 -1 186 187 105 104 X1 1 1 1 1 -1 -1 -1 -1 Percobaan di atas merupakan percobaan RPD FFSP dengan faktor C dijadikan sebagai faktor petak utama dan faktor N sebagai anak petak. 13 November 2010 Faktor X1 X2 X3 X4 X5 Taraf rendah (-1) tinggi (1) Solder temperature 480 510 Conveyor speed 7.2 2 °F feet/minute Data hasil percobaan diberikan dalam bentuk cross array sebagai berikut : Tabel 3.9 1.6 Keterangan satuan °F feet/minute °F Inches Sedangkan Faktor N yang dicobakan adalah sebagai berikut : Tabel 2.0 Preheat temperature 150 200 Wave height 0.2 10 Flux density 0.

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

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

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

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

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

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

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

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

205 165.51 0.000 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Sedangkan faktor N ditempatkan sebagai anak petak dengan struktur 23-1 . F. Struktur generator yang digunakan akan membentuk struktur aliases yang akan menentukan struktur clear effect.620 3. Struktur generator yang digunakan adalah X4 = -X1X3 dan X5 = -X2X3. Struktur generator yang digunakan adalah Z3= -Z1Z2.51 331. maka digunakan fungsi SNRT. Clear effect merupakan pengaruh faktor utama dan pengaruh interaksi tingkat rendah yang dapat diduga.71 18. Clear effect merupakan pengaruh penting yang ingin diduga. HASIL DAN PEMBAHASAN Struktur rancangan yang digunakan pada contoh kasus di atas merupakan struktur rancangan RPD FFSP.51 0. Pengaruh ini bisa jadi ber-aliases dengan interaksi tingkat tinggi.420 Kuadrat Tengah 242.125 2.250 2.000 1.51 Manajemen Risiko di Bidang Perbankan dan Asuransi | 295 .620 6. Secara umum analisis ragam dapat dilakukan berdasarkan pada model (1).24* 18. Analisis Ragam pada Percobaan Schimidt & Launsby (1990) Jumlah Sumber Keragaman X1 X2 X3 X4 X5 Galat petak utama Z1 Db 1 1 1 1 1 2 1 Kuadrat 242.44* 18. Pengujian terhadap clear effect dilakukan melalui analisis ragam.51 53.00* 18.205 165.445 1035.125 2. SNRT y2 log10 2 s Dengan menggunakan SNR akan didapatkan setting faktor yang menghasilkan respon dengan nilai yang mendekati target dan memiliki keragaman minimum (robust).420 0.32 F-Hitung F-Tabel 77.46 18. 13 November 2010 Jika tujuan percobaan adalah mereduksi keragaman disekitar nilai sasaran tertentu. akan tetapi karena dalam hal ini yang ingin diketahui adalah hanya pengaruh faktor utama saja maka analisis ragam yang dihasilkan adalah sebagai berikut : Tabel 4.445 1035. Faktor C yang dicobakan ditempatkan sebagai petak utama dengan struktur 25-2.125 2. Pengaruh interaksi tingkat tinggi dalam hal ini dapat diabaikan sehingga pengaruh faktor penting dapat diduga.13 4.

47. wave heiht). Tujuan utama dari percobaan ini adalah mendapatkan setting taraf faktor C yang menghasilkan solder defects dengan target sekecil mungkin.39.75 145.43. Dengan demikian setting faktor C yang menghasilkan solder defects sesuai target adalah pada solder temperature suhu 510°F.32 Keterangan : (*) = berbeda nyata pada taraf 5% Dari hasil analisis ragam di atas didapatkan bahwa faktor C yang memiliki pengaruh signifikan terhadap solder defects adalah faktor X1.205 18.4675 .25 305.15 .97 . SNRs pada Percobaan Schimidt & Launsby (1990) Run faktor C 1 2 3 4 5 6 7 8 Rata-rata 214.50 SNRs .45.59 Nilai SRSs yang paling besar adalah pada run ke-4 yang juga memiliki nilai rata-rata paling kecil. flux density.61 .205 391.835 2.645 4.48.75 135.45. flux density taraf 0. Hasil analisis SNR yang dilakukan adalah sebagai berikut: Tabel 5.32 0. conveyor speed tolerance. Tidak ada pengaruh dari faktor N.920 1853.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.51 . hal ini menunjukkan bahwa solder defects tidak dipengaruhi oleh faktor Z1.76 . Dari hasil analisis ragam didapatkan bahwa faktor C yang berpengaruh adalah X1.663 0.22 4. X3 dan X5.61 .14 4. X3 dan X5 ( solder temperature. sehingga analisis SNR yang digunaka adalah SNRs.00 243.9 Manajemen Risiko di Bidang Perbankan dan Asuransi | 296 .645 4.50 85. dan assembly type). 13 November 2010 Z2 Z3 Galat anak petak Total 1 1 21 31 2.00 195. Z2 dan Z3 (solder temperature tolerance.25 252.42.

Dalam contoh kasus yang berikan didapatkan hasil bahwa setting control faktor yang tepat adalah pada solder temperature suhu 510°F. Nair VN.2 feet/minute dan preheat temperature pada taraf 150°F. Joseph OV. b. New York: McGraw-Hill Book Company. DAFTAR PUSTAKA Bingham D.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.asq. 1998. Kemudian Conveyor speed dengan taraf 7.9 dan wave heighttaraf 0. 2003. Manajemen Risiko di Bidang Perbankan dan Asuransi | 297 . Setting taraf faktor tersebut mampu menghasilkan solder defects yang minimum dan robust terhadap solder temperature tolerance. 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. Technometrics 34: 12761. Sitter RR. 1999. 13 November 2010 dan wave heighttaraf 0. 1992.5 inches. Technometrics 41: 62-70. Kowalski SM. Faktor C yang lain dapat disetting dengan taraf yang ekonomis karena tidak berpengaruh terhadap solder defects.2 feet/minute dan preheat temperature pada taraf 150°F.5 inches. Kondisi ini adalah kondisi yang paling robust dan bersifat insensitif terhadap faktor N. conveyor speed tolerance dan assembly type. Taguchi‟s parameter design: a panel discussion. 1989. H. G. 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. Minimum aberration two-level fractional factorial splitplot design. Dengan hasil respon yang robust.org. www. Ross PJ. 24 Run split-plot experiments for robust parameter design. 2002. Taguchi Technics for Quality Engeenering. Six Sigma for Electronics Design and Manufacturing. Huang P. Dechang C. New York: McGraw-Hill Book Co Shina SG. KESIMPULAN a. Minimum aberration two-level split-plot designs. Technometrics 410: 314-26. flux density taraf 0. Conveyor speed dengan taraf 7.

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

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

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

.4) dengan Y sebagai respon... .. Persamaan regresinya adalah sebagai berikut: y 0 1 1 x 2 2 x 3 3 x 2 11 1 x 2 22 2 x 2 33 3 x 12 1 2 xx 13 1 3 xx 23 2 3 xx 1 .. (3. suku x1 x3 menunjukkan interaksi antara variabel-varabel x1 dan x3 ..7) Koefisien dalam model-model di atas akan ditaksir dengan menggunakan metoda kuadrat terkecil berdasarkan data hasil eksperimen. dan . Dengan meminimalkan jumlah kuadrat kekeliruan є.. dan 3 ditaksir dengan menggunakan metode kuadrat terkecil untuk . Sedangkan 0 .. di mana: (3.. karena merupakan skalar (matrix 1 x 1). 13 November 2010 Y 0 1 1 x 2 2 x 3 3 x .9) Kemudian L diturunkan terhadap β: Manajemen Risiko di Bidang Perbankan dan Asuransi | 301 .. x1 .... meminimalkan jumlah kuadrat kekeliruan Sedangkan untuk persamaan regresi dengan tingkat orde 2 (kuadratik).8) ...... Persamaan di atas dapat ditulis dalam notasi matrix sebagai berikut ..Prosiding Seminar Nasional Statistika Universitas Padjadjaran. (3.... (3..... 1 . dan x3 masing-masing sebagai prediktor. (3.. Maka L dapat dituliskan menjadi: (3... dan suku x2 x3 menunjukkan interaksi antara variabel-variabel x2 dan x3 .6) .......5) Di mana suku x1 x2 menunjukkan interaksi antara variabel – variabel x1 dan x2 . x2 . . maka . yakni .. 2 ....

0 144.1 149.0 188.4 65. (3.3 259.5 155.0 88..5 165.7 120. ingin diketahui komposisi taraf-taraf faktor yang bagaimanakah yang akan menghasilkan kuat tekan paving block yang terbaik.5 151.9 160.0 171.0 170.0 143.1 218.9 80.2 23.1 169..9 169.9 155.25 4.0 100 125.1 209.1 155. faktor – faktor yang mempengaruhi kuat tekan paving block adalah tingkat kehalusan pasir.4 1.6 89.0 206.5 131.4 1.0 170.4 75.1 85.25 4.1 60.7 245.5 172.4 1.8 160.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.1 139.8 160...1 149..5 141.4 99. dapat terlihat komposisi taraf dari faktor – faktor yang optimal dalam memberikan pengaruh terhadap suatu variabel respon.8 210.2 26.4 67.7 161. dan banyaknya jumlah pasir yang terkandung dalam campuran bahan pengisi. Untuk menggambarkan konturnya.2 210. B C 1.3 75 139. 13 November 2010 .2 215.0 148.0 179.2 59.5 150.9 170.3 7.75 4. Setiap faktor – faktor yang ada terdiri atas beberapa taraf.0 73.9 160.7 182.2 170..0 151. (3. digunakan software tertentu.9 142.2 221.3 169.1 155..1 144.1 175.2 119.8 157.4 91.1 132.5 140.5 99.75 4..9 140.2 89.5 185. c.3 119.3 117.2 100.8 222.8 120.5 101.0 152.2 156.8 240.3 99..3 79.5 69.5 159. Dengan menggunakan kontur tersebut.4 169.0 147.3 132.3 A 50 150.9 160.3 115.0 151.2 25 21.5 150.2 7.5 159.1 150.. Hasil dari kontur sendiri ada yang berdimensi dua (contour plot) dan ada yang berdimensi tiga (surface plot). penaksir untuk β yang didapatkan dengan metode kuadrat terkecil adalah . CONTOH KASUS Dalam pembuatan paving block.1 201..2 149.3 7.10) Maka.0 170.3 163.7 110.0 169.2 199.5 143.1 77.3 7.2 160.4 130.0 145.1 Manajemen Risiko di Bidang Perbankan dan Asuransi | 302 . Menggambarkan Kontur Garis kontur adalah garis yang menghubungkan titik-titik yang mempunyai ketinggian yang sama dari suatu bidang acuan tertentu. Dalam contoh kasus ini.4 130.2 28.6 150.1 139.2 148.2 180. kadar air..0 185.2 179.0 182.6 166.11) 4.1 150.1 87.5 89.0 95.0 215.1 152.2 90.0 120.

467 223.02 1.0 121.4 122.6 Keterangan: A = Banyaknya jumlah pasir yang terkandung dalam campuran bahan pengisi (gram).246 167585.68 2. a.1 60.07 2.0 131.9 19207.734 1342.113 4450.0 110.0 89.0 102.9 125.743 5.5 107.5 120.312 55861.5 130.83 2.3 119.5 272.2 119.5 115.0 119.3 111.0 39. HASIL DAN PEMBAHASAN Dalam contoh kasus ini. Oleh karena itu.9 148.282 1352.3 44.1 Tabel ANAVA Sumber Variasi Rata-rata Perlakuan: A B C AB AC BC ABC 4 3 2 12 8 6 24 112177. 13 November 2010 120.585 28044.0 151.17 1.0 49.1 88.306 4.3 126. pengujian selanjutnya dapat dilaksanakan.5 141.5 110.1 121.2 105.5 51.1 120.0 69.0 148. Uji Signifikan untuk Faktor – Faktor Tabel 5.347 Manajemen Risiko di Bidang Perbankan dan Asuransi | 303 .554 38414.909 3266.5 95.7 101.347 3148978.0 120.1 49.411 9355.2 67.9 125 111.685 185. B = Kadar air (%) C = Tingkat kehalusan pasir (mm) 5. data yang digunakan telah memenuhi asumsi berdistribusi normal dan juga homogenitas varians.19 455.5 55.1 101.0 40.0 122.201 1169.0 125.4 55.45 3.3 110.1 109.1 125.1 55.0 144.9 95.399 2.2 130.65 6.5 115.5 130.0 109.2 140.3 59.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.441 665.0 77.61 Dk 1 JK KT Fhitung Ftabel 3148978.1 59.1 131.1 99.457 27.

maka digunakan persamaan (3.634 13.362 KT Fhitung 110638. maka didapatkan bahwa tingkat persamaan regresi yang berlaku adalah persamaan regresi hingga tingkat orde keempat. b.842 575.2 Tabel ANAVA untuk Menentukan Polinom Faktor Sumber Variasi Rata – rata Faktor A A linier A kuadratik dk 1 4 1 1 JK 3148978. Sedangkan untuk mendapatkan nilai Fhitung.005 42.  Interaksi antara banyaknya jumlah pasir yang terkandung dalam campuran bahan pengisi.3).  Interaksi antara banyaknya jumlah pasir yang terkandung dalam campuran bahan pengisi dan kadar air memberikan efek yang signifikan terhadap kuat tekan paving block.1 di atas. Menentukan Polinom Faktor Setelah dilakukan uji signifikansi terhadap faktor – faktor yang ada.246 110638. Nilai JK (polinom) dan juga Fhitung yang telah didapatkan tersebut dituliskan ke dalam tabel ANAVa seperti di bawah ini Tabel 5.347 112177. Setelah dilakukan pengujian. maka didapatkan JK (polinom) untuk setiap faktor yang ada. tingkat kehalusan pasir.  Interaksi antara banyaknya jumlah pasir yang terkandung dalam campuran bahan pengisi dan tingkat kehalusan pasir memberikan efek yang signifikan terhadap kuat tekan paving block.154 Berdasarkan tabel 5.362 2624.842 575.  Tingkat kehalusan pasir 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.453 341651.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. selanjutnya dilakukan pengujian untuk menentukan polinom faktornya. Dengan menggunakan persamaan (3. dan kadar air memberikan efek yang signifikan terhadap kuat tekan paving block.2).  Kadar air memberikan efek yang signifikan terhadap kuat tekan paving block. dapat disimpulkan bahwa:  Banyaknya jumlah pasir yang terkandung dalam campuran bahan pengisi memberikan efek yang signifikan terhadap kuat tekan paving block.649 Manajemen Risiko di Bidang Perbankan dan Asuransi | 304 . 13 November 2010 Kekeliruan Jumlah 120 180 5058.

590 9.508 26.990 14.934 97.734 26.917 2027.164 48.035 3266.628 14.152 30.429 19.869 26.489 8.833 0.695 20.603 873.585 47.286 61.355 584.572 23.130 20.035 574.888 0.851 847.411 7.042 572.615 362.607 79.501 9.590 391.911 0.686 35.602 145.177 320.020 169.470 20.909 2027.277 13.023 1.078 80.623 1.263 396.834 1.000 119064.103 48514.603 873.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.641 867.470 20.918 47.924 0.597 0.399 71.566 0.607 79.279 372.686 35.602 145.917 38414.641 867.851 847.078 80.615 362.696 0.508 26.492 611.550 3.097 0.869 9355.572 23.602 0.751 119.359 0.628 168.570 1342.414 1303.042 572.404 1.445 113.429 19.570 38.458 2.910 13.534 6.177 320.881 8.918 4450.168 6.180 Manajemen Risiko di Bidang Perbankan dan Asuransi | 305 .350 2.028 35.874 36387.103 48514.113 38.843 0.028 35.554 119064.411 7.990 14.503 1150.569 2824.168 6.000 167585.847 0.724 3.355 584.847 1.106 863.263 396.876 2.091 20.294 288.467 7097.286 61. 13 November 2010 A kubik A kuartik Faktor B B linier B kuadratik B kubik Faktor C C linier C kuadratik Interaksi A X B A L X BL AL X BD A L X BT AD X BL AD X BD AD X BT AT X BL AT X BD AT X BT AE X BL AE X BD AE X BT Interaksi A X C AL X C L A L X CD AD X CL AD X CD AT X CL AT X CD AE X CL AE X CD Interaksi B X C BL X C L B L X CD BD X CL BD X CD BT X CL BT X CD Interaksi A X B X C A L X BL X C L A L X B L X CD AL X BD X CL AL X BD X CD A L X BT X C L A L X B T X CD AD X BL X CL AD X BL X CD AD X BD X CL 1 1 3 1 1 1 2 1 1 12 1 1 1 1 1 1 1 1 1 1 1 1 8 1 1 1 1 1 1 1 1 6 1 1 1 1 1 1 24 1 1 1 1 1 1 1 1 1 391.874 36387.751 119.467 7097.591 0.934 97.294 288.279 372.445 113.411 574.534 6.414 1303.455 7.301 4.492 611.550 3.020 169.399 71.447 6.193 13.

 Faktor interaksi antara A.735 40.020 4.11).649 0.338 0. dan kuartik.05.279 3.407 8.375 1.533 129. BT X CD. kuadratik. dan C yang berbentuk AL X BL X CD.279 3.017 941.014 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Faktor interaksi antara A dan B yang berbentuk AL X BL.833 186.327 5058.172 374. Berdasarkan tabel ANAVA di atas dapat dilihat bahwa faktor – faktor yang memberikan efek adalah:     Faktor A yang berbentuk linier. B. AD X BL X CD. AL X BD.017 941. Faktor B yang berbentuk linier dan kuadratik.856 17. maka didapat Ftabel = 3. 13 November 2010 AD X BD X CD AD X BT X CL AD X BT X CD AT X BL X CL AT X BL X CD AT X BD X CL AT X BD X CD AT X BT X CL AT X BT X CD AE X BL X CL AE X BL X CD AE X BD X CL AE X BD X CD AE X BT X CL AE X BT X CD Kekeliruan 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 120 180 464.735 40.004 1.063 1. c.383 0.425 3.649 0.327 42. AE X BD X CD. AT X BL X CD.882 0. dan BD X CD.154 59.154 11.856 17.137 401. dan AE X BL.949 22.453 464. dan AE X CD.109 64.172 374.893 0.  Faktor interaksi antara A dan C yang berbentuk AL X CD.154 59. 92.AT X BD.033 0.420 0.383 0. AL X BT X CD. Faktor C yang berbentuk linier dan kuadratik. Menentukan Persamaan Regresi Dengan menggunakan persamaan (3.109 64. AD X BD X CD.375 1. AE X BL X CD. AL X BT.530 0.080 0.  Faktor interaksi antara B dan C yang berbentuk BL X CD. maka akan didapatkan : Manajemen Risiko di Bidang Perbankan dan Asuransi | 306 .003 9.137 401.526 Dengan α = 0. AT X CD.882 0. AT X BD X CD.533 129.833 186.

546 10-6 -4.563 -44.032 10-8 5.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.002 -7.002 -3.297 10-7 5.749 10-4 -1.317 -0.180 -3.243 28.002 -0.126 10-4 7.055 -0.516 10-6 6.188 0.459 45.919 0.102 -1.447 0. Analsis dengan Contour Plot dan Surface Plot Manajemen Risiko di Bidang Perbankan dan Asuransi | 307 .166 -0.447 10-8 b 0.919 10-5 3. 13 November 2010 -1845.512 10-9 -4.239 10-7 9.432 10-10 Maka persamaan regresi yang terbentuk menjadi: d.466 165.02 1.866 10-5 5.

957 203.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.319 145.685 203.047 156. Kadar air Hold Values Pasir 25 200 uat tekan paving block 150 8 100 22 4 24 Kadar air 26 28 2 6 T ingkat kehalusan pasir Manajemen Risiko di Bidang Perbankan dan Asuransi | 308 .137 98.502 180.502 168. 13 November 2010 Dengan menggunakan software tertentu didapatlah contour plot dan surface plot dengan hasil sebagai berikut:  Contour Plot Contour Plot of Kuat tekan pavin vs Tingkat kehalusa.412 Hold Values Pasir 25 Tingkat kehalusan pasir 22 23 24 25 26 Kadar air 27 28  Surface Plot Surface Plot of Kuat tekan pavin vs Tingkat kehalusa.775 156.685 215.775 168.230 191.230 180.319 133.864 121.957 191.592 133. Kadar air 7 6 5 4 3 2 Kuat tek an pav ing block < 98.864 109.412 > 215.137 109.047 145.592 121.

Douglas. maka kuat tekan paving block terus mengalami penurunan. Desain dan Analisis Eksperimen.P. maka kuat tekan paving block terus mengalami penurunan. New York: McGraw-Hill Book Company. Dengan kuat tekan yang dihasilkan di atas 215. Statistics for Experimenters. Metode response surface mampu mendapatkan komposisi perlakuan yang menghasilkan respon percobaan yang terbaik. Montgomery. kuat tekan paving block mengalami kenaikkan mulai dari tingkat kehalusan pasir 1. Berdasarkan kasus yang ada. DAFTAR PUSTAKA Box. Lieberman and Hillier.5 mm dan jumlah pasir yang terkandung dalam campuran bahan pengisi sebanyak 25 gram. dapat dilihat bahwa komposisi taraf yang menghasilkan kuat tekan paving block terbaik adalah pada kadar air 23 %.2 mm hingga tingkat kehalusan pasir sebesar 4. W.5 mm. Bandung: Tarsito. New York : John Wiley and Sons. Sudjana.E.5 mm dan jumlah pasir yang terkandung dalam campuran bahan pengisi sebanyak 25 gram. 2. 13 November 2010 Berdasarkan contour plot dan surface plot di atas dapat dilihat bahwa kuat tekan paving block mengalami peningkatan mulai dari kadar air 21. J. tingkat kehalusan pasir sebesar 4. 2009. namun pada saat kadar air lebih besar daripada 23 %.G.5 mm. Inc.412. Namun pada saat tingkat kehalusan pasir lebih besar daripada 4.S.25 % hingga kadar air sebanyak 23 %. Sedangkan pada faktor tingkat kehalusan pasir sendiri. Data Analysis and Model Buildin. Seventh edition. 412 kg/cm2. edisi keempat . maka dapat diperoleh sebagai berikut: 1. Dengan kuat tekan paving block yang dihasilkan di atas 215. and Hunter. tingkat kehalusan pasir 4. 1005. G.. Manajemen Risiko di Bidang Perbankan dan Asuransi | 309 . Design and Analysis of Experiment.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.. An Introduction to Design. An Introduction of Operational Research. Inc. KESIMPULAN Berdasarkan analisis yang telah dilakukan. C. Dengan demikian dapat disimpulkan bahwa komposisi taraf yang menghasilkan kuat tekan paving block terbaik adalah pada komposisi kadar air sebanyak 23 %. New York: John Wiley and Sons. Hunter. 6. 1978. 1989.

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

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

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

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. Pt. untuk 3 replikasi berarti harus melakukan 96 eksperimen. Terjadinya Wet Spot diduga disebabkan oleh faktor-faktor tertentu yaitu : konsentrasi pH pada saat pencucian. temperatur ketika dilakukannya pengeringan II. 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. 2. Spot adalah suatu noda pada bahan karet mentah dengan warna lain dari warna dasar karet mentah tersebut yaitu kuning. temperatur ketika dilakukannya pengeringan I. 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. abu-abu atau warna lainnya yang disebabkan terjadinya kontaminasi dengan bahan lain. coklat. ukuran Ampere Squizer pada saat pemerasan produk dan ukuran ketebalan dari produk itu sendiri. jika hal ini terjadi tentu saja menjadi masalah karena akan mengurangi nilai mutu dari produk tersebut.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 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. X. tetapi dengan menggunakan Desain Resolusi-V maka hanya perlu melakukan 25-1 eksperimen atau setengah replikasi yaitu hanya 16 eksperimen saja berarti akan banyak sekali menghemat padahal informasi yang dibutuhkan tetap akan diperoleh dengan menggunakan informasi berdasarkan Manajemen Risiko di Bidang Perbankan dan Asuransi | 313 . X harus melakukan sebanyak 32 eksperimen. 13 November 2010 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.

m sebagai taraf faktor sedangkan n = Manajemen Risiko di Bidang Perbankan dan Asuransi | 314 . Eksperimen Faktorial Khusus 25 2.1) Dengan i = 1.1. . 13 November 2010 aliasnya.r Ai : merupakan efek faktor A taraf ke-i Bj . . + BCDEjklm + ABCDEijklm + εn(ijklm) 1. . 2.1. Sehingga ketika menggunakan ½ replikasi atau 16 dari 32 kombinasi perlakuan yang seharusnya dilakukan banyaknya kombinasi perlakuan tersebut dibagi kedalam dua kelompok dimana anggota kelompok-2 merupakan alias dari kelompok-1 sehingga ketika eksperimen yang dilakukan hanya terhadap kombinasi perlakuan yang ada di salah satu kelompok saja yang dipilih secara acak... : merupakan efek faktor B taraf ke-j ABij : merupakan efek bersama taraf ke-i faktor A dan taraf ke-j faktor B . + DElm + ABCijk + . maka kombinasi perlakuan yang ada di kelompok lainnya sudah terwakili karena merupakan aliasnya yang berarti efek faktor maupun efek interaksinya tidak bisa dikatakan berbeda..Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 5 interaksi empat faktor dan satu interaksi lima faktor sehingga dalam eksperimennya akan melibatkan 32 kombinasi perlakuan dikalikan dengan n replikasi yang dilakukan. 10 interaksi tiga faktor...2. D dan E εn(ijklm) : merupakan kekeliruan eksperimen. C.. Model matematisnya adalah sebagai berikut ( Montgomery 2005 ) : Yijklmn = μ + Ai + Bj + Ck + Dl +Em + ABij + .2 begitu juga untuk j. . B. + CDEklm + ABCDijkl + . k. 10 interaksi dua faktor.1. l. 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.. (2.. ABCDEijklm : merupakan efek bersama antara faktor A..

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..de – abde – acde – bcde (2.3) 2 (kontras ABCDE ) n25 . Untuk memperoleh Ekspektasi Kuadrat Tengah (Means of Square) bisa diperoleh berdasarkan Jumlah Kuadrat dibagi dengan derajat bebasnya masing-masing sumber Manajemen Risiko di Bidang Perbankan dan Asuransi | 315 .. 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 .4) 1 (kontras ABCDE ) 2 5 n2 . begitu juga untuk memperoleh Jumlah Kuadrat-nya. 5 untuk pengujian terhadap efek faktor utamanya dan 26 untuk pengujian terhadap efek bersama diantara dua faktor atau lebih (interaksi diantara faktor-fakor Untuk menentukan estimasi terhadap efek faktor ataupun efek bersama beberapa faktor bisa diperoleh berdasarkan pada kontras. Sedangkan n adalah banyaknya pengulangan yang dilakukan atau replikasi.ce – abce .. 13 November 2010 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.1.2. Jumlah Kuadrat untuk interaksi ABCD adalah : JK ( ABCDE ) (2. EFEK FAKTOR( ABCDE ) (2....2) Efek faktor bisa diestimasi oleh : . Pada eksperimen faktorial 25.

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

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

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

000 0.250 20.250 0.125 0.+ + .000 0.000 0.625 0.1.563 6. Tanda Koefisien Efek Desain Resolusi V Untuk 25-1 dan Data Hasil Pengamatan Kombinasi Perlakuan E a b abe c ace bce abc d ade bde abd cde ace bce abcde Efek C D E = ABCD + + + + + + + + .625 0.125 4.1.003 0.+ + + + + + + + + + + + + Data Hasil Pengamatan 4 12 3 6 4 11 7 10 4 6 2 6 4 11 7 7 A + + + + + + + + B + + + + + + + + Tabel 3. Hasil Perhitungan Estimasi Efek dan Jumlah Kuadrat Variabel A B C D E AB AC AD AE BC BD BE CD CE Estimasi Efek 2.125 -0.500 0.+ .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 3.3) sedangkan untuk menentukan Jumlah Kuadrat bisa diperoleh berdasarkan bentuk kontrasnya seperti pada rumus (2.000 0.375 1.125 -0.2.438 Manajemen Risiko di Bidang Perbankan dan Asuransi | 319 .250 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 beberapa faktor dan hasil perhitungan berdasarlan rumusan (2.125 0.250 2.125 -0.125 1.125 0. Tabel 3.250 0.250 6.000 0.250 0.438 Jumlah Kuadrat 72.

000 6.250 6.250 4.05(1.750 1 10.2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.000 5.250 20.500 4. 13 November 2010 DE 0.3. 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. Temperatur pengeringan I dan II kemudian interaksi antara konsentrasi pH dengan Temperatur pengeringan II.417 1 33.417 1 6.667 1 10.250 4. 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.597 F Berdasarkan hasil analisis varians dengan menggunakan taraf signifikansi α=5%.250 20.250 4. sehingga dalam analisis variansnya yang dilakukan pengujian hipotesis hanya terhadap faktor atau interaksi antar faktor dengan estimasi untuk nilai efek faktor yang cukup besar dibandingkan dengan yang lainnya dan hasil perhitungan bisa dilihat pada Tabel 5.250 6.12.417 1 6.250 4.376 118. Estimasi efek yang nilainya cukup besar dapat menentukan model regresi dari daerah eksperimental. Tabel 3. sedangkan untuk pengujian hipotesis yang lainnya non signifikan berarti tidak ada pengaruh dari faktor dan interaksi yang lainnya. Karena model yang digunakan model tetap. Analisis Varians Desain Resolusi-V Untuk Eksperimen Faktorial 25 Sumber Variasi A C D AD BC DE Error Total df 1 120. untuk semua pengujian hipotesis yang dilakukan ternyata signifikan berarti ada pengaruh dari pH.667 9 15 JK 72. Statistik ujinya dapat ditentukan berdasarkan Ekspektasi Kuadrat Tengah (EKT).000 0.000 Hasil perhitungan untuk Estimasi Efek dan Jumlah Kuadratnya dapat dilihat pada Tabel 3.000 5. Manajemen Risiko di Bidang Perbankan dan Asuransi | 320 .3.9)= 5. maka F0.376 KT 72.

4.Sebaiknya untuk suatu penelitian yang bersipat eksperimental selain memilih desain yang paling sesuai juga dipilih desain yang lebih efisien supaya pelaksanaannya lebih efisien dan lebih ekonomis tetapi tetap efektif dalam memperoleh hasil yang diharapkan.2.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. . Temperatur pengeringan pada zone I. interaksi antara ketebalan crumb dengan temperatur pengeringan I dan juga interaksi antara temperatur pengeringan II dan ukuran Ampere Squizer.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. . ternyata dipengaruhi oleh adanya perbedaan ukuran dari konsentrasi pH. Manajemen Risiko di Bidang Perbankan dan Asuransi | 321 . 13 November 2010 begitu juga dapat disimpulkan untuk masing-masing aliasnya bahwa kesimpulannya tidak bisa dibedakan dengan kesimpulan hasil analisis varians yang sudah dilakukan. Temperatur pengeringan pada zone II kemudian interaksi antara konsentrasi pH dengan Temperatur pengeringan II. Kesimpulan dan Saran 4.1. 4.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.Untuk penelitian yaitu mengenai terjadinya Wet Spot pada bahan karet mentah atau SBR (Styrena Butadiena Rubber). Saran Untuk penelitian selanjutnya ada beberapa saran sebagai masukan : . Kesimpulan Berdasarkan uraian pada bagian sebelumnya maka dapat disimpulkan bahwa : .

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

Orthogonal Array.4) DESAIN PARAMETER UNTUK DATA DISKRIT PADA ROBUST DESIGN Oleh Budhi Handoko1). Sehingga untuk mengatasi hal ini. Secara praktis. memperoleh variasi terkecil pada fungsi produk terhadap nilai target. pada saat desain eksperimen konvensional.6% menjadi 97.ac. 13 November 2010 (D. Aspek baru yang terdapat dalam robust design diantaranya yaitu menentukan sekumpulan kondisi untuk variabel desain yang robust terhadap noise. digunakan Robust Design.1%.id Email2) : sri. Pada kondisi optimum ini banyaknya produk yang baik meningkat dari 94. Penelitian ini akan memfokuskan pada desain parameter untuk data diskrit terutama dua kelas. yang menambahkan dimensi baru dalam desain eksperimen konvensional.winarni@unpad. Desain parameter dalam robust design terdiri atas diskrit dan kontinu.id ABSTRAK Salah satu tahap dalam desain produk pada robust design yaitu desain parameter. Sri Winarni2) 1. Unpad Bandung Email1) : budhihandoko@unpad.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Jenis desain taguchi yang akan dipakai adalah orthogonal array L9. I. Demikian halnya pada bidang industri. robust design merupakan suatu metodologi dalam bidang teknik pengendalian kualitas yang bertujuan untuk mengoptimalkan kondisi produk dan proses produksi yang memiliki sensitivitas yang rendah terhadap berbagai sebab variasi yang Manajemen Risiko di Bidang Perbankan dan Asuransi | 323 .2) Staf Pengajar Jurusan Statistika FMIPA. meminimumkan jumlah percobaan menggunakan orthogonal arrays dan melakukan pengujian untuk konfirmasi. Kasus eksperimen yang akan dikaji mengenai proses produksi pembuatan komponen semikonduktor di sebuah pabrik dan bertujuan untuk menentukan kondisi optimum proses produksi.ac. Beberapa keterbatasan dari desain konvensional yaitu tidak mampu menangani faktor noise serta tidak mampu memodelkan rata-rata dan dispersi secara simultan. Kata Kunci : Nominal-is-best. Setelah dilakukan analisis kondisi optimum eksperimen adalah pada kombinasi perlakuan A2B1C1D1. Robust Design yang ditemukan oleh Taguchi. PENDAHULUAN Desain eksperimen dalam perkembangannya mengalami penyempurnaanpenyempurnaan sesuai dengan bidang eksperimen yang dihadapi. Robust Design. seperti desain faktorial dan desain faktorial fraktional memiliki keterbatasan.

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

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

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

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

052 9.097 6.021 10.437 28.1) 7.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.296 D 27. Berdasarkan Nilai SN Ratio yang telah dihitung pada Tabel 3.031 Manajemen Risiko di Bidang Perbankan dan Asuransi | 328 .234 7. 13 November 2010 Faktor Nomor Eksperimen A 1 2 3 4 5 6 7 8 9 0 0 0 1 1 1 2 2 2 B 0 1 2 0 1 2 0 1 2 C 0 1 2 1 2 0 2 0 1 D 0 1 2 2 0 1 1 2 0 Jumlah komponen yang baik (dari 200 komponen) 167 194 160 158 190 160 183 186 168 SN = -10 log ((1/p) . Jumlah dan rata-rata nilai SN Ratio dapat dilihat pada Tabel 4.320 11.159 B 23.099 28.754 12.042 15.010 31.116 C 24.386 24.021 5.705 39. Tabel 4 Jumlah dan Rata-rata SN Ratio Faktor Level SN A Jumlah 0 Rata-rata 1 Jumlah 9.118 8.562 7. Hasil eksperimen tersebut diperoleh menggunakan kondisi operasi awal eksperimen yaitu A1B1C1D0.788 6.202 Dengan p merupakan proporsi produk yang baik dari 200 komponen yang diperiksa. 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.

414 81.73) 85.93 1.243 6.15 1.351 29.85 RJK 1.479 23.477 9. 13 November 2010 Rata-rata Jumlah 2 Rata-rata Jumlah Total Rata-rata 8. 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. salah satunya karena merupakan satu rangkaian dari proses pembuatan komponen semikonduktor.053 9.053 10.89 19.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.477 9. Tabel 5 Analisis Varians Data Hasil Eksperimen Sumber Variasi A B C D (e) Total Derajat Jumlah Bebas Kuadrat 2 2 2 2 (4) 4 3.29 11.93 F 0.477 9.05) 2 2 2 2 Kesimpulan H0 diterima H0 ditolak H0 diterima H0 ditolak Berdasarkan analisis varians pada Tabel 5.670 81.11 3.128 6.039 19.053 13.15 5. Manajemen Risiko di Bidang Perbankan dan Asuransi | 329 .01 4.72 37.585 81.755 9. Level optimal dari factor A dan C berdasarkan Tabel 4 adalah A2C1.187 28.053 Setelah dilakukan perhitungan SN Ratio seperti pada tabel diatas. Untuk factor yang nonsignifikan yaitu A dan C tetap disertakan pada proses produksi berikutnya karena alasan ekonomi dan teknis.477 9. maka dapat disimpulkan factor yang signifikan adalah B dan D dan optimal pada saat B1D1.01 2. Sehingga kombinasi level factor yang mengoptimalkan respon adalah A2B1C1D1.43 74.376 81.009 7.85 (7.07 F (0.

865. Taksiran SN Ratio adalah ˆ ( A2 B1C1 D1 ) A2 B1 C1 D1 3T 9. Manajemen Risiko di Bidang Perbankan dan Asuransi | 330 .351 10.351 9.431 = 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Meskipun factor A dan C nonsignifikan. untuk mencari kondisi optimum proses produksi tetap disertakan berdasarkan pertimbangan ekonomi dan teknis. yaitu : SN kondisi awal 10log 1 1 p 12.040 9.431 Kondisi optimum eksperimen berdasarkan pengujian adalah A2B1C1D1. 296 .296 Dengan kondisi optimum ini SN Ratio meningkat sebesar 15. dapat disimpulkan beberapa hal yaitu sebagai berikut : 1.971 = 97.011 3x9. sehingga p = 0. 431 .6% menjadi 97.6% SN kondisi optimum 10log 1 1 p 15. Taksiran SN Ratio adalah ˆ ( A1 B1C1 D0 ) A1 B1 C1 D0 3T 8.053 15. 13 November 2010 Kondisi operasi awal menggunakan level percobaan A1B1C1D0.053 12.1%. sehingga p = 0. IV. yang menunjukan ukuran besarnya peningkatan kualitas komponen.479 3 x9.585 13.040 9.188 13.1% Hal ini berarti proporsi komponen yang baik meningkat dari 94. Variabel yang signifikan dalam eksperimen pembuatan komponen elektronik adalah B dan D.946 = 94. KESIMPULAN Berdasarkan uraian yang telah dipaparkan pada Bagian 3.296 – 12. Apabila peningkatan kualitas ini dihitung dalam proporsi komponen yang baik.

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

Menurut Greugers (1985). antara lain terlepasnya ikatan antara semen resin dengan permukaan gigi atau terlepasanya ikatan antara semen resin dengan permukaan logam. 13 November 2010 (D. I. Pada praktek sehari-hari yang dilakukan oleh para doktergigi. 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. karena Manajemen Risiko di Bidang Perbankan dan Asuransi | 332 . PENDAHULUAN 1. 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.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. sering dijumpai kegagalan-kegagalan yang terjadi. 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.5) ANALISIS VARIANS UNTUK MENGUJI KEKUATAN LEKAT SEMEN ADHESIF PADA PERMUKAAN LOGAM KARENA EMPAT MACAM PERLAKUAN (Studi Eksperimen pada Bidang Ortodonti Kedokteran Gigi) Oleh : H. Kegagalan terjadi pada jembatan Rochettte. tanpa memperhitungkan urutan rata-rata dalam pendekatan parametrik dapat dikerjakan melalaui analisis varians (ANAVA).1 Latar Belakang Penelitian yang dilakukan dokter gigi dalam bidang prostodonsia. Pada penelitian ini akan dikemukakan aplikasi menguji kesamaan beberapa rata-rata yang diberikan oleh perlakuan yang berbeda melalui pendekatan parametrik. BERNIK MASKUN ABSTRAK Pengujian hipotesis yang melibatkan beberapa rata-rata.

Statistik uji 2. perlu dilakukan penelitian lainnya yang berkaitan dengan perlakuan-perlakuan yang diberikan kepada logam. Dachlan. 1. perforeted. untuk itu dapat diturunkan hipotesis statistik sebagai berikut : HO : HO : vs 1 2 .2 Rumusan Masalah Berdasarkan hasil penelitian yang telah dilakukan. Distribusi Sampling dari statistik uji 1. antara lain dilakukan oleh Mc. Laughlin (1986) dan Van der Veen (cit.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Manajemen Risiko di Bidang Perbankan dan Asuransi | 333 ..3 Tujuan Penelitian Menerapkan cara pengujian hipotesis untuk beberapa rata-rata yang sesuai dengan kaidah statistika. 1995) dengan membuat perlakuan pada permukaan logam berupa anyaman. k H1 : Salah satu tanda sama dengan tidak berlaku... menunjukkan bahwa kekuatan lekat semen resin pada logam sebagai restorasi jembatan akan berbeda jika logam yang digunakan memperoleh perlakuan yang berbeda. Berbagai penelitian telah dilakukan untuk memperbaiki ikatan antara semen resin dan permukaan logam. Berdasarkan kegagalan-kegagalan dan upaya-upaya yang telah dilakukan oleh bebrapa peneliti untuk meningkatkan kekuatan pelekatan antara semen resin dengan permukaan logam. sandblast dan dietsa secara electrolisa.. 13 November 2010 semen resin hanya melekat disekitar lubang-lubang dan tidak menyeluruh pada permukaan logam. Untuk menguji hipotesis di atas diperlukan : 1.

. 2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran..1 Statistik uji dengan pendekatan parametrik Jika data hasil penelitian berskala rasio atau interval dan maka Statistik ujinya dapat digunakan statistik z berbentuk x1 x2 1 n1 1 n2 2 (varians) diketahui z . (2-1) Apabila 2 tidak diketahui maka statistik ujinya menggunakan staistik t dengan bentuk x1 s 1 n1 x2 1 n2 t ..2 Statistik Uji dengan Pendekatan Non Parametrik Manajemen Risiko di Bidang Perbankan dan Asuransi | 334 .1. (2-2) Kedua statistik di atas dapat digunakan jika data hasil penelitian berdistribusi Normal. 13 November 2010 1.4 Manfaat Penelitian Dengan digunakan statistik uji yang sesuai untuk menguji hipotesis beberapa rata-rata akan memberikan solusi yang lebih baik.1 Pengujian Kesamaan Dua Rata-rata Jika dalam suatu penelitian ingin diketahui apakah dua perlakuan yang berbeda yang diberikan kepada satu kelompok percobaan yang bersifat homogen memberikan efek yang berbeda dapat diturunkan hipotesis statistik sebagai berikut Ho : H1 : 1 2 melawan 1 2 2.. II . TINJAUAN PUSTAKA 2.1.

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

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

. .. . J2 y2 1 2 … J … … nj Banyak Pengamatan Jumlah Rata-rata 1 Y11 Y12 . . Y2j Yij ... Y22 ... k yang dapat diartikan tidak terdapat perbedaan mengenai efek perlakuan Hipotesis di atas dapat pula ditulis dalam bentuk : HO : vs 1 2 . Y2n2 N2 . Yknj nk Jk k n i 1 k ni Ji i 1 … yj J yk dari tabel di atas nampak bahwa : Manajemen Risiko di Bidang Perbankan dan Asuransi | 337 ...Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Ykj .. . ... Y1j . Untuk mengujinya diperlukan statis uji yang sesuai... 13 November 2010 Berdasarkan model eksperimen seperti pada persamaan (3-1) dapat diturunkan hipotesis sebagai berikut : Ho : i 0 i 0 ... ...... k H1 : Salah satu tanda sama dengan tidak berlaku.. dikerjakan berdasarkan data yang ditampilkan seperti pada tabel berikut ini Tabel 1 : Statistik yang dihitung dari Data Pengamatan (Tiap Perlakuan berisi n j pengamatan) Perlakuan 2 i Y21 ...... .. i = 1.. Y1n1 n1 J1 y1 K Yk1 Yk2 . . 3.1 Statistik Uji Pendekatan Parametrik : Pengujian untuk hipotesis di atas....2... ..

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

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

52 6.37 4. Apakah terdapat perbedaan efek dari pemberian perlakuan dalam bentuk anyaman.12 2 26.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.81 9.2 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 32.02 18.23 14. etsa elektolisa.82 17.84 13.87 6.07 17. 13 November 2010 Hipotesis : Hipotesis kerja yang dapat diturunkan dari masalah di atas adalah : 1. Perlakuan mana yang memberikan efek kekuatan daya lekat maupun persentase luas permukaan resin yang masih melakat yang terbaik ? Hipotesis kerja di atas akan diubah menjadi hipotesis statistik sebagai berikut : Ho : melawan H1 : efek ) 1 2 3 4 : Tidak terdapat perbedaan efek diantara keempat macam perlakuan Salah satu tanda sama dengan tidak berlaku (terdapat perbedaan 4.94 Sedangkan prosentase luas permukaan resin yang masih melekat pada permukaan logam diperlihatkan dalam table sebagai berikut : Tabel 5 : Luas Permukaan resin yang masih Merekat pada Permukaan Logam Manajemen Risiko di Bidang Perbankan dan Asuransi | 340 . Pitted dan Sandblast ? 2.23 8.70 19.06 3 20.52 3.01 4 19.

03 16 238.50 2 91.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.24 34.50 Sandblast 16.61 24.13 5.94 4 20.65 Perlakuan Etsa Pitted 19.84 13.06 4.01 3.23 14.07 4 98.37 17.70 26.02 19.52 4 4 73. dihitung statistiknya sehingga diperoleh hasil seperti pada tabel berikut ini : Tabel 6 : Statistik yang dihitung dari Data Pengamatan Nilai Rata-rata Kekuatan Daya Tarik dari Keempat Permukaan Rangka Logam (Tiap Perlakuan berisi 4 pengamatan) Sampel 1 2 3 4 ni Ji xi Anyaman 32.81 9.04 10.50 67.28 11.52 17.82 20.28 18.87 18.12 6.23 8.57 Jumlah Sandblast 6. 13 November 2010 Oleh Empat Perlakuan (dlm %) Perlakuan Sampel Anyaman Etsa Pitted 1 98.82 79.40 3 80.13 66.00 21.50 42.50 16.50 9.26 4 79.88 Selanjutnya dari data dalam Tabel 4.13 Dari Tabel 6 di atas akan diperoleh ANAVA sebagai berikut : Tabel 7 : ANAVA Untuk Pengujian Nilai Rata-rata Kekuatan Daya Tarik dari Keempat Permukaan Rangka Logam Dengan 4 observasi tiap kelompok Manajemen Risiko di Bidang Perbankan dan Asuransi | 341 .11 46.37 70.41 24.

50 42.57 MPa Rata-rata kekuatan rekat dengan Sandblast = 5.74.13 4 349.04 10.50 4 4 283.67 Jumlah Sandblast 16.26 66.88 4 52.40 70.66 70.12 3.63 22. Hasil pengujian menunjukkan sangat bermakna (**).79 30.45 Perlakuan Etsa Pitted 79.12 859.96 13.24 34.23 16 808.544.03 MPa x2 x3 x4 Dari Tabel 5.00 12 16 4.80 87.65 MPa Rata-rata kekuatan rekat dengan Etsa Elektolisa = 18.90 268.15 122.544.50 16.50 67.37 79. 13 November 2010 Sumber Variasi Rata-rata Antar Kelompok Dalam Kelompok Jumlah Dk Jumlah Kuadrat 1 3 Rata-rata F Hitung F Tabel Sifat Jumlah (hasil Kuadrat Uji) 3.82 91.74 **) 155.53 Manajemen Risiko di Bidang Perbankan dan Asuransi | 342 .50 80.559.41 24.28 MPa Rata-rata kekuatan rekat dengan Pitted = 11.92 13. dihitung statistiknya seperti terlihat dalam tabel sebagai berikut : Tabel 8 : Statistik yang dihitung dari Data Pengamatan Prosentase Luas Permukaan Resin yang Masih Merekat Pada Permukaan Rangka Logam (Tiap Perlakuan berisi 4 pengamatan) Sampel 1 2 3 4 ni Ji xi Anyaman 98. 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 = 24.05 dan F table untuk taraf kepercayaan 99% = 5.05 5.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.50 9.97 - - - Dari tabel ANAVA di atas diperoleh F hitung = 22.00 21.

44 4.23 % Manajemen Risiko di Bidang Perbankan dan Asuransi | 343 .67 % Rata-rata prosentase Luas Permukaaan resin yang melekat pada permukaan logam dengan Sandblast = 13.55 40.857.857.00 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 x2 x3 x4 dengan bentuk anyaman = 87.79 % Rata-rata prosentase Luas Permukaaan resin yang melekat pada permukaan logam t dengan Pitted = 30.18 16 55.745.00 5.17 57.74 **) 686.781.81 83.237.45 % Rata-rata prosentase Luas Permukaaan resin yang melekat pada permukaan logam dengan Etsa Elektolisa = 70.16 - - - Dari tabel ANAVA di atas diperoleh F hitung = 83.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 13 November 2010 Dari Tabel 6 di atas akan diperoleh ANAVA sebagai berikut : Tabel 9 : ANAVA Untuk Pengujian Prosentase Luas Permukaan Resin yang Masih Merekat Pada Permukaan Rangka Logam Dengan 4 observasi tiap kelompok Sumber Variasi Rata-rata Antar Kelompok Dalam Kelompok Jumlah Dk Jumlah Kuadrat 1 3 12 Rata-rata F Hitung F Tabel Sifat Jumlah (hasil Kuadrat Uji) 40.55 14.

Thirt Edition. Design and Analysis of Experiments. Hal 145.1985. Ilmu Geligi Tiruan Jembatan. Science of Dental Material.D. Creugers. Res. 1986. 9 th ed. 6. 2. Scheaffer. 1986.1955. Boston. 117-164. Program Pendidikan Dokter Gigi Spesialis Prostodonsia. R.. Olsen M. Hal 148-153 8. Comparion of Shear Bond and Surface structure Between Convensional Acid Etching and Air Abrassion of Human Enamel. Cetakan ke II. 1985. 497-500 4.B.45 %. Dent. 1994. O Bishara S E Damon P. Mendenhall. M. Orthod Dentofac. 2001. 13 November 2010 V.65 Mpa yang berarti lempeng logam akan terlepas dari lempeng logam lawan setelah diberi kekuatan tarik sebesar 24. Hal. 7.. 1997... FKG -Universitas Padjadjaran Mc. Miller S Zernik J. Journal . 230-241 Manajemen Risiko di Bidang Perbankan dan Asuransi | 344 . Orthop 112 : 502-506 9. New York. Hal. XXX (4) . Den. J. Lipincott Co. 185-229. 1983. 5 th Edition. Sidney Siegel. Direct Bonded Retainer. A Simple Method of Increasing The adhesion of acrillic Filling material to Enamel Surface. J. Pengetahuan dasar dan Rancangan Pembuartan.O.. Jakarta EGC. . 760 3..Res 34(1) : 849-852. Phioladelphia. Mathematical Statistics with Applications. Statistik NonParametrik. John Wiley & Sons. Jakarta.Vol 64.al .D. perhatikan kembali rata-rata kekuatan rekat pada permukaan logam dan persentase luas permukaan resin yang melekat pada permukaan logam. Prelimenary Report of Clinical Evalution of Three Types of Resin Bonded Bridge. W. Et. 365. 1996. Hal. Edy Machmud. KESIMPULAN Untuk mengetahui perlakukan mana diantara keempat perlakukan memberikan efek yang paling baik. J. Saunders Co. 10. 5.159. 1991. Uji Beda Kekuatan Rekat Semen Resin Adhesif pada Permukaan Logam yang Diberi Empat Macam Perlakuan. Prajitno. Gramedia. Am. Sandblasting of Bands to Increase Bond Strenght. Inc. NHJ. Buonocore. G..C. 11.. 1-89. H . Hal.L. 217-222 Phillip. Duxbury Press. Montgomery. Wackerly. W. DAFTAR PUSTAKA 1. Hasil pengujian memperlihatkan bahwa lempeng logam yang diberi perlakuan anyaman memberikan kekuatan daya lekat paling besar yaitu sebesar 24. J. Laughlin G .B. . D.65MPa dengan luas permukaan resin yang masih melekat pada permukaan logam sebesar 87.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. Philadelphia. C.. PWS Publishers.

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

14.

Manajemen Risiko di Bidang Perbankan dan Asuransi | 345

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

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

Martinnus Oetama, 2Budhi Handoko, 3Sri Winarni
1

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

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

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

Manajemen Risiko di Bidang Perbankan dan Asuransi | 346

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

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

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

Manajemen Risiko di Bidang Perbankan dan Asuransi | 347

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

3. Menentukan Alias Dan Desainnya

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

Manajemen Risiko di Bidang Perbankan dan Asuransi | 348

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

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

Manajemen Risiko di Bidang Perbankan dan Asuransi | 349

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

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

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

Manajemen Risiko di Bidang Perbankan dan Asuransi | 350

Prosiding Seminar Nasional Statistika Universitas Padjadjaran, 13 November 2010

Statistik Uji nya :

F=

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

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

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

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

2. Satu Data Hilang

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

Manajemen Risiko di Bidang Perbankan dan Asuransi | 351

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

Half-Normal Plot
Select significant terms - see Tips
99

Design-Expert® Software R1

Half-Normal Plot
Select significant terms - see Tips
99

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

95 90

Half-Normal % Probability

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

95 90

80 70

80 70

50 30 20 10 0

50 30 20 10 0

0.00

7.28

14.56

21.84

29.12

0.00

45.00

90.00

135.00

180.00

225.00

|Standardized Effect|

|Standardized Effect|

Gambar 4.1 ( plot pada saat X = 127 )

Gambar 4.2 ( Plot data aslinya )

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

Half-Normal Plot
99

Half-Normal % Probability

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

D
95 90

E A C B

80 70

50 30 20 10 0

0.00

5.30

10.60 15.90 21.20 26.50 31.80 37.10 42.40 47.70 53.00

|Standardized Effect|

Sumber Variasi A B C D E Residual

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

P value 0.0001 0.7139 0.0529 < 0.0001 < 0.0001

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

Manajemen Risiko di Bidang Perbankan dan Asuransi | 352

10 42.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.00 43.00 172.00 27.25 30. Design-Expert® Software R1 Half-Normal Plot 99 Half-Normal % Probability Shapiro-W ilk test W -v alue = 0.952 p-value = 0.36 1 30. maka H0 ditolak sedangkan untuk efek B dan C karena memiliki nilai p value > 0.29 1 8930.00 225.00 215.00 86. sumber variasi residual merupakan gabungan dari efek-efek interaksi dua faktor.00 129. Sebagai catatan dalam tabel Anava.47 P value 0.00 7921. 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.0004 Manajemen Risiko di Bidang Perbankan dan Asuransi | 353 . D dan E memiliki nilai p value < 0. Jadi faktor-faktor yang mempengaruhi jarak yang ditempuh bola golf pada permainan golf dengan respon jarak tempuh dalam yard adalah Ability (Kemampuan).896 A: A B: B C: C D: D E: E Positiv Effects e Negativ Effects e E 95 90 D A C 80 70 50 30 20 10 0 B 0. 3.05 maka H0 diterima.00 10.0006 0. Dua Data Hilang Dengan menggunakan Half-Normal Plot diperoleh hasil estimasi yang paling baik adalah : Design-Expert® Software R1 Half-Normal PlotR1 Select significant terms .70 21.50 | Standardized Effect| Sumber Variasi A B C D Tabel 4.00 180.00 135.see Tips 99 Half-Normal % Probability 95 90 Half-Normal % Probability Shapiro-Wilk test W-value = 0.5 ( Plot data aslinya ) ( Plot pada saat X2 = 187 dan X15 = 169) Dari keseluruhan bentuk half-normal plot tersebut diketahui bahwa hasil estimasi yang paling baik adalah pada saat nilai X2 = 187 dan X15 = 169.00 8930.2821 0. D dan E mempunyai pengaruh terhadap model.00 24.00 258.939 p-value = 0.404 A: A B: B C: C D: D E: E Positive Effects Negative Effects 95 90 80 70 80 70 50 30 20 10 0 50 30 20 10 0 0.00 |Standardized Effect| |Standardized Effect| Gambar 4.25 1.4 Tabel Anava Untuk Dua Data Hilang Derajat Jumlah Kuadrat F value Kebebasan Kuadrat Terkecil 1 7921.80 53. Ground (Lapangan). dan Teeing (Tongkat).25 420. 13 November 2010 Karena efek A. Sehingga dapat disimpulkan bahwa hanya efek A.see Tips 99 Design-Expert® Software Half-Normal Plot Select significant terms .40 32.25 0.00 0.4 Gambar 4.971 p-v alue = 0.093 1 420.7666 0.05.00 45.00 90.589 A: A B: B C: C D: D E: E Positive Effects Negative Effects Shapiro-Wilk test W-value = 0.

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

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

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

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

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

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

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

Data observasi yang digunakan sebanyak 72 bulan.d.02 -2228.2 -2184. suku bunga dan kurs rupiah terhadap dollar yang dirilis Bank Indonesia. Desember 2008. data ini digunakan untuk membentuk model time series dari bulan Januari 2004 s. Untuk keperluan pembandingan model data dibagi menjadi dua.45 -2157. Hasil dan pembahasan Untuk melihat lag yang optimum dalam model. 4. data ini digunakan untuk menguji akurasi dari model yang terbentuk. 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 -2182.83 -2174.13 -2180.d. Data pertama adalah data in-sample (training). adalah dengan melihat nilai Information Criterion for Autoregressive Model (ICAM) seperti pada Tabel 1. Tabel 1. Tujuan dari pembuatan makalah ini adalah mendapatkan model yang baik untuk data inflasi Indonesia.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 5. yang dibagi menjadi 60 observasi untuk in-sample dan 12 observasi untuk out-of-sample. Pada penelitian ini. dimulai dari januari 2004 sampai dengan desember 2009.94 -2221.2 -2222 -2196.95 Manajemen Risiko di Bidang Perbankan dan Asuransi | 361 . Nilai dari Information Criterion for Autoregressive Model The SAS System 05:25 Thursday. Sedangkan data kedua adalah data out of sample (testing) dari bulan Januari 2009 s. Hal ini dilakukan dengan metode SOM-GRNN dengan cara membandingkan dari data asli dan perkiraan dari data testing (out sample). 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. Desember 2009. November 11. data yang digunakan merupakan data inflasi Indonesia yang dirilis setiap bulan oleh BPS dan data jumlah uang beredar. Data ini terdiri dari 72 observasi.64 -2176.08 2166. 13 November 2010 oleh Bank Indoensia.

5 Variable Ytest Yhat-test 1.874 1.129 1.5 0. Time Series Plot of Ytest. Yhat-test 1. Hasil dengan menggunakan kriteria MSE dan RMSE untuk membandingkan data testing (Ytest/data asli) dengan data taksiran testing (Yhat-test) pada gambar. 13 November 2010 Terlihat lag yg optimum adalah lag 1 yang memiliki nilai ICAM terkecil dan dengan mengunakan cross correlation didapatkan hasil yang menyatakan bahwa hanya lag 1 yang signifikan.0 Data 0. Perbandingan MSE dan RMSE training dan testing pada Model SOM-GRNN SOM-GRNN Training Testing MSE 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.5 1 2 3 4 5 6 7 Index 8 9 10 11 12 Gambar 2.2 terlihat bahwa dengan metode SOM-GRNN terlihat bahwa data plot taksiran (Yhat-test) cenderung mendekati plot data testing (Ytest).0 -0. Pada bagian ini akan dipaparkan hasil empiris dari metode SOM-GRNN untuk melihat validasi model terbaik untuk data inflasi bulanan Indonesia. Plot Ytst dan Yhat-tes Manajemen Risiko di Bidang Perbankan dan Asuransi | 362 .448 RMSE 1. Tetapi ini masih layak digunakan karena perbedaannya yang tidak terlalu jauh antara training dan testing dilihat dari banyaknya jumlah observasi training dan testing. Tabel 2.317 Tabel 2 menunjukkan bahwa nilai MSE dan RMSE training lebih kecil dari MSE dan RMSE testing.

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

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

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. metode Partial Least Square Regression tidak memberikan standard error pendugaan parameter regresi karena dalam pemodelan tidak mengasumsikan sebaran dari error. Multikolenieritas. Konsep dari PLSR adalah mereduksi variabel prediktor menjadi k komponen dengan memperhatikan korelasi antara set variabel prediktor dengan set variabel respon. dengan korelasi antara prediktor sebesar =0.com ABSTRAK Metode Partial Least Square Regression salah satu metode yang ditawarkan untuk pemodelan persamaan regresi jika terdapat kasus multikolenieritas. 200) dan Jackknife n-1. Dalam bahasa regresi persamasalahan ini dikenal dengan nama multikolenieritas. 30. proporsi varians dari variabel respon yang dapat dijelaskan oleh variabel prediktor akan semakin tinggi yang ditunjukkan oleh nilai koefisien determinasi R2 yang semakin besar. Dengan menggunakan metode simulasi ditetapkan B=1000 dan sampel bootstrap n=(10. 50. standar error dan interval konfidensi pendugaan.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.9 diperoleh metode Bootstrap relatif lebih baik untuk ukuran sampel besar (n>30) dibandingkan dengan metode Jackknife dilihat dari bias pendugaan. Namun. 13 November 2010 (R. penulis bertujuan untuk membandingkan bias pendugaan parameter regresi. 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. Dalam penelitian ini. Keyword : Regresi.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 100. Namun satu hal yang menjadi kendala dalam PLSR Manajemen Risiko di Bidang Perbankan dan Asuransi | 365 . Sama halnya seperti metode Principal Component Regression dan Ridge Regression. Pendekatan umum yang digunakan untuk mendapatkan standar error dan interval konfidensi dari pendugaan parameter regresi adalah dengan menggunakan metode Bootstrap dan Jackknife. PLSR merupakan gabungan dari Principal Component Regression (PCR) dengan Canonical Correlations (CC). Khusus untuk tujuan prediksi. terdapat satu masalah klasik diantara banyak masalah dalam analisis regresi multipel adanya korelasi sempurna atau hampir sempurna antara variabel prediktor. standar error dan lebar interval konfidensinya . semakin banyak variabel yang terlibat dalam model regresi maka semakin akurat dan reliable nilai prediksinya karena tentunya dengan melibatkan banyak variabel prediktor. Beberapa teknik statistik yang sering digunakan dalam penanggulangan multikolenieritas adalah Principal Component Regression (PCAR).

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

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

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

012690 Jackknife b2 0.I L.0556508 Bootstrap b2 0.000188 0.510731 0. 30.014948 b1 0.518096 0.003750 0.504049 0. 50.508496 0.513886 0.006319 Bootstrap b2 0.4835913 0. 200) serta mempertimbangkan adanya multikolenieritas dengan korelasi antara variabel prediktor ditetapkan sebesar =0.000663 0.503442 0.526704 0.521213 0.030394 b1 0.024677 b1 0.532662 0. 200) variabel prediktor x1 dan x2 dengan korelasi antara prediktor ini ditetapkan sebesar =0.0005 0.491244 0.007407 0.0008 0.001812 0.507353 0.0003 0.003112 0.002592 0.521550 0.502608 0.010273 Sumber : Hasil Simulasi Sampel Standardized Method Observed Average Size Coefficient 0. 100.518205 0.9 2.532116 0. Prosedur simulasinya adalah sebagai berikut : 1.520316 0.508369 0.002582 0. 200)) Confident Interval 95% Bias S.507986 0.526704 0. Membangkitkan data sampel n=(10.510439 0.513088 0.507179 0.0007 Ta ksira n Pa ra meter Beta 1 0.525833 0.509982 0.512995 0.5049639 0.030840 N=30 b1 0.5545374 0.525522 0.0117674 0.0025445 0.518390 0.000065 0.0205651 0.5049639 0.5020237 0.5354353 0.507970 0.0080 0.501115 0.521550 0.5235726 0.5020237 0.000534 0.510382 0.510419 0.519248 0.518640 0.001592 0.502758 0.002605 0.0323286 Jackknife b2 0.523311 0. Hasil Simulasi Metode Bootstrap dan Jacknife (B=1000.000631 0.5074083 0.B b1 0.507439 0. 50.0120 Taksiran Parameter Beta 2 0.B U.000550 0.006332 Jackknife b2 0. 30.006133 0.0002856 0. 13 November 2010 Untuk memilih metode terbaik dalam pendugaan parameter regresi dengan partial least square akan dilakukan dengan metode simulasi monte carlo.507501 0.000187 0.0002 0. n=(10.4727787 0.508369 0.000204 0.503828 0.513214 0. Melakukan pendugaan parameter regresi dengan metode Partial Least Square dengan banyak komponen adalah satu 3.507279 0.533837 0. sampel bootstrap B=1000 dengan n=(10.0001 Manajemen Risiko di Bidang Perbankan dan Asuransi | 369 0.518199 0.003092 0.E Wide C. 50.000104 0.505054 0.509371 0.5190643 0.519777 0.004319 Jackknife b2 0.000069 0.5214075 0.507801 0.010388 Jackknife b2 0.010223 N=200 b1 0.0040 0.510948 0.024692 N=50 b1 0.508496 0.0709461 b1 0.0007563 0.000168 0.007515 0.505020 0. Menghitung bias pendugaan.512960 0.001095 0.010457 Bootstrap b2 0.525522 0.95 diperoleh hasil simulasi sebagai berikut : Tabel 1.4797845 0.90 serta =0.513698 0.0020 0.004317 Bootstrap b2 0.000029 0.0100 .003766 0.509982 0.523233 0.0060 0.001595 0.504120 0.0006 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.501008 0.5700363 0. 100. 100.510419 0.000092 0.000153 0.534668 0.507216 0.507213 0.012771 Bootstrap b2 0.0004 0.000179 0. standar error.509338 0.001095 0.525679 0.0068359 0.006137 0.000034 0.0150016 0.5076099 0. dan interval konfidensi dengan metode Bootstrap dan Jackknife HASIL PENELIITAN Setelah dilakukan simulasi menggunakan software R dengan replikasi sebanyak 100 kali. 30.002599 0.521213 0.014885 N=100 b1 0.0972576 N=10 b1 0.0140 0.

510 0.54 0.53 B2 0.55 B1 0.50 0.505 0.E Beta 1 Gambar 2.53 B2 0. 13 November 2010 Gambar 1.51 0.0150 0.0000 0 50 100 150 200 250 Ukuran Sampel (n) Bootstrap Jackknife Ukuran Sampel (n) Bootstrap Jackknife Gambar 3.0050 0.500 0.52 0.0000 0 50 100 150 200 250 0.58 B2 0 0.51 5 10 15 0.50 0.510 B1 0.60 B2 0.51 5 10 15 0. standar error dan interval konfidensinya.520 B1 0.53 0.510 B1 0.0100 0.52 0.505 0. Bootstrap dan Jackknife Bias Parameter Beta 1 0.530 0.54 0.56 0.55 Manajemen Risiko di Bidang Perbankan dan Asuransi | 370 .52 0.50 0.0015 0.0200 Taksiran S.56 0.52 0.0250 0.58 0. Bootstrap dan Jackknife Standar Error Beta 1 Gambar 2.55 Distribusi Jackknife Beta-1 20 20 Distribusi Jackknife Beta-2 25 Distribusi Jackknife Beta-1 Distribusi Jackknife Beta-2 10 15 20 15 Frequency Frequency 0.0020 0. jackknife relatif lebih baik dibandingkan Bootstrap.0010 0. Bootstrap dan Jackknife Standar Error Beta Secara umum hasil simulasi menunjukkan bahwa metode Bootstrap relative lebih baik untuk ukuran sampel besar baik dilihat dari bias pendugaan parameter. Bootstrap dan Jackknife Bias Parameter Beta 2 0.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.54 0. Namun untuk ukuran sampel kecil kurang dari 30. Distribusi Bootstrap Beta-1 30 20 Distribusi Bootstrap Beta-2 25 Distribusi Bootstrap Beta-1 Distribusi Bootstrap Beta-2 Frequency 10 15 20 Frequency Frequency Frequency 0.E Beta 2 0.0005 0.0030 0.54 0.515 Frequency Frequency 15 10 10 5 5 0 0 0 5 0.52 0.0025 Taksiran S.515 20 15 5 10 10 5 0 5 0 0 0 0.54 0.

Sehingga dengan ukuran sampel ini.510 0.510 0.509 0.530 0.515 0. Bootstrap dan Jackknife n = 50 Distribusi Bootstrap Beta-1 10 15 Gambar 4.508 B1 0.505 0.506 0.512 Distribusi Bootstrap Beta-2 Frequency 15 Frequency Frequency 8 6 10 6 4 4 2 2 0 5 0 0 0 0.525 0.508 B1 0.515 0.525 B2 B1 Manajemen Risiko di Bidang Perbankan dan Asuransi | 371 . pendekatan Bootstrap dan Jacknife sangat baik digunakan dalam menaksir standar error dugaan parameter yang akan digunakan dalam pengujian hipotesis signifikansi parameter regresi partial least square. baik pendekatan Bootstrap maupun Jackknife kurang baik digunakan dalam mendapatkan standar error yang akan digunakan dalam pengujian hipotesis. terlihat dari hasil simulasi (n>30) distribusi sampling dari dugaan parameter relatif menyebar normal.504 0.520 B2 0. Bootstrap dan Jackknife n = 100 Distribusi Bootstrap Beta-2 0.520 B2 0.504 0.512 Distribusi Jackknife Beta-2 8 Frequency 15 Frequency Frequency 0 2 4 6 8 6 4 10 2 0 5 0 0 0.504 0.520 0.530 0.530 Distribusi Jackknife Beta-1 10 12 Distribusi Jackknife Beta-2 20 Distribusi Jackknife Beta-1 15 Frequency 0.505 0. 13 November 2010 Gambar 1.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.507 B1 0.508 B1 0. Distribusi Bootstrap Beta-1 12 10 Distribusi Bootstrap Beta-2 20 Distribusi Bootstrap Beta-1 15 Frequency 0.525 Distribusi Jackknife Beta-1 10 15 Distribusi Jackknife Beta-2 Frequency Frequency 0 2 0. Sehinggau untuk ukuran sampel relatif besar. Bootstrap dan Jackknife n = 10 Gambar 2. Bootstrap dan Jackknife n = 30 Untuk ukuran sampel kurang dari 30. terlihat distribusi sampling dari parameter regresi partial least square menyimpang dari sebaran normal.512 0.504 0.515 0.509 0 5 Untuk ukuran sampel relative besar.510 5 10 8 0.507 B1 0.520 0.520 B2 0.508 B1 0.512 0.510 0.520 0.530 B2 5 10 B1 B2 B1 Gambar 3.510 0. Frequency 8 Frequency 4 0 2 8 4 6 10 0 5 10 6 0.

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

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

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. secara konseptual lebih mudah dipahami dan mempunyai tingkat akurasi yang tinggi. diantaranya bidang ekonomi. sedangkan kelemahannya yaitu waktu yang dibutuhkan dalam memproses data lebih lama dibanding metode MLE. 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. 13 November 2010 migran (BPS. Banyak migran menuju wilayah yang berjarak dekat.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. 2002). 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. Hal ini menunjukkan bahwa wilayah Provinsi Jawa Barat mempunyai daya tarik bagi para migran untuk tinggal dan menetap di wilayah ini. Model spasial ekonometrika dalam beberapa tahun belakangan ini banyak digunakan dalam berbagai macam studi. Penelitian empiris yang menggunakan metode ini diantaranya yaitu Halim (2007) yang menerapkan metode bayesian spasial autoregressive untuk mengurangi pengaruh keburaman pada suatu gambar (image) sintesis. 2003). Menurut Lee dalam Mantra (2000) faktor jarak antara daerah asal dengan daerah tujuan yang disebut sebagai rintangan antara juga sangat menentukan keputusan seseorang untuk berpindah. sedangkan migran yang jauh tertuju ke pusat-pusat perdagangan dan industri yang penting (Emalisa. Ketimpangan yang terjadi antara satu daerah dengan daerah lainnya juga menyebabkan penduduk terdorong atau tertarik untuk melakukan migrasi. 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). 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. Manajemen Risiko di Bidang Perbankan dan Asuransi | 374 . 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. politik dan sosial.

.. X adalah matriks variabel independen/penjelas berukuran n x k.. Persamaan (2.1) dapat disajikan dalam bentuk notasi matrik sebagai berikut: y Wy Xβ ε .. Matrik pembobot/penimbang spasial (W) ini mencerminkan adanya hubungan antara satu wilayah dengan wilayah lainnya. 2..k) adalah variabel-variabel penjelas untuk observasi ke-i... dan Wij = 0 untuk region lainnya. 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. 13 November 2010 2.. dan ε adalah vektor error regresi berukuran n x 1 yang bersifat identik independen dan berdistribusi normal. dan Xir.2. Model Regresi Spasial Autoregressive Model Model umum regresi spasial autoregressive (SAR) yang dikembangkan oleh Anselin (1988) merupakan model ekonometrika spasial yaitu berupa pengembangan dari model regresi sederhana yang telah mengakomodasi fenomena autokolerasi spasial. Tinjauan Pustaka 2.. (2..1...Prosiding Seminar Nasional Statistika Universitas Padjadjaran....... Menurut LeSage (1999a) hubungan persinggungan (contiguity) merupakan metode pembentukan matrik pembobot spasial dimana wilayah yang berbatasan secara geografis merupakan neighbour (tetangga)..2.1) dimana Yi adalah variabel dependen untuk observasi ke-i. Estimasi Model dengan Bayesian Spatial Ekonometrika Manajemen Risiko di Bidang Perbankan dan Asuransi | 375 .. Model untuk tiap observasi ke-i adalah: n k Yi j 1 WijY j r 1 r X ir i .....2) y ε (1 N (0. 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).. β adalah vektor koefisien regresi berukuran k x 1. (r=1. W) 1 Xβ (1 2 W) 1 ε In ) dimana y adalah vektor variabel dependen/respon berukuran n x 1.. (2.

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

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

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

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

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

7) dan (2. Step 6. v-i. σ2(1). …. 13 November 2010 3. menggunakan algorima Metropolis-Hastings. dengan mean dan varians dihitung dari persamaan (2. untuk tiap skalar vi dengan menggunakan distribusi chi-square dengan derajat bebas r+1 dengan v-i= (v1. ρ(0)) menggunakan distribusi N(c*. Step 4.V(0). Bangkitkan angka random dari p(σ2|β(1). T *). berikut ini langkah-langkahnya: Step 1. Namakan sampling dari vektor parameter β(1) untuk mengganti vektor parameter β(0).000 penarikan sample termasuk 500 pertama untuk tahap burn-in agar mencapai kondisi steady-state dan menggunakan sampel yang dihasilkan sebanyak 2. …. Manajemen Risiko di Bidang Perbankan dan Asuransi | 381 . Tetapkan nilai inisiasi awal untuk β(0). Beri nama nilai updatenya dengan ρ(1) untuk mengganti parameter ρ(0) dan kembali ke step 3 sampai mencapai sejumlah iterasi (M) yang ditetapkan untuk mencapai konvergen. Step 2. V(1)). σ2(0).Prosiding Seminar Nasional Statistika Universitas Padjadjaran. σ2(1). Sebagai contoh. b*) dengan parameter a dan b dihitung dari persamaan (2. Bangkitkan angka random dari p(vi|β(1).500 sampel untuk menghasilkan estimasi posterior dan menarik kesimpulan. i=1. menggunakan distribusi invers gamma IG(a*. Namakan sampling dari parameter σ2(1) untuk mengganti parameter σ2(0). vi-1. Bangkitkan angka random dari p(ρ|β(1).vi+1. uji hipotesis). ρ(0)).vn).…n. Tetapkan jumlah iterasi (M) yang akan digunakan untuk mencapai konvergensi model termasuk jumlah iterasi pada tahap burn-in. standar deviasi. Metode Analisis Langkah-langkah proses MCMC dengan mengambil sampel secara berurutan dari empat distribusi full conditional posteriornya dengan algoritma Metropolis Within Gibbs. Lakukan estimasi posterior dari hasil sampel yang diperoleh setelah kondisi burn-in (seperti rata-rata.2. Step 5.11). Satu urutan dari step 3 sampai 6 merupakan satu proses penarikan sampel.10) dan (2. V(0) dan ρ(0).8). Step 3. V(0). ρ(0)). median. kita bisa melakukan sejumlah M = 3. Namakan sampling dari vektor parameter V(1) untuk mengganti vektor parameter V(0). Step 7.3. Bangkitkan angka random dari p(β|σ2(0).

0363.3519 0.4695 0.0003 X 2 0.0932 p-value 0.1615 0.6836 0. Estimasi parameter model Heteroskedastisitas Bayesian SAR Variabel Konstanta Industri (X1) Pengangguran (X2) Fasilitas Pendidikan (X3) Fasilitas Kesehatan (X4) Rho R-square Koefisien 9.1.4695 dengan nilai p-value yang signifikan yaitu 0. artinya variasi pada tingkat migasi yang dapat dijelaskan oleh model sebesar 47. maka interpretasi pada model regresi spasial berbeda dengan model regresi biasa. yang berarti bahwa kenaikan satu satuan dalam persentase peranan sektor industri akan meningkatkan tingkat migrasi sebesar 1. Analisis dan Pembahasan Berikut hasil estimasi regresi spasial autoregressive dengan metode bayesian.4695 j 1 WijY j 1.1383 0. Tabel 4.0516 0. Model regresi spasial untuk tiap observasinya berikut ini.0146 0.4427 1.1383 X 4 Terkait dengan adanya multiplier efek dari perubahan pada tiap variabel independen pada suatu wilayah yang dapat mempengaruhi variabel dependen pada wilayah yang bersangkutan maupun wilayah lain yang bertetangga (neighbour). Namun variabel yang siginifikan pada α 5% hanya variabel Industri.9465 2. Hal ini menunjukkan bahwa persentase peranan sektor industri terhadap PDRB mempengaruhi tingkat migrasi yaitu sebesar 1.4075 2. Sementara nilai koefisien regresi dari varibel Industri.0003 0.0363 Tabel 4.1791 -0.69% yang mungkin disebabkan oleh variabel lain yang tidak tercakup dalam model.0155.1 menunjukkan bahwa koefisien spasial autoregressive (ρ) sebesar 0. Interpretasi dari model regresi spasial menurut Lesage dan Pace (2009) terdiri dari ukuran sebagai berikut: Manajemen Risiko di Bidang Perbankan dan Asuransi | 382 .8101 1.9308 -1. 13 November 2010 4.0155 X 1 4. Penganguran.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.1791X 3 0.4741. n Yi 0.0155.0155 4.4741 Asym t-stat 0.41% sedangkan yang tidak dapat dijelaskan oleh model sebesar 52. Secara keseluruhan model regresi spasial ini mempunyai koefisien determinasi (R2) sebesar 0.2454 0. dan Fasilitas Pendidikan bernilai positif kecuali Fasilitas Kesehatan yang bernilai negatif.

2441 -0.4364 -0.6204 0.2.1591.4617 dan total efek sebesar 2.16% dan dampak tidak langsung sebesar 1.1591 4. c.1955 Average total effect 2.4617 5.5465 0. indierct. 5.1535 Average indirect effect 1. b. dan total effect Heteroskedastisitas Bayesian SAR Variabel Industri (X1) Pengangguran (X2) Fasilitas Pendidikan (X3) Fasilitas Kesehatan (X4) Average direct effect 1. 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. 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. ini berarti bahwa satu persen perubahan pada peranan sektor industri mempunyai dampak langsung terhadap perubahan tingkat migrasi sebesar 1.6208 10.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.9261 0.6208.46%. efek tidak langsung sebesar 1. Tabel 4. Manajemen Risiko di Bidang Perbankan dan Asuransi | 383 . Berikut ini hasil estimasi dari rata-rata efek tersebut pada masing-masing variabel. Estimasi direct. 13 November 2010 a. 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.3490 Dari tabel tersebut dapat dikatahui bahwa persentase peranan sektor industri mempunyai efek langsung pada variabel dependen sebesar 1. Average indirect effect yaitu rata-rata efek perubahan pada variabel independen di semua wilayah lain terhadap variabel dependen di suatu wilayah. sedangkan variabel yang lain belum cukup signifikan untuk menjelaskan variasi dalam tingkat migrasi.1923 -0. Average direct effect yaitu rata-rata efek perubahan pada variabel independen di suatu wilayah terhadap variabel dependen di wilayah tersebut.16% dan dampak tidak langsung sebesar 1.46%. Ini disebut juga dengan efek spillover (tumpahan).

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

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

Metode lain yang digunakan untuk mengatasi heteroskedastisitas adalah pendekatan Bayesian. dan pertumbuhan pendapatan (PDRB) mempunyai tingkat signifikansi masing-masing sebesar 56. Setiawan2.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. seringkali disebut Bayesian spatiotemporal.05%. dan 67.ac.its. times series.4) PENDEKATAN BAYESIAN SPATIO-TEMPORAL UNTUK MENGATASI HETEROSKEDASTISITAS PADA PEMODELAN NILAI KETIMPANGAN PENDAPATAN MASYARAKAT DI PROPINSI SEPULAU JAWA Sahar Mildino1. yaitu ragam error model tidak konstan.com. dan data panel. Berdasarkan waktu pengumpulan data. 13 November 2010 (R. Sedangkan untuk menganalisa efek-efek ekonomi yang tidak dapat dibedakan hanya dengan menggunakan data time-series ataupun cross section. 1. 2 setiawan@statistika. dapat menggunakan analisis data panel. masalah ini dapat terjadi pada data cross section. heteroskedastisitas. Kata Kunci : Bayesian spatio-temporal.483004. Sutikno3 1.id ABSTRACT Permasalahan heteroskedastisitas seringkali muncul pada pemodelan ekono-metrika spasial. Pengaruh spasial ( ) sebesar 0. Sementara variabel proporsi jumlah penduduk usia > 60 tahun.id. 3 sutikno@statistika. Salah satu upaya untuk mengatasi masalah ini adalah dengan menggunakan pendekatan metode kuadrat terkecil tertimbang dan transformasi variabel. memasukkan informasi yang berkaitan dengan baik variabel-variabel Manajemen Risiko di Bidang Perbankan dan Asuransi | 386 . penggunaan data panel memiliki keuntungankeuntungan.ac. 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. Penelitian ini membahas pendekatan bayesian untuk data panel. Metode ini diterapkan pada kasus pemodelan nilai ketimpangan pendapatan masyarakat di Propinsi sepulau Jawa. Kedua.2.3%. Pendahuluan Metode ekonometrik spasial dapat menganalisa observasi yang terdiri atas data antar-waktu (series) maupun data antar daerah (cross-section).its. dan hal ini akan menghasilkan derajat kebebasan tambahan sehingga mengurangi kolinearitas antar variabel. pertama. Menurut Abbas Gozali (2000).3 Jurusan Statistika Institut Teknologi Sepuluh Nopember Surabaya Indonesia email: 1 saharmildino@gmail. data panel. memungkinkan jumlah data meningkat.

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

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

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

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

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

Output Bayesian spatial autoregressive dengan Heteroscedastic model.957735 -0.563192 dan 0.018001 dan variabel proporsi jumlah anggota rumah tangga yang bekerja di sektor industri (X3) dengan P-Value sebesar 0.19 %terhadap tingkat ketimpangan pendapatan. 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. 0.61 Model yang dihasilkan adalah ln Yit Dengan interpretasi bahwa: 1. Setiap bertambah satu % proporsi jumlah anggota rumah tangga yang bekerja di sektor industri (X3) berpengaruh postitif sebesar 0.050261 0.050261.425452 -5. d.19 ln X 1 0.851119 0.365606 1.578107 -2. 2.615612 0.563192 0. Setiap bertambah satu % proporsi jumlah anggota rumah tangga pekerja terdidik/tingkat keahlian (X2) berpengaruh negative sebesar 0.0463 Asymptot t-stat -5.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.483004.571876 0.23% terhadap tingkat ketimpangan pendapatan.038355 -0. pertumbuhan ekonomi datanya didekati dengan data pertumbuhan PDRB dari setiap propinsi yang ada di Pulau Jawa. Pengaruh spasial ( ) sebesar 0. Variable constant pduduk60+ (X1) tkdidik (X2) tkindustri (X3) Pertmhnpdrb (X4) rho Rbar-squared Coefficient -3. 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 0.000000 Dari Table 1.23ln X 3 3.670507 0.229710 -0. Pertumbuhan pendapatan nasional (X4).018001 0.130135 -0. %. Proporsi jumlah anggota rumah tangga yang bekerja di sektor industri (X3) datanya didapatkan dari jumlah penduduk yang bekerja di sektor industri dibandingkan dengan total jumlah penduduk di setiap propinsi di Pulau Jawa.591231 z-probability 0.000000 0. 13 November 2010 c. Manajemen Risiko di Bidang Perbankan dan Asuransi | 392 .57WYit 0. Tabel 1.670507.195944 0.

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

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

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

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

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

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

From (10) we obtain ~ νt ~ yt W~t y ~ Xt a γ t . ~ and o X t is the N q q Following Suparman et al. (2008). For T times of observations. we simplify (13) into a time invariance model. εt (8) In the case of some of some explanatory variables in X t is omitted. for i 2. Hence.Prosiding Seminar Nasional Statistika Universitas Padjadjaran.e. we rewrite (8) as ~ yt W~t y ~ Xt a γ t ~ Xt o γ t ~. Spatio-Temporal Autoregressive SEM for Reducing Omitted Variable Bias Observe a SAR model (7) at a point time t ~ yt t W~t y ~ Xt γ t ~. 13 November 2010 3. a three years period of observations is relatively small. we have ~ yt ~ yt 1 ~ yWt 1 ~ yWt a ~ Xt 1a γ a ~ Xt a γ ~ δt . t a (12) Substitution of (12) into (11) gives ~ ~ ~ ~ ~ yt t Wy t a X t a γ t t yt 1 t Wy t 1 a ~ Xt 1a γt 1 ~ δt i. the spatial temporal autoregressive model ~ yt t ~ yt 1 t W~t y t t W~t y 1 a ~ Xt a γ t ta ~ Xt 1a γt 1 δt (13) In the case of diarrhea accidents. T . (14) y with ~Wt W~ t . let ~ νt o ~ Xt o γ t ~ εt 1 (10) as follows: (11) and assume that v t can be approximated by its lags v t ~ νt ~ νt ~ δt t 1 with δ t is the vector of error terms..3. . εt t a o (9) ~ with a X t is the N q matrix of observation on the available explanatory variables matrix of observation on the omitted explanatory variables. y Manajemen Risiko di Bidang Perbankan dan Asuransi | 399 .

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

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

we rearrange ~ ~ ~ ~ Y ρWY XΓ0 Ζ I T ~ Y IN IN 1 Β 1 . p. we have ~ ~ YIT 1 Β ρWY I T ~ XΓ0 ~ Ζ. 2526-38.C. Statistical Methodology. Environment and Planning A. In our case the Jacobian is equal to the case of single equation (Folmer and Oud. J.. and finally IN ~ WYIT 1 Β ~ XΓ0 ~ Ζ. 1 ~ ρWY ~ WY ~ XΓ0 ~ XΓ0 1 ~ Ζ IT 1 Β 1 1 ~ Ζ IT Β Β . Sörbom.. Endogenous Network Interdependence: A Political Science Application.. R.2009. (2008) How to get rid W: a latent variables approach to modeling spalially lagged variables. Jöreskög.Prosiding Seminar Nasional Statistika Universitas Padjadjaran. in which the addition of temporally lagged spatial lag variables does not complicate the estimation. (1996) LISREL 8: User’s Reference Guide. Scientific Software International. H..1016/j. Hays. K. D. 1 Β Further. Kachi. doi:10.11. .G.005 Manajemen Risiko di Bidang Perbankan dan Asuransi | 402 . ~ WYIT ~ XΓ0 ~ Ζ. 13 November 2010 ~ Y ~ YΒ ~ WYρ I T 1 Β ~ XΓ0 Ζ (17) in the second term to the Putting the first term on the right hand to the left hand and left of W . W to the log likelihood (9). J. Oud. (2009) for the case standard approach. (18) (11) leads us to additional the Jacobian term ln I N  ζY N ln Σ y 2 1 2 N ln I N W yi i 1 μ i Σ y1 y i μi T 1N ln 2π 2 (19) This result is confirmed by Hays et al. 4. 2008). Chicago. 40. Franzese Jr.J. (2010) A Spatial Model Incorporating Dynamic.statmet. References Folmer.. IL. A.

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

Sign up to vote on this title
UsefulNot useful