P. 1
BIAS VOL 5 NO 1

BIAS VOL 5 NO 1

|Views: 798|Likes:
Dipublikasikan oleh mahfudz_animasi423

More info:

Published by: mahfudz_animasi423 on Oct 25, 2011
Hak Cipta:Attribution Non-commercial

Availability:

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

11/12/2014

pdf

text

original

1

PERHITUNGAN PREMI ASURANSI JIWA BERJANGKA
MENGGUNAKAN MODEL STOKASTIK
TINGKAT SUKU BUNGA


Raden Muhamad Soffan

PT. Heksa Eka Life Insurance



ABSTRAK

Perhitungan Premi Asuransi Jiwa biasanya didasarkan pada asumsi bahwa tingkat
suku bunga bergerak secara tetap sepanjang waktu. Tentu saja asumsi ini tidak
sesuai dengan kenyataan yang ada bahwa tingkat suku bunga bergerak secara
fluktuatif. Untuk itu diperlukan model stokastik tingkat suku bunga yang telah
mempertimbangkan pergerakan tingkat suku bunga secara fluktuatif. Perhitungan
Premi dalam tulisan ini menggunakan model Vasicek sebagai model tingkat suku
bunga. Model ini merupakan model yang mengikuti fenomena mean reverting
bahwa untuk waktu yang semakin lama tingkat suku bunga akan konvergen pada
nilai tertentu dan tidak tergantung pada berapa nilai r
0
yang ditentukan.
Perhitungan Premi asuransi jiwa berjangka dilakukan untuk dua kasus, yaitu
kasus kontinu dan kasus diskrit. Untuk kasus kontinu, manfaat dibayarkan saat
meninggal dunia. Hukum mortalita Gompertz digunakan sebagai dasar
perhitungan premi untuk kasus kontinu.Untuk kasus diskrit, manfaat dibayarkan
di akhir tahun polis saat meninggal dunia.
Kata Kunci : Perhitungan premi, Model Vasicek, Mean Reverting, Hukum
Mortalita Gompertz

1. PENDAHULUAN
Perhitungan premi dengan mangasumsikan bahwa tingkat suku bunga
bergerak secara tetap sepanjang waktu tidak sesuai dengan kenyataan yang ada
karena tingkat suku bunga bergerak secara fluktuatif. Dalam beberapa tahun
terakhir ini, banyak literatur yang memperkenalkan perhitungan premi yang
melibatkan model stokastik tingkat suku bunga untuk mempertimbangkan kondisi
pergerakan tingkat suku bunga yang bergerak secara fluktuatif. Model Vasicek
adalah model stokastik tingkat suku bunga yang banyak digunakan dalam bidang
finansial dan mengikuti fenomena mean reverting bahwa untuk waktu yang
semakin lama tingkat suku bunga akan konvergen pada nilai tertentu.
Pembahasan dalam tulisan ini akan dimulai dengan bagian 2 mengenai
Model Vasicek, kemudian dilanjutkan dengan bagian 3 yang membahas
perhitungan premi dengan melibatkan model stokastik tingkat suku bunga, lalu
dilengkapi dengan bagian 4 yang membahas hasil empiris dari simulasi
perhitungan premi, dan terakhir di bagian 5 ditutup dengan kesimpulan dan saran.
2



2. MODEL VASICEK
Apabila tingkat suku bunga sedang naik, maka kondisi perekonomian
akan menurun. Hal ini disebabkan karena menurunnya permintaan pinjaman yang
berakibat pada menurunnya pertumbuhan ekonomi. Sebaliknya ketika tingkat
suku bunga sedang turun, maka kondisi perekonomian sedang bangkit karena
permintaan pinjaman meningkat yang akan menggerakkan kegiatan perekonomian
dan akhirnya akan meningkatkan pertumbuhan ekonomi. Fenomena ini dalam
ilmu ekonomi disebut sebagai equilibrium atau mean reverting. Jon Exley, Shyam
Mehta, dan Andrew Smith (2004) menuliskan bahwa sebuah aset dikatakan
sebagai mean reverting apabila harganya turun setelah mengalami kenaikan, dan
harganya akan naik setelah mengalami penurunan.
Berangkat dari kondisi ekonomi di atas, Vasicek pada tahun 1977
merekomendasikan sebuah model persamaan diferensial stokastik untuk tingkat
suku bunga. Model ini telah mengakomodir fenomena mean reverting. Model
Vasicek dituliskan dalam bentuk persamaan diferensial stokastik berikut ini :

Jr( t) = o (p −r( t) ) Jt + o Jw( t) , r( 0) = r
0
(1)

dengan r( t) adalah tingkat suku bunga pada saat ke-t. o (p − r( t) ) disebut
sebagai drift. o adalah speed of reversion, p adalah the long run equilibrium value
of the process atau mean reverting, o diinterpretasikan sebagai volatility yang
menggambarkan pergerakan yang fluktuatif dari tingkat suku bunga, dan w
t

adalah Proses Wiener. Parameter o, p, dan o memiliki nilai positif.
Apabila r( t) > p, maka drift akan bernilai negatif dan artinya tingkat
suku bunga akan menurun menuju nilai equilibriumnya. Begitupun apabila
r( t) < p, maka drift bernilai positif dan artinya tingkat suku bunga akan bergerak
naik menuju nilai equilibriumnya. Hal ini sesuai dengan kondisi ekonomi yang
telah dibahas sebelumnya.
Dengan menggunakan teorema formula Ito diperoleh solusi dari model
Vasicek di atas, yaitu :
r( t) = p + ( r
0
−p) c
-ut
+ o ∫ c
-u( t-u)
Jw( u)
t
0
( 2)
Diperoleh ekspektasi dan variansi bersyarat bila diketahui r( 0) = r
0
, yaitu :
E( r( t) | r( 0) = r
0
) = p + ( r
0
− p) c
-ut
( 3)
Ior( r( t) | r( 0) = r
0
) =
o
2
2o
( 1 − c
-2ut
) ( 4)
Untuk nilai t yang besar maka E( r( t) | r( 0) = r
0
) akan menuju p. Dengan kata
lain bahwa
l i m
t→«
E( X
t
| X
0
= x
0
) = l i m
t→«
p + ( x
0
−p) c
-ut
= p ( 5)
Hal ini mendukung teori mengenai mean reverting, bahwa dalam jangka panjang
tingkat suku bunga akan konvergen pada suatu nilai tertentu.
Untuk t
ì-1
< t
ì
, fungsi kepadatan peluang dari r
t
i
yaitu ¡
ì
(r
t
i
; o, p, o)
adalah

3

¡
ì
(r
t
i
; o, p, o) = ( 2n)
-
1
2
_
o
2
2o
(1 − c
-2u( t
i
-t
i-1
)
)_
-
1
2

× cxp_−
(r
t
i
− p −(r
t
i
−p) c
-u( t
i
-t
i-1
)
)
2
2
o
2
2o
( 1 − c
-2u( t
i
-t
i-1
)
)
_

Misalkan terdapat n + 1 data observasi dari suatu proses r, yaitu r
0
, r
1
, …, r
n
,
maka fungsi log likelihood adalah
I( r; o, p, o) = −
n
2
l og _
o
2
2o
_

1
2
l og|1 −c
-2u( t
i
-t
i-1
)
]
n
ì=1

o
o
2

(r
t
i
− p − ( r
t-1
−p) c
-u( t
i
-t
i-1
)
)
2
1 − c
-2u( t
i
-t
i-1
)
n
ì=1
( 6)
Parameter maximum likelihood estimation (mle) o´, p̂ , dan σ¯
memaksimumkan fungsi log likelihood. Untuk menyelesaikan hal ini, digunakan
metode Quasi Newton dengan langkah BFGS sebagai salah satu metode numerik
untuk persamaan non linear dalam mencari o´, p̂ , dan σ¯ yang optimal. Dalam
mencari estimasi untuk setiap parameter digunakan data observasi atau data
berdasarkan pengalaman tingkat suku bunga dari waktu ke waktu.


3. PERHITUNGAN PREMI
3.1. Hukum Mortalita
Tingkat mortalita diasumsikan mengikuti Hukum Mortalita Gompertz
yang memiliki karakteristik berikut ini :
(1) Force of Mortality :

p
x+t
= BC
x+t
, B > 0, C > 1, x ≥ 0 (7)

(2) Survival Function :

s( x) = cxp_−
B
l n C
( C
x
−1) _ ( 8)


Parameter B dan C dari Hukum Mortalita Gompertz dapat diestimasi
dengan mencocokkan l
x
, yaitu ekspektasi jumlah tertanggung yang hidup sampai
usia x yang diperoleh datanya dari suatu tabel mortalita, dengan l
`
x
yang
memenuhi Hukum Mortalita Gompertz dengan persamaan sebagai berikut :

l
`
x
= l
0
s( x) = l
0
cxp _−
B
l n C
( C
x
−1) _ ( 9)
4



Pencocokan tersebut akan dilakukan dengan menggunakan metode kuadrat
terkecil dalam regresi non linear.

3.2. Kasus Kontinu
Dalam kasus kontinu, manfaat asuransi dibayarkan tepat saat tertanggung
meninggal dunia. Misalkan I( x) adalah variabel acak yang menyatakan Future
Life Time. Misalkan Z adalah variabel acak yang menyatakan present value di
saat polis disetujui dari manfaat yang dibayarkan dan b
t
adalah fungsi manfaat
asuransi yang dibayarkan saat t ketika tertanggung meninggal dunia serta :
t

adalah fungsi diskonto dari tahun pembayaran manfaat asuransi dibayarkan yaitu
saat t ke tahun saat polis disetujui. Apabila z
t
adalah nilai present value dari b
t
,
maka dapat dinyatakan bahwa :

z
t
= b
t
:
t


Dengan demikian variabel acak Z dapat dinyatakan sebagai berikut :

Z = b
1
:
1


Sesuai manfaat asuransi yang diberikan, asuransi jiwa berjangka dapat dinyatakan
sebagai berikut :

b
t
= ]
1 t ≤ n
0 t > n


:
t
= :
t
t ≥ 0

Z = _
:
1
I ≤ n
0 T > n



Premi Tunggal Bersih atau Actuarial Present Value yang disimbolkan oleh A
i

x: n|
,
dinyatakan sebagai berikut :

A
i

x:n|
= E( Z)
= E( z
1
) = _ z
t
¡
1( x)
( t) Jt
«
0

= _:
t
p
t x
p( x + t)
n
0
Jt ( 10)

5

dengan x adalah usia tertanggung saat mulai asuransi. p
t x
adalah peluang
tertanggung berusia x hidup sampai t tahun kemudian, p( x + t) adalah force of
mortality dari tertanggung berusia x + t yang mengikuti Hukum Mortalita
Gompertz, dan :
t
dapat dituliskan sebagai berikut :
:
t
= cxp_−_r( s)
t
0
Js_

dengan Tingkat suku bunga r( t) diasumsikan mengikuti model stolastik Vasicek.


3.3. Kasus Diskret

Dalam kasus diskrit, manfaat asuransi dibayarkan di akhir tahun ketika
tertanggung meninggal dunia. Misalkan K( x) adalah variabel acak yang
menyatatakan Curtate Future Life Time. Misalkan notasi Z adalah
merepresentasikan variabel acak yang menyatakan present value di saat polis
disetujui dari manfaat yang dibayarkan, b
k+1
adalah menyatakan fungsi manfaat
asuransi yang dibayarkan di akhir tahun ke k + 1 ketika tertanggung meninggal
dunia, dan :
k+1
adalah fungsi diskonto dari tahun pembayaran manfaat asuransi
dibayarkan yaitu di akhir tahun k + 1 sampai saat polis disetujui. Apabila z
k+1

adalah nilai present value dari b
k+1
, maka dapat dinyatakan bahwa :

z
k+1
= b
k+1
:
k+1


Dengan demikian variabel acak Z dapat dinyatakan sebagai berikut :

Z = b
K+1
:
K+1


Sesuai manfaat asuransi yang diberikan, asuransi jiwa berjangka dapat dinyatakan
sebagai berikut :

b
k+1
= _
1 k = 0, 1, 2, …, n −1
0 l ai nnya


:
k+1
= :
k+1


Z = _
:
K+1
K = 0, 1, 2, …, n −1
0 l ai nnya



Premi Tunggal Bersih atau Actuarial Present Value yang disimbolkan oleh A
i
x: n|
,
dinyatakan sebagai berikut :

A
i
x:n|
= E( Z) = :
k+1
¡
K
( x)
n-1
k=0

6

= :
k+1
p
k x
q
x+k
n-1
k=0

= :
k+1
q
k| x
n-1
k=0
( 11)
dengan x adalah usia tertanggung saat mulai asuransi, p
k x
adalah peluang
tertanggung berusia x hidup sampai k tahun kemudian, q
x+k
adalah peluang
tertanggung yang berusia x + k akan meninggal 1 tahun kemudian, q
k| x
adalah
peluang tertanggung berusia x akan hidup k tahun kemudian dan meninggal 1
tahun setelahnya, dan :
k+1
adalah faktor diskonto yang dapat dituliskan sebagai
berikut :
:
k+1
= _
1
1 + E( r( i) | r( 0) = r
0
)
k+1
ì=1


dengan r( i) mengikuti model Vasicek yang diubah dalam bentuk diskrit dengan
memanfaatkan sifat dari Brownian Motion menjadi :
r( t + 1) = r( t) + o(p − r( t) ) ( t
ì
− t
ì-1
) + o e ¸t
ì
−t
ì-1
, r( 0) = r
0
(12)


4. HASIL EMPIRIS DAN SIMULASI

4.1. Estimasi Parameter Model Vasicek

Untuk mengestimasi parameter Model Vasicek dalam studi kasus ini
akan menggunakan data observasi berupa rata-rata tahunan tingkat suku bunga
SBI 1 bulan dari tahun 1992 sampai Juli 2010 seperti dalam grafik berikut ini :




Gambar 1 Rata-rata Tahunan Tingkat Suku Bunga SBI Tahun 1992 – Juli 2010


7

Dengan menggunakan metode maximum likelihood yang dilakukan
dengan menggunakan metode numeric Quasi Newton langkah BFGS diperoleh
estimasi parameter Model Vasicek sebagai berikut :

Tabel 1 Estimasi Parameter Model Vasicek
Parameter Nilai Estimasi
o´ 0.7718020
p̂ 0.1362509
o´ 0.1170741


5. PERHITUNGAN PREMI UNTUK KASUS KONTINU
Misalkan untuk studi kasus perhitungan ini menghitung premi asuransi
berjangka dengan manfaat asuransi Rp. 1000,00 dalam masa asuransi 10 tahun
untuk seorang tertanggung dengan usia saat masuk asuransi 40 tahun. Perhitungan
Premi Tunggal Bersih untuk kasus kontinu akan dilakukan dengan langkah-
langkah sebagai berikut:

(1) Dengan mencocokkan nilai l
x
dari Tabel Mortalita CSO 1958 dengan l
`
x
yang
memenuhi Hukum Mortalita Gompertz melalui metode kuadrat terkecil,
diperoleh parameter Gompertz yaitu B dan C seperti terlihat dalam Tabel 2
berikut ini :

Tabel 2 Estimasi Parameter Hukum Mortalita Gompertz
B C
0,00020659 1.0806

Gambar 2 berikut ini menunjukkan kecocokkan antara l
x
dari Tabel Mortalita
CSO 1958 dengan l
`
x
yang memenuhi Hukum Mortalita Gompertz.


Gambar 2 Kecocokan l
x
dalam Tabel Mortalita CSO 1958 dengan l
`
x


0 10 20 30 40 50 60 70 80 90 100
0
1
2
3
4
5
6
7
8
9
10
x 10
4
Kecocokan lx CSO 1958 dan lx^
x
l
(
x
)
8

(2) Tentukan Nilai r
0
. Misalkan r
0
dipilih data pada tahun terakhir yaitu pada
tahun 2010 sebesar 6,36%.
(3) Hitung E( r( t) ; r( 0) = r
0
) untuk suatu t dengan menggunakan persamaan (3)
(4) Hitung Premi dengan menggunakan Persamaan (10).

Dengan melakukan langkah-langkah di atas, untuk kasus kontinu diperoleh premi
sebesar Rp. 27,30. Jadi, dengan manfaat asuransi sebesar Rp. 1000,00 seorang
tertanggung yang berusia 40 tahun saat mulai asuransi harus membayar premi
tunggal bersih sebesar Rp. 27,30 untuk perlindungan asuransi jiwa berjangka
selama 10 tahun.


6. PERHITUNGAN PREMI UNTUK KASUS DISKRET
Misalkan untuk studi kasus perhitungan ini menghitung premi asuransi
berjangka dengan manfaat asuransi Rp. 1000,00 dalam masa asuransi 10 tahun
untuk seorang tertanggung dengan usia saat masuk asuransi 40 tahun.Perhitungan
premi asuransi jiwa berjangka untuk kasus diskrit dilakukan dengan langkah-
langkah sebagai berikut :
(1) Tentukan Nilai r
0
. Misalkan r
0
dipilih data pada tahun terakhir yaitu pada
tahun 2010 sebesar 6,36%.
(2) Bangkitkan variabel acak e yang berdistribusi Normal Standar sebanyak t
yang diulang N kali. Dalam simulasi ini akan dibangkitkan dengan t=1,2 , …,
100, dan diulang sebanyak 1000 kali.
(3) Hitung r( t) untuk setiap t dengan menggunakan Persamaan (12). Nilai
E( r( t) | r( 0) = r
0
) yaitu rata-rata r( t) untuk setiap t yang diulang sebanyak
1000 kali digambarkan oleh grafik sebagai berikut :



Gambar 3 Konvergensi r( t) pada parameter p

0 20 40 60 80 100 120
0.06
0.07
0.08
0.09
0.1
0.11
0.12
0.13
0.14
0.15
Konvergensi r(t)
t
r
(
t
)
9

Tampak bahwa r( t) konvergen di sekitar nilai p̂ yaitu 13,62509%. Penentuan
nilai r
0
tidak akan merubah konvergensi r( t) menuju p. Gambar 4 berikut
menunjukkan bahwa konvergensi r( t) ke sekitar p tidak tergantung dari
pemilihan nilai r
0
.




Gambar 4 Konvergensi r( t) untuk setiap r
0
yang berbeda

(4) Pada perhitungan ini nilai q
x
diambil dari Tabel Mortalita CSO 1958.
Dengan menggunakan Persamaan (12) diperoleh Premi sebesar Rp. 28,07.
Jadi, dengan manfaat asuransi sebesar Rp. 1000,00 seorang tertanggung yang
berusia 40 tahun saat mulai asuransi harus membayar premi tunggal bersih
sebesar Rp. 28,07 untuk perlindungan asuransi jiwa berjangka selama 10
tahun.


7. KESIMPULAN DAN SARAN
Model Vasicek adalah salah satu model yang mengikuti fenomena mean
reverting bahwa untuk waktu yang semakin lama tingkat suku bunga akan
konvergen pada nilai tertentu. Konvergensi r( t) menuju p tidak tergantung pada
berapa nilai r
0
yang ditentukan. Berapapun nilai r
0
akan tetap konvergen pada p.
Perhitungan Premi Neto Asuransi Jiwa Berjangka dengan melibatkan model
stokastik tingkat suku bunga, dalam hal ini model Vasicek, telah
mempertimbangkan keadaan mean reverting yang sesuai dengan keadaan
ekonomi yang terjadi. Untuk mengembangkan tulisan ini, dapat dianalisa lebih
lanjut mengenai variansi dari tingkat suku bunga.




0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
0 4 8
1
2
1
6
2
0
2
4
2
8
3
2
3
6
4
0
4
4
4
8
5
2
5
6
6
0
6
4
6
8
7
2
7
6
8
0
8
4
8
8
9
2
9
6
1
0
0
Konver gensi r (t ) unt uk r
o
ber beda
r 0 : 6.36% r 0 : 10% r 0 : 15% r 0 : 20%
r 0 : 30% r 0 : 40% r 0 : 50%
10

8. REFERENSI

Bowers, N.L., Gerber, H.U., Hickman, J.C., Jones, D.A., dan Nesbitt, C.J. 1997.
Actuarial Mathematics, 2nd edition: The Society of Actuaries.
Dervis Bayazit. 2004. Yield Curve Estimation and Prediction with Vasicek Model:
The Middle East Technical University.
Edward W. Frees. 1990. Stochastic Life Contingencies with Solvency
Consideration: Transaction of Society of Actuaries.
Gary Parker. 1994. Distribution of Present Value of Future Cash Flow : Simon
Fraser University.
G.A.F Serber, C.J Wild. 2003. Nonlinear Regression: A John Wiley & Sons Inc
Publication.
George Roussas. 2003. An Introduction to Probability and Statistical Inference:
Academic Press.
H. A Waters, M.A, D.PHIL, FIA. 1978. The Moments and Distribution of
Actuarial Function: JIA.
Igor Griva, Stephen G. Nash, Ariela Sofer. 2009. Linear and Nonlinear
Optimization: Society Industrial and Applied Mathematics.
John A. Beekman and Clinton P. Fuelling. 1991. Interest and Mortality
Randomness in Some Annuities : Ball State University, Muncie, USA.
Jon Exley, Shyam Mehta, Andrew Smith. 2004. Mean Reversion, presented to
Faculty and Investment of Actuaries : Finance and Investment Conference,
Brussels.
Jose Carlos Garcia Franco. (tanpa tahun). Maximum Likelihood Estimation of
Mean Reverting Processes, Onward Inc.
Jordan, C.W Jr. 1991. Life Contingencies: Society of Actuaries, USA.
L. Noviyanti, Syamsuddin. (2005). Life Insurance with Stochastic Interest Rate :
The Proceeding of The 13
th
East Asian Actuarial Conference, Denpasar –
Bali.
Masaki Kijima. 2003. Stochastic Process with Application to Finance: Chapman
& Hall/Crc.
Ocke Kurniandi. (tanpa tahun). Stochastic Model for premium Calculation Under
Syariah Law: PT. MAA Life Assurance Indonesia.
Sheldon Ross. 2006. A First Course in Probability 7
th
edition: Pearson Prentice
Hall.
Stefano M. Lacus. 2008. Simulation and Inference for Stochastic Differential
Stochastic with R Examples: Springer.
Syamsuddin. 2009. Workshop “ Matematika Keuangan” : Jurusan Statistika
FMIPA UNPAD Bandung.
www.bi.go.id/web/id/Moneter/Operasi+Moneter/Suku+Bunga+SBI/


11

SUATU MODEL HARGA OBLIGASI


Lienda Noviyanti
1


1
Staf pengajar jurusan Statistika FMIPA - Universitas Padjadjaran, Bandung


ABSTRAK

Uang merupakan sebuah komoditas, sedangkan tingkat bunga adalah
biaya dari uang. Uang sebagai modal membiayai pertumbuhan suatu negara.
Biasanya, modal ini harus dipinjam. Peminjaman uang ini dapat dilakukan melalui
pasar obligasi (bond). Obligasi memberikan manfaat baik bagi peminjam maupun
investor, serta melibatkan sejumlah uang yang sangat besar, sehingga penentuan
harga obligasi sangatlah penting. Suatu model yang baik dibutuhkan untuk
menentukan harga obligasi. Harga obligasi bergantung dari tingkat bunga yang
nilainya berubah-ubah, sehingga nilai tingkat bunga pada masa yang akan datang
tidak diketahui dengan pasti. Penelitian ini membentuk model untuk menentuan
harga obligasi dengan kupon, yang didasarkan pada yield curve, dengan tingkat
bunga diasumsikan mengikuti gerak Brown.

Kata Kunci : yield curve, gerak Brown, obligasi dengan dan tanpa kupon


1. PENDAHULUAN
Obligasi (bond) adalah instrumen utang yang mewajibkan penerbit
obligasi (peminjam utang) untuk membayar utang kepada investor (pemberi
utang) sejumlah yang dipinjam ditambah bunga untuk periode tertentu. Obligasi
memiliki risiko cukup besar karena merupakan suatu investasi jangka panjang
yang nilainya bergantung pada perubahan tingkat bunga, kondisi perusahaan
penerbit obligasi dan juga kondisi ekonomi nasional. Penentuan harga obligasi
menjadi sangat penting karena besarnya jumlah uang yang diinvestasikan dalam
obligasi sehingga perubahan sedikitpun pada tingkat bunga akan sangat
berpengaruh pada harga obligasi. Harga tersebut haruslah wajar (fair) baik bagi
penerbit maupun pembeli obligasi. Hal ini berarti bahwa harga tersebut tidak
terlalu mahal juga tidak terlalu murah. Bila terlalu mahal, pembeli akan enggan
untuk membeli, sedangkan bila terlalu murah, tidak akan ada pihak yang akan
menerbitkan dan menjualnya. Untuk itu perlu dibuat suatu model untuk
menentukan harga obligasi tersebut. Masalah utama dalam menentukan harga
obligasi adalah tidak diketahuinya fluktuasi tingkat bunga pada masa mendatang.
Penentuan harga ini dapat dilakukan dengan terlebih dahulu menentukan yield
curve, yaitu hubungan antara waktu jatuh tempo obligasi dan tingkat bunga.
Dengan kata lain yield merepresentasikan tingkat tahunan yang harus dibayar
hari ini untuk sebuah obligasi yang jatuh tempo dalam sejumlah tahun mendatang.
Pemodelan tingkat bunga dapat dibentuk melalui dua pendekatan, yaitu
model-model deret waktu (times series models) dan model-model tingkat bunga
12

derivatif (interest rate derivatives models). Pada dasarnya, model-model deret
waktu bersifat umum. Produksi minyak bumi, persediaan suatu barang, harga
saham atau tingkat bunga dapat dimodelkan dengan model-model deret waktu.
Perkembangan analisis kuantitatif finansial yang tumbuh dengan pesat
menggunakan konsep stokastik seperti martingales untuk menangkap perilaku
ekonomi antara lain the absence of arbitrage opportunity atau no-arbitrage dan
equilibrium theory (Brigo, 2001; Lamberton et al, 2000; dan Stampfli, 2001.
Konsep dasar model-model tersebut adalah Brownian Motion atau Gerak Brown.
Pada penelitian ini tingkat bunga diasumsikan mengikuti Brownian Motion dalam
menentukan harga obligasi dengan kupon. Dengan menggunakan Lemma Ito
dapat diperlihatkan hubungan antara harga obligasi dengan perubahan tingkat
bunga jangka pendek dan waktu.
Struktur penyajian hasil penelitian ini adalah sebagai berikut; (1)
pendahuluan, (2) studi pustaka, (3) model harga obligasi, serta diakhiri dengan
(4) penentuan harga obligasi sebagai kesimpulan.


2. STUDI PUSTAKA
Obligasi adalah instrumen hutang yang mewajibkan penerbit (peminjam
uang) untuk membayar hutang kepada investor (pemberi hutang) sejumlah yang
dipinjam ditambah bunga untuk periode waktu tertentu. Tanggal di mana pokok
pinjaman harus dibayar disebut tanggal jatuh tempo (maturity time). Obligasi
diterbitkan dengan spesifikasi yaitu (1) tanggal tetap pada saat pinjaman (pokok
pinjaman) jatuh tempo dan (2) tingkat bunga, yang biasa dibayarkan setiap enam
bulan. Obligasi dapat diterbitkan oleh pemerintah pusat, pemerintah daerah dan
perusahaan (domestik atau asing).
Zero coupon bond ( discount bond ) merupakan suatu perjanjian di mana
satu pihak akan membayar sejumlah uang pada saat jatuh tempo tanpa
pembayaran keuntungan (coupon). Di dalam perjanjian ini tidak ada risiko
ataupun kegagalan dalam pembayaran. Harga dari zero coupon bond merupakan
fungsi ( ) , P t T , dengan t menyatakan waktu pada saat itu dan T adalah waktu pada
saat jatuh tempo. Selang waktunya adalah T t t = ÷ . Dengan pembayaran pada
saat waktu jatuh tempo (maturity time) adalah $1, maka harga obligasi pada saat
waktu jatuh tempo adalah ( ) , 1 P T T = .
Harga dari suatu obligasi sebenarnya merupakan (present value) dari
pembayaran akhir, yakni :

P( t, I) =
1
c
j( t,T) ( T-t)
(1)
Zero coupon rate atau yield to maturity dinotasikan sebagai y( t, I) merupakan
tingkat bunga yang diasumsikan akan terbagi-bagi pembayarannya (continuously
compounded). Dengan mengambil logaritma dari persamaan (1), persamaan zero
coupon rate adalah

13

y( t, I) = −
In ( P( t,1) )
1-t
. (2)
Yield curve ditentukan dengan melihat hubungan-hubungan antara discount curve,
forward curve, dan yield curve (Hull, 1993; Hull and White, 1993).
- Hubungan antara yield curve dan discount curve
Dari yield curve bisa diperoleh discount curve
P( t, I) = c
¡( t,1) ( 1-t)
. (3)
- Hubungan antara yield curve dan forward curve
Dari discount curve ini bisa diperoleh forward curve
¡( t, I) = −
P′( t,1)
P( t,1)
. (4)
- Hubungan antara yield to maturity dengan forward rate dapat dinyatakan oleh
y( t, I) =
1
1-t
∫ ¡( u) Ju

0
. (5)
yang menyatakan yield sebagai rata-rata dari forward rate.
Persamaan terakhir merupakan tingkat bunga pada waktu t>0 dilihat
pada saat ini yang selanjutnya akan dinotasikan dengan r(t). Sesuai dengan yield
curve, pasar obligasi memberikan tingkat bunga untuk periode (0,t). Jadi pasar
menentukan forward rate melalui yield curve.
Nilai dari obligasi P( t, I) bergantung dari T (waktu jatuh tempo), t, dan
r(t), tingkat bunga jangka pendek. Lemma Ito memperlihatkan hubungan antara
perubahan harga obligasi dengan perubahan tingkat bunga jangka pendek dan
waktu. Misal P( t, I) merupakan fungsi dari suku bunga jangka pendek r(t) dan
waktu t. Proses Ito mengikuti persamaan perubahan tingkat bunga, dengan p dan
o merupakan fungsi dari r dan t, yakni;
Jr = p( r, t) Jt + o( r, t) JB, (6)
dengan B~ N( 0, Jt) merupakan gerak Brown.
Selanjutnya akan ditentukan JP dengan menggunakan deret Taylor dan asumsi
bahwa P differentiable diperoleh;
JP( t, I) =
oP
or
Jr +
oP
ot
Jt +
1
2
o
2
P
or
2
Jr
2
+
o
2
P
orot
Jr Jt +
1
2
o
2
P
ot
2
Jt
2
+ ⋯
(7)
Dengan mensubsitusikan (6) ke (7) diperoleh Lemma Ito yang berbentuk;
JP( t, I) = [
ðP
ðt
+ p
ðP
ð¡
+
1
2
o
2
ð
2
P
ð¡
2
¸ Jt + o
ðP
ð¡
JB (8)

3. MODEL HARGA OBLIGASI
Persamaan (8) dapat dituliskan kembali sebagai
JP( t, I) = p( t, I) Jt + :( t, I) JB. (9)
14

Selanjutnya bentuk portofolio yang terdiri dari dua obligasi dengan
kupon, dengan tanggal jatuh tempo yang berbeda yaitu T
1
dan T
2
. Misalkan harga
kedua obligasi tersebut masing-masing P
1
dan P
2
, maka portofolio tersebut adalah
n = P
1
−∆P
2
; Jn = JP
1
−∆JP
2
; P
1
= P( t, I
1
) ; P
2
= P( t, I
2
) . (10)
Substitusi JP
1
dan JP
2
dari persamaan (10) ke persamaan (9) maka diperoleh
Jn = ( u
1
−∆u
2
) Jt + ( :
1
−∆:
2
) JB. Dengan mengambil ∆= :
1
/ :
2
, didapat
Jn = ( u
1
−∆u
2
) Jt (11)
Oleh karena n berperilaku seperti investasi di pasar uang, return yang
dihasilkan harus sesuai dengan tingkat bunga jangka pendek. Misalkan K
1
dan K
2

masing-masing menyatakan kupon untuk obligasi dengan tanggal jatuh tempo T
1

dan T
2
, mak
Jn = ( r n − K
1
+ ∆K
2
) Jt.
Substitusi Jn ke persamaan (11) akan menghasilkan
1
:
1
( u
1
−r P
1
+ K
1
) =
1
:
2
( u
2
−r P
2
+ K
2
) .
Oleh karena ruas kiri pada persamaan terakhir hanya mengandung suku-
suku yang bergantung pada I
1
dan ruas kanan pada persamaan terakhir hanya
mengandung suku-suku yang bergantung pada I
12
maka
z( t, r) =
u( t, I) − r( t, I) P( t, I) + K( t, r)
:( t, I)

tidak bergantung pada T. Notasi z menyatakan harga pasar dari risiko dan dapat
dituliskan kembali sebagai
u( t, I) = rP( t, I) + z:( t, I) − K( t, r) .
Selanjutnya, kembalikan nilai u dan v dari persamaan (9) sehingga
diperoleh persamaan diferensial untuk harga obligasi sebagai berikut
oP
ot
+ p
oP
or
+
1
2
o
2
o
2
P
or
2
= rP + zo
oP
or
−K
atau
ðP
ðt
+ ( p −zo)
ðP
ð¡
+
1
2
o
2
ð
2
P
ð¡
2
− rP = −Cr, (12)
dengan K = Cr.
Persamaan (12) merupakan persamaan diferensial parsial tak homogen.
Solusi dari persamaan tersebut adalah P =P
h
+ P
p
dengan P
h
menyatakan solusi
homogen dan P
p
menyatakan solusi khusus. Solusi homogen P
h
dari persamaan
(12) merupakan solusi dari persamaan diferensial parsial untuk obligasi tanpa
kupon (Noviyanti, 2006)
ðP
ðt
+ o
ðP
ð¡
+
1
2
o
2
ð
2
P
ð¡
2
− rP = 0 dan P( t, I) =
c
-_( 1-t) ¡-
c
2
( 1-t)
2
o
2
6
( 1-t)
3
_
, yakni
P
h
= cxp[ A( t) r + B( t) ]
15

dengan A(t) =(T-t) dan B( t) = −
u
2
( I − t)
2
c
2
6
( I − t)
3
.
Misalkan P
p
= k, substitusi ke persamaan (12) maka k = C. Jadi solusi untuk
persamaan (12) adalah
P = exp [ A r + B ] + C (13)


4. PENENTUAN HARGA OBLIGASI
Setiap obligasi dengan kupon mempunyai yield saat ini, Y(t), yang
dihitung dari harga pasar saat ini
¥( t) =
−l n( P)
I − t
.
Berdasarkan persamaan (13) model harga obligasi dengan kupon adalah
P( t, I) = cxp]−( I −t) r −
u
2
( I − t)
2
c
2
6
( I − t)
3
¿ + C, (14)
sehingga
¥( t, I) =
-In_cxp_-( 1-t) ¡-
c
2
( 1-t)
2
o
2
6
( 1-t)
3
_+C]
1-t
(15)
Persamaan tersebut dapat dihampiri dengan polinom berderajat tertentu,
misal 3, dalam T, sehingga diperoleh
¥( 0, I) I = −l n( 1 + C) +
r
0
1 + C
I − _
−o + r
0
2
2( 1 + C)

r
0
2
2( 1 + C)
2
_I
2
− _
1
6
o
2
+
1
2
r
0
o −
1
6
r
0
3
1 + C
+
r
0
( −o + r
0
2
)
6( 1 + C)
2
+
( −o −oC + r
0
2
C) r
0
3( 1 + C)
3
_
I
3

Parameter-parameter a, σ
2
dan C dapat diperoleh dari observasi data pasar pada
suatu tanggal tertentu.


5. DAFTAR PUSTAKA
Brigo, D. and Mercurio, F., 2001, Interest Rate Models, Theory and Practice,
Springer-Verlag, Germany.
Hull, J. C. 1993. Options, Future and Other Derivative Securities. 2
nd
ed. Prentice
Hall, Englewood Cliffs, NJ.
Hull, J. and A. White, 1993, " The Pricing of Options on Interest-Rate Caps and
Floors Using the Hull-White Model, The Journal of Financial Engineering
Volume 2, Numer 3, Pages 287-296.
16

Lamberton, D., and Lapeyre, B., 2000, Introduction to Stochastic Calculus,
Applied to Finance, Chapman&Hall, UK.
Noviyanti, L., 2006, Tingkat Bunga Stokastik dalam Kontrak Asuransi Jiwa,
Disertasi, Institut Teknologi Bandung, tidak dipublikasikan.
Stampfli, J. and Goodman, V., 2001, The Mathematics of Finance: Modeling and
Hedging, Brooks/Cole, Thomson Learning, USA.

17

PENENTUAN CADANGAN DISESUAIKAN
MELALUI METODE ILLINOIS PADA PRODUK
ASURANSI DWIGUNA BERPASANGAN


Suhartini

suhartini@gmail.com


ABSTRAK

Produk Asuransi Dwiguna memberikan dua manfaat bagi pemegang
polis yakni proteksi jiwa selama jangka waktu asuransi dan pengembalian dana
asuransi apabila pemegang polis hidup setelah masa asuransi berakhir. Manfaat
produk Asuransi Dwiguna hanya diberikan pada satu individu saja yang namanya
tercantum sebagai pemegang polis asuransi. Penelitian ini mengembangkan
proteksi jiwa untuk dua individu yang bersama-sama namanya dicantumkan
sebagai tertanggung pada polis asuransi sehingga ahli waris akan menerima 100%
Uang Pertanggungan apabila salah satu dari tertanggung meninggal selama masa
asuransi dan jaminan 100% Uang Pertanggungan jika kedua tertanggung masih
hidup sampai akhir masa asuransi. Selanjutnya produk ini dinamakan Asuransi
Dwiguna Berpasangan. Perhitungan besaran-besaran aktuaria dalam penelitian ini
selain melibatkan dua individu sebagai tertanggung, juga memperhitungkan
besarnya biaya komisi agen yang dibebankan pada pemegang polis selama m
tahun pertama pembayaran premi. Dengan demikian, besarnya cadangan asuransi
dihitung berdasarkan rumusan cadangan disesuaikan melalui Metode Illinois.

Kata Kunci : Asuransi Dwiguna berpasangan, Cadangan disesuaikan, Metode
Illinois


1. PENDAHULUAN
Dwiguna adalah salah satu produk asuransi berjangka n tahun yang
memberikan dua manfaat yakni (1) proteksi kematian selama masa asuransi dan
(2) uang pertanggungan apabila tertanggung hidup setelah masa asuransi berakhir.
Produk Dwiguna yang ditawarkan selama ini bersifat individu artinya perusahaan
asuransi hanya memberikan proteksi kepada satu orang saja. Produk ini
memberikan benefit berupa jaminan 100% Uang Pertanggungan jika tertanggung
hidup sampai akhir masa asuransi. Selain itu, ahli waris akan menerima 100%
Uang Pertanggungan apabila tertanggung meninggal dalam masa asuransi.
Penelitian ini mengembangkan produk Asuransi Dwiguna dengan
menambahkan satu orang lagi tertanggung pada polis asuransinya. Selanjutnya
produk tersebut akan dinamakan produk Asuransi Dwiguna Berpasangan dengan
Uang Pertanggungan diberikan saat salah satu dari kedua tertanggung meninggal
dunia dalam masa asuransi dan apabila keduanya masih hidup sampai akhir masa
asuransi, maka mereka akan menerima uang pertanggungan.
18

Selama kontrak asuransi telah ditandatangani pemegang polis,
Perusahaan asuransi akan menerima sejumlah pembayaran secara berkala yang
besarannya ditetapkan berdasarkan premi bersih dan biaya yang harus dibebankan
pada pemegang polis. Premi bersih digunakan untuk perhitungan benefit yang
harus diberikan kepada tertanggung jika terjadi klaim dari pemegang polis atau
ahli warisnya. Sedangkan biaya merupakan dana yang telah dikeluarkan
perusahaan selama promosi produk Asuransi Dwiguna seperti komisi yang
diberikan kepada agen marketing yang mendapatkan pemegang polis, biaya
pemasaran produk, dan biaya administrasi pembuatan dan pengiriman polis
asuransi. Pada awal tahun polis biasanya diperlukan biaya yang besar. Sedangkan
biaya pada tahun selanjutnya lebih kecil dari pada biaya tahun pertama.
Bentuk tanggung jawab perusahaan asuransi atas premi yang telah
diterima adalah menyiapkan cadangan asuransi yang sewaktu-waktu harus
dikeluarkan untuk membayar manfaat asuransi ketika terjadi klaim dari pemegang
polis. Pada dasarnya cadangan asuransi dihitung berdasarkan asumsi premi bersih
tahunan (tidak melibatkan biaya yang dikeluarkan tiap tahunnya oleh perusahaan).
Biaya yang dilibatkan dalam penelitian ini dikeluarkan untuk membayar komisi
kepada agen asuransi selama tiga tahun pertama pembayaran premi. Dengan
demikian, perhitungan cadangan asuransi untuk produk Dwiguna harus
memperhitungkan biaya dalam penetapan besaran premi tahunan yang harus
dibayarkan pemegang polis. Rumusan ini dinamakan cadangan asuransi
disesuaikan (modified reserve).
Besarnya nilai cadangan asuransi disesuaikan dalam penelitian ini akan
dihitung melalui pendekatan metode Illinois. Metode ini membatasi frekuansi
biaya yang dibebankan pada pembayaran premi tahunan paling lama 20 tahun.
Sehubungan dengan pernyataan di atas, penelitian ini menawarkan
inovasi pada produk asuransi dwiguna dengan proteksi kepada dua orang
tertanggung dan merumuskan besarnya cadangan asuransi disesuaikan melalui
metode Illinois

2. BESARAN-BESARAN AKTUARIA
2.1. Simbol-simbol Aktuaria
NOTASI
KETERANGAN
X Variabel acak yang menyatakan usia individu pertama
Y Variabel acak yang menyatakan usia individu kedua
( ) t
x
µ Laju kematian (force of mortality) dari seseorang yang berumur x tahun
1 k x
q
+
Peluang orang yang berumur x tahun akan hidup sampai k tahun dan
meninggal 1 tahun berikutnya


Lanjutan Tabel 2.1.
xy t
p Peluang orang yang berusia x tahun dan y tahun masih akan hidup kedua-
19

duanya dalam t tahun kemudian
t xy
q
Peluang seseorang yang lebih dulu meninggal dari sepasang tertanggung yang
berumur x tahun dan y tahun dalam t tahun kemudian
, x k y k
q
+ +

Peluang seseorang yang lebih dulu meninggal dari sepasang tertanggung yang
berusia x+k tahun dan y+k tahun dalam 1 tahun kemudian
1 k
b
+

Besarnya benefit yang dibayarkan perusahaan asuransi pada akhir tahun
terjadi risiko
v Nilai tunai (Present value)
i rate of interest (tingkat bunga efektif yang berlaku)
Z Variabel acak yang menyatakan fungsi present value benefit
1
; xy n
A
Premi tunggal bersih asuransi jiwa berjangka n tahun bentuk diskrit untuk
sepasang tertanggung yang berumur x tahun dan y tahun
1
: xy n
A
Premi tunggal bersih asuransi jiwa n-year pure endowment untuk sepasang
tertanggung yang berusia x tahun dan y tahun
: xy n
A
Premi tunggal bersih asuransi jiwa dwiguna bentuk diskrit untuk sepasang
tertanggung yang berusia x tahun dan y tahun
: xy n
A
Premi tunggal bersih asuransi jiwa dwiguna bentuk kontinu untuk sepasang
tertanggung yang berusia x tahun dan y tahun
o laju perubahan suku bunga terhadap satuan waktu terkecil (force of interest)
: xy n
a
Anuitas hidup berjangka n tahun untuk sepasang tertanggung yang berusia x
tahun dan y tahun
t
b
Besarnya benefit yang dibayarkan perusahaan asuransi pada saat terjadi risiko
(t)
P (
: xy n
A )
Premi bersih tahunan asuransi jiwa berpasangan dwiguna bentuk diskrit yang
dibayarkan setiap awal periode untuk seseorang yang berusia x tahun dan
berusia y tahun
H Waktu saat perhitungan cadangan
( )
:
h
xy n
V A
Cadangan premi tahunan asuransi jiwa dwiguna kontinu dengan premi
dibayarkan tiap awal tahun untuk setiap satuan waktu h
M Periode pembayaran premi dengan biaya
I
o Premi bersih untuk tahun pertama pada metode illinois
I
|
Premi bersih untuk tahun kedua dan seterusnya sampai ke-m pada metode
illinois
:
( )
il
h
xy n
V A
Cadangan illinois asuransi jiwa Dwiguna berpasangan kontinu dengan premi
dibayarkan tiap awal tahun setiap satuan waktu h
*
¸ Fungsi present value total biaya komisi agen
1
¸ Presentasi komisi agen untuk tahun pertama
2
¸ Presentasi komisi agen untuk tahun kedua
3
¸ Presentasi komisi agen untuk tahun ketiga



2.2. Asuransi Dwiguna Berpasangan
20

Besarnya premi tunggal bersih yang harus dibayarkan oleh individu
pertama yang berusia x tahun dan individu kedua yang berusia y tahun pada saat
pertama kali ikut asuransi kepada perusahaan asuransi adalah:

a. Jika Salah Satu dari Tertanggung Meninggal Dunia
1
100%UP
0
k
b
+
=
, untuk 0,1, 2,..., 1
, untuk , 1,...
k n
k n n
= ÷
= +
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:
fungsi present value benefitnya adalah :
1
1
100%UP
0
k
v
Z
+
=
, untuk 0,1, 2,..., 1
, untuk , 1,...
k n
k n n
= ÷
= +

karena K merupakan variabel acak, maka premi tunggal bersihnya adalah:
| | 1
1
1
1
: ,
0
(100%UP) . .
n
k
k xy
xy n x k y k
k
A E Z v p q
÷
+
+ +
=
= =
¿
(2.1)

b. Jika Kedua Tertanggung Masih Tetap Hidup Hingga Akhir Masa Asuransi
Jika kedua tertanggung masih tetap hidup hingga berakhirnya masa
asuransi maka benefit akan dibayarkan sebesar 100% Uang Pertanggungan
sekaligus pada akhir tahun ke-n atau dapat dinyatakan sebagai berikut:
0
100%UP
n
b =
, untuk 0,1, 2,..., 1
, untuk , 1,...
k n
k n n
= ÷
= +

fungsi present value benefitnya adalah:
2
0
100%UP
n
Z
v
=
, untuk 0,1, 2,..., 1
, untuk , 1,...
k n
k n n
= ÷
= +

sehingga premi tunggal bersihnya adalah:
| | 1
2
:
(100%UP) .
n
n xy
xy n
A E Z v p = = ...(2.2)
Maka besarnya premi tunggal bersih secara keseluruhan untuk produk
asuransi Dwiguna berpasangan merupakan penjumlahan antara Persamaan (2.1)
dan (2.2) sebagai berikut :
1
1
. ,
:
0
(100% ) . .
n
k n
k xy x k y k n xy
xy n
k
A UP v p q v p
÷
+
+ +
=
¦ ¹
= +
´ `
¹ )
¿
... (2.3)
Pada produk Dwiguna berpasangan, benefit diberikan tepat pada saat
salah satu dari tertanggung meninggal dunia. Oleh karena itu, perlu mengubah
asuransi Dwiguna berpasangan bentuk diskrit menjadi asuransi jiwa Dwiguna
berpasangan bentuk kontinu. Dengan menggunakan asumsi UDD (Uniform
Distribution of Death) hubungan asuransi jiwa dwiguna berpasangan bentuk
diskrit dengan asuransi jiwa dwiguna berpasangan bentuk kontinu adalah sbb:
21

o
| |
=
|
\ .
: : x y n x y n
i
A A
... (2.4)
Premi tahunan Dwiguna Berpasangan dihitung dengan menggunakan rumus:

( )
:
:
:
xy n
xy n
xy n
A
P A
a
=

... (2.5)

2.3. Perhitungan Cadangan Illinois Pada Produk Dwiguna Berpasangan
Penentuan cadangan disesuaikan melalui metode Illinois terdapat
persyaratan yang harus terpenuhi, yaitu nilai premi tahunan yang dibayarkan oleh
tertanggung lebih besar dari nilai premi tahunan asuransi seumur hidup dengan
jangka pembayaran premi 20 tahun pada usia yang sama. Dalam metode Illinois,
terdapat beberapa nilai premi bersih yakni
I
o (premi bersih untuk tahun pertama),
I
| (premi bersih untuk k - 1 tahun berikutnya), dan
:
( )
xy n
P A (prmi bersih untuk
setelah k tahun). Pada penentuan cadangan dengan mentode ini terdapat batasan
frekuensi biaya yang digunakan dalam perhitungan cadangan yakni maksimal
biaya 20 tahun. Perumuman dari pernyataan di atas dapat diilustrasikan sebagai
berikut :
: 1 : :
( )
I I
xy k xy n xy k
a P A a o |
÷
+ =   ... (2.6)
Atau dengan kata lain
I
o dapat dinyatakan pada Persamaan di bawah ini :
: : : 1
: 1
( )
1
xy n xy k xy k
I
xy k
P A a a
a
¸
o
÷
÷
÷
=
+
 

… (2.7)
dan
I
| dapat dinyatakan pada Persamaan di bawah ini :
: :
: 1
( )
1
xy n xy k
I
xy k
P A a
a
¸
|
÷
+
=
+


… (2.8)
Berdasarkan perumusan premi di atas, perhitungan cadangan yang
disesuaikan dengan menggunakan metode Illinois didefinisikan sebagai berikut :
: : : , :
( ) ( ) ( ( ))
il
h h I
xy n xy n xy n x h y h k h
V A V A P A a |
+ + ÷
= ÷ ÷  … (2.9)
dengan min( , 20) k m = serta m adalah periode pembayaran premi dengan biaya.
Besarnya total biaya yang dikeluarkan perusahaan untuk membayar
komisi agen, adalah sebagai berikut:
{ }
*
1 2 1 3 2
:
( )
xy xy
xy n
P A v p v p ¸ ¸ ¸ ¸ ( = × + × × + × ×
¸ ¸
… (2.10)
dengan
1
¸ ,
2
¸ , dan
3
¸ merupakan presentase komisi yang harus
dibayarkan oleh perusahaan kepada agen yang berhasil menjual produk asuransi
pada tahun pertama sampai tahun ke tiga dan besarnya diperoleh berdasarkan
tabel komisi. Pada penelitian ini besar min(3, 20) k = yakni k=3, sehingga
Persamaan (2.6) dapat dituliskan kembali sebagai berikut :
:2 : :3
( )
I I
xy xy n xy
a P A a o | + =   ... (2.11)
22

Dengan kata lain
I
o pada Persamaan (2.7) dapat dinyatakan kembali
sebagai berikut :

*
: :3 :2
:2
( )
1
xy n xy xy
I
xy
P A a a
a
¸
o
÷
=
+
 

(2.12)
dan
I
| pada Persamaan (2.8) dapat dinyatakan kembali sebagai berikut :

*
: :3
:2
( )
1
xy n xy
I
xy
P A a
a
¸
|
+
=
+


(2.13)
Berdasarkan perumusan valuasi premi di atas, perhitungan cadangan
yang disesuaikan dengan menggunakan metode Illinois didefinisikan sebagai
berikut :
: : : , :3
( ) ( ) ( ( ))
il
h h I
xy n xy n xy n x h y h h
V A V A P A a |
+ + ÷
= ÷ ÷  (2.14)
dan perhitungan cadangan setelah tahun ke-3 akan menggunakan
perumusan cadangan premi bersih tahunan sbb:

( ) ( )
: , : : , :
h
xy n x h y h n h xy n x h y h n h
V A A P A a
+ + ÷ + + ÷
= ÷  (2.15)

3. HASIL DAN PEMBAHASAN
3.1. Premi Tunggal Bersih Produk Dwiguna Berpasangan
Perhitungan premi tunggal bersih produk Dwiguna berpasangan bentuk
diskrit untuk ilustrasi yang telah disebutkan sebelumnya adalah sebagai berikut :

a. Jika salah seorang tertanggung meninggal dalam masa asuransi, maka premi
tunggal bersihnya adalah Rp. 529.744,98.
b. Jika kedua tertanggung masih tetap hidup hingga berakhirnya masa asuransi,
maka premi tunggal bersihnya adalah Rp. 9.775.327,32.

Dengan demikian, premi tunggal bersih asuransi Dwiguna berpasangan
bentuk diskrit adalah penjumlahan kedua premi tunggal bersih di atas yakni Rp.
10.305.071,30.
Pada produk Dwiguna berpasangan benefit diberikan tepat pada saat
salah satu dari tertanggung meninggal dunia. Oleh karena itu, perlu mengubah
asuransi Dwiguna berpasangan bentuk diskrit menjadi asuransi jiwa Dwiguna
berpasangan bentuk kontinu. Dengan menggunakan asumsi UDD, maka besar
premi tunggal bersih untuk asuransi Dwiguna berpasangan bentuk kontinu Rp.
10.661.469,00.
Biasanya tertanggung akan berkeberatan untuk membayar premi satu kali
diawal tahun secara sekaligus, oleh karena itu perlu dihitung besarnya premi
tahunan sehingga tertanggung menjadi lebih ringan dalam pembayaran preminya
tetapi tetap akan mendapatkan benefit yang sama.



3.2. Premi Tahunan
23

Besar anuitas berpasangan bentuk diskrit due adalah sebagai berikut:

( ) ( ) ( )
9
30,25
30,25:10
0
0 1 9
0 30,25 1 30,25 9 30,25
...
1 0, 9313 0, 8673 ... 0, 5254
7, 4081
k
k
k
a v p
v p v p v p
=
=
= + + +
= + + + +
=
¿


Besarnya premi tahunan adalah sebagai berikut:
( )
30,25:10
30,25:10
30,25:25
10.661.469
7,4081
1.439.162, 525
A
P A
a
=
=
=


Dengan demikian, UP sebesar Rp.20.000.000,00 diperoleh apabila
pemegang polis membayar premi tanpa biaya sebesar Rp.10.661.469,00 yang
dibayarkan sekaligus di awal kontrak asuransi atau sebesar Rp.1.439.163,00 yang
pembayarannya dilakukan 10 kali secara kontinu di awal tahun.

3.3. Cadangan
Dalam perhitungan cadangan terlebih dahulu akan dihitung besar
cadangan Illinois selama tiga tahun pertama sebagai akibat biaya yang
dikeluarkan oleh perusahaan untuk membayar komisi agen. Kemudian untuk
tahun selanjutnya perhitungan cadangan akan menggunakan cadangan premi
bersih tahunan karena sudah tidak ada lagi biaya yang dikeluarkan perusahaan
untuk membayar komisi agen.
Total biaya yang dikeluarkan perusahaan untuk membayar komisi agen
selama tiga tahun pertama pembayaran premi adalah:

Tabel 3.1 Komisi Agen Produk Dwiguna Berpasangan
Tahun Besarnya Komisi Agen per tahun (Rp.)
1 359.791
2 67.015
3 31.205
Total 458.011

Besar premi bersih tanpa biaya dan premi bersih dengan biaya selama
tiga tahun pertama masa asuransi yang dibayarkan di awal tahun dapat dilihat
pada tabel di bawah ini :




Tabel 3.2 Premi Bersih Tahunan Produk Dwiguna Berpasangan
Selama Tiga Tahun Pertama Masa Asuransi
24

Tahun
ke-
Premi Bersih Tahunan
Tanpa Biaya (Rp.)
Premi Bersih Tahunan
dengan Biaya (Rp.)
0
1.439.163
1.072.260
1
1.530.272
2

Berdasarkan tabel 3.2 di atas diketahui bahwa besar premi bersih tahunan
dengan biaya tahun pertama adalah Rp.1.070.821. Sedangkan besar premi bersih
tahunan dengan biaya tahun kedua dan ketiga adalah Rp.1.531.017. Besar premi
bersih tahun pertama lebih kecil dari premi bersih tahun kedua dan ketiga, hal ini
dikarenakan pada tahun pertama diperlukan biaya besar untuk membayar komisi
agen, sedangkan biaya yang dikeluarkan oleh perusahaan asuransi untuk tahun
selanjutnya adalah lebih kecil. Sedangkan premi bersih tahunan tanpa biaya lebih
besar dari premi bersih tahunan dengan biaya untuk tahun pertama dan lebih kecil
dari besar pemi bersih tahunan dengan biaya untuk tahun kedua dan ketiga.
Berdasarkan tabel 3.3 dapat dilihat bahwa besar cadangan Illinois untuk
tahun ke-0 bernilai negatif, hal ini dikarenakan perusahaan asuransi belum
menerima pembayaran premi tahunan dari sepasang tertanggung tetapi perusahaan
asuransi tersebut harus mengeluarkan biaya untuk membayar komisi kepada agen
yang telah berhasil menjual produk asuransi. Sedangkan besar cadangan Illinois
untuk akhir tahun ke-1 dan ke-2 masing–masing adalah Rp.1.296.738,- dan
Rp.2.962.935,-.
Besar cadangan untuk h = 3 dan seterusnya sampai dengan akhir masa
asuransi yakni 10 tahun dapat dihitung dengan menggunakan cadangan premi
bersih tahunan. Cadangan premi bersih tahunan merupakan perhitungan cadangan
tanpa melibatkan faktor biaya. Dengan demikian besar cadangan produk Dwiguna
berpasangan untuk masa asuransi 10 tahun dengan biaya tiga tahun pertama
adalah sebagai berikut:

Tabel 3.3 Besar Cadangan Premi Asuransi pada
Produk Dwiguna Berpasangan berdasarkan premi bersih dan premi kotor
Tahun ke-
h
Cadangan premi
bersih (Rp.)
Cadangan premi kotor
melalui metode Illinois (Rp.)
0 0 -254.981
1 1.472.697 1.296.738
2 3.054.044 2.962.935
3 4.752.183 4.752.183
4 6.574.031 6.574.031
5 8.529.246 8.529.246
6 10.628.422 10.628.422
7 12.881.369 12.881.369
8 15.300.816 15.300.816
9 17.899.053 17.899.053
10 20.000.000 20.000.000

Berdasarkan tabel 3.3 di atas diketahui bahwa besar cadangan
disesuaikan untuk akhir tahun ke-0, 1, 2 akan lebih kecil dari cadangan premi
tahunan, hal ini dikarenakan pada perhitungan cadangan Illinois terdapat faktor
25

pengurang yaitu biaya, sedangkan pada perhitungan cadangan premi bersih
tahunan tidak memasukkan faktor biaya. Pada tahun ke-3 sampai dengan akhir
masa asuransi tidak ada biaya yang dikeluarkan oleh perusahaan, sehingga besar
cadangan untuk tahun ke-3 sampai dengan akhir masa asuransi akan sama dengan
cadangan premi tahunan pada tahun yang sama. Akhir tahun ke 10, besar
cadangan premi tahunan yang harus dimiliki perusahaan asuransi adalah sebesar
uang pertanggungan yaitu sebesar Rp.20.000.000. Uang tersebut kemudian akan
diberikan kepada sepasang tertanggung apabila keduanya masih tetap hidup
sampai akhir masa asuransi, dalam hal ini adalah 10 tahun.

4. KESIMPULAN
1. Penentuan besarnya cadangan disesuaikan dengan metode Illinois, akan
menghasilkan besaran cadangan yang lebih kecil dibandingkan dengan
besarnya cadangan premi tahunan. Cadangan premi tahunan merupakan
kondisi ideal yang dimiliki perusahaan. Tetapi perusahaan asuransi harus
mengeluarkan biaya untuk membayar komisi agen. Dan Biaya tersebut
dibebankan oleh perusahaan asuransi kepada tertanggung. Sehingga besar
biaya tersebut akan mengurangi besar cadangan yang dimiliki oleh perusahaan
asuransi.
2. Besar premi bersih tahunan tanpa biaya lebih besar dari besar premi bersih
tahunan dengan biaya untuk tahun pertama dan lebih kecil dari besar premi
bersih tahunan dengan biaya untuk tahun kedua dan ketiga atau dapat
dinyatakan dalam hubungan berikut ini:
30,25:10
( )
I I
P A o | < < .

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


26

ANALISIS LATENT CLASS CLUSTER
DALAM PENGELOMPOKAN
LAHAN USAHA TAMBANG BAHAN GALIAN INDUSTRI


Anna Chadidjah

Jurusan Statistika FMIPA-Unpad
anna_chadidjah@yahoo.co.id


Abstract

The allocation of land mines to local businesses with the potential in the
Rencana Tata Ruang polices is one of the alternatives to minimize land use
conflicts of interest.
On the basis of these ideas required a grouping technique. Groupings are
based on 8 indicator variables are weighing the physical aspect. Grouping using
latent class cluster methods, where information about the number of groups is not
known in advance. The use of cluster techniques that rely on the concept of
similarity, measured through the concept of distance, for the latent variables were
not satisfactory. As an alternative. classifying the subject in latent class cluster
approach was not done but based on similarity measure based on a model that has
different parameters in each class.
From the 8 indicators variables, there are 6 indicators that are
determinant of establishing the cluster, namely: the value of minerals, the volume
of reserves, effective soil depth, gradient, and distance. The clustering results
produce a 2- cluster model that can be classified into a potential business area and
less potential in which each has its own characteristics.

Kata Kunci : Latent Class Cluster, Local Independence, Bivariate Residuals
(BVR), Object Classification


1. PENDAHULUAN
Bahan galian merupakan potensi sumber daya alam yang tak terbaharui.
Bahan galian terdapat di daerah tertentu dengan jumlah cadangan terbatas sesuai
dengan kondisi geologi dan tektoniknya. Salah satu daerah di Indonesia yang
memiliki banyak lahan usaha tambang bahan galian industri adalah Kabupaten
Sukabumi.
Pengalokasian lahan usaha tambang untuk daerah yang berpotensi bahan
galian di dalam kebijakan Rencana Tata Ruang Wilayah merupakan salah satu
alternatif guna memperkecil terjadinya benturan kepentingan penggunaan lahan.
Atas dasar pemikiran tersebut diperlukan suatu teknik pengelompokan
lahan usaha tambang bahan galian industri yang dapat menjadi keanggotaan
seluruh lahan usaha tambang tersebut terhadap kelompok-kelompok yang
terbentuk. Pengelompokan tersebut didasarkan pada beberapa variabel penimbang
27

dalam analisis peruntukan lahan usaha tambang.. Variabel-variabel penimbang
tersebut meliputi aspek fisik dan non fisik. Aspek fisik meliputi : nilai bahan
galian, volume cadangan, kedalaman efektif tanah, tingkat kemiringan,
ketinggian, tingkat bencana, tingkat penggunaan tanah dan jarak. Sedangkan
aspek non fisik adalah jumlah penduduk.
Berdasarkan uraian di atas, penulis tertarik untuk melakukan pengkajian
bagaimana mengelompokkan lahan usaha tambang bahan galian industri di
Kabupaten Sukabumi, serta bagaimana ciri (karakteristik) dari setiap kelompok
lahan usaha tambang yang terbentuk.
Manfaat yang dapat dipetik dari penelitian ini adalah dapat diketahuinya
pengalokasian lahan usaha tambang bahan galian industri serta mengetahui lahan
usaha tambang bahan galian industri mana saja yang memiliki prioritas untuk
dikembangkan, sehingga dapat menjadi bahan masukan dalam penetapan
kebijakan Rencana Umum Tata Ruang Daerah yang dapat menunjang
pengembangan wilayah.


2. TINJAUAN LITERATUR DAN METODE
2.1. Analisis Latent Class Cluster
Analisis Latent Class Cluster adalah analisis Cluster yang digunakan
untuk mengklasifikasikan objek kedalam dua atau lebih kelompok, dimana
banyaknya kelompok tidak diketahui. (Kauffman dan Rousseuw, 1990).
Menurut Vermunt dan Magidson (2002), Latent Class Cluster adalah
sebuah metode statistic untuk mengidentifikasi keanggotaan kelompok yang tidak
terukur antar objek-objek dengan menggunakan variable observed kontinu atau
kategori.
Analisis Latent Class Cluster dapat menjadi ide terbaik sebagai
perbaikan dari analisis klaster, dimana hasil analisisnya menggunakan konsep
statistic likelihood. Estimasi parameter digunakan untuk profil kelompok
(deskripsi dari masing-masing kelompok) dan ukuran masing-masing kelompok.
Dalam Analisis Latent Class Cluster objek mempunyai peluang keanggotaan
berupa posterior Latent Class Cluster, membership probability pada masing-
masing kelompok. Selain itu analisis ini dapat digunakan untuk semua tipe data,
yaitu biner, kontinu dan data cacah (Count data).
Pada prinsipnya, metode Latent Class Cluster, tidak jauh berbeda dengan
K-means cluster, yaitu mengelompokkan sejumlah objek yang terdekat dengan
pusat kelompoknya sehingga jarak setiap objek ke pusat kelompok dalam satu
kelompok adalah minimum. Perbedaannya adalah untuk menyatakan kedekatan
objek ke pusatnya, pada K-means cluster menggunakan pendekatan jarak,
sedangkan pada Latent Class Cluster didasarkan pada probabilitas
pengelompokan posterior (Magidson dan Vermunt, 2002). Jay Magidson dan
Jeroen K. Vermunt (2002), dalam Canadian Journal of Marketing Research,
Volume 20, yang berjudul “Latent Class Models For Clustering: A Comparison
with K-means” membahas mengenai perbandingan antara analisis latent class
cluster dengan K-means cluster. Berdasarkan hasil analisisnya, klasifikasi dalam
latent class cluster berdasarkan estimasi probabilitas pengelompokan posterior
menghasilkan angka misklasifikasi yang lebih kecil dibandingkan K-means
28

cluster. Selain itu, dalam K-means cluster tidak ada ketentuan untuk menetapkan
jumlah kelompok, namun pada latent class cluster disediakan berbagai diagnostik
seperti statistik Bayesian Criterion Information (BIC) yang dapat digunakan
dalam penentuan jumlah kelompok.
Jimmie Harison (2004), dalam skripsinya yang berjudul “Analisis Latent
Class Cluster untuk Variabel Kontinu” juga membahas mengenai perbandingan
antara analisis latent class cluster dengan K-means cluster. Penelitian ini
menggunakan data riil mengenai diagnosa penyakit diabetes dengan tiga variable
kontinu yang dilibatkan adalah kadar glukosa, kadar insulin, dan kadar sspg
(steady-state plasma glucose). Data diagnosa diabetes terdiri dari 145 observasi.
Pada data juga terdapat informasi klasifikasi medis dalam tiga kelompok, yaitu
diabetes stadium normal, chemical, dan overt. Dalam penelitian ini,
menyimpulkan bahwa hasil klasifikasi pada latent class cluster memiliki angka
misklasifikasi sangat kecil dibandingkan dengan hasil pada K-means cluster yang
jauh berbeda dari hasil sebenarnya (diagnosa klinik). Selain itu, model
pengelompokan dengan latent class cluster dilakukan secara lebih objektif
dibandingkan dengan K-means cluster, yaitu dalam penentuan banyaknya
kelompok dilakukan berdasarkan seleksi model menggunakan kriteria informasi
BIC.
Dalam penelitian yang akan dilakukan mengenai pengelompokan
terhadap lahan usaha tambang bahan galian industri berdasarkan variabel indicator
: nilai bahan galian, volume cadangan, kedalaman efektif tanah, tingkat
kemiringan, ketinggian, tingkat bencana, tingkat penggunaan tanah, dan jarak.
Jenis data pada penelitian ini memiliki skala pengukuran ordinal. Terdapat banyak
objek penelitian yang akan dianalisis dan juga tidak ada informasi mengenai
jumlah kelompok. Oleh karena itu, berdasarkan uraian yang telah dijelaskan di
atas, metode pengelompokan yang paling tepat digunakan dalam penelitian ini
adalah metode latent class cluster, dengan berbagai keuntungan sebagai berikut:
1. Hasil klasifikasi objek ke dalam cluster dilakukan berdasarkan sebaran
peluang keanggotaan yang diduga secara langsung dari model. Di sisi lain
pada analisis cluster klasik pendekatan cluster dilakukan berdasarkan pada
jarak antar objek (Vermunt dan Magidson,2002). Model analisis latent class
menghasilkan suatu pendekatan klastering dengan probabilistic, artinya
meskipun setiap objek menjadi milik suatu cluster, tetap ada ketidakpastian
menyangkut keanggotaan dari suatu objek.
2. Peubahnya dapat bersifat kontinu, kategorik (nominal, ordinal), count atau
kombinasinya.
3. Peubah eksogen (kovariat) dapat digunakan untuk menggambarkan cluster







2.2. Model Latent Class Cluster untuk Variabel Kategori
Misalkan D sebuah variable latent yang memiliki L kategori, dan
29

¦
¹
¦
´
¦
=
L
1
peluang dengan ,
peluang dengan , 1
t
t
L
D 
K buah Variabel yang dapat diamati (manifest variable), masing-masing
dinyatakan sebagai
K
X X X , , ,
2 1
 , dengan
¦
¹
¦
´
¦
=
.
, 1
I
X
i


Level dari X
i
i = 1, 2, . . ., I dianggap sama, untuk memudahkan penulisan. Dalam
kenyataannya boleh berbeda. X
i
I = 1, 2, . . ., I berskala pengukuran nominal.
Untuk I = 2, kombinasi respons yang mungkin terjadi untuk K = 2 nampak pada
Tabel 3.2 sebagai berikut:

Tabel 2.1
Tabel Kontingensi Dua Variable Indikator Dengan Dua Kategori
Kombinasi respons X1 X2 Frekuensi
1 1 1 n
11

2 1 2 n
12

3 2 1 n
21

4 2 2 n
22


Peluang bahwa respons pengukuran
i i
x X = bersyarat kepada latent class
D = d ditulis sebagai:

) | ( d D x X P
i i
= = . (2.1)
Hal ini menunjukkan bahwa klasifikasi berbasis model, seperti LCA,
memungkinkan pengukuran akurasi perangkat uji diagnostic; spesifitas dan
sensitivitas, melalui persamaan (2.1) di atas.

Sehingga untuk sebuah vector pengamatan ) , , , (
2 1 K
X X X  = X , peluang
gabungannya
¿
=
= = = = =
L
d
d D P d D P P
1
) ( ) | ( ) ( x X x X (2.2)
Dalam latent class analysis dianggap bahwa, dalam tiap latent class,
manifest variable X
i
i = 1, 2, . . ., I independen satu sama lain. Oleh karenanya
Persamaan (2.2) menjadi:

¿ [
= =
= = = = =
L
d
k
i
i i
d D x X P d D P P
1 1
) | ( ) ( ) ( x X (2.3)
Untuk keperluan penetapan keanggotaan subjek kedalam laten class,
peluangnya dihitung melalui aturan Bayes

30

) (
) ( ) | (
) | (
x X
x X
x X
=
= = =
= = =
P
d D P d D P
d D P (2.4)

Dengan peluang penyebut dinyatakan dalam persamaan (2.3). Nilai
maximum peluang ini dalam sebuah latent class mengarahkan pada penetapan
keanggotaan subjek kedalam latent class tersebut.

2.2 Metode Estimasi dan Pengujian Hipotesis

Jika banyak kombinasi respons adalah M,
K
I M = , Kernel log-likelihood
untuk sampel acak X = x adalah:


(2.5)
Parameter dalam model ditaksir memakai Maximum Likelihood.

Beberapa masalah yang perlu mendapat perhatian dalam penkasiran adalah:
1. Masalah identifikasi: Tidak terdapat jawab tunggal.
2. Maksimum Lokal
3. Peluang nol

Untuk pengujian kesesuaian model dipergunakan statistic uji likelihood-ratio

¿
= ×
=
) (
ln 2
2
x X P n
n
n L
i
i

(2.6)


n menyatakan ukuran sampel. berdistribusi chi-square dengan derajat bebas (db)
sama dengan banyak sel dalam table kontingensi, M, dikurangi banyak parameter
dikurangi satu.

Apabila banyak sel besar, maka ada kemungkinan sejumlah sel dengan frekuensi
nol; sparse table, dalam keadaan ini p-value ditaksir memakai bootstrap.
Perbandingan model, selain memakai statistic
2
L di atas, memakai criteria
informasi BIC yang dinyatakan sebagai berikut :

BIC = - 2 ln (L) = p ln (N) (2.7)
dengan :
ln (L) : logaritma natural likelihood
p : banyak parameter yang ditaksir dalam model
N : banyak objek

Seleksi model dilakukan untuk memperoleh informasi tentang jumlah kelompok
sebagai solusi terbaik, dengan kriteria model terbaik adalah model dengan BIC
terkecil dari beberapa solusi k kelompok yang didapat.

Kinerja dari pengkalsifikasian dinilai juga melalui keliru klasifikasi.
Taksiran Proporsi keliru klasifikasi adalah:
¿
=
= =
M
i
i i
P n L
1
) ( ln ln x X
31


( ) { }
¿
=
= = ÷ =
M
i
i
i
d D P
n
n
E
1
| ( max 1 x X . (2.8)


3 HASIL DAN PEMBAHASAN
3.1. Eksplorasi Data Lahan Usaha Tambang
Eksplorasi dilakukan sehubungan dengan data yang diolah menghasilkan
output yang sulit di interpretasikan, sehingga tidak bisa diambil kesimpulan,
Dalam penelitian ini eksplorasi yang dilakukan meliputi penyederhanaan jumlah
kategori, uji korelasi polichorik, dan pengurangan variabel indikator dengan
memperhatikan bivariat residual (BVR).
Penelitian ini menggunakan 80 lahan usaha tambang bahan galian industri
di Kabupaten Sukabumi yang telah memenuhi kriteria zonasi wilayah
pertambangan dengan delapan variabel penimbang dalam pengelompokan lahan
usaha tambang. Kedelapan variabel tersebut terdiri dari : nilai bahan galian,
volume cadangan, kedalaman efektif tanah, tingkat kemiringan, ketinggian,
tingkat bencana, tingkat penggunaan tanah, dan jarak. Jenis data pada penelitian
ini memiliki skala pengukuran ordinal
Analisis latent class cluster mempunyai asumsi bahwa variabel indikator
dalam setiap kelas tidak berkorelasi. Dengan menggunakan uji korelasi bisa
diketahui variabel indikator mana yang berkorelasi dan yang tidak. Hal ini
menjadi dasar apakah semua variabel indikator dilibatkan atau tidak dalam
pengelompokan tersebut (dalam analisis latent class cluster).
Dalam analisis ini awalnya data lahan usaha tambang diolah dengan
latent Gold versi 4.0, tapi hasilnya sulit diinterpretasikan, sebab p-value dari L
2
menunjukkan bahwa model terliihat tidak ada yang cocok dengan data. Jika
memperhatikan nilai BIC, model -cluster bisa dipilih. Tetapi jika melihat BVR
nya, ternyata asumsi independensi local dilanggar. Model LC cluster dan bivariat
residual untuk data lahan usaha tambang tersebut dapat dilihat pada Tabel 3.1 dan
Tabel 3.2 berikut ini :

Tabel 3.1 Model Latent Class Cluster Lahan Usaha
Tambang Bahan Galian Industri

LL BIC(LL) Npar L² df p-val ue Cl ass.Er r or .
M odel 1 1Cl ust er -632.5487 1361.225 22 597.9519 57 3.30E-91 0
M odel 2 2-Cl ust er -609.8564 1355.166 31 552.5673 48 6.10E-87 0.0671
M odel 3 3-Cl ust er -586.5442 1347.866 40 505.9428 39 1.50E-82 0.045
M odel 4 4-Cl ust er -568.7395 1351.582 49 470.3335 30 1.40E-80 0.0484
M odel 5 5-Cl ust er -557.0898 1367.608 58 447.0341 21 1.60E-81 0.0544
Lanjutan Tabel 3.1
M odel 6 6-Cl ust er -544.4162 1381.586 67 421.6869 12 9.60E-83 0.0644
M odel 7 7-Cl ust er -534.828 1401.734 76 402.5104 3 6.30E-87 0.0577
M odel 8 8-Cl ust er -522.8609 1417.125 85 378.5762 -6 . 0.0313


Tabel 3.2. Bivariat Residual untuk Model Dua Klaster
32

Indicat or s BHM G VOL KEDLM AN KEM RNGAN TINGGI BENC PTNH JARAK
BHM G .
VOLUM E 0.008 .
KEDLM AN 0.061 0.0288 .

KEM RNGAN 0.0266 0.0119 0.1646 .

TINGGI 1.8718 0.5215 0.0935 1.0177 .
BENC 0.2332 0.2081 0.0524 0.1461 0.6643 .
PTNH 0.0389 0.002 0.0181 0.0299 1.6979 0.0078 .
JARAK 0.0199 0.0858 0 0.0125 0.0268 0.041 0.1582 .

Hal ini mungkin disebabkan oleh banyaknya kategori, sehingga banyak
sel yang kosong. Oleh karena itu perlu disederhanakan jumlah kategorinya,
sehingga untuk masing-masing variable indicator menjadi dua kategori saja.
Penyederhanaan kategori ini dilakukan berdasarkan pertimbangan fihak
terkait..Dari hasil penggabungan kategori pada masing-masing variable indicator
menjadi dua kategori, untuk kedelapan variable indicator, didapat hasil
pengelompokan seperti pada Tabel 3.3 dan Tabel 3.4 berikut :

Tabel 3.3 Model Latent Class Cluster Lahan Usaha Tambang
Bahan Galian Industri

LL BIC(LL) Npar L² df p-val ue Cl ass.Er r or .
M odel 1 1-Cl ust er -339.2536 713.4627 8 154.2157 71 4.20E-08 0
M odel 2 2-Cl ust er -318.2031 710.6867 17 112.1147 62 0.0001 0.0629
M odel 3 3-Cl ust er -304.3867 722.379 26 84.4819 53 0.0039 0.1404
M odel 4 4-Cl ust er -298.4588 749.8483 35 72.6262 44 0.0042 0.1486
M odel 5 5-Cl ust er -294.1035 780.4628 44 63.9156 35 0.002 0.142
M odel 6 6-Cl ust er -288.4042 808.389 53 52.5169 26 0.0016 0.0855
M odel 7 7-Cl ust er -283.0341 836.9739 62 41.7767 17 0.00072 0.0381
M odel 8 8-Cl ust er -279.2236 868.678 71 34.1557 8 3.80E-05 0.058

Tabel 3.4. Bivariat Residual untuk Model 2-Cluster
(Variabel Indikator Masing-Masing Dua Kategori)
Indicat or s BHNG VOLUM E KEDLM AN KEM RNGAN TINGGI BENC PTNH JARAK
BHNG .
VOLUM E 1.4054 .
KEDLM AN 0.7134 0.0092 .
KEM RNGAN 2.4722 1.3088 0.601 .

TINGGI 6.3859 3.1994 0.3938 0.0291 .

BENC 2.8292 3.5668 0.7125 1.1242 0.5206 .
PTNH 2.3769 0.0379 0.4288 0.0029 0.0084 0.0069 .
JARAK 0.5522 0.4795 0.1149 2.9474 0.9597 3.2147 0.0227 .

Mengingat penyederhanaa kategori masih belum memperlihatkan hasil
yang memuaskan, artinya hasil pengolahan masih sulit diinterpretasikan, maka
langkah selanjutnya adalah melakukan pengolahan terhadap data hasil pengujian
korelasi polikhorik, yaitu terhadap 8 variabel indikator : BHNG, Volume,
Kedalaman, Kemiringan, Tinggi, BENC (Tingkat Bencana) PTHN (Tingkat
Penggunaan Tanah) serta. Jarak. Output pengolahan diperlihatkan dalam Tabel
3.5 dan Tabel 3.6. Dari Tabel 3.5 model yang cocok dengan data dan parsimony
33

adalah model 2 cluster. Selanjutnya jika memperhatikan nilai BVR pada Tabel 3.6
untuk model 2 cluster masih diragukan untuk dipilih, karena nilai BVR masih ada
yang lebih dari di 3,84.
Oleh karena belum didapat hasil yang memuaskan, maka eksplorasi
dilakukan dengan memperhatikan nilai BVR. BVR menandakan bagaimana
pendugaan dan pengamatan hubungan antar dua peubah. BVR merupakan alat
untuk mengukur secara luas asosiasi antara dua peubah yang dihasilkan model
(Vermunt & Magidson, 2003). Setiap BVR sesuai dengan statistic Pearson chi-
kuadrat dibagi dengan derajat kebebasan yang mana frekuensi pengamatan dalam
tabulasi silang dua arah dari peubah dibandingkan dengan jumlah ekspektasi
yang diduga di bawah model latent class yang sesuai. Nilai BVR > 3,84 menjadi
acuan untuk membuang variable indicator (Vermunt & Magidson, 2005).
Membuang variable indicator dengan jalan memperhatikan nilai BVR
yang paling besar dan > 3,84. Selain itu juga memperhatikan nilai-nilai BVR yang
besar yang berkaitan dengan variable indicator tersebut ke arah baris dan kolom.
Berdasarkan proses yang dilakukan berulang kali, maka variable indicator yang
dibuang adalah : Ketinggian dan Tingkat Penggunaan Tanah (PTNH).

3.2. Taksiran dan Kecocokan Model LC Cluster Lahan Usaha Bahan Galian
Industri
Setelah dua variabel indikator dibuang, untuk data tersebut didapat hasil
pengelompokan pada Tabel 3.7 berikut ini.

Tabel 3.7. Model Latent Class Cluster Lahan Usaha Tambang Bahan Galian
Industri (6 variabel indicator masing-masing terdiri dari dua kategori)


LL BIC(LL) Npar L² df p-val ue Cl ass.Er r or .
M odel 1 1Cl ust er -258.4601 543.1368 6 71.9833 57 0.087 0
M odel 2 2-Cl ust er -247.5043 551.8115 13 50.0718 50 0.47 0.1498
M odel 3 3-Cl ust er -242.9181 573.2252 20 40.8993 43 0.56 0.1937
M odel 4 4-Cl ust er -238.9081 595.7912 27 32.8792 36 0.62 0.1221
M odel 5 5-Cl ust er -233.9499 616.4611 34 22.963 29 0.78 0.0803
M odel 6 6-Cl ust er -231.2495 641.6463 41 17.562 22 0.73 0.0661
M odel 7 7-Cl ust er -229.1597 668.0528 48 13.3824 15 0.57 0.1392
M odel 8 8-Cl ust er -226.5615 693.4427 55 8.1861 8 0.42 0.095

Seperti telah dijelaskan pada bagian sebelumnya bahwa dalam memilih
model yang cocok adalah dengan memperhatikan nilai statistic L
2
dan nilai p-
value nya. Nilai L
2
memperlihatkan jumlah asosiasi diantara variabel yang tidak
diterangkan setelah menaksir model, sehingga nilai yang lebih rendah
menunjukkan model yang makin cocok kepada data. Berdasarkan hal ini model
yang dipilih adalah 2 cluster. Model ini masih sulit untuk diinterpretasikan dalam
hal labelisasi cluster yang terbentuk. Bagaimana jika perhatian diarahkan kepada
nilai BIC ?
Pada umumnya untuk data dengan variable indicator minimal 10
indikator, ukuran yang digunakan adalah AIC dan BIC, tetapi dalam prakteknya
untuk variable indikator yang jumlahnya kurang dari 10 pun mempergunakan
criteria ini ketika ukuran statistik L
2
masih diragukan untuk dipergunakan.
34

Kriteria untuk menentukan banyaknya kluster dengan melihat kolom p-
value yang distribusi Chi Kuadrat . Biasanya model dimana p- value lebih besar
dari 0,05 disebut cocok dengan data dan apabila dari beberapa model yang cocok
tadi mempunyai jumlah parameter (N-par) paling sedikit, maka model tersebut
dikatakan sebagai model parsimony, dan model seperti ini yang akan terpilih.
Untuk itu perhatikan kembali Tabel 3.7 di atas. Model yang cocok dengan data
adalah model dengan 2 cluster. Selanjutnya perhatikan banyaknya parameter (N-
par) untuk masing-masing model.. Kriterianya adalah pilihlah model yang cocok
dengan data sertamempunyai N-par paling sedikit. Dengan demikian model yang
cocok dan parsimony adalah model 2 Cluster.

3.4 Deskripsi Lahan Usaha Tambang
Lahan usaha tambang bahan galian industry dengan Indikator tertentu
kemungkinan ada dalam kelas mana, dapat dilihat pada Tabel 3.9.

Tabel 3.9. Besar kelas dan Indikator-Indikator yang Diperlihatkan Lahan Usaha
Tambang






















Dari Tabel 3.9 nampak bahwa seandainya indicator nilai bahan galian
(BHNG) sebagai factor penentu suatu lahan usaha tambang masuk pada suatu
klaster, maka kemungkinan besar (93%) suatu lahan usaha tambang bahan galian
industry yang bernilai tinggi akan masuk pada klaster 1, dan suatu lahan tambang
bahan galian industry yang bernilai rendah kemungkinan besar (51%) akan masuk
pada klaster 2. Sedangkan untuk variable indicator lainnya, seperti Volume,
Kedalaman dan lainnya dapat dilihat secara lengkap pada Tabel 3.9

3.5 Deskripsi Kelas (Cluster)

Cluster1 Cluster2
1. Overall 0.5922 0.4078
2. Indicators
BHNG
Rendah 0.5066 0.4934
Tinggi 0.93 0.07
VOLUME
Rendah 0.6457 0.3543
Tinggi 0.3212 0.6788
KEDALAMAN
Sulit Ditambang 0.6917 0.3083
Mudah Ditambang 0.5047 0.4953
KEMIIRINGAN
Tidak Aman 0.8621 0.1379
Aman 0.2708 0.7292
BENC
Rawan Bencana 0.6526 0.3474
Tidak Rawan
Bencana 0.2198 0.7802
JARAK
Jauh 0.7234 0.2766
Dekat 0.1489 0.8511
35

Dalam Tabel 3.10 diperlihatkan besar kelas dan lahan usaha tambang
seperti apa dalam tiap kelasnya. Ukuran masing-masing kelas Nampak hamper
berimbang, kurang lebih 59% lahan usaha tambang ada pada cluster-1 dan 41%
lahan usaha tambang ada pada cluster-2. Hampir semua lahan usaha tambang
dalam cluster-1 memiliki nilai indicator yang rendah, nilai BHNG rendah, nilai
Volume rendah, nilai Kedalaman rendah, nilai Kemiringan rendah, BENC rendah,
Jarak rendah

Tabel 3.10 Besar Kelas dan Indikator-Indikatornya
Cl ust er 1 Cl ust er 2

Cl ust er Si ze 0.5922 0.4078

KEM IRINGAN Cl ust er 1 Cl ust er 2
Indicat or s


Ti dak Aman 0.7887 0.8106
BHM G


Aman 0.2113 1.8106
Rendah 0.6837 0.9627

M ean 1.2113
Ti nggi 0.3163 0.0373

BENC 0.7351
M ean 1.3163 1.0373

Raw an Bencana 0.9473 0.2649
VOLUM E


Tdk Raw an Bencana 0.0527 1.2649
Rendah 0.9099 0.7274

M ean 1.0527
Ti nggi 0.0901 0.2726

JARAK 0.5273
M ean 1.0901 1.2726

Jauh 0.9408 0.4727
KEDALAM AN


Dekat 0.0592 1.4727
Sul i t Di t ambang 0.5459 0.3557

1.0592

M udah
Di t ambang 0.4541 0.6443

M ean 1.4541 1.6443



3.6 Klasifikasi Lahan Usaha Tambang Bahan Galian Industri

Pada bagian ini akan diperlihatkan bagaimana klasifikasi lahan usaha
tambang bahan galian industry menurut kelas dilakukan berdasarkan kategori-
kategori indikatornya, seperti terlihat pada Tabel 3.11
Dalam Tabel 3.11 dapat ditunjukkan bahwa : suatu lahan usaha tambang
bahan galian industry dengan nilai bahan galian (BHNG) rendah, volume
cadangan (Volume) rendah, kedalaman efektif tanah (Kedalaman) menunjukkan
mudah ditambang, tingkat kemiringan yang tidak aman untuk ditambang, tingkat
bencana (BENC) yang rawan, serta jarak yang jauh dengan sarana jalan , ada 9
lahan yang masuk ke dalam klaster-1 dengan peluang sebesar 0,95.
Secara keseluruhan klasifikasi lahan usaha tambang bahan galian industry
ke dalam klaster mana, dapat dilihat pada Tabel 3.11. Adapun ekspektasi
kesalahan pengklasifikasiannya adalah sebesar 0,15. Ini dapat dilihat pada Tabel
3.7. Artinya bahwa tingkat kesalahan klasifikasi lahan usaha tambang bahan
galian industry di Kabupaten Sukabumi menurut hasil dari analisis latent class
cluster adalah 0,15


4 KESIMPULAN
36

Dari hasil analisis yang telah dilakukan, maka dapat disimpulkan bahwa :
1. Pengelompokan 80 lahan usaha tambang bahan galian industry di Kabupaten
Sukabumi menghasilkan model terbaik yaitu model 2- cluster dengan
klasifikasi lahan usaha tambang yang kurang potensial dan potensial.
2. Karakteristik yang dimiliki oleh masing-masing klaster adalah sebagai
berikut :
a. Klaster-1 merupakan lahan usaha tambang bahan galian industry yang
kurang potensial, karena pada umumnya mempunyai karakteristik : Nilai
bahan galian rendah, volume cadangan rendah, tingkat kedalaman efektif
tanah yang sulit ditambang, rawan bencana, serta jauh dari akses jalan.
b. Klaster-2 merupakan lahan usaha tambang bahan galian industry yang
potensial , pada umumnya mempunyai karakteristik : Nilai bahan galian
tinggi, volume cadangan tinggi, tingkat kedalaman efektif tanah yang
rendah sehingga mudah ditambang, tidak rawan bencana, serta dekat
dengan akses jalan.

Tabel 3.11. Klasifikasi Lahan Usaha Tambang Bahan Galian Industri

BHNG VOL KDALAM N KM IRINGN BENC JARAK ObsFr eq M odal Cl ust er 1 Cl ust er 2
Rendah Rendah Rendah M udah Raw an Jauh 9 1 0.9499 0.0501
Rendah Rendah Rendah M udah
Tdk
Raw an Jauh 3 1 0.7453 0.2547
Rendah Rendah Rendah Sul i t Raw an Jauh 7 1 0.5427 0.4573
Rendah Rendah Rendah M udah Raw an Jauh 11 1 0.897 0.103
Rendah Ti nggi Rendah M udah Raw an Jauh 3 1 0.8337 0.1663
Ti nggi Rendah Rendah M udah Raw an Jauh 7 1 0.9956 0.0044
Ti nggi Rendah Rendah M udah Raw an Dekat 1 1 0.9408 0.0592
Ti nggi Rendah Ti nggi M udah Raw an Jauh 4 1 0.9905 0.0095
Ti nggi Rendah Ti nggi Sul i t Raw an Jauh 2 1 0.8668 0.1332
Ti nggi Ti nggi Ti nggi M udah Raw an Jauh 1 1 0.9649 0.0351
Rendah Rendah Rendah Sul i t Raw an Dekat 1 2 0.0769 0.9231
Rendah Rendah Rendah Sul i t
Tdk
Raw an Dekat 3 2 0.0127 0.9873
Rendah Rendah Ti nggi M udah Raw an Dekat 2 2 0.3793 0.6207
Rendah Rendah Ti nggi M udah
Tdk
Raw an Dekat 1 2 0.0862 0.9138
Ti nggi Ti nggi Ti nggi M udah
Tdk
Raw an Dekat 9 2 0.3527 0.6473
Lanjutan Tabel 3.11
Rendah Rendah Ti nggi Sul i t Raw an Dekat 5 2 0.0368 0.9632
Rendah Ti nggi Rendah M udah Raw an Dekat 1 2 0.2603 0.7397
Rendah Ti nggi Rendah Sul i t Raw an Jauh 1 2 0.2388 0.7612
Rendah Ti nggi Rendah Sul i t Raw an Dekat 1 2 0.0215 0.9785
Rendah Ti nggi Ti nggi Sul i t Raw an Jauh 1 2 0.1259 0.8741
Rendah Ti nggi Ti nggi Sul i t Raw an Dekat 1 2 0.01 0.99
Rendah Ti nggi Ti nggi Sul i t
Tdk
Raw an Jauh 3 2 0.0217 0.9783
Rendah Ti nggi Ti nggi Sul i t
Tdk
Raw an Dekat 1 2 0.0016 0.9984
Ti nggi Rendah Ti nggi Sul i t Raw an Dekat 1 2 0.3136 0.6864
37



5. DAFTAR PUSTAKA

Hair, J. F, Rolph E. A, Ronald L. T, and William C.B, Multivariate Data Analysis,
Fifth Edition, Prentice Hall International, Inc, Upper Saddle River, New
Jersey.

Harison, Jimmie. 2004. Analisis latent Class Klaster Untuk Variabel Kontinu.
Skripsi Statistika FMIPA UNPAD.

Johnson, R.A, and D.W. Wichern, 1992, Applied Multivariate Statistical Analysis,
Prentice Hall, Inc., Englewood Cliffis, New Jersey.
Kaufman,L., and Rousseeuw.P.J.,1990. Finding groups in data : An Introduction
to cluster analysis.,New York; John Wiley and Sons, Incl.
Punj, Girish, and David W.S., 1983, “Cluster Analysis in Marketing Research :
Review and Suggestions for Application”, Journal of Marketing Research,
20 (May), 134-148
Rencher, Alvin, 2002, Method of Multivariate Analysis, John Willey & Sons. Inc.,
Publication, Canada
Sharma, Subhash, 1996, Applied Multivariate Techniques, Univ. Of South
California, John Wiley & Sons, Inc., New York
Vermunt , Jeroen K, and Jay Magidson (2000) , “Latent class cluster analysis”,
Chapter B1 in Hagenaars and Mc Cutcheon, eds, Advances in Latent Class
Models, Cambridge University Press, Related to Latent Gold Software .
_____________________________________, (2002), Latent Class Models for
clustering : A comparison with K-Means, Canadian Journal of Marketing
Research, 20, 37 - 44
_____________________________________, (2005 Technical Guide for latent
GOLD 4.0:),Basic and advance , Statistical Innovation Inc


38

BOOTSTRAPPING FOR
A STRUCTURAL EQUATION MODEL WITH A
NEARLY NON-POSITIVE DEFINITE FITTED
COVARAINCE MATRIX


YUSEP SUPARMAN

Yusep Suparman: Statistics Department, Padjadjaran University, Bandung, Indonesia.
yusep.suparman@unpad.ac.id


ABSTRACT

Structural equation modeling (SEM) has been widely adopted for measuring
causal relationship. Instead of fitting individual observations as in regression
analysis, SEM works in a different way by fitting a sample covariance matrix to
a model implied covariance matrix and producing a fitted covariance matrix.
One problem emerges when a fitted covariance matrix is nearly non-positive
definite. The estimated maximum likelihood standard errors in the model
become implausibly large which in turn jeopardize inferences. In this paper, we
show that bootstrapping can overcome this problem. We compare standard
errors from two equivalent SEM models, i.e. a discrete and a continuous time
hedonic price autoregression panel model. We find out that the bootstrap
standard errors obtained from the continuous time model, which suffers from
nearly non-positive definite fitted covariance matrix problem, are comparable to
the maximum likelihood standard errors obtained from the discrete time model
which is free from the problem.

Key words: autoregressive panel model, bootstrap, exact discrete time model,
fitted covariance matrix, hedonic price model, structural
equation modeling.


1. INTRODUCTION
Structural equation modeling (SEM) has been widely adopted in
behavior and life sciences for examining causal relationships. One of the reasons
is that SEM accommodates a wide range of statistical models, from simple linear
regression model to continuous time model with latent variables. In addition,
SEM ability in including measurement errors into the analysis overcomes
methodological obstacle which cannot be handle in a standard statistical
analysis. Furthermore, SEM allows latent constructs to be explicitly included in
the model which enhance the interpretations of analysis results.
Different from regression analysis which works based on individual
data, SEM works based on a covariance matrix. SEM fits a sample covariance
matrix to a model implied covariance matrix which is a function of parameters
in the model and produces a fitted covariance matrix (Jöreskog, 1996). Among
39

estimation methods, the maximum likelihood has been the most often used.
Nevertheless, one problem arise when a fitted covariance matrix is non-positive
definite or nearly non-positive definite. In the former condition, we could not
estimate the standard error. In the later one, we obtain implausibly large
standard error. The two conditions jeopardize the parameter estimates inference.
This problem emerges due to the maximum likelihood standard error estimates
are a function of the inverse of fitted covariance matrix (Jöreskog, 1973),
In this paper, we intend to show that under a nearly non-positive
definite fitted covariance matrix, the bootstrap procedure produces standard
errors which can be used in the parameter estimates inference.
To achieve this goal, we compare the maximum likelihood standard
errors obtained from a discrete time hedonic price model (Suparman et. al.,
2008) to the bootstrap standard error from an equivalent continuous time
hedonic price model whose fitted covariance matrix is nearly non-positive
definite. The specifications of the discrete time model are following Suparman
et al. (2008). The continuous time model specifications are adopted from the
exact discrete time – structural equation model (EDM-SEM) proposed by Oud &
Jansen (2000).
The continuous time specifications applied to the discrete time hedonic
model results in a nearly non-positive definite fitted covariance matrix. This
condition indicated by a very small value of the matrix determinant, i.e.
5
10 51 . 2
÷
× . Consequently, we obtain very large maximum likelihood standard
error estimates. While the values of the parameter estimate are slightly different
from the discrete time parameter estimates, the standard error estimates are
much larger than the discrete time ones.
Accordingly, we estimated the continuous time standard errors
following a bootstrap procedure (Efron and Tibshirani, 1993). We generated two
thousand bootstrap samples of 1315 size. From the bootstrap procedure we
obtain much lower standard error estimates than the ones obtained from the
maximum likelihood procedure. In comparison to the discrete time standard
error estimates, although the values are generally larger, the differences are
minor.
Next, we organize the paper as the following. We discuss the SEM
model and the bootstrap procedure in section 2 and 3 respectively. Section 4
describes a case study. Section 5 concludes.


2. STRUCTURAL EQUATION MODEL
The structural equation modeling (SEM) is a procedure for showing
whether the causal assumptions embedded in a model match a sample of data. A
SEM allows to dealing with latent and observed continuous variables
simultaneously. For that purpose a SEM made up of a structural equation model,
(1), and two measurement models, (2) and (3).
ζ Γξ βη α η + + + = , (1)
ε η Λ τ y + + =
y y
, (2)
δ ξ Λ τ x + + =
x x
, (3)
40

where η, ξ , y , and x are vectors of latent endogenous, latent exogenous,
variables observed endogenous, and observed exogenous respectively. ζ , ε , and
δ are vectors of error terms. α ,
y
τ , and
x
τ are vectors of constant intercept
terms. Parameters in a SEM are defined in two structural parameter matrices
( ) Γ Β, , two measurement parameter matrices ( )
x y
Λ Λ , , four covariance matrices
( ) ( ) ( ) ( ) ( )
o c
Θ δ Θ ε Ψ ζ Φ ξ = = = = cov , cov , cov , cov , three vectors of constant
intercept terms ( )
x y
τ τ α , , , and one mean vector of latent exogenous variables ( ) κ .
Further standard SEM specifications may be referred to Jöreskog & Sörbom
(1996).
The most widely used estimation method for SEM parameters is the
maximum likelihood procedure. Under the maximum likelihood procedure, we
minimize the fit function
( ) ( ) ( ) ( ) q p F + ÷ ÷ ÷
'
÷ + + =
÷ ÷
S µ z Σ µ z SΣ Σ log tr log
1 1
,
where
( )
|
|
.
|

\
|
+ ' ' ' '
+ ' ' + '
=
δ x x y x
x y ε y y
Θ Λ Φ Λ Λ A Γ Φ Λ
AΓΓΦ Λ Θ Λ A Ψ Γ ΓΦ A Λ
Σ with ( )
1 ÷
÷ = B I A ,
( )
'
=
x y
µ µ µ , with ( ) Γκ α A Λ τ µ + + =
y y y
and κ Λ τ µ
x x x
+ = ,
S is a sample covariance matrix,
z is a sample mean vector,
p is the number of observed endogenous variables, and
q is the number of observed exogenous variables.
Generally, we assume that Σ and Sare positive-definite which means that they
are nonsingular. In addition, we assume that y and x have a multivariate normal
distribution.
The maximum likelihood procedure provides an asymptotic variance-
covariance matrix of the estimates as the inverse of the information matrix, i.e. the
expected second derivative of the maximum likelihood fit function multiplied by
the number of observations minus one. Jöreskog (1976) shows that the second
derivative of the log likelihood function is a matrix linearly depending on the
inverse of the fitted covariance matrix. Since an inverse matrix is a function of the
matrix determinant, the second derivative is also a function of the determinant.
This condition also applies to the standard errors, which are in the main diagonal
of the variance-covariance matrix of the estimates.
Accordingly, a relatively large value of fitted covariance matrix
determinant results in a relatively small standard error estimates. And a relatively
small one results in relatively large standard error estimates. A special case of this
condition can be found in the regression analysis in which the latter condition is
called a multicollinearity problem due to the highly correlated independent
variables. In SEM, generally the problem may also be caused by model
specifications as we show it in section four.
To overcome the problem of implausibly large standard error due to a
small value fitted covariance matrix or we may call it nearly non-positive-definite
fitted covariance matrix, we adopt a bootstrap procedure for obtaining standard
error estimates.
41



3. BOOTSTRAP PROCEDURE
In overcoming the multicollinearity problem, researchers often search for
highly multicollinear independent variables and drop or replace one of the
variables. Alternatively, ones may get additional data if the sample size is
considered to be small. Basically, they form a new data set to be applied to the
model or re-specify the model. We may take this idea and apply it for the case of
nearly non-positive definite fitted covariance matrix in SEM. We can collect
additional data. But if the sample size is already large, the effect will be minor.
We can re-specify the model but we may results in a theoretically in consistent
model. Hence, we should find another way which will not end in these problems.
Effron and Tibshirani (1993) present an alternative procedure for
estimating a standard error and testing a hypothesis based on empirical
distribution by employing the frequentists’ idea of repeated sampling, called
bootstrap procedure. By means of the bootstrap, the SEM standard error estimates
will not be a function of the determinant of fitted covariance matrix. Instead, they
will be calculated as the standard deviation of their respective parameter estimates
from each bootstrap sample. The followings are the steps in obtaining standard
error estimates.
1. Form B independent samples,
B * 2 * 1 *
, , , Z Z Z  , with size of n by a random
sampling with replacement from the n observation units.
2. Evaluate the bootstrap replication corresponding to each bootstrap sample,
( ) ( ) B b s b θ
b
, , 2 , 1
ˆ
* *
 = = Z .
3. Estimate the standard errors by the sample standard deviation of the B
replications
( ) ( ) | | ( )
2 1
1
2
* *
1
ˆ ˆ
)
`
¹
¹
´
¦
÷ · ÷ =
¿
=
B b se
B
b
B
u u ,
where ( ) ( ) B b
B
b
¿
=
= ·
1
* *
ˆ ˆ
u u .
We use the procedure for estimating the standard error of the parameter estimates
in the SEM with nearly non-positive definite fitted covariance matrix in section 4.


4. CASE STUDY
To illustrate the use of the bootstrap for estimating standard errors of
SEM estimates under nearly non-positive definite fitted covariance matrix, we
compare two equivalent SEM models. The first model is the discrete time hedonic
price autoregressive panel model proposed by Suparman et al. (2008). The model
is intended for estimating the marginal price of house characteristics, particularly
piped water service. The autoregressive form is formulated for handling omitted
variable bias in a hedonic price model. The second model is the continuous time
version of the first model. To form the second model we integrate the exact
discrete time (EDM)-SEM (Oud & Jansen, 2000) specification into the first
model.
42

There is only one directly observed variable in the model, i.e. monthly
house rent. This implies an identity relationship between the latent and the
observed rent variable:
9 7
y = q . The dependent variables included in the model are
the latent variable household characteristics (
1
q ) measured by two observables,
viz. household size (
1
y ) and household monthly expenditure (
2
y ); the latent
variable house size (
2
q ) measured by the observables floor area (
3
y ) and number
of rooms(
4
y ). The other latent explanatory variables are identical to their
indicators. Specifically, house condition index (
5 3
y = q ), in house tap water (
6 4
y = q ), presence of well water (
7 5
y = q ), and finally, the neighborhood
characteristics median household monthly expenditure: (
8 6
y = q ).
The data used is a three-wave Indonesian Family Life Survey (IFLS)
panel dataset which is split into a rural and an urban dataset. The first, second and
third wave were done in 1993, 1997, and 2000 respectively. Here, we use only the
rural dataset which consists of 1315 unit observations.
Now we turn to the discrete time model specifications. For our study, we
focus only on the structural model. The specifications of the measurement models
can be referred to Suparman (2008). The structural model of the hedonic price
autoregressive panel model proposed by Suparman (2008) is formulated as
1 1 1 1
7
7
1
6
1
0 7
÷ ÷ ÷ ÷
+ + + =
¿ ¿
= =
i i i i i i i
t
j
jt jt
j
jt jt t t
, q µ q | | q for 2 , 1 = i . (4)
with 6 , , 2 , 1 ;
1 1 7
 = ÷ =
÷ ÷
j
jt t jt
| ¸ ¸ , (the constraint of omitted variable bias
correction). Moreover, they assume an economic constraint of equal preference
which is translated into the constraint of
2 1
0611 . 1
jt jt
| | = .
The specifications of the continuous time model are based on the EDM-
SEM specifications. An EDM is a continuous time model based on discrete time
observations. One of the reasons for adopting continuous time modeling is that it
is considered to be more realistic than a discrete time model and can solve many
problems in discrete time modeling (Bergstrom, 1988; Gandolfo, 1993; Oud,
2002). Oud and Jansen (2000) integrated the EDM into the SEM results in a
continuous time modeling which allows for the inclusion of latent concept
variables. We apply their EDM-SEM specification into (4), particularly the
dynamic part of the equation.
The EDM-SEM specifications applied to (4) are formulated as the
following constrains:
1
1
7
÷
÷
A
=
t
i
t
t
e
o
µ ,
( )t µ o | 1
1
7
1
0
÷ =
÷
÷
i i
t t
,
( ) ( )¸ µ o , 1
2
7
2
7
1 1
÷ =
÷ ÷
÷
i i
t t
Var ,
with o , t , and ¸ are continuous time parameters. They are the EDM drift, mean
trajectory and error variance parameter respectively.
Furthermore, to account for the 1997 economic crisis that hit Indonesia
just after the second wave data collection was finished, Suparman et al. (2008)
specified the intercepts in (4) to be different for
1
t and
2
t , without any further
43

constraints. Here we assume that the crisis occurred right after
1
t , say
*
1
t . Hence
for 2 = i , we replace
1
t in (4) by
*
1
t . We furthermore assume that the crisis, on
average, reduced the household income by the proportion
m
e of the
1
t level.
Given the constant preference assumption, the income decrease due to the crisis
implies that the
1
jt
| ’s are reduced by the same proportion. Hence, at
*
1
t and at
1
t ,
the coefficients are related as follows:
1
*
1
jt m
jt
| e | = for 6 , , 2 , 1  = j . (5)
The other crisis effects, which cannot be explained by the variables in the model,
are aggregated in a parameter
a
e . We may interpret
a
e as the crisis shock to the
mean of monthly rent. Thus, at
*
1
t , the intercept is
a t
t
e | | + =
1
*
1
0
0
. (6)
We also apply the multiplicative effect to the error terms which gives:
1
*
1
7
7
t m
t
, e , = with ( ) ( )
1
*
1
7
2
7
var var
t m
t
, e , = . (7)
Accommodating the 1997 economic crisis effect by substituting (5)-(7) into (4)
we obtain for 2 = i ,
*
1
1
*
1
2 2
*
1
2 7
7
1
6
1
0
7
t
j
jt
jt
j
jt jt
t
t
, q µ q | | q + + + =
¿ ¿
= =
(8)
We present the maximum likelihood marginal price estimates for the
discrete time and continuous time model produced by Mx program (Neal, et al.
2003) in table 1. The entries of the first raw for each parameter are the estimates.
Generally, the different between the continuous time estimates and their
respective discrete time are minor except for the well water. However, if we
compare the maximum likelihood standard errors, in the second raw of each
parameter, we will find that they are highly different. The continuous time
standard errors are almost ten times higher than the discrete time ones. The
estimates are highly inconsistent. After calculating the determinant of continuous
time fitted covariance matrix, obtain a value of
5
10 51 . 2
÷
× which is very small,
we conclude that the inconsistency occurs due to the nearly non-positive definite
fitted covariance matrix.
To overcome this problem, we conducted bootstrap procedure for
estimating standard errors. We generated two thousand bootstrap samples ( B ) of
1315 size ( n ). For each bootstrap sample we estimate the parameters in the
continuous time model by means of the maximum likelihood procedure. Next, for
each of the parameter we calculate the standard deviation of its estimates. We
present the estimates in the third raw of each variable. Most of the bootstrap
standard error estimates are higher than their respective maximum likelihood
standard error estimates, except for household characteristics. Nevertheless, the
different are minor. The bootstrap standard error estimates in the continuous time
model are consistent to their respective maximum likelihood standard error
estimates in the discrete time model.

Table 1. Marginal Price Estimates
Variable / Parameter Standard Discrete
Time Approach
EDM-SEM
44

Wave 1 Wave 2 Wave 1 Wave 2
Household
characteristics (
1
q )
0.0542 0.0511 0.0561 0.0529
(0.0136) (0.0128) (1.2980) (1.2221)
[0.0106] [0.0100]
house size (
2
q )
0.0444 0.0419 0.0675 0.0636
(0.0154) (0.0145 (1.3398) (1.2615)
[0.0236] [0.0222]
House conditions
index (
3
q )
0.1408 0.1327 0.1104 0.1041
(0.0264) (0.0247) (0.9579) (0.9019)
[0.0354] [0.0334]
Presence of in house
tap water (
4
q )
0.1540 0.1451 0.1178 0.1110
(0.0898) (0.0846) (0.6249) (0.5884)
[0.1069] [0.1008]
Presence of well
water (
5
q )
0.0102 0.0096 0.0047 0.0044
(0.0614) (0.0578) (0.6131) (0.5773)
[0.0713] [0.0671]
Neighborhood
characteristics (
6
q )
0.0898 0.0847 0.1401 0.1320
(0.0264) (0.0264) (0.9115) (0.8582)
[0.0415] [0.0391]


5. CONCLUDING REMARKS
In this paper we use bootstrap procedure for estimating standard
errors of SEM parameter estimates with a nearly non-positive definite fitted
covariance matrix indicated by a very small determinant. Under this
condition, the maximum likelihood standard error estimates become
implausibly large. The bootstrap procedure can overcome this problem. Its
estimates are consistent to the maximum likelihood standard error estimates
from an equivalent model. This comparison lends support to the use of
bootstrap procedure for estimating standard error of SEM with a nearly non-
positive definite fitted covariance matrix.


6. REFERENCES
Bergstrom, A. R. (1988). The history of continuous-time econometric models.
Econometric theory, 4, 365-383
Efron, B. & Tibshirani, R.J. (1993). An introduction to the bootstrap (pp. 224-
227). London: Chapman and Hall.
Gondolfo, G. (1993). Continuous-time econometrics has come of age. In G.
Gondolfo (ed.), Continuous time econometrics (pp. 1-11). London:
Chapman Hall
Jöreskog, K. (1973). A General Method for Estimating a Linear Structural
Equation System. In A.S. Goldberger & O.D. Duncan (eds.), Structural
Equation Model in the Social Sciences (pp. 85-112). London: Seminar
Press.
Jöreskog, K. and Sörbom, D. (1996). LISREL 8: User’s Reference Guide.
45

Chicago: Scientific Software International.
Neale, M.C., Boker, S.M., Xie, G., & Maes, H.H. (2003) Mx: Statistical
Modeling (6
th
ed.). Richmond: Department of Psychiatry.
Oud, J.H.L & Jansen, R.A.R.G. (2000). Continuous Time State Space Modeling
of Panel Data by Means of SEM. Psychometrika, 65, 199-215.
Oud, J.H.L. (2002). Continuous Time Modeling of the Cross-Lagged Panel
Design. Kwantitatieve Methoden, 69, 1-26
Suparman, Y., Folmer, H., Oud, J.H.L., & Resosudarmo, B.P. (2008). Eliciting
the Willingness to Pay for Piped Water from Self-Reported Rent Appraisals
in Indonesia: A SEM Autoregressive Panel Approach. A paper presented at
16
th
Annual Conference of the European Association of Environmental and
Resource Economist. Gothenburg University, Sweden

46

Analisis Korespondensi Multipel (Multiple Correpondence
Analysis (MCA)) untuk Skala Pengukuran Data yang Berbeda
(Kualitatif dan Kuantitatif)


Rahmat Hendrawan

Staff Seksi Data dan Informasi PPPPTK Pertanian Cianjur
rahmathendrawan@ymail.com



ABSTRACT
Multiple Correpondence Analysis (MCA) is a method designed to reduce the
dimension, it presents each category of variables together in a small dimensional
vector space optimally. MCA is an extension Correspondence Analysis (CA)
which is used to analyze the pattern of relationship of some categorical variables.
Technique of multiple correspondence analysis obtained by using the standard of
Correspondence Analysis the first, MCA change raw data into indicator martix,
namely the matrix with elements 0 and 1 (Herve and Domonique, 2007). Burt
Matrix is a symmetric matrix formed from multiplication of indicator matrix
(Yangchun and Kern II, 2003). However determination of coordinates in
correspondence analysis using Generalized Singular Value decomposition
(GSVD) of the residual matrix. The thesis will apply Multiple Correspondence
Analysis on the data of Vocational School (SMK) on Agriculture, Marine and
Chemical Industries Programe in which the results of the analysis will perform
plots and similarities from several categories of variables that are owned by SMK
as respondents.
Key words: Correpondence Analysis (CA), Multiple Correpondence Analysis
(MCA), Generalized Singular Value Decomposition (GSVD), Burt
Matrix


1. PENDAHULUAN
Pusat Pengembangan dan Pemberdayaan Pendidik dan Tenaga
Kependidikan (PPPPTK) Pertanian Cianjur sebagai lembaga pengembangan dan
pemberdayaan pendidik dan tenaga kependidikan (PTK) dalam melaksanakan tugas
pokok dan fungsinya PPPPTK Pertanian harus memberikan pelayanan yang “up to
date” dan mampu memberikan solusi terhadap permasalahan yang dihadapi pendidik
dan tenaga kependidikan dalam melaksanakan upaya peningkatan mutu dan
pemerataan pendidikan, khususnya Sekolah Menengah Kejuruan (SMK) Pertanian,
Kelautan dan Kimia Industri.
Sehubungan dengan hal di atas, PPPPTK Pertanian akan merumuskan dan
menentukkan suatu kebijakan, dimana salah satu kebijakan yang diambil adalah
berdasarkan data (kondisi real potensi atau sumber daya SMK) dengan pendekatan
suatu metode statistik, agar kebijakan yang diambil menjadi objektif. Variabel yang
satu dilihat korelasinya dengan variabel yang lain. misalnya: variabel kemudahan
47

akses SMK dihubungkan banyaknya program studi; jumlah pendidik dihubungkan
dengan banyaknya pendidik yang mengikuti pengembangan atau pelatihan profesi.
Dengan melihat hubungan dari kategori SMK maka akan diambil suatu kebijakan,
misalnya apakah perlu adanya perhatian khusus pada kategori tertentu dari SMK
agar lebih banyak pendidiknya yang mengikuti pengembangan atau pelatihan
profesi.
Proses analisis data dengan menghubungkan dua variabel belum dapat
memuaskan karena besar kemungkinan akan kehilangan informasi penting yang
terkandung didalam korelasi antar variabel sehingga akan memperoleh kesimpulan
yang kurang tepat, untuk itu data mengenai keterkaitan atau korelasi antar variabel
tentang kondisi SMK ini ingin dilihat secara bersamaan yang melibatkan semua
variabel dalam satu analisis dan upaya ini merupakan perluasan dari analisis korelasi
dua variabel yang sudah dilaksanakan sebelumnya.
Salah satu metode statistik yang dapat dipergunakan untuk mendapatkan
informasi yang dibutuhkan di atas adalah pemetaan persepsi (perceptual mapping).
Metode pemetaan persepsi dapat menghasilkan plot yang menampilkan posisi
kondisi real potensi / sumber daya SMK tertentu. Metode ini juga biasanya
dibutuhkan untuk mereduksi dan memberikan penjelasan tentang hubungan antara
dua variabel di dalam data yang berbentuk matriks berdimensi besar. Pemetaan
presepsi biasanya dilakukan melalui beberapa analisis statistik, dan analisis tersebut
kebanyakan memiliki asumsi diantaranya ialah jenis data harus dengan skala
pengukuran kuantitatif, hubungan antar variabel harus linier, menggunakan asumsi
tentang distribusi dan model harus dihipotesiskan.
Pada prakteknya asumsi-asumsi tersebut sulit terpenuhi, untuk mencapai
asumsi tersebut dibutuhkan biaya yang lebih besar dan menyita lebih banyak waktu.
Pada kenyataannya data yang sering ditemukan adalah data yang berbentuk tabel
kontingensi yang variabel-variabelnya kualitatif, dengan hubungan antar variabel
non-linier, tidak ada asumsi tentang distribusi dan model tidak dihipotesiskan.
Skala pengukuran data kondisi SMK berupa data mix (campuran), yaitu
data kategori dan metrik. (data kualitatif dan kuantitatif). Data kategori misalnya
SMK dibedakan antara yang mudah diakses dan sulit diakses, SMK lama dan baru,
SMK unggulan dan non unggulan, dan seterusnya. Sedangkan data kuantitatif
menyatakan jumlah potensi atau sumber daya yang ada di SMK misalnya jumlah
pendidik, jumlah program studi, jumlah pendidik yang mengikuti pengembangan
dan pelatihan profesi, dan seterusnya.
Struktur data kondisi SMK Pertanian, Kelautan dan Kimia Industri di atas
memerlukan analisis korespondensi yang melibatkan lebih dari dua variabel yang
merupakan perluasan dari analisis korespondensi sederhana (Correspondence
Analysis (CA)) yang dirancang untuk menganalisis pola keterkaitan dua atau lebih
variabel.
Identifikasi masalah yang akan diteliti yaitu mengenai analisis
korespondensi untuk data dengan variabel yang lebih dari dua dan skala pengukuran
data yang berbeda yaitu kualitatif dan kuantitatif. Tujuan dari penelitian ini adalah
untuk mengetahui analisis korespondensi untuk data dengan variabel yang lebih dari
dua yaitu analisis korespondensi multipel (Multiple Correspondence Analysis
(MCA)) dan penyelesaiannya untuk skala pengukuran data yang berbeda (kualitatif
dan kuantitatif).
48

Manfaat yang dihasilkan, melalui analisis korespondensi multipel untuk
skala pengukuran data yang berbeda (kualitatif dan kuantitatif) diharapkan akan
memberikan informasi yang tepat tentang keterkaitan beberapa kategori dari variabel
secara keseluruhan secara bersamaan dengan objektif dan tidak dilihat secara
parsial, dan pada akhirnya diharapkan akan memenuhi kebutuhan informasi yang
digunakan untuk berbagai keperluan dan pengambilan kebijakan


2. Analisis Korespondensi Multipel (Multiple Correspondence Analysis (MCA))
Analisis Korespondensi Multipel dan Analisis Korespondensi Bersama
merupakan perluasan tabulasi silang tunggal dari Analisis Koresponedensi
Sederhana untuk dua atau lebih variabel kategori (Nenadic dan Greenacre, 2007).
Analisis Korespondensi Multipel merupakan perluasan dari Analisis
Koresponedensi Sederhana untuk lebih dari dua variabel (Yangchun dan Kern II,
2003). Analisis Korespondensi Multipel (MCA) merupakan perluasan dari Analisis
Korespondensi Sederhana (CA) yang digunakan untuk menganalisis pola hubungan
beberapa variabel kategori yang dependen (Herve dan Domonique, 2007).
Analisis korespondensi multipel adalaha metode yang memvisualisasikan
gabungan dari dua atau lebih variabel kategori dengan tidak mengurangi analisis
korespondensi dua variabel. Teknik analisis korespondensi multipel diperoleh
dengan menggunakan standar analisis korespondensi dengan mengubah data mentah
ke dalam matiks indikator, yakni matriks dengan elemen 0 dan 1 (Herve dan
Domonique, 2007).
Matriks data dalam analisis korespondensi multipel diperoleh dengan
membentuk dan menyajikan data mentah (raw data) ke dalam matriks indikator
(Greenacre, 2005)
Z
I× ]
= [ Z
1I× ]1
Z
2I× ]2
… Z
çI× ]ç
]

Analisis korespondensi multipel pada awalnya menggunakan tabel data
mentah atau raw data yaitu tabel yang barisnya adalah responden atau case dan
kolomnya adalah variabel. Kategori-kategori dari variabel dituliskan langsung pada
sel-sel tabel.
Tabel indikator merupakan pengembangan dari tabel data mentah yang
merubah data kategorik menjadi data numerik. Tabel indikator dapat dibentuk dalam
suatu matriks yang disebut matriks indikator (Greenacre, 2005; Rencher, 2002).
Matriks indikator merupakan matriks yang menunjukkan presensi dari
kategori tiap-tiap responden atau case. Elemen dari matriks indikator merupakan
elemen biner yakni bernilai 0 dan 1, dengan 0 untuk menyatakan absent dan 1
menyatakan present. Matriks indikator biasanya dinotasikan dengan Z berorde I × [
dengan I adalah total responden (case) dan J adalah total kategori.
Matriks indikator dengan Q variabel dinyatakan dalam bentuk partisi
matriks sebagai berikut :
Z = [ Z
1
Z
2
… Z
Q
]
masing-masing partisi matriks Z
q
, untuk q = 1, 2, …, µ mempunyai orde I × [
q

dengan [
q
: jumlah kategori pada masing-masing variabel.


49

Secara umum massa kolom dari matriks indikator didefinisikan sebagai:
c
Z
=
1
QI
Z
T
1
I× 1

Matriks Burt merupakan matriks simetrik yang terbentuk dari perkalian
matriks indikator Z
t
Z. (Yangchun dan Kern II, 2003)
Bentuk umum dari matriks Burt adalah :
B = Z
T
Z =





Z
1
T
Z
1
Z
1
T
Z
2
… Z
1
T
Z
Q
Z
2
T
Z
1
Z
2
T
Z
2
… Z
2
T
Z
Q
⋮ ⋮ ⋱ ⋮
Z
Q
T
Z
1
Z
Q
T
Z
2
… Z
Q
T
Z
Q⎦





Karena matriks Burt simetrik maka hanya perlu dihitung massa kolom ( c
B
)
dan massa kolom pada matriks indikator ( c
Z
) bernilai sama. didefinisikan dengan :
c
B
=
1
µ
2
I
B1
]× 1

µ
2
I adalah grand total dari matriks Burt
Koordinat dan Pemetaan Profil Kolom. GSVD (Generalized Singular Value
Decomposition) dari Matriks residual Burt merupakan matriks simetrik sehingga
akan memenuhi eigen values decomposition. Untuk menentukan GSVD dari
T − ww
T
adalah dengan menentukan matriks standardized residual O
O = D
w
-
1
2
,
( T −ww
T
) D
w
-
1
2
,

Singular Value Decomposition biasa dari O = FD
y
F
T
denga F
T
F = I
misalkan M= D
w
1
2
,
F dan D
2
= D
y
diidapat GSVD T −ww
T
= MD
2
M
T
dengan
M
T
D
w
-1
M = I
Nilai eigen atau inersia utama pada analisis korespondensi multipel
dibedakan menjadi dua, yaitu inersia utama matriks indikator ( z
Z
) dan matriks Burt
( z
B
) . Nilai z
Z
merupakan nilai eigen hasil dari SVD Ð
x
dengan z
1
Z
≥ z
2
Z
≥ ⋯ ≥
z
K
Z
> 0 dengan K adalah banyaknya variabel kategori. Nilai z
B
adalah kuadrat dari
z
Z
atau z
B
= ( z
Z
)
2
. Nilai singular adalah akar dari inersia utama matriks indikator,
yaitu D
6
= D
2
1
2
,
. Nilai singular digunakan untuk menentukan koordinat profil
kolom.
Koordinat utama profil kolom untuk K dimensi didefinisikan sebagai:
H
]× K
= D
w
-1
]× ]
M
]× K
D
2
1
2
,
K× K

Kontribusi Inersia. Perhitungan inersia analisis korespondensi multipel,
jarak _
2
tidak digunakan karena jarak _
2
hanya tepat digunakan untuk perhitungan
inersia tabel kontingensi dua arah yakni pada analisis korespondensi sederhana.
Total inersia pada analisis korespondensi multipel hanya bisa diperoleh dari
matriks indikator yang dinotasikan sebagai :
¢
2
( Z) = _
[
µ
−1]
Inersia profil kolom disebut dengan kontribusi titik-titik koordinat terhadap
inersia utama matriks indikator ( z
Z
) atau axis utama. Inersia profil kolom
50

menentukan seberapa besar kontribusi suatu titik koordinat dari kategori variabel
dalam mempresentasikan kategori tersebut pada suatu axis utama. Inersia relatif
digunakan untuk menentukan seberapa besar kontribusi suatu titik koordinat pada
ruang K dimensi. Kemudian dari inersia relatif ini dapat ditentukan kuadrat jarak
antara titik koordinat dengan titik origin. Kontribusi relatif adalah kontribusi axis
pada titik koordinat, dinotasikan dengan cos
2
0. Jika nilai cos
2
0 besar maka axis
dapat menjelaskan kategori dari variabel (titik koordinat) dengan baik. Kontribusi
relatif profil kolom dinotasikan sebagai :
cos
2
0( W)
]× K
= (D
d
2)
-1
]× ]
( H
2
)
]× K



3. Analisis Korespondensi Multipel (Multiple Correspondence Analysis (MCA))
untuk Skala Pengukuran Data yang Berbeda (Kualitatif dan Kuantitatif)
Variabel penelitian dalam analisis korespondensi dijelaskan oleh beberapa
referensi memungkinkan untuk menggunakan variabel selain variabel kategori
(kualitatif), referensi yang dimaksudkan kutipannya adalah variabel dalam analisis
korespondensi memungkinkan juga merupakan variabel kuantitatif diskrit seperti
Jumlah anggota dalam keluarga atau jumlah kecelakaan yang dibayar oleh
perusahaan asuransi dalam satu tahun, dan lain – lain. Jadi nilai yang mungkin dari
variabel di atas didefinisikan sebagai kategori baris atau kolom (Hardle dan Simar,
2007).
Analisis Korespondensi Multipel (MCA) juga mengakomodasi variabel
kuantitatif dengan memberikan kode yang dinyatakan sebagai “bins” sebagai contoh
skor pada interval -5 sampai +5, diberikan kode menjadi variabel kualitatif
(nominal) dengan tiga level: kurang dari 0, sama dengan 0 dan lebih dari 0. (Herve
dan Domonique, 2007). Variabel kualitatif seperti jenis kelamin dan warna rambut
dihubungkan dengan variabel kuantitatif seperti usia dan penghasilan per bulan
(Rencher, 2002). Jadi variabel kuantitaif tersebut akan diakomodasi dengan
memberikan kode menjadi beberapa level (kelompok) variabel kualitatif. Penentuan
level (kelompok) ini berdasarkan beberapa referensi yang mengacu pada ketentuan
yang berlaku atau pembagian secara proporsional dari banyaknya data.
Dasar pemikiran pembuatan matriks indikator ini adalah untuk
mendapatkan tabel kontingensi dalam Analisis korespondensi multipel didefinisikan
sebagai Matriks Burt yang merupakan hasil dari crosstabs atau perkalian silang
transpose matriks indikator dengan matriks indikator.
Algoritma Analisis Korespondensi Multipel (Multiple Correspondence
Analysis (MCA)) untuk Skala Pengukuran Data yang Berbeda (Kualitatif dan
Kuantitatif) adalah dengan mengidentifikasi data yaitu variabel kuantitatif dan
kualitatif. Variabel kuantitatif diakomodasi dengan memberikan kode variabel
kualitatif (nominal) dengan beberapa level (kelompok). Selanjutnya variabel
penelitian yang menyajikan data mentah membentuk matriks data (Matriks Indikator
dan Matriks Burt). Analisis dilanjutkan dengan menggunakan standar analisis
korespondensi yaitu Penentuan Profil Kolom, Koordinat dan Pemetaan Profil Kolom
dan terakhir adalah perhitungan Kontribusi Inersia yang meliputi: Total Inersia,
Inersia Profil Kolom, Inersia Relatif dan Kontribusi Relatif.

51

4. HASIL DAN PEMBAHASAN
4.1. Eksplorasi Data SMK Pertanian, Kelautan dan Kimia Industri
Data SMK Pertanian, Kelautan dan Kimia Industri dari 33 provinsi ini
meliputi data mengenai : Kemudahan akses yang dimiliki oleh SMK, Jumlah
Pendidik dan Jumlah Program Studi, dimana data tersebut didapatkan dari
Laporan Bulanan Sekolah yang secara berkala dikirim oleh sekolah ke PPPPTK
Pertanian Cianjur dan dari situs http://datapokok.ditpsmk.net/index.php Sedangkan
Jumlah TNA(Trainning Need Assesment) dan Jumlah Peserta Diklat diambil dari
database TNA Seksi Data dan Informasi PPPPTK Pertanian Cianjur.
Kemudahan akses SMK dibagi menjadi 2 kategori, yakni : SMK yang
mudah diakses ditandai dengan mempunyai telepon sekolah atau contact person
yang bisa dihubungi dan SMK yang sulit diakses ditandai dengan tidak mempunyai
telepon sekolah atau contact person yang bisa dihubungi. Ukuran variabel Penelitian
Kemudahan akses SMK adalah ada tidaknya nomor telepon atau contact person
yang bisa dihubungi, variabel kemudahan akses SMK sebagai berikut:



Gambar 1. pie chart Jumlah SMK
menurut Kemudahan Akses


Gambar 2. Grafik Jumlah SMK
menurut Jumlah Pendidik

dari diagram pie chart Gambar 1. terlihat bahwa sebagian besar yakni 71 % (637
SMK) adalah SMK yang mempunyai telepon sekolah atau contact person yang bisa
dihubungi, sedangkan SMK yang tidak mempunyai telepon sekolah atau contact
person sebesar 29 % (262 SMK).
Jumlah Pendidik adalah akumulasi dari jumlah pendidik yang mengajar
Mata Diklat Normatif, Adaptif, Produktif (Mata Diklat Program Studi Keahlian
Agribisnis Produksi Tanaman, Agribisnis Produksi Ternak, Agribisnis Produksi
Sumberdaya Perairan, Mekanisasi Pertanian, Agribisnis Hasil Pertanian, Penyuluhan
Pertanian, Kehutanan, Teknik Kimia dan Pelayaran). Jumlah SMK menurut Jumlah
Pendidik yang ada di sekolah (Gambar 2). Berdasarkan Gambar 2. didapatkan
Jumlah SMK menurut Jumlah Pendidik adalah 31 % (277 SMK) yang mempunyai
kurang dari 17 Pendidik, 30 % (272 SMK) yang mempunyai 18 – 28 Pendidik, 30 %
(272 SMK) yang mempunyai lebih dari 29 Pendidik, sedangkan 9 % (78 SMK) yang
tidak ada data pendidik.
Akses
mudah
637
SM K
71%
Akses
sulit
262
SM K
29%
277
272 272
78
0
50
100
150
200
250
300
Kur ang
dar i 17
Pendi di k
18 - 28
Pendi di k
Lebi h dar i
29
Pendi di k
Ti dak Ada
Dat a
Pendi di k
Juml ah SM K
52

Jumlah Peserta Diklat adalah banyaknya Pendidik di suatu SMK
berdasarkan Pemanggilan Peserta untuk mengikuti pendidikan dan pelatihan yang di
selenggarakan oleh PPPPTK Pertanian Cianjur. Ukuran variabel penelitian Jumlah
Peserta Diklat adalah banyaknya Pendidik di suatu SMK yang pernah mengikuti
diklat dan satuannya adalah orang. Jumlah SMK menurut Jumlah Peserta yang
pernah mengikuti diklat yang diselenggarakan oleh PPPPTK Pertanian Cianjur
(Gambar 3). Berdasarkan Gambar 3. didapatkan Jumlah SMK menurut Jumlah
Peserta Diklat adalah 22 % (194 SMK) yang mempunyai kurang dari 2 peserta
diklat, 23 % (205 SMK) yang mempunyai 3 – 5 peserta diklat, 24 % (220 SMK)
yang mempunyai lebih dari 6 peserta diklat, sedangkan 31 % (280 SMK) yang
belum ada peserta diklat.


Gambar 3. Grafik Jumlah SMK
menurut Jumlah Peserta Diklat

Gambar 4. Grafik Jumlah SMK
menurut Jumlah TNA

Jumlah TNA (Trainning Need Assesment) atau Penjaringan Kebutuhan
Diklat adalah Permintaan kebutuhan diklat yang dikirim oleh sekolah ke PPPPTK
Pertanian Cianjur, Ukuran variabel penelitian Jumlah TNA adalah banyaknya
permintaan kebutuhan diklat dan satuannya adalah berkas. Jumlah SMK menurut
Jumlah TNA (Training Needs Assesment/ Penjaringan Kebutuhan Diklat) Gambar4.
Berdasarkan Gambar 4. didapatkan Jumlah SMK menurut Jumlah TNA adalah 27
% (239 SMK) yang mempunyai kurang dari 7 TNA, 25 % (227 SMK) yang
mempunyai 8 - 20 TNA, 25 % (225 SMK) yang mempunyai lebih dari 21 TNA,
sedangkan 23 % (208 SMK) yang belum ada permintaan diklat masuk ke PPPPTK
Pertanian Cianjur.
Jumlah Program Studi adalah Jumlah Program Studi Keahlian (Agribisnis
Produksi Tanaman, Agribisnis Produksi Ternak, Agribisnis Produksi Sumberdaya
Perairan, Mekanisasi Pertanian, Agribisnis Hasil Pertanian, Penyuluhan Pertanian,
Kehutanan, Teknik Kimia dan Pelayaran) yang dihitung yang ada di sekolah.
Ukuran dan satuan variabel penelitian Jumlah Program Studi adalah Jumlah Program
Studi. Jumlah SMK menurut Jumlah Program Studi (Program Studi Pertanian,
Kelautan dan Kimia Industri yang dibuka di SMK) pada Gambar 5. Berdasarkan
Gambar 5. didapatkan Jumlah SMK menurut Jumlah Program Studi adalah 44 %
(396 SMK) yang mempunyai 1 Program Studi Pertanian, Kelautan dan Kimia
Industri, 30 % (264 SMK) yang mempunyai 2 Program Studi Pertanian, Kelautan
dan Kimia Industri, 22 % (200 SMK) yang mempunyai lebih 3 Program Studi
194
205
220
280
0
50
100
150
200
250
300
Kur ang
dar i 2
Peser t a
3 - 5
Peser t a
Lebi h
dar i 6
Peser t a
Bel um
Ada
Peser t a
Juml ah SM K
239
227
225
208
190
195
200
205
210
215
220
225
230
235
240
245
Kur ang
dar i 7 TNA
8 - 20 TNA Lebi h dar i
21 TNA
Bel um
Ada TNA
M asuk
Juml ah SM K
53

Pertanian, Kelautan dan Kimia Industri, sedangkan 4 % (39 SMK) yang belum ada
data membuka Program Studi Pertanian, Kelautan dan Kimia Industri.


Gambar 5. pie chart Jumlah SMK
menurut Jumlah Program Studi


Gambar 6. pie chart Jumlah SMK
menurut Status Sekolah

Sedangkan untuk Status Sekolah (Gambar 6) dibedakan menjadi 2 kategori
yakni Sekolah Negeri (sekolah yang dikelola oleh pemerintah) dan Sekolah Swasta
(sekolah yang dikelola oleh Yayasan Sosial atau pihak swasta). Berdasarkan Gambar
6. diatas terlihat bahwa sebagian besar yakni 74 % (668 SMK) adalah Sekolah
Negeri (sekolah yang dikelola oleh pemerintah), sedangkan 26 % (231 SMK) adalah
Sekolah Swasta (sekolah yang dikelola oleh Yayasan Sosial atau pihak swasta).

4.2. Analisis Korespondensi Multipel Data SMK Pertanian, Kelautan dan
Kimia Industri

Analisis Korespondensi Multipel Data SMK Pertanian, Kelautan dan Kimia
Industri untuk data penelitian variabel Jumlah SMK menurut kemudahan Akses
(akses mudah dan akses sulit), Jumlah SMK menurut Jumlah pendidik (kurang dari
17 Pendidik, 18 – 28 Pendidik, lebih dari 29 Pendidik, dan tidak ada data pendidik),
Jumlah SMK menurut Jumlah Peserta diklat (kurang dari 2 peserta diklat, 3 – 5
peserta diklat, lebih dari 6 peserta diklat, dan belum ada peserta diklat), Jumlah
SMK menurut Jumlah TNA (kurang dari 7 TNA, 8 - 20 TNA, lebih dari 21 TNA,
belum ada permintaan diklat yang masuk), Jumlah SMK menurut Jumlah Prodi (1
Program Studi Pertanian, Kelautan dan Kimia Industri; 2 Program Studi Pertanian,
Kelautan dan Kimia Industri; lebih 3 Program Studi Pertanian, Kelautan dan Kimia
Industri; belum ada data membuka Program Studi Pertanian, Kelautan dan Kimia
Industri), Jumlah SMK menurut status sekolah (Negeri dan Swasta).
Output Software Analisis Korespondensi Multipel sebagai berikut, Tabel 1.
Koodinat Profil Kolom dan Inersia Relatif, sedangkan Tabel 2. Konribusi Relatif:
Kolom Koordinat menunjukkan koordinat dari kategori, dari koordinat diatas untuk
plot 3 dimensi ternyata SMK dengan akses sulit mempunyai titik koordinat dimensi
1; dimensi 2; dimensi 3 berturut-turut adalah (0.614; -0.172; 0.011) sedangkan
untuk SMK yang mempunyai 18 – 28 TNA adalah (–0.352; 0.637; 0.646).



1 Prodi
396
SM K
44%
2 Prodi
264
SM K
30%
≥ 3
Prodi
200
SM K
22%
Tidak
Ada
Dat a
Prodi
39 …
Negeri
668
SM K
74%
Sw ast a
231
SM K
26%
54

Tabel 1. Koodinat Profil Kolom dan Inersia Relatif
Kategori
Koordinat
Massa Kualitas
Inersia
Relatif Dim- 1 Dim- 2 Dim-3
Akses mudah -0.253 0.071 -0.005 0.118 0.167 0.021
Akses sulit 0.614 -0.172 0.011 0.049 0.167 0.051
< 17 Pendidik 0.262 0.541 0.448 0.051 0.250 0.049
18 - 28 Pendidik -0.073 0.138 0.401 0.050 0.080 0.050
≥ 29 Pendidik -0.699 -0.378 -0.623 0.050 0.443 0.050
Tidak Ada Data
Pendidik
1.760 -1.083 -0.815 0.014 0.469 0.065
< 2 Peserta 0.055 1.190 -1.074 0.036 0.708 0.056
3 - 5 Peserta -0.412 0.597 0.832 0.038 0.360 0.055
≥ 6 Peserta -1.085 -0.843 -0.051 0.041 0.613 0.054
Belum Ada Peserta 1.116 -0.599 0.174 0.052 0.739 0.049
< 7 TNA 0.143 0.899 -0.960 0.044 0.634 0.052
8 - 20 TNA -0.352 0.637 0.646 0.042 0.320 0.053
≥ 21 TNA -1.017 -0.828 0.092 0.042 0.577 0.054
Belum Ada TNA
Masuk
1.320 -0.832 0.298 0.039 0.760 0.055
1 Prodi 0.372 0.435 0.287 0.073 0.323 0.040
2 Prodi -0.083 -0.218 0.345 0.049 0.072 0.050
≥ 3 Prodi -0.949 -0.439 -0.639 0.037 0.430 0.056
Tidak Ada Data Prodi 1.646 -0.688 -1.969 0.007 0.320 0.068
Negeri -0.312 -0.067 0.030 0.124 0.298 0.018
Swasta 0.903 0.193 -0.087 0.043 0.298 0.053

Kolom massa menunjukkan besarnya proporsi tiap-tiap kategori terhadap
semua kategori yang ada (massa kolom), untuk SMK yang berstatus negeri mempunyai
massa sebesar 0,124 terhadap semua kategori yang ada. Kolom kualitas
mempresentasikan titik terhadap subruang tiga dimensi, SMK yang belum mengirimkan
TNA mempunyai kualitas sebesar 0,760 yang artinya 76% mempresentasikan titik
kategori SMK yang belum mengirimkan TNA terhadap subruang tiga dimensi.
Kolom Inersia Relatif menujukkan nilai inersia relatif tiap-tiap kategori dalam
bentuk proporsi terhadap total tabel Matriks Burt. Untuk SMK yang tidak ada data
pendidik mempunyai inersia relative sebesar 0.065 yang artinya proporsi SMK yang
tidak ada data pendidik terhadap total tabel Burt sebesar 0,065.
Kolom Cos² θ menunjukkan kontribusi relatif yaitu kontribusi axis pada titik
koordinat, jika nilai Cos² θ besar maka axis dapat menjelaskan kategori dari variabel
(titik koordinat) dengan baik. Untuk dimensi 1 yang dapat menjelaskan kategori dari
variabel paling besar adalah belum ada peserta (0,563), sedangkan yang paling kecil
adalah 18 – 28 pendidik (0,002). Untuk dimensi 2 yang dapat menjelaskan kategori dari
variabel paling besar adalah kurang dar1 2 peserta (0,390), sedangkan yang paling kecil
adalah 18 – 28 pendidik (0,008). Untuk dimensi 3 yang dapat menjelaskan kategori dari
variabel paling besar adalah kurang dari 7 TNA (0,334), sedangkan yang paling kecil
adalah SMK dengan akses mudah dan akses sulit (0,000). Pada Tabel 3. diperoleh
bahwa proporsi inersia utama terhadap total inersia ( ¢
2
) untuk pemetaan tiga dimensi
sebesar 0,416 atau 41,6%. Jadi kualitas keseluruhan dari representasi titik pada ruang
tiga dimensi sebesar 41,6%.
55



Tabel 2. Konribusi Relatif
Kategori
Cos² θ
Dimensi 1 Dimensi 2
Dimensi
3
Akses mudah 0.155 0.012 0.000
Akses sulit 0.155 0.012 0.000
< 17 Pendidik 0.031 0.131 0.089
18 - 28 Pendidik 0.002 0.008 0.070
≥ 29 Pendidik 0.212 0.062 0.169
Tidak Ada Data
Pendidik
0.294 0.112 0.063
< 2 Peserta 0.001 0.390 0.317
3 - 5 Peserta 0.050 0.105 0.204
≥ 6 Peserta 0.381 0.231 0.001
Belum Ada Peserta 0.563 0.162 0.014
< 7 TNA 0.007 0.293 0.334
8 - 20 TNA 0.042 0.137 0.141
≥ 21 TNA 0.345 0.229 0.003
Belum Ada TNA
Masuk
0.525 0.208 0.027
1 Prodi 0.109 0.149 0.065
2 Prodi 0.003 0.020 0.049
≥ 3 Prodi 0.258 0.055 0.117
Tidak Ada Data Prodi 0.123 0.021 0.176
Negeri 0.282 0.013 0.003
Swasta 0.282 0.013 0.003

Tabel 3. Analisis Matrik Indikator
Axis Inersia Proporsi Kumulatif
1 0.445 0.191 0.191
2 0.291 0.125 0.316
3 0.235 0.101 0.416
4 0.205 0.088 0.504
5 0.178 0.076 0.580
6 0.176 0.075 0.656
7 0.147 0.063 0.719
8 0.138 0.059 0.778
9 0.132 0.057 0.834
10 0.113 0.048 0.882
11 0.093 0.040 0.922
12 0.088 0.038 0.960
13 0.067 0.029 0.989
14 0.026 0.011 1.000
Total 2.333
56

Tidak Ada Data Pendidik
Tidak Ada Data Prodi
Belum Ada TNA Masuk
Belum Ada Peserta
Swasta
Akses sulit
< 17 Pendidik
1 Prodi
< 2 Peserta
< 7 TNA
18 - 28 Pendidik
2 Prodi
3 - 5 Peserta
8 - 20 TNA
Akses mudah
Negeri
Lebih dari 29 Pendidik
Lebih dari 3 Prodi
Lebih dari 21 TNA
Lebih dari 6 Peserta
Tidak Ada Data Pendidik
Tidak Ada Data Prodi
Belum Ada TNA Masuk
Belum Ada Peserta
Swasta
Akses sulit
< 17 Pendidik
1 Prodi
< 2 Peserta
< 7 TNA
18 - 28 Pendidik
2 Prodi
3 - 5 Peserta
8 - 20 TNA
Akses mudah
Negeri
Lebih dari 29 Pendidik
Lebih dari 3 Prodi
Lebih dari 21 TNA
Lebih dari 6 Peserta


Berdasarkan Gambar 7. didapatkan bahwa: Kelompok 1 (SMK yang
tidak ada data pendidik dengan SMK tidak ada data prodi); Kelompok 2 (SMK
yang belum ada peserta diklat dengan SMK yang belum ada TNA); Kelompok 3
(SMK yang mempunyai lebih dari 21 TNA, Lebih dari 6 Peserta, Lebih dari 29
pendidik dan lebih dari 3 prodi); Kelompok 4 (SMK yang mempunyai kurang dari
7 TNA dengan SMK yang kurang dari 2 peserta diklat); Kelompok 5 (SMK
Negeri dengan akses mudah); Kelompok 6 (SMK Swasta dengan akses sulit);
Kelompok 7 (SMK yang mempunyai 8 -20 TNA dengan SMK yang mempunyai
3 -5 peserta diklat); Kelompok 8 (SMK yang membuka 1 prodi mempunyai
pendidik yang kurang dari 28- orang), terlihat bahwa kelompok 1, 2 dan 3 plot
kelompoknya jauh dari kelompok yang lain, yang artinya kelompok 1 yakni SMK
yang tidak ada data pendidik dengan SMK tidak ada data prodi mempunyai atribut
berbeda dengan atribut SMK yang lain, begitupun untuk kelompok 2 dan 3.
Sedangkan untuk kelompok 4 dekat sekali dengan kelompok 5, yang artinya SMK
yang mempunyai kurang dari 7 TNA dengan SMK yang kurang dari 2 peserta
diklat dekat dengan atribut SMK Negeri dengan akses mudah, dari kelompok 4
dan 6 bisa dilihat bahwa SMK Negeri cenderung adalah SMK yang memiliki
akses mudah, sedangkan SMK Swasta cenderung adalah SMK yang memiliki
akses sulit atau SMK Swasta lebih banyak tidak memiliki telepon sekolah atau
contact person yang mudah dihubungi, tetapi status sekolah tidak mempengaruhi
jumlah program studi yang dibuka, terlihat dari plot 1 prodi dan 2 prodi yang
hamper sama jaraknya dengan kelompok 4 dan 6.

3
6
5
7
2
8
1
4
Gambar 7. Plot Kolom Analisis Korepondensi Mutipel Data SMK Pertanian,
Kelautan dan Kimia Industri
57


5. KESIMPULAN
Teknik analisis korespondensi multipel diperoleh dengan menggunakan
standar analisis korespondensi sederhana dengan mengubah data mentah ke dalam
matiks indikator, yakni matriks dengan elemen 0 dan 1. perkalian matriks
indikator akan menghasilkan Matriks Burt yang merupakan matriks simetrik.
dimana peranan Matriks Burt ini sama halnya dengan tabel kontingensi dalam
analisis korespondensi sederhana.
Analisis Korespondensi Multipel (MCA) dapat menghasilkan plot dan
menampilkan posisi kondisi real kelompok-kelompok kategori SMK dari
beberapa variabel secara bersamaan dalam satu sistem atau gambar, dari plot yang
dihasilkan dapat diambil kesimpulan atau suatu kebijakan berkaitan dengan
kepentingan perbaikan atau pengembangan yang dibutuhkan, misalnya dengan
melihat plot Gambar 7 kategori SMK berstatus swasta dekat dengan kategori
akses sulit, sedangkan SMK yang berstatus negeri dekat dengan kategori akses
mudah, dari hasil plot tersebut mengindikasikan harus adanya perhatian khusus
atau suatu kebijakan untuk SMK dengan kategori swasta karena akses sulit ini
berhubungan dengan pengembanngan SMK itu sendiri.
Variabel dalam analisis korespondensi memungkinkan juga merupakan
variabel kuantitatif diskrit dimana nilai yang mungkin dari variabel di atas
dikelompokkan dan didefinisikan sebagai kategori. variabel kuantitatif diskrit
yang dimaksudkan adalah Jumlah SMK menurut Jumlah pendidik (kurang dari 17
Pendidik, 18 – 28 Pendidik, lebih dari 29 Pendidik, dan tidak ada data pendidik),
Jumlah SMK menurut Jumlah Peserta diklat (kurang dari 2 peserta diklat, 3 – 5
peserta diklat, lebih dari 6 peserta diklat, dan belum ada peserta diklat), Jumlah
SMK menurut Jumlah TNA (kurang dari 7 TNA, 8 - 20 TNA, lebih dari 21 TNA
dan belum ada TNA masuk)

6. DAFTAR PUSTAKA
Greenacre, M. (2005). From Correspondence Analysis to Multiple
Correspondence Analysis and Joint Correspondence Analysis. New York :
Academic Press, Inc. New York.
Härdle, Wolfgang & Simar, Léopold (2007). Applied Multivariate Statistical
Analysis, Second Edition, Humboldt-Universität zu Berlin. Germany
Herved, A. & Valentin, Domonique. (2007). Multiple Correspondence Analysis,
www.google.com/mca.pdf.
Nenadic, Oleg & Greenacre, M. (2007). Correspondence Analysis in R, with two
or three dimensional graphics : The CA Package, Journal of Statistic,
http://www.jstatsoft.org/
Rencher, A. C. (2002). Methods of Multivariate Analysis, Second Edition,
Brigham Young University, John Wiley & Sons. Inc
Yangchun, Du & Kern II, J. C (2003) Multiple Correspondence Analysis in
Marketing Research, Department of Mathematics and Computer Science
Duquesne University

2. MODEL VASICEK Apabila tingkat suku bunga sedang naik, maka kondisi perekonomian akan menurun. Hal ini disebabkan karena menurunnya permintaan pinjaman yang berakibat pada menurunnya pertumbuhan ekonomi. Sebaliknya ketika tingkat suku bunga sedang turun, maka kondisi perekonomian sedang bangkit karena permintaan pinjaman meningkat yang akan menggerakkan kegiatan perekonomian dan akhirnya akan meningkatkan pertumbuhan ekonomi. Fenomena ini dalam ilmu ekonomi disebut sebagai equilibrium atau mean reverting. Jon Exley, Shyam Mehta, dan Andrew Smith (2004) menuliskan bahwa sebuah aset dikatakan sebagai mean reverting apabila harganya turun setelah mengalami kenaikan, dan harganya akan naik setelah mengalami penurunan. Berangkat dari kondisi ekonomi di atas, Vasicek pada tahun 1977 merekomendasikan sebuah model persamaan diferensial stokastik untuk tingkat suku bunga. Model ini telah mengakomodir fenomena mean reverting. Model Vasicek dituliskan dalam bentuk persamaan diferensial stokastik berikut ini : ( )= − ( ) + ( ), (0) = (1) dengan ( ) adalah tingkat suku bunga pada saat ke-t. − ( ) disebut sebagai drift. adalah speed of reversion, adalah the long run equilibrium value of the process atau mean reverting, diinterpretasikan sebagai volatility yang menggambarkan pergerakan yang fluktuatif dari tingkat suku bunga, dan adalah Proses Wiener. Parameter , , dan memiliki nilai positif. Apabila ( ) > , maka drift akan bernilai negatif dan artinya tingkat suku bunga akan menurun menuju nilai equilibriumnya. Begitupun apabila ( ) < , maka drift bernilai positif dan artinya tingkat suku bunga akan bergerak naik menuju nilai equilibriumnya. Hal ini sesuai dengan kondisi ekonomi yang telah dibahas sebelumnya. Dengan menggunakan teorema formula Ito diperoleh solusi dari model Vasicek di atas, yaitu : ( ) ( ) = +( − ) ( ) + ∫ (2) Diperoleh ekspektasi dan variansi bersyarat bila diketahui (0) = , yaitu : ( ( )| (0) = ) = + ( − ) (3) (1 − ) (4) 2 Untuk nilai t yang besar maka ( ( )| (0) = ) akan menuju . Dengan kata lain bahwa lim ( | = ) = lim + ( − ) = (5)
→ →

( ( )| (0) =

)=

Hal ini mendukung teori mengenai mean reverting, bahwa dalam jangka panjang tingkat suku bunga akan konvergen pada suatu nilai tertentu. Untuk < , fungsi kepadatan peluang dari yaitu ; , , adalah

2

; , ,

= (2 ) × −

2 −

1− −

(

)

− (1 −
(

( ))

)

22

Misalkan terdapat + 1 data observasi dari suatu proses , yaitu maka fungsi log likelihood adalah ( ; , , ) = − log 2 2 − − 1 2 log 1 − − −( 1−
( )

, ,…, ,

− )
(

( )

)

(6)

Parameter maximum likelihood estimation (mle) , ̂ , dan σ memaksimumkan fungsi log likelihood. Untuk menyelesaikan hal ini, digunakan metode Quasi Newton dengan langkah BFGS sebagai salah satu metode numerik untuk persamaan non linear dalam mencari , ̂ , dan σ yang optimal. Dalam mencari estimasi untuk setiap parameter digunakan data observasi atau data berdasarkan pengalaman tingkat suku bunga dari waktu ke waktu.

3. PERHITUNGAN PREMI 3.1. Hukum Mortalita Tingkat mortalita diasumsikan mengikuti Hukum Mortalita Gompertz yang memiliki karakteristik berikut ini : (1) Force of Mortality : = , > 0, > 1, ≥ 0 (7)

(2) Survival Function : ( )= − ( − 1) (8)

ln

Parameter B dan C dari Hukum Mortalita Gompertz dapat diestimasi dengan mencocokkan , yaitu ekspektasi jumlah tertanggung yang hidup sampai usia x yang diperoleh datanya dari suatu tabel mortalita, dengan yang memenuhi Hukum Mortalita Gompertz dengan persamaan sebagai berikut : = ( )= − ( − 1) (9)

ln

3

Pencocokan tersebut akan dilakukan dengan menggunakan metode kuadrat terkecil dalam regresi non linear. 3.2. Kasus Kontinu Dalam kasus kontinu, manfaat asuransi dibayarkan tepat saat tertanggung meninggal dunia. Misalkan ( ) adalah variabel acak yang menyatakan Future Life Time. Misalkan adalah variabel acak yang menyatakan present value di saat polis disetujui dari manfaat yang dibayarkan dan adalah fungsi manfaat asuransi yang dibayarkan saat ketika tertanggung meninggal dunia serta adalah fungsi diskonto dari tahun pembayaran manfaat asuransi dibayarkan yaitu saat ke tahun saat polis disetujui. Apabila adalah nilai present value dari , maka dapat dinyatakan bahwa : = Dengan demikian variabel acak dapat dinyatakan sebagai berikut : = Sesuai manfaat asuransi yang diberikan, asuransi jiwa berjangka dapat dinyatakan sebagai berikut : = = = 0 1 0 ≤ t > ≥0 ≤ T >
: |,

Premi Tunggal Bersih atau Actuarial Present Value yang disimbolkan oleh dinyatakan sebagai berikut :
: |

= ( ) = ( )=
( )(

)

=

( + )

(10)

4

dengan adalah usia tertanggung saat mulai asuransi. adalah peluang tertanggung berusia hidup sampai tahun kemudian, ( + ) adalah force of mortality dari tertanggung berusia + yang mengikuti Hukum Mortalita Gompertz, dan dapat dituliskan sebagai berikut : = − ( )

dengan Tingkat suku bunga ( ) diasumsikan mengikuti model stolastik Vasicek.

3.3. Kasus Diskret Dalam kasus diskrit, manfaat asuransi dibayarkan di akhir tahun ketika tertanggung meninggal dunia. Misalkan ( ) adalah variabel acak yang menyatatakan Curtate Future Life Time. Misalkan notasi adalah merepresentasikan variabel acak yang menyatakan present value di saat polis disetujui dari manfaat yang dibayarkan, adalah menyatakan fungsi manfaat asuransi yang dibayarkan di akhir tahun ke + 1 ketika tertanggung meninggal dunia, dan adalah fungsi diskonto dari tahun pembayaran manfaat asuransi dibayarkan yaitu di akhir tahun + 1 sampai saat polis disetujui. Apabila adalah nilai present value dari , maka dapat dinyatakan bahwa : = Dengan demikian variabel acak dapat dinyatakan sebagai berikut : = Sesuai manfaat asuransi yang diberikan, asuransi jiwa berjangka dapat dinyatakan sebagai berikut : = 1 0 = 0, 1, 2, … , − 1 lainnya = = 0 = 0, 1, 2, … , − 1 lainnya

Premi Tunggal Bersih atau Actuarial Present Value yang disimbolkan oleh dinyatakan sebagai berikut : = ( )= ( )

: |,

: |

5

Estimasi Parameter Model Vasicek Untuk mengestimasi parameter Model Vasicek dalam studi kasus ini akan menggunakan data observasi berupa rata-rata tahunan tingkat suku bunga SBI 1 bulan dari tahun 1992 sampai Juli 2010 seperti dalam grafik berikut ini : Gambar 1 Rata-rata Tahunan Tingkat Suku Bunga SBI Tahun 1992 – Juli 2010 6 .= = | (11) dengan adalah usia tertanggung saat mulai asuransi. HASIL EMPIRIS DAN SIMULASI 4. adalah peluang tertanggung berusia hidup sampai tahun kemudian.1. | adalah peluang tertanggung berusia akan hidup tahun kemudian dan meninggal 1 tahun setelahnya. adalah peluang tertanggung yang berusia + akan meninggal 1 tahun kemudian. (0) = (12) 4. dan adalah faktor diskonto yang dapat dituliskan sebagai berikut : = 1 1 + ( ( )| (0) = ) dengan ( ) mengikuti model Vasicek yang diubah dalam bentuk diskrit dengan memanfaatkan sifat dari Brownian Motion menjadi : ( + 1) = ( ) + )+ − ( ) ( − − .

1362509 ̂ 0.7718020 0. 1000. 10 9 8 7 6 l(x) x 10 4 Kecocokan lx CSO 1958 dan lx^ 5 4 3 2 1 0 0 10 20 30 40 50 x 60 70 80 90 100 Gambar 2 Kecocokan dalam Tabel Mortalita CSO 1958 dengan 7 .00020659 1.Dengan menggunakan metode maximum likelihood yang dilakukan dengan menggunakan metode numeric Quasi Newton langkah BFGS diperoleh estimasi parameter Model Vasicek sebagai berikut : Tabel 1 Estimasi Parameter Model Vasicek Parameter Nilai Estimasi 0. Perhitungan Premi Tunggal Bersih untuk kasus kontinu akan dilakukan dengan langkahlangkah sebagai berikut: (1) Dengan mencocokkan nilai dari Tabel Mortalita CSO 1958 dengan yang memenuhi Hukum Mortalita Gompertz melalui metode kuadrat terkecil.0806 Gambar 2 berikut ini menunjukkan kecocokkan antara dari Tabel Mortalita CSO 1958 dengan yang memenuhi Hukum Mortalita Gompertz. PERHITUNGAN PREMI UNTUK KASUS KONTINU Misalkan untuk studi kasus perhitungan ini menghitung premi asuransi berjangka dengan manfaat asuransi Rp.1170741 5.00 dalam masa asuransi 10 tahun untuk seorang tertanggung dengan usia saat masuk asuransi 40 tahun. diperoleh parameter Gompertz yaitu B dan C seperti terlihat dalam Tabel 2 berikut ini : Tabel 2 Estimasi Parameter Hukum Mortalita Gompertz B C 0.

…. Jadi. Nilai ( ( )| (0) = ) yaitu rata-rata ( ) untuk setiap yang diulang sebanyak 1000 kali digambarkan oleh grafik sebagai berikut : Konvergensi r(t) 0. Misalkan dipilih data pada tahun terakhir yaitu pada tahun 2010 sebesar 6.1 0. Misalkan dipilih data pada tahun terakhir yaitu pada tahun 2010 sebesar 6.09 0. Dalam simulasi ini akan dibangkitkan dengan t=1. (3) Hitung ( ( ). PERHITUNGAN PREMI UNTUK KASUS DISKRET Misalkan untuk studi kasus perhitungan ini menghitung premi asuransi berjangka dengan manfaat asuransi Rp.07 0.00 dalam masa asuransi 10 tahun untuk seorang tertanggung dengan usia saat masuk asuransi 40 tahun.08 0.2 .36%.(2) Tentukan Nilai .06 0 20 40 60 t 80 100 120 Gambar 3 Konvergensi ( ) pada parameter 8 .30. Dengan melakukan langkah-langkah di atas. (3) Hitung ( ) untuk setiap t dengan menggunakan Persamaan (12). 27. dan diulang sebanyak 1000 kali.13 0. 6. 1000.15 0. 27.00 seorang tertanggung yang berusia 40 tahun saat mulai asuransi harus membayar premi tunggal bersih sebesar Rp.Perhitungan premi asuransi jiwa berjangka untuk kasus diskrit dilakukan dengan langkahlangkah sebagai berikut : (1) Tentukan Nilai . (2) Bangkitkan variabel acak yang berdistribusi Normal Standar sebanyak t yang diulang N kali. dengan manfaat asuransi sebesar Rp. (0) = ) untuk suatu t dengan menggunakan persamaan (3) (4) Hitung Premi dengan menggunakan Persamaan (10). 100.12 0. untuk kasus kontinu diperoleh premi sebesar Rp.30 untuk perlindungan asuransi jiwa berjangka selama 10 tahun.11 r(t) 0. 1000.36%.14 0.

28.00% 0 4 8 12 16 20 24 28 32 36 40 44 48 52 56 60 64 68 72 76 80 84 88 92 96 100 r0 : 6. dapat dianalisa lebih lanjut mengenai variansi dari tingkat suku bunga.Tampak bahwa ( ) konvergen di sekitar nilai ̂ yaitu 13. dengan manfaat asuransi sebesar Rp.07. 28.00 seorang tertanggung yang berusia 40 tahun saat mulai asuransi harus membayar premi tunggal bersih sebesar Rp. Gambar 4 berikut menunjukkan bahwa konvergensi ( ) ke sekitar tidak tergantung dari pemilihan nilai . Perhitungan Premi Neto Asuransi Jiwa Berjangka dengan melibatkan model stokastik tingkat suku bunga. Jadi. telah mempertimbangkan keadaan mean reverting yang sesuai dengan keadaan ekonomi yang terjadi. Konvergensi r(t) untuk ro berbeda 60.07 untuk perlindungan asuransi jiwa berjangka selama 10 tahun. Untuk mengembangkan tulisan ini. dalam hal ini model Vasicek.00% 20.00% 0. Berapapun nilai akan tetap konvergen pada . Penentuan nilai tidak akan merubah konvergensi ( ) menuju . 9 . Dengan menggunakan Persamaan (12) diperoleh Premi sebesar Rp.00% 50. 7.62509%.00% 30. Konvergensi ( ) menuju tidak tergantung pada berapa nilai yang ditentukan. 1000. KESIMPULAN DAN SARAN Model Vasicek adalah salah satu model yang mengikuti fenomena mean reverting bahwa untuk waktu yang semakin lama tingkat suku bunga akan konvergen pada nilai tertentu.36% r0 : 30% r0 : 10% r0 : 40% r0 : 15% r0 : 50% r0 : 20% Gambar 4 Konvergensi ( ) untuk setiap yang berbeda (4) Pada perhitungan ini nilai diambil dari Tabel Mortalita CSO 1958.00% 10.00% 40.

D. (tanpa tahun).bi. C. USA. M. Nash. H. Hickman. 1991.. L. Stochastic Process with Application to Finance: Chapman & Hall/Crc. Ocke Kurniandi. Mean Reversion. 2nd edition: The Society of Actuaries. C. A Waters.A. dan Nesbitt. Ariela Sofer. Onward Inc. FIA. Stephen G. Jon Exley. Yield Curve Estimation and Prediction with Vasicek Model: The Middle East Technical University. Interest and Mortality Randomness in Some Annuities : Ball State University. Simulation and Inference for Stochastic Differential Stochastic with R Examples: Springer. Denpasar – Bali. MAA Life Assurance Indonesia. 2004. 2009. Actuarial Mathematics. The Moments and Distribution of Actuarial Function: JIA. Gerber. (tanpa tahun). 1994. Workshop “ Matematika Keuangan” : Jurusan Statistika FMIPA UNPAD Bandung. Life Contingencies: Society of Actuaries. 1991. A First Course in Probability 7th edition: Pearson Prentice Hall. 2003. H. 1997. Jose Carlos Garcia Franco. C. Jordan. Syamsuddin. Igor Griva. 2004. D.A. George Roussas. Linear and Nonlinear Optimization: Society Industrial and Applied Mathematics. Edward W.8.id/web/id/Moneter/Operasi+Moneter/Suku+Bunga+SBI/ 10 . Stefano M. 1990. USA. Life Insurance with Stochastic Interest Rate : The Proceeding of The 13th East Asian Actuarial Conference. Stochastic Life Contingencies with Solvency Consideration: Transaction of Society of Actuaries. Frees. www. Nonlinear Regression: A John Wiley & Sons Inc Publication. Jones.A. 2003. Muncie.U. 2008. Sheldon Ross.PHIL.C. Syamsuddin. 2003. Stochastic Model for premium Calculation Under Syariah Law: PT. Fuelling. John A. N. Maximum Likelihood Estimation of Mean Reverting Processes.J Wild.W Jr. J. Masaki Kijima.J.L. Brussels. An Introduction to Probability and Statistical Inference: Academic Press. 2009.F Serber. G. Noviyanti. Gary Parker. (2005). Lacus. Distribution of Present Value of Future Cash Flow : Simon Fraser University. 1978. Andrew Smith. REFERENSI Bowers. 2006. Shyam Mehta... Dervis Bayazit..go. presented to Faculty and Investment of Actuaries : Finance and Investment Conference. Beekman and Clinton P.

Kata Kunci : yield curve. Harga obligasi bergantung dari tingkat bunga yang nilainya berubah-ubah. Penelitian ini membentuk model untuk menentuan harga obligasi dengan kupon. yang didasarkan pada yield curve. Obligasi memberikan manfaat baik bagi peminjam maupun investor. Peminjaman uang ini dapat dilakukan melalui pasar obligasi (bond). Bila terlalu mahal.SUATU MODEL HARGA OBLIGASI Lienda Noviyanti 1 1 Staf pengajar jurusan Statistika FMIPA . Masalah utama dalam menentukan harga obligasi adalah tidak diketahuinya fluktuasi tingkat bunga pada masa mendatang. serta melibatkan sejumlah uang yang sangat besar. sedangkan bila terlalu murah. sedangkan tingkat bunga adalah biaya dari uang. sehingga nilai tingkat bunga pada masa yang akan datang tidak diketahui dengan pasti. PENDAHULUAN Obligasi (bond) adalah instrumen utang yang mewajibkan penerbit obligasi (peminjam utang) untuk membayar utang kepada investor (pemberi utang) sejumlah yang dipinjam ditambah bunga untuk periode tertentu. kondisi perusahaan penerbit obligasi dan juga kondisi ekonomi nasional. gerak Brown. Uang sebagai modal membiayai pertumbuhan suatu negara. Untuk itu perlu dibuat suatu model untuk menentukan harga obligasi tersebut. Harga tersebut haruslah wajar (fair) baik bagi penerbit maupun pembeli obligasi. Penentuan harga obligasi menjadi sangat penting karena besarnya jumlah uang yang diinvestasikan dalam obligasi sehingga perubahan sedikitpun pada tingkat bunga akan sangat berpengaruh pada harga obligasi. Hal ini berarti bahwa harga tersebut tidak terlalu mahal juga tidak terlalu murah. Bandung ABSTRAK Uang merupakan sebuah komoditas.Universitas Padjadjaran. Pemodelan tingkat bunga dapat dibentuk melalui dua pendekatan. dengan tingkat bunga diasumsikan mengikuti gerak Brown. Biasanya. Suatu model yang baik dibutuhkan untuk menentukan harga obligasi. Obligasi memiliki risiko cukup besar karena merupakan suatu investasi jangka panjang yang nilainya bergantung pada perubahan tingkat bunga. obligasi dengan dan tanpa kupon 1. Penentuan harga ini dapat dilakukan dengan terlebih dahulu menentukan yield curve. yaitu model-model deret waktu (times series models) dan model-model tingkat bunga 11 . pembeli akan enggan untuk membeli. sehingga penentuan harga obligasi sangatlah penting. yaitu hubungan antara waktu jatuh tempo obligasi dan tingkat bunga. Dengan kata lain yield merepresentasikan tingkat tahunan yang harus dibayar hari ini untuk sebuah obligasi yang jatuh tempo dalam sejumlah tahun mendatang. tidak akan ada pihak yang akan menerbitkan dan menjualnya. modal ini harus dipinjam.

Obligasi diterbitkan dengan spesifikasi yaitu (1) tanggal tetap pada saat pinjaman (pokok pinjaman) jatuh tempo dan (2) tingkat bunga. )( ) (1) Zero coupon rate atau yield to maturity dinotasikan sebagai ( . T   1 . 2. yakni : ( . T  . serta diakhiri dengan (4) penentuan harga obligasi sebagai kesimpulan. Dengan menggunakan Lemma Ito dapat diperlihatkan hubungan antara harga obligasi dengan perubahan tingkat bunga jangka pendek dan waktu. Dengan pembayaran pada saat waktu jatuh tempo (maturity time) adalah $1. 2000. (1) pendahuluan. dengan t menyatakan waktu pada saat itu dan T adalah waktu pada saat jatuh tempo. Produksi minyak bumi. (2) studi pustaka. persediaan suatu barang. Perkembangan analisis kuantitatif finansial yang tumbuh dengan pesat menggunakan konsep stokastik seperti martingales untuk menangkap perilaku ekonomi antara lain the absence of arbitrage opportunity atau no-arbitrage dan equilibrium theory (Brigo. Lamberton et al. Struktur penyajian hasil penelitian ini adalah sebagai berikut. Tanggal di mana pokok pinjaman harus dibayar disebut tanggal jatuh tempo (maturity time). Dengan mengambil logaritma dari persamaan (1). Pada penelitian ini tingkat bunga diasumsikan mengikuti Brownian Motion dalam menentukan harga obligasi dengan kupon. pemerintah daerah dan perusahaan (domestik atau asing). Di dalam perjanjian ini tidak ada risiko ataupun kegagalan dalam pembayaran. Konsep dasar model-model tersebut adalah Brownian Motion atau Gerak Brown. 2001. dan Stampfli. Selang waktunya adalah   T  t . model-model deret waktu bersifat umum.derivatif (interest rate derivatives models). Pada dasarnya. harga saham atau tingkat bunga dapat dimodelkan dengan model-model deret waktu. yang biasa dibayarkan setiap enam bulan. (3) model harga obligasi. 2001. Obligasi dapat diterbitkan oleh pemerintah pusat. Zero coupon bond ( discount bond ) merupakan suatu perjanjian di mana satu pihak akan membayar sejumlah uang pada saat jatuh tempo tanpa pembayaran keuntungan (coupon). Harga dari zero coupon bond merupakan fungsi P  t . maka harga obligasi pada saat waktu jatuh tempo adalah P T . )= ( . STUDI PUSTAKA Obligasi adalah instrumen hutang yang mewajibkan penerbit (peminjam uang) untuk membayar hutang kepada investor (pemberi hutang) sejumlah yang dipinjam ditambah bunga untuk periode waktu tertentu. Harga dari suatu obligasi sebenarnya merupakan (present value) dari pembayaran akhir. persamaan zero coupon rate adalah 12 . ) merupakan tingkat bunga yang diasumsikan akan terbagi-bagi pembayarannya (continuously compounded).

(3) Hubungan antara yield curve dan forward curve Dari discount curve ini bisa diperoleh forward curve ( . Nilai dari obligasi ( . pasar obligasi memberikan tingkat bunga untuk periode (0. ( . Hull and White. (5) yang menyatakan yield sebagai rata-rata dari forward rate. Lemma Ito memperlihatkan hubungan antara perubahan harga obligasi dengan perubahan tingkat bunga jangka pendek dan waktu. tingkat bunga jangka pendek. 1993). (9) 13 . Persamaan terakhir merupakan tingkat bunga pada waktu t>0 dilihat pada saat ini yang selanjutnya akan dinotasikan dengan r(t). ) ( . = ( . Jadi pasar menentukan forward rate melalui yield curve. ) + ( . + ( . ) . ) . dan r(t).( . (2) Yield curve ditentukan dengan melihat hubungan-hubungan antara discount curve. ) merupakan fungsi dari suku bunga jangka pendek r(t) dan waktu t. Sesuai dengan yield curve. )= 3.t). ) bergantung dari T (waktu jatuh tempo). )= + + 1 2 + + 1 2 +⋯ (7) Dengan mensubsitusikan (6) ke (7) diperoleh Lemma Ito yang berbentuk. )) . )=− ( ( . (6) ) merupakan gerak Brown. )=  ( . )( ) . )=− ′( . + + + (8) MODEL HARGA OBLIGASI Persamaan (8) dapat dituliskan kembali sebagai ( . ( . yakni. forward curve. t. Selanjutnya akan ditentukan dengan menggunakan deret Taylor dan asumsi bahwa P differentiable diperoleh. dan yield curve (Hull. (4)  Hubungan antara yield to maturity dengan forward rate dapat dinyatakan oleh ( . )= ( .  Hubungan antara yield curve dan discount curve Dari yield curve bisa diperoleh discount curve ( . dengan dan merupakan fungsi dari r dan t. Proses Ito mengikuti persamaan perubahan tingkat bunga. ) . 1993. ) dengan ~ (0. Misal ( . )= ∫ ∞ ( ) .

(10) Substitusi dan dari persamaan (10) ke persamaan (9) maka diperoleh = ( − ∆ ) + ( − ∆ ) . Selanjutnya. Misalkan harga kedua obligasi tersebut masing-masing P1 dan P2. Solusi dari persamaan tersebut adalah P =Ph + Pp dengan Ph menyatakan solusi homogen dan Pp menyatakan solusi khusus. = ( . ) ( . ). 2006) + + − = 0 dan ( ) ( ) ( ) . kembalikan nilai u dan v dari persamaan (9) sehingga diperoleh persamaan diferensial untuk harga obligasi sebagai berikut + atau +( − dengan = . Solusi homogen Ph dari persamaan (12) merupakan solusi dari persamaan diferensial parsial untuk obligasi tanpa ( . ) tidak bergantung pada T. )+ ( . )= kupon (Noviyanti. yakni = [ ( ) + ( )] 14 . )+ ( . Misalkan K1 dan K2 masing-masing menyatakan kupon untuk obligasi dengan tanggal jatuh tempo T1 dan T2. maka portofolio tersebut adalah = −∆ . didapat =( −∆ ) (11) Oleh karena berperilaku seperti investasi di pasar uang. Notasi menyatakan harga pasar dari risiko dan dapat dituliskan kembali sebagai ( . )= ( . = −∆ .Selanjutnya bentuk portofolio yang terdiri dari dua obligasi dengan kupon. )= ( . ke persamaan (11) akan menghasilkan ( − + )= ( − + ). ) + − =− . )− ( . = ( . ) ( . return yang dihasilkan harus sesuai dengan tingkat bunga jangka pendek. Oleh karena ruas kiri pada persamaan terakhir hanya mengandung sukusuku yang bergantung pada dan ruas kanan pada persamaan terakhir hanya mengandung suku-suku yang bergantung pada maka ( . ). (12) + 1 2 = + − Persamaan (12) merupakan persamaan diferensial parsial tak homogen. ). )− ( . Dengan mengambil ∆= / . mak =( Substitusi 1 − +∆ 1 ) . dengan tanggal jatuh tempo yang berbeda yaitu T1 dan T2.

Options. NJ. Theory and Practice. yang dihitung dari harga pasar saat ini − ln( ) . sehingga diperoleh (0. dalam T. Interest Rate Models. C. Prentice Hall. D. " The Pricing of Options on Interest-Rate Caps and Floors Using the Hull-White Model. Hull. and A. 1993. − Berdasarkan persamaan (13) model harga obligasi dengan kupon adalah ( )= ( .dengan A(t) =(T-t) dan ( )=− ( − ) ( − ) . PENENTUAN HARGA OBLIGASI Setiap obligasi dengan kupon mempunyai yield saat ini. Numer 3. Germany. 1993. 2001. Jadi solusi untuk persamaan (12) adalah P = exp [ A r + B ] + C (13) 4. Misalkan Pp = k. 15 . Future and Other Derivative Securities. Hull. (14) (15) Persamaan tersebut dapat dihampiri dengan polinom berderajat tertentu.. J. )= sehingga ( . 2nd ed. Englewood Cliffs. F. ) = − ln(1 + ) + 1 − 6 1+ 1 1 +2 −6 1+ ) − − + − 2(1 + ) 2(1 + ) + (− + ) 6(1 + ) + (− − + 3(1 + ) Parameter-parameter a. J. substitusi ke persamaan (12) maka k = C. Springer-Verlag. DAFTAR PUSTAKA Brigo. The Journal of Financial Engineering Volume 2. Y(t). Pages 287-296. White. misal 3. )= ( ) ( ) ( ) −( − ) − ( − ) ( − ) + . 5. and Mercurio. σ2 dan C dapat diperoleh dari observasi data pasar pada suatu tanggal tertentu.

2006. B. V. Noviyanti. Introduction to Stochastic Calculus. tidak dipublikasikan. J. D. Tingkat Bunga Stokastik dalam Kontrak Asuransi Jiwa. 16 .. and Lapeyre. Thomson Learning. USA. Institut Teknologi Bandung. Brooks/Cole. and Goodman.. UK. The Mathematics of Finance: Modeling and Hedging.. Disertasi. 2001.Lamberton. L. Chapman&Hall. 2000. Stampfli. Applied to Finance..

Dengan demikian. Manfaat produk Asuransi Dwiguna hanya diberikan pada satu individu saja yang namanya tercantum sebagai pemegang polis asuransi. juga memperhitungkan besarnya biaya komisi agen yang dibebankan pada pemegang polis selama m tahun pertama pembayaran premi. Cadangan disesuaikan. PENDAHULUAN Dwiguna adalah salah satu produk asuransi berjangka n tahun yang memberikan dua manfaat yakni (1) proteksi kematian selama masa asuransi dan (2) uang pertanggungan apabila tertanggung hidup setelah masa asuransi berakhir. Metode Illinois 1. Perhitungan besaran-besaran aktuaria dalam penelitian ini selain melibatkan dua individu sebagai tertanggung.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. ahli waris akan menerima 100% Uang Pertanggungan apabila tertanggung meninggal dalam masa asuransi. Produk Dwiguna yang ditawarkan selama ini bersifat individu artinya perusahaan asuransi hanya memberikan proteksi kepada satu orang saja. Penelitian ini mengembangkan produk Asuransi Dwiguna dengan menambahkan satu orang lagi tertanggung pada polis asuransinya. 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. 17 . Produk ini memberikan benefit berupa jaminan 100% Uang Pertanggungan jika tertanggung hidup sampai akhir masa asuransi. besarnya cadangan asuransi dihitung berdasarkan rumusan cadangan disesuaikan melalui Metode Illinois. Kata Kunci : Asuransi Dwiguna berpasangan. 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.PENENTUAN CADANGAN DISESUAIKAN MELALUI METODE ILLINOIS PADA PRODUK ASURANSI DWIGUNA BERPASANGAN Suhartini suhartini@gmail. maka mereka akan menerima uang pertanggungan. Selanjutnya produk ini dinamakan Asuransi Dwiguna Berpasangan. Selain itu.

Sehubungan dengan pernyataan di atas. Perusahaan asuransi akan menerima sejumlah pembayaran secara berkala yang besarannya ditetapkan berdasarkan premi bersih dan biaya yang harus dibebankan pada pemegang polis.1. Besarnya nilai cadangan asuransi disesuaikan dalam penelitian ini akan dihitung melalui pendekatan metode Illinois. Sedangkan biaya merupakan dana yang telah dikeluarkan perusahaan selama promosi produk Asuransi Dwiguna seperti komisi yang diberikan kepada agen marketing yang mendapatkan pemegang polis. perhitungan cadangan asuransi untuk produk Dwiguna harus memperhitungkan biaya dalam penetapan besaran premi tahunan yang harus dibayarkan pemegang polis.1. Pada dasarnya cadangan asuransi dihitung berdasarkan asumsi premi bersih tahunan (tidak melibatkan biaya yang dikeluarkan tiap tahunnya oleh perusahaan). Dengan demikian. penelitian ini menawarkan inovasi pada produk asuransi dwiguna dengan proteksi kepada dua orang tertanggung dan merumuskan besarnya cadangan asuransi disesuaikan melalui metode Illinois 2. biaya pemasaran produk. dan biaya administrasi pembuatan dan pengiriman polis asuransi. BESARAN-BESARAN AKTUARIA 2. Simbol-simbol Aktuaria NOTASI X Y KETERANGAN Variabel acak yang menyatakan usia individu pertama Variabel acak yang menyatakan usia individu kedua Laju kematian (force of mortality) dari seseorang yang berumur Peluang orang yang berumur x tahun akan hidup sampai meninggal 1 tahun berikutnya  x t  k 1 x x tahun q k tahun dan Lanjutan Tabel 2. Sedangkan biaya pada tahun selanjutnya lebih kecil dari pada biaya tahun pertama. Metode ini membatasi frekuansi biaya yang dibebankan pada pembayaran premi tahunan paling lama 20 tahun. t p xy Peluang orang yang berusia x tahun dan y tahun masih akan hidup kedua- 18 . Biaya yang dilibatkan dalam penelitian ini dikeluarkan untuk membayar komisi kepada agen asuransi selama tiga tahun pertama pembayaran premi. Pada awal tahun polis biasanya diperlukan biaya yang besar. Rumusan ini dinamakan cadangan asuransi disesuaikan (modified reserve). 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.Selama kontrak asuransi telah ditandatangani pemegang polis. Premi bersih digunakan untuk perhitungan benefit yang harus diberikan kepada tertanggung jika terjadi klaim dari pemegang polis atau ahli warisnya.

t qxy qx k . Asuransi Dwiguna Berpasangan 19 . y k bk 1 v i Z A1 xy . n A 1 xy : n Axy:n Axy:n   axy:n bt P ( Axy:n ) H h V Axy:n M   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 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) 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 I I h V il ( Axy:n ) * 1 2 3 2.2.

.. perlu mengubah asuransi Dwiguna berpasangan bentuk diskrit menjadi asuransi jiwa Dwiguna berpasangan bentuk kontinu.(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: .1... maka premi tunggal bersihnya adalah: n 1 A1 xy:n  E  Z1   (100% UP)  v k 1.. 0 karena K merupakan variabel acak. n  1. k p xy .. n  1 100%UPv k 1 Z1  ..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. k p xy. n  1 0 .. y  k  v n ... n p xy   k 0  .. untuk k  n...... 2.3) Pada produk Dwiguna berpasangan. n  1. Dengan menggunakan asumsi UDD (Uniform Distribution of Death) hubungan asuransi jiwa dwiguna berpasangan bentuk diskrit dengan asuransi jiwa dwiguna berpasangan bentuk kontinu adalah sbb: 20 . q x  k .1. 100%UP fungsi present value benefitnya adalah: 0 . 2. y k b.... 100%UPv sehingga premi tunggal bersihnya adalah: A 1  E  Z 2   (100% UP) v n .1) x  k .1. n  1 Z2  n .. q k 0 (2. untuk k  0. untuk k  0.... n  1 100%UP Jika salah satu bk 1  . benefit diberikan tepat pada saat salah satu dari tertanggung meninggal dunia. (2. Oleh karena itu.2) sebagai berikut :  n 1  Axy:n  (100%UP )  v k 1.1) dan (2... 2.2) xy:n Maka besarnya premi tunggal bersih secara keseluruhan untuk produk asuransi Dwiguna berpasangan merupakan penjumlahan antara Persamaan (2. untuk k  0. n  1. 2.. Jika Salah Satu dari Tertanggung Meninggal Dunia . untuk k  n.. untuk k  n. untuk k  n.n pxy bn  . untuk k  0. 0 tertanggung meninggal dunia maka benefit akan dibayarkan sebesar 100% Uang Pertanggungan (UP) sekaligus pada akhir tahun tertanggung meninggal dunia atau dapat dinyatakan sebagai berikut: fungsi present value benefitnya adalah : . n  1...1....

.. y  h:k  h dengan k  min(m. 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. dan P ( Axy:n ) (prmi bersih untuk setelah k tahun). Perhitungan Cadangan Illinois Pada Produk Dwiguna Berpasangan Penentuan cadangan disesuaikan melalui metode Illinois terdapat persyaratan yang harus terpenuhi.i  A xy:n   A xy :n    . Dalam metode Illinois.  I (premi bersih untuk k .. (2. 20) serta m adalah periode pembayaran premi dengan biaya..6) dapat dituliskan kembali sebagai berikut :   ..3..6)  I   I axy:k 1  P ( Axy:n )axy:k Atau dengan kata lain  I dapat dinyatakan pada Persamaan di bawah ini :   P( Axy:n )axy:k   axy:k 1  axy:k 1  1  P( Axy:n )axy:k    axy:k 1  1 I  … (2. Pada penelitian ini besar k  min(3.7) dan  I dapat dinyatakan pada Persamaan di bawah ini : I  … (2. terdapat beberapa nilai premi bersih yakni  I (premi bersih untuk tahun pertama). Besarnya total biaya yang dikeluarkan perusahaan untuk membayar komisi agen. Pada penentuan cadangan dengan mentode ini terdapat batasan frekuensi biaya yang digunakan dalam perhitungan cadangan yakni maksimal biaya 20 tahun. (2. 20) yakni k=3. (2.11)  I   I axy:2  P ( Axy:n )axy:3 21 .5)  axy:n   2.8) Berdasarkan perumusan premi di atas. dan  3 merupakan presentase komisi yang harus dibayarkan oleh perusahaan kepada agen yang berhasil menjual produk asuransi pada tahun pertama sampai tahun ke tiga dan besarnya diperoleh berdasarkan tabel komisi... adalah sebagai berikut: … (2.9) hV ( Axy:n )  hV ( Axy:n )  (  I  P ( Axy:n )) a x  h . perhitungan cadangan yang disesuaikan dengan menggunakan metode Illinois didefinisikan sebagai berikut : il  … (2. (2.  2 . sehingga Persamaan (2. Perumuman dari pernyataan di atas dapat diilustrasikan sebagai berikut :   .4) Premi tahunan Dwiguna Berpasangan dihitung dengan menggunakan rumus: A P Axy:n  xy:n .10)  *  P( Axy:n )   1  v   2  1 pxy   3  v 2  p xy      dengan  1 .1 tahun berikutnya).

2. HASIL DAN PEMBAHASAN 3.327.30. Jika kedua tertanggung masih tetap hidup hingga berakhirnya masa asuransi.00.071.32. Jika salah seorang tertanggung meninggal dalam masa asuransi.15) 3. 9. oleh karena itu perlu dihitung besarnya premi tahunan sehingga tertanggung menjadi lebih ringan dalam pembayaran preminya tetapi tetap akan mendapatkan benefit yang sama.775.98. maka besar premi tunggal bersih untuk asuransi Dwiguna berpasangan bentuk kontinu Rp. maka premi tunggal bersihnya adalah Rp.1.13) Berdasarkan perumusan valuasi premi di atas. y  h:n h     (2. maka premi tunggal bersihnya adalah Rp. 10. Dengan menggunakan asumsi UDD. 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.661. b.12)  axy:2  1 dan  I pada Persamaan (2.7) dapat dinyatakan kembali sebagai berikut :   P( Axy:n )axy:3   *axy:2 I  (2.14) hV ( Axy:n )  hV ( Axy :n )  (  I  P ( Axy:n )) a x  h . Dengan demikian. perhitungan cadangan yang disesuaikan dengan menggunakan metode Illinois didefinisikan sebagai berikut : il  (2.744.469. 10. Premi Tahunan 22 . y  h:n h  P Axy:n ax  h . premi tunggal bersih asuransi Dwiguna berpasangan bentuk diskrit adalah penjumlahan kedua premi tunggal bersih di atas yakni Rp. 3. perlu mengubah asuransi Dwiguna berpasangan bentuk diskrit menjadi asuransi jiwa Dwiguna berpasangan bentuk kontinu.Dengan kata lain  I pada Persamaan (2. y  h:3 h dan perhitungan cadangan setelah tahun ke-3 akan menggunakan perumusan cadangan premi bersih tahunan sbb: h  V Axy:n  Ax  h.8) dapat dinyatakan kembali sebagai berikut :  P( Axy:n )axy:3   *  axy:2  1 I  (2.305. Biasanya tertanggung akan berkeberatan untuk membayar premi satu kali diawal tahun secara sekaligus. Oleh karena itu. Pada produk Dwiguna berpasangan benefit diberikan tepat pada saat salah satu dari tertanggung meninggal dunia. 529.

661.25   1  0..162.8673  .3.439.469.163..25:25   10. 4081 Besarnya premi tahunan adalah sebagai berikut: A P A30.25 k 0 9   v 0 0 p30.000.25:10   v k k p30.1 Komisi Agen Produk Dwiguna Berpasangan Tahun Besarnya Komisi Agen per tahun (Rp.) 1 2 3 Total 359.00 yang dibayarkan sekaligus di awal kontrak asuransi atau sebesar Rp.20.205 458.000. Total biaya yang dikeluarkan perusahaan untuk membayar komisi agen selama tiga tahun pertama pembayaran premi adalah: Tabel 3.015 31.439.25:10  30.469 7.00 diperoleh apabila pemegang polis membayar premi tanpa biaya sebesar Rp.  0.661.1. 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..10.  3.25   . 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.791 67.525 Dengan demikian.25:10  a30.25    v1 1 p30.Besar anuitas berpasangan bentuk diskrit due adalah sebagai berikut:  a30.011 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. UP sebesar Rp.9313  0.5254  7.4081  1..   v 9 9 p30.2 Premi Bersih Tahunan Produk Dwiguna Berpasangan Selama Tiga Tahun Pertama Masa Asuransi 23 .

574.dan Rp.816 17. Sedangkan besar premi bersih tahunan dengan biaya tahun kedua dan ketiga adalah Rp.163 Premi Bersih Tahunan dengan Biaya (Rp.1.962.881.000 Berdasarkan tabel 3.529.000 -254.899.738.272 Berdasarkan tabel 3. 2 akan lebih kecil dari cadangan premi tahunan.1.935 4.628. Cadangan premi bersih tahunan merupakan perhitungan cadangan tanpa melibatkan faktor biaya.899.472.000. Besar cadangan untuk h = 3 dan seterusnya sampai dengan akhir masa asuransi yakni 10 tahun dapat dihitung dengan menggunakan cadangan premi bersih tahunan. hal ini dikarenakan pada perhitungan cadangan Illinois terdapat faktor 24 .2.296. Sedangkan besar cadangan Illinois untuk akhir tahun ke-1 dan ke-2 masing–masing adalah Rp. Berdasarkan tabel 3.017. 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.530.260 1.981 1.296.697 3.246 10.) 1..752.070. sedangkan biaya yang dikeluarkan oleh perusahaan asuransi untuk tahun selanjutnya adalah lebih kecil. hal ini dikarenakan pada tahun pertama diperlukan biaya besar untuk membayar komisi agen.3 dapat dilihat bahwa besar cadangan Illinois untuk tahun ke-0 bernilai negatif.031 8.935.053 20.2 di atas diketahui bahwa besar premi bersih tahunan dengan biaya tahun pertama adalah Rp.) melalui metode Illinois (Rp.054.369 15.053 20.574. Dengan demikian besar cadangan produk Dwiguna berpasangan untuk masa asuransi 10 tahun dengan biaya tiga tahun pertama adalah sebagai berikut: Tabel 3.738 2.881.183 6.531.529.Tahun ke0 1 2 Premi Bersih Tahunan Tanpa Biaya (Rp.000.183 6.) 0 1 2 3 4 5 6 7 8 9 10 0 1.821.628. 1.300.031 8.-.962. Besar premi bersih tahun pertama lebih kecil dari premi bersih tahun kedua dan ketiga.422 12.072.752.816 17.439.369 15.246 10.) 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.3 di atas diketahui bahwa besar cadangan disesuaikan untuk akhir tahun ke-0.1.422 12.300.3 Besar Cadangan Premi Asuransi pada Produk Dwiguna Berpasangan berdasarkan premi bersih dan premi kotor Tahun keCadangan premi Cadangan premi kotor h bersih (Rp.044 4.

Tokyo. Matematika Asuransi Jiwa Bagian I. J. Inc.000. 25 . New York. Pada tahun ke-3 sampai dengan akhir masa asuransi tidak ada biaya yang dikeluarkan oleh perusahaan. Uang tersebut kemudian akan diberikan kepada sepasang tertanggung apabila keduanya masih tetap hidup sampai akhir masa asuransi. Japan. Takashi. dalam hal ini adalah 10 tahun. Penentuan besarnya cadangan disesuaikan dengan metode Illinois.. N.C.L. Inc. Oriental Life Insurance Cultural Development Centre.000. dan Nesbitt. 2nd Ed. 1993. Erwin A. Larson. 4. akan menghasilkan besaran cadangan yang lebih kecil dibandingkan dengan besarnya cadangan premi tahunan. 2. KESIMPULAN 1..J. Tokyo. Gerber. Life Insurance Mathematics.A. DAFTAR PUSTAKA Bowers. 1994. 5.. besar cadangan premi tahunan yang harus dimiliki perusahaan asuransi adalah sebesar uang pertanggungan yaitu sebesar Rp. Dan Biaya tersebut dibebankan oleh perusahaan asuransi kepada tertanggung. Oriental Life Insurance Cultural Development Centre. D. John Wiley & Sons. sedangkan pada perhitungan cadangan premi bersih tahunan tidak memasukkan faktor biaya.20. Cadangan premi tahunan merupakan kondisi ideal yang dimiliki perusahaan.25:10 )   I . Besar premi bersih tahunan tanpa biaya lebih besar dari besar premi bersih tahunan dengan biaya untuk tahun pertama dan lebih kecil dari besar premi bersih tahunan dengan biaya untuk tahun kedua dan ketiga atau dapat dinyatakan dalam hubungan berikut ini:  I  P( A30. Takashi. Japan. Actuarial Mathematics. Sehingga besar biaya tersebut akan mengurangi besar cadangan yang dimiliki oleh perusahaan asuransi. C. Akhir tahun ke 10. Jones. Futami. Futami.. H. Robert E. London. Hickman.pengurang yaitu biaya.U. Inc. 1997. 1962.. The Society of Actuaries. Matematika Asuransi Jiwa Bagian II. sehingga besar cadangan untuk tahun ke-3 sampai dengan akhir masa asuransi akan sama dengan cadangan premi tahunan pada tahun yang sama. Tetapi perusahaan asuransi harus mengeluarkan biaya untuk membayar komisi agen. Gaumnitz.

Salah satu daerah di Indonesia yang memiliki banyak lahan usaha tambang bahan galian industri adalah Kabupaten Sukabumi. where information about the number of groups is not known in advance. From the 8 indicators variables. Bivariate Residuals (BVR). Pengelompokan tersebut didasarkan pada beberapa variabel penimbang 26 . classifying the subject in latent class cluster approach was not done but based on similarity measure based on a model that has different parameters in each class. and distance. namely: the value of minerals. Kata Kunci : Latent Class Cluster. gradient. PENDAHULUAN Bahan galian merupakan potensi sumber daya alam yang tak terbaharui. there are 6 indicators that are determinant of establishing the cluster. measured through the concept of distance. Local Independence.ANALISIS LATENT CLASS CLUSTER DALAM PENGELOMPOKAN LAHAN USAHA TAMBANG BAHAN GALIAN INDUSTRI Anna Chadidjah Jurusan Statistika FMIPA-Unpad anna_chadidjah@yahoo. Grouping using latent class cluster methods. effective soil depth. Object Classification 1. Bahan galian terdapat di daerah tertentu dengan jumlah cadangan terbatas sesuai dengan kondisi geologi dan tektoniknya. Pengalokasian lahan usaha tambang untuk daerah yang berpotensi bahan galian di dalam kebijakan Rencana Tata Ruang Wilayah merupakan salah satu alternatif guna memperkecil terjadinya benturan kepentingan penggunaan lahan. As an alternative.id Abstract The allocation of land mines to local businesses with the potential in the Rencana Tata Ruang polices is one of the alternatives to minimize land use conflicts of interest. Atas dasar pemikiran tersebut diperlukan suatu teknik pengelompokan lahan usaha tambang bahan galian industri yang dapat menjadi keanggotaan seluruh lahan usaha tambang tersebut terhadap kelompok-kelompok yang terbentuk. Groupings are based on 8 indicator variables are weighing the physical aspect. for the latent variables were not satisfactory.co. the volume of reserves.cluster model that can be classified into a potential business area and less potential in which each has its own characteristics. The use of cluster techniques that rely on the concept of similarity. The clustering results produce a 2. On the basis of these ideas required a grouping technique.

Aspek fisik meliputi : nilai bahan galian. Berdasarkan uraian di atas. Analisis Latent Class Cluster Analisis Latent Class Cluster adalah analisis Cluster yang digunakan untuk mengklasifikasikan objek kedalam dua atau lebih kelompok. membership probability pada masingmasing kelompok. tingkat penggunaan tanah dan jarak. Berdasarkan hasil analisisnya. kedalaman efektif tanah. Latent Class Cluster adalah sebuah metode statistic untuk mengidentifikasi keanggotaan kelompok yang tidak terukur antar objek-objek dengan menggunakan variable observed kontinu atau kategori. yaitu biner. (Kauffman dan Rousseuw. 1990). TINJAUAN LITERATUR DAN METODE 2. serta bagaimana ciri (karakteristik) dari setiap kelompok lahan usaha tambang yang terbentuk. tingkat kemiringan. Volume 20. volume cadangan. dalam Canadian Journal of Marketing Research. sehingga dapat menjadi bahan masukan dalam penetapan kebijakan Rencana Umum Tata Ruang Daerah yang dapat menunjang pengembangan wilayah. Jay Magidson dan Jeroen K. yaitu mengelompokkan sejumlah objek yang terdekat dengan pusat kelompoknya sehingga jarak setiap objek ke pusat kelompok dalam satu kelompok adalah minimum. Analisis Latent Class Cluster dapat menjadi ide terbaik sebagai perbaikan dari analisis klaster. tingkat bencana. Menurut Vermunt dan Magidson (2002). Vermunt (2002). sedangkan pada Latent Class Cluster didasarkan pada probabilitas pengelompokan posterior (Magidson dan Vermunt. kontinu dan data cacah (Count data).dalam analisis peruntukan lahan usaha tambang.1. tidak jauh berbeda dengan K-means cluster. ketinggian. yang berjudul “Latent Class Models For Clustering: A Comparison with K-means” membahas mengenai perbandingan antara analisis latent class cluster dengan K-means cluster. 2. dimana banyaknya kelompok tidak diketahui. Perbedaannya adalah untuk menyatakan kedekatan objek ke pusatnya. Estimasi parameter digunakan untuk profil kelompok (deskripsi dari masing-masing kelompok) dan ukuran masing-masing kelompok.. dimana hasil analisisnya menggunakan konsep statistic likelihood. Sedangkan aspek non fisik adalah jumlah penduduk. pada K-means cluster menggunakan pendekatan jarak. Variabel-variabel penimbang tersebut meliputi aspek fisik dan non fisik. metode Latent Class Cluster. 2002). Pada prinsipnya. Selain itu analisis ini dapat digunakan untuk semua tipe data. Manfaat yang dapat dipetik dari penelitian ini adalah dapat diketahuinya pengalokasian lahan usaha tambang bahan galian industri serta mengetahui lahan usaha tambang bahan galian industri mana saja yang memiliki prioritas untuk dikembangkan. penulis tertarik untuk melakukan pengkajian bagaimana mengelompokkan lahan usaha tambang bahan galian industri di Kabupaten Sukabumi. Dalam Analisis Latent Class Cluster objek mempunyai peluang keanggotaan berupa posterior Latent Class Cluster. klasifikasi dalam latent class cluster berdasarkan estimasi probabilitas pengelompokan posterior menghasilkan angka misklasifikasi yang lebih kecil dibandingkan K-means 27 .

kadar insulin. tingkat kemiringan. Model Latent Class Cluster untuk Variabel Kategori Misalkan D sebuah variable latent yang memiliki L kategori. Peubah eksogen (kovariat) dapat digunakan untuk menggambarkan cluster 2. count atau kombinasinya. kategorik (nominal. tetap ada ketidakpastian menyangkut keanggotaan dari suatu objek. Data diagnosa diabetes terdiri dari 145 observasi. Dalam penelitian ini.2002). Selain itu. Jimmie Harison (2004). Selain itu. yaitu diabetes stadium normal. 3.cluster. Di sisi lain pada analisis cluster klasik pendekatan cluster dilakukan berdasarkan pada jarak antar objek (Vermunt dan Magidson. chemical. artinya meskipun setiap objek menjadi milik suatu cluster. model pengelompokan dengan latent class cluster dilakukan secara lebih objektif dibandingkan dengan K-means cluster. menyimpulkan bahwa hasil klasifikasi pada latent class cluster memiliki angka misklasifikasi sangat kecil dibandingkan dengan hasil pada K-means cluster yang jauh berbeda dari hasil sebenarnya (diagnosa klinik). Dalam penelitian yang akan dilakukan mengenai pengelompokan terhadap lahan usaha tambang bahan galian industri berdasarkan variabel indicator : nilai bahan galian. namun pada latent class cluster disediakan berbagai diagnostik seperti statistik Bayesian Criterion Information (BIC) yang dapat digunakan dalam penentuan jumlah kelompok. Terdapat banyak objek penelitian yang akan dianalisis dan juga tidak ada informasi mengenai jumlah kelompok. Oleh karena itu. Penelitian ini menggunakan data riil mengenai diagnosa penyakit diabetes dengan tiga variable kontinu yang dilibatkan adalah kadar glukosa. Model analisis latent class menghasilkan suatu pendekatan klastering dengan probabilistic. dalam skripsinya yang berjudul “Analisis Latent Class Cluster untuk Variabel Kontinu” juga membahas mengenai perbandingan antara analisis latent class cluster dengan K-means cluster. Pada data juga terdapat informasi klasifikasi medis dalam tiga kelompok. berdasarkan uraian yang telah dijelaskan di atas. tingkat bencana. tingkat penggunaan tanah. Jenis data pada penelitian ini memiliki skala pengukuran ordinal. dan kadar sspg (steady-state plasma glucose). dengan berbagai keuntungan sebagai berikut: 1. yaitu dalam penentuan banyaknya kelompok dilakukan berdasarkan seleksi model menggunakan kriteria informasi BIC. volume cadangan.2. 2. metode pengelompokan yang paling tepat digunakan dalam penelitian ini adalah metode latent class cluster. Peubahnya dapat bersifat kontinu. dan overt. ketinggian. dan 28 . ordinal). Hasil klasifikasi objek ke dalam cluster dilakukan berdasarkan sebaran peluang keanggotaan yang diduga secara langsung dari model. dan jarak. dalam K-means cluster tidak ada ketentuan untuk menetapkan jumlah kelompok. kedalaman efektif tanah.

. Xi I = 1.3) Untuk keperluan penetapan keanggotaan subjek kedalam laten class. .1 Tabel Kontingensi Dua Variable Indikator Dengan Dua Kategori Kombinasi respons X1 X2 Frekuensi 1 1 1 n11 2 1 2 n12 3 2 1 n21 4 2 2 n22 Peluang bahwa respons pengukuran X i  xi bersyarat kepada latent class D = d ditulis sebagai: P( X i  xi | D  d ) . Oleh karenanya Persamaan (2.  Xi    I .. .1. I berskala pengukuran nominal.. X 2 . dalam tiap latent class. dengan 1. spesifitas dan sensitivitas. . . (2.. seperti LCA. 2. Sehingga untuk sebuah vector pengamatan gabungannya L d 1 X  ( X 1 .. kombinasi respons yang mungkin terjadi untuk K = 2 nampak pada Tabel 3. dengan peluang  L  K buah Variabel yang dapat diamati (manifest variable). masing-masing dinyatakan sebagai X 1 . .2) menjadi: L k P ( X  x)   P ( D  d ) P ( X i  xi | D  d ) d 1 i 1 (2.1) Hal ini menunjukkan bahwa klasifikasi berbasis model. Untuk I = 2. I dianggap sama. manifest variable Xi i = 1. . peluangnya dihitung melalui aturan Bayes 29 . I independen satu sama lain. X 2 . memungkinkan pengukuran akurasi perangkat uji diagnostic. dengan peluang  1  D   L. .2) P ( X  x)   P ( X  x | D  d ) P ( D  d ) Dalam latent class analysis dianggap bahwa. melalui persamaan (2.1) di atas. 2. X K . peluang (2.2 sebagai berikut: Tabel 2. untuk memudahkan penulisan. X K ) . 2..  Level dari Xi i = 1. . Dalam kenyataannya boleh berbeda.

Masalah identifikasi: Tidak terdapat jawab tunggal. dalam keadaan ini p-value ditaksir memakai bootstrap. maka ada kemungkinan sejumlah sel dengan frekuensi nol.6) n  P ( X  x) n menyatakan ukuran sampel. berdistribusi chi-square dengan derajat bebas (db) sama dengan banyak sel dalam table kontingensi.P ( D  d | X  x)  P( X  x | D  d ) P( D  d ) P ( X  x) (2.3). sparse table.5) Untuk pengujian kesesuaian model dipergunakan statistic uji likelihood-ratio ni (2. Taksiran Proporsi keliru klasifikasi adalah: (2. Kinerja dari pengkalsifikasian dinilai juga melalui keliru klasifikasi. 2. memakai criteria informasi BIC yang dinyatakan sebagai berikut : BIC = . M  I K . Maksimum Lokal 3.2 Metode Estimasi dan Pengujian Hipotesis Jika banyak kombinasi respons adalah M.2 ln (L) = p ln (N) dengan : ln (L) : logaritma natural likelihood p : banyak parameter yang ditaksir dalam model N : banyak objek Seleksi model dilakukan untuk memperoleh informasi tentang jumlah kelompok sebagai solusi terbaik. Beberapa masalah yang perlu mendapat perhatian dalam penkasiran adalah: 1. dikurangi banyak parameter dikurangi satu. L2  2 ni ln Apabila banyak sel besar.7) 30 . Peluang nol (2. Perbandingan model. 2. dengan kriteria model terbaik adalah model dengan BIC terkecil dari beberapa solusi k kelompok yang didapat. M.4) Dengan peluang penyebut dinyatakan dalam persamaan (2. Nilai maximum peluang ini dalam sebuah latent class mengarahkan pada penetapan keanggotaan subjek kedalam latent class tersebut. Kernel log-likelihood untuk sampel acak X = x adalah: M ln L   ni ln P( X  x i ) i 1 Parameter dalam model ditaksir memakai Maximum Likelihood. selain memakai statistic L2 di atas.

1.045 0. sebab p-value dari L2 menunjukkan bahwa model terliihat tidak ada yang cocok dengan data.586 1401.Error.8564 -586. dan pengurangan variabel indikator dengan memperhatikan bivariat residual (BVR).M E i 1 ni 1  max P( D  d | X  xi . Eksplorasi Data Lahan Usaha Tambang Eksplorasi dilakukan sehubungan dengan data yang diolah menghasilkan output yang sulit di interpretasikan. 0 0.0577 0. kedalaman efektif tanah.60E-81 9. Class.734 1417.5762 df 57 48 39 30 21 12 3 -6 p-value 3. tingkat bencana.30E-87 .0313 Lanjutan Tabel 3.9519 552. Dalam analisis ini awalnya data lahan usaha tambang diolah dengan latent Gold versi 4.30E-91 6.5487 -609.0341 421.1 Model Latent Class Cluster Lahan Usaha Tambang Bahan Galian Industri Model1 Model2 Model3 Model4 Model5 Model6 Model7 Model8 1Cluster 2-Cluster 3-Cluster 4-Cluster 5-Cluster 6-Cluster 7-Cluster 8-Cluster LL -632. Dengan menggunakan uji korelasi bisa diketahui variabel indikator mana yang berkorelasi dan yang tidak. Jenis data pada penelitian ini memiliki skala pengukuran ordinal Analisis latent class cluster mempunyai asumsi bahwa variabel indikator dalam setiap kelas tidak berkorelasi.3335 447.582 1367.6869 402. ternyata asumsi independensi local dilanggar.40E-80 1. Model LC cluster dan bivariat residual untuk data lahan usaha tambang tersebut dapat dilihat pada Tabel 3. Tetapi jika melihat BVR nya.2. volume cadangan.828 -522.10E-87 1. Kedelapan variabel tersebut terdiri dari : nilai bahan galian. Bivariat Residual untuk Model Dua Klaster 31 .866 1351. dan jarak.1 dan Tabel 3. Dalam penelitian ini eksplorasi yang dilakukan meliputi penyederhanaan jumlah kategori.1 Tabel 3.7395 -557.0. tingkat kemiringan. Hal ini menjadi dasar apakah semua variabel indikator dilibatkan atau tidak dalam pengelompokan tersebut (dalam analisis latent class cluster).50E-82 1. model -cluster bisa dipilih.8609 BIC(LL) 1361.225 1355. tingkat penggunaan tanah. uji korelasi polichorik. tapi hasilnya sulit diinterpretasikan.0671 0. Penelitian ini menggunakan 80 lahan usaha tambang bahan galian industri di Kabupaten Sukabumi yang telah memenuhi kriteria zonasi wilayah pertambangan dengan delapan variabel penimbang dalam pengelompokan lahan usaha tambang.608 1381. ketinggian.2 berikut ini : Tabel 3.8) 3 HASIL DAN PEMBAHASAN 3. sehingga tidak bisa diambil kesimpulan. n (2.0484 0.166 1347.125 Npar 22 31 40 49 58 67 76 85 L² 597.0898 -544.5673 505.9428 470.5442 -568.0544 0.0644 0.5104 378.60E-83 6. Jika memperhatikan nilai BIC.4162 -534.

1646 0.3 Model Latent Class Cluster Lahan Usaha Tambang Bahan Galian Industri Model1 Model2 Model3 Model4 Model5 Model6 Model7 Model8 1-Cluster 2-Cluster 3-Cluster 4-Cluster 5-Cluster 6-Cluster 7-Cluster 8-Cluster LL -339. 0. Volume.3859 2.5206 0. 0.80E-05 Class.2536 -318.5 model yang cocok dengan data dan parsimony 32 .601 0.4288 0.0288 0.1404 0.1557 df 71 62 53 44 35 26 17 8 p-value 4.6262 63.4627 710.1461 0. 0.061 0. Kemiringan.0524 0.Dari hasil penggabungan kategori pada masing-masing variable indicator menjadi dua kategori.Error.0125 . artinya hasil pengolahan masih sulit diinterpretasikan.6867 722.0266 1. BENC (Tingkat Bencana) PTHN (Tingkat Penggunaan Tanah) serta.1147 84..3867 -298.0299 0.2332 0.3938 0.389 836.2031 -304.6979 0.0001 0. 0.058 Tabel 3.4628 808.3088 3.4042 -283.5668 0.1149 .6643 1.0092 1. 0 0. Dari Tabel 3.0379 0.0078 0. Hal ini mungkin disebabkan oleh banyaknya kategori. Bivariat Residual untuk Model 2-Cluster (Variabel Indikator Masing-Masing Dua Kategori) Indicators BHNG VOLUME KEDLMAN KEMRNGAN TINGGI BENC PTNH JARAK BHNG . 0.4795 .0084 0. 0. 0.4.7125 0.0039 0.4 berikut : Tabel 3. Jarak.4588 -294.0042 0.002 0.2147 KEDLMAN KEMRNGAN TINGGI BENC PTNH JARAK . maka langkah selanjutnya adalah melakukan pengolahan terhadap data hasil pengujian korelasi polikhorik.7767 34. Penyederhanaan kategori ini dilakukan berdasarkan pertimbangan fihak terkait.0177 0.7134 2.0227 .5215 0. 1.0341 -279. 0. Mengingat penyederhanaa kategori masih belum memperlihatkan hasil yang memuaskan.0199 VOL .9597 .8483 780.0858 KEDLMAN KEMRNGAN TINGGI BENC PTNH JARAK .0629 0.0069 3. Oleh karena itu perlu disederhanakan jumlah kategorinya.Indicators BHMG VOLUME KEDLMAN KEMRNGAN TINGGI BENC PTNH JARAK BHMG . Output pengolahan diperlihatkan dalam Tabel 3.0389 0. sehingga banyak sel yang kosong.002 0.5522 VOLUME .1242 0.2157 112. yaitu terhadap 8 variabel indikator : BHNG.2081 0. Kedalaman. 0. untuk kedelapan variable indicator.5169 41.8292 2.0935 0.3 dan Tabel 3.3769 0.041 .00072 3. sehingga untuk masing-masing variable indicator menjadi dua kategori saja.6.4722 6.8718 0.9474 .0016 0.2236 BIC(LL) 713.1486 0. Tinggi.008 0.678 Npar 8 17 26 35 44 53 62 71 L² 154.0291 1.0029 2.142 0. 1. didapat hasil pengelompokan seperti pada Tabel 3.4054 0.4819 72.1035 -288. 0.9739 868.0181 0 .0119 0.1994 3.0268 . 0.379 749.20E-08 0. 0.9156 52.0381 0.0855 0.1582 .5 dan Tabel 3.

2495 -229.0528 693.62 0.095 Seperti telah dijelaskan pada bagian sebelumnya bahwa dalam memilih model yang cocok adalah dengan memperhatikan nilai statistic L2 dan nilai pvalue nya.1368 551. Nilai L2 memperlihatkan jumlah asosiasi diantara variabel yang tidak diterangkan setelah menaksir model. Berdasarkan proses yang dilakukan berulang kali.8993 32. untuk data tersebut didapat hasil pengelompokan pada Tabel 3.8115 573.73 0.adalah model 2 cluster.47 0.9833 50.78 0.9499 -231. Taksiran dan Kecocokan Model LC Cluster Lahan Usaha Bahan Galian Industri Setelah dua variabel indikator dibuang.84.9081 -233. Model Latent Class Cluster Lahan Usaha Tambang Bahan Galian Industri (6 variabel indicator masing-masing terdiri dari dua kategori) Model1 Model2 Model3 Model4 Model5 Model6 Model7 Model8 1Cluster 2-Cluster 3-Cluster 4-Cluster 5-Cluster 6-Cluster 7-Cluster 8-Cluster LL -258. Oleh karena belum didapat hasil yang memuaskan.4611 641.0803 0. 2003). Selanjutnya jika memperhatikan nilai BVR pada Tabel 3.087 0.56 0. Tabel 3. 33 .5043 -242.0718 40. sehingga nilai yang lebih rendah menunjukkan model yang makin cocok kepada data.2. maka variable indicator yang dibuang adalah : Ketinggian dan Tingkat Penggunaan Tanah (PTNH). Model ini masih sulit untuk diinterpretasikan dalam hal labelisasi cluster yang terbentuk.9181 -238. Membuang variable indicator dengan jalan memperhatikan nilai BVR yang paling besar dan > 3. 2005).Error.4427 Npar 6 13 20 27 34 41 48 55 L² 71. Selain itu juga memperhatikan nilai-nilai BVR yang besar yang berkaitan dengan variable indicator tersebut ke arah baris dan kolom.84 menjadi acuan untuk membuang variable indicator (Vermunt & Magidson. maka eksplorasi dilakukan dengan memperhatikan nilai BVR.3824 8.7. ukuran yang digunakan adalah AIC dan BIC.1392 0.1221 0. tetapi dalam prakteknya untuk variable indikator yang jumlahnya kurang dari 10 pun mempergunakan criteria ini ketika ukuran statistik L2 masih diragukan untuk dipergunakan.8792 22.7912 616. Bagaimana jika perhatian diarahkan kepada nilai BIC ? Pada umumnya untuk data dengan variable indicator minimal 10 indikator.42 Class.562 13.1498 0.7 berikut ini.6463 668.1861 df 57 50 43 36 29 22 15 8 p-value 0.963 17.1937 0.57 0. Nilai BVR > 3.84. Berdasarkan hal ini model yang dipilih adalah 2 cluster.1597 -226. BVR menandakan bagaimana pendugaan dan pengamatan hubungan antar dua peubah.0661 0. BVR merupakan alat untuk mengukur secara luas asosiasi antara dua peubah yang dihasilkan model (Vermunt & Magidson.6 untuk model 2 cluster masih diragukan untuk dipilih.2252 595.4601 -247. karena nilai BVR masih ada yang lebih dari di 3. Setiap BVR sesuai dengan statistic Pearson chikuadrat dibagi dengan derajat kebebasan yang mana frekuensi pengamatan dalam tabulasi silang dua arah dari peubah dibandingkan dengan jumlah ekspektasi yang diduga di bawah model latent class yang sesuai. 0 0.5615 BIC(LL) 543. 3.

3543 0.93 0. Biasanya model dimana p.07 0.2708 0.value lebih besar dari 0.5066 0. 3. seperti Volume. Selanjutnya perhatikan banyaknya parameter (Npar) untuk masing-masing model.9 3.7234 0.1379 0.3212 0. Dengan demikian model yang cocok dan parsimony adalah model 2 Cluster.4953 0. dapat dilihat pada Tabel 3.3474 0.9 nampak bahwa seandainya indicator nilai bahan galian (BHNG) sebagai factor penentu suatu lahan usaha tambang masuk pada suatu klaster..4078 1. Indicators BHNG Rendah Tinggi VOLUME Rendah Tinggi KEDALAMAN Sulit Ditambang Mudah Ditambang KEMIIRINGAN Tidak Aman Aman BENC Rawan Bencana Tidak Rawan Bencana JARAK Jauh Dekat 0. Tabel 3. Untuk itu perhatikan kembali Tabel 3. Model yang cocok dengan data adalah model dengan 2 cluster.2766 0.Kriteria untuk menentukan banyaknya kluster dengan melihat kolom pvalue yang distribusi Chi Kuadrat .4 Deskripsi Lahan Usaha Tambang Lahan usaha tambang bahan galian industry dengan Indikator tertentu kemungkinan ada dalam kelas mana.8621 0. dan suatu lahan tambang bahan galian industry yang bernilai rendah kemungkinan besar (51%) akan masuk pada klaster 2.7802 0.5 Deskripsi Kelas (Cluster) 34 .9.4934 0.1489 0. dan model seperti ini yang akan terpilih. Kriterianya adalah pilihlah model yang cocok dengan data sertamempunyai N-par paling sedikit.3083 0. Besar kelas dan Indikator-Indikator yang Diperlihatkan Lahan Usaha Tambang Cluster1 Cluster2 0.8511 Dari Tabel 3. maka model tersebut dikatakan sebagai model parsimony.5922 0.2198 0.9.7292 0.7 di atas.6457 0.6917 0.5047 0. maka kemungkinan besar (93%) suatu lahan usaha tambang bahan galian industry yang bernilai tinggi akan masuk pada klaster 1.05 disebut cocok dengan data dan apabila dari beberapa model yang cocok tadi mempunyai jumlah parameter (N-par) paling sedikit. Sedangkan untuk variable indicator lainnya.6526 0.6788 0. Overall 2. Kedalaman dan lainnya dapat dilihat secara lengkap pada Tabel 3.

5922 Besar Kelas dan Indikator-Indikatornya Cluster2 0.8106 0.7274 0. dapat dilihat pada Tabel 3.2726 1.0527 1.9408 0.6443 3.0373 0. serta jarak yang jauh dengan sarana jalan .0901 0.4541 1.7887 0.7. tingkat bencana (BENC) yang rawan. Adapun ekspektasi kesalahan pengklasifikasiannya adalah sebesar 0.5273 0.4727 0. Ini dapat dilihat pada Tabel 3.3557 0. nilai Kedalaman rendah. volume cadangan (Volume) rendah.4727 1.11 dapat ditunjukkan bahwa : suatu lahan usaha tambang bahan galian industry dengan nilai bahan galian (BHNG) rendah.7351 0.3163 0. Hampir semua lahan usaha tambang dalam cluster-1 memiliki nilai indicator yang rendah.4078 KEMIRINGAN Tidak Aman Aman Mean BENC Rawan Bencana Tdk Rawan Bencana Mean JARAK Jauh Dekat Cluster1 0.2649 1.2113 1.10 diperlihatkan besar kelas dan lahan usaha tambang seperti apa dalam tiap kelasnya. nilai BHNG rendah.9099 0.5459 0.10 Cluster1 Cluster Size Indicators BHMG Rendah Tinggi Mean VOLUME Rendah Tinggi Mean KEDALAMAN Sulit Ditambang Mudah Ditambang Mean 0.4541 0.15 4 KESIMPULAN 35 . Secara keseluruhan klasifikasi lahan usaha tambang bahan galian industry ke dalam klaster mana.15. seperti terlihat pada Tabel 3.9473 0. kurang lebih 59% lahan usaha tambang ada pada cluster-1 dan 41% lahan usaha tambang ada pada cluster-2.0373 1.2113 0.0592 Cluster2 0. ada 9 lahan yang masuk ke dalam klaster-1 dengan peluang sebesar 0.0592 1.6 Klasifikasi Lahan Usaha Tambang Bahan Galian Industri Pada bagian ini akan diperlihatkan bagaimana klasifikasi lahan usaha tambang bahan galian industry menurut kelas dilakukan berdasarkan kategorikategori indikatornya. Artinya bahwa tingkat kesalahan klasifikasi lahan usaha tambang bahan galian industry di Kabupaten Sukabumi menurut hasil dari analisis latent class cluster adalah 0.Dalam Tabel 3.8106 1.11. nilai Kemiringan rendah.2649 0.95. kedalaman efektif tanah (Kedalaman) menunjukkan mudah ditambang. Jarak rendah Tabel 3. nilai Volume rendah.9627 0. tingkat kemiringan yang tidak aman untuk ditambang.3163 1.2726 0.11 Dalam Tabel 3. BENC rendah.0527 0.0901 1. Ukuran masing-masing kelas Nampak hamper berimbang.6837 0.6443 1.

103 0.9984 0.0592 0.9649 0.9408 0. Tabel 3. Klaster-1 merupakan lahan usaha tambang bahan galian industry yang kurang potensial. serta dekat dengan akses jalan. tingkat kedalaman efektif tanah yang rendah sehingga mudah ditambang.9138 0.9231 0.8337 0.5427 0. Dari hasil analisis yang telah dilakukan.1259 0.7397 0. rawan bencana. karena pada umumnya mempunyai karakteristik : Nilai bahan galian rendah. pada umumnya mempunyai karakteristik : Nilai bahan galian tinggi.9632 0.8741 0. b.6473 0. serta jauh dari akses jalan.7612 0. Klasifikasi Lahan Usaha Tambang Bahan Galian Industri BHNG Rendah Rendah Rendah Rendah Rendah Tinggi Tinggi Tinggi Tinggi Tinggi Rendah Rendah Rendah Rendah Tinggi Rendah Rendah Rendah Rendah Rendah Rendah Rendah Rendah Tinggi VOL Rendah Rendah Rendah Rendah Tinggi Rendah Rendah Rendah Rendah Tinggi Rendah Rendah Rendah Rendah Tinggi Rendah Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi Tinggi Rendah KDALAMN Rendah Rendah Rendah Rendah Rendah Rendah Rendah Tinggi Tinggi Tinggi Rendah Rendah Tinggi Tinggi Tinggi Tinggi Rendah Rendah Rendah Tinggi Tinggi Tinggi Tinggi Tinggi KMIRINGN Mudah Mudah Sulit Mudah Mudah Mudah Mudah Mudah Sulit Mudah Sulit Sulit Mudah Mudah Mudah Sulit Mudah Sulit Sulit Sulit Sulit Sulit Sulit Sulit BENC Rawan Tdk Rawan Rawan Rawan Rawan Rawan Rawan Rawan Rawan Rawan Rawan Tdk Rawan Rawan Tdk Rawan Tdk Rawan Rawan Rawan Rawan Rawan Rawan Rawan Tdk Rawan Tdk Rawan Rawan JARAK Jauh Jauh Jauh Jauh Jauh Jauh Dekat Jauh Jauh Jauh Dekat Dekat Dekat Dekat Dekat Dekat Dekat Jauh Dekat Jauh Dekat Jauh Dekat Dekat ObsFreq 9 3 7 11 3 7 1 4 2 1 1 3 2 1 9 5 1 1 1 1 1 3 1 1 Modal 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 Cluster1 0. volume cadangan tinggi. tingkat kedalaman efektif tanah yang sulit ditambang. Karakteristik yang dimiliki oleh masing-masing klaster adalah sebagai berikut : a.0016 0.0501 0.1.0095 0.01 0.0044 0.6864 Lanjutan Tabel 3. Klaster-2 merupakan lahan usaha tambang bahan galian industry yang potensial .cluster dengan klasifikasi lahan usaha tambang yang kurang potensial dan potensial.9783 0.0217 0.0215 0.4573 0.0769 0.11. 2.0127 0.8668 0.0351 0.11 36 .1332 0.2388 0.9785 0.3527 0.0368 0.9873 0. tidak rawan bencana.2603 0.6207 0.7453 0. maka dapat disimpulkan bahwa : Pengelompokan 80 lahan usaha tambang bahan galian industry di Kabupaten Sukabumi menghasilkan model terbaik yaitu model 2.9499 0.9956 0.0862 0.3793 0.1663 0.2547 0.99 0.3136 Cluster2 0. volume cadangan rendah.897 0.9905 0.

John Willey & Sons. Cambridge University Press. Fifth Edition. Advances in Latent Class Models. and David W. Prentice Hall. Statistical Innovation Inc 37 .B. A.. 37 . Jimmie. Publication. eds.0:)..P. Upper Saddle River. and Jay Magidson (2000) . Wichern. Inc. DAFTAR PUSTAKA Hair. Applied Multivariate Statistical Analysis. Harison. Subhash.W. 1996.. Johnson. New York Vermunt .. Chapter B1 in Hagenaars and Mc Cutcheon. Englewood Cliffis.44 _____________________________________. F. R. Inc. Finding groups in data : An Introduction to cluster analysis. _____________________________________. Incl. Method of Multivariate Analysis. Jeroen K. T..5. Ronald L.J. 20. 2004. Multivariate Data Analysis.. Related to Latent Gold Software . Rolph E. Analisis latent Class Klaster Untuk Variabel Kontinu. (2002). New Jersey.1990. Skripsi Statistika FMIPA UNPAD. Journal of Marketing Research. Univ. (2005 Technical Guide for latent GOLD 4. Punj. J. Applied Multivariate Techniques. Canada Sharma. Latent Class Models for clustering : A comparison with K-Means. and D. 2002. 134-148 Rencher. New Jersey. 20 (May). John Wiley and Sons. Kaufman. and Rousseeuw. Inc. “Latent class cluster analysis”.. Canadian Journal of Marketing Research. Alvin.A.S. “Cluster Analysis in Marketing Research : Review and Suggestions for Application”. Of South California. and William C.L. John Wiley & Sons. Girish. 1983.Basic and advance . Inc.New York. Prentice Hall International. 1992.

SEM works in a different way by fitting a sample covariance matrix to a model implied covariance matrix and producing a fitted covariance matrix.e. In addition. hedonic price model. Furthermore. bootstrap. from simple linear regression model to continuous time model with latent variables. 1. Instead of fitting individual observations as in regression analysis. which suffers from nearly non-positive definite fitted covariance matrix problem. structural equation modeling.suparman@unpad. We compare standard errors from two equivalent SEM models. The estimated maximum likelihood standard errors in the model become implausibly large which in turn jeopardize inferences. Bandung. i. SEM allows latent constructs to be explicitly included in the model which enhance the interpretations of analysis results.ac. One of the reasons is that SEM accommodates a wide range of statistical models. Padjadjaran University. One problem emerges when a fitted covariance matrix is nearly non-positive definite. Indonesia.BOOTSTRAPPING FOR A STRUCTURAL EQUATION MODEL WITH A NEARLY NON-POSITIVE DEFINITE FITTED COVARAINCE MATRIX YUSEP SUPARMAN Yusep Suparman: Statistics Department. SEM ability in including measurement errors into the analysis overcomes methodological obstacle which cannot be handle in a standard statistical analysis. a discrete and a continuous time hedonic price autoregression panel model. Different from regression analysis which works based on individual data. exact discrete time model.id ABSTRACT Structural equation modeling (SEM) has been widely adopted for measuring causal relationship. SEM fits a sample covariance matrix to a model implied covariance matrix which is a function of parameters in the model and produces a fitted covariance matrix (Jöreskog. yusep. Key words: autoregressive panel model. we show that bootstrapping can overcome this problem. Among 38 . 1996). We find out that the bootstrap standard errors obtained from the continuous time model. INTRODUCTION Structural equation modeling (SEM) has been widely adopted in behavior and life sciences for examining causal relationships. are comparable to the maximum likelihood standard errors obtained from the discrete time model which is free from the problem. In this paper. SEM works based on a covariance matrix. fitted covariance matrix.

We discuss the SEM model and the bootstrap procedure in section 2 and 3 respectively. 2. STRUCTURAL EQUATION MODEL The structural equation modeling (SEM) is a procedure for showing whether the causal assumptions embedded in a model match a sample of data. In this paper. (2) x  τ x  Λ xξ  δ . In the later one. A SEM allows to dealing with latent and observed continuous variables simultaneously. the standard error estimates are much larger than the discrete time ones. 1973). To achieve this goal. we could not estimate the standard error. we obtain very large maximum likelihood standard error estimates.estimation methods. although the values are generally larger. Section 5 concludes. In comparison to the discrete time standard error estimates. We generated two thousand bootstrap samples of 1315 size. The specifications of the discrete time model are following Suparman et al. and two measurement models. This condition indicated by a very small value of the matrix determinant. we obtain implausibly large standard error. The continuous time model specifications are adopted from the exact discrete time – structural equation model (EDM-SEM) proposed by Oud & Jansen (2000).51  10 5 . In the former condition. we organize the paper as the following. the bootstrap procedure produces standard errors which can be used in the parameter estimates inference. The continuous time specifications applied to the discrete time hedonic model results in a nearly non-positive definite fitted covariance matrix. The two conditions jeopardize the parameter estimates inference. we intend to show that under a nearly non-positive definite fitted covariance matrix. (3) 39 . the differences are minor. one problem arise when a fitted covariance matrix is non-positive definite or nearly non-positive definite. we compare the maximum likelihood standard errors obtained from a discrete time hedonic price model (Suparman et. For that purpose a SEM made up of a structural equation model. (1). 2008) to the bootstrap standard error from an equivalent continuous time hedonic price model whose fitted covariance matrix is nearly non-positive definite. η  α  βη  Γξ  ζ . (2008). 2. (2) and (3). i. we estimated the continuous time standard errors following a bootstrap procedure (Efron and Tibshirani. Accordingly. Consequently. Nevertheless. the maximum likelihood has been the most often used.e. Section 4 describes a case study. al. (1) y  τ y  Λ yη  ε . While the values of the parameter estimate are slightly different from the discrete time parameter estimates. This problem emerges due to the maximum likelihood standard error estimates are a function of the inverse of fitted covariance matrix (Jöreskog.. Next. From the bootstrap procedure we obtain much lower standard error estimates than the ones obtained from the maximum likelihood procedure. 1993).

i. Generally. Jöreskog (1976) shows that the second derivative of the log likelihood function is a matrix linearly depending on the inverse of the fitted covariance matrix. latent exogenous. Since an inverse matrix is a function of the matrix determinant. and observed exogenous respectively. covε   Θ . we adopt a bootstrap procedure for obtaining standard error estimates. three vectors of constant intercept terms α . 40 . four covariance matrices covξ   Φ. Γ . and one mean vector of latent exogenous variables κ  . To overcome the problem of implausibly large standard error due to a small value fitted covariance matrix or we may call it nearly non-positive-definite fitted covariance matrix. The most widely used estimation method for SEM parameters is the maximum likelihood procedure. which are in the main diagonal of the variance-covariance matrix of the estimates. τ x  . Σ  AΛy x  Θ δ  Λ x ΦΓ Λ xΦΛ      µ  µ y . ε . Λ x . we minimize the fit function  F  log Σ  tr SΣ 1  z  µ  Σ 1 z  µ   log S   p  q  . covζ   Ψ. and x are vectors of latent endogenous. Under the maximum likelihood procedure. α .where η . and τ x are vectors of constant intercept terms. And a relatively small one results in relatively large standard error estimates. µ x  with µ y  τ y  Λ y Aα  Γκ  and µ x  τ x  Λ x κ . τ y . generally the problem may also be caused by model specifications as we show it in section four.e. Accordingly. p is the number of observed endogenous variables. we assume that Σ and S are positive-definite which means that they are nonsingular. y . In addition. where  Λ y AΓΦΓ  Ψ AΛy  Θ ε Λ y AΓΓΦ x   with A  I  B 1 . ξ . a relatively large value of fitted covariance matrix determinant results in a relatively small standard error estimates. In SEM. and δ are vectors of error terms. we assume that y and x have a multivariate normal distribution. The maximum likelihood procedure provides an asymptotic variancecovariance matrix of the estimates as the inverse of the information matrix. A special case of this condition can be found in the regression analysis in which the latter condition is called a multicollinearity problem due to the highly correlated independent variables. two measurement parameter matrices Λ y . z is a sample mean vector. S is a sample covariance matrix. This condition also applies to the standard errors. Further standard SEM specifications may be referred to Jöreskog & Sörbom (1996). the second derivative is also a function of the determinant. the expected second derivative of the maximum likelihood fit function multiplied by the number of observations minus one. and q is the number of observed exogenous variables. ζ . variables observed endogenous. τ y . covδ   Θ  . Parameters in a SEM are defined in two structural parameter matrices Β.

To form the second model we integrate the exact discrete time (EDM)-SEM (Oud & Jansen. The first model is the discrete time hedonic price autoregressive panel model proposed by Suparman et al. We use the procedure for estimating the standard error of the parameter estimates in the SEM with nearly non-positive definite fitted covariance matrix in section 4. By means of the bootstrap. we compare two equivalent SEM models. . particularly piped water service. Estimate the standard errors by the sample standard deviation of the B replications B ˆ ˆ 2 seB    * b    *   b1   B  1 . Alternatively. Z*1 . The autoregressive form is formulated for handling omitted variable bias in a hedonic price model. researchers often search for highly multicollinear independent variables and drop or replace one of the variables. We may take this idea and apply it for the case of nearly non-positive definite fitted covariance matrix in SEM. Evaluate the bootstrap replication corresponding to each bootstrap sample. The followings are the steps in obtaining standard error estimates. ˆ θ * b   s Z*b  b  1. Z *B . B . ones may get additional data if the sample size is considered to be small. 41 . 2. Form B independent samples. with size of n by a random sampling with replacement from the n observation units. called bootstrap procedure. we should find another way which will not end in these problems. CASE STUDY To illustrate the use of the bootstrap for estimating standard errors of SEM estimates under nearly non-positive definite fitted covariance matrix.3. Basically. the SEM standard error estimates will not be a function of the determinant of fitted covariance matrix. 4. Instead. We can re-specify the model but we may results in a theoretically in consistent model. 2000) specification into the first model. Effron and Tibshirani (1993) present an alternative procedure for estimating a standard error and testing a hypothesis based on empirical distribution by employing the frequentists’ idea of repeated sampling. (2008). The model is intended for estimating the marginal price of house characteristics. 2. 3.   12 B ˆ ˆ where  *   b1 * b  B . But if the sample size is already large. We can collect additional data. they will be calculated as the standard deviation of their respective parameter estimates from each bootstrap sample. BOOTSTRAP PROCEDURE In overcoming the multicollinearity problem. the effect will be minor. 1. Z *2 . The second model is the continuous time version of the first model. Hence. . they form a new data set to be applied to the model or re-specify the model.

0611 jt2 .e. and  are continuous time parameters. We apply their EDM-SEM specification into (4). This implies an identity relationship between the latent and the observed rent variable: 7  y9 . Here. 2 Var  7 ti 1   2 7ti 1  1  .  . second and third wave were done in 1993. The specifications of the continuous time model are based on the EDMSEM specifications. For our study. to account for the 1997 economic crisis that hit Indonesia just after the second wave data collection was finished. mean trajectory and error variance parameter respectively. They are the EDM drift. Furthermore. we use only the rural dataset which consists of 1315 unit observations.6 . Now we turn to the discrete time model specifications. viz.2. Oud and Jansen (2000) integrated the EDM into the SEM results in a continuous time modeling which allows for the inclusion of latent concept variables. without any further     42 . we focus only on the structural model. 1988. Specifically.2 . presence of well water (5  y7 ). the neighborhood characteristics median household monthly expenditure: (6  y8 ). The other latent explanatory variables are identical to their indicators. 1997. in house tap water (  4  y6 ). i. Suparman et al.. the latent variable house size ( 2 ) measured by the observables floor area ( y3 ) and number of rooms( y4 ). (the constraint of omitted variable bias correction). An EDM is a continuous time model based on discrete time observations. 2002). The specifications of the measurement models can be referred to Suparman (2008). The first. j  1. with  . (2008) specified the intercepts in (4) to be different for t1 and t 2 . monthly house rent. The structural model of the hedonic price autoregressive panel model proposed by Suparman (2008) is formulated as 6 j 1 7  7t i  0t i1    jt i jt i    jt i1 jt i1   7 ti 1 for i  1. Oud. The dependent variables included in the model are the latent variable household characteristics (1 ) measured by two observables. j 1 (4) with  jt   7 t 1  jt 1 . and 2000 respectively. 1993. house condition index (3  y5 ).There is only one directly observed variable in the model. Gandolfo. One of the reasons for adopting continuous time modeling is that it is considered to be more realistic than a discrete time model and can solve many problems in discrete time modeling (Bergstrom. particularly the dynamic part of the equation.  0ti   1 7 ti 1  1 . they assume an economic constraint of equal preference which is translated into the constraint of  jt1  1. and finally. The EDM-SEM specifications applied to (4) are formulated as the following constrains: 7ti 1  ett 1 . Moreover. household size ( y1 ) and household monthly expenditure ( y2 ). The data used is a three-wave Indonesian Family Life Survey (IFLS) panel dataset which is split into a rural and an urban dataset.

reduced the household income by the proportion m of the t1 level.constraints. Given the constant preference assumption. the coefficients are related as follows:  jt *  m  jt 1 for j  1. Most of the bootstrap standard error estimates are higher than their respective maximum likelihood standard error estimates. we conclude that the inconsistency occurs due to the nearly non-positive definite fitted covariance matrix. at t1* and at t1 . Thus. Nevertheless. Generally. 1 (6) (7) We also apply the multiplicative effect to the error terms which gives: 2  7t *  m 7t1 with var  7 t *   m var  7t1  .2. After calculating the determinant of continuous time fitted covariance matrix. the different between the continuous time estimates and their respective discrete time are minor except for the well water. To overcome this problem. the different are minor. The estimates are highly inconsistent. The entries of the first raw for each parameter are the estimates. (5) 1 The other crisis effects. We generated two thousand bootstrap samples ( B ) of 1315 size ( n ). The bootstrap standard error estimates in the continuous time model are consistent to their respective maximum likelihood standard error estimates in the discrete time model. we replace t1 in (4) by t1* . Marginal Price Estimates Variable / Parameter Standard Discrete EDM-SEM Time Approach 43 .6 . in the second raw of each parameter. if we compare the maximum likelihood standard errors. Next. except for household characteristics. on average. We present the estimates in the third raw of each variable. 6 1 7  7t 2   0t *    jt 2 jt 2    jt * jt 1   7t * j 1 j 1 1 1 (8) We present the maximum likelihood marginal price estimates for the discrete time and continuous time model produced by Mx program (Neal. the income decrease due to the crisis implies that the  jt 1 ’s are reduced by the same proportion. which cannot be explained by the variables in the model. Hence. We furthermore assume that the crisis. 1   1 Accommodating the 1997 economic crisis effect by substituting (5)-(7) into (4) we obtain for i  2 . for each of the parameter we calculate the standard deviation of its estimates. We may interpret  a as the crisis shock to the mean of monthly rent. say t1* .51 105 which is very small.. obtain a value of 2. we conducted bootstrap procedure for estimating standard errors. are aggregated in a parameter  a . at t1* . the intercept is  0 t *   0t 1   a . The continuous time standard errors are almost ten times higher than the discrete time ones. However. Hence for i  2 . For each bootstrap sample we estimate the parameters in the continuous time model by means of the maximum likelihood procedure. 2003) in table 1. Here we assume that the crisis occurred right after t1 . we will find that they are highly different. Table 1. et al.

0154) 0.Household characteristics (1 ) house size ( 2 ) House conditions index (3 ) Presence of in house tap water ( 4 ) Presence of well water ( 5 ) Neighborhood characteristics ( 6 ) Wave 1 0.0444 (0. REFERENCES Bergstrom.1178 (0.1041 (0. An introduction to the bootstrap (pp. CONCLUDING REMARKS In this paper we use bootstrap procedure for estimating standard errors of SEM parameter estimates with a nearly non-positive definite fitted covariance matrix indicated by a very small determinant. 224227). London: Chapman and Hall.1110 (0. 44 .0128) 0.2615) [0.0264) 0.S.1008] 0.0636 (1. G. Continuous time econometrics (pp.). (1973).0415] Wave 2 0. Gondolfo (ed.3398) [0. LISREL 8: User’s Reference Guide. In G.1327 (0.0713] 0.9579) [0. 6.J.9019) [0.2221) [0.0542 (0.0614) 0. (1993).0044 (0.0419 (0. Econometric theory. D.0898) 0.0264) Wave 1 0. The bootstrap procedure can overcome this problem.0529 (1. Its estimates are consistent to the maximum likelihood standard error estimates from an equivalent model.2980) [0. R.5773) [0. 4. Structural Equation Model in the Social Sciences (pp.6249) [0. London: Seminar Press. Gondolfo.0846) 0. Goldberger & O.6131) [0. In A.0145 0. 365-383 Efron.0354] 0.0236] 0.1320 (0. 1-11).0334] 0. and Sörbom.0671] 0. (1996). 85-112). Under this condition.D. London: Chapman Hall Jöreskog. K.0096 (0. Duncan (eds.). This comparison lends support to the use of bootstrap procedure for estimating standard error of SEM with a nearly nonpositive definite fitted covariance matrix.0847 (0.1069] 0.0106] 0.0247) 0. (1993).0047 (0. A.5884) [0.1540 (0. B.0264) Wave 2 0.8582) [0.0102 (0. & Tibshirani. R.0898 (0.0675 (1. (1988).0561 (1.0100] 0. A General Method for Estimating a Linear Structural Equation System.0391] 5. the maximum likelihood standard error estimates become implausibly large. Jöreskog.1104 (0.1408 (0.0136) 0.1401 (0. The history of continuous-time econometric models. K.0511 (0.9115) [0.1451 (0.0578) 0.0222] 0. Continuous-time econometrics has come of age.

Oud. (2000). Richmond: Department of Psychiatry.H.R.L.H.M. Oud. J. (2003) Mx: Statistical Modeling (6th ed. B. Continuous Time State Space Modeling of Panel Data by Means of SEM..L & Jansen.. 1-26 Suparman.C. J. Kwantitatieve Methoden..H.).P.. & Maes. Gothenburg University. (2008).G. Eliciting the Willingness to Pay for Piped Water from Self-Reported Rent Appraisals in Indonesia: A SEM Autoregressive Panel Approach. (2002). R. Sweden 45 . 69. M. J. S. 199-215. Folmer. Neale. Oud. G. Continuous Time Modeling of the Cross-Lagged Panel Design. Y. Xie. A paper presented at 16th Annual Conference of the European Association of Environmental and Resource Economist.H.L. Psychometrika. H.. 65.A. Boker. H.. & Resosudarmo.Chicago: Scientific Software International.

Analisis Korespondensi Multipel (Multiple Correpondence Analysis (MCA)) untuk Skala Pengukuran Data yang Berbeda (Kualitatif dan Kuantitatif) Rahmat Hendrawan Staff Seksi Data dan Informasi PPPPTK Pertanian Cianjur rahmathendrawan@ymail. it presents each category of variables together in a small dimensional vector space optimally. The thesis will apply Multiple Correspondence Analysis on the data of Vocational School (SMK) on Agriculture. However determination of coordinates in correspondence analysis using Generalized Singular Value decomposition (GSVD) of the residual matrix.com ABSTRACT Multiple Correpondence Analysis (MCA) is a method designed to reduce the dimension. Multiple Correpondence Analysis (MCA). 2003). Generalized Singular Value Decomposition (GSVD). Burt Matrix 1. 2007). Marine and Chemical Industries Programe in which the results of the analysis will perform plots and similarities from several categories of variables that are owned by SMK as respondents. Technique of multiple correspondence analysis obtained by using the standard of Correspondence Analysis the first. khususnya Sekolah Menengah Kejuruan (SMK) Pertanian. Key words: Correpondence Analysis (CA). PPPPTK Pertanian akan merumuskan dan menentukkan suatu kebijakan. MCA change raw data into indicator martix. agar kebijakan yang diambil menjadi objektif. dimana salah satu kebijakan yang diambil adalah berdasarkan data (kondisi real potensi atau sumber daya SMK) dengan pendekatan suatu metode statistik. Variabel yang satu dilihat korelasinya dengan variabel yang lain. MCA is an extension Correspondence Analysis (CA) which is used to analyze the pattern of relationship of some categorical variables. PENDAHULUAN Pusat Pengembangan dan Pemberdayaan Pendidik dan Tenaga Kependidikan (PPPPTK) Pertanian Cianjur sebagai lembaga pengembangan dan pemberdayaan pendidik dan tenaga kependidikan (PTK) dalam melaksanakan tugas pokok dan fungsinya PPPPTK Pertanian harus memberikan pelayanan yang “up to date” dan mampu memberikan solusi terhadap permasalahan yang dihadapi pendidik dan tenaga kependidikan dalam melaksanakan upaya peningkatan mutu dan pemerataan pendidikan. misalnya: variabel kemudahan 46 . namely the matrix with elements 0 and 1 (Herve and Domonique. Sehubungan dengan hal di atas. Kelautan dan Kimia Industri. Burt Matrix is a symmetric matrix formed from multiplication of indicator matrix (Yangchun and Kern II.

misalnya apakah perlu adanya perhatian khusus pada kategori tertentu dari SMK agar lebih banyak pendidiknya yang mengikuti pengembangan atau pelatihan profesi. Pada prakteknya asumsi-asumsi tersebut sulit terpenuhi. Dengan melihat hubungan dari kategori SMK maka akan diambil suatu kebijakan. Data kategori misalnya SMK dibedakan antara yang mudah diakses dan sulit diakses. Tujuan dari penelitian ini adalah untuk mengetahui analisis korespondensi untuk data dengan variabel yang lebih dari dua yaitu analisis korespondensi multipel (Multiple Correspondence Analysis (MCA)) dan penyelesaiannya untuk skala pengukuran data yang berbeda (kualitatif dan kuantitatif). SMK lama dan baru. Sedangkan data kuantitatif menyatakan jumlah potensi atau sumber daya yang ada di SMK misalnya jumlah pendidik. Pemetaan presepsi biasanya dilakukan melalui beberapa analisis statistik. untuk mencapai asumsi tersebut dibutuhkan biaya yang lebih besar dan menyita lebih banyak waktu.akses SMK dihubungkan banyaknya program studi. tidak ada asumsi tentang distribusi dan model tidak dihipotesiskan. Pada kenyataannya data yang sering ditemukan adalah data yang berbentuk tabel kontingensi yang variabel-variabelnya kualitatif. 47 . Kelautan dan Kimia Industri di atas memerlukan analisis korespondensi yang melibatkan lebih dari dua variabel yang merupakan perluasan dari analisis korespondensi sederhana (Correspondence Analysis (CA)) yang dirancang untuk menganalisis pola keterkaitan dua atau lebih variabel. Skala pengukuran data kondisi SMK berupa data mix (campuran). untuk itu data mengenai keterkaitan atau korelasi antar variabel tentang kondisi SMK ini ingin dilihat secara bersamaan yang melibatkan semua variabel dalam satu analisis dan upaya ini merupakan perluasan dari analisis korelasi dua variabel yang sudah dilaksanakan sebelumnya. SMK unggulan dan non unggulan. dan seterusnya. jumlah pendidik dihubungkan dengan banyaknya pendidik yang mengikuti pengembangan atau pelatihan profesi. dan seterusnya. jumlah pendidik yang mengikuti pengembangan dan pelatihan profesi. Proses analisis data dengan menghubungkan dua variabel belum dapat memuaskan karena besar kemungkinan akan kehilangan informasi penting yang terkandung didalam korelasi antar variabel sehingga akan memperoleh kesimpulan yang kurang tepat. Salah satu metode statistik yang dapat dipergunakan untuk mendapatkan informasi yang dibutuhkan di atas adalah pemetaan persepsi (perceptual mapping). Metode ini juga biasanya dibutuhkan untuk mereduksi dan memberikan penjelasan tentang hubungan antara dua variabel di dalam data yang berbentuk matriks berdimensi besar. Identifikasi masalah yang akan diteliti yaitu mengenai analisis korespondensi untuk data dengan variabel yang lebih dari dua dan skala pengukuran data yang berbeda yaitu kualitatif dan kuantitatif. menggunakan asumsi tentang distribusi dan model harus dihipotesiskan. yaitu data kategori dan metrik. dan analisis tersebut kebanyakan memiliki asumsi diantaranya ialah jenis data harus dengan skala pengukuran kuantitatif. Struktur data kondisi SMK Pertanian. jumlah program studi. dengan hubungan antar variabel non-linier. Metode pemetaan persepsi dapat menghasilkan plot yang menampilkan posisi kondisi real potensi / sumber daya SMK tertentu. hubungan antar variabel harus linier. (data kualitatif dan kuantitatif).

48 . 2007). untuk = 1. … . Analisis Korespondensi Multipel (MCA) merupakan perluasan dari Analisis Korespondensi Sederhana (CA) yang digunakan untuk menganalisis pola hubungan beberapa variabel kategori yang dependen (Herve dan Domonique. mempunyai orde × dengan : jumlah kategori pada masing-masing variabel. Analisis Korespondensi Multipel (Multiple Correspondence Analysis (MCA)) Analisis Korespondensi Multipel dan Analisis Korespondensi Bersama merupakan perluasan tabulasi silang tunggal dari Analisis Koresponedensi Sederhana untuk dua atau lebih variabel kategori (Nenadic dan Greenacre. Matriks indikator biasanya dinotasikan dengan Z berorde × dengan I adalah total responden (case) dan J adalah total kategori. Rencher. Elemen dari matriks indikator merupakan elemen biner yakni bernilai 0 dan 1. 2. Analisis korespondensi multipel adalaha metode yang memvisualisasikan gabungan dari dua atau lebih variabel kategori dengan tidak mengurangi analisis korespondensi dua variabel. yakni matriks dengan elemen 0 dan 1 (Herve dan Domonique. Analisis Korespondensi Multipel merupakan perluasan dari Analisis Koresponedensi Sederhana untuk lebih dari dua variabel (Yangchun dan Kern II. 2007). Tabel indikator dapat dibentuk dalam suatu matriks yang disebut matriks indikator (Greenacre. Matriks indikator merupakan matriks yang menunjukkan presensi dari kategori tiap-tiap responden atau case. 2003).Manfaat yang dihasilkan. 2007). 2005. dengan 0 untuk menyatakan absent dan 1 menyatakan present. melalui analisis korespondensi multipel untuk skala pengukuran data yang berbeda (kualitatif dan kuantitatif) diharapkan akan memberikan informasi yang tepat tentang keterkaitan beberapa kategori dari variabel secara keseluruhan secara bersamaan dengan objektif dan tidak dilihat secara parsial. Matriks data dalam analisis korespondensi multipel diperoleh dengan membentuk dan menyajikan data mentah (raw data) ke dalam matriks indikator (Greenacre. Kategori-kategori dari variabel dituliskan langsung pada sel-sel tabel. Tabel indikator merupakan pengembangan dari tabel data mentah yang merubah data kategorik menjadi data numerik. Teknik analisis korespondensi multipel diperoleh dengan menggunakan standar analisis korespondensi dengan mengubah data mentah ke dalam matiks indikator. Matriks indikator dengan Q variabel dinyatakan dalam bentuk partisi matriks sebagai berikut : … ] =[ masing-masing partisi matriks . 2005) … × × × ] × =[ Analisis korespondensi multipel pada awalnya menggunakan tabel data mentah atau raw data yaitu tabel yang barisnya adalah responden atau case dan kolomnya adalah variabel. 2002). dan pada akhirnya diharapkan akan memenuhi kebutuhan informasi yang digunakan untuk berbagai keperluan dan pengambilan kebijakan 2.

Perhitungan inersia analisis korespondensi multipel. Nilai merupakan nilai eigen hasil dari SVD dengan ≥ ≥⋯ ≥ > 0 dengan adalah banyaknya variabel kategori. GSVD (Generalized Singular Value Decomposition) dari Matriks residual Burt merupakan matriks simetrik sehingga akan memenuhi eigen values decomposition. Inersia profil kolom 49 . didefinisikan dengan : 1 = × adalah grand total dari matriks Burt Koordinat dan Pemetaan Profil Kolom. (Yangchun dan Kern II. yaitu inersia utama matriks indikator ( ) dan matriks Burt ( ). 2003) Bentuk umum dari matriks Burt adalah : … ⎡ ⎤ ⎢ ⎥ … = =⎢ ⋮ ⋱ ⋮ ⎥ ⎢ ⋮ ⎥ … ⎣ ⎦ Karena matriks Burt simetrik maka hanya perlu dihitung massa kolom ( ) dan massa kolom pada matriks indikator ( ) bernilai sama. Nilai singular digunakan untuk menentukan koordinat profil Koordinat utama profil kolom untuk K dimensi didefinisikan sebagai: × = × × × Kontribusi Inersia. Nilai singular adalah akar dari inersia utama matriks indikator. Untuk menentukan GSVD dari − adalah dengan menentukan matriks standardized residual = misalkan = dan = ( − ) = − = denga = dengan Singular Value Decomposition biasa dari diidapat GSVD = Nilai eigen atau inersia utama pada analisis korespondensi multipel dibedakan menjadi dua. yaitu kolom.Secara umum massa kolom dari matriks indikator didefinisikan sebagai: = × Matriks Burt merupakan matriks simetrik yang terbentuk dari perkalian matriks indikator . Total inersia pada analisis korespondensi multipel hanya bisa diperoleh dari matriks indikator yang dinotasikan sebagai : ( )= −1 Inersia profil kolom disebut dengan kontribusi titik-titik koordinat terhadap inersia utama matriks indikator ( ) atau axis utama. = . Nilai adalah kuadrat dari atau = ( ) . jarak tidak digunakan karena jarak hanya tepat digunakan untuk perhitungan inersia tabel kontingensi dua arah yakni pada analisis korespondensi sederhana.

Kemudian dari inersia relatif ini dapat ditentukan kuadrat jarak antara titik koordinat dengan titik origin. Kontribusi relatif adalah kontribusi axis pada titik koordinat. referensi yang dimaksudkan kutipannya adalah variabel dalam analisis korespondensi memungkinkan juga merupakan variabel kuantitatif diskrit seperti Jumlah anggota dalam keluarga atau jumlah kecelakaan yang dibayar oleh perusahaan asuransi dalam satu tahun. Penentuan level (kelompok) ini berdasarkan beberapa referensi yang mengacu pada ketentuan yang berlaku atau pembagian secara proporsional dari banyaknya data. Algoritma Analisis Korespondensi Multipel (Multiple Correspondence Analysis (MCA)) untuk Skala Pengukuran Data yang Berbeda (Kualitatif dan Kuantitatif) adalah dengan mengidentifikasi data yaitu variabel kuantitatif dan kualitatif. 2007). diberikan kode menjadi variabel kualitatif (nominal) dengan tiga level: kurang dari 0. Inersia relatif digunakan untuk menentukan seberapa besar kontribusi suatu titik koordinat pada ruang K dimensi. (Herve dan Domonique. 2007). dinotasikan dengan . 2002). Inersia Profil Kolom. Jika nilai besar maka axis dapat menjelaskan kategori dari variabel (titik koordinat) dengan baik. Koordinat dan Pemetaan Profil Kolom dan terakhir adalah perhitungan Kontribusi Inersia yang meliputi: Total Inersia. Jadi nilai yang mungkin dari variabel di atas didefinisikan sebagai kategori baris atau kolom (Hardle dan Simar. Inersia Relatif dan Kontribusi Relatif. Selanjutnya variabel penelitian yang menyajikan data mentah membentuk matriks data (Matriks Indikator dan Matriks Burt). Dasar pemikiran pembuatan matriks indikator ini adalah untuk mendapatkan tabel kontingensi dalam Analisis korespondensi multipel didefinisikan sebagai Matriks Burt yang merupakan hasil dari crosstabs atau perkalian silang transpose matriks indikator dengan matriks indikator. Kontribusi relatif profil kolom dinotasikan sebagai : ( ) × = × ( ) × 3. sama dengan 0 dan lebih dari 0.menentukan seberapa besar kontribusi suatu titik koordinat dari kategori variabel dalam mempresentasikan kategori tersebut pada suatu axis utama. Analisis Korespondensi Multipel (MCA) juga mengakomodasi variabel kuantitatif dengan memberikan kode yang dinyatakan sebagai “bins” sebagai contoh skor pada interval -5 sampai +5. Analisis dilanjutkan dengan menggunakan standar analisis korespondensi yaitu Penentuan Profil Kolom. Analisis Korespondensi Multipel (Multiple Correspondence Analysis (MCA)) untuk Skala Pengukuran Data yang Berbeda (Kualitatif dan Kuantitatif) Variabel penelitian dalam analisis korespondensi dijelaskan oleh beberapa referensi memungkinkan untuk menggunakan variabel selain variabel kategori (kualitatif). Jadi variabel kuantitaif tersebut akan diakomodasi dengan memberikan kode menjadi beberapa level (kelompok) variabel kualitatif. 50 . Variabel kuantitatif diakomodasi dengan memberikan kode variabel kualitatif (nominal) dengan beberapa level (kelompok). Variabel kualitatif seperti jenis kelamin dan warna rambut dihubungkan dengan variabel kuantitatif seperti usia dan penghasilan per bulan (Rencher. dan lain – lain.

dimana data tersebut didapatkan dari Laporan Bulanan Sekolah yang secara berkala dikirim oleh sekolah ke PPPPTK Pertanian Cianjur dan dari situs http://datapokok. Mekanisasi Pertanian.php Sedangkan Jumlah TNA(Trainning Need Assesment) dan Jumlah Peserta Diklat diambil dari database TNA Seksi Data dan Informasi PPPPTK Pertanian Cianjur. Kehutanan. sedangkan SMK yang tidak mempunyai telepon sekolah atau contact person sebesar 29 % (262 SMK). Jumlah SMK menurut Jumlah Pendidik yang ada di sekolah (Gambar 2). yakni : SMK yang mudah diakses ditandai dengan mempunyai telepon sekolah atau contact person yang bisa dihubungi dan SMK yang sulit diakses ditandai dengan tidak mempunyai telepon sekolah atau contact person yang bisa dihubungi. didapatkan Jumlah SMK menurut Jumlah Pendidik adalah 31 % (277 SMK) yang mempunyai kurang dari 17 Pendidik. variabel kemudahan akses SMK sebagai berikut: 300 Akses sulit 262 SMK 29% Akses mudah 637 SMK 71% 250 200 150 100 50 0 Kurang 18 . Eksplorasi Data SMK Pertanian.4. Agribisnis Produksi Sumberdaya Perairan.28 Lebih dari Tidak Ada dari 17 Pendidik 29 Data Pendidik Pendidik Pendidik Jumlah SMK 78 277 272 272 Gambar 1.ditpsmk. Jumlah Pendidik adalah akumulasi dari jumlah pendidik yang mengajar Mata Diklat Normatif.1. Produktif (Mata Diklat Program Studi Keahlian Agribisnis Produksi Tanaman. pie chart Jumlah SMK menurut Kemudahan Akses Gambar 2. 30 % (272 SMK) yang mempunyai 18 – 28 Pendidik. Penyuluhan Pertanian. Agribisnis Hasil Pertanian. Agribisnis Produksi Ternak. Berdasarkan Gambar 2.net/index. terlihat bahwa sebagian besar yakni 71 % (637 SMK) adalah SMK yang mempunyai telepon sekolah atau contact person yang bisa dihubungi. Grafik Jumlah SMK menurut Jumlah Pendidik dari diagram pie chart Gambar 1. 30 % (272 SMK) yang mempunyai lebih dari 29 Pendidik. sedangkan 9 % (78 SMK) yang tidak ada data pendidik. Adaptif. Teknik Kimia dan Pelayaran). Kemudahan akses SMK dibagi menjadi 2 kategori. Ukuran variabel Penelitian Kemudahan akses SMK adalah ada tidaknya nomor telepon atau contact person yang bisa dihubungi. Kelautan dan Kimia Industri dari 33 provinsi ini meliputi data mengenai : Kemudahan akses yang dimiliki oleh SMK. Jumlah Pendidik dan Jumlah Program Studi. HASIL DAN PEMBAHASAN 4. Kelautan dan Kimia Industri Data SMK Pertanian. 51 .

30 % (264 SMK) yang mempunyai 2 Program Studi Pertanian. sedangkan 23 % (208 SMK) yang belum ada permintaan diklat masuk ke PPPPTK Pertanian Cianjur. Kelautan dan Kimia Industri yang dibuka di SMK) pada Gambar 5. 300 250 200 150 100 50 0 280 194 205 220 245 240 235 230 225 220 215 210 205 200 195 190 239 227 225 208 Kurang 3-5 Lebih Belum dari 2 Peserta dari 6 Ada Peserta Peserta Peserta Jumlah SMK Kurang 8 . Agribisnis Produksi Ternak.Jumlah Peserta Diklat adalah banyaknya Pendidik di suatu SMK berdasarkan Pemanggilan Peserta untuk mengikuti pendidikan dan pelatihan yang di selenggarakan oleh PPPPTK Pertanian Cianjur. Jumlah SMK menurut Jumlah TNA (Training Needs Assesment/ Penjaringan Kebutuhan Diklat) Gambar4. didapatkan Jumlah SMK menurut Jumlah Program Studi adalah 44 % (396 SMK) yang mempunyai 1 Program Studi Pertanian. Kehutanan. Jumlah SMK menurut Jumlah Program Studi (Program Studi Pertanian. Jumlah SMK menurut Jumlah Peserta yang pernah mengikuti diklat yang diselenggarakan oleh PPPPTK Pertanian Cianjur (Gambar 3). didapatkan Jumlah SMK menurut Jumlah TNA adalah 27 % (239 SMK) yang mempunyai kurang dari 7 TNA. Mekanisasi Pertanian. Penyuluhan Pertanian. Kelautan dan Kimia Industri. Ukuran variabel penelitian Jumlah Peserta Diklat adalah banyaknya Pendidik di suatu SMK yang pernah mengikuti diklat dan satuannya adalah orang. Berdasarkan Gambar 5. Berdasarkan Gambar 4. Agribisnis Produksi Sumberdaya Perairan.20 TNA. 24 % (220 SMK) yang mempunyai lebih dari 6 peserta diklat. Ukuran dan satuan variabel penelitian Jumlah Program Studi adalah Jumlah Program Studi. Grafik Jumlah SMK menurut Jumlah Peserta Diklat Gambar 4. 25 % (225 SMK) yang mempunyai lebih dari 21 TNA. 23 % (205 SMK) yang mempunyai 3 – 5 peserta diklat.20 TNA Lebih dari Belum dari 7 TNA 21 TNA Ada TNA Masuk Jumlah SMK Gambar 3. 25 % (227 SMK) yang mempunyai 8 . sedangkan 31 % (280 SMK) yang belum ada peserta diklat. Grafik Jumlah SMK menurut Jumlah TNA Jumlah TNA (Trainning Need Assesment) atau Penjaringan Kebutuhan Diklat adalah Permintaan kebutuhan diklat yang dikirim oleh sekolah ke PPPPTK Pertanian Cianjur. Teknik Kimia dan Pelayaran) yang dihitung yang ada di sekolah. didapatkan Jumlah SMK menurut Jumlah Peserta Diklat adalah 22 % (194 SMK) yang mempunyai kurang dari 2 peserta diklat. 22 % (200 SMK) yang mempunyai lebih 3 Program Studi 52 . Ukuran variabel penelitian Jumlah TNA adalah banyaknya permintaan kebutuhan diklat dan satuannya adalah berkas. Berdasarkan Gambar 3. Agribisnis Hasil Pertanian. Jumlah Program Studi adalah Jumlah Program Studi Keahlian (Agribisnis Produksi Tanaman. Kelautan dan Kimia Industri.

0. Kelautan dan Kimia Industri.637. -0. Analisis Korespondensi Multipel Data SMK Pertanian. dan belum ada peserta diklat). Jumlah SMK menurut Jumlah TNA (kurang dari 7 TNA. Kelautan dan Kimia Industri.2.20 TNA. 0. dari koordinat diatas untuk plot 3 dimensi ternyata SMK dengan akses sulit mempunyai titik koordinat dimensi 1. Kelautan dan Kimia Industri. 0. Jumlah SMK menurut status sekolah (Negeri dan Swasta).352. diatas terlihat bahwa sebagian besar yakni 74 % (668 SMK) adalah Sekolah Negeri (sekolah yang dikelola oleh pemerintah). 18 – 28 Pendidik. Output Software Analisis Korespondensi Multipel sebagai berikut.646). lebih dari 6 peserta diklat. Konribusi Relatif: Kolom Koordinat menunjukkan koordinat dari kategori. 2 Program Studi Pertanian. dimensi 2. lebih dari 29 Pendidik. ≥3 Prodi 200 SMK 22% 2 Prodi 264 SMK 30% Tidak Ada Data Prodi 39… 1 Prodi 396 SMK 44% Swasta 231 SMK 26% Negeri 668 SMK 74% Gambar 5. Jumlah SMK menurut Jumlah pendidik (kurang dari 17 Pendidik. 3 – 5 peserta diklat. Kelautan dan Kimia Industri). 4. 8 . lebih 3 Program Studi Pertanian. lebih dari 21 TNA. sedangkan 26 % (231 SMK) adalah Sekolah Swasta (sekolah yang dikelola oleh Yayasan Sosial atau pihak swasta). belum ada permintaan diklat yang masuk). dan tidak ada data pendidik). Jumlah SMK menurut Jumlah Prodi (1 Program Studi Pertanian.614. pie chart Jumlah SMK menurut Jumlah Program Studi Gambar 6. Koodinat Profil Kolom dan Inersia Relatif. sedangkan Tabel 2. sedangkan 4 % (39 SMK) yang belum ada data membuka Program Studi Pertanian. Tabel 1. 53 . Kelautan dan Kimia Industri untuk data penelitian variabel Jumlah SMK menurut kemudahan Akses (akses mudah dan akses sulit). Kelautan dan Kimia Industri. belum ada data membuka Program Studi Pertanian. Berdasarkan Gambar 6.011) sedangkan untuk SMK yang mempunyai 18 – 28 TNA adalah (–0. Kelautan dan Kimia Industri Analisis Korespondensi Multipel Data SMK Pertanian.172. pie chart Jumlah SMK menurut Status Sekolah Sedangkan untuk Status Sekolah (Gambar 6) dibedakan menjadi 2 kategori yakni Sekolah Negeri (sekolah yang dikelola oleh pemerintah) dan Sekolah Swasta (sekolah yang dikelola oleh Yayasan Sosial atau pihak swasta).Pertanian. dimensi 3 berturut-turut adalah (0. Jumlah SMK menurut Jumlah Peserta diklat (kurang dari 2 peserta diklat. Kelautan dan Kimia Industri.

051 0.092 0.623 0.739 0.067 0.042 0.416 atau 41.5 Peserta -0. Kolom Cos² θ menunjukkan kontribusi relatif yaitu kontribusi axis pada titik koordinat. SMK yang belum mengirimkan TNA mempunyai kualitas sebesar 0.287 0.637 0.174 0.334).320 0. Kolom kualitas mempresentasikan titik terhadap subruang tiga dimensi.021 Akses sulit 0.018 Swasta 0.250 0. jika nilai Cos² θ besar maka axis dapat menjelaskan kategori dari variabel (titik koordinat) dengan baik.760 -1.828 0.051 0.041 0.138 0.688 -1.014 0.065 yang artinya proporsi SMK yang tidak ada data pendidik terhadap total tabel Burt sebesar 0.430 0.760 yang artinya 76% mempresentasikan titik kategori SMK yang belum mengirimkan TNA terhadap subruang tiga dimensi.372 0.412 0. sedangkan yang paling kecil adalah SMK dengan akses mudah dan akses sulit (0.960 0.040 2 Prodi -0.083 -0. Untuk dimensi 2 yang dapat menjelaskan kategori dari variabel paling besar adalah kurang dar1 2 peserta (0.050 ≥ 29 Pendidik Tidak Ada Data 1.469 0.050 -0.448 0.6%.262 0.832 0.053 -0.000).218 0.055 1.007 0.036 0.049 0. sedangkan yang paling kecil adalah 18 – 28 pendidik (0.049 0.039 0.20 TNA 0.087 0.044 0.832 0.124 0.699 -0.050 0.190 -1.843 -0. Pada Tabel 3.634 0.708 0.167 0.903 0.646 0.614 -0.253 0.017 -0.050 0.Tabel 1.577 0.401 0.118 0.124 terhadap semua kategori yang ada. Untuk dimensi 1 yang dapat menjelaskan kategori dari variabel paling besar adalah belum ada peserta (0.083 -0.541 0. Koodinat Profil Kolom dan Inersia Relatif Koordinat Inersia Kategori Massa Kualitas Relatif Dim.613 0.052 8 .639 0.320 -0.050 ≥ 3 Prodi -0.049 < 7 TNA 0.298 0.073 0.815 0.320 0.563).599 0. Untuk SMK yang tidak ada data pendidik mempunyai inersia relative sebesar 0.345 0.071 -0.037 0.054 Belum Ada Peserta 1.298 0.143 0.949 -0. untuk SMK yang berstatus negeri mempunyai massa sebesar 0.080 0.28 Pendidik -0.378 -0.193 -0.038 0.052 0.298 0.312 -0.072 0.068 Negeri -0.008).074 0.760 0.053 Kolom massa menunjukkan besarnya proporsi tiap-tiap kategori terhadap semua kategori yang ada (massa kolom). Jadi kualitas keseluruhan dari representasi titik pada ruang tiga dimensi sebesar 41.390).969 0.042 ≥ 21 TNA -1.352 0.167 0. Kolom Inersia Relatif menujukkan nilai inersia relatif tiap-tiap kategori dalam bentuk proporsi terhadap total tabel Matriks Burt.002). sedangkan yang paling kecil adalah 18 – 28 pendidik (0.172 0.439 -0.056 Tidak Ada Data Prodi 1.646 -0.085 -0.435 0.443 0.597 0.043 0.011 0.065.2 Dim-3 Akses mudah -0.116 -0.056 3 .005 0.360 0.055 ≥ 6 Peserta -1. Untuk dimensi 3 yang dapat menjelaskan kategori dari variabel paling besar adalah kurang dari 7 TNA (0. diperoleh bahwa proporsi inersia utama terhadap total inersia ( ) untuk pemetaan tiga dimensi sebesar 0.899 -0.6%.073 0.065 Pendidik < 2 Peserta 0.323 0.055 Masuk 1 Prodi 0.1 Dim.030 0. 54 .051 0.054 Belum Ada TNA 1.049 < 17 Pendidik 18 .

882 11 0.020 0.042 0.137 0.031 0.155 0.147 0.390 0.008 0.294 0.208 0.719 8 0.117 0.000 0.176 0.291 0.333 55 .059 0.191 0.149 0.029 0.014 0.132 0.334 0.089 0.656 7 0.212 0.345 0.065 0.013 Dimensi 3 0.026 0.013 0.067 0. Konribusi Relatif Cos² θ Kategori Akses mudah Akses sulit < 17 Pendidik 18 .112 0.20 TNA ≥ 21 TNA Belum Ada TNA Masuk 1 Prodi 2 Prodi ≥ 3 Prodi Tidak Ada Data Prodi Negeri Swasta Dimensi 1 0.063 0.445 0.235 0. Analisis Matrik Indikator Axis Inersia Proporsi Kumulatif 1 0.316 3 0.038 0.960 13 0.834 10 0.101 0.141 0.011 1.001 0.416 4 0.204 0.040 0.049 0.012 0.050 0.125 0.282 0.003 Tabel 3.003 0.293 0.055 0.021 0.012 0.076 0.109 0.001 0.317 0.231 0.113 0.155 0.922 12 0.5 Peserta ≥ 6 Peserta Belum Ada Peserta < 7 TNA 8 .003 0.027 0.000 0.282 Dimensi 2 0.070 0.580 6 0.989 14 0.131 0.138 0.062 0.162 0.176 0.504 5 0.075 0.563 0.000 Total 2.191 2 0.178 0.169 0.105 0.093 0.778 9 0.123 0.525 0.007 0.063 0.Tabel 2.057 0.002 0.381 0.258 0.088 0.088 0.229 0.003 0.28 Pendidik ≥ 29 Pendidik Tidak Ada Data Pendidik < 2 Peserta 3 .205 0.048 0.

Lebih dari 29 pendidik dan lebih dari 3 prodi). Kelompok 3 (SMK yang mempunyai lebih dari 21 TNA. Kelompok 2 (SMK yang belum ada peserta diklat dengan SMK yang belum ada TNA). Kelompok 6 (SMK Swasta dengan akses sulit). Plot Kolom Analisis Korepondensi Mutipel Data SMK Pertanian. yang artinya SMK yang mempunyai kurang dari 7 TNA dengan SMK yang kurang dari 2 peserta diklat dekat dengan atribut SMK Negeri dengan akses mudah. terlihat bahwa kelompok 1. Kelompok 5 (SMK Negeri dengan akses mudah). Lebih dari 6 Peserta. Kelompok 4 (SMK yang mempunyai kurang dari 7 TNA dengan SMK yang kurang dari 2 peserta diklat). begitupun untuk kelompok 2 dan 3.28 Pendidik 2 Prodi Swasta Akses sulit 7 Akses m udah Negeri < 7 TNA < 2 Peserta Belum Ada Peserta 8 6 4 3 5 2 Belum Ada TNA Masuk 1 Lebih dari 6 Peserta Lebih dari 29 Pendidik Lebih dari 3 Prodi Lebih dari 21 TNA Tidak Ada Data Pendidik Tidak Ada Data Prodi Gambar 7. sedangkan SMK Swasta cenderung adalah SMK yang memiliki akses sulit atau SMK Swasta lebih banyak tidak memiliki telepon sekolah atau contact person yang mudah dihubungi. Kelautan dan Kimia Industri Berdasarkan Gambar 7. didapatkan bahwa: Kelompok 1 (SMK yang tidak ada data pendidik dengan SMK tidak ada data prodi). 56 . 2 dan 3 plot kelompoknya jauh dari kelompok yang lain.20 TNA 1 Prodi < 17 Pendidik 18 . terlihat dari plot 1 prodi dan 2 prodi yang hamper sama jaraknya dengan kelompok 4 dan 6.5 Peserta 8 . Sedangkan untuk kelompok 4 dekat sekali dengan kelompok 5.orang). tetapi status sekolah tidak mempengaruhi jumlah program studi yang dibuka. Kelompok 7 (SMK yang mempunyai 8 -20 TNA dengan SMK yang mempunyai 3 -5 peserta diklat). yang artinya kelompok 1 yakni SMK yang tidak ada data pendidik dengan SMK tidak ada data prodi mempunyai atribut berbeda dengan atribut SMK yang lain. dari kelompok 4 dan 6 bisa dilihat bahwa SMK Negeri cenderung adalah SMK yang memiliki akses mudah. Kelompok 8 (SMK yang membuka 1 prodi mempunyai pendidik yang kurang dari 28.3 .

KESIMPULAN Teknik analisis korespondensi multipel diperoleh dengan menggunakan standar analisis korespondensi sederhana dengan mengubah data mentah ke dalam matiks indikator. New York. & Valentin. Domonique. misalnya dengan melihat plot Gambar 7 kategori SMK berstatus swasta dekat dengan kategori akses sulit. John Wiley & Sons. lebih dari 29 Pendidik. Second Edition. Jumlah SMK menurut Jumlah TNA (kurang dari 7 TNA. Correspondence Analysis in R. A. (2007). Brigham Young University. perkalian matriks indikator akan menghasilkan Matriks Burt yang merupakan matriks simetrik. Härdle. dari plot yang dihasilkan dapat diambil kesimpulan atau suatu kebijakan berkaitan dengan kepentingan perbaikan atau pengembangan yang dibutuhkan. C. 18 – 28 Pendidik. Journal of Statistic.pdf. A.20 TNA. dan belum ada peserta diklat). Oleg & Greenacre. lebih dari 21 TNA dan belum ada TNA masuk) 6.org/ Rencher.google. Léopold (2007). Second Edition. (2002). (2005). Analisis Korespondensi Multipel (MCA) dapat menghasilkan plot dan menampilkan posisi kondisi real kelompok-kelompok kategori SMK dari beberapa variabel secara bersamaan dalam satu sistem atau gambar. J. C (2003) Multiple Correspondence Analysis in Marketing Research. New York : Academic Press. Applied Multivariate Statistical Analysis. Inc Yangchun. Jumlah SMK menurut Jumlah Peserta diklat (kurang dari 2 peserta diklat. Germany Herved. Wolfgang & Simar. M. Humboldt-Universität zu Berlin. lebih dari 6 peserta diklat. (2007). yakni matriks dengan elemen 0 dan 1. Inc. sedangkan SMK yang berstatus negeri dekat dengan kategori akses mudah. dan tidak ada data pendidik). 8 . dari hasil plot tersebut mengindikasikan harus adanya perhatian khusus atau suatu kebijakan untuk SMK dengan kategori swasta karena akses sulit ini berhubungan dengan pengembanngan SMK itu sendiri. with two or three dimensional graphics : The CA Package. DAFTAR PUSTAKA Greenacre.jstatsoft. 3 – 5 peserta diklat. dimana peranan Matriks Burt ini sama halnya dengan tabel kontingensi dalam analisis korespondensi sederhana. variabel kuantitatif diskrit yang dimaksudkan adalah Jumlah SMK menurut Jumlah pendidik (kurang dari 17 Pendidik. From Correspondence Analysis to Multiple Correspondence Analysis and Joint Correspondence Analysis. M. Department of Mathematics and Computer Science Duquesne University 57 . Nenadic. http://www. www. Methods of Multivariate Analysis. Multiple Correspondence Analysis. Du & Kern II. Variabel dalam analisis korespondensi memungkinkan juga merupakan variabel kuantitatif diskrit dimana nilai yang mungkin dari variabel di atas dikelompokkan dan didefinisikan sebagai kategori.5.com/mca.

You're Reading a Free Preview

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