Anda di halaman 1dari 106

KATA PENGANTAR

Jurnal Matematika merupakan jurnal yang memuat hasil penelitian mahasiswa, dosen atau
penelit dalam bidang matematika dan statistika atau yang berhubungan dengan kedua bidang
tersebut. Jurnal Matematika terbit setahun dua kali dan desember 2012 merupakan terbitan
pertama. Pada penerbitan yang pertama,kedua dan ketiga ini, jurnal matematika memuat artikel
mahasiswa yang merupakan bagian dari skripsi mahasiswa. Oleh karena itu, pada penerbitan
selanjutnya redaksi mengharapkan dapat menerima artikel dari hasil penelitian dosen dan peneliti.
Besar harapan kami semoga Jurnal atematika ini dapat menjadi sarana komonikasi yang
efektif untuk semua pihak yang berkepentingan dalam pengembangan ilmu pengetahuan khususnya
ilmu matematika dan ilmu statistika.

Dewan Redaksi

1.Ketua Dewan Redaksi : Dr. Miswanto,M.Si


2.Wakil Dewan Redaksi : Drs. Eko Tjahjono,M.Si
3.Anggota

: Dr. Fatmawati,M.Si
: Sumilan

DAFTAR ISI
Lutfi Awaliatul
Muqtadiroh, Fatmawati,
Windarto

ANALISIS MODEL MATEMATIKA


PENYEBARAN HIV/AIDS DENGAN
TAHAPAN LATEN YANG BERBEDA

Madya Vica Anggraini,


Miswanto,
Fatmawati

ANALISIS MODEL MATEMATIKA


JUMLAH PEROKOK DENGAN
DINAMIKA
AKAR KUADRAT
HYBRID ALGORITMA ARTIFICIAL
BEE COLONY DENGAN
MULTIPLE ONLOOKER (MO-ABC)
DAN ALGORITMA HILLCLIMBING (HC) UNTUK
MENYELESAIKAN TRAVELING
SALESMAN PROBLEM (TSP)

10 20

Nur Ahmad Ricky R,


Suliyanto,
Toha Saifudin

ESTIMASI MODEL REGRESI


NONPARAMETRIK
MENGGUNAKRADIAL
SMOOTHING BERDASARKAN
ESTIMATOR
PENALIZED SPLINE

30 - 41

Nur Widyawati, Moh.


Imam Utoyo, Windarto

SELESAIAN MODEL MATEMATIKA


FRAKSIONAL MENGGUNAKAN
METODE
PERTURBASI HOMOTOPI PADA
SISTEM PREDASI TIGA SPESIES

42 - 50

Nuri Fashichah,
Auli Damayanti,
Herry Suprajitno

DETEKSI KELAINAN OTAK HASIL


MANETIC RESONANCE IMAGING
(MRI) OTAK
MENGGUNAKAN FIREFLY
ALGORITHM PADA PELATIHAN
JARINGAN RADIAL
BASIS FUNCTION

51 - 58

Nasrudin MB,
Sediono,
Eko Tjahjono

PENGGUNAAN METODE VALUE at


RISK UNTUK MENENTUKAN
TINGKAT RESIKO INVESTASI
PADA SAHAM PT GUDANG
GARAM
Tbk MELALUI PENDEKATAN
MODEL INTEGRATED
GENERALIZED
AUTOREGRESSIVE CONDITIONAL
HETEROSCEDASTICITY (IGARCH)

59 - 76

Novia Putri Pertiwi,


Herry Suprajitno,
Auli Damayanti

1-9

21 - 29

Ramadhani Amulyo,
Herry Suprajitno,
Miswanto
Susan Hartanto,
Moh. Imam Utoyo,
Eridani
Titik Didayanti,
Fatmawati,
Miswanto

Hybrid Virus Evolutionary Genetic


Algorithm (VEGA) dan
Simulated Annealing (SA) pada
Penjadwalan Flowshop
KETERBATASAN OPERATOR
INTEGRAL FRAKSIONAL PADA
RUANG MORREY
KLASIK ATAS RUANG METRIK
ANALISIS MODEL PREDATOR-PREY
DENGAN PEMANENAN SEBAGAI
VARIABEL
KONTROL PADA PENANGKAPAN
IKAN DENGAN AREA
KONSERVASI

77 - 85

86 - 92

93 - 101

ANALISIS MODEL MATEMATIKA PENYEBARAN HIV/AIDS DENGAN TAHAPAN


LATEN YANG BERBEDA
Lutfi Awaliatul Muqtadiroh, Fatmawati, Windarto
lutfiawaliatulm@gmail.com
Departemen Matematika
Fakultas Sains dan Teknologi
Universitas Airlangga
Abstract. Acquired Immune Deficiency Syndrome (AIDS) is a disease caused by deficiency
of the human immune system. It is caused by Human Immunodeficiency Virus (HIV) infection.
HIV-infected person will be latent asymptomatic stages. Some chronic diseases, such as
tuberculosis and diabetes, can reduce the immune capacity. Therefore, an infected person with
some chronic diseases has shorter latent period. This thesis presents a mathematical model of
HIV/AIDS epidemic with different latent stages, consisting slow latent compartment and fast
latent compartment. In the model of HIV/AIDS epidemic with different latent stages, total
population is divided into five compartments, namely the susceptible compartment ( ), the slow
latent com-partment ( ), the fast latent compartment ( ), the symptomatic stage ( ) and a fullblown AIDS group ( ). We have two equilibria, namely disease free equilibrium
and endemic
equilibrium . The disease free equilibrium is locally asymptotically stable if
,
,
and
. Based on the simulation result, the endemic equilibrium is locally
asymptotically stable and will be exist if
. Based on sensitivity analysis, it is acquired that
transmission rate of the symptomatic stage ( ), recruitment rate of the population ( ) and
treatment rate of the symptomatic stage ( ) have significant influence on the threshold parameters
and .
Keywords :

Mathematical model, HIV/AIDS, slow latent stage, fast latent stage,


stability, sensitivity.

1. Pendahuluan
Saat ini Human Immunodefiency Virus(HIV) masih menjadi masalah kesehatan yang
menimbulkan keprihatinan bagi seluruh masyarakat dunia. Sampai saat ini belum terdapat vaksin
pencegah HIV yang secara efektif mampu mencegah infeksi virus HIV yang menyerang sistem
imun (kekebalan). Pada tahun 2007, Acquired Immune Deficiency Syndrome (AIDS) adalah
penyebab utama kematian di Afrika dan penyebab keempat terkemuka kematian secara global.
Penularan virus HIV terjadi melalui kontak langsung antara membran mukosa atau aliran darah
dengan cairan tubuh yang mengandung HIV, seperti darah, sperma, cairan vagina, cairan
preseminal, dan ASI (Liu dan Wang, 2013). Penyakit HIV/AIDS telah menjadi pandemi yang
mengkhawatirkan masyarakat dunia, karena belum ditemukan obat dan vaksin pencegah
HIV/AIDS. Selain itu, HIV/AIDS juga memiliki window period (rentan waktu hingga HIV
menjadi positif) dan fase asimtomatik (tanpa gejala) yang relatif panjang dalam perjalanan
penyakitnya (Nursalam dan Kurniawati, 2007).
Ilmu matematika memberikan peranan penting untuk memahami dinamika penyebaran
penyakit dan menentukan strategi yang tepat untuk pengendalian penyebaran penyakit tersebut
menggunakan model matematika. Dinamika atau perilaku model dapat diamati dari kestabilan titik
setimbang model tersebut. Hal ini menunjukkan model matematika mempunyai peranan penting
dalam analisis kestabilan titik setimbang model penyebaran HIV/AIDS. Pada model matematika
penyebaran HIV/AIDS, periode tahapan infeksi berdasarkan perkembangan infeksi sebelum AIDS
dibedakan dalam tahapan tanpa gejala (asymptomatic stage) dan tahapan dengan gejala
(symptomatic stage). Penyakit kronis seperti tuberkulosis dan diabetes dapat mengurangi kapasitas
sistem kekebalan tubuh sehingga akan memiliki tahapan laten yang lebih pendek setelah terinfeksi
HIV. Individu tanpa penyakit kronis akan memiliki periode laten yang lebih lama dari pada
individu dengan penyakit kronis tersebut. Oleh karena itu, tahapan laten dapat dibagi menjadi dua
tahap, yaitu tahapan laten cepat dan tahapan laten lambat (Huo dan Feng, 2013).

Jurnal Matematika 2013


1

Berdasarkan permasalahan di atas, Penulis tertarik untuk mengkaji ulang model penyebaran
HIV/AIDS yang dikenalkan oleh Huo dan Feng pada tahun 2013. Dalam artikelnya, Huo dan Feng
menjelaskan bahwa populasi manusia dalam model terbagi menjadi lima sub populasi yaitu sub
populasi rentan, sub populasi terinfeksi HIV dengan tahapan laten lambat, sub populasi terinfeksi
HIV dengan tahapan laten cepat, sub populasi HIV positif dengan adanya gejala, dan sub populasi
AIDS. Selanjutnya Penulis akan mengkaji ulang model, kestabilan dan interpretasi dari model
tersebut.
2. HIV/AIDS
Menurut Soewondo (2002), Acquired Immune Deficiency Syndrome (AIDS) adalah
penyakit infeksi yang gejalanya mencerminkan defisiensi (kekurangan) imunitas seluler, akibat
infeksi retrovirus Human Immunodeficiency Virus (HIV), dengan gejala klinik berupa infeksi
oportunistik. Virus ini menyerang manusia lebih khususnya menyerang sistem kekebalan
(imunitas) tubuh, sehingga tubuh menjadi lemah dalam melawan infeksi. Dengan kata lain,
kehadiran virus HIV dalam tubuh akan menyebabkan defisiensi sistem imun.
HIV menyebabkan terjadinya penurunan kekebalan tubuh sehingga pasien rentan terhadap
serangan infeksi oportunistik. Antiretroviral (ARV) bisa diberikan pada pasien untuk
menghentikan aktivitas virus, memulihkan sistem imun dan mengurangi terjadinya infeksi
oportunistik, memperbaiki kualitas hidup, dan menurunkan kecacatan. ARV tidak menyembuhkan
pasien HIV, namun bisa memperbaiki kualitas hidup dan memperpanjang usia harapan hidup
penderita HIV/AIDS (Nursalam dan Kurniawati, 2007).
Tuberkulosis (TB) merupakan salah satu infeksi oportunistikyang potensial untuk penderita
HIV/AIDS, karena kondisi immunosupresif seluler yang terjadi pada penderita HIV/AIDS
mempermudah penyebaran infeksi TB primer. Sebaliknya infeksi Mycobacterium tuberculosis
pada penderita HIV akan mempercepat perjalanan infeksi HIV stadium dini menjadi stadium
lanjut (AIDS) yang fatal (Soewondo, 2002). Individu rentan yang mempunyai penyakit kronis
seperti tuberkulosis dan diabetes dapat mengurangi kapasitas sistem kekebalan tubuh sehingga
akan memiliki tahapan laten yang lebih pendek setelah terinfeksi HIV. Individu tanpa penyakit
kronis akan memiliki periode laten yang lebih lama dari pada individu dengan penyakit tersebut
(Huo dan Feng, 2013).
3. Analisis Kestabilan
Untuk menganalisis kestabilan dari suatu model matematika yang berbentuk nonlinier,
maka langkah awal yang dilakukan adalah mencari titik setimbang dari model tersebut. titik
setimbang dapat diperoleh dengan menggunakan ( )
dengan adalah titik setimbang dan
( )
adalah persamaan diferensial yang autonomous (Olsder, 2003). Setelah didapatkan
titik setimbang, selanjutnya dilakukan analisis kestabilan. Berikut diberikan beberapa definisi dan
teorema yang berhubungan dengan analisis kestabilan sistem linier:
Definisi 2.5 Matriks Jacobian dari sistem persamaan
(
),
(
),
(

),

adalah
y1

x1

y2
J x1

yn

x
1

y1
x2
y2
x2

yn
x2

y1

xn

y2
xn .

yn

xn
((

(Kelley dan Peterson, 2010)

Jurnal Matematika 2013


2

( ) adalah stabil asimtotis jika dan hanya jika semua nilai eigen
Teorema 2.9 Sistem ( )
dari , yaitu ( ) bernilai negatif atau mempunyai bagian real yang negatif.
(Zhou, 1996)
Pada permasalahan tertentu tanda bagian real dari nilai eigen tidak mudah ditentukan. Oleh
karena itu, perlu digunakan metode lain untuk menentukan tanda bagian real dari nilai eigen .
Untuk matriks yang berukuran
tanda bagian real dari nilai eigen dapat ditentukan dengan
menggunakan kriteria Routh-Hurwitz, yaitu suatu metode untuk menunjukkan bahwa nilai eigen
bernilai negatif atau mempunyai bagian real yang negatif dengan memperhatikan koefisien dari
persamaan karakteristik tanpa menghitung akar-akar karakteristik secara langsung.
Misalkan diberikan persamaan karakteriktik yang berbentuk:
(6)
dengan adalah koefisien yang merupakan bilangan real,
.
Dari persamaan karakteristik (6) tersebut, dapat diperoleh matriks Hurwitz ( ) yang
didefinisikan sebagai berikut :
( )

untuk
(

(gasal),

dan

untuk
(

(genap),

)
{

dengan

Teorema 2.10 (Kriteria Routh-Hurwitz) Akar-akar dari persamaan (2.1) bernilai negatif atau
mempunyai bagian real negatif jika dan hanya jika
( )
(Merkin, 1997)
4. Hasil dan Pembahasan
Berikut ini adalah model penyebaran HIV/AIDS dengan tahapan laten yang berbeda yang
terdiri dari lima kompartemen, yakni populasi rentan terhadap HIV ( ), populasi terinfeksi HIV
dengan tahapan laten lambat ( ), populasi terinfeksi HIV dengan tahapan laten cepat ( ), populasi
HIV positif dengan adanya gejala ( ) dan populasi AIDS ( ):
(

(1)
(2)

(3)
(4)

(5)

dengan
,
,
dan
.
Persamaan (1) merepresentasikan laju perubahan populasi rentan terhadap HIV. Populasi
rentan terhadap HIV bertambah karena adanya kelahiran. Populasi ini berkurang karena adanya

Jurnal Matematika 2013


3

perkembangan ke tahapan populasi terinfeksi HIV dengan tahapan laten cepat dan ke tahapan
populasi terinfeksi HIV tahapan laten lambat, serta karena adanya kematian alami.
Persamaan (2) merepresentasikan laju perubahan populasi terinfeksi HIV dengan tahapan
laten lambat. Populasi terinfeksi HIV dengan tahapan laten lambat bertambah karena adanya
populasi rentan yang berinteraksi dengan populasi terinfeksi HIV dengan tahapan laten cepat dan
populasi HIV positif dengan adanya gejala, serta adanya perlakuan (treatment) misalnya berupa
terapi ARV pada populasi HIV tersebut. Populasi ini akan berkurang karena adanya perkembangan
ke tahapan populasi terinfeksi HIV dengan tahapan laten cepat dan kematian alami.
Persamaan (3) merepresentasikan laju perubahan populasi terinfeksi HIV dengan tahapan
laten cepat. Populasi terinfeksi HIV dengan tahapan laten cepat dapat bertambah karena adanya
populasi rentan yang berinteraksi dengan populasi terinfeksi HIV dengan tahapan laten cepat dan
populasi HIV positif dengan adanya gejala serta perkembangan populasi terinfeksi HIV dengan
tahapan laten lambat. Selain itu, populasi ini juga bertambah karena adanya perlakuan (treatment)
misalnya berupa terapi ARVyang diberikan pada populasi HIV dengan adanya gejala. Populasi ini
akan berkurang karena adanya perkembangan menjadi HIV positif dengan adanya gejala dan
kematian alami.
Persamaan (4) merepresentasikan laju perubahan populasi HIV positif dengan adanya
gejala. Populasi HIV positif dengan adanya gejala dapat bertambah karena adanya perkembangan
populasi terinfeksi HIV dengan tahapan laten cepat. Pemberian perlakuan (treatment) misalnya
berupa terapi ARV pada populasi ini akan memulihkan sistem imun dan mengurangi terjadinya
infeksi oportunistik pada populasi ini, sehingga populasi ini akan kembali menjadi tahapan
populasi terinfeksi HIV dengan tahapan laten cepat dan populasi terinfeksi HIV dengan tahapan
laten lambat serta perubahan ke tahapan AIDS. Selain itu, populasi ini juga berkurang karena
adanya kematian alami.
Persamaan (5) merepresentasikan laju perubahan populasi AIDS. Pertambahan populasi
AIDS disebabkan oleh perkembangan populasi HIV positif dengan adanya gejala. Populasi ini
akan berkurang karena adanya kematian alami dan kematian karena penyakit yang disebabkan
oleh HIV.

Dengan asumsi yang digunakan adalah:


1.
2.
3.
4.

5.
6.

7.
8.
9.

Populasi bersifat tertutup artinya tidak ada perpindahan dari satu tempat ke tempat yang lain.
Setiap individu terlahir dalam keadaan sehat dengan laju kelahiran konstan.
Individu terinfeksi HIV dengan tahapan laten lambat tidak dapat menularkan HIV.
Individu AIDS tidak dapat menularkan HIV karena individu tersebut dikarantina dan
mendapat perlakuan khusus yang tidak dapat berinteraksi dengan individu yang dapat
menularkan HIV.
Perlakuan (treatment) misalnya berupa terapi ARV hanya diberikan pada individu HIV
positif dengan adanya gejala.
Individu pada tahapan HIV positif dengan adanya gejala yang diberikan perlakuan
(treatment) misalnya berupa terapi ARV dapat berubah menjadi individu terinfeksi HIV
dengan tahapan laten cepat dan individu terinfeksi HIV dengan tahapan lambat. Hal tersebut
terjadi karena dengan pemberian perlakuan (treatment) tersebut dapat memulihkan sistem
imun dan mengurangi terjadinya infeksi oportunistik.
Individu yang dapat menjadi HIV positif dengan adanya gejala adalah individu terinfeksi
HIV dengan tahapan laten cepat karena individu ini memiliki waktu laten yang lebih pendek.
Tahapan individu yang dapat langsung menjadi AIDS adalah individu HIV positif dengan
adanya gejala karena pada individu ini muncul gejala oportunistik.
Individu yang dapat meninggal karena adanya penyakit yang disebabkan oleh HIV adalah
individu AIDS karena pada individu AIDS muncul penyakit syaraf dan penyakit infeksi
sekunder.
Model HIV/AIDS dengan tahapan laten yang berbeda mempunyai dua titik setimbang yaitu

titik setimbang bebas penyakit


(

) dan titik setimbang endemik

) dengan,

)(

Jurnal Matematika 2013


4

))

(
(

))
)

))

Titik setimbang endemik


dijamin ada, jika
. Basic reproduction ratio
merupakan parameter yang menyatakan rata-rata jumlah populasi baru yang terinfeksi HIV akibat
masuknya HIV ke dalam populasi sehat yang rentan terhadap HIV. Nilai
pada jurnal ini
diperoleh dengan membangun matrik yang membangkitkan jumlah individu baru yang terinfeksi
dengan metode Next-Generation Matrix (NGM) yang dikenalkan oleh Diekmann, dkk, (2009).
Misalkan
(
) , sehingga persamaan ( ) ( ) dapat ditulis sebagai
( )
( )
dengan ( ) adalah matriks transmisi, yaitu matriks yang berisi sub-populasi tahapan awal
individu yang terinfeksi HIV akibat kontak dengan individu
dan . Sedangkan ( ) adalah
matriks transisi, yaitu matriks yang berisi sub-populasi individu yang terinfeksi HIV dan
berkembang menjadi tahapan HIV positif dan AIDS. Oleh karena itu didapatkan,
( )

( )

Misalkan dan masing-masing adalah matriks Jacobian dari ( ) dan


pada titik setimbang bebas penyakit , sehingga dapat ditulis sebagai
(

( ) yang dievaluasi

(
)
Dengan metode Next-Generation Matrix,
dapat dicari dengan menentukan nilai eigen terbesar
(
). Dari sini diperoleh,
dari matrik
atau dapat dinyatakan sebagai
(

))

)))

(
)
Selanjutnya akan dianalisis kestabilan pada setiap titik setimbang tersebut dengan
menggunakan kriteria Kestabilan Routh-Hurwitz. Untuk titik setimbang
didapatkan matriks
Jacobian

E
0 0

b1

p 1

q2

(1 p ) 1 b2

(1 q ) 2

b3

p1
0

p2

.
0

b4

merupakan hasil pelinieran dari model HIV/AIDS dengan tahapan laten yang berbeda pada
titik setimbang
. Dari matriks Jacobian tersebut, dengan menggunakan
(
)
,
diperoleh persamaan karakteristik
(

)(

)(

(
(

( (

)
(

) ))

Berdasarkan kriteria kestabilan Routh-Hurwitz, titik setimbang


(

)
)

.
akan stabil asimtotis lokal jika

dan

Jurnal Matematika 2013


5

.
Untuk titik setimbang

didapatkan matriks Jacobian

dengan
(
(

)
(

))

))

))

))

))

))

merupakan hasil pelinieran dari model HIV/AIDS dengan tahapan laten yang berbeda
pada titik setimbang . Dari matriks Jacobian tersebut, dengan menggunakan
(
)
,
diperoleh persamaan karakteristik yang rumit. Oleh karena itu, penentuan kestabilan dari titik
setimbang endemik
dilakukan secara numerik. Hal ini dilakukan dengan mensimulasikan
permasalahan tersebut menggunakan Maple dengan parameter yang diketahui. Berikut adalah
parameter yang akan digunakan:
Tabel 1 Parameter Simulasi dan Nilainya
Parameter
Nilai
200
0.000001
0.00006
0.9
0.8
0.02
0.6
0.3
0.01
0.03
0.01
0.01
Berikut adalah tabel nilai awal yang diberikan pada tiap sub-populasi:
Tabel 2 Parameter Nilai Awal Simulasi Bidang Fase
Parameter Komputasi
Nilai
250000
( )
255000
254000
50
( )
55
53
30
( )

Jurnal Matematika 2013


6

Parameter Komputasi
( )
( )
( )

Nilai
35
32
21
24
25
5
6
7

Berdasarkan nilai parameter pada Tabel 1 dan Tabel 2 diperoleh nilai titik setimbang
endemik , yaitu:
(
). Berikut hasil
simulasi bidang fase model penyebaran HIV/AIDS dengan tahapan yang berbeda untuk titik
setimbang endemik
dengan nilai
:

Gambar 1 Grafik Bidang Fase Model Penyebaran HIV/AIDS dengan Tahapan Laten yang Berbeda
Pada Gambar 1 nampak bahwa plot tersebut mengarah pada titik setimbangnya, yaitu
dan
masing-masing untuk populasi terinfeksi HIV tahapan laten cepat ( ) dan
populasi HIV positif dengan adanya gejala ( ). Berdasarkan perilaku tersebut maka dapat
dinyatakan bahwa titik setimbang yang kedua ini adalah stabil asimtotis lokal dengan memenuhi
.
5. Simulasi Numerik
Pada bagian ini akan disimulasikan model matematika penyebaran HIV/AIDS dengan
tahapan yang berbeda. Hal tersebut dilakukan untuk mengetahui perilaku dari sub-populasi pada
model tersebut. Simulasi ini dilakukan dalam waktu
tahun dengan nilai awal jumlah
populasi ( ( ) ( ) ( ) ( ) ( )) (
) orang dan nilai parameter
berdasarkan Tabel 2, dengan menggunakan software Matlab.
Berikut ini adalah hasil simulasi untuk populasi rentan, populasi terinfeksi HIV tahapan
laten lambat, populasi terinfeksi HIV tahapan laten cepat, populasi HIV positif dengan adanya
gejala dan populasi AIDS.

Jurnal Matematika 2013


7

x 10

2.5

Model Penyebaran HIV/AIDS dengan tahapan laten lambat dan tahapan laten cepat
Populasi
Populasi
Populasi
Populasi
Populasi

rentan
terinfeksi HIV tahapan laten lambat
terinfeksi HIV tahapan laten cepat
HIV positif dengan adanya gejala
AIDS

jumlah pupolasi

1.5

0.5

50

100

150

waktu (tahun)

Gambar 2 Model Matematika Penyebaran HIV/AIDS dengan Tahapan Laten yang Berbeda.
Gambar 2 merupakan hasil simulasi model matematika penyebaran HIV/AIDS dengan
tahapan laten yang berbeda dengan nilai
. Terlihat bahwa jumlah populasi
penderita AIDS dan populasi terinfeksi HIV dengan tahapan laten lambat akan terus ada. Oleh
karena itu, pada kondisi ini terjadi endemik di dalam masyarakat.
Berikut ini hasil simulasi model penyebaran HIV/AIDS dengan tahapan laten yang berbeda
jika nilai parameter treatment yang diberikan pada populasi HIV positif dengan adanya gejala
diperbesar, yaitu
;
, nilai parameter laju perkembangan ke tahapan AIDS
diperbesar, yaitu
dan nilai parameter laju penyebaran populasi terinfeksi HIV dengan
adanya gejala diperkecil, yaitu
, serta
.
5

2.5

x 10

Model Penyebaran HIV/AIDS dengan tahapan laten lambat dan tahapan laten cepat
Populasi
Populasi
Populasi
Populasi
Populasi

rentan
terinfeksi HIV tahapan laten lambat
teinfeksi HIV tahapan laten cepat
HIV positif dengan adanya gejala
AIDS

jumlah pupolasi

1.5

0.5

50

100

150

waktu (tahun)

Gambar 3 Model Matematika Penyebaran HIV/AIDS dengan Tahapan Laten yang Berbeda
;
dan
.
Gambar 3 merupakan hasil simulasi model matematika penyebaran HIV/AIDS dengan
tahapan laten yang berbeda dengan nilai
. Terlihat bahwa jika semakin besar nilai treatment
yang diberikan maka laju kenaikan jumlah populasi terinfeksi HIV dan penderita AIDS akan
semakin lambat dan populasi rentan masih ada. Kondisi ini menunjukkan bahwa HIV/AIDS di
dalam masyarakat dapat dieliminasi.

Jurnal Matematika 2013


8

6. Kesimpulan
1. Berdasarkan hasil analisis kestabilan model matematika penyebaran HIV/AIDS dengan
tahapan laten yang berbeda, diperoleh titik setimbang bebas penyakit
(
) dan
titik setimbang endemik
(
) dengan,

(
(

))

))

)
(

)).

Titik setimbang bebas penyakit


(

)(

akan stabil asimtotis lokal jika dan hanya jika

,
(

,
(

))

endemik
(

))
(

, dan

cenderung
(

)))

stabil

asimtotis

. Sedangkan titik setimbang


lokal

jika

dan

hanya

jika

)))

2. Berdasarkan hasil simulasi model matematika penyebaran HIV/AIDS dengan tahapan yang
berbeda menggunakan MATLAB diperoleh kesimpulan bahwa jumlah penderita AIDS akan
terus ada setiap harinya. Selain itu, treatment yang diberikan juga akan berpengaruh pada laju
penyebaran HIV/AIDS. Semakin banyak treatment yang berikan pada populasi terinfeksi HIV
dan semakin berkurangnya laju penyebaran HIV/AIDS karena kontak dengan populasi
terinfeksi HIV, maka jumlah populasi terinfeksi HIV akan menuju nol. Oleh karena itu,
tindakan yang dapat dilakukan agar nilai
berkurang adalah mengurangi laju penyebaran
populasi terinfeksi HIV dengan adanya gejala dan laju kelahiran serta meningkatkan tingkat
perlakuan (treatment) misalkan berupa pemberian terapi ARV.
7. Daftar Pustaka
Diekmann, O. Heesterbeek, J.A.P. dan Roberts M.G., 2009, The Construction of Next-Generation
Matrices for Compartmental Epidemic Models, The Royal Society Interface, 7:873885.
Liu, D. dan Wang, B., 2013, A Novel Time Delayed HIV/AIDS Model with Vaccination &
Antiretroviral Therapy and Its Stability Analysis, Applied Mathematical Modelling,
37:46084625.
Nursalam dan Kurniawati N.D., 2008, Asuhan Keperawatan pada Pasien Terinfeksi HIV/AIDS,
Salemba Medika, Jakarta.
Huo, H.F. dan Feng, L.X., 2013, Global Stability for an HIV/AIDS Epidemic Model with
Different Latent Stages and Treatment, Applied Mathematical Modelling, 37:14801489.
Soewondo, E.S., 2002, Seri Penyakit Tropik Infeksi Perkembangan Terkini dalam Pengelolaan
Beberapa Penyakit Tropik Infeksi, Airlangga University Press, Surabaya.
Olsder, G.J., 2003, Mathematical System Theory, Delft, The Natherland.
Kelley, W.G. dan Peterson, A.C., 2010, The Theory of Differential Equation: Classical and
Qualitative, Springer Science + Business Media, New York.
Merkin, D.R., 1997, Introduction to the Theory of Stability, Springer, New York.
Zhou, K., Doyle, J.C., dan Glover, K., 1996, Robust and Optimal Control, Prentice-Hall, New
Jersey.

Jurnal Matematika 2013


9

ANALISIS MODEL MATEMATIKA JUMLAH PEROKOK DENGAN DINAMIKA


AKAR KUADRAT
Madya Vica Anggraini, Miswanto, Fatmawati
madyavicaanggraini@gmail.com
Departemen Matematika
Fakultas Sains dan Teknologi
Universitas Airlangga
Abstract. The increasing of smokers causes the increasing of humans that are suffering
from diseases caused by smoking. Hence, it should be looked for the solution of this issue. One of
the approach to handle the problem uses mathematical modeling of dynamic of smokers. This
paper will present a dynamic of smokers model for which interaction term is square-root of
subpopulations interaction. The population is divided into potential smokers (), occasional
smokers (), heavy or daily smokers () and quit smokers (). In the first model, the interaction
occurs between potential smokers and occasional smokers. Furthermore individuals of quit
smokers comes from individuals of heavy smokers who have quit smoking. Based on the
analytical model is resulted one endemic equilibrium of smokers (1 ). Using kriteria RouthHurwitz, we can conclude that endemic equilibrium of 1 is locally asymptotically stable. In the
second model, the interaction occurs between potential smokers and heavy smokers. Furthermore
individuals of quit smokers comes from individuals of occasional smokers who have quit smoking.
Based on the analytical model results one endemic equilibrium of smokers (2 ). Using kriteria
Routh-Hurwitz, we can conclude that endemic equilibrium of 2 is locally asymptotically stable.
The simulation results of the two models show that the number of potential smokers has decreased
while the number of occasional smokers and heavy smokers has increased. Moreover, the
simulation of the models also shows that the interaction between potential smokers and heavy
smokers more influence to smoke than the interaction between potential smokers and occasional
smokers.
Keywords :

Mathematical model, The Number of Smokers, Square-root dinamics, locally


asymptotically stable.

1. Pendahuluan
Indonesia menjadi negara ketiga pada jumlah perokok aktif terbanyak setelah Cina dan
India, yaitu sebesar 34% atau 1 dari 3 orang di Indonesia pada tahun 2008. Jumlah perokok ini
terus meningkat pada tahun 2010 sebesar 34,7% (Tobacco Control Support Center, 2012). Salah
satu hal yang menyebabkan jumlah perokok terus meningkat adalah diabaikannya bahaya tentang
merokok. Hingga saat ini terdapat sekitar 4.800 bahan kimia yang terkandung pada rokok dengan
komponen utama yaitu tar, nikotin dan CO (karbon monoksida) (Tirtosastro dan Murdiyati,
2010). Kebiasaaan merokok telah terbukti berhubungan dengan sedikitnya 25 jenis penyakit pada
berbagai organ tubuh, antara lain beberapa jenis kanker yang berhubungan dengan saluran
pernapasan hingga paru, kandung kemih, gangguan pada kehamilan, penyakit pembuluh darah
seperti penyakit jantung dan stroke serta penyakit lainnya (Aditama, 2001). Selain pada orang
yang merokok (perokok aktif), penyakit-penyakit tersebut juga berdampak pada orang yang tidak
merokok (perokok pasif). Hal ini disebabkan karena secara tidak langsung mereka menghirup asap
rokok. Bahkan pada perokok pasif usia anak, asap rokok yang dihirup dapat mempengaruhi
pertumbuhan paru dan penyakit telinga bagian tengah (Samet, 2006).
Pemodelan tentang peningkatan jumlah perokok bukan hal yang baru. Beberapa peneliti
telah mengembangkan model matematika terkait peningkatan jumlah perokok, seperti yang
dilakukan oleh Sharoni dan Gumel (1980) serta Gunawan dan Nurtamam (2008). Pada kedua
kajian tersebut digunakan model dengan interaksi perkalian antara dua kompartemen (subpopulasi)
yang saling berinteraksi.
Pada tahun 2007, Mickens mengenalkan model dinamik akar kuadrat. Interaksi pada model
dinamik akar kuadrat dilambangkan dengan akar kuadrat dari perkalian dua kompartemen
(subpopulasi) yang saling berinteraksi (Zeb dkk., 2013). Dinamik akar kuadrat pada penyebaran

Jurnal Matematika 2013


10

jumlah perokok bukan hal yang baru. Zeb, dkk (2013) mengembangkan model dinamik akar
kuadrat dalam memodelkan jumlah perokok dengan mengkonstruksi model menjadi empat
kompartemen (subpopulasi), yaitu subpopulasi bukan atau belum merokok, subpopulasi yang
berisi perokok kadang-kadang, subpopulasi yang berisi perokok berat (harian) dan subpopulasi
yang berisi orang yang telah berhenti merokok. Pada model tersebut diasumsikan seorang individu
yang tidak merokok akan menjadi seorang perokok karena berinteraksi dengan perokok kadangkadang dan seorang individu akan berhenti merokok ketika sebelumnya individu tersebut
merupakan perokok berat (harian).
Berdasarkan uraian di atas penulis tertarik untuk mengkaji ulang model matematika
penyebaran jumlah perokok dengan dinamika akar kuadrat yang sebelumnya telah dikaji oleh Zeb,
dkk (2013) dan kemudian mengembangkan model matematika tersebut. Pengembangan dilakukan
pada bentuk dinamika dan alur model. Penulis menggunakan dinamika akar kuadrat dengan
interaksi antara subpopulasi bukan atau belum merokok dan subpopulasi perokok berat (harian).
Penulis juga mengasumsikan jika seseorang ingin berhenti merokok, maka harus menjadi perokok
kadang-kadang terlebih dahulu. Pengembangan dilakukan agar model matematika tentang
peningkatan jumlah perokok lebih mendekati keadaan nyata.
2. Rokok
Rokok sudah dikenal sejak lama oleh suku asli yang mendiami daerah Meksiko. Pada saat
itu merokok sudah menjadi hal yang lazim dilakukan oleh masyarakat Meksiko. Rokok kemudian
mulai menyebar ke suku yang mendiami daerah di sekitar Meksiko, yaitu suku Indian. Pada abad
ke-15, tepatnya pada tahun 1518 Colombus dengan pelaut Spanyol menemukan sebuah dataran
yang saat ini dikenal dengan benua Amerika. Colombus kemudian bertemu dengan suku Indian
yang merupakan suku asli dataran tersebut dan mulai mengenal rokok. Kebiasaan merokok
kemudian menyebar diantara para pelaut Spanyol yang kemudian mereka memperkenalkan
kebiasaan merokok di dataran Eropa. Kebiasaan merokok terus menyebar keseluruh dunia
termasuk Indonesia seiring dengan menyebarnya presepsi yang salah yaitu dengan menghirup
daun tembakau dapat menyembuhkan penyakit (Husaini, 2007).
Di Indonesia rokok dibedakan berdasarkan bahan pembungkus rokok, bahan baku atau isi
rokok, proses pembuatan rokok dan penggunaan filter rokok. Berdasarkan bahan pembungkusnya,
rokok dibedakan menjadi Klobot, Kawung, Sigaret dan Cerutu. Berdasarkan bahan baku ataua isi
rokok, rokok dibedakan menjadi rokok Putih, rokok Kretek dan rokok Klebak. Berdasarkan
pembuatannya, rokok dibedakan menjadi Sigaret kretek tangan dan Sigaret kretek mesin.
Berdasarkan penggunaan rokok, rokok dibedakan menjadi rokok Filter dan rokok non-Filter
(Haris dkk., 2012).
Tembakau merupakan bahan utama rokok yang terdiri dari beberapa kandungan yang tidak
dimiliki oleh daun lainnya yaitu nikotin dan eugenol yang berbahaya bagi kesehatan tubuh. Selain
itu, tembakau yang merupakan tanaman perkebunan juga tidak terlepas dari zat kimia yaitu
pestisida (Husaini, 2007). Dalam satu batang rokok, terdapat sekitar 4.800 bahan kimia
diantaranya Karbon Monoksida, Nikotin, Tar dan Polycyclic.
3. Model Matematika Jumlah Perokok dengan Dinamika Akar Kuadrat.
Pembahasan berikutnya akan dikaji dua model matematika jumlah perokok dengan
dinamika akar kuadrat yang terdiri dari empat kompartemen, yakni perokok potensial (), perokok
kadang-kadang (), perokok berat () dan mantan perokok (). Model pertama akan digunakan
interaksi antara perokok potensial dan perokok kadang-kadang, sedangkan model kedua akan
digunakan interaksi antara perokok potensial dan perokok berat.
Berikut adalah model matematika jumlah perokok dengan interaksi antara perokok
potensial dan perokok kadang-kadang.

(1)
= 1 +

= 1 + +
(2)

= + + 1
(3)

Jurnal Matematika 2013


11


(4)
= 1 +

dengan , > 0, , 0 dan > 0,0 < 1 ,,,,1 < 1.


Pada persamaan (1) menyatakan laju perubahan jumlah perokok potensial. Jumlah perokok
potensial meningkat karena adanya pertambahan individu yang berumur 10 tahun (). Jumlah
perokok potensial berkurang karena adanya kematian secara alami () dan kematian yang
sebabkan karena penyakit yang berasal dari rokok. Dalam kasus ini perokok potensial terkena
imbas dari perokok aktif (). Selain disebabkan oleh kematian jumlah perokok potensial
berkurang karena bertambahnya jumlah perokok sehingga individu yang pada awalnya merupakan
perokok potensial berpindah subpopulasi menjadi perokok kadang-kadang (1 ).
Persamaan (2) menyatakan laju perubahan jumlah perokok kadang-kadang. Jumlah perokok
kadang-kadang meningkat karena meningkatnya jumlah perokok (1 ). Jumlah perokok
kadang-kadang berkurang karena kematian secara alami () dan kematian yang sebabkan karena
penyakit akibat merokok (). Selain itu jumlah perokok kadang-kadang juga berkurang karena
perpindahan individu dari subpopulasi kadang-kadang ke subpopulasi perokok berat ().
Persamaan (3) menyatakan laju perubahan jumlah perokok berat. Jumlah perokok berat
berkurang karena kematian secara alami () dan kematian akibat penyakit yang disebabkan dari
merokok (). Selain karena kematian jumlah perokok berat berkurang karena adanya
perpindahan individu dari subpopulasi perokok berat (harian) ke subpopulasi individu yang sudah
berhenti merokok (1 ). Jumlah perokok berat bertambah karena adanya perpindahan individu
dari subpopulasi perokok kadang-kadang menjadi subpopulasi perokok berat ().
Persamaan (4) menyatakan laju perubahan jumlah individu yang sudah berhenti merokok.
Jumlah individu yang sudah berhenti merokok berkurang karena kematian baik secara alami ()
maupun kematian yang diakibatkan dari penyakit akibat merokok (). Jumlah individu yang
sudah berhenti merokok bertambah karena bertambahnya individu yang memutuskan untuk
berhenti merokok (1 ).
Dengan asumsi yang digunakan adalah:
1. Individu yang masuk ke dalam populasi adalah individu yang berusia 10 tahun ke atas.
2. Individu yang merupakan perokok potensialakan menjadi seoarang perokok kadang-kadang
ketika berinteraksi dengan perokok kadang-kadang.
3. Jumlah rokok yang dikonsumsi setiap hari tidak dipertimbangkan.
4. Individu yang sudah berhenti merokok tidak akan merokok lagi.
5. Interaksi selalu ada dan menggunakan akar kuadrat sehingga 0. Hal ini berarti
subpopulasi perokok potensial dan perokok kadang-kadang selalu ada ( 0 dan 0).
6. Kematian karena merokok dipertimbangkan baik pada perokok aktif maupun pada perokok
pasif.
Berikut adalah model matematika jumlah perokok dengan interaksi antara perokok
potensial dan perokok berat.

= 2 +
(5)

= 2 + + + 2 +
(6)

= + +
(7)

(8)
= 2 +

dengan syarat:
, > 0,, 0 dan > 0,0 < 2 ,,,,2 , < 1.
Pada persamaan (5) menyatakan laju perubahan jumlah perokok potensial. Jumlah perokok
potensial meningkat karena adanya pertambahan individu yang berumur 10 tahun (). Jumlah
perokok potensial berkurang karena adanyakematian secara alami () dan kematian yang
sebabkan karena penyakit yang berasal dari rokok, dalam kasus ini perokok potensial terkena
imbas dari perokok aktif (). Selain disebabkan oleh kematian jumlah perokok potensial

Jurnal Matematika 2013


12

berkurang karena bertambahnya jumlah perokok sehingga individu yang pada awalnya merupakan
perokok potensial berpindah subpopulasi menjadi perokok kadang-kadang (2 ).
Persamaan (6) menyatakan laju perubahan jumlah perokok kadang-kadang. Jumlah perokok
kadang-kadang meningkat karena meningkatnya jumlah perokok (2 ) dan perpindahan
individu dari subpopulasi perokok berat ke subpopulasi perokok kadang-kadang (). Jumlah
perokok kadang-kadang berkurang karena kematian secara alami () dan kematian yang
sebabkan karena penyakit akibat merokok (). Selain itu jumlah perokok kadang-kadang juga
berkurang karena perpindahan individu dari subpopulasi kadang-kadang ke subpopulasi perokok
berat () dan perpindahan individu dari subpopulasi perokok kadang-kadang ke subpopulasi
individu yang sudah berhenti merokok (2 ).
Persamaan (7) menyatakan laju perubahan jumlah perokok berat. Jumlah perokok berat
berkurang karena kematian secara alami () dan kematian akibat penyakit yang disebabkan dari
merokok (). Selain karena kematian, jumlah perokok berat berkurang karena adanya
perpindahan individu dari subpopulasi perokok berat menjadi subpopulasi perokok ringan ().
Jumlah perokok berat bertambah karena adanya perpindahan individu dari subpopulasi perokok
kadang-kadang menjadi subpopulasi perokok berat ().
Persamaan (8) menyatakan laju perubahan jumlah individu yang sudah berhenti merokok.
Jumlah individu yang sudah berhenti merokok berkurang karena kematian baik secara alami ()
maupun kematian yang diakibatkan dari penyakit akibat merokok (). Jumlah individu yang
sudah berhenti merokok bertambah karena bertambahnya individu yang memutuskan untuk
berhenti merokok (2 ).
Dengan asumsi yang digunakan adalah:
1. Individu yang masuk ke dalam populasi adalah individu yang berusia 10 tahun ke atas.
2. Individu yang merupakan perokok potensialakan menjadi seoarang perokok kadang-kadang
ketika berinteraksi dengan perokok kadang-kadang.
3. Jumlah rokok yang dikonsumsi setiap hari tidak dipertimbangkan.
4. Individu yang sudah berhenti merokok tidak akan merokok lagi.
5. Interaksi selalu ada dan menggunakan akar kuadrat sehingga 0. Hal ini berarti
subpopulasi perokok potensial dan perokok berat selalu ada ( 0 dan 0).
6. Kematian karena merokok dipertimbangkan baik pada perokok aktif maupun pada perokok
pasif.
4. Analisis Model
Model matematika yang terbentuk pada permasalahan jumlah perokok adalah sistem
persamaan diferensial non linear karena adanya interaksi antar komponen, sehingga perlu dicari
solusi khusus. Salah satu solusi khusus dari model matematika jumlah perokok adalah titik
setimbang yang berikutnya akan dianalisis kestabilan dari titik setimbang tersebut. Berikut
diberikan beberapa definisi dan teorema yang berhubungan dengan analisis kestabilan sistem
linier:
Definisi Titik pada sistem autonomous

= ,

Dikatakan titik setimbang jika memenuhi = 0.


(Olsder, 2011)
Definisi Matriks Jacobian adalah matriks yang elemen-elemennya merupakan turunan parsial
pertama dari beberapa fungsi. Misalkan terdapat tiga persamaan dengan tiga variabel
sebagai berikut:
1 = 1 1 , 2 , 3 ,
2 = 2 1 , 2 , 3 ,
3 = 3 1 , 2 , 3 ,
maka bentuk dari matriks Jacobian berukuran 3 3 dari persamaan di atas adalah:

Jurnal Matematika 2013


13

1
1
2
1
3
1

1
2
2
2
3
2

1
3
2
.
3
3
3
(Olsder dan Woude, 2003)

Teorema Pandang sistem persamaan diferensial linier berikut:

= .

Titik setimbang disebut stabil asimtotis jika dan hanya jika semua nilai eigen dari
matriks , yaitu mempunyai bagian real yang negatif dan dinotasikan sebagai
< 0.
(Olsder dan Woude, 2003)
Pada beberapa permaslahan tanda bagian real dari nilai eigen sulit untuk ditentukan,
sehingga perlu digunakan metode lain yang mampu menentukan tanda bagian real pada nilai eigen
. Misalkan terdapat sebuah matriks yang berukuran , tanda bagian real dari nilai eigen
dapat ditentukan dengan menggunakan kriteria Routh-Hurwitz.
+ 1 1 + + 1 + = 0
(9)
dengan adalah koefisien yang merupakan bilangan real, = 1,2, , .
Dari persamaan karakteristik (5) tersebut, dapat diperoleh matriks Hurwitz ( ) yang
didefinisikan sebagai berikut :
1 1 0
1 1
1 = 1 ,
2 =
,
3 = 3 2 1 .
3 2
5 4 3
1
0
1
0
0
3
0
2
1
1
5
0
3
4
2

untuk (gasal),
=
1

1
2 3

21 2 2 23 24
1
0
1
0
0
3
0
2
1
1
5
0
3
4
2
untuk (genap),

dan =
1
1
2
3 4

21 22 23 24
,
dengan =
.
0, >
Teorema (Kriteria Routh-Hurwitz) Akar-akar dari persamaan (2.1) bernilai negatif atau
mempunyai bagian real negatif jika dan hanya jika det > 0, = 1,2, , .
(Merkin, 1997)
5. Hasil dan Pembahasan
Model Matematika dengan interaksi antara perokok potensial dan perokok kadang-kadang
diperoleh satu titik setimbang endemik perokok 1 =(1 , 1 , 1 , 1 ), dengan:
+ +
1 = 2
,
1 =
1 =

1 + + + +
2
1
1 ,
+ +

+ + 1

+ +

1 , dan

Jurnal Matematika 2013


14

1 =

+ + + 1

+ +

1 .

Selanjutnya akan dianalisis kestabilan pada setiap titik setimbang tersebut dengan
sebelumnya memasukkan titik setimbang ke dalam matriks Jacobian, sehingga diperoleh matriks
Jacobian dari titik setimbang di atas adalah sebagai berikut:
11 12
0
0
21 12
0
0
1 =
,
0

32 0
0
0

dengan
11 =
12 =
21 =

1 + + + +
2 + +
+ +

2
2
1

2 + +

32 = + + , dan = + > 0.
Untuk menguji kestabilan lokal dari titik setimbang 1 dilakukan dengan menentukan nilai
eigen dari matriks 1 . Nilai eigen dari matriks 1 diperoleh dari persamaan karakteristik berikut:
1 = 0
+ 32 + 2 + 11 + 12 + 11 12 + 12 21 = 0.
Dari persamaan karakteristik di atas diperoleh nilai eigen berikut:
1 = = ( + ),
2 = 32 = + + ,
dan sisanya merupakan akar-akar dari persamaan berikut:
(10)
2 + 1 + 2 = 0,
dengan 1 = 11 + 12 dan 2 = 11 12 + 12 21 .
Nilai eigen dari persamaan (10) akan dianalisis dengan menggunakan kriteria Routh-Hurwitz.
Syarat agar persamaan (10) mempunyai nilai eigen bernilai negatif atau bagian real yang bernilai
negatif adalah
1 > 0 dan 2 > 0.
Karena , , , 1 > 0, jelas bahwa 11 , 12 dan 21 bernilai positif sehingga 1 > 0 dan 2 > 0
atau dengan kata lain nilai eigen dari persamaan (10) bernilai negatif atau mempunyai bagian real
yang bernilai negatif.
Dari perhitungan di atas dapat disimpulkan titik setimbang endemik perokok 1 =(1 , 1 , 1 , 1 )
bersifat stabil asimtotis lokal. Hal ini berarti dalam populasi tersebut selalu terjadi endemik
penyebaran perokok.
Model Matematika dengan interaksi antara perokok potensial dan perokok berat diperoleh
satu titik setimbang endemik perokok 2 =(, , , ) = (2 , 2 , 2 , 2 ), dengan:
2 =
2 =
2 =
2 =

2 2 +

2 ,
, dan

2
2

2 .

Selanjutnya akan dikaji eksistensi titik setimbang (2 ). Titik setimbang perokok endemik
perokok (2 ) ada jika 2 > 0, 2 > 0, 2 > 0 dan 2 > 0. Perhatikan bahwa
(11)
= + + + 1 + + > 0.
Dari perhitungan tersebut didapatkan 2 =

1 2 +

> 0.

Selanjutnya pandang bentuk 2 , 2 dan 2 sebagai berikut

2
2 =

=
.
2

2
2 =

2 =
.

Jurnal Matematika 2013


15

2
2
2 2

2 =
.



Agar 2 > 0, 2 > 0 dan 2 > 0 maka haruslah dipenuhi bahwa
2 > 0

2
>0
2 +

1 2
> 0.
2 +
Karena > 0, maka agar 2 > 0, 2 > 0 dan 2 > 0 harus dipenuhi

1 2
> 0.
2 +

Jelas bahwa 0 < 2
< 1, sehingga persamaan di atas selalu dipenuhi.
2 =

2 +

Selanjutnya akan dianalisis kestabilan pada setiap titik setimbang tersebut dengan
sebelumnya memasukkan titik setimbang ke dalam matriks Jacobian, sehingga diperoleh matriks
Jacobian dari titik setimbang di atas adalah sebagai berikut:

0
0

0
2 =
,
0
0
0
2
0

dengan = + , = + + ,
=

+ + ,
,
,
+ .

Untuk menguji kestabilan lokal dari titik setimbang 2 dilakukan dengan menentukan nilai
eigen dari matriks 2 . Nilai eigen dari matriks 2 diperoleh dari persamaan karakteristik berikut:
2 = 0
+ 3 + 1 2 + 2 + 3 = 0,
dengan 1 = + + ,
2 = + + + dan
3 = + .
Dari persamaan karakteristik di atas diperoleh nilai eigen berikut
1 = = ( + ).
Nilai yang lainnya adalah akar-akar dari persamaan berikut:
(12)
3 + 1 2 + 2 + 3 = 0
Nilai eigen dari persamaan (12) akan dianalisis dengan menggunakan kriteria Routh-Hurwitz.
Syarat agar persamaan (12) mempunyai nilai eigen bernilai negatif atau bagian real yang bernilai
negatif adalah
1 > 0, 2 > 0, 3 > 0 dan 1 2 3 > 0.
Karena ,, > 0, jelas bahwa 1 > 0. Berikut akan dianalisis apakah 2 > 0.
2 2
2 2
2 2
2 2
2 =
+ + +
+ +

+ .
2 2
2 2
4
2 2
2 =

2 2
2 2
2 2

+ +
+ +
+
.
2 2
2 2
4
2

Berdasarkan (11) yang menunjukkan bahwa > 0, sehingga 2 > 0. Berikutnya akan
dianalisis apakah 3 > 0.
3 = +

Jurnal Matematika 2013


16

3 =

2
2

2
+ + .
2

2
3 =
+ +
2 2

3 =
+ .
2
Berdasarkan (11) yang menunjukkan bahwa > 0, sehingga 3 > 0. Berikutnya akan
dianalisis apakah 1 2 3 > 0. Karena pada syarat sebelumnya 1 ,2 dan 3 harus bernilai
positif maka 1 2 bernilai positif.
1 2 3 = + + + + + +
1 2 3 = + + + + + + 2
Sebelum menganalisis lebih lanjut 1 2 3 , akan dianalisis terlebih dahulu + .
+ =

2 2
+ +
2 2

2 2
+
2 2

2 2

+ +
2
2
Karena > 0 maka dapat disimpulkan bahwa

> 0 dan
+ =

2 2
+ > 0.
2
Dari sini dapat disimpulkan + > 0, sehingga
1 2 3 = + + + + + + 2 > 0.
Dari perhitungan di atas dapat disimpulkan bahwa titik setimbang endemik perokok
2 =(2 , 2 , 2 , 2 ) bersifat stabil asimtotis lokal. Hal ini berarti dalam populasi tersebut selalau
terjadi endemik penyebaran perokok.
5. Simulasi Numerik
Pada pembasan berikutnya, model matematika jumlah perokok dengan dinamika akar
kuadrat dianalisis secara numerik dengan program Matlab. Dengan memasukkan nilai parameter
yang sudah ditentukan, dapat dipelajari dinamika dari penyebaran jumlah perokok. Pada simulasi
dari dua model matematika tentang penyebaran jumlah perokok digunakan data berikut:
Subpopulasi
Jumlah (orang)
68
Perokok Potensial ()
5
Perokok Kadang-kadang ()
24
Perokok Berat atau harian ()
3
Mantan Perokok ()
Tabel Parameter Nilai Awal
Berikut adalah nilai parameter yang digunakan untuk mensimulasikan momodel:
Parameter
Nilai
Satuan
Sumber
2
orang per satuan waktu
Diasumsikan

0,05
per satuan waktu
Zeb, dkk (2013)
1
0,07
per satuan waktu
Diasumsikan
2
0,01
per satuan waktu
Diasumsikan
1
0,0165
per satuan waktu
Erturk, dkk (2012)
2
0,01
per satuan waktu
Diasumsikan

0,0021
per satuan waktu
Erturk, dkk (2012)

0,03
per satuan waktu
Zeb, dkk (2013)

0,01
per satuan waktu
Diasumsikan

Tabel 4.4 Nilai parameter pada Model Matematika Jumlah Perokok dengan Dinamika Akar
Kuadrat.

Jurnal Matematika 2013


17

Simulasi menggunakan Matlab diperoleh grafik dinamika model matematika dengan


interaksi antara perokok potensial dan perokok kadang-kadang sebagai berikut:
180
perokok potensial
perokok kadang-kadang
perokok berat
mantan perokok

160

jumlah subpopulasi

140
120
100
80
60
40
20
0

50

100

150

200
satuan waktu

250

300

350

400

Gambar Dinamika Model Matematika Penyebaran Jumlah Perokok dengan Interaksi antara
Perokok Potensial dan Perokok Kadang-kadang.
Gambar di atas merupakan grafik yang menunjukkan jumlah masing-masing subpopulasi
setiap satuan waktu. Subpopulasi perokok potensial mengalami penurunan sedangkan subpopulasi
perokok kadang-kadang, subpopulasi perokok berat dan subpopulasi mantan perokok mengalami
kenaikan. Setiap subpopulasi terus mengalami perubahan jumlah hingga mencapai titik setimbang
endemik. Hal ini menunjukkan perokok tidak akan pernah punah atau dengan kata lain selalu
terjadi endemik penyebaran perokok.
Berikut hasil simulasi pada model kedua yakni model matematika jumlah perokok dengan
interaksi antara perokok potensial dan perokok berat.
250
perokok potensial
perokok kadang-kadang
perokok berat
mantan perokok

jumlah subpopulasi

200

150

100

50

50

100

150

200
250
satuan waktu

300

350

400

Gambar Dinamika Model Matematika Penyebaran Jumlah Perokok dengan Interaksi antara
Perokok Potensial dan Perokok Berat (harian).
Gambar di atas merupakan grafik yang menunjukkan jumlah masing-masing subpopulasi
setiap satuan waktu. Secara garis besar subpopulasi perokok potensial mengalami penurunan,
sedangkan subpopulasi perokok kadang-kadang, subpopulasi perokok berat dan subpopulasi
mantan perokok mengalami peningkatan. Setiap subpopulasi terus mengalami perubahan jumlah
hingga mencapai titik setimbang endemik. Hal ini menunjukkan perokok tidak akan pernah punah
atau dengan kata lain selalu terjadi endemik penyebaran perokok.
Berikut adalah perbandingan dinamika setiap subpopulasi pada kedua model.

Jurnal Matematika 2013


18

70
perokok potensial model 1
perokok potensial model 2

Jumlah Subpopulasi

60
50
40
30
20
10

50

100

150

200
Satuan Waktu

250

300

350

400

Gambar Perbandingan Dinamika Subpopulasi Perokok Potensial.


50
perokok kadang-kadang model 1
perokok kadang-kadang model 2

45

Jumlah Subpopulasi

40
35
30
25
20
15
10
5

50

100

150

200
Satuan Waktu

250

300

350

400

Gambar Perbandingan Dinamika Subpopulasi Perokok Kadang-kadang.


55

50

Jumlah Subpopulasi

45

40

35

30
perokok berat model 1
perokok berat model 2

25

20

50

100

150

200
Satuan Waktu

250

300

350

400

300

350

400

Gambar Perbandingan Dinamika Subpopulasi Perokok Berat.


250
mantan perokok model 1
mantan perokok model 2

Jumlah Subpopulasi

200

150

100

50

50

100

150

200
Satuan Waktu

250

Gambar Perbandingan Dinamika Subpopulasi Mantan Perokok.


Dari hasil simulasi pada kedua model matematika jumlah perokok
kuadrat dapat disimpulkan bahwa jumlah perokok potensial mengalami
jumlah perokok kedang-kadang, jumlah perokok berat dan mantan
peningkatan. Selain itu dapat disimpulkan bahwa interaksi antara perokok
berat lebih mempengaruhi orang untuk merokok daripada interaksi antara
perokok kadang-kadang.

Jurnal Matematika 2013


19

dengan dinamika akar


penurunan sedangkan
perokokb mengalami
potensial dan perokok
perokok potensial dan

6.

Kesimpulan
Dari hasil pembahasan diperoleh kesimpulan:
1. Pada analisis titik setimbang dan analisis kestabilan pada titik setimbang model matematika
jumlah perokok dengan dinamika akar kuadrat diperoleh titik setimbang sebagai berikut:
a. Model matematika jumlah perokok dengan interaksi antara perokok potensial dan perokok
kadang-kadang diperoleh satu titik setimbang yakni titik setimbang endemik perokok
1 =(1 , 1 , 1 , 1 ), dengan
+ +
1 = 2
,
1 =
1 =
1 =

1 + + + +
2
1
1 ,
+ +

+ + 1
1

+ +

1 , dan

+ + + 1

+ +

1 .

Titik setimbang endemik perokok 1 selalu bersifat stabil asimtotis lokal.


b. Pada Model Matematika jumlah perokok dengan interaksi antara perokok potensial dan
perokok berat (harian) didapatkan satu titik setimbang yakni titik setimbang endemik
perokok 2 =(2 , 2 , 2 , 2 ), dengan
2 =
2 =
2 =
2 =

2.

2 2 +

2 ,
,

2
2

2 ,

dan
= + + + 2
= + + dan = + .
Titik setimbang endemik perokok 2 selalu bersifat stabil asimtotis lokal.
Hasil simulasi dari kedua model dengan menggunakan Matlab diperoleh kesimpulan bahwa
jumlah subpopulasi perokok potensial mengalami penurunan sedangkan jumlah
subpopulasi perokok dan mantan perokok mengalami peningkatan dan interaksi dengan
perokok berat lebih mempengaruhi orang untuk merokok daripada interaksi dengan
perokok kadang-kadang.

7. Daftar Pustaka
Aditama, T.Y., 2001, Masalah Merokok dan Penanggulangannya, Ikatan Dokter Indonesia,
Jakarta.
Gunawan, A.Y. dan Nurtaman, M.E., 2008, Model Dinamik Sederhana untuk Masalah
Peningkatan Populasi Perokok, Mathematics Subject Classification, Vol. 14, Hal. 63-72.
Haris, A., Ikhsan, M., Rogayah, R., 2012, Asap Rokok sebagai Bahan Pencemar dalam Ruangan,
Universitas Indonesia - Rumah Sakit Persahabatan, Jakarta.
Husaini, A., 2007, Tobat Merokok, Mizan Media Utama, Bandung.
Merkin, D.R., 1997, Introduction to the Theory of stability, Springer-Verlag New York Inc:
Amerika.
Olsder, G.J. dan Woude, J.W. van der, 2003, Mathematical System Theory, Second Edition, Delft
University, The Netherlands.
Olsder, G.J., Woude, J.W. van der, Maks, J.G., Jeltsema, D., 2011, Mathematical Systems Theory,
Fourth Edition, Delft University, The Netherlands.
Samet, J.M., 2010, Passive smoking and Health, Tobacco Science, Policy and Health, Second
Edition, Chapter 16.
Sharomi, O. dan Gumel, A.B., 2008, Curtailing Smoking dynamics: A Mathematical modeling
Approach, Applied Mathematics and Computation, Vol. 195, Hal. 475-499.
Tirtosastro, S. dan Murdiyati, A.S., 2010, Kandungan Kimia Tembakau dan Rokok, Buletin
Tanaman Tembakau, Serat dan Minyak Industri 2, Hal. 33-43.
Tobacco Control Support Center, 2012, Fakta Tembakau, Permasalahannya di Indonesia.
Zeb, A., Zaman, G., Momani, S., 2013, Square-root Dynamics of Giving Up Smoking Model,
Applied Mathematical Modelling, Vol. 37, Hal. 5326-5334.

Jurnal Matematika 2013


20

HYBRID ALGORITMA ARTIFICIAL BEE COLONY DENGAN


MULTIPLE ONLOOKER (MO-ABC) DAN ALGORITMA HILLCLIMBING (HC) UNTUK MENYELESAIKAN TRAVELING
SALESMAN PROBLEM (TSP)
Novia Putri Pertiwi, Herry Suprajitno, Auli Damayanti
Departemen Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga Kampus
C, Jl. Mulyorejo, Surabaya
noviaputripertiwi@gmail.com
Traveling Salesman Problem is a problem of determining the optimal route from
salesmans routes. Therefore, the purpose of writing this undergraduate thesis is to solve
the Traveling Salesman Problem with a Hybrid Artificial Bee Colony with Multiple
Onlooker Algorithm and Hill Climbing Algorithm. Artificial Bee Colony with Multiple
Onlooker Algorithm is a modification of the Artificial Bee Colony Algorithm. Artificial
Bee Colony with Multiple Onlooker is one of the heuristics method inspired by
behaviour a colony of bees when they find the food source, onlookers are going to areas
where more than one employed bee has found promising food source. Modification uses
three onlooker bees to create mutant solution. Hill Climbing is a repetition of the
algorithm continues to move toward increasing the value. Hybrid Artificial Bee Colony
with Multiple Onlooker Algorithm and Hill Climbing Algorithm is a combination of
two algorithms by entering the Hill Climbing Algorithm to process Artificial Bee
Colony with Multiple Onlooker Algorithm. The process of algorithm is started by
initialitation parameters, generate solution, calculate fitness value, find neighbourhood
from the solution and calculate fitness value, roulette wheel selection, find
neighbourhood form the solution for onlookers bee and calculate fitness value, select
solution for hill climbing algorithm, do the hill climbing algorithm to the selected
solution with modified solution, memorize the best solution, find the exhausted solution
and the process running untill maximum iteration. The data used is the data 10 cities in
East Java and 100 cities in Java Island, and the Java programming language solved with
NetBeans IDE 7.2. The objective function (distance) minimum based on hybrid
artificial bee colony with multiple onlooker algorithm and hill climbing for data 10
cities in East Java is 1022 km, while the data for 100 cities in Java Island obtained a
minimum distance is 21289 km.

Keywords: Artificial Bee Colony Algorithm with Multiple Onlooker, Hybrid, Hill
climbing Algorithm, Traveling Salesman Problem.

1.

Pendahuluan

Transportasi merupakan komponen penting dalam dunia industri khusunya


dalam proses distribusi ke kota-kota. Penentuan jalur transportasi terpendek
biasa disebut dengan Travelling Salesman Problem (TSP). Permasalahan ini
merupakan salah satu masalah optimasi yang banyak menarik perhatian para
peneliti sampai saat ini. TSP dapat dianalogikan sebagai salesman yang akan

Jurnal Matematika 2013


21

mengunjungi sejumlah kota, dimana dimana rangkaian kota-kota yang


dikunjungi harus membentuk suatu jalur sedemikian rupa sehingga kota-kota
tersebut hanya boleh dilewati tepat satu kali dan kemudian kembali lagi ke kota
awal. Tujuan dari masalah TSP ini adalah untuk mencari tour atau jarak
terpendek.
Penyelesaian eksak untuk masalah TSP mengharuskan perhitungan terhadap
semua kemungkinan rute yang dapat diperoleh, kemudian memilih salah satu
tour yang terpendek. Jika terdapat n kota yang harus di kunjungi, maka
diperlukanan proses pencarian sebanyak
(n)! tour. Hal inilah yang
menyebabkan penyelesaian secara eksak sulit dilakukan. Berdasarkan hal
tersebut, menurut [5] banyak peneliti yang lenih memusatkan kepada
pengembangan metode-metode pendekatan seperti Genetic Algorithm,
Simulated Annealing, Ant Algorithm, dan Artificial Bee Colony Algorithm.
Algoritma Artificial Bee Colony (ABC) adalah metode yang diperkenalkan oleh
Karaboga pada tahun 2005. Metode ini diinspirasikan dengan kehidupan sebuah
koloni lebah saat mereka mencari food source. Dalam algoritma ABC koloni
lebah dibagi menjadi 3 kelompok, yaitu: Employed bee, Onlooker bee dan
Scout Bee. Dimana masing-masing kelompok mempunyai tugas yang berbeda
dalam mencari food source
Pada penelitian [7], telah dibandingkan hasil antara prosedur menggunakan
algoritma Artificial bee colony with Multiple Onlooker (MO-ABC) dengan hasil
algoritma ABC asli. Hasil perbandingan menyatakan bahwa hasil algoritma
MO-ABC lebih bagus dari pada hasil algoritma ABC asli. MO-ABC adalah
modifikasi dari algoritma ABC. Dimana pada kehidupan nyata Onlooker bee
pergi ke food source yang telah di tandai oleh employed bee, kemudian
onlooker bee akan pergi ke persekitaran food source lebih dari satu tempat
untuk mencari sumber makanan baru. Pada algoritma ABC asli onlooker bee
akan pergi ke satu tempat persekitaran food source saja. Pada MO-ABC,
Onlooker bee akan pergi lebih dari satu tempat persekitaran sumber makanan
untuk mendapatkan sumber makanan baru. Pada MO-ABC ini onlooker bee
akan pergi ketiga tempat persekitaran food source. Dalam perkembangannya
algoritma MO-ABC dapat dikombinasikan (hybrid) dengan berbagai jenis
metode lain, diantaranya dengan metode hill climbing.
Menurut [3], Hill-climbing adalah sebuah pengulangan yang terus bergerak
menuju ke arah meningkatkan nilai yaitu menanjak. Hill climbing akan berakhir
saat mencapai puncak dimana tidak ada neighbourhood yang memiliki nilai
yang lebih tinggi. Dalam algoritma ini struktur data dari simpul saat ini hanya
merekam keadaan dan nilai dari fungsi obyektif. Algoritma hill climbing
memiliki kinerja pencarian lokal yang kuat. Algoritma ini dimulai dari

Jurnal Matematika 2013


22

beberapa kelompok yang diinisialisasikan untuk mendapat area pencarian yang


lebih baik, diiterasi dari generasi ke generasi hingga mencapai solusi optimal.
Dalam paper ini, Traveling Salesman Problem (TSP) akan diselesaikan
menggunakan metode hybrid algoritma Artificial Bee Colony dengan Multiple
Onlooker dan algoritma Hill-Climbing, bisa disebut algoritma MOABC-HC.

2.

Traveling Salesman Problem

Menurut [2] secara matematis permasalahan dari TSP yaitu membuat tour dari n
kota (1,2, . . . , ) dimulai dan diakhiri pada kota yang sama, dengan tujuan
meminimalkan jarak tour. Tour adalah sebuah cycle dalam
yang memuat
setiap titik tepat satu kali.
Didefinisikan variabel
sebagai berikut :
1,
jika ada garis dari titik i ke titik j dalam

=
(1)"
0,
yang lain
Untuk setiap titik #, tepat satu garis (#, $) harus ada pada setiap tour, jadi :
'

%
()

= 1 , # = 1,2, , (2)

Dan juga untuk setiap titik $, tepat satu garis (#, $) harus ada pada setiap tour,
dengan demikian
'

%
()

= 1 , $ = 1,2, , (3)

Secara matematis
dapat menghasilkan subtour jika hanya jika untuk
beberapa subset tak kosong + -,
% %

/ /0

= 0

dengan +0 = - +. Jadi, tour terpenuhi oleh persamaan (1), (2), dan (3), untuk
semua + -, + , yakni
% %

/ /0

Misalkan jarak dari titik (#, $) adalah 5 , dimana jika # = $ maka 5 = 0 dengan
# = 1,2, , . Dengan demikian TSP dapat dituliskan sebagai berikut :
n

Meminimalkan z = cij xij

(4)

i =1 j =1

Jurnal Matematika 2013


23

dengan batasan :
n

x
j =1

ij

x
i =1

ij

= 1 , # = 1,2, , .

= 1 , $ = 1,2, , .

x
iQ jQ

ij

1 , + -, dengan + dan +0 = - +

xij {0,1} , #, $ = 1,2, , .


1,
jika ada garis dari titik i ke titik j dalam
"
=
0,
yang lain
3.

Algoritma Artificial Bee Colony

Algoritma Artificial Bee Colony diperkenalkan pertama kali oleh Karaboga


pada tahun 2005. Algoritma ini mengadopsi cara koloni lebah dalam pencarian
sumber makanan. Pada [4], koloni lebah terdiri dari tiga jenis lebah, yaitu:
employed bees, onlooker bees, dan scout. Setengah pertama dari jumlah koloni
adalah jumlah dari employed bees dan setengah kedua adalah jumlah dari
onlooker. Untuk setiap food source hanya ada satu employed bee. Dengan kata
lain, jumlah employed bee sama dengan jumlah food source. Employed bee
yang meninggalkan food source akan menjadi scout. Pada algoritma ABC,
calon solusi dan nilai fitness direpresentasikan sebagai food source dan jumlah
nektar. Langkah-langkah pada algoritma ABC adalah sebagai berikut:
1.
2.

3.
4.
5.

6.

Inisialisasi parameter.
Membangkitkan solusi awal
Solusi dibangkitkan secara random dengan jumlah solusi yang
dibangkitkan berupa vekor dengan dimensi sebanyak jumlah parameter
optimasi dari permasalahannya. Jumlah solusi yang dibangkitkan.
sebanyak jumlah dari employed bee atau onlooker bee.
Menghitung nilai fungsi tujuan.
Mencari solusi baru berdasarkan neighbourhood.
Menghitung nilai fungsi tujuan solusi baru dan membandingkan solusi
Jika nilai fungsi tujuan baru lebih bagus maka solusi baru diingat dan
melupakan solusi lama.
Menghitung probabilitas solusi berdasarkan nilai fitness
Onlooker bee memilih solusi berdasarkan probabilitas dari nilai fitness
solusi. menghitung probabilitas menggunakan rumus:

Jurnal Matematika 2013


24

7 =

8#

:;
'() 8# '

Dengan:
7
: probabilitas calon solusi ke-#
8#
: nilai fitness ke-#
NF
: jumlah calon solusi
7.

Onlooker bee menentukan solusi baru berdasarkan neighbourhood dari


calon solusi yang terpilih.
Menghitung nilai fungsi tujuan solusi baru dan membandingkan solusi.
Mengingat solusi terbaik.
Menentukan solusi yang habis
jika posisi calon solusi tidak berubah lebih lanjut melalui batas yang
sudah ditentukan maka calon solusi diasumsikan habis. Batas dari calon
solusi habis dihitung dengan cara:
< = => @, dengan:
<
=
Limit habis dari solusi
=>
=
Jumlah food source
D
=
Jumlah kota

8.
9.
10.

4.

Algoritma Artificial bee colony dengan multiple onlooker

Pada penelitian [7],Dalam kehidupan nyata Onlooker bee pergi ke food source
yang telah di tandai oleh Employed bee. kemudian onlooker bee akan pergi ke
persekitaran food source lebih dari satu tempat untuk mencari sumber makanan
baru. Pada algoritma ABC asli onlooker bee akan pergi ke satu tempat
persekitaran food source saja.
Multiple Onlooker merupakan modifikasi dari algoritma ABC yang asli, yaitu
menggunakan lebih dari satu onlooker bee. Dalam modifikasi ini onlooker bee
akan pergi ketiga tempat persekitaran food source. Pada MO-ABC untuk
menghasilkan calon solusi baru dapat menggunakan persamaan, sebagai berikut
A =

+ 0.3C D

EF)

G + 0.4 C D

G + 0.3C D

EI

(2.12)

dengan
adalah calon solusi x yang ke-i dimensi ke-j saat ini dan
E , EF), , EI), merupakan calon solusi baru dari tiga neighbourhood dan
urutannya berdasarkan probabilitas. Hal ini jelas i harus berbeda dari k,k-1,k+1.
Ketiga neighbourhood tidak memiliki Probabilitas yang sama, Probabilitas
terbesar dimiliki neighbourhood yang kedua yaitu 0.4, sedangkan dua
neighbourhood lainnya probabilitasnya 0.3. Penentuan probabilitas ini telah di
tentukan berdasarkan eksperimen empiris.

Jurnal Matematika 2013


25

5.

Algoritma Hill Climbing

Dalam algoritma Hill Climbing menurut [1] terdapat langkah-langkah yang


dapat digunakan untuk menyelesaikan TSP, seperti berikut :
1. Mulai dari keadaan awal dan lakukan evaluasi, jika solusi keadaan saat ini
merupakan tujuan maka berhenti, jika tidak lanjutkan keadaan saat ini
sebagai keadaan awal.
2. Ulangi sampai tujuan tercapai atau iterasi sampai tidak memberikan
perubahan pada keadaan saat ini.
a) Tentukan SUCC sebagai nilai terbaik dari successor. SUCC merupakan
keadaan sedemikian rupa sehingga setiap kemungkinan pengganti dari
kondisi saat ini akan lebih baik dari SUCC.
b) Lakukan pada tiap operator yang digunakan oleh keadaan saat ini :
i.
Gunakan operator tersebut dan bentuk keadaan baru.
ii. Evaluasi keadaan baru, jika solusi keadaan baru merupakan tujuan
maka berhenti, jika solusi keadaan baru lebih baik dari SUCC maka
nilai keadaan baru akan menjadi SUCC, namun jika tidak lebih baik
maka nilai SUCC tidak berubah

6.

Hybrid Algoritma MO-ABC dan Algoritma HC

Algoritma MOABC-HC adalah sebagai berikut:


Hybrid Algortima MO-ABC dan Algoritma HC

begin
input data dan inisialisasi parameter();
generate solusi awal();
hitung FungsiTujuan solusi awal();
do
mencari solusiBaru();
hitung FungsiTujuanEB();
update FungsiTujuan & cek trialLimit();
hitung probabilitas();
seleksi();
for i sampai onlooker
mencari new_OB();
hitung FungsiTujuanOB ();
update FungsiTujuan & cek trialLimit onlooker bee();
end

menentukan solusi untuk algoritma HC();

Jurnal Matematika 2013


26

for solusi terpilih()


do
memodifikasi solusi ();
hitung FungsiTujuanHC();
update FungsiTujuanHC ();
while(FungsiTujuanOB FungsiTujuanHC);
end
cek trialLimit();
menyimpan solusi terbaik();
cek limit();
while(maks_iterasi);
end

7.

Hasil dan Pembahasan

Data yang digunakan dalam penelitian ini adalah data jarak 10 kota di Jawa
Timur dan data jarak 100 kota di Pulau Jawa [5]. Berikut ini perbandingan
solusi terbaik dari 10 Kota dan 100 kota yang dihasilkan dengan nilai a = 1, b
= -1 dan phc = 0.5 dengan mengganti jumlah colony, max iterasi dan modifikasi
HC merupakan banyaknya iterasi pada proses HC. Solusi bisa didapatkan
menggunakan bahasa pemrograman java, yakni menggunakan NetBeans 7.2.
Hasil penyelesaian pada data jarak 10 kota di Jawa Timur yang ditunjukkan
pada Tabel 1 dan penyelesaian pada data jarak 100 kota di Pulau Jawa yang
ditunjukkan pada Tabel 2.
Tabel 1 Perbandingan Solusi Terbaik Data Jarak 10 Kota
Jumlah
Colony
20

50

100

Modifikasi
HC
5
10
15
5
10
15
5
10
15

Maximum Iterasi
500
1022
1022
1022
1022
1022
1022
1022
1022
1022

100
1022
1022
1022
1022
1022
1022
1022
1022
1022

1000
1022
1022
1022
1022
1022
1022
1022
1022
1022

Dari Tabel 1 dapat dilihat bahwa untuk setiap parameter colony,


modifikasi HC dan max iterasi didapatkan solusi terbaik yaitu 1022.
Dalam hal ini perubahan parameter tidak terlalu berpengaruh terhadap
penyelesaian yang didapatkan karena dengan parameter yang kecil sudah
mendapatkan penyelesain yang baik

Jurnal Matematika 2013


27

Tabel 2 Perbandingan Solusi Terbaik Data Jarak 100 Kota


Jumlah
Colony
20

50

100

Modifikasi
HC
5
10
15
5
10
15
5
10
15

100
27206
26469
26626
26506
26449
25128
25623
24877
25666

Maximum Iterasi
500
24789
23611
23335
23731
23432
23802
22684
22855
23518

1000
23005
23551
23276
23607
22073
23006
21829
23340
22204

Dari Tabel 2 dapat dilihat bahwa untuk setiap parameter colony,

modifikasi HC dan max iterasi didapatkan solusi terbaik yaitu 21829.


Dalam hal ini semakin besar parameter maksimal iterasi dan semakin besar juga
parameter jumlah colony maka semakin baik pula solusi yang dihasilkan.
Tetapi untuk parameter modifikasi HC tidak berpengaruh pada hasil ini
Pada data 10 kota di Jawa Timur, perubahan parameter tidak terlalu
berpengaruh terhadap penyelesaian yang didapatkan karena dengan parameter
yang kecil sudah mendapatkan penyelesaian yang baik. Untuk data 100 kota di
Jawa menunjukkan perubahan parameter berpengaruh terhadap penyelesaian
yang didapatkan di perbedaan parameter perubahan parameter berpengaruh
terhadap penyelesaian yang didapatkan
8. Kesimpulan
Traveling salesman problem dapat diselesaikan menggunakan hybrid
algoritma MOABC -HC, dengan menggunakan parameter maksimal iterasi dan
jumlah colony yang semakin besar maka semakin baik pula solusi yang
dihasilkan.

9.

Daftar Pustaka

[1]

Dat, Huynh Tan, 2014, Artificial Intelligence, Ho Chi Minh City


University of Technology, Faculty of Computer Science and
Engineering,Vietnam.

[2]

Garfinkel, R. S. and Nemhauser, G. L., 1972, Integer


John Wiley & Sons, Inc: Canada.

Jurnal Matematika 2013


28

Programming,

[3]

Jiang, T., dkk., 2013, Evacuation Route Optimization Based on Tabu


Search Algorithm and Hill- Climbing Algorithm, Southeast
University, School of Transportation, Chinese Overseas Transportation
Association (COTA), China.

[4]

Karaboga, D. and Basturk, B., 2007, On the Performance of


Artificial Bee Colony (ABC) Algorithm, Erciyes University,
Engineering Faculty, Computer Engineering Department, TR- 38039
Kayseri, Turkey.

[5]

Pathak, N. and Tiwari, S. P., 2012, Travelling Salesman Problem


Using Bee
Colony with SPV, International Journal of Soft
Computing and Engineering, ISSN: 2231-2307, Volume-2, Issue-3.

[6]

Roos, Kees., 2004, Workshop Integer Programming, Institut Pertanian


Bogor.

[7]

Subotic, M., 2012, Artificial Bee Colony Algorithm with Multiple


Onlooker
for
Constrained
Optimization
Problems,
Megatrend Belgrade University, Computer Sciene Faculty,
Bulevar Umetnosti, Serbia.

Jurnal Matematika 2013


29

ESTIMASI MODEL REGRESI NONPARAMETRIK MENGGUNAKAN


RADIAL SMOOTHING BERDASARKAN ESTIMATOR
PENALIZED SPLINE

Nur Ahmad Ricky R, Suliyanto, Toha Saifudin


ahmad.ricky.01@gmail.com
Departemen Matematika
Fakultas Sains dan Teknologi
Universitas Airlangga
Abstract. Regression analysis is one of statistic methods that describes the relationship
between predictor variable and response variable. with two responses variable which
correlate each other is called biresponse regression. Generally, the model of
nonparametric regression is = + , i = 1,2,...,n.Where is response variable
observatiaon to i, is predictor variable observation to i, and is error random with
mean 0 and varians 2 . One of smoothing technik use for estimate the nonparametric
model is using radial smoothing based on Penalized Spline Estimator. To get optimum
lambda and optimum knot number is done by minimized GCV (Generalized Cross
Validation) based from Demmler Reinsch Ortogonalization algorithm. A form of
estimation of nonparametric regression model with radial smoothing based on penalized

spline estimator is = + . The estimation of nonparametric regression


model with radial smoothing based on penalized spline applied to the data of Indeks
Harga Konsumen (IHK) and inflasi bulanan Indonesia tahun 2006 2011. Response
variable is Indeks Harga Konsumen (IHK) and predictor variable is Inflasi Bulanan.
Based from the estimation models, the value of minimized GCV is 27.05262 with knot
number is 7 and optimum lambda is 7.906043. output Kolmogorov-Smirnov test with =
0.05 about error () have a result p-value = 0.0942. Because of p-value > , H0 accepted.
With the result proved that error () is normal distribution with mean -1.712044e-013 and
varians 0.4840309. output Kolmogorov-Smirnov test with = 0.05 about random effect
(u) have a result p-value = 0.5. Because of p-value > , H0 accepted. With the result
proved that error () is normal distribution with mean 0.03410591 and varians 0.1114586.

Key Words : Nonparametrik Regression, Radial Smoothing, Estimator Penalized Spline.

Jurnal Matematika 2013


30

1.
1.1

PENDAHULUAN
Latar belakang
Analisis regresi merupakan salah satu metode statistika yang sering digunakan oleh
para peneliti pada berbagai bidang keilmuan untuk mengidentifikasi sejumlah variabel
prediktor dalam memprediksi suatu variabel respon. Untuk mengestimasi fungsi regresi,
terdapat tiga macam pendekatan yaitu pendekatan regresi parametrik, regresi
nonparametrik, dan regresi semiparametrik. Regresi parametrik digunakan jika terdapat
informasi bentuk fungsi regresi berdasarkan teori maupun pengalaman masa lalu. Namun
tidak semua pola data mengikuti model regresi parametrik, karena tidak adanya informasi
tentang hubungan antara variabel respon dan variabel prediktor. Jika dipaksakan maka
akan diperoleh kesimpulan yang menyesatkan. Solusi dari masalah tersebut adalah
mengestimasi fungsi regresi menggunakan pendekatan regresi nonparametrik. Regresi
nonparametrik tidak bergantung pada model tertentu sehingga dapat dikatakan regresi
nonparametrik memiliki fleksibilitas yang tinggi terhadap suatu data (Wand, 2002).
Gabungan antara regresi parametrik dan nonparametrik akan didapatkan model regresi
semiparametrik.
Estimasi fungsi pada regresi nonparametrik dilakukan berdasarkan data
pengamatan dengan beberapa teknik smoothing tertentu antara lain dengan menggunakan
Histogram, estimator kernel, deret orthogonal, estimator spline, estimator k-NN,
estimator deret fourier, dan estimator wavelet (Eubank, 1988).
Estimator spline adalah salah satu estimator dalam fungsi nonparametrik yang
umum digunakan karena memberikan fleksibilitas yang lebih baik terhadap karakteristik
suatu fungsi atau data, dan mampu menangani karakter data atau fungsi yang bersifat
mulus (smooth). Salah satu bentuk estimator spline adalah penalized spline yang
diperoleh dengan meminimumkan Penalized Least Square (PLS) yaitu fungsi kriteria
pendugaan yang menggabungkan antara fungsi least square dan kemulusan kurva
(smooth). Penalized spline terdiri dari potonganpotongan polinomial (piece wise
polynomial) yang memiliki sifat tersegmen yang kontinu (Ruppert, et a.l, 2003). Sifat ini
memberikan fleksibilitas yang lebih baik daripada polinomial biasa sehingga
memungkinkan untuk menyesuaikan diri secara efektif terhadap karakteristik fungsi atau
data. Namun, Fungsi basis polinomial pada estimator penalized spline kurang mampu
menangani suatu data yang berdimensi besar. Sehingga untuk menangani masalah
tersebut, dilakukan perubahan terhadap fungsi basis polinomial pada estimator penalized
spline dengan fungsi basis radial (radial basis function). Dalam hal ini penggunaan fungsi
basis radial menjadi solusi untuk menangani suatu data yang berdimensi besar.
Fungsi basis radial merupakan salah satu metode yang digunakan dalam
penyelesaian pada data multidimensional. Kelebihan dari fungsi basis radial adalah dapat
menangani data yang berubahubah, memudahkan penyelesaian ke beberapa ruang
dimensi, dan juga memberikan akurasi spektral pada data dalam beberapa tipe aplikasi
(Wright, 2003). Spline memiliki representasi yang alami terhadap fungsi basis radial dan
juga mempermudah perhitungan dalam menyelesaikan suatu data yang berdimensi besar
dan bersifat mulus (smooth). Hubungan antara spline dengan fungsi basis radial dapat
dikatakan sebagai radial smoothing.
Estimasi regresi nonparametrik menggunakan radial smoothing diawali dengan
teknik smoothing estimator penalized spline yaitu dengan meminimumkan fungsi
penalized least square = + , dengan parameter penghalus
yang merupakan pengontrol antara goodness of fit dan kekasaran fungsi. Menurut
Pemilihan parameter penghalus optimal atau titik knot optimal diperlukan untuk
mengestimasi kurva regresi nonparametrik yaitu dengan memilih nilai GCV (Generalized
Cross Validation) yang minimum (Ruppert, et a.l., 2003). Agar mempermudah

Jurnal Matematika 2013


31

penyelesaian, penulis menggunakan algoritma Demmler Reinsch Ortogonalization

yang merupakan merupakan suatu metode yang dapat mempermudah dalam


memilih optimal untuk setiap parameter penghalus . Penerapan algortima
Demmler Reinsch Ortogonalization tidak dapat dilakukan secara manual sehingga
menggunakan bantuan software S-PLUS 2000 untuk mendapatkan penyelesaiannya.
Beberapa penerapan dari model regresi nonparametrik menggunakan radial smoothing
dapat berupa pemetaan, jaringan syaraf, gambaran medis, dan solusi dari turunan parsial.
1.2

Regresi Nonparametrik
Model regresi digunakan untuk mengetahui hubungan antara variabel respon Y dan
variabel prediktor X yang dinyatakan sebagai berikut :
= +
(1)
Misalkan variabel respon Y dan variabel prediktor X diperoleh dari pengamatan
berpasangan 1 , 1 , 2 , 2 , , , maka model regresi (1) dapat dinyatakan
sebagai
= + ; = 1,2, ,
(2)
dengan adalah error random yang diasumsikan independen dengan mean 0 dan varians
2 dan ( ) adalah fungsi regresi yang tidak diketahui bentuknya dan dapat diestimasi
dengan pendekatan spline. Jika fungsi ( ) tidak diketahui bentuknya, maka model
regresi pada (2) disebut model regresi nonparametrik.
1.3

Estimator Penalized Spline Pada Regresi Nonparametrik

Diberikan n data berpasangan 1 , 1 , 2 , 2 , , ( , ) mengikuti model


regresi
= + , = 1, 2, ,
(3)
dimana f adalah fungsi regresi yang belum diketahui bentuknya, adalah variabel respon
ke-i, adalah variabel prediktor ke-i, dan adalah error random dengan mean 0 dan
variansi 2 .
Menurut ruppert (2003), fungsi regresi nonparametrik dengan orde p dan titik
titik knots 1 , 2 , , dinyatakan sebagai

= 0 + 1 + + +
(4)
=1 ( )+, p =1,2,....
Dari fungsi (4) dapat dirubah menjadi bentuk matriks sehingga didapatkan model linier
campuran
() =
(5)
Dengan

1 11 12 1 (1 1 )+ (1 )+
0

1
2
1
= 1 2 2 2 (2 1 )+ (2 )+ dan =

1
2

1 ( 1 )+ ( )+
Dan stimator penalized spline dari (5) dapat ditulisakan sebagai
=
(6)
. Estimator penalized spline diperoleh dengan meminimumkan fungsi PLS
(Penalized Least Square) yang merupakan ukuran standar dari kesesuaian terhadap data
2
(goodness of fit) yang terdiri dari least square =1
dan ukuran kemulusan

2
alami =1 , yang dapat dituliskan sebagai berikut:

=1

2

+
, 0
(7)
=1
dengan adalah parameter penghalus, k adalah jumlah knot, dan p adalah orde
polinomial. Langkah langkah selanjutnya untuk meminimumkan fungsi PLS adalah

Jurnal Matematika 2013


32

1)

Mengubah

2)

Mengubah

kedalam bentuk matriks


=1
2

= 2 +
=1

2
=1 kedalam bentuk matriks

2
2
2
2
=1 = 1 + 2 + . +

Jika diasumsikan terdapat matriks D yang merupakan suatu matriks diagonal,


didefinisikan sebagai
11
0
0
0 22
0
=

0 0
+1 (+1)
dengan 11 = 22 = = = +1 (+1) = 0,
+2 (+2) = = +1 (+1) = 1
2
jika fungsi
=1 dituliskan dalam bentuk matriks, maka:
11
0
0
0

1
0
22

2
=1 = 0 1

0 0
+1 (+1)
=
Matriks fungsi PLS dapat ditulis sebagai
= 2 + +
(8)
Nilai dapat diperoleh dengan meminimumkan persamaan . Syarat perlu agar

persamaan minimum adalah = 0 , sehingga diperoleh

=

(9)
Substitusi (6) dan (9) menghasilkan bentuk estimator penalized spline dari f(x) yaitu
1
= +
(10)

Demmler-Reinsch ortogonalization merupakan suatu metode yang dapat


mempermudah dalam memilih optimal untuk setiap parameter penghalus .
Dengan metode ini, mencari nilai RSS akan lebih cepat sehingga nilai GCV
minimum dapat diketahui dengan cepat.
Algoritma Demmler-Reinsch ortogonalization ddideskripsikan sebagai
berikut:
1. Mengasumsikan = + 1
2. Mencari nilai R dengan menggunakan dekomposisi cholesky =
3. Menghitung singular value decomposition matriks ( ) untuk
mendapatkan
4. Menghitung matriks A dan vektor b dengan = =

5. Menghitung = +
dengan derajat bebas () =
1.4

Radial Smoothing
Radial smoothing merupakan salah satu bentuk smoothing yang berdasarkan pada
penalized spline dengan basis radial yang digunakan untuk mengestimasi model
nonparametrik.

Jurnal Matematika 2013


33

Bentuk model nonparametrik menggunakan radial smoothing dirumuskan sebagai


berikut:
= 0 + 1 +
(11)
=1 + ; = 1, 2, ,
Jika diasumsikan terdapat = 1 1 dan = 1, ,
dengan estimator penalized spline dituliskan sebagai
= +
(12)
dimana dan didapatkan dengan meminimumkan fungsi
= 2 +
(13)
Oleh karena hasil dari (2.19) estimasi model linier campuran bertgantung pada nilai
parameter penghalus, maka untuk mengestimasinya menggunakan algoritma Demmler
Reinsch Ortogonalization.
2.

METODE PENULISAN
Langkah langkah penulisan yang berkaitan dengan tujuan penulisan ini adalah
sebagai berikut:
1. Mengestimasi model regresi nonparametrik dengan langkah-langkah sebagai berikut:
Langkah 1. Mengasumsikan data , memenuhi model regresi nonparametrik
= +
Langkah 2. Menggunakan pendekatan radial smoothing untuk fungsi regresi
nonparametrik sebagai berikut:

= 0 + 1 +

; = 1, 2, ,
=1

Langkah 3.

dengan 1 , 2 , , adalah titik titik knot


Menyatakan
model
regresi
nonparametrik
= + dalam bentuk model linier campuran, yaitu
= + +
dengan
1
2
= 3 , =

1 1
2 1
= 3 1

Langkah 4.

Langkah 5.
Langkah 6.
Langkah 7.
Langkah 8.

1
1

1
2
0
, = 1 , =

1 2
2 2
3 2

1
2
3 , =

1
2
3

1
2
3 ,

Untuk mengestimasi model linier campuran, digunakan metode PLS,


yaitu dengan meminimumkan fungsi
= +

Syarat agar fungsi minimum adalah


=
=

Mendapatkan estimator dan secara simultan


Menyatakan estimasi model linier campuran
Menggunakan algoritma Demmler Reinsch Ortogonalization untuk
kestabilan perhitungan dengan langkah langkah sebagai berikut
1. Menghitung dekomposisi cholesky dari , yaitu

Jurnal Matematika 2013


34

2.
3.
4.
5.

= dengan R matriks segitiga atas


Menghitung singular value decomposition dari
( ) =
Menghitung matriks A dan vektor b sebagai berikut
= =

Menghitung =
+

dengan derajat bebas () =


+
Meminimukan fungsi Generalized Cross Validation (GCV)
untuk mendapatkan parameter penghalus () yang optimal
()
=
2
1
1

2.

matriks

()

dengan = 2 +
Langkah 9. Mengestimasi model linier campuran.
Mendapatkan interval kepercayaan untuk rata-rata respon model regresi
nonparametrik menggunakan radial smoothing berdasarkan estimator penalized
spline dengan langkah langkah sebagai berikut:
Langkah 1. Menyatakan penduga model linier campuran dalam bentuk =

,

Langkah 2.
Langkah 3.
Langkah 4.

dengan = 1 , = 1

= ( ) , = ( ), =

Menghitung |
Mendapatkan simpangan baku |
Mendapatkan interval kepercayaan (1- )100% untuk rata-rata respon
| yaitu
1 |
untuk besar
2

1 ;
|
untuk kecil
2

Mendapatkan grafik selang kepercayaan rata rata respon model


regresi nonparametrik.
Untuk menentukan interval kepercayaan (1- )100% untuk rata-rata respon
digunakan algoritma sebagai berikut:
Langkah 5.

Langkah 1.

Menyatakan = dengan = +

Langkah 2.

Menghitung nilai estimator dari 2 , yaitu 2 =

Langkah 3.

()
()

dengan = 2
+
+
+
Mendapatkan selang kepercayaan dari rata rata, yaitu:
1 |
untuk besar
2

1 ;
|
untuk kecil
2

| =
Langkah 4.

Mendapatkan grafik interval kepercayaan untuk rata-rata respon


model regresi nonparametrik menggunakan radial smoothing
berdasarkan estimator penalized spline.

Jurnal Matematika 2013


35

3.
3.1

HASIL DAN PEMBAHASAN


Estimasi Model Regresi Nonparametrik Menggunakan Radial Smoothing
Berdasarkan Estimator Penalized Spline
Diasumsikan data berpasangan , , i = 1,2,...,n memenuhi model regresi
nonparametrik
= + , i = 1,2,...,n
(17)
dengan adalah variabel respon pengamatan ke , adalah variabel prediktor
pengamatan ke , dan adalah error random independen identik berdistribusi normal
dengan mean 0 dan varians 2 . Fungsi pada persamaan (17) tidak diketahui
bentuknya dan diasumsikan smooth, sehingga dapat didekati dengan fungsi radial
smoothing yang dinyatakan sebagai berikut
= 0 + 1 +
(18)
=1
Substitusikan (4.2) ke (4.1) diperoleh model regresi nonparametrik dengan pendekatan
fungsi radial smoothing sebagai berikut
= 0 + 1 +
(19)
=1 + ; = 1, 2, ,
dengan 1 , 2 , , adalah titik titik knot. Model (19) dapat dinyatakan dalam bentuk
model linier campuran sebagai berikut
= + +
(20)
Untuk mengestimasi model (20) digunakan metode Penalized Least Square (PLS), yaitu
dengan meminimumkan fungsi PLS sebagai berikut
= +
(20)
Persamaan (20) dapat dinyatakan sebagai berikut
= 2 2 + 2 + + + (21)
Nilai dan dapat diperoleh dengan meminimumkan fungsi (21). Syarat perlu agar

fungsi minimum adalah


=
= , sehingga diperoleh

+ 2 +

+ =
(22)

= 2 + 2 + 2 + 2 =
+ + =
(23)
Dari persamaan (22) dan (23) diperoleh



=
+

+
=

=
(24)
+

Misalkan = dan =
, maka persamaan (24) dapat dinyatakan

sebagai berikut

+
= (25)
(25)

Dari (25) diperoleh estimator untuk dan adalah


= +
(26)

Akhirnya diperoleh estimasi model linier campuran (26) adalah

= +

Jurnal Matematika 2013


36

(27)

Oleh karena estimasi model linier campuran pada (26) bertgantung pada nilai parameter
penghalus, maka untuk mengestimasinya menggunakan algoritma Demmler Reinsch
Ortogonalization.

3.2

Interval Kepercayaan Rata-rata Respon Model Regresi Nonparametrik


Menggunakan Radial Smoothing

Diberikan model linier campuran yang dituliskan sebagai berikut


2 0

= + + ,
=

0 2
dengan u adalah random effect dan
1 1
1 2 1
1 1
2 1
2 2 2
2
= 1 ,, = 3 1
3 2 3

1
2

Jika didefinisikan = 1 , = 1 , dan =
persamaan (28) diperoleh estimator dari adalah

= + = = +

Dari (29) dapat dihitung varians dari | sebagai berikut:


| = |

1
1
2
2

dengan
| = + 2
+ 2

Dari persamaan (30) diperoleh simpangan baku dari | adalah


| = +

(28)

, maka dari

(29)

(30)

(31)

Dari (29) dan (31) diperoleh | ~ | , | , sehingga


|
|

~ (0,1)

(32)

Dari (32) diperoleh pendekatan interval kepercayaan 100(1-)% untuk | adalah


|
untuk besar
2

(33)
;
|
untuk kecil
2

3.3

Penerapan Program Pada Data Indeks Harga Konsumen dan Inflasi Bulanan
Indonesia Tahun 2006 2014
Data sekunder yang digunakan untuk penerapan model regresi nonparametrik
menggunakan radial smoothing berdasarkan estimator penalized spline adalah data
Indeks Harga Konsumen (IHK) dan Inflasi bulanan tahun 2006 2014. Dalam data
tersebut terdapat 97 pengamatan setiap bulan tahun 2006 2014 dengan satu variabel
respon (y) yaitu Inflasi Bulanan dan satu variabel prediktor (x) yaitu Indeks Harga
Konsumen (IHK).
Gambaran awal dari data tersebut adalah dengan membuat plot antara produksi
sayuran semusim menurut data inflasi bulanan (y) dengan data indeks harga konsumen (x)
ditampilkan pada plot berikut:

Jurnal Matematika 2013


37

Inflasi

-1
110

120

130

140

150

160

IHK

Gambar 1. Plot Antara Inflasi dan IHK


Bentuk plot antara data inflasi (y) dengan IHK (x) diasumsikan tidak mengikuti
fungsi tertentu, maka untuk estimasi dari plot tersebut menggunakan pendekatan regresi
nonparametrik. Dalam hal ini estimasi regresi nonparametrik menggunakan radial
smoothing berdasarkan estimator penlized spline.
Hasil dari estimasi regresi nonparametrik menggunakan radial smoothing
berdasarkan estimator penalized spline deiperoleh dengan mencari jumlah titik knot yang
optimal dan nilai optimal dengan meminimumkan kriteria GCV. Dengan algoritma
Demmler Reinsch Ortogonalization yang diaplikasikan menggunakan program S-PLUS
2000 diperoleh hasil sebagai berikut
Tabel 1. Tabel Jumlah Knot, Parameter Penghalus () optimal, dan GCV Minimum
jumlah knot
GCV minimum
optimal
1
1526.417967
30.77133
2
3906.939937
30.91199
3
3906.939937
30.83352
4
4714.866363
30.83420
5
5689.866029
30.78986
6
13.894955
28.06853
7
7.906043
27.05262
8
13.894955
28.09548
9
24.420531
28.40604
10
24.420531
28.29807
11
13.894955
28.10186
12
29.470517
28.55453
13
42.919343
28.45134
14
35.564803
27.88920
15
42.919343
28.15586
Dari tabel 4.1 terlihat bahwa nilai GCV minimum sebesar 27.05262 dengan nilai
optimal adalah 7.906043 yang diperoleh pada = 7. Agar lebih jelas dapat dilihat pada
gambar 2 dan gambar 3.

Jurnal Matematika 2013


38

27.20

GCV

27.15

27.10

27.05

Gambar 2

10

15

20

25

Plot GCV terhadap parameter penghalus untuk jumlah knot


optimal =
Lambda

31

GCV.min

30

29

28

27

0.5

3.0

5.5

8.0

10.5

13.0

15.5

Jumlah.Knot

Plot GCV terhadap jumlah knot untuk parameter penghalus


optimal = 7.906043
Setelah memperoleh optimal dan jumlah knot untuk masing masing variabel
prediktor yang bersesuaian, selanjutnya dapat diperoleh menggunakan program
estimasi model nonparametrik. Hasil dari program estimasi model nonparametrik maka
diperoleh estimasi model nonparametrik menggunakan radial smoothing yaitu:
= 20.176340407 0.182943549x + 0.251275191 114.1
0.048017794 118.71 + 0.003353347 126.46
+ 0.009892929 131.41 + 0.035366976 138.72
0.095417230 144.14 + 0.082287917 148.67
Interval Kepercayaan rata rata respon model nonparametrik dapat dilihat pada
lampiran 5. Agar lebih jelas, dapat dilihat pada plot interval kepercayaan rata-rata respon
model regresi nonparametrik pada gambar 4
Gambar 3

Gambar 4

Plot interval kepercayaan rata-rata respon


nonparametrik menggunakan radial smoothing

Jurnal Matematika 2013


39

model

regresi

Berdasarkan pada model di atas akan dilakukan uji normalitas terhadap error ()
dengan hipotesis sebagai berikut:
H0: error () berdistribusi normal
H1: error () tidak berdistribusi normal
Dari hasil uji Kolmogorov-Smirnov dengan tingkat signifikansi = 0.05 diperoleh nilai
p-value = 0.0942. Karena p-value > yang berakibat H0 diterima sehingga dapat
disimpulkan bahwa error () berdistribusi normal dengan mean -1.712044e-013 dan
varians 0.4840309.
Selanjutnya akan dilakukan uji normalitas terhadap random effect dengan hipotesis sebgai
berikut:
H0 : random effect (u) berdistribusi normal
H1 : random effect (u) tidak berdistribusi normal
Dari hasil uji Kolmogorov-Smirnov dengan tingkat signifikansi = 0.05 diperoleh nilai
p-value = 0.5. Karena p-value > yang berakibat H0 diterima sehingga dapat
disimpulkan bahwa random effect (u) berdistribusi normal dengan mean 0.03410591
dan varians 0.1114586.
4.
4.1
1.

2.

Kesimpulan dan Saran


Kesimpulan
Berdasarkan pembahasan dan hasil, dapat disimpulkan bahwa:
Model regresi nonparametrik dinyatakan sebagai
= + , i = 1,2,...,n
fungsi radial smoothing yang dinyatakan sebagai berikut
= 0 + 1 +
=1
Bentuk estimasi dari model regresi nonparametrik menggunakan radial
smoothing berdasarkan estimator penalized spline adalah

= +
dengan estimator untuk dan adalah
= +

3.
Berdasarkan pada data indeks harga konsumen dan inflasi bulanan indonesia
tahun 2006 2014, didapatkan bentuk estimasi dari model regresi nonparametrik
menggunakan radial smoothing berdasarkan estimator penalized spline adalah
= 20.176340407 0.182943549x + 0.251275191 114.1
0.048017794 118.71 + 0.003353347 126.46
+ 0.009892929 131.41 + 0.035366976 138.72
0.095417230 144.14 + 0.082287917 148.67
4.2 Saran
Penulis menyarankan untuk penulisan skripsi selanjutnya membahas tentang model
regresi nonparametrik radial smoothing dengan variabel prediktor lebih dari satu.
5.
[1]
[2]
[3]

DAFTAR PUSTAKA
Eubank, R, 1988, Spline Smoothing and Nonparametric Regression, Marcel
Dekker, New York.
Everitt, S., 1994, A Handbook of Statistical Analysis Using S-PLUSS, Chapman &
Hall, London.
Graybill, F.A., 1969, Introduction to Matrices With Application in Statistics,
Wardsworth Publishing Company. Inc, California.

Jurnal Matematika 2013


40

[4]
[5]
[6]
[7]
[8]

[9]

Hogg, R.V., McKean, J.W., and Craig, A.T., 2004, Introduction to Mathematical
Statistics (sixth edition), Prentice Hall.Inc, New York.
Johnson, R. A. dan Wichern, D. W., 1998, Applied Multivariate Statistical
Analysis, Fourth Edition, A Viacom Company, United States of America.
Lewis, F.L., and Vassilis, L., 1995, Optimal Control 2nd Edition, John Wiley &
Sons.
Myers, R.H., Milton, J.S., 1991, A First Course in The Theory of Linear Statistical
Models, PWS-KENT Publishing Company, Boston.
Ruppert, D., Wand, M.P., and Carroll, R.J., 2003, Cambridge Series in Statistical
and Probabilistic Maathematics: Semiparametric Regression, Cambridge
University Press, New York.

Sukirno.S, 2008, Makroekonomi,


RajaGrafindo Persada, Jakarta.

Teori

dan

Pengantar

Edisi

3,

[10] Walpole, R.E., 1995, Pengantar Statistika Edisi Ke-3, PT. Gramedia Pustaka
Utama, Jakarta.
[11] Wand, M.P, 2002, Smoothing and Mixed Models, a journal of smoothing methods.
[12] Wridght, G.B., 2003, Radial Basis Function Interpolation: Numerical and
Analytical Developments, a thesis of Mathematics, University of Colorado.

Jurnal Matematika 2013


41

SELESAIAN MODEL MATEMATIKA FRAKSIONAL MENGGUNAKAN METODE


PERTURBASI HOMOTOPI PADA SISTEM PREDASI TIGA SPESIES
Nur Widyawati, Moh. Imam Utoyo, Windarto
nurwidyawati25@yahoo.com
Departemen Matematika
Fakultas Sains dan Teknologi
Universitas Airlangga
Abstract. In an ecosystem, there are many organism interacting with other organism, similar
organism or other organism types, either one species or more. A relationship between prey and
predator called predation system. Predation system which consists of two species called LotkaVolterra models. There is also predation system which consists of three species. Predation system
of three species can be expressed in system of nonlinear differential equations. In general, system
of nonlinear differential equations difficult to find analytic solutions, so that it can be searched
using the solutions approach with stability analysis from equilibrium point. Other mathematical
models that are similar to system of nonlinier differential equations is system of fractional
differential equations. To get a system of differential equations of fractional, the order of the
system is modify the order on system of differential equations into fractional order and , 0 <
1 and 0 < 1, as was done by Das and Gupta (2011). The system of differential equations of
fractional can be solved analytically using Homotopy Perturbation Method (HPM) approach. The
result is infinite series, further resolved numerically. From the result show that increase in the first
and second predator will result in a decrease in prey, while decrease in the first and second
predator will result in a increase in prey.
Keywords :

Predation model of three species, fractional differential equations, Homotopy


perturbation method.

1. Pendahuluan
Semua makhluk hidup memiliki hubungan yang saling bergantung satu sama lain. Masing-masing
individu berinteraksi dengan individu lain yang sejenis maupun lain jenis, baik satu spesies
maupun lebih. Dalam predasi terdapat pula proses mangsa-memangsa antar makhluk hidup.
Hubungan antara mangsa dan pemangsa disebut predasi. Hubungan ini sangat erat sebab tanpa
mangsa populasi pemangsa tidak dapat hidup. Pemangsa juga berfungsi sebagai pengontrol
populasi mangsa.
Kajian matematis mengenai predasi seperti tersebut di atas pertama kali di perkenalkan oleh
seorang ahli biofisika Amerika yaitu Alferd J. Lotka (1925) dan ahli matematika terkemuka dari
Italia yaitu Vito Volterra (1926), yang dikenal dengan model Lotka-Volterra. Selanjutnya beberapa
ahli matematika dan ekologi memberikan kontribusi dalam pengembangan teori ini (Reddy dan
Ramacharyulu, 2011).
Sistem predasi pada model Lotka-Volterra melibatkan dua spesies, akan tetapi ada juga sistem
predasi yang melibatkan tiga spesies. Dari tiga spesies tersebut, dapat dibagi menjadi dua
kelompok, yaitu satu mangsa dan dua pemangsa. Dua pemangsa saling bersaing satu sama lain
untuk mendapatkan mangsa. Selanjutnya sistem predasi tiga spesies tersebut dapat dinyatakan ke
dalam suatu sistem persamaan differensial nonlinier.
Pada umumnya, sistem persamaan differensial nonlinier sulit untuk dicari solusinya secara
analitik, sehingga dapat dicari melalui pendekatan solusi dengan analisis kestabilan dari titik
setimbangnya. Model matematika lainnya yang serupa dengan sistem persamaan differensial ini
adalah sistem persamaan differensial fraksional. Cara untuk mendapatkan model sistem persamaan
differensial fraksional adalah dengan memodifikasi sistem persamaan differensial nonlinier dengan
cara turunan pertama dari sistem persamaan differensial tersebut diganti dengan turunan
fraksional, seperti yang dilakukan oleh Das dan Gupta (2011).
Salah satu contoh model yang dimodifikasi oleh Das dan Gupta (2011) adalah model LotkaVolterra. Das dan Gupta memodifikasi sistem persamaan differensial model Lotka-Volterra
dengan cara turunan pertama dari sistem persamaan differensial tersebut diganti dengan turunan
fraksional order dan dengan 0 < 1 dan 0 < 1.
Berbeda dengan penyelesaian sistem persamaan differensial nonlinier, sistem persamaan
differensial fraksional dapat diselesaikan secara analitik. Salah satunya dengan menggunakan

Jurnal Matematika 2013


42

Metode Perturbasi Homotopi (HPM). Hasil penyelesaiannya berbentuk deret tak hingga yang
selanjutnya diselesaikan secara numerik (Hemeda, 2012).
Pada artikel ini, akan dimodifikasi model sistem predasi tiga spesies menjadi sistem persamaan
differensial fraksional serta menyelesaikannya menggunakan HPM
2. Model Predasi Tiga Spesies
Sistem predasi pada model Lotka-Volterra melibatkan dua spesies, akan tetapi ada juga sistem
predasi yang melibatkan tiga spesies. Dari tiga spesies tersebut dapat dibagi menjadi dua
kelompok, yaitu satu mangsa dan dua pemangsa. Dua pemangsa saling bersaing satu sama lain
untuk mendapatkan mangsa. Model predasi tiga spesies tersebut dalam suatu sistem persamaan
differensial nonlinier, yang dapat dinyatakan sebagai berikut :
dN 1
dt
dN 2
dt
dN 3
dt

= a1 N1 b11 N1 2 b12 N1 N2 b13 N1 N3


= a 2 N2 b22 N2 2 + b21 N1 N2 b23 N2 N3

(2.2)

= a 3 N3 b33 N3 2 + b31 N1 N3 b32 N2 N3

dengan notasi berikut :


N1 : populasi mangsa
N2 : populasi pemangsa pertama
N3 : populasi pemangsa kedua
a1 : laju pertumbuhan alami mangsa
b11 : laju penurunan mangsa, karena berkompetisi dengan sesama mangsa dalam memperebutkan
sumber daya yang terbatas
b12 : laju penurunan mangsa, karena dimangsa oleh pemangsa pertama
b13 : laju penurunan mangsa, karena dimangsa oleh pemangsa kedua
a 2 : laju kematian alami pemangsa pertama
b22 : laju penurunan pemangsa pertama, karena berkompetisi dengan sesama pemangsa pertama
dalam memperebutkan sumber daya yang terbatas
b21 : laju peningkatan pemangsa pertama, karena berhasil memangsa mangsa
b23 : laju penurunan pemangsa pertama, karena berkompetisi dengan pemangsa kedua untuk
mendapatkan mangsa
a 3 : laju kematian alami pemangsa kedua
b33 : laju penurunan pemangsa kedua, karena berkompetisi dengan sesama pemangsa kedua dalam
memperebutkan sumber daya yang terbatas
b31 : laju peningkatan pemangsa kedua, karena berhasil memangsa mangsa
b32 : laju penurunan pemangsa kedua, karena berkompetisi dengan pemangsa pertama untuk
mendapatkan mangsa
dengan :
1 , 2 , 3 0 dan a1 , a 2 , a 3 , 11 , 22 , 33 , 12 , 21 , 31 , 13 , 23 , 32 > 0.
Dalam kasus ini,
diasumsikan bahwa ketiga spesies tidak bertemu dalam waktu yang bersamaan, tidak terjadi
mangsa memangsa antara pemangsa pertama dan kedua, namun terjadi persaingan antara
pemangsa pertama dan kedua untuk mendapatkan mangsa.
3. Persamaan Differensial Fraksional
Pada umumnya, sistem persamaan differensial nonlinier sulit untuk dicari solusinya secara
analitik, sehingga dapat dicari melalui pendekatan solusi dengan analisis kestabilan dari titik
setimbangnya. Model matematika lainnya yang serupa dengan sistem persamaan differensial ini
adalah sistem persamaan differensial fraksional. Cara untuk mendapatkan model sistem persamaan
differensial fraksional adalah dengan memodifikasi sistem persamaan differensial nonlinier dengan
cara turunan pertama dari sistem persamaan differensial tersebut diganti dengan turunan fraksional
order dan dengan 0 < 1 dan 0 < 1, seperti yang dilakukan oleh Das dan Gupta
(2011) pada model Lotka-Volterra.

Jurnal Matematika 2013


43

Dalam menyelesaikan sistem persamaan differensial order fraksional diperlukan beberapa definisi.
Definisi yang dimaksud adalah definisi Riemann-Liouville dan Caputo (Liu dan Xin, 2011).
Definisi 3.1 Integral fraksional Riemann-Liouville ( 0) untuk fungsi didefinisikan
sebagai berikut :

1
1 , > 0

= 0

=0
dengan (.) merupakan fungsi Gamma.
(Weilbeer, 2005)
Definisi 3.2 Turunan fraksional Caputo dengan > 0, t > 0 dan n untuk fungsi
didefinisikan sebagai

1
()
,
1< <
= ( ) 0 ( )+1
,
dan salah satu sifat turunan fraksional Caputo adalah :

(0)

=0

!
(Kadem dan Baleanu, 2009)

Definisi 3.3 Fungsi Gamma didefinisikan sebagai

=
0

untuk x 1 > -1 atau x > 0 berlaku sifat + 1 = .


(Zill dan Cullen, 2009)
4. Metode Perturbasi Homotopi
Sistem persamaan differensial fraksional dapat diselesaikan secara analitik dengan menggunakan
HPM. Metode ini pertama kali diusulkan oleh He pada tahun 1998, dimana hasil penyelesaiannya
berbentuk deret tak hingga (Liu dan Xin, 2011).
Dalam menyelesaikan sistem persamaan differensial fraksional menggunakan HPM, langkahlangkah yang dilakukan oleh Das dkk. (2011) adalah sebagai berikut :
a. Mengubah persamaan fraksional menjadi persamaan differensial homotopi.
b. Mengasumsikan bahwa solusi berupa suatu deret pangkat di p, dengan p [0,1] disebut
parameter embedding
c. Mensubstitusikan rangkaian deret pangkat di p ke sistem persamaan differensial homotopi.
d. Mengoperasikan persamaan differensial fraksional dengan operator integral fraksional
Riemann-Liouville dan (invers dari turunan Caputo dan ) pada kedua ruas,
sehingga didapatkan pendekatan solusi menggunakan HPM.
5. Metodelogi Penelitian
Dalam proses penelitian, untuk mencapai tujuan penelitian harus dilakukan melalui perangkat
metode penelitian. Adapun metode atau kerangka konseptual yang digunakan dalam penelitian
dapat diuraikan sebagai berikut:
1. Studi pustaka mengenai model predasi tiga spesies, persamaan differensial fraksional dan
Metode Perturbasi Homotopi (HPM).
2. Memodifikasi sistem persamaan differensial pada model predasi tiga spesies, sehingga
diperoleh model berbentuk sistem persamaan differensial order fraksional.
3. Menerapkan Metode Perturbasi Homotopi pada model predasi tiga spesies order fraksional
untuk mencari selesaian secara analitik. Langkahlangkahnya adalah sebagai berikut :

Jurnal Matematika 2013


44

a. Menentukan kondisi awal untuk tiga organisme tersebut.


b. Mengubah sistem persamaan differensial pada model predasi tiga spesies order fraksional
menjadi sistem persamaan differensial homotopi.
c. Memberikan asumsi bahwa solusi berupa suatu deret pangkat di p, dengan p [0,1] disebut
parameter embedding.
d. Mensubstitusikan rangkaian deret pangkat di p ke sistem persamaan differensial homotopi
yang dihasilkan dari (b).
e. Mengalikan rumus operator integral fraksional Riemann-Liouville dengan setiap hasil pada
langkah (d) di kedua ruas, maka didapatkan pendekatan solusi dari sistem persamaan
differensial model predasi tiga spesies dengan order fraksional, yang berupa deret tak
hingga.
4. Melakukan simulasi numerik dari sistem persamaan differensial order fraksional pada model
predasi tiga spesies.
5. Memberikan kesimpulan dari hasil perhitungan, baik secara analitik maupun numerik dengan
menggunakan Metode Perturbasi Homotopi.
6. Hasil dan Pembahasan
Model predasi tiga spesies dalam suatu sistem persamaan differensial nonlinier, dapat dinyatakan
sebagai berikut :
dN 1
dt
dN 2
dt
dN 3
dt

= a1 N1 b11 N1 2 b12 N1 N2 b13 N1 N3


= a 2 N2 b22 N2 2 + b21 N1 N2 b23 N2 N3
= a 3 N3 b33 N3 2 + b31 N1 N3 b32 N2 N3

(6.1)

dengan :
1 , 2 , 3 0 dan a1 , a 2 , a 3 , 11 , 22 , 33 , 12 , 21 , 31 , 13 , 23 , 32 > 0.
Dengan mengikuti langkah-langkah yang dilakukan oleh Das dkk. (2011), sistem persamaan (6.1)
diubah menjadi sistem persamaan differensial order fraksional dengan syarat awal 1 0 =
, 2 0 = , 3 0 = dan , , > 0, sehingga persamaan (6.1) menjadi :
1 = a1 (t)N1 (t) b11 (t) N1 (t) 2 b12 (t)N1 (t)N2 (t) b13 (t)N1 (t)N3 (t)
2 = a 2 (t)N2 (t) b22 (t) N2 (t) 2 + b21 (t)N1 (t)N2 (t) b23 (t)N2 (t)N3 (t)
2
3 = a 3 (t)N3 (t) b33 (t) N3 t
+ b31 (t)N1 (t)N3 (t) b32 (t)N2 (t)N3 (t) (6.2)
dengan 0 < 1, 0 < 1 dan 0 < 1.
Selanjutnya, akan dicari selesaian dari sistem persamaan differensial fraksional pada model
predasi tiga spesies menggunakan HPM. Langkah-langkahnya adalah sebagai berikut :
a. Mengubah persamaan (6.2) menjadi persamaan differensial homotopi, sehingga persamaan
tersebut menjadi :
1 = a1 (t)N1 (t) b11 (t) N1 (t) 2 b12 (t)N1 (t)N2 (t) b13 (t)N1 (t)N3 (t)
(6.2a)
2 = a 2 (t)N2 (t) b22 (t) N2 (t) 2 + b21 (t)N1 (t)N2 (t) b23 (t)N2 (t)N3 (t)
(6.2b)
3 = a 3 (t)N3 (t) b33 (t) N3 (t) 2 + b31 (t)N1 (t)N3 (t) b32 (t)N2 (t)N3 (t)
(6.2c)
dengan p [0,1] disebut parameter embedding.
b. Mengasumsikan bahwa solusi dari persamaan (6.2a)-(6.2c) berupa suatu deret pangkat di
yaitu :
1 = 10 () + 11 () + 2 12 () + 3 13 () +
(6.3a)
2 = 20 () + 21 () + 2 22 () + 3 23 () +
(6.3b)
3 = 30 () + 31 () + 2 32 () + 3 33 () +
(6.3c)
c. Substitusi persamaan (6.3a)-(6.3c) ke persamaan (6.2a)-(6.2c), diperoleh persamaan
differensial fraksional sebagai berikut :
0 : 10 () = 0, dengan 10 0 =
1 : 11 () =
a1 t 10 () b11 t (N10 ())2 b12 t N10 ()N20 () b13 t N10 ()N30 (), dengan
11 0 = 0

Jurnal Matematika 2013


45

2 : 12 () =
a1 t 11 () 2b11 t N10 ()N11 () b12 t N10 ()N21 () b12 t N11 ()N20 ()
b13 t N10 ()N31 () b13 t N11 ()N30 (), dengan 12 0 = 0
3 : 13 () =
a1 t 12 () 2b11 t N10 ()N12 () b11 t (N11 ())2 b12 t N10 ()N22 ()
b12 t N11 ()N21 () b12 t N12 ()N20 () b13 t N10 ()N32 ()
b13 t N11 ()N31 () b13 t N12 ()N30 (), dengan 13 0 = 0

0 : 20 () = 0, dengan 20 0 =
1 : 21 () =
a 2 t 20 () b22 t (N20 ())2 + b21 t N10 ()N20 () b23 (t)N20 ()N30 () dengan
21 0 = 0
2 : 22 () = a 2 t 21 () 2b22 t N20 ()N21 () + b21 t N10 ()N21 () +
b21 t N11 ()N20 () b23 (t)N20 ()N31 () b23 (t)N21 ()N30 (), dengan 22 0 = 0
3 : 23 = a 2 t 22 () 2b22 t N20 N22 () b22 t (N21 ())2 +
b21 t N10 ()N22 () + b21 t N11 ()N21 () + b21 t N12 ()N20 ()
b23 t N20 ()N32 () b23 t N21 ()N31 () b23 t N22 ()N30 (),
dengan
dengan
23 0 = 0

0 : 30 () = 0, dengan 30 0 =
1 : 31 () =
a 3 t 30 () b33 t (N30 ())2 + b31 t N10 ()N30 () b32 t N20 ()N30 () dengan
31 0 = 0
2 : 32 () = a 3 t 31 () 2b33 t N30 ()N31 () + b31 t N10 ()N31 () +
b31 t N11 ()N30 () b32 t N20 ()N31 () b32 t N21 ()N30 (), dengan 32 0 = 0
3 : 33 () = a 3 t 32 () 2b33 t N30 ()N32 () b33 t (N31 ())2 +
b31 t N10 ()N32 () + b31 t N11 ()N31 () + b31 t N12 ()N30 ()
b32 t N20 ()N32 () b32 t N21 ()N31 () b32 t N22 ()N30 (),
dengan
dengan
33 0 = 0

d. Dengan menerapkan operator integral fraksional Riemann-Liouville , dan (invers dari


turunan Caputo , dan ) di kedua ruas pada hasil dari (c), dapat diperoleh pendekatan
solusi menggunakan HPM. Solusi dari persamaan ini dapat diperoleh dengan menetapkan p =
1, yaitu :
1 = 10 () + 11 () + 12 () + 13 () +
2 = 20 () + 21 () + 22 () + 23 () +
3 = 30 () + 31 () + 32 () + 33 () +

(6.4a)
(6.4b)
(6.4c)

Hasil penyelesaiannya berbentuk deret tak hingga yang selanjutnya diselesaikan secara numerik.
Dalam artikel ini, telah diselesaikan dua kasus.
Kasus 1
Diberikan nilai-nilai dari parameter pada persamaan (6.1), yaitu :
1 () = 2 () = 3 () = 0.01,
11 () = 12 () = 13 () = 22 () = 21 () = 23 () =
33 () = 31 () = 32 () = 1 , dengan 1 0 = , 2 0 = dan 3 0 = didapatkan :
10 = , 20 () = dan 30 =
11 =

0.01 +1

( +2)
( +1)
0.01 +1
+
(+2)

0.01 +1
( +2)

(+1)

12 =

(0.01)2 (2+) 2+2


(3+2 )

, 21 =

0.01 (1+ ) 2+ + 1+2


(2+2 )

Jurnal Matematika 2013


46

+
( +1)

dan 31 =

2 2+3+3 + 2 + 2 +2( ) 2
(1+2)

0.01 + +1

+ +

( + +2)

(+ +1)

0.01 + +1

( + +2)

+ +
( ++1)

22 =

(0.01)2 (2+ ) 2+2

0.01 + (1+ )+ 2+ 1+2

(3+2 )
(2+2 )
2 23+3 + 2 + 2 2( ) 2
0.01 + +1

(1+2 )

( + +2)

+
+

(+ +1)

0.01 + +1
( ++2)

+ +
( + +1)

32 =

(0.01)2 (2+) 2+2

0.01 + 1+ + 2 + 1+2

(3+2)
(2+2)
2 2 3+3 + 2 + 2 2( ) 2
0.01 + +1

(1+2)

( ++2)

+
( ++1)

0.01 + +1
( + +2)

+ +
( + +1)

Kasus 2
Diberikan nilai-nilai dari parameter pada persamaan (6.1), yaitu :
1 () = 2 () = 3 () = 1, 11 () = 12 () = 13 () = 22 () = 21 () = 23 () = 33 () =
31 () = 32 () = 0.01 , dengan 1 0 = , 2 0 = dan 3 0 = didapatkan :
10 () = , 20 () = dan 30 =
11 =
21 =
31 =
12 =

( +1)

( +1)

+
+
+

0.01 +1

( +2)
0.01 + +1
( +2)
0.01 + +1

( +1)
(+2)
(0.01)2 2 2 +3 +3 + 2 + 2 +2 (2+ ) 2+2

(3+2)
0.01 + 2 (1+ ) 1+2

(2+2 )
(0.01)2 + (2+ ) + +2

22 =

(1+2)
0.01 (1+) + +1

(2+2 )
(0.01)2 (2+) + +2

(1+2 )
0.01 (1+) + +1

(3+2)
0.01 + + 2 + 1+ 1+2
(2+2)
(++3)

( ++2)

(++3)

( + +2)
(0.01)2 + (2+) + +2
( ++3)

0.01 (1+) + +1

(1+2)
0.01 (1+ ) + +1

( + +2)
(0.01)2 + (2+ ) + +2

0.01 ( +1) + +1

( + +3)
( ++2)
(0.01)2 2 2 3 +3 + 2 + 2 2 (2+) 2+2

(0.01)2 (2+ ) + +2

0.01 (1+ ) + +1

(+ +3)
(++2)
(0.01)2 2 2 3 +3 + 2 + 2 2 (2+ ) 2+2

(3+2 )
0.01 + + 2 + 1+ 1+2

32 =

( ++2)
(0.01)2 + (2+ ) + +2
( ++3)

Dengan cara yang sama, selanjutnya akan didapatkan solusi perkiraan dari persamaan (6.4a)(6.4c).
7. Solusi Numerik
Hasil numerik dari populasi pemangsa dan mangsa untuk kasus 1 dan 2 dengan berbagai nilai ,
dan yang dihitung untuk berbagai nilai waktu t. Dengan mengasumsikan nilai = 7, = 5 dan
= 2, maka dapat diketahui hasil numerik dari populasi pemangsa dan mangsa untuk kasus 1 dan
2. Hasil ini disajikan secara grafik melalui Gambar 4.1Gambar 4.4. Gambar 4.1-Gambar 4.2 yang

Jurnal Matematika 2013


47

merupakan grafik kasus 1 terlihat bahwa peningkatan populasi pemangsa pertama dan kedua akan
mengakibatkan penurunan populasi mangsa. Dari Gambar 4.1 terlihat bahwa waktu yang
diperlukan untuk berpotongan antara dua pemangsa dan mangsa pada = = = 1 (kiri) lebih
1
lambat daripada = = = (kanan) yaitu 0.08 tahun. Hal ini disebabkan karena nilai ordernya
2
yang lebih besar. Sedangkan dari Gambar 4.2 terlihat bahwa waktu yang diperlukan untuk
1
3
berpotongan antara dua pemangsa dan mangsa pada = , = = (kiri) lebih cepat daripada
3

= , = = (kanan) yaitu 0.003 tahun. Hal ini disebabkan karena nilai pada Gambar 4.2
4
2
(kiri) lebih kecil daripada Gambar 4.2 (kanan). Sedangkan pada Gambar 4.3-Gambar 4.4 yang
merupakan grafik kasus 2 terlihat bahwa populasi mangsa yang meningkat dan populasi pemangsa
pertama dan kedua yang menurun dengan bertambahnya waktu t. Dari Gambar 4.3 terlihat bahwa
1
waktu yang diperlukan pada = = = 1 (kiri) lebih besar daripada = = = (kanan) yaitu
2
1.4 tahun. Hal ini disebabkan karena nilai ordernya yang lebih besar. Sedangkan dari Gambar 4.4
1
3
3
1
terlihat bahwa waktu yang diperlukan pada = , = = (kiri) sama dengan = , = =
2
4
4
2
(kanan) yaitu 1 tahun. Hal ini disebabkan karena tidak terjadi perpotongan antara dua pemangsa
dengan mangsa.
7

7
mangsa
pemangsa1
pemangsa2

5
populasikasus1

populasikasus1

mangsa
pemangsa1
pemangsa2

0
0

0.01

0.02

0.03

0.04
waktu

0.05

0.06

0.07

0.08

0.5

1.5
waktu

2.5

3
-3

x 10

Gambar 4.1. Dinamika Populasi Sistem Predasi Tiga Spesies untuk kasus 1 pada = = =
1
1 (kiri) dan = = = (kanan).
2

9
mangsa
pemangsa1
pemangsa2

mangsa
pemangsa1
pemangsa2

8
7

5
populasikasus1

populasikasus1

6
4

5
4
3

2
2
1

0.5

1.5
waktu

2.5

3
-3

x 10

0.005

0.01

0.015
waktu

0.02

0.025

0.03

Gambar 4.2. Dinamika Populasi Sistem Predasi Tiga Spesies untuk kasus 1 pada = , = =
3
4

(kiri) dan = , = = (kanan).

Jurnal Matematika 2013


48

25

25
mangsa
pemangsa1
pemangsa2

mangsa
pemangsa1
pemangsa2
20

populasikasus2

populasikasus2

20

15

10

15

10

0.2

0.4

0.6

0.8

1.2

1.4

0.1

0.2

0.3

0.4

waktu

0.5
waktu

0.6

0.7

0.8

0.9

Gambar 4.3. Dinamika Populasi Sistem Predasi Tiga Spesies untuk kasus 2 pada = = =
25
mangsa
pemangsa1
pemangsa2

populasikasus2

20

15

10

0.1

1 (kiri) dan = = = (kanan).

0.2

0.3

0.4

0.5
waktu

0.6

0.7

0.8

0.9

25
mangsa
pemangsa1
pemangsa2

populasikasus2

20

15

10

0.1

0.2

0.3

0.4

0.5
waktu

0.6

0.7

0.8

0.9

Gambar 4.4. Dinamika Populasi Sistem Predasi Tiga Spesies untuk kasus 2 pada = , = =
3
4

(kiri) dan = , = = (kanan).

8. Kesimpulan dan Saran


Pada artikel ini, Penulis telah memodifikasi model sistem predasi tiga spesies menjadi persamaan
differensial fraksional. Selanjutnya Penulis mencari selesaian dari persamaan differensial
fraksional pada model tersebut secara analitik dan numerik menggunakan Metode Perturbasi
Homotopi (HPM). Dengan menggunakan HPM, hasil simulasi numerik untuk sistem persamaan
differensial order fraksional yang dihasilkan dari perhitungan secara analitik menunjukkan bahwa
peningkatan populasi pemangsa pertama dan kedua akan mengakibatkan penurunan populasi
mangsa. Selanjutnya, penurunan populasi pemangsa pertama dan kedua akan diikuti dengan
peningkatan populasi mangsa. Tingkat akurasi selesaian model menggunakan HPM akan
meningkat dengan semakin banyaknya suku-suku yang disertakan pada metode HPM. Nilai
parameter pada model sistem predasi dapat diestimasi apabila tersedia sejumlah data pengamatan.
9. Daftar Pustaka
Cui, Z. dan Yang, Z., 2013, Metode Perturbasi Homotopi Applied to The Solution of
Fraksional Lotka-Volterra Equations with Variable Coefficients, China : Institute of
Mathematics, School of Mathematical Sciences, Nanjing Normal University, Jiangsu
Nanjing 210023, Journal of Modern Methods in Numerical Mathematics 2013 1-9.

Jurnal Matematika 2013


49

Das, S., Gupta, P. K., Vishal, K., 2010, Approximate Approach to the Das Model of Fraksional
Logistic Population Growth, Applications and Applied Mathematics : An International
Journal (AAM), Vol. 05, Issue 10, pp. 1702 1708.
Das, S. dan Gupta, P.K., 2011, A mathematical model on fraksional Lotka Volterra equations,
India : Department of Applied Mathematics, Institute of Technology, Banaras Hindu
University, Journal of Theoretical Biology 277 (2011) 1-6.
Gubu, L., 2011, Perilaku Penyelesaian Persamaan Lotka-Volterra Akibat Waktu Tunda (Time
Delay), Kendari : Jurusan Matematika FMIPA Universitas Haluoleo Kampus Bumi
Tridharma Anduonohu, JIMT, vol. 8, No.1, Mei 2011 : 14-25.
Hemeda, A., 2012, Metode Perturbasi Homotopi for Solving Partial Differensial Equations of
Fraksional Order, Int.Journal of Math. Analysis, Vol. 6, 2012, no. 49, 2431 2448.
Jin, L., 2008, Metode Perturbasi Homotopi for Solving Partial Differensial Equations with
Variable Coefficients, China : Modern Educational Technology Center Zhejiang
Gongshang University . Int. J. Contemp. Math. Sciences, Vol. 3, no. 28, 1395 1407.
Liao, 2004, Beyond Pertubation: Introduction to the Homotopy Analysis Method. Boca Raton,
New York Washington,D.C.
Liu, Y. dan Xin, B., 2011, Numerical Solutions of a Fraksional Pemangsa-Mangsa System,
Hindawi Publishing Corporation Advances in Difference Equations, Volume 2011.
Kadem, A. dan Baleanu, D., 2009, Homotopy Perturbation Method for the Coupled Fractional
Lotka-Volterra Equations.
Reddy, K.S., dan Ramacharyulu,N.,Ch.,P., 2011, A Three Species Ecosystem Comprising of
Two Predators Competing for a Prey, India : Institute of Engineering and Technology,
Advances in Applied Science Research, Pelagia Research Library, 2(3) : 208 218.
Wielber, M., 2005, Efficient Numerical Methods for Fractional Differential Equations and
their Analytical Background, Jerman : Universitat Braunschweig.
Zill, D. G. dan Cullen, M. R., 2009, Differential Equations with Boundary-Value Problems
Seventh Edition.

Jurnal Matematika 2013


50

DETEKSI KELAINAN OTAK HASIL MANETIC RESONANCE IMAGING (MRI) OTAK


MENGGUNAKAN FIREFLY ALGORITHM PADA PELATIHAN JARINGAN RADIAL
BASIS FUNCTION
Nuri Fashichah, Auli Damayanti, Herry Suprajitno
Depertemen Matematika, Fakultas Sains dan Teknologi, Kampus C
Universitas Airlangga, Jl. Mulyorejo, Surabaya
nuri.fashichah@gmail.com

Abstract. Radial Basis Function Networks is one of the methods of artificial neural networks are
used to detect abnormalities in the brain through images of magnetic resonance imaging (MRI) of
the brain. MRI images of the brain previously performed image processing to get the pattern for
the introduction of the network training process. Image processing used are grayscale and
histogram equalization. The results of image processing is used as input to the training martiks
networks using Radial Basis Funtion Firefly Algorithm. In the training process to obtain the
optimal parameters for validation test on the test data. Training data in this paper uses 20 brain
MRI data and the validation test process using brain MRI data 8. The results of the training
process with values obtained Means Square Error as 3,4734E-07, and the optimal parameters can
detect data on the validity of the validation test with the percentage of 100%. Detection of brain
abnormalities was designed using the Java programming language NetBeans IDE 7.0.1 and
Microsoft Office 2003 to store data and image results.
Keywords : Radial Basis Function, Firefly Alorithm, Magnetic Resonance Imaging
1.

Pendahuluan
Kelainan dapat diketahui dengan hasil rekaman Magnetic Resonance Imaging (MRI).
Seringkali setelah seorang mendapat hasil MRI, ia masih harus menunggu ahli radiolog atau
dokter untuk mendapat diagnosa dari gambaran kelainan yang ada. Salah satu tugas seorang dokter
dan ahli radiolog yang penting dan cukup sulit adalah ketika mendeteksi dan mendiagnosa
kelainan otak. Hal ini dapat disebabkan karena otak merupakan organ tubuh yang letaknya
tersembunyi sehingga sulit dideteksi dengan mata telanjang atau dapat disebabkan karena
rendahnya kualitas gambar yang diperoleh atau bahkan juga disebabkan karena faktor
subyektivitas dan kriteria pengambilan keputusan yang berbeda antara dokter atau ahli radiolog.
Oleh karena itu, perlu dikembangkan suatu computer aided diagnoses yang mempunyai
kemampuan untuk membantu dokter atau ahli radiolog dalam mengambil keputusan pendeteksian
kelainan pada otak. Computer aided dianoses sendiri proses pengambilan keputusannya sama
dengan proses berfikir manusia.
Jaringan saraf tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu
mencoba mensimulasikan proses pembelajaran pada otak manusia. Jaringan saraf tiruan sederhana
dikenalkan pertama kali oleh McCulloch dan Pitts pada tahun 1943 (Fausett, 1994). Pada tahun
1990-an telah dikembangkan aplikasi model jaringan saraf tiruan untuk menyelesaikan berbagai
persoalan di dunia nyata seperti pada tahun 2010, Wu, Warwick, Jonathan, Burgess, Pan & Aziz,
menerapkan jaringan Radial Basis Function (RBF) untuk prediksi penyakit Parkinson tremor
onset. Menurutnya, jaringan saraf ini memiliki keunggulan diantaranya struktur jaringan RBF
sederhana dan kecepatan pembelajarannya lebih cepat sehingga iterasi berjalan cepat. Pada
penelitian sebelumnya, dilakukan beberapa algoritma metaheuristik sebagai pelatihan dalam
proses pengklasifikasian penyakit dengan metode jaringan saraf Radial Basis Function oleh Horng
dkk (2012). Menurut Broersma (2010), keunggulan dari Firefly Algorithm (FA), semua variabel
yang terbentuk pada persamaan pergerakan firefly menjamin cara kerja algoritma cepat menuju
solusi yang optimal.
2. Pengolahan Citra
Menurut Hermawati (2013), Citra atau gambar dapat didefinisikan sebagai sebuah fungsi dua
), dimana dan adalah koordinat bidang datar, dan fungsi di setiap pasangan
dimensi, (
koordinat (
) disebut intensitas atau level keabuan (greyscale) dari gambar titik itu dengan

Jurnal Matematika 2013


51

diasumsikan bahwa citra f(x,y) mempunyai baris M dan kolom N. Citra digital dapat ditulis dalam
bentuk matriks sebagai berikut :
(
(

(
)

(1)

a. Proses Grayscale
Proses awal yang banyak dilakukan dalam image processing adalah mengubah citra berwarna
menjadi gray-scale. Hal ini digunakan untuk menyederhanakan model dari citra. Seperti yang
telah dijelaskan di atas, citra berwarna terdiri dari 3 layer matrik, yaitu R-layer (r), G-layer (g),
dan B-layer (b) dengan nilai suatu citra dipresentasikan antara 0 sampai 255. Sehingga untuk
melakukan proses-proses selanjutnya tetap diperhatikan tiga layer diatas. Bila proses perhitungan
dilakukan menggunakan tiga layer, berarti dilakukan tiga perhitungan yang sama. Sehingga konsep
itu diubah dengan mengubah 3 layer diatas menjadi 1 layer matrik gray-scale (s) dan hasilnya
adalah citra gray-scale. Dalam citra ini tidak ada lagi warna, yang ada adalah derajat keabuan.
(2)
(Basuki dkk., 2005)
b.

Histogram Equalization
Histogram equalization adalah suatu proses perataan histogram, dengan distribusi nilai
derajat keabuan pada suatu citra dibuat rata. Untuk dapat melakukan histogram equalization
diperlukan suatu fungsi distribusi kumulatif yang merupakan kumulatif dari histogram.
Nilai hasil histogram equalization adalah sebagai berikut :
(3)

dengan :
= nilai keabuan hasil histogram equalization
= histogram kumulatif dari
= threshold derajat keabuan (256)
= ukuran gambar
(Basuki dkk. , 2005)

3.

Radial Basis Function


Jaringan Fungsi Basis Radial (RBF) merupakan alternatif dari jaringan Multilayered
Feedforward Neural (MFN) telah dikembangkan. Jaringan ini terdiri dari tiga layer yaitu input
layer, hidden layer dan output layer. Fungsi aktivasinya adalah fungsi basis dan fungsi linear pada
lapisan output. Jaringan ini telah banyak digunakan secara intensif. RBF merupakan pemetaan
fungsi taklinier multidimensional yang tergantung kepada jarak antara vektor input dan vektor
center (Jariah dkk, 2011).

Gambar 1. Arsitektur Jaringan RBF

Jurnal Matematika 2013


52

Jaringan Saraf Radial Basis Function merupakan suatu model jaringan saraf multilayer yang
menggunakan dua metode pembelajaran dalam proses trainingnya, yaitu pembelajaran
unsupervised dari input layer menuju ke layer hidden dan pembelajaran supervised dari hidden
layer menuju ke output layer menuju ke output layer. Pada Gambar 1, menunjukkan struktur rinci
dari jaringan RBF . Setiap data input x dengan m dimensi , x = ( x1 , x2 , ..... , xm ), yang terletak di
input layer, yang diteruskan pada hidden layer. Hidden layer memiliki I neuron dan masingmasing neuron merupakan jarak antara center dan input.
Setiap fungsi aktivasi neuron pada hidden layer akan menjadi fungsi Gaussian yang
ditandai dengan vektor rata-rata dari center (ci) dan penyebaran parameter (i) dengan i= 1, 2, ...,
I. Sehingga fungsi aktivasi yang diberikan sebagai berikut :
(4)
( )
||
||
dengan demikian, nilai output dari neuron j dari output layer yj untuk pelatihan sampel x diberikan
oleh oj .
(5)
( )

Bobot wij ( i = 1,2 , ... , I. , j = 1,2 , ... , J ), adalah node ke i output dari hidden layer yang
ditransmisikan node ke j output layer, dan adalah parameter bias node ke j dari output layer
yang ditentukan ditentukan oleh prosedur pelatihan jaringan RBF .
Dalam prakteknya , pelatihan prosedur RBF adalah untuk menemukan parameter wij, , , dan
sehingga mendapatkan nilai Mean Square Error (MSE) minimum.
(6)
( )||
|| ( )
dengan ( ) dan ( ) adalah output vektor yang diinginkan dan vektor output aktual untuk
sampel pelatihan xi, sedangkan N adalah jumlah sampel pelatihan. (Horng dkk., 2012)
Setelah diperoleh parameter-parameter RBF pada proses training pertama dan nilai fungsi
aktivasi Gaussian pada hidden layer, proses training selanjutnya yaitu pembelajaran supervised
dapat dilakukan serupa dengan feedforward, yaitu pada output layer dilakukan komputasi linier
untuk mendapatkan hasil keluaran yang merupakan penjumlahan dari hasil perkalian bobot dengan
nilai Gaussian (dari unit hidden) (Bishop, 1995).
4.

Firefly Algorithm
Algoritma kunang-kunang adalah sebuah algoritma metaheuristik yang terinspirasi dari
perilaku berkedip-kedip kunang-kunang. Tujuan utama berkedipnya kunang-kunang adalah untuk
menarik kunang-kunang yang lainnya. Algoritma kunang-kunang adalah sebagai berikut (Yang,
2010) :
1. Semua kunang-kunang itu unisex, jadi suatu kunang-kunang akan tertarik pada kunangkunang yang lain berdasarkan tinkat kecerahannya.
2. Daya tarik sebanding dengan tingkat kecerahan kunang-kunang, kunang-kunang dengan
tingkat kecerahan lebih rendah akan tertarik dan bergerak ke kunang-kunang dengan
tingkat kecerahan lebih tinggi, kecerahan dapat berkurang seiring dengan bertambahnya
jarak dan adanya penyerapan cahaya akibat faktor udara.
3. Kecerahan atau intensitas cahaya kunang-kunang ditentukan oleh nilai fungsi tujuan dari
masalah yang diberikan. Untuk masalah maksimisasi, intensitas cahaya sebanding dengan
nilai fungsi tujuan.
a.

Keatraktifan Firefly
Ada dua hal yang berkaitan dan sangat penting dalam algoritma kunang-kunang yatu
intensitas cahaya dan fungsi keatraktifan. Diasumsikan bahwa keatraktifan dipengaruhi tingkat
itensitas cahaya. Untuk kasus pada artikel ini adalah masalah optimasi maksimum, tingkat itensitas
cahaya pada sebuah kunang-kunang x dapat dilihat sebagai,
( )
( )
(7)

Jurnal Matematika 2013


53

dengan nilai I merupakan tingkat itensitas cahaya pada x kunang-kunang yang sebanding terhadap
solusi fungsi tujuan permasalahan yang akan dicari f(x). Keatraktifan
yang bernilai relatif,
karena itensitas cahaya yang harus dilihat dan dinilai oleh kunang-kunang lain. Dengan demikian,
hasil penilaian akan berbeda tergantung dari jarak antara kunang-kunang yang satu dengan yang
lainnya ( ) Selain itu, itensitas cahaya akan menurun dilihat dari sumbernya dikarenakan
terserap oleh media contohnya udara . (Yang, 2010)
Fungsi keatraktifan ialah sebagai berikut :
( )
(8)
dengan :
: nilai keatraktifan kunang-kunang awal
: koefisien penyerapan cahaya
r : jarak antar kunang-kunang
b.

Jarak Antara Firefly


Jarak antara kunang-kunang i dan j pada lokasi x, xi, dan xj dapat ditentukan ketika
dilakukannya peletakan titik dimana firefly tersebut disebar secara random dalam diagram
kartesius dengan rumus (Yang, 2010) :
(9)

dengan
adalah komponen ke k dari dari firefly ke-i dan
dari firefly ke-j. Dalam kasus 2-dimensi kita punyai
(

adalah komponen ke k dari xj


(
) .

c.

Pergerakan Firefly
Pergerakan kunang-kunang i yang bergerak menuju tingkat itensitas cahaya yang terbaik
dapat dilihat dari persamaan berikut (Yang, 2010) :
(10)
(
) (
)
(
)
dengan variabel awal xi menunjukkan posisi awal kunang-kunang yang berada pada lokasi x,
kemudian persamaan kedua yang terdiri dari variabel
= 1,0 variabel ini merupakan nilai
keatraktifan awal pada firefly, variabel (exp) bilangan eksponensial, variabel = 1,0 merupakan
nilai untuk tingkat penyerapan pada lingkungan sekitar firefly yaitu udara dan terakhir rij
merupakan variabel selisih jarak awal antara firefly i dan j. Semua variabel pada persamaan kedua
tersebut diberikan dari fungsi keatraktifan firefly yang mana menentukan tingkat kecerahan.
Selanjutnya persamaan ketiga terdiri dari selisih nilai solusi pada firefly i terhadap firefly j.
Kemudian fungsi persamaan pergerakan firefly secara random menunjukkan adanya bilangan
random yang kisarannya antara [0,1]. variabel yang memiliki kisaran antara [0,1] biasa
ditentukan dengan nilai 0,2. Semua variabel yang terbentuk pada persamaan pergerakan firefly
menjamin cara kerja algoritma cepat menuju solusi yang optimal (Broersma, 2010).

Jurnal Matematika 2013


54

5.

Pelatihan Jaringan Radial Basis Function Menggunakan Firefly Algorithm


Start

Input matriks hasil normalisasi

Input parameter FA dan RBF

Populasi awal FA

Konversi individu dalam FA menjadi bobot dan bias RBF

Populasi Baru FA

Pergerakan Firefly

Menghitung MSE dengan proses RBF

Hitung nilai fitness


tidak

MSE < Batas Eror or maksimum


iterasi

ya

Individu dengan bobot optimal

End

Gambar 2. Flowchart FA-RBF

Berdasarkan Gambar 2, langkah-langkah FA-RBF sebagai berikut :


a. Menginputkan matriks hasil normalisasi. Hasil normalisasi didapatkan dari proses
pengolahan citra.
b. Menginputkan parameter-parameter FA dan JST. Parameter FA adalah jumlah
populasi kunang-kunang,
Sedangkan parameter RBF adalah batas error
dan maksimal iterasi.
c. Membangkitkan populasi awal pada FA. Populasi yang dibangkitkan merupakan
bobot dan bias yang akan digunakan dalam RBF. Pembangkitan populasi awal FA
dengan nilai random antara 0 sampai 1.
d. Konversi individu dalam FA menjadi bobot dalam RBF. Bobot pada RBF berupa
center, alfa, wij, dan bias.
e. Menghitung Mean Square Error (MSE) dengan proses RBF sebagai penentuan
awal fitnes FA.
Dalam penulisan ini, hanya terdiri dari 3 lapisan, yaitu sebuah input layer, hidden
layer, dan sebuah output layer. Rancangan jumlah nodenya sebagai berikut :
i. Input layer sebanyak 1 lapisan, sedangkan node pada lapisan sebanyak
data (1600 unit).
ii. Hidden layer sebanyak 1 lapisan, sedangkan node pada lapisan
sebanyak data (40 unit).
iii. Output layer sebanyak 1 lapisan, sedangkan node pada lapisan
sebanyak 1 unit.
f. Cek apakah nilai MSE yang diperoleh kurang dari batas error atau apakah sudah
mencapai batas maksimum iterasi. Jika iterasi sudah mencapai maksimum iterasi

Jurnal Matematika 2013


55

atau MSE yang diperoleh kurang dari batas error, maka individu kunang-kunang
dianggap sudah optimal. Jika tidak, proses dilanjutkan dengan menghitung nilai
fitness dari tiap-tiap individu kunang-kunang tersebut dan menentukan intensitas
cahaya Firefly dengan memaksimumkan nilai fitnes. Nilai fitnness pada setiap
Firefly ditentukan oleh persamaan (11).
f(x) =
g.

h.

(11)

Membandingkan nilai intensitas cahaya tiap Firefly dengan Firefly lainnya,


intensitas cahaya firefly yang lebih terang akan didekati nilai intensitas firefly yang
lain. Kemudian menghitung nilai pergerakan kunang-kunang pada kunang-kunang
yang mempunyai nilai intensitas kecerahan tinggi.
Pada update pergerakan kunang-kunang akan didapat populasi baru pada kunangkunang, kemudian lakukan proses d.

6.

Hasil dan Pembahasan


Data yang digunakan dalam artikel ini menggunakan data gambar hasil Magnetic Resonance
Imaging (MRI) Otak Manusia dari http://www.med.harvard.edu/aanlib. Sebanyak 20 data
digunakan untuk proses pelatihan jaringan dan 8 data digunakan sebagai data uji validasi. Proses
awal yang harus dilakukan sebelum proses training dan validasi adalah pengolahan citra.
Pengolahan citra terdiri dari proses grayscale dan histogram equalization. Hasil Numerik dari
pengolahan citra kemudian dinormalisasi dengan setiap nilai pixel dibagi dengan nilai intensitas
warna tertinggi yaitu 255.
Proses selanjutnya adalah proses training pada jaringan RBF dengan menggunakan FA.
Parameter pada FA berupa koefisien udara, koefisien random, nilai keatraktifan awal kunangkunang dan banyaknya individu, sedangkan parameter pada RBF berupa maksimum error. Setelah
menginisialisasi parameter tahapan selanjutnya adalah pembangkitan nilai individu tiap kunangkunang dengan menggunakan pembangkitan bilangan random antara 0 sampai 1. Setiap individu
kunang-kunang mewakili untaian-untaian parameter yang digunakan untuk proses RBF, yaitu
center, alfa, wij, bias. Hal ini dikarenakan matriks input dari hasil normalisasi bernilai kisaran
antara 0 sampai 1.
Struktur jaringan pada RBF terdiri dari 3 layer yaitu input layer sebanyak 1600 neuron,
hidden layer sebanyak 40 neuron, dan output layer sebanyak 1 neuron. Dalam proses pelatihan,
nilai MSE pada RBF digunakan sebagai komponen nilai fitness pada FA. FA sendiri berfungsi
untuk memperbarui nilai parameter-parameter RBF sehingga menghasilkan nilai parameterparameter yang optimal.
Pelatihan jaringan pada data MRI menggunakan FA dilakukan dengan menentukan beberapa
parameter. Parameter untuk FA adalah banyak individu, koefisien udara, koefisien nilai random,
nilai keatraktifan awal, sedangkan untuk parameter RBF adalah batas error dan maksimum iterasi.
Banyak individu diatur dengan nilai 10, 30, 50, maksimum iterasi diatur dengan 1000 iterasi dan
maksimal error diatur dengan nilai 0,000001. Kemudian diperoleh bobot yang optimal dari
parameter-parameter RBF meliputi
.
Pada proses percobaan sebanyak 81 macam percobaan dengan 3 variasi masing parameter. Variasi
parameter untuk individu yaitu 10, 30, 50, parameter untuk koefisien udara yaitu 0,5, 1, 1,5,
parameter untuk koefien nilai random yaitu 0,2, 0,5, 0,8, sedangkan untuk parameter atraktif awal
0,5, 1, 1,5. Pengambilan data terbaik berdasarkam nilai MSE terkecil dan hasil iterasi terkecil,
sehingga MSE terkecil adalah 1,4137E-10 dengan 30 iterasi didapatkan dari variasi individu
sebesar 10, koefisien udara sebesar 0,5, koefisien nilai random sebesar 0,5, dan keatraktifan awal
kunang-kunang sebesar 1,5. Iterasi terkecil adalah 3 dengan nilai MSE sebesar 6,8610E-07,
3,4734E-07, dan 4,9867E-07. Nilai MSE sebesar 6,8610E-07 didapatkan dari variasi individu
sebesar 50, koefisien udara sebesar 0,5, koefisien nilai random sebesar 0,2, dan keatraktifan awal
kunang-kunang sebesar 0,5. Nilai MSE sebesar 3,4734E-07 didapatkan dari variasi individu
sebesar 50, koefisien udara sebesar 1, koefisien nilai random sebesar 0,5, dan keatraktifan awal
kunang-kunang sebesar 0,5. Nilai MSE sebesar 4,9867E-07 didapatkan dari variasi individu
sebesar 50, koefisien udara sebesar 1,5, koefisien nilai random sebesar 0,8, dan keatraktifan awal
kunang-kunang sebesar 0,5. Beberapa bobot yang optimal kemudian digunakan untuk menguji
data validasi sebanyak 8 citra, hasil pengujian dapat ditunjukkan pada tabel 1.

Jurnal Matematika 2013


56

No.

Individu

1
2
3
4

10
50
50
50

Tabel 1 Hasil uji validasi pada data testing training terbaik


Koefisien
Koefisien
Atraktif
Udara
Random
Awal
MSE
Iter
asi
0,5
0,5
1,5
1,4137E-10
30
0,5
0,2
0,5
6,8610E-07
3
1
0,5
0,5
3,4734E-07
3
1,5
0,8
0,5
4,9867E-07
3

Presentase
Hasil Uji
50%
100%
100%
50%

Pada tabel 4.5 terdapat 2 jenis variasi parameter dengan presentase hasil uji 100%, tetapi nilai
MSE terkecil yaitu 3,4734E-07, sehingga bobot optimal yang digunakan adalah saat individu
sebanyak 50, koefisien udara 1, koefisien nilai random sebanyak 0,5 dan nilai keatraktifan awal
sebanyak 0,5.

MSE

Grafik Perubahan MSE

0.000008000000000
0.000006000000000
0.000004000000000
0.000002000000000
0.000000000000000
1

Iterasi ke-

Gambar 3. Grafik Perubahan MSE saat individu 50, koefisien udara 1, koefisien nilai random
sebanyak 0,5 dan nilai keatraktifan awal sebanyak 0,5
7.

Kesimpulan

Berdasarkan pada pembahasan diatas, maka dapat ditarik beberapa kesimpulan yaitu dalam
mengimplementasikan Firefly Algorithm pada pelatihan jaringan Radial Basis Function yang
dapat mendeteksi kelainan otak hasil Magnetic Resonance Imaging (MRI) otak. Pada proses
pelatihan jaringan digunakan data pelatihan sebanyak 20 citra MRI, MSE terkecil yaitu 3,4734E07, sehingga bobot optimal yang digunakan adalah saat individu sebanyak 50, koefisien udara 1,
koefisien nilai random sebanyak 0,5 dan nilai keatraktifan awal sebanyak 0,5 diperoleh dari hasil
iterasi sebanyak 3 kali iterasi dapat mendeteksi semua data pada proses pelatihan dengan
presentasi kevalidan sebesar 100%. Pada proses uji validasi dengan 8 citra yang belum pernah
digunakan pada saat pelatihan, program dapat mendeteksi data uji validasi dengan presentase
kevalidan sebesar 100%. Program untuk deteksi citra MRI pada kelainan otak dengan FA pada
pelatihan jaringan RBF dapat dibuat dengan menggunakan bahasa pemrograman Java NetBeans
IDE 7.0.1 dan Microsoft Office 2003 untuk menyimpan data.
8.

Daftar Pustaka

Basuki, A., Palandi, J. F., dan Fatchurrochman, 2005, Pengolahan Citra Digital Menggunakan
Visual Basic, Penerbit Graha Ilmu, Yogyakarta.
Bishop, C. M., 1995, Natural Network for Pattern Recognition, Oxford University Press,
Cambridge, UK.
Fausett, L., 1994, Fundamentals of Neural Networks: Architectures, Algorithms, and Applications,
Prentice-Hall
Inc., USA.
Hermawati, Fajar Astuti. 2013. Pengolahan Citra Digital Konsep & Teori. Andi Offset,
Yogyakarta.
Horng, Ming-Huwi, Yun-Xiang Lee, Ming-Chi Lee, and Ren-Jean Liou, 2012, Firefly MetaHeuristic Algorithm for Training the Radial Basis Function Network for Data

Jurnal Matematika 2013


57

Classification and Disease Diagnosis, Theory and New Applications of Swarm


Intelligence, InTech China, Shanghai, China.
Kusumadewi, S., dan Hartati, S., 2006, Neuro-Fuzzy Integrasi Sistem Fuzzy dan Jaringan Syaraf,
Penerbit
Graha Ilmu, Yogyakarta.
Wu, D., Warwick, K., Ma, Z., Gasson, M. N., Burgess, J. G., Pan, S. & Aziz, T., 2012, A
Prediction of Parkinsons Disease Tremor Onset Using Radial Basis Function Neural
Networks, Expert Systems with Applications, Vol .37, pp.2923-2928.
Yang, X. S., 2010, Engineering Optimization: An Introduction with Metaheuris-tic Applications,
Wiley & Sons, Inc, New Jersey, USA.

Jurnal Matematika 2013


58

PENGGUNAAN METODE VALUE at RISK UNTUK MENENTUKAN


TINGKAT RESIKO INVESTASI PADA SAHAM PT GUDANG GARAM
Tbk MELALUI PENDEKATAN MODEL INTEGRATED GENERALIZED
AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTICITY (IGARCH)

Nasrudin MB, Sediono, Eko Tjahjono


nm_milano@yahoo.com

Departemen Matematika
Fakultas Sains dan Teknologi
Universitas Airlangga

Abstract
Heteroscedasticity in most economic and financial time series data can be
overcome by ARCH / GARCH models. However, the application of ARCH /
GARCH models has several weaknesses, one of them is the inability to see the
change or transition of behavior between low volatility and high volatility. Hence,
ARCH / GARCH models are modified by using IGARCH models. In the
IGARCH model, stationarity is satisfied if sum squares of residual coefficients
and conditional variance is 1. IGARCH model is better than ARCH / GARCH
models. The purpose of this paper is to model the stock price index that is
heteroscedastic into IGARCH model and to determine the Value at Risk (VaR) of

Jurnal Matematika 2013


59

stock price index for a period ahead. The data used in this paper is stock price
return data of PT Gudang Garam Tbk.
Modeling is settled by forming ARIMA model as a mean model, and
followed by modeling ARCH / GARCH, and then modeling conditional variance
IGARCH model where the sum of both parameters IGARCH number of
coefficients equal to one. From the stock price data of PT Gudang Garam Tbk, we
obtained IGARCH (1, 1) as the best model because it satisfied all assumptions,
those are, parameters which had been significant and squared residuals which had
been white noise. The general form of the IGARCH (1, 1) model is
10

+ 0.104046

+ 0.895954

= 3.87

. Value at Risk (VaR) is obtained from

the formed model for the next 30 days with certain allocated funds. Therefore, if
the allocated funds amounts IDR 1 billion with error rate of 95%, the level of risk
faced by investors who will invest in companies of PT Gudang Garam Tbk will be
IDR 210.420.382,00.

Keywords : ARCH, GARCH, IGARCH, Value at Risk, Volatility, Return, White


Noise, Heteroscedasticity

1. Pendahuluan
Dalam dunia perekonomian, pergerakan harga-harga

yang ekstrim

beberapa komoditas pada pasar keuangan sering terjadi, hal ini umumnya
disebabkan tidak stabilnya variabilitas berbagai komponen yang ada, sehingga
jelas akan mempengaruhi manajemen secara total, baik resiko manajemen secara

Jurnal Matematika 2013


60

internal maupun secara eksternal. Dalam analisis statistik, khususnya yang terkait
dengan model runtun waktu keuangan (financial time series) terdapat sebuah
metode untuk mengetahui atau mengukur tingkat resiko tersebut, metode tersebut
dikenal sebagai Value at Risk atau disingkat dengan VaR (Tsay,R.S.,2002).
Dalam prakteknya, model runtun waktu keuangan atau runtun waktu
ekonomi banyak dijumpai bahwa volatilitasnya sangat ekstrim. Dengan tingginya
volatilitas data ini, maka perlu dirancang sebuah model pendekatan untuk
mengukur persoalan volatilitas residual ( Enders, W.,1995). Salah satu model
varian yang dapat digunakan adalah model Integrated Generalized Autoregressive
Conditional Heteroscedasticity (IGARCH). Model IGARCH pertama kali
diperkenalkan oleh Engle dan Bollerslev pada tahun 1986 (Berkes,2005).
IGARCH merupakan bentuk khusus dari model ARCH/GARCH, dimana jumlah
seluruh koefisien error serta variance-nya sama dengan satu
Berdasarkan uraian diatas penulis tertarik untuk mengkaji lebih lanjut
tentang penggunaan metode Value at Risk (VaR) dan model IGARCH untuk
menghitung resiko investasi saham.. Oleh karena itu dalam tulisan ini akan dikaji
prosedur pembentukan model IGARCH yang selanjutnya digunakan untuk
menghitung nilai Value at Risk (VaR) dari investasi saham.

Jurnal Matematika 2013


61

2. Metode Penelitian
Metode penulisan yang digunakan dalam penulisan ini adalah sebagai berikut :
1.

Mengkontruksi model IGARCH terbaik dari data return saham harian PT


Gudang Garam Tbk.
a. Pengumpulan data saham harian PT Gudang Garam Tbk
b. Menghitung nilai return saham harian PT Gudang Garam Tbk
c. Identifikasi model ARIMA terbaik yang meliputi :
d. Diagnostic checking
Jika model belum sesuai maka diulangi mulai identifikasi sampai didapatkan
model ARIMA terbaik.
e. Mendapatkan model ARIMA terbaik dari langkah 1.
f. Menentukan nilai residual dari model ARIMA terbaik.
g. Menghitung besarnya kuadrat residual yang terjadi dari model ARIMA
terbaik.
h. Plot time series dan ACF, PACF residual dan kuadrat residual dari model
ARIMA terbaik.
i. Pendugaan keadaan heteroscedastic dari tidak terpenuhinya asumsi white
noise maka dilakukan pembentukan pola kuadrat residual.
j. Menguji apakah ada proses heteroscedastic pada kuadrat residual dari
plot ACF dan PACF kuadrat residual.

Jurnal Matematika 2013


62

k. Pendugaan model IGARCH yang mungkin dari plot ACF dan PACF yang
muncul dengan software EViews.
2.

Menghitung nilai Value at Risk (VaR) dari model IGARCH terbaik.


VaR menggunakan dua parameter yakni interval waktu pengamatan dan
tingkat kepercayaan. Dalam penelitian ini nilai

yang digunakan adalah 5%.

Rumus yang digunakan adalah :


VaR(k) = Amount of position 1.645

dengan Amount of position adalah posisi investasi (alokasi dana),


merupakan simpangan baku dari distribusi normal berdasarkan model
IGARCH terbaik dan k = banyaknya hari.

3. Hasil dan Pembahasan


3.1 Mekanisme Pembentukan Model IGARCH (m,n) pada data return saham
PT Gudang Garam Tbk.
Berikut ini adalah tahapan yang dilakukan untuk mendapatkan model
IGARCH terbaik :
3.1.1 Analisis Model ARIMA terbaik
Data yang digunakan adalah data sekunder berupa data harga saham
PT Gudang Garam Tbk dari tanggal 10 Januari 2013 sampai 15 Oktober 2013.
Pada Gambar 1 berikut dapat dilihat plotting data secara umum data harga
saham (closed price) harian PT Gudang Garam Tbk.

Jurnal Matematika 2013


63

Gambar 1. Plot harga saham PT Gudang Garam Tbk

Gambar 2. Plot return harga saham PT Gudang Garam Tbk


Berdasarkan Gambar 2, terlihat bahwa data telah stasioner dalam mean
maupun varian, sehingga tidak perlu dilakukan transformasi untuk
menstasionerkan varians. Namun, untuk lebih akurat akan dilihat plott ACF
dan PACF dari data return saham

Jurnal Matematika 2013


64

Gambar 3. Plot ACF dan PACF return saham


Dari Gambar 3, terlihat bahwa return saham telah stasioner dan terlihat
bahwa ACF dan PACF keluar pada lag 1, sehingga dapat diduga model yang
sesuai dengan data ini adalah model ARIMA (1,0,0), ARIMA(0,0,1) dan
ARIMA (1,0,1).
Hasil pendugaan dan estimasi least square dari beberapa model
ARIMA dengan EViews 6 dirangkum ke dalam tabel berikut ini :
Tabel 1. Rangkuman pemodelan dengan model ARIMA
Jumlah
Model

Coefficient

p-Value

ARIMA (1,0,0)

0.223162

ARIMA (0,0,1)
ARIMA

AR(1)

MSE

AIC

SBC/BIC

Parameter

0.0016

0.000525

-4.71922

-4.702560

0.245555

0.0005

0.000522

-4.73093

-4.714329

-0.015388

0.9585
0.000524

-4.71569

-4.682365

(1,0,1)

Jurnal Matematika 2013


65

MA(1)

0.259497

0.3652

Dari rangkuman pemodelan dengan model ARIMA pada Tabel 1 diatas,


menunjukan bahwa model ARIMA (0,0,1) merupakan model terbaik untuk data
return saham ini, karena mempunya parameter signifikansi, serta mempunyai nilai
MSE, AIC dan SBC/BIC terkecil (paling negatif).

Gambar 4. Uji Q-Ljung-Box


Kemudian berdasarkan hasil pengujian p-value dari Ljung-Box test
pada Gambar 4 dari residual model ARIMA (0,0,1) telah memenuhi syarat
white noise. Dengan demikian dapat disimpulkan bahwa model ARIMA
(0,0,1) merupakan model terbaik unutk jenis data ini. Bentuk umum model
ARIMA (0,0,1) adalah sebagai berikut :
= 0.223162

Setelah mendapatkan model ARIMA terbaik, maka dilakukan uji efek


ARCH dengan menggunakan ARCH-LM test. Jika pada model tersebut

Jurnal Matematika 2013


66

terdapat efek ARCH pada residualnya maka pemodelan dapat dilanjutkan


dengan menggunakan ARCH/GARCH.

Gambar 5. ARCH-LM test Residual Model ARIMA (0,0,1)


Dari Gambar 5, dapat dilihat bahwa nilai obs-

-squared lebih kecil

dari 0.05, yang artinya residual dalam kondisi heteroscedastic, sehingga


pemodelan dapat dilanjutkan dengan menggunakan ARCH/GARCH.
3.1.2 Pembentukan Model GARCH terbaik
Setelah didapatkan model ARIMA terbaik, maka dapat dimulai
pembentukan model GARCH. Adanya dugaan kasus heteroscedastic, bisa
dilihat dari plot ACF dan PACF residual kuadrat model ARIMA yang tidak
white noise.

Gambar 6. Plot ACF Residual Kuadrat

Jurnal Matematika 2013


67

Gambar 7. Plot PACF Residual Kuadrat


Dari plot ACF dan PACF pada Gambar 6 dan Gambar 7, terlihat
kuadrat residual model ARIMA terbaik tidak white noise, hal ini menunjukan
bahwa terdapat dugaan kasus heteroscedastic pada data return saham PT
Gudang Garam Tbk, sehingga perlu dilakukan penanganan khusus yaitu
dengan membentuk model varian errornya. Berdasarkan Gambar 6 terlihat
bahwa plot ACF keluar pada lag ke 6 dan 21, dan plot PACF pada Gambar 7
juga keluar pada lag ke 6 dan 21. Sehingga didapat model dugaan variannya
adalah GARCH (1,1), GARCH (1,2), GARCH (2,1), GARCH (2,2)
Hasil pendugaan dan estimasi dari beberapa model GARCH dengan
EViews 6 dirangkum ke dalam tabel berikut ini :

Jurnal Matematika 2013


68

Tabel 2. Hasil pendugaan dan estimasi parameter model GARCH


Jmlah
Model

Coefficient

P-Value

AIC

SBC/BIC

Parameter

-4.725946

-4.676124

-4.764291

-4.697861

-4.730846

-4.664416

-4.768233

-4.685196

GARCH

ARCH(1)

0.084107

0.0341

(1,1)

GARCH(1)

0.850237

0.0000

GARCH

ARCH(1)

0.036215

0.0243

(1,2)

GARCH(1)

1.713327

0.0000

GARCH(2)

-0.769594

0.0000

GARCH

ARCH(1)

0.002304

0.9430

(2,1)

ARCH(2)

0.112876

0.0363

GARCH(1)

0.826063

0.0000

ARCH(1)

-0.054589

0.0685

GARCH

ARCH(2)

0.119874

0.0039

(2,2)

GARCH(1)

1.591842

0.0000

GARCH(2)

-0.675988

0.0000

Dari Tabel 2, didapatkan hasil estimasi parameter dari semua model


yang diduga. Dari Tabel 2, model yang parameternya signifikan adalah model
GARCH (1,1) dan GARCH (1,2). Namun model GARCH (1,2) tidak feasible
karena koefisien dari GARCH (2) bernilai negative, sehingga model GARCH
(1,2) tidak dapat digunakan untuk memodelkan data return saham ini. Model
yang baik (sesuai) adalah model yang telah memenuhi semua asumsi, baik
parameter telah signifikan maupun residual kuadratnya yang sudah white
noise.

Jurnal Matematika 2013


69

Gambar 8. Plot ACF dan PACF Residual Kuadrat


Dari Gambar 8, terlihat bahwa sudah tidak ada lag yang keluar dari
plot residual kuadratnya, sehingga model GARCH (1,1) merupakan model
terbaik untuk jenis data ini karena telah memenuhi syarat semua langkahlangkah untuk menjadi model terbaik. Secara matematis model GARCH (1,1)
dapat dituliskan dalam bentuk seperti berikut :
= 3.85 10

+ 0.084107

3.1.3 Pembentukan Model IGARCH terbaik

+ 0.850237

Pada subbab sebelumnya, untuk model GARCH (1,1), dapat dilihat


bahwa jumlah koefisiennya mendekati nilai satu, yaitu 0.934344, yang berarti
bahwa model GARCH (1,1) dapat disebut sebagai model IGARCH (1,1),
sehingga langkah selanjutnya adalah memodelkan ulang model GARCH (1,1)
kedalam

persamaan

model

IGARCH

dan

mengestimasi

parameter-

parameternya berdasarkan model tersebut untuk mendapatkan nilai parameter

Jurnal Matematika 2013


70

yang lebih tepat. Estimasi parameter dilakukan dengan menggunakan software


EViews 6. Berikut adalah hasil estimasi model IGARCH (1,1) dengan EViews
6.

Gambar 9. Estimasi Model IGARCH (1,1)


Dari Gambar 9 diatas, terlihat bahwa jumlah kedua koefisiennya sama
dengan satu. Selain itu, nilai p-value yang lebih kecil dari

= 0.05, yang

menandakan bahwa parameternya telah signifikan pada tingkat kepercayaan


95%. Untuk menguji ke-whitenoise-an terhadap residual dan residual kuadrat
dapat dilakukan dengan melihat plot ACF dan PACF nya.

Jurnal Matematika 2013


71

Gambar 10. Plot ACF dan PACF Residual

Gambar 11. Plot ACF dan PACF Residual Kuadrat

Jurnal Matematika 2013


72

Dari Gambar 10 dan Gambar 11 diatas, dapat dilihat bahwa residual dan
residual kuadrat telah white noise. Karena model IGARCH (1,1) telah
memenuhi syarat semua langkah-langkah untuk menjadi model terbaik, maka
model IGARCH (1,1) merupakan

model terbaik dari return saham PT.

Gudang Garam Tbk.


Secara matematis model IGARCH (1,1) dapat dituliskan dalam bentuk
seperti berikut :
= 3,87 10

+ 0.895954

+ 0.104046

3.2 Menghitung Nilai Value at Risk Berdasarkan Model IGARCH Terbaik


Setelah mendapatkan model IGARCH tebaik yakni model IGARCH
(1,1), maka langkah selanjutnya adalah menghitung nilai Value at Risk (VaR)
berdasarkan model IGARCH (1,1). Dari Gambar 9 diatas, diketahui
simpangan baku dari model IGARCH (1,1) adalah 0.023345.
Dalam penilitian ini, dana yang dialokasikan (
diasumsikan sebesar

.1

untuk investasi pada PT. Gudang Garam

Tbk, maka besarnya nilai Value at Risk (VaR) untuk selang waktu 30 hari
kedepan adalah sebagai berikut :
(30) = 1

1.645 30 (0.023345) = 210.420.382

Sehingga nilai VaR yang diperkirakan dengan dengan selang waktu 30 hari
dan dengan tingkat kepercayaan 95%, kemungkinan kerugian/resiko
maksimum yang dapat ditolerir oleh seorang investor dari dana yang telah

Jurnal Matematika 2013


73

. 210.420.382,00. Dengan mengetahui

diinvestasikan adalah sebesar

kisaran besaran VaR maka ini akan menjadi kriteria bagi para investor yang
akan menanamkan modalnya dalam pasar keuangan (financial)

4. Kesimpulan
Dari analisis pembahasan yang dilakukan, dapat diambil beberapa
kesimpulan sebagai berikut :
1.

Model terbaik dalam memodelkan data return saham harian PT. Gudang
Garam Tbk adalah sebagai berikut :
1) Model ARIMA (0,0,1)
= 0.223162

2) Model GARCH (1,1)

= 3.85 10

+ 0.084107

+ 0.850237

= 3.87 10

+ 0.895954

+ 0.104046

3) Model IGARCH (1,1)


2.

Estimasi VaR dengan


.1

= 5%, jika diasumsikan besarnya investasi

, nilai VaR yang diperkirakan dengan selang waktu 30 hari

dan dengan tingkat kepercayaan 95%, kemungkinan kerugian/resiko


maksimum yang dapat ditolerir oleh seorang investor dari dana yang telah
diinvestasikan adalah sebesar

Jurnal Matematika 2013


74

. 210.420.382,00.

Daftar Pustaka
[1]

Berkes, 2005, Near Integrated GARCH Sequances, Technische Universit at


Graz and Hungarian Academy of Science, University of Utah: Utah.

[2]

Bollerslev,

(1986),

Generalized

Autoregressive

Conditional

Heteroscedasticity, Journal of Econometrics, 31, 307-327.


[3]

Box, G.E.P. and Cox, D.R.,1964, An Analysis Transformation, Journal


Royal Stat.Soc,ser B.,26, hal. 211-252.

[4]

Box, G.E.P., and Jenkins, G.M.,1976, Forecasting and Control, Holden


day: San Francisco.

[5]

Christofferson, P.,2001, Testing and Comparing Value at Risk Measure,


Jurnal of Empirical Finance, Elsevier: USA.

[6]

Cryer, D. J.,1986, Time Series Analysis, University of IOWA.

[7]

Enders, 1995, Applied Econometric Time Series, John Willey & Sons. Inc:
Canada.

[8]

Engle, R.F.,1982, Autoregressive Conditional Heteroscedasticity with


Estimates of the Variance of U.K. Inflation.Ekonometrica,50,987-1008.

[9]

Harper, D. (2004), Introduction to Value at Risk (VaR), diakses 18 Maret


2014, dari www.Investopedia.com/articles/04/092904.asp

[10] Irawan, N. dan Astuti S.P.,2006, Mengelolah Data Statistik dengan Mudah
Menggunakan Minitab 14, Andi: Yogyakarta.
[11] Jogianto, 1998,Analisis dan Desain Sistem Informasi: Pendekatan
Terstruktur Teori dan Praktek Aplikasi Bisnis, Andi : Yogyakarta.

Jurnal Matematika 2013


75

[12] Lo, M. S.,2003, Generalized Autoregressive Conditional Heteroscedastic


Time Series Models, Simon Fraser University.
[13] Makidrakis, S., Wheelwright, S. and McGee,V.,1983, Forecasting:
Methods and Application, Second Edition, John Willey and Sons: New
York.
[14] Rosadi, D.,2011, Ekonometrika & Analisis Runtun Waktu Terapan dengan
EViews, Andi: Yogyakarta.
[15] Sediono, 2013, Penggunaan Metode VaR Untuk Menentukan Tingkat
Resiko Investasi Melalui Pendekatan Model Financial Time series,
Proceding Seminar Matematika, Universitas Airlangga: Surabaya.
[16] Suhartono, 2003, Buku Ajar: Analisis Time Series Model ARIMA (Metode
Box-Jenkins), Institut Teknologi Sepuluh Nopember Surabaya: Surabaya.
[17] Tiro, M. A.,2006, Analisis Deret Wakt: Teori dan Aplikasi, Andira
Publisher: Makassar.
[18] Tsay, S., R., 2002, Analysis of Financial Time Series, John Willey & Sons.
Inc, Chapman and Hall: New York.
[19] Wei, W. S., 1990, Time Series Analysis. Addison Wesley Publishing
Company: Canada.

Jurnal Matematika 2013


76

Hybrid Virus Evolutionary Genetic Algorithm (VEGA) dan


Simulated Annealing (SA) pada Penjadwalan Flowshop
Ramadhani Amulyo, Herry Suprajitno, Miswanto
Departemen Matematika, Fakultas Sains dan Teknologi
Universitas Airlangga
nidhani.ra@gmail.com

Abstract. The purpose of this paper is to solve the flowshop scheduling problem using a Hybrid of
Virus Evolutionary Genetic Algorithm and Simulated Annealing. Flowshop is defined as
scheduling problem to obtain the optimal solutions that involve n jobs and m machines in
production process. In flowshop scheduling each job is processed in each machine with the same
order. Virus Evolutionary genetic algorithm is searching solution algorithm that copy the
mechanics of selection and natural evolution with virus infection. Simulated Annealing is
analogous method to the annealing process. Hybrid of virus evolutionary genetic algorithm and
simulated annealing is a combination of both processes by insert simulated annealing algorithm to
the process of virus evolutionary genetic algorithms. The process of algorithm is started by
initialitation parameters, generate initial solutions, generate virus, calculate values of makespan
and fitness of each solution, determine candidate of parents with elitism selection, do subtour
exchange crossover, do resiprocal exchange to specified temperature, compare the makespan
value, decrease the temperature, combine the solutions of the result of crossover and mutation with
the initial host population, do selection of combined solutions, do reverse transcription, do
transduction and the process continues until the maximum iteration.

Keywords: Virus Evolutionary Genetic Algorithm, Hybrid, Simulated Annealing,


Flowshop Scheduling.
1.

PENDAHULUAN

Adanya penerapan pasar bebas di Indonesia menimbulkan tantangan bagi


perusahaan manufaktur untuk berkompetisi dengan beroperasi menggunakan biaya
produksi seminimal mungkin serta waktu produksi yang pendek. Pada sistem produksi
perusahaan manufaktur melibatkan banyak proses dan mesin yang waktu proses
produksinya bervariasi. Hal tersebut menjadi hambatan tersendiri, karena jika proses
produksi tidak dijadwal dengan baik maka akan terjadi penumpukan pekerjaan atau
terjadi antrian panjang barang yang harus diproses sehingga berakibat pada proses
produksi secara keseluruhan.
Penjadwalan flowshop merupakan proses penentuan urutan pekerjaan yang
memiliki lintasan produk yang sama yang terdapat pada perusahaan manufaktur.
Penjadwalan produksi melibatkan n job dan m mesin dalam proses produksinya. Setiap
job memiliki waktu proses yang berbeda dalam setiap mesin. Penjadwalan produksi
bertujuan untuk mengurutkan pekerjaan maupun sumber daya agar mendapatkan suatu
kondisi yang optimal. Salah satu tujuan yang penting dalam penjadwalan produksi adalah
minimasi makespan, yaitu waktu yang dibutuhkan untuk menyelesaikan semua job dalam
sistem produksi. Secara umum, mesin dapat melaksanakan pekerjaan dalam urutan
apapun, namun terkadang urutan yang sama pada mesin tetap diperlukan. Pada flowshop,
operasi dari suatu job hanya dapat bergerak satu arah, yaitu proses operasi pertama di
mesin pertama, operasi kedua di mesin kedua, operasi ketiga di mesin ketiga, sampai
proses operasi terakhir di mesin terakhir sehingga tiap pekerjaan memiliki urutan operasi
dan mesin yang sama.

Jurnal Matematika 2013


77

Pengembangan metode untuk menyelesaikan masalah penjadwalan flowshop harus


memperhitungkan kompleksitas masalahnya. Sampai saat ini telah banyak peneliti yang
mencoba berbagai macam algoritma untuk mendapatkan solusi yang optimal.
Diantaranya adalah dengan menggunakan Ant Colony Optimization (Rajendran dan
Ziegler, 2004), Algoritma Genetika (Azmi dkk, 2011), Simulated Annealing (Hurkala,
2012).
Virus Evolutionary Genetic Algorithm (VEGA) merupakan penggabungan antara
algoritma genetik dengan infeksi virus (Fukuda dkk, 1999). Algoritma genetika
merupakan metode optimasi yang ditransformasikan dari teori evolusi dan seleksi alam di
dalam suatu populasi individu yang mempresentasikan solusi potensial masalah
(Sandicki, 2000). Virus memiliki kemampuan untuk menembus materi genetik individu
yang menyebabkan perubahan genetik, sehingga dapat menghasilkan suatu variasi
genetik pada populasi. VEGA digunakan untuk pencarian secara global, yaitu
mendapatkan solusi baru yang kompleks dengan memilih individu yang lebih baik
(Fountas, 2013). Menurut Kirkpatrick (1983), Simulated annealing adalah salah satu
algoritma untuk optimasi yang diaplikasikan pertama kali tahun 1983. Algoritma ini
dapat digunakan untuk mencari pendekatan terhadap solusi optimum lokal dari suatu
permasalahan. Oleh karena itu, VEGA lebih baik jika dikombinasikan dengan simulated
annealing. VEGA yang dapat digunakan untuk pencarian secara global diharapkan akan
mendapat solusi baru yang lebih baik, sedangkan simulated annealing yang digunakan
untuk pencarian secara lokal diharapkan bisa mendapatkan solusi baru secara cepat dalam
menyelesaikan masalah penjadwalan flowshop.

2.

PENJADWALAN FLOWSHOP

Penjadwalan flowshop adalah perencanaan produksi dengan n job yang harus


diproses dalam urutan yang sama pada m mesin. Baker (2009) berpendapat bahwa
flowshop dapat dibedakan menjadi 2 yaitu :
1. Pure flowshop, yaitu semua order akan mengalir pada jalur produksi yang sama
2. General flowshop, yaitu tidak semua order mengalir pada jalur produksi yang sama
karena suatu shop dapat menangani tugas yang bermacam-macam dan tidak harus
dikerjakan pada semua mesin.
Salah satu tujuan dari penjadwalan flowshop adalah


Fmax : makespan seluruh job yang ada dalam urutan
Dengan kata lain, tujuan penjadwalan flowshop adalah meminimalkan waktu yang
dibutuhkan untuk memproses seluruh pekerjaan.
Untuk menunjukkan bagaimana proses penjadwalan terjadi, jadwal produksi biasa
direpresentasikan dalam Diagram Gantt (Gantt Chart). Diagram Gantt dapat membantu
untuk menampilkan jadwal dan elemen secara rinci karena sumber daya (mesin) dan
tugas terlihat dengan jelas. Dengan diagram Gantt, kita dapat menemukan informasi
tentang jadwal yang diberikan dengan menganalisis bentuk geometrinya (Baker, 2009).

Gambar 2.2 Diagram Gantt flowshop

Jurnal Matematika 2013


78

3.

ALGORITMA GENETIKA

Algoritma genetika merupakan suatu teknik stokastik yang berdasarkan pada


proses seleksi alam dan ilmu genetika (Gen dan Cheng, 1997). Algoritma ini akan
mengkombinasikan daya tahan (survival) dari suatu struktur data yang paling baik
(fittest). Menurut Obitko (1998) secara garis besar, algoritma genetika dapat dijabarkan
sebagai berikut :
1. Mulai : membangkitkan populasi secara random sebanyak n individu.
2. Fitness : menilai keandalan setiap individu dalam populasi.
Individu yang memiliki nilai fitness lebih tinggi dianggap sebagai individu yang
lebih baik. Sehingga untuk permasalahan minimalisasi makespan pada flowshop ini,
maka fungsi fitness-nya sebagai berikut :
1
fungsi fitness =

dengan M adalah nilai makespan.


3. Populasi baru : membuat populasi baru lewat pengulangan pengoperasian operator
genetika berikut sampai populasi baru lengkap.
a. Seleksi : memilih induk dari populasi sesuai dengan nilai keandalannya
(keandalan yang lebih baik, lebih berpeluang untuk terpilih). Metode seleksi
yang digunakan adalah elitism. Cara kerja metode ini adalah sebagai berikut :
1. Menyimpan satu individu terbaik sebagai individu untuk populasi host baru
berdasarkan nilai fitness
2. Hitung total fitness (f) :
= ; k = 1, 2, , (pop_size-1)
3. Hitung probabilitas masing-masing individu dari fitness masing-masing
dibagi total fitness semua individu (fitness relative) :

4. Hitung fitness kumulatif :


1 = 1
= 1 + ; k = 2,3, , (popsize-1)
5. Pilih calon induk yang akan dilakukan crossover dengan cara :
i. Bangkitkan bilangan random r [0,1]
ii. Jika 1 , maka kromosom pertama terpilih. Jika +1
untuk k = 2, 3, , (popsize-1), maka pilih kromosom ke ( + 1)
sebagai calon induk crossover.
6. Pilih induk yang akan dilakukan crossover dengan cara :
i. Bangkitkan bilangan random r [0,1]
ii. Jika , maka kromosom terpilih sebagai induk crossover.
7. Pilih calon induk yang akan dilakukan mutasi dengan cara :
i. Bangkitkan bilangan random r [0,1]
ii. Jika 1 , maka kromosom pertama terpilih. Jika +1
untuk k = 2, 3, , (popsize-1), maka pilih kromosom ke ( + 1)
sebagai calon induk mutasi.
8. Pilih induk yang akan dilakukan crossover dengan cara :
i. Bangkitkan bilangan random r [0,1]
ii. Jika , maka kromosom terpilih sebagai induk mutasi.
b. Crossover : induk crossover membentuk anak (individu baru). Jika tidak ada
crossover yang dilaksanakan, anak merupakan salinan induknya. Crossover
yang digunakan adalah Subtour Exchange Crossover (SEC).
c. Mutasi : mutasi lokus pada masing-masing induk (lokus = posisi dalam
individu). Mutasi yang digunakan adalah Resiprocal Exchange Mutation.

Jurnal Matematika 2013


79

d. Accepting : tempat anak pada populasi baru.


Mengganti : populasi yang baru dibentuk untuk menjalankan algoritma lebih
lanjut.
5. Menguji : jika sudah mencapai n iterasi atau optimal, berhenti dan diperoleh
solusi terbaik dari populasi ini. Jika tidak maka kembali ke langkah 2 sampai
diperoleh solusi terbaik dari populasi ini.
4.

4.

VIRUS EVOLUTIONARY GENETIC ALGORITHM (VEGA)

VEGA merupakan penggabungan antara algoritma genetika dengan infeksi virus


(Fukuda dkk, 1999). VEGA disusun dari dua populasi, yaitu: populasi host dan populasi
virus. Populasi host merupakan rangkaian kandidat solusi, sedangkan populasi virus
merupakan substring dari individu host yang akan menginfeksi populasi host. Proses
VEGA secara umum menurut Fukuda dkk (1999), yaitu:
1. Mulai : membangkitkan populasi host secara random sebanyak n individu dan
populasi virus sebanyak m individu.
2. Fitness : menilai keandalan setiap individu host dalam populasi.
3. Populasi baru : melakukan peoses seleksi (elitism), crossover, mutasi, san
accepting.
6. Mengganti : populasi host yang baru dibentuk untuk menjalankan algoritma
lebih lanjut.
4. Menguji : sudah memenuhi interinfection time, lanjut ke langkah 5. Jika tidak
maka kembali ke langkah 2.
5. Reserve transcription : proses infeksi virus, yaitu menyisipkan individu virus ke
dalam substring individu host yang dipilih secara acak (hostj)
6. Evaluasi : kekuatan infeksi virus (fitvirusi) dan harapan hidup virus (Lifei,t).
, =
=

, = ,1 +
Dengan r adalah tingkat penurunan daya hidup virus. r bernilai [0,1].
7. Transduction : mengambil DNA/beberapa gen (substring) dari individu host
untuk dijadikan individu virus baru.
8. Mengganti : populasi host dan populasi virus yang baru dibentuk untuk
menjalankan algoritma lebih lanjut.
9. Menguji : jika sudah mencapai n iterasi atau optimal, berhenti dan diperoleh
solusi terbaik dari populasi ini. Jika tidak maka kembali ke langkah 2 sampai
diperoleh solusi terbaik dari populasi ini.

5.

SIMULATED ANNEALING (SA)

Simulated Annealing (SA) diperkenalkan oleh Metropolis pada tahun 1953 dan
diaplikasikan dalam masalah optimasi pertama kali oleh Kirkpatrick et al. pada tahun
1983. SA dikembangkan berdasarkan proses metalurgi benda logam yang sangat panas
kemudian mengalami pendinginan secara perlahan-lahan sampai mengkristal. Algoritma
ini dimulai pada suhu yang sangat tinggi dan dibiarkan menurun sampai batas yang
diperbolehkan. Hal ini bertujuan untuk mendapatkan solusi yang lebih baik hanya saat
logam mencapai struktur kristal. Algoritma ini juga dapat digunakan untuk menentukan
nilai minimum dari fungsi tujuan (Sandikci, 2000).
Secara garis besar simulated annealing dapat dijabarkan sebagai berikut:
1. Inisialisasi temperatur awal .

Jurnal Matematika 2013


80

2.
3.
4.
5.

6.

6.

Inisialisasi populasi awal , = 1, 2, , _.


Evaluasi populasi awal sebagai solusi sementara ( ).
Modifikasi populasi awal dan evaluasi kembali sebagai solusi baru ( ).
Jika ( ) ( ) maka solusi sementara sama dengan solusi baru. Jika tidak,

maka hitung probabilitas = exp


. Dengan merupakan selisih ( ) dan

( ), sedangkan T adalah suhu saat ini. Bangkitkan bilangan acak pada interval
[0,1]. Jika > maka solusi baru tetap diterima sebagai solusi sementara.
Jika sudah iterasi maksimum, maka algoritma berhenti. Jika tidak, hitung
perubahan temperatur = dengan 0 < < 1 dan kembali ke langkah 4.

HYBRID VEGA DAN SA

Setelah ditampilkan prosedur penggunaan untuk masing-masing algoritma, maka


akan dilakukan penggabungan (hybrid) kedua algoritma tersebut. Prosedur hybrid VEGA
dan SA ditunjukkan pada Gambar 5.1.

Jurnal Matematika 2013


81

Gambar 5.1 Flowchart hybrid VEGA dan SA


7.

HASIL DAN PEMBAHASAN

Hybrid VEGA dan SA telah dilakukan pada masalah penadwalan flowshop dengan
menggunakan data 4 job 3 mesin, 13 job 4 mesin, 20 job 10 mesin. Data 4 job 3 mesin

Jurnal Matematika 2013


82

diperoleh dari (Sayadi dkk, 2010), data 13 job 4 mesin dan 20 job 10 mesin diperoleh
dari https://files.nyu.edu/jeb21/public/jeb/orlib/files/flowshop1.txt. Terdapat 3
parameter yang berbeda yaitu pop Pc, Pm, dan Pv. Pencarian solusi menggunakan
parameter Host pop size = 40, Virus pop size = 10, Max generation = 50, Interinfection
time = 2, Probabilitas crossover (Pc) = 0.3, 0.5, 0.7, Probabilitas mutation (Pm) = 0.01,
0.1, 0.2, Suhu awal (T0) = 100, Suhu akhir (Ta) = 0, Penurunan suhu (T) = 25, Panjang
virus = 4, Probabilitas infeksi virus (Pv) = 0.3, 0.5, 0.7, dan r = 0.9 memperoleh hasil
sebagai berikut :
i. untuk data 4 job 3 mesin dapat dilihat pada Tabel 7.1.

Pc = 0.3

Pc = 0.5

Pc = 0.7

Tabel 7.1 Nilai Makespan Data 4 job 3 mesin


Pvirus = 0.3
Pvirus = 0.5
Pvirus = 0.7
Pm = 0.01
24
24
24
Pm = 0.1
24
24
24
Pm = 0.2
24
24
24
Pm = 0.01
24
24
24
Pm = 0.1
24
24
24
Pm = 0.2
24
24
24
Pm = 0.01
24
24
24
Pm = 0.1
24
24
24
Pm = 0.2
24
24
24

Pada Tabel 7.1 dapat dilihat bahwa dari parameter yang berbeda-beda
menghasilkan satu nilai makespan, yaitu 24 satuan waktu. Sehingga dapat disimpulkan
bahwa makespan yang minimal adalah 24 satuan waktu dengan penjadwalan 4-4-3-4-11-1-3-2-2-3-2.
ii. untuk data 13 job 4 mesin dapat dilihat pada Tabel 7.2

Pc = 0.3

Pc = 0.5

Pc = 0.7

Tabel 7.2 Nilai Makespan 13 Job 4 Mesin


Pvirus = 03 Pvirus = 0.5 Pvirus = 0.7
Pm = 0.01
8370
8370
8278
Pm = 0.1
8358
8246
8215
Pm = 0.2
8310
8214
8207
Pm = 0.01
8304
8202
8201
Pm = 0.1
8244
8123
8123
Pm = 0.2
8239
7985
7940
Pm = 0.01
8123
7940
7939
Pm = 0.1
8123
7846
7817
Pm = 0.2
8091
7794
7639

Pada Tabel 7.2 dapat dilihat bahwa semakin besar nilai Pc, Pm, dan Pv yang
diberikan, maka nilai makespan yang diperoleh semakin minimal. Diperoleh penjadwalan

3-3-11-3-7-8-3-7-4-8-7-8-11-7-4-1-11-8-1-2-4-11-2-4-1-2-1-13-5-2-13-13-5-9-69-12-13-5-6-9-9-12-6-6-5-10-10-12-12-10-10 denga makespan yang minimal adalah


7639 satuan waktu dari parameter Pc = 0.7, Pm = 0.2, dan Pv = 0.7.

Jurnal Matematika 2013


83

iii. untuk data 20 job 10 mesin dapat dilihat pada Tabel 7.3.

Pc = 0.3

Pc = 0.5

Pc = 0.7

Tabel 7.2 Nilai Makespan 20 Job 10 Mesin


Pv = 0.3
Pv = 0.5
Pm = 0.01
212
204
Pm = 0.1
209
203
Pm = 0.2
208
201
Pm = 0.01
207
200
Pm = 0.1
206
199
Pm = 0.2
205
195
Pm = 0.01
204
192
Pm = 0.1
201
192
Pm = 0.2
197
186

Pv = 0.7
200
198
197
197
195
194
192
191
182

Pada Tabel 7.2 dapat dilihat bahwa semakin besar nilai Pc, Pm, dan Pv yang
diberikan, maka nilai makespan yang diperoleh semakin minimal. Sehingga diperole
penjadwalan 2-1-12-1-2-14-20-11-14-14-3-11-16-12-11-13-20-20-11-14-9-3-

11-16-12-6-14-6-9-20-15-6-3-15-14-20-4-10-6-6-20-14-1-5-4-3-5-6-20-1420-17-2-2-6-14-5-1-20-3-11-19-16-1-11-3-11-12-11-11-2-20-17-14-3-16-162-6-15-15-4-15-1-12-3-2-1-3-2-6-15-12-6-2-4-1-13-4-10-7-15-12-4-4-10-1615-4-10-9-13-1-16-3-7-7-13-17-8-2-15-15-9-10-9-9-12-9-8-8-4-10-18-16-195-9-8-4-1-12-10-9-9-17-7-16-13-12-18-8-16-13-8-10-8-18-17-17-10-5-17-1910-7-8-17-7-13-13-19-13-8-5-18-19-7-7-13-17-8-18-19-5-18-17-5-7-19-5-75-18-19-18-19-19-18-18 dengan makespan yang minimal adalah 182 satuan waktu


diperoleh dari parameter Pc= 0.7, Pm = 0.2, dan Pv = 0.7.
8.

KESIMPULAN

Berdasarkan perhitungan dengan nilai parameter yang berbeda menunjukkan


bahwa semakin besar nilai Pc, Pm, dan Pv yang diberikan, maka nilai makespan yang
diperoleh semakin minimal. Namun hal ini tidak berlaku pada data yang berukuran kecil
karena terbatasnya urutan penjadwalan yang diperoleh.

DAFTAR PUSTAKA
[1] Anonim, https://files.nyu.edu/jeb21/public/jeb/orlib/files/flowshop1.txt.
[2]
[3]

[4]
[5]

Diakses tanggal 19 Juni 2014.


Baker, K.R. dan Trietsch, D., 2009, Principles of Sequencing and Scheduling, John
Wiley & Sons, New York.
Azmi, N., Jamaran, I., Arkeman, Y., & Mangunwidjaya, D., 2011, Penjadwalan
Pesanan Menggunakan Algoritma Genetika Untuk Tipe Produksi Hybrid And
Flexible Flowshop Pada Industri Kemasan Karton. Jurnal Teknik Industri
Gen, M. dan Cheng, R., 1997, Genetic Algorithms and Engineering Design, John
Wiley & Sons, Inc, New York.

Fountas N. A. dan Nikolaos M. V., 2013, A Modified Virus Evolutionary


Genetic Algorithm For Rough Machining Optimization Of Sculptured

Jurnal Matematika 2013


84

Surfaces, School Of Pedagogical & Technological Education (Aspete) ,


Department Of Mechanical Engineering, Educators Lab. Of
Manufacturing Processes & Machine Tools (Lmpromat), N. Heraklion
Athens, Greece
[6]

[7]

[8]
[9]

Fukuda T., Kubota N., dan Shimojima K., 1999, Evolutionary Computation:
Theory and Applications, Chapter 7: Virus Evolutionary Genetic Algorithm and Its
Applications To Traveling Salesman Problem, halaman 235-255, Editor: Xin Yao,
World Scientific, Singapura
Hurkala J dan Hurkala A. 2012. Effective Design of The Simulated Annealing
Algorithm for The Flowshop Problem with Minimum Makespan Criterion, Journal
of Telecommunications & Information Technology, Vol. 2012 Issue 2, Halaman 92
Kirkpatrick, S., Gelatt, C. D. dan Vecchi, M. P., 1983, Optimization by Simulated
Annealing, Science, 220, 671-680.
Kusumadewi, S., H., Purnomo. 2005. Penyelesaian Masalah Optimasi dengan
Teknik-teknik Heuristik. Graha Ilmu, Yogyakarta

[10] Obitko, M., 1998, Introduction to Genetic Algorithms, Czech Technical

University, Prague
[11] Rajendran C. dan Ziegler H, 2004, Ant-colony algorithms for permutation
flowshop scheduling to minimize makespan/total flowtime of jobs, European
Journal of Operational Research
[12] Sandikci, B, 2000, Genetic Algorithms, Department of Industrial Engineering of
Bilkent University, Ankara.
[13] Sayadi M K, Ramezanian R, dan Nasab N G, 2010, A discrete firefly metaheuristic with local search for makespan minimization in permutation flow shop
scheduling problems, dept of industrial engineering, iran university of science and
technologi, Tehran, iran

Jurnal Matematika 2013


85

KETERBATASAN OPERATOR INTEGRAL FRAKSIONAL PADA RUANG MORREY


KLASIK ATAS RUANG METRIK
Susan Hartanto, Moh. Imam Utoyo, Eridani
susan_sh92@yahoo.com
Departemen Matematika
Fakultas Sains dan Teknologi
Universitas Airlangga

Abstract. We establish the sufficient condition for the boundedness of the fractional
integral operator and the generalized fractional integral operator in the Classic Morrey Space
on Metric Space.
Keywords :

Fractional integral operator, Classic Morrey space, Metric space.

1. Pendahuluan
Operator adalah pemetaan dari ruang norma yang satu ke ruang norma yang lain.
Operator dikatakan terbatas dari ruang norma ke ruang norma jika terdapat konstanta
sehingga untuk setiap
,

menotasikan norma
dengan
di . Jika
dan operator
terbatas, maka
dikatakan bahwa terbatas di .
Operator integral fraksional dinotasikan dengan
( )

dan didefinisikan sebagai :

( )
|

nilai
tidak selalu dapat diselesaikan secara analitik, sehingga penyelesaiannya dilakukan
secara numerik. Untuk mendapatkan selesaian numerik diperlukan syarat bahwa selesaiannya
kontinu. Berdasarkan fakta bahwa operator adalah kontinu jika dan hanya jika terbatas
(Brown dan Page, 1970, Teorema 3.5.4. hal. 104) sehingga, nilai operator
dapat dicari
dengan menggunakan penyelesaian numerik jika terbatas.
Keterbatasan
pada Ruang Lebesgue telah dikaji oleh Hardy dan Littlewood pada
tahun 1932 dan Sobolev pada tahun 1938. Ketiganya membuktikan keterbatasan
yang
dikenal sebagai ketaksamaan Hardy-Littlewood-Sobolev (disingkat H-L-S) (Gunawan dan
Eridani, 2009). Pembuktian ketaksamaan H-L-S dilakukan dengan memanfaatkan
keterbatasan operator maksimal Hardy-Littlewood (disingkat M-H-L) pada Ruang Lebesgue.
Selanjutnya Spanne (dalam (Peetre, 1969)) dan Adams (1975) membuktikan
keterbatasan
pada Ruang Morrey Klasik yang merupakan perumuman dari Ruang
Lebesgue. Selanjutnya, Chiarenza dan Frasca (1987) membuktikan kembali hasil yang telah
diperoleh Adams. Keterbatasan pada ruang yang lebih umum dibuktikan oleh Nakai (1994)
dan; Gunawan dan Eridani (2009), yaitu Ruang Morrey diperumum yang merupakan
perumuman dari Ruang Morrey Klasik dan oleh karenanya merupakan perumuman dari
Ruang Lebesgue.
Penelitian Hardy-Littlewood, Sobolev, Spanne, Adams, Chiarenza dan Frasca, Nakai
serta Gunawan dan Eridani yang berkaitan dengan keterbatasan operator
dilakukan pada
Ruang Euclid. Oleh karena Ruang Euclid merupakan bentuk khusus dari Ruang metrik, hal ini
menimbulkan gagasan perlunya dikaji keterbatasan operator integral fraksional pada Ruang
Morrey Klasik di Ruang Metrik.

Jurnal Matematika 2013


86

2. Operator Integral Fraksional dan Perumumannya


Operator integral fraksional di ruang metrik didefinisikan sebagai
( )
( )
( )

(
)
Selanjutnya didefinisikan perumuman operator integral fraksional sebagai berikut
( )

( (
(

))
( )
)

( )

yang merupakan perumuman dari operator integral fraksional


karena apabila diambil
(
) (
) dengan ( )
,
maka
dengan memenuhi doubling
condition (DC) yaitu untuk setiap
memenuhi

( )

( )

Oleh karena itu

dan

jika
( )

( ) sehingga
( )

( ). Jika ( ) memenuhi

( )

( )

( )

( )

atau

( )

( )

( )

maka

sehingga

( )
( )

( )

( )

( ) maka ditulis ( )

. Jika
( )

( )
( )

3. Ruang Morrey Klasik Pada Ruang Metrik


Ruang Lebesgue didefinisikan sebagai ruang kelas-kelas fungsi ekivalen

( )

( | ( )|

( ))

.dengan

dengan sifat
.

Selanjutnya, dua fungsi dan di Ruang Lebesgue dikatakan berada dalam kelas yang sama
jika
hampir dimana-mana, yaitu
hanya dihimpunan berukuran nol.
( ) didefinisikan sebagai ruang
Ruang Lebesgue lokal dinotasikan dengan
kelas-kelas ekivalen sehingga untuk setiap himpunan bagian kompak di bersifat
| ( )|

Ruang Morrey Klasik didefinisikan sebagai himpunan semua

Ruang
.

( )

)( ( )

| ( )|

merupakan perumuman dari ruang

( )

( | ( )|

( ))

sehingga
.

, sebab jika dipilih

, maka

( ))

4. Keterbatasan Operator Integral Fraksional di Ruang Metrik


Untuk membuktikan keterbatasan operator integral fraksional diperlukan operator
maksimal yang didefinisikan sebagai
( )

( )

Jurnal Matematika 2013


87

| ( )|

( )

dengan
merupakan sebarang bola buka yang memuat
. Keterbatasan operator
maksimal di ( ) dengan adalah Ruang Metrik akan diberikan pada teorema berikut
Teorema 4.1. Jika

dan

maka terdapat konstanta

( )

sehingga

( )
(Duoandikoetxea, 2001, hal. 43)

Dalam pembuktian keterbatasan operator integral


ketaksamaan Hedberg yang diberikan dalam teorema berikut
Teorema 4.2. Ketaksamaan Hedberg. Jika
sehingga
( )

fraksional

juga

dibutuhkan

maka terdapat konstanta

( )

.
(Duoandikoetxea, 2001, hal. 89)

Dalam pembuktiannya juga digunakan ketaksamaan Hlder dan ketaksamaan Minskowski.


5. Hasil dan Pembahasan
Dalam pembuktian keterbatasan operator integral fraksional pada Ruang Morey Klasik
dibutuhkan teorema berikut yang selanjutnya digunakan untuk membuktikan keterbatasan
operator integral
pada Ruang Lebesgue dan akan diperumum menjadi Ruang Morrey
Klasik.
Teorema 5.1. (Ketaksamaan Hedberg). Jika

( )
( )
.
( )
( )
( )
Bukti : Misalkan
( )
( )

( ) dan

( )
(

Berdasarkan fakta bahwa


| ( )|

| ( )|
(

( )

dengan

diperoleh

( )

( )|

( ).

) dan

( )

( )

maka |

dan

)
(

| ( )|

| ( )|

( )

( )

( )

( )

( ),
Oleh karena itu,

| ( )|
( ).
Selanjutnya berdasarkan fakta bahwa
ketaksamaan Hlder diperoleh
| ( )|

( (

( (

),
| ( )|

| ( )|

| ( )|

( )

( )

( )) ( (

( )) (

(5.1)
, dan dengan menggunakan

( ))

( )

Oleh karena itu,


|
Dengan dipilih

( )|
( )
( )

diperoleh

Jurnal Matematika 2013


88

( ).

(5.2)

( )|

( )
( )

( )

( )

sehingga

| ( )|

( )
Teorema 5.2. (Teorema H-L-S). Misalkan

( )

( )

( )

.
dan

,
(5.3)
, maka

. Jika

terbatas dari
ke .
Bukti : Berdasarkan Teorema 4.1 dan fakta bahwa

, dan dengan memangkatkan

kedua ruas persamaan (5.3) diperoleh

( )

( |

( )
Oleh karena itu,

( )|

( ))
( )

( ))

ke

( )

( )|

( ).

( ).
, dan

. Jika

maka

( )

( ) dengan

dan

berdasarkan

( ))
( )|

( ))

). Misalkan

( |
( )

( ))

( )

( )|

( )

( )|

), dan

( )

( )) .

. Karena

( | ( )|

dan

(
(

)|

Berdasarkan fakta bahwa


( )

( ))

Diambil sebarang bola (

( )

( )

( )
( )
Bukti : Misalkan
Ketaksamaan Minkowski maka
(

( )

( )

Teorema 5.3. Misalkan


terbatas dari

( ))
, maka

diperoleh

( ))

( |

( )|

( ))

( )

( | ( )|

( ))

( ).

( ))

( ).

( )

Oleh karena itu,


(

( )

( )|
(

Selanjutnya diambil sebarang


( |

( )|

Berdasarkan fakta bahwa


(

( )

) dan

( )

( )

dan

( )|

. Karena

( ) (

( ))

| ( )|

( ))
.

diperoleh
( |
( )

89

( )

, maka

( ))

Jurnal Matematika 2013

(5.4)

( )|

( ))

( | ( )|

( ))

( ) .

( )

Oleh karena itu,


(

( )

( )|

( ))

( ).

(5.5)

Dengan menggabungkan persamaan (5.4) dan (5.5) dengan pertidaksamaan


(

( )

( )|

( ))

( )

Oleh karena itu,

( )

( )|

( ))

( ).

( )

( )

( )

( )|

( ))

( ).

Selanjutnya dibahas tentang keterbatasan di Ruang Morey Klasik atas Ruang Metrik.
Dalam pembuktian keterbatasan operator integral fraksional
pada Ruang Morey Klasik
dibutuhkan teorema berikut yang selanjutnya digunakan untuk membuktikan keterbatasan
operator integral
pada Ruang Lebesgue dan akan diperumum menjadi Ruang Morrey
Klasik.
Teorema 5.4. Misalkan
|

( )|

( )

( )

))

( (

( (
)

))

( )

( )|

( )

( )|

( )

maka

( )

( ).

( )

( )

( )

( )

( )

( )

(
( )

( )

.
)

( )

(5.6)
)
sehingga (

dan

dan dengan menggunakan ketaksamaan Hlder diperoleh


|

))
)

| ( )|

( )
( )

))

| ( )|

Selanjutnya berdasarkan fakta bahwa

sehingga

( )

( (
(

Oleh karena itu,

( )

( )

( ) dengan
( (

) dan

( )

( )

( )

( ) dan

( )

Berdasarkan fakta bahwa


diperoleh
|

( ) .

( )

Bukti: Misalkan

. Jika

dan

( )|
(

( (

( )

( (
(

( )

( )

( )

| ( )|

( )
( ))

( )

( )|
( )
( )

( )

(5.7)

dan berdasarkan fakta bahwa

diperoleh
|

( )|

( )

Dengan memilih

))
)

( )) ( (

Oleh karena itu,


|

| ( )|

( )

( )

Jurnal Matematika 2013


90

( )

( )

( )

( )
(

( )

( )

( )

( )

( )

( ))

( )

( )

( )

( )
( )

( )

( )

( ),

sehingga
( )|

( )

( ) .

(5.8)
(

( )

Teorema 5.5. Misalkan


dan
. Jika
maka
terbatas dari
ke didefinisikan sebagai
( )

( ).

Bukti: Dengan menggunakan Teorema 2.4. dan apabila kedua ruas pada persamaan (5.8)
dipangkatkan diperoleh
( )

( |

( )|

( )

( ))
( )

( )

( ))

( )

( ))

( ).

Oleh karena itu,


( )

Teorema 5.6. Misalkan

( )

|
(

( )|

( )

( )

dan

. Jika
( ).
( ) dengan

dan

( )

berdasarkan

( ))
( )|

( ))

Diambil sebarang ( ). Misalkan


berdasarkan fakta bahwa
diperoleh
(

( ).

dan

( )
, maka

( )
( )
Bukti : Misalkan
Ketaksamaan Minkowski maka
(

( )|

( )

) dan

( ))

( )|

( )) .

. Karena

( |

( )|

dan

( ))

( )

( | ( )|

( ))

( ).

( )|

( ))

( ).

( )

Oleh karena itu,


(

( )

(
Selanjutnya diambil sebarang
berdasarkan fakta bahwa
diperoleh
(

( )

( )|

) dan

( ))

. Karena

( |

( )|

( )

( | ( )|
( )

Oleh karena itu,

Jurnal Matematika 2013


91

( ))

(5.9)

( ).

( ))

dan

( )

( )|

( ))

( ).

(5.10)

Dengan menggabungkan persamaan (5.9) dan (5.10) dengan pertidaksamaan


(

( )

( )|

( ))

( )

( )

( )|

( ))

( )

( )

( )|

( ))

( ).

Oleh karena itu,


( )

( ).

6. Kesimpulan
Dari hasil pembahasan diperoleh kesimpulan bahwa
sedangkan

terbatas dari

ke

dan

jika

terbatas dari
(

( )

ke

jika

7. Daftar Pustaka
Adams, D. R. 1975. A Note on Riesz Potentials. Duke Math.J. 42(4), hal 765-778.
Bartle, R. G. 1966 The Elementsof Integration. John Wiley and Sons Inc., New York.
Brown, A. L. Dan Page, A. 1970. Elements of Functional Analysis. Van Nostrand Reinhold
Company, London.
Chiarenza, F. dan Frasca, M. 1997. Morrey Spaces and Hardy Littlewood Maximal
Functional. Rend. Mat. 7, hal 273-279.
Duoandikoetxea, J. 2001. Fourier Analysis. American Mathematical Society : Providence,
Rhode Island.
Eridani, Kokilashvili, V., dan Meskhi, A. 2009. Morrey Spaces and Fractional Integral
Operators. Expo.Math. 27(3), hal 227-239.
Evans, L. 1998. Partial Differential Equations. Graduate Studies in Math. 19, AMS.
Providence, Rhode Island.
Folland, G. B. 1999. Real Analysis, Modern Techniques and Teir Applications. Second
Edition. John Wiley and Sons Inc., New York.
Gunawan, H. Dan Eridani. 2009. Fractional Integral and Generalized Olsen Inequalities.
KYUNGPOOK Math. Journal 49, hal 31=39.
Kokilashvili, V. dan Meskhi, A. 2005. On Some Weighted Inequalities for Fractional
Integrals on Nonhomogeneous Spaces. Journal for Analysis and its Applications
24(4), hal 871-885.
Nakai, E. 1994. Hardy-Littlewood Maximal Operator, Singular Integral Operators and the
Riesz Potensials on Generalized Morrey Spaces. Math. Nacr. 166, hal 95-103.
Nakai, E. 2007. Recent Topics of Fractional Integrals. Sugaku Expositions Volume 20,
Number 2, hal 215-235.
Peetre, J. 1969. On the Teory of
Space. J. Func. Anal. 4, hal 71-87.
Royden, H. L. Dan Fitzpatrick, P. M. 2010. Real Analysis, Fourth Edition. China Machine
Press : China.
Utoyo, M.I. 2013. Disertasi : Karakterisasi Keterbatasan Operator Integral Fraksional di
Ruang Morrey. Universitas Airlangga : Surabaya.

Jurnal Matematika 2013


92

ANALISIS MODEL PREDATOR-PREY DENGAN PEMANENAN SEBAGAI VARIABEL


KONTROL PADA PENANGKAPAN IKAN DENGAN AREA KONSERVASI
Titik Didayanti, Fatmawati, Miswanto
titik.didayanti@ymail.com
Departemen Matematika
Fakultas Sains dan Teknologi
Universitas Airlangga
Abstract. The activities of overfishing there is often we problem that caused reduced fish
populations and even extinction. Therefore, do some protection efforts fish from overfishing, by the
holding of the conservation area. This effort is expected to maintain fish populations from extinction
and increase the sustainability of marine ecosystems. Accordingly, in this thesis discussed the
predator-prey models with harvesting as a control variable in fishing conservation area.
Mathematical modelling of the predator-prey that describes the fishery resources in the sea divided
into three compartments, that is prey in the free area (x), prey on the conservation area (y), and
predators (z). Based on the results of analysis predator-prey models with constant harvesting there
are three equilibria, namely is the extinction equilibrium populations (0 ), the predator free
equilibrium (1 ), and three populations coexist equilibrium (2 ). We futher analyzed the stability
of the equilibria. By using the Pontryagin Maximum Principle we derive the existence of the optimal
control of the effort harvesting. The numerical simulations is given to illustrate the optimal control
strategy. The simulation results show that the optimal harvesting effort effectively to maximize
results and minimize costs in the harvesting effort, while increasing value of revenues.
Keywords :

Predator-prey model, Harvesting, Conservation zone, Asimtomatis stability,


Optimal control.

1. Pendahuluan
Seiring pertumbuhan jumlah populasi manusia, kebutuhan untuk konsumsi ikan semakin
besar dan menyebabkan eksploitasi sumber daya ikan meningkat. Kemajuan teknologi saat ini juga
berpengaruh pada menurunnya populasi ikan. Hal ini karena kegiatan penangkapan ikan yang
berlebihan (overfishing) sering kali terdapat masalah yang menyebabkan populasi ikan berkurang
bahkan mengalami kepunahan (Yunfei, 2013). Penangkapan ikan secara berlebihan dan dengan cara
panen yang tidak diatur dapat berdampak pada penurunan produksi ikan dan mengancam kelestarian
ekosistem laut. Oleh karena itu, dilakukan suatu upaya perlindungan ikan dari penangkapan berlebih
(overfishing), yakni dengan diadakannya area konservasi. Upaya ini diharapkan dapat menjaga
populasi ikan dari ancaman kepunahan dan meningkatkan kelestarian ekosistem laut (Yunfei, 2013).
Ilmu matematika memberikan peranan penting untuk memahami dinamika populasi
predator-prey dengan pemanenan dan menentukan strategi yang tepat untuk pengoptimalan
pemanenan tersebut menggunakan model matematika. Dinamika atau perilaku model dapat diamati
dari kestabilan titik setimbang model. Sedangkan untuk pengoptimalan pemanenan diketahui
dengan menyelesaikan sistem menggunakan Prinsip Maksimum Pontryagin. Hal ini menunjukkan
model matematika mempunyai peranan penting dalam analisis kestabilan titik setimbang dan
optimal kontrol pemanenan model predator-prey dengan pemanenan. Pada model predator-prey
dengan pemanenan terbagi menjai tiga populasi dalam dua area berbeda. Populasi prey di area bebas
dan ada pula populasi prey di area konservasi, sedangkan populasi predator hanya terdapat di area
bebas.
Berdasarkan uraian tersebut, penulis tertarik untuk mengkaji model matematika yang terkait
dengan model perikanan dengan area konservasi. Materi yang dibahas bukan sesuatu yang baru
tetapi diambil dari jurnal yang berjudul A prey-predator model with harvesting for fishery resource
with reserve area: Applied Mathematical Modelling, yang ditulis oleh Yunfei Lv, dkk (2013).
Selanjutnya penulis akan mengkaji ulang model, kestabilan lokal dan optimal kontrol pemanenan
dari model tersebut.

Jurnal Matematika 2013


93

2. Analisis Kestabilan
Untuk menganalisis kestabilan dari suatu model matematika yang berbentuk nonlinier, maka
langkah awal yang dilakukan adalah mencari titik setimbang dari model tersebut. titik setimbang

dapat diperoleh dengan menggunakan ( ) = 0 dengan adalah titik setimbang dan () =

adalah persamaan diferensial yang autonomous (Olsder, 2003). Setelah didapatkan titik setimbang,
selanjutnya dilakukan analisis kestabilan. Berikut diberikan beberapa definisi dan teorema yang
berhubungan dengan analisis kestabilan sistem linier:
Definisi 3.1 Matriks Jacobian adalah matriks yang elemen-elemennya merupakan turunan parsial
pertama dari beberapa fungsi. Jika pada 3 terdapat persamaan-persamaan:

= (, . )

= (, , )

= (, , )

sehingga bentuk matriks Jacobian yang berukuran 3 3 adalah:

Teorema 3.1 Sistem

()

(Zill dan Cullen, 2009)


= () stabil asimtotis jika hanya jika semua nilai eigen dari A, yakni

() mempunyai bagian real negatif dan dinotasikan sebagai ( ()) < 0.


(Zill and Cullen, 2009)
Pada permasalahan tertentu tanda bagian real dari nilai eigen tidak mudah ditentukan. Oleh
karena itu, perlu digunakan metode lain untuk menentukan tanda bagian real dari nilai eigen .
Untuk matriks yang berukuran tanda bagian real dari nilai eigen dapat ditentukan dengan
menggunakan kriteria Routh-Hurwitz, yaitu suatu metode untuk menunjukkan bahwa nilai eigen
bernilai negatif atau mempunyai bagian real yang negatif dengan memperhatikan koefisien dari
persamaan karakteristik tanpa menghitung akar-akar karakteristik secara langsung.
Misalkan diberikan persamaan karakteriktik yang berbentuk:
+ 1 1 + + 1 + = 0
(4)
dengan adalah koefisien yang merupakan bilangan real, = 1,2, , .
Dari persamaan karakteristik (4) tersebut, dapat diperoleh matriks Hurwitz ( ) yang
didefinisikan sebagai berikut:
1 = (1 ),
1
3
5

(21

dan =

1
2
4

22
1
3
5

( 21

0
1
3

23

1
2
4

22

0
1
2

0
1
2

24
0
1
3

3 4

23 24

2 = ( 1
3
0
0
0

1
),
2

1
3 = (3
5

1
2
4

0
1 )
3

untuk (gasal),

0
0
0

untuk (genap),

,
dengan = {
.
0, >
Teorema 3.2 (Kriteria Routh-Hurwitz) Akar-akar dari persamaan (4) bernilai negatif atau
mempunyai bagian real negatif jika dan hanya jika det ( ) > 0, = 1,2, , .
(Merkin, 1997)

Jurnal Matematika 2013


94

3. Kontrol Optimal
Dalam menyelesaikan permasalahan kontrol optimal, salah satu metode yang dapat
digunakan adalah Prinsip Maksimum Pontryagin. Prinsip Maksimum Pontryagin merupakan suatu
kondisi sehingga dapat diperoleh penyelesaian kontrol optimal yang sesuai dengan tujuan
(memaksimalkan indeks performansi). Prosedur menyelesaikan masalah kontrol optimal dengan
menggunakan Prinsip Maksimum Pontryagin adalah sebagai berikut:
Diberikan persamaan state:
= ((), (), )
(5)
dengan () , () dan indeks performansi:

= (( ), ) + ((), (), )
(6)
0

dengan nilai kondisi batas (0 ) = 0 dan diberikan, dan ( ) = bebas.


Syarat cukup untuk memaksimalkan indeks performansi adalah mengkonversi persamaan
(5) dan (6) ke dalam masalah memaksimalkan fungsi Hamiltonian. Untuk mendapatkan syarat
tersebut dilakukan langkah-langkah sebagai berikut:
1) Bentuk fungsi Hamiltonian yaitu kombinasi fungsi dari suatu masalah (((), (), )) dan
perkalian fungsi subyek berbentuk persamaan diferensial (((), (), ) dengan suatu faktor
pengali yang dinamakan pengali Lagrange (). Berikut bentuk fungsi Hamiltonian:
((), (), (), ) = ((), (), ) + ()((), (), ).
2) Maksimumkan H terhadap semua vektor kontrol () sehingga diperoleh kondisi stasioner
sebagai berikut:

( ) = 0 sehingga diperoleh () = ( (), (), ).

3) Gunakan hasil dari Langkah 2) ke dalam Langkah 1), sehingga diperoleh optimal yang
dinotasikan dengan .
( (), (), (), ) = ( (), (), ).
4) Selesaikan sekumpulan 2 persamaan yaitu persamaan state dan persamaan co-state seperti
berikut:
i.
Persamaan state yaitu persamaan kendala pada model

() = ( ) dengan diberikan nilai (0 ) = 0 .

ii.

Persamaan co-state atau persamaan adjoint () yang terkait dengan kendala akumulasi dari
variable keadaan.

() = ( ) dengan diberikan nilai ( ) = ( )| .

5) Untuk memperoleh kontrol yang optimal, substitusikan solusi () dan () dari Langkah 4)
ke dalam kendali optimal () pada Langkah 2).
(Naidu, 2002)
4. Hasil dan Pembahasan
Berikut adalah model predator-prey dengan pemanenan pada penangkapan ikan dengan area
konservasi, dengan laju pemanenan konstan:

= (1 ) 1 + 2

= (1 ) + 1 2
1

(1)
(2)

=
2
(3)
+
Persamaan (1) merepresentasikan laju perubahan populasi prey di area bebas sepanjang
waktu. Parameter menyatakan laju pertumbuhan prey yang berupa model logistik karena
dipengaruhi oleh besarnya daya tampung lingkungan (). Populasi bertambah karena adanya
emigrasi (2 ) prey dari area konservasi dan akan berkurang karena imigrasi (1 ) prey dari area
bebas, pemanenan atau penangkapan () prey oleh manusia, serta karena adanya interaksi (predasi)
dengan predator.
Persamaan (2) menyatakan laju perubahan populasi prey di area konservasi sepanjang waktu.
Pertambahan populasi terjadi dengan adanya laju pertumbuhan dinotasikan dengan yang
merupakan pertumbuhan logistik, dan imigrasi prey dari area bebas. Sedangkan berkurangnya
karena emigrasi prey dari area konservasi.

Jurnal Matematika 2013


95

Persamaan (3) merupakan laju perubahan populasi predator. Populasi predator akan
bertambah dari hasil interaksinya dengan prey. Berkurangnya karena kematian alami dari predator
dan pemanenan atau penangkapan predator yang dilakukan oleh manusia.
Ada beberapa asumsi yang digunakan dalam model yaitu:
1. Populasi prey bersifat terbuka artinya ada perpindahan dari satu tempat ke tempat yang lain.
2. Populasi predator selalu hidup dan berada di area bebas tangkap, dan mendapatkan mangsa dari
area tersebut.
3. Kematian alami individu prey diasumsikan sangat sedikit, sehingga laju kematiannya diabaikan.
Notasi tersebut menyatakan jumlah individu dalam populasi tertentu, sehingga diasumsikan
, , 0. Selain itu, parameter-parameter lain juga diasumsikan bernilai positif. Dalam penelitian
ini, jika tidak ada emigrasi populasi ikan dari area konservasi ke area bebas (2 = 0) dan 1

1 < 0 maka < 0. Demikian pula, jika tidak ada imigrasi populasi ikan dari area bebas ke area

konservasi (1 = 0) dan 2 < 0 maka


< 0. Dapat dilihat juga bahwa ketika 1 < maka

akan selalu negatif. Oleh karena , , menyatakan laju perubahan populasi, maka diasumsikan

bahwa 1 1 > 0, 2 > 0, dan 1 > .
Model predator-prey dengan pemanenan mempunyai tiga titik setimbang yaitu Titik
setimbang kepunahan populasi 0 = (0,0,0), titik setimbang kepunahan predator 1 = (1 , 1 , 0),
dan titik setimbang ketiga populasi hidup berdampingan 2 = (2 , 2 , 2 ), dengan
= 1 1
= 2
1

1 = 3
6

1 =

14 2 2
1
3 2 3

2
36 3 3 2 2
1
3

2
3

2
3

22
1

2 3
2

[( 2 + 28 2 43 122 + 6 2 3 + 63 1 +
2

6 1 ) ( 2 3 + 28 2 2 43 122 )]

72 2 (2 2 )
3
4 2 2 2

643

1 = ( 2)3 +
2

( 4 )2

= 2
= + 2

2 =

108 22 (1 2 )

2
36 3 2 (1 2 )
( 2 )2

+
+

4096 3 3

+ 123

1
3
729 4 22 2 (1 2 )2

( 2 )2

512 5 3 2 (1 2 )
5

2 =

1
+()2 +
1

2 = (

1 )1

2 (1 )(+()2 +

41
)
1

)(

21

(1 +22 )
1

). Titik setimbang 1 eksis jika

> 0 dan 1 > 0. Hal ini dikarenakan jumlah populasi ikan tidak mungkin bernilai negatif
ataupun bernilai bilangan kompleks.
Selanjutnya akan dianalisis kestabilan pada setiap titik setimbang tersebut dengan
menggunakan kriteria nilai eigen dan Routh-Hurwitz. Untuk titik setimbang 0 didapatkan matriks
Jacobian,
0 = (

1 1
1
0

2
2
0

0
0
).
2

0 merupakan hasil linierisasi dari model predator-prey dengan pemanenan pada Titik setimbang
0 . Dari matriks Jacobian tersebut, dengan menggunakan det( 0 ) = 0, diperoleh persamaan
karakteristik
( 2 )[2 ( 1 1 + 2 ) + (( 1 1 )( 2 ) 1 2 )] = 0.
Berdasarkan kriteria nilai eigen, syarat agar titik setimbang stabil asimtotis adalah bagian real dari
nilai eigen bernilai negatif. Titik setimbang 0 stabil asimtotis jika dan hanya jika 1 > 0 dan 2 >
0, dengan 1 = ( 1 1 + 2 ) dan 2 = (( 1 1 )( 2 ) 1 2 ).
Untuk titik setimbang 1 didapatkan matriks Jacobian,

Jurnal Matematika 2013


96


1 =

2
1 1
1

2
2
1

1 1
+ 1
0

1 1
2
+ 1
)

Dari matriks Jacobian di atas, diperoleh persamaan karakteristik melalui (1 ) = 0, yaitu


(

1 1
+1

2 ) [2 + ( +

21

21

) + ((

21

) (

21

) 1 2 )] = 0.

Titik setimbang 1 stabil asimtotis jika dan hanya jika 1 > 0 dan 2 > 0, dengan
1 = ( +

21

21

) dan 2 = ((

21

) (

21

) 1 2 ).

Untuk titik setimbang 2 didapatkan matriks Jacobian,

22
1 2
1
1
( + 2 )2

2 =

1 2
( + 2 )2

2
22
2

1 2
+ 2
0

1 2

+ 2
)

Dari matriks Jacobian tersebut, melalui (2 ) = 0 diperoleh persamaan karakteristik yang


rumit. Oleh karena itu, penentuan kestabilan dari titik setimbang 2 dilakukan secara numerik. Hal
ini dilakukan dengan melakukan simulasi menggunakan software Maple dengan parameter yang
diketahui. Berikut adalah parameter yang akan digunakan:
Tabel 1 Nilai Parameter Model Predator-Prey
Parameter

1 2
1
2
1
1

Nilai
5 4 40
60
0.3 1
2
2
0.1 0.2 0.94 0.9
1
Sumber : Yunfei, Lv., dkk (2013)
Tabel 2 Nilai Awal Variabel
Nilai Awal
Warna
(0)
(0)
(0)
1
35
30
20
Merah
2
30
25
15
Biru
3
25
30
25
Hijau
Berdasarkan nilai parameter dan nilai awal pada Tabel 1 dan Tabel 2 diperoleh titik setimbang ketiga
populasi hidup berdampingan (2 ), yaitu: 2 = (1.25 ; 31.20185175 ; 126.0639402). Berikut ini
hasil simulasi antara populasi prey di area bebas dengan populasi predator, hasil simulasi
menggunakan bidang fase:

Gambar 1 Grafik Bidang Fase Model Predator-Prey


Pada Gambar 1 di atas terlihat bahwa dari ketiga nilai awal yang diberikan, semuanya
mengarah ke titik setimbang 2 . Dengan demikian, secara numerik titik setimbang ketiga populasi
hidup berdampingan 2 = (, , ) = (2 , 2 , 2 ) pada model predator-prey dengan pemanenan
pada penangkapan ikan dengan area konservasi cenderung stabil asimtotis jika 1 > 0, 2 > 0, 3 >
0, dan 1 2 3 > 0.
Selanjutnya akan ditinjau untuk kasus dengan usaha pemanenan yang bergantung terhadap
waktu (), sehingga diasumsikan laju pemanenan () sebagai variabel kontrol dari model berikut:

= (1 ) 1 + 2

Jurnal Matematika 2013


97

1 ()

= (1 ) + 1 2

(7)

=
2 ().
+
Untuk mendapatkan pemanenan yang optimal akan diterapkan metode kontrol optimal
dengan menggunakan Prinsip Maksimum Pontryagin. Dengan demikian dapat diperoleh hasil
pemanenan optimal tetapi populasi ikan di area bebas tidak punah. Indeks performansi (fungsi
tujuan) dari model predator-prey dengan pemanenan pada penangkapan ikan dengan area
konservasi dapat didefinisikan sebagai berikut:

= 0 (1 1 () + 2 2 () ()2 ) .
(8)
2
Persamaan (8) merepresentasikan tujuan optimal kontrol untuk memaksimalkan fungsi
sehingga diperoleh pemanenan yang optimal. Parameter 1 dan 2 masing-masing merupakan
konstanta harga per satuan ikan prey dan predator yang tertangkap. Sedangkan parameter
merupakan biaya pemanenan atau penangkapan tiap satuan usaha.
Berdasarkan Prinsip Maksimum Pontryagin, langkah pertama yang harus dilakukan yaitu
membentuk fungsi Hamiltonian. Berikut merupakan bentuk fungsi Hamiltonian pada model
predator-prey dengan pemanenan:

(1 ) 1 + 2
1

(, , , ) = (1 1 () + 2 2 () () ) + (1
2

3 )

(1 ) + 1 2

2 ()

+
(
1

= 1 1 () + 2 2 () ()2 + 1 ( (1 ) 1 + 2
2

2 ( (1 ) + 1 2 ) + 3 (

1
+

1 ()

1
+

)
1 ()) +

2 ()).

(9)
Langkah selanjutnya untuk mendapatkan kondisi optimal dari fungsi Hamiltonian
(, , , ) terhadap vektor kontrol () sehingga diperoleh kondisi stasioner sebagai berikut:

=0

1 1 + 2 2 1 1 3 2 = 0
= 1 (1 1 ) + 2 (2 3 )
( )+ ( )

= 1 1 1 2 2 3 .
(10)

Karena batas nilai adalah 0 1 sehingga terdapat beberapa kemungkinan nilai , yaitu:
0,
=

jika

1 (1 1 )+2 (2 3 )

jika

1 (1 1 )+2 (2 3 )

0<

1 (1 1 )+2 (2 3 )

1 (1 1 )+2 (2 3 )

< 1.

(11)

1,
jika
1
{

Dengan demikian dari beberapa kemungkinan tersebut, maka nilai kontrol optimal adalah
( )+ ( )

= ( (0, 1 1 1 2 2 3 ) , 1).

Selanjutnya, karena bentuk kontrol optimal masih mengandung variabel state yaitu dan
, sehingga persamaan state tersebut perlu diselesaikan. Berikut persamaan state yang diperoleh:
=
=
=

= (1 ) 1 + 2

1 ()

= (1 ) + 1 2
=

1
+

2 ().

Namun, selain variabel state pada kontrol optimal juga terdapat variabel co-state yaitu 1 dan 3 ,
maka dari itu persamaan co-state perlu diselesaikan sehingga diperoleh:
1 =
2 =
3 =

= 1 1 () 1 (
= 1 2 2 (

1
1
1 (+)
2 1 ) 2 1 3 (+)2

2 )

1
= 2 2 () + 1 (+) 3 ((+)
2 ).

Berdasarkan uraian tersebut, untuk mendapatkan nilai , dan dengan bentuk yang
optimal maka perlu menyelesaikan persamaan state dan co-state yang berbentuk persamaan tak
linier. Sistem persamaan tak linier sangat sulit untuk diselesaikan secara analitik, oleh karena itu
dilakukan pendekatan secara numerik untuk menyelesaikan persamaan tak linier tersebut.

Jurnal Matematika 2013


98

5. Simulasi Numerik
1) Simulasi Dinamika Populasi Ikan dengan Pemanenan Konstan
laju perubahan populasi
180
X(t)
Y(t)
Z(t)

160
140

jumlah populasi

120
100
80
60
40
20
0

10

20

30

40

50
t waktu

60

70

80

90

100

Gambar 2 Dinamika Populasi Ikan dengan Pemanenan Konstan


Gambar 2 di atas menyatakan bahwa populasi predator (warna hijau) akan selalu lebih
banyak dari populasi prey di area bebas (warna merah) dan populasi prey di area konservasi (warna
biru). Meskipun populasi predator selalu lebih banyak dari populasi prey, populasi prey tidak punah
karena terjaga dengan adanya populasi prey di area konservasi. Dari Gambar 2 tersebut dapat
diketahui bahwa ketiga populasi akan hidup berdampingan dan tidak mengalami perubahan secara
signifikan pada saat hari ke-10 dan seterusnya.
2) Simulasi Dinamika Populasi Ikan dengan Kontrol Optimal Pemanenan
Berikut merupakan hasil simulasi dari efektivitas optimal kontrol pemanenan () dan tanpa
kontrol, populasi prey di area bebas, prey di area konservasi, dan predator berturut-turut.
ma x J0=37710.52928978 [FMINCON: 1e -010; CVODEs: 1e -012; N=10; MATLAB]
40
dengan kontrol
tanpa kontrol

X(t) populasi prey di area bebas

35
30
25
20
15
10
5
0

10

20

30

40

50
t waktu

60

70

80

90

100

Gambar 3 Populasi Prey di Area Bebas Dengan dan Tanpa Kontrol Pemanenan
max J0=37710.52928978 [FMINCON: 1e-010; CVODEs: 1e-012; N=10; MATLAB]
55

Y(t) populasi prey di area konservasi

dengan kontrol
tanpa kontrol
50

45

40

35

30

25

10

20

30

40

50
t waktu

60

70

80

90

100

Gambar 4 Populasi Prey di Area Konservasi Dengan dan Tanpa Kontrol Pemanenan

Jurnal Matematika 2013


99

ma x J0=37710.52928978 [FMINCON: 1e -010; CVODEs: 1e -012; N=10; MATLAB]


200
dengan kontrol
tanpa kontrol

180

Z(t) populasi predator

160
140
120
100
80
60
40
20

10

20

30

40

50
t waktu

60

70

80

90

100

Gambar 5 Populasi Predator Dengan dan Tanpa Kontrol Pemanenan


Gambar 3 menunjukkan perbedaan populasi prey di area bebas tanpa kontrol pemanenan
dengan populasi prey di area bebas dengan kontrol pemanenan. Berdasarkan gambar di atas dapat
diketahui bahwa populasi prey di area bebas dengan kontrol pemanenan lebih banyak dibandingkan
dengan populasi prey di area bebas tanpa kontrol pemanenan. Populasi prey di area bebas dengan
kontrol pemanenan berhenti mengalami penurunan pada hari 5, setelah itu populasi meningkat
hingga hari ke-11 dan selanjutnya populasi bernilai konstan. Sedangkan untuk populasi prey tanpa
kontrol pemanenan lebih sedikit meskipun populasi prey tidak mengalami pemanenan disebabkan
karena populasi predator yang meningkat akibat tidak adanya pemanenan terhadap populasi
predator juga.
Gambar 4 menunjukkan perbedaan populasi prey di area konservasi tanpa kontrol pemanenan
dengan populasi prey di area konservasi dengan kontrol pemanenan. Berdasarkan grafik, dapat
diketahui bahwa populasi prey di area konservasi dengan kontrol pemanenan lebih banyak
dibandingkan dengan populasi prey di area konservasi tanpa kontrol pemanenan. Populasi prey di
area konservasi dengan kontrol pemanenan berhenti mengalami penurunan pada hari ke-8, setelah
itu populasi meningkat hingga hari ke-15 dan selanjutnya populasi bernilai konstan. Meskipun
populasi prey di area konservasi tidak mengalami pemanenan, tetapi populasi prey di area konservasi
terkait dengan populasi prey di area bebas. Dari sini dampak yang ada pada populasi prey di area
bebas, berpengaruh pula terhadap populasi prey di area konservasi.
Gambar 5 menyatakan perbedaan populasi predator dengan kontrol pemanenan lebih sedikit
daripada populasi predator tanpa kontrol pemanenan. Populasi predator tanpa kontrol pemanenan
lebih banyak dikarenakan populasi predator tidak mengalami pemanenan sehingga populasi terus
mengalami peningkatan. Akan tetapi, hal tersebut berdampak pada penurunan populasi prey di area
bebas. Sedangkan untuk populasi predator dengan kontrol pemanenan pada awal waktu mengalami
peningkatan hingga hari ke-5, kemudian menurun hingga hari ke-15. Selanjutnya populasi bersifat
konstan hingga hari ke-90, kemudian mengalami penurunan kembali. Perbedaan antara populasi
predator tanpa dan dengan kontrol pemanenan sangat signifikan, hal ini dikarenakan pada
pembahasan ini predator merupakan ikan besar sehingga tingkat pemanenannya lebih besar
dibandingkan dengan populasi prey yang merupakan ikan yang lebih kecil.
7. Kesimpulan
1) Berdasarkan hasil analisis kestabilan titik kesetimbangan dari model predator-prey dengan
pemanenan pada penangkapan ikan dengan area konservasi, terdapat tiga titik setimbang yang
diperoleh antara lain:
a. Titik setimbang kepunahan populasi adalah 0 = (, , ) = (0,0,0). Titik setimbang 0
stabil asimtotis jika dan hanya jika 1 > 0 dan 2 > 0, dengan 1 = ( 1 1 +
2 ) dan 2 = (( 1 1 )( 2 ) 1 2 ).
b. Titik setimbang kepunahan predator adalah 1 = (, , ) = (1 , 1 , 0), dengan
1

1 = 3
6

1 =

14 2 2
1
3 2 3

1
2
36 3 3 2 2
1
3

2
3

2
3

22
1

2 3
2

[( 2 + 28 2 43 122 + 6 2 3 +
1

6 1 + 63 1 ) ( 2 3 + 28 2 2 43 122 )]
= 1 1

Jurnal Matematika 2013


100

= 2
=

72 2 (2 2 )
643

3
4 2 2 2

1 = ( 2)3 +

108 22 (1 2 )

2
36 3 2 (1 2 )

( 4 )2
512 5 3 2 (1 2 )

( 2 )2

+
+

4096 3 3

+ 123

1
3
729 4 22 2 (1 2 )2

( 2 )2

= 2 2 2 . Titik setimbang 1 = (, , ) = (1 , 1 , 0) stabil asimtotis jika


dan hanya jika 1 > 0 dan 2 > 0, dengan 1 = ( +
2 = ((
c.

21

) (

21

21

21

) dan

) 1 2 ).

Titik setimbang ketiga spesies hidup berdampingan yaitu 2 = (, , ) = (2 , 2 , 2 ),


dengan

2 =
1

2 =

1
+()2 +
1

2 = (

1 )1

2 (1 )(+()2 +
21

41
)
1

)(

(1 +22 )
1

= 1 1
= 2
= + 2 . Kestabilan titik setimbang 2 secara numerik, cenderung stabil asimtotis
jika 1 > 0, 2 > 0, 3 > 0, dan 1 2 3 > 0.
2) Berdasarkan analisis usaha pemanenan yang optimal untuk model predator-prey dengan
pemanenan pada penangkapan ikan dengan area konservasi, didapatkan usaha pemanenan yang
( )+ ( )
optimal adalah = ( (0, 1 1 1 2 2 3 ) , 1). Berdasarkan simulasi numerik

yang dilakukan, diperoleh hasil kontrol optimal pemanenan yang dapat memaksimalkan hasil
pemanenan dan meminimalkan biaya dalam usaha pemanenan, sekaligus dapat memaksimalkan
pendapatan adalah antara 0.77 dan 0.95 atau dapat diartikan usaha optimal sebesar 77% hingga
95%.
8. Daftar Pustaka
Arjudin, 2003, Penyelesaian Umum Persamaan Kubik dalam Pengajaran Matematika, Jurnal Ilmu
Pendidikan, No.55 Tahun XV, hal.1145-1157.
Merkin, D.R., 1997, Introduction to the Theory of Stability, Springer, New York.
Naidu D.S., 2002, Optimal Control System, CRC Press, New York.
Olsder, G.J., 2003, Mathematical System Theory, Delft, The Natherland.
Yunfei, Lv., dkk., 2013, A Predator-Prey Model with Harvesting for Fishery Resource with Reserve
Area, Applied Mathematical Modelling vol. 37, 3048-3062, Elsevier.
Zill, D. G. and Cullen, M. R., 2009, Differential Equation with Boundary Value Problem Fourth
Edition, An International Tomsons Publishing Company, USA.

Jurnal Matematika 2013


101