Materi MDS Micmac Webinar2020 Tatan
Materi MDS Micmac Webinar2020 Tatan
http://www.rapfish.org/evaluation-fields-
attributes/time-tracker
SCORE 0-10 : Bad – Good
CONTOH KASUS #1
Subjek variabel ordinasi “SAMPAH”:
1. TPA “X”
2. TPA “Y”
FISHERIES: Lokasi, Komoditi, atau Subjek lainnya
3. TPA “Z”
Default
KASUS #2
Hasil Ordinasi Kab/Kota Ke-n MDS RapPEL
Prosedur ini dilakukan utk setiap aspek/
dimensi PEL (Pengembangan Ekonomi
Lokal) lainnya, shg seluruh aspek PEL akan
diketahui indeks status dan faktor
pengungkitnya dari masing2 aspek PEL.
Hasil analisis Rapfish thdp seluruh aspek
PEL sbb:
1. Kelompok Sasaran = 62,76
2. Faktor Lokasi = 57,43
3. Kesinergian dan Fokus Kebijakan = 48,21
4. Pembangunan Berkelanjutan = 65,16
5. Tata Pemerintahan = 57,49
6. Proses Manajemen = 51,13
Variabel Atribut Pengungkit : Nilai Ekstrem
• Meskipun dilihat dari hasil ordinasi
status keberlanjutan dimensi GG
masih tergolong pd cukup
berkelanjutan (57,49), namun dlm 3,1 A
pengembangan dan pengelolaannya
diperlukan suatu kebijakan GG yang 3,7 B
mengarah pada perbaikan A & B.
• Atribut sensitif dilihat berdasarkan
nilai Root mean Square (RMS). Atribut
yg berkategori sensitif yaitu atribut yg
memiliki nilai RMS ≥ 2,5% (Ekstrem).
HASIL SKENARIO MODERAT & OPTIMIS
Contoh LoA: Nilai Ekstrem
Atribut keberlanjutan perikanan dimensi ekologi dan kriteria pemberian skor
(Abdullah et al., 2011)
Prioritized attributes to be improved (Nadiarti et al., 2012)
Prioritas Perbaikan Melalui
Intervensi Kebijakan
Attributes of Institutional Dimension
Pemodel Restra
Gambar ilustrasi jaringan variable yg langsung atau tidak berbentuk siklus (timbal balik) atau sirkuit.
Ketika system mengalami jaringan yg bersifat sirkuit, MICMAC akan melakukan perhitungan dgn
algoritma yg telah dirancang untuk melakukan perhitungan yg bersifat sirkuit.
Pengaruh, Ketergantungan dan Hirarki (2/2)
Pengisian matrik dilakukan dgn mengkuantifikasi hubungan antar variabel. Skala yg
digunakan yaitu sbb (Godet, 1994):
V1 0 3 3 3 2 2 3 3 1 3 P P
V2 2 0 3 2 2 2 3 2 1 2 P 2
V3 1 1 0 3 3 3 3 3 1 1 0 2
0 = tidak ada hubungan (non-existent) V4 3 3 2 0 2 2 2 2 1 1 0 0
1 = hubungan lemah
2 = rata-rata V5 1 1 2 0 0 2 3 3 0 1 0 2
3 = kuat V6 0 0 1 0 2 0 3 3 0 0 0 0
P = potential influence V7 2 1 2 0 3 2 0 3 0 0 0 1
(tidak bisa ditentukan dgn kepakatan)
V8 0 1 1 0 2 2 2 0 0 0 0 1
V9 2 0 0 0 0 0 0 0 0 0 2 2
V10 1 0 0 0 0 0 0 0 3 0 2 0
V11 0 2 1 2 0 0 0 0 2 2 0 0
V12 1 1 2 0 3 3 2 1 1 1 3 0
Gambar 1 Peta Variabel Keberlanjutan Menurut Pengaruh dan Ketergantungan
I II
IV III
Variabel Autonomus Variabel Output
Hasil Analisis Tabel MDI dgn software MICMAC
Hasil Pemetaan variabel sbb:
• Ada beberapa variable berada di Kuadran Akses variable
(driver variable) yaitu3 variabel ekonomi (LPE, PDRB, dan
investasi); dan 1 variabel lingkungan (kepadatan penduduk).
• Pada posisi relay: ada 2 variable ekonomi yaitu pendapatan
per kapita dan kemiskian.
• 3 variabel sosial seperti koefisien gini, pengangguran, dan
IPM berada dalam Kuadran Output variable.
• Sebagian variabel lingkungan berada dlm posisi autonomous
seperti landuse, IKLH, dan emisi
Dari Gambar 1 di atas dapat dijelaskan :
• 3 variabel ekonomi (LPE, PDRB, dan investasi) menjadi pemicu
pembangunan berkelanjutan (variabel akses (input/driver)).
• 3 variabel sosial (gini rasio, IPM, dan unemployment) menjadi
variabel terdampak (output/dependence) dari variabel lainnya.
• Kemiskinan dan pendapatan per kapita berada dlm relay
variable dimana variabel ini sangat sensitif dan sangat tidak
stabil dlm mencapai pembangunan berkelanjutan krn intervensi
apapun pada variabel ini akan berdampak pada sistem secara
keseluruhan.
• Dalam ilustrasi Gambar 1 ditemukan pula bhw variabel lingkung-
an spt: IKLH dan emisi merupakan variabel yang pengaruhnya
relatif kecil thdp sistem yang dievaluasi.
Gambar 2a “Hubungan Pengaruh Langsung dan Tidak Langsung Antarvariabel
Keberlanjutan” berikut ini menampilkan jaringan pengaruh langsung antar
variabel untuk ilustrasi data di atas. SKALA 10%
Gambar 2b “Hubungan Pengaruh Langsung dan Tidak Langsung Antarvariabel
Keberlanjutan” berikut ini menampilkan jaringan pengaruh langsung antar
variabel untuk ilustrasi data di atas. SKALA 100%
• Gambar 2a: bbrp variabel spt population density
(kepadatan penduduk), LPE, dan pedapatan perkapita
memiliki pengaruh yg kuat (garis tebal) pd variabel lainnya
(arah panah ke luar). Sementara variabel spt IPM dan
koefisien gini dipengaruhi sangat kuat oleh variabel lain
(arah panah menuju variabel tsb).
• Gambar 2b: pengaruh indirect yg sangat kuat terjadi pd
variabel LPE (laju pertumbuhan ekonomi) ke pengangguran
dan IPM (skor terbesar masing2: 618 dan 508). Hal ini
menunjukkan pengaruh LPE thdp variabel lain, scr indirect
berpengaruh besar pd pengangguran dan IPM.
• Gambar 2a : pengaruh indirect yg kuat didominasi oleh
variabel2 ekonomi dan sosial, sementara variabel
lingkungan menunjukkan pengaruh indirect yg relatif
lemah. Kasus ini hanya ilustrasi saja krn pd situasi yg
berbeda dgn hasil FGD yg berbeda akan memberikan
pengaruh yg berbeda.
• Gambar 2b : perubahan peringkat variabel berdasarkan
pengaruh (influence) dan ketergantungan (dependence).
Perubahan ini menggambarkan posisi peringkat variabel
pd kondisi awal (matriks MDI/Matrix Direct of Influence)
dan setelah dilakukan iterasi Boolean dgn MDII (Matrix
Direct and Indirect of Influence).
Gambar 3 Kelas Pengaruh dan Ketergantungan
• Gambar 3 : ada pergeseran urutan bbrp variabel. Misalnya,
variabel Koefisien gini pd matriks MDI berada pd urutan ke-8
sbg variabel yg berpengaruh, namun stlh dilakukan iterasi dgn
memperhitungkan faktor pengaruh indirect, variabel ini menjadi
urutan ke-10 (Turun). Sebaliknya, variabel lain seperti IPM yg
semula berada pd urutan ke-9 menjadi urutan ke-8 (Naik) .
• Jika dilihat dari aspek dependence (ketergantungan), 3 Variabel
utama yaitu pengangguran, IPM, dan koef. gini) konsisten
berada dlm 3 urutan besar sbg variabel dependence.
• Bbrp variabel mengalami penurunan urutan satu tingkat stlh
iterasi MDII, yaitu pdkap, emisi, investasi, dan IKLH, sementara
variabel kepadatan penduduk naik peringkat, dari urutan ke-10
menjadi urutan ke-6 stlh memperhitungkan pengaruh indirect.
Gambar 4 ini, garis terputus2
menunjukkan perubahan posisi
variabel dari posisi awal ke posisi akhir
setelah memperhitungkan pengaruh
indirect.
Pergeseran variabel2 tsb masih terjadi
dlm kuadran yg sama tapi berubah
besaran.
Sbg contoh, variabel IKLH yg semula
berada pd posisi influence dan
dependence yg positif, pd posisi akhir
berubah hanya dependence yg positif
dan pengaruhnya (influence) nol.
Demikian halnya dgn variabel
kepadatan penduduk yg bergeser
cukup tajam ke arah sumbu influence.
Displacement Map Antarvariabel dari Pengaruh Langsung ke
Tidak Langsung
TERIMA KASIH