Prosiding SENAMAS2017 Vol2

SENAMAS 2017
VOL.2
Seminar Nasional Matematika IndoMS
Wilayah Sulawesi 2017
PROSIDING
“Peranan Matematika, Statistika, Ilmu Komputer dan Pendidikan Matematika
dalam Memahami Sains, Teknologi, dan Budaya Maritim”
Makassar, 11-12 Juli 2017
EDITORIAL
Prof. Dr. Hasmawati, M.Si
Dr. Kasbawati, M.Si
Dr. Nurtiti Sunusi, M.Si
Edy Saputra, S.Si., M.Si
PENERBIT
Fakultas MIPA Universitas Hasanuddin
PROSIDING
SENAMAS 2017
Seminar Nasional Matematika IndoMS
Wilayah Sulawesi 2017
“Peranan Matematika, Statistika, Ilmu Komputer dan Pendidikan Matematika
dalam Memahami Sains, Teknologi, dan Budaya Maritim”
ISBN : 978-602-72198-6-1
REVIEWERS
Prof. Dr. Amir Kamal Amir, M.Sc (Aljabar)

Dr. Eng. Mawardi, M.Si. (Analisis)
Dr. Rina Ratianingsih M.Sc (Matematika Terapan)
Dr. Loeky Haryanto, MS., MA., M.Sc. (Kombinatorik)
Dr. Amran, M.Si (Statistika)
Dr. Hendra, M.Kom (Ilmu Komputer)
Dr. Budi Nurwahyu, M.Si. (Pendidikan Matematika)
EDITORIAL
Dr. Kasbawati, M.Si
Dr. Nurtiti Sunusi, M.Si
Edy Saputra, S.Si., M.Si
PENERBIT:
Fakultas MIPA Universitas Hasanuddin
Gedung Sains (SB) FMIPA UNHAS
Jl. Perintis Kemerdekaan km 10, Kampus Unhas Tamalanrea,
Makassar, 90245, Sulawesi Selatan, Indonesia
E-mail: ahaddade@fmipa.unhas.ac.id,
Telp/Fax: 0411586016/0411588551
ii
KATA PENGANTAR
Puji dan syukur kehadirat Tuhan Yang Maha Kuasa atas limpahan rahmat dan hidayah-
Nya sehingga prosiding Seminar Nasional Matematika IndoMS Wilayah Sulawesi 2017
(SENAMAS 2017) ini dapat terselesaikan dengan baik. Prosiding ini berisi kumpulan
makalah dari berbagai daerah di Indonesia yang telah dipresentasikan dalam SENAMAS
2017 yang diselenggarakan oleh Jurusan Matematika Universitas Hasanuddin bekerjasama
dengan Indonesian Mathematical society (IndoMS) Wilayah Sulawesi pada hari Selasa dan
Rabu, 11-12 Juli 2017. Seminar ini diberi tema “Peranan Matematika, Statistika, Ilmu
Komputer, dan Pendidikan Matematika dalam Memahami Sains, Teknologi, dan
Budaya Maritim”.
Prosiding ini disusun untuk mendokumentasikan gagasan dan hasil penelitian terkait
matematika, statistika, ilmu komputer, dan pendidikan matematika, dengan tujuan dapat
memberikan wawasan tentang pengembangan dan penerapan ilmu terkait Matematika. Selain
itu, prosiding ini juga diharapkan dapat menjadi sumber informasi tentang perkembangan
dalam pembelajaran dan upaya-upaya yang terus dilakukan demi terwujudnya pendidikan
matematika yang lebih baik. Dengan demikian, seluruh pihak yang terlibat dalam dunia
penelitian dan pendidikan matematika dapat terus termotivasi dan bersinergi untuk bekerja
sama dan berperan aktif, baik pada bidang penelitian maupun pada bidang pendidikan.
Penyelesaian prosiding ini tidak terlepas dari bantuan berbagai pihak. Untuk itu, pada
kesempatan ini panitia menyampaikan ucapan terima kasih dan memberikan penghargaan
setinggi-tingginya, kepada :
1. Rektor Universitas Hasanuddin, Prof. Dr. Dwia Aries Tina Pulubuhu, MA., yang telah
memberikan dukungan dan memfasilitasi dalam kegiatan ini.
2. Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Hasanuddin,
Dr. Eng. Amiruddin, M.Sc., atas segala support dan motivasi dalam kegiatan ini.
3. Seluruh pembicara utama: Prof. Dr. M. Wono Setia Budhi, Dr. F. P. H. Van Beckum,
Dr. Intan Muchtadi, dan Dr. Eng. Mawardi, M.Sc.
4. Bapak/Ibu reviewer yang telah meluangkan waktunya untuk mereview makalah yang
dimuat dalam prosiding ini.
5. Bapak/Ibu/Mahasiswa seluruh panitia yang telah meluangkan waktu, tenaga, serta
pemikiran demi kesuksesan acara ini.
6. Bapak/Ibu seluruh dosen, guru, dan mahasiswa penyumbang artikel hasil penelitian
dan pemikiran ilmiahnya dalam kegiatan SENAMAS 2017 ini.
Kami menyadari bahwa prosiding ini tentu saja tidak luput dari kekurangan, untuk itu kami
mengharapkan masukan atau saran demi perbaikan prosiding pada terbitan tahun yang akan
datang.
Makassar, 07 Juli 2017
Ketua Panitia
iii
DAFTAR ISI
hal
Halaman Sampul i
Balik Halaman Judul ii
Kata Pengantar iii
Daftar Isi iv-vii
ALJABAR
Relasi MacWilliams pada Kode Linier atas ℤ𝟖 + 𝐯ℤ𝟖 1-11

Sri Rosdiana - Institut Teknologi Bandung
Penyelesaian Persamaan Diophantine Matriks Ω-Stabil 293-300

Nur Erawaty-Universitas Hasanuddin
ILMU KOMPUTER
Implementasi dan Analisis Algoritma Pohon Keputusan untuk Memprediksi

12-21
Prestasi Siswa SMKN 3 Parepare
Andi Roy – Universitas Hasanuddin
Implementasi Modifikasi Algoritma Clefia-128 Bit Pada Aplikasi Secure

22-29
Chat Communication
Aprita Danang Permanam - Lembaga Sandi Negara
Penerapan Uji Saturation Point dalam Pengujian Keamanan Algoritma Block

30-38
Cipher AES dan Camellia
Aprita Danang Permanam - Lembaga Sandi Negara
Pengujian Avalanche Weight Distribution (AWD) Criterion pada Algoritma

39-47
AES
Sandromedo Christa Nugroho - Lembaga Sandi Negara
Perbandingan Algoritma Fungsi Hash Standar Internasional Berdasarkan

48-57
pada Hasil Uji Performanya
Sandromedo Christa Nugroho - Lembaga Sandi Negara
Kerangka Teori tentang Peranan Penalaran Matematika pada Pembelajaran

58-68
Algoritma Komputasi
Sulis Janu Hartati - Universitas Dr. Soetomo Surabaya
Perbaikan Citra Fundus Menggunakan Operasi Morpologi dan Filter Difusi

69-75
Anisotropik
Syaiful Anam - Universitas Brawijaya, Malang
Implementasi Algoritma Apriori Aturan Pembelajaran Keterkaitan Data

Untuk Analisa Keranjang Belanja Sistem Persediaan Obat Pada Apotek 76-85
Wahdah Farma 03 Makassar
Ulvah - Universitas Hasanuddin
iv
KOMBINATORIK
Nilai Total Ketidakteraturan Titik Beneš Network 2-Dimensi 86-90

Edy Saputra - Universitas Hasanuddin
Penentuan Bilangan Ramsey pada Graf Bintang Terhadap Roda 91-98

Dengan dan
Nur Rohmah Oktaviani P - Universitas Hasanuddin
Bilangan Ramsey Sisi Terhubung untuk Pasangan Graf Lengkap Berorde

Dua Terhadap Gabungan Graf Lengkap Berorde Tiga 99-108
Sri Indrayani - Universitas Hasanuddin
MATEMATIKA TERAPAN (BIOMATEMATIKA)
Pengaruh Kontrol Optimal Berupa Perawatan Pada Penderita

109-117
Tuberculosis dan Screening Pada Unaware Infectives
Endrik Mifta Shaiful - Universitas Airlangga
Analisis Model Dinamika Penyebaran Pekerja Seks Komersial dengan

118-127
Adanya Recruitment oleh Mucikari
Firman Riyudha - Universitas Airlangga
Model Epidemik SEIRS-SEI Penyebaran Penyakit Malaria dengan

128-140
Vaksinasi dan Pengobatan
Resmawan - Universitas Negeri Gorontalo
Analisis Model Matematika pada Terapi Kanker Menggunakan

141-154
Imunoterapi, Kemoterapi Dan Biokemoterapi
Usman Pagalay - Universitas Islam Negeri Maulana Malik Ibrahim Malang
MATEMATIKA TERAPAN (RISET OPERASI)
Model Penentuan Pendapatan yang Terpisah pada Perkembangan Kredit

155-161
Perbankan Tersalurkan di Provinsi Sulawesi Selatan
Aidawayati Rangkuti – Universitas Hasanuddin
PENDIDIKAN MATEMATIKA
Kualitas Guru Matematika SMP se-Kota Gorontalo dalam Melaksanakan

162-172
Kurikulum 2013
Abdul Djabar Mohidin - Universitas Negeri Gorontalo
Efektifitas Multimedia Pembelajaran Terhadap Hasil dan Motivasi Belajar

173-180
Statistika Dasar Mahasiswa Universitas Cokroaminoto Palopo
Bobby Poerwanto - Universitas Cokroaminoto Palopo
v
Pengaruh Pembelajaran Kooperatif Tipe Jigsaw dengan Strategi SQ3R
Terhadap Kemampuan Pemecahan Masalah dan Disposisi Matematis Peserta 181-190
Didik SMP Negeri Ditinjau dari Kemampuan Awal Matematika
Fatmawati - Universitas Negeri jakarta
Implementasi Ular Tangga Aljabar untuk Pembentukan Karakter Ulet dan

191-197
Cermat pada Siswa Sekolah Menengah Pertama
M. Wijdan Hilmy Yahdiyani - Universitas Diponegoro
Proses Berpikir Kreatif Siswa Sekolah Dasar dalam Menyelesaikan Masalah

198-207
Matematika ditinjau dari Gaya Belajar Kinestetik
La Suha Ishabu - Universitas Pattimura
Pengolahan Dataset Awal Minat Belajar Mahasiswa melalui Algoritma

208-215
Principle Component Analysis (PCA)
Sri Rahmawati Fitriatien - Universitas PGRI Adi Buana Surabaya
Siswa Tunanetra Dalam Pembelajaran Operasi Penjumlahan Dan Pengurang

216-227
Menggunanakan Media Kartu
Sumarno Ismail - Universitas Negeri Gorontalo
STATISTIKA
Analisis Data Curah Hujan Menggunakan Metode Empirical Orthogonal 228-237

Function (Eof)
Andi Dian Angreani BJ – Universitas Hasanuddin
Pemilihan Regresi Ridge Terbaik dengan Metode Ridge Trace 238-248

Arwan Muslimin – Universitas Hasanuddin
Peranan Statistika untuk Mengembangkan Penelitian Dosen 249-254

Dina Purnama Sari - Akademi Bahasa Asing BSI Jakarta
Penentuan Margin of Error (MoE) dan Tingkat Kepercayaan

255-265
Kerealibilitasan Hasil Quick Count dalam Pilkada
Georgina Maria Tinungki` - Universitas Hasanuddin
Penentuan Peta Kendali EWMA pada Data Berautokorelasi 266-273

Geysa Fandrilla - Universitas Hasanuddin
Desentralisasi Fiskal dan Komposisi Pengeluaran Pemerintah Daerah Fungsi

Pendidikan di Indonesia: Aplikasi Quasi-Maximum Likelihood Estimator 274-279
(QMLE)
Ribut Nurul Tri Wahyuni - Sekolah Tinggi Ilmu Statistik
Maximum Partial Likelihood Estimation dalam Estimasi Parameter Regresi

280-283
Cox
Riska Yanu Fa’rifah - Universitas Cokroaminoto Palopo
vi
Analisis Tingkat Pemahaman Siswa SMA Pada Mata Pelajaran Matematika
di Sekolah yang Menerapkan dan Tidak Menerapkan Kurikulum 2013 284-292
dengan Model Regresi Logistik
Shima Regyarni - Universitas Hasanuddin
vii
ISBN: 978-602-72198-6-1
Seminar Nasional Matematika IndoMS Wilayah Sulawesi 2017
SENAMAS 2017
Relasi MacWilliams pada Kode Linier atas

1
Sri Rosdiana, 1Intan Muchtadi-Alamsyah, 1Aleams Barra, 2Djoko Suprijanto
1
Kelompok Keilmuan Aljabar, Institut Teknologi Bandung
2
Kelompok Keilmuan Kombinatorik, Institut Teknologi Bandung
Abstrak
Dalam penelitian ini, kode linier yang diteliti adalah kode linier atas gelanggang
dengan Dalam paper ini akan diberikan pemetaan Gray, bobot Gray,
bobot Lee, jarak Lee, pencacah bobot Gray, pencacah bobot Lee, pencacah bobot
lengkap, pencacah bobot simetris, dan relasi MacWilliamsHamming dan Gray untuk
kode linier atas .
Kata Kunci : Pemetaan Gray, Bobot Gray, Bobot Lee, identitas MacWilliams,
pencacah bobot lengkap, pencacah bobot simetris, Gray, Hamming
1. Pendahuluan
Penelitian mengenai kode linier atas gelanggang hingga telah banyak dilakukan
sejak tahun 1970. Beberapa penelitian saat ini berfokus pada kode linier atas kelas-kelas
dari gelanggang, lihat [2], [6], [7], dengan gelanggang yang digunakan adalah
gelanggang hingga. Hammon dkk memperkenalkan konsep -linier dari kode biner
dan beberapa kelas dari kode biner nonlinier -linier. Kemunculan Hammon dkk
membuat banyak peneliti mempelajari kode atas dan dianggap sebagai topik yang
menarik di teori koding dikaitkan dengan cara mengonstruksi kode, lattice, kriptografi,
maupun aplikasi lainnya.
Ide dasar untuk kode atas gelanggang adalah keberadaan pemetaan Gray yang
digunakan untuk menggambarkan kode biner nonlinier sebagai kode linier atas
gelanggang , lihat [5]. Pemetaan ini merupakan sarana untuk diperolehnya suatu peta
biner dari kode linier dibawah pemetaan Gray dari ke . Selain pemetaan Gray,
topik yang menarik lainnya adalah persamaan MacWilliams atau identitas MacWilliams
yang menghubungkan pencacah bobot antara kode linier dengan kode dualnya.
Pencacah bobot dapat digunakan untuk menunjukkan distribusi bobot. Identitas
MacWilliams mempunyai aplikasi yang luas khususnya dalam mengonstruksi kode
swa-dual. Kode ini merupakan salah satu kelas kode yang penting dari kode linier
karena banyak kode-kode optimal merupakan kode kelas ini, serta kode swa-dual kaya
akan sifat-sifat matematis yang menarik.
Kode linier atas gelanggang tak-utama dengan syarat
dipelajari oleh Yildiz dan Karadeniz [9]. Mereka memperkenalkan identitas
MacWilliams, kesimetrisan, dan pencacah bobot Lee dalam penelitiannya. Pada tahun
2014, Gao meneliti kode linier atas dengan syarat . Gao
mendefinisikan bobot Gray, pemetaan Gray untuk kode linier, dan identitas
MacWilliam untuk pencacah bobot Gray lengkap. Pada tahun 2014, Gao dkk juga
meninjau kode linier atas gelanggang dengan syarat . Dalam paper
tersebut mereka juga mendefinisikan bobot Gray dan pemetaan Gray untuk kode linier
serta identitas MacWilliam untuk pencacah bobot Gray.
Berdasarkan penelitian-penelitian yang telah dilakukan di atas, maka dalam
paper ini akan diperkenalkan beberapa hasil untuk kode linier atas dengan
1
ISBN: 978-602-72198-6-1
SENAMAS 2017
. Dalam bagian 2 akan dijelaskan bobot Gray dari elemen dan

didefinisikan pemetaan Gray, sedangkan pada bagian 3 akan dijelaskan relasi
MacWilliams Hamming dan Gray.
2. Kode Linier atas 𝒗

Misalkan dengan , maka komutatif dengan
karakteristik 8 dan mempunyai sifat-sifat sebagai berikut:
a) Terdapat 16 ideal yaitu: 〈 〉 〈 〉 〈 〉 〈 〉 〈 〉 〈 〉〈 〉〈 〉〈
〉〈 〉〈 〉〈 〉〈 〉〈 〉〈 〉〈 〉
b) Dari ideal yang diperoleh di atas, maka merupakan gelanggang ideal
utama.
c) 〈 〉 dan 〈 〉 merupakan ideal maksimal;
d) Dari ideal yang dibangun oleh satu unsur di atas dapat dilihat bahwa tidak
memenuhi definisi gelanggang rantai hingga. Sebagai contoh 〈 〉 〈 〉
〈 〉 〈 〉 dan 〈 〉 〈 〉 〈 〉 〈 〉 Sehingga dapat disimpulkan
bahwa bukan merupakan gelanggang rantai hingga.
Definisikan pemetaan Gray pada ,
( )
dengan ,
Bobot Lee dari elemen di didefinisikan sebagai ( ) * +,
yaitu ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
, sedangkan bobot Gray untuk elemen dapat dilihat pada Tabel 1.
Bobot Lee pada :
( ) ( )) ( ) ( ) (1)
Bobot Gray pada :

( ) ( ) ( ), (2)
dengan ( ) menotasikan bobot Lee dari elemen di .
Definisikan bobot Gray dari vektor ( ) menjadi jumlah dari

bobot Gray komponennya, yaitu
( ) ∑ ( ) (3)
Untuk sebarang elemen , maka jarak Gray diberikan oleh

( ) ( ) (4)
Jarak Lee antara dinotasikan dengan
( ) ( ) ∑ ( ) (5)
Beberapa hasil telah diperoleh, yaitu diantaranya:
2
ISBN: 978-602-72198-6-1
SENAMAS 2017
Proposisi 1. Pemetaan Gray merupakan pemetaan yang mempertahankan jarak Gray

untuk ke jarak Lee untuk dan pemetaannya merupakan linier.
Bukti:
Misalkan Misalkan untuk sebarang ( ) dan
( ) dengan dan ,
. Diperoleh
( ( )
( ( ) ( ) ( ) (
))
(( ) ( ) ( ) (
) )
(( )( ) ( ) (
)( ) ( ))
(( ) (
))
( ( ) ( )) ( ( ) (
))
( ) ( )
Akibatnya merupakan -linier.
Dengan menggunakan persamaan (4),
( ) ( )
(( ) ( ))
(( ) ( )
( ) (( ) ( ) )
(( )( ) ( ))
( ( ))
( ( ) ( ))
( ( ) ( ))
Lema 2. Misalkan kode linier ( ) atas dengan berturut-turut

panjang kata kode, banyak kata kode, dan jarak minimum Gray dari , maka ( )
adalah kode linier ( ) dengan jarak Lee minimum atas .
3
ISBN: 978-602-72198-6-1
SENAMAS 2017
Bukti:
Dari Proposisi1, dapat dilihat bahwa ( ) adalah linier dan dari definisi pemetaan
Gray jelas terlihat bahwa dengan panjang dipetakan ke dengan panjang ,
maka ( ) dengan panjang
Akan dibuktikan bahwa ( ) injektif dan surjektif.
Misalkan untuk sebarang ( ) dan
( ) dengan dan ,
.
Misalkan ( ) ( )
( ) ( )
( ) (
)
Sehingga diperoleh
Terbukti ( ) injektif.
Untuk setiap ( ) , maka terdapat ,
sehingga ( ) ( ), .
Jelas terlihat bahwa meskipun panjangnya menjadi , namun banyaknya kata kode
tetap yaitu . Dari Proposisi1 pemetaan mempertahankan jarak Gray ke jarak Lee,
maka mempertahankan jarak dari ke ( ) mempunyai jarak Lee minimum .
Misalkan ( ) dan ( ) dua vektor di .

Hasil kali dalam Euclid dari dan didefinisikan dengan
Kode Euclid dual dari didefinisikan

* +
Kode dikatakan Euclid swa-ortogonal jika dan dikatakan Euclid swa-dual

jika .
4
ISBN: 978-602-72198-6-1
SENAMAS 2017
Teorema 3. Pernyataan-pernyataan berikut berlaku:

a) Jika kode linier, maka ( ( )) ( ).
b) Jika Euclid swa-dual, maka ( ) juga Euclid swa-dual.
Bukti:
a) Misalkan ( ) dan ( )
dengan .
Perhatikan bahwa
∑ ( )( )
∑( )
∑ ∑( )
Karena ,
maka
dan
∑( )
Oleh karena itu,
( ) ( ) ∑ ( )( )
∑( )
Karena , maka ∑ (
) Akibatnya ( ) ( ) .
5
ISBN: 978-602-72198-6-1
SENAMAS 2017
Misalkan dengan ( ) * ( ) + Misalkan , ( )
( ), dan karena ( ) ( ) , maka ( ) ( ( )) . Dari Lema2,
( ) Karena ( ) ( ( )) , dan dalam [7] telah dibuktikan bahwa

untuk sebarang kode linier dengan panjang atas suatu gelanggang Frobenius
hingga, ( ) |( ( )) |. Perhatikan juga bahwa
( ) ( ) ( ). Sehingga diperoleh ( ). Karena

( ) ( ( )) dan ( ) , maka ( ) ( ( ))
b) Selanjutnya akan ditunjukkan ( ) Euclid swa-dual.
Misalkan Euclid swa-dual, artinya dan ( ) ( ) ( ( )) .
Akibatnya ( ) self-ortogonal.
Dari Lema2 ( ) dan diperoleh

( ) ( ). Karena ( ) ( ) dan ( ) ( ( )) , maka
haruslah ( ) ( ( )) .
Misalkan kode linier dengan panjang atas . Untuk setiap elemen dari dan
( ) , definisikan komposisi bobot lengkap dari vektor pada
ke dalam
( ) * +
Misalkan menotasikan banyaknya elemen dengan bobot Gray di , maka

banyaknya elemen dengan bobot Gray maksimal 8 adalah . Akibatnya himpunan
distribusi bobot Gray dari adalah * +
Definisikan pencacah bobot Gray sebagai berikut:
( ) ( ) ( )
∑ ∑
Karena pemetaan Gray merupakan pemetaan yang mempertahankan jarak Gray ke

jarak Lee, maka dapat didefinisikan juga pencacah bobot Lee dari ( ) sebagai berikut:
( ( )) ( ( ))
( )( ) ∑ ∑
( ) ( )
Dengan menggunakan cara yang ada dalam paper [4] dan [8], maka dimisalkan
* +
6
ISBN: 978-602-72198-6-1
SENAMAS 2017
direpresentasikan sebagai variabel yang bersesuaian dengan * +.

Untuk lebih lengkapnya dibuat dalam bentuk Tabel1 yang berisi elemen dari , peta
Gray, bobot Gray, dan variabel yang bersesuaian dengan bobot Gray.
Pencacah bobot lengkap dari kode linier atas didefinisikan sebagai
( ) ( ) ( ) ( )
( ) ∑ ∑∏
dengan ( ) menotasikan banyaknya elemen yang muncul dalam vektor .
Pencacah bobot simetris dari kode linier atas didefinisikan dengan bantuan melihat
Tabel1. Dari Tabel 1 terlihat bahwa bobot Gray berturut-turut adalah 0, 1, 2, 3, 4, 5, 6,
7, 8. Maka banyaknya elemen dari sebarang kata kode dari dengan bobot Gray
berturut-turut 0,1,2,3,4,5,6,7,8 adalah
( ) ∑ ( )
( )
dan diperoleh bobot Gray ( ) dari kata kode
( ) ∑ ( )
Pencacah bobot simetris dari kode linier atas didefinisikan sebagai
( )
( ) ( ) ∑∏
dengan dan merepresentasikan elemen di berturut-turut

memiliki bobot 0, 1,2,3,4,5,6,7,8.
7
ISBN: 978-602-72198-6-1
SENAMAS 2017
Tabel1. Bobot Gray dari elemen R.
Pencacah bobot Hamming dari kode linier atas didefinisikan sebagai
( ) ( ) ( )
∑
dengan ( ) menotasikan bobot Hamming dari kata kode .
Beberapa hasil yang diperoleh:

1) Misalkan kode linier dengan panjang atas , maka diperoleh:
( ) ( )
8
ISBN: 978-602-72198-6-1
SENAMAS 2017
Bukti:
( ) ( )
( ) ∑
( ) ( ) ( )
∑
∑ ( ) ( ) ( ) ( ) ( ) ( ) ( )
( )
2) Misalkan kode linier dengan panjang n atas R, maka

( ) ( )
Bukti:
( ) ( )
( ) ∑
( ) ( ) ( )
∑
( )
∑
( )
3) Misalkan kode linier dengan panjang atas , maka

( ) ( )( )
Bukti:
( ) ( )
( ) ∑
( ( )) ( ( ))
∑
( ) ( )
( )( )
9
ISBN: 978-602-72198-6-1
SENAMAS 2017
2.1. Relasi Identitas MacWilliams

1) Misalkan kode linear dengan panjang atas , maka
( ) ( )
Bukti:
Misalkan * ( ) +
Dengan mengacu Teorema 8.3 pada [8], maka diperoleh
( ) ( ( ) )
( ) ( )
2) Misalkan C kode linier dengan panjang atas , maka

( ) ( )
Bukti:
( ) ( )( ) ( ) ( ) ( )(
( )
) ( )
Daftar Pustaka
[1] Bandi, R. dan Bahaintwal, M., 2015, Cyclic Codes over ,
arXiv:1501.01327v1[cs.IT].
[2] Dougherty, S. T., Gaborit, P., Harada, M. Munemasa, A. dan Sole, P., 1999, Type
IV Self-Dual Codes Over Rings, IEEE Transactions on Information Theory, 45(7),
23452360.
[3] Gao,J., 2014, Linear Codes over : MacWilliams Identity, Self-Dual

Codes, Quadratic Residue Codes and Constacyclic Codes, arXiv: 1405.3347v1
[cs.IT].
[4] Gao, J., Fu, F.-W. dan Gao, Y., 2014, On Linear Codes over , arXiv:
1402.6771v2 [cs.IT].
[5] Hammons, A., Kumar, P., Vijay, Calderbank, A. R., Sloane, N. J. A. dan Sole, P.,
1994, The Z4-linearity of Kerdock, Preparata, Goethals and Related Codes, IEEE
Transactions on Information Theory, 40(2), 301319.
10
ISBN: 978-602-72198-6-1
SENAMAS 2017
[6] Honold,T.danLandjev,I., 2000, Linear Codes over Finite Chain Rings, 7(32), 389–
394.
[7] Wood, J., 1999, Duality for Modules over Finite Rings and Applications to Coding
Theory, American Journal of Mathematics,121(3), 555–575.
[8] Wood, J., 2012, Applications of Finite Frobenius Rings to The Foundations of
Algebraic Coding Theory, Proceedings of the 44th Symposium on Ring Theory
and Representation Theory, 223-245, Symp. Ring Theory Represent. Thoery
Organ. Comm, Nagoya.
[9] Yildiz, B. dan Karadeniz, S., 2014, Linear Codes over : MacWilliams
identities, projections, and formally self-dual codes, Finite Fields and Their
Application, 27, 24–40.
11
ISBN: 978-602-72198-6-1
SENAMAS 2017
Implementasi dan Analisis Algoritma Pohon Keputusan

untuk Memprediksi Prestasi Siswa SMKN 3 Parepare
Andi Roy1, Basri Modding2, Armin Lawi3
1
Program Studi Magister Manajemen, Program Pascasarjana, Universitas Muslim Indonesia
2
Program Pascasarjana, Universitas Muslim Indonesia
3
Program Studi Ilmu Komputer, Fakultas MIPA, Universitas Hasanuddin
Abstrak
Abstrak Penelitian ini bertujuan untuk membuat prediksi prestasi belajar siswa,
atribute yang digunakan dalam penelitian ini diantaranya status sosial ekonomi
orang tua, motivasi, kedisiplinan siswa dan prestasi masa lalu menggunakan metode
pohon keputusan dengan algoritma C4.5. Pendekatan penelitian yang digunakan
adalah kuantitatif. Subyek penelitian ini adalah siswa kelas X SMK Negeri 3
Parepare berjumlah 349 siswa. Teknik pengumpulan data yang digunakan adalah
dokumentasi dan angket. Hasil evaluasi dari data test set, di dapatkan bahwa nilai
keakuratan dalam memprediksi prestasi siswa menunjukkan hasil yaitu 98,85% dan
error 1.15% tingginya tingkat akurasi dapat disimpulkan bahwa algoritma C4.5
memiliki kinerja yang cukup baik dalam membentuk aturan-aturan. Dengan kata
lain algoritma C4.5 bekerja dengan baik dan bisa di terapkan untuk memprediksi
prestasi siswa.
Kata Kunci: Algoritma Pohon Keputusan, Analisis Algoritma, Akurasi, Prediksi

Prestasi Siswa
1. Pendahuluan
Proses belajar dan mengajar adalah hal yang amat penting artinya dalam metode
pengajaran disekolah. Dapat dikatakan bahwa proses tersebut menempati posisi penting
dalam usaha mensukseskan kegiatan pengajaran dan pendidikan pada umumnya.
Kemajuan suatu bangsa atau negara sangat ditentukan oleh tingkat pendidikan di
Negara tersebut oleh karena itu peningkatan mutu dan kualitas pendidikan sangat
penting untuk menjawab tantangan masa depan.
Fungsi pendidikan adalah membimbing anak ke arah suatu tujuan yang kita nilai
tinggi, pendidikan yang baik adalah usaha yang berhasil membawa semua anak didik
kepada tujuan itu. Apa yang diajarkan hendaknya dipahami sepenuhnya oleh semuah
anak. Murid – murid berbeda secara individual dalam caranya belajar. Perbedaan
individual ini harus dipertimbangkan dalam stretegi mengajar agar tiap anak dapat
berkembang sepenuhnya serta menguasai bahan pelajaran secara tuntas. Bahwa tujuan
ini tidak mudah dan tidak akan tercapai bila guru harus mengajar secara rutin dapat kita
pahami. Namun ini merupakan suatu tantangan bagi setiap guru yang ingin
pekerjaannya benar-benar sebagai suatu profesi.
Usaha untuk meningkatkan kualitas lulusan SMK, dibutuhkan kerjasama dan
sinkronisasi yang baik antara pemerintah, manajemen sekolah, kemitraan dengan dunia
industri, kompetensi guru, orang tua dan siswa sendiri. Beberapa elemen tersebut sangat
berpengaruh baik secara langsung maupun tidak langsung terhadap peningkatan mutu
siswa, yang pada akhirnya akan berimbas pada peningkatan kualitas pendidikan.
12
ISBN: 978-602-72198-6-1
SENAMAS 2017
Prestasi belajar siswa dipengaruhi oleh banyak faktor. Salah satu faktor penting dalam
pendidikan agar prestasi belajar siswa meningkat adalah manajemen pembelajaran di
sekolah. Semakin baik manajemen pembelajaran yang ditawarkan sekolah kepada siswa
semakin besar pula kemungkinanan prestasi belajar siswa akan baik.
SMK Negeri 3 Parepare merupakan salah satu dari beberapa SMK Negeri di
Kota Parepare yang berusaha mencetak lulusan yang siap kerja dan siap bersaing dalam
dunia kerja. Tetapi Satu permasalahan yang sering muncul di kalangan peserta didik
SMK Neg 3 Parepare adalah masih banyak yang mementingkan kompetensi mata
pelajaran produktif daripada mata pelajaran adaptif dan normatif. Hal itu dapat kita lihat
dari nilai hasil ujian akhir sekolah tahun pelajaran 2016- 2017 di Smk Negeri 3 Parepare
terlihat bahwa nilai teori kerujuan lebih tinggi dibandingkan nilai matematika lihat
Table 1 dan Tabel 2.
Table 1 Mata Pelajaran: Teori Kejuruan Tata Boga

NIL
PG
AI
NO NO. UJIAN NAMA RERAT
AKH
A
PI P II IR
03-109-181-4
1 ERIN NATAL 90 90 90 90
03-109-182-3
2 FATIMA M 90 90 90 90
03-109-183-2
3 HARIANY 88 88 88 88
03-109-184- HARIYADI
4 9 SUKAMDANI S 88 88 88 88
03-109-185-8
5 IRMA NUR 88 88 88 88
03-109-186-7
6 JEKLIN 88 88 88 88
03-109-187-6 JULINDA ASTRI
7 UTARI SENDA 90 90 90 90
03-109-188-5 KHAERUNNISA
8 MAPPANGARA 90 90 90 90
03-109-189-4
9 MARIA SAWE 88 88 88 88
03-109-190-3
10 MUSTIKA 96 96 96 96
03-109-191-2 NOVIANTI INDAH
11 SARI 90 90 90 90
03-109-193-8
12 SEPTIAN SURYA SAIJ 88 88 88 88
03-109-194-7
13 SINTIA SATRIA 88 88 88 88
03-109-195-6
14 TRI UTARI SAMAD 88 88 88 88
03-109-196-5
15 YUNITA ANGGRAINI 88 88 88 88
Sumber: Data diambil di Kurikulum SMK Neg 3 Parepare, 2017
13
ISBN: 978-602-72198-6-1
SENAMAS 2017
Table 2 Mata Pelajaran: Matematika

PG
NO NO. UJIAN NAMA NILAI
RERATA
PI P II AKHIR
03-109-181-4
1 ERIN NATAL 80 80 80 80
03-109-182-3
2 FATIMA M 78 80 79 79
03-109-183-2
3 HARIANY 78 80 79 79
03-109-184- HARIYADI
4 9 SUKAMDANI S 80 80 80 80
03-109-185-8
5 IRMA NUR 78 80 79 79
03-109-186-7
6 JEKLIN 86 88 87 87
03-109-187-6 JULINDA ASTRI
7 UTARI SENDA 84 86 85 85
03-109-188-5 KHAERUNNISA
8 MAPPANGARA 80 80 80 80
03-109-189-4
9 MARIA SAWE 74 76 75 75
03-109-190-3
10 MUSTIKA 76 78 77 77
03-109-191-2 NOVIANTI INDAH
11 SARI 80 80 80 80
03-109-193-8
12 SEPTIAN SURYA SAIJ 76 78 77 77
03-109-194-7
13 SINTIA SATRIA 76 78 77 77
03-109-195-6
14 TRI UTARI SAMAD 80 80 80 80
03-109-196-5
15 YUNITA ANGGRAINI 80 80 80 80
Sumber: Data diambil di Kurikulum SMK Neg 3 Parepare, 2017
Banyak peserta didik SMK Neg 3 Parepare yang piawai menghasilkan karya
sesuai dengan kompetensi kejuruannya tetapi mereka lemah dalam mata pelajaran
adaptif dan normatif. Contohnya adalah banyak peserta didik jurusan Tata Busana
mampu membuat dan mendesain busana yang bagus, jurusan Tata Boga mampu
menghasilkan makanan yang enak tapi mereka lemah pada mata pelajaran Matematika
yang menjadi salah satu syarat kelulusannya. Oleh karena itu, sangat diperlukan
perhatian oleh satuan pendidikan untuk mampu menyelenggarakan pembelajaran yang
bisa mengatasi masalah tersebut.
Satu hal yang belum banyak dilakukan oleh lembaga-lembaga pendidikan atau
sekolah kejuruan adalah melakukan antisipasi terhadap peserta didik yang berpotensi
mengalami hambatan atau kurang berprestasi dalam belajarnya. Hal ini dianggap
penting karena semakin awal lembaga-lembaga pendidikan atau sekolah kejuruan
mengetahui adanya potensi siswa yang kemungkinan akan mengalami hambatan dalam
belajarnya, maka lembaga-lembaga pendidikan atau sekolah bisa melakukan langkah-
langkah antisipatif. Dampak dari kurangnya antisipasi atau pencegahan sejak dini
14
ISBN: 978-602-72198-6-1
SENAMAS 2017
terhadap siswa atau calon siswa yang berpotensi mengalami hambatan dalam belajarnya
atau kurang berprestasi adalah fakta masih banyak siswa yang tidak naik kelas karena
terhambat prestasinya bahkan ada yang dikeluarkan dari sekolah. Kedua hal tersebut
sering kita dengar dan pasti dialami oleh semua sekolah.
Berdasarkan uraian di atas, maka penelitian ini bertujuan untuk membuat
prediksi sejak dini terhadap siswa yang berpotensi tidak berprestasi atau mengalami
hambatan dalam belajarnya, sehingga dapat dilakukan langkah-langkah antisipatif dari
sekolah untuk menghindarkan diri dari kemungkinan tidak naik kelas bahkan
dikeluarkannya siswa dari sekolah. Langkah yang bisa diambil sekolah setelah
mengetahui adanya siswa yang berpotensi tidak berprestasi adalah dengan melakukan
pendampingan khusus terhadap siswa tersebut.
Beberapa faktor yang mempengaruhi prestasi belajar siswa Sekolah Menengah
Kejuruan antara lain sosial ekonomi orang tua, fasilitas belajar sekolah, motivasi,
kedisiplinan siswa dan prestasi masa lalu siswa. Faktor status sosial ekonomi orang tua
yang mewujudkan pada kemampuan finansialnya. Dengan kemampuan finansial orang
tua, tentunya akan mempengaruhi fasilitas belajar yang disediakan oleh orang tua
terhadap sarana dan prasarana yang dibutuhkan oleh seorang siswa untuk meningkatkan
prestasi belajarnya.
Tulus dalam (Susanto & Sudiyatno, 2014) mengungkapkan bahwa sarana belajar
biasanya menjadi penunjang prestasi belajar, namun demikian bila kelengkapan fasilitas
belajar sebagai sarana penunjang belajar di sekolah memadai, sebaliknya dapat menjadi
faktor penghambat apabila kelengkapan fasilitas belajar di sekolah kurang memadai.
Pengaruh motivasi terhadap prestasi belajar siswa sangat besar karena itu orang – orang
di sekitar hendaknya memberi motivasi yang tepat. Belajar sudah menjadi kewajiban
yang harus di lakukan oleh seorang siswa. Kadang, siswa jenuh dan akhirnya memilih
untuk tidak belajar. Untuk itulah mereka perlu diberi dorongan baik dari segala pihak.
Menurut Biggs dan Tefler dalam Dimyanti dan Mudjiono (1994) yang dikutip
dalam website Jaelani (2011) motivasi belajar siswa dapat menjadi lemah, lemahnya
motivasi atau tiadanya motivasi belajar akan melemahkan kegiatan, sehingga mutu hasil
belajar menjadi rendah. Oleh karena itu, motivasi belajar pada diri siswa perlu diperkuat
terus menerus. Dengan tujuan agar siswa mempunyai motivasi belajar yang kuat,
sehingga hasil belajar yang diraihnya dapat optimal.
Faktor kedisiplinan dalam pengelolaan pengajaran merupakan suatu hal yang
sangat penting. Tanpa adanya kesadaran akan keharusan melaksanakan aturan yang
sudah ditentukan sebelumnya pengajaran tidak mungkin mencapai target yang
maksimal. Seorang siswa perlu memiliki sikap disiplin dengan melakukan latihan yang
memperkuat dirinya sendiri untuk selalu terbiasa patuh dan mempertinggi daya kendali
diri. Sikap disiplin yang timbul dari kesadarannya sendiri akan dapat lebih memacu dan
tahan lama dibandingkan dengan sikap disiplin yang timbul karena adanya pengawasan
dari orang lain. Seperti halnya disebutkan oleh Tulus dalam Susanto, H dan Sudiyatno
(2014, Vol 4, No 2 ) bahwa dengan disiplin yang muncul karena kesadaran diri, siswa
berhasil dalam belajarnya, tanpa disiplin yang baik suasana sekolah dan juga kelas
menjadi kurang kondusif bagi kegiatan pembelajaran secara positif disiplin memberi
dukungan lingkungan yang tenang dan tertib bagi proses pembelajaran, disiplin
merupakan jalan bagi siswa untuk sukses dalam belajar dan kelak ketika bekerja karena
kesadaran pentingnya norma, aturan, kepatuhan dan ketaatan merupakan kesuksesan
seseorang.
15
ISBN: 978-602-72198-6-1
SENAMAS 2017
Berdasarkan uraian mengenai faktor-faktor yang mempengaruhi prestasi belajar

siswa di atas, Maka penelitian ini dilakukan dengan tujuan untuk mengetahui seberapa
besar kontribusi dari berbagai faktor terhadap prestasi belajar siswa dan faktor-faktor
mana yang paling dominan kontribusinya terhadap prestasi belajar siswa. Penelitian ini
bertujuan untuk membuat prediksi prestasi belajar siswa berdasarkan Faktor status
sosial ekonomi orang tua, motivasi, kedisiplinan siswa dan prestasi masa lalu
menggunakan metode algoritma decition J48. Sebagai perbandingan, data penelitian
dianalisis juga dengan Algoritma Genetika. Harapan dari hasil penelitian ini adalah
adanya hasil rumusan faktor-faktor yang mempengaruhi prestasi belajar siswa
Berdasarkan faktor-faktor tersebut, siswa yang diprediksi memiliki faktor-faktor kuat
mengalami hambatan dalam prestasi belajarnya bisa dilakukan langkah-langkah antisi-
pasi sejak dini terhadap siswa tersebut.
Penelitian-penelitian tentang Memprediksi Prestasi belajar siswa sebelumnya
pernah diteliti oleh Susanto, H dan Sudiyatno (2014) dengan judul penelitian : “Data
Mining Untuk Memprediksi Prestasi Siswa Berdasarkan Sosial Ekonomi, Motivasi,
Kedisiplinan Dan Prestasi Masa Lalu”. Penelitian ini bertujuan untuk membuat prediksi
prestasi belajar siswa berdasarkan status sosial ekonomi orang tua, motivasi,
kedisiplinan siswa dan prestasi masa lalu menggunakan metode data mining dengan
decision tree algoritma J48. Sebagai perbandingan, data penelitian dianalisis juga
dengan CHAID (Chi Squared Automatic Interaction Detection) dan regresi ganda. Hasil
penelitian menunjukkan bahwa analisis prediksi menggunakan decision tree algoritma
J48 memiliki akurasi lebih baik dibandingkan dengan metode CHAID dan regresi
ganda. Yunanti (2010) melakukan penelitian dengan judul “Aplikasi Jaringan Syaraf
Tiruan Untuk Memprediksi Prestasi Siswa SMU Dengan Metode Backpropagation”.
Tujuan dari penelitian ini adalah mempelajari teori jaringan syaraf tiruan
backpropagation menggunakan metode literature dan analisis data. Hasil analisis
penelitian menunjukkan bahwa jaringan syaraf backpropagation adalah sistem
pemrosesan informasi yang bertujuan untuk melatih jaringan agar mendapat
keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan
selama pelatihan dan kemampuan jaringan untuk memberikan respon yang benar
terhadap pola msukan yang serupa (tetapi tidak sama) dengan pola yang digunakan
selama pelatihan. Sehingga dapat diperkirakan bahwa dari 50 data yang dilatihkan ada
29 data yang tidak sesuai dengan output yang diinginkan, sedangkan ada 21 data yang
sesuai dengan output yang diinginkan, artinya banyak peserta didik yang kurang
berprestasi saat disekolah Menegah Umum (SMU) walaupun ketika disekolah
Menengah Pertama (SMP) mereka berprestasi. Berdasarkan latar belakang tersebut
penulis tertarik untuk mengangkat Judul tentang implementasi dan analisis algoritma
pohon keputusan untuk memprediksi prestasi siswa (studi kasus : smk negeri 3
parepare).
1.1 Perumusan Masalah

Berdasarkan latar belakang dan rumusan masalah yang telah diuraikan di atas,
maka peneliti mengemukakan tujuan sebagai berikut :
1. Untuk mengetahui atribute yang akan menjadi Node Akar untuk membentuk
pohon keputusan.
2. Untuk Mengetahui Rule dari pohon keputusan yang terbentuk.
16
ISBN: 978-602-72198-6-1
SENAMAS 2017
3. Untuk mengetahui Tingkat akurasi variable Prediktor terhadap prestasi belajar

siswa dengan menggunakan metode Pohon Keputusan Algoritma C.45.
1.2 Tujuan Penelitian

Berdasarkan latar belakang dan rumusan masalah yang telah diuraikan di atas,
maka peneliti mengemukakan tujuan sebagai berikut :
1. Untuk mengetahui atribute yang akan menjadi Node Akar untuk membentuk
pohon keputusan.
2. Untuk Mengetahui Rule dari pohon keputusan yang terbentuk.
3. Untuk mengetahui Tingkat akurasi variable Prediktor terhadap prestasi belajar
siswa dengan menggunakan metode Pohon Keputusan Algoritma C.45.
1.3 Manfaat Penelitian

Manfaat dari penelitian ini adalah Siswa yang diprediksi dengan Impelementasi
dan analisis Pohon Keputusan memiliki faktor-faktor kuat mengalami hambatan dalam
prestasi belajarnya bisa dilakukan langkah-langkah antisipasi sejak dini terhadap siswa
tersebut dengan begitu semua siswa dari berbagai latar belakang faktor masing-masing
dapat maksimal dalam prestasi belajar.
2. Kerangka Konseptual
Decision Tree adalah pohon yang digunakan sebagai prosedur penalaran untuk
mendapatkan jawaban dari masalah yang dimasukkan. Pohon yang dibentuk tidak selalu
berupa pohon biner. Jika semua fitur dalam data set menggunakan 2 macam nilai
kategorikal maka bentuk pohon yang didapatkan berupa pohon biner. Decision tree
yang diinduksi tidak selalu sama pada beberapa percobaan karena urutan atau pemilihan
fitur sebagai pemecah (Prasetyo, Data Minig Mengolah Data Menjadi Informasi
Menggunakan Matlab, 2014)
Masalah
- menentukan atribute yang akan menjadi Node Akar untuk membentuk pohon
keputusan.
- menentukan Rule dari pohon keputusan yang terbentuk.
- menentukan tingkat akurasi variable Prediktor terhadap prestasi belajar siswa
dengan menggunakan metode Pohon Keputusan Algoritma C.45
Analisa
Menganalisa algoritma C4.5
Pengujian
Pengujian dilakukan dengan menggunakan data test set
Algoritma c4.5 dengan perangkat lunak bantu WEKA
Hasil
Akurasi algoritma c4.5
Gambar 1. Kerangka Pikir.
17
ISBN: 978-602-72198-6-1
SENAMAS 2017
3. Metode Penelitian
Pendekatan dalam penelitian ini menggunakan pendekatan kuantitatif, Subyek
penelitian ini adalah siswa SMK Negeri 3 Parepare. Teknik pengumpulan data yang
digunakan adalah dokumentasi dan angket. Penelitian ini memperoleh data dari angket
dan dokumentasi.
Penelitian ini mengunakan teknik Decision Tree untuk melakukan prediksi
prestasi belajar siswa SMK Negeri 3 Parepare berdasarkan status ekonomi orang tua,
motivasi, kedisiplinan dan prestasi masa lalu. Decision Tree akan memperlihatkan
faktor-faktor kemungkinan (probabilitas) yang akan mempengaruhi alternatif –alternatif
prestasi belajar siswa, disertai dengan prediksi hasil akhir yang akan didapat bila faktor-
faktor dalam decision tree terpenuhi. Decision tree akan mengubah data kedalam bentuk
visual berupa diagram pohon dan aturan-aturan keputusan.
Data dalam Decision Tree dinyatakan dalam bentuk tabel dengan atribut dan
record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam
pembentukan tree. Salah satu atribut yang merupakan atribut yang menyatakan data
solusi per-item data yang disebut dengan target atribut. Atribut memiliki nilai-nilai yang
dinamakan dengan instance. Alur proses analisis dalam decision tree adalah mengubah
bentuk data (table) menjadi model tree, mengubah model tree menjadi rule dan
menyederhanakan rule (pruning)
3. Hasil Penelitian
Penelitian ini menggunakan data 349 siswa SMK Negeri 3 Parepare Kelas X.
Dalam aturan klasifikasi yang telah dilakukan dengan metode Pohon Keputusan
menggunakan algoritma C.45 untuk menghasilkan Output dari penentuan pola pada
training data digunakan perangkat lunak bantu WEKA. Berdasarkan tujuan penelitian
ini maka dapat dilihat dari hasil penelitian yang telah dilakukan mulai dari
pengumpulan data, prosesing data hingga menghasilkan output yaitu :
1. Menentukan atribute yang akan menjadi Node Akar. Untuk menentukan atribute
yang akan menjadi akar harus dihitung entropy. Entropy merupakan ukuran
ketidakpastian dimana semakin tinggi entropy, maka semakin tinggi ketidakpastian.
Table 3 Hasil perhitungan entropy dan gain untuk node akar

NILAI
Node ATRIBUT JUMLAH BAIK BURUK ENTROPY GAIN
ATRIBUT
1 TOTAL 349 283 66 0.6996
0.0379
Kedisiplinan YA 115 107 8 0.3643
Tidak 234 176 58 0.8079
0.2388
Prestasi ML Tuntas 309 279 30 0.4597
Tidak
Tuntas 40 4 36 0.4690
18
ISBN: 978-602-72198-6-1
SENAMAS 2017
NILAI
Node ATRIBUT JUMLAH BAIK BURUK ENTROPY GAIN
ATRIBUT
0.0002
Status Mampu 95 78 17 0.6778
Ekonomi Tidak
Mampu 254 205 49 0.7075
Ortu
0.2192
Motivasi
Tinggi 302 274 28 0.4455
Rendah 47 9 38 0.7046
Hasil perhitungan Entropy dan informasi Gain disajikan pada Tabel 3. Dari hasil
perhitungan entropy dan Gain menunjukkan bahwa Gain tertinggi ada di Atribute
Prestasi Masa Lalu yaitu 0.2388. Menurut (Prasetyo, 2014) Gain tertinggi sebagai Node
Akar. Oleh karena itu Prestasi Masa Lalu dijadikan sebagai Node Akar. seperti yang
ditunjukkan pada gambar 2.
1
PrestasiML
Tidak Tuntas Tuntas
2 3
Gambar 2. Hasil pembentukan node akar.
2. Menentukan Rule dari pohon keputusan yang terbentuk.

Dari Gambar 3 tersebut temukan aturan-aturan (rules). Aturan- aturan yang
dihasilkan berguna saat melakukan prediksi. Dimulai dari node akar jika Prestasi masa
lalu Tidak Tuntas dan kedisiplinan masuk dalam kategori Tidak disiplin maka siswa
tergolong kategori buruk. Bentuk aturan IF THEN yang dihasilkan dari pohon
keputusan sebagai berikut :
1) if (prestasi_ml == Tidak Tuntas AND kedisiplinan == Tidak) then Buruk
2) if (prestasi_ml == Tidak Tuntas AND kedisiplinan == Ya AND
status_ekonomi_ortu == Mampu AND motivasi == Lemah)then Buruk
status_ekonomi_ortu == Mampu AND motivasi == Tinggi) then Baik
status_ekonomi_ortu == Tidak Mampu AND motivasi == Lemah) then Buruk
status_ekonomi_ortu == Tidak Mampu AND motivasi == Tinggi) then Buruk
6) if (prestasi_ml == Tuntas AND motivasi == Lemah AND kedisiplinan == Tidak
AND status_ekonomi_ortu == Mampu)then Buruk
7) if (prestasi_ml == Tuntas AND motivasi == Lemah AND kedisiplinan == Tidak
AND status_ekonomi_ortu == Tidak Mampu) then Buruk
19
ISBN: 978-602-72198-6-1
SENAMAS 2017
8) if (prestasi_ml == Tuntas AND motivasi == Lemah AND kedisiplinan ==

Ya) then Baik
9) if (prestasi_ml == Tuntas AND motivasi == Tinggi) then Baik
1
PrestasiML
Tidak Tuntas Tuntas
2 3
Kedisiplinana Motivasi
Tidak Ya Rendah Tinggi
Buruk 5 6 Baik
SEO Kedisiplinan
Tidak Mampu Mampu Tidak
Ya
9 Baik 11
8
Motivai SEO
Motivasi
Tinggi Tinggi Mampu
Rendah Rendah Tidak Mampu
Buruk Buruk Buruk Baik Buruk Buruk
Gambar 3. Hasil pembentukan pohon keputusan
3. Menentukan Tingkat akurasi variable Prediktor terhadap prestasi belajar siswa

dengan menggunakan metode Pohon Keputusan Algoritma C4.5. Dalam aturan
klasifikasi yang telah dilakukan dengan metode Pohon Keputusan menggunakan
algoritma C.45 untuk menghasilkan Output dari penentuan pola pada training data
digunakan perangkat lunak bantu WEKA. Dan Hasil evaluasi dari data test set, di
dapatkan bahwa nilai keakuratan dalam memprediksi prestasi siswa menunjukkan
hasil yaitu 98,85% dan error 1.15%. Dengan kata lain algoritma C4.5 bekerja
dengan baik dan bisa di terapkan untuk memprediksi prestasi siswa. Hal ini sesuai
dengan teori menurut (HIDAYATSYAH, 2013) Semakin kecil persentase nilai
akurasi yang dihasilkan pada data testing menandakan nilai error yang dihasilkan
besar , maka rule yang dihasilkan pun tidak baik. Begitu pula sebaliknya, semakin
besar nilai akurasi yang dihasilkan pada data testing menandakan nilai error yang
dihasilkan kecil, maka akan menghasilkan rule yang baik pula.
4. Simpulan dan Saran

4.1 Simpulan
Adapun kesimpulan yang dihasilkan dari Penelitian yang berjudul “Implementasi
Dan Analisis Algoritma Pohon Keputusan Untuk Memprediksi Prestasi Siswa (Studi
Kasus : Smk Negeri 3 Parepare)” maka ditarik kesimpulan sebagai berikut :
20
ISBN: 978-602-72198-6-1
SENAMAS 2017
1. Node akar ditentukan dari data yang sudah diketahui Label kelasnya setalah itu
menghitung entropy masing-masing atribute. Selanjutnya dilakukan perhitungan
Gain dimasing-masing atribute. Dari hasil perhitungan entropy dan Gain dimasing
masing atribut menunjukkan bahwa Gain tertinggi ada di Atribute Prestasi Masa
Lalu yaitu 0.2388. Menurut (Prasetyo, 2014) Gain tertinggi sebagai Node Akar.
Oleh karena itu Prestasi Masa Lalu dijadikan sebagai Node Akar.
2. Aturan-aturan pohon keputusan dihasilkan dari pembentukan pohon keputusan
yang dimulai dari pembentukan akar kemudian membentuk sub akar dan akan
berhenti sampai membentuk daun. Maka aturan yang akan dihasilkan akan akan
dimulai dari akar seperti if (prestasi_ml == Tidak Tuntas AND kedisiplinan ==
Tidak) then Buruk artinya jika Prestasi masa lalu Tidak Tuntas dan kedisiplinan
masuk dalam kategori Tidak disiplin maka siswa tergolong kategori buruk.
3. Hasil evaluasi dari data test set, di dapatkan bahwa nilai keakuratan dalam
memprediksi prestasi siswa menunjukkan hasil yaitu 98,85% dan error 1.15%.
Dengan kata lain algoritma C4.5 bekerja dengan baik dan bisa di terapkan untuk
memprediksi prestasi siswa. Hal ini sesuai dengan teori menurut
(HIDAYATSYAH, 2013) Semakin kecil persentase nilai akurasi yang dihasilkan
pada data testing menandakan nilai error yang dihasilkan besar , maka rule yang
dihasilkan pun tidak baik. Begitu pula sebaliknya, semakin besar nilai akurasi yang
dihasilkan pada data testing menandakan nilai error yang dihasilkan kecil, maka
akan menghasilkan rule yang baik pula.\
4.2 Simpulan
Adapun saran – saran Untuk penelitian selanjutnya yang membahas atau
mengembangkan topik yang sama dengan penelitian ini agar lebih baik lagi antara lain :
1. Untuk penelitian lebih lanjut disarankan untuk mencoba algoritma lain sebagai
perbandingan dalam pengukuran kinerja.
2. Untuk penelitian lebih lanjut disarankan untuk meningkatkan jumlah data kasusnya
dengan algoritma yang sama
Daftar Pustaka
[1] Susanto, H., & Sudiyatno. (2014). Data Mining Untuk Memprediksi Prestasi Siswa
Berdasarkan Sosial Ekonomi, Motivasi, Kedisiplinan Dan Prestasi Masa Lalu.
Jurnal Pendidikan Vokasi, 222.
[2] Prasetyo, E. (2014). Data Mining Mengolah Data Menjadi Informasi Menggunakan
Matlab. Penerbit Andi: Yogyakarta.
[3] Hidayatsyah, M. R. (2013). Penerapan Metode Decision Tree Dalam Pemberian
Pinjaman Kepada Debitur Dengan Algoritma C4.5 (Studi Kasus : Bank
Perkreditan Rakyat Syariah). 81.
21
ISBN: 978-602-72198-6-1
SENAMAS 2017
Implementasi Modifikasi Algoritma Clefia-128 Bit

Pada Aplikasi Secure Chat Communication
Aprita Danang Permana
Lembaga Sandi Negara
Abstrak
Penelitian ini menjelaskan terkait implementasi modifikasi algoritma Clefia-128 Bit
yang telah dilakukan pada penelitian sebelumnya ke dalam aplikasi Secure Chat.
Implementasi dilakukan guna mengetahui perfomansi dari proses enkripsi dan dekripsi
modifikasi algoritma Clefia-128 Bit. Penelitian juga melakukan perbandingan antara
performansi aplikasi menggunakan modifikasi algoritma Clefia-128 Bit dengan aplikasi
menggunakan algoritma standar Clefia-128 Bit. Algoritma hasil modifikasi
diimplementasikan pada aplikasi Secure Chat menggunakan bahasa pemrograman C++.
Kata Kunci : Algoritma Clefia, Aplikasi Secure Chat
1. Pendahuluan
Pada saat ini, sistem pertukaran informasi semakin dipermudah dan semua
orang pun dapat dengan mudah untuk mendapatkan akses terhadap informasi. Salah
satunya penggunaan teknologi chatting, para pengguna dengan mudah melakukan
pertukaran informasi dengan pengguna lainnya pada saat kapanpun. Selain itu
penggunaan komunikasi chat sudah melakukan implementasi keamanan di
dalamnya. Sebagai contoh, aplikasi Whatsapp yang telah menggunakan metode end-
to-end encryption sebagai fitur pengamanan komunikasi chat baik komunikasi
personal maupun grup.
Pada penelitian ini penulis akan melakukan implementasi modifikasi

algoritma Clefia-128 Bit pada aplikasi Secure Chat. Modifikasi algoritma Clefia-
128 Bit merupakan hasil penelitian yang telah dilakukan sebelumnya (Permana dkk.
2016). Penelitian ini bertujuan untuk mengukur performansi proses enkripsi dan
dekripsi dari modifikasi algoritma tersebut. Selain itu juga dilakukan perbandingan
terkait dengan hasil implementasi penelitian saat ini dengan penelitian sebelumnya.
2. Landasan Teori
2.1. Algoritma Block Cipher
Berikut merupakan beberapa definisi mengenai block cipher:
a. Block cipher menurut William Stalling (Stalling. 2005) adalah skema
enkripsi/dekripsi yang memperlakukan blok plaintext secara keseluruhan
untuk menghasilkan blok ciphertext dengan panjang yang sama.
b. Block cipher menurut Alfred J. Menezes dkk (Menezes dkk. 1997) adalah
suatu fungsi yang memetakan n-bit blok plaintext ke n-bit blok ciphertext
dengan n adalah panjang blok. Block cipher dapat dipandang sebagai sistem
sandi substitusi sederhana dengan periode panjang. Fungsi dalam block
22
ISBN: 978-602-72198-6-1
SENAMAS 2017
cipher diparameterkan oleh K, yaitu kunci dengan panjang k-bit dengan

mengambil nilai-nilai dari subset K (ruang kunci) dari himpunan semua
vektor-vektor k-bit Vk. Umumnya diasumsikan kunci dipilih secara acak.
Pengggunaan ukuran blok plaintext dan ciphertext yang sama bertujuan
untuk menghindari penambahan data.
2.2. Modifikasi Algoritma Clefia 128 Bit

CLEFIA merupakan algoritma yang didesain atas dasar efisiensi namun
tetap memperhatikan keamanan. Algoritma ini telah ditetapkan sebagai
algoritma standar untuk pervasive computing yang memiliki kriteria untuk
penerapan pada device yang memiliki sumberdaya terbatas melalui ISO/IEC
29192-2. Algoritma ini berbasis block cipher dengan ukuran 128 bit blok dengan
variasi kunci 128, 192 dan 256 bit.
CLEFIA menggunakan struktur Feistel yang membagi blok menjadi 4

jalur masing-masing berukuran 32 bit. Jumlah round pada CLEFIA bervariasi
tergantung panjang kuncinya, untuk kunci 128 bit memiliki jumlah round 18,
kunci 192 bit memiliki jumlah round 22 dan kunci 256 bit memiliki jumlah
round 26. Diagram algoritma CLEFIA dapat dilihat pada gambar 1.
Gambar 1. Diagram Algoritma Clefia
Fungsi F merupakan komponen utama dalam struktur algoritma CLEFIA

yang berbasis Feistel. Didalamnya harus melibatkan operasi atau fungsi
nonlinear dan memiliki sifat difusi yang maksimal. Fungsi F pada CLEFIA
terdiri dari 3 komponen operasi yaitu operasi XOR dengan kunci, fungsi
nonlinear S-box 8x8 dan fungsi linear mixing. Fungsi F pada CLEFIA dapat
dilihat pada Gambar 2.
23
ISBN: 978-602-72198-6-1
SENAMAS 2017
Gambar 2. Fungsi F pada Algoritma Clefia
S0 dan S1 merupakan fungsi nonlinear S-box 8x8, sedangkan M0 dan

M1 merupakan fungsi perkalian dengan matriks M0 dan M1 untuk proses linear
mixing. Perkalian matriks M0 dan M1 ini didefinisikan berdasarkan pada
polinomial primitive z8 + z4 + z3 + z + 1 dengan menggunakan matriks M0 dan
M1 berukuran 4 x 4 berikut:
Modifikasi dilakukan dengan menggantikan nilai S0 pada fungsi

nonlinier. Nilai S0 yang tetap digantikan dengan nilai S0 yang bergantung pada
nilai inputan kunci yang digunakan. Sehingga nilai S0 akan selalu berubah
mengikuti nilai kunci yang digunakan. Berikut pseudocode pembakitan nilai S0
yang bergantung pada inputan kunci yang digunakan :
Tabel 1. Pseudocode Pembangkitan Nilai S0

Algoritma Pembangkit S0: SBoxGeneration(key[16]);
RKONS[8] =
{0x4C,0X76,0xA5,0xB3,0xFF,0x99,0x12,0xD8}
for i <- 0 to sboxSize

temp[i] = ((i^key[i%16])+RKONS[i%8]);

sbox[i] = temp[i];
for j <- 0 to sboxSize
if (sbox[i] == sbox[j] && i != j)
sbox[i] = 0x00;

if sbox[i] == 0x00;
flag = 1;
for j <- 0 to sboxSize
a = getIndex(sbox,j)
if (a == -1 && flag == 1)
sbox[i] = j;
break;
permuteTable(sbox);
end;
24
ISBN: 978-602-72198-6-1
SENAMAS 2017
3. Metodologi Penelitian
Metode penelitian yang dilakukan pada penelitian ini adalah sebagai berikut :
a. Melakukan studi literatur dan pengumpulan data dari berbagai sumber seperti
buku dan internet mengenai penelitian yang akan dilakukan.
b. Melakukan analisis kebutuhan dalam implementasi modifikasi algoritma Clefia
untuk Secure Chat.
c. Melakukan proses perancangan aplikasi Secure Chat.
d. Membuat prototype aplikasi Secure Chat menggunakan bahasa pemrograman
C++.
e. Melakukan pengujian komunikasi, fungsional fitur dan performansi pada
aplikasi Secure Chat.
4. Pembahasan
4.1. Desain dan Implementasi Sistem
4.1.1. Desain Sistem
Desain sistem aplikasi Secure Chat yang dilakukan, menitikberatkan
kepada permasalahan kerahasian data yang dikomunikasikan. Sistem
aplikasi merupakan pengembangan aplikasi pada penelitian sebelumnya
(Permana dkk, 2016). Sistem akan melakukan proses enkripsi dan dekripsi
terhadap semua pesan yang akan dikirim maupun diterima. Proses
pengiriman pesan chat dilakukan melalui protokol komunikasi TCP Socket.
Gambar 3. Desain Aplikasi Secure Chat
4.1.2. Implementasi Sistem

Pada tahap implementasi, digunakan bahasa pemrograman C++ (Qt)
pada sistem operasi Windows 8. Penggunaan bahasa pemrograman Qt
untuk mempermudah dalam proses interfacing sistem dan komunikasi TCP
Socket.
Tahap pertama dalam sistem komunikasi secure chat adalah Login.

Pada tahap ini, user akan memasukkan identitasnya serta alamat server
yang digunakan.
25
ISBN: 978-602-72198-6-1
SENAMAS 2017
Gambar 4. Tahapan User Login
Selanjutnya pada sisi server akan melakukan otentikasi dan

penyimpanan pada sistem server tersebut. Jika sukses, maka server akan
mengirimkan pesan bahwa user telah diregistrasi. Dengan demikian, maka
user tersebut sudah siap untuk melakukan komunikasi Secure Chat. Pesan
yang dikirim bersifat broadcast kepada seluruh user yang telah diregistrasi
oleh server. Pesan yang dikomunikasikan secara otomatis akan dilakukan
enkripsi/dekripsi oleh Secure Chat client. Sedangkan pada sisi server akan
mendapatkan pesan terenkripsi sebagai berikut :
Gambar 5. Pesan Terenkripsi pada Server
Implementasi nilai S0 dilakukan dengan melakukan inisialisasi

terhadap variable S0. Lalu dilanjutkan dengan melakukan pemilihan nilai
konstanta yang akan digunakan sebagai salah satu nilai pembangkit nilai S0.
Gambar 6. Nilai Konstanta
Selanjutnya yaitu melakukan pengisian nilai unik pada variable S0

yang telah disediakan. Algoritma pembangkitan sebagai berikut :
26
ISBN: 978-602-72198-6-1
SENAMAS 2017
Gambar 7. Pembangkitan Nilai S0
4.2. Pengujian dan Analisis Sistem

Pada tahap pengujian dilakukan beberapa langkah yaitu pengujian
komunikasi dan pengujian performansi. Pengujian komunikasi melakukan
pengujian pada komunikasi pesan pendek, sedang, dan panjang. Sedangkan
untuk pengujian performansi melakukan pengujian kecepatan proses
enkripsi/dekripsi pada pesan pendek, sedang dan panjang.
4.2.1. Pengujian Komunikasi

Pada pengujian komunikasi dilakukan pengujian sebanyak 3 kali untuk
setiap parameter. Berikut hasil pengujiannya :
Tabel 2. Hasil Pengujian Komunikasi

Pesan asli Pesan terenkripsi Dekripsi
Pesan pendek
“Hello” "\u009CäDû\u009F\u0001,\u0091i\u00 Berhasil

81\u0017n(\u0006[g"
“Selamat Pagi” "SÅ)%U\u0001\u009DìÞù\u009Câi- Berhasil
\u0084F"
“Apa kabar?” "5:\u0005\u0018\u0092\u000Ey$®\u0 Berhasil
010z\u001FêfÙb"
Pesan Sedang
“Algoritma "ËU\f\u001E\u008D¸dâi®¢- Berhasil

Block Cipher bÂ\u001D\u0095¿PËJ1o!rZ-
Clefia 128 Bit” \u008D+gê[e\u0087\u0092Ý>S¦\u009E
F\u0019Þyæúfí\u001E"
“Seminar "4u\u001D\u00AD\u00AD3\u0011\u0 Berhasil
Nasional 097\u0017Ä\u000B§æÆÚ\u0011á\u00
Matematika 93lÑÆþx\u001D¤\u001A]Ö\tü=\u008
27
ISBN: 978-602-72198-6-1
SENAMAS 2017
IndoMS” 3\u001A\u0093)}µvS¡N\u0098þMøøø
+"
“Komunikasi ini "\u008E*ÒußF\u009BÁU\u0013Y°åT\ Berhasil
telah dilakukan u0007õÏ<\u0099¯\u008DS\u0097\u008
pengamanan 2¾òJ\u0005¬\u0098\u0017ÇAO<}\u0
pesannya” 09F\u008B½\u009A\u0088zÅS\u001F
ù\u0006é\r\u0018\fÚ©´°Ã«³,&ÁAAÇ"
Pesan Panjang
“Peranan "\nGè\u0019qì\u009B:\u0091¹\u00974\ Berhasil

Matematika, u0097\u0096ò\b\b®!òMà\u0092\u001
Statistika, Ilmu 9l\u009CÿÖ\u0085S´´\u0003\u009CË(
Komputer dan \u0014NH\u0082\u0015Ã<CgZù\\¦eóõ
Pendidikan Nå\u0088îYÜ¨Ä§ß©ÆI±di§|³3¬ó,{Ïz\
Matematika u0019Bkéd=ä\u0092äËa\u009DXA\u0
dalam 010(ó,ÙÀÅÍ~Gûîm\u0011Õ³A\u0084é
Memahami \u009C\t\u008A7ý\u000F-h\u009FÃ-
Sains, Teknologi, \u001Fý,\u0016zæ"
dan Budaya
Maritim”
“Pada penelitian "ö7\u001B¼«\tNç³È\u0081\u0015÷7\u Berhasil
ini penulis akan 009Aø¥¹*\r«ê\u000F\rÐå9!ü\\«%;X\u0
membuat desain 08A9èÛaàÊ5\u0080+éö}\u0001¤ËýM
protokol Ô^©¸)+j`TÀQÃ¸<0t;'$Ý\u0081D)\u00
kriptografi dan 98Ï¡\u0081\u0015eôå\u0004\u0097E®
mengimplementa \u0096\u008F\u009CÑ÷\u0088\n\u008
sikannya pada 2_
aplikasi Secure eè\u0092üQ\u0099(\u0089$\u008E\u0
Chat” 090\u0083@¾\u0085\u0012{ÄaõÀt\u
008An¶ï`P4\tÝ"
“Setiap user "æ\u0011Û\u0015NÍÀ\u000B\u000B\ Berhasil
harus n¦°!\u00063f\u0085j¹\u0097È\u009B*g
membuktikan >ØéÒ
keaslian ;áÂß\u0006n%Â<O[8E?yé5\u009F\u0
identitasnya pada 09F\u009A»K\u0081`Ü\u000F\u0083u
saat awal ¥\u008B\u001Dn\u0015`\u008FÞ7½½\
komunikasi” u001D#¿\u0019×±\u0011\u000B\rôØ
D"
4.2.2. Pengujian Performansi

Pada pengujian performansi dilakukan pengujian menggunakan pesan
pendek, sedang dan panjang yang telah ditentukan sebelumnya dengan
masing-masing pesan diuji sebanyak 10 kali.
Tabel 3. Hasil Pengujian Performansi

Pesan asli Rata-rata (ms)
“Hello” 0.024409
“Selamat Pagi” 0.031906
“Apa kabar?” 0.022490
“Algoritma Block Cipher Clefia 128 0.054263
28
ISBN: 978-602-72198-6-1
SENAMAS 2017
Bit”
“Seminar Nasional Matematika 0.057208
IndoMS”
“Komunikasi ini telah dilakukan 0.073050
pengamanan pesannya”
“Peranan Matematika, Statistika, Ilmu 0.136908
Komputer dan Pendidikan Matematika
dalam Memahami Sains, Teknologi,
dan Budaya Maritim”
“Pada penelitian ini penulis akan 0.139407
membuat desain protokol kriptografi
dan mengimplementasikannya pada
aplikasi Secure Chat”
“Setiap user harus membuktikan 0.084295
keaslian identitasnya pada saat awal
komunikasi”
5. Kesimpulan
Berdasarkan hal-hal yang penulis uraikan pada bab-bab sebelumnya dan hasil
analisis, maka penulis dapat menyimpulkan hal-hal sebagai berikut :
1. CLEFIA merupakan algoritma yang didesain atas dasar efisiensi namun tetap
memperhatikan keamanan.
2. Implementasi algoritma Clefia pada komunikasi chat dapat meningkatkan level
keamanan pesan.
3. Berdasarkan hasil pengujian yang telah dilakukan, implementasi modifikasi
algoritma clefia pada komunikasi chat dapat melakukan fungsi enkripsi dan
dekripsi dengan baik, serta proses enkripsi dan dekripsi pesan efisien.
4. Hasil performansi yang dihasilkan, sama baiknya antara implementasi
modifikasi algoritma Clefia dengan algoritma Clefia yang original.
Daftar Pustaka
[1]. Symantec. 2002. Securing Instant Messaging. Symantec Enterprise Security.

[2]. Permana, Aprita Danang, A’mas. Implementasi Algoritma Block Cipher Clefia
128 Bit Untuk Pengamanan Aplikasi Komunikasi Chat. 2016. Seminar Nasional
Teknologi Informasi dan Aplikasinya.
[3]. Bruce Schneier. 2009. Applied Cryptography, Second Edition. John Wliey & Sons
Inc
[4]. Menezes, J. Alfred et al. 1996. Handbook ofApplied Cryptography.
[5]. Sony Corporation. 2007. The 128-bit Blockcipher CLEFIA. Japan
29
ISBN: 978-602-72198-6-1
SENAMAS 2017
Penerapan Uji Saturation Point Dalam Pengujian

Keamanan Algoritma Block Cipher AES dan
Camellia
Aprita Danang Permana
Abstrak
Dalam menerapkan ilmu kriptografi, salah satu yang perlu diperhatikan adalah
algoritma kriptografi yang digunakan untuk proses enkripsi dan dekripsi pesan. Salah
satu jenis algoritma kriptografi yang sering digunakan adalah algoritma block cipher,
sebuah algoritma kriptografi yang berbasis pada komputasi berdasarkan blok.
Algoritma yang diterapkan harus mempunyai kekuatan kriptografis yang tinggi. Untuk
dapat menentukan kekuatan kriptografis sebuah algoritma block cipher perlu dilakukan
pengujian keamanan, baik dari segi keacakkan rangkaian ciphertext maupun dari segi
struktur algoritma tersebut. Dari segi keacakkan rangkaian ciphertext, sebuah algoritma
block cipher dapat dilakukan dengan uji statistika, uji berdasarkan indeks integer (Fatih
Sulak, 2011). Untuk uji statistika antara lain SAC Test, Collision Test, Linear Span
Test, dan Coverage Test. Uji indeks integer antara lain Integer Frequency Test, Coupon
Collector Test, Repeating Point Test dan Saturation Point Test. Sedangkan dari segi
struktur, salah satu uji yang dapat dilakukan adalah serangan differensial dan serangan
linear.Pada penelitian ini, penulis melakukan pengujian keamanan sebuah algoritma
standar block cipher yaitu algoritma AES 128 dan Camellia. Pemilihan algoritma block
cipher tersebut berkaitan dengan tingginya tingkat implementasi algoritma tersebut
pada sebuah aplikasi ataupun perangkat. Pengujian keamanan yang dilakukan adalah
pengujian keacakkan rangkaian ciphertext yang berdasarkan indeks integer yaitu uji
Saturation Point, hal ini berkaitan bahwa algoritma standar tersebut telah lulus uji
untuk uji keacakkan berdasarkan statistika sehingga perlu dilakukan pengujian lainnya.
Kata Kunci : Uji Saturation Point, Uji Keacakkan, Algoritma Block Cipher, AES,
Camellia
1. Pendahuluan
Kriptografi merupakan ilmu yang mempelajari teknik-teknik matematika
yang berhubungan dengan aspek keamanan informasi seperti kerahasiaan data,
keabsahan data, integritas data, serta otentikasi data (Menezes, et.al, 1997).
Penerapan ilmu kriptografi dapat dilakukan untuk menjaga keamanan sebuah
informasi baik informasi dalam bentuk data, teks, maupun suara. Enkripsi adalah
sebuah proses penyandian yang melakukan perubahan sebuah pesan yang bisa
dimengerti (plaintext) menjadi sebuah pesan yang tidak bisa dimengerti (ciphertext).
Sedangkan kebalikannya, proses untuk mengubah ciphertext menjadi plaintext
disebut dekripsi. Proses enkripsi dan dekripsi memerlukan suatu mekanisme dan
kunci tertentu.
Pada penelitian ini, penulis akan melakukan pengujian keamanan sebuah

algoritma standar block cipher yaitu algoritma AES 128 dan Camellia. Pemilihan
algoritma block cipher tersebut berkaitan dengan tingginya tingkat implementasi
30
ISBN: 978-602-72198-6-1
SENAMAS 2017
algoritma tersebut pada sebuah aplikasi ataupun perangkat. Pengujian keamanan

yang dilakukan adalah pengujian keacakkan rangkaian ciphertext yang berdasarkan
indeks integer yaitu uji Saturation Point, hal ini berkaitan bahwa algoritma standar
tersebut telah lulus uji untuk uji keacakkan berdasarkan statistika sehingga perlu
dilakukan pengujian lainnya.
2. Landasan Teori
2.1. Algoritma Block Cipher
Berikut merupakan beberapa definisi mengenai block cipher:
a. Block cipher menurut William Stalling (Stalling. 2005) adalah skema
enkripsi/dekripsi yang memperlakukan blok plaintext secara keseluruhan
untuk menghasilkan blok ciphertext dengan panjang yang sama.
b. Block cipher menurut Alfred J. Menezes dkk (Menezes dkk. 1997) adalah
suatu fungsi yang memetakan n-bit blok plaintext ke n-bit blok ciphertext
dengan n adalah panjang blok. Block cipher dapat dipandang sebagai sistem
sandi substitusi sederhana dengan periode panjang. Fungsi dalam block
cipher diparameterkan oleh K, yaitu kunci dengan panjang k-bit dengan
mengambil nilai-nilai dari subset K (ruang kunci) dari himpunan semua
vektor-vektor k-bit Vk. Umumnya diasumsikan kunci dipilih secara acak.
Pengggunaan ukuran blok plaintext dan ciphertext yang sama bertujuan
untuk menghindari penambahan data.
2.2. Algoritma AES

Menurut (Douglas Selent, 2010) Setelah mengadakan kontes selama tiga
tahun, NIST memilih sebuah algoritma yang dibuat oleh dua ilmuwan komputer
Belgia, Vincent Rijmen dan Joan Daemen. Mereka menamakan algoritma
mereka Rijndael. Pada tanggal 26 November 2001, Federal Information
Processing Standards Publication (FIPS) 197 mengumumkan bentuk standar
dari algoritma Rijndael sebagai standar baru untuk enkripsi. Standar ini disebut
Advanced Encryption Standard dan saat ini masih standar untuk enkripsi.
AES memungkinkan untuk operasi ukuran blok 128, 168, 192, 224, dan
256 bit. AES memungkinkan ukuran kunci 128, 192, dan 256 bit. Enkripsi
standar menggunakan AES-128 di mana kedua blok dan ukuran kunci 128 bit
(Daemen,et.al, 1999). Ukuran blok biasanya dilambangkan sebagai Nb dan
ukuran kunci umumnya dilambangkan sebagai Nk. Nb mengacu pada jumlah
kolom dalam blok di mana setiap baris dalam kolom terdiri dari empat sel dari
8 byte masing-masing untuk AES-128.
Pada tingkat dasar, algoritma Rijndael menggunakan jumlah putaran

untuk mengubah data pada setiap blok. Jumlah putaran yang digunakan adalah
6+ maksimum Nb dan Nk. Kemudian pengolahan putaran terjadi terdiri dari
operasi S-box, pergeseran, dan MixColumn. Hasilnya kemudian ditambahkan
ke kunci. Secara detil, dijelaskan pada gambar 1 sebagai berikut :
31
ISBN: 978-602-72198-6-1
SENAMAS 2017
Gambar 1. Diagram Algoritma AES
2.3. Algoritma Camellia

Camellia adalah sebuah algoritma kriptografi kunci simetris yang
bekerja pada ukuran blok 128 bit dengan panjang kunci 128-bit, 192-bit, atau
256-bit. Camellia pertama kali dikembangkan secara bersama oleh NTT dan
Mitsubishi Electric Corporation pada tahun 2000.
Camellia sudah banyak diteliti oleh beberapa ahli di bidang kriptografi.

Algoritma ini sudah dipilih sebagai rekomendasi algoritma kriptografi primitif
oleh NESSIE (New European Schemes for Signatures, Integrity and
Encryption) dan juga termasuk salah satu algoritma yang diterapkan pada
sistem E-Government di Jepang yang dipilih oleh CRYPTREC (Cryptography
Research and Evaluation Committees) [CRYPTREC].
Gambar 2 menunjukkan prosedur enkripsi untuk kunci 128 bit. Bagian

pengacakan data memiliki struktur 18 tahap (round) feistel dengan 2 lapisan
(layer) fungsi FL/FL-1 setelah tahap ke-6 dan tahap ke-12, dan operasi XOR
128 bit sebelum tahap pertama dan setelah tahap terakhir. Secara lebih jelasnya
dapat dilihat pada Gambar 2.
32
ISBN: 978-602-72198-6-1
SENAMAS 2017
Gambar 2. Enkripsi Camellia Kunci 128 Bit
2.4. Uji Saturation Point

Menurut Fatih Sulak (2013), Saturation Point merupakan uji keacakan
statistik yang dapat diterapkan pada Pseudorandom Number Generator
(PRNG) dan rangkaian integer serta biner dengan panjang rangkaian yang
pendek. Subjek dari uji ini terletak pada indeks integer atau Saturation Point
(SP) yaitu semua bilangan bulat yang mungkin terjadi dalam suatu rangkaian.
Dalam penerapannya, sebuah rangkaian n-bit biner dibagi menjadi k-

bit blok dan dikonversi menjadi sebuah rangkaian integer sepanjang [n/k].
Maka diperoleh rangkaian integer : * , - + dengan
yang diuji untuk , ⁄ -. Maka akan diperoleh nilai Saturation
Point dan tentukan nilai p-value sesuai dengan tabel 1 Sedangkan untuk
pseudocode pengujian sesuai dengan tabel 2.
Tabel 1. Pembagian Kelas Nilai SP

Kelas Nilai p-value
8 - 14 0,191718014
15 - 18 0,231384325
19 - 22 0.201147810
23 - 28 0.194285707
29 - ~ 0.181464144
33
ISBN: 978-602-72198-6-1
SENAMAS 2017
Tabel 2. Pseudocode Pengujian SP

Algoritma Saturation Point: S.POINT TEST({an},k)
for i <- 1 to [n/k]
do
* ∑ ( )
for i <- 1 to 2k
do
index[i] = n/k + 1
SP == 1
for i <- 1 to 2k
do
for j <- 1 to [n/k]
do
if tj == i
then index[i] = j; break;
for i <- 1 to 2k
do
if index[i] > SP
then SP = index[i];
end
Metodologi penelitian yang dilakukan pada penelitian ini adalah sebagai
berikut :
a. Melakukan studi literatur dan pengumpulan data dari berbagai sumber seperti
buku dan internet mengenai penelitian yang akan dilakukan.
b. Melakukan pengujian dengan menggunakan 3 (tiga) varian data, yaitu data
sampel yang bersifat acak (random), high density, dan low density. Data sampel
acak merupakan data yang berisi barisan bit acak, data sampel yang bersifat high
density berarti data yang berisi barisan bit bernilai 1 lebih banyak dibandingkan
dengan barisan bit bernilai 0, sedangkan data sampel bersifat low density berarti
barisan bit bernilai 0 lebih banyak dibandingkan dengan bit bernilai 1. Data
sampel tersebut dibangkitkan sejumlah 220 dengan menggunakan fungsi randi()
yang ada pada Matlab. Sehingga pada penelitian ini menggunakan data sampel
sebanyak 220 untuk setiap metode uji.
c. Melakukan 2 (dua) metode pengujian yang dilakukan yaitu metode uji Key
Avalanche dan Plaintext Avalanche. Metode Key Avalanche merupakan metode
pengujian yang dilakukan dengan menggunakan sebuah plaintext tetap dan
kunci yang berubah. Metode Plaintext Avalanche merupakan metode pengujian
yang dilakukan dengan menggunakan sebuah kunci tetap dan plaintext yang
berubah.
4. Pembahasan
4.1. Simulasi Uji Saturation Point
34
ISBN: 978-602-72198-6-1
SENAMAS 2017
Pengujian Saturation Point pada algoritma AES dan Camellia

disimulasikan ke dalam bahasa pemrograman C. Sesuai dengan pseudocode
yang telah diberikan pada table 2, simulasi dilakukan sesuai pada gambar 3,
sebagai berikut :
Gambar 3. Simulasi Fungsi Uji SP
Fungsi pada gambar 3 akan menghasilkan nilai Saturation Point untuk setiap
ciphertext yang diberikan. Selanjutnya fungsi tersebut akan dipanggil
sebanyak sampel yang digunakan, yaitu 220 perulangan. Dari sampel tersebut,
akan ditabulasi ke dalam kelas yang telah ditentukan sesuai dengan gambar 4
berikut ini :
Gambar 4. Pengujian SP
35
ISBN: 978-602-72198-6-1
SENAMAS 2017
4.2. Hasil Pengujian dan Analisis

4.2.1. Algoritma AES
Proses perhitungan nilai SP dilakukan sesuai dengan metodologi
yang digunakan dimana perulangan pengujian algoritma dilakukan
sebanyak 220. Pengujian dilakukan sesuai dengan simulasi pada gambar 3
dan gambar 4. Berdasarkan pengujian yang dilakukan, didapatkan nilai
maksimal p-value algoritma AES adalah 0.382309 pada jenis uji Plaintext
Avalanche dengan input Low Density. Rincian hasil pengujian adalah
sebagai berikut :
Tabel 3. Hasil Pengujian SP Algoritma AES

Jenis Uji Nilai p-value Keterangan
Key Avalanche :
High Density 0.280778 Lulus Uji
Low Density 0.381709 Lulus Uji
Random 0.357059 Lulus Uji
Plaintext Avalanche :
Nilai X2 yang telah didapatkan pada setiap jenis uji dan dengan
menggunakan tingkat signifikasi uji α = 0,01 menunjukkan bahwa pada
algoritma AES mempunyai nilai X2 yang lulus uji Saturation Point. Hal ini
dapat diartikan bahwa algoritma AES merupakan fungsi pemetaan acak.
4.2.2. Algoritma Camellia

Proses perhitungan nilai SP dilakukan sesuai dengan metodologi
yang digunakan dimana perulangan pengujian algoritma dilakukan
sebanyak 220. Pengujian dilakukan sesuai dengan simulasi pada gambar 3
dan gambar 4. Berdasarkan pengujian yang dilakukan, didapatkan nilai
maksimal p-value algoritma Camellia adalah 0.388510 pada jenis uji
Plaintext Avalanche dengan input Low Density. Rincian hasil pengujian
adalah sebagai berikut :
Tabel 3. Hasil Pengujian SP Algoritma AES

Jenis Uji Nilai p-value Keterangan
Key Avalanche :
Plaintext Avalanche :
36
ISBN: 978-602-72198-6-1
SENAMAS 2017

Nilai X2 yang telah didapatkan pada setiap jenis uji dan dengan
menggunakan tingkat signifikasi uji α = 0,01 menunjukkan bahwa pada
algoritma Camellia mempunyai nilai X2 yang lulus uji Saturation Point. Hal
ini dapat diartikan bahwa algoritma Camellia merupakan fungsi pemetaan
acak.
5. Kesimpulan
Berdasarkan hal-hal yang penulis uraikan pada bab-bab sebelumnya dan hasil
analisis, maka penulis dapat menyimpulkan hal-hal sebagai berikut :
1. Algoritma block cipher AES dan Camellia merupakan standar algoritma
kriptografi yang dipublikasikan dengan tingkat implementasi pada perangkat
publik yang tinggi.
2. Pengujian algoritma kriptografi AES dan Camellia berdasarkan uji Saturation
Point dilakukan dengan menggunakan data sampel sebanyak 220, dan 2 (dua)
metode uji. Metode Uji yang digunakan adalah metode Key Avalanche dan
Plaintext Avalanche dengan input berupa data High Density Input, Low Density
Input dan Random Input.
3. Berdasarkan hasil pengujian Saturation Point yang telah dilakukan, didapatkan
bahwa algoritma AES dan Camellia telah lulus uji untuk semua metode uji.
Sehingga dapat diartikan algoritma kriptografi tersebut merupakan fungsi
pemetaan acak.
Daftar Pustaka
[1]. Daemen, Joan. Rijmen, Vincent. 1999. The Rijndael Block Cipher. Proton World
Int.l. AES Proposal.
[2]. Menezes, Alfred J.. Paul C. Van Oorschot. Scott A. Vanstone. 1997. Handbook of
Applied Cryptography. CRC press LLC. Boca Raton.
[3]. Selent, Douglas. 2010. Advanced Encryption Standard. Rivier Academic Journal.
Volume 6 No 2.
[4]. Fatih Sulak, “ A New Statistical Randomness Test: Saturation Point Test”
International Journal of Information Security Science Vol.2, No.3, 2013.
[5]. Fatih Sulak, A.Doganaksoy, B.Ege, O.Koc¸ak, “Evaluation of Randomness Test

Results for Short Sequences”, Sixth Conference on Sequences and Their
Applications, 2010.
37
ISBN: 978-602-72198-6-1
SENAMAS 2017
[6] Fatih Sulak, “Statistical Analysis of Block Cipher and Hash Functions” Thesis of
Doctoral Program at The Graduate School of Applied Mathematics of Middle East
Technical University, 2011.
38
ISBN: 978-602-72198-6-1
SENAMAS 2017
Pengujian Avalanche Weight Distribution (AWD)

Criterion pada Algoritma AES
Sandromedo Christa Nugroho
Abstrak
Berbeda dengan algoritma asimetrik yang level keamanannya dapat diketahui
berdasarkan pada hasil pembuktian secara matematis, teknik/metode yang dapat
digunakan untuk mengukur level keamanan pada algoritma simetrik (algoritma block
cipher) adalah dengan menggunakan serangan dan pengujian. Serangan pada algoritma
block cipher yang umum dilakukan oleh para ahli kriptografi adalah dengan mencari
karakteristik komponen dan struktur dari algoritma block cipher yang akan diserang,
untuk kemudian diserang dengan menggunakan differential attack / linear attack atau
serangan-serangan lainnya. Selain serangan teknik pengukuran level keamanan pada
algoritma block cipher juga dapat dilakukan dengan menggunakan pengujian fungsi
nonlinear dan struktur algoritma block cipher secara black box, antara lain dengan
menggunakan pengujian Avalanche Criterion (AC), Strict Avalanche Criterion (SAC),
Avalanche Weight Distribution (AWD) Criterion, Bit Independence Criterion (BIC),
Linear Approximation Table (LAT), dan XORTable / Difference Distribution Table
(DDT). Pada tulisan ini akan dibahas mengenai pengujian AWD pada algoritma standar
umum Amerika Serikat, berdasarkan pada dokumen NIST-SP 197 tahun 2001, yaitu
algoritma Advanced Encryption Standard (AES).
Kata Kunci: Pengujian matematis, Avalanche Weight Distribution, Advanced

Encryption Standard
1. Pendahuluan
Secara langsung maupun tidak langsung, era globalisasi telah merubah
tatanan kehidupan masyarakat, dahulu transfer informasi harus dilakukan secara
langsung dari mulut ke mulut. Seiring dengan perkembangan teknologi transfer
informasi dapat dilakukan secara cepat, mudah dan murah melalui transmisi digital.
Informasi digital dapat dengan mudah dimodifikasi dan dipalsukan oleh pihak-pihak
yang tidak berkepentingan, sehinggaitu perlu adanya teknik pengamanan pada
informasi tersebut. Salah satunya adalah dengan menggunakan teknik kriptografi.
Kriptografi adalah ilmu yang mempelajari teknik-teknik matematika yang
berhubungan dengan aspek keamanan informasi seperti kerahasiaan data, keabsahan
data, integritas data, serta autentikasi data (Menezes, Alfred J et al, 1997).
Implementasi teknik kriptografi pada suatu perangkat memerlukan beberapa kajian
dan pengujian, khususnya keamanan algoritma kriptografi yang akan
diimplementasikan pada suatu perangkat. Oleh karena itu Pada tulisan ini akan
dibahas mengenai pengujian AWD pada algoritma standar umum Amerika Serikat,
berdasarkan pada dokumen NIST-SP 197 tahun 2001, yaitu algoritma AES.
Harapannya tulisan ini dapat dijadikan salah satu rekomendasi atau acuan keamanan
implementasi algoritma AES pada suatu perangkat baik perangkat lunak, maupun
perangkat keras.
39
ISBN: 978-602-72198-6-1
SENAMAS 2017
2. Landasan Teori
2.1. Avalanche Weight Distribution (AWD) Criterion
Avalanche weight distribution (AWD) criterion pertama kali
diperkenalkan oleh seorang ahli kriptografi bernama Ekrem Aras, dan Melek D.
Yücel pada tahun 1999. AWD adalah histogram dari hamming weight vektor
avalanche pada cipherteks, yaitu salah satu kriteria sederhana untuk sebuah
analisis sifat konfusi dan difusi pada suatu algoritma block cipher. Secara definisi
hamming weight adalah bit 1 dalam sebuah rangkaian plainteks/cipherteks,
sedangkan vektor avalanche adalah banyaknya beda antara hasil cipherteks dari
plainteks asli dengan hasil cipherteks dari plainteks yang telah diubah 1 bitnya.
Pasangan plainteks (P1, P2) yang baik pada suatu algoritma block cipher, akan
memiliki histogram dari hamming weight vektor avalanche yang acak secara
keseluruhan, sehingga kurva AWD yang berkaitan dengan seluruh pasangan yang
mungkin (untuk digunakan) dari input yang hampir sama harus terdistribusi secara
binomial di sekitar n/2 (n adalah panjang bit block data pada algoritma yang diuji).
Algoritma block cipher yang memenuhi sifat difusi yang baik, idealnya akan
memenuhi persamaan probabilitas sejumlah i perubahan bit dari n bit cipherteks :
persamaan diatas merupakan persamaan binomial dimana
Gambar dibawah menunjukkan kurva binomial ideal untuk n = 64 dan n = 128.
Gambar Kurva Distribusi Binomial Ideal Untuk (a) n= 64 dan (b) n= 128.
Salah satu tujuan pengujian AWD berfokus pada pengukuran dan

perhitungan terhadap penyimpangan distribusi kurva AWD suatu algoritma block
cipher terhadap kurva distribusi binomial ideal B(j) dengan menggunakan N
pasangan plainteks, difference plainteks yang tetap ( ), dan cipherteks
yang berkorespondensi (C1 dan C2). Pengujian AWD dilakukan dengan
menambah nilai elemen ke-j array AWD dengan nilai “1” berdasarkan hasil
40
ISBN: 978-602-72198-6-1
SENAMAS 2017
difference dengan weight j. Selanjutnya, ukuran penyimpangan (Di)

dan parameter resemblance (Ri) dapat dihitung dengan menggunakan prosedur
sebagai berikut :
dengan i berkorespondensi dengan posisi perubahan satu bit pada plainteks.

Parameter resemblance Ri kemudian dihitung melalui persamaan dibawah :
Pada persamaan diatas nilai mutlak digunakan untuk tidak membedakan antara
nilai error positif dan negatif, sedangkan koefisien normalisasi 1/2N digunakan
untuk membatasi nilai Ri pada kasus terburuk yaitu Ri = 0. Jika Ri = 1, maka AWD
algoritma block cipher yang diuji sama dengan distribusi binomial ideal yang
diharapkan. Sebaliknya, jika nilai Ri = 0, maka AWD algoritma block cipher yang
diuji tidak menunjukkan kemiripan dengan distribusi binomial ideal atau dalam
hal ini sifat konfusi dan difusi algoritma block cipher tersebut tidak baik.
2.2. Algoritma AES

Algoritma block cipher DES telah menjadi algoritma block cipher standar
internasional yang banyak digunakan oleh masyarakat umum selama puluhan
tahun. Namun pada tahun 1990-an ukuran kunci algoritma DES yang hanya 64 bit,
dianggap terlalu pendek dan mudah diserang dengan menggunakan brute force
attack. Oleh karena itu, NIST bermaksud untuk mengganti algoritma DES dengan
cara mengadakan kontes terbuka yang dapat diikuti oleh seluruh orang/organisasi
di dunia, dalam pembuatan desain dan rancang bangun algoritma block cipher
standar sebagai pengganti algoritma DES. Kontes algoritma block cipher tersebut
dikenal sebagai kontes algoritma block cipher AES. Terdapat 5 (lima) finalis
dalam kontes algoritma block cipher AES, antara lain algoritma Mars, RC6,
Serpent, Rijndael, dan Twofish. Pemenang kontes tersebut adalah algoritma
Rijndael karya Vincent Rijmen dan Joan Daemen. Desain dari algoritma AES
sangat dipengaruhi oleh desain dari algoritma square yang juga merupakan hasil
desain Daemen dan Rijmen. Algoritma AES memiliki ukuran blok data 128 bit
dengan ukuran kunci yang bervariasi, pada pengujian AWD ini kunci yang akan
digunakan adalah yang berukuran 128 bit. Perberaan pengunaan ukuran kunci
pada algoritma AES akan memberikan pengaruh terhadap penggunaan round pada
implementasi algoritma block cipher tersebut. Dimana kunci 128 bit pada
algoritma AES akan menggunakan 10 round dalam proses enkripsi dan
dekripsinya. Gambar dibawah menunjukkan skema algoritma AES.
41
ISBN: 978-602-72198-6-1
SENAMAS 2017
Cipher Text
AddRoundKey
InvShiftRows
InvSubBytes
AddRoundKey
InvMixColumns Nr - 1
InvShiftRows Round
InvSubBytes
AddRoundKey
Plain Text
Gambar Skema Algoritma AES.
Sedangkan tabel dibawah menunjukkan spesifikasi algoritma AES yang

akan diuji dengan menggunakan pengujian AWD.
Tabel Spesifikasi Algoritma AES yang akan Diuji Dengan

Menggunakan Pengujian AWD.
No. Keterangan Deskripsi
1. Pengembang/Pempublikasi Vincent Rijmen dan Joan
Daemen / NIST
2. Tahun Publikasi 2001
3. Ukuran Kunci 128 Bit
4. Ukuran Block 128 Bit
Plaintext/Ciphertext
5. Struktur Substitution-Permutation
Network
6. Round 10 (Sepuluh)
7. Dokumen Standar NIST FIPS 197
3. Asumsi Pengujian
3.1. #1 AWD pada Algoritma AES
Pengujian pada algoritma AES (P-128/K-128) akan dilakukan dengan
menggunakan 4 (empat) buah kunci sepanjang 128 bit yang berbeda-beda, yaitu
kunci low density, kunci high density, kunci random (acak), kunci secure random
(acak aman) versi bahasa pemrograman Java. Tabel dibawah menunjukkan
beberapa karakteristik kunci berukuran 128 bit yang digunakan dalam pengujian
AWD.
42
ISBN: 978-602-72198-6-1
SENAMAS 2017
Tabel Kunci (128 Bit).

No. Input Kunci No. Input Kunci
Karakteristik Kunci : Low Density Karakteristik Kunci : Random
1. 0100 0000 0000 0000 0000 0000 0000 0000 1. C68A 331C 1287 03DC 72AC 8E77 1905 019E
2. 0020 0000 0000 0000 0000 0000 0000 0000 2. 66D3 23F3 3CE0 191E A3D9 1946 3BE0 32B2
3. 0000 4000 0000 0000 0000 0000 0000 0000 3. 9ABA 5CE5 24C5 1FF2 1027 CF9F FDC1 6F22
4. 0000 0008 0000 0000 0000 0000 0000 0000 4. A65B 44F7 EDA5 4A49 B235 FB20 2874 F482
5. 0000 0000 0010 0000 0000 0000 0000 0000 5. 4656 AA8F C6EF 7DB0 D1CF C8E4 068E 33BB
6. 0000 0000 0000 2000 0000 0000 0000 0000 6. 437D 7551 B509 37C7 0289 5150 3F12 9877
7. 0000 0000 0000 0004 0000 0000 0000 0000 7. AD97 1C3F 6A2E 6D10 C997 607A A9F7 BBBA
8. 0000 0000 0000 0800 0000 0000 0000 0000 8. F07C 7F7D 63B9 A474 A168 395F CD1B CA7C
9. 0000 0000 0010 0000 0000 0000 0000 0000 9. A044 A5CE 9CCE 7411 6346 291A 91D7 8EC1
10. 0000 0002 0000 0000 0000 0000 0000 0000 10. FE03 A5FE 2A1E 534A 8F79 41AC DC52 BE45
Karakteristik Kunci : High Density Karakteristik Kunci : Secure Random
1. FEFF FFFF FFFF FFFF FFFF FFFF FFFF FFFF 1. 3618 20F1 A8CE 5A0A BE45 12E5 5BF9 2F60
2. FFDF FFFF FFFF FFFF FFFF FFFF FFFF FFFF 2. F8B9 A65A 83A8 37A6 C8EC F45E F3B7 6006
3. FFFF BFFFF FFFF FFFF FFFF FFFF FFFF FFFF 3. 2168 AEBD 5042 0EFD B0F2 089B 68E3 B70B
4. FFFF FFF7 FFFF FFFF FFFF FFFF FFFF FFFF 4. 5F8F 7F56 57B5 6C3B 6AD5 E907 6CAE 002F
5. FFFF FFFF FEFF FFFF FFFF FFFF FFFF FFFF 5. 3626 C71B CD43 DEBA DFF0 57B8 1823 ACD4
6. FFFF FFFF FFFD FFFF FFFF FFFF FFFF FFFF 6. 5C3C D2EA 99F2 5FB4 4244 A809 0AAA 88AF
7. FFFF FFFF FFFF FFBF FFFF FFFF FFFF FFFF 7. 6379 B3A0 4FC8 38BC D493 6B5F 5F3B EBB4
8. FFFF FFFF FFF7 FFFF FFFF FFFF FFFF FFFF 8. CB24 0666 A541 C8B7 4B89 5ECB 8FD0 AA6E
9. FFFF FFFF EFFF FFFF FFFF FFFF FFFF FFFF 9. 5EA1 EC0D 3745 A3B1 32AC 10C0 F8B8 F0DF
10. FFFF FDFF FFFF FFFF FFFF FFFF FFFF FFFF 10. 95DB 0371 9495 56CA 4914 C302 4A78 A4BA
Selain diuji dengan menggunakan 4 (empat) buah kunci sepanjang 128 bit
yang berbeda-beda, yaitu kunci low density, kunci high density, kunci random
(acak), kunci secure random (acak aman) versi bahasa pemrograman Java,
pengujian AWD pada algoritma AES (P-128/K-128) juga akan dilakukan dengan
menggunakan kunci avalance, yaitu kombinasi input 1 (satu) buah plainteks
ekstream (0x00) yang bernilai tetap sepanjang 128 bit dan 2^20 random kunci,
serta plainteks avalance, yaitu kombinasi input 1 (satu) buah kunci ekstream
(0x00) yang bernilai tetap sepanjang 128 bit dan 2^20 random plainteks. Tabel
dibawah menunjukkan pengujian AWD dengan kunci dan plainteks avalance.
Tabel Pengujian AWD Dengan Kunci dan Plainteks Avalance

No. Input Nilai Keterangan
Kunci Avalance
1. Plainteks 0x00 Tetap
2. Kunci 2^20 Random
Plainteks Avalance
1. Plainteks 2^20 Random
2. Kunci 0x00 Tetap
4. Hasil Pengujian
Seperti yang telah dijelaskan diatas, pengujian AWD pada tulisan ini akan
dilakukan dengan menggunakan 10.000 (sepuluh ribu) sample plainteks untuk
43
ISBN: 978-602-72198-6-1
SENAMAS 2017
mewakili populasi dari keseluruhan kemungkinan plainteks, sedangkan kunci yang

akan digunakan adalah kunci low density, kunci high density, kunci random
(acak), kunci secure random (acak aman) yang berukuran 128 bit masing-masing
sebanyak 10 (sepuluh) buah. Pengujian akan dilakukan pada masing-masing kunci
untuk mencari tabel AWD, untuk kemudian dicari nilai deviasi pada masing-
masing perubahan bit, kemudian mencari nilai resemblance. Berdasarkan dari nilai
resemblance masing-masing perubahan bit, langklah selanjutnya adalah mencari
nilai maksimal resemblance, nilai minimal resemblance, nilai rata-rata
resemblance dan nilai rata-rata error maksimal resemblance. Nilai error maksimal
resemblance akan digunakan sebagai nilai pembanding hasil pengujian AWD
suatu algoritma block cipher dengan algoritma block cipher lainnya. Tabel
dibawah menunjukkan hasil pengujian AWD algoritma AES (P-128/K-128)
dengan menggunakan beberapa karakterisitk kunci berukuran 128 bit.
Tabel Hasil Pengujian AWD Algoritma AES (P-128/K-128) dengan
Menggunakan Beberapa Karakterisitik Kunci.
No. Informasi Maksimal Minimal Rata-Rata Error Maksimal
Resemblance Resemblance Resemblance Resemblance
Karakteristik Kunci : Low Density
1. Pengujian 1 0.9860898591714584 0.9708031884537497 0.9866423001085337 0.0291968115462503
2. Pengujian 2 0.9871294709672892 0.9715059587537600 0.9868194055717289 0.0284940412462400
3. Pengujian 3 0.9856674190999616 0.9701417408961160 0.9870000192192964 0.0298582591038840
4. Pengujian 4 0.9865687338765687 0.9681647799729499 0.9868888529830202 0.0318352200270501
5. Pengujian 5 0.9868290054234024 0.9687337255713366 0.9866195111474974 0.0312662744286634
6. Pengujian 6 0.9861504065888270 0.9680904475757938 0.9871712951313109 0.0319095524242062
7. Pengujian 7 0.9863544451444697 0.9728584615879935 0.9866188337840300 0.0271415384120065
8. Pengujian 8 0.9860166981705815 0.9709445249530991 0.9868842575857029 0.0290554750469009
9. Pengujian 9 0.9853140001824985 0.9734134713121286 0.9874178226673467 0.0265865286878714
10. Pengujian 10 0.9851318238714855 0.9726408085312277 0.9868352609237980 0.0273591914687723
Rata-Rata Nilai Error Resemblance 0.0292702892391845
Karakteristik Kunci : High Density
1. Pengujian 1 0.9864052374512142 0.9717517676464293 0.9868822856130500 0.0282482323535707
2. Pengujian 2 0.9862940905446482 0.9692974786849192 0.9867053003942863 0.0307025213150808
3. Pengujian 3 0.9873041348559340 0.9700485384598042 0.9870187830314817 0.0299514615401958
4. Pengujian 4 0.9857145157739939 0.9703346068142629 0.9869372421634058 0.0296653931857371
5. Pengujian 5 0.9855875033156511 0.9698540100625783 0.9866469307677723 0.0301459899374217
6. Pengujian 6 0.9849520033238444 0.9721071743905617 0.9868924217866520 0.0278928256094383
7. Pengujian 7 0.9872447478787102 0.9702401225411195 0.9870494698613743 0.0297598774588805
8. Pengujian 8 0.9858493344953404 0.9719173210828400 0.9867317827684773 0.0280826789171600
9. Pengujian 9 0.9865871288158332 0.9717307004397316 0.9868777953622597 0.0282692995602684
10. Pengujian 10 0.9866946755428573 0.9707356383741472 0.9870056422830351 0.0292643616258528
Karakteristik Kunci : Random
1. Pengujian 1 0.9863852150199842 0.9695502978067823 0.9866661077716034 0.0304497021932177
2. Pengujian 2 0.9881816830136899 0.9728625086056998 0.9872006137569982 0.0271374913943002
3. Pengujian 3 0.9865900065099693 0.9709628561195063 0.9867951060916789 0.0290371438804937
4. Pengujian 4 0.9868498645520091 0.9723831218309711 0.9866129762662977 0.0276168781690289
5. Pengujian 5 0.9877490743049720 0.9720905776762017 0.9870967357343164 0.0279094223237983
6. Pengujian 6 0.9869405607123290 0.9724563276200680 0.9864320048133697 0.0275436723799321
7. Pengujian 7 0.9867060952831653 0.9698388824742806 0.9870060239842202 0.0301611175257194
8. Pengujian 8 0.9854408025328180 0.9727620411394240 0.9871383521722971 0.0272379588605760
9. Pengujian 9 0.9876453852260835 0.9713321166509077 0.9866995041470443 0.0286678833490923
10. Pengujian 10 0.9859962824737069 0.9670540435108669 0.9869848210705339 0.0329459564891331
44
ISBN: 978-602-72198-6-1
SENAMAS 2017
Karakteristik Kunci : Secure Random

1. Pengujian 1 0.9854114476710544 0.9730309596621927 0.9869572933783446 0.0269690403378073
2. Pengujian 2 0.9872709913929516 0.9729890641434246 0.9870518121905492 0.0270109358565754
3. Pengujian 3 0.9866119859562528 0.9696444216611370 0.9867843388181928 0.0303555783388630
4. Pengujian 4 0.9858594826628849 0.9702951600167222 0.9868292791232826 0.0297048399832778
5. Pengujian 5 0.9870748116409628 0.9701815030952518 0.9866935092238932 0.0298184969047483
6. Pengujian 6 0.9865273970271606 0.9728905006126163 0.9868908044503063 0.0271094993873837
7. Pengujian 7 0.9855415332049188 0.9695098941112853 0.9871922395823729 0.0304901058887147
8. Pengujian 8 0.9857586051500578 0.9722506167598160 0.9867431584331698 0.0277493832401840
9. Pengujian 9 0.9852863965841169 0.9699137227676666 0.9869608580557139 0.0300862772323334
10. Pengujian 10 0.9858015120590728 0.9686062734103381 0.9864012605521526 0.0313937265896619

Hasil pengujian kedua merupakan, hasil pengujian kunci dan plainteks
avalance dengan menggunakan 1.048.576 (satu juta empat puluh delapan ribu
lima ratus tujuh puluh enam) sample baik kunci (pada kunci avalance), maupun
plainteks (pada plainteks avalance). Pengujian akan dilakukan pada masing-
masing skema untuk mencari tabel AWD, untuk kemudian dicari nilai deviasi
pada masing-masing perubahan bit, kemudian mencari nilai resemblance.
Berdasarkan dari nilai resemblance masing-masing perubahan bit, langklah
selanjutnya adalah mencari nilai maksimal resemblance, nilai minimal
resemblance, nilai rata-rata resemblance dan nilai rata-rata error maksimal
resemblance. Nilai error maksimal resemblance akan digunakan sebagai nilai
pembanding hasil pengujian AWD suatu algoritma block cipher dengan algoritma
block cipher lainnya. Tabel dibawah menunjukkan hasil pengujian AWD
algoritma AES (P-128/K-128) dengan menggunakan kunci dan plainteks
avalance.
Tabel Hasil Pengujian AWD Algoritma AES (P-128/K-128) Dengan

Menggunakan Kunci dan Plainteks Avalance.
No. Informasi Maksimal Minimal Rata-Rata Error Maksimal
Resemblance Resemblance Resemblance Resemblance
1. Kunci Avalance 0.9987711018756076 0.9971977551869605 0.9980290046264394 0.0028022448130395
2. Plainteks Avalance 0.9985423112092509 0.9970368723467214 0.9979966937285680 0.0029631276532786
5. Simpulan
Berdasarkan pada hasil pengujian AWD pada algoritma AES dapat diambil
beberapa simpulan, antara lain :
a. Nilai maksimal resemblance pada hasil pengujian AWD algoritma AES (P-
128/K-128) dengan menggunakan kunci low density adalah mendekati 1 (kriteria
ideal), yaitu berkisar antara 0.985 sampai dengan 0.987, nilai minimal
resemblancenya juga mendekati 1, yaitu berkisar antara 0. 968 sampai dengan
0. 973, dimana nilai rata-rata resemblancnya adalah berkisar antara 0.986 sampai
dengan 0.987. Sedangkan rata-rata nilai error maksimal resemblancenya adalah
sebesar 0.0292702892391845;
45
ISBN: 978-602-72198-6-1
SENAMAS 2017
b. Nilai maksimal resemblance pada hasil pengujian AWD algoritma AES (P-
128/K-128) dengan menggunakan kunci high density adalah mendekati 1
(kriteria ideal), yaitu berkisar antara 0.984 sampai dengan 0.987, nilai minimal
resemblancenya juga mendekati 1, yaitu berkisar antara 0.969 sampai dengan
0.972, dimana nilai rata-rata resemblancnya adalah berkisar antara 0.986 sampai
sebesar 0.0291982641503606;
c. Nilai maksimal resemblance pada hasil pengujian AWD algoritma AES (P-
128/K-128) dengan menggunakan kunci random adalah mendekati 1 (kriteria
ideal), yaitu berkisar antara 0.985 sampai dengan 0.988, nilai minimal
sebesar 0.0288707226565292;
d. Nilai maksimal resemblance pada hasil pengujian AWD algoritma AES (P-
128/K-128) dengan menggunakan kunci secure random adalah mendekati 1
(kriteria ideal), yaitu berkisar antara 0.985 sampai dengan 0.987, nilai minimal
sebesar 0.0290687883759550;
e. Nilai minimal resemblance pada hasil pengujian AWD algoritma AES (P-
128/K-128) dengan menggunakan kunci avalance adalah 0.9971977551869605,
sedangkan nilai error maksimal resemblancenya adalah 0.0028022448130395;
f. Nilai minimal resemblance pada hasil pengujian AWD algoritma AES (P-
128/K-128) dengan menggunakan plainteks avalance adalah
0.9970368723467214, sedangkan nilai error maksimal resemblancenya adalah
0.0029631276532786;
g. Berdasarkan pada nilai error maksimal pada hasil pengujian AWD algoritma
AES (P-128/K-128), jika nilai error bound (alfa) yang digunakan adalah = 0.05,
maka dapat dinayatakan bahwa algoritma AES (P-128/K-128) lolos pengujian
AWD. Selain itu berdasarkan hasil pengujian, dapat diketahui bahwa
penggunaan sample yang lebih mendekati populasi akan manghasilkan nilai
error yang lebih kecil.
Daftar Pustaka
[1] Arikan, Savas, 2003, Propagation Characteristics of RC5, RC6 and Twofish
Ciphers, Departement of Electrical and Electonics Engineering, Middle East
Technical University.
[2] Kromodimoeljo, Sentot, 2010, Teori dan Aplikasi Kriptografi, SPK IT Consulting,
Jakarta.
46
ISBN: 978-602-72198-6-1
SENAMAS 2017
[3] Menezes, Alfred J., Ooschot, Paul C. Van. & Vanstone, Scott A., 1996, Handbook
of Applied Cryptography, Boca Raton : CRC press LLC.
[4] Munir, Rinaldi., 2006, Kriptografi, Informatika, Bandung.
[5] National Institute of Standards and Technology (NIST), Federal Information

Processing Standart Publication (FIPS) 197, 2001, Advanced Encryption Standart
(AES).
47
ISBN: 978-602-72198-6-1
SENAMAS 2017
Perbandingan Algoritma Fungsi Hash Standar

Internasional Berdasarkan pada Hasil Uji
Performanya
Sandromedo Christa Nugroho
Abstrak
Terdapat beberapa badan/lembaga/dokumen standarisasi keamanan informasi yang
standar-standarnya banyak digunakan oleh masyarakat luas dan umum dalam
mengamankan, dan menjaga keutuhan (integritas) informasi antara lain : Amerika
Serikat - National Institute of Standard and Technology (NIST), Rusia - Federal
Agency of Government Communications and Information (FAGCI), VNII Standart,
Jepang - Cryptography Research and Evaluation Committees (CRYPTREC), Uni
Eropa - New European Schemes for Signatures, Integrity and Encryption (NESSIE),
dan lain-lain. Pada makalah ini akan dibahas mengenai teknik/metode kriptografi
standar internasional (algoritma fungsi hash) untuk menjaga keutuhan informasi
pengguna, beserta perbandingan performa implementasinya. Adapun algoritma fungsi
hash yang akan dibahas dan dibandingkan antara lain algoritma fungsi hash MD
family, SHA-1, SHA-2 family, SHA-3 family, RIPMD family, Whirlpool, dan
GOST3411. Pengujian performa algoritma fungsi hash standar internasional pada
makalah ini diimplementasikan dengan menggunakan bahasa pemrograman Java, dan
dilakukan berdasarkan pengukuran waktu proses pesan menjadi message digest,
Sedangkan sampling file pesan yang digunakan dalam pengujian performa pada
algoritma fungsi hash ini adalah pesan acak (random string) dalam berbagai ukuran,
antara lain : 1 (satu) Kilo Byte, 100 (seratus) Kilo Byte, 1 (satu) Mega Byte, 2 (dua)
Mega Byte, dan 10 (sepuluh) Mega Byte.
Kata Kunci : Pengujian Performa, Algoritma Fungsi Hash
1. Pendahuluan
Globalisasi telah memberikan dampak perubahan dan perkembangan pada
gaya hidup manusia, salah satunya adalah pada bidang komunikasi. Dahulu
diperlukan tatap muka secara langsung untuk menyampaikan/menyebarkan
informasi dari satu orang ke orang lainnya. Namun saat ini komunikasi dapat
dilakukan dari manapun, oleh siapapun, dan dimanapun, bahkan telah menjadi
bagian yang tidak terpisahkan dari kehidupan manusia. Kemudahan dan
perkembangan bidang komunikasi yang telah ada saat ini, berjalan searah dan linear
dengan perkembangan jenis ancaman dan hambatan dalam proses komunikasi. Salah
satunya adalah dalam proses pengiriman informasi dari satu titik ke titik lainnya,
yaitu adanya ancaman perubahan/modifikasi informasi yang dikirimkan, sehingga
keutuhan informasi (information integrity) menjadi sebuah problem yang harus
dipecahkan, agar pihak pengirim maupun pihak penerima tidak dirugikan oleh
pihak-pihak yang tidak berwenang.
Keutuhan informasi telah menjadi kebutuhan yang kritis dan pokok bagi
berlangsungnya pertukaran informasi dan komunikasi pada suatu negara. Bahkan
48
ISBN: 978-602-72198-6-1
SENAMAS 2017
beberapa negara di dunia telah memiliki badan/lembaga/organisasi/kementrian yang

didirikan khusus untuk menangani masalah-masalah keamanan dan keutuhan
informasi, tidak terkecuali Indonesia. Tugas pokok dan fungsi badan/lembaga
keamanan dan keutuhan informasi adalah melakukan counter-intelligent (kontra
pengindraan), dalam hal ini adalah dengan melakukan penguatan level keamanan,
penggunaan firewall, penggunaan teknik/metode kriptografi, kontra social
engginering, dan lain-lain agar pihak ketiga/pihak yang tidak berwenang tidak dapat
mencari/mendapatkan informasi yang diinginkannya.
Dunia internasional mengenal beberapa badan/lembaga/dokumen
standarisasi keamanan informasi yang standar-standarnya banyak digunakan oleh
masyarakat luas dan umum dalam mengamankan, dan menjaga keutuhan (integritas)
informasi rahasia antara lain : Amerika Serikat - National Institute of Standard and
Technology (NIST), Rusia - VNII Standart / Federal Agency of Government
Communications and Information (FAGCI), Jepang - Cryptography Research and
Evaluation Committees (CRYPTREC), Uni Eropa - New European Schemes for
Signatures, Integrity and Encryption (NESSIE), dan lain-lain. Terdapat beberapa
badan/lembaga/dokumen standar keamanan informasi dari negara lain selain
badan/lembaga standar keamanan informasi tersebut. Tabel dibawah menunjukkan
negara dan badan/lembaga/organisasi/kementrian/dokumen yang menangani
dan/atau memiliki standar keamanan informasinya.
Tabel Negara/Badan/Lembaga/Organisasi/Kementrian/Dokumen yang Menangani

dan/atau Memiliki Standard Keamanan Informasi.
No. Negara Lembaga/Badan/Organisasi/Kementrian
1. Afrika National Intelligence Agency (NIA)
Selatan
2. Amerika National Security Agency (NSA)
Serikat
National Institute of Standard and Technology
(NIST)
3. Australia Defence Signals Directorate (DSD)
4. Brazil Agencia Brasileira de Inteligence (ABIN)
5. Canada Communications Security Establishment
Canada (CSEC)
6. Denmark Danish Security Intelligence Service (DSIS)
7. Filipina National Intelligence Coordinating Agency
(NICA)
8. India National Investigation Agency (NIA)
9. Indonesia Lembaga Sandi Negara (LSN)
10. Inggris Communications-Electronics Security Group
(CESG)
11. Jepang Japan Information Technology Security
Evaluation and Certification Scheme (JISEC)
Nippon Telegraph and Telephone (NTT)
Cryptography Research and Evaluation

Committees (CRYPTREC)
12. Jerman Bundesamt fur Sicherheit in der
49
ISBN: 978-602-72198-6-1
SENAMAS 2017
Informationstechnik
13. Kenya Kenyan National Security Intelligence Service
(NSIS)
14. Korea Korea Internet and Security Agency (KISA)
Selatan
15. New Government Communications Security Bureau
Zeland (GCSB)
16. Nigeria Nigerian Security Organization (NSO)
17. Perancis Direction Générale de la Sécurité Extérieure
(DGSE)
18. Rusia Special Communications Service of Russia
(SCSR)
VNII Standart / Federal Agency of Government

Communications and Information (FAGCI)
19. Sweden Försvarets Radioanstalt (FRA)
20. Tiongkok Ministry of Public Security (MPS)
21. Uni Eropa New European Schemes for Signatures,
Integrity and Encryption (NESSIE)
22. Swasta / Center for Internet Security (CIS)
Gabungan
Lebih Dari Institute of Electrical and Electronic Engineers
1 (Satu) (IEEE)
Negara
International Information Systems Security
Certification Consortium (ISC)
International Organization for Standardization

(ISO)
Internet Architecture Board (IAB)
Pada makalah ini akan dibahas mengenai teknik/metode kriptografi standar

internasional (algoritma fungsi hash) untuk menjaga keutuhan informasi pengguna,
beserta perbandingan performa implementasinya.
2. Landasan Teori
2.1. Algoritma Fungsi Hash
Terdapat beberapa algoritma fungsi hash yang dipublish dan/atau dijadikan
standar secara nasional dan internasional oleh suatu negara/organisasi untuk
digunakan oleh masyarakat umum secara luas, yang paling terkenal adalah
algoritma fungsi hash SHA-1, SHA-2 family, dan SHA-3 family yang merupakan
algoritma standar integritas informasi yang dipublikasikan oleh National Institute
of Standard and Technology (NIST), Amerika Serikat berdasarkan pada dokumen
standar Federal Information Processing Standards (FIPS). Tabel dibawah
menunjukkan algoritma-algoritma fungsi hash yang dipublish dan/atau dijadikan
standar secara nasional dan internasional oleh
peneliti/badan/lembaga/organisasi/kementrian/dokumen/negara.
50
ISBN: 978-602-72198-6-1
SENAMAS 2017
Tabel Algoritma Fungsi hash yang Dipublish dan/atau Dijadikan Standar Secara
Nasional dan Internasional Oleh Peneliti/Badan/Lembaga/
Organisasi/Kementrian/Dokumen/Negara.
Peneliti/Badan/ Ukuran Block
Lembaga/Organis Message Digest
No. Algoritma Fungsi hash
asi/Kementrian/ (Tahun Pempublikasian)
Dokumen
1. Ronald Rivest MD 2 128 Bit (1989)
MD 4 128 Bit (1990)
MD 5 128 Bit (1992)
2. National Institute SHA-1 160 Bit (2008)
of Standard and SHA-2 family 224 – 512 Bit (2008)
Technology (NIST) SHA-3 family 224 – 512 Bit (2014)
3. Cryptography RIPEMD Family 128 – 320 Bit (1996)
Research and (Hans Dobbertin, Antoon
Evaluation Bosselaers dan Bart
Committees Preneel)
(CRYPTREC)
4. New European Whirlpool 512 Bit (2000)
Schemes for (Vincent Rijmen, dan
Signatures, Paulo S. L. M. Barreto)
Integrity and
Encryption
(NESSIE)
5. Federal Agency of GOST3411 256 Bit (1994)
Government (FAPSI and
Communications VNIIstandart (USSR))
and Information
(FAGCI)
2.2. Algoritma Fungsi Hash MD2

Algoritma fungsi hash MD2 adalah algoritma fungsi hash yang
dikembangkan oleh Ronald Rivest pada tahun 1989. Algoritma tersebut dapat
berjalan dengan baik pada komputer 8 bit dan dapat digunakan secara luas oleh
masyarakat umum berdasarkan pada dokumen RFC 1319, meskipun algoritma
MD2 telah dinyatakan tidak layak lagi untuk digunakan, namun algoritma tersebut
masih digunakan pada skema public key infrastructure sebagai bagian dari
sertifikat
Proses hasing pada algoritma MD2 dilakukan dengan memberikan padding
(jika dibutuhkan) pada pesan sampai dengan kelipatan dari block 128 bit (16 byte),
serta menambahkan 16 byte nilai checksum. Proses hashing akan menggunakan 48
byte pelengkap dan 256 byte stabel yang dibangkitkan secara tidak langsung dari
bagian kecil nilai pi yang digunakan. Algoritma MD2 akan terus beriterasi untuk
mempermutasikan byte pelengkap sebanyak 18 kali untuk setiap 16 byte yang
diproses. Setelah keseluruhan pesan diproses, bagian pertama dari block
pelengkap akan menjadi nilai hash dari pesan tersebut.
51
ISBN: 978-602-72198-6-1
SENAMAS 2017
Seperti yang telah dijelaskan sebelumnya, saat ini algoritma MD2 tidak
direkomendasikan untuk tetap digunakan sebagai algoritma otentikasi pesan,
karena pada tahun 1997 Rogier dan Chauvaud menemukan kolisi pada fungsi
kompresi algoritma tersebut, meskipun mereka berdua masih belum berhasil untuk
melanjutkan penyerangan pada algoritma MD2. Pada tahun 2004, Muller
menyatakan bahwa algoritma MD2 rentan terhadap serangan preimage pada
fungsi kompresinya. Selain itu pada tahun 2008 Soren S. Thomsen memperbaiki
serangan preimage pada fungsi kompresi algoritma MD2 sehingga hanya
membutuhkan kompleksitas waktu 273 dan memori 273 block pesan untuk
membreak algoritma MD2.

dikembangkan oleh Ronald Rivest pada tahun 1990. Algoritma tersebut akan
menghasing pesan dengan panjang sembarang menjadi message digest dengan
panjang tetap (128 bit). Algoritma MD4 merupakan dasar dan cikal bakal dari
pengembagan algoritma fungsi hash terkenal lainnya, seperti algoritma MD5,
SHA-1, dan RIPEMD.
Algoritma MD4 terdiri dari 48 (empat puluh delapan) operasi, yang terdiri
dari 3 grup dengan 16 operasi pada masing-masing grup. Algoritma fungsi hash
tersebut memiliki fungsi F nonlinear dan Ki (bilangan konstan) 32 bit yang
berbeda pada setiap operasinya. Algoritma MD4 dapat digunakan oleh masyarakat
umum secara luas berdasarkan pada dokumen RFC 1320.
Kelemahan pada algoritma MD4 untuk pertama kali didemonstrasikan oleh
Den Boer dan Bosselaers melalui papernya yang dipublikasikan pada tahun 1991,
yang kemudian dikembangkan lagi oleh Hans Dobbertin pada tahun 1995 untuk
melakukan serangan kolisi pada keseluruhan algoritma MD4. Sedangkan pada
tahun 2004 Wang dan rekan-rekannya berhasil menemukan serangan kolisi yang
sangat efektif terhadap algoritma MD4, yang hasil akhir penelitiannya
dikembangkan lagi oleh Sasaki dan rekan-rekannya, berdasarkan hasil serangan
tersebut menyatakan bahwa biaya untuk mendapatkan kolisi pada algoritma MD4
setara dengan biaya untuk memverifikasiakn pesan aslinya.

dikembangkan oleh Ronald Rivest pada tahun 1992. Sama seperti algoritma karya
Ronald Rivest sebelumnya, algoritma MD5 akan menghasing pesan dengan
panjang sembarang menjadi message digest dengan panjang tetap (128 bit).
Algoritma tersebut memiliki lisensi RSA dan banyak digunakan oleh masyarakat
umum secara luas berdasarkan dokumen RFC 1321 pada berbagai aplikasi
kriptografi, untuk memverifikasi dan menjaga keutuhan/integritas suatu informasi.
Pada tahun 1996 Hans Dobbertin menemukan kelemahan dari algoritma
MD5, sehingga masyarakat luas mulai beralih untuk menggunakan algoritma
lainnya, seperti SHA-1. Selain itu pada tahun 2004 Xiaoyun Wang and Hongbo
Yu berhasil membuktikan bahwa algoritma MD5 rentan terhadap serangan kolisi
52
ISBN: 978-602-72198-6-1
SENAMAS 2017
dan pada tahun yang sama J. Black, M. Cochran dan T. Highland menemukan cara
untuk menemukan pasangan pesan berbeda yang dapat menghasilkan nilai
message digest yang sama. Bahkan pada tahun 2008 para ahli kriptografi dapat
menemukan teknik untuk memalsukan sertifikat SSL yang menggunakan
algoritma MD5. Secara umum algoritma MD5 tidak direkomendasikan untuk
digunakan lagi, dan telah diganti dengan algoritma lainnya yang lebih kuat.
2.5. Algoritma Fungsi Hash SHA-1

Algoritma fungsi hash SHA-1 (Secure Hash Algorithm-1) yang
dikembangkan oleh National Security Agency dan merupakan salah satu standard
algoritma berdasarkan pada dokumen NIST FIPS 180-4, algoritma SHA-1 akan
panjang tetap (160 bit). Algoritma SHA-0 pertama kali dipublikasikan pada tahun
1993, kemudian dikembangkan kembali menjadi algoritma SHA-1 yang
dipublikasikan pada tahun 1995 dan banyak digunakan pada aplikasi-aplikasi,
maupun protokol pertukaran informasi. Pada tahun 2005, Bruce Schneier melalui
penelitiannya menemukan serangan pada algoritma SHA-1 dan menyatakan
bahwa algoritma tersebut tidak cukup aman untuk tetap digunakan. Microsoft
secara resmi telah mengumumkan bahwa pada tahun 2017 segala jenis
perangkatnya akan menolak sertifikat SSL yang masih menggunakan algortima
SHA-1, demikian juga dengan Google dan Mozilla yang melakukan langkah yang
sama dengan Microsoft. Secara umum algoritma SHA-1 telah digantikan dengan
algoritma SHA-2 yang diklaim lebih baik daripada algoritma sebelumnya.
2.6. Algoritma Fungsi Hash SHA-2 Family

Algoritma fungsi hash SHA-2 dikembangkan oleh National Security
Agency dan merupakan salah satu standard algoritma berdasarkan pada dokumen
NIST FIPS 180-4, algoritma SHA-2 merupakan penerus/penganti dari algoritma
SHA-1 dan akan menghasing pesan dengan panjang sembarang menjadi message
digest dengan panjang tetap (224 bit, 256 bit, 384 bit atau 512 bit). Algoritma
SHA-2 dipublikasikan pada tahun 2001 dan dipatenkan di Amerika Serikat dengan
nomor 6829355.
Pada tahun 2005, ditemukan serangan matematis pada algoritma SHA-1,
meskipun disain algoritma SHA-2 mirip dengan disain algoritma pendahulunya
tersebut, namun ternyata serangan tersebut tidak berhasil untuk menyerang
algoritma SHA-2. Pada tahun 2011 Mario Lamberger dan Florian Mendel
menemukan serangan yang dapat diterapkan pada algoritma SHA-2, namun
serangan tersebut masih diangap serangan teoritis sehingga algoritma SHA-2
masih dianggap layak untuk tetap digunakan.
2.7. Algoritma Fungsi Hash SHA-3 Family

Pada tahun 2012 NIST mengadakan kompetinsi untuk mencari algoritma
fungsi hash yang akan menjadi algoritma fungsi hash SHA-3. Terdapat 5 (lima)
finalis pada kompetisi tersebut, antara lain : algoritma fungsi hash Blake (karya
53
ISBN: 978-602-72198-6-1
SENAMAS 2017
Aumasson), Grostl (karya Knudsen), JH (karya Hongjun Wu), Keccak (karya Joan
Daemen), dan Skein (karya Bruce Schneier). Secara umum algoritma SHA-3
bukan merupakan kompetisi untuk mencari penganti atau penerus algoritma SHA-
2, namun karena telah ditemukannya serangan-serangan yang lebih mangkus
daripada serangan brute force attack pada algoritma MD5, SHA-0, dan SHA-1,
sehingga NIST melihat adanya kebutuhan untuk mencari disain rancang bangun
alternatif dari suatu algoritma fungsi hash, dan pemenang dari kompetisi tersebut
adalah algoritma Keccak. Algoritma tersebut dapat digunakan oleh masyarakat
umum secara luas berdasarkan pada dokumen NIST FIPS 202, dimana algoritma
SHA-3 akan menghasing pesan dengan panjang sembarang menjadi message
digest dengan panjang tetap (224 bit, 256 bit, 384 bit atau 512 bit).
2.8. Algoritma Fungsi Hash RIPEMD Family

Algoritma fungsi hash RIPEMD (RACE Integrity Primitives Evaluation
Message Digest) merupakan algoritma yang dikembangkan oleh tim
pengembangan algoritma fungsi hash COSIC, Katholieke Universiteit Leuven,
Belgia yang dipimpin oleh hans Dobbertin pada tahun 1996. Algoritma RIPEMD
memiliki disain rancang bangun yang mirip dengan algoritma MD4, dan memiliki
performa yang sama dengan algoritma SHA-1.
Berdsarkan pada dokumen CRYPTREC algoritma RIPEMD akan
panjang tetap (128 bit, 169 bit, 256 bit, atau 320 bit). Pada tahun 2004 Xiaoyun
Wang menemukan serangan kolisi yang dapat diterapkan pada algoritma
RIPEMD, namun Florian Mendel membuktikan bahwa serang tersebut hanya
berlaku pada algoritma RIPEMD dengan output message digest 128 bit, dan
belum dapat diterapkan pada algoritma RIPEMD dengan output message digest
160 bit dan diatasnya.
2.9. Algoritma Fungsi Hash Whrilpool

Algoritma fungsi hash Whirlpool merupakan algoritma yang dirancang
bangun oleh Vincent Rijmen (salah satu pendisain algoritma block cipher
Advanced Encryption Standard) dan Paulo S. L. M. Barreto pada tahun 2000.
Algoritma Whirlpool dapat digunakan oleh masyarakat umum secara luas
berdsarkan pada dokumen NESSIE, ISO, dan IEC 10118-3. Algoritma tersebut
didisain dengan menggunakan konstruksi Miyaguchi-Preneel dan akan
panjang tetap 512 bit.
2.10. Algoritma Fungsi Hash GOST3411

Algoritma fungsi hash GOST merupakan algoritma fungsi hash standar
pemerintah Rusia, yang memiliki 2 (dua) varian algoritma, antara lain GOST R
34.11-94 dan GOST 34.311-95. Algoritma tersebut akan menghasing pesan
dengan panjang sembarang menjadi message digest dengan panjang tetap 256 bit.
Input pesan pada algoritma GOST akan dibagi-bagi menjadi 256 bit (8 (delapan) x
54
ISBN: 978-602-72198-6-1
SENAMAS 2017
32 bit), dan akan dipadding dengan nilai 0, jika panjang pesannya kurang dari
dan/atau kelipatan 256 bit. Pada tahun 2008 Florian Mendel, Norbert Pramstaller,
Christian Rechberger, Marcin Kontak dan Janusz Szmidt menemukan serangan
yang dapat membreak algoritma GOST secara keseluruhan, yaitu dengan
menggunakan serangan kolisi, dan serangan preimage.
3. Pengujian Performa Implementasi Algoritma Fungsi Hash

Salah satu pengujian untuk mengetahui tingkat performa pada implementasi
algoritma fungsi hash standar internasional adalah dengan melakukan pengujian
kecepatan pada algoritma fungsi hash tersebut. Pengujian kecepatan algoritma
fungsi hash dapat dilakukan dengan beberapa cara, antara lain dengan menghitung :
proses hashing terhadap pesan dengan ukuran tetap dan jumlah iterasi yang
beragam, atau proses hashing terhadap pesan dengan ukuran beragam dan jumlah
iterasi yang tetap. Pada makalah kali ini akan dibahas mengenai pengujian
kecepatan algoritma fungsi hash standar internasional pada proses hasing terhadap
pesan dengan menggunakan ukuran data beragam dan jumlah iterasi yang tetap.
Pengujian kecepatan algoritma fungsi hash standar internasional pada
makalah ini diimplementasikan dengan menggunakan bahasa pemrograman Java,
dan dilakukan berdasarkan proses hasing terhadap pesan dengan menggunakan
ukuran data bermacam-macam dan jumlah iterasi yang tetap, tanpa memperhatikan
spesifikasi dari masing-masing algoritma fungsi hash, seperti besarnya ukuran
message digest, dan tahun publish algoritma fungsi hash. Sedangkan sampling file
yang digunakan dalam pengujian kecepatan algoritma fungsi hash ini, antara lain : 1
(satu) Kilo Byte, 100 (seratus) Kilo Byte, 1 (satu) Mega Byte, 2 (dua) Mega Byte,
dan 10 (sepuluh) Mega Byte. Tabel dibawah menunjukkan hasil pengujian
kecepatan proses hasing pada beberapa algoritma fungsi hash standar internasional
(berdasarkan ukuran file).
Tabel Hasil Pengujian Kecepatan Proses Hashing Pada Beberapa Algoritma Fungsi
Hash Standar Internasional (Berdasarkan Ukuran File).
Algoritma Ukuran File/Waktu (dalam ms)
No.
Enkripsi 1 KB 100 KB 1 MB 2 MB 10 MB
1. MD2 1 23 160 327 1576
2. MD4 1 15 23 25 50
3. MD5 1 15 31 38 70
4. RIPEMD 128 1 23 54 60 110
5. RIPEMD 160 1 46 210 234 390
6. RIPEMD 256 1 23 54 70 110
7. RIPEMD 320 1 46 218 250 400
8. SHA-1 1 31 40 54 101
9. SHA 224 1 15 31 40 125
10. SHA 256 1 15 31 40 125
11. SHA 384 1 15 31 40 101
12. SHA 512 1 15 31 40 101
13. SHA-3 1 31 94 172 616
14. SHA-3 224 1 31 93 156 616
15. SHA-3 256 1 31 94 156 616
55
ISBN: 978-602-72198-6-1
SENAMAS 2017
16. SHA-3 384 1 31 101 195 824

17. SHA-3 512 1 31 156 273 1170
18. Whirlpool 1 31 101 172 780
19. GOST3411 15 62 250 421 1950
Sedangkan tabel dibawah menunjukkan rata-rata hasil pengujian performa proses

hasing terhadap pesan dengan menggunakan ukuran data beragam dan jumlah iterasi
yang tetap pada beberapa algoritma fungsi hash standar internasional (berdasarkan
ukuran file). Gambar dibawah menunjukkan grafik hasil pengujian kecepatan rata-
rata proses hasing pada beberapa algoritma fungsi hash standar internasional
(berdasarkan ukuran file).
Gambar Grafik Hasil Kecepatan Rata-Rata Proses Hashing pada Beberapa

Algoritma Fungsi Hash Standar Internasional (Berdasarkan Ukuran File).
4. Simpulan
Berdasarkan hasil pengujian performa algoritma fungsi hash berdasarkan
ukuran file 1 (satu) Kilo Byte, 100 (seratus) Kilo Byte, 1 (satu) Mega Byte, 2 (dua)
Mega Byte, sampai dengan 10 (sepuluh) Mega Byte diatas, dapat diketahui bahwa
algoritma fungsi hash MD4, dan algoritma fungsi hash MD5 karya Ronald Rivest
memiliki kecepatan yang paling cepat pertama, dan paling cepat kedua
dibandingkan dengan algoritma fungsi hash lainnya, keluarga algoritma fungsi hash
SHA-2 berdasarkan dokumen NIST FIPS 180-3/4 berada pada posisi ketiga, disusul
oleh algoritma fungsi hash SHA-1 berdasarkan dokumen NIST FIPS 180-3/4 pada
posisi keempat. Keluarga algoritma fungsi hash RIPEMD karya Hans Dobbertin,
Antoon Bosselaers dan Bart Preneel berdasarkan dokumen CRYPTREC berada
diposisi kelima, keluarga algoritma fungsi hash SHA-3 berdasarkan dokumen NIST
FIPS 202 pada posisi keenam, algoritma fungsi hash Whirlpool karya Vincent
Rijmen, dan Paulo S. L. M. Barreto berdasarkan dokumen NESSIE berada pada
posisi ketujuh, algoritma fungsi hash MD2 karya Ronald Rivest berada pada posisi
56
ISBN: 978-602-72198-6-1
SENAMAS 2017
kedelapan, sedangkan pada posisi terakhir/posisi kesepuluh ditempati oleh algoritma

fungsi hash GOST3411 berdasarkan dokumen FAPSI and VNIIstandart (USSR).
Keseluruhan algoritma fungsi hash standar internasional yang terdapat pada
makalah ini telah diimplementasikan dengan menggunakan bahasa pemrograman
Java, yaitu dalam satu library kriptografi dan yang penulis lakukan pada makalah
adalah melakukan perbandingan algoritma fungsi hash hanya dari satu sisi, yaitu sisi
implementasi dan performa pada platform dan level pengukuran data yang sama,
sedangkan dalam implementasi pengamanan/otentikasi dokumen perlu dilakukan
kajian lebih lanjut, khususnya mengenai kebutuhan disain, kelemahan-kelemahan,
serangan, level keamanan dan penggunaan operasi, baik operasi aritmatika, operasi
bitwise, maupun operasi aritmatika khusus lainnya seperti yang terdapat pada
algoritma fungsi hash SHA-3.
Daftar Pustaka
[1] U.S. Departement of Commerce, 2008, NIST FIPS 180-3 – Secure Hash Standard
(SHS), NIST (National Institute of Standads and Technology) Federal Information
Processing Standards Publication.
[2] U.S. Departement of Commerce, 2014, NIST FIPS 202 – Secure Hash Standard
(SHS), NIST (National Institute of Standads and Technology) Federal Information
Processing Standards Publication.
[3] Menezes, Alfred J., Ooschot, Paul C. Van. & Vanstone, Scott A., 1996, Handbook
of Applied Cryptography, Boca Raton : CRC press LLC.
[4] Schneier, Bruce, 1996, Applied Cryptography : Protocol, Algorithms and

Source Code in C, John Willey & Sons, Inc.
57
ISBN: 978-602-72198-6-1
SENAMAS 2017
Kerangka Teori tentang Peranan Penalaran

Matematika pada Pembelajaran
Algoritma Komputasi
Sulis Janu Hartati
Universitas Dr. Soetomo Surabaya
E-mail : sulis.janu@unitomo.ac.id
Abstrak
Diskusi pada makalah ini bertujuan untuk mengeksplorasi peranan penalaran
matematika pada pembelajaran algoritma komputasi. Hasil diskusi akan digunakan
untuk membuat desain konten pembelajaran penalaran matematika bagi peserta didik
dengan kemampuan matematika rendah, namun harus belajar algoritma komputasi.
Oleh karena itu, target diskusi adalah ditemukan karakteristik penalaran matematika
yang diperlukan untuk pembelajaran algoritma komputasi. Metode yang digunakan
adalah kajian pustaka, menggunakan penalaran deduktif dan induktif sebab akibat.
Pertanyaan yang diajukan pada makalah ini adalah apa karakteristik penalaran
matematika yang dibutuhkan siswa dalam pembelajaran algoritma komputasi. Hasil
kajian menunjukan bahwa karakteristik penalaran matematika yang dibutuhkan dalam
pembelajaran algoritma komputasi adalah penalaran matematika kreatif bukan imitasi.
Penalaran matematika kreatif dibutuhkan untuk menyusun model aljabar dari suatu
masalah komputasi, khususnya model aljabar dalam bentuk fungsi eksplisit. Selain itu,
Penalaran matematika kreatif juga dibutuhkan untuk menyusun logika berupa induksi
sebab akibat yang digunakan untuk mendesain proses percabangan, perulangan, serta
kombinasi keduanya. Proses percabangan dan perulangan merupakan proses inti dalam
otomasi menggunakan mesin komputer.
Kata Kunci : Penalaran Matematika, Algoritma Komputasi, Penalaran Matematika

Kreatif, Percabangan, Perulangan
1. Pendahuluan
Usaha untuk memperbaiki kemampuan mahasiswa menyusun algoritma
komputasi sudah mulai dilakukan sejak tahun 2013 [1], sampai dengan 2016 [2]. Satu
diantara usaha tersebut adalah membuat perangkat lunak pembelajaran berbasis
multimedia. Namun demikian, hasilnya belum bisa memenuhi harapan [3]. Beberapa
kesulitan mereka meliputi: (1) membuat persamaan matematika sebagai model proses
otomasi, (2) memilih logical connectivity untuk menentukan proses perulangan atau
percabangan [3]. Hal ini disebabkan, media pembelajaran yang sudah dirancang baru
memperhatikan kebutuhan pemahaman tingkat aksi dan proses menurut teori APOS [4].
Di sisi lain, pengetahuan untuk menyusun algoritma komputasi adalah
pengetahuan konseptual. Pernyatan tersebut didukung oleh hasil kajian teoritis yang
menyatakan bahwa karakteristik pengetahuan untuk menyusun algoritma komputasi
tergolong sebagai pengetahuan konseptual dan metakognitif [2]. Menurut Skemp
(1982), untuk mempelajari pengetahuan konseptual dan metakognitif dibutuhkan
kemampuan matematika, satu diantaranya adalah penalaran matematika. Pernyataan
Skemp [5] tersebut dibuktikan oleh Hartati [2], bahwa pengetahuan dasar yang harus
dimiliki untuk belajar algoritma komputasi adalah penalaran matematika.
58
ISBN: 978-602-72198-6-1
SENAMAS 2017
2. Penalaran Matematika
Penalaran matematika adalah ide dasar dalam pembuktian matematika.
Penalaran matematika berguna untuk mengembangkan keterampilan dalam menyusun
pernyataan matematika [6], seperti proposisi. Sebuah proposisi adalah kalimat yang
benar atau salah, tetapi tidak bisa bernilai keduanya pada saat atau kondisi yang sama.
Contoh proposisi adalah: jika x dan n adalah sembarang bilangan bulat yang memenusi
persamaan x = 2n+1, maka x adalah bilangan ganjil. Nilai proposisi tersebut adalah
benar dan tidak mungkin salah.
Kerangka teori penalaran matematika pada makalah ini didasarkan pada
perbedaan karakteristik penalaran matematika imitasi dan kreatif. Karakteristik
penalaran matematika imitasi dihasilkan oleh pembelajaran rutinitas [7](Lithner, 2008) .
Cirri-ciri penalaran matematika imitasi adalah: (1) pemilihan strategi berdasarkan
ingatan, kemudian diimplementasikan dengan cara menulis atau menyusun ulang, (2)
pemilihan strategi berdasarkan urutan langkah, tidak membuat solusi baru walaupun
mungkin argumentasi prediksi berbeda dari yang sudah ada, serta menghindari terjadi
kesalahan.
Contoh penalaran matematika imitasi pada pembelajaran matematika adalah
ketidak mampuan siswa membedakan situasi pembagian partitif dan kuotitif [8]. Pada
tulisannya, ia memberikan contoh situasi kuotitif seperti berikut ini.
“Ada 130 siswa dan guru dari Sekolah Marie Curie akan
berangkat piknik. Setiap bis sekolah memuat 50 penumpang.
Berapa banyak bis yang mereka butuhkan?”.
Hasil penelitian sungguh mengejutkan, hanya 35% siswa kelas VI, 30 % siswa kelas
VII, dan 22 % siswa kelas VIII yang menjawab dengan benar. Kebanyakan siswa
menjawab “dibutuhkan bis sebanyak 2.6”. Jawaban tersebut diperoleh dengan cara
membagi langsung bilangan 130 dengan 50.
Penalaran matematika imitasi, jika dikaitkan dengan teori APOS
[9][10][11][12], masuk pada tingkatan aksi. Sebagaimana hasil penelitian Hartati [13],
yang menemukan bahwa siswa taktil menyelesaikan soal pembagian dengan
menggunakan bantuan gambar lidi, disajikan pada gambar 1 berikut ini.
Gambar 1: Lembar Jawaban Menyelesaikan Soal Pembagian

Menggunakan Gambar Lidi [13]
Deskripsi pengamatan perilaku siswa taktil menyelesaikan soal “44:4” dengan gambar
lidi adalah sebagai berikut [13].
“Menggambarkan lidi sebanyak 44 buah lidi, sambil bicara 1, 2, 3, 4 sampai 44,
kemudian mengelompokan lidi, setiap kelompok berisi 4 buah lidi. Dilanjutkan
dengan membuat pembatas kelompok, setiap kelompok diberi nomor mulai 1, 2,
sampai dengan 11. Kemudian menuliskan jawaban 11”.
59
ISBN: 978-602-72198-6-1
SENAMAS 2017
Deskripsi dan gambar di atas menunjukkan bahwa siswa menggunakan konsep prosedur
pembagian bersusun, yaitu pengurangan berulang walau caranya berbeda dengan
prosedur pembagian bersusun.
Berdasarkan kajian di atas, proposisi penalaran matematika imitasi pada
makalah ditetapkan seperti berikut ini.
P1: Penalaran matematika imitasi adalah penalaran matematika yang memuat
dua cirri, yaitu: (1) pemilihan strategi berdasarkan ingatan, (2) urutan
langkah yang disusun untuk mengimplementasikan strategi tidak
mengandung unsur kebaruan.
Penalaran matematika kreatif dikaitkan dengan pemahaman relational [7].

Pemahaman relasional akan menghasilkan pengetahuan relasional pula. Menurut Skemp
[5], pengetahuan “relasional” adalah pengetahuan yang diperoleh dengan cara mencari
relasi satu konsep dengan konsep yang lain. Kekuatan pemahaman relasional terletak
pada kemampuan menggabungkan dan menghubungkan beberapa pengalaman yang
berbeda-beda, serta mengklasifikasikannya. Dengan demikian, penalaran matematika
kreatif jika dihubungkan dengan pemecahan masalah matematika akan menghasilkan
solusi yang memuat unsur kebaruan yang merupakan hasil dari penggabungan
pengalaman yang berbeda, fleksibel atau luwes, serta lancar atau runtun [8]. Fleksibel
artinya memiliki solusi lebih dari satu karena mampu menghubungkan satu pengalaman
dengan lainnya.
Oleh karena itu, Lithner [7] memberikan cirri-ciri penalaran matematika kreatif
adalah: ada unsur kebaruan, logis atau masuk akal, menggunakan dasar matematis. Ciri
unsur kebaruan adalah individu membuat sederetan penalaran baru dan melupakan yang
pernah dibuatnya. Logis atau masuk akal, maksudnya terdapat beberapa argument yang
mendukung pemilihan strategi dan hasil implementasinya benar atau masuk akal. Dasar
matematis, maksudnya argument yang dibuat selama proses penalaran melekat pada
sifat-sifat intrisik matematika
Contoh penalaran matematika kreatif pada pembelajaran matematika adalah
kemampuan siswa membedakan situasi pembagian partitif dan kuotitif [8]. Ciri
penalaran matematika kreatif, jika dikaitkan dengan teori APOS [9][10][11][12], masuk
pada tingkatan skema. Hartati [13] menemukan bahwa siswa visual menyelesaikan soal
pembagian dengan membuat sederetan penalaran baru dan melupakan yang pernah
dibuatnya. Penjelasan yang diberikan logis, hasilnya benar, sebagaimana pada hasil
pengamatan dan deskripsi saat wawancara.
Hasil pengamatan menunjukan bahwa, semua perhitungan untuk mendapatkan
hasil pembagian dilakukannya dalam pikiran subjek, dengan alat bantu jari-jari tangan,
namun nyaris tidak terlihat. Penggalian lewat wawancara ditemukan bahwa subjek dapat
menjelaskan hasil pekerjaannya dengan runtun dan jelas, dengan cara berbeda antara
satu penjelasan dengan penjelesannya lainnya. Awalnya, dengan cara perkalian,
kemudian dengan penjumlahan menggunakan pola tertentu. Penjelasan tersebut seperti
yang disajikan pada gambar 2 berikut ini.
60
ISBN: 978-602-72198-6-1
SENAMAS 2017
Gambar 2: Lembar Jawaban Siswa Visual [13]
Hasil tersebut menurut teori APOS menunjukkan bahwa, subjek memandang

„bilangan yang dibagi‟ sebagai objek, sehingga setiap menjumpai bilangan bernilai
besar dibanding dengan bilangan pembagi, subjek kemudian melakukan partisi terhadap
bilangan yang dibagi menjadi beberapa bilangan pembagi atau kelipatan dari bilangan
pembagi. Selanjutnya mejumlahkan hasil pembagian pada setiap partisi. Ini menunjukan
bahwa subjek memandang hasil pembagian di setiap partisi sebagai objek yang dapat
digabungkan dengan hasil pembagian partisi lain, menggunakan strategi counting up.
Ini menunjukan bahwa subjek mampu mengkonstruksi kembali langkah-langkah
transformasi lain. Dengan kata lain, subjek mampu mentransformasikan aksi dan proses
menjadi objek. Sehingga skema proses berpikir subjek terhadap pemahaman konsep
pembagian seperti pada gambar 3.
Berdasarkan kajian di atas, proposisi penalaran matematika kreatif pada makalah
ditetapkan seperti berikut ini.
P2: Penalaran matematika kreatif adalah penalaran matematika yang memuat
dua ciri, yaitu: (1) pemilihan strategi menggunakan dasar matematis, (2)
urutan langkah yang disusun untuk mengimplementasikan strategi
mengandung unsur kebaruan, (3) penjelasan disusun secara logis dan
runtun.
61
ISBN: 978-602-72198-6-1
SENAMAS 2017
Objek berupa soal pembagian sebagai stimulus eksternal
Yang diperhatikan subjek adalah bilangan yang dibagi
Aksi mental: mempartisi bilangan yang dibagi menjadi beberapa partisi, secara
umum P1, P2, ..., Pn tidak harus sama, tapi masing-masing merupakan kelipatan
bilangan pembagi
P1 P2 ..... Pn
.
Proses mental: mempartisi P1, P2, ..., Pn menjadi beberapa partisi lagi sedemikian hingga setiap
partisi hanya memuat 1 bilangan pembagi
P1.1 ........ P1. P2.1 ........ P2.s Pn.1 ........ Pn.t

. m . .
Objek mental: memperlakukan setiap partisi sebagai objek yang jumlahnya 1, kemudian menggabungkan kembali
dengan menggunakan strategi counting up
Pg Pg ..... Pg
1 2 . n
Objek mental: memperlakukan setiap partisi sebagai objek, kemudian menggabungkan kembali dengan
menggunakan strategi counting up
Hasil bagi
Gambar 3: Skema Konsep Pembagian Bersesuaian Dengan Konsep Partisi [13]
2. Pengetahuan pada Algoritma Komputasi

Pengetahuan digolongkan menjadi empat, yaitu faktual, konseptual, prosedural,
serta metakognisi [14]. Pengetahuan faktual adalah pengetahuan yang terpisah-pisah,
satu pengetahuan dengan lainnya tidak terhubung, seperti bit-bit pada informasi [14].
Pengetahuan faktual dibedakan menjadi dua, yaitu terminology dan rincian elemen
tertentu. Contoh terminology dalam algoritma komputasi adalah simbol, diantarannya
adalah symbol variabel, simbol-simbol flowchart, operator, relasi. Contoh rincian
elemen tertentu adalah penggolongan variable menjadi 3, yaitu: numeric, bukan
numeric, dan Boolean. ,
Pengetahuan konseptual merupakan pengetahuan yang dibentuk dari
keterhubungan antara elemen dasar dengan struktur yang lebih luas, sehingga
membentuk suatu fungsi tertentu [15]. Pengetahuan ini meliputi: klasifikasi dan
kategorisasi, prinsip dan generalisasi, teori, model, dan struktur. Contoh klasifikasi dan
kategorisasi adalah data, konstanta, parameter, variabel, berbagai jenis proses
pengolahan data, serta modularitas. Contoh prinsip dan generalisasi adalah prinsip
membentuk modul, prinsip desain algoritma, serta prinsip passing parameter. Contoh
62
ISBN: 978-602-72198-6-1
SENAMAS 2017
teori, model, dan struktur adalah: model flowchart percabangan, serta berbagai
perulangan.
Pengetahuan prosedural adalah pengetahuan tentang bagaimana melakukan
sesuatu [14][15]. Pengetahuan ini meliputi ketrampilan tertentu dan algoritma, teknik
dan metode tertentu, criteria tertentu dalam menggunakan metode yang tepat. Contoh
pengetahuan prosedural dalam algoritma komputasi adalah teknik pencarian dengan
algoritma sequential search dan binary search, teknik pengurutan data dengan algoritma
buble sort, dan seterusnya.
Pengetahuan metakognitif adalah pengetahuan tentang kognisi secara umum,
seperti kesadaran tentang sesuatu yang diketahuinya dan tidak, termasuk kognisi itu
sendiri [14]. Pengetahuan metakognitif meliputi strategi. Pengetahuan ini terbukti dapat
meningkatkan kesadaran proses berpikir [16]. Contoh, mahasiswa dapat merancang
flowchart untuk suatu masalah tertentu dan dapat melakukan evaluasi terhadap
flowchart yang sudah dirancangnya. Sehingga dia dapat menentukan nilai kebenaran
rancangan flowchart yang disusunnya.
Algoritma komputasi adalah mata kuliah yang bertujuan memberikan
kemampuan dasar pada mahasiswa dalam hal merancang algoritma yang disajikan
dalam bentuk flowchart dan pseudoce untuk menyelesaikan masalah komputasi. Materi
mata kuliah ini ditekankan pada pembuatan proses otomasi secara logika, yang disajikan
dalam bentuk flowchart dan pseudoce [17]. Berdasarkan beberapa proposisi di atas,
maka pengetahuan pada Algoritma Komputasi adalah pengetahuan metakognitif.
Berdasarkan kajian di atas, proposisi pengetahuan pada algoritma komputasi
pada makalah ditetapkan seperti berikut ini.
P3: Pengetahuan pada algoritma komputasi adalah pengetahuan metakognitif.
3. Penalaran Matematika dan Pembelajaran Algoritma Komputasi

Menurut Farrell [17], ruang lingkup algoritma komputasi meliputi kemampuan
merancang algoritma yang disajikan dalam bentuk flowchart dan pseudo code.
Algoritma didefinisikan sebagai proses otomasi, untuk mentransformasikan masukan
tertentu menjadi keluaran tertentu pula, menggunakan mesin computer, disajikan dalam
flowchart dan pseudo code [4]. Rincian materi yang dipelajari meliputi: (1) pengolahan
data, termasuk di dalamnya pendekatan modular, (2) variable sederhana dan array,
parameter, data, konstanta, operator, serta logika matematika, (3) proses sekuensial,
percabangan, perulangan, serta kombinasi dari ketiganya, (4) pengembangan algoritma
menggunakan pendekatan flowchart dan pseudocode, serta (5) berbagai algoritma
pencarian dan pengurutan [17][18][19][20].
Pembahasan pengolahan data dimulai dari penjelasan tentang bagian-bagian dari
perangkat keras dan lunak untuk mengolah data, meliputi pengetahuan dasar tentang
sistem computer, logika program sederhana, bahasa pemrograman, langkah-langkah
membuat program, penyajian algoritma dengan pseudocode dan flowchart [17].
Mengolah data bertujuan mengubah data berdasarkan informasi yang dimasukan ke
dalam mesin computer menggunakan alat masukan, seperti key board, menjadi suatu
luaran atau informasi tertentu. Dengan demikian, pengolahan data merupakan proses
yang kompleks, dengan komponen terkecilnya adalah masukan, proses, serta luaran.
Komponen masukan berfungsi untuk memasukan data. Kemampuan dasar yang
dibutuhkan untuk merancang komponen masukan adalah mengidentifikasi variable,
meliputi: variable untuk memasukan data, memproses data, serta menampilkan data jika
63
ISBN: 978-602-72198-6-1
SENAMAS 2017
diperlukan. Sebagai contoh, mahasiswa diberikan tugas untuk membuat algoritma

autentifikasi penggunaan aplikasi. Untuk menyelesaikan tugas tersebut mahasiswa harus
memahami fungsi autentifikasi. Kemudian, membuat prediksi kebutuhan variable
beserta tipenya. Selanjutnya, mereka menyusun proses transformasi dari variabel
masukan menjadi variable luaran. Contoh tersebut menunjukkan bahwa kemampuan
untuk membuat algoritma autentifikasi bukanlah masalah rutin, karena dibutuhkan
kemampuan untuk memprediksi kebutuhan variabel.
Komponen proses berfungsi mentransformasikan variable masukan menjadi
luaran yang diharapkan. Transformasi terdiri dari beberapa instruksi. Berikut ini adalah
contoh transformasi pada proses autentifikasi.
x=‟00123‟; y=‟aku‟;
input usName; password;
if (usName=x) and (password=y) then
proses_1
else print „user name atau password‟;
Gambar 4. Contoh Transformasi pada Komponen Proses

Contoh pada gambar 4 menunjukkan bahwa kemampuan dasar yang dibutuhkan untuk
merancang proses adalah pemahaman tentang penalaran matematika, meliputi: (1)
menemukan persamaan aljabar yang sesuai dengan masalah yang diselesaikan,
khususnya bentuk persamaan eksplisit, (2) menemukan bentuk implikasi yang tepat,
serta (3) menemukan relasi dua proposisi yang cocok dengan permasalah. Contoh
persamaan aljabar eksplisit pada gambar 4 di atas adalah sebagai berikut.
x=‟00123‟; y=‟aku‟;
Contoh implikasi pada gambar 4 di atas adalah: susunan if proposisi_1 then

instruksi/proposisi else instruksi/proposisi, selengkapnya disajikan seperti berikut ini.
if (usName=x) and (password=y) then
proses_1
else print „user name atau password‟;
Contoh relasi pada gambar 4 di atas adalah sebagai berikut.

(usName=x) and (password=y)
Pada contoh di atas, relasi yang digunakan “and”, relasi tersebut menghubungkan
proposisi_1 (usName=x) dengan proposisi_2 (password=y). Dengan demikian sangat
penting bagi peserta didik untuk dilatih penalaran matematika kreatif, karena membuat
persamaan aljabar dari realitas membutuhkan strategi yang menggunakan dasar
matematis dan selalu mengandung unsur kebaruan, serta membutuhkan penjelasan yang
logis, demikian juga untuk membuat implikasi dan relasi.
Langkah selanjutnya adalah melakukan pengujian terhadap rancangan algoritma.
Pengetahuan ini perlu dipelajari mahasiswa karena berdasarkan proposisi P3,
pengetahuan pada algoritma komputasi adalah pengetahuan metakognitif. Sehingga
tujuan pengujian adalah untuk memberikan jaminan bahwa algoritma yang disusun
sudah valid dan reliable untuk dijadikan coding dalam bahasa pemrograman. Table
berikut ini adalah contoh desain pengujian.
64
ISBN: 978-602-72198-6-1
SENAMAS 2017
Tabel 1. Desain Pengujian dan Hasilnya

PERNYATAAN AKSI HASIL KETERANGAN
MATEMATIKA
Contoh 1
Input usName; 02341 usName=‟ 02341‟ Masukan data
Input password abba Password=‟ abba‟ Masukan data
x=‟00123‟; - x=‟00123‟; aksi oleh mesin
y=‟aku‟; - y=‟aku‟; aksi oleh mesin
if (usName=x) and - False (false and aksi oleh mesin
(password=y) then false)
proses_1 - - -
else print „user name - user name atau aksi oleh mesin
atau password salah‟; password salah
Contoh 2
Input usName; 00123 usName=‟00123‟ Masukan data
Input password abba Password=‟ Masukan data
abba‟
if (usName=x) and - False (true and aksi oleh mesin
(password=y) then false)
proses_1 - - -
Contoh 3.
Input password aku Password=‟aku‟ Masukan data
if (usName=x) and - False (false and aksi oleh mesin
(password=y) then true)
proses_1 - - -
Contoh 4
Input password aku Password=‟aku‟ Masukan data
if (usName=x) and - True (true and aksi oleh mesin
(password=y) then true)
proses_1 - Mengerjakan aksi oleh mesin
instruksi pada
proses_1
else print „user name - - -
atau password salah‟;
65
ISBN: 978-602-72198-6-1
SENAMAS 2017
Kemampuan dasar yang dibutuhkan untuk merancang pengujian adalah

pemahaman rancangan proses, khususnya yang berkaitan dengan pemilihan tipe
variable, rancangan persamaan aljabar yang digunakan, rancangan implikasi, serta
pemilihan relasi.
Pada contoh di atas, desain pengujian harus menggunakan empat urutan data,
setiap urutan berbeda satu dengan lainnya, karena ada dua buah proposisi yang
dihubungkan dengan menggunakan relasi „and‟, yaitu (1) proposisi_1: usName=x, dan
(2) proposisi_2: password=y, masing-masing proposisi mempunyai dua kemungkinan
nilai, yaitu true atau false. Keempat kemungkinan tersebut disajikan pada tabel 2 berikut
ini.
Tabel 1. Empat Kemungkinan yang Harus Diuji pada

Rancangan Algoritma
NO Kemungkinan Nilai Kemungkinan Nilai a and b
a (x=‟00123‟) b (y=‟aku‟)
1. False False False
2. False True False
3. True False False
4. True True True
Penjelasan di atas menunjukkan bahwa, untuk membuat desain pengujian

dibutuhkan pemahaman tentang dasar-dasar permutasi. Sehingga, pembuat desain
pengujian membutuhkan beberapa kemampuan, meliputi: (1) memilih strategi yang
menggunakan dasar matematis, (2) unsur kebaruan untuk melakukan implementasi
strategi karena setiap permasalah memiliki karakteristik yang unik, serta (3)
membutuhkan penjelasan yang logis.
Dengan demikian, permasalah pada algoritma komputasi merupakan
permasalahan yang tidak rutin. Oleh karena itu, sebelum pembelajaran algoritma
komputasi dimulai, peserta didik harus diberi dilatih membuat penalaran matematika
kreatif.
3. Simpulan
Berdasarkan kajian teori dapat disimpulkan bahwa: (1) karakteristik penalaran
matematika yang dibutuhkan dalam pembelajaran algoritma komputasi adalah penalaran
matematika kreatif bukan imitasi, (2) Penalaran matematika kreatif dibutuhkan untuk
menyusun persamaan aljabar, implikasi untuk proses percabangan, serta memilih relasi
yang tepat untuk lebih dari satu proposisi, serta (3) untuk membuat pengujian algoritma.
Daftar Pustaka
[1] Rahmawati and Hartati, S.J., 2013, The Application of Computer Aided Learning
to Learn Basic Concepts of Braching and Looping on Logic Algorithm, The
International Journal of Multimedia & Its Applications (IJMA) Vol.5, No.6, pp
15-24, ISSN: 0975-5934.
66
ISBN: 978-602-72198-6-1
SENAMAS 2017
[2] Hartati, S.J., 2016, A Study of Knowledge Categorization In Logic and Algorithms,
11th Annual Education and Development Conference. Bangkok: Tomorrow
People.
[3] Sulistiowati dan Hartati, S.J., 2015, Penerapan TAM pada Pembuatan Aplikasi
Multimedia untuk Belajar Logika dan Algoritma Berbasis Gaya Belajar. Laporan
penelitian hibah bersaing DIKTI, tahun ketiga (tidak diterbitkan).
[4] Hartati, S.J., 2014, Design of Learning Model of Logic and Algorithms Based on
APOS Theory. International Journal of Evaluation and Research in Education
(IJERE). Vol.3, No.2, pp 109 – 118, ISSN: 2252-8822.
[5] Skemp, Richard R., 1982, The Psychology Of Learning Mathematics, Great Britain:
Hazell Watson &Vney Ltd.
[6] Ecclles, P.J., 2007, An Introduction to Mathematical Reasoning, number, sets and
functions, Tenth Printing. New York: Cambrige University Press.
[7] Lithner, Johan, 2008, A research framework for creative and imitative reasoning,
Educational Studies in Mathematics, 67:255-276.
[8] Silver, E. A.,1986, Using Conceptual And Procedural Knowledge: A Focus On
Relationships. In J. Hiebert (Ed.), "Conceptual And Procedural Knowledge: The
Case Of Mathematics", (pp. 181-197), Hillsdale, NJ: Lawrence Erlbaum.
[9] Asiala, M, et all., 2004, A Framework for Research and Curriculum Development in
Undergraduate Mathematics Education. Indiana: Purdue University.
[10] DeVries, David, 2004, Solution - What Does It Mean? Helping Linear Algebra
Students Develop The Concept While Improving Research Tools, Proceedings of
the 28th Conference of the International Group for the Psychology of Mathematics
Education; 2; 55–62.
[11] Dubinsky, E., 1988, A Theory And Practice Of Learning College Mathematics. In
A. Schoenfeld (Ed.), Mathematical Thinking and Problem Solving; vol; 221-243.
[12] Tall, D. & Vinner, S., 1981, Concept Image and Concept Definition in
Mathematics with Particular Reference to Limits and Continuity. Educational
Studies in Mathematics 1981; 12; 151-169.
[13] Hartati, S.J., 2010, Proses Berpikir Siswa Kelas III SD pada saat Mengkonstruksi
Pemahaman Konsep Pembagian Ditinjau dari Perbedaan Gaya Belajar, Laporan
penelitian hibah Doktor DIKTI (tidak diterbitkan).
[14] Anderson, J. & Karthwohl, 2001, A Taxonomy for Learning, Teaching, and
Assessing,New York: Addision Wesley Longman, Inc.
[15] Star, J.R., Stylianiedes, G.L., 2013, Procedural and Conceptual Knowledge:
Exploring the Gap Between Knowledge Type and Knowledge Quality. Canadian
Journal of Science, Mathematics and Technology Education. Volume 13, Issue 2,
169-181, ISSN 1942-4051.
[16] Caliskan, M., Sunbul, A.M., 2011, The Effects of Learning Strategies Instruction
on Metacognitive Knowledge, Using Metacognitive Skills and Academic
Achievement (Primary Education Sixth Grade Turkish Course Sample).
Dissertation: the Degree Doctor of Philosophy in the Sel-çuk University Faculty
of Education, Department of Education Sciences, 42090 Meram Konya/Turkey.
[17] Farrell, J., 2011, Programming Logic and Design Introductory, sixth edition,
Canada: Course Technology.
[18] Chaudhuri, A.B., 2005, The Art of Programming Through Flowcharts and
Algorithms, Laxmi Publications.
67
ISBN: 978-602-72198-6-1
SENAMAS 2017
[19] Stern & Stern, 1979, Principle of Data Processing, second edition, Newyork: John
Willey and Sons.
[20] Knuth, D. E., 1997, Art of Computer Programming, Volume 1: Fundamental
Algorithms,Newyork: John Willey and Sons.
Acknowledgement
Publikasi makalah dengan judul “Kerangka Teori untuk Peranan Penalaran
Matematika pada Pembelajaran Algoritma Komputasi” dapat terlaksana karena
dukungan penuh dari Direktorat Riset dan Pengabdian Masyarakat – Direktorat
Jenderal Penguatan Riset dan Pengembangan – Kementerian Riset, Teknologi, dan
Pendidikan Tinggi Republik Indonesia. Tulisan tersebut merupakan bagian tak
terpisahkan dari penelitian dengan judul ”Pengembangan Media Pembelajaran
Penalaran Matematika pada Pembuatan Algoritma Komputasi berbasis Gaya
Belajar dan Pendidikan Karakter”, yang mendapatkan hibah pendaan tahun 2017
dari DRPM Ditjen Penguatan Risbang Kemenristek Dikti Republik Indonesia.
68
ISBN: 978-602-72198-6-1
SENAMAS 2017
Perbaikan Citra Fundus Menggunakan Operasi

Morpologi dan Filter Difusi Anisotropik
Syaiful Anam
Jurusan Matematika, Universitas Brawijaya, Malang
Abstrak
Retinopati Diabetik merupakan suatu penyakit mata yang disebabkan oleh penyakit
diabetes melitus. Retinopati Diabetik pada tahap awalnya mengakibatkan penglihatan
kabur dan dapat berkembang menjadi kebutaan jika tidak diobati. Retinopati Diabetik
ditandai dengan penyempitan pembuluh darah di mata dan kerusakan pada pembuluh
darah dekat area retina mata. Ophthalmologists menggunakan citra retina dari pasien
yang disebut dengan citra fundus untuk mendiagnosis retinopati diabetik. Citra fundus
ini digunakan untuk mendeteksi penyempitan dan kerusakan pada pembuluh darah.
Akan tetapi citra ini sering mengandung noise dan memiliki kontras yang rendah,
sehingga menyebabkan kesulitan bagi dokter dalam mendeteksi pembuluh darah yang
ada pada citra fundus. Perbaikan kualitas citra fundus menjadi suatu keharusan agar
dokter lebih mudah dalam mendeteksi pembuluh yang ada pada citra fundus. Pada
tulisan ini dibahas penggunaan operasi morpologi dan filter difusi anisotropik untuk
memperbaiki kualitas citra fundus. Filter difusi anisotropik merupakan metode filtering
yang memanfaatkan persamaan difusi/panas untuk menghaluskan citra. Filter difusi
anisotropik disamping mampu mereduksi noise, tetapi juga mampu mempertahankan
tepian citra, sedangkan keunggulan dari operasi morpologi adalah mampu
meningkatkan kontras dari citra.
Kata Kunci : Citra Fundus, Perbaikan Citra, Operasi Morpologi, Filter Difusi
Anisotropik .
1. Pendahuluan
Retinopati Diabetik merupakan suatu penyakit mata yang disebabkan oleh
penyakit diabetes melitus. Penyakit diabetes melitus dapat menyebabkan penyempitan
pembuluh darah di mata. Penyempitan pembuluh darah ini dapat mengakibatkan
kebocoran atau terjadi pendarahan, dan penimbunan cairan dan materi berlemak dalam
retina sehingga penglihatan yang kabur. Selain itu juga, penyakit diabetes melitus dapat
memyebabkan kerusakan pada pembuluh darah dekat area retina mata. Hal ini akan
menyebabkan tubuh secara alami merangsang pertumbuhan pembuluh darah yang baru
yang lebih lemah. Kondisi ini jika dibiarkan maka dapat menyebabkan kerusakan
penglihatan yang parah dan juga kebutaan [1].
Ophthalmologists menggunakan citra retina dari pasien yang disebut dengan
citra fundus untuk mendiagnosis retinopati diabetik. Citra retina hasil dari kamera
fundus sering mengandung noise dan mempunyai pencahayaan tidak merata. Hal ini
menyebabkan pembuluh darah retina terlihat kurang jelas. Peningkatan atau perbaikan
kualitas dan pereduksian noise pada citra fundus akan memudahkan ophthalmologists
dalam mendiagnosis pernyakit retinopati diabetik [2].
Sampai saat ini sudah banyak metode yang dibangun dan umum digunakan
untuk perbaikan citra, salah satunya adalah metode perataan histogram [3, 4]. Namun,
metode perataan histogram sering menyebabkan hilangnya detail bagian citra dan
cenderung memproduksi keluaran citra yang over-enhanced jika densitas probability
69
ISBN: 978-602-72198-6-1
SENAMAS 2017
gray level mengalami kenaikan secara mendadak [5]. Operasi morpologi merupakan
salah satu metode untuk meningkatkan kualitas citra. Operasi morpologi memberikan
alat yang sangat baik dalam pengolahan citra, metode ini didasari oleh konsep teori
himpunan [6]. Operasi morpologi ini dapat digunakan untuk memperbaiki pencahayaan
citra yang tidak merata. Sedangkan, salah satu metode yang umum digunakan untuk
mereduksi noise adalah filter Gaussian, tetapi metode ini sering membuat tepian gambar
menjadi kabur. Filter anisotorpik merupakan salah satu filter alternatif yang mampu
mengurangi noise sekaligus secara efektif mempertahankan tepian gambar [7].
Pada tulisan ini diusulkan penggunaan operasi morpologi dan filter difusi
anisotropik untuk perbaikan kualitas citra fundus. Kualitas citra fundus yang baik akan
memudahkan ophthalmologists dalam mendeteksi pembuluh yang ada pada citra
fundus.
2. Tinjauan Pustaka
Pada bagian ini akan dikaji beberapa teori yang akan digunakan dalam
pembahasan pada tulisan ini misalnya retinopati diabetik dan citra fundus, filter difusi
anisotropik dan operasi morphologi.
2.1. Retinopati Diabetik dan Citra Fundus

Retinopati diabetik adalah komplikasi mikrovaskular yang disebabkan oleh
diabetes yang dapat menyebabkan kebutaan. Kelainan yang terdeteksi pertama adalah
microaneurism yang menyebabkan pembesaran pembesaran kapiler retina.
Microaneurism yang pecah dapat menyebabkan hemorrhages dapat dilihat pada
Gambar 1.(a). Setelah itu mungkin muncul hard exudates seperti ditunjukkan oleh
Gambar 1.(b). Hard exudates adalah formasi lipid yang bocor dari pembuluh darah yang
melemah. Seiring dengan parahnya penyakit retinopati, pembuluh darah bisa menjadi
terhambat yang menyebabkan mikroinfarct di retina yang disebut soft exudates seperti
ditunjukkan oleh Gambar 1.(c). Kurangnya oksigen yang disebabkan oleh microinfarcts
menyebabkan berkembangnya pembuluh rapuh baru ((neovascularizations), seperti
ditunjukkan oleh Gambar 1.(d). Fenomena ini dapat menyebabkan hilangnya
penglihatan secara mendadak. Diagnosis retinopati diabetik dengan menggunakan citra
fundus sangat diperlukan karena penyakit ini bersifat progresif [8], contoh dari citra
Fundus dapat dlihat pada Gambar 1.(f).
(a)Hemorrhages (b) Hard Exudates (c)Soft Exudate
70
ISBN: 978-602-72198-6-1
SENAMAS 2017
(d) Microaneurysm (e)Neovascularizations (f)Citra Fundus

Gambar 1.Temuan abnormal pada citra fundus yang disebabkan oleh retinopati diabetik.
2.2. Operasi Morfologi

Operasi morfologi memberikan pendekatan yang ampuh untuk mengatasi
masalah pengolahan citra. Dalam morfologi, objek dalam citra diwakili sebagai dua
himpunan. Algoritma morfologi didasarkan pada operasi antara dua himpunan, yaitu
citra dan elemen struktur (SE). Bentuk dan ukuran SE ditentukan sesuai dengan tujuan
aplikasi yang terkait.Operasi dilasi dan erosi adalah dua operasi dasar dalam operasi
morfologi yang berurut-turut,didefinisikan oleh persamaan (1) dan (2),
( f  g )  max{ f ( x  k , y  l ) | (k , l )  g}, (1)
( f  g )  max{ f ( x  k , y  l ) | (k ,l )  g}, (2)
dimana f(x, y) adalah citra grayscale dan g adalah SE.
Operasi opening dan closing didefinisikan berturut-turut didefinisikan oleh
persamaan (3) dan (4),
f  g  ( f  g)  g , (3)
f  g  ( f  g)  g , (4)
dimana  dan  berturut-turut menotasikan operasi opening dan closing.
Transformasi top hat adalah salah satu operasi penting dalam operasi morfologi
yang digunakan untuk mengekstrak fitur citra yang terkait dengan elemen strukur yang
digunakan. Salah satu jenis transformasi top hat adalah White Top Hat (WTH) yang
digunakan untuk mengekstrak fitur gambar terang atau putih yang berhubungan dengan
elemen struktur yang digunakan.Transformasi WTH didefinisikan oleh persamaan (5)
[6].
WTH ( f )  f  ( f  g ) (5)
Operasi ini dapat digunakan untuk memperbaiki pencahayaan citra yang tidak merata
[8].
2.3. Filter Anisotropik

Filter difusi anisotropic merupakan filter yang diusulkan oleh Perona dan Malik
[7], metode ini merupakan edge-preserved smoothing untuk citra. Ide dasar dibalik
proses Perona Malik Diffusion (PMD) adalah mendapatkan yang lebih citra halus dari
citra asli. Bentuk diskrit dari PMD filter diberikan oleh persamaan (6).
 (6)
s s
s

I ( n1)  I ( n )  g (I ( n ) )I ( n ) ,
s, p s, p
dimana s  ( x, y) adalah koordinatdari pixel yang dimaksud dan p tetangganya. I s(n )

adalah sebuah intensitas pada s dengan n adalah iterasi.  s merepresentasikan 4 tetangga
piksel dalam arah difusi North, West, South dan East. s adalah jumlah dari tetangga
71
ISBN: 978-602-72198-6-1
SENAMAS 2017
pixels.  adalah sebuah parameter. g () disebut fungsi edge stopping yang merupakan
fungsi menurun secara monton dari gradien citra. Gradien citra dihitung dengan
menggunakan persamaan (7)
I s(n, p)  I (pn)  I s( n) . (7)
Dalam PMD filter, fungsi edge-stopping diberikan pada persamaan (8).

g( z ) 
1
,
(8)
2
 z
1   -100 250
K
0
200
100
200
150
300
400 100
500
50
600
(a) (b) (c)
700 0
100 200 300 400 500 600 700 800
Gambar 2. Citra Uji. (a). Citra Uji 1. (b). Citra Uji 2. (c). Citra Uji 3
dimana K adalah sebuah parameter yang mengontrol kekuatan difusi.
3. Hasil dan Pembahasan

Pada tulisan ini akan dibahas bagaimana memperbaiki citra fundus dengan
menggunakan operasi morpologi dan filter difusi.Metode yanng diusulkan diuji dengan
menggunakan tiga citra uji yang ditunjukkan oleh Gambar 2. Citra uji diambil dari situs
http://www.it.lut.fi/project/imageret/diaretdb1/ [9].
72
ISBN: 978-602-72198-6-1
SENAMAS 2017
Mulai
Input
Citra Fundus
Mengambil Komponen Hijau (Green)
Operasi Morpologi
Filter Difusi Anisotropik
Output
Citra Fundus yang
diperbaiki
Selesai
-100
Gambar 3.Diagram Alir Metode yang-100Diusulkan. 160
200
0 0 0
180 140
200
100
50 100 160
120
200 140
100 150 200 100
300 120
150 300 100 80

400
100 80
500 200 400 60
60
600 500
250 40
40
50
700
600 20 20
300
800 (a) 50 100
(b)
150 200 250 300 350
0 (c)
0 700 0
200 400 600 800 1000 100 200 300 400 500 600 700 800
Gambar 4. Citra Gray Scale dari Citra Uji. (a) Citra Gray Scale Uji 1. (b). Citra Gray Scale
Uji 2. (c). Citra Gray Scale Uji 3
73
ISBN: 978-602-72198-6-1
SENAMAS 2017
0 0 0
60 50
100
100 50 100
50
200 80 40
100 200
40
300
60 30
150 300 30
400
200 400 20 20
500 40
600 250 500 10

10
20
700 600 0
50 100 150 200 250 300 350
200 400
(a)
600 800 1000
0 (b) 100 200 300 400 (c)
500 600 700 800
0
Gambar 5. Hasil Operasi Morphologi dari Citra Gray Scale. (a). Citra Uji 1. (b). Citra Uji 2. (c).
Citra Uji 3
0 0
100 0 45
90 60
100 40
200 100
80
200 50 35
70 200
400
30
300 60 40
600 300 25
400 50 30
0 40
0 20
800 400
500
30
20
60 15
600 1000 500 10 10

20
700 50 10 501400 600 0
5
(a)600 200 400

0
600 800
(b) 1000 1200
(c) 50 0
200 400 800 1000 100 200 300 400 500 600 700 800
Gambar 6. Hasil Filter Difusi Anisotropik dari Citra Hasil Operasi Morpologi. (a). Citra Uji 1.
100 100Uji 3.
(b). Citra Uji 2. (c). Citra 40
150 150 30
200 20
200
250 10
250
(a) (b)
Gambar 7. Perbandingan Citra Sebelum dan Setelah Proses Filter Difusi Anisotropik.
0 (a)
Sebelum Proses50 100 Anisotropik.
Filter Difusi 150 200 250 Proses
(b) Setelah 300 Filter
350
Difusi Anisotropik.
50 100 150 200 250 300
Diagram alir dari metode yang diusulkan dapat dilihat pada Gambar 3. Pada
pemrosesan citra fundus,citra disederhanakan dengan cara hanya mengambil komponen
hijau (Green) dari citra warna. Komponen hijau digunakan karena komponen ini dapat
mempertahan ciri / feature yang ada pada citra fundus. Komponen hijau dari citra uji
dapat dilihat pada Gambar 4. Gambar 4 ini secara umum memperlihatkan pembuluh
darah retina dan hard exudates masih dapat dilihat dengan baik. Namun demikian, citra
pada Gambar 4 mempunyai pencahayaan yang tidak merata, sehingga menyebabkan
pembuluh darah terlihat kurang jelas. Setelah itu dicoba menggunakan operasi
morpologi White Top Hat untuk memperbaiki kondisi pencahayaan yang tidak merata.
Gambar 5 memperlihatkan operasi morpologi White Top Hat berhasil digunakan untuk
memperbaiki pencahayaan yang tidak merata pada citra fundus. Walaupun demikian,
noise yang ada pada citra fundus masih terlihat. Langkah berikutnya adalah memfilter
citra fundus dengan menggunakan filter difusi anisotropik untuk mereduksi noise.
Gambar 6 dan Gambar 7 menunjukan bahwa filter difusi anisotropik berhasil digunakan
untuk mereduksi noise yang ada pada citra fundus secara signifikan. Hasil percobaan
74
ISBN: 978-602-72198-6-1
SENAMAS 2017
menunjukkan bahwa dari seluruh citra uji yang digunakan menunjukkan metode yang
diusulkan berhasil digunakan untuk memperbaiki citra fundus.
3. Kesimpulan
Dari hasil eksperimen dan pembahasan yang sudah dilakukan maka dapat
disimpulkan metode yang diusulkan dapat memperbaiki citra fundus. Operasi morpologi
berhasil memperbaiki pencahayaan yang tidak merata pada citra fundus. Filter difusi
anisotropik berhasil digunakan untuk mereduksi noise yang ada pada citra fundus.
Daftar Pustaka
[1] www.docdoc.com., Apa itu Retinopati Diabetik: Gejala, Penyebab, Diagnosis,
dan Cara Mengobati. https://www.docdoc.com/id/info/condition/retinopati-
diabetik Tanggal Akses 5Mei 2017.
[2] Azumi, N., Purwanto, Y., dan Prasetyanto, W. A., Pengenalan Pola Citra
Fundus Pada Deteksi Diabetik Retinopathy Berbasis Pengolahan Citra Digital,
http://eprints.dinus.ac.id/17515/1/jurnal_16465.pdf Tanggal Akses 5Mei 2017.
[3] F.L.S. Nunes, H. Schiabel,dan R.H. Benatti, Application of Image Processing

Techniques for Contrast Enhancementin Dense Breasts Digital Mammograms,”
Proceedings of SPIE Conference on Image Processing, vol. 3661, pp.1105-
1116,1999.
[4] H.D. Cheng dan X.J. Shi, A Simple and Effective Histogram
EqualizationApproach to Image Enhancement, Digital Signal Processing, vol.14,
pp.158-170, 2004.
[5] H.Y. Chai, T.T. Swee, G.H. Seng, dan L.K. Wee, Multipurpose Contrast
Enhancement on Epiphyseal Plates and Ossification Centers for Bone Age
Assessment, BioMedical Engineering OnLine, vol.27, pp.1-19, 2013.
[6] Ritika, A Novel Approach for Local Contrast Enhancement of Medical Images
Using Mathematical Morphology, International Journal of Computer Science
and Information Technology and Security, vol.2, pp. 392-397, 2012.
[7] Perona, P., dan Malik, J., 1990. Scale-Space and Edge Detection Using
Anisotropic Diffusion. IEEE Transactions on Pattern Analysis and Machine
Intelligence, vol. 12, pp.629-639.
[8] Nair, G. S., dan Ajij, S., Automated Lung Nodule Detection Method for
SurgicalPreplanning, Journal of Electronics and Communication Engineering,
vol. 9, Issue 3, pp. 19-23, May - Jun. 2014
[9] Citra Uji, http://www.it.lut.fi/project/imageret/diaretdb1/
75
ISBN: 978-602-72198-6-1
SENAMAS 2017
Implementasi Algoritma Apriori Aturan

Pembelajaran Keterkaitan Data Untuk Analisa
Keranjang Belanja Sistem Persediaan Obat Pada
Apotek Wahdah Farma 03 Makassar
Ulvah, Basri Modding, Armin Lawi
Abstrak
Peneltian ini bertujuan untuk meningkatkan sistem informasi persediaan obat pada
apotek wahdah farma 03 makassar, melalui analisa keranjang belanja yang bertujuan
untuk mengetahui pola belanja konsumen dan obat yang paling sering dibeli secara
bersamaan. Implementasi data mining dengan menggunakan algoritma apriori aturan
keterkaitan data sangat membantu pihak apotek dalam kebijakan pengambilan
keputusan dalam hal meningkatkan persediaan obat dan alat kesehatan demi
mendukung lancarnya aktivitas pada apotek yang dilihat berdasarkan transksi
penjualan sehari-hari. Karena minimnya persediaan obat dan alat kesehatan juga dapat
mempengaruhi kepuasan konsumen dalam berbelanja serta dapat mengakibatkan
kerugian biaya karena tidak adanya sistem informasi yang dapat mengontrol persediaan
obat dan alat kesehatan.
Kata Kunci : algoritma apriori, aturan keterkaitan data, analisa keranjang belanja,
sistem informasi persediaan
1. Pendahuluan
Penerapan Algoritma Apriori saat ini telah banyak di terapkan ke berbagai
bidang salah satunya bisnis atau perdagangan. Implementasi data mining digunakan
untuk sistem penjualan tujuannya untuk membantu dalam peningkatkan penjualan dan
memaksimalkan persediaan produk. Hal yang sama perlu di terapkan dalam dunia
industri khususnya di apotek yang menuntut para pengembang untuk menemukan suatu
strategi yang dapat meningkatkan penjualan obat dan memaksimalkan pelayanan pada
konsumen (Buulolo Efori, 2013).
Apotek adalah salah satu instansi yang bergerak pada sektor barang yang
melayani penjualan obat-obatan dan alat kesehatan, baik dengan resep atau tidak.
Apotek berkewajiban menyediakan, menyimpan dan menyalurkan perbekalan farmasi
yang bermutu baik dan terjamin keabsahannya. Perbekalan farmasi yang disalurkan oleh
apotek meliputi obat, bahan obat, obat asli Indonesia, alat kesehatan, kosmetika dan
sebagainya.
Apotik Wahdah Farma 03 Makassar merupakan suatu usaha yang bergerak di
bidang penjualan obat, baik obat kimia, herbal dan alat-alat kesehatan yang terdiri dari
1406 item keseluruhan. Pengolahan data yang terdapat pada Apotik Wahdah Farma
masih sederhana hal ini tentu saja tidak mendapatkan hasil yang efektif Kendala yang
muncul dengan menggunakan sistem sederhana yaitu sulitnya mengetahui pengontrolan
ketersediaan obat yang tidak teratur maka diperlukanlah suatu sistem informasi yang
dapat memudahkan karyawan dalam bekerja.Dalam hal persediaan juga merupakan
salah satu masalah yang dihadapi oleh apotek mengingat bahwa persediaan dalam
kegiatan usaha tidak dapat dihindari, Jika persediaan yang dimiliki terlalu sedikit maka
76
ISBN: 978-602-72198-6-1
SENAMAS 2017
permintaan tidak dapat dipenuhi hal ini dapat mengakibatkan ketidak puasan konsumen
dan secara tidak langsung juga dapat mempengaruhi angka penjualan. Sebaliknya jika
persediaan terlalu besar dapat menimbulkan penyusutan nilai guna.
Karena pengadaan persediaan tidak dapat dilakukan secara spontan maka demi
mewujudkan pengelolaan persediaan yang efektif pihak apotek perlu mengenali kondisi
pasar. Dalam hal ini diperlukanlah metode aturan keterkaitan data melalui analisa
keranjang belanja untuk mengetahui kebiasaan belanja konsumen dan jenis obat dan alat
kesehatan yang paling sering dibeli secara bersamaan. Ada beberapa faktor yang dapat
mendukung keunggulan sebuah apotek dalam menggunakan metode asosiation rule
(Aturan keterkaitan data) Salah satu faktor pentingnya adalah dalam hal persediaan
barang yang memadai tanpa kelebihan dan kekurangan. Jika apotek mempunyai jumlah
persediaan barang yang lebih banyak dibandingkan dengan jumlah permintaan maka
dapat mengakibatkan kerugian biaya karena barang tersebut tidak terjual. Sebaliknya
jika apotek mempunyai jumlah persediaan barang yang lebih sedikit dibandingkan
dengan jumlah permintaan, maka dapat mengakibatkan konsumen tersebut pergi karena
barang yang ingin dibeli oleh konsumen tersebut tidak mencukupi.
Berdsarkan latar belakang masalah diatas Data mining dapat dimanfaatkan
untuk menemukan solusi nyata untuk mengambil keputusan yang tepat. Dengan teknik
data mining dapat dilakukan analisa terhadap perilaku konsumen dalam kegiatan
transaksinya. Tujuan dari data mining yaitu untuk menemukan hubungan atau pola-pola
yang memberikan manfaat kepada pihak perusahaan atau organisasi. Data mining
menggunakan pendekatan discovery based yaitu dimana pencocokan pola (pattern-
matching) dan algoritma digunakan untuk menentukan relasi-relasi kunci di dalam data
yang akan dieksplorasi, salah satu metode dalam teknik data mining yang digunakan
yaitu Association rule dapat digunakan untuk menemukan hubungan diantara data atau
bagaimana suatu kelompok data mempengaruhi suatu keberadaan data yang lain dengan
menggunakan algortima Apriori. Metode ini dapat membantu mengenali pola-pola
tertentu di dalam kumpulan data yang besar. Aturan keterkaitan (association rules)
adalah suatu prosedur untuk mencari hubungan antar item dalam suatu data set yang
ditentukan. Association rule mining dipergunakan untuk mencari kaidah asosiasi antara
suatu kombinasi item. Mendeteksi kumpulan-kumpulan atribut yang muncul bersamaan
(co-occur) dalam frekuensi yang sering, dan membentuk sejumlah kaidah dari
kumpulan-kumpulan tersebut.
Association Rules juga seringkali disebut dengan "Market Basket Analysis" yang
digunakan untuk menemukan relasi atau korelasi diantara himpunan item. Market
Basket Analysis adalah Analisa dari kebiasaan membeli konsumen dengan mencari
asosiasi dan korelasi antara item-item berbeda yang diletakkan konsumen dalam
keranjang belanjaannya. Aturan asosiasi yang dihasilkan dapat digunakan sebagai acuan
dalam menentukan persediaan selanjutnya, atau mempersiapkan persediaan obat
sebelum obat-obat tersebut habis. Penerapan Algoritma Apriori membantu dalam
membentuk kandidat kombinasi itemset. Kemudian dilakukan pengujian apakah
kombinasi tersebut memenuhi parameter support dan confidence minimum yang
merupakan nilai ambang batas yang diberikan oleh pengguna sehingga berdasarkan latar
belakang diatas penulis ingin membuat suatu sistem pendukung keputusan dalam
meningkatkan persediaan dengan judul : IMPLEMENTASI ALGORITMA ATURAN
PEMEBLAJARAN KETERKAITAN DATA UNTUK ANALISA KERANJANG
BELANJA SISTEM PERSEDIAAN OBAT PADA APOTEK WAHDAH FARMA 03
MAKASSAR.
77
ISBN: 978-602-72198-6-1
SENAMAS 2017
1.1 Perumusan Masalah

Berdasarkan perumusan masalah diatas maka dapat dirumuskan sebuah
permasalahan yang dapat dijadikan acuan dalam penelitian ini, yaitu :
1. Bagaimana mengatur keterkaitan data dalam analisa keranjang belanja sistem
persediaan obat pada apotek dengan mengimplementasikan algoritma apriori
untuk menghindari kerugian biaya ?
2. Bagaimana memperoleh pola itemset obat dari data penjualan yang paling
banyak terjual berdasarkan analisa keranjang belanja untuk dapat memenuhi
kebutuhan konsumen ?
3. Bagaimana implementasi Algoritma Apriori dalam penentuan aturan final
asosiasi untuk memprediksi persediaan obat dan alat kesehatan di waktu yang
akan datang berdasarkan nilai support,confidence dan lift ?
1.2 Tujuan Penelitian
Tujuan yang ingin dicapai pada penelitian ini adalah:
1. Untuk mengatur keterkaitan data obat dan alat kesehatan pada sistem persediaan
obat apotek, untuk menghindari kerugian biaya.
2. Untuk mengetahui pola penjualan terbanyak demi memenuhi kebutuhan
konsumen.
3. Untuk memprediksi persediaan obat dimasa masa yang akan datang melalui
hasil penjualan terbanyak berdasarkan perhitungan support, confidence dan nilai
lift dengan menggunakan algoritma apriori.
1.3 Manfaat Penelitian
Dengan adanya penelitian ini dapat memberikan manfaat sebagai alat bantu
untuk meminimalisasi kesalahan yang sering terjadi pada apotek dan mengurangi
kerugian biaya yang sering timbul dan mengindari terjadinya kekurangan persediaan
obat dan alat kesehatan akibat tidak adanya system informasi yang dapat mengontrol
persediaan secara akurat oleh pihak apotek.
2. Tinjauan Pustaka
2.1 Algoritma Apriori
Algoritma Apriori termasuk jenis aturan asosiasi pada data mining yang
menyatakan asosiasi antara beberapa atribut atau sering disebut market basket
analysis (Kusrini, Emha, 2009). Analisis asosiasi dikenal juga sebagai salah satu
teknik data mining yang menjadi dasar dari berbagai teknik data mining lainya.
Secara khusus, salah satu tahap analisis asosiasi yang menarik perhatian banyak
peneliti untuk menghasilkan algoritma yang efisien adalah analisis pola
frekuensi tinggi (frequent pattern mining).
2.2 Kerangka Pemikiran

Berdasarkan permasalahan yang ada maka penulis gambarkan
melalui kerangka pikir yang ada dibawah ini :
78
ISBN: 978-602-72198-6-1
SENAMAS 2017
Sistem query Aturan keterkaitan Peningkatan

sederhana data persediaan
Latar belakang masalah

Kendala
- Sulitnya melakukan
pengontrolan persediaan
Implementasi apriori
Analisa keranjang Daftar obat Transaksi penjualan
Rumusan masalah
belanja
- Memprediksi persediaan
- Kerugian biaya
- Kebutuhan pelanggan
Hasil yan ingin dicapai
Mengimplementasikan algoritma apriori
Hasil
pada sistem persediaan obat dan alat
kesehtan untuk menemukan memprediksi
persediaan obat dan alat kesehatan
diamasa yang akan datang agar berjalan
dengan efektif
Gambar 1. Kerangka pikir
3.Metodologi Penelitian
3.1 Populasi dan Sampel
Pupulasi menurut (Sugiyono, 2016) adalah wilayah generalisasi yang terdiri atas
Obyek/Subjek yang mempunyai kualitas dan karakteristik tertentu yang ditetapkan
oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya Populasi dalam
penelitian ini seluruh jumlah obat dan alat kesehatan pada Apotek Wahdah Farma 03
Makassar sebanyak 1406 item.
Sedangkan sampel menurut (Sugiyono, 2016) adalah bagian dari jumlah
karakteristik yang dimiliki oleh populasi tersebut. Dalam hal ini peneliti
menggunakan teknik sampel atau random sampling. Karena jumlah populasi
sebanyak 1406. Untuk menghemat waktu dan biaya, maka ditentukan jumlah sampel
yang dilakukan dengan cara mengumpulkan atau mengambil daftar obat dan alat
kesehatan pada Apotek Wahdah Farma kemudian menentukan jumlah sample yang
79
ISBN: 978-602-72198-6-1
SENAMAS 2017
akan diambil. Salah satu metode yang digunakan untuk menentukan jumlah sampel
adalah menggunakan rumus Slovin.
Dimana :
n : Jumlah Sampel
N : Jumlah Pupulasi
E : Batas toleransi kesalahan (error tolerance)
Untuk menggunakan rumus ini, ditentukan berapa batas toleransi
kesalahan yang dinyatakan dengan persentase. Pada penelitian ini menggunakan
batas toleransi kesalahan adalah 5%. Semakin kecil toleransi kesalahan, semakin
akurat sampel menggambarkan populasi. Semakin kecil toleransi kesalahan,
semakin besar jumlah sampel yang dibutuhkan.
Jumlah populasi adalah 1406 item dengan tingkat kesalahan yang dikehendaki
adalah 5% maka jumlah sampel yang digunakan adalah :
311.751 dibulatkan menjadi 312 sampel

Berdasarkan jumlah sampel yang diambil dengan menggunakan rumus
slovin sebanyak 312 sampel masih melalui beberapa pada proses Data Mining
dengan metode algoritma apriori sebelum menentukan nilai support,confidence
dan nilai lift yaitu :
1. Data cleaning, menghilangkan noise dan data yang konsisten.
2. Data integration, menggabungkan data dari berbagai sumber data yang
berbeda
3. Data selection, mengambil data yang relevan dengan tugas analisis dari
database.
4. Data transformation, Mentransformasi atau menggabungkan data ke
dalam bentuk yang sesuai untuk penggalian lewat operasi summary atau
aggregation.
5. Data mining, proses esensial untuk mengekstrak pola dari data dengan
metode cerdas.
6. Knowledge presentation, penyajian pengetahuan yang digali kepada
pengguna dengan menggunakan visualisasi dan teknik representasi
pengetahuan.
3.2 Metode Analisis Data

Metodologi dasar analisis asosiasi terbagi menjadi dua tahap yang
bertujuan untuk menemukan semua aturan asosiasi yang memenuhi syarat
80
ISBN: 978-602-72198-6-1
SENAMAS 2017
minimum untuk support (minimum support) dan syarat minimum untuk

confidance (minimum confidance) :
1. Analisa pola frekuensi tinggi
Sedangkan nilai dari support 2 item diperoleh dari rumus berikut :
2. Pembentukan aturan assosiatif
Lift adalah suatu ukuran untuk mengetahui kekuatan aturan asosisasi

(association rule) yang telah terbentuk. Nilai lift ratio biasanya digunakan
sebagai penentu apakah aturan asosiasi valid atau tidak valid. Untuk menghitung
lift ratio digunakam rumus sebagai berikut:
3. Menentukan lIFT
4. Hasil Penelitian
1. Langkah pertama: Menentukan support
Kandidat itemset pertama yang terseleksi dengan menetapkan nilai
support minimum 10% untuk kandidat 1 itemset. Data dibawah ini akan
digunakan untuk membentuk pola kombinasi 2 item selanjutnya.
Tabel 1. Support
No. Item Support(a)
1 Livron B Plex 18%
2 Hemaviton Action Strip 16%
3 Vitacimin Fresh Lemon 17%
4 Bodrex Migra 32%
5 Hemogard Tablet 18%
6 Nano-Nano Milky Rasa Strawberry 26%
7 Antasida 500 Mg tab 31%
8 Vitamin B komplex tab 31%
9 Sanmol Tablet 28%
10 Antalgin 26%
11 Amoxilin 28%
12 Asammefenamat 26%
13 Bodrex extra 24%
14 Enervon C 25%
81
ISBN: 978-602-72198-6-1
SENAMAS 2017
2. Langkah dua : menentukan support kombinasi 2 item

Table 2. daftar support penjualan 2 kombinasi
No. Itemset Support (a,b)
1 If Buy Antalgin 500 mg kap,Then Buy Vitamin B komplex tab 11%
2 If Buy Antalgin 500 mg kap, Then Buy Asam mefenamat 13%
3 If Buy Antalgin 500 mg kap, Then Buy Bodrex Extra 14%
4 If Buy Livron B Plex, Then Buy Bodrex Migra 13%
If Buy Livron B Plex, Then Buy Nano-Nano Milky Rasa
5 11%
Strawberry
6 If Buy Livron B Plex, Then BuyVitamin B komplex tab 10%
If Buy Hemaviton Action Strip,Then Buy Nano-Nano Milky Rasa
7 11%
Strawberry
8 If Buy Hemaviton Action Strip,Then Buy Amoxycillin 11%
9 If Buy Vitacimin Fresh Lemon,Then Buy Bodrex Migra 11%
10 If Buy Vitacimin Fresh Lemon,Then Buy Amoxycillin 12%
11 If Buy Sanmol Tablet,Then Buy Amoxycillin 11%
12 If Buy Sanmol Tablet,Then Buy Antasida 500 Mg tab 13%
13 If Buy Hemogard Tablet,Then Buy Bodrex Migra 12%
If Buy Bodrex Migra,Then Buy Nano-Nano Milky Rasa
14 13%
Strawberry
15 If Buy Bodrex Migra,Then Buy Amoxilin 14%
16 If Buy Bodrex Migra,Then Buy Vitamin B komplex tab 14%
17 If Buy Bodrex Migra,Then Buy Asam mefenamat 14%
18 If Buy Nano-Nano Milky Rasa Strawberry,Then Buy Amoxycillin 14%
If Buy Nano-Nano Milky Rasa Strawberry,Then Buy Vitamin B
19 10%
komplex tab
20 If Buy Amoxycillin, Then Buy Vitamin B komplex tab 12%
21 If Buy Amoxycillin,Then Buy Asam mefenamat 10%
22 If Buy Antasida 500 Mg tab,Then Buy enervon c strip 12%
23 If Buy Vitamin B komplex tab,Then Buy Asam mefenamat 10%
3. Langkah tiga : Menentukan nilai confidence

Tabel 3. Asosiatif
Support% Support%
No. Itemset Confidence
(a) (a,b)
If Buy Livron B Plex, Then Buy
1 18 13 72
Bodrex Migra
If Buy Vitacimin Fresh Lemon,Then
2 17 12 71
Buy Amoxycillin
If Buy Hemaviton Action Strip,Then
3 Buy Nano-Nano Milky Rasa 16 11 69
Strawberry
4 16 11 69
Buy Amoxycillin
82
ISBN: 978-602-72198-6-1
SENAMAS 2017
Support% Support%
No. Itemset Confidence
(a) (a,b)
If Buy Hemogard Tablet,Then Buy
5 18 12 67
Bodrex Migra
6 17 11 65
Buy Bodrex Migra
7 18 11 61
Nano-Nano Milky Rasa Strawberry
If Buy Bodrex Extra, Then Buy
8 24 14 58
Antalgin 500 mg kap
If Buy Antalgin 500 mg kap, Then
9 26 14 54
Buy Bodrex Extra
If Buy Nano-Nano Milky Rasa
10 26 14 54
Strawberry,Then Buy Amoxycillin
If Buy Amoxilin ,Then Buy Bodrex
11 26 14 54
Migra
If Buy Antalgin 500 mg kap Then
12 26 13 50
Buy Asam mefenamat
If Buy Amoxycillin ,Then Buy Nano-
13 28 14 50
Nano Milky Rasa Strawberry
If Buy Nano-Nano Milky Rasa
14 26 13 50
Strawberry ,Then Buy Bodrex Migra
5. Langkah empat : Menentukan Nilai Lift aturan Final Asosiasi

Tabel 4. Aturan Final Asosiatif
Support%
No. Itemset Confidence Lift
(a,b)
1 13 72 5,53
Bodrex Migra
2 12 71 5,91
Buy Amoxycillin
3 Buy Nano-Nano Milky Rasa 11 69 6,27
Strawberry
4 11 69 6,27
Buy Amoxycillin
If Buy Hemogard Tablet,Then Buy
5 12 67 5,58
Bodrex Migra
6 11 65 5,90
Buy Bodrex Migra
7 11 61 5,54
Nano-Nano Milky Rasa Strawberry
83
ISBN: 978-602-72198-6-1
SENAMAS 2017
4. Pembahasan
Pembahasan hasil dari penjualan obat dan alat kesehatan yang diukur
dengan menggunakan algoritma apriori diuraikan sebagai berikut:
1. Dengan melakukan cleaning data dalam database atau menghilangkan data yang
tidak konsisten dalam penjualan menggunakan algoritma aprori sebagai alat
analisa mempermudah pihak apotek dalam menggali informasi penjualan yang
paling banyak terjual menurut presentase yang diperoleh dari perhitungan
dengan menggunakan rumus algoritma apriori asosiation rules mining. Yang
telah diberi nilai ambang batas yang ditentukan oleh pihak apotek sendiri seperti
yang terlihat pada tabel 1. Merupakan hasil dari pembersihan data berdasarkan
sampel yang diambil sebanyak 312 item obat dan alat kesehatan.
2. Pola kombinasi itemsets dibentuk dari dari item-item yang telah memenuhi
support minimum dengan cara mengkombinasikan semua item. Kombinasi yang
dihasilkan kemudian digunakan untuk menetapakan support minimum sebesar
10% untuk selanjutnya dijadikan acuan dalam menentukan nilai confidence.
Dimana nilai confindence merupakan nilai untuk melihat berapa kuat hubungan
antar item berdasarkan pola pembelian yang ditemukan pada transaksi penjualan
yang selanjutnya dapat diajdikan tolak ukur untuk memenuhi kebutuhan
pelanggan pada apotek.
3. Aturan final asosiasi digunakan untuk menetukan hasil akhir dari semua pola
kombinasi obat dan alat kesehatan yang telah telah terbentuk berdasarkan pola
pembelian yang ditemukan dalam analsis pola frekuensi tinggi untuk digunakan
dalam memprediksi persediaan obat yang diukur dari nilai kuat atau tidaknya
hubungan suatu kombinasi nilai confidence A-B dan jika nilai lift > 1 maka
hubungan antar obat dan alat kesehatan kuat atau bernilai valid dapat digunakan
untuk memprediksi persediaan obat selanjutnya.
5. Simpulan dan saran

5.1 Simpulan
Berdasarkan hasil penelitian pada analisa keranjang belanja apotek wahdah
farma dengan menggunakan algoritma sebagai alat ukur ,maka penulis dapat menarik
beberapa kesimpulan sebagai berikut :
1. Dengan menggunakan algoritma Apriori, kombinasi itemset data transaksi obat
pada Apotek Wahdah Farma 03 dapat ditemukan bahwa pola kombinasi yang
dihasilkan adalah bejumlah 7 best rules dengan nilai minimum support sebesar
14% dan nilai confidence tertinggi dari 7 rules tersebut sebesar 72% dengan
tingkat kevalitan nilai lift tertinggi 6,27. Dari hasil tersebut dapat diketahui
bahwa terdapat 14 jenis obat yang paling laris pada transaksi penjualan
berdasarkan 100 data transaksi dari 312 jenis obat dan alat kesehatan pada
Apotek Wahdah Farma 03.
2. Semua rule yang dihasilkan pada penelitian ini memiliki nilai lift lebih > 1
sehingga dapat digunakan sebagai acuan dalam meningkatkan pesediaan obat
dan alat kesehatan
84
ISBN: 978-602-72198-6-1
SENAMAS 2017
3. Dengan didapatkannya rules ini maka pihak apotek dapat menggunakan rules
tersebut dalam membuat strategi – strategi untuk meningkatkan pesediaan agar
dapat mengurangi kerugian biaya dan dapat memenuhi kebutuhan konsumen.
5.2 Saran
Untuk kepentingan lebih lanjut dari penulisan maka penulis memberikan
beberapa saran sebagai berikut :
1. Penerapan algoritma Apriori sangat praktis namun perlu dilakukan perbandingan
dengan algoritma lain, untuk menguji sejauh mana Algoritma Apriori masih
dapat diandalkan untuk memproses dan menemukan pola hubungan (asosiasi)
antar item pada database berskala besar.
2. Data mining dengan menggunkan Algoritma Apriori memiliki kelemahan karena
harus melakukan scan database setiap kali iterasi, sehingga untuk database yang
sangat besar membutuhkan waktu yang lama apabila menggunakan aplikasi data
mining maka harus mempersiapkan spesipikasi pc berkapsitas besar.
Daftar Pustaka
[1] Kennedy. T, Hoga.S & Bobby.R. (2013).Implementasi Data Mining Algoritma
Apriori pada Sistem Persediaan Alat-alat Kesehatan.Jurnal Informasi dan
Teknologi Ilmiah.
[2] Kusrini dan Emha Taufik Luthfi. 2009. Algoritma Data Mining.
ANDI,Yogyakarta
[3] Sugiyono. 2013. Metode Penelitian, Kuantitatif,Kualitatif dan Alfabeta,

CV.Bandung.
[4] Wirdah. C. (2016).Penggunaan Algoritma Apriori Data Mining untuk Mengetahui

Tingkat Kesetiaan Konsumen(Brand Loyality) terhadap Merek Kendaraan
Bermotor (Studi Kasus Dealer Honda Rumbai).Jurnal Teknologi Informasi dan
Komunikasi Digital Zone.7
85
ISBN: 978-602-72198-6-1
SENAMAS 2017
Nilai Total Ketidakteraturan Titik

Beneš Network 2-Dimensi
1
Edy Saputra, 2Wahyudi Rusdi
1
Universitas Hasanuddin
2
STIMIK Dipanegara
Abstrak
Penelitian ini bertujuan untuk menentukan nilai total ketidakteraturan titik pada
beneš network ( ( )). Penentuan nilai total ketidakteraturan titik pada beneš
network dilakukan dengan menentukan batas bawah terbesar dan batas atas terkecil.
Batas bawah dianalisis berdasarkan sifat-sifat graf dan teorema pendukung lainnya,
sedangkan batas atas dianalisis dengan mengkonstruksi fungsi pelabelan total tidak
teratur pada beneš network. Berdasarkan hasil penelitian ini diperoleh nilai total
ketidakteraturan titik beneš network, adalah ( ( ))
Kata kunci: beneš network, nilai total ketidakteraturan titik, pelabelan tidak teratur.
1. Pendahuluan
Pelabelan graf didefinisikan sebagai pemberian label bilangan bulat tak negatif
(Z+) pada titik atau sisi atau keduanya dengan memenuhi aturan-aturan tertentu [10].
Konsep pelabelan tidak teratur pada suatu graf pertama kali diperkenalkan oleh
Chartrand dkk.[1]. Pelabelan tidak teratur pada graf didefinisikan sebagai suatu
pemetaan yang memetakan himpunan sisi dari ke himpunan bilangan * +
sedemikian sehingga semua titik mempunyai bobot yang berbeda. Pada tahun 2007,
Bača dkk[6]. memperkenalkan pelabelan tidak teratur lainnya yang didasarkan pada
pelabelan total, yaitu pelabelan total tidak teratur sisi dan pelabelan total tidak teratur
titik. Bača dkk[6] misalkan ( ) adalah suatu graf. Fungsi
* + disebut pelabelan-k total tidak teratur titik (vertex irregular total k-
labeling) pada , jika untuk setiap dengan , berlaku ( ) ( )
∑ ( ) ( ) ( ) ∑ ( ). Nilai total ketidakteraturan titik (total
vertex irregularity strength) dari , dinotasikan dengan ( ) adalah bilangan bulat
positif terkecil sedemikian sehingga mempunyai suatu pelabelan- total tidak
teratur titik.
Penentuan nilai total ketidakteraturan titik dari semua graf belum dapat
dilakukan secara lengkap. Sampai saat ini hanya beberapa kelas graf yang sudah
diketahui nilai total ketidakteraturan titiknya. Dalam survey Gallian[3] beberapa ahli
telah menentukan nilai total ketidakteraturan titik dari beberapa graf. Misalkan adalah
graf pohon dengan daun dan tidak memiliki titik yang berderajat 2, maka ⌈ ⌉
, - Ancholer, dkk.[5] misalkan adalah suatu graf yang berorde dengan
( ) , maka ( ) ⌈ ⌉ Kemudian Nurdin [9] misalkan adalah suatu
graf yang mempunyai titik berderajat dengan dengan
dan adalah derajat mimimum dan maksimum titik dari , maka ( )
86
ISBN: 978-602-72198-6-1
SENAMAS 2017
∑
{⌈ ⌉ ⌈ ⌉ ⌈ ⌉} M. Siddiqui dan D. Afzal. [8] menentukan
nilai total ketidakteraturan titik dari subdivisi graf bintang yaitu ( ) ⌈ ⌉
untuk , ( ) ⌈ ⌉ untuk , ( ) , ( ) ⌈ ⌉ untuk
, ( ) , ( ) ⌈ ⌉ untuk , ( ) ⌈ ⌉ untuk
dan . Imran [7] telah menentukan nilai total ketidakteraturan titik graf
( )
Grid-Like plane yaitu ( ) ⌈ ⌉ untuk .
Hingga saat ini pemanfaatan teori pelabelan graf dapat diaplikasikan dalam
berbagai bidang, seperti sinar-X, analisis Kristalografi dan mendesain system jaringan
komunikasi dan sebagainya. Jaringan Interkoneksi adalah skema koneksi dari sistem
multiprosesing. Jaringan Interkoneksi dapat dimodelkan menjadi sebuah graf dimana
titiknya mewakili proses element dan sisi mewakili komunikasi antara saluran. Salah
satu jenis jaringan interkoneksi adalah beneš network. I. Rajasingh [2] telah menentukan
untuk beneš network.
2. Tinjauan Pustaka
Sebuah sistem dapat didefinisikan sebagai koleksi dari beberapa objek, yang
disebut komponen, yang terhubung dan memiliki tujuan. Seperti sistem komputer,
beberapa sistem prosesor, jaringan komputer, sirkuit elektronik, sistem komunikasi,
sistem pipa dan sistem transportasi. Jaringan interkoneksi adalah suatu skema yang
menghubungkan unit multiprocessing sebuah sistem. Dimana jaringan interkoneksi
memainkan peran sentral dalam menentukan kinerja keseluruhan dari sistem
multicomputer. Jaringan interkoneksi memainkan peran penting untuk arsitektur parallel
komputer dan PC-Cluster atau Jaringan Workstation. Sebuah jaringan interkoneksi
dapat dimodelkan sebagai suatu graf dimana simpul/titik mewakili elemen pengolahan
dan sisi mewakili saluran komunikasi antara elemen pengolahan. Graf seperti itu disebut
struktur topologi jaringan interkoneksi. Salah satu topologi jaringan interkoneksi adalah
beneš network.
2.1. Beneš Network

Beneš network memiliki tingkat dengan titik pada setiap tingkat.
Tingkat 0 sampai r merupakan r-dimensi butterfy network kemudian tingkat r sampai
merupakan r-dimensi butterfy network yang terbalik. Jadi r-dimensi beneš
network memiliki ( ) titik dan sisi, dinotasikan dengan ( ).
87
ISBN: 978-602-72198-6-1
SENAMAS 2017
level 0 level 1 level 2 level 0 level 1 level 2 level 3 level 4
[00,0] [00,1] [00,2] [00,0] [00,1] [00,2] [00,3] [00,4]
[01,0] [01,1] [01,2] [01,0] [01,1] [01,2] [01,3] [01,4]
[10,0] [10,1] [10,2] [10,0] [10,1] [10,2] [10,3] [10,4]
[11,0] [11,1] [11,2] [11,0] [11,1] [11,2] [11,3] [11,4]
(a) (b)
Gambar 1. Butterfly network ( ) dan Beneš network ( )
2.2. Pelabelan Total Tidak Teratur Titik

Definisi 1 Misalkan ( ) adalah suatu graf. Fungsi * +
disebut pelabelan-k total tidak teratur titik (vertex irregular total k-labeling) pada , jika
untuk setiap dengan , berlaku ( ) ( ) di mana, ( )
( ) ∑ ( ) ( ) ( ) ∑ ( ).
Definisi 2 Nilai total ketidakteraturan titik (total vertex irregularity strength) dari ,
dinotasikan dengan ( ) adalah bilangan bulat positif terkecil sedemikian sehingga
mempunyai suatu pelabelan- total tidak teratur titik.
2.3. Alur Penelitian
Gambar 2. Alur kerja penelitian nilai total ketidakteraturan Beneš network ( )
88
ISBN: 978-602-72198-6-1
SENAMAS 2017
3. Pembahasan
Berdasarkan definisi, beneš network ( ) memiliki ( ) buah titik.
Beneš network hanya memiliki 2 macam titik yaitu titik berderajat 2 dan titik berderajat
4. Dengan demikian derajat minimum dari ( ) adalah ( ( )) dan derajat
maksimumnya adalah ( ( )) . Jumlah titik berderajat 2 diperoleh dari definisi
dimana titik yang berderajat 2 adalah titik yang berada pada level 0 dan , yaitu
( ). Sedangkan jumlah titik berderajat 4 diperoleh dari selisih jumlah semua titik
dengan jumlah titik berderajat 2. | ( ( ))| ( ).
3.1. Nilai Total Ketidakteraturan Titik

 Untuk
Gambar 3 Pelabelan-5 total tidak teratur titik ( )

Berdasarkan Gambar 3, dapat dilihat bahwa bobot semua titik berbeda.
Dengan demikian ( ) memiliki suatu pelabelan-5 total tidak teratur titik dengan
label dimulai dari pada setiap unsur grafnya. Oleh karena itu,
( ( )) (1)
Selanjutnya akan ditunjukkan bahwa ( ( )) . Graf ( ) memiliki titik
yang berderajat dan titik yang berderajat . Untuk urutan bobot titik optimal
adalah . Agar urutan ini optimal, maka dimulai dari titik yang berderajat
dan berakhir pada titik yang berderajat , yaitu dengan bobot terbesar adalah .
Karena jumlah titik berderajat 4 lebih besar dari derajat 2 dan label terbesar berada pada
titik berderajat 2, maka label terbesar yang digunakan adalah ⌈ ⌉ . Sehingga,
( ( )) . (3)
Karena ( ) dan ( ) maka ( ( )) .
89
ISBN: 978-602-72198-6-1
SENAMAS 2017
4. Kesimpulan dan Saran

Beneš Network ( ) memiliki sifat-sifat dan karakteristik sebagai berikut:
Semakin besar nilai akan mengakibatkan selisih antara jumlah titik berderajat 4
dan antara jumlah titik berderajat 2 semakin besar. Nilai total ketidakteraturan
titik pada beneš network 2-Dimensi adalah bilangan bulat terkecil yang lebih besar
atau sama dengan seperlima dari banyaknya titik beneš network ditambah dua,
( ) ( ( ) )
yaitu ( ( )) ⌈ ⌉ ⌈ ⌉ . Penulis juga
menyarankan untuk mencari nilai total ketidakteraturan pengembangan jaringan
interkoneksi Beneš Network untuk r-Dimensi.
Daftar Pustaka
[1] G. Chartrand dan P. Zhang. 2005. Introduction to graph Theory. Mc Graw-Hill
Press: Boston.
[2] I. Rajasingh, B. Rajan, S.T Arockiamary. 2011. Irregular Total Labeling of
Butterfly and Benes Network. Proceeding Informatics Engineering and
Information Science (ICIES). Springer 284-293.
[3] J.A Gallian. 2015. A Dynamic Survey of Graph Labeling. Electronic Journal of
Combinatoric.
[4] J. Xu. 2001. Topological Structure and Analysis of Interconnection Networks.
Kluwer Academic Publishers.
[5] M. Ancholer, M. Kalkowski, J. Przybylo. 2009. A new upper bound for the total
vertex irregularity strength of graphs. Discrete math. 309, 6316-5317.
[6] M. Baca, S. Jendrol, M. Miller and J. Ryan. 2007. On irregular total labellings.
Discrete math. 307, 1378-1388.
[7] M. Imran, S. Athsham Ul Haq Bokhary, A. Ahmad. 2015 Total Vertex
Irregularity strength of grid-like plane. Sci.Int(Lahore). 27, 821-828.
[8] M.K Siddiqui, D. Afzal. 2011.On tvs Subdivision of star Sn. Australian Journal of
Basic and Applied Sciences, 5, 2146-2156.
[9] Nurdin, E.T. Baskoro, A.N.M. Salman, N.N. Gaos. 2010.On the total vertex
irregularity strength of trees. Discrete Mathematics. 310, 3043-3048.
[10] a a a B B k a
90
ISBN: 978-602-72198-6-1
SENAMAS 2017
Penentuan Bilangan Ramsey Pada Graf Bintang

Terhadap Roda Dengan dan
Nur Rohmah Oktaviani P., Hasmawati, Loeky Haryanto
Jurusan Matematika Fakultas MIPA Universitas Hasanuddin
E-mail : nurrohmah061092@gmail.com
Abstrak
Bilangan Ramsey graf adalah bulat terkecil sedemikian sehingga
untuk setiap graf berorde memenuhi sifat berikut: memuat graf atau ̅
memuat graf . Dalam penelitian ini, akan ditentukan bilangan Ramsey pada
graf bintang terhadap roda dimana dan atau
dan . Penelitian dilakukan dengan menentukan batas bawah terlebih
dahulu, setelah itu dilanjutkan dengan menentukan batas atasnya. Penentuan
batas bawah dilakukan berdasarkan batas bawah Chavatal dan Harary yaitu
, dimana merupakan bilangan
kromatik titik untuk graf dan merupakan banyaknya titik pada
komponen terbesar graf . Batas bawah yang diberikan oleh Chavatal dan
Harary untuk bilangan Ramsey pada graf bintang terhadap roda adalah
dan untuk untuk bilangan
Ramsey pada graf bintang terhadap roda adalah
. Berdasarkan batas bawah Chavatal dan
Harary tersebut dapat dikonstruksi graf kritis yang memiliki orde lebih besar
dari batas bawah Chavatal dan Harary. Orde graf kritis hasil konstruksi
merupakan nilai batas bawah yang lebih baik dari batas bawah yang diberikan
Chavatal dan Harary. Demikian seterusnya sampai diperoleh batas bawah
terbesar (terbaik). Selanjutnya akan ditentukan batas atas secara analitik dengan
menggunakan beberapa lemma seperti Lemma Bondy, Lemma Brandt, Lemma
Dirac, dan beberapa teori lainnya yang berhubungan dengan bilangan Ramsey.
Hasil yang diperoleh pada penelitian ini adalah dan
.
Kata Kunci : bilangan Ramsey, graf bintang, graf roda, pansiklik
1. Pendahuluan
Graf umumnya merupakan suatu model Matematika yang digunakan untuk
menganalisa banyak masalah kongkrit yang berhubungan dengan dunia nyata. Beberapa
masalah dalam Fisika, Kimia, Sains Komunikasi, Teknologi Komputer, Genetika,
Psikologi dan Sosiologi bisa diformulasikan sebagai masalah dalam teori graf. Selain
itu, cabang Matematika seperti teori grup, matriks, peluang, dan topologi juga memiliki
implementasi dalam teori graf (Balakrishnan & Ranganathan, 2012).
Graf adalah pasangan himpunan dan , dengan himpunan diskrit,
dan { | . Anggota himpunan kadang – kadang disebut titik, simpul,
atau titik simpul. Dan anggota himpunan kadang – kadang disebut sisi, rusuk, atau
garis. Di dalam penulisan jurnal ini, anggota disebut titik dan anggota disebut sisi
91
ISBN: 978-602-72198-6-1
SENAMAS 2017
sehingga disebut himpunan titik dan disebut himpunan sisi. Notasi sebuah graf
adalah . Misalkan dan ,
jika dan maka graf disebut graf sederhana. Sisi dinamakan gelang
atau loop,jika , karena berawal dan berakhir pada titik yang sama. Apabila sisi
maka graf memiliki sisi paralel. Lebih lanjut, sisi disebut terkait dengan
titik dan titik . Sedangkan titik dan titik dikatakan titik-titik yang bertetangga.
Graf yang memiliki sisi paralel dan loop disebut pseudograf. Graf dikatakan
komplemen graf apabila memenuhi jika hanya jika .
Banyaknya titik pada graf ditulis | | disebut orde dari graf dan banyaknya sisi
ditulis | | disebut ukuran graf . Jika | | , maka graf dapat ditulis .
Banyaknya sisi yang terkait dengan suatu titik pada suatu graf adalah derajat
titik tersebut. Suatu graf yang memiliki titik berderajat dan titik lainnya berderajat
disebut lintasan. Jika untuk setiap pasangan titik dan pada suatu graf, terdapat
lintasan dari ke , maka graf tersebut disebut graf terhubung. Suatu graf terhubung
yang setiap titiknya berderajat dua disebut graf siklus. Graf siklus berorde
dilambangkan dengan .
Panjang siklus terbesar pada suatu graf disebut circumference, dinotasikan
dengan , sedangkan panjang siklus terkecil disebut girth, dinotasikan dengan .
Sebuah graf yang berorde disebut graf pansiklik (pancyclic) jika memuat
semua siklus dengan panjang dari sampai Dan disebut graf pansiklik lemah (weakly
pancyclic) jika memuat siklus untuk .
Graf yang himpunan titiknya dapat dipisah menjadi beberapa himpunan
bagian , , sedemikian sehingga setiap sisi pada menghubungkan sebuah
titik di ke sebuah titik di disebut graf multipartit. Khususnya untuk ,
graf disebut graf bipartit, dinotasikan dengan | | . Jika
setiap titik di bertetangga dengan setiap titik di untuk semua pada graf
multipartit , maka graf multipartit disebut multipartit lengkap
dengan notasi Suatu graf yang terdiri atas satu titik berderajat dan
titik lainnya berderajat satu disebut graf bintang. Graf bintang dengan titik dinotasikan
dengan . Selain graf bintang, dikenal pula graf roda atau biasa disimbolkan dengan
. Graf roda merupakan graf yang diperoleh dengan cara menambahkan satu titik
pada graf siklus , dan menghubungkan titik tersebut dengan semua titik pada graf
siklus tersebut. Karenanya, graf roda adalah graf berorde
Diberikan sebarang dua graf dan , bilangan Ramsey graf dua warna
adalah bilangan asli terkecil sedemikian sehingga untuk setiap pewarnaan
dua warna pada setiap sisi graf lengkap katakanlah merah atau biru, maka akan
selalu memuat subgraf merah yang isomorf dengan atau subgraf biru yang isomorf
dengan .
Dalam makalah ini akan disajikan bilangan Ramsey dua warna untuk graf bintang
terhadap graf roda berorde genap. Perkembangan teori Ramsey ini diawali dari ide dasar
mengenai bilangan Ramsey klasik dua warna oleh Erd ̈ s dan Szekeres (Wikipedia,
2016,[1]). Pada than 1935, mereka memberikan batas atas dan batas bawah bilangan
Ramsey klasik yakni ( ) ( ) Beberapa
tahun kemudian, Cha ́ atal dan Harary [7], memberikan batas bawah yang lebih umum
yaitu , dengan adalah bilangan kromatik
graf dan adalah banyaknya titik pada komponen terbesar graf . Oleh karena
92
ISBN: 978-602-72198-6-1
SENAMAS 2017
setiap graf merupakan subgraf dari graf lengkap, maka

( ), dengan | | dan | | .
2. Tinjauan Pustaka
Pengertian, teorema, lema, atau akibat yang digunakan dalam penentuan bilangan
Ramsey untuk pasangan graf bintang dan roda disajikan terlebih dahulu sebelum
menyajikan beberapa hasil yang telah diperoleh peneliti-peneliti sebelumnya. Definisi
bilangan Ramsey dua warna secara umum telah diberikan sebelumnya. Dengan
memanfaatkan konsep dekomposisi graf, maka definisi bilangan Ramsey graf dapat
dituliskan sebagai berikut.
Definisi 2.1. Diberikan sebarang dua graf dan , bilangan Ramsey graf
adalah bilangan bulat terkecil sedemikian sehingga untuk setiap graf
berorde memenuhi sifat berikut: memuat graf atau ̅ memuat . Sebaliknya jika
terdapat graf yang tidak memuat dan komplemen graf ( ̅ ) tidak memuat , maka
graf tersebut disebut graf kritis untuk dan .
Jadi bilangan Ramsey adalah bilangan bulat terkecil sedemikian sehingga

untuk setiap graf berorde memenuhi sifat memuat graf atau ̅ memuat .
Berdasarkan pengertian ini, penulisan artinya sembarang pewarnaan dua
warna pada sembarang graf berorde senantiasa memuat subgraf sewarna yang
isomomorf dengan bintang atau roda . Sebaliknya, apabila terdapat graf yang
tidak memuat dan ̅ tidak memuat , maka graf tersebut merupakan graf kritis
untuk dan . Kardinalitas graf kritis adalah batas bawah bilangan Ramsey
, dapat ditulis | | . Harapannya batas bawah yang diperoleh
melalui konstruksi graf kritis lebih baik atau lebih besar dari batas bawah yang
diberikan Chvátal dan Harary.
2.1. Teorema, Lemma, dan Sifat Terkait Penentuan .
Teorema dan Lemma yang terkait dengan penentuan batas atas dan batas bawah
bilangan Ramsey, antara lain sebagai berikut.
Teorema 2.1. Graf adalah graf bipartit jika dan hanya jika setiap siklus pada
memiliki panjang genap.
Lemma 2.1 (Bondy, [1])

Misalkan adalah graf berorde . Jika , maka adalah pansiklik atau
untuk genap.
Lemma 2.2. (Brandt, [2])

Setiap graf non bipartit berorde dengan adalah pansiklik lemah dengan
atau
93
ISBN: 978-602-72198-6-1
SENAMAS 2017
Lemma 2.3 (Dirac, [3])

Misalkan merupakan graf denga titik dan . Jika adalah graf
terhubung-2, maka { | |
Selain beberapa teorema dan lemma tersebut, sifat yang berkaitan dengan
bilangan Ramsey adalah mengenai keterhubungan graf. Keterhubungan graf ditulis
adalah bilangan terkecil yakni banyaknya titik minimal yang dihilangkan sehingga
penghilangan titik – titik tersebut pada menghasilkan suatu graf tak terhubung atau
suatu graf trivial. Selanjutnya, untuk setiap graf berorde maka
2.2. Hasil-Hasil Yang Telah Diperoleh

Beberapa hasil tentang bilangan Ramsey graf bintang terhadap graf roda yang
telah diperoleh para peneliti sebelumnya antara lain: Baskoro dkk. (2002) membuktikan
bahwa jika , maka {
dan Pada tahun 2005[10], Korolova memberikan batas bawah
secara umum untuk bilangan Ramsey graf bintang berorde genap terhadap graf roda
berorde ganjil yakni untuk ganjil Hasil lain
diberikan oleh Hasmawati [8], yaitu jika ganjil dan , maka
{
Pada tahun 2008, Yunqing Zhang dkk. [9], membuktikan bahwa
untuk dan . Bilangan Ramsey untuk graf roda terhadap siklus
diberikan oleh Yanbo Zhang dkk. [10], dengan hasil untuk
ganjil, dan . Untuk ganjil dan
. Dalam makalah ini dikaji bilangan Ramsey untuk
graf bintang berorde genap terhadap graf roda berorde ganjil tertentu yaitu
dengan dan 12.
Metode yang dilakukan dalam penelitian ini adalah menentukan batas bawah
dengan mengkonstruksi graf kritis untuk dan untuk dan . Dalam
mengkontruksi graf kritis tersebut, dilakukan berdasarkan batas bawah Chvátal dan
Harary. Sedangkan untuk menentukan batas atas adalah memilih bilangan yang lebih
besar dari batas bawah yang telah diperoleh. Selanjutnya, dibuktikan bahwa bilangan
tersebut merupakan batas atas dan untuk dan dengan
menggunakan beberapa metode diantaranya pemanfaatan teorema dan Lemma, seperti
Lemma Bondy, Dirac, Brandt serta konsep – konsep independent set, keterhubungan,
dan lain - lain.

Hasil yang diperoleh dalam penelitian ini ditulis sebagai proposisi, yakni terdiri
atas dua proposisi. Masing-masing proposisi langsung diikuti dengan buktinya.
94
ISBN: 978-602-72198-6-1
SENAMAS 2017
Proposisi 4.1.
Pertama-tama akan dibuktikan bahwa 43 adalah batas bawah bilangan Ramsey untuk
graf bintang terhadap graf roda atau . Prosedur
pembuktiannya sebagai berikut:
Menurut batas bawah Chvátal dan Harary didapatkan,
Pilih graf dengan orde 42, sebut , seperti pada Gambar 1 berikut.
Gambar 1. Graf gabungan multipartit

Setiap titik graf pada Gambar 1 berderajat paling besar 18 atau .
Sedangkan . Jadi graf . Selanjutnya akan ditunjukkan bahwa ̅
juga tidak memuat .
Gambar 2. Graf ̅
Graf pada Gambar 2 memuat siklus namun tidak ada titik di ̅ yang bisa menjadi
titik pusat roda . Sehingga dapat disimpulkan bahwa ̅ . Oleh karena itu,
| | atau …………………………… (1)
Karena belum ditemukan graf dengan orde lebih dari 42 yang merupakan graf kritis
untuk dan , maka langkah selanjutnya adalah pencarian batas atas.
Bilangan yang lebih besar dari 43, adalah 44, 45, dan seterusnya. Namun belum
ditemukan suatu metode untuk membuktikan bahwa bilangan 44 – 48 merupakan batas
atas Selanjutnya, akan diperlihatkan bahwa 49 merupakan batas atas
95
ISBN: 978-602-72198-6-1
SENAMAS 2017
bilangan Ramsey . Menurut definisi batas atas, jika ,

maka sembarang pewarnaan dua warna katakanlah merah dan biru pada sisi-sisi graf
dengan orde 49 akan selalu memuat atau komplemennya memuat . Hal ini
ditunjukkan dengan cara seperti berikut:
Ambil sembarang graf dengan | | . Andaikan , akan ditunjukkan bahwa

̅ . Karena maka untuk setiap , . Selanjutnya, misal
ambil satu titik di secara sembarang, sebut . Tulis dan subgraf dari
yang diinduksi oleh himpunan titik adalah atau Berarti | | | | dan
| | | | atau | | . Karena untuk setiap
maka ̅ ̅
| | | |
| ̅|
atau ̅ . Lebih lanjut, terdapat dua kasus berikut.
Kasus I. Misalkan ̅ merupakan graf bipartit.

Karena | ̅ | dan ̅ , maka kemungkinan graf ̅ adalah graf
, dan . Misalkan dan adalah partisi dari himpunan
titik-titik graf ̅ . Urutkan dan labeli titik pada dengan dan dengan
. Karena dan , maka untuk setiap
berlaku | | . Jadi jelas graf ̅ memuat siklus . Siklus
bersama – sama titik membentuk di ̅ .
Kasus II. Misalkan ̅ bukan merupakan graf bipartit.
Sub Kasus II.1. Misalkan ̅ , yang berarti ̅ merupakan graf tidak terhubung.
Misalkan ̅ terdiri dari dua komponen, tulis ̅ ̅ ̅ atau ̅ ⋃ ̅ . Karena
̅ , maka ̅ ̅ Selanjutnya, karena | ̅ | dan untuk setiap
|̅ | maka | ̅ | | ̅ |. Sehingga untuk setiap { ̅
|̅ |
hal tersebut ternyata menurut Lemma 2.1, ̅ adalah graf pansiklik yaitu ̅ memuat
semua siklus dengan panjang dari 3 sampai | ̅ |. Oleh sebab itu, maka dapat
disimpulkan bahwa ̅ memuat dan membentuk di ̅ yang berpusat di titik .
Sub Kasus II.2. Misalkan ̅ ini artinya ̅ merupakan graf terhubung. Berarti
ada ̅ , sehingga ̅ , untuk suatu titik potong , merupakan graf tak terhubung dan
|̅ { | . Oleh karena itu, ̅ memiliki dua komponen, sebut ̅ dan ̅ atau bisa
dituliskan ̅ ⋃ ̅ . Karena ̅ , maka |̅ | dan | ̅ | | ̅ |.
Jadi ̅ bertetangga dengan titik dan titik bertetangga dengan ̅ . Karena untuk
|̅ |
setiap { ̅ maka hal tersebut memenuhi Lemma 2.1 yang
mengakibatkan ̅ adalah graf pansiklik yang memuat semua siklus dengan panjang dari
3 sampai | ̅ |. Oleh sebab itu, maka dapat disimpulkan bahwa ̅ memuat dan
membentuk ̅
di .
Sub Kasus II.3. Misalkan ̅ yakni ̅ merupakan graf terhubung-2. Menurut

Lemma 2.3, maka ̅ { | ̅| { { , dimana
| ̅|
̅ adalah panjang siklus terbesar pada ̅ , yaitu ̅ . Karena ̅ dan
̅ bukan graf bipartit, maka menurut Lemma 2.2, ̅ adalah pansiklik lemah yaitu
96
ISBN: 978-602-72198-6-1
SENAMAS 2017
memuat semua siklus untuk ̅ ̅ dengan ̅ adalah 3 atau 4.

Jadi, ̅ memuat . Siklus membentuk di ̅ .
Kasus I dan II, menunjukkan bahwa graf memuat atau ̅ , maka 49

merupakan batas atas atau dapat dituliskan . ….......(2)
Persamaan (1) dan (2) menunjukkan .
Proposisi 4.2.
Serupa dengan pembuktian untuk , Penentuan bilangan Ramsey

juga dilakukan dengan dua langkah. Langkah pertama penentuan batas
bawah, dan langkah kedua adalah penentuan batas atas dari .
Pertama-tama akan dibuktikan bahwa 49 adalah batas bawah bilangan Ramsey
untuk graf bintang terhadap graf roda atau . Prosedur
pembuktiannya sebagai berikut:
Menurut batas bawah Chvátal dan Harary didapatkan,
Dalam penelitian ini diperoleh bahwa 49 juga merupakan batas bawah

yakni dengan memilih graf dengan orde 48, sebut , seperti pada Gambar 3 berikut.
Gambar 3. Graf
Setiap titik pada graf dalam Gambar 3, berderajat paling besar 21 atau .
Karena , maka graf . Komplemen graf merupakan graf jumlah
atau ̅ . Graf ̅ ini hanya memuat roda terbesar . Jadi graf ̅ juga tidak
memuat . Oleh karena itu, | | atau … (3)
Dengan cara yang serupa pada penentuan batas atas bilangan , diketahui
bahwa . ………………………………………….… (4)
Pertidaksamaan (3) dan (4) menghasilkan .
97
ISBN: 978-602-72198-6-1
SENAMAS 2017
5. Kesimpulan
Berdasarkan hasil dan pembahasan di atas, maka dapat disimpulkan bahwa
bilangan Ramsey untuk graf bintang terhadap graf roda untuk adalah
dan untuk yaitu .
Daftar Pustaka
[1] Bondy, J., & Murty, U. S. 1976. Graph Theory With Applications. Elsevier
Science Publishing Co., Inc : U.S.A.
[2] Brand, S., Faudree, R., J., dan Goddard, W., 1998. Weakly pancyclic graph, J.
Graph Theory, 27, 141-176.
[3] Chen, Y., Cheng, T. E., Miao, Z., & NG, C. 2009. The Ramsey Numbers For
Cycles Versus Wheels of Odd Order. Applied Mathematics Letters. 22 : 1875-
1876.
[4] Cha ́ atal, V., dan Harary, F., 1972. Generalized Ramsey Theory for graphs, III,
small off-diagonal numbers, J. Math., 41, 335-345.
[5] Hasmawati. 2007. Bilangan Ramsey Untuk Graf Gabungan Bintang. Disertasi
tidak diterbitkan. Bandung : Program Pascasarjana ITB.
[6] Hasmawati, Baskoro, E., & Assiyatun, H. 2008. The Ramsey Numbers For
Disjoint Unions of Graphs. Discrete Mathematics. 308 : 2046-2049.
[7] Korolova, A. 2005. Ramsey Numbers of Stars Versus Wheels of Similar Size.
[8] Wilson, R. 1999. Introduction to Graph Theory. Longman : New York.
[9] Zhang, Y., Chen, Y., & Zhang, K. 2008. The Ramsey Numbers For Stars of Even
Order Versus A Wheel of Order Nine. European Journal of Combinatorics. 29 :
1744–1754.
[10] Zhang, Yb., Zhang, Y., dan Chen, Y., 2014. The Ramsey numbersof whells
versus odd cycles. Discrete Mathematics, 323, 76-80.
98
ISBN: 978-602-72198-6-1
SENAMAS 2017
Bilangan Ramsey Sisi Terhubung

Untuk Pasangan Graf Lengkap Berorde Dua
Terhadap Gabungan Graf Lengkap Berorde Tiga
Sri Indrayani, Hasmawati, Nurdin

Departemen Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam
E-mail: sriindrayani903.si@gmail.com
Abstrak
Bilangan Ramsey sisi terhubung untuk graf dan dinotasikan dengan ̂ ( )
adalah bilangan asli terkecil sedemikian sehingga setiap pewarnaan dua warna
pada sisi-sisi suatu graf terhubung yang berukuran k, graf berwarna terhubung
selalu memuat subgraf sewarna yang isomorf dengan atau . Notasi
( ) artinya setiap pewarnaan dua warna pad sisi-sisi graf senantiasa memuat
subgraf sewarna yang isomorf dengan atau . Apabila tidak demikian
dinotasikan ( ) Karena itu, bilangan Ramsey sisi terhubung dapat ditulis
̂( ) * | ( )| ( ) +. Dalam
makalah ini ditunjukkan bahwa bilangan Ramsey sisi terhubung untuk pasangan
graf lengkap berorde dua terhadap gabungan graf lengkap berorde tiga,
̂( )= untuk
Kata Kunci: Terhubung, Bilangan Ramsey sisi, Graf lengkap berorde dua, Graf
lengkap berorde tiga.
1. Pendahuluan
Graf didefinisikan sebagai sebuah pasangan himpunan ( ( ) ( )) dengan
( ) adalah himpunan berhingga tak kosong yang anggota-anggotanya disebut titik
dan ( ) adalah sebuah himpunan (mungkin kosong) dari pasangan titik berbeda yang
disebut sisi. Banyaknya titik pada graf disebut orde graf , sedangkan banyaknya
sisi pada graf disebut ukuran dari graf Graf berorde kadang-kadang
dinotasikan dengan . Bilangan Ramsey sisi terbagi atas dua jenis yakni bilangan
Ramsey sisi untuk pasangan sembarang graf G dan H ditulis ̂ ( ) dan bilangan
Ramsey sisi terhubung ditulis ̂ ( ). Sebelum membahas lebih rinci tentang bilangan
Ramsey sisi terlebih dahulu diberikan beberapa istilah dan notasi yang diuraikan
berikut ini.
Misalkan dan merupakan titik-titik pada graf dan sisi , maka titik
dikatakan bertetangga dengan titik dan sisi dikatakan terkait dengan titik dan .
Himpunan semua tetangga dari pada graf F disebut ketetanggaan dari dan
dinotasikan dengan ( ). Dua sisi dan pada disebut sisi bertetangga jika
dan terkait pada titik yang sama. Dua sisi yang tidak bertetangga disebut sisi-sisi
yang saling lepas dan dua titik yang tidak bertetangga disebut titik-titik yang saling
99
ISBN: 978-602-72198-6-1
SENAMAS 2017
lepas. Himpunan dikatakan himpunan sisi bebas pada graf jika setiap dua sisi pada
merupakan sisi-sisi yang saling lepas dan himpunan H disebut himpunan titik bebas
jika setiap dua titik di H saling lepas.
Derajat titik pada graf dinotasikan dengan ( ), yakni ( ) | ( )|.
Derajat maksimum dari dinotasikan ∆( ), yakni ∆( ) * ( ) ( )+.
Derajat minimum dari dinotasikam ( ) yakni ( ) * ( ) ( )+. Graf
disebut ( ) jika ∆( ) ( ) . Graf disebut subgraf dari graf
jika ( ) ⊆ ( ) dan ( ) ⊆ ( ). Misalkan graf merupakan subgraf dari graf .
Graf adalah graf dengan himpunan titik ( ) ( ) ( ) dan himpunan
sisi ( ) ( ) * ( ) ⋃* ( )++. Jika adalah suatu pemetaan satu-satu
dari ( ) ke dalam ( ) Graf ( ( ) ( )) dan ( ( ) ( )) disebut isomorf jika
setiap dua titik ( ) ( ) ( ) jika dan hanya jika ( ( ) ( ))
( )
Misalkan S adalah suatu himpunan. Kardinalitas himpunan dinotasikan dengan
| |, adalah banyaknya anggota dari . Dengan demikian, orde graf adalah | ( )| dan
ukuran graf adalah | ( )| Misalkan diberikan graf G, H dan . Apabilah setiap kali
mewarnai sisi-sisi graf F dengan dua warna katakanlah warna merah atau biru, maka
graf senantiasa memuat subgraf merah yang isomorf dengan atau subgraf biru yang
isomorf dengan , maka graf F dinotasikan dengan ( ) dan jika tidak
dinotasikan ( ) Karenanya, bilangan Ramsey sisi terhubung dapat
didefinisikan sebagai ( ) * | ( )| ( ) adalah graf
terhubung+. Dalam makalah ini dikaji bilangan Ramsey sisi terhubung yakni mencari
graf terhubung F dengan banyaknya sisi paling minimal yang apabila sisi-sisi tersebut
diwarnai dua warna secara sembarang senantiasa memuat subgraf sewarna yang isomorf
dengan salah satu dari graf-graf yang diberikan.
2. Tinjauan Pustaka
Suatu graf yang berukuran m disebut graf kritis untuk graf dan jika terdapat
pewarnaan pada semua sisi-sisi katakanlah merah dan biru, sedemikian sehingga
tidak memuat subgraf merah yang isomorf dengan dan tidak memuat subgraf biru
yang isomorf dengan . Ini artinya graf-graf kritis yang dimaksud merupakan graaf
khusus. Beberapa graf khusus terkait dengan graf kritis untuk pasangan graf lengkap
dan gabungan graf siklus orde tiga adalah lintasan, siklus, dan graf gergaji.
Graf lintasan P dengan titik adalah graf yang titik-titiknya dapat
diurutkan dalam suatu barisan sedemikian sehingga ( )
* + Graf lintasan dengan titik dinotasikan dengan .
Sedangkan graf siklus berorde n dinotasikan yaitu graf dengan himpunan titik
( ) ( ) dan himpunan sisi ( ) ( ) ⋃* +. Apabila setiap dua titik
pada suatu graf G dihubungkan oleh suatu lintasan, maka graf G tersebut disebut graf
terhubung (connected graph). Graf berorde n yang setiap dua titiknya bertetangga
disebut graf lengkap dan dinotasikan . Salah satu jenis graf yang dapat dikontruksi
dari lintasan dan siklus adalah graf gergaji (saw graph).
100
ISBN: 978-602-72198-6-1
SENAMAS 2017
Definis 2.1. Graf Gergaji (Saw Graph). Misalkan ( ) adalah graf lintasan
berorde dengan himpunan titik ( ( )) * +
dan himpunan sisi ( ( ) ) {( )( ) } Misalkan pula
(( ) ) * + Graf Gergaji adalah graf berorde
dengan himpunan titik ( ) ( ( )) (( ) ) dan himpunan
sisi ( ) ( ( )) * +.
Beberapa hasil yang telah diperoleh untuk bilangan Ramsey sisi ̂( )
diantaranya adalah bilangan Ramsey sisi yang diberikan oleh Erd ̈ s dkk pada tahun
1978 [1], dengan hasil: untuk , ̂( ) ⌈ ⌉ dan ̂ ( )
{
Mereka juga telah memberikan batas bawah dan batas atas secara umum untuk
gabungan graf lengkap terhadap graf siklus yakni √ ̂( ) √ ,
dan adalah konstanta positif, bilangan asli tertentu dengan dan berlaku untuk
semua
Beberapa tahun kemudian, Javadi dkk. [2] memberikan batas atas secara umum
untuk bilangan Ramsey sisi graf siklus yakni ̂ ( ) untuk
genap dan untuk yang lainnya. Sedangkan bilangan Ramsey sisi untuk
graf lintasan, ̂ ( ) ̂( ) ̂( ) untuk ganjil, dan
genap, diberikan oleh Imron dkk [4].
Pada tahun 2015, Rahadjeng dkk. [3] mengkaji bilangan Ramsey sisi graf
terhubung untuk pasangan graf matching dan graf siklus dengan hasil: untuk
̂( ) , dan ̂ ( ) {
Mereka juga telah membuktikan bahwa ̂ ( ) {
Termotivasi dari hasil-hasil bilangan Ramsey sisi yang telah diperoleh oleh para
peneliti sebelumnya, dikaji bilangan Ramsey sisi untuk pasangan graf lengkap berorde
dua terhadap gabungan graf lengkap berorde tiga atau ̂ ( ).

Misalkan ̂ ( ) adalah bilangan Ramsey sisi terhubung untuk graf dan graf
, yakni bilangan asli terkecil sedemikian sehingga terdapat graf F dengan | ( )|
yang memenui sifat setiap pewarnaan dua warna pada sisi-sisi graf F, graf F yang
telah terwarnai selalu memuat subgraf sewarna yang isomorf dengan graf G atau graf
H. Dalam kasus seperti ini ditulis ̂( ) , yang berarti ̂ ( ) dan
̂( ) . Untuk ̂ ( ) , nilai disebut batas atas untuk ̂ ( ), dan untuk
̂( ) , nilai disebut batas bawah. Berdasarkan pengertian bilangan Ramsey sisi
tersebut, dalam penelitian ini dilakukan dua proses yakni proses penentuan batas atas
dan proses penentuan batas bawah. Pembahasan berikut adalah proses penentuan
bilangan Ramsey sisi terhubung untuk graf dan graf untuk
, yang selalu dimulai dengan penentuan batas atas.
101
ISBN: 978-602-72198-6-1
SENAMAS 2017
3.1 Penentuan ̂ ( )
Berdasarkan bilangan Ramsey sisi terhubung untuk pasangan graf orde
dua terhadap graf siklus orde tiga adalah bilangan asli terkecil sedemikian sehingga
setiap pewarnaan dua warna pada sisi-sisi suatu graf terhubung yang berukuran k,
graf berwarna terhubung selalu memuat subgraf sewarna yang isomorf dengan atau
. Dapat ditulis:
̂( ) *| ( )| ( ) +.
Jika memilih ̂ ( ) 7, berarti bilangan 7, 8, 9, dan seterusnya adalah batas atas
̂( )
3.1.1 Prosedur penentuan batas atas dari ̂ ( )

Pilih graf gergaji sebagai yang strukturnya seperti pada Gambar 1.
Gambar 1: Graf 𝐺𝑅
Akan ditunjukkan bahwa segala bentuk pewarnaan dua warna katakanlah merah
dan biru pada sisi-sisi graf akan selalu memuat subgraf merah atau biru.
Asumsikan graf gergaji tidak memuat merah. Jika pewarnaan tidak
memuat merah, maka paling banyak semua sisi pada sebuah subgraf diberi
warna merah atau atau sisi-sisi yang terkait dengan salah satu titik yang berderajat
minimum pada . Sisi-sisi lain di graf diberi warna biru. Pewarnaan yang
terjadi adalah sisi warna merah hanya termuat di salah satu , sedangkan graf
memuat . Jadi terdapat subgraf yang semua sisinya berwarna biru, (Gambar 2).
(a) (b)
Gambar 2: Pewarnaan dua warna pada graf 𝐺𝑅
Sedangkan jika semua sisi yang terkait dengan salah satu titik berderajat yang
diwarnai merah maka masih tersisa pula yang belum berwarna merah dan titik yang
sisi-sisinya berwarna merah akan selalu bebas dari salah satu yang tidak berwarna
merah. Adapun yang tidak berwarna merah tersebut diwarnai dengan warna biru,
jadi masih selalu terdapat subgraf biru di , (Gambar 3).
(a) (b)
Gambar 3: Pewarnaan merah pada sisi yang terkait dengan titik yang
berderajat di 𝐺𝑅
102
ISBN: 978-602-72198-6-1
SENAMAS 2017
Oleh karena itu, segala bentuk pewarnaan merah dan biru pada sisi-sisi graf masih
selalu memuat 2 merah atau biru. Karena | ( )| dan berlaku (
) maka diperoleh:
̂( ) (1)
3.1.2 Prosedur penentuan batas bawah dari ̂ ( )

Pada penentuan batas bawah untuk ̂ ( ) adalah mencari suatu bilangan l,
sedemikian sehingga untuk sembarang graf sebut dengan | | selalu terdapat
pewarnaan dua warna pada sisi-sisi graf yang tidak memuat subgraf sewarna yang
isomorf dengan graf dan juga tidak memuat subgraf sewarna yang isomorf dengan
.
Ambil bilangan . Selanjutnya dicari pewarnaan pada masing-masing graf
berukuran yang tidak memuat subgraf sewarna yang isomorf dengan graf dan
juga tidak memuat subgraf sewarna yang isomorf dengan . Dalam hal ini struktur
graf dibagi dalam dua kasus.
Kasus 1: Graf terhubung berukuran 6 yang tidak memuat subgraf .
Warnai satu sisi pada graf dengan warna merah dan sisi yang lain adalah warna biru.
Pewarnaan ini menghasilkan graf berwarna yang hanya memuat satu merah dan
tidak memuat biru. Jadi, graf tidak memuat merah. Karena tidak memuat
maka tidak pula memuat biru (Gambar 4).
(a) (b) (c)
(e)
(d)
Gambar 4: Struktur graf 𝐹 yang berukuran 6 dan tidak memuat subgraf 𝐾
Kasus 2: Misalkan adalah graf terhubung berukuran 6 yang memuat subgraf .

1. Jika graf memuat subgraf sebuah maka terdapat paling sedikit satu titik
katakanlah titik di berderajat minimal karena terkait dengan sisi di
. Warnai semua sisi yang terkait dengan titik dengan warna merah pada
. Sisi-sisi yang lain diwarnai dengan warna biru. Oleh karena itu terdapat
yang sisi-sisinya terdiri atas warna merah dan biru sehingga tersebut tidak
dapat membentuk biru. Ini berarti graf yang memuat subgraf sebuah
tidak dapat lagi memuat biru.
2. Jika graf adalah graf reguler maka warnai merah pada semua sisi salah satu
subgraf pada graf tersebut.
3. Jika graf bukan graf reguler dan jika graf memuat subgraf lebih banyak
dari sebuah , sedangkan diketahui bahwa graf yang memuat
membutuhkan paling sedikit sisi yaitu diantaranya subgraf dan sisinya
lagi adalah penghubung dari subgraf tersebut, maka graf yang berukuran 6
103
ISBN: 978-602-72198-6-1
SENAMAS 2017
pun dapat memuat subgraf sebanyak namun saling terkait pada satu titik
yang sama. Satu titik yang sama tersebut katakanlah titik . Demikian sehingga
terdapat sedikitnya sisi yang terkait dengan . Warnai merah pada semua sisi
yang terkait dengan titik tersebut. Karena sisi-sisi yang berwarna merah saling
terkait pada titik maka sisi-sisi yang berwarna merah hanya dapat memuat
merah dan tidak memuat merah. Selain itu, sisi yang tidak berwarna merah,
warnai dengan warna biru. Oleh karena itu pada sisi-sisinya terdiri atas
warna merah dan biru. Demikian sehingga, tersebut tidak dapat membentuk
biru dan tidak ada lagi biru yang termuat pada tersebut.
Bentuk pewarnaan Kasus 2 seperti pada Gambar 5.
(a) (b) (c) (d)

Gambar 5: Sebarang 𝐹 berukuran 6 yang memuat subgraf 𝐾
Dari Kasus 1 dan Kasus 2 diketahui bahwa sembarang graf yang berorde 6 selalu
terdapat pewarnaan pada graf tersebut yang tidak memuat merah dan juga tidak
memuat biru, dinotasikan ( ). Dengan demikian, diperoleh ̂ (
) atau dapat ditulis
̂( ) (2)
Berdasarkan pertidaksamaan ( ) dan ( ) diketahui bahwa batas atas terkecil sama

dengan batas bawah terbesar. Jadi diperoleh bilangan Ramsey sisi terhubung yang
eksak untuk graf dan graf yakni 7 atau ̂ ( )
Dengan cara lain, penambahan satu atau lebih sisi pada graf gergaji akan tetap
memuat 2 merah atau biru, sehingga 8, 9 dan seterusnya juga merupakan batas
atas . Dengan demikian, ̂ ( ) * + .
Prosedur penentuan ̂ ( ) serupa dengan prosedur penentuan ̂ ( )
yakni dimulai dengan penentuan batas atas kemudian batas bawah.
3.2.1 Prosedur penentuan batas atas dari ̂ ( )
Pilih graf gergaji sebagai seperti pada Gambar 6.
Gambar 6: Graf 𝐺𝑅
Akan ditunjukkan bahwa segala bentuk pewarnaan dua warna yaitu merah dan
biru di selalu memuat subgraf merah atau biru. Seperti pada cara
104
ISBN: 978-602-72198-6-1
SENAMAS 2017
penentuan ̂ ( ), asumsikan graf gergaji tidak memuat merah. Jika

pewarnaan tidak memuat merah, maka paling banyak sisi yang berwarna
merah adalah sisi-sisi pada atau sisi-sisi yang terkait dengan salah satu titik yang
berderajat pada . Jika salah satu yang semua sisinya diwarnai merah maka
masih terdapat yang semua sisinya tidak berwarna merah karena graf memuat
yang saling bebas.
(a)
(b) (c)
Gambar 7: bentuk pewarnaan 𝐾 merah di 𝐺𝑅
Sedangkan jika semua sisi yang terkait dengan salah satu titik berderajat diwarnai
merah maka juga masih tersisa yang belum berwarna merah dan titik yang sisi-
sisinya berwarna merah akan selalu bebas dari yang tidak berwarna merah.
yang tidak berwarna merah tersebut diwarnai biru, jadi selalu terdapat subgraf biru.
(a)
(b) (c)
Gambar 8: bentuk pewarnaan merah pada sisi yang terkait dengan titik
yang berderajat 3 di 𝐺𝑅
Oleh karena itu, segala bentuk pewarnaan merah dan biru pada sisi-sisi graf selalu
memuat 2 merah atau biru. Karena | ( )| dan ( )
maka diperoleh:
̂( ) (3)
3.2.2 Prosedur penentuan batas bawah dari ̂ ( )

Akan dibuktikam bahwa sebarang graf berukuran selalu terdapat pewarnaan
dua warna pada graf yang tidak memuat subgraf sewarna dan tidak memuat
105
ISBN: 978-602-72198-6-1
SENAMAS 2017
subgraf sewarna . Jadi 10 adalah batas bawah dari ̂ ( ). Ambil sebarang

graf dengan | ( )| .
Kasus 1: Graf terhubung berukuran 10 yang tidak memuat subgraf .
Warnai satu sisi pada graf dengan warna merah dan sisi-sisi lainnya diberi warna
biru. Graf tidak memuat merah dan tidak memuat biru, karena tidak
memuat . Jadi terdapat pewarnaan pada graf yang tidak memuat merah
sekaligus tidak memuat biru.
(a)
(b)
(c) (d)
Gambar 9: Sebarang 𝐹 berukuran 10 yang tidak memuat subgraf 𝐾
Kasus 2: Misalkan adalah graf terhubung berukuran 10 yang memuat subgraf .

1. Jika graf memuat subgraf paling banyak maka terdapat paling sedikit satu
titik katakanlah titik di yang berderajat paling sedikit , karena graf
terhubung. Karenanya, titik x terkait dengan suatu sisi di . Warnai semua
sisi yang terkait dengan titik dengan warna merah pada . Sisi-sisi yang lain
diwarnai dengan warna biru. Oleh karena itu terdapat yang sisi-sisinya terdiri
atas warna merah dan biru sehingga tersebut tidak dapat membentuk biru.
Ini berarti graf yang memuat subgraf paling banyak tidak dapat memuat
biru, namun hanya memuat sebuah biru.
2. Jika graf memuat subgraf lebih banyak dari , sedangkan diketahui bahwa
graf yang memuat membutuhkan paling sedikit sisi yaitu diantaranya
subgraf dan sisinya lagi adalah penghubung dari subgraf tersebut.
Maka graf yang berukuran dapat memuat subgraf sebanyak namun
terdapat paling sedikit yang saling terkait atau memiliki titik bersama, sebut
titik u. Dengan demikian, ( ) atau terdapat paling sedikit sisi yang
terkait dengan . Warnai merah pada semua sisi yang terkait dengan titik
tersebut. Karena sisi-sisi yang berwarna merah saling terkait pada titik maka
sisi-sisi yang berwarna merah hanya dapat memuat satu merah dan tidak
memuat merah. Selain itu, sisi yang tidak berwarna merah, warnai dengan
warna biru. Karenanya, sisi yang terdapat pada adalah merah dan terdapat
dua sisi biru. Jadi sisi yang tersisa paling banyak 4 dengan warna biru. Keempat
sisi tersebut tidak dapat membentuk biru.
106
ISBN: 978-602-72198-6-1
SENAMAS 2017
Bentuk pewarnaan Kasus 2 seperti pada Gambar 10.
(a) (b) (c)
(d) (e) (f)

Gambar 10: Sebarang 𝐹 berukuran 10 yang memuat subgraf 𝐾
Kedua kasus ini menunjukkan bahwa sembarang graf berorde 10, selalu terdapat
pewarnaan dua warna pada graf tersebut yang tidak memuat merah dan tidak
memuat biru. Jadi sembarang graf berukuran 10 merupakan graf kritis untuk graf
dan . Jika sebarang graf berukuran merupakan graf kritis dari ̂ (
) maka sebarang graf yang berukuran kurang dari juga merupakan graf kritis
dari ̂ ( ). Dengan demikian diperoleh ( ), sehingga ̂ (
) . Oleh karena itu terbukti bahwa adalah batas bawah dari ̂ ( )
atau dapat ditulis:
̂( ) (4)
Dari Pertidaksamaan ( ) dan ( ), diperoleh ̂ ( )
Dengan memilih graf gergaji dan cara yang serupa dengan penentuan
bilangan Ramsey sisi untuk ̂ ( ) dan ̂ ( ), diperoleh ̂ ( )
4. Penutup
Graf yang diperoleh untuk mendapatkan batas atas dari bilangan Ramsey sisi
terhubung untuk pasangan graf lengkap berorde dua terhadap gabungan graf lengkap
berorde tiga ( ̂ ( )) adalah graf gergaji , untuk . Juga telah
dibuktikan bahwa sembarang graf berorde | ( )| merupakan graf kritis untuk
dan . Jadi bilangan Ramsey sisi untuk pasangan graf lengkap berorde dua
terhadap gabungan graf lengkap berorde tiga, ̂ ( ) | ( )|, dan 3.
Daftar Pustaka
[1] Erd ̈ s, P., Faudree, R.J. Rossseau, C.C. Schelp., R.H. (1978): Size Ramsey
Number, Period. Math. Hungar, 9 , 145-161.
[2] Javadi, R., Khoeini, F., Reza Omidi, G., Pokrovskiy, A., (Submitted, 2017): On
the size-Ramsey number of cycles, Cornell University Library.
107
ISBN: 978-602-72198-6-1
SENAMAS 2017
[3] Rahajeng, B., Baskoro, E. T., dan Assiyatun, H. (2015): Connected Size Ramsey
Numbers for Matchings versus Cycles or Paths, Procedia Computer Science ,
74, 32–37.
[4] Imron, C., dan Baskoro, E.T., (2006): Bilangan Ramsey Sisi ̂ ( ), The
Electronic Journal.
108
ISBN: 978-602-72198-6-1
SENAMAS 2017
Pengaruh Kontrol Optimal Berupa Perawatan Pada

Penderita Tuberculosis dan Screening Pada Unaware
Infectives
Endrik Mifta Shaiful, Firman Riyudha
Universitas Airlangga
Abstrak
Tuberculosis (TB) adalah penyakit yang disebabkan oleh mycobacterium tuberculosis.
Diperkirakan sepertiga dari penduduk dunia teinfeksi mycobacterium tuberculosis,
sehingga TB menjadi salah satu penyakit yang berbahaya didunia. Tujuan dari
penelitian ini adalah menerapkan kontrol optimal berupa Health Education ( ) pada
populasi Susceptible (S), Screening ( ) pada populasi Unaware Infectives ( ), dan
Treatment ( ) pada populasi Latent (E) dan Infectius ( ). Eksistensi kontrol optimal
pada model matematika penyebaran penyakit tuberculosis dilakukan menggunakan
Prinsip Maksimum Pontryagin. Hasil simulasi numerik menunjukkan bahwa pemberian
kontrol , , dan secara bersamaan dinilai lebih efektif untuk meminimalkan
jumlah penderita tuberculosis dengan biaya yang lebih minimal.
Kata Kunci : Tuberculosis, Kontrol Optimal. Health Education, Screening, Treatment
1. Pendahuluan
Tuberculosis (TB) adalah penyakit yang disebabkan oleh mycobacterium
tuberculosis. Diperkirakan sepertiga dari penduduk dunia teinfeksi mycobacterium
tuberculosis, sehingga TB menjadi salah satu penyakit yang berbahaya didunia. TB
merupakan penyakit yang dapat menular melalui udara. Individu yang baru terinfeksi
mycobacterium tuberculosis tidak langsung dapat menularkan TB ke individu lainnya,
tetapi individu tersebut masih dalam tahap laten. Data dari Bacille Calmette-Guerin
(BCG) uji vaksin dan studi tindak lanjut dari kontak pasien TB menular yang dilakukan
pada tahun 1930-an hingga 1960-an menunjukkan bahwa sekitar 5% hingga 10% dari
orang yang terinfeksi TB baru akan menjadi individu TB menular setelah 1 sampai 2
tahun. Durasi waktu yang dimiliki tiap individu laten berbeda-beda tergantung daya
tahan tubuhnya [1].
Untuk mencegah penyebaran TB dibutuhkan treatment atau pengobatan untuk
individu laten agar tidak berkembang menjadi individu TB menular. Menurut Miller
(1993) [1], terapi untuk individu TB menular pertama kali dipertimbangkan setelah
isoniazid (INH) diperkenalkan pada tahun 1952 sebagai agen kemoterapi yang sukses.
INH sukses sebagai agen kemoterapi karena telah terbukti efektif dan aman dalam
pengobatan penyakit. Pengobatan dengan INH juga dapat dilakukan pada penderita TB
tetapi dalam waktu yang lama tergantung pada daya tahan tubuh penderita TB.
Berdasarkan data dari WHO pada 22 maret 2017, lebih dari sepertiga (4,3 juta) orang
dengan TB tidak terdiagnosis atau tidak dilaporkan, beberapa tidak menerima perawatan
sama sekali sedangkan yang lain mengakses layanan pengobatan dengan kualitas
rendah. Selain dengan pengobatan, TB dapat dengan menggunakan masker penutup
hidung ketika berinteraksi dengan penderita TB.
109
ISBN: 978-602-72198-6-1
SENAMAS 2017
Huo,dkk, (2016) [2], telah membuat model matematika dalam bentuk sistem
persamaan differensial biasa (SPDB) nonlinear dengan memperhatikan efek perawatan
di rumah. Penulis tertarik untuk memodifikasi model tersebut dengan membedakan
populasi Unaware Infectives dengan Aware Infectives dan memberikan kontrol optimal
berupa Health Education tentang penyakit TB pada populasi rentan , Screening pada
populasi Unaware Infectives, dan Treatment pada populasi Aware Infectives dan Latent.
Kemudian akan dianalisis pengaruh kontrol optimal tersebut pada model yang telah
dimodifikasi.
2. Model Matematika Dengan Kontrol

Model matematika yang digunakan dalam penelitian ini adalah Sistem
Persamaan Differensial Biasa (SPDB) non linear yang terdiri atas lima populasi yaitu
populasi yang rentan terinfeksi TB (Susceptible ; S), populasi yang baru terinfeksi TB
(Latent ; E), populasi penderita TB yang tidak peduli dengan penyakit TB yang diderita
(Unaware Infectives ; ), populasi penderita TB yang peduli dengan penyakit TB yang
diderita (Aware infectives ; ), dan populasi yang sembuh dari TB (Recovered ; R).
Populasi yang rentan terifeksi TB akan bertambah dengan adanya kelahiran
manusia dengan laju konstan sebesar , dan berkurang ketika populasi yang rentan
terinfeksi TB yang disebabkan oleh individu Unaware Infectives sebesar dan
individu Aware Infectives sebesar dengan , serta berkurang karena adanya
kematian alami pada individu rentan sebesar . Populasi yang baru terinfeksi TB
(latent) akan bertambah ketika ada populasi rentan yang terinfeksi TB yang disebabkan
oleh individu Unaware Infectives sebesar dan individu Aware Infectives sebesar
dengan , dan berkurang karena perubahan individu laten menjadi Unaware
Infectives sebesar dan Aware Infectives sebesar , serta berkurang karena kematian
alami pada individu latent sebesar . Populasi Unaware Infectives bertambah ketika
ada perubahan individu laten menjadi Unaware Infectives sebesar , dan berkurang
karena ada perubahan individu Unaware Infectives menjadi Aware Infectives sebesar ,
serta berkurang karena kematian alami sebesar dan kematian karena TB sebesar
pada individu Unaware Infectives. Populasi Aware Infectives bertambah ketika ada
perubahan individu laten menjadi Aware Infectives sebesar , dan bertambah karena
ada perubahan individu Unaware Infectives menjadi Aware Infectives sebesar , serta
berkurang karena adanya individu Aware Infectives yang sembuh sebesar , berkurang
karena kematian alami sebesar dan kematian karena TB sebesar pada individu
Aware Infectives. Populasi Recovered bertambah karena adanya individu Aware
Infectives yang sembuh sebesar , dan berkurang karena kematian alami sebesar pada
individu Recovered.
Berdasarkan penjelasan diatas dan dengan menambahkan kontrol berupa Health
Education ( ) pada populasi Susceptible (S), Screening ( ) pada populasi Unaware
Infectives ( ), dan Treatment ( ) pada populasi Latent (E) dan Infectius ( ) maka
dapat dibentuk diagram transmisi dan model matematika pengaruh kontrol optimal
berupa perawatan pada penderita tuberculosis dan screening pada unaware infective :
110
ISBN: 978-602-72198-6-1
SENAMAS 2017
Gambar 2. 1 Diagram Transmisi Model Pengaruh Kontrol Optimal Berupa Treatment Pada
Penderita TB dan Screening Pada Unaware Infectives

S    (1  u1 )(1 I1   2 I 2 ) S  S

E  (1  u1 )(1 I1   2 I 2 ) S  ((1  u3 )(   )    u3 ) E

I1  (1  u3 )E  (u 2    d1 ) I1 (2.1)

I 2  (1  u3 )E  u 2I1  (u3 k    d 2 ) I 2

R  u3 E  u3 kI2  R
S , E , I1 , I 2 , R  0
Untuk keterangan definisi pada kontrol optimal dan nilai setiap parameter [2] dijelaskan
pada Tabel 2.1 :
Tabel 2. 1 Definisi dan Nilai Parameter
Parameter Definisi Nilai

Laju Kelahiran 800/tahun
Laju penularan TB oleh unaware infectives 0,41/tahun
Laju penularan TB oleh aware infectives 0,11/tahun
Laju kematian alami 0,014/tahun
Laju transisi latent menjadi unaware infectives 0,043/tahun
Laju transisi latent menjadi aware infectives 0,056/tahun
Laju transisi unaware infectives menjadi aware infectives 0,001/tahun
Laju kematian karena TB pada unaware infectives 0,2/tahun
Laju kematian karena TB pada aware infectives 0,02/tahun
Laju kesembuhan pada aware infectives 0,001/tahun
[0,1]
Kontrol berupa Health Education
Asumsi
[0,1]
Kontrol berupa Screening
Asumsi
[0,1]
Kontrol berupa Treatment
Asumsi
111
ISBN: 978-602-72198-6-1
SENAMAS 2017
Fungsi ongkos pada model pengaruh kontrol optimal berupa perawatan pada
penderita tuberculosis dan screening pada unaware infective adalah :
tf 3
1
J (u1 , u2 , u3 )  min  ( E  I1  I 2   mi ui )dt
2
u1 ,u2 ,u3
0 i 1 2 (2.2)
dengan tf  100 tahun, m1  $ 2, m2  $ 2,1, dan m3  $ 2,4.
3. Analisis Kontrol Optimal

Metode yang digunakan untuk analisis kontrol optimal pada penelitian ini adalah
prinsip maksimum Pontryagin [3]. Konversi persamaan (2.1) dan (2.2) ke dalam fungsi
Hamiltonian ( ) dengan memperhatikan kontrol :
3 5
1
H  E  I1  I 2   mi ui   i f i
2
i 1 2 i 1
dengan :
f1    (1  u1 )(1 I1   2 I 2 ) S  S
f 2  (1  u1 )(1 I1   2 I 2 ) S  ((1  u3 )(   )    u3 ) E (3.1)
f 3  (1  u3 )E  (u 2    d1 ) I1
f 4  (1  u3 )E  u 2I1  (u3 k    d 2 ) I 2
f 5  u3 E  u3 kI2  R
1 , 2 , dan 3 merupakan variabel co - state
Fungsi Hamiltonian (3.1) akan mengalami kondisi stasioner ketika :
H
0
u
 H 
 
 u1   0 
 H   
    0 (3.2)
 u 2   0
 H   
 u 
 3
 S ( 1 I1   2 I 2 )(1  2 )  m1u1   0 
   
 I1 (4  3 )  m2 u 2   0
 kI (   )  E (   )  m u   0 
 2 5 4 5 2 3 3  
Berdasarkan persamaan (3.2) didapatkan solusi dari u1 , u 2 , u3 yaitu :
112
ISBN: 978-602-72198-6-1
SENAMAS 2017
S ( 1 I1   2 I 2 )(2  1 )
u1 
m1
I1 (3  4 )
u2 
m2 (3.3)
kI2 (4  5 )  E (2  5 )
u3 
m3
Solusi dari u1 , u 2 , u3 masih mengandung variable co-state, maka variable co-state

didapatkan dari solusi persamaan co-state berikut :
 S ( A) 2 (2  1 ) 2 ( A) 2 (2  1 ) S SA(1  2 )

1   1 (  (1  ) A   )  2
m1 m1 m1
( A) 2 (1  2 ) S SA(1  2 )
(  (1  ) A)
m1 m1

2  1  B(2  5 )  2 (C        B)  3  4 (  D)  5 ( D  B  C )
 S 2 1 A(1  2 )  2 I1 (3  4 ) 2 S 2 1 A(1  2 )
3  1    1 (2  1)  2
m1 m2 m1
S 2 1 A(1  2 ) 2 2 I1 (3  4 ) 2  2 I (  4 )
(2  1)  3 (  d1   )  4 1 3
m1 m2 m2
 S 2  2 A(1  2 ) S 2  2 A(1  2 )
4  1   Bk (4  5 )  1 (2  1)  2
m1 m1
S 2  2 ( A)(1  2 ) kE(4  5 ) k 2 I 2 (4  5 )
(2 1 )  4 ( 
m1 m3 m3
k (kI2 (4  5 )  E (2  5 )

m3
k 2 I 2 (4  5 ) k (kI2 (4  5 )  E (2  5 ) kE(4  5 )
 d 2   )  5 (   )
m3 m3 m3

(3.4)
5  5 
(kI2 (4  5 )  E (2  5 )) (  5 ) E k (2  5 ) I 2
A  1 I1   2 I 2 , B  ,C  2 ,D 
m3 m3 m3
Karena persamaan co-state sulit (3.4) dicari solusinya secara analitik dan 0  u1  1 ,
0  u2  1, 0  u3  1 maka solusi dari u1 , u 2 , u3 dari (3.3) adalah :
113
ISBN: 978-602-72198-6-1
SENAMAS 2017
S ( 1 I1   2 I 2 )(2  1 )
u1  max(0, min(1, ))
m1
I1 (3  4 )
u 2  max(0, min(1, )) (3.5)
m2
kI2 (4  5 )  E (2  5 )
u3  max(0, min(1, ))
m3
4. Simulasi Numerik
Simulasi numerik pada (2.1) dilakukan dengan beberapa skenario antara lain
ketika tidak ada kontrol yang bekerja dengan optimal pada model (u1  0, u2  0, u3  0)
, hanya health education yang bekerja (u1  0, u2  0, u3  0) ,hanya screening yang
bekerja (u1  0, u2  0, u3  0) , hanya treatment yang bekerja (u1  0, u 2  0, u3  0)
,health education dan screening yang bekerja (u1  0, u2  0, u3  0) , health education
dan treatment yang bekerja (u1  0, u 2  0, u3  0) , screening dan treatment yang
bekerja (u1  0, u 2  0, u3  0) , dan semua kontrol bekerja (u1  0, u 2  0, u3  0) dengan
menginputkan nilai parameter pada Tabel 2.1 serta nilai awal dalam ribuan dengan
S  100, E  5, I1  2, I 2  1 , R  30 .
(a) (b)
(c)
Gambar 4. 1 Grafik Jumlah Populasi dengan skenario ,
, , , dan
114
ISBN: 978-602-72198-6-1
SENAMAS 2017
(a) (b)
(c)
Gambar 4. 2 Grafik Jumlah Populasi dengan skenario ,
, , , dan
4.1 Kontrol Optimal Dengan Health Education

Kontrol optimal dengan health education dapat bekerja dengan baik pada
populasi latent, unaware infectives, dan aware infectives, serta lebih baik dari kontrol
treatment, untuk lebih jelasnya dapat dilihat pada gambar 4.1(a)-4.1(c) . Pada saat
tahun ke-100 jumlah populasi latent, unaware infectives, dan aware infectives tanpa
kontrol berturut-turut adalah 70.740 jiwa , 18.510 jiwa, dan 85.400 jiwa. Setelah
diberikan kontrol berupa health education pada populasi rentan dengan biaya $
245,3347 jumlahnya menjadi 1.020 jiwa, 0 jiwa, dan 34 jiwa.
4.2 Kontrol Optimal Dengan Screening

Kontrol optimal dengan screening tidak dapat bekerja dengan baik pada populasi
latent, unaware infectives, dan aware infectives, karena pada gambar 4.1(a)-4.1(c)
terlihat jumlah populasi sebelum dikontrol dan setelah dikontrol sama dengan biaya $
1849,2404.
4.3 Kontrol Optimal Dengan Treatment

Kontrol optimal dengan Treatment dapat bekerja dengan baik pada populasi
latent, unaware infectives, dan aware infectives, serta lebih baik dari kontrol screening,
untuk lebih jelasnya dapat dilihat pada gambar 4.1(a)-4.1(c) . Pada saat tahun ke-100
jumlah populasi latent, unaware infectives, dan aware infectives tanpa kontrol berturut-
turut adalah 70.740 jiwa , 18.510 jiwa, dan 85.400 jiwa. Setelah diberikan kontrol
berupa treatment pada populasi latent dan aware infectives dengan biaya $ 543,7771
jumlahnya menjadi 1.020 jiwa, 0 jiwa, dan 34 jiwa.
115
ISBN: 978-602-72198-6-1
SENAMAS 2017
4.4 Kontrol Optimal Dengan Health Education dan Screening

Kontrol optimal dengan health education dan screening dapat bekerja dengan
baik pada populasi latent , serta lebih baik dari kontrol screening dan treatment, tetapi
pada populasi unaware infectives, dan aware infectives tidak lebih baik dari kontrol
screening dan treatment, untuk lebih jelasnya dapat dilihat pada gambar 4.2(a)-4.2(c) .
Pada saat tahun ke-100 jumlah populasi latent, unaware infectives, dan aware infectives
tanpa kontrol berturut-turut adalah 70.740 jiwa , 18.510 jiwa, dan 85.400 jiwa. Setelah
diberikan kontrol berupa health education dan screening pada populasi rentan dan
unaware infectives dengan biaya $ 244,8368 jumlahnya menjadi 1.012 jiwa, 0 jiwa, dan
30 jiwa.
4.5 Kontrol Optimal Dengan Health Education dan Treatment

Kontrol optimal dengan health education dan treatment dapat bekerja dengan
baik pada populasi latent , unaware infectives, dan aware infectives, serta lebih baik dari
kontrol screening dan treatment, untuk lebih jelasnya dapat dilihat pada gambar 4.2(a)-
4.2(c) . Pada saat tahun ke-100 jumlah populasi latent, unaware infectives, dan aware
infectives tanpa kontrol berturut-turut adalah 70.740 jiwa , 18.510 jiwa, dan 85.400 jiwa.
Setelah diberikan kontrol berupa health education dan treatment pada populasi rentan ,
latent, dan aware infectives dengan biaya $ 149,2431 jumlahnya menjadi 1.012 jiwa, 0
jiwa, dan 32 jiwa.
4.6 Kontrol Optimal Dengan Screening dan Treatment

Kontrol optimal dengan screening dan treatment dapat bekerja dengan baik pada
populasi latent , tetapi tidak lebih baik dari kontrol health education dan treatment.
Kontrol screening dan treatment dapat mengurangi jumlah populasi unaware infectives,
dan aware infectives dengan cepat, untuk lebih jelasnya dapat dilihat pada gambar
4.2(a)-4.2(c) . Pada saat tahun ke-100 jumlah populasi latent, unaware infectives, dan
aware infectives tanpa kontrol berturut-turut adalah 70.740 jiwa , 18.510 jiwa, dan
85.400 jiwa. Setelah diberikan kontrol berupa screening dan treatment pada populasi
latent, unaware infectives, dan aware infectives dengan biaya $ 542,4563 jumlahnya
menjadi 1.012 jiwa, 0 jiwa, dan 32 jiwa.
4.7 Kontrol Optimal Dengan Health Education, Screening, dan

Treatment
Kontrol optimal dengan health education, screening dan treatment dapat bekerja
dengan baik, karena dapat mengurangi jumlah populasi latent , unaware infectives, dan
aware infectives dengan cepat, serta lebih baik dari pada kontrol yang lain, untuk lebih
jelasnya dapat dilihat pada gambar 4.1(a)-4.2(c). Pada saat tahun ke-100 jumlah
populasi latent, unaware infectives, dan aware infectives tanpa kontrol berturut-turut
adalah 70.740 jiwa , 18.510 jiwa, dan 85.400 jiwa. Setelah diberikan kontrol berupa
116
ISBN: 978-602-72198-6-1
SENAMAS 2017
health education, screening dan treatment pada populasi latent, unaware infectives, dan
aware infectives dengan biaya $ 149,0245 jumlahnya menjadi 1.012 jiwa, 0 jiwa, dan 30
jiwa.
5. Kesimpulan
Pada penelitian ini penulis menerapkan kontrol optimal pada model tuberculosis.
Berdasarkan analisis kontrol optimal yang telah dilakukan pada subbab sebelumnya
jumlah populasi latent, unaware infectives, dan aware infectives akan dengan cepat
menurun hingga 98%, 100%, dan 99% dari jumlah sebelum diberikan kontrol optimal
ketika dilakukan kontrol gabungan health education, screening, dan treatment dengan
biaya yang paling minimal yaitu $ 149,0245.
Daftar Pustaka
[1] B. Miller, Preventive Therapy For Tuberculosis, Medical Clinics Of North
America (6) (1993) 1263-1275.
[2] H. Huo, M. Zou, Modelling Effect of Treatment at Home on Tuberculosis

Transmission Diynamics, Applied Mathematical Modelling 40 (2016) 9474-9484.
[3] L.S. Pontryagin, V.G. Boltyanskii, R.V. Gamkrelidze, E.F. Mishchenko, The
Mathematical Theory of Optimal Processes, Wiley, New York, 1962.
117
ISBN: 978-602-72198-6-1
SENAMAS 2017
Analisis Model Dinamika Penyebaran Pekerja Seks

Komersial dengan Adanya Recruitment oleh
Mucikari
Firman Riyudha, Endrik Mifta Shaiful, Aminatul Lailiyah
Departemen Matematika Fakultas Sains dan Teknologi Universitas Airlangga
Abstrak
Industri seks komersial telah menjadi pasar komoditas yang besar dan menjanjikan bagi
para pelakunya. Tak dapat dipungkiri, adanya komoditas tersebut menjadikan
pertumbuhan pekerja seks komersial (PSK) lebih terorganisir. Recruitment mucikari
merupakan salah satu faktor penyebab meningkatnya jumlah perempuan yang
terjerumus dalam industri ini. Pada penelitian ini akan dikontruksikan model
matematika untuk mengetahui dinamika penyebaran PSK dengan adanya pengaruh
recruitment oleh mucikari. Berdasarkan hasil analisis model, diperoleh dua titik
setimbang yaitu titik setimbang zero PSK atau non endemik dan titik setimbang
endemik . Eksistensi dari titik setimbang dan kestabilan lokal titik setimbang
bergantung pada basic reproduction ratio ( ) yang merupakan rata-rata kasus
sekunder per kasus primer dalam populasi virgin selama masa penyebaran kasus
primer. Titik setimbang non endemik stabil asimtotis jika sedangkan titik
setimbang endemik akan stabil asimtotis jika . Analisis sensitivitas parameter
dalam model menunjukkan bahwa jika laju recruitment mucikari bertambah
(berkurang) sebesar 10% maka juga akan bertambah (berkurang) sebesar 5.79%..
Simulasi numerik juga diberikan untuk mendukung hasil analitik.
Kata Kunci : PSK, recruitment mucikari, analisis model, analisis sensitivitas.
1. Pendahuluan
Prostitusi merupakan salah satu bentuk penyakit sosial dalam masyarakat yang
sampai saat ini sulit untuk dientaskan [4]. Tidak hanya menjadi penyimpangan social
yang meresahkan masyarakat, namun prostitusi telah menjadi komoditas yang besar dan
menjajikan bagi para pelakunya. Adanya komoditas tersebut menjadikan pertumbuhan
pekerja seks komersial lebih terorganisir. Penelitian tentang prostitusi telah banyak
dilakukan di berbagai bidang, termasuk matematika. David off, dkk telah
mengkontruksikan model matematika tentang industri seks komersial yang berbentuk
sistem dinamik, dalam papernya David off,dkk menganalisis dinamika dari PSK
(Pekerja Seks Komersial) sebagai supply system dan customer sebagai demand system.
Hasil penelitiannya menunjukkan bahwa dengan adanya usaha penurunan customer
dapat mengurangi nilai dari bilangan reproduksi dasar untuk supply system, namun tidak
berlaku sebaliknya. Usaha yang dijelaskan pada papernya berupa usaha pemerintah
dalam melakukan penangkapan/razia terhadap customer.
Selain dipengaruhi oleh adanya permintaan customer, dinamika prostitusi juga
dipengaruhi oleh bertambahnya korban kasus human trafficking. Sebagian besar korban
human trafficking disalurkan pada industri seks komersial. Hal tersebut dapat dilihat
pada data yang dilaporkan oleh UNODC (United Nation Organization Drugs and
Crime) menunjukkan bahwa pada tahun 2014 terdapat 54% korban human trafficking
118
ISBN: 978-602-72198-6-1
SENAMAS 2017
ditujukan untuk eksploitasi seksual (UNODC). Jenis eksploitasi seksual berbagai

macam, salah satunya adalah, pemaksaan atau ancaman untuk bekerja pada industri seks
komersial[5].
Salah satu alur dalam trafficking, yaitu recruitment yang dilakukan oleh
mucikari. Recruitment ini sebagai suatu aktivitas penerimaan korban dari traffickers
kepada industri seks komersial[7]. Hal tersebut merupakan salah satu bentuk interaksi
antara mucikari dan korban yang rentan menjadi PSK. Namun, tidak menutup
kemungkinan bahwa recruitment mucikari terhadap perempuan rentan juga dapat
dilakukan secara langsung, artinya selain korban trafficking, perempuan lain yang bukan
korban trafficking juga dapat terjerumus ke dalam industri seks komersial yang
disebabkan oleh faktor lainnya. Pada penelitian ini akan dikontruksikan model
matematika penyebaran pekerja seks komersial dengan adanya recruitment mucikari
yang berbentuk sistem dinamik dengan empat kompartemen. menyatakan populasi
perempuan rentan menjadi PSK. menyatakan populasi PSK. menyatakan populasi
PSK yang berhenti. adalah populasi mucikari.
2. Model Dinamika Penyebaran Pekerja Seks Komersial dengan

Adanya Recruitment oleh Mucikari
Pada bagian ini akan dikontruksikan sistem dinamik dari penyebaran pekerja
seks komersial (PSK) dengan adanya recruitment oleh mucikari. Adapun asumsi yang
digunakan untuk mengkontruksi model antara lain:
a. Sistem terdiri dari empat kompartemen.
b. Laju recruitment konstan.
c. Mucikari juga berprofesi sebagai PSK.
d. Mucikari tidak melakukan penyiksaan terhadap PSK.
e. Perempuan yang menjadi PSK karena kemauan sendiri tidak diperhatikan.
f. Perempuan yang telah berhenti tidak akan kembali menjadi PSK.
Variabel dan parameter yang digunakan pada sistem ini disajikn pada tabel 2.1 dibawah
ini
Tabel 2.1 Pendefinisian Variabel dan Parameter Model Dinamika Penyebaran
Pekerja Seks Komersial dengan Adanya Reccruitment Mucikari
Notasi Deskripsi
Populasi perempuan rentan menjadi PSK saat
Populasi PSK saat

Populasi PSK yang berhenti saat
Populasi mucikari saat
Laju recruitment (perempuan usia 15-25 tahun)
Rata-rata kontak PSK dan perempuan rentan
Rata-rata kontak mucikari dan perempuan rentan
119
ISBN: 978-602-72198-6-1
SENAMAS 2017
Laju transmisi PSK berhenti
Laju transmisi PSK menjadi mucikari

Laju mortalitas alami
Berikut merupakan model dinamika penyebaran pekerja seks komersial dengan adanya
recruitment mucikari
(1)
(2)
(3)
(4)
Dengan
Persamaan (1) menyatakan laju perubahan populasi perempuan rentan menjadi

PSK terhadap waktu. Populasi ini bertambah karena adanya kelahiran dengan laju
kelahiran/recruitment sebesar . Selain itu, populasi ini berkurang karena adanya
perekruitan PSK oleh mucikari dan ajakan PSK terhadap perempuan rentan denga laju
berturut-urut sebesar dan serta berkurang karena adanya kematian alamk sebesar .
Persamaan (2) merupakan laju perubahan populasi PSK terhadap waktu.
Populasi PSK dapat bertambah karena perekruitan mucikari maupun ajakan PSK
terhadap perempuan yang rentan. Populasi ini akan berkurang karena PSK berhenti
dengan laju sebesar , transisi PSK menjadi mucikari sebesar , dan kematian alami.
Persamaan (3) menyatakan laju perubahan populasi PSK yang berhenti terhadap
satuan waktu. Populasi ini bertambah karena adanya PSK yang berhenti dan berkurang
karena kematian alami.
Persamaan (4) merupakan laju perubahan populasi mucikari terhadap satuan
waktu. Populasi mucikari bertambah karena adanya PSK yang direkruit menjadi
mucikari dan berkurang karena kematian alami.
Setelah model dikontruksi maka akan ditentukan solusi dari sistem tersebut,
Namun solusi secara analitik dari sistem persamaan diferensial non linier sulit untuk
dicari. Dalam hal ini analisa model matematika dapat dilakukan dengan mencari solusi
khusus model yaitu melalui titik setimbang model dan analisis kestabilan titik
setimbang tersebut.
2. Analisis Kestabilan Titik Setimbang Model Dinamika

Penyebaran Pekerja Seks Komersial dengan Adanya
Recruitment Mucikari
2.1 Titik Setimbang dan Basic Reproduction Number
Solusi dari sistem non linear sangat sulit ditentukan secara analitik, sehingga
diperlukan pendeketan melalui solusi khusus sistem,yaitu melalui titik setimbang.
120
ISBN: 978-602-72198-6-1
SENAMAS 2017
Keadaan setimbang merupakan suatu kondisi ketika laju perubahan masing-masing

populasi sepanjang waktu adalah nol, dalam hal ini , dengan
demikian
(5)
(6)
(7)
(8)
Dari persamaan (5)-(8) diperoleh dua titik setimbang yaitu titik setimbang bebas PSK
atau non endemik dan titik setimbang endemik.
Dengan mensubtitusikan , diperoleh dan . Kemudian tinjau
persamaan (5), dengan mensibsitusikan dan diperoleh
K
 S  . Dengan demikan titik setimbang bebas PSK atau non

endemik adalah ( ).
Selanjutnya, akan ditentukan Basic Reproduction Number atau dinotasikan
dengan . Parameter ini merupakan rata-rata banyaknya kasus sekunder per kasus
primer pada populasi tertutup yang seluruhnya susceptible selama masa penyebaran[3].
Selain itu, parameter ini dapat digunakan untuk mengukur potensi penyebaran penyakit
dalam suatu populasi[1]. Pada kasus ini jika maka individu yang menjadi PSK
akan menjadi individu susceptible dan tidak akan terjadi penybaran PSK(non endemik).
Jika maka individu yang menjadi PSK akan semakin meningkat dan dapat tejadi
penyebaran (endemik). Pada penelitian ini untuk menentukan menggunakan metode
NGM (Next Generation Matrix). Berdasarkan hasil perhitungan diperoleh
.
Titik setimbang endemik merupakan suatu kondidisi ketika terjadi penyebaran
PSK. Kondisi tersebut terjadi ketika , , , dan . Misalkan
menyatakan titik setimbang endemik. Berdasarkan hasil
perhitungan diperoleh adalah sebagai berikut.
dengan,
(9)
(10)
121
ISBN: 978-602-72198-6-1
SENAMAS 2017
Titik setimbang akan exist jika memenuhi pertidaksamaan berikut.

 R0  1
Berdasarkan analisa diatas dapat disimpulkan bahwa titik setimbang
(
) akan exist jika

memenuhi R0  1.
2.2 Analisis Kestabilan Lokal Titik Setimbang

Adapun langkah pertama untuk menentukan kestabilan titik setimbang non
endemik adalah dengan melakukan linearisasi sistem non linear melalui matriks
jacobian. Kemudian mensubsitusikan tittik setimbang non endemik
( ) ke dalam matriks jacobian yang telah terbentuk,
dengan demikian diperoleh
 
  0 0  K  
 
J (E0 )   0 0 0 0 
 0 0  0 
 
 0 0 0  
Berdasarkan dapat dibentuk persamaan karakteristik sebagai berikut:
Dari sini diperoleh persamaan karakteristik sebagai berikut

 (   ) 3  0 (11)
Sehingga, diperoleh nilai-nilai eigen dari adalah sebagai berikut:
, . Oleh karena nilai eigen yang didapatkan bernilai non negatif maka
titik setimbang non endemik bersifat stabil.
Dengan langkah yang sama, untuk menentukkan kestabilan pada titik setimbang
endemik yaitu mensubtitusikan nilai titik setimbang ke dalam
matriks Jacobian, dengan demikian diperoleh
[ ]
Berdasarkan , dengan cara yang sama dapat diperoleh persamaan karakteristik

sebagai berikut
( ) (12)
122
ISBN: 978-602-72198-6-1
SENAMAS 2017
Dari persamaan (12), (9), dan (10) didapatkan nilai eigen bernilai non negative yaitu,
. Sehingga, titik setimbang endemik bersifat stabil.
Berdasarkan uraian diatas, untuk mendukung hasil analitik dari titik setimbang
endemik maka dilakukan simulasi dengan bidang fase. Simulasi ini dilakukan dengan
memberi niai parameter dan tiga nilai awal untuk yang
diketahui.
Berikut adalah tabel nilai awal dan nilai parameter yang akan digunakan.
Simulasi ini hanya dilakukan pada waktu sampai .
Tabel 1. Nilai Awal

Nilai Warna
Awal
1 65320 957 330 120 Biru
2 27550 7861 438 50 Merah
3 24310 4464 120 216 Hijau
Tabel 2 Nilai Parameter

Notasi Nilai Parameter
10
0.50
0.45
0.36
0.55
0.36
Dengan nilai awal dan parameter yang diberikan diperoleh grafik bidang fase seperti
pada gambar 1 dibawah ini
123
ISBN: 978-602-72198-6-1
SENAMAS 2017
Gambar 2 Grafik Bidang Fase Model Dinamika Penyebaran Pekerja Seks Komersial
dengan Adanya Recruitment Mucikari
Gambar 4.2 di atas adalah gambar grafik bidang fase populasi sebagai
sumbu dan sebagai sumbu dari model matematika dinamika penyebaran
Pekerja Seks Komersial dengan Adanya Recruitment Mucikari. Berdasarkan nilai awal
yang telah diberikan, semua grafiknya terlihat cenderung konvergen ke titik
yang akan mendekati titik setimbang dari
.Berdasarkan parameter yang diberikan diperoleh
nilai sebagai berikut:
( )
Berdasarkan uraian di atas, dengan hasil kajian secara analitik dan numerik
dapat dibentuk dugaan atau konjektur sebagai berikut
Teorema 1 Titik setimbang endemik

(
)
pada model pada model dinamika penyebaran Pekerja Seks Komersial dengan Adanya
Recruitment Mucikari exist dan cenderung stabil asimtotis lokal jika dan hanya jika
memenuhi , dengan .
124
ISBN: 978-602-72198-6-1
SENAMAS 2017
3. Analisis Sensitivitas dan Simulasi Numerik

3.1 Analisis Sensitivitas
Analisis sensitivitas dapat digunakan untuk menentukan parameter yang
memiliki pengaruh besar terhadap perubahan . Analisis ini dilakukan dengan
menghitung nilai indeks sensitivitas dengan formula sebagai berikut
dengan merupakan parameter yang akan ditentukan indeksnya [6].
Berdasarkan hasil perhitungan diperoleh indeks senstivitas yang dapat dilihat

pada tabel 3 dibawah ini.
Tabel 3. Indeks Sensitivitas Parameter pada Model Dinamika

Penyebaran PSK dengan Adanya Recruitment Mucikari
Parameter Indeks Sensitivitas
0.5789
0.4210
-0.2834
0.1459
0.1376
Berdasarkan tabel 3 diatas dapat disimpulkan bahwa parameter yang memiliki

pengaruh besar terhadap perubahan nilai adalah dan yang berturut-turut
merupakan laju kontak antara perempuan rentan dengan mucikari dan PSK. Dari sini
dapat diartikan bahwa apabila tingkat keberhasilan recruitiment mucikari bertambah
(berkurang) sebesar 10% maka nilai akan bertambah (berkurang) sebesar 5.789%.
selain itu juga, apabila tingkat keberhasilan kontak PSK dengan perempuan rentan
bertambah (berkurang) sebesar 10% maka nilai akan bertambah (berkurang) sebesar
4.212%
3.1 Simulasi Numerik

Simulasi dilakukan dengan tiga kali percobaan, yaitu untuk mengetahui grafik
populasi PSK dengan nilai parameter berbeda-beda dan nilai parameter lain konstan.
Adapun hasil simulasi dapat dilihat pada gambar 3 dibawah ini.
125
ISBN: 978-602-72198-6-1
SENAMAS 2017
Gambar 3 Grafik Simulasi Populasi dengan nilai dan berbeda
Pada gambar 3 terlihat bahwa pada 5 tahun pertama populasi PSK meningkat
menuju batas kepadatan maksimal pada masing-masing percobaan, namun pada tahun
berikutnya terjadi penurunan hingga menuju titik setimbang endemiknya berdasarkan
parameter yang diinputkan. Dari hasil reperesentasi grafik diatas terlihat bahwa semakin
besar nilai dan menunjukkan bahwa populasi PSK makin besar, artinya laju
recruitment mucikari dan kontak PSK terhadap perempuan rentan memiliki pengaruh
terhadap jumlah PSK.. Faktanya, perempuan yang masuk ke dalam industri sex
komersial adalah mereka yang masuk karena adanya bujukan atau ajakan dari
perempuan yang telah menjadi PSK dan mucikari. Dari hal tersebut perlu adanya
kontrol pada interaksi antara mucikari dan perempuan yang telah menjadi PSK agar
populasi PSK juga dapat diminimalisir.
4. Kesimpulan
Berdasarkan hasil pembahasan diperoleh kesimpulan sebagai berikut:
1. Hasil analisis model dinamika penyebaran pekerja seks komersial dengan
adanya recruitment muckari diperoleh dua titik setimbang yaitu titik
setimbang bebas PSK ( ) dan titik setimbang endemik
).
Titik setimbang bebas penyakit cenderung bersifat stabil. Sedangkan, titik

setimbang endemik cenderung stabil asimtotis lokal jika dan hanya jika
memenuhi dengan
126
ISBN: 978-602-72198-6-1
SENAMAS 2017
2. Analisis sensitivitas menunjukkan bahwa jika laju recruitment oleh mucikari dan
laju kontak PSK dengan perempuan rentan memiliki pengaruh terhadap nilai .
Selain itu, hasil simulasi numerik menunjukkan bahwa adanya recruitment
mucikari dan kontak PSK berpengaruh terhadap penyebaran PSK dengan
semakin besar nilai laju keduanya mengakibatkan jumlah populasi PSK juga
makin besar. Oleh karena itu perlu adanya kontrol pada interaksi dari mucikari
maupun perempuan yang telah berprofesi sebagai PSK terhadap perempuan
yang rentan guna dapat meminimalisir penyebaran PSK.
Daftar Pustaka
[1] Brauer, F. dan Chavez, C. C., 2011, Mathematical Models in Population Biology
and Epidemiology, second edition, Springer, Canada
[2] DavidoffL., Sutton, K., Toutain,G.,S’anchez,F., Kribs-Zaleta, C,dan Castillo-

cha’ves. C., 2006, Mathematical Modelling of the Sex Worker Industry as a
Supply an Demand System, Journal of Mathe,matical and Theoretical Biology.
[3] 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.
[4] Kartono, K. 2005, Patologi Sosial, Jakarta,PT Raja Grafindo Persada.
[5] United Nations Office on Drugs and Crime.2016. Global Report Trafficking on
Person 2016.Viena. United Nations
[6] Yang J.Y., Chen Yl., Zhang .Q., 2013, Stability Analysis and Optimal Control
Model, Jurnal Application Mathematics Computer, Korea.
[7] Zimmerman, Cathy, et al. 2011. Human trafficking and health: A conceptual
m odel to inform policy, intervention and research. London: Elsevier
127
ISBN: 978-602-72198-6-1
SENAMAS 2017
Model Epidemik SEIRS-SEI Penyebaran Penyakit

Malaria dengan Vaksinasi dan Pengobatan
Resmawan
Universitas Negeri Gorontalo
Abstract
Malaria is a deadly disease transmitted to humans through the bite of infected female
mosquitoes. It can also be transmitted from an infected mother (congenitally) or
through blood transfusion. In this paper, we discussed the transmission of malaria
featuring in the framework of an SEIRS-SEI model with treatments are given to
humans and mosquitoes. We here utilized the use of vaccines, the use of anti-malarial
drugs, and the use of spraying as treatment efforts. A stability analysis was then
performed and numerical simulation was provided to clarify the result. It is shown that
treatments affect the dynamics of human and mosquito populations.
Keywords : Malaria, SEIRS-SEI model, vaccines, treatment, stability analysis
1. Pendahuluan
Malaria merupakan penyakit yang disebabkan oleh infeksi parasit dari Nyamuk
Anopheles betina genus Plasmodium. Malaria dapat ditularkan melalui gigitan nyamuk
yang terinfeksi, transfusi darah, pemakaian jarum suntik, maupun bawaan. Malaria
tergolong penyakit yang sangat mematikan bagi manusia. Oleh karena itu, diperlukan
perlakuan pencegahan untuk mengendalikannya baik tingkat infeksi maupun tingkat
penyebaran penyakit ini. Berdasarkan beberapa kasus malaria yang telah terjadi,
muncul berbagai penelitian yang mengontruksikan sebuah model matematika untuk
malaria. Pemodelan matematika dapat membantu memahami dan mengidentifikasi
hubungan penyebaran penyakit malaria dengan berbagai parameter epidemiologi,
membantu dalam perencanaan masa depan dan mempertimbangkan langkah-langkah
pengendalian yang tepat.
Dalam penelitian ini dibahas sebuah model penyebaran malaria yang dikembangkan
oleh Laarabi et al., [6] dan Putri et al. [8]. Modifikasi model dilakukan dengan penambahan
kelas terpapar (exposed) pada kedua populasi dengan mengacu pada Chitnis et al. [3]. Hal ini
diperlukan karena sporozoid yang dihasilkan dari gigitan nyamuk terinfeksi memerlukan masa
inkubasi selama 9-14 hari untuk benar-benar menimbulkan penyakit (Bloland and Williams,
[2]). Selama masa inkubasi ini, populasi dikelompokkan ke dalam kelas terpapar (exposed),
sehingga model ini disebut SEIRS-SEI. Modifikasi model juga dilakukan dengan penambahan
parameter perlakuan berupa vaksinasi dan pengobatan pada manusia (Schwartz et al., [9]).
Dalam penelitian ini dilakukan analisis kestabilan pada model malaria. Analisis kestabilan
dilakukan di sekitar titik tetap bebas penyakit untuk mengetahui dinamika populasi dalam
keadaan bebas penyakit. Selanjutnya akan dilakukan simulasi dengan komputasi numerik untuk
melihat efektifitas vaksinasi dan pengobatan pada manusia untuk menekan laju penularan
penyakit.
128
ISBN: 978-602-72198-6-1
SENAMAS 2017
Penelitian ini dilakukan dalam beberapa tahapan sebagai berikut.
2.1 Tahap Telaah
Tahap telaah dilakukan dengan studi literatur sebagai acuan dalam pemecahan masalah.
Studi literatur dilakukan terhadap jurnal-jurnal ilmiah, paper, dan buku-buku yang berhubungan
dengan model epidemik penularan penyakit malaria.
2.2 Konstruksi Model

Tahapan ini dilakukan mulai dengan identifikasi parameter, simbolisasi parameter,
pembuatan diagram kompartemen yang sesuai dengan kelompok populasi, yaitu susceptible,
exposed, infected dan recovered pada manusia dan susceptible, exposed, dan infected pada
nyamuk, dan terakhir dengan merumuskan model matematika berdasarkan diagram
kompartemen.
2.3 Penentuan Titik Tetap

Tahapan ini dilakukan dengan merumuskan titik tetap model, yaitu titik tetap bebas
penyakit ( ) dan titik tetap endemik ( ).
2.4 Analisis Kestabilan dan Simulasi Numerik

Analisis kestabilan dan simulasi numerik dilakukan melalui program komputasi dengan
menggunakan nilai-nilai parameter dari sumber terpercaya. Analisis kestabilan dilakukan
disekitar titik tetap bebas penyakit ( ) untuk melihat dimanika populasi dalam keadaan
bebas penyakit, sementara simulasi numerik dilakukan untuk melihat kontribusi vaksinasi dan
pengobatan dalam upaya menekan laju penularan penyakit.
3. Hasil Penelitian dan Pembahasan

3.1. Model Matematika
Secara skematis, pola penyebaran penyakit malaria pada model ini dapat
digambarkan dalam diagram kompartemen pada Gambar 1.
Gambar 1. Diagram kompartemen penyakit malaria tipe SEIRS-SEI dengan

vaksinasi dan pengobatan
129
ISBN: 978-602-72198-6-1
SENAMAS 2017
Berdasarkan diagram kompartemen pada Gambar 1, diformulasikan model

dalam bentuk sistem persamaan diferensial sebagai berikut :
( )
( )
( )
( )
{
Variabel dan parameter yang digunakan disajikan pada Tabel 1 dan Tabel 2.
Tabel 1. Variabel pada model malaria tipe SEIRS-SEI dengan vaksinasi dan
pengobatan
Variabel Keterangan
Banyaknya manusia yang rentan terkena penyakit malaria pada waktu
Banyaknya manusia yang terpapar penyakit malaria pada waktu
Banyaknya manusia yang terinfeksi penyakit malaria pada waktu
Banyaknya manusia yang sembuh dari penyakit malaria pada waktu
Banyaknya nyamuk yang rentan terkena penyakit malaria pada waktu
Banyaknya nyamuk yang terpapar penyakit malaria pada waktu
Banyaknya nyamuk yang terinfeksi penyakit malaria pada waktu
Tabel 2. Parameter pada model malaria tipe SEIRS-SEI dengan vaksinasi dan
pengobatan
Parameter Keterangan Satuan
Laju kelahiran dan migrasi manusia
Laju kelahiran dan migrasi nyamuk
Laju konstan kematian manusia secara alami
Laju konstan kematian nyamuk secara alami
Rata-rata banyaknya gigitan nyamuk
terinfeksi pada manusia rentan tiap satuan
waktu
Rata-rata banyaknya gigitan nyamuk rentan
pada manusia terinfeksi tiap satuan waktu
Peluang terjadinya transmisi penyakit dari tanpa satuan
nyamuk terinfeksi ke manusia rentan
Peluang terjadinya transmisi penyakit dari tanpa satuan
manusia terinfeksi ke nyamuk rentan
Efektivitas penyemprotan pada nyamuk
Laju konstan hilangnya kekebalan tubuh
130
ISBN: 978-602-72198-6-1
SENAMAS 2017
pada manusia setelah pulih

Efektivitas vaksinasi pada manusia
Laju bayi yang lahir dari ibu yang
terinfeksi Malaria
Efektivitas pengobatan pada manusia
Laju kematian manusia akibat malaria
Laju pemulihan manusia tanpa satuan
Laju perpindahan manusia terpapar ke
manusia terinfeksi.
Laju perpindahan nyamuk terpapar ke
nyamuk terinfeksi.
3.2 Titik Tetap

Titik tetap diperoleh dengan menyelesaikan sistem (1), yaitu kondisi yang
diperoleh pada saat . Dari persamaan
(1), diperoleh titik tetap bebas penyakit (disease-free equilibrium),
dengan
dan titik tetap endemic
dengan
3.2 Bilangan Reproduksi Dasar

Bilangan reproduksi dasar yang dinotasikan dengan adalah nilai harapan
banyaknya infeksi tiap satuan waktu. Bilangan reproduksi dasar ditentukan dengan
pendekatan matriks generasi mendatang (Diekmann et al., [4] dan van den Driessche and
Watmough, [11]). Berdasarkan sistem persamaan (1), diperoleh rumusan bilangan
reproduksi dasar,
√ (6)
131
ISBN: 978-602-72198-6-1
SENAMAS 2017
dimana
3.3 Analisis Kestabilan

Analisis kestabilan dilakukan disekitar titik tetap bebas penyakit ( ) untuk melihat
dimanika populasi dalam keadaan bebas penyakit.
3.3.1 Matriks Jacobi untuk Titik Tetap Bebas Penyakit

Sifat kestabilan titik tetap bebas penyakit ( ), dapat ditemukan dengan
melakukan pelinearan pada sistem persamaan diferensial di sekitar titik tetap bebas
penyakit (2), sehingga diperoleh matriks Jacobi untuk titik tetap tanpa penyakit,
( )
dimana
3.3.2 Nilai Eigen

Menurut Tu [10], titik tetap bebas penyakit ( ) bersifat stabil jika dan hanya
jika setiap nilai eigen dari matriks bernilai negatif dan tidak stabil jika dan hanya
jika ada minimal satu nilai eigen dari matriks yang tak negatif.
Berdasarkan matriks | |, diperoleh tujuh nilai eigen. Tiga diantaranya
diperoleh dari persamaan karakteristik,
( )
132
ISBN: 978-602-72198-6-1
SENAMAS 2017
yaitu
√ √
dengan
Sementara empat nilai eigen lainnya adalah akar-akar dari persamaan karakteristik:
dengan koefisien karakteristik
Sistem dapat dikatakan stabil jika semua nilai eigen bernilai negatif. Oleh sebab
itu:
a. Untuk nilai eigen
, karena semua parameter positif
b. Untuk Nilai eigen
 karena semua parameter bernilai positif
 jika dan √
 jika atau
c. Untuk Nilai eigen
 jika
 jika atau
Selanjutnya, dilakukan evaluasi tanda dari keempat nilai eigen pada persamaan
karakteristik (10), dengan menggunakan kriteria Routh-Horwitz.
Berdasarkan kriteria Routh-Horwitz, dan pada persamaan (10) akan
bernilai negatif apabila:
1.
Berdasarkan bersamaan karakteristik (10), diperoleh koefisien
dimana
Dengan demikian, karena semua parameter positif.

2.
Dengan asumsi yang sama bahwa semua parameter bernilai positif, meyebabkan
koefisien dan bernilai negatif. Dengan demikian, .
3.
133
ISBN: 978-602-72198-6-1
SENAMAS 2017
Karena semua nilai parameter positif, maka akan terpenuhi jika
4.
Telah diketahui bahwa dan dan . Selanjutnya dengan
asumsi yang sama, jelas bahwa berdasarkan persamaan
Dengan demikian, akan terpenuhi jika
3.4 Simulasi Numerik

Simulasi dilakuka untuk mengamati dinamika populasi dalam kondisi ketika
. Dalam hal ini, merupakan bilangan reproduksi yang didefinisikan pada
persamaan (6).
3.4.1 Nilai Parameter

Pemilihan parameter didasarkan pada studi yang dilakukan oleh berbagai sumber
terpercaya. Beberapa nilai parameter seperti yang menyangkut populasi, didasarkan
pada asumsi tentang situasi penyakit yang paling umum. Nilai-nilai parameter yang
diambil sehingga diperoleh disajikan pada Tabel 3. Selanjutnya, digunakan
nilai awal populasi manusia rentan ( ) adalah 300, populasi manusi terpapar ( )
adalah 50, populasi manusia terinfeksi ( ) adalah 10, populasi manusi pulih ( ) adalah
0, populasi nyamuk rentan ( ) adalah 2000, populasi nyamuk terpapar ( ) adalah
100 dan populasi nyamuk terinfeksi ( ) adalah 50.
Tabel 3. Nilai parameter pada model malaria tipe SEIRS-SEI

Parameter Nilai Parameter Satuan Sumber
Agusto et al., [1]
Asumsi
Agusto et al., [1]
Agusto et al., [1]
Labadin et al., [7]
Johansson and Leander, [5]
Chitnis et al., [3]
Chitnis et al., [3]
Asumsi
Agusto et al., [1]
Asumsi
Asumsi
Asumsi
Agusto et al., [1]
Laarabi et al., [6]
Labadin et al., [7]
Johansson and Leander [5]
134
ISBN: 978-602-72198-6-1
SENAMAS 2017
3.4.2 Dinamika Populasi dalam Kondisi Bebas Penyakit

Dengan linearisasi dan perhitungan terhadap sistem (1) disekitar titik tetap pada
kondisi bebas penyakit, diperoleh bilangan reproduksi dasar sebesar dengan
titik tetap bebas penyakit
(11)
Berdasarkan nilai-nilai parameter pada Tabel 3 dan persamaan (1), diperoleh

nilai eigen
Hal ini menunjukkan bahwa sistem
dalam keadaan stabil di sekitar titik tetap bebas penyakit.
Dinamika populasi dengan beberapa nilai awal yang diberikan dalam kasus ini
ditunjukkan pada Gambar 2.
Gambar 2. Dimanika populasi model SEIRS-SEI pada kondisi
Gambar 2 menampilkan dinamika populasi dari kondisi awal menuju kondisi

bebas penyakit. Masing-masing subpopulasi mengalami dinamika atau perubahan dari
kondisi awal menuju titik di sekitar titik tetap bebas penyakit. Sub populasi manusia
rentan mengalami penurunan karena terpapar oleh subpopulasi nyamuk terinfeksi.
Demikian juga dengan subpopulasi nyamuk rentan mengalami penurunan karena
terpapar oleh manusia terinfeksi. Kondisi ini menyebabkan adanya peningkatan pada
subpopulasi terpapar dan terinfeksi dari kedua spesies. Peningkatan ini terjadi sejak hari
pertama hingga disekitar hari ke-13 kemudian mengalami penurunan menuju titik bebas
penyakit. Hal ini seiring dengan peningkatan subpopulasi manusia yang pulih dari
penyakit, sehingga penyakit akan menghilang dari populasi.
3.4.3 Simulasi Efektifitas Pengobatan pada Manusia

Simulasi pada bagian ini untuk menunjukkan adanya kontribusi pengobatan pada
manusia dalam menekan laju penularan penyakit. Dalam hal ini, dilakukan perubahan
pada paramater efektifitas pengobatan pada manusia ( ). Akan ditunjukkan bahwa
perubahan nilai pada parameter dapat mengubah nilai bilangan reproduksi dasar ( )
135
ISBN: 978-602-72198-6-1
SENAMAS 2017
yang didefinisikan pada persamaan (6). Terdapat tiga nilai yang diamati, diambil pada
selang dengan langkah . Adapun nilai-nilai parameter lain dapat dilihat
pada Tabel 3. Perubahan nilai parameter yang menyebabkan terjadinya perubahan
nilai bilangan reproduksi dapat dilihat pada Tabel 4.
Tabel 4 Hasil simulasi efektifitas pengobatan pada manusia terhadap bilangan

reproduksi dasar
Parameter Bilangan reproduksi dasar
Pada populasi manusia yang ditunjukkan pada Gambar 3, jika efektifitas

pengobatan pada manusia ditingkatkan, maka banyaknya manusia terpapar dan
terinfeksi mengalami penurunan, sementara manusia yang pulih dari penyakit
mengalami peningkatan.
Gambar 3. Dinamika populasi manusia karena adanya pengobatan
Pengobatan yang diberikan pada manusia juga berdampak pada populasi

nyamuk, sebagaimana ditunjukkan pada Gamba 4. Jika efektifitas pengobatan pada
manusia ditingkatkan, maka populasi nyamuk pada kelas terpapar dan terinfeksi
mengalami penurunan. Hal ini menyebabkan banyaknya nyamuk pada populasi rentan
mengalami peningkatan.
136
ISBN: 978-602-72198-6-1
SENAMAS 2017
Gambar 4. Dinamika populasi nyamuk karena adanya pengobatan pada

Manusia
Adanya perubahan jumlah manusia dan nyamuk pada masing-masing kelas

subpopulasi cenderung berbeda untuk setiap kenaikan efektifitas pengobatan pada
manusia. Maksimum banyaknya manusia dan nyamuk terpapar terjadi pada sekitar hari
ke-9, sementara maksimum banyaknya manusia dan nyamuk terinfeksi terjadi pada hari
ke-20 dan ke-15. Hal ini sejalan dengan teori bahwa manusia yang terpapar akan
mengalami masa inkubasi selama kurang lebih 14 hari kemudian benar-benar terinfeksi.
Pada hari ke-20, dengan efektifitas pengobatan pada manusia ditingkatkan sebesar 40%
dapat menurunkan populasi manusia terinfeksi sebesar 13,88% dari total populasi
manusia dan dengan efektifitas pengobatan yang sama, pada hari ke-15 dapat
menurunkan populasi nyamuk terinfeksi sebesar 1.43% dari total populasi nyamuk.
3.4.4 Simulasi Efektifitas Vaksinasi pada Manusia

Pada bagian ini, dilakukan simulasi untuk menunjukkan adanya kontribusi
vaksinasi pada manusia dalam menekan laju penularan penyakit. Dalam hal ini,
dilakukan perubahan pada paramater efektifitas vaksinasi pada manusia ( ). Terdapat
tiga nilai yang diamati, diambil pada selang dengan langkah .
Adapun nilai-nilai parameter lain dapat dilihat pada Tabel 3. Perubahan nilai parameter
yang menyebabkan terjadinya perubahan nilai bilangan reproduksi dapat dilihat pada
Tabel 5.
Tabel 5 Hasil simulasi efektifitas vaksinasi pada manusia terhadap bilangan

reproduksi dasar
Parameter Bilangan reproduksi dasar
Pada populasi manusia yang ditunjukkan pada Gambar 5, jika efektifitas vaksinasi
pada manusia ditingkatkan, maka banyaknya manusia terpapar dan terinfeksi
mengalami penurunan, sementara manusia yang pulih dari penyakit mengalami
peningkatan. Hal ini disebabkan karena vaksinasi menyebabkan manusia rentan kebal
dari penyakit.
137
ISBN: 978-602-72198-6-1
SENAMAS 2017
Gambar 5. Dinamika populasi manusia karena adanya vaksinasi
Vaksinasi yang diberikan pada manusia juga berdampak pada populasi nyamuk,
sebagaimana ditunjukkan pada Gambar 6. Jika efektifitas vaksinasi pada manusia
ditingkatkan, maka populasi nyamuk pada kelas terpapar dan terinfeksi mengalami
penurunan. Hal ini disebabkan karena vaksinasi menyebabkan manusia terinfeksi
berkurang. Dengan demikian, peluang nyamuk terpapar oleh manusia terinfeksi juga
berkurang.
Gambar 6. Dinamika populasi nyamuk karena adanya vaksinasi pada

manusia
Adanya perubahan jumlah manusia dan nyamuk pada masing-masing kelas

subpopulasi cenderung berbeda untuk setiap kenaikan efektifitas vaksinasi pada
manusia. Maksimum banyaknya manusia dan nyamuk terpapar terjadi pada sekitar hari
ke-10, sementara maksimum banyaknya manusia dan nyamuk terinfeksi terjadi pada
hari ke-20. Pada hari ke-20, dengan peningkatan efektifitas vaksinasi pada manusia
sebesar 40% dapat menurunkan populasi manusia terinfeksi sebesar 12.50% dari total
populasi manusia dan dapat menurunkan populasi nyamuk terinfeksi sebesar 0.47% dari
total populasi nyamuk. Dampak vaksinasi terhadap nyamuk tidak begitu besar karena
vaksinasi tidak berdampak langsung pada nyamuk. Vaksinasi hanya menurunkan
jumlah manusia terinfeksi sehingga peluang nyamuk terpapar dari manusia terinfeksi
menjadi lebih kecil.
138
ISBN: 978-602-72198-6-1
SENAMAS 2017
4. Kesimpulan
Analisis dan pembahasan menunjukkan bahwa sistem akan stabil jika menenuhi
syarat , artinya efektifitas vaksinasi harus lebih besar dari laju konstan hilangnya
kekebalan tubuh pada manusia setelah pulih. Hal ini didukung dengan hasil simulasi
yang menunjukkan bahwa sistem dalam keadaan stabil disekitar titik tetap bebas
penyakit pada kondisi Disamping itu, perlakuan (treatment) yang diberikan
memiliki pengaruh terhadap dinamika populasi manusia dan nyamuk yang ditunjukkan
dengan bilangan reproduksi dasar. Secara umum, jika efektivitas perlakuan ditingkatkan
maka bilangan reproduksi dasar menurun. Hal tersebut menunjukkan bahwa jumlah
individu yang terinfeksi semakin berkurang, sehingga penyakit tidak akan menyebar
dan dalam jangka waktu tertentu penyakit akan menghilang dari populasi.
Daftar Pustaka
[1] Agusto, F.B., Marcus, N., and Okosun, K.O., 2012, Application of optimal control
to the epidemiology of malaria, Electronic Journal of Differential Equation,
Vol. 2012(2012), No.81, pp. 1-22.
[2] Bloland, P.B., and Williams, H.A., 2002, Malaria Control During Mass
Population Movements and Natural Disasters, Washington, The National
Academies Press
[3] Chitnis, N., Chussing, J.M., and Hyman, J.M., 2006, Bifurcation Analysis of A
Mathematical Model for Malaria Transmission, Siam J. Appl. Math. Vol. 67, No.
1, pp. 24–45
[4] Diekmann, O., Heesterbeek, J.A.P., and Metz, J.A.J., 1990, On the Definition and
the Computation of the Basic Reproduction Ratio in Models for Infectious
Diseases in Heterogeneous Populations, J. Math. Biol., 28, pp. 365-382
[5] Johansson, P. and Leander, J., 2010, Mathematical Modeling of Malaria: Methods
for Simulation of Epidemics, Gothenburg: Chalmers University of Technology
[6] Laarabi, H., Labriji, E.H., Rachik, M., and Kaddar, A., 2012, Optimal Control of
an Epidemic Model with A Saturated Incidence Rate, Modelling and Control.
Vol.17, No.4,448-459
[7] Labadin, C., Kon, M.L., and Juan, S.F.S., 2009, Deterministic Malaria
Transmission Model with Acquired Immunity, Proceedings of the World Congress
on Engineering and Computer Science 2009 Vol II, San Francisco, USA
[8] Putri, R.G., Jaharuddin, and Bakhtiar, T., 2014, SIRS-SI Model of Malaria
Disease with Application of Vaccines, Anti-Malarial Drugs, and Spraying, IOSR
Journal of Mathematics (IOSR-JM), Vol.10, Issue V Ver. II
[9] Schwartz, L., Brown, G.V., Genton, B., and Moorthy, V.S., 2012, A Reiew of
Malaria Vaccine Clinical Projects Based on the WHO Rainbow Table. Malaria
Journal. 11:11
139
ISBN: 978-602-72198-6-1
SENAMAS 2017
[10] Tu, P.N.V., 1994, Dynamical System: An Introduction with Applications in

Economics and Biology, New York: Springer-Verlag
[11] Van den Driessche, P., Watmough, J., 2002, Reproduction numbers and sub-
threshold endemic equilibria for compartmental models of disease transmission,
Mathematical Biosciences, 180(1–2): 29–48
140
ISBN: 978-602-72198-6-1
SENAMAS 2017
Analisis Model Matematika pada Terapi Kanker Menggunakan

Imunoterapi, Kemoterapi dan Biokemoterapi
Usman Pagalay1, Cholifatul Maulidiah2, Wahyu Henky Irawan2
1,2
Jurusan Matematika, Universitas Islam Negeri Maulana Malik Ibrahim Malang
Email: cholifatulmaulidya@gmail.com, usmanpagalay@yahoo.co.id, henky_lily@yahoo.com
ABSTRAK
Model matematika pada terapi kanker menjelaskan tentang pertumbuhan sel kanker pada
manusia yang terkena kanker dan diterapi secara imunoterapi, kemoterapi dan biokemoterapi. Model
ini terdiri dari empat populasi sel dan dua konsentrasi obat, yaitu populasi sel kanker, populasi sel
pembunuh alami atau sel NK populasi sel T-CD8+, populasi sirkulasi sel limfosit konsentrasi obat
kemoterapi, dan konsentrasi interleukin-2 (IL-2). Penelitian ini difokuskan pada analisis terapi dengan
membandingkan ketiga terapi di atas. Imunoterapi pada penelitian ini diasumsikan memuat lima
persamaan dengan mengabaikan variabel kemoterapi. Kemoterapi pada penelitian ini diasumsikan
memuat enam persamaan dengan mengabaikan dosis obat pengaktif sel T CD8+ dan Interleukin-2 (IL-
2). Biokemoterapi pada penelitian ini diasumsikan memuat enam persamaan dengan
mempertimbangkan dosis obat pengaktif sel T CD8+, Interleukin-2 (IL-2) dan kemoterapi. Analisis
yang dilakukan dalam penelitian ini adalah menentukan nilai fungsi bergantung waktu atau dosis obat
pengaktif sel T CD8+, Interleukin-2 (IL-2) dan obat kemoterapi. Penentuan nilai fungsi atau dosis obat
dilakukan dengan cara menggunakan curve fitting toolbox metode polinomial orde 3 untuk pendekatan
solusi ODE 45 pada masing-masing populasi. Selanjutnya dosis obat yang diinjeksikan kedalam tubuh
disubstitusikan ke dalam model kanker secara imunoterapi, kemoterapi dan biokemoterapi.
Berdasarkan hasil simulasi numerik yang dihasilkan menunjukkan bahwa terapi kanker dengan dosis
obat pengaktif sel T-CD8+, IL-2, dan kemoterapi yang bergantung waktu lebih efektif dibandingkan
dengan dosis konstan. Kemudian model matematika terapi kanker menggunakan biokemoterapi lebih
efektif dalam membunuh sel kanker dibandingkan dengan imunoterapi atau kemoterapi saja. Sehingga
dapat disarankan terapi kanker menggunakan imunoterapi, kemoterapi maupun biokemoterapi boleh
dilakukan asalkan dosis yang diinjeksikan tepat.
Kata Kunci: cancer, immunotherapy, chemotherapy, biochemotherapy, drug dosage.
1. PENDAHULUAN
Pemodelan matematika memegang peran penting dalam penyelesaian masalah, terutama
pada bidang kedokteran. Masalah penyakit kanker atau tumor ganas adalah salah satu contoh
riilnya. Tumor merupakan istilah yang dipakai untuk semua bentuk perkembangan atau
benjolan dalam tubuh. Ada dua macam tumor, yaitu tumor ganas (kanker) dan tumor jinak.
Secara teori, kanker adalah suatu penyakit yang disebabkan oleh pertumbuhan sel-sel jaringan
tubuh yang tidak normal yang kemudian disebut sebagai sel kanker. Pada penelitian ini respon
imun yang berperan dalam melawan sel tumor bekerja dalam sistem imun spesifik,
diantaranya adalah sel pembunuh alami atau sel Natural Killer, sel T-CD8+, sirkulasi sel
limfosit, konsentrasi interleukin-2 (IL-2). Sel-sel tumor yang bermutasi ini akan bergerak ke
seluruh tubuh dan berdiam diri menempati salah satu atau beberapa organ tubuh lainnya.
Sehingga pertumbuhan sel normal yang terganggu oleh sel tumor akan terjadi pembelahan sel
tidak terkendali dan terjadi kematian sel secara signifikan (Diananda, R., 2009).
141
ISBN: 978-602-72198-6-1
SENAMAS 2017
Pada penelitian ini, dibahas tentang model matematika pada terapi kanker menggunakan
imunoterapi, kemoterapi, dan biokemoterapi. Imunoterapi adalah terapi kanker yang bertujuan
untuk meningkatkan efektivitas sistem kekebalan tubuh. Imunoterapi dalam penelitian ini
dilakukan dengan cara menginjeksikan obat pengaktif sel T-CD8+, dan Interleukin-2.
Kemoterapi adalah tindakan terapi dengan menggunakan zat-zat kimia yang bertujuan
menghambat pertumbuhan sel tumor. Kemoterapi dalam penelitian ini dilakukan dengan
menginjeksikan obat doxorubicin. Sedangkan biokemoterapi adalah kombinasi atau
penggabungan terapi kanker secara imunoterapi dan kemoterapi.
Penelitian sebelumnya dilakukan oleh (Pilis, dkk, 2009) yang membahas tentang model
matematika pada terapi kanker menggunakan imunoterapi dan kemoterapi. (Mamat, dkk.,
2013) memaparkan bahwa model matematika terkait penyakit kanker menggunakan
biokemoterapi lebih efektif dibandingkan dengan imunoterapi atau kemoterapi. Namun,
dalam penelitian tersebut, konsentrasi obat yang diinjeksikan ke dalam tubuh diasumsikan
konstan untuk tiap harinya. Sedangkan pada penelitian ini, penulis menentukan fungsi
bergantung waktu pada obat yang diinjeksikan untuk mengaktifkan sel T CD8+ yaitu,
Interleukin-2 (IL-2) dan obat kemoterapi (doxorubicin) sehingga dosis obat yang diinjeksikan
tidak lagi konstan. Manfaat yang dapat diambil dari penelitian ini yaitu melihat pengaruh
dosis obat pada imunoterapi, kemoterapi, dan biokemoterapi yang diinjeksikan terhadap
aktivitas sel imun dalam menekan pertumbuhan kanker.
2. METODE PENELITIAN
Dalam penelitian ini metode yang digunakan adalah studi literatur, yakni dengan
mempelajari dan menelaah beberapa buku, jurnal, dan referensi lain yang mendukung
penelitian ini. Langkah-langkah penelitian ini adalah sebagai berikut:
a. Mengidentifikasi model dengan menentukan alur dari pembentukan model.
b. Menentukan nilai awal dan parameter model.
c. Menentukan fungsi konsentrasi obat yang diinjeksikan ke dalam tubuh.
d. Mensubstitusi fungsi konsentrasi obat ke dalam model.
e. Menunjukkan simulasi numerik model melalui grafik yang diperoleh serta
menginterpretasi grafik untuk menunjukkan perilaku dari model.
f. Membuat kesimpulan.
3. KAJIAN TEORI
3.1. Persamaan Diferensial Biasa

Persamaan yang menyangkut satu atau lebih fungsi (peubah tak bebas) beserta
turunannya terhadap satu atau lebih peubah bebas disebut persamaan diferensial (Pamuntjak,
R.J. dan Santosa, W., 1990). Persamaan diferensial biasa adalah persamaan diferensial yang
memuat derivatif-derivatif dari variabel tak bebas terhadap satu variabel bebas. Persamaan
diferensial biasa dapat dilihat dari persamaan sebagai berikut:
( )
( ) (1)
dengan ( ) menyatakan konsentrasi obat kemoterapi terhadap waktu . Sedangkan dan

merupakan nilai parameter yang diberikan.
142
ISBN: 978-602-72198-6-1
SENAMAS 2017
3.2. Persamaan Diferensial Biasa Linier dan Nonlinier

Menurut (Waluya, 2006), persamaan diferensial biasa yang berbentuk
( ) dikatakan linier jika F adalah linier dalam variabel-variabel
Secara umum persamaan diferensial biasa linier dapat diberikan sebagai
berikut:
( ) ( ) ( ) ( ) ( ) (2)
Persamaan (2) merupakan persamaan diferensial orde-n dikatakan linier jika memiliki ciri-ciri
sebagai berikut:
a. Variabel terikat dan derivatifnya hanya berderajat satu.
b. Tidak ada perkalian antara variabel terikat yang satu dengan yang lain.
c. Variabel terikat bukan merupakan fungsi transenden.
Apabila suatu persamaan tidak memenuhi syarat yang telah disebutkan sebagai syarat
dinyatakannya suatu persamaan tersebut linier, maka persamaan tersebut merupakan
persamaan tidak linier atau nonlinier.
3.3. Deret Taylor

Deret taylor merupakan dasar untuk menyelesaikan masalah dalam metode numerik,
terutama penyelesaian persamaan diferensial. Deret taylor memiliki bentuk seperti berikut
(Triadmodjo, B., 2002):
( )( ) ( )( ) ( ) ( )
( ) ( )
( )( ) (3)
Jika suatu fungsi ( ) kontinyu pada interval dan , maka dengan deret taylor
persamaan (2.6) dapat dinyatakan nilai pada titik yang terletak pada jarak ( ). Kasus
khusus adalah bila fungsi diperluas di maka deret tersebut dinamakan dengan deret
Maclaurin. Sehingga deret Maclaurin memiliki bentuk:
( )( ) ( )( ) ( ) ( ) ( )( )
( ) ( ) (4)
Model terapi kanker yang telah dirumuskan oleh (Pilis, dkk, 2009) pembunuh pecahan
sel oleh kemoterapi yang berupa dideretkan berdasarkan deret Maclaurin dengan
memperhitungkan sampai dua suku pertama yaitu:
( )( )
( ) ( )
( )
143
ISBN: 978-602-72198-6-1
SENAMAS 2017
Sehingga penulis memodifikasi bentuk pembunuh pecahan sel oleh kemoterapi dalam
( )
model terapi kanker yang semula berupa menjadi ( ).
3.4. Kanker
Kanker adalah suatu penyakit yang disebabkan oleh pertumbuhan sel-sel jaringan tubuh
yang tidak normal. Pada skripsi ini respon imun yang berperan dalam melawan sel tumor
( ( )) bekerja dalam sistem imun spesifik, diantaranya adalah sel pembunuh alami atau sel
Natural Killer ( ), sel T-CD8+ ( ( )), sirkulasi sel limfosit ( ( )), konsentrasi interleukin-
2 (IL-2) ( ( )) Sel-sel kanker akan berkembang dengan cepat dan, tidak terkendali, dan akan
terus membelah diri. Sel-sel tersebut lalu menyusup ke jaringan sekitarnya dan terus
menyebar melalui jaringan ikat, darah, serta menyerang organ-organ penting dan saraf tulang
belakang (Diananda, R., 2009).
3.5. Imunoterapi
Imunoterapi juga disebut sebagai terapi biologis atau bioterapi. Imunoterapi menjadi
komponen penting yang dikembangkan untuk mengobati macam-macam tertentu dari kanker.
Tujuan dari imunoterapi adalah untuk memperkuat kemampuan alami tubuh untuk memerangi
kanker sendiri dengan meningkatkan efektivitas sistem kekebalan tubuh. Ada tiga kategori
utama dari imunoterapi: pengubah respon imun (sitokin), antibodi monoklonal dan vaksin.
Sitokin dibuat oleh sel sistem kekebalan yang memiliki peran penting dalam mengatur
pertumbuhan dan aktivitas sel-sel sistem kekebalan tubuh lainnya dan sel darah (Mamat, dkk.,
2013).
Imunoterapi bertujuan untuk mendapatkan sistem kekebalan tubuh untuk melawan
kanker. Imunoterapi dalam skripsi ini dilakukan dengan cara menginjeksikan obat pengaktif
sel T-CD8+ ( ( )), dan Interleukin-2 ( ( )) Imunoterapi lokal dilakukan dengan cara
menginjeksikan pengobatan ke daerah yang terkena. Imunoterapi dapat digunakan ke seluruh
tubuh dengan pemberian obat untuk mengaktifkan interleukin-2 yang dapat mengecilkan
kanker.
3.6. Kemoterapi
Kemoterapi adalah tindakan terapi dengan menggunakan zat-zat kimia yang bertujuan
menghambat pertumbuhan sel tumor. Kemoterapi dalam skripsi ini dilakukan dengan
menginjeksikan obat doxorubicin ( ( )) Pembedahan terkadang menjadi opsi perawatan
efektif untuk kanker. Jika tumor telah bermetastasis atau jika ahli onkologi ingin memastikan
apakah semua sel kanker telah terangkat, maka opsi perawatan lain dapat digunakan.
Pengobatan kemoterapi yaitu menyebarkan bahan kimia ke dalam darah yang mengarah pada
pembagian sel. Obat kemoterapi yang dikombinasikan dengan obat lainnya ditujukan untuk
menguatkan respon sistem imun (Savage, H., 2010).
Pengobatan kemoterapi dapat dibagi menjadi dua kategori, yaitu siklus sel spesifik dan
sel non-spesifik. Obat siklus sel spesifik hanya dapat membunuh sel dalam tahap siklus
tertentu, sedangkan obat non-spesifik dapat membunuh sel dalam semua tahap pembagian sel.
Perbedaan antara pengobatan kemoterapi spesifik dan non-spesifik sangat penting dalam
mempertimbangkan cara populasi tumor merespon obat. Umumnya, pengobatan kemoterapi
yaitu dengan membunuh sel yang terbagi dengan cepat (Mamat, dkk., 2013).
144
ISBN: 978-602-72198-6-1
SENAMAS 2017
3.7. Biokemoterapi
Untuk menciptakan terapi kanker yang lebih efektif digunakan biokemoterapi yaitu
kombinasi atau penggabungan terapi kanker secara imunoterapi dan kemoterapi. Imunoterapi
bertujuan untuk mengaktifkan sel imun diantaranya adalah pengaktif sel T-CD8+ ( ( )) dan
IL-2 ( ( )), dan kemoterapi ( ( )) bertujuan untuk membunuh sel kanker secara cepat.
Terapi ini menggunakan beberapa macam obat yang digunakan untuk membunuh sel-sel
kanker. Pada kasus ini, biokemoterapi yang dimaksud adalah terapi yang dilakukan dengan
menggabungkan obat kemoterapi dengan satu agen biologis aktif, yaitu interleukin-2 (IL-2).
Interleukin-2 dapat dikombinasikan dengan obat lain selama pengobatan sehingga model
interaksi imunoterapi dan kemoterapi menciptakan pengobatan yang lebih efektif (Mamat,
dkk., 2013).
4. PEMBAHASAN
4.1. Alur Pembentukan Model

Berikut ini merupakan Gambar skema interaksi setiap populasi sel pada model
matematika terkait terapi penyakit kanker dengan sel tumor ( ( )), sel pembunuh alami atau
sel NK ( ( )), sel T-CD8+ ( ( )), sel limfosit ( ( )), Interleukin-2 (( )), dan kemoterapi
( ( )):
Gambar 1. Skema Interaksi Setiap Populasi

Keterangan :
145
ISBN: 978-602-72198-6-1
SENAMAS 2017
Berdasarkan data yang diperoleh dari tikus yang kekurangan imun, pertumbuhan sel
tumor di asumsikan tumbuh secara logistik dengan laju sebesar , dan kapasitas daya
tampung sebesar . Sehingga bentuk pertumbuhan sel tumor atau suku pertama dari
persamaan (3.1) diperoleh sebagai berikut:
( )( ( ))
Bentuk pembunuhan pecahan sel ini menunjukkan interaksi negatif antara dua populasi
sebesar , yaitu interaksi antara sel pembunuh alami atau sel NK yang menginduksi kematian
sel tumor. Kemudian sel T-CD8+ menonaktifkan sel tumor sebesar dengan adalah
fungsi yang bergantung dengan sel tumor dengan sel T-CD8+ dengan koefisien kekuatan
sistem imunsebesar koefisien skala kekuatan sistem imun sebesar , dan nilai kebutuhan
( ( ) ( ))
untuk memaksimalkan sel T-CD8+ sebesar , yang ditunjukkkan dengan ( ( ) ( ))
Sehingga bentuk pembunuhan sel tumor atau suku kedua dan ketiga dari persamaan (3.1)
diperoleh sebagai berikut:
( ) ( ) ( )
Untuk menjelaskan efek dari kemoterapi, pada model ditambahkan istilah pembunuhan
melalui obat kemoterapi untuk tiap populasi sel. Obat kemoterapi hanya efektif saat tahap-
tahap siklus pembagian sel tertentu, maka laju pertumbuhan kemoterapi ( ) digunakan
untuk pembunuhan pecahan sel. Sehingga suku keempat atau bentuk pembunuhan sel tumor
melalui kemoterapi ditunjukkan oleh:
( ) ( )
Dari uraian tersebut didapatkan laju perubahan sel tumor terhadap waktu adalah sebagai
berikut:
( )
( )( ( )) ( ) ( ) ( ) ( ) ( ) (5)
Pertumbuhan sel NK atau sel pembunuh alami ditunjukkan dengan bentuk ( )

dengan laju kerusakan sel NK ditunjukkan dengan bentuk ( ). Selanjutnya pertumbuhan
IL-2 yang menginduksi perkembangbiakan (proliferasi) sel pembunuh alami atau sel NK
dengan laju sebesar dan maksimum laju perekrutan sel NK oleh IL-2 sebesar . Sehingga
bentuk pertumbuhan sel NK diperoleh sebagai berikut:
( ) ( )
( ) ( )
( )
Sel NK akan mengalami penurunan daya untuk membunuh tumor setelah berinteraksi
dengan sel tumor dengan laju sebesar . Sehingga suku keempat dari persamaan (3.2)
diperoleh sebagai berikut:
( ) ( )
tahap siklus pembagian sel tertentu, maka laju pertumbuhankemoterapi ( ) digunakan
untuk pembunuhan pecahan sel. Sehingga suku kelima dari persamaan (3.2) diperoleh
sebagai berikut:
( ) ( )
146
ISBN: 978-602-72198-6-1
SENAMAS 2017
Dari uraian tersebut didapatkan laju sel NK atau sel pembunuh alami terhadap waktu
adalah sebagai berikut:
( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) ( ) (6)
( )
Pertumbuhan sel T-CD8+ dengan laju sebesar , dan diikat oleh IL-2 dengan laju
( )
sebesar , ditunjukkan dengan bentuk Kemudian sel T-CD8+ akan mengalami
( )
penurunan daya untuk membunuh tumor setelah berinteraksi dengan sel tumor dengan laju
sebesar . Sehingga suku pertama dan suku kedua dari persamaan (3.3) diperoleh sebagai
berikut:
( )
( ) ( )
( )
Terdapat tiga faktor yang menyebabkan adanya sel T-CD8+. Pengaruh pertama adalah
interaksi sel T-CD8+yang melisis sel tumor dengan laju pengaktifan sel T-CD8+ oleh tumor
sebesar . Nilai kebutuhan untuk memaksimalkan pengaktifan sel T-CD8+ oleh tumor sebesar
( )
ditunjukkan dengan bentuk ( ). Kemudian pengaruh kedua disebabkan oleh bekas
( )
dari sel tumor yang mengalami lisis karena sel pembunuh alami atau sel NK yaitu
( ) ( ). Pengaruh terakhir adalah adanya sel tumor untuk menghasilkan sel T-CD8+ yang
lebih banyak (proliferasi) yaitu dengan sirkulasi limfosit dan tumor yaitu ( ) ( ).
Sehingga bentuk pertumbuhan sel T-CD8+ diperoleh sebagai berikut:
( )
( ) ( ( ) ( )) ( )
( )
Sel T-CD8+ akan mengalami penurunan daya untuk membunuh tumor setelah
berinteraksi dengan sirkulasi limfosit dan bantuan IL-2 dengan laju sebesar dan terjadi nilai
kebutuhan untuk memaksimalkan regulasi sel T-CD8+ oleh IL-2 dengan laju sebesar .
Sehingga suku keenam dari persamaan (3.3) diperoleh sebagai berikut:
( ) ( ) ( )
( )
tahap siklus pembagian sel tertentu, maka laju pertumbuhan kemoterapi ( ) digunakan
untuk pembunuhan pecahan sel. Sehingga suku ketujuh dari persamaan (3.3) diperoleh
sebagai berikut:
( ) ( )
Dengan menyertakan sel T-CD8+ aktif yang ditambahkan dari obat imunoterapi yaitu
IL-2. Dengan adanya IL-2 maka dapat merangsang pengaktifan sel T-CD8+ dengan laju
sebesar . Dan maksimum laju pengaktifan sel T-CD8+ oleh IL-2 sebesar . Sehingga suku
kedelapan dari persamaan (3.3) diperoleh sebagai berikut:
( ) ( )
( )
147
ISBN: 978-602-72198-6-1
SENAMAS 2017
Kemudian dengan menginjeksi obat untuk menambah mengaktifkan sel T-CD8+ kepada
tubuh yang ditunjukkan pada ( ) bentuk tersebut adalah fungsi waktu yang
mendeskripsikan jumlah obat dan waktu injeksi yang diberikan kepada pasien. Sehingga suku
kesembilan dari persamaan (3.3) diperoleh sebagai berikut:
( )
Dari uraian tersebut didapatkan laju sel T-CD8+ terhadap waktu adalah sebagai berikut:
( ) ( ) ( )
( ) ( ) ( ) ( ( ) ( )) ( )
( ) ( ) (7)
( ) ( ) ( ) ( )( )
( ) ( ) ( )
( )
( )
Bentuk ( ) menunjukkan sirkulasi limfosit tumbuh dengan laju konstan

dengan kematian alami sebesar . Untuk menjelaskan efek dari kemoterapi, pada model
ditambahkan istilah pembunuhan melalui obat kemoterapi untuk tiap populasi sel. Obat
kemoterapi hanya efektif saat tahap-tahap siklus pembagian sel tertentu, maka laju
pertumbuhan kemoterapi ( ) digunakan untuk pembunuhan pecahan sel. Sehingga bentuk
pembunuhan sel limfosit melalui obat kemoterapi ditunjukkan oleh:
( ) ( )
Dari uraian tersebut didapatkan laju sel limfosit terhadap waktu adalah sebagai berikut:
( )
( ) ( ) ( ) (8)
Diasumsikan bahwa obat kemoterapi akan rusak dalam tubuh pada laju sebesar .
Kemudian dengan menginjeksi obat kemoterapi kepada tubuh yang ditunjukkan pada ( )
dimana bentuk tersebut adalah fungsi waktu yang mendeskripsikan konsentrasi atau dosis
obat dan waktu injeksi yang diberikan kepada pasien. Sehingga bentuk pertumbuhan obat
kemoterapi diperoleh sebagai berikut:
( )
( ) ( ) (9)
Secara sama diasumsikan bahwa obat imunoterapi, Interleukin-2 (IL-2), akan

tereliminasi dalam tubuh pada laju sebesar . Dan produksi IL-2 bertambah karena sirkulasi
limfosit sebesar dan bertambah karena adanya produksi IL-2 oleh sel T-CD8+sebesar
dan nilai kebutuhan maksimum produksi IL-2 oleh sel T-CD8+ sebesar , ditunjukkan dengan
( )( )
bentuk ( )
Kemudian dengan menginjeksi obat untuk pengaktifan IL-2 kepada tubuh
yang ditunjukkan pada bentuk ( ) dimana bentuk tersebut adalah fungsi waktu yang
mendeskripsikan konsentrasi atau dosis obat dan waktu injeksi yang diberikan kepada pasien.
Sehingga bentuk pertumbuhan IL-2 diperoleh sebagai berikut:
( ) ( ) ( )
( ) ( ) ( ) (10)
( )
148
ISBN: 978-602-72198-6-1
SENAMAS 2017
4.2. Analisis Fungsi Dosis Obat pada Imunoterapi, Kemoterapi dan

Biokemoterapi
Cara memperoleh fungsi konsentrasi obat bergantung waktu yang diinjeksikan ke dalam
tubuh. Konsentrasi obat diantaranya adalah obat pengaktif sel T-CD8+ ( ), pengaktif IL-2
( ) dan obat kemoterapi ( ). Untuk mencari nilai fungsi tersebut dilakukan aproksimasi
grafik pada setiap populasi. Fungsi konsentrasi obat pengaktif sel T-CD8+, IL-2, dan
kemoterapi yang dituliskan secara berturut-turut diperoleh dari persamaan ( ) ( ) dan ( ):
( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( )
( ) ( ) ( )
( ( ) ( )) ( ) (11)
( )
( ) ( )
( ) ( )
( ) ( )( )
( ) ( ) ( ) (12)
( )
( )
( ) ( ) (13)
Untuk mencari nilai fungsi persamaan ( )-( ) digunakan bantuan curve fitting
toolbox pada Matlab dengan metode polinomial orde tiga agar mendapatkan nilai fungsi yang
paling mendekati dengan grafik solusi pada model terapi kanker menggunakan biokemoterapi.
Fungsi dosis obat pengaktif sel T-CD8+ ( ( )), pengaktif IL-2 ( ( )) dan obat
kemoterapi ( ( )) dapat ditentukan nilai fungsinya dengan mensubstitusikan persamaan
hasil approksimasi curve fitting ke persamaan ( ) ( ) dengan bantuan software Matlab.
Sehingga hasil substitusi fungsi dosis obat tersebut yaitu:
149
ISBN: 978-602-72198-6-1
SENAMAS 2017
( )
( )
( )
( )
( )
( )
( )
( )
( (14)
)( )
( )
( )
( )
( )
( )
( )
( )
( )
( )
(15)
( )
( )
(16)
4.3. Simulasi Numerik Model Matematika pada Terapi Kanker dan

Interpretasi grafik
4.3.1. Secara Imunoterapi
Untuk mengetahui laju pertumbuhan kanker, dan pengaruh dari terapi imun, pada
subbab ini, akan disimulasikan model kanker secara imunoterapi dengan fungsi dosis obat
pengaktif T-CD8+ ( ( )) yang terdapat pada persamaan ( ) dan fungsi dosis obat
pengaktif IL-2 ( ( )) yang terdapat pada persamaan ( ). Dengan bantuan program Matlab,
berikut simulasinya:
150
ISBN: 978-602-72198-6-1
SENAMAS 2017
Sel tumor T(t)

12 Sel Tumor T(t) 12
10 10 Sel NK N(t)
Sel NK N(t)
Sel T-CD8+ L(t)
Sel T-CD8+ L(t)
Sel limfosit C(t)
10 Sel limfosit C(t) 10
10 10 IL-2 I(t)
IL-2 I(t)
8 8
10 10
6 6
10 10
4 4
10 10
2 2
10 10
0 0
10 10
0 20 40 60 80 100 120 140 160 180 200 0 20 40 60 80 100 120 140 160 180 200
waktu(hari) waktu(hari)
Gambar 3 Simulasi Model Terapi Kanker Secara
Gambar 2 Simulasi Model Terapi Kanker
Imunoterapi Menggunakan Dosis
Secara Imunoterapi Menggunakan Dosis Pilis (2009)
Baru dengan ( ) Sel
dengan ( ) Sel
Gambar 2 menggambarkan simulasi model terapi kanker secara imunoterapi dengan

dosis yang diinjeksikan secara konstan berdasarkan jurnal Pilis (2009) yaitu
dan . Gambar 3 menggambarkan simulasi model terapi kanker secara
imunoterapi dengan dosis yang diinjeksikan berubah-ubah setiap harinya. Dengan nilai awal
sel kanker atau sel tumor ( ) sel pada Gambar 2 dan 3 menunjukkan bahwa sel
tumor masih terus berkembang hingga mencapai sel. Penggunaan dosis obat pengaktif sel
T-CD8+ ( ( )) dan IL-2 ( ( )) menggunakan dosis konstan maupun bergantung waktu
tidak terdapat perubahan yang signifikan pada masing-masing populasinya. Sehingga dapat di
ambil kesimpulan bahwa pengobatan secara imunoterapi saja tidak cukup untuk membunuh
sel kanker dalam kurun waktu 200 hari.
4.3.2. Secara Kemoterapi
Untuk mengetahui laju pertumbuhan kanker, dan pengaruh dari terapi imun, pada
subbab ini, akan disimulasikan model kanker secara kemoterapi dengan dosis obat kemoterapi
( ( )) yang tedapat pada persamaan (16). Dengan bantuan program Matlab, berikut
simulasinya:
Sel tumor T(t)
Sel tumor T(t) 12
10 Sel NK N(t)
12 Sel NK N(t)
10 Sel T-CD8+ L(t)
Sel T-CD8+ L(t)
Sel limfosit C(t)
Sel limfosit C(t) 10
10 IL-2 I(t)
10 IL-2 I(t)
10 Kemoterapi M(T)
Kemoterapi M(T)
8
10
8
10
6
10
6
10
4
10
4
10
2
10
2
10
0
10
0 0 20 40 60 80 100 120 140 160 180 200
10
0 20 40 60 80 100 120 140 160 180 200 waktu(hari)
waktu(hari)
Gambar 4 Simulasi Model Terapi Kanker Secara Gambar 5 Simulasi Model Terapi Kanker Secara
Kemoterapi Menggunakan Dosis Pilis (2009) dengan Kemoterapi Menggunakan Dosis Baru
( ) Sel dengan ( ) Sel
Gambar 4 menggambarkan simulasi model terapi kanker secara kemoterapi dengan

dosis yang diinjeksikan secara konstan berdasarkan jurnal Pilis (2009) yaitu .
Gambar 5 menggambarkan simulasi model terapi kanker secara kemoterapi dengan dosis
151
ISBN: 978-602-72198-6-1
SENAMAS 2017
yang diinjeksikan berubah-ubah setiap harinya. Dengan nilai awal sel kanker atau sel tumor
( ) sel pada Gambar 4 dan 5 menunjukkan bahwa sel tumor berangsur turun sebesar
sel dalam waktu 8 hari. Namun penggunaan dosis obat kemoterapi ( ( )) secara konstan
maupun bergantung waktu pada terapi ini menyebabkan kondisi imun tidak stabil. Hal ini
terlihat dengan sel NK, sel T-CD8+, sel limfosit, IL-2 pada Gambar 4 dan 5. Sehingga dapat
di ambil kesimpulan bahwa pengobatan secara kemoterapi saja belum efektif dalam
penyembuhan penyakit kanker.
4.3.3. Secara Biokemoterapi
Berikut ini akan ditampilkan simulasi numerik dari model terapi kanker menggunakan
biokemoterapi pada sistem persamaan (5)-(10). Dimana fungsi dosis obat pengaktif T-CD8+
( ( )) yang terdapat pada persamaan (14), fungsi dosis pengaktif IL-2 ( ( )) yang terdapat
pada persamaan (15) dan fungsi dosis obat kemoterapi ( ( )) yang terdapat pada persamaan
(16). Dengan menggunakan bantuan Matlab diperoleh sebagai berikut:
Sel tumor T(t) 12 Sel tumor T(t)
10 Sel NK N(t)
12 Sel NK N(t)
10
Sel T-CD8+ L(t) Sel T-CD8+ L(t)
Sel limfosit C(t) 10
Sel limfosit C(t)
10 IL-2 I(t)
10 IL-2 I(t)
10
Kemoterapi M(T) Kemoterapi M(T)
8
10
8
10
6
10
6
10
4
10
4
10
2
10
2
10
0
10
0 0 20 40 60 80 100 120 140 160 180 200
10
0 20 40 60 80 100 120 140 160 180 200
waktu(hari)
waktu(hari)
Gambar 7 Simulasi Model Terapi
Gambar 6 Simulasi Model Terapi Kanker Secara Kanker Secara Biokemoterapi Menggunakan
Biokemoterapi Menggunakan Dosis Pilis (2009) dengan
Dosis Baru dengan ( ) Sel
( ) Sel
Sel tumor T(t)
12 12 Sel tumor T(t)
10 Sel NK N(t) 10
Sel NK N(t)
Sel T-CD8+ L(t)
Sel limfosit C(t) Sel T-CD8+ L(t)
10 10 Sel limfosit C(t)
10 IL-2 I(t) 10 IL-2 I(t)
Kemoterapi M(T)
Kemoterapi M(T)
8 8
10 10
6 6
10 10
4 4
10 10
2 2
10 10
0
10 0
0 20 40 60 80 100 120 140 160 180 200 10
0 20 40 60 80 100 120 140 160 180 200
waktu(hari) waktu(hari)
Gambar 8 Simulasi Model Terapi Kanker Gambar 9 Simulasi Model Terapi Kanker
Secara Biokemoterapi Menggunakan Secara Biokemoterapi Menggunakan Dosis
Dosis Pilis (2009) dengan ( ) Sel Baru dengan ( ) Sel
Gambar 6 dan 8 menggambarkan simulasi model terapi kanker secara biokemoterapi

dengan dosis yang diinjeksikan secara konstan berdasarkan jurnal Pilis (2009) yaitu
. Gambar 7 dan 9 menggambarkan simulasi model
terapi kanker secara biokemoterapi dengan dosis yang diinjeksikan berubah-ubah setiap
harinya. Dengan nilai awal sel tumor ( ) sel pada Gambar 6 menunjukkan bahwa sel
tumor bergerak turun drastis sebesar 0 sel dalam waktu 8 hari. Sementara pada Gambar 7
152
ISBN: 978-602-72198-6-1
SENAMAS 2017
dengan nilai awal sel tumor ( ) sel menunjukkan bahwa sel tumor bergerak turun
drastis sebesar 0 sel dalam waktu 7 hari. Dengan nilai awal sel tumor ( ) sel pada
Gambar 8 menunjukkan bahwa sistem imun lambat dalam membunuh sel tumor, sementara
pada Gambar 9 sel tumor bergerak turun drastis sebesar 0 sel dalam kurun waktu kurang dari
20 hari. Artinya, obat pengaktif sel T-CD8+, IL-2, dan kemoterapi menggunakan dosis
bergantung waktu lebih efektif dalam membunuh sel tumor dibandingkan dengan
menggunakan dosis konstan.
Dari Gambar 3.16-3.19 dapat diinterpretasi bahwa dalam membunuh sel tumor
konsentrasi IL-2 yang diinjeksikan pada tubuh berfungsi untuk merangsang sel T-CD8+ agar
teraktifasi dengan cepat. Sementara itu sel pembunuh alami atau sel NK tidak perlu aktivasi
tambahan karena sudah teraktivasi secara alamiah. Konsentrasi obat kemoterapi yang
diinjeksikan ke dalam tubuh akan berangsur turun dalam kurun waktu kurang dari hari, hal
ini karena obat kemoterapi akan mengalami kematian secara alami bersamaan dengan sel
tumor.
5. KESIMPULAN
a. Hasil penurunan atau modifikasi model matematika pada terapi kanker menggunakan
imunoterapi, kemoterapi dan biokemoterapi tidak begitu menunjukkan perubahan yang
signifikan antara sel kanker dan sel imun yang memerangi.
b. Analisis fungsi konsentrasi atau dosis obat pengaktif sel T-CD8+ ( ), pengaktif IL-2
( ), dan obat kemoterapi ( ) bergantung waktu yang diinjeksikan ke dalam tubuh
dilakukan dengan beberapa tahapan, diantaranya adalah melakukan pendekatan solusi
ODE-45 model matematika pada terapi kanker secara biokemoterapi dengan menggunakan
curve fitting toolbox metode polinomial orde 3, menurunkan persamaan ( ) ( ) dan
( ), mensubstitusi hasil aproksmiasi ke dalam fungsi ( ) ( ) dan ( ), kemudian
mensubstitusi fungsi tersebut ke dalam model matematika pada terapi kanker secara
biokemoterapi.
c. Berdasarkan hasil simulasi numerik yang dihasilkan menunjukkan bahwa terapi kanker
dengan dosis obat pengaktif sel T-CD8+ ( ( )), IL-2 ( ( )), dan kemoterapi ( ( ))
yang bergantung waktu lebih efektif dibandingkan dengan dosis konstan. Kemudian model
matematika terapi kanker menggunakan biokemoterapi lebih efektif dalam membunuh sel
kanker dan meningkatkan sistem imun dibandingkan dengan imunoterapi atau kemoterapi
saja. Sehingga dapat disimpulkan terapi kanker menggunakan imunoterapi, kemoterapi
maupun biokemoterapi boleh dilakukan asalkan dosis yang diinjeksikan tepat.
DAFTAR PUSTAKA
[1] Diananda, R. (2009). Panduan Lengkap Mengenal Kanker. Yogyakarta: Mirza Media
Pustaka.
[2] Mamat, dkk. (2013). Mathematical Model of Cancer Treatments Using Immunotherapy,
Chemotherapy and Biochemotherapy. Applied Mathematical Sciences. Mathematical
Modelling .
[3] Pamuntjak, R.J. dan Santosa, W. (1990). Persamaan Diferensial Biasa. Bandung: ITB.
153
ISBN: 978-602-72198-6-1
SENAMAS 2017
[4] Pilis, dkk. (2009). Mathematical Model Creation for Cancer Chemo-Immunotherapy.
Mathematical Modelling , 265-184.
[5] Savage, H. (2010). A Nonliniear ODE Model of Tumor Growth and Effect of
Immunotherapy and Chemotherapy Treatment in Colorectal Cancer. Mathematical
Modelling .
[6] Triadmodjo, B. (2002). Metode Numerik. Yogyakarta: Beta Offset.
[7] Waluya. (2006). Persamaan Diferensial. Yogyakarta: Graha Ilmu.
154
ISBN: 978-602-72198-6-1
SENAMAS 2017
Model Penentuan Pendapatan yang Terpisah

pada Perkembangan Kredit Perbankan Tersalurkan di
Provinsi Sulawesi Selatan
Aidawayati Rangkuti
aidawayati@unhas.ac.id
Abstrak
Kebijakan ekonomi adalah menjaga stabilitas dan meningkatkan pertumbuhan
ekonomi. Pertumbuhan ekonomi yang baik dapat menyerap lebih besar tenaga kerja
sehingga mengurangi kemiskinan. Oleh karena itu APBN dapat mendorong
pertumbuhan ekonomi dan pengendali tingkat inflasi, Jumlah penerimaan dan
pengeluaran APBN harus digunakan untuk meningkatkan pertumbuhan ekonomi
negara dan masyarakat. Hasil penelitian jumlah pendapatan, konsumsi, investasi
belanja pemerintah pada perkembangan kredit perbankkan yang tersalurkan
menunjukkan peningkatan dari periode sebelumnya, yaitu Konsumsi Ct = Rp
Investasi It = Rp 65.546.742.240, Belanja Pemerintah Gi = Rp
129.928.118.688 Pendapatan Nasional Yt =Rp 195.548.892.10.
Kata Kunci: Pendapatan Nasional, konsumsi, Investasi, Belanja Pemerintah.
1. Pendahuluan
Pertumbuhan ekonomi di Indonesia berada pada tahap perkembangan. Pengeluaran
pemerintahan atas kegiatannya yang mencakup bidang politik maupun ekonomi
semuanya sudah direncanakan dalam Anggaran Pendapatan dan Belanja Negara
(APBN). Dalam mengelola sumber pendapatan dan pengeluaran, pemerintah melakukan
kebijakan di bidang moneter maupun fiscal, yang mana akan memberikan dampak dan
berpengaruh besar terhadap pemerintah dalam menjalankan kegiatan bidang
perekonomian di Indonesia (Pratama:2012) [5]. Kebijakan ekonomi Indonesia pada
dasarnya merupakan kesinambungan dari kebijakan tahun sebelumnya. Kebijakan
ekonomi ditunjukkan untuk memperkuat fundamental ekonomi yang sudah membaik
dan mengantisipasi berbagai tantangan baru yang mungkin timbul. Sasaran kebijakan
ekonomi adalah menjaga stabilitas dan meningkatkan pertumbuhan ekonomi.
Pertumbuhan ekonomi yang baik dapat menyerap lebih besar tenaga kerja sehingga
mengurangi kemiskinan. Oleh karena itu APBN dapat mendorong pertumbuhan
ekonomi dan pengendali tingkat inflasi. Jumlah penerimaan dan pengeluaran. APBN
harus digunakan untuk meningkatkan pertumbuhan ekonomi negara dan masyarakat.
Dalam kredit perbankkan yang tersalurkan biasanya meningkat dari tahun ke tahun,
hanya saja pengembaliannya sering agak lambat karena faktor ekonomi [6].
Perlu untuk mengetahui model pertimbangan persamaan relasi yang terdiri dari
pendapatan nasional, output dan jumlah konsumsi serta investasi, sebab pada bidang
ekonomi makro hubungan antara variabel kebijakan dan unit pengambilan keputusan
sangat menentukan.(Rangkuti:2009) [4].
Rumusan Masalah dalam penelitian ini adalah bagaimana model penentuan
pendapatan yang terpisah, dan berapa pendapatan Nasional Sulawesi Selatan pada
155
ISBN: 978-602-72198-6-1
SENAMAS 2017
periode selanjutnya, dengan tujuan mampu mengetahui model penentuan pendapatan

yang terpisah serta dapat menganalisis data dengan fungsi pendapatan yang terpisah.
2. Tinjauan Pustaka
Dalam ekonomi konvensional terdapat keseimbangan pada pasar barang dan pasar
uang. Keseimbangan tersebut terjadi antara pendapatan nasional (Y) dengan tingkat
bunga (I). Menurut Eko Suprayitno dalam Ambarwati: 2008 [1], bahwa dalam keadaan
keseimbangan besarnya pendapatan nasional dan tingkat bunga yang terjadi akan
mencerminkan pendapatan nasional baik di pasar barang maupun di pasar uang. Konsep
pendapatan nasional pertama kali dicetuskan oleh Sir William Petty dari Inggris yang
berusaha menaksir pendapatan nasional negaranya (Inggris) pada tahun 1665. Dalam
perhitungannya, ia menggunakan anggapan bahwa pendapatan nasional merupakan
penjumlahan biaya hidup (konsumsi) selama setahun. Namun, pendapat tersebut tidak
disepakati oleh para ahli ekonomi modern, sebab menurut pandangan ilmu ekonomi
modern, konsumsi bukanlah satu-satunya unsur dalam perhitungan pendapatan nasional.
Menurut mereka, alat utama sebagai pengukur kegiatan perekonomian adalah Produk
Nasional Bruto atau Gross National Product (GNP/APBN), yaitu seluruh jumlah barang
dan jasa yang dihasilkan tiap tahun oleh negara yang bersangkutan diukur menurut
harga pasar pada suatu Negara.
2.1 Model Penentuan Pendapatan yang Terpisah

Model penetuan pendapatan secara terpisah linear sederhana, dan konsumsi (Ct )
dalam periode yang sekarang akan diasumsikan tergantung dari pengeluaran pada
periode yang sebelumnya sehingga [3].
untuk 0 < c0 < 1 (1)
Kondisi dari model tersebut berlaku untuk periode manapun dan jumlah pendapatan
diperoleh dari
(2)
Dimana It adalah investasi dan Gt adalah belanja pemerintah dalam periode sekarang.
Jika I dan G diganti menjadi konstanta exogenous I* dan G*, kemudian di eliminasi ke
Ct dan Yt menghasilkan
( ) (3)
Solusi dari persamaan (3) adalah
( ) ( )
[ ] (4)
Karena kecenderungan marginal untuk mengkonsumsi adalah berada antara nol dan
satu maka jelas bahwa gerakannya monoton dan bahwa
( )
[ ] dimana (5)
Anggap sebagai ganti pengambilan nilai-nilai konstan It dan Gt bermacam-macam pada
setiap periode berdasarkan hubungan
( ) ( ) (6)
Dimana r adalah konstanta positif sehingga investasi dan belanja pemerintah semakin
diperluas pada satu tingkat r. Selisih persamaan (6) dalam hal ini adalah
( )( ) (7)
Solusi bagian homogen dari selisih persamaan ini adalah
(8)
156
ISBN: 978-602-72198-6-1
SENAMAS 2017
Dimana A adalah konstanta. Untuk solusi tertentu cobalah

( ) (9)
Dimana B dan D adalah konstanta. Subtitusi persamaan (9) ke dalam persamaan (7)
menghasilkan
(10)
Sehingga solusi yang lengkap dari persamaan (7) diperoleh
( ) (11)
Dimana A adalah suatu konstanta sembarang dan konstanta positif B dan D diberikan
oleh persamaan (10). Konstanta sembarang A mungkin diperoleh dari nilai awal
sedemikian sehingga
( ) ( ) (12)
Persamaan pertama terus menerus mendekati nol sehingga garis Y mendekati
pertumbuhan yang diberikan oleh dua persamaan terakhir dari (12). Dimana persamaan
pertumbuhan untuk belanja pemerintah dan investasi diberikan oleh
( )( ) (13)
Dan ini menunjukkan kenaikan persamaan akhir pada (12) dimana
( ) ( ) (14)
Begitu pula untuk garis pertumbuhan dari belanja pemerintah dan investasi terdapat
garis yang bersesuaian untuk Yt dimana merupakan hasil dari garis pertumbuhan untuk
It dan Gt dan perkalian yang tepat. Hasil yang sama dapat diperoleh untuk pertumbuhan
garis yang lain untuk It dan Gt..
3. Pembahasan
Pada penelitian ini digunakan perkembangan kredit perbankan tersalurkan Provinsi
Sulawesi Selatan tahun 2009 – 2013. [2]
Tabel 3.1 Perkembangan Kredit Perbankan Tersalurkan di Provinsi Sulawesi Selatan

Belanja Pemerintah
Tahun Konsumsi (Ct) Investasi (It)
(Gt)
2009 9.934.900 6.037.065 9.813.883
2010 12.862.471 6.444.359 12.423.971
2011 15.135.434 6.754.828 14.708.793
2012 17.804.130 7.429.316 15.708.601
2013 18.302.242 8.429.365 16.708.863
Sumber Data : BPS Sulawesi Selatan 2015
Data yang digunakan untuk menentukan Pendapatan Nasional periode sekarang ( )

yang diperoleh dari Penjumlahan Konsumsi periode sekarang ( ) Investasi periode
sekarang ( ) dan Belanja Pemerintah periode sekarang ( ).
Dalam penelitian ini digunakan dua cara untuk menentukan pendapatan nasional
157
ISBN: 978-602-72198-6-1
SENAMAS 2017
A. Cara Pertama,
Gunakan rumus dimana konsumsi, investasi dan belanja pemerintah periode
sekarang tidak dipengaruh oleh konsumsi, investasi dan belanja pemerintah periode
sebelumnya.
1. Untuk tahun 2009
Diketahui : ; ;
Diperoleh
9.813.883
2. Untuk tahun 2010

Diketahui :
Diperoleh
12.862.471 + 6.444.359 + 12.423.971
3. Untuk tahun 2011

Diketahui :
Diperoleh
4. Untuk tahun 2012

Diketahui :
Diperoleh
5. Untuk tahun 2013

Diketahui : ;
Diperoleh
Selanjutnya hasil dari data Tabel 3.1 diperoleh Pendapatan Nasional dan dapat dilihat
pada Tabel 3.2
Tabel 3.2 Perkembangan Kredit Perbankan Tersalurkan di Provinsi Sulawesi Selatan
Belanja Pemerintah Pendapatan
Tahun Konsumsi (Ct) Investasi (I0)
(G0) Nasional (Yt)
2009 9.934.900 6.037.065 9.813.883
2010 12.862.471 6.444.359 12.423.971
2011 15.135.434 6.754.828 14.708.793
2012 17.804.130 7.429.316 15.708.601
2013 18.302.242 8.429.365 16.708.863
Sumber Data Diolah 2016
158
ISBN: 978-602-72198-6-1
SENAMAS 2017
B. Cara kedua,
Pada bagian ini digunakan konsumsi, investasi, belanja pemerintah periode sekarang
yang akan dimasukkan kedalam rumus pendapatan nasional pada periode berikutnya.
Adapun Rumus yang digunakan sebagai berikut:
Untuk rumus Konsumsi:
Untuk Investasi:
( )
Untuk belanja Pemerintah:
( )
1. Untuk tahun 2009
Diketahui : =0; =
5 ;
Diperoleh :
=0+
=
= ( )
= 6.037.065 ( )
= 6.037.065 (6)
= 36.222.390
= ( )
= ( )
= (6)
= 58.883.298
+ 36.222.390 + 58.883.298
105.040.588
2. Untuk tahun 2010

Diketahui : = = 12.862.471 ; 6.444.359 ;
12.423.971 ; 5;
Diperoleh :
= + 12.862.471
=
= ( )
= 6.444.359 ( )
= 6.444.359 (36)
= 231.996.924
= ( )
= ( )
= (36)
= 447.262.956
+ 231.996.924+ 447.262.956
702.057.217
159
ISBN: 978-602-72198-6-1
SENAMAS 2017
3. Untuk tahun 2011

Diketahui : =22.797.37 ; = 15.135.434 ; 6.754.828 ;
14.708.793; 5;
Diperoleh :
= + 15.135.434
=
= ( )
= 6.754.828 ( )
= 6.754.828 (216)
= 2.107.042.200
= ( )
= ( )
= (216)
= 3.177.099.288
+ + 3.177.099.288
5.322.066.293
4. Untuk tahun 2012

Diketahui : =37.924.806 ; =
; 5;
Diperoleh :
= +17.804.130
= 55.728.136
= ( )
= 7.429.316 ( )
= 7.429.316 (1.296)
= 9.628.393.536
= ( )
= ( )
= (1.296)
= 20.358.346.896
+20.358.346.896
30.042.469.368
5. Untuk tahun 2013

Diketahui : =55.728.136 ; ;
5 ,
Diperoleh :
= + 18.302.242
=
= ( )
= ( )
= (7.776)
= 65.546.742.240
= ( )
= ( )
160
ISBN: 978-602-72198-6-1
SENAMAS 2017
= (7.776)
= 129.928.118.688
+ +129.928.118.688
195.548.892.10
Selanjutnya hasil dari data Tabel 3.2 diperoleh Pendapatan Nasional pada periode
selanjutnya dan dapat dilihat pada Tabel 3.3.
Tabel 3.3 Perkembangan Kredit Perbankan Tersalurkan pada periode selanjutnya di

Belanja Pemerintah Pendapatan
Tahun Konsumsi (Ct) Investasi (It)
(Gt) Nasional (Yt)
2009 36.222.390 58.883.298 105.040.588
2010 231.996.924 447.262.956 702.057.217
2011 2.107.042.200 3.177.099.288 5.322.066.293
2012 55.728.136 9.628.393.536 20.358.346.896 30.042.469.368
2013 65.546.742.240 129.928.118.688 195.548.892.10
Sumber Data Diolah 2016
4. Kesimpulan
Berdasarkan hasil penelitian dapat disimpulkan bahwa Pendapatan Nasional dari
Tabel (3.1) cenderung meningkat setiap tahunnya,artinya kredit perbankkan .yang
tersalurkan di Sulawesi Selatan berjalan baik, yaitu Konsumsi Ct = Rp,
Investasi It = Rp 65.546.742.240, Belanja Pemerintah Gi = Rp 3.177.099.288
Pendapatan Nasional Yt = Rp 195.548.892.10
Daftar Pustaka
[1] Ambarwati.2008.Perhitungan_Pendapatan_Nasional. https://www.academia.edu/5471126/
[2] BPS. Makassar Dalam Angka 2015
[3] David. L. Elements. 1983. An Introduction to Mathematical Model In

Economic Dynamics. INC. Pub USA.
[4] Rangkuti, Aidayawati. 2009. Draft Lacture notes on Topic Special of Economics
Applied.
[5] Pratama.2012.Keseimbangan Pasar Barang Dan Uang Kurva IsLm Dalam Ekonomi
Konvensional. https://www.academia.edu/6667035/
[6] Yesi HendrianiSupartoryo, Jen Tatuh, Ricky H. E.Sendouw. 2013. The Economic
Growth and The Regional Characteristics. Buletin Ekonomi Moneter dan
Perbankkan. Juli.
161
ISBN: 978-602-72198-6-1
SENAMAS 2017
Kualitas Guru Matematika SMP se-Kota Gorontalo

dalam Melaksanakan Kurikulum 2013
Abdul Djabar Mohidin, Abas Kaluku
Program Studi Pendidikan Matematika FMIPA Universitas Negeri Gorontalo
Abstrak
Penelitian ini bertujuan untuk mengetahui (1) kualitas kemampuan guru matematika
dalam membuat perangkat Pembelajaran, (2) kualitas kemampuan guru matematika
dalam melaksanakan proses pembelajaran dan (3) kualitas kemampuan guru
matematika dalam melakukan penilaian pembelajaran. Penelitian ini dilaksanakan pada
guru SMP se Kota Gorontalo, Metode yang digunakan adalah metode penelitian
deskriptif yang mengkaji tentang perencanaan guru, pelaksanaan dan penilaian
pembelajaran dengan teknik pengumpulan data melalui wawancara, observasi dan
dokumentasi. Hasil penelitian menunjukkan bahwa (1) kualitas kemampuan guru
Matematika dalam membuat perangkat Pembelajaran Matematika di SMP se kota
Gorontalo secara umum sudah hasil yang berkategori baik. Hanya pada beberapa orang
guru saja yang kurang memahami dalam membuat perangkat Pembelajaran, (2) kualitas
kemampuan guru Matematika dalam melaksanakan pembelajaran memberikan hasil
yang memuaskan dalam hal ini adalah kualitas proses belajar mengajar cukup optimal.
Oleh sebab itu, perlu adanya upaya-upaya perbaikan untuk peningkatan mutu
pembelajaran dan (3) kualitas kemampuan guru Matematika dalam melakukan
penilaian pembelajaran secara umum masih cukup dan butuh perbaikan. Masih banyak
guru yang kurang optimal dalam melaksanakan penilaian.
Kata Kunci : Kualitas guru matematika, Kurikulum 2013
1. Pendahuluan
Guru profesional adalah guru yang memiliki kemampuan untuk membentuk
kepribadian yang didukung oleh penguasaan sepuluh kompetensi guru. Seorang guru
yang memiliki, menguasai dan melaksanakan sepuluh kompetensi guru diharapkan akan
memiliki komitmen dan dedikasi yang tinggi terhadap tugas dan tanggung jawabnya.
Komitmen dan dedikasi yang tinggi dalam dunia pendidikan perlu didukung oleh faktor
kedisiplinan yang tinggi sehingga memperlancar proses tercapainya tujuan pendidikan.
Dalam kaitan dengan hal ini pemerintah telah berupaya melaksanakan berbagai kiat dan
peningkatan mutu personil dan peningkatan kualitas guru melalui pembinaan
profesionalitas guru. Hal ini perlu dilakukan karena kenyataannya di lapangan
menunjukan kinerja guru, umumnya belum menunjukkan adanya rasa tanggung jawab
terhadap tugasnya sebagai pendidik, karena kadang-kadang masih lebih banyak
dipengaruhi unsur-unsur kepentingan pribadi. Sementara itu masyarakat sesungguhnya
sangat menuntut agar para guru senantiasa bertanggung jawab terhadap proses
pendidikan, termasuk di dalamnya kelangsungan proses pembelajaran dan pembinaan
mental siswa.
Kualitas guru merupakan salah satu faktor yang sangat menentukan bagi
keberhasilan program pendidikan maka pemerintah telah melalukan berbagai upaya
antara lain mengembangkan sistem pembinaan profesional sesuai dengan kebutuhan
162
ISBN: 978-602-72198-6-1
SENAMAS 2017
guru itu sendiri, yaitu usaha dalam meningkatkan pengetahuan, kecakapan

keterampilan, serta peningkatan kinerja guru melalui pendidikan dan latihan, supervisi
dan bantuan profesional dari kepala sekolah dan pengawas atau bantuan profesional
antara semua teman sejawat, kelompok kerja guru (KKG), musyawarah guru mata
pelajaran (MGMP) yang dilaksanakan secara bertahap dan berkelanjutan. Dengan
adanya upaya-upaya tersebut diharapkan akan dapat memberikan rangsangan dan
motivasi pada guru yang mengembangkan profesionalitasnya sehingga akan
menampilkan kualitas baik bagi peserta didik manapun bagi guru itu sendiri.
Kenyataan di lapangan menunjukkan lain, di mana masih banyak guru yang
belum mampu menunjukkan kualitasnya profesionalisme yang memadai. Hal ini
disebabkan antara lain karena masih banyak guru yang kurang mampu membuat
perangkat pembelajaran dan mengelola proses pembelajaran dengan baik.
Mencermati berbagai hal tersebut, maka dapat dikatakan bahwa kualitas guru
khususnya guru Matematika SMP se Kota Gorontalo masih perlu ditingkatkan melalui
berbagai kegiatan pembinaan profesional. Kondisi ini dapat dibuktikan dengan adanya
gejala-gejala sebagai berikut: (1) masih adanya sejumlah guru yang belum memiliki
wawasan dan kemampuan dalam hal membuat rencana program, melaksanakan,
mengevaluasi serta melakukan penelitian proses dan hasil belajar, (2) masih adanya
sejumlah guru kurang memiliki inisiatif dan kreatifitas dalam bekerja mengembangkan
wawasan pengetahuannya, (3) masih adanya sejumlah guru yang telah mengikuti
pengembangan dan pembinaan profesional melalui pendidikan dan pelatihan tetapi
belum dapat mensosialisasikan, menyajikan, terlebih menerapkan materi yang diperoleh
dari kegiatan dalam melaksanakan tugasnya, (4) masih adanya sejumlah guru yang
kurang merasa bangga bahkan kurang menghargai profesinya sebagai guru sehingga
tidak bergairah untuk mengembangkan profesinya tersebut.
Berdasarkan kondisi seperti yang dikemukakan di atas, maka hasil yang dicapai
oleh siswa SMP khususnya mata pelajaran Matematika pada ujian akhir nasional masih
rendah, yakni terdapat siswa yang memperoleh nilai 6,32. Rata-rata nilai secara
keseluruhan tidak mencapai 7,00 (Diknas Kota Gorontalo, 2015). Hal ini dipengaruhi
oleh berbagai faktor sebagaimana dikemukakan di atas, dan faktor lainnya seperti
kualitas profesional guru belum berkembang secara optimal. Kualitas profesional guru
meliputi kualitas guru membuat perangkat pembelajaran, kualitas guru dalam
melaksanakan pembelajaran serta kualitas guru dalam melaksanakan penilaian sesuai
dengan tujuan pembelajaran.
Berdasarkan uraian di atas, maka peneliti tertarik untuk meneliti dan membahas
masalah dengan judul “Kualitas Guru Matematika SMP se Kota Gorontalo”.
Berdasarkan fokus penelitian tersebut, maka pertanyaan-pertanyaan penelitian
ini adalah: (1) Bagaimanakah kualitas guru matematika dalam membuat perangkat
pembelajaran di SMP se kota Gorontalo? (2) Bagaimanakah kualitas guru matematika
dalam melaksanakan proses pembelajaran di SMP se kota Gorontalo? (3)
Bagaimanakah kualitas guru matematika dalam melaksanakan penilaian pembelajaran
di SMP se kota Gorontalo?
2. Kajian Teori
2.1. Kualitas Guru Matematika dalam Membuat Perangkat Pembelajaran
Tugas guru dalam membuat perangkat pembelajaran terutama RPP, bahan ajar,
LKPD meliputi kemampuan dalam merumuskan indikator dan tujuan pembelajaran,
163
ISBN: 978-602-72198-6-1
SENAMAS 2017
mengidentifikasi karakteristik siswa, mengembangkan materi pelajaran, memilih media

dan metode pembelajaran, memilih dan menggunakan sumber belajar yang ada,
penyusunan alat evaluasi dan memperhatikan segala faktor pendukung. (Rusman, 2009:
336).
Tahap pembuatan perangkat pembelajaran merupakan tahap yang berhubungan
dengan kemampuan guru dalam rangka mempersiapkan diri menguasai bahan ajar.
Kemampuan guru dapat dilihat dari cara atau proses penyusunan program pembelajaran
yang dilakukan oleh guru, yaitu mengembangkan rencana pelaksanaan pembelajaran
(RPP), Bahan ajar, LKPD. Program pembelajaran jangka waktu singkat sering dikenal
dengan istilah RPP, yang merupakan penjabarannya terdiri dari komponen-komponen:
(1) Identitas RPP; (2) Kompetensi Inti (KI); (3) Kompetensi dasar (KD); (4) Indikator;
(5) Tujuan pembelajaran; (6) Materi pembelajaran; (7) Metode/model pembelajaran; (8)
Langkah-langkah kegiatan pembelajaran; (9) Sumber pembelajaran; dan (10) evaluasi.
RPP merupakan Rancangan pelaksanaan kegiatan belajar-mengajar yang akan
direalisasikan di dalam kelas dan merupakan penjabaran lebih rinci dari penjabaran
skenario pembelajaran, wujud media, wujud alat penilaian yang sudah siap digunakan.
Indikator-indikator dan kriteria yang baik dalam RPP yaitu: (a) Identitas RPP
harus disesuaikan dengan lokasi dan waktu pelaksanaan kegiatan pembelajaran, (b)
Kompetensi Inti (KI) harus sesuai dengan standar isi (SI), (c) Kompetensi Dasar (KD)
sesuai dengan standar isi (SI), (d) Indikator harus terukur, mengacu pada kata kerja
operasional dan mengacu ke KI dan KD, (e) Tujuan pembelajaran harus mengandung
unsur proses dan produk, bersifat spesifik dan dinyatakan dalam bentuk prilaku,
mengandung pengalaman belajar yang diperlukan dalam mencapai tujuan,
mempertimbangkan waktu pencapaian, dan realistik serta dapat dimaknai sebagai
kegiatan belajar atau pengalaman belajar. (f) Materi/bahan ajar harus mengandung ilmu
pengetahuan, proses nilai sesuai dengan perkembangan IPTEK, terorganisir dan
sistematis, sesuai dengan KI dan KD, dan mengacu ke tujuan, (g) Pemilihan metode/
strategi harus sesuai dengan tujuan, disesuaikan dengan bahan ajar, disesuaikan dengan
kondisi atau keinginan anak, dan dapat dilaksanakan, (h) Langkah-langkah kegiatan
pem-belajaran
Kemudian yang menyangkut bahan ajar, merupakan salah satu hal yang
dibicarakan dalam pembuatan perangkat pembelajaran. Pembelajaran pada hakikatnya
merupakan suatu proses interaksi antara guru dengan siswa, baik interaksi secara
langsung seperti kegiatan tatap muka maupun secara tidak langsung yaitu dengan
menggunakan berbagai media pembelajaran, salah satunya bahan ajar. Menurut
Depdiknas (Kurniawati:2011) defenisi bahan ajar yakni sebagai berikut:
a. Bahan ajar merupakan informasi, alat dan teks yang diperlukan
guru/instruktur untuk perencanaan dan penelaahan implementasi pembelajaran.
b. Bahan ajar adalah segala bentuk bahan yang digunakan untuk membantu
guru dalam melaksanakan kegiatan belajar mengajar di kelas. Bahan ajar yang
dimaksud bisa berupa bahan tertulis maupun bahan tidak tertulis.
c. Bahan ajar adalah seperangkat materi yang disusun secara sistematis baik
tertulis maupun tidak sehingga tercipta lingkungan/suasana yang memungkinkan siswa
untuk belajar.
Bahan ajar atau teaching-material, terdiri atas dua kata yaitu teaching atau
mengajar dan material atau bahan. Menurut University of Wollongong NSW 2522,
AUSTRALIA pada websitenya, WebPage last updated: August 1998, Teaching is
defined as the process of creating and sustaining an effective environment for learning.
164
ISBN: 978-602-72198-6-1
SENAMAS 2017
Melaksanakan pembelajaran diartikan sebagai proses menciptakan dan

mempertahankan suatu lingkungan belajar yang efektif. Lebih lanjut Paul S. Ache
lebih lanjut mengemukakan tentang material yaitu: Books can be used as reference
material, or they can be used as paper weights, but they cannot teach. Buku dapat
digunakan sebagai bahan rujukan, atau dapat digunakan sebagai bahan tertulis yang
berbobot.
Dalam website Dikmenjur dikemukakan pengertian bahwa, bahan ajar
merupakan seperangkat materi/substansi pembelajaran (teaching material) yang disusun
secara sistematis, menampilkan sosok utuh dari kompetensi yang akan dikuasai siswa
dalam kegiatan pembelajaran. Dengan bahan ajar memungkinkan siswa dapat
mempelajari suatu kompetensi atau KD secara runtut dan sistematis sehingga secara
akumulatif mampu menguasai semua kompetensi secara utuh dan terpadu.
Disimpulkan bahwa bahan ajar merupakan segala bentuk bahan yang disusun
secara sistematis untuk membantu melaksanakan kegiatan belajar mengajar sehingga
tercipta lingkungan/suasana yang memungkinkan siswa untuk belajar. Pada dasarnya
berisi tentang pengetahuan, nilai, sikap, tindakan, dan ketrampilan yang berisi pesan,
informasi, dan ilustrasi berupa fakta, konsep, prinsip, dan proses yang terkait dengan
pokok bahasa tertentu yang diarahkan untuk mencapai tujuan pembelajaran. Lebih
lanjut disebutkan bahwa bahan ajar memiliki beberapa fungsi yaitu pedoman bagi
pengajar yang akan mengarahkan semua aktivitasnya dalam proses pembelajaran,
pedoman bagi siswa yang akan mengarahkan semua aktivitasnya dalam proses
pembelajaran, alat evaluasi pencapaian/penguasaan hasil pembelajaran.
Dari uraian diatas bahan ajar adalah merupakan seperangkat materi yang
disusun secara sistematis sehingga tercipta lingkungan/suasana yang memungkinkan
siswa untuk belajar.
Selanjutnya hal yang perlu dibahas dalam pembuatan perangkat pembelajaran
adalah lembar kerja peserta didik (LKPD).
Lembar kerja peserta didik (LKPD)merupakan salah satu sarana untuk
membantu dan mempermudah dalam kegiatan belajar mengajar sehingga akan terbentuk
interaksi yang efektif antara peserta didik dengan pendidik, sehingga dapat
meningkatkan aktifitas peserta didik dalam peningkatan hasil belajar.
Widjajanti (2008:1) mengatakan lembar kerja peserta didik (LKPD) merupakan
salah satu sumber belajar yang dapat dikembangkan oleh pendidik sebagai fasilitator
dalam kegiatan pembelajaran. LKPD yang disusun dapat dirancang dan dikembangkan
sesuai dengan kondisi dan situasi kegiatan pembelajaran yang akan dihadapi.
Sementara itu, menurut Depdiknas (2008) lembar kerja peserta didik (LKPD)
adalah lembaran-lembaran berisi tugas yang harus dikerjakan oleh peserta didik.
Lembar kegiatan biasanya berupa petunjuk, langkah-langkah untuk menyelesaikan
suatu tugas. Keuntungan penggunaan LKPD adalah memudahkan pendidik dalam
melaksanakan pembelajaran, bagi peserta didik akan belajar mandiri dan belajar
memahami serta menjalankan suatu tugas tertulis.
Menurut Trianto (2009: 223) bahwa LKPD memuat sekumpulan kegiatan
mendasar yang harus dilakukan oleh peserta didik untuk memaksimalkan pemahaman
dalam upaya pembentukan kemampuan dasar sesuai indikator pencapaian hasil belajar
yang harus ditempuh.
Menurut Prastowo (2011: 24) jika dilihat dari segi tujuan disusunnya LKPD,
maka LKPD dapat dibagi menjadi lima macam bentuk yaitu: (1) LKPD yang membantu
peserta didik menemukan suatu konsep, (2) LKPD yang membantu peserta didik
165
ISBN: 978-602-72198-6-1
SENAMAS 2017
menerapkan dan mengintegrasikan berbagai konsep yang telah ditemukan, (3) LKPD
yang berfungsi sebagai penuntun belajar, (4) LKPD yang berfungsi sebagai penguatan,
(5) LKPD yang berfungsi sebagai petunjuk praktikum.
Adapun struktur LKPD secara umum adalah sebagai berikut : (1) Judul, mata
pelajaran, semester, dan kelas, (2) Petunjuk belajar, (3) Kompetensi yang akan dicapai,
(4) Indikator, (5) Informasi pendukung (6) Tugas-tugas dan langkah-langkah kerja, (7)
Penilaian.
Berdasarkan penjelasan di atas, bahwa kualitas professional guru dalam hal ini
kemampuan membuat perangkat pembelajaran pada hakikatnya adalah kemampuan
yang harus dimiliki guru dalam menguasai bahan ajar. Dalam merencanakan
pembelajaran, guru memerlukan perangkat pembelajaran yaitu silabus, RPP, bahan ajar,
serta LKPD dan perangkat lainnya.
2.2. Kualitas Guru Matematika dalam Melaksanakan Pembelajaran

Kemampuan menciptakan suasana kondusif di kelas guna mewujudkan proses
pembelajaran yang menyenangkan adalah tuntutan bagi seorang guru dalam
pengelolaan kelas. Kemampuan lainnya dalam pelaksanaan pembelajaran yang perlu
dikuasai guru di samping pengelolaan kelas adalah menggunakan media dan sumber
belajar. Media merupakan segala sesuatu yang dapat digunakan untuk menyalurkan
pesan (materi pembelajaran), merangsang pikiran, perasaan, perhatian, dan kemampuan
siswa, sehingga dapat mendorong proses pembelajaran. (Ibrahim dan Sukmadinata,
1993: 78). Sedangkan yang dimaksud dengan sumber belajar adalah buku pedoman.
Kemampuan menguasai sumber belajar di samping mengerti dan memahami buku teks,
seorang guru juga harus berusaha mencari dan membaca buku-buku atau sumber-
sumber lain yang relevan guna meningkatkan kemampuan terutama untuk keperluan
perluasan dan pendalaman materi, dan pengayaan dalam proses pembelajaran.
Kemampuan menggunakan media dan sumber belajar tidak hanya menggunakan media
yang sudah tersedia seperti media cetak, media audio, dan media audio visual. Tetapi
kemampuan guru di sini lebih ditekankan pada penggunaan objek nyata yang ada di
sekitar sekolahnya. Dalam kenyataan di lapangan guru dapat memanfaatkan media yang
sudah ada (by utilization) seperti KIT, globe, peta, gambar dan sebagainya, atau guru
dapat mendesain media untuk kepentingan pembelajaran (by design) seperti membuat
media foto, film, pembelajaran berbasis komputer, dan sebagainya.
Kemampuan berikutnya adalah penggunaan metode pembelajaran. Guru
diharapkan mampu memilih dan menggunakan metode pembelajaran sesuai dengan
materi yang akan disampaikan. Menurut Ibrahim dan Sukmadinata (1993:74) bahwa
Setiap metode pembelajaran memiliki kelebihan dan kelemahan dilihat dari berbagai
sudut, namun yang penting bagi guru metode manapun yang digunakan harus jelas
tujuan yang akan dicapai. Karena siswa memiliki interes yang sangat heterogen idealnya
seorang guru harus menggunakan multi metode, yaitu memvariasikan penggunaan
metode pembelajaran di dalam kelas seperti metode ceramah dipadukan dengan tanya
jawab dan penugasan atau metode diskusi dengan pemberian tugas dan seterusnya. Hal
ini dimaksudkan untuk menjembatani kebutuhan siswa dan menghindari terjadinya
kejenuhan yang dialami siswa.
Kegiatan pembelajaran di kelas adalah inti penyelenggaraan pendidikan yang
ditandai oleh adanya kegiatan pengelolaan kelas, penggunaan media dan sumber belajar
serta penggunaan metode dan strategi pembelajaran. Semua itu merupakan tugas dan
166
ISBN: 978-602-72198-6-1
SENAMAS 2017
tanggung jawab guru dalam pelaksanaannya menuntut kemampuan guru secara optimal
(Rusman, 2009: 341).
Berdasarkan penjelasan di atas, maka kualitas kompetensi profesional guru
dalam melaksanakan pembelajaran adalah kemampuan yang harus dimiliki guru dalam
penguasaan materi, pengelolaan dan penggunaan media dalam proses pembelajaran di
kelas.
2.3. Kualitas Guru Matematika dalam melakukan penilaian Pembelajaran
Penilaian hasil belajar adalah kegiatan atau cara yang ditujukan untuk
mengetahui tercapai atau tidaknya tujuan pembelajaran dan juga proses pembelajaran
yang telah dilakukan. Pada tahap ini seorang guru dituntut memiliki kemampuan dalam
menentukan pendekatan dan cara-cara evaluasi, penyusunan alat-alat evaluasi,
pengolahan, dan penggunaan hasil evaluasi. Pendekatan atau cara yang dapat digunakan
untuk melakukan evaluasi/ penilaian hasil belajar adalah melalui Penilaian Acuan
Norma (PAN) dan Penilaian Acuan Patokan (PAP). PAN adalah cara penilaian yang
tidak selalu tergantung pada jumlah soal yang diberikan atau penilaian dimasudkan
untuk mengetahui kedudukan hasil belajar yang dicapai berdasarkan norma kelas. Siswa
yang paling besar skor yang didapat di kelasnya, adalah siswa yang memiliki
kedudukan tertinggi di kelasnya. Sedangkan PAP adalah cara penilaian, dimana nilai
yang diperoleh siswa tergantung pada seberapa jauh tujuan yang tercermin dalam soal-
soal tes yang dapat dikuasai siswa. Nilai tertinggi adalah nilai sebenarnya berdasarkan
jumlah soal tes yang dijawab dengan benar oleh siswa. Dalam PAP ada passing grade
atau batas lulus, apakah siswa dapat dikatakan lulus atau tidak berdasarkan batas lulus
yang telah ditetapkan.
Kemampuan lain yang harus dikuasai guru dalam penilaian hasil belajar adalah
alat evaluasi. Alat evaluasi yang dapat digunakan adalah tes tertulis, tes lisan, dan tes
perbuatan. Seorang guru dapat menentukan alat tes tersebut sesuai dengan materi yang
disampaikan.
Berdasarkan penjelasan di atas, maka dapat disimpulkan bahwa kualitas
kompetensi profesional guru dalam melakukan penilaian pembelajaran adalah
kemampuan yang harus dimiliki guru dalam mengevaluasi hasil pembelajaran peserta
didik.
2.4. Hakikat Matematika

Pengertian matematika sampai saat ini belum ada kesepakatan antar para
matematikawan. Namun Elea Tinggih dikutip oleh Erman Suherman dan Udin
Winataputra (1999: 119) mengemukakan bahwa matematika diartikan sebagai ilmu
pengetahuan yang diperoleh dengan bernalar. Pengertian ini dimaksudkan bukan berarti
meremehkan ilmu lain diperoleh tidak melalui penalaran, tetapi dalam matematika lebih
menekankan aktivitas penalaran, sedangkan dalam ilmu yang lain lebih menekankan
hasil observasi atau ekperimen disamping penalaran.
James and James seperti yang dikutif oleh Karso (1993:2) menyatakan
matematika timbul dan berakar dari pemikiran manusia yang berhubungan dengan ide,
proses dan penalaran. Gagasan atau ide tersebut muncul dari pemikiran manusia yang
memiliki struktur dan sistem tertentu yang hubungan-hubungannya diatur oleh aturan,
urutan yang logis dan sistematis.
Dengan demikian matematika tumbuh dan berkembang karena proses berpikir,
dan proses berpikir tersebut sangat erat kaitannya dengan logika, oleh karena itu
dapatlah dikatakan bahwa logika merupakan dasar untuk terbentuknya matematika.
167
ISBN: 978-602-72198-6-1
SENAMAS 2017
Lebih lanjut Johnson dan Rising seperti dikutip oleh Erman Suherman dan Udin
Winataputra (1999:120) mendefinisikan bahwa matematika adalah pola berpikir, pola
mengorganisasikan, pembuktian yang logik, dan bahasa yang menggunakan istilah yang
didefinisikan dengan cermat, jelas, dan akurat.
Kemudian Kline seperti dikutip oleh Erman Suherman dan Udin Winataputra
(1999:120) mengatakan pula bahwa matematika itu pengetahuan yang menyendiri yang
dapat sempurna karena dirinya sendiri, tetapi adanya matematika itu terutama untuk
membantu manusia dalam memahami dan menguasai permasalahan sosial, ekonomi dan
alam.
Berdasarkan pengertian di atas, bahwa matematika adalah ilmu pengetahuan
yang diperoleh dari hasil pemikiran manusia yang berhubungan dengan ide, proses dan
penalaran yang diwujudkan dengan bahasa simbol yang berlaku secara universal dan
sangat padat makna dan pengertian.
3. Metode dan Desain Penelitian

Penelitian ini menggunakan metode penelitian deskriptif yang menjelaskan apa
yang dikaji dalam penelitian. Metode penelitian deskriptif ini terarah kualitas guru
matematika di SMP se Kota Gorontalo yang dibatasi pada kemampuan guru membuat
perangkat pembelajaran, melaksanakan pembelajaran dan melakukan penilaian proses
dan hasil pembelajaran sesuai kurikulum 2013.
Creswell (2003: 5), mengemukakan bahwa disain penelitian merupakan plan of
action that links the philosophical assumptions to specipic methods. Berkaitan dengan
pengertian ini yang dikaitkan dengan tujuan penelitian yang ingin di capai, penelitian ini
dibuat dengan 3 tahapan seperti dibawah ini.
1) Tahapan evaluasi terhadap kualitas guru membuat perangkat pembelajaran
dimana indikatornya yang dinilai adalah RPP, bahan ajar, LKPD, dan
perangkat penilaian.
2) Tahapan evaluasi terhadap kualitas guru melaksanakan pembelajaran
dimana indikatornya adalah kegiatan proses belajar mengajar yang terdiri
dari kegiatan pendahuluan, kegiatan inti dan kegiatan penutup.
3) Tahapan evaluasi terhadap kualitas guru melakukan penilaian dimana
indikatornya adalah penilaian proses pembelajaran dan penilaian hasil
belajar.
Berdasarkan tahapan-tahapan di atas teknik pengumpulan data yang digunakan
adalah observasi, wawancara dan dokumen. Data wawancara dan observasi digunakan
untuk mendapatkan data primer sedangkan data dokumen digunakan untuk
mendapatkan data sekunder.
Analisis data adalah proses pengorganisasian dan mengurutkan data ke dalam
pola, kategori dan satuan uraian dasar sehingga dapat ditemukan tema seperti yang
disarankan oleh data. Adapun data yang akan dianalisis berupa keterangan-keterangan
maupun fenomena hasil observasi yang muncul di lapangan dan untuk dianalisis
menjadi argumen kalimat yang logis dan sistematis. Menurut Miles dan Huberman
sebagaimana dikutip Sugiyono (2007: 90), menjelaskan langkah analisis data dalam
penelitian kualitatif deskriptif terdiri dari reduksi data, penyajian data dan pengambilan
kesimpulan.
168
ISBN: 978-602-72198-6-1
SENAMAS 2017
4. Hasil Penelitian Dan Pembahasan

Pada bagian ini dideskripsikan temuan penelitian kualitas guru matematika
SMP di Kotamadia Gorontalo. Pada setiap tahapan ditemukan kondisi objektif
mengenai kualitas guru matematika pada aspek kemampuan membuat perangkat
pembelajaran meliputi RPP, bahan ajar, LKPD, kemampuan melaksanakan
pembelajaran, dan kemampuan melakukan penilaian pembelajaran.
4.1. Kemampuan membuat perangkat pembelajaran

Hasil penelitian tentang kualitas guru matematika dalam membuat perangkat
pembelajaran, terbagi atas pengembangan RPP, bahan ajar dan penyusunan LKPD
sebagai dasar dari kualitas kemampuan guru guru matematika.
Dalam pengembangan RPP terdapat beberapa temuan yang berkaitan dengan
pembuatan RPP.
a) Berdasarkan jawaban yang disampaikan responden tentang pembuatan RPP,
walaupun setiap responden memiliki pandangan yang berbeda tentang bagian
yang harus didahulukan dalam pembuatan RPP, namun tujuan secara umum
tetap sama yaitu diawali dengan identifikasi KI dan KD dan disesuaikan dengan
kondisi yang ada, kemudian dibuat rancangan RPP.
b) Ketika peneliti menanyakan tentang perlunya merevisi RPP dan waktu
pelaksanaan revisi, semua responden setuju untuk perlunya mengadakan revisi
RPP pada setiap tahun. Namun, setelah ditanyakan sudah berapa kali
mengadakan revisi, ada satu guru yang mengatakan bahwa dia belum pernah
merevisi RPP dan ada juga responden yang lain yang mengatakan telah
mengadakan revisi, namun ditanyakan lagi kepada kepala sekolahnya, dikatakan
bahwa guru tersebut tidak pernah merevisi RPP. Hal ini menggambarkan bahwa
ada beberapa guru yang belum melaksanakan fungsinya untuk melengkapi
kekurangan pada penyusunan RPP dengan mengadakan revisi guna
meningkatkan mutu pembelajaran dikelas.
c) Pada saat diajukan pertanyaan tentang perumusan indikator dan tujuan
pembelajaran, semua guru memberikan jawaban yang secara umum sama yakni
didasarkan pada KI dan KD. Adapun beberapa orang guru memiliki jawaban
yang berbeda, yakni ada yang mengemukakan bahwa indikator dan tujuan
dirumuskan berdasarkan kata kerja operasional dan kondisi lingkungan. Namun,
setelah dilihat dan dinilai dokumen berupa RPP yang dimiliki oleh guru, ternyata
beberapa guru yang tidak mencantumkan tujuan pembelajaran pada RPP.
d) Pada instrumen penilaian ketika dilakukan observasi lapangan, pada beberapa
RPP ditemukan adanya teknik penilaian yang hanya didasari pada bentuk tes
tertulis tanpa melihat aspek penilaian yang lain. Hal ini mengambarkan bahwa
ada beberapa orang guru yang belum melaksanakan secara optimal penilaian
berdasarkan pedoman instrumen yang telah ditetapkan pada kurikulum 2013.
Berdasarkan hasil penelitian, dapat dilihat bahwa tingkat pencapaian persentase
pada perencanaaan pembelajaran khususnya pada RPP, LKPD dan bahan ajar pada
hampir semua sekolah mempunyai persentase pencapaian rata-rata di sekitar 86,43 %
dan berada dalam kategori baik. Hanya saja pada beberapa sekolah masih
memperlihatkan tingkat pencapaian kurang dari rata-rata tersebut.
169
ISBN: 978-602-72198-6-1
SENAMAS 2017
4.2. Kemampuan melaksanakan pembelajaran

Hasil observasi tentang pelaksanaan pembelajaran memiliki tiga fokus
penelitian, yaitu kegiatan pendahuluan, kegiatan inti, kegiatan penutup.
1). Kegiatan Pendahuluan.
Kegiatan ini berkaitan dengan apersepsi, asosiasi, pemberian motivasi siswa.
Berdasarkan wawancara, semua responden menjelaskan bahwa untuk
meningkatkan motivasi siswa pada awal pembelajaran diperlukan apersepsi. Hal ini
telah sesuai dengan kenyataan ketika diadakan observasi di kelas. Namun, hampir
semua responden tidak menyampaikan tujuan pembelajaran dan menyampaikan
acuan bahan ajar. Hanya satu responden saja yang selain memberikan apersepsi,
juga menyampaikan tujuan pembelajaran dan acuan bahan ajar.
2). Kegiatan inti.
Pada kegiatan ini, merupakan kegiatan belajar mengajar di kelas atau
biasanya disebut dengan inti pembelajaran. Pada proses pembelajaran terdapat
indikator kinerja yang merupakan bahan acuan terhadap kualitas guru dalam
pembelajaran. Berdasarkan data wawancara dan observasi serta dokumentasi,
peneliti menemukan proses pembelajaran sebagai berikut:
a) Penyajian materi.
Ketika diwawancarai, semua responden menjelaskan bahwa penyajian harus
secara runtut. Namun ketika dilakukan observasi, ada guru yang penyajian
materinya tidak secara runtut. Selain itu, sebagian kecil dari guru yang diteliti
menetapkan pendekatan/ model/metode yang tidak sesuai dengan bahan/ materi
yang diajarkan.
b) Komunikatif dan interaktif.
Berdasarkan hasil wawancara, cara guru untuk meningkatkan interaksi
pembelajaran, yaitu dengan melakukan diskusi dan tanya jawab. Ketika diadakan
observasi di ruang kelas saat guru mengajar, ada satu sekolah yang saat gurunya
mengajar sikap guru tersebut dalam hal kejelasan suara, variasi gerakan, dan posisi
mengajar kurang baik dan masih perlu diperbaiki.
c) Penggunaan model/metode/ media dan sumber belajar.
Berdasarkan hasil wawancara, semua guru menerangkan bahwa penggunaan
model, metode, media dan sumber belajar di dasarkan pada kondisi kelas. Ketika
dilakukan penelitian di kelas, hampir semua guru menuliskan metode dan media di
RPP dan paham dengan metode dan media tersebut. Namun, hampir semua guru
yang diteliti ditiap sekolah tidak melaksanakan metode yang telah dicantumkan di
RPP apalagi model pembelajaran. Hanya satu guru yang menggunakan metode
ketika mengajar di kelas. Hal ini menggambarkan tentang kurangnya kepedulian
dan konsentrasi guru dalam menerapkan metode yang telah dibuat sebelumnya.
Sama seperti metode, banyak guru yang tidak tepat dalam menggunakan media
yang telah ditentukan dalam pembelajaran.
d) Ketrampilan Bertanya dan memberi penguatan
Semua guru yang diwawancarai mengemukakan bahwa memberikan
pertanyaan dan penguatan sangat penting dalam proses pembelajaran. Hampir
semua guru memiliki kecakapan yang baik dalam hal bertanya dan memberikan
penguatan. Hanya saja, ada beberapa guru dalam satu sekolah yang kurang dalam
memberikan pertanyaan maupun memberikan penguatan kepada peserta didik.
170
ISBN: 978-602-72198-6-1
SENAMAS 2017
3). Kegiatan Penutup

Semua guru menjawab dengan jawaban yang sama ketika diwawancarai yaitu
perlunya mengadakan kesimpulan dan refleksi dalam pembelajaran. Berdasarkan
observasi peneliti, hampir semua guru mengadakan refleksi terhadap pembelajaran
yang telah terlaksana. Hanya terdapat satu guru yang kurang dalam mengadakan
refleksi.
Secara keseluruhan hasil analisis memperlihatkan pada tingkat persentase
yang diperoleh hampir semua guru memiliki tingkat persentase 80% dengan
kategori cukup baik. Hal ini perlu menjadi perhatian khusus bagi pihak terkait
karena pelaksanaan pembelajaran merupakan inti dari penyelenggaraan pendidikan
itu sendiri.
4.3. Kualitas penilaian pembelajaran.

Penilaian pembelajaran merupakan tahapan akhir dari penilaian tentang kualitas
guru. Temuan penelitian diperoleh dari membandingan antara hasil observasi, hasil
wawancara yang diperoleh dari guru sebagai responden.
Adapun yang menjadi fokus pada tahap penilaian pembelajaran yakni
penyusunan instrumen penialian, pelaksanaan penilaian, dan tindak lanjut. Temuan
penelitian dijelaskan sebagai berikut.
1). Penyusunan instrumen penilaian.
Adapun ketika dilakukan penelitian di kelas, peneliti melihat sebagian guru
terdapat bertentangan dengan apa yang telah dikemukakan sebelumnya pada
wawancara. Hampir semua guru melakukan penilaian hanya pada aspek kognitif
saja dan kurang memperhatikan dua aspek yang lainnya, aspek sikap dan
ketrampilan. Kemudian, ada seorang guru yang instrumennya kurang sesuai dengan
tujuan pembelajaran. Dan hampir semua guru tidak memiliki pedoman penskoran
lengkap untuk aspek pengetahuan apalagi pada aspek sprituan maupun aspek sosial.
2). Pelaksanaan penilaian
Terdapat seorang guru yang instrumen penilaiannya kurang tersusun dengan
baik. Dari hasil wawancara yang dilakukan, tata cara penilaian pada setiap guru
berbeda dengan guru lainnya.
3). Tindak lanjut Penilaian.
Pelaksanaan tindak lanjut merupakan bagian akhir dari rangkaian tahapan
penilaian pembelajaran. Semua guru mampu menjelaskan tujuan dari pelaksanaan
tindak lanjut ketika diwawancarai. Tetapi sebagian guru yang diteliti kurang
melaksanakan program tindak lanjut penilaian. Hal ini mengisyaratkan bahwa
kurangnya pemahaman tentang perlunya pelaksanaan tindak lanjut penilaian.
Berdasarkan pada analisis hasil observasi, diperoleh persentase rata-rata
87,92 % dengan kategori baik.
5. Kesimpulan
Berdasarkan temuan-temuan dan pembahasan hasil penelitian tentang evaluasi
kompetensi profesional guru matematika SMP se kota Gorontalo, maka dapat
disimpulkan bahwa:
1. Kualitas kemampuan guru dalam membuat perangkat pembelajaran
matematika SMP se kota Gorontalo secara umum berkategori baik. Hanya
171
ISBN: 978-602-72198-6-1
SENAMAS 2017
pada beberapa orang guru yang kurang mampu dalam membuat perangkat
pembelajaran.
2. Kualitas kemampuan guru matematika dalam melaksanakan pembelajaran
masih cukup optimal. Oleh sebab itu, perlu adanya upaya-upaya perbaikan
untuk peningkatan kualitas pembelajaran.
3. Kualitas kemampuan guru matematika dalam melakukan penilaian
pembelajaran secara umum cukup baik dan butuh perbaikan. Sebagian guru
yang kurang optimal dalam melaksanakan penilaian.
Daftar Pustaka
[1] Afandi, Akbar. 2009. Kemampuan Guru dalam proses Belajar Mengajar.
Bandung: Remaja Rosda Karya
[2] Bungin, B. 2003. Analisis Data Penelitian Kulitatif. PT Rajagrafindo
[3] Carin, A. A. & Sund, R.B. 1993. Teaching Modern Science. Six Edition. New
York: Macmillan Publishing Company.
[4] Creswell. J.W. (2009). Research Design Qualitative, Quantitative, and Mixed
Methods Approaches, 2nd ed. Thousand Oaks, CA : Sage Publications.
[5] Kemenpennas. 2010. Pedoman Pelaksanaan Penilaian Kinerja Guru. Jakarta :
PNPTK
[6] Koentjaraningrat.1990.Pengantar ilmu Antropologi.Jakarta: Rineka Citra
[7] Moleong,L.J. 1988. Metode Pedekatan Kualitatif. Bandung: PT. Remaja
Rosdakarya.
[8] Muhadjir, Noeng. 1990. Metodologi Penelitian Kualitatif. Penerbit Rake Sarasin,
Yogyakarta
[9] Mulyasa, E., (2003). Kurikulum Berbasis Kompetensi: Konsep, Karakteristik, dan
Implementasi. Bandung: PT Remaja Rosdakarya
[10] Robbins, 1994. Performance. New Jersey: Hill-Book Prentice.
[11] Serway Jewett, 2009. Matematika untuk sains dan teknik (Physics For Scientists
And Engineers With Modern Physics). Jakarta: Salemba Teknika.
[12] Spencer, Lyle, M. Jr. And Spencer, M.Signe. 1993. Competence At Work Models
For Superior Performance, United State of America: John Wiley & Sons, Inc.
[13] Sugiyono. 2009. Statistik Untuk Penelitian. Bandung: CV. Alfabeta.
[14] Undang-Undang Republik Indonesia Nomor 14 Tahun 2005 tentang Guru dan
Dosen.
[15] Whitmore, John. 1997. Coaching for Performance (Seni Mengarahkan untuk
Mendobrak Kerja. Jakarta: Gramedia, Pustaka Umum.
172
ISBN: 978-602-72198-6-1
SENAMAS 2017
Efektifitas Multimedia Pembelajaran Terhadap Hasil

dan Motivasi Belajar Statistika Dasar Mahasiswa
Universitas Cokroaminoto Palopo
Bobby Poerwanto, Baso Ali
Abstrak
Penelitian ini adalah penelitian eksperimen semu (quasi-experimental) yang melibatkan
dua kelas mahasiswa yaitu kelas eksperimen dan kontrol. Kelas eksperimen diajar
dengan menggunakan bantuan media pembelajaran berbasis multimedia sedangkan
kelas kontrol dengan tidak menggunakan media pembelajaran. Penelitian ini bertujuan
untuk mengetahui apakah ada perbedaan hasil dan motivasi belajar yang signifikan
antara mahasiswa pada kelas eksperimen dan kelas kontrolpada mata kuliah statistika
dasar. Kedua kelas yang diambil adalah kelas yang homogen berdasarkan pre-test yang
dilakukan. Penelitian ini menggunakan analisis statistika deskriptif dan inferensial.
Secara deskriptif, rata-rata hasil belajar statistika dasar untuk kelas eksperimen dan
kelas kontrol adalah 76.2 dan 69.7 dari skor ideal 100 untuk masing-masing kelas,
sedangkan untuk motivasi belajar didapatkan 3.76 untuk kelas eksperimen dan 3.32
untuk kelas kontrol dari skor ideal 5. Selanjutnya, berdasarkan hasil analisis statistik
inferensial didapatkan bahwa hasil dan motivasi belajar pada kelas eksperimen,
keduanya lebih baik atau lebih efektif secara signifikan dibandingkan dengan kelas
kontrol yang tidak diajar menggunakan multimedia pembelajaran.
Kata Kunci : eksperimen semu,hasil belajar, motivasi belajar,multimedia

pembelajaran
1. Pendahuluan
Perkembangan teknologi yang semakin hari semakin pesat memicu
perkembangan bidang ilmu lainnya. Perlahan tapi pasti pekerjaan manusia mulai
tergantikan oleh mesin-mesin. Peran teknologi saat ini merupakan bagian yang tak
terpisahkan dari kehidupan manusia. Tak terkecuali pendidikan, peran teknologi sedikit
memudahkan para guru dalam memvisualisasikan beberapa beberapa objek yang ingi
dipelajari. Seperti bangun datar atau bangun ruang. Perkembangan teknologi khususnya
teknolgi informasi dan komunikasi banyak menawarkan berbagai kemudahan dalam
pembelajaran, yang memungkinkan terjadinya pergeseran orientasi pembelajaran dari
pembelajaran yang berpusat kepada guru/dosen (teachers centered) menjadi
pembelajaran berpusat pada siswa/mahasiswa (student centered) [1].
Pemerintah telah berusaha untuk meningkatkan kualitas pendidikan di
Indonesia. Hal ini tercermin dari adanya penyempurnaan kurikulum, penyediaan buku
bacaan, dan peningkatan pengetahuan guru/dosen melalui penataran baik pada tingkat
regional maupun nasional. Semua itu merupakan salah satu upaya agar prestasi belajar
siswa/mahasiswa meningkat, utamanya dalam bidang teknik informatika. Poerwanto [2]
mengemukakan prestasi belajar adalah hasil dari berbagai upaya yang terefleksi dari
partisipasi belajar yang dilakukan siswa dalam mempelajari materi pelajaran yang
diajarkan oleh guru. Aktif dan tidaknya partisipasi belajar yang dilakukan oleh siswa
173
ISBN: 978-602-72198-6-1
SENAMAS 2017
dalam belajar bergantung pada seberapa kuat motivasinya dalam belajar. Semakin kuat
motivasi tersebut semakin kuat pula upaya dan daya yang dikerahkannya untuk
berpartisipasi dalam belajar.
Pada penelitian yang dilakukan oleh Ruhendi, Sutarno dan Ginanjar [3] tentang
keefektivan metode demonstrasi dalam peningkatan hasil belajar siswa dapat
disimpulkan bahwa metode demonstrasi lebih efektif dalam pembelajaran. Dan dalam
mendemostrasikan para guru atau dosen membutuhkan media yang dapat memudahkan
siswa dalam memahami pelajaran
1.1. Rumusan Masalah

Apakah ada perbedaan hasil belajar dan motivasi belajar pada mata kuliah dasar-
dasar statistika antara mahasiswa yang diajar menggunakan multimedia pembelajaran
dan mahasiswa yang diajar dengan tidak menggunakan media pembelajaran
menggunakan pada program studi teknik informatika UNCP
2. Landasan Teori
2.1. Efektifitas
Secara umum, para ahli mengartikan efektivitas sebagai tingkat pencapaian
sasaran dan tujuan yang telah ditetapkan sebelumnya [4]. Dalam penelitian ini,
ditetapkan acuan efektifitas, yaitu (1) dengan penggunaan media pembelajaran berbasis
multimedia dapat meningkatkan hasil belajar dibandingkan dengan kelas yang tidak
menggunakan media pembelajaran, dan (2) penggunakan media ini juga dapat
meningkatkan hasil belajar kelas dengan penggunaan media dibandingkan dengan kelas
tanpa media pembelajaran.
2.2. Multimedia Pembelajaran

Secara etimologis multimedia berasal dari bahasa Latin, yaitu dari kata “multi”
yang berarti banyak, bermacam-macam dan “medium” yang berarti sesuatu yang
digunakan untuk menyampaikan atau membawa sesuatu. Menurut Vaughan [5],
multimedia adalah “berbagai kombinasi dari teks, grafik, suara, animasi, dan video yang
disampaikan dengan menggunakan komputer atau alat elektronik lainnya”. Jadi,
Pengertian multimedia pembelajaran disini adalah alat bantu ajar yang menggabungkan
teks, audio, dan visual dan dibuat dengan bantuan komputer.
2.3. Motivasi Belajar

Dalam proses belajar mengajar, motivasi adalah sesuatu yang menggerakkan
atau mendorong siswa untuk belajar atau menguasai materi pelajaran yang sedang
diikutinya. Motivasi terbagi atas 2, yaitu (1) ekstrinsik, jenis motivasi ini disebabkan
karena dorongan dari luar dirinya seperti guru yang memberikan hadiah, pujia, atau
hukuman, dan (2) intrinsik, yaitu motivasi yang disebabkan dari dalam dirinya sendiri.
Motivasi yang ditingkatkan pada penelitian ini adalah motivasi ekstrinsik dengan
adanya dorongan dari dosen dalam bentuk penyampaian pelajaran yang menggunakan
multimedia pembelajaran [6].
174
ISBN: 978-602-72198-6-1
SENAMAS 2017
2.4. Hasil Belajar

Hasil belajar adalah istilah yang digunakan untuk menyatakan tingkat
keberhasilan yang dicapai seseorang setelah melakukan usaha tertentu. Hasil belajar
diartikan pula hasil optimal yang diperoleh melalui proses belajar mengajar [7].
Berdasarkan pengertian tersebut, maka pada penelitian ini hasil belajar didefinisikan
sebagai hasil dari proses belajar mengajar untuk mata kuliah dasar-dasar statistika pada
mahasiswa teknik informatika UNCP.
3.1. Jenis Penelitian
Metode penelitian yang digunakan dalam penelitian adalah eksperimen semu
(quasi experimental). Rancangan ini dipilih karena keadaan yang tidak memungkinkan
untuk mengontrol dan atau memanipulasikan semua variable yang relevan.
3.2. Populasi dan Sampel

Populasi pada penelitian ini adalah mahasiswa teknik informatika Universitas
Cokroaminoto Palopo yang memprogramkan mata kuliah dasar-dasar statistika. Adapun
sampel yang dipilih adalah dua kelas tahun ajaran 2016/2017 secara acak yang
mempunyai nilai pre-test yang homogen. Kedua kelas homogen ini akan diperlakukan
berbeda, kelas pertama atau kelas eksperimen yang terdiri dari 36 mahasiswa akan
diajar menggunakan media pembelajaran berbasis multimedia, sedangkan untuk kelas
kedua atau kelas kontrol yang terdiri dari 35 mahasiswa akan diajar dengan tidak
menggunakan media pembelajaran.
3.3. Instrumen Penelitian

Instrumen penelitian yang digunakan dalam penelitian ini ada 2, yaitu tes hasil
belajar (THB) yang merupakan tes essay untuk mengukur daya tangkap mahasiswa
terhadap materi yang diajarkan, dan angket untuk mengukur motivasi.
3.4. Prosedur Penelitian

Langkah-langkah dalam melakukan penelitian ini secara umum terbagi atas 3
tahap, yaitu tahap persiapan, tahap pelaksanaan, dan tahap analisis data dan penarikan
kesimpulan. Adapun tahapan tersebut adalah sebagai berikut:
3.4.1. Tahap Persiapan

Pada tahap persiapan, ada beberapa langkah yang perlu dilakukan, yaitu
melakukan studi literatur yang berhubungan dengan penelitian yaitu bagaimana
membuat THB, angket, statistika deskriptif dan independent sample t-test. Selanjutnya,
membuat media pembelajaran berbasis multimedia dengan sebelumnya mempelajari
kemampuan mahasiswa. Media yang dibuat merupakan media pembelajaran yang dapat
membantu mahasiswa dalam memahami materi perkuliahan dengan menggabungkan
antara audio, teks dan visual dalam satu media pembelajaran. Langkah terakhir dalam
175
ISBN: 978-602-72198-6-1
SENAMAS 2017
tahap ini adalah membuat THB dan angket yang dapat mengukur sejauh mana
kemampuan mahasiswa pada saat pembelajaran dengan menggunakan multimedia
pembelajaran dan yang tidak menggunakan media pembelajaran.
3.4.2. Tahap Pelaksanaan

Kedua, tahap pelaksanaan adalah salah satu tahap terpenting dalam penelitian
ini. Adapun yang perlu dilakukan pada tahap ini adalah melakukan proses belajar
mengajar (PBM) dengan sebelumnya membedakan antara kelas kontrol dan kelas
eksperimen. Kelas kontrol yaitu kelas dengan tidak menggunakan multimedia
pembelajaran dan kelas eksperimen adalah kelas yang menggunakan multimedia
pembelajaran. PBM dilakukan selama kurang lebih 10 pertemuan. Setelah PBM selesai
mahasiswa diberikan THB untuk mengukur tingkat pemahaman materi kuliah yang
diajarkan dan juga diberikan angket untuk mengukur motivasi belajar mahasiswa.
3.4.3. Tahap Analisis Data dan Penarikan Kesimpulan

Tahap terakhir, yaitu tahap analisis data dan penarikan kesimpulan. Langkah
yang perlu dilakukan pada tahap ini adalah melakukan analisis statistika deskriptif
dengan melihat ukuran pemusatan data dan ukuran penyebaran data pada masing-
masing kelompok kelas setelah data dikumpulkan. Lalu, melakukan analisis
independent sample t-test. Analisis ini digunakan untuk melihat perbandingan rata-rata
dua kelompok. Setelah pengujian kesamaan rata-rata dilakukan selanjutnya dilakukan
interpretasi hasil analisis yang secara umum menjelaskan apakah hipotesis diterima atau
ditolak, bagaimana deskriptif data pada kedua kelompok.
3.5. Teknik Analisis Data
Teknik analisis data yang digunakan ada 2 yaitu analisis data deskriptif untuk
melihat ukuran pemusatan dan ukuran penyebaran data dan uji statistika inferensial
yang ingin menguji hipotesis. Dalam pengujian hipotesis, analisis yang digunakan
adalah independent sample t-test. Sebelum dilakukan analisis ini, ada 2 asumsi yang
perlu dipenuhi yaitu data berdistribusi normal dan variansi populasi variabel harus
homogen sehingga terlebih dahulu dilakukan uji normalitas dan uji homogenitas
varians. Adapun uraian langkah-langkahnya adalah sebagai berikut:
3.5.1. Uji Normalitas dan Homogenitas Varians

Pengujian normalitas data hasil belajar siswa dimaksudkan untuk mengetahui
apakah data yang diteliti berasal dari populasi yang berdistribusi normal. Uji normalitas
untuk variabel baik kelompok eksperimen maupun kelompok kontrol melalui uji
normalitas Kolmogorov-Smirnov. Pengujian dilakukan pada taraf kebenaran α = 0.05,
dimana jika p>α maka dapat disimpulkan bahwa data yang diselidiki berdistribusi
normal.
Uji homogenitas varians dilakukan dengan menggunakan uji statistik Uji F, yang
bertujuan untuk mengetahui apakah kedua sub populasi di mana sampel diambil
mempunyai variansi yang sama. Menggunakan anava dari kelompok eksperimen dan
kelompok kontrol dengan memperoleh Fhitung dan nilai p, bila p>α pada taraf kebenaran
176
ISBN: 978-602-72198-6-1
SENAMAS 2017
α = 0.05 maka dapat disimpulkan bahwa kedua kelompok perlakuan berasal dari
populasi homogen.
3.5.2. Uji Perbandingan Rata-Rata

Dalam membandingkan rata-rata dari 2 populasi berbeda yang homogen
digunakan statistik t-test. Adapun rumus yang digunakan adalah
x x
t 1 2 (1)
1 1
s 
n1 n2
dimana pada persamaan (1),
s
 n1  1 s12   n2  1 s22
n1  n2  2

4.1. Hasil Analisis Statistika Deskriptif
Seperti yang telah dijelaskan sebelumnya, ada 2 kelas yang akan diteliti. Kelas
pertama adalah kelas yang diajar menggunakan media pembelajaran berbasis
multimedia atau disebut kelas eksperimen, dan kelas yang diajar dengan tidak
menggunakan media pembelajaran atau kelas kontrol. Penentuan kedua kelas ini
berdasarkan hasil pre-test yang dilakukan sebelumnya, dan hasil dari pre-test tersebut
didapatkan bahwa kemampuan kedua kelas ini homogen.
Tabel 1 di bawah menjelaskan tentang deskriptif dari variabel hasil belajar yang
diajar menggunakan multimedia pembelajaran dan tidak menggunakan media
pembelajaran.
Tabel 1. Statistika Deskriptif Hasil Belajar.

Statistik Eksperimen Kontrol
Ukuran sampel 36 35
Skor tertinggi 100 100
Skor terendah 50 40
Rata-rata 70.14 61.71
Variance 347.837 269.034
Range 50 60
Jika data tersebut dikelompokkan ke dalam 5 kategori hasil belajar, maka
diperoleh penyebaran data masing-masing sebagai berikut:
Tabel 2. Sebaran Skor Hasil Belajar.
Skor Kategori Frekuensi Frekuensi Kelas

Kelas Eksperimen
Kontrol
0 - 34 Sangat rendah 0 0
35 - 54 Rendah 0 8
55 - 64 Sedang 17 10
65 - 84 Tinggi 10 14
85 - 100 Sangat tinggi 9 3
177
ISBN: 978-602-72198-6-1
SENAMAS 2017
Pada tabel 2 terlihat bahwa perbedaan hasil belajar cukup berbeda dari distribusi
nilai. Secara umum, rata-rata nilai hasil belajar untuk kelas yang diajar menggunakan
media pembelajaran berbasis multimedia sedikit lebih tinggi dibandingkan kelas yang
tidak menggunakan media pembelajaran. Untuk kelas eksperimen, tidak ada satupun
mahasiswa mendapatkan nilai pada kategori rendah dan sebanyak 9 (25%) mahasiswa
yang mendapatkan nilai tinggi. Hal ini berbeda dengan kelas yang tidak menggunakan
multimedia, terdapat 8 mahasiswa yang berada pada kategori rendah dan hanya 3
(8,57%) mahasiswa yang mendapatkan nilai pada kategori tinggi.
Selanjutnya, pada tabel 3 akan disajikan statistika deskriptif dari variabel
motivasi belajar mahasiswa pada kelas eksperimen dan kelas kontrol.
Tabel 3. Statistika Deskriptif Motivasi Belajar.

Statistik Eksperimen Kontrol
Ukuran sampel 36 35
Skor tertinggi 4.03 3.93
Skor terendah 3.13 2.37
Rata-rata 3.51 3.31
Variance 0.034 0.118
Range 0.9 1.56
Data tersebut selanjutnya diklasifikasikan ke dalam 5 kelompok yang diberikan

pada tabel 4 di bawah:
Tabel 4. Sebaran Skor Motivasi Belajar.
Skor Kategori Frekuensi Frekuensi Kelas

Kelas Eksperimen
Kontrol
1.0 - 1.49 Tidak baik 0 0
1.5 - 2.49 Kurang baik 0 1
2.5 - 3.49 Cukup baik 20 19
3.5 - 4.49 Baik 16 15
4.5 - 5.0 Baik sekali 0 0
Rata-rata skor motivasi belajar dari kedua kelas tidak terlalu berbeda jauh, 3.51
untuk kelas eksperimen dan 3.31 untuk kelas kontrol seperti yang terlihat pada tabel 3.
Untuk distribusi data motivasi belajar pada tabel 4 terlihat bahwa jawaban yang
diberikan oleh kedua kelas berkisar pada kategori cukup baik dan baik. Lebih dari 50%
untuk kedua kelas yang memberikan jawaban cukup baik dan hanya 1 orang yang
menjawab kurang baik, yaitu pada kelompok kelas kontrol.
4.2. Hasil Analisis Statistika Inferensial

Setelah dijelaskan tentang deskripsi data dari kedua kelas, selanjutnya akan
dijelaskan hasil statistika inferensial yang merupakan metode untuk menjawab hipotesis
yang telah dirumuskan sebelumnya. Pada bagian ini, analisis akan dibagi menjadi 2
yaitu analisis prasyarat dan analisis perbandingan rata-rata. Analisis prasyarat dilakukan
untuk memenuhi asumsi-asumsi sebelum melakukan uji perbandingan rata-rata yang
terdiri dari pengujian normalitas dengan menggunakan Kolmogorov-Smirnov dan
pengujian homogenitas menggunakan Levene’s test untuk mengukur kehomogenan
varians. Sedangkan untuk perbandingan rata-rata digunakan t-test.
178
ISBN: 978-602-72198-6-1
SENAMAS 2017
Pengujian normalitas merupakan salah satu asumsi yang harus dipenuhi sebelum
melakukan t-test, tujuan dari analisis ini adalah untuk melihat apakah data berdistribusi
normal atau tidak. Dengan bantuan program SPSS didapatkan output sebagai berikut:
Tabel 5. Hasil Pengujian Normalitas.

Signifikansi Eksperimen Kontrol
p-value 0.240 0.373
Salah satu kriteria data berdistribusi normal adalah apabila p-value > α.
Berdasarkan tabel 5 diketahui bahwa nilai p-value untuk kedua kelompok (0.240 dan
0.373) lebih dari nilai α yang ditentukan, yaitu 0.05, sehingga berdasarkan kriteria
pengambilan keputusan, maka dapat disimpulkan bahwa data berdistribusi normal.
Selanjutnya, untuk hasil analisis prasyarat yang kedua akan ditampilkan dalam tabel 6 di
bawah:
Tabel 6. Hasil Pengujian Kehomogenan Varians.

Signifikansi Motivasi Belajar Hasil Belajar
p-value 0.100 0.387
Untuk pengujian homogenitas dilakukan per variabel untuk kedua kelompok

sehingga interpretasi dari hasil analisis menggambarkan homogen atau tidaknya masing-
masing variabel untuk tiap kelas. Variansi dikatakan homogen apabila p-value > α. Dari
tabel 6, diketahui bahwa untuk kedua variabel yang diteliti nilai p-value masing-masing
variabel lebih dari α = 0.05, yaitu 0.100 dan 0.387. Sehingga dapat dikatakan bahwa
variansi populasi kedua kelompok untuk skor hasil belajar adalah sama (homogen),
begitupun untuk variansi populasi untuk variabel motivasi belajar.
Dari kedua analisis prasyarat yang telah dilakukan, diperoleh hasil bahwa semua
asumsi telah dipenuhi yaitu data berdistribusi normal dan variansinya homogen
sehingga analisis akan berlanjut ke tahap selanjutnya, yaitu perbandingan rata-rata
menggunakan t-test.
Kriteria pengambilan keputusan untuk t-test adalah apabila p-value < α. Nilai α
yang diambil adalah 0.05. Untuk hasil perhitungan komputer, didapatkan output sebagai
berikut:
Tabel 7. Hasil Pengujian Perbandingan Rata-Rata

Signifikansi Motivasi Belajar Hasil Belajar
p-value 0.007 0.047
Dilihat dari tabel 1 dan 3 sebelumnya, diketahui bahwa terdapat perbedaan skor
rata-rata hasil belajar dan motivasi belajar, yaitu 70.14 untuk hasil belajar kelas
eksperimen dan 61.71 untuk kelas kontrol, sedangkan untuk rata-rata skor motivasi
belajar yaitu 3.51 untuk kelas eksperimen, dan 3.31 untuk kelas kontrol. Perbedaan skor
masih perlu dilakukan pengujian untuk melihat apakah perbedaan tersebut signifikan
atau tidak. Untuk itu dilakukan pengujian perbandingan rata-rata dengan bantuan
program untuk melakukan t-test. Hasilnya dapat dilihat pada tabel 7.
Berdasarkan tabel 7, dapat dilihat bahwa nilai p-value untuk motivasi belajar
sebesar 0.007 sedangkan untuk hasil belajar sebesar 0.047. Berdasarkan kriteria
179
ISBN: 978-602-72198-6-1
SENAMAS 2017
pengambilan keputusan, untuk variabel motivasi belajar nilai p-value < α. Hal ini berarti
bahwa ada perbedaan yang signifikan antara motivasi belajar pada kelas eksperimen
yaitu kelas yang diajar dengan menggunakan media pembelajaran berbasis multimedia
dibandingkan dengan kelas yang tidak menggunakan media pembelajaran.
Untuk variabel hasil belajar, nilai p-value yang didapatkan adalah 0.047 yang
juga kurang dari nilai α = 0.05 yang berarti, kesimpulan yang dapat diambil adalah
terdapat perbedaan hasil belajar yang signifikan antara kelas eksperimen dan kelas
kontrol.
Berdasarkan penelitian yang dilakukan oleh Miru [6] bahwa terdapat hubungan
yang positif dan signifikan antara motivasi belajar dan prestasi belajar instalasi listrik.
Hal ini mendukung hasil penelitian ini yang menyebabkan motivasi belajar kelas yang
diajar menggunakan media pembelajaran berbasis multimedia menjadi lebih baik
sehingga menghasilkan hasil belajar yang lebih baik juga. Penelitian yang sama juga
pernah dilakukan oleh Poerwanto [2] yang menggunakan multimedia pembelajaran
ketika mengajarkan materi geometri untuk memudahkan peserta didik
memvisualisasikan objek atau garis melalui ruang 3 dimensi yang banyak peserta didik
kesulitan ketika materi tersebut dijelaskan tanpa bantuan media pembelajaran.
Daftar Pustaka
[1] Haryoko, Sapto, 2009, Efektivitas Pemanfaatan Media Audio-Visual Sebagai
Alternatif Optimalisasi Model Pembelajaran, Jurnal Edukasi @Elektro 5(1), pp. 1-
10
[2] Poerwanto, Bobby, 2015, Meningkatkan Hasil Belajar Matematika Melalui

Penggunaan Media Berbasis Teknologi Informasi dan Komunikasi Pada Siswa
Kelas VIII6 SMP Negeri 17 Makassar. Jurnal D’Computare 6(1), pp. 12-34
[3] Rohendi, Dedi. Sutarno, Heri. Ginanjar, Mugi A., 2010, Efektivitas Metode
Pembelajaran Demonstrasi Terhadap Peningkatan Hasil Belajar Siswa Kelas X
Pada Mata Pelajaran Keterampilan Komputer dan Pengelolaan Informasi Di
Sekolah Menengah Kejuruan. Jurnal Pendidikan Teknologi Informasi dan
Komunikasi (PTIK) 3(1), pp. 16-18
[4] Ørngreen, Rikke. Noesgaard, Signe S., 2015, The Effectiveness of E-Learning: An
Explorative and Integrative Review of the Definitions, Methodologies and Factors
that Promote e-Learning Effectiveness. Electronic Journal of e-Learning 13(4),
pp. 278-290
[5] Vaughan, T., 1994, Multimedia: Making it Work (2nd ed.), USA: McGraw-Hill.
[6] Miru, Alimuddin S., 2009, Hubungan antara motivasi belajar terhadap prestasi
belajar Mata diklat instalasi listrik siswa SMK Negeri 3 Makassar. Jurnal
MEDTEK 1(1).
[7] Suryaningsih, 2007, Meningkatkan Hasil Belajar Matematika Melalui Pendekatan

Kooperatif Tipe Student Team Achievement Division (STAD) Pada Kelas VIID
SMP Negeri 33 Makassar, Skripsi. Makassar: FMIPA UNM.
180
ISBN: 978-602-72198-6-1
SENAMAS 2017
Pengaruh Pembelajaran Kooperatif Tipe Jigsaw

dengan Strategi SQ3R Terhadap Kemampuan
Pemecahan Masalah dan Disposisi Matematis Peserta
Didik SMP Negeri Ditinjau dari Kemampuan Awal
Matematika
Fatmawati, Suyono, Eti Dwi Wirianingsih
Universitas Negeri jakarta
Abstrak
Penelitian ini bertujuan untuk mengetahui pengaruh metode kooperatif Jigsaw dengan
SQ3R (Co-JSQ3R) terhadap kemampuan pemecahan masalah matematis dan disposisi
matematis peserta didik kelas VII pada semester genap tahun pelajaran 2016/2017.
Teknik pengambilan sampel dilakukan dengan teknik stratified random sampling.
Metode Penelitian yang digunakan pada penelitian ini adalah quasi eksperimen. Teknik
Pengumpulan data menggunakan instrumen tes dan angket. Analisis data menggunakan
ANAVA dua jalur dan uji-t.
Hasil penelitian menunjukkan bahwa (1) kemampuan pemecahan masalah matematis
peserta didik yang diajar dengan menggunakan metode Co-JSQ3R lebih tinggi daripada
metode ekspositori, (2) terdapat interaksi antara metode Co-JSQ3R dengan
kemampuan awal matematika terhadap kemampuan pemecahan masalah matematis
peserta didik, (3) terdapat perbedaan kemampuan pemecahan masalah matematis antara
peserta didik dengan kemampuan awal tinggi yang diajar dengan metode Co-JSQ3R
dan metode ekspositori, (4) tidak terdapat perbedaan yang signifikan kemampuan
pemecahan masalah antara peserta didik dengan kemampuan awal rendah yang diajar
dengan metode Co-JSQ3R dan metode eskpositori, (5) Disposisi matematis peserta
didik yang diajar dengan metode Co-JSQ3R lebih tinggi daripada metode ekspositori,
(6) terdapat interaksi antara metode Co-JSQ3R dan kemampuan awal matematika
terhadap disposisi matematis peserta didik, (7) terdapat perbedaan disposisi matematis
peserta didik dengan kemampuan awal matematika tinggi yang diajar dengan metode
Co-JSQ3R dan metode eskpositori, dan (8) tidak terdapat perbedaan yang signifikan
disposisi matematis antara peserta didik dengan kemampuan awal rendah yang diajar
dengan metode Co-JSQ3R dan metode ekspositori.
Kata Kunci : Pembelajaran Kooperatif Tipe Jigsaw, SQ3R, Kemampuan Pemecahan

Masalah, dan Disposisi Matematis
1. Pendahuluan
Hasil studi TIMSS (Trends in International Mathematics and Science Study)
TIMSS tahun 2011 menunjukkan penguasaan Matematika peserta didik Indonesia
menduduki peringkat 38 dari 41 negara dengan nilai rata-rata 386 jauh di bawah rata-
rata internasional TIMSS yang mencapai 500. Hal tersebut menunjukkan bahwa
kemampuan pemecahan masalah matematis peserta didik masih kurang memuaskan.
Menurut Anggoro (2014) peserta didik Indonesia memiliki kecenderungan lebih baik
dalam menyelesaikan berbagai soal matematis yang terkait dengan prosedur dan fakta.
Kemampuan pemecahan masalah peserta didik dapat dilihat dari kemampuannya
dalam memahami masalah. Pemahaman terhadap masalah membutuhkan keterampilan
181
ISBN: 978-602-72198-6-1
SENAMAS 2017
membaca tingkat tinggi, Keterbatasan peserta didik dalam memahami masalah

mengakibatkan peserta didik mengalami kegagalan untuk menemukan penyelesaian dari
masalah Matematika. Saat dihadapkan pada masalah matematis, peserta didik dituntut
untuk dapat mengambil makna yang tersirat di dalamnya, sehingga memudahkan proses
dalam menemukan solusi dari permasalahan tersebut. Sesuai dengan pernyataan Wade
dan Moje (Adams, Pegg & Case, 2010):
“Students who lack skill in comprehending mathematics text are perpetually reliant
on a more knowledgeable other, frequently a teacher, to explain the information
contained in their textbook or in mathematics problems that they are asked to
solve”.
Sejalan dengan pendapat Freitag (1997:17) membaca Matematika merupakan
suatu proses kompleks yang memerlukan keterampilan khusus seorang pembaca untuk
memahami apa yang dibaca. Pengembangan kemampuan membaca Matematika
berpotensi meningkatkan kemampuan matematis peserta didik. Peran guru Matematika
dibutuhkan dalam mengembangkan kemampuan membaca Matematika tersebut hingga
mereka merasa mampu untuk mempelajari Matematika secara mandiri.
Menurut Anderson (2009: 1) “problem solving is recognized as an important life
skill involving a range of processes including analyzing, interpreting, reasoning,
predicting, evaluating and reflecting”.
George Polya (2004) menjelaskan bahwa dalam memecahkan masalah diperlukan
langkah-langkah sistematis sebagai berikut: 1) memahami masalah yang dilakukan
dengan cara mengidentifikasi apa yang ditanyakan, data apa yang diketahui, syarat-
syarat yang diperlukan dalam kondisi masalah; 2) merencanakan penyelesaian masalah
dilakukan dengan menggambarkan pengetahuan sebelumnya yang berkaitan dengan
masalah untuk membuat kerangka teknik penyelesaian; 3) melaksanakan rencana
penyelesaian dilakukan dengan menggunakan teknik penyelesaian yang telah
ditentukan; 4) mengecek kebenaran dan penyelesaian yang telah dilakukan.
Salah satu model pembelajaran yang dapat digunakan untuk meningkatkan
kemampuan pemecahan masalah matematika peserta didik adalah model pembelajaran
Co-JSQ3R. Model pembelajaran Co-JSQ3R terdiri dari tahapan pembelajaran
kooperatif jigsaw dipadukan dengan strategi SQ3R (Survey, Question, Read, Recite dan
Review). Strategi SQ3R merupakan strategi yang terdiri dari lima langkah yaitu: survey,
question, read, recite dan review. Strategi ini pertama kali dikembangkan oleh Francis
P. Robinson pada tahun 1940-an di Universitas Negeri Ohio, Amerika Serikat.
Penerapan strategi SQ3R dalam bidang studi pendidikan matematika dicontohkan oleh
Sumarmo (2006) sebagai suatu strategi pembelajaran keterampilan membaca memindai,
membaca cepat, membaca pemahaman dan membaca ekstensif dalam matematika.
Ditinjau dari tuntutan kedalaman atau kompleksitas kegiatan matematika yang
termuat dalam teks yang dibaca, menurut Sumarmo (2006) dapat digolongkan dalam
dua jenis yaitu membaca matematika tingkat rnedah (low order mathematical reading)
dan membaca matematika tingkat tinggi (high order mathematical reading). Membaca
teks yang memuat operasi hitung sederhana, menerapkan rumus matematika secara
langsung merupakan beberapa contoh membaca matematika tingkat rendah. Sedangkan
membaca matematika yang memuat kemampuan memahami ide yang tersirat,
menyusun konjektur, analogi, dan generalisasi, memecahkan masalah tergolong
membaca matematika tingkat tinggi. Strategi membaca SQ3R merupakan strategi yang
dapat digunakan untuk membaca matematika tingkat rendah ataupun tingkat tinggi.
182
ISBN: 978-602-72198-6-1
SENAMAS 2017
Langkah-langkah SQ3R dalam matematika menurut Sumarmo adalah berikut: 1)

Survey, peserta didik dihadapkan pada suatu materi matematika atau tugas matematik
(soal matematika) dalam aspek kognitif tertentu. Kemudian siswa diminta membaca
secara cepat materi atau tugas bersangkutan dan mengidentifikasi hal-hal atau konsep-
konsep yang penting; 2) Question (tahap membaca dengan pemahaman), siswa diminta
menyusun pertanyaan yang mengarahkan siswa pada penyelesaian masalah; 3) Read
(tahap membaca ekstensif), tahap membaca kembali teks atau soal secara aktif untuk
menjawab pertanyaan yang telah disusun; 4) Recite, yaitu tahap menjawab pertanyaan
yang telah disusun; dan 5) Review, yaitu tahap memeriksa ulang jawaban untuk
meyakinkan kebenaran jawaban, kemudian membuat ringkasan dari konsep utama yang
dibahas dalam soal.
Penelitian Firmansyah (2012) yang mengkaji keefektifan model pembelajaran
kooperatif tipe SQ3R terhadap kemampuan pemecahan masalah peserta didik SMP
kelas VII. Hasil penelitian menunjukkan kemampuan pemecahan masalah peserta didik
yang belajar dengan model pembelajaran kooperatif tipe SQ3R lebih tinggi dari peserta
didik yang belajar dengan model pembelajaran konvensional.
Optimalisasi keaktifan peserta didik pada proses pembelajaran dapat dilakukan
dengan menerapkan strategi SQ3R pada model pembelajaran kooperatif tipe Jigsaw.
Pembelajaran kooperatif tipe Jigsaw merupakan model pembelajaran kooperatif dimana
peserta didik belajar dalam kelompok kecil yang beranggotakan 4-5 orang secara
heterogen dan bekerja sama saling ketergantungan yang positif. Setiap anggota
kelompok bertanggungjawab atas penguasaan bagian materi belajar pada kelompok ahli
dan mampu mengajarkan materi tersebut kepada anggota lain dalam kelompok inti.
Tahapan Jigsaw menurut Lestari (2015) terdiri dari: 1) Grouping, Membagi
peserta didik ke dalam beberapa kelompok belajar yang terdiri dari 4-6 orang peserta
didik yang heterogen; 2) Leader, Menentukan satu orang dari anggota kelompok
sebagai ketua kelompok (leader); 3) Partition, Membagi/mempartisi materi ke dalam 4-
6 subtopik dan masing-masing peserta didik memilih satu subtopik yang menjadi
tanggungjawabnya; 4) Expert Groups, Peserta didik yang mendapat topik yang sama
dengan peserta didik lain bergabung bersama dalam satu kelompok yang dinamakan
kelompok ahli. Peserta didik dalam kelompok ahli ini mendiskusikan satu topik yang
menjadi tanggung jawabnya dan mencatat poin-poin penting dalam topik tersebut; 5)
Sharing and presentation, Setelah selesai berdiskusi, kelompok ahli kembali ke
kelompok asal untuk membagi dan mempresentasikan hasil diskusinya. Pada tahap ini,
peserta didik saling melengkapi satu sama lain sehingga terbentuk suatu pengetahuan
yang utuh terhadap materi yang dipelajari.
Tahapan dasar pada pembelajaran jigsaw menurut Sharan (2012) terdiri dari
empat tahap, yaitu: 1) Pendahuluan, peserta didik membentuk kelompok inti dengan
anggota yang heterogen; 2) Eksplorasi terfokus, peserta didik dari kelompok inti
dikelompokkan pada kelompok ahli untuk mempelajari materi tertentu dengan tingkat
kesulitan yang berbeda; 3) Melaporkan dan menyusun ulang, peserta didik kembali pada
kelompok inti untuk menjelaskan gagasan yang dihasilkan dalam kelompok ahli; 4)
Integrasi dan evaluasi, guru merancang aktivitas individu, kelompok kecil, atau seluruh
kelas dimana peserta didik secara aktif menyatukan hasil belajar mereka.
Selain model pembelajaran, terdapat faktor lain yang dapat mempengaruhi
perkembangan kemampuan pemecahan masalah peserta didik, yakni faktor kemampuan
awal Matematika. Menurut Akinsola dan Odeyemi (2014), kemampuan awal dapat
mempengaruhi peserta didik dalam menginterpretasikan informasi baru dan
183
ISBN: 978-602-72198-6-1
SENAMAS 2017
memutuskan apakah informasi itu relevan atau tidak. Sejalan dengan pendapat Hewson
dan Hewson (akinsola & Odeyemi, 2014)
“teachers should assess students knowledge at the start of instruction, probing
for underlying asumptions and beliefs, challenge students common
misconceptions by providing examples that prove otherwise, tailored instructions
and explanations to accommodate individuals prior knowledge and experience
when possible”.
Hal tersebut menunjukkan dalam pembelajaran Matematika, kemampuan awal
Matematika memengaruhi interaksi peserta didik dengan materi pelajaran, dengan
melihat kemampuan awal Matematika peserta didik, guru dapat menentukan strategi
pembelajaran dalam mempelajari materi baru.
Menurut Asriadi & Sappaile (2015) kemampuan awal menggambarkan kesiapan
peserta didik dalam menerima pelajaran yang akan disampaikan oleh guru. Dengan
memiliki kemampuan awal tentang materi tertentu, siswa dapat dengan mudah
mempelajari materi baru yang akan diajarkan guru. Kemampuan peserta didik penting
untuk diketahui oleh guru sebelum pelajaran dimulai, karena dengan demikian dapat
diketahui peserta didik telah memiliki pengetahuan prasyarat untuk mengikuti
pembelajaran. Selain itu guru dapat melihat sejauh mana siswa telah mengetahui materi
yang akan disajikan.
Berdasarkan uraian di atas maka permasalahan yang akan dikaji dalam penelitian
ini adalah perbedaan kemampuan pemecahan masalah antara peserta didik yang belajar
dengan model Co-JSQ3R dengan peserta didik yang belajar dengan model ekspositori,
interaksi antara metode pembelajaran dan kemampuan awal Matematika terhadap
kemampuan pemecahan masalah Matematika, perbedaan kemampuan pemecahan
masalah Matematika peserta didik yang mendapat perlakuan menggunakan model
pembelajaran Co-JSQ3R dengan peserta didik yang yang belajar dengan model
ekspositori pada kategori kemampuan awal Matematika tinggi, dan perbedaan
kemampuan pemecahan masalah Matematika antara peserta didik yang mendapat
perlakuan menggunakan model pembelajaran Co-JSQ3R dengan peserta didik yang
belajar dengan model ekspositori pada kategori kemampuan awal Matematika rendah.
Penelitian dilaksanakan pada kelas VII (Tujuh) di salah satu SMP Negeri yang
berada di Kecamatan Pulogadung Jakarta Timur pada semester genap tahun pelajaran
2016/2017. Perlakuan pembelajaran dilakukan 8 kali pertemuan, dengan satu pertemuan
untuk tes kemampuan awal Matematika, 6 kali pertemuan proses pembelajaran, dan satu
pertemuan post test kemampuan pemecahan masalah dan pengisian angket disposisi
matematis.
Metode yang digunakan dalam penelitian ini yaitu metode eksperimen semu
(quasi experiment) dengan teknik pengambilan sampel menggunakan multistage
sampling. Sampel yang dipilih dikategorikan dalam dua kelompok, yaitu kelompok
eksperimen dan kelompok kontrol. Kelompok eksperimen diberi treatment
pembelajaran dengan menerapkan model pembelajaran Co-JSQ3R, sedangkan kelompok
kontrol diberikan pembelajaran dengan menerapkan model pembelajaran ekspositori.
Desain penelitian yang digunakan dalam penelitian ini adalah factorial design 2 x
2 treatment by level untuk tiap desain dengan empat variabel, yaitu satu variabel bebas,
satu variabel kontrol, dan dua variabel terikat. Variabel bebas yang dimaksud adalah
model pembelajaran, model pembelajaran pada kelas eksperimen peserta didik belajar
184
ISBN: 978-602-72198-6-1
SENAMAS 2017
dengan model Co-JSQ3R (S) dan pada kelas kontrol belajar dengan model konvensional
(E). Sedangkan variabel kontrol adalah kemampuan awal Matematika. Kemampuan
awal Matematika (KAM) peserta didik dibagi menjadi dua, yaitu kemampuan awal
Matematika tinggi (KT) dan kemampuan awal Matematika rendah (KR). Kemampuan
pemecahan masalah sebagai variabel terikat.
Tabel 1 Kerangka Penelitian

Model Pembelajaran terkait Kemampuan
Pemecahan Masalah (P)
Kemampuan Awal
Co-JSQ3R (S) Ekspositori (E)
Matematika (K)
Tinggi (KT) PSKT PEKT
Rendah (KR) PSKR PEKR
Instrumen tes yang digunakan pada penelitian ini adalah tes kemampuan
pemecahan masalah yang terdiri dari 2 butir soal dan tes kemampuan awal matematika
yang terdiri dari 20 soal. Instrumen tes tersebut telah dinyatakan valid oleh pakar dan
dilanjutkan validitas empiris serta reliabilitas. Validitas empiris dilakukan melalui
ujicoba terhadap 30 peserta didik. Reliabilitas instrumen tes kemampuan pemecahan
masalah diperoleh rhitung 0.876 dan instrumen tes kemampuan awal matematika
diperoleh rhitung 0.814, dengan demikian kedua instrumen tes dinyatakan valid dan
reliabel.
Teknik analisis data yang digunakan dalam penelitian ini adalah analisis kovarian
dua jalur (anava dua jalur). Uji prasyarat analisis terdiri dari uji normalitas
menggunakan uji Kolmogorov-Smirnov, sedangkan untuk uji homogenitas
menggunakan uji Lavene dengan bantuan SPSS 21.
3. Hasil Penelitian
1. Perbedaan skor kemampuan pemecahan masalah matematis antara peserta didik
yang belajar dengan model pembelajaran Co-JSQ3R dan model pembelajaran
ekspositori
Perbedaan kemampuan pemecahan masalah peserta didik yang belajar dengan
menggunakan model pembelajaran Co-JSQ3R dan model pembelajaran ekspositori secara
keseluruhan dapat diuji lanjut dengan uji-t terlihat pada tabel berikut ini:
Tabel 2 Hasil uji-t perbedaan skor kemampuan pemecahan masalah

matematis pada kelas eksperimen dan kontrol
Kelompok Perbedaan t Sig. Ho
Rata-rata
PS><PE 1.43750 2.861 0.005 Ditolak
Hasil uji-t manunjukkan bahwa nilai thitung = 2.861 dan ttabel = 1.671, karena hasil
thitung = 2.861 > ttabel = 1.671 maka Ho ditolak. Hal ini berarti bahwa terdapat perbedaan
skor kemampuan pemecahan masalah matematis peserta didik yang belajar dengan
185
ISBN: 978-602-72198-6-1
SENAMAS 2017
menggunakan model pembelajaran Co-JSQ3R dan skor kemampuan disposisi matematis

peserta didik yang belajar dengan model pembelajaran ekspositori.
2. Interaksi antara model pembelajaran dan KAM terhadap kemampuan pemecahan

masalah
Interaksi antara metode pembelajaran dan KAM terhadap kemampuan pemecahan
masalah dilakukan dengan menggunakan ANAVA dua jalur dengan hasil output SPSS
sebagai berikut:
Tabel 3 Hasil Uji ANAVA Dua Jalur Pengaruh model pembelajaran dan KAM
terhadap Kemampuan Pemecahan Masalah Matematis
Type III Sum of
Source Squares Df Mean Square F Sig.
a
Corrected Model 403.115 3 134.372 24.127 .000
Intercept 14381.510 1 14381.510 2582.286 .000
KAM 348.844 1 348.844 62.637 .000
Metode 25.010 1 25.010 4.491 .037
KAM * Metode 29.260 1 29.260 5.254 .024
Error 512.375 92 5.569
Total 15297.000 96
Corrected Total 915.490 95
a. R Squared = .440 (Adjusted R Squared = .422)
Hasil output SPSS tersebut menunjukkan nilai signifikansi interaksi antara model
pembelajaran dan KAM terhadap kemampuan pemecahan masalah yaitu 0.024. Nilai sig.
= 0.024 < 0.05 yang berarti bahwa ditolak. Hal tersebut menunjukkan bahwa
terdapat pengaruh interaksi antara model pembelajaran dan KAM terhadap kemampuan
pemecahan masalah matematis.
Secara visual interaksi antara model pembelajaran dan KAM terhadap kemampuan
pemecahan masalah dapat disajikan pada gambar berikut ini:
Gambar 1 Interaksi Antara model pembelajaran Co-JSQ3R dengan KAM Terhadap

Kemampuan Pemecahan Masalah
Gambar di atas menunjukkan bahwa model pembelajaran Co-JSQ3R memberikan

efek terhadap kemampuan pemecahan masalah matematis peserta didik. model
pembelajaran Co-JSQ3R lebih cocok diberikan kepada peserta didik dengan KAM tinggi
sedangkan peserta didik dengan KAM rendah lebih cocok belajar dengan model
pembelajaran ekspositori. Adapun grafik kedua garis tidak saling sejajar atau dengan kata
186
ISBN: 978-602-72198-6-1
SENAMAS 2017
lain kedua garis memiliki gradien yang berbeda. Karena kedua garis memiliki gradien
yang berbeda maka dapat dikatakan bahwa grafik garis tersebut memiliki interaksi.
3. Perbedaan skor kemampuan pemecahan masalah antara peserta didik yang belajar
dengan model pembelajaran Co-JSQ3R dengan model pembelajaran ekspositori pada
kategori KAM tinggi
Perbedaan skor kemampuan pemecahan masalah peserta didik yang belajar
dengan model pembelajaran Co-JSQ3R dan model pembelajaran ekspositori pada kategori
KAM tinggi dilakukan dengan menggunakan uji-t yang hasilnya disajikan pada tabel
berikut:
Tabel 4 Hasil Uji-t Perbedaan Kemampuan Pemecahan Masalah Pada
kategori KAM Tinggi
Kelompok Perbedaan t Sig. Ho
Rata-rata
PSKT><PEKT 2.125 3.238 0.002 Ditolak
Berdasarkan hasil penghitungan uji-t tersebut dapat dilihat bahwa peserta didik
dengan kategori KAM tinggi yang belajar dengan model pembelajaran Co-JSQ3R
diperoleh nilai thitung = 3.238 dengan nilai sig. (2 tailed) = 0.002 < 0.05, karena nilai sig.
< α maka hipotesis penelitian Ho ditolak. Hal tersebut menunjukkan bahwa terdapat
perbedaan kemampuan pemecahan masalah peserta didik kategori KAM tinggi yang
belajar dengan model pembelajaran Co-JSQ3R dan model pembelajaran ekspositori.
4. Perbedaan skor kemampuan pemecahan masalah antara peserta didik yang belajar
dengan model pembelajaran Co-JSQ3R dengan model pembelajaran ekspositori pada
kategori KAM rendah
Perbedaan skor kemampuan pemecahan masalah peserta didik yang belajar
dengan model pembelajaran Co-JSQ3R dan model pembelajaran ekspositori pada kategori
KAM rendah dilakukan dengan menggunakan uji-t yang disajikan pada tabel berikut:
Tabel 5 Hasil Uji-t Perbedaan Kemampuan Pemecahan Masalah Pada

Kategori KAM Rendah
Kelompok Perbedaan T Sig. Ho
Rata-rata
PSKR><PEKR 0.08333 0.118 0.906 Diterima
Hasil perhitungan uji-t dapat dilihat bahwa peserta didik KAM rendah yang
belajar dengan model pembelajaran Co.JSQ3R diperoleh nilai thitung = 0.118 dengan nilai
sig. (2 tailed) = 0.906 > 0.05. Karena nilai sig. > α maka hipotesis penelitian Ho
diterima. Hal tersebut menunjukkan bahwa tidak terdapat perbedaan kemampuan
pemecahan masalah peserta didik KAM rendah yang belajar dengan model pembelajaran
Co-JSQ3R dan model pembelajaran ekspositori.
187
ISBN: 978-602-72198-6-1
SENAMAS 2017
5. Pembahasan
Berdasarkan hasil pengujian hipotesis yang pertama membuktikan bahwa
kemampuan pemecahan masalah matematis pada kelompok yang belajar dengan model
pembelajaran Co-JSQ3R dan metode ekspositori terdapat perbedaan yang signifikan.
Hal ini memberikan gambaran bahwa model pembelajaran yang diterapkan cukup
berpengaruh terhadap skor kemampuan pemecahan masalah matematis. Hal ini
disebabkan pembelajaran dengan model pembelajaran Co-JSQ3R membuka peluang pada
peserta didik dalam mengkonstruksi pemahaman konsep melalui tanggung jawab yang
diberikan dalam menguasai materi yang telah ditentukan pada kelompok ahli.
Selanjutnya peserta didik dapat mengaplikasikan konsep-konsep yang telah terbentuk
dalam penyelesaian masalah dengan menggunakan tahapan SQ3R baik dengan teman
pada kelompok inti.
Hasil dari data dan pembahasan di atas, peserta didik menjadi lebih aktif dalam
memahami materi dan meningkatkan kemampuan pemecahan masalah matematis
dengan menggunakan model pembelajaran Co-JSQ3R dibandingkan dengan
menggunakan metode ekspositori yang biasa digunakan guru di sekolah SMP Negeri
saat ini. Peserta didik cenderung pasif pada pembelajaran dengan model pembelajaran
ekspositori dikarenakan peserta didik hanya sebatas menerima materi dari guru.
Berdasarkan hasil analisis data menunjukkan adanya interaksi antara model
pembelajaran dan kemampuan awal Matematika terhadap kemampuan pemecahan
masalah matematis. Adanya interaksi tersebut dapat dilihat pada Gambar 1, hal tersebut
menunjukkan bahwa model pembelajaran dan kemampuan awal Matematika secara
bersama-sama memberikan pengaruh yang signifikan terhadap kemampuan pemecahan
masalah matematis peserta didik. Temuan dalam penelitian ini menunjukkan bahwa
model pembelajaran Co-JSQ3R cocok untuk diterapkan sebagai salah satu pilihan metode
pembelajaran Matematika dalam meningkatkan kemampuan pemecahan masalah
matematis peserta didik yang memiliki kemampuan awal tinggi. Sedangkan peserta
didik yang memiliki kemampuan awal Matematika rendah lebih cocok menggunakan
model pembelajaran ekspositori.
Penggunaan metode Co-JSQ3R efektif bagi peserta didik yang memiliki
kemampuan awal Matematika tinggi. Hal ini disebabkan model pembelajaran Co-JSQ3R
memberikan kesempatan kepada peserta didik untuk membangun pemahaman terhadap
materi yang diberikan pada saat berada di kelompok ahli, dimana materi tersebut akan
dibutuhkan pada saat menyelesaikan masalah dengan menggunakan tahapan SQ3R.
Sementara peserta didik dengan kemampuan awal rendah mengalami kesulitan dalam
membentuk pemahaman terhadap materi.
Beradasarkan fakta yang telah dipaparkan, maka peneliti menyimpulkan secara
empiris bahwa metode pembelajaran memberikan pengaruh yang signifikan terhadap
kemampuan awal Matematika dalam mengembangkan kemampuan pemecahan masalah
matematis. Metode pembelajaran yang tepat dapat membantu peserta didik dalam
mengembangkan pengetahuan kognitif. Hal tersebut dapat dilihat dari perbedaan rata-
rata skor kemampuan pemecahan pada kelas eksperimen dan kelas kontrol. Berdasarkan
fakta tersebut dapat dinyatakan bahwa secara keseluruhan, metode pembelajaran dan
kemampuan awal Matematika memberikan pengaruh terhadap kemampuan pemecahan
masalah Matematika.
Berdasarkan hasil analisis data rata-rata skor kemampuan pemecahan masalah
matematis peserta didik yang belajar dengan model pembelajaran Co-JSQ3R lebih tinggi
daripada peserta didik yang belajar dengan model pembelajaran ekspositori. Berdasarkan
188
ISBN: 978-602-72198-6-1
SENAMAS 2017
data simpangan baku skor kemampuan pemecahan masalah matematis peserta didik
dengan kemampuan awal tinggi dan secara keseluruhan pada kelompok eksperimen
lebih menyebar atau homogen dibandingkan dengan kelas kontrol. Sedangkan peserta
didik dengan kemampuan awal Matematika rendah, simpangan baku skor rata-rata
kemampuan pemecahan masalah matematis kelas kontrol lebih menyebar dibandingkan
dengan kelas eksperimen.
Skor maksimum dan skor minimum kemampuan pemecahan masalah matematis
pada kelas eksperimen lebih tinggi dari pada skor maksimum dan skor minimum pada
kelas kontrol. Analisis data menunjukkan bahwa adanya perbedaan bagi peserta didik
dengan kemampuan awal Matematika tinggi yang belajar dengan menggunakan model
pembelajaran Co-JSQ3R memperoleh manfaat lebih besar dalam meningkatkan
kemampuan pemecahan masalah matematis dibandingkan dengan peserta didik dengan
kemampuan awal tinggi yang belajar dengan model pembelajaran ekspositori.
Berdasarkan paparan di atas maka metode Co-JSQ3R cocok digunakan dalam
meningkatkan kemampuan pemecahan masalah matematis pada peserta didik yang
memiliki kemampuan awal Matematika tinggi.
Peserta didik dengan kemampuan awal rendah menunjukkan hal yang berbeda,
tidak terdapat perbedaan yang signifikan antara skor rata-rata kemampuan pemecahan
masalah matematis peserta didik dengan kemampuan awal rendah yang belajar
menggunakan model pembelajaran Co-JSQ3R lebih rendah dibandingakan dengan
peserta didik dengan kemampuan awal rendah yang belajar menggunakan model
pembelajaran ekspositori. Hal ini tidak sesuai dengan hipotesis keempat bahwa terdapat
perbedaan yang signifikan mengenai kemampuan pemecahan masalah matematis
peserta didik dengan kemampuan awal Matematika rendah.
6. Kesimpulan
Berdasarkan hasil penelitian dan pembahasan dapat ditarik kesimpulan sebagai
berikut:
1. Kemampuan pemecahan masalah matematis kelompok peserta didik yang belajar
dengan model pembelajaran Co-JSQ3R lebih tinggi dari pada kelompok peserta didik
yang belajar dengan model pembelajaran ekspositori.
2. Terdapat interaksi antara model pembelajaran dengan kemampuan awal Matematika
terhadap kemampuan pemecahan masalah matematis.
3. Kemampuan pemecahan masalah matematis kelompok peserta didik yang mendapat
model pembelajaran Co-JSQ3R lebih tinggi daripada peserta didik yang belajar
dengan model pembelajaran ekspositori pada kategori kemampuan awal Matematika
tinggi.
Daftar Pustaka
[1] Adams, Anne. et al. (2015). Anticipation Guide: Reading for Mathematics
Understanding. Article vol.108. issue.7
online.http://www.nctm.org/Publications/mathematics-teacher/2015/
Vol108/Issue7/Anticipation-Guides_-Reading-for-Mathematics-Understanding/.
Diakses tanggal 10 Agustus 2016 pukul 19.54.
[2] Akinsola, M.K & Odeyemi, E.O (2014). “Effects of Mnemonic and Prior
Knowledge Instructional Strategies On Student’s Achievement In Mathematics”.
189
ISBN: 978-602-72198-6-1
SENAMAS 2017
International Journal of Education and Research. Vol.2, No.7, hal. 675-686.

online. http://www.ijern.com/journal/July-2014/54.pdf. Diakses tanggal 10
Agustus 2016 pukul 20.00.
[3] Anderson, Judi. (2009). Mathematics Curriculum Development and the Role of
Problem Solving. Article. ACSA Conference.
[4] Anggoro, Bambang Sri. (2014). “Mengembangkan Kemampuan Berpikir Kritis
dan Disposisi Matematis Siswa Melalui Metode Pembelajaran IMPROVE”.
Disertasi. Bandung: Universitas Pendidikan Indonesia (UPI).
[5] Asriadi & Sappaile. (2015). “Pengaruh Model Pembelajaran dan Bentuk Tes
Terhadap Hasil Belajar Matematika Dengan Mengontrol Kemampuan Awal
Siswa”. Jurnal Pendidikan Matematika Universitas Halu Oleo. Vol. 6, No, 1, hal
30-40. Sulawesi Tenggara: Universitas Halu Oleo.
[6] Azlina, Nur dan Masriyah. (2014) “Penerapan Metode Survey, Question, Read,
Recite, Record dan Review (SQ4R) Pada Materi Aritmatika Sosial di Kelas VII
SMPN Driyorejo Gresik”. Jurnal Mathedunesia. Vol.3 No.3. online.
http://ejournal.unesa.ac.id/index.php/mathedunesa/article/view/12839. Diakses
tanggal 10 Agustus 2016 pukul 20.30
[7] Firmansyah, Dian Teguh, dkk (2012). “Keefektifan Model Pembelajaran Tipe
SQ3R Terhadap Kemampuan Masalah Matematika Siswa Sekolah Menengah
Pertama Kelas VII”. Unnes Journal of Mathematical Education. Vol. 1 No.2.
[8] Freitag, Mark. (2002). Reading and Writing in the Mathematics Classroom. The
mathematics Educator. Vol. 8, No. 1, pp. 16-21. online
http://math.coe.uga.edu/tme/issues/v08n1/3freitag.pdf. Diakses tanggal 10
Agustus 2016 pukul 20.10.
[9] Lestari, Karunia Eka & Yudhanegara, M. Ridwan. (2015). Penelitian Pendidikan
Matematika. Karawang: PT. Refika Aditama.
[10] Mullis,I.V.S, Martin,M.O., Foy, Pierre., dan Aurora, A. (2012). TIMSS 2011
International Results in Mathematics. USA: TIMSS & PIRLS International Study
Center.
[11] Polya, George. (2004). How to Solve it: A New Aspect of Mathematical Method.
USA: Princeton Inuversity Press.
[12] Sharan, Shlomo. (2012). The Handbook of Cooperative Learning: Inovasi
Pengajaran dan Pembelajaran untuk Memacu Keberhasilan Siswa di Kelas.
Yogyakarta: Familia.
[13] Sumarmo, Utari. (2006). “Pembelajaran Keterampilan Membaca Matematika Pada
Siswa Sekolah Menengah. Article. Bandung: STKIP Siliwangi.
190
ISBN: 978-602-72198-6-1
SENAMAS 2017
Implementasi Ular Tangga Aljabar untuk

Pembentukan Karakter Ulet dan Cermat pada Siswa
Sekolah Menengah Pertama
M. Wijdan Hilmy Yahdiyani, Valentino Marcel Tahamata, Shulhan Fauzi,
Anas Sebtu Prawira, Veni Zuldhiviani Gutama
Universitas Diponegoro
Abstrak
Siswa Sekolah Menengah Pertama (SMP) memiliki potensi kesulitan dalam proses
pembelajaran matematika karena harus menemui sejumlah materi baru yang tidak
ditemui di jenjang pendidikan sebelumnya, salah satunya adalah materi aljabar. Aljabar
merupakan salah satu cabang dari ilmu matematika yang memiliki implikasi di
berbagai bidang kehidupan, khususnya pendidikan. Guna mengatasi permasalahan
tersebut, konsep aljabar harus diimplementasikan secara tepat sehingga siswa lebih
terbiasa dalam pengerjaan soal-soal ajabar. Siswa dituntut untuk ulet dan cermat agar
benar-benar memahami materi aljabar. Penelitian ini bertujuan untuk membentuk
karakter ulet dan cermat pada siswa SMP dengan implementasi konsep aljabar yang
mudah dipahami. Metode yang digunakan dalam penelitian ini adalah kuasi-
eksperimen dengan one-group pre-post-test design pada siswa SMP di Semarang. Ular
tangga aljabar dilibatkan sebagai media pembelajaran dan dilakukan pengukuran
tingkat keuletan dan kecermatan siswa baik sebelum maupun setelah pemberian media
pembelajaran. Hasil penelitian mengungkapkan terjadinya peningkatan keuletan dan
kecermatan siswa dalam materi aljabar secara signifikan. Penelitian ini diharapkan
dapat diimplementasikan secara masif dalam setiap jengjang pendidikan di Indonesia.
Kata Kunci : Aljabar, Cermat, Ular Tangga, Ulet
1. Pendahuluan
Matematika memiliki peranan penting dalam semua aspek kehidupan. Banyak
masalah dan kegiatan yang harus diselesaikan dengan ilmu matematika, seperti
menghitung, mengukur, dan sebagainya. Tujuan pembelajaran matematika di Sekolah
Menengah Pertama adalah agar (1) mempersiapkan siswa agar sanggup menghadapi
perubahan keadaan di dalam kehidupan yang selalu berkembang, melalui latihan
bertindak atas dasar pemikiran secara logis, rasional, kritis, cermat, jujur, efektif dan
efisien; (2) mempersiapkan siswa agar dapat menggunakan matematika dan pola
pikir matematika dalam kehidupan sehari-hari dan dalam mempelajari berbagai ilmu
pengetahuan; (3) siswa memiliki kemampuan yang dapat dialihgun akan melalui
kegiatan matematika; (4) siswa memiliki pengetahuan matematika sebagai bekal untuk
melanjutkan ke pendidikan menengah; (5) siswa memiliki keterampilan matematika
sebagai peningkatkan dan perluasan dari matematika sekolah dasar untuk dapat
digunakan dalam kehidupan sehari-hari; (6) siswa memiliki pandangan yang cukup
luas dan memiliki sikap logis, kritis, cermat, dan disiplin serta menghargai kegunaan
matematika [1].
Aljabar merupakan salah satu cabang matematika yang diajarkan ketika siswa
menempuh jenjang pendidikan menengah pertama. Siswa SMP sudah memasuki tahap
191
ISBN: 978-602-72198-6-1
SENAMAS 2017
perkembangan kognitif Piaget, yaitu Operasional Formal. Tahap ini anak akan jauh
lebih berpikir secara abstrak dan tingkat sintaksis yang simbang dengan orang dewasa,
sehingga secara natural anak akan mampu mempelajari aljabar dengan alamiah. Secara
natural anak mampu berpikir secara abstrak, namun anak tentulah harus diberikan
dorongan (scaffolding) dalam memunculkan kepiawaiannya dalam aljabar, sehingga
potensi yang dimiliki anak dapat berkembang menjadi kompetensi yang aktual [2].
Fakta yang terjadi saat ini sangat bertolak belakang dengan tujuan awal
matematika. Matematika menjadi mata pelajaran yang kurang disukai oleh siswa SMP
karena dianggap rumit dan membosankan, khususnya pada materi aljabar. Aljabar
merupakan salah satu materi matematika yang Ditambah lagi metode pengajaran
matematika saat ini masih banyak yang menggunakan metode ceramah, metode ini
kurang efektif apabila diterapkan untuk mempelajari matematika. Permasalahan tersebut
akan berdampak pada menurunnya tingkat keaktifan, keuletan, dan kecermatan pada
siswa. Karakter ulet dan cermat sangat dibutuhkan siswa untuk menyelesaikan
permasalahan matematika, maka dari itu diperlukan suatu metode yang tepat dan
menyenangkan untuk menyelesaikan permasalahan ini.
Salah satu model pembelajaran yang dapat mengaktifkan siswa adalah
pembelajaran kooperatif [3]. Terdapat beberapa tipe dalam pembelajaran kooperatif,
salah satunya adalah tipe Teams-Games-Tournament (TGT). Pada tipe ini terdapat
beberapa tahap yang harus dilalui selama proses pembelajaran. Tahap awal, siswa
belajar dalam suatu kelompok dan diberikan suatu materi yang dirancang sebelumnya
oleh guru. Setelah itu siswa bersaing dalam turnamen untuk mendapatkan penghargaan
kelompok. Selain itu terdapat kompetisi antar kelompok yang dikemas dalam suatu
permainan agar pembelajaran tidak membosankan.
Permainan ular tangga dapat digunakan untuk membentuk karakter siswa.
Secara tidak langsung banyak karakter yang terbentuk selama siswa mengikuti
permainan ular tangga. Melalui ular tangga, siswa diajak untuk berbagi bermain
dengan teman, tidak memonopoli, mau memberi kesempatan kepada teman, harus
mau diatur atau mengatur teman, serta tidak mudah merasa disisihkan atau sakit
hati. Dengan kata lain, permainan dapat digunakan untuk mengajarkan banyak hal,
tidak hanya pengetahuan saja tetapi mencakup moral, etika, dan karakter yang
berlaku dalam masyarakat dan lingkungannya [4].
Penulis menawarkan sebuah solusi dalam rangka pembentukan karakter ulet dan
cermat pada pelajar SMP yang menyenangkan. Ular tangga aljabar dengan konsep
pembentukan karater dengan konten permainan yang unik dan full color yang
menjadikan permainan lebih menarik. Harapannya dari ular tangga aljabar dapat
dijadikan media pembelajaran menyenangkan dan tidak membosankan yang diterapkan
pada seluruh sekolah yang ada di Indonesia.
2.1 Variabel Penelitian
Variabel adalah atribut atau sifat yang melekat pada subjek suatu penelitian
dimana terdapat variasi secara kuantitatif maupun kualitatif [5]. Adapun variabel
suatu penelitian harus nampak dan dapat terukur serta terobservasi [6]. Adapun
penelitian ini bermaksud untuk mengamati pengaruh dari suatu perlakuan.
Variabel-variabel yang dilibatkan dalam penelitian ini adalah sebagai berikut :
192
ISBN: 978-602-72198-6-1
SENAMAS 2017
a. Variabel Prediktor : Ular Tangga Aljabar

b. Variabel Kriterium 1 : Keuletan
c. Variabel Kriterium 2 : Kecermatan
2.2 Jenis Penelitian

Desain penelitian ini merupakan penelitian eksperimental dengan jenis
eksperimental quasi (semu). Penelitian eksperimental adalah suatu prosedur
penelitian yang dilakukan dengan memberikan perlakuan/intervensi pada subjek
penelitian, dengan tujuan menilai pengaruh suatu perlakuan pada variabel
independen terhadap variabel dependen.
2.3 Prosedur Penelitian
Post-
Ular Test
Tangga
Pre- Aljabar
Test
Gambar 1. Prosedur Penelitian
Penelitian ini dirancang dalam bentuk one group pre-test post-test design,
dimana terdapat pengukuran tingkat keuletan dan kecermatan subjek pada pre dan
post perlakuan yaitu permainan ular tangga aljabar. Kedua hasil pengukuran
nantinya akan dibandingkan untuk melihat signifikansi hasil penelitian ini.
2.4 Subjek Penelitian

Penelitian ini melibatkan metode Purposvie Sampling untuk merekrut subjek
penelitian. Penentuan sampel dilakukan dengan tahapan penentuan besar sampel
dengan menggunakan ukuran sampel untuk penelitian eksperimen sederhana, yang
menggunakan kelompok eksperimen tanpa kelompok kontrol, maka jumlah anggota
sampel sebanyak 37 partisipan. Untuk mengantisipasi drop out atau subyek yang
tidak taat, maka peneliti melakukan koreksi terhadap besar sampel, dengan
menambahkan sejumlah subyek agar besar sampel tetap terpenuhi, menggunakan
perhitungan sebagai berikut:
Adapun kriteria inklusi bagi sampel antara lain :
a. Pelajar Sekolah Menengah Pertama di Semarang
b. Mendapatkan pelajaran matematika dalam hal ini aljabar sesuai kurikulum yang
berlaku
Selain kriteria inklusi, penelitian ini menetapkan sejumlah kriteria eksklusi :
a. Tidak pernah atau sedang mendapatkan intervensi serupa
b. Menolak menjadi sampel penelitian
193
ISBN: 978-602-72198-6-1
SENAMAS 2017
2.5 Analisis Data Penelitian

Metode analisis data yang akan digunakan adalah metode statistik karena
metode ini merupakan metode ilmiah untuk mengumpulkan, menyusun,
menyajikan serta menganalisis data penelitian yang berwujud angka dan metode
statistik dapat memberikan hasil yang objektif. Seluruh komputasi dalam penelitian
ini dilakukan dengan bantuan program komputer versi terbaru SPSS Predictive
Analytics Software Statistik (PASW) 18.0. Teknik analisis data yang digunakan
dalam penelitian ini adalah Analisis Regresi (Anareg). Anareg digunakan karena
sesuai dengan tujuan penelitian yaitu korelasi antar variabel bebas dan tergantung
serta mengetahui seberapa besar sumbangan efektifnya. Teknik analisis regresi
digunakan untuk mengadakan prediksi besarnya variasi yang terjadi pada variabel
yang terjadi pada variabel Y berdasarkan variabel X, menentukan bentuk hubungan
antara variabel X dan, variabel Y dan variabel Z, dan menentukan arah dan
besarnya koefisien korelasi antara variabel X dengan variabel Y dan variabel Z [7].
Analisis penelitian ini menggunakan analisis regresi sederhana dengan
menggunakan program komputer versi terbaru SPSS Predictive Analytics Software
Statistik (PASW) 18.0. Asumsi yang harus dipenuhi untuk melakukan analisa data
dengan teknik analisis regresi sederhana adalah:
1. Uji Normalitas
Uji normalitas dipakai untuk menguji apakah data subjek penelitian
mengikuti suatu distribusi normal statistik [8]. Uji normalitas dengan
menggunakan teknik statistik uji Kolmogorof Smirnov dalam program versi
terbaru SPSS Predictive Analytics Software Statistik (PASW) 18.0
2. Uji Linearitas
Uji linieritas merupakan suatu prosedur yang digunakan untuk
mengetahui status linier tidaknya suatu distribusi data penelitian. Hubungan
linearitas akan ditandai dengan adanya kesamaan perubahan variasi yang
berupa penurunan maupun kenaikan yang terjadi pada variabel bebas maupun
variabel terikat [7]. Analisis data dilakukan dengan menggunakan bantuan
versi terbaru SPSS Predictive Analytics Software Statistik (PASW) 18.0
dengan ANOVA.

3.1 Ular Tangga Aljabar
1. Dadu dan Gelas
Dadu dan gelas merupakan hal yang wajib ada dalam sebuah permainan
ular tangga. Dadu yang biasanya terdiri dari angka 1, 2, 3, 4, 5, 6 tetapi dadu
pada ular tangga aljabar ini terdiri dari angka -3, -2, -1, 1, 2, 3. Dadu tersebut
bernilai positif dan negatif yang bertujuan untuk meningkatkan kemampuan
berhitung terhadap operasi penjumlahan dan pengurangan, yaitu positif
dengan positif, positif dengan negatif, dan negatif dengan negatif.
194
ISBN: 978-602-72198-6-1
SENAMAS 2017
Gambar 2. Dadu dan Gelas SilaMatika Education
2. Papan Aljabar Sederhana

Papan yang berisi persamaan aljabar sederhana dengan variabel “x” yang
masih belum diketahui dan nantinya diganti dengan nilai dari dadu. Pemain
tidak akan menduga apakah akan maju atau mundur karena setiap kotak pada
papan berbeda persamaan aljabarnya. Hal ini akan menambah keseruan dan
melatih berfikir cermat dalam mensubstitusi nilai “x” kedalam persamaan
yang ada.
Gambar 3. Papan Tampak Atas dengan Persamaan Aljabar

Papan yang dibuat melingkar dapat bermanfaat untuk meningkatkan
kepercayaan diri serta membentuk karakter ulet. Pemain hanya bisa naik ke
tingkat selanjutnya ketika bidak tepat pada tangga dan akan turun ketika
bidak tepat pada ular.
195
ISBN: 978-602-72198-6-1
SENAMAS 2017
3.2 Pengujian dengan SPSS

Tabel 1. One-Sample Statistics
Tabel 2. One-Sample Test
Tabel 3. One-Sample Kolmogorov-Smirnov Test
Berdasarkan hasil data di atas, dapat diketahui hasil uji di atas

menunjukkan bahwa t hitung = 61.488. T tabel diperoleh dengan df = 36, sig 5%
(1 tailed) = 1.684. Karena – t tabel < dari t hitung (-1.684 < 61.488), maka Ho
diterima, artinya tingkat keberhasilan belajar siswa dalam aljabar paling tinggi
70% tidak terbukti, bahkan lebih dari yang diduga yaitu sebesar 74.3489.
Sedangkan hasil uji normalitas data menunjukkan nilai Kol-Smirnov sebesar
0.600 dan Asymp. Sig tidak signifikan yaitu sebesar 0.864 (> 0.05), sehingga
dapat disimpulkan data berdistribusi normal. Data ini menunjukkan bahwa Ular
Tangga Aljabar dapat meningkatkan kemampuan belajar aljabar siswa.
4. Simpulan dan Saran

4.1 Simpulan
Ular tangga aljabar merupakan salah satu sarana untuk mengembangkan
potensi siswa SMP dalam belajar materi aljabar. Selain itu dengan konsep
pembentukan karakter, diharapkan dapat terbentuk karakter ulet dan cermat. Ular
tangga aljabar ini dapat dijadikan media pembelajaran bagi guru-guru di seluruh
Indonesia untuk mempermudah mengajarkan materi aljabar. Berdasarkan uji
menggunakan SPSS, ular tangga aljabar ini dapat meningkatkan kemampuan
belajar aljabar pada siswa SMP.
196
ISBN: 978-602-72198-6-1
SENAMAS 2017
4.2 Saran
Ular tangga aljabar masih perlu dikaji lagi untuk dibuat sesuai tingkat
kesulitan agar dapat dimainkan oleh jenjang sekolah yang lebih tinggi. Untuk
mencapai keefektifitasan dalam pembelajaran aljabar dan pembentukan karakter
ulet dan cermat maka siswa harus didampingi oleh guru agar dapat memainkan
sesuai dengan panduan yang benar.
Daftar Pustaka
[1] Suherman, Erman, dkk., 2003, Strategi Pembelajaran Matematika
Kontemporer, Bandung: Jurusan Pendidikan Matematika FMIPA Universitas
Pendidikan Indonesia.
[2] Papalia, Diane E. & Olds, Sally W., 2011, Experience Human Development, New
York: McGraw Hill.
[3] Lie, Anita., 2002, Cooperatif Learning: Mempraktikkan Cooperatif Learning di

Ruang-Ruang Kelas, Jakarta: Grasindo.
[4] Rahaju, 2015, Peran Permainan Ular Tangga dalam Pembentukan Karakter pada
Pembelajaran Matematika Realistik, Prosiding Seminar Nasional Matematika dan
Pendidikan Matematika UMS.
[5] Azwar, S., 2015, Validitas dan Reliabilitas, Pustaka Pelajar., Yogyakarta.
[6] Purwanto., 2008, Metodologi Penelitian Kuantitatif, Pustaka Pelajar., Yogyakarta.
[7] Winarsunu, T., 2010, Statistik dalam Penelitian Psikologi dan Pendidikan, UMM
Press., Malang.
[8] Santosa, S., 2012, Analisis SPSS pada Statistik Parametrik, Elex Media., Jakarta
197
ISBN: 978-602-72198-6-1
SENAMAS 2017
Proses Berpikir Kreatif Siswa Sekolah Dasar dalam

Menyelesaikan Masalah Matematika ditinjau dari
Gaya Belajar Kinestetik
La Suha Ishabu, S.Pd., M.Si
Universitas Pattimura Ambon
Email: lasuha.ishabu@yahoo.co.id
Abstrak
Tujuan utama penelitian ini adalah untuk mendeskripsikan proses berpikir
kreatif siswa Sekolah Dasar yang memiliki gaya belajar Kinestetik dalam
menyelesaikan masalah matematika.
Jenis penelitian ini adalah bersifat eksploratif dengan pendekatan Kualitatif.
Subyek dalam penelitian ini adalah siswa kelas V SD. Untuk mendapatkan subyek
penelitian, yang pertama melakukan Tes Kemampuan Siswa (TKS) dan yang Kedua
melakukan Tes Gaya Belajar (TGB). Berdasarkan hasil (TKS) dan (TGB) kemudian
dikategorikan sebagai Subyek Penelitian (SP). Untuk memperoleh data penelitian, agar
tujuan penelitian ini tercapai maka diberikan Tes Pemecahan Masalah Matematika
(TPMM) yang berbentuk open endid. (TPMM) ini diberikan kepada (SP) dan setiap
langkah/tahap dalam menyelesaikan (TPMM) dilakukan wawancara mendalam. Untuk
mendapatkan keajegan data maka diberikan kepada siswa (TPMM1) dengan
wawancara I, serta (TPMM2) dengan wawancara II. Data Hasil penyelesaian siswa
pada (TPMM1) dengan wawancara 1, dan (TPMM2) dengan wawancara 2, kemudian
diolah secara mendalam, apakah ada Subyek Penelitian (SP) yang memiliki tiga
perilaku kreatif, yaitu (1). Kelancaran (fluency), (2). Keluwesan (flexibility), (3).
Kebaruan (Novelty). Kesimpulan dari penelitian ini adalah Subyek yang memiliki gaya
belajar kinestetik memenuhi indikator (fluency), (flexibility). Hal ini diperoleh dari hasil
pekerjaan Tes Pemecahan Masalah Matematika dan wawancara menunjukkan adanya
kemampuan menyelesaikan masalah dengan memberi pendekatan (lebih dari satu)
jawaban dengan benar, tetapi tidak memenuhi indikator kebaruan (Novelty).
Kata Kunci: Proses berpikir kreatif, Gaya Belajar, dan Masalah Matematika
198
ISBN: 978-602-72198-6-1
SENAMAS 2017
1. Pendahuluan
Proses terjadinya Pemecahan masalah, menimbulkan upaya untuk berpikir.
Menurut Vogel, 1986:184) berpikir sebagai salah satu fungsi otak sangat penting dalam
kehidupan manusia. Hampir tidak ada aktivitas kehidupan manusia yang tidak
membutuhkan berpikir, bahkan bermimpi selama tidur juga merupakan suatu bentuk
berpikir. Keterkaitan antara berpikir dengan pemecahan masalah terjadi silang pendapat
diantara para ahli. Sebagian ahli menganggap bahwa berpikir merupakan aktivitas seperti
peredaran darah. Selanjutnya ilmuwan lain berpendapat bahwa berpikir selalu
berhubungan dengan pemecahan masalah. Hubungan berpikir dengan pemecahan
masalah melahirkan empat tahap pemecahan masalah menurut (Polya, 1973) yaitu,
memahami masalah yang dihadapi, merencanakan, melaksanakan dan memeriksa
kembali penyelesaian masalah yang telah dibuat.
Berpikir merupakan aktivitas mental yang diwujudkan dalam bentuk perilaku.
Hal ini sesuai dengan pendapat (Solso, 1995) bahwa berpikir yang terjadi dalam otak
manusia adalah proses mental yang tidak bisa diamati secara langsung, tetapi dapat
diketahui dari tingkah laku yang diperlihatkan sehingga dapat disimpulkan bahwa
seseorang tersebut sedang berpikir.
Pemikiran merupakan proses, cara, atau perbuatan memikir. Proses berpikir
merupakan urutan kegiatan mental yang terjadi secara alamiah atau terencana dan
sistematis yang menghasilkan suatu perubahan terhadap objek yang dipikirkan. Menurut
(Tilaar 2012:51) bahwa proses berpikir merupakan suatu aspek dari eksistensi manusia,
kemampuan untuk mewujudkan eksistensinya itu adalah dengan jalan berpikir.
Berpikir merupakan suatu aktivitas mental yang diwujudkan dalam bentuk
perilaku yang dapat digunakan seseorang untuk membangun suatu ide, atau gagasan
yang terjadi melalui suatu masalah atau situasi tertentu yang harus dipecahkan. Berpikir
kritis dan berpikir kreatif merupakan perwujudan dari berpikir tingkat tinggi (hight Order
Thinking). Menurut Krulik dan Rudnick (1999:138) bahwa reasoning merupakan
bagian berpikir yang berada di atas level Retention atau Recall (Retensi atau mengingat).
Reasoning meliputi: basic thinking criticall thinking and creative thinking. Hubungan
antara retention dan reasoning dapat diilustrasikan bahwa reasoning meliputi basic
thingking and Higher-order thingking skills. Higher-order thinking skills meliputi criticall
thinking dan creative Thinking. Retention thinking Skill merupakan tingkatan berpikir
yang paling rendah. Kemampuan berpikir tingkat tinggi merupakan kompetensi kognitif
tertinggi yang perlu dikuasai siswa di Kelas. Berpikir kritis dapat dipandang sebagai
kemampuan berpikir siswa untuk membandingkan dua atau lebih informasi, misalkan
informasi yang diterima dari luar dengan informasi yang dimiliki. Jika terdapat
perbedaan atau kesamaan, maka ia akan mengajukan pertanyaan atau komentar dengan
tujuan untuk mendapatkan penjelasan. Jadi berpikir kritis sering dikaitkan dengan
berpikir kreatif
Berpikir Kreatif merupakan hasil sebuah latihan. Berpikir kreatif harus dilatih
dengan sungguh-sungguh untuk menghasilkan produk yang baru. Seseorang dapat
menjadi kreatif dengan jalan melatih diri untuk berpikir. Menurut dePoter (dalam Pasiak,
2002:223) ada tiga langkah penting dalam melatih berpikir kreatif seseorang, sebagai
berikut: 1). Dalam berpikir jangan puas dan jangan menerima apa adanya. 2). Jangan
terpaku pada satu jalan. 3). Pertajam rasa ingin tahu. Ini berarti bahwa berpikir kreatif
bukanlah sebuah proses yang sangat terorganisasi, melainkan sebuah kebiasaan dari
pikiran yang dilatih dengan memperhatikan intuisi, menghidupkan imajinasi,
199
ISBN: 978-602-72198-6-1
SENAMAS 2017
mengungkap kemungkinan yang baru, membuka sudut pandang yang menakjubkan dan
membangkitkan ide-ide yang tak terduga.
Kwik Kian Gie, (2003) menyatakan bahwa berpikir kreatif adalah suatu
rangkaian tindakan yang dilakukan orang dengan menggunakan akal budinya untuk
menciptakan buah pikiran baru dari kumpulan ingatan yang berisi berbagai ide,
keterangan, konsep, pengalaman dan pengetahuan. Pengertian ini menunjukkan bahwa
berpikir kreatif ditandai dengan penciptaan sesuatu yang baru dari hasil berbagai ide
keterangan, konsep, pengalaman dan pengetahuan yang tertera dalam pikirannya.
Selanjutnya menurut (Guilford, 1967), bahwa kemampuan berpikir kreatif harus
bersifat divergen yang meliputi kelancaran berpikir, keaslian berpikir dan
elaborasi. Pendapat tersebut sejalan dengan (Silver, 1997), bahwa kemampuan kreatif itu
dapat dibangkitkan melalui masalah yang memacu lima perilaku kreatif, yaitu kefasihan
(fluency), Keluwesan (flexibility), Keaslian (Originality), Keterperincian (Elaboration),
dan Kepekaan (Sensitivity). Pada penelitian ini proses berpikir kreatif dapat
dibangkitkan melalui masalah yang memacu tiga perilaku kreatif, yaitu (1). Kelancaran
(fluency), (2). Keluwesan (flexibility), (3). Kebaruan (Novelty).
Ketika guru mengkontruksi siswa pada Proses berpikir kreatif dalam
pemecahan masalah maka guru perlu gaya belajar siswa. Guru tidak bisa memaksakan
seorang siswa untuk mengikuti cara-cara belajarnya. Di dalam proses belajar mengajar
Guru harus bersifat fleksibel, artinya guru harus mengikuti gaya belajar yang dikehendaki
siswanya. Setiap siswa memiliki kecenderungan dengan gaya belajar masing-masing.
Kemampuan siswa dalam menangkap materi pelajaran tergantung dari gaya belajarnya.
Banyak siswa menurun prestasi belajarnya di sekolah disebabkan, karena siswa dipaksa
belajar tidak sesuai dengan gaya belajarnya. Siswa akan mudah menguasai materi
pelajaran dengan menggunakan cara (gaya) belajar mereka masing- masing.
Rita Dunn (dalam Deporter dan Hernacki, 2002), dalam penelitiannya telah
menemukan banyak variable yang mempengaruhi cara berpikir dan belajar seseorang
yang mencakup faktor fisik, emosional, sosiologis dan lingkungan. Ada siswa yang dapat
belajar dengan baik pada cahaya yang terang, sedang sebagian yang lain dengan
pencahayaan yang suram. Selanjutnya ada orang yang senang belajar dengan cara
berkelompok, yang lain lagi merasa bahwa bekerja sendirilah yang paling efektif. Dan
sebagian yang lain dapat belajar dengan figur otoriter, seperti orang tua, atau guru, yang
lain dapat belajar dengan memerlukan music sebagai latar belakangnya, sebagian yang
lain memerlukan ruangan yang sepi. Ada orang yang memerlukan lingkungan kerja yang
teratur dan rapi, tetapi sebagian yang lain lagi lebih suka menggelar segala sesuatunya
supaya dapat terlihat. Menurut Deporter dan Hernacki (2002), gaya belajar adalah
kombinasi dari menyerap, mengatur, dan mengolah informasi. Terdapat tiga jenis gaya
belajar berdasarkan modalitas yang digunakan individu dalam memproses informasi
(perceptual modality) yaitu Gaya belajar Visual adalah belajar dengan cara
melihat, gaya belajar Kinestetik adalah belajar dengan cara mendengar dan gaya belajar
kinestetis adalah gaya belajar dengan cara bergerak, bekerja dan menyentuh. Dengan
demikian ada keterkaitan antara gaya belajar dengan proses berpikir seseorang dalam
menyelesaikan masalah Matematika.
Berdasarkan rentang atau waktu yang cukup pendek dalam penelitian ini maka
penelitian cukup mengkaji “ Poses berpikir kreatif siswa sekolah dasar dalam
menyelesaikan masalah matematika dilihat dari gaya belajar Kinestetik.
200
ISBN: 978-602-72198-6-1
SENAMAS 2017
Penelitian ini bermaksud memperoleh deskripsi tentang proses berpikir
kreatif siswa dalam menyelesaikan Masalah yang muncul dari subyek penelitian. Untuk
memperoleh deskripsi tentang proses berpikir kreatif siswa dalam menyelesaikan
masalah, diberikan tes pemecahan masalah yang berbentuk open endid. Hasil tes dari
siswa akan dianalisis secara mendalam berdasarkan indikator proses berpikir kreatif
siswa. Oleh karena itu jenis penelitian ini adalah penelitian eksploratif yang bersifat
kualitatif dengan data utama berupa tulisan (hasil tes tertulis) dan kata kata hasil
wawancara berbasis tugas (the task-based interview), serta data hasil pengamatan.
Subjek dalam penelitian ini adalah siswa kelas V SD di Kota ambon.
Dipilihnya siswa kelas V, dengan alasan: (1) siswa mempunyai ”cukup” pengetahuan dan
pengalaman dalam materi-materi matematika dasar, karena telah melewati materi- materi
dasar, seperti bilangan Asli, bilangan cacah, bilangan bulat, bilangan Rasional, dan
geometri khususnya bangun datar dan bangun ruang. (2). Materi materi tersebut di atas
merupakan materi pendidikan dasar yang memacuh untuk berpikir kreatif yang nantinya
menjadi pijakan untuk tingkatan selanjutnya. (3). Tes gaya belajar yang sudah baku, akan
memperlihatkan kecenderungan siswa terhadap gaya belajarnya yaitu gaya belajar
Visual, Kinestetik dan Kinestetik. (4). Jika dilihat dari gaya belajarnya, maka siswa pada
tingkat sekolah dasar, akan cenderung menampakan sikap yang sebenarnya dalam proses
belajar mengajar, sehingga dapat terlihat ciri-ciri siswa yang memiliki gaya belajar
Visual, Auditori dan Kinestetik.
Instrumen yang digunakan dalam penelitian ini terdiri dari dua jenis yaitu
peneliti sendiri sebagai instrument utama dan dan Instrumen bantu.
Analisis data merupakan proses mencari dan menyusun secara sistimatis data
yang diperoleh dari hasil pekerjaan tertulis siswa, hasil wawancara, catatan lapangan dan
dokumentasi, dengan cara mengorganisasikan data ke dalam kategori, menjabarkan ke
dalam unit-unit, melakukan sintesa, menyusun ke dalam pola, memilih mana yang
penting dan yang akan dipelajari, dan membuat kesimpulan sehingga mudah dipahami
oleh diri sendiri atau oleh orang lain (Sugiyono, 2005).
Data yang telah diperoleh kemudian dianalisis yang dimulai dengan melakukan
transkrip data, hasil pengamatan dan hasil wawancara. Transkrip data dilakukan
berdasarkan hasil rekaman handycam dan hasil pekerjaan subyek. Selanjutnya dilakukan
pengkodean (coding) data, langkah ini diambil untuk mempermudah pengkategorian dan
menjaga data tetap dalam tujuan penelitian. Setelah transkrip data selesai, maka
selanjutnya melakukan uji reliabilitas data, untuk memperoleh data reliabel (konsisten)
dan selanjutnya data tersebut dianalisis. Analisis data dalam penelitian ini mencakup
Kategorisasi data, reduksi data, Interpretasi data, dan penarikan kesimpulan.

Berdasarkan hasil Tes dan wawancara peneliti dan guru kelas, bahwa siswa
kelas Vc Kalam Kudus Ambon sebanyak 16 orang. Laki-laki berjumlah 6 orang dengan
rincian, siswa laki-laki yang memiliki gaya Belajar Visual sebanyak 0 orang (tidak ada),
Auditori sebanyak 3 orang dan Kinestetitik sebanyak 3 orang. Selanjutnya siswa
perempuan sebanyak 9 siswa dengan rincian siswa yang memiliki Gaya Belajar Visual
sebanyak 1 orang, Auditori sebanyak 4 orang dan Kinestetik sebanyak 4 orang. Dari 4
siswa perempuan yang memiliki gaya belajar Kinestetik, selanjutnya diambil satu siswa
sebagai subyek penelitian. Pengambilan subyek ini didasarkan pada nilai tes kemampuan
siswa tertinggi. Kemudian untuk melihat Proses berpikir kreatif siswa dalam
201
ISBN: 978-602-72198-6-1
SENAMAS 2017
menyelesaikan masalah matematika dalam penelitian ini dapat dilihat melalui masalah
yang memacu tiga perilaku kreatif, yaitu Kelancaran (fluency), Keluwesan (flexibility),
dan Kebaruan (Novelty). Hal ini dapat dijelaskan bahwa (1). Penyelesaian
masalah matematika yang memenuhi indikator kelancaran jika siswa menyelesaiakan
masalah matematika yang memungkinkan dijawab lebih dari satu jawaban yang benar.
(2). Penyelesaian masalah matematika yang memenuhi indikator Keluwesan jika siswa
dalam menyelesaikan masalah matematika dapat menggunakan bermacam-macam
pendekatan (lebih dari satu), dengan benar. (3). Penyelesaian masalah matematika yang
memenuhi indikator kebaruan jika siswa dapat menyelesaikan masalah matematika
dengan benar dan ada satu jawaban yang berbeda, benar dan tidak biasa (tidak lazim)
dilakukan atau diselesaikan oleh siswa pada tahap perkembangan atau tingkat
pengetahuannya.
Untuk menjawab indikator dalam proses berpikir kreatif, maka peneliti
memberikan soal pemecahan masalah matematika sebagai berikut:
“ Tanah Kebun pak Andre berbentuk Trapesium Siku-siku seperti terlihat pada
gambar 1 di bawah ini. Panjang AD = 60 m, AB = 45 m dan BC = 20 m. Tanah tersebut
akan diwariskan kepada dua ( 2 ) orang anaknya yang masing-masing memperoleh luas
yang sama.
a. Bagaimana cara pak Andre membagi Kebunnya yang berbentuk Trapesium
tersebut, sehingga kedua anaknya dapat memperoleh bagian yang sama? (buatlah
sketsanya).
b. Tentukan beberapa cara lain untuk membagi kebun Pak Andre!
Berikut adalah petikan wawancara peneliti dengan subyek penelitian

P1: Bagaimana cara kamu membagi kebun pak Andre sehingga kedua anaknya
memperoleh luas yang sama! (Tunjukkan dengan Sketsa/Gambar!)
Ja1: Menunjukan seperti tampak pada gamabar berikut:
202
ISBN: 978-602-72198-6-1
SENAMAS 2017
P2 : Dimanakah pada Gambar (sketsa) yang kamu buat tersebut, letak bagian anak
pertama dan letak bagian anak kedua
Ja2 : Seperti bapak lihat pada kedua Anak panah yang ada pada gambar di atas.
P3: Bagaimana kamu meyakinkan kepada saya bahwa sketsa yang kamu buat
menunjukkan luas yang sama untuk masing-masing anak?
Ja3: Menunjukan seperti tampak pada penyelesaian berikut:
P4 : Apakah ada cara lain untuk menyelesaikan masalah tersebut?
Ja4: Menurutku penyelesaiannya dengan cara itu! (Sambil menunjukkan

pekerjaannya)
203
ISBN: 978-602-72198-6-1
SENAMAS 2017
P5 : Apakah ada cara lain yang berbeda untuk menyelesaikan masalah itu, yang tidak
kamu pikirkan sebelumnya?
Ja5: Menunggu lama sambil mengaru hidungnya, dan kemudian membuat gambar
seperti berikut.
Berdasarkan Hasil wawancara dan pekerjaan yang diberikan subyek dapat dirangkum
pada table 2 berikut:
Tabel 3. Rangkuman proses berpikir kreatif subyek berdasarkan indikator
Indikator Hasil petikan wawancara

Kelancaran (fluency) Berdasarkan hasil wawancara P1, P2 dan P3 serta
jawaban Ja1 Ja2 dan Ja3 menunjukkan bahwa subyek
memenuhi indikator Kelancaran (fluency)
204
ISBN: 978-602-72198-6-1
SENAMAS 2017
Keluwesan (flexibility), Berdasarkan hasil wawancara P1, P2, P3 dan P4 serta

jawaban Ja1, Ja2, Ja3 dan Ja4 menunjukkan bahwa
subyek memenuhi indikator Keluwesan (flexibility).
Kebaruan (Novelty). Berdasarkan hasil wawancara P5 serta jawaban Ja5
menunjukkan bahwa subyek tidak memenuhi
indicator Kebaruan (Novelty).
4. Kesimpulan
1. Subyek yang memiliki gaya belajar kinestetik memenuhi indikator kelancaran

(fluency). Hal ini diperoleh dari pekerjaan Tes Pemecahan Masalah Matematika,
menunjukkan adanya kemampuan menyelesaikan masalah yang lancar dan
memberi jawaban lebih dari satu penyelesaian yang benar.
2. Subyek yang memiliki gaya belajar kinestetik memenuhi indikator fleksibel
(flexibility). Hal ini diperoleh dari hasil pekerjaan Tes Pemecahan Masalah
Matematika, menunjukkan adanya kemampuan menyelesaikan masalah dengan
memberi pendekatan (lebih dari satu) jawaban dengan benar.
3. Subyek yang memiliki gaya belajar kinestetik tidak memenuhi indikator kebaruan
(Novelty). Hal ini diperoleh dari hasil pekerjaan Tes Pemecahan Masalah
Matematika, menunjukkan tidak adanya kemampuan menyelesaikan masalah
dengan benar dan tidak ada jawaban yang berbeda, (tidak lazim, dilakukan
atau diselesaikan oleh subyek pada tahap perkembangan atau tingkat
pengetahuannya).
Daftar Pustaka
[1] Acharya, Ms. Chandrama. (2002). Student’s Learning Style And Their Implication
for Teacher. Centre for Development of Teaching And Learning. September
2002Vol. 5 No. 6
[2] Arthur L. Benton. (2008). Problem Solving. U.S.: Wikimedia Foundation, Inc.
Tersedia: http://en.wikipedia.org/wiki/Problem_Solving.(7 April 2008).
[3] Amabile, T.M., (1996). Creativity in Context : Update to “The Social Psychology of
creativity”. West view Press, Boulder.
[4] Al-Sharkawy, Anwar M. (1998). Cognitive Style Research In the Arab Word.
Psychology in the Arab Countries. Cairo. Egypt: Menoufia University Press.
Dowload 3 Januari 2014.
[5] Andersoon, L.W., Krathwohl, D.R., Airasian, P.W., Cruikshank, K.A., Mayer, R.E.,
Pintrich, P.R., Raths, J., & Wittrock, M.C. (2001). A Taxonomy for learning, theacing
and assessing. A Revision of bloom’s Taxonomy of Educational Objectives. New
York: Addison Wesley Longman, Inc
[6] Aziz, abdul dkk, 2014. Jurnal Elektronik Pembelajaran Matematika ISSN: 2339-
1685 Vol.2, No.10, hal 1079-1093,
205
ISBN: 978-602-72198-6-1
SENAMAS 2017
[7] Borromeo Ferri, R. & Kaiser, G. (2003). First Results of a Study of Different
Mathematical Thinking Styles of Schoolchildren. In Burton , L. (Ed.) Which Way?:
Social Justice in Mathematics Education (pp. 209-239), London : Greenwood.
[8] DePorter, Bobbi & Hernacki Mike, (2000). Quantum Learning. Edisi Revisi.
(Bandung: Kaifa).
[9] DeBono, E. (1991). Berpikir Lateral. (Cetakan ketiga). Alih Bahasa oleh Sutoyo.
Jakarta: Penerbit Erlangga.
[10] Evans, James R. (1991). Cretive Thinking in the Decesion and Management Sciences.
Cincinnati: South-Western Publishing Co.
[11] Fisher, R. (1995). Theaching Children to think. Celtenham, United Kingdom: Stanley
Tomes Ltd.
[12] Guilford, J.P. (1985). The Structure of intellect. Dalam Benjamin B. Wolman (Ed),
Handbook of intelligence: Theories, measurements, and application (pp.256-266).
New York: John Wiley and Sons.
[13] Hoosain, E. (2004). What are Mathematical Problem. Augusta State University.
Hartanti dan Arhartanto, (2003). Profil Gaya Belajar Mahasiswa Baru: Survei
Berdasarkan Metode Barbed an Swassing’ Anima, Indonesian Psycgological Journal
Vol. 18, No. 3.
[14] Johnson, E.B. (2002). Contextual Teaching and Learning, What it is and why it is
here to stay. Thousand Oaks: Corwin Press, Inc.
[15] Krutetskii, V.A. (1976). The psychology of Mathematics Abilities in School Children.
USA: University Of Chicago.
[16] Krulik, Stephen & Rudnick, Jesse A. (1995). The New Sourcebook for Teaching
Reasoning and Problem Solving In Elementary School. Needham Heights: Allyn &
Bacon.
[17] Krulik, S., Rudnick, J. and Milou, E. (2003). Teaching Mathematics in Middle
Schools. A Practical Guide. Boston: Pearson Education Inc.
[18] Lie, Yuliang & Ginther, Dean (2000). Cognitive Style and Distance Education. Online
Journal of Distance learning Administration, Volume II, Number III Fal 1999. State
University of Georgia. Dowload 10 Desember 2014.
[19] Moleong, Lexy J. (2006). Metodologi Penelitian Kualitatif Edisi Revisi, Bandung:
PT Remaja Rosdakarya.
[20] Ruggiero, Vincent R. (1998). The Art of Thinking, A Guide to Critical and Creative
Thought. New York: Longman, An Imprint of Addison Wesley Longman, Inc.
[21] Silver, Edward A (1997). Fostering Creativity trough Intruction Rich in
Mathematical Problem Solving and thinking in problem possing.
http://www.fiz.karsruhe.de/fiz/publications/zdm ZDM Volume 29 (june 1997)
Number 3. Electronic Edition ISSN 1615-679X.
206
ISBN: 978-602-72198-6-1
SENAMAS 2017
[22] Solso, R.L. (2007). (Cognitive Psycology) Psikologi Kognitif. Edisi delapan
Terjemahan. Penerbit Erlangga. Jakarta
[23] Solso, R.L. (1995). Cognitive Psychoology. Boston: Allyn and Bacon.
[24] Siswono, T.Y.E. 2007. Penjenjangan Kemampuan berpikir Kreatif dan identifikasi
tahap berpikir kreatif siswa dalam memecahkan dan mengajukan Masalah
Matematika. Desertsi Pendidikan Matematika Unesa.
[25] Suharnan. (2011). Kreativitas Teori dan Pengembangan : Penerbit Laros Surabaya
207
ISBN: 978-602-72198-6-1
SENAMAS 2017
Pengolahan Dataset Awal Minat Belajar Mahasiswa

melalui Algoritma Principle Component Analysis
(PCA)
Sri Rahmawati Fitriatien
Universitas PGRI Adi Buana Surabaya
rahmawatien.srf@unipasby.ac.id
Abstrak
Pendidikan marupakan salah satu bentuk kegiatan yang dilakukan secara sadar,
disengaja, dan terencana yang salah satunya dilakukan oleh perguruan tinggi sebagai
lembaga pendidikan formal. Kesuksesan proses belajar dan mengajar dapat dilihat
salah satunya melalui tolok ukur minat belajar mahasiswa. Tujuan pengolahan dataset
awal pada penelitian ini untuk mereduksi variabel-variabel yang benar-benar
mempengaruhi minat belajar mahasiswa. Subjek penelitian ini adalah mahasiswa
semester 5 (lima) untuk program studi pendidikan matematika di Universitas PGRI
Adi Buana Surabaya. Ada banyak metode yang dapat digunakan untuk mereduksi
variabel yang besar atau banyak, akan tetapi pada penelitian ini peneliti menggunakan
algoritma principle component analysis yang selanjutnya disebut sebagai
algoritmaPCA. Algoritma PCA digunakan untuk mereduksi 17 variabel awal pada
dataset minat belajar mahasiswa sehingga dari dataset awal tersebut hanya akan
diketahui empat variabel yang benar-benar mempengaruhi minat belajar mahasiswa.
dataset yang digunakan pada penelitian ini adalah data minat belajar mahasiswa
program studi pendidikan matematika terhadap mata kuliah metode statistika yang
merupakan mata kuliah prasyarat metodologi penelitian yang ditempuh pada tingkat
selanjutnya.
Kata Kunci : dataset awal, minat belajar, algoritma PCA
1. Pendahuluan
Dewasa ini, sistem informasi berbasis komputer banyak dimanfaatkan oleh
beberapa instansi baik instansi pemerintahan maupun instansi pendidikan. Pemanfaatan
sistem informasi berbasis komputer ini juga telah diterapkan di Universitas PGRI Adi
Buana Surabaya sebagai database perguruan tinggi guna menyimpan data akademik dan
data mahasiswa. Data yang tersimpan dalam database pada sistem Universitas PGRI
Adi Buana Surabaya, khususnya data mahasiswa program studi pendidikan matematika
dapat digunakan sebagai data sekunder guna mengetahui pola cluster mahasiswa yang
dapat dimanfaatkan dalam proses pengambilan keputusan dalam penentu kebijakan
program studi.
Salah satu yang dapat dimanfaatkan dari database mahasiswa program studi
pendidikan matematika adalah pemanfataan informasi mahasiswa yang memiliki minat
potensial dalam memahami materi perkuliahan untuk mata kuliah metode statistika yang
diampu di semester 5 (lima). Salah satu indikator yang dapat digunakan untuk menilai
keberhasilan proses pembelajaran adalah berdasarkan nilai mahasiswa pada mata kuliah
tersebut. Pengetahuan ini penting untuk diketahui kepala program studi pendidikan
208
ISBN: 978-602-72198-6-1
SENAMAS 2017
matematika guna memahami karakteristik mahasiswa pada semester 5 (lima) sebagai

persiapan untuk semester berikutnya pada mata kuliah metodologi penelitian.
Keberhasilan belajar mahasiswa terhadap materi mata kuliah metode statistika
yang sedang diampu merupakan salah satu faktor yang mempengaruhi hasil belajar
mahasiswa untuk mata kuliah metodologi penelitian. Selain berdasarkan nilai
mahasiswa semester 5 (lima) yang mengampu mata kuliah metode statistika, terdapat
alat lain yang digunakan peneliti untuk mengetahui minat belajar mahasiswa yaitu
melalui angket minat belajar mahasiswa.
Menurut [1] menyatakan bahwa terdapat pengaruh antara minat belajar
mahasiswa dengan kualitas media pembelajaran terhadap prestasi mahasiswa. Pramono
menjelaskan bahwa pengaruh kualitas media pembelajaran memiliki peran sangat besar
berdasarkan hasil perhitungan untuk nilai sebesar yang artinya prestasi
belajar mahasiswa pendidikan akuntansi dipengaruhi oleh minat belajar. Sedangkan
sisanya sebesar dipengaruhi oleh faktor lain.
Selain itu, [2] melakukan penelitian terhadap mahasiswa program studi
kebidanan terhadap hubungan antara minat belajar dengan hasil belajar yang
memanfaatkan perpustakaan sebagai tempat belajar yang efektif bagi mahasiswa.
Yusmiati menjelaskan bahwa hubungan antara minat belajar dan hasil belajar
mahasiswa memiliki dengan . Hasil ini dapat menjadi
rujukan bagi institusi pendidikan tersebut untuk meningkatkan sarana dalam
memperbanyak sumber bacaan sebagai acuan untuk meningkatkan bahan ajar yang ada
di perpustakaan tersebut.
Keberhasilan pengaruh minat belajar mahasiswa juga pernah diteliti oleh [3]
menggunakan pendekatan data mining dengan subjek mahasiswa sistem informasi yang
memiliki kecenderungan memperoleh nilai A sebanyak 400 mahasiswa, nilai B
sebanyak 186 mahasiswa dan kecenderungan memperoleh nilai C sebanyak 188
mahasiswa.
Hubungan antara minat belajar mahasiswa juga diteliti oleh [4] guna mengetahui
keterkaitan antara minat belajar dengan nilai IPK yang diperoleh mahasiswa program
studi D-III kebidanan di Sekolah Tinggi Ilmu Kesehatan Inodnesia Maju. Hasil
penelitian berdasarkan hasil analisis bivariat menunjukkan bahwa terdapat hubungan
antara minat belajar mahasiswa dengan IPK yang diperoleh sebesar p value=0,032.
Artinya, minat belajar memiliki pengaruh dalam perolehan IPK mahasiswa.
Berdasarkan penelitian-penelitian yang telah dilakukan terlihat bahwa minat
belajar mahasiswa memiliki peran dalam keberhasilan pembelajaran mahasiswa yang
dapat dilihat melalui empat indikator minat belajar yang meliputi perhatian (attention),
relevansi (relevance), percaya diri (confidence), kepuasan (satisfaction). Dari setiap
indikator yang ada memiliki beberapa variabel penentu minat belajar mahasiswa yang
digunakan [5]. Pada penelitian ini akan digunakan metodologi Principal Component
Analysis (PCA) untuk mengurangi jumlah variabel yang ada dan menentukan faktor-
faktor yang mempengaruhi minat belajar mahasiswa. Principal Component Analysis
kadangkala disebut sebagai analisa komponen utama adalah salah satu fitue ekstraksi
(reduksi) variabel yang banyak digunakan. Bisa dikatakan principal component analysis
merupakan analisa tertua dan paling terkenal dari teknik statistika multivariate [6].
209
ISBN: 978-602-72198-6-1
SENAMAS 2017
2. Minat Belajar Mahasiswa

Minat merupakan suatu kondisi yang terjadi apabila seseorang melihat ciri-ciri
atau arti sementara situasi yang dihubungkan dengan keinginan-keinginan atau
kebutuhan-kebutuhan [2]. Dalam hubungannya dengan kegiatan belajar, minat menjadi
motor penggerak untuk dapat mencapai tujuan yang diinginkan, tanpa dengan minat
terkadang tujuan belajar tidak akan tercapai. Berdasarkan definisi minat tersebut,
terdapat beberapa unsur yang terdapat pada minat terkait dengan kegiatan belajar yaitu
[5]:
a. Minat adalah suatu gejala psikologis.
b. Adanya pemusatan perhatian, perasaan dan pikiran dari subjek karena tertarik.
c. Adanya perasaan senang terhadap objek yang menjadi sasaran.
d. Adanya kemauan atau kecenderungan pada diri subjek untuk melakukan
kegiatan guna mencapai tujuan.
2.1. Variabel Minat Belajar Mahasiswa

Berikut disajikan variabel yang digunakan peneliti untuk mengidentifikasi minat
belajar mahasiswa program studi pendidikan matematika semester 5 di Universitas
PGRI Adi Buana Surabaya, variabel disajikan pada Tabel 1.
Tabel 1. Variabel Minat Belajar Mahasiswa

Nomor Deskripsi Variabel Minat Belajar Identifikasi Variabel
1 Mahasiswa mendengarkan penjelasan yang disampaikan
oleh dosen pengampu
2 Mahasiswa memperhatikan presentasi kelompok lain
3 Mahasiswa berkonsentrasi saat mempelajari topik kecilnya
4 Mahasiswa mengerjakan latihan di buku kerja sesuai

instruksi dosen pengampu
5 Mahasiswa mendengarkan teman yang sedang presentasi
topik kecil
6 Mahasiswa dapat bekerja sama dengan baik dalam merespon
setiap pertanyaan yang diajukan kepada timnya
7 Mahasiswa bertanya kepada dosen pengampu tentang materi
yang belum dimengerti
8 Mahasiswa bertanya teman tentang materi yang belum jelas
9 Mahasiswa membaca buku ajar untuk dapat menyelesaikan

soal latihan pada buku kerja
10 Mahasiswa mengerjakan latihan soal yang ada di buku kerja
11 Mahasiswa terlibat aktif saat diskusi
12 Mahasiswa bersemangat saat memilih topik kecil
13 Tim bersedia maju di depan kelas untuk mempresentasikan

hasil diskusinya
14 Mahasiswa memilih topik kecil yang disukainya
15 Mahasiswa mau membagikan pemahaman kelompok

kecilnya kepada telan lain dalam timnya saat presentasi
topik kecil
210
ISBN: 978-602-72198-6-1
SENAMAS 2017
Dari 15 variabel yang ada pada dataset minat belajar mahasiswa seperti tampak
pada tabel di atas, akan ditemukan faktor-faktor yang mempengaruhi minat belajar
mahasiswa melalui algoritma Principal Component Analysis (PCA) untuk mengurangi
atau mereduksi variabel yang ada.
3. Metodologi
Pada makalah ini akan digunakan metodologi principal component analysis
(PCA) untuk melakukan reduksi variabel sehingga dari 15 variabel yang ada pada
dataset akan diperoleh lima variabel baru yang mewakili 15 variabel asal dan lima
variabel baru yang terbentuk merupakan faktor-faktor yang dapat mengidentifikasi
minat belajar mahasiswa. Data yang digunakan untuk penelitian ini adalah data variabel
angket minat belajar mahasiswa program studi pendidikan matematika semester 5 yang
telah mengampu mata kuliah metode statistika.
Sebelum dilakukan analisa dengan menggunakan PCA maka perlu dilakukan
pembersihan data (data cleaning) yaitu membuang data yang tidak lengkap (missing
value), data yang terduplikasi, dan data yang tidak konsisten. Tujuan dari pembersihan
data adalah untuk mendapatkan data yang nilainya benar-benar valid.
3.1. Algoritma Principal Component Analysis (PCA)

PCA pertama kali diperkenalkan oleh Karl Pearson pada tahun 1901. Harold
Hotelling melakukan analisa untuk variabel stokastik. Hotelling menggunakan
pendekatan PCA yang sebelumnya telah dikemukakan oleh Pearson dan
memperkenalkan istilah “component” sebagai variabel yang dihasilkan dengan
menggunakan metodologi PCA. Perkembangan selanjutnya dikenal dengan istilah
“principal component” yang menjelaskan komponen utama atau variabel baru yang
dihasilkan atau direduksi. Inilah cikal bakal dari analisa PCA.
Principal component analysis adalah kombinasi linear dari variabel awal yang
secara geometris kombinasi linear ini merupakan sistem koordinat baru yang diperoleh
dari rotasi sistem semula [7]. Metode PCA sangat beguna digunakan jika data yang ada
memiliki jumlah variabel yang besar dan memiliki korelasi antar varaibelnya.
Perhitungan dari PCA didasarkan pada perhitungan nilai eigen dan vektor eigen yang
menyatakan penyebaran data dari suatu dataset.
Tujuan dari analisa PCA adalah untuk mereduksi variabel yang ada menjadi
lebih sedikit tanpa harus kehilangan informasi yang termuat dalam data asli atau data
awal. Dengan menggunakan PCA, variabel yang tadinya sebanyak n variabel akan
direduksi menjadi k variabel baru (principal component) dengan jumlah k lebih sedikit
dari n dan dengan hanya menggunakan k principal component akan menghasilkan nilai
yang sama dengan menggunakan n variabel [8]. Variabel hasil dari reduksi tersebut
dinamakan principal component (komponen utama) atau bisa juga disebut faktor. Sifat
dari variabel baru yang terbentuk dengan analisa PCA nantinya selain memiliki jumlah
variabel yang berjumlah lebih sedikit tetapi juga menghilangkan korelasi antar variabel
yang terbentuk.
Adapun algoritma PCA secara umum sebagai berikut [6]:
1. Hitung matriks kovarian
∑
( ) (̅)(̅) (1)
211
ISBN: 978-602-72198-6-1
SENAMAS 2017
2. Hitung nilai eigen dengan menyelesaikan persamaan berikut ini

( ) (2)
3. Hitung vektor eigen dengan menyelesaiakan persamaan berikut ini
[ ][ ] (3)
4. Tentukan variabel baru (principal component) dengan mengalihkan variabel

asli dengan matriks vektor eigen
Sedangkan variansi yang dapat dijelaskan oleh variabel baru ke-I tergantung
kontribusi pi dari masing-masing nilai eigen yang dihitung dengan
Persamaan (4)
∑
(4)
Ada tiga cara yang digunakan untuk menentukan jumlah komponen utama yang
akan digunakan untuk analisa selanjutnya [6]. Pertama, dengan melihat total variansi
yang dapat dijelaskan lebih dari 80%. Kedua, dengan melihat nilai eigen yang lebih dari
satu. Ketiga, dengan mengamati scree plot yaitu dengan melihat patahan siku dari scree
plot. Pada penelitian ini untuk menentukan jumlah komponen utama yang dihasilkan
pada analisa PCA adalah dengan melihat nilai eigen lebih dari satu. Dari dataset yag
digunakan dalam penelitian ini terdapat 183 responden dan setelah dilakukan
pembersihan data maka diperoleh 174 responden.
4. Hasil dan Analisa

Analisa dengan menggunakan metodologi PCA dilakukan jika terdapat korelasi
atau hubungan antar variabel karena tujuan dari analisa PCA adalah membuat sejumlah
variabel baru yang tidak memiliki korelasi antar variabelnya (korelasi = 0) dan julah
variabel yang ada lebih sedikit dari jumlah variabel awal (feature ekstraction). Dataset
yang digunakan sebanayk 174 responden akan dihitung nilai Barlett Test of Sphericity
guna mengetahui apakah ada korelasi yang siginifikan antar variabel dan menghitung
nilai kecukupan sampel dengan cara membandingkan besarnya korelasi yang diamati
dengan korelasi parsialnya. Uji ini dilakukan untuk memastikan dataset yang digunakan
memenuhi persyaratan analisa PCA. Berdasarkan hasil analisa Barlett Test of Sphericity
diperoleh nilai 673,243 pada siginifikan 0,000 yang berarti pada penelitian ini ada
korelasi yang sangat siginifikan antar variabel sehingga dapat dikatakan dataset minat
belajar mahasiswa dalam penelitian ini memenuhi syarat analisa dengan menggunakan
metodologi PCA.
Setelah memastikan bahwa dataset yang digunakan telah memenuhi syarat untuk
melakukan analisa PCA dengan melihat nilai Barlett Test of Sphericity maka analisa
PCA dapat digunakan. Analisa PCA diawali dengan menghitung nilai korelasi antar
variabel karena pada dasarnya analisa PCA dapat dilakukan jika variabel yang ada
memiliki korelasi. Pada analisa ini dilakukan perhitungan korelasi dari setiap variabel
dan dibentuk dalam sebuah matriks korelasi dengan melihat nilai eigen yang ada pada
masing-masing variabel. Variabel baru (principal component) yang terbentuk
didasarkan pada nilai eigen lebih dari satu. Hasil dari perhitungan nilai eigen dan varian
dapat dilihat pada Tabel 2 berikut ini
212
ISBN: 978-602-72198-6-1
SENAMAS 2017
Tabel 2. Nilai Eigen Hasil Analisa PCA

Initial Eigen
Component
Total % of variance Cumulative %
4,018 29,134 29,134
2,509 14,897 44,031
1,683 9.981 54,012
1,278 8,671 62,683
1,137 4,877 67,560
0,864 4,568 72,128
0,762 4,348 76,476
0,573 3,901 80,377
0,435 3,649 84,026
0,403 3,382 87,408
0,384 3,198 90,606
0,378 2,739 93,345
0,346 2,475 95,820
0,317 2,218 98,038
0,284 1,962 100,00
Tabel 2 menjelaskan bahwa nilai eigen dari masing-masing variabel beserta

variannya. Pada Tabel 2 diperoleh lima variabel baru (principal component) yang
memiliki nilai eigen lebih dari satu. Kelima variabel ini memiliki nilai eigen yang
terurut. Principal component pertama memiliki nilai eigen sebesar 4,018 dengan varian
sebesar 29,134%, principal component kedua memiliki nilai eigen sebesar 2,509 dengan
varian sebesar 14,897%, principal component ketiga memiliki nilai eigen sebesar 1,683
dengan varian sebesar 9,981%, principal component keempat memiliki nilai eigen
sebesar 1,278 dengan varain sebesar 8,671%, dan principal component kelima memiliki
nilai eigen sebesar 1,137 dengan varian sebesar 4,877%. Kelima variabel baru ini
mampu menjelaskan keragaman data sebesar 67,560%.
Berikut disajikan Tabel 3 yang menjelaskan secara lebih rinci variabel-variabel
yang mempengaruhi minat belajar mahasiswa untuk program studi pendidikan
matematika semester 5 di Universitas PGRI Adi Buana Surabaya yang telah mengampu
mata kuliah metode statistika.
213
ISBN: 978-602-72198-6-1
SENAMAS 2017
Tabel 3. Analisa Principal Component

Varian yang
Principal Component (PC)
Dijelaskan
PC 1 :
Pemusatan Perhatian Mahasiswa terhadap Mata Kuliah Metode 29,134
Statistika
PC 2 :
Ketertarikan / Kecenderungan Mahasiswa terhadap Mata Kuliah 14,897
Metode Statistika
PC 3 :
Keingintahuan / Keinginan Mahasiswa untuk Mengetahui dan
9.981
Mempelajari Contoh dan Latihan Kasus yang Diselesaiakn dengan
Metode Statistika
PC 4 :
Sikap Semangat / Antusia Mahasiswa untuk Menyelesaikan Contoh 8,671
dan Latihan Kasus yang Diselesaikan dengan Metode Statistika
PC 5 :
Rasa Suka / Senang Mahasiswa Saat Mengikuti Mata Kuliah Metode 4,877
Statistika
Principal component pertama diberi nama pemusatan perhatian mahasiswa

terhadap mata kuliah metode statistika, principal component kedua diberi nama
ketertarikan/kecenderungan mahasiswa terhadap mata kuliah metode statistika,
principal component ketiga diberi nama keingintahuan/keinginan mahasiswa untuk
mengetahui dan mempelajari contoh dan latihan kasus yang diselesaiakn dengan metode
statistika, principal component keempat diberi nama sikap semangat/antusia mahasiswa
untuk menyelesaikan contoh dan latihan kasus yang diselesaikan dengan metode
statistika, dan principal component kelima diberi nama rasa suka/senang mahasiswa
saat mengikuti mata kuliah metode statistika. Pemberian nama pada kelima variabel
baru (principal component) yang terbentuk berdasarkan karakteristik dari variabel yang
membentuknya.
5. Kesimpulan
 Dari 15 variabel yang ada pada dataset, diketahui setelah dilakukan reduksi
dengan menggunakan metodologi PCA diperoleh lima variabel baru yang
menentukan minat belajar mahasiswa.
 Kelima variabel baru yang terbentuk mampu menjelaskan total varians
(cumulative percent of variance) sebesar 67,560% artinya minat belajar
mahasiswa ini mampu dijelaskan hanya dengan lima principal component yang
terbentuk.
 Kelima principal component yang terbentuk dengan analisa PCA adalah
pemusatan perhatian mahasiswa terhadap mata kuliah metode statistika (PC 1),
ketertarikan/kecenderungan mahasiswa terhadap mata kuliah metode statistika
(PC 2), keingintahuan/keinginan mahasiswa untuk mengetahui dan mempelajari
214
ISBN: 978-602-72198-6-1
SENAMAS 2017
contoh dan latihan kasus yang diselesaiakn dengan metode statistika (PC 3),
sikap semangat/antusia mahasiswa untuk menyelesaikan contoh dan latihan
kasus yang diselesaikan dengan metode statistika (PC 4), dan rasa suka/senang
mahasiswa saat mengikuti mata kuliah metode statistika (PC 5).
Daftar Pustaka
[1] Pramono, B.S., 2013, Pengaruh Minat Belajar dan Kualitas Media Pembelajaran
terhadap Prestasi Belajar Mahasiswa Pendidikan Akuntansi pada Mata Kuliah
Manajemen Keuangan Angkatan 2010, Seminar Nasional Matematika, Universitas
Muhammadiyah Surakarta.
[2] Yusmiati, 2015, Hubungan Minat Belajar dan Pemanfaatan Perpustakaan dengan
Hasil Belajar Mahasiswa, Jurnal Ilmu Kebidanan Indonesia, Vol. 05, No. 03,
September 2015 : 234 – 246.
[3] Marlindawati dan Andri, 2015, Model Data Mining dalam Pengklasifikasian
Ketertarikan Belajar Mahasiswa Menggunakan Metode Clustering, Makalah pada
Seminar Nasional Teknologi Informasi dan Multimedia.
[4] Darmaja, S., 2015, Hubungan Antara Sikap dan Motivasi Belajar dengan IPK
Mahasiswa Akbid Muhammadiyah Cirebon, Jurnal Ilmu Kebidanan Indonesia,
Vol. 05, No. 03, September 2015 : 220 – 233.
[5] Sardiman, 2012, Interaksi & Motivasi Belajar Mengajar, Jakarta: Rajawali Pers.
[6] Jolliffe, I.T., 2002, Principal Component Analysis, Edisi Kedua: Springer-Verlag.
[7] Susetyoko, Ronny dan Purwantini, Elly., Teknik Reduksi Dimensi Menggunakan
Komponen Utama Data Partisi pada Pengklasifikasian Data Berdimensi Tinggi
dengan Ukuran Sampel Kecil.
[8] Johnson dan Wichern, 2007, Applied MultivariateStatistical Analysis. Edisi

Keenam. Pearson Prentice Hall.
215
ISBN: 978-602-72198-6-1
SENAMAS 2017
Siswa Tunanetra Dalam Pembelajaran Operasi

Penjumlahan Dan Pengurang Menggunanakan
Media Kartu
Sumarno Ismail
Program Studi Pendidikan Matematika Universitas Negeri Gorontalo
Abstrak
Siswa tunanetra membutuhkan perhatian dan layanan khusus dalam pebelajaran
matematika, antara lain untuk pembelajaran operasi hitung penjumlahan dan
pengurangan bilangan bulat. Pengembangan potensi siswa tunanetra pada operasi
hitung bilangan bulat dapat diwujudkan antara lain dengan menyiapkan fasilitas belajar
dan pembelajaran yang mudah dan aman. Proses pemberian layanan pembelajaran
harus terprogram, dilaksanakan dan dievaluasi sesuai strategi pembelajaran. Kajian ini
dipandang amat penting dalam pembelajaran operasi hitung khususnya penjumlahan
dan pengurang bilangan bulat kepada siswa tunanetra kelas IV SLB. Aktivitas dalam
penelitian ini memberikan paparan terhadap tiga hal, yakni (1) mendeskripsikan
sekema pemanfaatan media pembelajaran operasi penjumlahan dan pengurangan
bilangan bulat pada siswa tunanetra kelas IV, (2) menggambarkan kesulitan siswa
tunanetra kelas IV dalam mepelajari operasi hitung penjumlahan dan penguruang
bilangan bulat dan (3) mengevluasi skema penggunaan media melalaui usaha
meningkatkan penguasaan siswa tunanetra kelas IV pada operasi penjumlahan dan
pengurangan bilangan bulat. Oleh sebab itu rangkaian penelitian ini didasarkan pada
kajian situasi didaktis, pedagogis, prediktif. Ruang lingkup kajian adalah (a) media
pembelajaran penjumlahan dan pengurangn bilangan bulat, (b) kesulitan siswa
tunanetra dalam mempelajari penjumlahan dan pengurang bilangan bulat dan (c)
aktifitas pembelajaran untuk meningkatkan hasil belajar. Hasil temuan pada penelitian
ini menjadi masukan kepada guru metematika khususnya dalam merencanakan,
melaksanakan dan mengembangkan aktifitas siswa tunanetra dalam pembelajaran
matematika khususnya pembelajaran operasi hitung penjumlahan dan pengurangan
bilangan bulat.
Kata Kunci : Siswa tunanetra, penjumlahan dan pengurangan, kartu bilangan.
1. Pendahuluan
Hak untuk mendapatkan layanan pendidikan yang layak dalam pembelajaran
berkualitas berlaku untuk setiap warga negara Indonesia, tidak terkecuali bagi warga
negara yang berkebutuhan khusus yakni mereka yang memiliki kelainan fisik,
emosional, mental, intelektual, dan sosial. Siswa yang memiliki kelainan-kelainan
disebut dengan Anak Berkebutuhan Khusus (ABK), yang terdiri dari siswa :
(a) tunanetra, (b) tunarungu, (c) tunagrahita, (d) tunadaksa, (e) tunalaras, (f) berkesulitan
belajar, (g) hambatan belajar, (h) autis, (i) memiliki gangguan motoric, (j) menjadi
korban penyalahgunaan narkotik, obat terlarang dan zat aditif lain, dan (k) memiliki
kelainan lain
Semua siswa berkebutuhan khsus tersebut adalah warga negara yang memiliki
hak untuk mendapatkan layanan pendidikan dan pembelajaran. Hak-hak mereka
216
ISBN: 978-602-72198-6-1
SENAMAS 2017
dijamin di dalam Undang-undang No. 20 Tahun 2003 tentang Sistem Pendidikan

Nasional, yakni di dalam pada pasal 32 menyebutkan bahwa, pendidikan khusus
(Pendidikan Luar Biasa) merupakan pendidikan bagi peserta didik yang memiliki
tingkat kesulitan dalam mengikuti proses pembelajaran karena kelainan fisik,
emosional, mental, sosial, dan/atau memiliki potensi kecerdasan dan bakat istimewa.
Usaha pemerintah untuk memenuhi pendidikan dan pembelajaran bagi ABK senantiasa
diusahakan dan ditingkatkan untuk pemberian layanan kepada siswa dengan kriteria
khusus tersebut dalam mendapatkan pendidikan dan pembelajran yang layak. Kelompok
siswa berkebutuhan khusus memiliki potensi untuk berprestasi, oleh sebab itu
pendidikan yang layak harus disediakan untuk pengembangan potensi yang dimiliki.
Potensi yang dimaksud adalah potensi akademik maupun potensi non akademik.
Siswa tunanetra sebagai salah satu dari kelompok siswa yang membutuhkan
layanan khusus dalam pembelajaran pada umumnya, khususnya untuk pembelajaran
matematika. Layanan khusus dimaksudkan untuk mengembangkan potensinya secara
optimal. Siswa tunanetra yang mengalami gangguan penglihatan, menerima seluruh
informasi hanya dengan menggunakan indra pendengaran dan indra peraba. Selanjutnya
mereka merespon informasi itu menggunakan simbol-simbol tertentu atau melalaui
bahasa isyarat dan lisan. Dalam pembelajaran matematika, siswa tunanetra mengenali
objek matematika dengan cara mendengar dan meraba. Ketika suatu objek matematika
diperkenalkan kepada siswa tunanetra, mereka mengenali objek tersebut melalui
deskripsi verbal yang diinformasikan oleh guru atau mengenali objek tersebut dengan
meraba secara langsung melalaui media yang disiapkan. Karena siswa tunanetra
memiliki aktivitas yang terbatas karena ganguan penglihatannya, maka dalam
pembelajaran matematika penting guru memikirkan strategi pembelajaran yang mampu
membantu siswa lancar dan senang belajar matematika. Siswa tunanetra adalah siswa
yang indera penglihatannya tidak berfungsi sebagai jempatan untuk menyalurkan
informasi dalam segala aktivitas visualnya seperti halnya siswa awas. Siswa tunanetra
memiliki kepekaan dengan indra lainnya terutama indera peraba dan indera dengar.
Pelaksanaan pembelajaran bagi siswa dengan kebutuhan khusus harus
disesuaikan dengan karakteristik dan kebutuhan masing-masing siswa. Siswa dengan
kebutuhan khusus memerlukan perhatian yang lebih jika dibandingkan dengan siswa
normal atau siswa awas. Jika guru tidak tepat dalam menganalisis kebutuhan
pembelajaran untuk siswa tunanetra, maka pelaksanaan pembelajaran tidak berlangsung
dengan baik sehingga sulit mendapatkan hasil target minimal yang direncanakan. Oleh
karena itu guru harus bisa memilih dan membedakan komponen-komponen yang akan
diterapkan dalam pembelajaran.
Salah satu mata pelajaran wajib di sekolah dasar untuk siswa tunanetra adalah
matematika. Pembelajaran matematika bagi siswa tunanetra menuntut guru pembelajar
untuk merencanakan dan melaksanakan kegiatan, sehingga pesan pembelajaran dapat
diterima oleh siswa melalaui indera-indera lainnya yang masih berfungsi. Dalam
pembelajaran matematika kepada siswa tunanetra, guru harus berupaya untuk
memodifikasi strategi pembelajaran regular disesuaikan dengan kondisi siswa tunanetra
dan mengoptimalkan indera yang lain masih berfungsi. Strategi pembelajaran
matematika kepada siswa tunanetra pada prinsipnya adalah pembelajaran yang
dilaksanakan kepada siswa awas. Hal yang penting direncanakan guru dan menjadi
fokus tugas pedagogic adalah pada komponen-komponen pembelajaran yang meliputi :
(a) strategi dan model pembelajaran, (b) pendekatan dan teknik pembelajaran, (c)
metode pembelajaran dan (d) media pembelajaran.
217
ISBN: 978-602-72198-6-1
SENAMAS 2017
Media belajar untuk siswa tunanetra yang sering ditemui yaitu riglet dan pena
untuk menulis, mesin ketik Braille, printer Braille, abacus, penggaris Braille, komputer
bicara, dan bangun datar dan bangun ruang yang terbuat dari kayu atau pelastik. Fakta
yang ditemukan di sekolah luar biasa (SLB) di Gorontalo, bahwa media pembelajaran
belum memadai untuk pembelajaran matematika khususnya bagi siswa tunanetra.
Misalnya guru belum mampu memaksimalkan penguasaan siswa tunanetra kelas IV
pada materi operasi hitung penjumlahan dan pengurangan bilangan bulat. Kondisi ini
terjadi karena belum tersedia media untuk mendiskripsikan objek matematika pada
operasi hitung bilangan bulat sehingga menjadi lebih mudah dipahami oleh siswa
tunanetra.
Dalam upaya membantu memudahkan usaha guru serta membantu siswa
tunanetra dalam pembelajaran operasi hitung penjumlahan dan pengurangan bilangan
bulat, perlu adanya aktivitas untuk menunjukkan cara menyediakan media
pembelajaran. Media pembelajaran dimaksudkan untuk memberikan pemahaman yang
lebih kepada siswa tunanetra dalam memahami materi pelajaran khususnya operasi
hitung bilangan bulat. Objek matematika dalam pembelajaran operasi hitung
penjumlahan dan pengurangan bilangan bulat pada dasarnya meliputi fakta, konsep,
operasi dan prosdur (algoritma). Semua objek ini satu dengan yang lain tidak dapat
dipisahkan. Objek matematika di dalam penjumlahan dan pengurangan bilangan bulat
kepada siswa yang awas dan siswa tunanetra, menjadi lebih bermakna apabila dilakukan
menggunakan media yang bersesuaian dengan kebutuhan siswa.
Menggunakan media dalam pembelajaran operasi hitung bilangan bulat untuk
siswa tunanetra harus dipandang sebagai hal penting yang dilakukan guru untuk
mengorganisasi, menciptakan system lingkungan dengan berbagai metode, sehingga
siswa tunanetra dapat melakukan kegiatan belajar secara efektif dan efisien dengan hasil
optimal. Penggunaan media dalam pembelajaran operasi hitung bilangan bulat lebih
menekankan kepada eksplorasi untuk menemukan objek matematikan di dalam materi
yang dibelajarkan. Penggunaan media pembelajaran dimaksudkan untuk dapat
menciptakan kondisi pembelajaran kondusif bagi siswa tunanetra. Prinsip-prinsip yang
harus diperhatikan di dalam pembelajaran siswa tunanetra terkait dengan penggunaan
media pembelajaran adalah (a) pengalaman konkrit, (b) penyatuan antarkonsep, dan (c)
belajar sambil melakukan. Ketiga prinsip tersebut sangat sesuai dengan kondisi dan
kebutuhan siswa tunanetra di dalam pembelajaran matematika khususnya pembelajaran
operasi hitung bilangan bulat.
Pelaksanaan pembelajaran operasi hitung bilangan bulat dengan menggunakan
media kartu bilangan kepada siswa tunanetra kelas IV, lebih ditonjolkan pada aktivitas
siswa dalam memahami algoritma. Oleh karena itu guru harus bersikap sabar selama
pelaksanaan pembelajaran, walaupun informasi yang sama dilakukan berulang-ulang
dan siswa sering melakukan kesalahan. Guru harus berhati-hati dalam memberikan
tuntunan algoritma operasi hitung bilangan bulat melalui media kartu bilangan, agar
motivasi dan semangat belajar siswa tetap terpelihara dan makin meningkat.
Siswa tunanetra yang menjadi subjek dalam penelitian ini secara keseluruhan
hanya mengalami gangguan pada indera penglihatan saja. Mereka mampu
berkomunikasi dan berinteraksi sosial dengan lingkungan secara baik, tetapi mereka
tidak bisa menulis. Melalui kajian ini dideskripsi hal-hal sebagai berikut (1) menerapkan
kajian teroretis tentang media pembelajaran menggunakan kartu untuk pembelajaran
operasi penjumlahan dan pengurangan kepada siswa tunanetra kelas IV, (2)
meningkatkan kemampuan siswa tunanetra dalam penjumlahan bilangan bulat dengan
218
ISBN: 978-602-72198-6-1
SENAMAS 2017
menggunakan media kartu bilangan bulat. (3) Mendeskripsi penguasaan siswa

tunanetra dalam penjumlahan dan pengurangan bilangan bulat ditinjau dari objek
matematika.
2. Tinjauan Singkat Kajian Teoretis

2.1 Deskripsi Singkat Siswa Tuananetra
Informasi dari luar diri sesorang normal masuk melalui lima pintu informasi
yakni mata, telinga, hidung, lidah dan kulit. Sebagai indera lihat adalah mata yang
digunakan untuk melihat lingkungan sekitarnya dalam bentuk nyata atau gambar
sehingga mengenali benda-benda yang ada di sekitarnya dengan cepat. Termasuk yang
dijangkau dengan indera lihat adalah objek-objek fakta dalam matematika yang
disajikan dalam bentuk gambar atau/dan diagram. Siswa yang indera penglihatan tidak
berfungsi disebut buta atau tunanetra.
Tentang terminologi ketunanetraan antara lain disebutkan oleh Ahmad Nawawi
(2007 : 3) bahwa istilah yang sering muncul dalam masyarakat awam maupun akademik
antara lain: buta, tidak melihat, penderita buta, penderita tunanetra, cacat netra,
tunanetra, penyandang cacat netra, penyandang tunanetra, kurang penglihatan, kurang
lihat, kurang awas. Lebih lanjut Ahmad Nawawi menjelaskan bahwa terdapat dua jenis
definisi sehubungan dengan kecacatan penglihatan yakni:
1) Definsi legal yaitu definisi berdasarkan peraturan perundang-undangan. Termasuk di
dalam definisi ini adalah :
a. Ketajaman penglihatan yang dikelompokkan menjadi :
6/6 sampai 6/18 : penglihatan normal
6/18 sampai 3/60 : kurang awas hingga penglihatan terbatas
3/60 sampai 1/60 : penglihatan terbatas hingga kebutaan
Kurang dari 1/60 : kebutaan sejati
b. Medan pandang, adalah wilayah pandang seseorang yakni cakupan penglihatan
sebesar 10 derajat atau kurang pada mata terbaik, biasanya dianggap sebagai ciri
kebutaan.
c. Ketunanetraan, yakni tidak memiliki penglihatan yang cukup untuk dapat
membaca tulisan cetak meskipun dibantu dengan alat bantu yang paling efektif
yang tersedia. Siswa yang mengalami kebutaan jenis ini masih memiliki sedikit
sisa penglihatan untuk kegiatan orientasi dan mobilitas atau kegiatan praktis
lainnya.
d. Ketunanetraan, yaitu siswa yang mengalami kebutaan mungkin masih memiliki
sedikit sisa penglihatan untuk kegiatan orientasi dan mobilitas atau kegiatan
praktis lainnya.
2) Definisi edukasional yaitu definisi untuk tujuan pendidikan.

Dari beberapa sumber yang membahas tentang tunanetra ditemukan kesamaan dan
beberapa perbedaan sesuai dengan pandangan latar belakang tungas dan fungsi yang
mengartikannya. Merujuk pada pendapat-pendapat tersebut dapat dipahami bahwa
“ketunanetraan” dibedakan atas (a) kebutaan (blindness) dan (b) kurang awas (Low
Vision).
Ketunanetraan seperti yang dideskripsikan melalui terminology di atas,
bagaimanapun kondisinya pasti butuh bantuan media untuk kemudahan dalam
219
ISBN: 978-602-72198-6-1
SENAMAS 2017
mengenali lingkungan sekitar, bergerak dan belajar. Mata sebagai indera yang tergolong
dalam fotoreseptor adalah alat indera yang merespon terhadap lingkungan dengan
rangsangan cahaya. Alat indra ini merupakan aset terpenting bagi seseorang, oleh sebab
itu penting dijaga dan dirawat sehingga tetap sehat dan berfungsi dengan baik.
Siswa tunanetra adalah siswa yang indera penglihatannya tidak berfungsi secara
normal sebagai media untuk menerima berbagai informasi. Informasi hanya bisa
diterima melalui indera lain seperti indera dengar, indera raba, indera rasa, indera
penciuman. Sehingga siswa tunanetra sangat mengandalkan kemampuan menerima
informasi terhadap respon yang dapat diraba, didengar, dicium, atau dirasa.
Ganguan panca indera dalam penerimaan informasi berakibat terganggunya
perkembangan kognitif siswa. Tanti (2008; 24) menjelaskan bahwa siswa yang terbatas
secara visual adalah orang yang kondisi visualnya tergangu sedemikian rupa sehingga
mengalami ketertinggalan dalam belajarnya. Siswa yang mengalami gangguan
penglihatan senantiasa terbatas dalam interaksi dengan lingkungan. Mereka tidak
melihat ekspresi wajah sepenuhnya, tidak dapat meniru perilaku social, terkadang tidak
menyadari kehadiran orang lain kecuali suara. Oleh sebab itu siswa tunanetra
mendapatkan pengetahuan tentang matematika khsusnya poerasi hitung penjumlahan
dan pengurangan bilangan bulat dari objek fisik dengan pengamatan radar (raba dan
atau dengar) yang memberikan pengalaman kinestetik. Kesulitan terbesar adalah sulit
mengenali fakta mengenai warna dan dinamikanya. Ketunanetraan yang terjadi pada
siswa membawa konsekuensi terhadap terhambatnya perkembangan berpikir siswa
tersebut. Hambatan perkembangan kognitif tersebut terjadi karena siswa tunanetra
sangat terbatas dalam partisipasi untuk merespon informasi melalui fungsi penglihatan
mengamati dunia sekitarnya.
Variasi ganguan penglihatan siswa tunanetra pada umumnya dapat dibedakan
atas (1) siswa yang tidak bisa melihat secara total, (2) siswa yang dapat melihat
bentuk-bentuk jika dibesar, (3) siswa yang bisa melihat tulisan jika hasil tulisan
diperbesar. Oleh sebab itu untuk merancang suatu pembelajaran penting mengenal
karakteristik gangguan penglihatan siswa yang dikelasifikasikan sebagai siswa
tunanetra. Dari variasi ini dapat diartikan bahwa siswa tunannetra berarti siswa yang
mengalami kelainan/gangguan penglihatan.
Kondisi di atas ditandai dengan (a) ketajaman penglihatan yang kurang dari
kondisi normal, (b) posisi atau letak mata yang tidak wajar, (c) luas media pandang
penglihatan kurang dari keadaan normal. Fakta lain ditemukan bahwa kondis kebutaan
berupa buta warna, mata juling, mata besar (keluar) mata kecil (sipit) termasuk
tunanetra.
Deskripis di atas mengakibatkan pengertian tunanetra sangat variatif tergantung dari
sudut pandang atau dari disiplin ilmu apa seseorang memberikan definisi. Meskipun
demikian, dalam kajian ini diberikan definisi bahwa dari sisi pembelajaran siswa
tunanetra adalah siswa yang mengalami gangguan pada indera lihat sedemikian rupa
dalam pembelajaran harus dibantu dengan media tertentu untuk dapat memahami apa
yang dibelajarkan kepadanya. Deskripsi tentang siswa tunanetra tersebut selajan dengan
pendapat Susanto (2009 : 2) yang mengatakan bahwa anak tunanetra adalah anak yang
indera penglihatannya (kedua‐duanya) tidak berfungsi sebagai saluran penerima
informasi dalam kegiatan sehari‐hari seperti halnya anak awas; ia tidak mampu lagi
memanfaatkan indra penglihatannya. Ia hanya dapat dididik melalui saluran lain selain
mata. Hal yang serupa dikemukakan oleh Wijaya (2014 : 12) yang di maksud dengan
220
ISBN: 978-602-72198-6-1
SENAMAS 2017
tunanetra adalah seorang yang memiliki hambatan dalam penglihatan atau tidak
berfungsinya indera penglihatan.
Effendi (2008 : 30 ) dalam salah satu klasifikasi siswa tunanetra yang dipaparkannya
disebutkan bahwa jika ditinjau dari ketidak mampuan melihat, maka siswa tunanetra
dikategorikan atas (a) ketidakmampuan melihat taraf ringan, dalam hal siswa ini masih
dapat melakukan kegiatan tanpa harus menggunakan alat bantu khusus dan kegiatan
seharihari dapat dikerjakan tanpa hambatan, (b) ketidakmampuan melihat taraf sedang.
Pada taraf ini masih dapat melakukan kegiatan dengan menggunakan kedekatan dan alat
bantu khusus dan (c) ketidakmampuan melihat pada taraf parah.
2.2 Pembelajaran Penjumlahan dan Pengurang Untuk Siswa Tunanetra.

Di kelas pembelajaran matematika, semua siswa memiliki kebutuhan individu
sesuai dengan gaya belajar masing-masing. Oleh sebab itu strategi pembelajaran yang
efektif dapat harus mendukung pembelajaran matematika untuk semua siswa. Ini tidak
berarti bahwa setiap siswa menerima instruksi yang sama, tapi penyesuaian yang wajar
dan tepat dilakukan untuk melayani siswa sehingga tujuan pembelajaran tercapai.
Variasi ketidakmampuan melihat menjadi pertimbangan utama dalam pembelajaran
matematika, sebab terdapat siswa yang mungkin membutuhkan lebih banyak waktu
untuk menacapai tujuan tertentu. Siswa lain mungkin membutuhkan sumber daya
tambahan dan perhatian individu yang lebih dari pada yang lain. Pembelajaran
matematika bagi siswa berkebutuhan khusus sesungguhnya adalah pemberian layanan
belajar. Pemberian layanan belajar dalam pembelejaran matematika kepada siswa tunanetra
memanfaatkan indra peraba dan pendengarnya dengan sangat maksimal sebagai pengganti
indra penglihatannya. Bagi siswa tunanetra indera pendengaran sangatlah penting karena
pendengaran memberikan informasi kepada mereka mengenai sekitarnya. Indra peraba juga
menjadi komponen penting bagi siswa tunanetra untuk belajar. Karena kehilangan fungsi
indra penglihatnya, siswa tunanetra cenderung meraba suatu benda untuk mengenali benda
tersebut baik bentuknya, panjangnya, kasar atau halusnya.
Berbagai usaha yang dapat dilakukan guru dalam melakukan pembelajaran
matematika kepada siswa tunanetra antara lain mengembangkankan media
pembelajaran. Fakta yang teramati dari siswa tunanetra dalam pembelajaran adalah (1)
dalam melakukan kegiatan belajar matematik, siswa tunanetra harus dibantu dengan alat
bantu penglihatan, (2) hambatan dalam melakukan aktivitas dalam pembelajaran secara
visual sehingga harus memaksimalkan indera lainnya, (3) siswa yang nengalami
hambatan total dalam penglihatan tidak mampu membedakan terang dan gelap.Kondisi
ini menuntut guru untuk menggunakan berbagai media dalam pembelajaran matematika.
Memperhatikan variasi gangguan penglihatan seperti yang diuraikan di atas,
maka aktivitas penting yang harus dilakukan guru matematika terhadap siswa tunanetra
dalam pembelajaran matematika adalah :
1) Merencanan aktivitas belajar yang menciptakan kondisi pembelajaran matematika
bersesuain dengan objek matematika yang harus dikuasai siswa tunanetra
2) Menganalisis dengan cermat variasi gangguan penglihatan siswa dan memodifikasi
lingkungan pembelajaran menjadi sesuai dengan kondisi siswa tunanetra untuk
belajar matematiak (termasuk belajar operasi hitung penjumlahan dan pengurangan
bilangan bulat)
221
ISBN: 978-602-72198-6-1
SENAMAS 2017
2) Menganalisis dan mensitesis secara terpadu indera yang dapat dioptimalkan

fungsinya, untuk mengimbangi kelemahan yang disebabkan oleh tidak berfungsinya
penglihatan dalam pembelajaran matematika.
Pembelajaran operasi hitung penjumlahan dan pengurangan bilangan bulat
kepada siswa tuanentra kelas IV merupakan proses rekayasa lingkungan sedemikian
sehingga menjadi seperangkat aktivitas produktif yang direncanakan, dirancang
dilaksanakan untuk memotivasi siswa tunanetra demi terjadinya usaha belajar.
Dalam pembelajaran operasi hitung penjumlahan dan pengurangan bilangan bulat, siswa
tunanetra kelas IV perlu dilatih secara bertahap sehingga mereka terampil dalam
menggunakan algoritma dan memahami prinsip matematika. Pada posisi inilah dituntut
kemampuan guru dalam merekayasa lingkungan agar siswa tunanetra belajar. Cara
belajar siswa tunanetra pasti berbeda dengan siswa awas umumnya. Siswa tunanetra
mengalami kesulitan dalam mempelajari konsep operasi hitung penjumlahan dan
pengurangan bilangan bulat apabila menggunakan visual.
Pengenalan objek matematika kepada siswa tunanetra dapat dilakukan dengan
berbagai usaha rekayasa lingkungan. Untuk operasi hitung penjumlahan dan
pengurangan bilangan bulat. Salah satu hasil rekayasa lingkungan dimaksud adalah
mengembangkan media pembelajaran operasi hitung penjumlahan dan pengurangan
bilangan bulat dalam bentuk kartu bilangan. Kartu bilangan berfungsi sebagai media
pembelajaran operasi hitung penjumlahan dan pengurangan bilangan bulat untuk siswa
tunanetra. Kartu bilangan dimakasud dikonstruksi untuk menunjukkan fakta-fakta
bilangan bulat kepada siswa tunanetra dengan kesepakatan sebagai berikut.
1) Bilangan positif dikonstruksi sebagai perbukaan halus;
2) Bilangan negatif dikonstruksi sebagai perbukaan kasar;
3) Bilangan satuan dikonstruksi dalam bentuk kartu segitiga;
4) Bilangan puluhan dikonstruksi dalam bentuk kartu segiempat;
5) Bilangan ratusan dikonstruksi dalam bentuk kartu lingkaran;
Adapun variasi bilangan bulat yang diproses dalam penjumlahan dan pengurangan
adalah sebagai berikut:
1) Penjumlahan bilangan bulat terdiri dari :
a. Penjumlahan bilangan positif dan bilangan positif.
b. Penjumlahan bilangan positif (angka lebih besar) dan bilangan negatif.
c. Penjumlahan bilangan positif dan bilangan negative (angka lebih besar).
d. Penjumlahan bilangan negatif (angka lebih besar) dan bilangan negatif.
2) Pengurangan bilangan bulat terdiri dari :
a. Pengurangan bilangan positif dan bilangan positif.
b. Pengurangan bilangan positif (angka lebih besar) dan bilangan negatif.
c. Pengurangan bilangan positif dan bilangan negatif (angka lebih besar).
d. Pengurangan bilangan negatif (angka lebih besar) dan bilangan negatif.
Pasangan satu kartu positif dengan satu kartu negatif dalam operasi hitung penjumlahan
dan pengurangan hasilnya sama dengan nol.
Media kartu bilangan bulat digunakan untuk memproses prinsip opersi
penjumlahan dan pengurangn bilangan. Jika siswa tunanetra sudah memahami prisnsip
sebagai algoritma dalam proses opersi, maka pada kesempatan lain siswa
menggeneralisasi algoritma tersebut tanpa menggunakan media kartu bilangan.
Contoh proses opersai penjumlahan : 17 + (-25). Algoritma adalah sebagai berikut.
222
ISBN: 978-602-72198-6-1
SENAMAS 2017
(1) Siapkan 1 kartu buluhan dan 7 kartu satuan positif (tekstur halus), 2 kartu puluhan
negatif dan 5 kartu puluhan nengatif (tekstur kasar);
(2) Pasangkan masing-masing satu kartu puluhan positif dengan satu kartu puluhan
negatif, satu kartu satuan dengan satu kartu satuan;
(3) Ganti satu kartu puluhan negative dengan 10 kartu satuan negative
=
,
(4) Lakukan hal yang sama seperti pada langkah nomor (2)
Sedemikian sehingga kartu satuan negatif yang tidak mendapat pasangan adalah
sebanyak 8 kartu;
(5) Kesimpulan :
Hasil dari 17 + (-25) adalah -8. Jadi 17 + (-25) = -8
Proses serua dilakukan pula untuk bentuk penjumlahan yang lain. Khusus untuk proses
pengurangan dianalog dari penjumlahan. Penting diingat yang berkaitan dengan proses
pengurangan adalah mendefinisikan pengurangan sebagai penjumlahan dengan lawan
pengurangnya. Definisi dimaksud adalah a – b = a + (-b), dengan a dan b bilangan
bulat.
Dalam bentuk survey, penelitian ini dilaksanakan di Sekolah Dasar Luar Biasa
(SDLB) di PLB Kota Gorontalao, PLB Kabupaten Gorontalo dan PLB Kabupatena
Bone Bolango Provinsi Gorotalo semester tahun pelajaran 2016/2017.
1) Penyiapan media kartu bilangan, aktifitasnya adalah :
(1) Pendefinisien yang meliputi:
a. menganalisis kurikulum, menganalisis siswa dan kebutuhannya dalam
pembelajaran opersi hitung penjumlahan dan pengurangan bilangan bulat;
b. spesifikasi objek matematika dan tujuan pembelajaran opersi hitung
penjumlahan dan pengurangan bilangan bulat;
(2) Mendesain kartu bilangan bulat.
(3) Desain dan validasi konstruksi kartu bilangan bulat.
2) Imlementasi media kartu bilangan dalam opersi hitung penjumlahan dan
pengurangan bilangan bulat.
3) Pengumpulan data
4) Analisis data.
5) Interpretasi data.
223
ISBN: 978-602-72198-6-1
SENAMAS 2017
4. Hasil Penelitian dan Pembahasan.

Penggunaan kartu bilangan bulat sebagai media pembelajaran operasi
penjumlahan dan pengurangan di dasarkan pada keyakinan bahwa media tersebut
memenuhi indikator sebagi media pembelajaran. Indikator tersebut menjadi butir
instrument penilaian panelis. Data empirik sebagai hasil respon panelis terhadap media
kartu bilangan bulata adalag sebagai beriku.
Tabel. Hasil Penilaian Panelis Terhadap Kartu Bilangan Bulat

Jumlah Skor dari Panelis
No Indikator Penilaian
I II III
1 Aman 2 2 2
2 Mudah dan murah 1 1 2
3 Menarik 1 1 1
4 Memacu Bergerak 2 2 2
5 Sesuai dengan kebutuhan 2 1 1
6 Sesuai dengan tujuan 3 3 2
7 Tidak mudah rusak 1 1 1
8 Sesuai dengan lingkungan 0 1 0
Total Skor 12 12 11
Persesntase 85,71% 85,71% 78,57%
Rata-rata hasil penilaian panelis adalah 83,33%, hal ini menunjukkan bahwa
kartu bilangan bulat praktis dan layak dipakai serta diproduksi terbatas untuk
pembelajaran operai penjumlahan dan pengurangan bilangan bulat bagi siswa tunanetra
kelas IV.
Skor hasil belajar dengan menggunakan media kartu bilangan untuk operasi
penjumlahan dan pengurang bilangan bulat disajian pada diagram berikut.
Diagram 1. Skor Tes Akhir Siswa Tunanetra Dalam Operasi Penjumlahan dan
Pengurangan Bilangan Bulat
Jika dikonsultasikan dengan total skor naskah tes akhir yakni 128 dan ketuntasan
tidak kurang dari 65%, maka dari diagram ini diperoleh bahwa 83,33% siswa yang
tuntas dalam operasi hitung penjumlahan dan pengurangan bilangan bulat menggunakan
kartu bilangan.
224
ISBN: 978-602-72198-6-1
SENAMAS 2017
Persentase penguasaan objek matematika siswa tunanetra berdasarkan hasil

pengamata dalam operasi penjumlahan dan pengurangan bilangan bulat menggunakan
kartu bilangan bulat adalah sebagai berikut.
Diagram 2. Persentase Pengamatan Penguasaan Objek Matematika Siswa Tunanetra

dalam Pembelajaran Operasi Penjumlahan dan Pengurangan Menggunakan
Kartu Bilangan
Kode Responden
Hasil belajar siswa tunanetra pada operasi penjumlahan dan pengurangan

bilangan bulat ditentukan oleh penguasaan fakta dan prosedur operasi hitung. Prosedur
operasi hitung sangat menentukan penguasaan konsep. Dari data yang disajikan pada
diagram 2 menunjukkan bahwa peguasaan siswa tunanetra untuk rata-rata persentase
objek fakta dan operasi tidak kurang dari 80,00% dan rata-rata persentase objek konsep
dan prosedur tidak lebih dari 80,00%. Penguasaan konsep dan prosedur sangat
menetukan penguasaan operasi penjumlahan dan pengurangan bilangan bulat bagi siswa
tunanetra jika tidak lagi menggunakan kartu bilangan. Fakta ini dapat ditunjukan ketika
siswa tunanetra diberikan soal penjumlahan atau pengurangan dan diminta jawaban
langsung. Untuk memperoleh jawaban yang benar cukup lama memproses untuk
mendapatkan hasil hitungan yang benar.
5. Kesimpulan dan Saran

5.1 Kesimpulan
Kajian teoretis dan data fakta melalu deskripsi dan analisi data dari penelitian ini
menunjukkan bahwa.
1) Siswa tunanetra kelas IV membutuhkan layanan khusus dalam pembelajaran
operasi penjumlahan dan pengurangan bilangan bulat. Media layanan belajar untuk
itu adalah menggunakan media kartu bilangan bulat.
2) Proses layanan dalam pembelajaran menggunakan kartu bilangan dapat
meningkatkan kemampuan siswa tunanetra dalam penjumlahan bilangan bulat.
3) Hasil belajar siswa tunanetra kelas IV pada operasi penjumlahan dan pengurangan
bilangan bulat menjadi lebih baik seiring dengan penguasaan mereka terhadap objek
matematika yakni fakta, prosedur, operasi dan konsep.
225
ISBN: 978-602-72198-6-1
SENAMAS 2017
5.2 Saran
1) Perkembangan siswa tunanetra dan deskripsi ketuanentraannya penting menjadi
pertimbangan dalam merencanakan dan memberikan layanan belajar melalui
pembelajaran matematika
2) Kartu bilangan bulat bukan satu-satunya media untuk pembelajaran operasi
penjumlahan dan pengurangan bilangan bulat kepada siswa tunanetra kelas IV.
3) Penggunaan media pembelajaran matematika bagi siswa tunanetra fokuskan kepada
penguasaan objek matematika yakni fakta, prosedur, operasi dan konsep dan
keterkaitannya.
Daftar Pustaka
[1] Ahmad Nawawi, 2007. Pendididkan Anak Tunanetra. Bandung. Jurusan
Pendidikan Luar Biasa FIP-UPI.
[2] Anggito Saputra, 2012. Pengertian Tunanetra.

http://anggitosaputra.blogspot.co.id/2012/06/ pengertian-tunanetra.html. Diakses
Sabtu, 22 April 2017; Pukul 21.34
[3] Aisyah, Siti. 2015. Perkembangan Peserta Didik Dan Bimbingan Belajar.
Yogyakarta: Deepublish.
[4] Djiwandono, Wuriyani.2002. Psikologi Pendidikan . Jakarta : Grasindo
[5] Effendi, Mohammad. 2008. Pengantar psikopedagogik anak berkelainan.

Jakarta :Bumi aksara.
[6] Hamzah, Ali dkk. 2014. Perencanaan dan Strategi Pembelajaran Matematika.
Jakarta: PT RajaGrafindo Persada.
[7] Irham Hoesni.1988. Tinjauan tentang Pelayanan orientasi dan Mobilitas Bagi
unanetra di SLB bagian A serta pengembangan konsep pada usia dini. FIP
IKIP Bandung.
[8] Martin, R., Sexton, C., Franklin, T., & Gerlovich, J. 2005. Teaching science for
all children (3rdedition). New York: Pearson.
[9] Munandi, Yudhi. 2008. Media Pembelajaran. Jakarta : Gaung Persada.
[10] Nahdiyah Abdullah, 2012. Bagaimana Mengajar Anak Tunanetra. Magistra No.
82 Th. XXIV Desember 2012 ISSN 0215-9511. Klaten. Fakultas Psikologi
UNWIDHA.
[11] Patricia Carlton and Jennifer Hertzfeld. 2016. Teaching Student With Sensory
Inpairements. The Ohio State University Partnership Grant Improving the Quality
of Education for Students with Disabilities
226
ISBN: 978-602-72198-6-1
SENAMAS 2017
[12] Sanjaya, Wina. 2013. Strategi Pembelajaran Berorientasi Standar Proses

Pendidikan. Jakarta : KENCA PRENADAMEDIA GROUP
[13] Susanto, 20015. Proses Berpikir Anak Tunanetra Dalam Menyelesaikan

Operasi Aljabar Pada Permasalahan Luas Dan Keliling Persegi Panjang.
[14] Widjaya, Ardhi. 2014. Seluk Beluk Tunanetra Dan Strategi Pembelajarannya
Jogjakarta: Javalitera.
[15] Wiriaatmadja, Rochiati, 2009. Metode Penelitian Tindakan Kelas (Untuk

Meningkatkan Kinerja Gurudan Dosen). Bandung : PT Remaja Rosdakarya.
[16] Yusmaneli, 2012. Meningkatkan Kemampuan Penjumlahan Bilangan Bulat

Positif Negatif Menggunakan Lidi Berwarna Pada Siswa Tunagrahita Ringan.
Padang. E-JUPEKhu UNP.
227
ISBN: 978-602-72198-6-1
SENAMAS 2017
Analisis Data Curah Hujan Menggunakan

Metode Empirical Orthogonal Function (Eof)
Andi Dian Angreani BJ, Amran, Andi Kresna Jaya
Departemen Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Hasanuddin
E-mail: andidianangreanibj@gmail.com
Abstrak
Data curah hujan yang diukur dalam dimensi waktu dan spasial, umumnya
memiliki ukuran data yang sangat besar. Hal tersebut mengakibatkan munculnya
masalah komputasi pada analisis data curah hujan berbasis matriks. Penelitian ini
menggunakan metode Empirical Orthogonal Function (EOF) untuk menganalisis pola
perubahan data curah hujan secara spasial dan temporal. Dalam implementasinya,
Metode EOF digunakan untuk mereduksi dimensi data yang cukup besar. Metode EOF
juga dapat digunakan untuk menganalisis pola-pola dominan dalam data, baik dalam
dimensi ruang maupun dimensi waktu. Aplikasi metode EOF pada data intensitas curah
hujan harian di 22 kota/kabupaten Provinsi Sulawesi Selatan periode 2001-2015
menunjukkan bahwa variabel EOF 1 memiliki variansi sebesar 26 persen dan
menunjukkan keberadaan outlier di Kabupaten Bulukumba, Bantaeng, Gowa, Barru,
Pare-pare, Sidrap, Wajo, Soppeng, Sinjai, Enrekang, Luwu, Tana Toraja, Luwu Timur,
dan Luwu Utara. Variabel EOF 2 memiliki variansi sebesar 13 persen dan menunjukkan
bahwa trend curah hujan di Propinsi Sulawesi Selatan dipengaruhi oleh lokasi
disekitarnya.
Kata Kunci : Curah Hujan, Empirical Orthogonal Function (EOF), outlier, trend
1. Pendahuluan
Data curah hujan juga merupakan data yang memiliki dimensi matriks cukup
besar dan sulit untuk dianalisis. Oleh karena itu, dibutuhkan cara yang tepat untuk
menganalisis data tersebut agar diperoleh informasi. Salah satu metode yang dapat
digunakan adalah metode Empirical Orthogonal Function (EOF).
Metode EOF adalah metode yang digunakan untuk mereduksi dimensi matriks
data yang cukup besar agar lebih mudah untuk dianalisis. Menurut Bjornsoon H dan
Venegas (1997) menyatakan bahwa metode EOF dikenal sebagai metode Principal
Component Analysis (PCA) atau analisis komponen utama. Namun, letak perbedaan
dari kedua metode adalah EOF cenderung pada analisis pola ruang dan waktu,
sedangkan PCA tidak berkorelasi dengan waktu.
Pada data curah hujan, deteksi outlier dan trend sangat penting peranannya dalam
menentukan lokasi-lokasi yang memiliki perilaku curah hujan yang berbeda dari lokasi
lainnya. Selain itu, deteksi trend pada satu lokasi dapat digunakan untuk melihat pola
perilaku curah hujan di waktu mendatang. Pola yang dihasilkan dapat berupa pola
outlier yang menyebar secara random atau polanya membentuk kluster.
228
ISBN: 978-602-72198-6-1
SENAMAS 2017
2. Tinjauan Pustaka
2.1. Matriks Data
Grid kumpulan data yang terdiri atas ruang dan waktu Y (𝑛, 𝑝) mewakili nilai dari
bidang pada ruang 𝑛 dan waktu 𝑝 sehingga bidang yang diamati direpresentasikan
dalam data matriks sebagai berikut :
(1)
Misalkan rata-rata waktu 𝑦𝑗 pada data musiman, maka titik point ke- 𝑗, dapat
diselesaikan dengan persamaan berikut:
𝑦
̅
𝑗
∑𝑛 𝑦 𝑗 , 𝑗 𝑝 (2)
𝑛
Data musiman yang outlier, dari klimatologi didefinisikan 𝑗 :
𝑗 𝑦 𝑦̅ (3)
Atau dalam matriks membentuk :
𝑦̅ ( ) (4)
Variansi sampel dari data observasi dapat didefinisikan sebagai:
(5)
2.2 Dekomposisi Nilai Singular

Dekomposisi nilai singular atau Singular Value Decomposition (SVD)
dari sebuah matriks dengan ukuran 𝑛 𝑝 (dengan baris dan 𝑝 kolom) adalah hasil
dekomposisi dari tiga matriks berbeda, seperti di bawah :
𝐴 = 𝑈Σ𝑉𝑇 (6)
dengan 𝑈 = [𝑢1, 𝑢2, … 𝑢𝑛] dan 𝑉 = [𝑣1, 𝑣2, … 𝑣𝑝] adalah matriks uniter dari
dimensi 𝑛 dan 𝑝 . Σ adalah matriks diagonal dan dinyatakan Ʃ = diag (𝜎1, 𝜎2, . . . 𝜎n).
Kolom dari 𝑈 dan 𝑉 adalah vektor singular kiri dan kanan dari matriks 𝐴. Menandakan
kolom dari matriks 𝑈 adalah vektor eigen dari matriks 𝐴𝐴𝑇 dan kolom dari 𝑉 adalah
vektor eigen matriks 𝐴𝑇𝐴. Nilai eigen () dari matriks C(mxm) dan D(mxm) yang diperoleh
dari determinan matriks  yang disamakan dengan 0,
| | (7)
2.3 Analisis EOF

Analisis EOF bertujuan untuk mentransformasikan 𝑝 peubah asal yang saling
berkorelasi menjadi 𝑘 buah komponen ortogonal (tidak berkorelasi). Komponen utama
dapat dituliskan sebagai berikut:
𝑛
𝑘 𝑗 ∑ 𝑗 𝑣𝑘 𝑗 (8)
dengan 𝑘 = 1, 2, … , 𝑝 dan 𝑣𝑘 adalah vektor singular dari matriks variansi kovariansi.
Komponen utama pertama menjelaskan proporsi varian terbesar. Komponen
utama kedua merupakan kombinasi linear dari seluruh variabel yang diamati yang
bersifat orthogonal terhadap komponen utama pertama dan memiliki varian terbesar
kedua dan seterusnya. Oleh karena itu, komponen utama ke-k memiliki varian
maksimum ke-k dan tidak berkorelasi dengan komponen utama sebelumnya. Proporsi
varian dari 𝑘 buah komponen utama:
229
ISBN: 978-602-72198-6-1
SENAMAS 2017
𝑘
𝑘 ∑
𝑝 (9)
𝑘 𝑘
EOF bersifat non-orthogonal dan komponen utama tidak berkorelasi. Sifat

ortogonalitas menyediakan dasar lengkap dimana bidang waktu bervariasi dapat
dipisahkan sebagai berikut:
𝑗 ∑ 𝑣 𝑗 (10)
dengan 𝑚 = 1, 2, … 𝑟 merupakan rank dari matriks data curah hujan.
2.4 Uji Mann-Kendall
Uji Mann-Kendall adalah uji non parametrik yang digunakan untuk melihat ada
tidaknya trend pada suatu deret data. Hipotesis dari uji Mann Kendall adalah sebagai
berikut :
𝐻0 ∶ data tidak mengandung trend
𝐻1 : data mengandung trend
Stastistik uji Mann Kendall didefinisikan sebagai (Hirsch dkk, 1982) :
∑ ∑ 𝑛 𝑦 𝑦 (11)
Jika nilai maka terdapat kecenderungan naik, jika maka terdapat
kecenderungan turun. Jika nilai maka tidak terdapat kecenderungan. Selanjutnya
dihitung variansi dari dengan :
𝜎 𝑛 𝑛 𝑛 (12)
Nilai variansi selanjutnya digunakan untuk memperoleh nilai . Hipotesis
yang digunakan dalam uji ini yaitu 𝐻 berarti tidak terdapat trend dan berarti
terdapat trend. ditolak apabila | 𝑢𝑛 | .
3. Aplikasi Analisis EOF Pada Data Intensitas Curah Hujan
Data yang digunakan dalam penelitian ini merupakan data sekunder yang
diperoleh dari Kementerian Pekerjaan Umum (PU) dan Perumahan Rakyat, Balai Besar
Wilayah Sungai Pompengan – Jeneberang Makassar. Data curah hujan diambil dari 22
Kabupaten/Kota di Provinsi Sulawesi Selatan dalam kurun waktu tahun 2001-2015.
Lokasi sampel terdiri dari Bulukumba, Bantaeng, Je’neponto, Takalar, Gowa, Makassar,
Maros, Pangkep, Barru, Pare-Pare, Pinrang, Sidrap, Enrekang, Soppeng, Bone, Sinjai,
Wajo, Luwu, Palopo, Tana Toraja, Luwu Utara, dan Luwu Timur. Program komputer
yang digunakan pada proses penelitian ini adalah program matlab, program Rstudio dan
program ArcGis 10.2.
Sebelum menentukan matriks variansi kovariansi, terlebih dahulu membuat
matriks pada persamaan (1). Setelah itu menentuka nilai rata-rata untuk setiap waktu
pada lokasi yang berbeda dengan menggunakan persamaan (2). sehingga diperoleh
matriks rataan sebagai berikut :
Selanjutnya menghitung data musiman yang outlier, dinotasikan z (i,j), dapat

dihitung menggunakan persamaan (3), yang selanjutnya akan digunakan persamaan (4)
untuk membentuk matriks data . Menghitung matriks variansi kovariansi
menggunakan persamaan (5) dan diperoleh nilai :
230
ISBN: 978-602-72198-6-1
SENAMAS 2017
[ ]
Nilai singular dapat ditentukan menggunakan persamaan (7), sehingga diperoleh
dari output matlab:
Setelah memperoleh nilai singular, maka ditentukan vektor-vektor singular

berdasarkan nilai eigen yang diperoleh. Vector-vektor eigen sebagai berikut:
Hasil uraian persamaan (8), nilai komponen utama dapat dilihat pada Tabel 1:
Tabel 1 Nilai Komponen Utama Data Intensitas Curah Hujan
No C(1) C(2) C(3) C(4) C(5) ... C(21)
1 -54,4 -61,48 -9,09 33 -39,81 ... 44,8866
2 44,62 9,59 80,02 147,66 69,39 ... -3,21
3 -29,13 -77,44 -68,37 61,31 -35,49 ... -4,87
4 -72,76 117,02 -42,33 44,52 -19,72 ... -3,05
5 -29,49 18,39 -25,46 -43,93 55,67 ... -0,65
6 -64,93 13,39 -102,65 -46,26 28,45 ... -4,02
7 -29,51 -7,26 -13,34 -13,39 -4 ... 15,88
8 -4,13 85,17 -46,44 3 14,76 ... 6,09
9 40,53 118,54 -66,44 20,39 -2 ... -5,95
10 -79,43 -55,73 -33,6 17,25 -12,24 ... -20,64
11 3,26 -14,29 18,32 -21,15 69,51 ... 16,89
12 41,18 13,78 50,52 -50,79 49,87 ... 0,75
13 -101,36 -86,37 34,11 -60,48 25,14 ... -5,12
14 -19,68 -21,65 31,18 -2,83 24,44 ... -9,35
15 2,89 -29,55 25,73 -11,92 -1,54 ... -25,38
16 327,47 -73,99 -70,77 -11,29 -6,46 ... -0,19
17 -42,89 -35,94 -0,31 -11,36 -37,7 ... -8,67
18 3,69 32,98 55,64 -11,28 -80,34 ... -3,84
19 24,38 2,36 64,39 13,79 -16,58 ... -2,35
20 -37,84 -21,2 -2,33 5,21 3,84 ... 12,26
21 73,56 94,89 79,85 -65,19 -39,59 ... 7,68
22 3,98 -21,19 41,36 3,72 -45,59 ... -6,91
Sumber : Hasil Olah Data
231
ISBN: 978-602-72198-6-1
SENAMAS 2017
Tabel 1 menunjukkan nilai komponen utama yang terdapat pada data intensitas
curah hujan. Komponen utama yang diperoleh pada penelitian ini sebanyak 21 variabel.
Komponen utama merupakan komponen yang tidak berkorelasi dengan komponen yang
lainnya.
Selain itu, untuk menentukan proporsi variansi tiap variabel yang tidak
berkorelasi, digunakan persamaan (9). Nilai proporsi varian dari komponen utama dapat
dihitung sebagai berikut :
Tabel 2 Nilai Proporsi Varian Data Intensitas Curah Hujan

No Variansi Individu Variansi Kumulatif
1 0,26 0,26
2 0,13 0,39
3 0,09 0,48
4 0,08 0,56
5 0,05 0,61
6 0,05 0,66
7 0,05 0,71
8 0,04 0,75
9 0,04 0,79
10 0,03 0,82
11 0,03 0,85
12 0,03 0,88
13 0,02 0,9
14 0,02 0,92
15 0,02 0,94
16 0,01 0,95
17 0,01 0,96
18 0,01 0,97
19 0,01 0,98
20 0,01 0,99
21 0,01 1
22 0 1
Tabel 2 menunjukkan variansi tiap komponen utama yang tidak berkorelasi.
Komponen utama yang dihasilkan sebanayak 21. Jadi, variabel yang saling tidak saling
berkorelasi sebanyak 21. Setelah memperoleh nilai komponen utama, maka dihitung
nilai EOF menggunakan persamaan (10), sehingga diperoleh hasil Tabel 3.
Tabel 3 menunjukkan nilai EOF yang diperoleh dari kombinasi linear komponen
utama dengan vektor singular. Pada tabel, dapat dilihat bahwa terdapat 180 EOF.
Namun, pada penelitian ini digunakan EOF 1 dan EOF 2. Seperti halnya yang telah
dijelaskan oleh Hannachi A (2004) bahwa EOF 1 digunakan untuk mendeteksi outlier
dan EOF 2 digunakan untuk uji trend. Oleh karena itu, penelitian ini menggunakan EOF
1 dan EOF 2.
232
ISBN: 978-602-72198-6-1
SENAMAS 2017
Tabel 3 Nilai EOF Data Intensitas Curah Hujan

EOF
NO EOF 1 EOF 2 EOF 3 EOF 4 ...
180
1 2,85 -14,96 2,13 8,41 3,23
2 3,38 15,59 11,3 -27 -3,42
3 7,57 -32,33 19,75 15,66 -0,41
4 4,38 14,74 0,13 19,97 3,38
5 -1,53 -1,69 7,57 -20,12 2,69
6 1,43 -20,01 10,39 9,99 -1,96
7 1,15 -9,22 8,12 2,12 -3,44
8 -2,84 17,86 -4,68 -4,82 -2,41
9 -9,7 9,55 -11,01 -8,09 -1,59
10 1,09 -12,78 -7,34 20,04 -1,49
11 -2,39 0,93 -4,86 -0,88 -3,72
12 4,3 8,34 6,98 4,29 -5,88
13 11,25 -37,81 10,73 38,07 -0,37
14 2,73 -7,69 0,49 -5,69 4,95
15 -0,2 1,82 -6,47 -9,21 -1,49
16 -7,15 9,46 -21,68 -9,32 5,01
17 2,67 -2,97 4,77 -6,77 0
18 -4,04 22,64 25,3 -23,74 -1,44
19 -1,36 8,3 -12,59 -21,99 -2,7
20 4,16 -0,46 2,13 2,49 0,49
21 -11,95 27,82 -25,09 -13,58 6,37
22 -5,79 2,89 -16,1 11,18 4,21
Hasil perhitungan statistik dari uji Mann-Kendall disajikan pada Tabel 4
menunjukkan bahwa trend naik terjadi pada lokasi Bulukumba, Bantaeng, Je’neponto,
Maros, Pangkep, Barru, Pare-Pare, Sinjai, Palopo dan Luwu Utara. Trend turun terjadi
pada lokasi Takalar, Gowa, Makassar, Pinrang, Sidrap, Wajo, Soppeng, Bone,
Enrekang, Luwu, Tana Toraja dan Luwu Utara.
Tabel 4 Nilai Statistik uji Mann-Kendall Data Intensitas Curah Hujan

Lokasi S Keterangan
Bulukumba 1174 Trend naik
Bantaeng 1265 Trend naik
Jeneponto 2824 Trend naik
Takalar -528 Trend turun
Gowa -754 Trend turun
Makassar -451 Trend turun
Maros 220 Trend naik
233
ISBN: 978-602-72198-6-1
SENAMAS 2017
Lokasi S Keterangan
Pangkep 1813 Trend naik
Barru 3575 Trend naik
Pare-Pare 536 Trend naik
Pinrang -2928 Trend turun
Sidrap -286 Trend turun
Wajo -8163 Trend turun
Soppeng -140 Trend turun
Bone -583 Trend turun
Sinjai 2845 Trend naik
Enrekang -109 Trend turun
Luwu -248 Trend turun
Palopo 2388 Trend naik
Tana Toraja -909 Trend turun
Luwu Timur -170 Trend turun
Luwu Utara 2529 Trend naik
Outlier adalah nilai yang jauh lebih kecil dari 1,5 kali range interkuartil, lebih
besar dari kuartil ketiga atau lebih kecil dari kuartil pertama. Jika kuartil terbawah
adalah Q1 dan kuartil teratas adalah Q3, maka perbedaan antara Q3 dan Q1 disebut
sebagai range interkuartil/IQ. Hans et al. (2009) memberikan rumusan bahwa outlier
adalah nilai yang simpangannya lebih besar dari 3 kali standar deviasi. Hasil
perhitungan uji outlier setiap lokasi dapat dilihat pada Tabel 5.
Berdasarkan Tabel 5, dapat dilihat bahwa outlier pada data curah hujan pada
lokasi Bulukumba, Bantaeng, Gowa, Barru, Pare-Pare, Sidrap, Wajo, Soppeng, Sinjai,
Enrekang, Luwu, Tana Toraja, Luwu Timur, dan Luwu Utara mempunyai nilai data
intensitas curah hujan lebih besar dari batas tertinggi nilai uji outlier pada setiap lokasi.
Sedangkan data intensitas curah hujan pada lokasi Je’neponto, Takalar, Makassar,
Maros, Pangkep, Pinrang, Bone dan Palopo lebih kecil dari batas tertinggi nilai uji
outlier. Hal ini bersesuaian dengan banyaknya hujan yang terjadi dan banyaknya hujan
pada wilayah tersebut. Dengan demikian, outlier berkaitan dengan frekuensi curah
hujan. Semakin sering terjadi hujan, maka semakin berpotensi terjadinya outlier atau
dengan kata lain probabilitas ditemukan outlier semakin tinggi jika frekuensi hujan
semakin tinggi. Penjelasan lain adalah bahwa outlier berkaitan dengan proses
pembentukan hujan, karena waktu kejadian hujan secara tidak langsung menunjukkan
proses pembentukan. Berikut gambar peta EOF 1 untuk melihat lokasi outlier dan tidak
outlier.
234
ISBN: 978-602-72198-6-1
SENAMAS 2017
Tabel 5 Rekapitulasi uji outlier Data Intensitas Curah Hujan

Data maksimum intensitas
Lokasi Nilai Outlier Keterangan
curah hujan (mm)
Bulukumba 46,42 34,65 Outlier
Bantaeng 121 73,57 Outlier
Jeneponto 49,25 74,24 Tidak Outlier
Takalar 63,64 77,32 Tidak Outlier
Gowa 78,29 59,51 Outlier
Makassar 52,5 72,61 Tidak Outlier
Maros 43,67 44,81 Tidak Outlier
Pangkep 56,67 63,28 Tidak Outlier
Barru 76,8 72,96 Outlier
Pare-Pare 33,08 32,62 Outlier
Pinrang 51,25 57,75 Tidak Outlier
Sidrap 64,43 61,83 Outlier
Wajo 75 45,44 Outlier
Soppeng 56 47,62 Outlier
Bone 37,67 43,74 Tidak Outlier
Sinjai 141,58 106,52 Outlier
Enrekang 70 35,55 Outlier
Luwu 106,93 54,82 Outlier
Palopo 51,07 52,52 Tidak Outlier
Tana Toraja 50 39,22 Outlier
Luwu Timur 66,67 59,37 Outlier
Luwu Utara 41,92 40,7 Outlier
Berikut gambar peta EOF 1 untuk melihat lokasi outlier dan tidak outlier :
Gambar 1 Peta EOF 1
235
ISBN: 978-602-72198-6-1
SENAMAS 2017
Berdasarkan hasil reduksi, dinyatakan bahwa EOF 1 dapat digunakan untuk

mendeteksi outlier (Hannachi A, 2004). Hasil EOF 1 merupakan kombinasi linear
komponen utama dan vektor singular yang memiliki variansi tertinggi sebesar 26%. Hal
ini bersesuaian dengan uji outlier yang dilakukan pada data intensitas curah hujan
dengan reduksi matriks variansi kovariansi. Hasil menunjukkan bahwa lokasi outlier
data intensitas curah hujan dengan data hasil reduksi yaitu EOF 1 sama.
Analisis trend digunakan untuk melihat trend yang terjadi pada suatu lokasi
dengan menggunakan EOF 2 dan uji Mann-Kendall. Pada gambar 4.2 ditunjukkan
bahwa nilai yang diperoleh dari hasil reduksi data sangat berbeda dengan uji Mann-
kendall. Trend pada EOF 2 dipengaruhi oleh lokasi yang ada disekitarnya, sedangkan
pada uji Mann-Kendall tidak dipengaruhi oleh lokasi disekitarnya. Uji Mann-Kendall
konsisten dari data awal, misalnya data awal menunjukkan trend naik maka pada uji
Mann-Kendall ditunjukkan bahwa trend pada lokasi tersebut juga naik. Begitupun
sebaliknya apabila datanya trend turun. Sedangkan pada EOF 2 yang merupakan hasil
reduksi data dengan varian kumulatif sebesar 13% menunjukkan bahwa trend yang
terjadi tidak sesuai dengan data awal karena adanya pengaruh spasial.
Gambar 2 Perbandingan Trend Pengaruh Spasial Menggunakan Peta EOF 2 dan Peta
Mann-Kendall
Daftar Pustaka
[1] Azhar, Moch Rizal, Suntoyo, Mahmud Musta’in. 2012. Analisa Perubahan Garis
Pantai Tuban, Jawa Timur dengan Menggunakan Empirical Orthogonal Function
(EOF). Jurnal Teknik ITS, (No.1), pp 286-291.
[2] Bjornsson, H. Dan S. A. Venegas. 1997. A Manual for EOF and SVD Analyses off
Climatic Data. McGill University : Canada.
[3] Hannachi, A. 2004. A Primer for EOF Analysis of Climate Data. Department of
Meteorology University of Reading : United Kingdom.
[4] Hans-Peter Kriegel, Peer Kroger, Arthur Zimek, 2009. Outlier Detection
Techniques (Tutorial). 13th Pacific-Asia Conference On Knowledge Discovery and
Data Mining (PAKDD 2009)(Bangkok, Thailand).
236
ISBN: 978-602-72198-6-1
SENAMAS 2017
[5] Hirsch, R,M., Slack,J.R.& Smith,R.A., 1982. Techniques of Trend Analysis for
Monthly Water Quality Data. Water Resources Research, 18:107-121.
[6] Lestari, Isnawati Lujeng .2016. Analisis Empirical Orthogonal Function (EOF)
Berbasis Singular Value Decomposition (SVD) pada Data Curah Hujan di
Indonesia [Thesis]. Institut Pertanian Bogor: Bogor.
[7] Lorenz, Edward N. 1956. Empirical Orthogonal Functions and Statistical Weather
Prediction. Massachusetts Institute Of Technology: Cambridge.
[8] Navarra, Antonio dan Valeria Simoncini.2010. A Guide to Empirical Orthogonal

Function for Climate Data Analysis. Springer: New York.
[9] Storch, Hans von dan Francis W. Zwiers. 2003. Statistical Analysis in Climate
Research. Cambridge University Press: Australia.
237
ISBN: 978-602-72198-6-1
SENAMAS 2017
Pemilihan Regresi Ridge Terbaik dengan Metode Ridge Trace

Raupong1, Arwan Muslimin2
raupong.stat.uh@gmail.com ; arwan.muslimin307@gmail.com
Program studi Statistika, Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam
Abstrak
Analisis regresi pada dasarnya adalah studi mengenai ketergantungan satu variabel terikat
dengan satu atau lebih variabel bebas. Salah satu metode untuk mengestimasi parameter
regresi linear berganda yaitu Ordinary Least Square (OLS). Namun, metode ini tidak
dapat digunakan apabila terdapat masalah multikolinearitas. Ridge trace merupakan salah
satu metode yang dapat digunakan untuk mendapatkan model terbaik pada data yang
mengandung multikolinearitas. Data pertumbuhan bayi Kelurahan Baliase, Kecamatan
Masamba, Kabupaten Luwu Utara, Provinsi Sulawesi Selatan sebagai data yang
digunakan pada penelitian ini, menunjukkan bahwa penggunaan metode tersebut
menyisakan variabel bebas umur bayi dalam model atau dengan kata lain variabel umur
bayi yang paling berpengaruh terhadap berat bayi sekarang.
Kata Kunci : Regresi linear berganda, Ordinary Least Square, Multikolinearitas, Ridge
trace
1. Pendahuluan
Metode kuadrat terkecil didasarkan pada sejumlah asumsi, salah satu asumsi ini
mengatakan bahwa tidak ada hubungan linear antara variabel penjelas yang akan
memunculkan masalah multikolineritas. Dalam pengembangannya banyak metode yang
dikembangkan untuk mengatasi data yang mengandung multikolinearitas. Pearson (1901)
menemukan metode Principal Component Analysis ( PCA) dengan mereduksi peubah bebas
tanpa mengubah karakteristik peubah bebasnya. Selanjutnya, banyak metode yang
diperkenalkan untuk mengatasi multikolinearitas dengan memilih model terbaik seperti
metode stepwise, backward dan forward. Pada tahun 1970 diperkenalkan metode regresi
ridge oleh Hoerl dan Robert kemudian Pasha dan Muhammad (2004) pada penelitiannya
menjelaskan beberapa metode dalam pengembangan regresi ridge untuk mendapatkan model
regresi yang baik pada data yang mengandung multikolinearitas.
Metode ridge trace merupakan salah satu metode grafik yang baik digunakan pada
data yang mengandung multikolinearitas dengan memilih model terbaik dari tiga tahap
penyeleksian dari model regresi ridge.
2. Tinjauan Pustaka
2.1 Metode Kuadrat Terkecil
Metode kuadrat terkecil merupakan teknik yang sangat terkenal dalam statistika.
Metode kuadrat terkecil digunakan untuk menghitung taksiran parameter. Metode kuadrat
238
ISBN: 978-602-72198-6-1
SENAMAS 2017
terkecil biasanya digunakan dalam regresi linier untuk menentukan persamaan garis atau
kurva yang tepat untuk sekumpulan data. Misalkan model yang akan ditaksir adalah:
(2.1)
dimana:
: variabel dependen ( )
: parameter regresi ( )
: nilai variabel independen ke i pada item ke j
: nilai error regresi
jika dimodelkan dalam bentuk matriks dapat ditulis dengan menggunakan persamaan sebagai
berikut (Sembiring, 1995):
(2.2)
rumus penaksir parameter kuadrat terkecil, yaitu:
̂ ( ) (2.3)
dengan ketentuan determinan ( ) .
2.2 Uji Asumsi Klasik

2.2.1 Uji Normalitas
Uji normalitas bertujuan untuk menguji apakah dalam model regresi, variabel terikat,
variabel bebas atau keduanya mempunyai distribusi normal atau tidak. Salah satu cara untuk
melihat data berdistribusi normal dengan melihat P-Plot data. Jika titik-titk P-Plot menyebar
disekitar garis diagonal maka dapat disimpulkan data distribusi normal. Asumsi normalitas
juga dapat dilakukan dengan menggunakan Uji kolmogrov-smirnov. Uji kolmogrov-smirnov
pertama kali diperkenalkan oleh kolmogrov dan Smirnov pada tahun 1973. Adapaun
langkah-langkah pengujian (Conover, 1971):
1. Merumuskan Hipotesis
( ) ( ) (data mengikuti distribusi yang diasumsikan)
( ) ( ) (data tidak mengikuti distribusi yang diasumsikan)
2. Memilih taraf signifikansi
Memilih taraf signifikansi ( ) pada nilai tabel kolmogrov
3. Menentukan statistik uji
( ) ( )
dengan :
( ) = fungsi distribusi dari sampel acak X
( ) = fungsi distribusi empiris dari sampel acak X
4. Kriteria keputusan
diterima jika √ nilai tabel kolmogrov atau p-value >
5. Pengambilan Keputusan
Apabila ditolak maka kesimpulan bahwa data tidak mengikuti distribusi normal.
2.2.2 Uji Heteroskedastisitas
Uji heteroskedastisitas bertujuan untuk menguji apakah dalam model regresi terjadi
ketidaksamaan variansi dari satu pengamatan ke pengamatan yang lain. Cara mendeteksinya
adalah dengan melihat ada tidaknya pola tertentu pada grafik Scatterplot antara SRESID dan
ZPRED. Sumbu Y adalah Y yang telah diprediksi dan sumbu X adalah residual (Y prediksi –
Y sesungguhnya) yang telah di-standardized. Dasar pengambilan keputusan untuk uji
heteroskedastisitas adalah (Ghozali, 2001):
239
ISBN: 978-602-72198-6-1
SENAMAS 2017
a) Jika ada pola tertentu, seperti titik yang ada membentuk pola tertentu teratur
(bergelombang, melebur kemudian menyempit), maka mengindikasikan telah terjadi
heteroskedastisitas.
b) Jika tidak ada pola yang jelas, serta titik-titik menyebar di atas dan di bawah angka 0
pada sumbu Y, maka tidak terjadi heteroskedastisitas.
Selain melihat pola pada grafik, Uji heteroskedastisitas juga dapat dilakukan dengan
Uji Gletser. Gletser merupakan seorang ahli ekonometrika dan mengatakan bahwa nilai
variansi error model regresi tergantung dari variabel bebas. Selanjutnya untuk mengetahui
pola variabel error mengandung heteroskedastisitas Glejser menyarankan untuk melakukan
regresi nilai mutlak residual dengan variabel bebas. Jika nilai signifikansi variabel
independen 0,05 maka terjadi heteroskedastisitas sedangkan jika nilai signifikansi variabel
independen > 0,05 maka tidak terjadi heteroskedastisitas (Widaryono, 2007).
2.2.3 Multikolinearitas
Istilah multikolinieritas pertama kali diperkenalkan oleh Frisch pada tahun 1934,
yang menyatakan multikolinieritas terjadi jika adanya hubungan linier yang sempurna atau
pasti diantara beberapa atau semua peubah bebas dari model regresi berganda.
Multikolinieritas dalam regresi linier berganda merupakan masalah yang sering terjadi ketika
dua atau lebih variabel bebas saling berkorelasi satu sama lain. Jika korelasi antara dua atau
lebih variabel bebas dalam suatu persamaan regresi linier berganda ini terjadi maka taksiran
koefisien dari peubah yang bersangkutan tidak lagi tunggal melainkan tidak terhingga
banyaknya sehingga tidak mungkin lagi menduganya (Sembiring, 1995).
Untuk menguji apakah suatu data mempunyai masalah dalam multikolinearitas ada
beberapa cara, antara lain (Myers, 1990) :
1. Menentukan matriks korelasi dari semua variabel independen
Prosedur ini merupakan pemeriksaan yang paling sederhana dan paling mudah. Nilai
korelasi yang tinggi antara variabel satu dengan yang lainnya memperlihatkan adanya
multikolinearitas. Jika didapati elemen-elemen matriks korelasi yang besar yaitu
mendekati 1 atau -1, maka dicurigai terdapat masalah multikolinearitas pada data.
2. Variance Inflation Factor
Nilai Variance Inflation Factor (VIF) juga dapat digunakan untuk memeriksa adanya
multikolinearitas. Apabila salah satu dari nilai VIF lebih dari 10 maka dapat
diidentifikasikan bahwa dalam variabel independen terdapat masalah
multikolinearitas. Nilai VIF dapat diperoleh dengan persamaan:
(2.4)
dimana:
(2.5)
Secara umum digunakan sebagai informasi mengenai kecocokan model. Dalam
regresi ini dijadikan sebagai pengukuran seberapa baik garis regresi mendekati
nilai data asli yang dibuat model. Jika sama dengan , maka angka tersebut
menunjukkan garis regresi cocok dengan data secara sempurna.
2.3 Metode Pemusatan dan Penskalaan

Pemusatan dan penskalaan (centering dan scaling) data merupakan bagian dari
membakukan (standardized) variabel. Modifikasi sederhana dari pembakuan atau standarisasi
variabel ini adalah transformasi korelasi (correlation transformation). Pemusatan merupakan
240
ISBN: 978-602-72198-6-1
SENAMAS 2017
perbedaan antara masing-masing pengamatan dan rata-rata dari semua pengamatan untuk
variabel sedangkan penskalaan meliputi gambaran pengamatan pada kesatuan (unit) standar
deviasi dari pengamatan untuk variabel.
Dalam hal ini yang akan (distandarisasi) adalah model regresi linear berganda yang
ditunjukkan pada persamaan (2.1). Berikut ini merupakan pembakuan variabel terkait Y dan
variabel bebas .
̅
(2.6)
√
̅
(2.7)
√
dengan,
∑ ( ̅)
√ ( 2.8 )
∑ ( ̅ )
√ ( 2.9 )
dimana : ̅ = rata-rata dari Y

̅ = rata-rata dari pengamatan
= standar deviasi dari Y
= standar deviasi dari
Sehingga diperoleh:
2.4 Metode Pemusatan Dan Penskalaan

Regresi ridge merupakan salah satu metode untuk mengatasi terjadinya
multikolinearitas. Pada tahun 1970, Horel dan Robert menyajikan nilai regresi linear
berganda yang mengakibatkan matriks memiliki determinan mendekati nol yang
menghasilkan nilai estimasi parameter yang tidak stabil. Regresi ridge merupakan metode
estimasi koefisien regresi yang diperoleh melalui penambahan konstanta bias c pada diagonal
dengan nilai c untuk koefisien regresi ridge . Regresi ridge dapat dituliskan
sebagai berikut:
̂ ( ) (2.10)
dengan nilai VIF diagonal utama dari matriks:

( ) ( ) (2.11)
2.5 Pengujian Parameter Model Regresi Linear Berganda dengan Uji

Uji dilakukan untuk mengetahui pengaruh variabel independen secara bersama-
sama terhadap variabel dependen dengan hipotesis sebagai berikut:
(Semua variabel tidak mempengaruhi )

Ada dimana .
(Paling tidak ada satu yang mempengaruhi )
241
ISBN: 978-602-72198-6-1
SENAMAS 2017
Kriteria uji, ditolak jika , dimana diperoleh dari tabel distribusi

F.
2.6 Ridge Trace

Ridge trace adalah plot dari estimator regresi ridge secara bersama dengan berbagai
kemungkinan tetapan bias , konstanta mencerminkan jumlah bias dalam estimator ( ).
Bila = 0 maka estimator ( ) sama dengan kuadrat terkecil , tetapi cenderung lebih stabil.
Suatu acuan yang biasa digunakan untuk memilih besarnya adalah dengan melihat VIF dan
melihat pola kecenderungan ridge trace. Bila terdapat korelasi yang tinggi antara variabel
bebas, maka nilai VIF akan besar. VIF mamiliki nilai mendekati 1 jika variabel bebas tidak
saling berkorelasi dengan variabel bebas lainnya (Wasilaine dkk., 2014 ).
Prosedur seleksi variabel sering tidak dilakukan dengan baik ketika terdapat variabel
prediktor yang sangat berkorelasi (Velilla, 1998 dan Hsich, 1997). Marquardt dan Snee
(1970) menunjukkan bahwa ketika data memiliki multikolinearitas yang besar maka VIF
yang akan sepenuhnya menstabilkan semua kriteria yang diperoleh dari estimasi kuadrat
terkecil. Hoerl dan Robert (1970) menunjukkan bahwa ridge trace dapat digunakan sebagai
panduan untuk memilih variabel. Mereka mengusulkan suatu prosedur untuk menghilangkan
variabel prediktor dari model. Prosedur yang digunakan sebagai berikut (Pash & Muhammad,
2004) :
(I). Menghilangkan variabel prediktor yang stabil yang memiliki kemampuan
memprediksi lemah.
(II). Menghilangkan variabel prediktor dengan koefisien yang tidak stabil yang tidak
dapat mempertahankan hasil prediksi dari model karena koefisien cenderung
mendekati nol dengan c (tetapan bias) yang meningkat .
(III). Menghilangkan satu atau lebih variabel prediktor yang tersisa yang memiliki
perubahan koefisien yang kecil dengan c (tetapan bias) yang meningkat.
Data yang akan digunakan adalah data sekunder, yaitu data pertumbuhan bayi yang
diperoleh pada bulan Desember 2015 sampai Desember 2016. Data diperoleh dari
Puskesmas Pembantu Kelurahan Baliase, Kecamatan Masamba, Kabupaten Luwu Utara,
Provinsi Sulawesi Selatan. Variabel penelitian yang digunakan adalah sebagai berikut:
Variabel dependen , (Y) = Berat bayi sekarang (kg)
Variabel independen (X) :
X1 = Umur (hari )
X2 = Berat badan bayi waktu lahir (kg)
X3 = Tinggi badan bayi waktu lahir (cm)
X4 = Lingkar dada bayi waktu lahir (cm)
X5 = Lingkar kepala bayi waktu lahir (cm)
Adapun metode analisis data penelitian ini menggunakan software IMB SPSS
Statistics 23 dan Minitab 17 dengan tahapan analisis yang dilakukan adalah sebagai berikut :
1. Melakukan uji asumsi klasik pada data dengan uji normalitas, uji heteroskedastisitas,
dan uji multikolinearitas.
2. Melakukan pemusatan data dengan transformasi Pemusatan dan Penskalaan
3. Menentukan nilai c
4. Mendapatkan model regresi ridge
242
ISBN: 978-602-72198-6-1
SENAMAS 2017
5. Melakukan Uji F terhadap regresi ridge

6. Melakukan transformasi kembali membentuk regresi linear/berganda dengan
penyeleksian variabel-variabel bebas dengan ridge trace
4. Hasil Dan Pembahasan

4.1 Uji Normalitas
Uji normalitas data dapat dilakukan dengan melihat P-Plot dan uji kolmogorov–
smirnov.
Gambar 4.1 Normal P-Plot
Terlihat pada gambar 4.1, titik-titik P-Plot mengikuti dan mendekati garis diagonalnya
sehingga dapat disimpulkan bahwa model regresi memenuhi asumsi normalitas. Selain itu, uji
normalitas yang dilakukan dengan menggunakan uji kolmogorov–smirnov yang
membandingkan p-value yang diperoleh dengan bantuan software SPSS. Hipotesis untuk uji
normalitas adalah sebagai berikut :
berdistribusi normal
tidak berdistribusi normal
dengan kriteria uji, terima jika p-value > ( )
Berdasarkan nilai kolomogrov smirnov Z dan nilai p-value diperoleh 0,089 < 0,210
(nilai tabel kolmogrov) dan p-value 0,20 > , maka terima . Sehingga dapat
disimpulkan bahwa data tersebut berdistribusi normal atau memenuhi uji asumsi normalitas.
4.2 Uji Heteroskedastisitas

Berdasarkan output scatterplot terlihat bahwa titik-titik menyebar dan tidak
membentuk pola tertentu. Berdasarkan hasil pengamatan tersebut dapat disimpulkan bahwa
tidak terjadi masalah heteroskedastisitas. Selain itu, uji Gletser juga menunjukkan bahwa
tidak terjadi heteroskedastisitas karena semua nilai signifikansi variabel independen yaitu
secara berurut 0,431, 0,279, 0,753, 0,785 dan 0,080 > 0,05.
243
ISBN: 978-602-72198-6-1
SENAMAS 2017
Gambar 4.2 Scatterplot
4.3 Multikolinearitas
Berdasarkan hasil output program SPSS diperoleh korelasi yang besar antara variabel-
variabel bebas, variabel-variabel tersebut adalah dan sebesar 0,954, dan sebesar
0,826, dan dan sebesar 0,854. Selain itu, nilai VIF yang lebih besar dari 10, yaitu
variabel dan masing-masing 13,380 dan 20,042. Dari nilai korelasi dan nilai VIF-nya
dapat disimpukan data menunjukkan terdapat masalah multikolinearitas.
4.4 Menentukan Nilai Tetapan Bias ( c )

Dengan menggunakan data yang dihasilkan pada metode pemusatan dan penskalaan
diperoleh VIF yang menggunakan persamaan (2.11) dengan tetapan bias . Nilai
VIF untuk data pertumbuhan bayi Kelurahan Baliase menunjukkan semakin tinggi nilai
konstanta c semakin menurun nilai VIF. Untuk mendapatkan estimator ridge, kita memilih c
= 0,2 karena nilai tersebut mempunyai VIF yang paling banyak mendekati 1 untuk semua
nilai c yang digunakan. Berdasarkan pada hasil tersebut diperoleh nilai VIF untuk semua
variabel independen :
VIF ̂ ( ) = 0,70
VIF ̂ ( ) = 0,73
VIF ̂ ( ) = 0,92
VIF ̂ ( ) = 0,56
VIF ̂ ( ) = 0,99
4.5 Penaksiran Parameter ̂

Parameter ̂ diperoleh dengan menggunakan persamaan (4.10). Berdasarkan nilai
yang dipilih yaitu c = 0,2 maka diperoleh parameter regresi ridge :
[ ]
244
ISBN: 978-602-72198-6-1
SENAMAS 2017
4.6 Uji F
Untuk mengetahui pengaruh variabel independen secara bersama-sama terhadap
variabel depende dilakukan uji F. Berdasarkan Tabel 1 maka diperoleh tabel 2 ANAVA :
Tabel 2 Tabel ANAVA Pertumbuhan bayi

Sumber Derajat kebebasan ( ) Jumlah Kuadrat ( ) Rataan Kuadrat ( ) F
Regresi
Error
Total 39
Sumber: Hasil Olah Data, 2017

Dari Tabel 2 diperoleh sedangkan pada tabel distribusi F diperoleh
, dengan nilai ( ) sehingga dapat disimpulkan
ditolak yang berarti paling tidak ada satu variabel independen yang mempengaruhi variabel
dependen. Hasilnya sebagai berikut :
̂
(4.1)
4.7 Penyeleksian Variabel Prediktor dengan Ridge Trace

Berdasarkan lampiran 8 yang dihasilkan dari persamaan (2.12) diperoleh plot ridge
trace. Plot ini menunjukkan kestabilan variabel independen.
Ridge Trace
1,0 Variable
ß^(1)
ß^(2)
ß^(3)
ß^(4)
0,5 ß^(5)
0,0
-0,5
-1,0
0,0 0,2 0,4 0,6 0,8 1,0
tetapan bias c
Gambar 4.3 Plot ̂ (c)
. . Gambar (4.3) memudahkan kita dalam penyeleksian variabel independen dengan

tahap penyeleksian sebagai berikut :
(I). Variabel dan merupakan variabel prediktor yang stabil yang dilihat dari plot ̂
(c) . dan mempunyai perubahan nilai koefisien sangat kecil pada c (tetapan
bias) yang terus meningkat sehingga dapat simpulkan bahwa variabel tersebut
memiliki kemampuan memprediksi lemah dan akan dikeluarkan dari model .
245
ISBN: 978-602-72198-6-1
SENAMAS 2017
(II). Variabel dan merupakan variabel prediktor dengan koefisien yang tidak
stabil , dengan c (tetapan bias) yang meningkat terlihat dari (Gambar 4.3) koefisien
dan cenderung mendekati nol sehingga variabel dan akan diseleksi dari
model karena tidak dapat mempertahankan prediksi.
(III). Variabel yang tersisa adalah variabel yang tidak memiliki perubahan koefisien
yang kecil ketika c (tetapan bias) meningkat sehingga tetap dalam model dan
memiliki kekuatan prediksi yang kuat, sehingga diperoleh penduga:
̂ (4.2)
Proses pembentukan ke datpat dilakukan berdasarkan penduga (4.1) dengan

menggunakan hubungan linear:
( ) (4.3)
̅ ̅ ̅ ̅ (4.4)
sehingga diperoleh dari persamaan (4.1) ditransformasi kembali ke data aslinya dengan
menggunakan persamaan (4.3) untuk memperoleh koefisien dan persamaan (4.4)
memperoleh koefisien :
̂ (4.5)
dengan menggunakan rumus yang sama diperoleh penduga terbaik dari penduga (4.2) adalah:
̂ (4.6)
5. Kesimpulan
5.1 Kesimpulan
Kesimpulan yang diperoleh dari penelitian ini adalah :
1. Penduga regresi ridge memperlihatkan nilai (constant) 4,35 yang menjelaskan pengaruh
positif terhadap pertumbuhan bayi. Nilai koefisien regresi variabel umur bayi ( ) adalah
yang artinya jika variabel umur bayi naik satu satuan maka variabel berat bayi
sekarang ( ) meningkat sebesar 0,01 dengan variabel bebas lainnya yang tetap,
begitupun dengan variabel berat badan bayi waktu lahir ( ) dan tinggi bayi waktu lahir
( ) yang masing-masing nilainya dan . Sedangkan nilai koefisien regresi
variabel lingkar dada bayi waktu lahir ( ) adalah yang artinya jika variabel
umur bayi naik satu satuan maka variabel berat bayi sekarang ( ) menurun sebesar 0,06
dengan variabel bebas lainnya yang tetap begitupun dengan variabel lingkar kepala bayi
waktu lahir ( ).
̂
2. Penduga terbaik dari penyeleksiaan Ridge trace memperlihatkan bahwa terdapat satu
variabel yang tersisa dalam model terbaik regresi ridge yaitu variabel umur bayi ( )
dengan nilai (constant) yang menunjukkan pengaruh positif terhadap pertumbuhan
bayi. Jika umur bayi ( ) mengalami kenaikan satu satuan maka berat bayi sekarang (Y)
meningkat sebesar 0,01.
̂
246
ISBN: 978-602-72198-6-1
SENAMAS 2017
5.2 Saran
Penelitian tugas akhir ini membahas tentang pemilihan regresi ridge terbaik dengan
metode Ridge trace. Penulis menyarankan penelitian selanjutnya melakukan estimasi
parameter dengan menggunakan pengembangan regresi ridge seperti metode yang
dikembangkan oleh Farebrother (1975), Hoerl, Kennard, dan Badwin (1985) dan Wichn dan
Wahba (1988).
Daftar Pustaka
[1] Ad Conover, W.J. 1971. Ridge Practical Non parametrik Statistics Wiley International
Edition. New York : John Wiley and Sons.
[2] Frisch, R. 1934. Circulation Planning: Proposal for a National Organization of a

Commodity and Service Exchange. Econometrica. 2: 258-336
[3] Galton, F. 1886. Regression Towards Mediocrity in Hereditary Statusre.

Anthropological Miscellanea. 246-263.
[4] Ghozali, I. 2001. Aplikasi Analisis Multivariate dengan Program SPSS. Semarang:
Universitas Diponegoro.
[5] Hidayat, A.A. 2008. Pengantar Ilmu Kesehatan Anak. Jakarta: Salemba Medika
[6] Hoerl,A.E & Robert,W.K, 1970. Ridge Regression: Applications to Nonorthogonal

Problem. Techonometrics. 12: 69-82.
[7] Hsich, F. 1997.Estimation in Homoscedastic Linear Regression Models with Censored

Data: An Empirical Process Approach. Ann.Statisticts. 25: 2665-2681.
[8] Kamel, M.M. & Sarah F.A. 2013. Ridge Regression Estimators with the Problem of
Multicollinearity. Applied Mathematical Sciences. 7: 2469-2480.
[9] Kutner, M.H dkk. 2005. Applied Linear Statistical Models Fifth Edition. New York :
Mc Graw-Hill.
[10] Marquardt, D.W. and Snee, R.D. 1970. Generalized in inverses, Ridge regression,
Biased linear estimation. Tecchnometrics, 12: 591-612.
[11] Montgomery, D.C. & Peck, E.A. 1991. Introduction Linear Regression Analysis
Second Edition. New York: John Wiley & Sons.
[12] Myers, R.H. 1990. Classical and Modern Regression with Application, 2 nd ed. Boston:
PWS-KENT Publishing Company.
[13] Notoatmodjo, S. 2007. Promosi Kesehatan dan Ilmu Perilaku. Jakarta: Rineka Cipta
247
ISBN: 978-602-72198-6-1
SENAMAS 2017
[14] Pash,G.R. & Muhammad,A.S. 2004. Application of Ridge regression to multicollinear

data . journal of research(science), 15: 97-106.
[15] Pearson, K. 1901. On Lines and planes of closest fit to systems of points in space.
Philosophical Magazine, 2: 599-572
[16] Rencher, A.C. & Bruce G.S. 2008. Linear Model in Statistics (2nd ed.). United States
of America: John Wiley & Sons.
[17] Sembiring, R.K. 1995. Analisis Regresi Edisi Kedua. Bandung: Institut Teknologi
Bandung.
[18] Sudrajat, S.W.M. 1988. Mengenal Ekonometrika Pemula. Bandung : Armico.
[19] Velilla, S. 1998. Accessing the number of linear components in ageneral regression
problem. J. Amer. Statistics. Assoc., 93: 1088-1098
[20] Wesilaine,T.L. dkk. 2004. Model Regresi Ridge untuk Mengatasi Model Regresi Linear
Berganda yang Mengandung Multikolinearitas. Jurnal Barekeng, 8: 31-37
[21] Widaryono, A. 2007. Ekonometrika Teori dan Aplikasi. Yogyakarta: Ekonisia FE.
248
ISBN: 978-602-72198-6-1
SENAMAS 2017
Peranan Statistika untuk Mengembangkan

Penelitian Dosen
Dina Purnama Sari
Akademi Bahasa Asing BSI Jakarta
Abstrak
Salah satu Tridarma Perguruan Tinggi adalah Penelitian. Penelitian merupakan
kegiatan yang dilakukan menurut kaidah dan metode ilmiah secara sistematis untuk
memperoleh informasi, data, dan keterangan yang berkaitan dengan pemahaman dan
atau pengujian suatu cabang ilmu pengetahuan dan teknologi. Oleh karena itu, statistika
berperan untuk mengembangkan penelitian dosen. Perannya sebagai penyusunan
model, perumusan masalah,pengembangan alat,penyusunan rancangan
penelitian,penyusunan sampel, dan pengolahan analisis data. Adapun, metode
penelitian yang dipergunakan adalah deskriptif kualitatif dengan data sekunder yang
relevan.Kesimpulannya adalah penelitian dosen dapat dikembangkan melalui salah satu
cabang ilmu, yaitu statistika.
Kata Kunci: peran statistika, penelitian dosen
1. Pendahuluan
Tridharma Perguruan Tinggi merupakan kewajiban Perguruan Tinggi untuk
menyelenggarakan pendidikan, penelitian, dan pengabdian masyarakat. Hal tersebut
tercantum pada Undang-Undang Tentang Pendidikan Tinggi No. 12 Tahun 2012, Pasal
1 Ayat 9. Secara umum, dapat dipahami bahwa pendidikan berkaitan dengan kegiatan
belajar mengajar, penelitian berkaitan dengan kaidah dan metode yang dilakukan
sistematis untuk pengembangan ilmu pengetahuan, dan pengabdian masyarakat
berkaitan dengan kegiatan akademik yang dilakukan untuk memajukan kesejahteraan
masyarakat dan mencerdaskan generasi bangsa. Oleh karena itu, ketiganya merupakan
pilar pendidikan tinggi. Akan tetapi, pada penelitian ini hanya membahas salah satu
pilarnya, yaitu penelitian.
Sehubungan dengan hal tersebut, maka diperlukan teori dan metode yang sesuai
dengan jenis penelitiannya. Salah satunya adalah statistika. Statistika merupakan suatu
ilmu pengetahuan yang terdiri dari teori dan metode bagian dari cabang matematika
terapan. Dengan menggunakan statistika, maka akan diperoleh beberapa peranan di
dalamnya. Yaitu, penyusunan model, perumusan masalah, pengembangan alat,
penyusunan rancangan penelitian, penyusunan sampel, dan pengolahan analisis data.
Oleh karena itu, diperlukan kemampuan mengembangkan berpikir logis dan ilmiah,
merencanakan penyelidikan, serta menyimpulkan dengan teliti dan meyakinkan bagi
para dosen yang menggunakannya untuk penelitian.
Metode penelitian yang dipergunakan adalah deskriptif kuantitatif dengan data-
data sekunder yang relevan sesuai dengan permasalahan yang diteliti. Teknik
pengumpulan datanya menggunakan studi pustaka. Rumusan masalahnya adalah
bagaimana peranan statistika untuk mengembangkan penelitian dosen.
Adapun, tujuan umum penelitian ini adalah sebagai penyebaran informasi
kepada masyarakat mengenai peranan statistika untuk mengembangkan penelitian dosen
249
ISBN: 978-602-72198-6-1
SENAMAS 2017
yang dipresentasikan serta publikasi melalui prosiding pada Seminar Nasional

Matematika IndoMS Wilayah Sulawesi 2017 (SENAMAS 2017). Tujuan khususnya
adalah mengembangkan penelitian mengenai statistik yang memiliki peranan dalam
mengembangkan penelitian dosen di perguruan tinggi. Dengan demikian, diharapkan
dengan menggunakan statistik sebagai alat penelitian dapat mengembangkan penelitian
dosen sesuai dengan bidang ilmunya masing-masing.
2. Landasan Teori
Statistika adalah adalah ilmu yang terdiri dari teori dan metode yang merupakan
cabang dari matematika terapan dan membicarakan tentang bagaimana mengumpulkan
data, bagaimana meringkas, mengolah dan menyajikan data, bagaimana meringkas data,
mengolah dan menyajikan data, bagaimana menarik kesimpulan dari hasil analisis,
bagaimana menentukan keputusan dalam batasan-batasan resiko tertentu berdasarkan
strategi yang ada. Berkaitan dengan hal tersebut, ciri-ciri pokok statistika terdiri dari
tiga. Yaitu, statistika bekerja dengan angka, bersifat objektif, dan bersifat universal
(umum). Oleh sebab itu, sesuai dengan perkembangan Iptek, statistika bermanfaat
sebagai komunikasi yang menghubungkan berbagai pihak; deskripsi yaitu penyajian
data dan mengilustrasikan data; regresi yaitu meramalkan pengaruh data yang satu
dengan data yang lainnya dan untuk mengantisipasi gejala-gejala yang akan datang;
korelasi untuk mencari kuatmya atau besarnya data dalam suatu penelitian; dan
komparasi yaitu membandingkan data dua kelompok atau lebih. [1]
Definisi lainnya, statistik diartikan sebagai kumpulan lebih dari satu gambaran
(figure). Statistik didefinisikan sebagai suatu ilmu mengumpulkan, mengorganisasi,
menampilkan, menganalisis, dan menginterpretasikan data numerik (numerical data)
untuk tujuan menuntun dalam membuat keputusan yang lebih efektif. [2]
Menurut para statistikawan, statistika adalah ilmu atau metode (cara), aturan
untuk mengumpulkan data, mengolah, menyajikan, menganalisis/interpretasi data, dan
menarik kesimpulan berdasarkan data. Secara garis besar, statistika digolongkan
menjadi empat macam. Yaitu, pertama, berdasarkan orientasi pembahasan, statistika
dibedakan statistika matematika dan statistika terapan. Kedua, berdasarkan fase atau
tujuan analisisnya, statistika dapat dibedakan atas statistika deskriptif dan statistika
inferesial. Ketiga, berdasarkan asumsi mengenai distribusi populasi data yang dianalisis,
statistika parametrik dan statistika non-parametrik. Keempat, berdasarkan jumlah
variabel terikat, statistika dibedakan statistika univariat dan statistika multivariat. [3]
Berdasarkan pendapat para ahli di atas, dapat disimpulkan bahwa statistika
adalah ilmu dan metode mengumpulkan, mengolah, menyajikan, menganalisis, dan
menyimpulkan berdasarkan data yang diperoleh. Data tersebut diperoleh berdasarkan
fakta atau gambaran yang bersifat informatif, komunikatif, berguna, dan praktis.
Statistika memiliki beberapa peranan dalam penelitian, di antaranya adalah
penyusunan model, perumusan masalah, pengembangan alat, penyusunan rancangan
penelitian, penyusunan sampel, dan pengolahan analisis data. Penyusunan model
diperlukan gambaran yang jelas dan detail mengenai penelitian yang akan
dilakukannya.Gambaran tersebut berupa pokok-pokok masalah dan jalan
pemecahannya. Perumusan masalah penelitian berdasarkan pada permasalahan yang
akan diteliti sehingga akan diperoleh hipotesis antar variabelnya. Pengembangan alat
dalam statistika diperlukan adanya pemahaman validitas dan reabilitas.Statistika juga
berperan dalam penyusunan rancangan penelitian baik keunggulan dan kekurangan
250
ISBN: 978-602-72198-6-1
SENAMAS 2017
penelitian serta penyusunan sampel berkaitan dengan sampel yang representatif bagi
populasinya dengan teknik statistika tertetu. Pengolahan analisis data diperlukan agar
peneliti mampu mengembangkan teknik untuk mengklasifikasi data dan menyajikannya;
mengembangkan teknik perhitungan angka tertentu; dan sebagai metode untuk menguji
hipotesis. [4]
Penelitian merupakan salah satu bagian dari Tridharma Perguruan Tinggi. Hal
itu disebabkan dosen merupakan ilmuwan yang memiliki tugas mengembangkan suatu
cabang ilmu pengetahuan dan atau teknologi melalui penalaran dan penelitian ilmiah
serta menyebarluaskannya. [5]
Penelitian dilaksanakan di laboratorium, perpustakaan, ruang kelas, jalanan, dan
sebagainya. Secara umum, penelitian bertujuan menemukan jawaban atas pertanyaan-
pertanyaan yang dibuat oleh peneliti melalui prosedur ilmiah. Setiap penelitian memiliki
sasaran tersendiri, yaitu untuk menjadikan kebiasaan dengan fenomena atau pandangan
baru (studi penelitian eksploratori atau formulatif), untuk mengambarkan karakteristik
dari individual, situasi atau kelompok tertentu (studi penelitian deskriptif), untuk
menentukan frekuensi terjadinya sesuatu atau yang berkaitan dengan sesuatu yang lain
(studi penelitian diagnostik), dan untuk menguji hipotesis dari hubungan kausal di
antara beberapa variabel (studi penelitian pengujian hipotesis). [6]
Dengan demikian, dapat disimpulkan bahwa penelitian dosen merupakan hal
yang penting sebagai salah satu bentuk profesionalisme bekerja sebagai akademisi. Hal
tersebut tercantum pada salah satu pilar Tridharma Perguruan Tinggi. Dengan
melaksanakan penelitian, dosen telah mengembangkan dan menyebarluaskan informasi
ilmu pengetahuan dan teknologi kepada masyarakat.
3. Pembahasan
Sebagai salah satu cabang ilmu, statistika memiliki peran dalam pengembangan
penelitian dosen di perguruan tinggi. Hal tersebut karena hasil penelitian yang
menggunakan statistika dapat dipertanggungjawabkan secara ilmiah dengan cakupannya
yang berupa pengolahan data, parameter pengukurannya, dan bidang penerapannya.
Sehubungan dengan hal tersebut, berikut adalah tiga pembahasan data sekunder yang
relevan.
a. Yetti Nurrizati. 2012. Peranan Statistika dalam Penelitian Sosial Ekonomi.
Jurnal Edueksos Vol I No.1, Januari-Juni 2012. pp. 91–105 [7]
Berdasarkan penelitian yang dilakukan Yetti Nurrizati, diketahui bahwa
statistika berperan dalam penelitian sosial ekonomi. Hal tersebut terdapat pada Jurnal
Edueksos Vol I No.1, edisi Januari-Juni 2012. Peran statistika dimulai dari sebelum
penelitian dilakukan, penelitian berlangsung hingga pengolahan data penelitian. Diawali
dengan teknik sampling, uji validitas dan reabilitas, uji hipotesis, analisis data sampai
penafsirannya. Statistika deskriptif merupakan awal dari penyajian data yang dibuktikan
secara kuantitatif dalam statistika inferensia dengan menggunakan uji statistik tertentu,
disesuaikan dengan skala pengukuran dan jenis hipotesis yang dipergunakan.
Dengan demikian, maka statistika berperan dalam penelitian sosial ekonomi
untuk penyusunan model, perumusan hipotesis, pengembangan alat pengambil data,
penyusunan rancangan penelitian, penentuan sampel, pengujian validitas dan reabilitas
instrumen, penyajian, serta analisis data. Hasil statistika yang diperoleh berdasarkan
perhitungan angka-angka akan memiliki arti dan makna apabila telah dideskripsikan
dalam kesimpulan. Pendeskripsian tersebut diungkapkan melalui kata-kata atau kalimat.
251
ISBN: 978-602-72198-6-1
SENAMAS 2017
b. Dadang Subarna, dkk., 2012. Prakiraan Curah Hujan di Wilayah Situ

Cileunca Kabupaten Bandung dengan Metode Statistik Non-Linear [Rainfall Prediction
Over The Cileunca Lake Area at Bandung Regency with Non-Linear Statistical
Method]. Jurnal Sains Dirgantara Vol. 10 No. 1 Desember 2012. pp. 47–58 [8]
Statistika dapat dipergunakan untuk penelitian di bidang sains dengan metode
statistik non-linear yang dilakukan oleh Dadang Subarna, M. Yanuar J. Purwanto,
Kukuh Murtilaksono, dan Wiweka. Penelitian mereka telah dimuat pada Jurnal Sains
Dirgantara Vol. 10 No. 1 Desember 2012. Secara lengkap, penelitiannya mengenai
“Prakiraan Curah Hujan di Wilayah Situ Cileunca Kabupaten Bandung dengan Metode
Statistik Non-Linear [Rainfall Prediction Over The Cileunca Lake Area at Bandung
Regency with Non-Linear Statistical Method]”.
Metode analisis statistik linear didasarkan statistik deskriptif dan analisis
statistik non-linear didasarkan fungsi probabilitas dan atraktor pada ruang keadaan
dengan paradigma deterministic Chaos.Metode tersebut bermanfaat untuk mempelajari
dinamika yang rumit dari suatu data pengukuran dan pengamatan.
Adapun, analisis deret waktu statistik linear dan non-linear telah digunakan
pemodelan dan prakiraan data bulanan curah hujan wilayah Situ Cileunca Kabupaten
Bandung yang didasarkan pada data pengamatan mulai tahun 1933 hingga 2011. Situ
Cileunca dan aliran sungainya sangat berperan penting dalam memasok kebutuhan air
baku untuk konsumsi penduduk Kabupaten dan Kota Bandung yang berada pada
kesatuan Cekungan Bandung.
Dengan demikian, dapat disimpulkan bahwa peran statistika pada penelitian
dosen sangat bermanfaat tak hanya bagi perkembangan professional sang dosen itu
sendiri namun juga bagi masyarakat sekitarnya sehingga ilmu pengetahuan dan
teknologi semakin berkembang dengan adanya penelitian tersebut.
c. Alsa, Asmadi. 2011. Pengaruh Metode Belajar Team Assited

Individualization terhadap Prestasi Belajar Statistika pada Mahasiswa Psikologi.
Jurnal Psikologi Volume 38, No. 1, Juni 2011. pp. 82 – 91 [9]
Metode belajar T.A.I. (Team Assited Individaulizaion) pada dasarnya adalah
metode Cooperative Learning. Pada metode ini pembelajaran dilakukan dengan
membagi siswa menjadi tiga atau empat kelompok belajar yang disusun berdasar
kemampuan campuran (kemampuan anggota dalam satu kelompok adalah heterogen).
Subjek penelitian adalah mahasiswa Fakultas Psikologi Universitas X Semester 1 Tahun
Akademik 2010/2011 di Yogyakarta sebanyak empat kelas yang mengambil matakuliah
statistika. Cluster sampling digunakan untuk mengambil sampel penelitian Penelitian
ini melibatkan tiga variabel, yaitu metode belajar sebagai variabel independen
(perlakuan), prestasi belajar matematika sebagai variabel dependen, dan kemampuan
numerik sebagai kovariat. Hasil penelitian dilaporkan secara deskriptif dan inferensial.
Pengujian hipotesis penelitian dilakukan melalui analisis statistik inferensial dengan
menggunakan analisis kovariansi satu jalur satu kovariabel.
Berdasarkan hasil penelitian yang dilakukan Asmadi Alsa pada tahun 2011
mengenai “Pengaruh Metode Belajar Team Assited Individualization terhadap Prestasi
Belajar Statistika pada Mahasiswa Psikologi” dan telah dipublikasikan di Jurnal
Psikologi Volume 38, No. 1, Juni 2011, halaman 82 – 91, maka dapat disimpulkan
bahwa statistika berperan dalam penelitian mengenai pendidikan. Statistika yang
dipergunakan tak hanya berkaitan dengan ilmu statistika namun juga dikaitkan dengan
252
ISBN: 978-602-72198-6-1
SENAMAS 2017
pendidikan. Dengan demikian, maka perkembangan penelitian di bidang pendidikan

dengan statistika menghasilkan ilmu yang sesuai dengan peruntukannya.
Berdasarkan ketiga hasil penelitian yang dilakukan para peneliti dan telah
dipublikasikan, maka dapat disimpulkan bahwa statistika berperan untuk
mengembangkan penelitian dosen. Penelitian tersebut merupakan penerapan dari ilmu
yang dimiliki oleh para peneliti, khususnya dosen. Selain itu, dengan melakukan
penelitian, maka dosen dapat meningkatkan dan mengembangkan professionalisme di
dalam bekerja dan berkarya serta melaksanakan point penelitian sesuai dengan salah
satu pilar Tridharma Perguruan Tinggi. Penelitian yang dilaksanakan tersebut tak hanya
bermanfaat bagi para dosen dan perguruan tinggi tapi juga bagi masyarakat yang
berkaitan dengan bidang ilmunya.
4. Penutup
Berdasarkan hasil penelitian yang dilakukan peneliti, maka dapat disimpulkan
bahwa penelitian dosen dapat dikembangkan melalui salah satu cabang ilmu, yaitu
statistika. Hal tersebut karena penelitian yang menggunakan statistika memudahkan
untuk memberikan informasi pada periode tertentu sesuai dengan bidangnya. Selain itu,
statistika berperan sebagai penyusunan model, perumusan masalah, pengembangan
alat, penyusunan rancangan penelitian, penyusunan sampel, dan pengolahan analisis
data dalam penelitian.
Daftar Pustaka
[1] Riduwan. 2005. Dasar-Dasar Statistika. Bandung: Alfabeta. pp. 1–11.
[2] Algifari. 1999. Soal Jawab Statistik Deskriptif. Edisi Pertama. Yogyakarta:
BPFE. p.1.
[3] Kadir. 2010. Statistik untuk Penelitian Ilmu-Ilmu Sosial (Dilengkapi dengan
Output Program SPSS). Jakarta: Rosemata Sampurna. pp. 1 – 4.
[4] Trisnamansyah, Sutaryat. 2012. Peran Statistika dalam Penelitian.

http://file.upi.edu/browse.php?dir=Direktori/FIP/JUR._PEND._LUAR_SEKOL
AH/194009051964031-SUTARYAT_TRISNAMANSYAH/. pp. 1 – 3.
[5] Wibawa, Sutrisna. 2017. Tridharma Perguruan Tinggi (Pendidikan dan

Pengabdian kepada Masyarakat). Disampaikan pada Rapat Perencanaan
Pengawasan Proses Bisnis Perguruan Tinggi Negeri. Yogyakarta, 29 Maret
2017.itjen.ristekdikti.go.id/wp-content/uploads/2017/02/TRIDHARMA-PT-
ITJEN-1.pdf. pp. 1–15.
[6] Sandjojo, Nidjo. 2011. Metode Analisis Jalur (Path Analysis) dan Aplikasinya.
Jakarta: Pustaka Sinar Harapan. pp 4–5.
253
ISBN: 978-602-72198-6-1
SENAMAS 2017
[7] Nurrizati, Yetti. 2012. Peranan Statistika dalam Penelitian Sosial Ekonomi.
Jurnal Edueksos Vol I No.1, Januari-Juni 2012. pp. 91–105.
[8] Subarna, Dadang dkk., 2012. Prakiraan Curah Hujan di Wilayah Situ Cileunca
Kabupaten Bandung dengan Metode Statistik Non-Linear [Rainfall Prediction
Over The Cileunca Lake Area at Bandung Regency with Non-Linear Statistical
Method]. Jurnal Sains Dirgantara Vol. 10 No. 1 Desember 2012. pp. 47–58.
[9] Alsa, Asmadi. 2011. Pengaruh Metode Belajar Team Assited Individualization
terhadap Prestasi Belajar Statistika pada Mahasiswa Psikologi. Jurnal Psikologi
Volume 38, No. 1, Juni 2011. pp. 82 – 91.
254
ISBN: 978-602-72198-6-1
SENAMAS 2017
Penentuan Margin of Error (MoE) dan Tingkat

Kepercayaan Kerealibilitasan Hasil Quick Count
dalam Pilkada
Georgina Maria Tinungki`
Jurusan Matematika FMIPA, Universitas Hasanuddin
E-mail : ina_matematika@yahoo.co.id
Abstrak
Quick count atau penghitungan cepat adalah proses pencatatan hasil perolehan suara di
ribuan Tempat Pemungutan Suara (TPS) yang dipilih secara acak. Dalam metode quick
count biasanya kita sering mendengar istilah Margin of Error (MoE) atau Sampling
Error (SE). Secara umum inilah yang menjadi batas kesalahan pengambilan sampel.
Besarnya tergantung dari peneliti atau lembaga yang menghitung quick count tersebut.
Biasanya, sangat jarang ketika hasilnya sama persis dengan metode perhitungan
manual, dengan syarat masih dalam batas wajar. Quick count harus dilakukan dengan
benar, dengan metodologi yang bisa dipertanggungjawabkan, jika tidak maka, quick
count justru bisa menimbulkan “masalah” baru. Hasil quick count bisa jadi akan
menjadi kontroversi yang tidak berkesudahan siapa pemenang pemilu atau pilkada.
Margin of error merepresentasikan jumlah kesalahan dalam pengambilan sampel pada
suatu survey. Margin of error mengukur seberapa mewakili data yang didapat dari
sampel dengan data yang ada pada populasi sesungguhnya. Makin besar margin of
error, makin jauh suatu sampel dapat dikatakan mewakili populasi sesungguhnya.
Makin kecil margin of error, makin dapat dikatakan data pada sampel telah mewakili
data populasi sesungguhnya. Margin of error muncul karena dalam prakteknya sampel
tidak selalu dapat menjelaskan populasi dengan sempurna. Seberapa baik suatu sampel
mewakili populasi dapat dilihat dari dua hal, yaitu margin of error dan tingkat
kepercayaan. Dari kedua aspek tersebut dapat diketahui bagaimana kita memilih
sampel yang bagus yang benar-benar mewakili populasi.
Kata Kunci : Margin of Error (MoE), Quick count, Tingkat kepercayaan, Pilkada
1. Pendahuluan
Sejarah munculnya pengumpulan data dengan penghitungan cepat (Quick
Count) berawal dari rentetan peristiwa berupa pemberdayaan suara rakyat melalui
polling. Sejarah polling dimulai dengan bentuk orator atau pidato di abad 5 SM, dimana
public menyampaikan pendapat umum berdasarkan perdebatan dalam mengajukan
gagasan gagasannya (Sumargo 2006). Quik count pertama kali digunakan oleh
NAMFREL (National Citizens Movements For Free Election) yang memantau
pelaksanaan Pemilu 1986 di Filipina dimana ada dua kandidat yang bersaing ketat yakni
Ferdinand Marcos dan Corazon Aquino. NAMFREL berhasil menemukan berbagai
kecurangan dan manipulasi suara serta secara meyakinkan dapat menunjukkan
kemenangan Cory Aquino, sekaligus menggagalkan klaim kemenangan Marcos.
Kebijakan Marcos yang menganulir kemenangan Cory selanjutnya menjadi dasar
pembangkangan sipil dan perlawanan rakyat Filipina dalam bentuk people power yang
berhasil menggulingkan rezim otoriter Marcos.
255
ISBN: 978-602-72198-6-1
SENAMAS 2017
Beberapa bulan yang lalu tepatnya pada tanggal 19 April 2017, Ibu kota Negara
kita Indonesia yakni DKI Jakarta, telah merayakan pesta demokrasi secara besar-
besaran yaitu pemilihan Gubernur dan Wakil Gubernur. Bagaimana ilmu pengetahuan
akan mampu „membaca‟ lebih cepat dan akurat terhadap hasil Pemilu Gubernur dan
Wakil Gubernur DKI Jakarta 2017. Jauh lebih cepat dibandingkan rekapitulasi suara
secara manual. Namun hasil yang keluar dari Quick Count tidaklah menjadi patokan.
Yang menjadi acuan tetaplah hasil dari KPU. Apalagi jika selisih perolehan suara dalam
Quick Count tersebut di bawah margin of error, sangat mungkin hasilnya terbalik.
Salah satu sumbangan terbesar Statistika (salah satu cabang sains) dalam bidang
politik yang mampu „membaca‟ lebih cepat dan akurat terhadap hasil Pemilu Gubernur
dan Wakil Gubernur DKI Jakarta 2017. Dalam metode quick count biasanya kita sering
mendengar istilah Margin of Error (MoE) atau Sampling Error (SE). Artinya secara
umum inilah yang menjadi batas kesalahan pengambilan sampel. Besarnya tergantung
dari peneliti atau lembaga yang menghitung quick count tersebut. Sehingga sangat
jarang ketika hasilnya sama persis dengan metode perhitungan manual, dengan syarat
masih dalam batas wajar. Quick count harus dilakukan dengan benar. Agar tidak
menimbulkan permasalahan, maka metodologi harus benar dan dapat dipertanggung
jawabkan, sehingga l quick count tidak menjadi kontroversi dalam penentuan pemenang
Pemilu.
Penghitungan Suara Cepat (Quick Count) atau juga dikenal sebagai Tabulasi
Suara Paralel (Parallel Vote Tabulation) merupakan salah satu metode yang berguna
untuk memantau proses pemungutan suara. Quick Count merupakan sebuah proses
pengumpulan informasi oleh ratusan bahkan ribuan relawan melalui pemantauan
langsung saat pemungutan dan penghitungan suara di tempat pemungutan suara (TPS)
yang sudah ditentukan. Pemantau mencatat informasi, termasuk hasil penghitungan
suara yang ada, pada formulir khusus dan melaporkan temuannya tersebut ke pusat
pengumpulan data.
Sehingga secara tidak langsung quick count sebagai bagian dari kontrol terhadap
pemilu dan bagian dari upaya untuk menegakkan demokrasi dengan mendorong
berlangsungnya pemilu yang jujur dan adil. Quick count telah diterapkan di Indonesia
sejak 1997 oleh LP3ES (Lembaga Pelatihan, Penelitian, Penerangan, Ekonomi dan
Sosial) pada pemilu terakhir rezim Soeharto yang dilakukan secara diam-diam
bekerjasama dengan salah satu kekuatan politik. Quick count ini cukup berhasil, dengan
satu hari setelah pelaksanaan pemilu LP3ES mampu memprediksi hasil pemilu di DKI
Jakarta persis sebagaimana hasil perhitungan suara oleh KPU (Lembaga Pemilihan
Umum). Tetapi karena pertimbangan keamanan dan politik, hasil tersebut tidak
diumumkan pada masyarakat. Pada pemilu 1999, LP3ES dengan quick count berhasil
pula dalam memprediksi secara tepat urutan partai dan persentase suaranya di propinsi
NTB dan pulau Jawa. Selanjutnya pada pemilu 2004, LP3ES kembali membuat quick
count bekerjasama dengan National Democratic Institute for International Affairs
(NDI), lembaga internasional dari Amerika yang sudah terbiasa dengan penghitungan
cepat. LP3ES-NDI secara akurat berhasil memprediksi pemenang pemilu dan komposisi
pemenang pemilu dari urutan 1 sampai 24.
Seringkali pelaksanaan quick count pada pemilu disertai oleh exit poll, kedua
metode pengumpulan data ini dilakukan setelah pemilu. Exit poll merupakan metode
mengetahui opini publik yang dilakukan sesaat setelah seseorang keluar dari bilik suara
(TPS). Pertanyaan dalam exit poll umumnya juga sedikit (kurang dari 10 pertanyaan).
256
ISBN: 978-602-72198-6-1
SENAMAS 2017
Salah satu informasi yang digali dalam exit poll adalah alasan memilih sehingga
distribusi suara pemilih dapat diketahui lebih dalam.
Adapun rumusan masalah yang akan dibahas dalam artikel ini, yaitu secara
umum akan dibahas tentang segala seluk beluk Quick count dan ilmu statistik. Namun
secara khusus akan dijelaskan sebagai berikut: Bagaimana Quick Count dan ilmu
statistika berperan dalam Pemilihan Gubernur dan Wakil Gubernur DKI Jakarta periode
2017-2022? Bagaimana kerealibilitasan hasil Quick Count dibanding dengan hasil
penghitungan resmi dari KPU? Namun dengan Quick count, hasilnya mungkin saja bisa
diketahui dalam waktu 2 jam atau 3 jam. Bagaimana dengan hasil Quick Count LSI,
apakah berbeda dengan haasil penghitungan dari KPU? Hal inilah yang melatar
belakangi sehingga mengapa mengangkat tema Quick Count karena ingin mengetahui
sejauh mana ilmu statistika berperan di dalamnya.
2. Tinjauan Pustaka
2.1 Pengertian Quick Count
Quick count atau penghitungan cepat adalah proses pencatatan hasil perolehan
suara di ribuan Tempat Pemungutan Suara (TPS) yang dipilih secara acak (Ujiyati
2004). Menurut Sumargo (2006). Keberhasilan hasil pelaksanaan quick count
ditentukan beberapa faktor diantaranya adalah, 1. Syarat yaitu adanya akses ke TPS,
kredibilitas dan independensi, jaringan di akar rumput (grass root), dan dukungan
komunikasi data. 2. Pelatihan, seluruh elemen yang terlibat dalam kegiatan ini diberi
pelatihan. 3. Quality control yaitu (i) kepada relawan diminta untuk melakukan
validasi hasil pencatatan perolehan suara (ii) validasi dilakukan dengan meminta
tandatangan ketua pada TPS yang dipantau (iii) satu minggu sebelum hari pemilu
dilaksanakan dilakukan monitoring untuk memastikan apakah proses persiapan
pemantauan berjalan sebagaimana seharusnya (iv) memastikan apakah data yang
diperoleh adalah benar dan valid dengan spotcheck (v) daerah ataupun TPS yang
dikunjungi untuk spotcheck dipilih secara acak.
Pemilu Gubernur dan Wakil Gubernur yang digelar pada tanggal 19 April 2017.
Dua pasangan kandidat calon Gubernur dan Wakil Gubernur telah ditetapkan. Basuki
Tjahaja Purnama berpasangan dengan Djarot, Anis Baswedan berpasangan dengan
Sandiag Uno.
Segera setelah kegiatan Pemilihan Gubernur dan Wakil Gubernur berlangsung,
Sejumlah lembaga survey terus merilis hasil survey terbarunya dari berbagai sudut
pandang. Dari segi popularitas, nampaknya pasangan Basuki Tjahaja Purnama masih
berada di urutan pertama. Berita-berita di Televisi, Radio, Koran, ramai-ramai
menampilkan hasil sementara atau dikenal dengan Quick Count. Apakah Quick Count
itu? Bagaimana cara mendapatkah hasil Quick Count tersebut? Apakah hasil Quick
Count akan serupa dengan hasil perhitungan akhir?
Statistik, itulah kata kuncinya!. Dan inilah salah satu sumbangan terbesar Statistika
dalam bidang politik. Kebanyakan lembaga survey didanai oleh salah satu pasangan
calon namun harusnya hasil survey yang dirilisnya tetap berpedoman pada ilmu
statistik, yaitu memenuhi azas kerandoman data, kecukupan data atau keterwakilan
populasi terhadap sampel yang diambil, serta telah dilakukan pembobotan.
Di Indonesia quick count mulai menjadi perbincangan sejak dilakukan quick count
pada pemilu 2004 lalu. Quick count atau perhitungan cepat pada pemilu ini dilakukan
257
ISBN: 978-602-72198-6-1
SENAMAS 2017
dengan mengambil secara acak beberapa TPS dan melakukan perhitungan perolehan
suara secara cepat berdasarkan fakta.
Dalam metode quick count biasanya kita sering mendengar istilah Margin of
Error (MoE) atau Sampling Error (SE). Artinya secara umum inilah yang menjadi batas
kesalahan pengambilan sampel. Besarnya tergantung dari peneliti atau lembaga yang
menghitung quick count tersebut. Sehingga sangat jarang ketika hasilnya sama persis
dengan metode perhitungan manual, dengan syarat masih dalam batas wajar. Quick
count harus dilakukan dengan benar. Hasil quick count bisa jadi akan menjadi
kontroversi yang tidak berkesudahan siapa pemenang pemilu atau pilkada.
Tahapan proses quick count secara singkat menurut LSI & JIP (2007) adalah
1. Menentukan jumlah TPS yang akan diamati
2. Memilih TPS yang akan diamati secara acak
3. Manajemen data (pengamatan, pencatatan, dan analisa data hasil perhitungan suara)
4. Publikasi hasil quick count
2.2. Sampel Stratifikasi (Stratified Random Sampling)

Sampel stratifikasi (stratified random sampling) merupakan teknik penarikan
sampel dengan sampling unit dikelompokkan menjadi beberapa strata (kelompok)
sehingga sampling unit dalam satu strata relatif homogen (Scheaffer et al. 1990).
Menurut Levy & Lemeshow (1999), alasan digunakan sampel stratifikasi adalah
1. Kesederhanaan dari simple random sampling, potensial memperoleh signifikan dalam
reabilitas.
2. Populasi harus dibagi dalam k strata yang saling bebas satu sama lain.
3. Penarikan sampel dilakukan secara bebas di setiap strata.
Penetapan jumlah sampel per strata ditentukan oleh tiga faktor berikut :
1. Jumlah populasi setiap strata
2. Ragam setiap strata
3. Biaya pengambilan sampel per strata
Kelebihan dari sampel stratifikasi ini adalah pada waktu melakukan analisis dapat
disajikan secara keseluruhan, per strata ataupun membandingkan antar strata.
2.3. Sampel Klaster (Cluster Sampling)

Sampel klaster (cluster sampling) adalah sampel peluang dengan masing-masing
unit sampel (sampling unit) merupakan kumpulan atau klaster dari elemen (Scheaffer et
al. 1990). Elemen didefinisikan sebagai obyek dimana pengukuran akan dilakukan.
Sedangkan sampling unit mempunyai arti yang hampir sama dengan elemen tetapi ada
syarat tidak boleh tumpang tindih. Teknik penarikan sampel pada dasarnya dibedakan
menjadi dua yakni berdasarkan kerangka sampel (sampling frame) dan tidak berdasar
kerangka sampel. Sampling frame adalah daftar dari keseluruhan elemen populasi,
contohnya daftar nomor telepon. Teknik berdasarkan kerangka sampel disebut
probabilistic sampling, dengan memiliki karakteristik setiap elemennya diketahui
sehingga penduga tak bias dapat dibuktikan. Sedangkan teknik penarikan sampel tanpa
kerangka
258
ISBN: 978-602-72198-6-1
SENAMAS 2017
sampel disebut non probabilistic sampling/quota/purposive/judgement, teknik ini sering

digunakan untuk survei pemasaran dan opini publik.
Cara pengambilan sampel pada cluster sampling adalah

1. Populasi dibagi menjadi c klaster
2. Dari c klaster selanjutnya dipilih secara acak sebanyak k klaster
3. Seluruh elemen dari k klaster terpilih diambil
Sampel klaster merupakan desain yang efektif untuk memperoleh sejumlah informasi
khusus dengan biaya minimum bila memenuhi kondisi (Scheaffer et al. 1990) :
1. Frame listing elemen populasi yang baik tidak ada atau sangat mahal, sementara
frame listing klaster mudah diperoleh.
2. Biaya untuk memperoleh objek-objek yang terpilih sangat mahal karena factor
geografi maka klaster akan mengurangi biaya.
2.4. Margin of Error dan Titik Kritis (Critical Value)

Margin of error adalah suatu tingkat ketidaksesuaian hasil statistik dengan dengan
kenyataan di lapangan yang berarti margin of Error ini dapat menunjukkan keakuratan
dalam suatu penelitian/poling/survei. Margin of error merepresentasikan jumlah
kesalahan dalam pengambilan sampel pada suatu survey. Margin of error mengukur
seberapa mewakili data yang didapat dari sampel dengan data yang ada pada populasi
sesungguhnya. Makin besar margin of error, makin jauh suatu sampel dapat dikatakan
mewakili populasi sesungguhnya. Makin kecil margin of error, makin dapat dikatakan
data pada sampel telah mewakili data populasi sesungguhnya. Margin of error muncul
karena dalam prakteknya sampel tidak selalu dapat menjelaskan populasi dengan
sempurna. Seberapa baik suatu sampel mewakili populasi dapat dilihat dari dua hal,
yaitu margin of error dan tingkat kepercayaan. Dari kedua aspek tersebut dapat
diketahui bagaimana kita memilih sampel yang bagus yang benar-benar mewakili
populasi.
Kita dapat menetukan margin of error dengan menggunakan formula
aljabar, chart (tabel) ataupun dengan menggunakan bantuan kalkulator/software.
Seorang peneliti hanya membutuhkan tiga buah syarat yaitu, ukuran populasi, ukuran
sampel dan standar deviasi yang diperoleh dari setiap pengamatan sampel. Setelah
semua syarat ini terpenuhi maka kita dapat menghitung besarnya margin eror. Semakin
besar nilai dari margin error, maka semakin besar tingkat kekeliruan yang terjadi dalam
penelitian.
Menghitung margin of error dengan menggunakan rumus:

Margin of error = Critical value * Standard error of the statistic
atau :
Margin of Error (MoE) = z x s/√n
dimana : s = simpangan baku (biasanya dianggap 0.5)

z = nilai z untuk tingkat kepercayaan tertentu yaitu untuk 95% adalah
1,96 dan untuk 99% adalah 2,58.
n = ukuran sampel
259
ISBN: 978-602-72198-6-1
SENAMAS 2017
Bagaimana menentukan titik kritis (critical value)
Batas kritis adalah salah satu fakor yang digunakan untuk menghitung margin of error.
Pada bagian ini saya mencoba untuk menjelaskan bagaimana menentukan batas kritis,
ketika diketahui distribusi sampling dari statistik adalah normal, atau setidak-tidaknya
mendekati normal.
Untuk menentukan titik kritis, lakukan beberapa tahap dibawah ini
1. Hitung (α): α = 1 - (confidence level / 100)

2. Hitung critical probability (ρ): ρ = 1 - α/2
3. Titik kritis ditunjukkan sebagai nilai dari skor z ,temukan nilai skor z yang memiliki
peluang kumulatif sama dengan nilai ρ.
Sebagai contoh : 900 orang lulusan sarjana secara acak dipilih dalam suatu survey.
Dalam survey tersebut didapat nilai rata-rata IPK (Indeks Prestasi Kumulatif) adalah 2.7
dengan standard defiasi sebesar 0.4. Dengan tingkat kepercayaan sebesar 95% maka kita
dapat memperoleh margin of error :
1. Hitung α : α = 1 - (confidence level / 100) = 1 - 0.95 = 0.05

2. Tentukan critical probability (ρ): ρ = 1 - α/2 = 1 - 0.05/2 = 0.975
3. Cari nilai skor z. Karena ukuran sampel yang besar, maka distribusi sampling akan
cenderung mengikuti distribusi normal (teorema limit pusat). Oleh karena itu nilai dari
titik kritis diperoleh melalui nilai skor z. Dengan melihat tabel z, maka nilai skor z yang
memiliki peluang kumulatif sebesar 0,975 adalah 1,96.
Selanjutnya tentukan standard error dari rata-rata hitung (mean), dengan menggunakan
rumus berikut:
SEx = s / sqrt(n) = 0.4 / sqrt (900) = 0.4 / 30 = 0.013
Dan terakhir, tentukan nilai dari margin of error (ME).
ME = Critical value * Standard error = 1.96 * 0.013 = 0.025
3. Pembahasan
3.1. Quick Count Putaran Pertama :
Prediksi quick count akan akurat apabila mengacu pada metodologi statistik dan
penarikan sampel yang ketat serta diimplementasikan secara konsisten di lapangan.
Kekuatan quick count juga sangat tergantung pada identifikasi terhadap berbagai factor
yang berdampak pada distribusi suara dalam populasi pemilih. Apabila pemilu berjalan
lancar tanpa kecurangan, akurasi quick count dapat disandarkan pada perbandingannya
dengan hasil resmi KPU. Tetapi apabila pemilu berjalan penuh kecurangan, maka hasil
quick count dapat dikatakan kredibel meskipun hasilnya berbeda dengan hasil resmi
KPU.
Oleh karena itu quick count biasanya diiringi dengan kegiatan lain yaitu
pemantauan yang juga menggunakan metode penarikan sampel secara acak (exit poll).
260
ISBN: 978-602-72198-6-1
SENAMAS 2017
Quick count pada Pilkada DKI Jakarta 2017 tercatat ada lima lembaga survei
terdaftar di KPU DKI Jakarta yang menyampaikan hasil survei mengenai elektabilitas
kedua pasangan calon.
1. SMRC
Saiful Mujani Research and Consulting (SMRC) merilis hasil survei pada Rabu
(12/4/2017). Hasil survei itu menunjukkan bahwa elektabilitas pasangan Basuki Tjahaja
Purnama (Ahok)-Djarot Saiful Hidayat, sebesar 46,9 persen. Sementara itu, elektabilitas
pasangan Anies Baswedan-Sandiaga Uno sebesar 47,9 persen. Adapun 5,2 persen
responden menyatakan tidak tahu dan tidak menjawab. Survei tersebut digelar pada 31
Maret-5 April 2017.
Metode penelitian menggunakan stratified systematic random
sampling dengan margin of error 4,7 persen. Dari 800 orang, hanya 446 responden yang
bisa diwawancara.
2. LSI Denny JA
Lingkaran Survei Indonesia (LSI) Denny JA merilis hasil survei pada Kamis
(13/4/2017). Hasilnya, pasangan Ahok-Djarot memiliki elektabilitas sebesar 42,7 persen
dan elektabilitas pasangan Anies-Sandi sebesar 51,4 persen.
Responden dalam survei LSI Denny JA sebanyak 440 orang. Survei dilaksanakan pada
7-9 April 2017 dengan metode multistage random sampling dan margin of error kurang
lebih 4,8 persen.
3. Median
Media Survei nasional (Median) merilis hasil survei terbarunya pada Sabtu
(15/4/2017). Dalam survei yang digelar pada 13-14 April 2017, Ahok-Djarot memiliki
elektabilitas 47,1 persen, sementara elektabilitas Anies-Sandi yakni 49 persen.
Sisanya, 3,9 persen responden menyatakan belum menentukan pilihan. Survei Median
dilakukan terhadap 550 responden warga DKI Jakarta yang memiliki hak pilih dengan
metode multistage random sampling, dan margin of error sebesar lebih kurang 4,2
persen pada tingkat kepercayaan 95 persen.
261
ISBN: 978-602-72198-6-1
SENAMAS 2017
4. Charta Politika
Survei Charta Politika terhadap 782 responden menunjukkan tingkat elektabilitas
Ahok-Djarot sebesar 47,3 persen dan elektabilitas Anies-Sandi 44,8 persen. Charta
Politika melakukan survei pada 7-12 April 2017 dan disampaikan hasilnya pada Sabtu
(15/4/2017). Survei tersebut dilakukan terhadap 782 responden di seluruh wilayah DKI
Jakarta dan menggunakan metode multistage random samplingdengan margin of
error kurang lebih 3,5 persen pada tingkat kepercayaan 95 persen.
5. Indikator Politik
Menurut hasil survei Indikator Politik Indonesia, pasangan Ahok-Djarot dipilih
47,4 persen responden. Sementara itu, pasangan Anies-Sandi dipilih oleh 48,2 persen
responden. Survei Indikator dilaksanakan pada 12-14 April 2017 terhadap 495
responden di seluruh wilayah Jakarta. Metode survei yang digunakan yakni stratified
systematic samplingdengan margin of error kurang lebih 4,5 persen pada tingkat
kepercayaan 95 persen.
Sumber : situs KPU pukul 15.00 WIB. Foto: kpu.go.id
Berdasarkan gambar diatas terlihat bahwa perolehan suara masing-masing

pasangan cagub-cawagub DKI, yakni Agus Harimurti Yudhoyono-Sylviana Murni
sebanyak 936.609 (17,07%), Basuki Tjahaja Purnama (Ahok)-Djarot Saiful Hidayat
262
ISBN: 978-602-72198-6-1
SENAMAS 2017
sebanyak 2.357.587 (42,96%), dan Anies Rasyid Baswedan-Sandiaga Salahuddin Uno

sebanyak 2.200.636 (39,97%). Data tersebut juga menunjukkan penghitungan sudah
100% pada 13.023 TPS.
Informasi dari exit poll tersebut mampu menggambarkan karakteristik dari

pemilih, informasi ini tidak didapatkan pada quick count. Karakteristik tersebut
diantaranya alas an yang melatarbelakangi pemilih memilih kandidat tertentu, basis
pendukung dari kandidat seperti latar belakang suku, agama, pendidikan, pekerjaan.
3.2. Quick Count Putaran Kedua

Kontestasi Pemilihan Gubermur DKI Jakarta Putaran Kedua Tahun 2017 telah
mencapai puncak kematangan. Pemilihan ini menandakan sengitnya persaingan yang
terjadi di Jakarta. Persaingan yang ketat berimplikasi terhadap tingginya tensi
masyarakat untuk segera mengetahui hasil Pilgub DKI Jakarta kali ini. Untuk memenuhi
kebutuhan masyarakat tersebut beberapa lembaga survei resmi merilis hasil perhitungan
cepat pada Pemilihan Gubernur DKI Jakarta Putaran Kedua Tahun 2017. Pasangan
calon gubernur dan wakil gubernur DKI Jakarta Anies Baswedan-Sandiaga Uno untuk
sementara mengungguli pesaingnya, Basuki Tjahaja Purnama (Ahok)-Djarot Saiful
Hidayat, dalam sejumlah quick count (hitung cepat) putaran kedua Pemilihan Gubernur
DKI Jakarta 2017.
Dari hasil quick count yang diselenggarakan beberapa lembaga survei pasangan
nomor urut 3 Anies Rasyied Baswedan – Sandiaga Salahuddin Uno unggul dari
pasangan nomor urut 2 Basuki Tjahaja Purnama – Djarot Syaiful Hidayat. Salah satunya
Lembaga Voxpol Center Research And Consulting dengan perolehan hasil suara Anis –
Sandi sebesar 59,40% berbanding Ahok – Djarot 40.60%. Sebagian besar lembaga
survey menggunakan tingkat kepercayaan sebesar 95% dan margin error 1%. Metode
yang digunakan pada umumnya untuk Quick Count ini adalah systematic random
sampling yang mana sampel diacak secara sistematis sesuai pola yang telah ditentukan.
Pada pukul 14.55, hasil hitung cepat Lingkaran Survei Indonesia dengan data
masuk mencapai 62,29 persen, pasangan Anies-Sandi memperoleh suara 55,07 persen,
sedangkan pasangan Basuki-Djarot mendapatkan 44,93 persen suara. Pada hasil hitung
cepat Indikator Politik dengan data masuk mencapai 60,75 persen, pasangan pasangan
Anies-Sandi mendapat suara 58,93 persen, sedangkan pasangan Basuki-Djarot
memperolah 41,07 persen suara. Sedangkan berdasarkan hitung cepat PolMark
Indonesia dengan data masuk 59,50 persen, pasangan Anies-Sandi memperoleh 56,63
persen suara dan pasangan Basuki-Djarot mendapat suara 43,37 persen.
Hitung cepat yang dilakukan Indo Barometer dengan data masuk 60,67 persen
menempatkan pasangan Anies-Sandi dengan perolehan suara 58,13 persen, sedangkan
pasangan Basuki-Djarot 41,87 persen. Pada hitung cepat Voxpol Center dengan data
masuk 56,82 persen, pasangan Anies-Sandi mengungguli pasangan Basuki-Djarot
dengan perbandingan 59,21 persen dan 40,79 persen. Begitu pula dengan hasil hitung
cepat yang dilakukan Saiful Mujani Research Center dengan data masuk 68,18 persen,
pasangan Anies-Sandi mendapatkan suara 58,8 persen dan Basuki-Djarot memperoleh
41,2 persen suara.
263
ISBN: 978-602-72198-6-1
SENAMAS 2017
Tepat pada perolehan hasil quick count putaran kedua ini suara Anis meningkat
drastis dibandingkan Ahok. Merapatnya segmen pemilih AHY-Sylvi kepada pasangan
Anis-Sandi merupakan suntikan positif terhadap perolehan suara Anis. Kemiripan
pemilih AHY-Sylvi dan Anis ternyata tidak membuat para pendukung pasangan
tersebut menyia-nyiakan hak pilih mereka untuk mendukung pasangan Anis-Sandi.
Kuatnya kinerja partai pendukung dan relawan pasangan Anies-Sandi juga
merupakan faktor penentu yang tidak bisa dihindarkan. Kuatnya basis massa Basuki-
Djarot di daerah Jakarta Utara dan Jakarta Barat berhasil dipangkas oleh para relawan
dan pendukung Anies-Sandi. Degradasi pemilih ini jelas terjadi di daerah Jakarta Barat
yang sebelumnya merupakan basis suara Basuki-Djarot berdasarkan hitungan cepat
Voxpol Center, Jakarta Barat diangka 52,74% sekarang hanya menjadi 50,97%.
Fenomena serupa juga terjadi di daerah Jakarta Utara paslon nomor urut 2 ini
mengalami penurunan suara dari 46,77% menjadi 42,78 %.
Penurunan perolehan suara pada pasangan Ahok-Djarot tidak terlepas dari
ketatnya persaingan antara petahana dan Anis. Solidnya pasangan Anis-Sandi dalam
memangkas isu-isu miring yang mencoba menjatuhkan elektabilitas pasangan Anis.
Kecolongan terjadi pada pasangan Ahok-Djarot yang notabene pemilihnya terkotak-
kotak sehingga tidak solid dalam menentukan pilihan. Pasangan Anis-Sandi memang
unggul pada hasil quick count di beberapa lembaga, begitu juga hasil survei beberapa
lembaga sebelum hari pemilihan. Hasilnya positif dan tidak jauh berbeda.
264
ISBN: 978-602-72198-6-1
SENAMAS 2017
4. Kesimpulan
Beberapa simpulan yang diperoleh adalah :
1. Metode penarikan contoh yang sering digunakan dalam quick count adalah systematic
random sampling dan Stratified Random Sampling.
2. Keakuratan dan presisi dari hasil quick count dapat terpenuhi apabila mengacu pada
metodologi statistik dan penarikan sampel yang ketat.
3. Melalui exit poll dapat diketahui karakteristik dari pemilih.
4. Quick count berguna dilakukan di negara berkembang seperti Indonesia. Metode ini
tidak cocok dipakai di negara maju, dimana dalam satu hari pemilihan sudah bisa
diketahui hasil akhir pemilu. Di negara berkembang, letak geografis dan teknologi
perhitungan suara lamban, menyebabkan hasil akhir pemilu baru bisa diketahui 2
minggu sampai satu bulan.
5. Semakin banyak jumlah responden survey tersebut, maka semakin kecil margin of
error nya. Semakin kecil margin of error, semakin dapat dikatakan data pada sampel
telah mewakili data populasi sesungguhnya.
Daftar Pustaka
[1] Estok M, Nevitte N & Cowan G. 2002. The quick count and election observation.
Washington: NDI.
[2] http://www.rappler.com/indonesia/berita/161321-hasil-quick-count-pilkada-jakarta-
2017
[3] http://nasional.kontan.co.id/news/quick-count-ahok-dan-anies-ke-putaran-dua
[4] Kristanto TA. 10 Agustus 2007. Jaga kredibilitas dengan penghitungan lebih dini.
Kompas: 53 (kolom 1-7).
[5] Lembaga Survei Indonesia (LSI). 2004. Jajak pendapat dan pemilu. [terhubung
berkala]. http://www.csis.or.id/events.file/40/20julbooklsi.pdf [2 Juli 2007].
[6] Levy PS & Lemeshow S. 1999. Sampling of populations methods and application.
New York: John Wiley & Son
[7] Lingkaran Survei Indonesia. 2007. Siaran pers quick count dan exit poll. [terhubung
berkala]. http://www.lsi.co.id/media/Siaran_Pers_Quick_Count_dan_Exit_Poll.doc
[9 Agustus 2007].
[8] Lingkaran Survei Indonesia (LSI) & Jaringan Isu Publik (JIP). 2007. Perkiraan hasil
akhir pemilihan gubernur dan wakil gubernur provinsi DKI Jakarta. [terhubung
berkala].
[9] Lingkaran Survei Indonesia (LSI) & Jaringan Isu Publik (JIP). 2007. Hasil exit poll
pilkada provinsi DKI Jakarta. [terhubung berkala].
[10] Scheaffer RL, Mendenhall W & Ott L. 1990. Elementary Survey Sampling. Boston:
PWSKent.
265
ISBN: 978-602-72198-6-1
SENAMAS 2017
Penentuan Peta Kendali EWMA Pada Data

Berautokorelasi
Geysa Fandrilla, Nurtiti Sunusi, Erna Tri Herdiani
Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam
Abstrak
Peta kendali Exponentially Weighted Moving Average (EWMA) digunakan untuk
mendeteksi pergeseran mean yang kecil untuk data yang saling bebas, tetapi pada
kenyataannya data sering kali berautokorelasi, oleh karena itu dalam paper ini akan
diteliti peta kendali EWMA pada data berautokorelasi. Hasil penelitian menunjukkan
bahwa peta kendali EWMA tanpa autokorelasi lebih sensitif untuk mendeteksi sampel
yang jatuh di luar batas kendali daripada peta kendali EWMA dengan autokorelasi. Hal
ini dapat terlihat dengan menggunakan Average Run Length (ARL).
Kata Kunci : Autokorelasi, Average Run Length (ARL), Exponentially Weighted

Moving Average (EWMA), Peta Kendali.
1. Pendahuluan
Kualitas merupakan suatu faktor penentu dalam memilih produk dan layanan.
Akibatnya, mencari metode pengendalian kualitas yang dapat mengakibatkan
peningkatan produk dan jasa, telah menyebabkan pengembangan dalam teknik statistik
yang berlaku untuk lingkungan industri dan bisnis. Hal tersebut meningkatkan kinerja
peta kendali dan mengembangkan metode baru untuk konstruksi suatu statistic dalam
proses kontrol, sehingga menjadi tantangan bagi para peneliti dan pengguna
pengontrolan kualitas.
Pada umumnya, pengamatan proses kontrol statistik diasumsikan bersifat saling
bebas. Akan tetapi, asumsi ini sering dilanggar dalam prakteknya (Box, 1974). Oleh
karena itu, berkembanglah pengamatan proses kontrol statistic untuk proses yang saling
berautokorelasi, diantaranya peta kendali Shewhart, Cumulative Sum (CUSUM), dan
Exponentially Weighted Moving Average (EWMA) (Alwan, 1988). Hal ini ternyata
bahwa peta ini tidak cocok jika batas kontrol yang sama digunakan dalam kasus
variabel independen dalam membangun peta kendali.
Sebuah peta kendali klasik untuk variabel independen yang diterapkan pada
proses residual. Prosedur ini diperbolehkan asalkan residual independen (Vasilopoulos,
1978) sebelumnya memperkenalkan modifikasi Shewhart untuk proses autoregressive.
Jarak antara mean sampel dan nilai target dibandingkan dengan standar deviasi dari
proses autokorelasi.
Sebelumnya Harris (1991) telah membahas proses autokorelasi untuk peta
kendali Cumulative Sum (CUSUM), Lu & Reynolds (1999) telah meneliti mean dari
EWMA untuk proses autokorelasi, Patel (2011) menyempurnakan dengan mencari
variansi, peta kendali dan ARL dari ewma dengan proses autokorelasi. Adapun rumusan
patel selanjutnya disebut dengan modified patel dan dituliskan sebagai berikut:
266
ISBN: 978-602-72198-6-1
SENAMAS 2017
Hasil yang diperoleh menyebutkan bahwa modifikasi lebih sensitif dibandingkan

dengan ewma klasik pada proses autokorelasi, dimana rumusan dari ewma klasik dapat
dilihat dalam Montgomery (2009) sebagai berikut:
Oleh karena itu, penulis tertarik untuk mengkaji ewma klasik dengan proses
autokorelasi berdasarkan oduk (2012) yang telah mengembangkan beberapa peta
kendali univariate dan multivariate pada data beruatokorelasi. Dalam skripsi ini akan
dibahas tentang ARL dari bagan kendali EWMA untuk proses autokorelasi. Tujuan dari
makalah ini adalah untuk menentukan peta kendali EWMA untuk proses autokorelasi
dan menentukan performance dari peta kendali ewma klasik dengan peta kendali ewma
untuk proses berautokorelasi.
2. Tinjauan Pustaka
1. Peta Kendali EWMA
Peta kendali EWMA pertama kali diperkenalkan oleh Roberts pada tahun 1959.
Peta kendali EWMA optimal bagi proses dengan meannya dalam periode t yang
berhubungan dengan mean dalam periode (t–1) (Montgomery, 1990). EWMA juga
merupakan salah satu peta kendali Shewart yang banyak diterapkan khususnya pada
kasus time series (Montgomery, 2009). Peta kendali EWMA merupakan alternatif grafik
terhadap pengendali Shewart dalam mendeteksi pergeseran kecil pada proses mean.
Secara khusus EWMA digunakan pada pengamatan secara individu.
Diasumsikan pengamatan dari proses pada variable . Didefinisikan
peta kendali EWMA menurut Montgomomery (2009) adalah
(2.1)
dengan:
= rata-rata dari data produksi bulanan
= parameter bobot yang bernilai antara 0 dan 1.
= nilai pengamatan ke - t, t = 1, 2, . . T
T = banyaknya pengamatan
= rata-rata dari data produksi bulanan sebelumnya
UCL dan LCL untuk peta kendali EWMA adalah sebagai berikut:
(2.2)
dengan:
= rata-rata
= standar deviasi
= lebar dari batas kontrolnya
= parameter bobot
267
ISBN: 978-602-72198-6-1
SENAMAS 2017
= 1, 2, . . . T
2. Peta Kendali Modifikasi
Peta kendali modifikasi EWMA dikembangkan oleh Patel pada tahun 2011.
Sifat-sifat yang diinginkan dari peta kendali adalah yang mudah untuk menerapkan dan
efektif untuk mendeteksi pergeseran dari semua ukuran sesuai spesifikasi. Patel
mengkombinasikan peta kendali Shewart dan EWMA yang berguna untuk mendeteksi
perubahan kecil dari proses industri yang memiliki data dengan proses autokorelasi
berorde satu. Statistik yang diusulkan dengan menambahkan nilai dalam statistik
EWMA.
Peta kendali modifikasi EWMA menurut Patel (2011) adalah
(2.3)
dengan:
= rata-rata dari data historis
= parameter bobot yang bernilai antara 0 dan 1.
= nilai pengamatan ke - t, t = 1, 2, . .
= nilai pengamatan sebelumnya
= target
UCL dan LCL untuk peta kendali modifikasi EWMA adalah sebagai berikut:
(2.4)
dengan:
= rata-rata
= standar deviasi
= lebar dari batas kontrolnya
= parameter bobot
3. Autokorelasi
Autokorelasi menyatakan hubungan antara variabel yang sama dengan waktu
yang berbeda. Dengan demikian terlihat adanya perbedaan pengertian antara
autokorelasi dengan korelasi. Dimana korelasi mengukur hubungan linear diantara dua
buah variabel yang berbeda, sedangkan autokorelasi mengukur hubungan linear diantara
variabel yang sama dengan waktu yang berbeda (Wei, 2006).
Fungsi autokorelasi atau Autocorrelation Function (ACF) adalah suatu fungsi yang
menunjukkan besarnya korelasi antara pengamatan waktu ke-t dengan pengamatan pada
waktu-waktu yang sebelumnya. Fungsi autokorelasi menunjukkan koefisien
autokorelasi yang merupakan pengukuran korelasi antara observasi pada waktu yang
berbeda (Cryer, 1986). Untuk suatu data deret waktu maka nilai fungsi
autokorelasi didefinisikan sebagai berikut:
268
ISBN: 978-602-72198-6-1
SENAMAS 2017
Namun, dipertimbangkan data sampel, maka diperlukan sampel fungsi autokorelasi

yang dinyatakan sebagai,
(2.5)
Dimana menunjukkan sampel autokorelasi antara pengamatan ke-k dan

adalah mean sampel (Wei, 2006).
Pengujian signifikan autokorelasi dapat dilakukan dengan hipotesis:
(koefisien autokorelasi tidak signifikan)
(koefisien autokorelasi signifikan)
Statistik uji yang digunakan adalah
(2.6)
dengan
Kriteria keputusan: ditolak jika
Fungsi autokorelasi parsial atau Partial Autocorrelation Function (PACF) digunakan
untuk mengukur tingkat keeratan antara dan , apabila nilai
diketahui. Rumus autokorelasi parsial atau adalah
(2.7)
dengan adalah autokorelasi parsial antara dan .
4. Average Run Length (ARL)

Average Run Length (ARL) adalah jumlah rata-rata titik sampel yang harus
diplot pada bagan kendali sebelum suatu titik menunjukkan keadaan tak terkendali
(Montgomery, 2009). Semakin kecil ARL, maka semakin kecil pula ekspektasi jumlah
sampel yang diperlukan sampai terdapat sinyal out of control. Hal ini berarti semakin
kecil ARL, semakin cepat grafik kendali mendeteksi adanya pergeseran. Kinerja bagan
kendali ARL dapat dinyatakan sebagai:
Atau
Untuk ARL dalam kendali, dan
Untuk ARL di luar kendali.

Adapun dan dijelaskan sebagai berikut:
269
ISBN: 978-602-72198-6-1
SENAMAS 2017
1. Kesalahan statistic Type I atau yang diterapkan dalam bagan kendali Shewart
berarti menyimpulkan proses berada pada kondisi tidak terkendali padahal dalam
kenyataannya proses berada dalam kondisi terkendali.
2. Kesalahan statistic Type II atau yang diterapkan dalam bagan kendali Shewart
berarti menyimpulkan proses berada pada kondisi terkendali padahal dalam
kenyataannya proses berada dalam kondisi tak terkendali.
Jenis data yang digunakan adalah data sekunder. Data tersebut berdistribusi
normal dengan mean 0 dan variansi 1. Data tersebut merupakan data Produksi Bulanan
Perkebunan Coklat, Indonesia (000 Ton) pada bulan Januari tahun 2009 sampai dengan
bulan Desember tahun 2013 yang diambil dari www.bps.go.id.
1. Penerapan Peta Kendali EWMA pada Data Berautokorelasi

Pada sub bab ini akan diuraikan tentang penentuan peta kendali EWMA untuk
data yang berautokorelasi. Pada bab ini juga diuraikan tentang penentuan keakuratan
peta kendali EWMA pada data berautokorelasi. Data yang digunakan adalah data
Produksi Bulanan Perkebunan Coklat, Indonesia (000 Ton) pada bulan Januari tahun
2009 sampai dengan bulan Desember tahun 2013.
Batas kendali bawah atau Lower Control Limit (LCL) dan batas kendali atas atau
Uper Control Limit (UCL) untuk peta kendali EWMA adalah
Nilai batas kendali yang diperoleh digunakan untuk membentuk peta kendali
yang dapat dilihat pada gambar 4.1.
270
ISBN: 978-602-72198-6-1
SENAMAS 2017
Peta Kendali EWMA tanpa Autokorelasi
UCL=7.127
7
_
_
EWMA
X=5.137
5
LCL=3.147
3
1 7 13 19 25 31 37 43 49 55
Observation
Gambar 4.1 Peta Kendali EWMA tanpa Autokorelasi
Berdasarkan gambar 4.1 titik pengamatan ke-48 berada di luar batas kendali,
sehingga produsen dapat menyelidiki lebih lanjut, apa penyebab titik pengamatan ke-48
diluar batas. Data pengamatan ke-48 menunjukkan data berasal dari bulan Desember
2009 yang mempunyai jumlah produksi coklat hal apa yang membuat titik ke-48
tepatnya pada bulan Desember 2009 mempunyai jumlah produksi coklat yang sedikit.
Tabel 4.1 Nilai ARL EWMA

Nilai Nilai ARL EWMA (Montgomery)
0.05 0.0878 6.4268
0.10 0.1262 3.8301
0.20 0.1834 2.1333
0.50 0.3182 0.2981
0.70 0.4044 0.0781
Berdasarkan tabel 4.1 nilai ARL untuk dan lebih kecil

dibandingkan dengan nilai , , dan . Sehingga dapat dikatakan
bahwa perubahan nilai yang semakin besar membuat nilai ARL yang diperoleh
semakin kecil.
Nilai ARL dalam bentuk grafik dapat dilihat pada gambar 4.2
Gambar 4.2 ARL untuk EWMA Montgomery
271
ISBN: 978-602-72198-6-1
SENAMAS 2017
Berdasarkan gambar 4.2 secara visual dapat dikatakan bahwa perubahan nilai
yang semakin besar membuat nilai ARL yang diperoleh semakin kecil.
Tabel 4.2 Nilai ARL EWMA Modifikasi

Nilai Nilai ARL (Patel)
0.05 0.336 2.8410e+03
0.10 0.459 59.7436
0.20 0.606 46.7014
0.50 0.716 7.2852
0.70 0.716 3.4342
Berdasarkan tabel 4.2 nilai ARL untuk dan lebih kecil

dibandingkan dengan nilai , , dan . Sehingga dapat dikatakan
bahwa perubahan nilai yang semakin besar membuat nilai ARL yang diperoleh
semakin kecil.
Nilai ARL dalam bentuk grafik dapat dilihat pada gambar 4.3
Gambar 4.3 ARL untuk EWMA Patel
6. Kesimpulan
Bagan kendali EWMA dibentuk dengan mempertimbangkan nilai mean dan
standar deviasi. Untuk data yang berautokorelasi dan berdistribusi normal standar, batas
kendali dibentuk dengan mean adalah dan standar deviasi adalah
. Berdasarkan hal tersebut, diperoleh batas kendali untuk data
berautokorelasi sebagai berikut.
272
ISBN: 978-602-72198-6-1
SENAMAS 2017
Berdasarkan nilai ARL untuk , dan maka metode

metode Montgomery lebih sensitif dibandingkan Patel. Sedangkan dan
diperoleh bahwa metode Montgomery lebih sensitif dibandingkan Patel.
Daftar Pustaka
[1] Alwan, L. C. and Roberts, H. V. (1988). Time series modeling for statistical
process control. J. Business and Economic Statist. 6 87-95.
[2] Ariani, D.W. 2003. “Pengendalian Kualitas Statistik Pendekatan Kuantitatif dalam
Manajemen Kualitas”. Yogyakarta: ANDI.
[3] Box, G. E. P., Jenkins, G. M. and MacGregor, J. F. (1974). Some recent advances
in forecasting and control, II. J. Roy. Statist. Soc. Ser. C 23 158-179.
[4] Harris, T. J. and Ross, W. H. (1991). Statistical process control procedures for
correlated observations. Canadian J. Chemical Engineering 69 48-57.
[5] Lu, C. W., & Marion R. Reynolds. (1999). Control Chart for Monitoring the Mean
and Variance of Autocorrelated Processes. Journal of Quality Technology, 259-
274.
[6] Montgomery, D. C. (1991). Statistical Quality Control. Wiley, New York.
[7] Schmid, W. (1996). On EWMA charts for time series. In Frontiers of Statistical
Quality Control (H. J. Lenz and P.-Th. Wilrich, eds.). To appear.
[8] Septiana, Rizckha. 2011. Peta Kendali np Menggunakan Pendekatan Bayesian.

Surabaya.
[9] Vasilopoulos, A. V. and Stamboulis, A. P. (1978). Modi_cation of control chart

limits in the presence of data correlation. J. Quality Technology 10 20-30.
[10] Wei, W. W. (2006). Time Series Analysis Univariate and Multivariate Methods
Second Edition. New York: Pearson Education, Inc.
[11] Woodall, W. H. and Faltin, F. W. (1994). Autocorrelated data and SPC. ASQC
Statist. Division Newsletter 13 18-21.
273
ISBN: 978-602-72198-6-1
SENAMAS 2017
Desentralisasi Fiskal dan Komposisi Pengeluaran

Pemerintah Daerah Fungsi Pendidikan di Indonesia:
Aplikasi Quasi-Maximum Likelihood Estimator
(QMLE)
Ribut Nurul Tri Wahyuni
Sekolah Tinggi Ilmu Statistik
Abstrak
Pelaksanaan otonomi daerah dan desentralisasi fiskal sejak 1 januari 2001 memberikan
kewenangan kepada pemerintah daerah untuk menyelenggarakan pendidikan termasuk
pendanaannya. Selain itu, pemerintah daerah juga dituntut untuk mengalokasikan
anggaran pendidikan minimal sebesar 20 persen dari total Anggaran Pendapatan dan
Belanja Daerah (APBD). Penelitian ini bertujuan untuk mengidentifikasi apakah ada
pengaruh desentralisasi fiskal terhadap komposisi pengeluaran pemerintah daerah fungsi
pendidikan. Data yang digunakan berupa data panel yang diperoleh dari Badan Pusat
Statistik (BPS). Metode yang digunakan adalah Quasi-Maximum Likelihood Estimator
(QMLE) untuk menjamin nilai prediksi dari variabel dependen terletak dalam interval
[0, 1]. Hasil penelitian menunjukkan bahwa desentralisasi fiskal berpengaruh positif
terhadap komposisi pengeluaran pemerintah daerah fungsi pendidikan.
Kata Kunci : desentralisasi fiskal, komposisi pengeluaran pendidikan, QMLE
1. Pendahuluan
Berdasarkan Peraturan Menteri Keuangan Nomor 84/PMK.07/2009, anggaran
belanja fungsi pendidikan adalah alokasi belanja fungsi pendidikan yang dianggarkan
dalam Anggaran Pendapatan dan Belanja Negara (APBD) untuk membiayai
penyelenggaraan pendidikan yang menjadi tanggung jawab pemerintah daerah,
termasuk gaji pendidik, namun tidak termasuk anggaran pendidikan kedinasan. Yang
termasuk dalam anggaran belanja fungsi pendidikan adalah belanja modal, belanja
barang, belanja pegawai, bantuan sosial, bantuan keuangan, dan belanja hibah.
Pada awalnya, pengelolaan pendidikan di Indonesia merupakan kewenangan
pemerintah pusat, namun pelaksanaan otonomi daerah dan desentralisasi fiskal sejak 1
Januari 2001 telah mengubah pola pengelolaan pendidikan. Berdasarkan Undang-
Undang (UU) No 22 tahun 1999 yang kemudian diperbaharui menjadi UU No 32 tahun
2004 tentang Pemerintahan Daerah, pendidikan menjadi salah satu bidang yang
urusannya dilimpahkan kepada pemerintah daerah. Oleh karena itu, penyelenggaraan
pendidikan termasuk pendanaannya menjadi tanggung jawab pemerintah daerah.
Penyelenggaraan pendidikan yang mengacu pada pasal 31 UUD 1945
amandemen keempat menuntut pemerintah daerah untuk mengalokasikan dana
pendidikan sekurang-kurangnya 20 persen dari APBD. Pasal 49 UU No 20 tahun 2003
tentang sistem pendidikan nasional pun menyebutkan bahwa dana pendidikan
dialokasikan minimal 20 persen dari APBD. Hal tersebut diperkuat dengan adanya
putusan Mahkamah Konstitusi Nomor 013/PUU-VI/2008 yang juga mengharuskan
pemerintah menyediakan anggaran pendidikan sekurang-kurangnya 20 persen dari
APBD untuk memenuhi kebutuhan penyelenggaraan pendidikan.
274
ISBN: 978-602-72198-6-1
SENAMAS 2017
2015 Pendidikan
2014 Pelayanan umum
2013 Perlindungan sosial
2012 Ketertiban dan

ketentraman
2011 Ekonomi
2010 Lingkungan hidup
2009
Perumahan dan fasilitas
2008 umum
Kesehatan
2007
Pariwisata dan budaya
- 20.00 40.00 60.00 80.00 100.00
Sumber: Kementerian Keuangan Republik Indonesia
Gambar 1. Komposisi Total Pengeluaran Pemerintah Daerah di Indonesia menurut Fungsi
Tahun 2007-2015
Sebagian besar total pengeluaran pemerintah fungsi pendidikan provinsi-

provinsi di Indonesia sudah memenuhi syarat minimal 20 persen dari APBD. Bahkan
pada tahun 2011, 30,59 persen total pengeluaran pemerintah daerah di Indonesia
merupakan pengeluaran fungsi pendidikan. Namun demikian, selama periode 2011-
2014 proporsi pengeluaran fungsi pendidikan terhadap total pengeluaran pemerintah
daerah di Indonesia cenderung menurun. Penelitian sebelumnya (Granado, Martinez-
Vazquez, dan McNab, 2016) menunjukkan bahwa desentralisasi fiskal dapat
memengaruhi komposisi pengeluaran pemerintah fungsi pendidikan. Berdasarkan uraian
tersebut, peneliti tertarik untuk mengidentifikasi pengaruh desentralisasi fiskal terhadap
komposisi pengeluaran pemerintah daerah fungsi pendidikan di Indonesia tahun 2011-
2014.
2. Tinjauan Pustaka dan Penelitian Sebelumnya

Desentralisasi menurut UU Nomor 32 Tahun 2004 tentang Pemerintahan Daerah
adalah penyerahan wewenang pemerintahan oleh pemerintah kepada daerah otonom
untuk mengatur dan mengurus urusan pemerintahan dalam sistem Negara Kesatuan
Republik Indonesia (NKRI). Dengan kata lain, desentralisasi dalam pelaksanaan
otonomi daerah adalah pelimpahan tanggung jawab dan wewenang untuk mengatur dan
mengurus urusan pemerintahan oleh pemerintah pusat kepada pemerintah daerah. Salah
satu komponen utama desentralisasi adalah desentralisasi fiskal. Saragih dalam
Badrudin (2012) menjelaskan pengertian desentralisasi fiskal sebagai suatu proses
distribusi anggaran dari tingkat pemerintahan yang lebih tinggi kepada pemerintahan
yang lebih rendah untuk mendukung fungsi atau tugas pemerintahan dan layanan publik
sesuai dengan banyaknya kewenangan bidang pemerintahan yang dilimpahkan.
Pelaksanaan desentralisasi fiskal di Indonesia secara resmi dimulai sejak 1 Januari 2001.
Proses tersebut diawali dengan pengesahan Undang-Undang (UU) Nomor 22 Tahun
1999 tentang Pemerintahan Daerah serta UU Nomor 25 Tahun 1999 tentang
Perimbangan Keuangan Antara Pemerintah Pusat dan Daerah (PKPD), kemudian
275
ISBN: 978-602-72198-6-1
SENAMAS 2017
mengalami beberapa kali revisi hingga yang terakhir UU Nomor 23 Tahun 2014 tentang
Pemerintahan Daerah. Dengan adanya desentralisasi fiskal, daerah menerima
pelimpahan kewenangan di segala bidang, kecuali kewenangan dalam bidang politik
luar negeri, pertahanan, keamanan, yustisi, moneter, fiskal, dan keagamaan. Sebagai
catatan, pelaksanaan desentralisasi fiskal di Indonesia berupa desentralisasi dari sisi
pengeluaran (expenditure), bukan dari sisi pendapatan (revenue). Desentralisasi fiskal
akan menciptakan kompetisi antar daerah dan mendorong pemerintah daerah untuk
menyediakan barang publik dengan efisien (Brennan dan Buchanan dalam Griserio dan
Prota, 2015). Desentralisasi fiskal merupakan alat yang efektif untuk meningkatkan
efisiensi dari pengeluaran pemerintah. Pada akhirnya efisiensi tersebut akan mendorong
pertumbuhan ekonomi daerah dan negara (Griserio dan Prota, 2015).
Berdasarkan penelitian-penelitian sebelumnya, beberapa pendekatan berbeda
digunakan untuk menganalisis hubungan antara desentralisasi fiskal dan komposisi
pengeluaran pemerintah. Keen dan Marchand (1997) menunjukkan bahwa kompetisi
fiskal dapat menyebabkan inefisiensi sistematis di komposisi pengeluaran pemerintah
dan dapat mengurangi welfare spending. Desentralisasi fiskal diharapkan berhubungan
negatif dengan welfare spending (Grisorio dan Prota, 2015). Selain itu, desentralisasi
juga diharapkan dapat meningkatkan pertumbuhan ekonomi yang menghasilkan
pergeseran dari current expenditure ke pengeluaran modal (Rodriguez-Pose et. al.
dalam Grisorio dan Prota, 2015). Grisorio dan Prota (2015) menunjukkan bahwa
desentralisasi fiskal, dari sisi pendapatan, dapat memengaruhi komposisi pengeluaran
pemerintah. Sedangkan Granado, Martinez-Vazquez, dan McNab (2016) menunjukkan
bahwa desentralisasi fiskal, dari sisi pengeluaran, mengakibatkan peningkatan
komposisi pengeluaran pemerintah fungsi pendidikan, komposisi pengeluaran
pemerintah fungsi kesehatan, serta komposisi pengeluaran pemerintah fungsi
pendidikan dan kesehatan. Sebaliknya, hasil penelitian Alegre (2010) di Spanyol
menunjukkan bahwa desentralisasi menyebabkan peningkatan share current
expenditure dan penurunan share capital expenditure.
Data yang digunakan dalam penelitian ini merupakan data sekunder yang
diperoleh dari Kementerian Keuangan Republik Indonesia dan BPS tahun 2011 sampai
dengan 2014. Unit observasinya adalah 33 provinsi di Indonesia. Data Provinsi
Kalimantan Utara dan Kalimantan Timur digabung menjadi satu unit observasi karena
Provinsi Kalimantan Utara baru terbentuk tahun 2012.
Model yang digunakan dalam penelitian ini mengacu pada penelitian Granado,
Martinez-Vazquez, dan McNab (2016), yaitu:
(1)
Variabel diperoleh dari rasio pengeluaran modal (pendidikan atau

kesehatan atau pendidikan dan kesehatan) pemerintah negara i dengan total pengeluaran
pemerintah negara i. Sedangkan variabel diperoleh dari rasio pengeluaran
pemerintah negara i dengan total pengeluaran 42 negara. Matriks X merupakan matriks
variabel kontrol, yaitu variabel yang signifikan memengaruhi komposisi pengeluaran
pemerintah, terdiri dari jumlah penduduk (pop), kepadatan penduduk (density), struktur
umur, Produk Domestik Bruto perkapita (pdbbkap), penduduk perkotaan (urban), rasio
276
ISBN: 978-602-72198-6-1
SENAMAS 2017
investasi dengan PDB, indeks freedom, dan derajat keterbukaan perdagangan. Selain itu,
Granado, Martinez-Vazquez, dan McNab (2016) menggunakan variabel dummy status
keanggotaan negara di Organisation for Economic Co-operation and Development
(OECD). dan masing-masing menggambarkan efek negara yang tidak diobservasi
dan efek waktu. Notasi i merupakan negara dan notasi t merupakan waktu.
Berdasarkan ketersediaan data dan tujuan penelitian, persamaan 1 dimodifikasi
menjadi:
(2)
Variabel diperoleh dari rasio pengeluaran pendidikan pemerintah di

provinsi i dengan total pengeluaran pemerintah di provinsi i. Total pengeluaran
pemerintah di provinsi i merupakan penjumlahan pengeluaran pemerintah provinsi i dan
pengeluaran pemerintah kabupaten/kota di provinsi i. Cara yang sama juga dilakukan
untuk menghitung pengeluaran pendidikan pemerintah di provinsi i. Sedangkan variabel
diperoleh dari rasio pengeluaran pemerintah di provinsi i dengan total
pengeluaran pemerintah di Indonesia. Variabel kontrol terdiri dari kepadatan penduduk
di provinsi i dalam orang per km2 (density), Produk Domestik Regional Bruto berlaku
perkapita di provinsi i dalam juta rupiah (pdrbbkap), dan jumlah murid di provinsi i
dalam juta orang (murid). Selain itu, variabel dummy juga digunakan, yaitu 0 jika
provinsi i terletak di Pulau Jawa dan 1 jika provinsi i terletak di luar Pulau Jawa. dan
masing-masing menggambarkan efek provinsi yang tidak diobservasi dan efek
waktu. Notasi i merupakan provinsi dan notasi t merupakan waktu.
Karena variabel educomposition berada dalam interval [0,1], maka fractional
response model untuk data panel akan diestimasi dengan fractional probit-pooled quasi-
maximum likelihood estimator (QMLE) untuk menjamin nilai prediksi dari variabel
educomposition terletak dalam interval tersebut. Fractional probit-pooled QMLE
dikembangkan oleh Papke dan Wooldridge (1996) dan digunakan oleh Grisorio dan
Prota (2015) serta Granado, Martinez-Vazquez, dan McNab (2016) untuk melihat
pengaruh desentralisasi fiskal terhadap komposisi pengeluaran pemerintah. Diketahui
educomposition = G(decent, density, pdrbbkap, murid, jawadummy) = G(z). Jika
( ) ( )
diketahui fungsi kepadatan logistik ( ) ( ))
, maka dapat diperoleh
(
( | )
marginal effect QMLE = ( ) . Untuk memperoleh marginal effect,
maka dipilih nilai dari variabel independen untuk mengestimasi nilai skalar dari ( ),
kemudian dikalikan dengan estimasi koefisien setiap variabel ( ̂ ). Untuk tujuan ini,
nilai variabel independen didekati dengan nilai rata-rata variabel independen, kemudian
dikalikan dengan ̂ . Dengan kata lain, estimasi ( ) diperoleh dari ( ̅ ̂ ) ̂ .
4. Hasil Penelitian
Berdasarkan Tabel 1, dapat disimpulkan bahwa sebagian besar komposisi
pengeluaran pemerintah daerah fungsi pendidikan di Indonesia sudah memenuhi syarat
minimal 20 persen dari APBD. Namun demikian, ada beberapa provinsi yang
komposisinya masih dibawah 20 persen dari APBD, yaitu Papua, Papua Barat, Maluku
Utara, Kalimantan Timur, dan Kepulauan Riau. Komposisi pengeluaran pemerintah
277
ISBN: 978-602-72198-6-1
SENAMAS 2017
daerah fungsi pendidikan tertinggi di Provinsi Jawa Tengah, yaitu 44,1 persen, pada
tahun 2011. Untuk desentralisasi fiskal dari sisi pengeluaran, provinsi yang memiliki
pengeluaran pemerintah tertinggi adalah Jawa Barat dan Jawa Timur, sedangkan
provinsi yang memiliki pengeluaran pemerintah terendah adalah Sulawesi Barat dan
Gorontalo.
Tabel 1. Statistik deskriptif variabel penelitian

Standar
Variabel Mean Minimum Maksimum
deviasi
educomposition 0,270 0,065 0,115 0,441
decent 0,031 0,027 0,006 0,152
density 712,546 2.557,237 8,101 15.212
pdrbbkap 39,326 33,423 10,194 174,706
murid 1,579 2,049 0,205 9,247
Tabel 2 menunjukkan hasil fractional probit-pooled QMLE. Untuk

menginterpretasikannya, maka dihitung marginal effect QMLE. Dari hasil tersebut
diperoleh kesimpulan bahwa peningkatan desentralisasi sebesar satu persen akan
mengurangi komposisi pengeluaran pemerintah daerah fungsi pendidikan sebesar 2,05
persen pada tahun yang sama dengan signifikansi 95 persen, ceteris paribus. Ini
mengkonfirmasi kemungkinan bahwa desentralisasi fiskal berpengaruh positif terhadap
komposisi pengeluaran pemerintah daerah fungsi non pendidikan selama periode
penelitian. Berdasarkan data dari Kementerian Keuangan Republik Indonesia, hampir
semua provinsi, komposisi pengeluaran pemerintah daerah fungsi pendidikannya selama
periode 2011-2014 cenderung menurun. Selain itu, kepadatan penduduk (density)
berpengaruh positif dan signifikan terhadap komposisi pengeluaran pemerintah daerah
fungsi pendidikan. Peningkatan kepadatan penduduk sebesar satu orang per km 2, akan
meningkatkan komposisi pengeluaran pemerintah daerah fungsi pendidikan sebesar
0,00157 persen dengan signifikansi 95 persen, ceteris paribus. PDRB atas dasar harga
berlaku perkapita (pdrbbkap) berpengaruh negatif dan signifikan terhadap komposisi
pengeluaran pemerintah daerah fungsi pendidikan. Dengan kata lain, peningkatan
PDRB atas dasar harga berlaku perkapita tidak diiringi dengan peningkatan komposisi
pengeluaran pemerintah daerah fungsi pendidikan. Temuan lainnya adalah peningkatan
jumlah murid sebesar satu juta orang, akan meningkatkan komposisi pengeluaran
pemerintah daerah fungsi pendidikan sebesar 4,19 persen dengan signifikansi 95 persen,
ceteris paribus. Variabel dummy (jawadummy) tidak signifikan dan menunjukkan
bahwa tidak ada perbedaan komposisi pengeluaran pemerintah daerah fungsi
pendidikan di Jawa dan luar Jawa.
278
ISBN: 978-602-72198-6-1
SENAMAS 2017
Tabel 2. Pengaruh desentralisasi fiskal terhadap komposisi pengeluaran pemerintah

daerah fungsi pendidikan di Indonesia dengan menggunakan fractional
probit-pooled QMLE
Estimasi koefisien Marginal effect
Variabel
(̂) ( ( ̅ ̂)̂)
decent -0,092 -2,050294*
density 0,00009* 0,0000157*
pdrbbkap -0,016* -0,0016071*
murid -0,025 0,0418637*
jawadummy -0,345 -0,0073363
keterangan: * signifikan di = 5 persen
5. Kesimpulan
Pelaksanaan otonomi daerah dan desentralisasi fiskal sejak 1 Januari 2001 telah
mengubah pola pengelolaan pendidikan. Sejak tahun 2003, penyelenggaraan pendidikan
yang mengacu pada pasal 31 UUD 1945 amandemen keempat menuntut pemerintah
daerah untuk mengalokasikan dana pendidikan sekurang-kurangnya 20 persen dari
APBD. Kenyataannya, tidak semua daerah menjalankan ketentuan tersebut. Dengan
menggunakan data selama tahun 2011-2014, dapat disimpulkan bahwa peningkatan
desentralisasi sebesar satu persen akan mengurangi komposisi pengeluaran pemerintah
daerah fungsi pendidikan sebesar 2,05 persen pada tahun yang sama dengan signifikansi
95 persen, ceteris paribus.
Daftar Pustaka
[1] Alegre, J. G. 2010. Decentralization and the Composition of Public Expenditure
in Spain, Regional Studies 44, 1067-1083.
[2] Badrudin, R. 2012. Ekonomika Otonomi Daerah. Yogyakarta: UPP STIM YKPN.
[3] Granado, F. J. A, Martinez-Vazquez, J., McNab, R. M. 2016. Decentralized

Governance, Expenditure Composition, and Preferences for Public Goods, Public
Finance Review, 1-30.
[4] Grisorio, M. J., Prota, F. 2015. The Impact of Fiscal Decentralization on the
Composition of Public Expenditure: Panel Data Evidence from Italy, Regional
Studies, Vol. 49, No. 12, 1941-1956.
[5] Keen, M., Marchand, M. 1997. Fiscal Competition and the Pattern of Public
Spending, Journal of Public Economics 66, 33-53.
[6] Papke, L. E., Wooldridge, J. M. 1996. Econometric Methods for Fractional

Response Variables with an Application to 401(K) Plan Participation Rates,
Journal of Applied Econometrics, Vol. 11, 619-632.
279
ISBN: 978-602-72198-6-1
SENAMAS 2017
Maximum Partial Likelihood Estimation dalam

Estimasi Parameter Regresi Cox
Riska Yanu Fa’rifah, Bobby Poerwanto
Abstrak
Penelitian ini bertujuan untuk mendapatkan estimasi parameter pada model regresi cox.
Regresi cox merupakan salah satu metode dalam analisis survival yang tidak ketat akan
asumsi seperti analisis regresi pada umumnya, yaitu iidN (identik, independen dan
berdistribusi normal). Distribusi yang digunakan dalam model mengikuti respon yang
digunakan, yaitu waktu survival dari obyek yang diteliti. Secara umum waktu survival
tersebut berdistribusi weibull dua parameter. Model regresi cox terdiri dari dua bagian,
yaitu fungsi baseline hazard dan fungsi eksponen. Fungsi baseline hazard adalah
distribusi dari waktu survival dan fungsi eksponenmerupakan fungsi yang berisi
parameter pada model. Estimasi parameter regresi cox pada penelitian ini
menggunakan metode maximum partial likelihood estimation (MPLE), yaitu
mengestimasi parameter pada model secara terpisah antara fungsi baseline hazard dan
fungsi eksponen. Hasil estimasi dari regresi cox ini dapat digunakan untuk
memprediksi lifetime dari obyek yang diteliti, seperti ketahanan hidup dari pasien
penderita penyakit.
Kata Kunci : analisis survival, baseline hazard, distribusi weibull, maximum partial
likelihood estimation,regresi cox, waktu survival
1. Pendahuluan
Analisis survival adalah salah satu metode statistika yang berhubungan dengan
suatu waktu sampai pada kejadian tertentu. Analisis survival ini paling sering digunakan
untuk mengetahui ketahanan hidup dari pasien penderita suatu penyakit tertentu [1].
Salah satu analisis survival yang sering digunakan adalah regresi cox. Regresi cox
merupakan metode untuk mengetahui hubungan antara respos dengan satu atau
beberapa prediktor [2]. Respon yang digunakan pada regresi cox adalah waktu survival,
yaitu perhitungan waktu ketahanan dari obyek yang diamati dari awal pengamatan (time
origin) hingga pada kejadian tertentu (failure event). Failure event ini berupa kejadian
khusus, seperti kematian atau keluar dari treatment pengamatan [1].
Regresi cox merupakan salah satu pemodelan yang terdiri dari fungsi baseline hazard
dan fungsi eksponen [3] . Fungsi baseline hazard adalah distribusi dari respon yang digunakan
dan fungsi eksponen adalah fungsi dari parameter model yang akan diestimasi. Secara umum
respon pada regresi cox adalah berdistribusi weibull dua parameter. Distribusi weibull memiliki
hazard rate yang berbeda-beda, yaitu naik, turun, dan konstan, sesuai dengan nilai-nilai
parameter yang digunakan. Hal ni dapat menjelaskan bahwa distribusi weibull
mempunyai fungsi serba guna pada analisis survival.
Gradowska dan Cooke (2012) [3], mengestimasi paremeter dari model regresi
cox dengan menggunakan metode least square. Metode ini hanya digunakan untuk estimasi
parameter pada data survival yang tak tersensor. Pada penelitian ini akan menggunakan metode
maximum partial likelohood estimation (MPLE) untuk mengestimasi parameter pada model
regresi cox. Penggunaan MPLE sebagai metode estimasi dalam penelitian ini karena distribusi
280
ISBN: 978-602-72198-6-1
SENAMAS 2017
yang digunakan pada fungsi baseline hazard adalah distribusi weibull dua parameter. MPLE
lebih mudah digunakan untuk estimasi parameter pada pemodelan regresi cox pada penelitian
ini.
2. Material dan Metode

Misalkan T merupakan adalah waktu survival dan XT  x1 , x 2 ,, x p  adalah
p vektor dari prediktor yang digunakan, maka model dari regresi cox adalah :
 
ht x  h0 t exp βT x (1)
Jika x  0 , maka ht x  0  h0 t  , sehingga h0 t  sering disebut sebagai fugsi baseline
hazard. βT  1 ,  2 ,,  p  merupakan parameter pada model regresi cox.
Fungsi baseline hazard h0 t  pada model (1) dapat mengikuti fungsi dari T ,
yaitu waktu survival dari respon yang digunakan. Nilai dari fungsi baseline hazard
adalah h0 t   0 merupakan fungsi nonparametrik pada model dan β T x adalah fungsi
parametrik dalam model [4] (Rosthoj, Andersen, dan Abildstrom, 2004). Sehingga
model regresi cox adalah pemodelan semiparametrik dalam statistika.
Estimasi parameter pada model regresi cox ini menggunakan MPLE. Menurut
Wahyudi (2012) [5], langkah-langkah dari MPLE adalah sebagai berikut :
a. Membentuk fungsi likelihood parsial dari model cox
b. Membentuk ln-likelihood parsial dari model cox
c. Memaksimumkan fungsi ln-likelihood parsial
d. Mengoptimumkan hasil estimasi dengan menggunakan iterasi newton raphson

Berdasarkan persamaan (1), maka fungsi likelihood parsial dari model regresi
cox tersebut adalah :
 
 
PLβ    
n

 exp β X i 
T
 (2)

i 1
 jR 
  exp β X j 
T

 i 
Dimana i adalah subjek dari T, dan Ri adalah faktor risiko dari T. Dari persamaan (2),
maka dapat dibentuk fungsi ln-likelihood parsial berikut:
  
 n  
ln PLβ   ln  
  T

 exp β X i 
 i 1 

   exp β X j 
T
 (3)
  jRi 
n   
  
   β T X i  ln   exp β T X j  
 

i 1   jRi 
Fungsi pada persamaan (3) di atas, dapat diuraikan menjadi:
281
ISBN: 978-602-72198-6-1
SENAMAS 2017
n  p  p 
ln PLβ       i xil   ln   exp   i xil   (4)
 
i 1  l 1  jRi l 1 
Untuk mendapatkan estimasi parameter dari regresi cox, maka persamaan (4)
diturunkan terhadap β yang dimuat dalam vektor gradien. Hasil turunan tersebut
sebagai berikut:
  p

 n   x i1 exp   i xil   
  x  jRi 

l 1
 i1 p 
 
i 1
 exp   i xil   
  jRi l 1 
  p

n   xi 2 exp   i xil  
  x  jRi 

l 1
gβ     i 1  i 2 p  (5)
   exp    x
i il  
 
  jRi l 1 
  
  p

   x ip exp    
i il  
x
 n  
   xip 
jRi l 1
p 
 i 1   exp   x  
  
i il
jRi l 1 
Persamaan (5) yang merupakan turunan pertama tersebut masih memuat
parameter β , sehingga estimaasi parameter yang diperoleh uncloseform. Untuk
mendapatkan estimasi parameter yang closeform, maka diperlukan metode numerik
untuk mengoptimukan hasil estimasi parameter pada persamaan (5) tersebut. Metode
numerik yang digunakan adalah metode newton raphson. Menurut Hosmer dan
Lemeshow (2000) [6], persamaan dari metode numerik untuk mendapatkan estimasi
parameter dengan menggunakan metode estimasi likelihood adalah sebagai berikut :
βˆ c 1  βˆ c  s c
 
(6)
 βˆ c  H β  g β 
c 1 c
Hβ  adalah matriks hessian yang diperoleh dari hasil penurunan sebanyak satu kali
c
dari persamaan (5). Matriks hessian tersebut adalah sebagai berikut:
 p
  p p

  xil xil * exp   i xil     xil exp   i xil   xil * exp   i xil  
n
 jR  n
 jRi 
Hβ     i   
l 1 l 1 jRi l 1
p p p 
i 1
  exp   i xil   i 1   exp   i xil   exp    x  
 jR   i il 
 i l 1   jRi l 1 jRi l 1 
Iterasi pada persamaan (6) di atas akan dihentikan pada langkah ke c  1 jika
β c1  β c   , di mana  adalah bilangan yang sangat kecil. Untuk mendapatkan
estimasi parameter yang optimum pada model regresi cox dengan MPLE dan iterasi
newton raphson ini menggunakan bantuan MATLAB.
282
ISBN: 978-602-72198-6-1
SENAMAS 2017
4. Kesimpulan
Estimasi parameter model regresi cox menggunakan MPLE menghasilkan
estimasi yang uncloseform. Untuk mendapatkan estimasi parameter yang closeform dan
optimum diperlukan suatu metode numerik, yaitu metode newton raphson. Estimator
yang diperoleh dengan menggunakan MPLE ini bersifat asymtotic normality.
Daftar Pustaka
[1] Kleinbaum, D.G. dan Klein, M., 2012, Survival Analysis, edisi ketiga, Springer
Science, LLC., London
[2] Omurlu, I.K., Ozdamar, K., dan Ture, M., 2009, Comparison of Bayesian Survival
Analysis and Cox Regression Analysis in simulated and Breast Cancer Data Sets,
Journal of Expert System with Applications 36, pp. 11341-11346
[3] Gradowska, P.L., dan Cooke, R.M., 2012, Least Square Type Estimation for Cox
Regression Model and Specification Error, Journal of Computational Statistics
and Data Analysis 1 (January), pp. 1-15
[4] Rosthoj, S., Andersen, P.K., dan Abildstrom, S.Z., 2004, SAS Macro for
Estimation of the Comulative Incidence Function Based on A Cox Regression
Model for Competing Risks Survival Data, Journal of Computer Methods and
programs in Biomedicine 74, pp. 69-75
[5] Wahyudi, I., Purhadi, Sutikno, dan Irhamah, 2012, Estimasi Parameter pada
Model Cox Muitivariat dengan Metode Maximum Partial Likelihood Estimation,
JMP 4 (Juni), pp. 185-196
[6] Hosmer, D.W., dan Lemeshow, S., 2000, Applied Logistic Regression, edisi
kedua, John Wiley & Sons, Inc., New York
283
ISBN: 978-602-72198-6-1
SENAMAS 2017
Analisis Tingkat Pemahaman Siswa SMA pada Mata

Pelajaran Matematika di Sekolah yang Menerapkan
dan Tidak Menerapkan Kurikulum 2013 dengan
Model Regresi Logistik
Shima Regyarni, Meylina Siruddin, Andi Muliati, Nurhardianti Mukhtar, Anisa
Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam
Abstrak
Perubahan kurikulum dilakukan untuk menyesuaikan kemajuan ilmu pengetahuan dan
teknologi. Kurikulum 2013 sebagai kurikulum pengembangan KTSP 2006,
mengisyaratkan pentingnya sistem penilaian diri, dimana peserta didik mampu secara
mandiri dalam meningkatkan pemahamannya. Tujuan penelitian ini adalah untuk
mengetahui perbedaan tingkat pemahaman siswa SMA terhadap mata pelajaran
matematika di sekolah yang menerapkan dan tidak menerapkan kurikulum 2013
dengan menggunakan model regresi logistik. Analisis pada model regresi logistik
digunakan untuk mendeskripsikan hubungan antar variabel terikat yang memiliki dua
kategori atau lebih. Variabel terikat pada penelitian ini yaitu tingkat pemahaman siswa
pada mata pelajaran matematika, dengan melihat nilai rapor semester ganjil siswa kelas
XI IPA pada beberapa SMA terpilih di Kota Makassar, dimana kategori yang
digunakan pada variabel terikat ini adalah 1 untuk tingkat pemahaman yang baik dan 0
untuk tingkat pemahaman siswa yang kurang baik. Sedangkan variabel prediktor yang
digunakan adalah jenis kelamin, rata-rata nilai harian, dan nilai ujian semester. Hasil
penelitian menunjukan bahwa variabel jenis kelamin, rata-rata nilai harian, dan nilai
ujian semester semuanya mempengaruhi tingkat pemahaman siswa pada mata pelajaran
matematika. Hasil lain dari penelitian ini menunjukkan bahwa tingkat pemahaman
yang baik terhadap mata pelajaran matematika pada sekolah yang menerapkan
kurikulum 2013 lebih besar dibandingkan dengan sekolah yang menerapkan KTSP,
dengan melihat nilai odds rasio dari kedua jenis sekolah tersebut.
Kata Kunci : Kurikulum 2013, KTSP 2006, Odds Rasio, Regresi Logistik, Tingkat
Pemahaman
1. Pendahuluan
Dalam PP No.19 tahun 2005 tentang Standar Nasional Pendidikan mengatakan
bahwa kurikulum adalah seperangkat rencana dan pengaturan mengenai tujuan, isi, dan
bahan pelajaran serta cara yang digunakan sebagai pedoman penyelenggaraan kegiatan
pembelajaran untuk mencapai tujuan pendidikan tertentu.
Kurikulum merupakan alat penting dalam proses pendidikan. Oleh karena itu
wajar bila kurikulum selalu berubah dan berkembang sesuai dengan kemajuan ilmu
pengetahuan dan teknologi yang sedang terjadi dan sebagai salah satu upaya untuk
meningkatkan mutu pendidikan. Pada tahun 2006 pemerintah mulai menerapkan
Kurikulum Tingkat Satuan Pendidikan (KTSP) di Indonesia. Ditengah-tengah
perjalanan KTSP yang dirasa baru akan mulai berkembang, pemerintah kembali
menetapkan kurikulum baru yaitu Kurikulum 2013. Melalui implementasi Kurikulum
284
ISBN: 978-602-72198-6-1
SENAMAS 2017
2013 yang berbasis kompetensi sekaligus berbasis karakter, diharapkan dalam proses
belajar peserta didik mampu secara mandiri meningkatkan dan menggunakan
pengetahuan, pemahaman, mengkaji dan menginternalisasi serta mempersonalisasikan
nilai-nilai karakter dan akhlak mulia sehingga terwujud dalam perilaku sehari-hari [1].
Pada pelaksanaan proses belajar mengajar, hal terpenting adalah pencapaian dari
tujuan pembelajaran itu sendiri, yaitu agar siswa mampu memahami sesuatu
berdasarkan pengalaman belajarnya. Pemahaman merupakan salah satu patokan
kompetensi yang dicapai setelah siswa melakukan kegiatan belajar. Dalam proses
pembelajaran, setiap siswa pada dasarnya memiliki tingkat pemahaman yang berbeda-
beda terhadap setiap pokok bahasan yang disajikan dalam suatu mata pelajaran. Secara
prosedural, siswa dapat dikatakan berhasil dalam belajar ketika mereka dapat mencapai
tujuan pembelajaran yang ditentukan, baik melalui tes-tes yang diberikan guru secara
langsung dengan tanya jawab atau melalui tes sumatif dan tes formatif yang diadakan
oleh lembaga pendidikan dengan baik. Kategori baik ini dilihat dengan tingkat
ketercapaian KKM (Kriteria Ketuntasan Minimal) [2].
Pada penetapan kurikulum 2013 ini belum semua sekolah menerapkannya masih
terdapat sekolah yang masih menggunakan KTSP 2006, dengan adanya dua kurikulum
yang diterapkan pada pendidikan indonesia sehingga diperlukan suatu metode analisis.
Regresi Logistik adalah suatu metode analisis statistika untuk mendeskripsikan
hubungan antara suatu variabel terikat yang memiliki dua kategori atau lebih dengan
satu atau lebih variabel bebas kategori atau interval [3]. Pada prinsipnya, regresi logistik
mempunyai tujuan untuk memperkirakan besarnya probabilitas kejadian tertentu di
dalam suatu populasi sebagai suatu fungsi eksplanatori. Analisis regresi logistik sering
digunakan dalam menganalisis suatu permasalahan dalam kehidupan sehari-hari. Salah
satu masalah yang melibatkan variabel terikat dengan dua atau lebih kategori yang
berskala ordinal adalah tingkat pemahaman siswa.
Berdasarkan penjelasan di atas maka penelitian ini untuk mengetahui perbedaan
tingkat pemahaman siswa SMA terhadap mata pelajaran matematika di sekolah yang
menerapkan dan tidak menerapkan kurikulum 2013 dari penerapan model regresi
logistik. Peneliti membatasi penelitian yang difokuskan hanya pada siswa kelas XI IPA.
2. Data
Pada penelitian ini SMA di Kota Makassar dibagi menjadi 2 kelompok yaitu,
kelompok Kurikulum 2013 dan kelompok KTSP 2006. Pada kelompok KTSP 2006
teknik penarikan sampel yang digunakan adalah teknik pengambilan sampel stratifikasi.
Teknik ini digunakan dengan melakukan pembagian populasi antar strata/lapis. Menurut
Gay (1976), untuk penelitian deskriptif, ukuran sampel diambil adalah 10% dari
populasi (minimal 20% untuk populasi yang sangat kecil). Dalam penelitian ini lapisan
atau strata adalah wilayah kota Makassar yang dibagi dalam 4 wilayah dengan
penarikan sampel masing-masing sebesar 10%. Sedangkan kelompok kurikulum 2013
dilakukan penarikan sampel sekolah sebesar 30%, dengan pertimbangan banyaknya
sekolah yang menerapkan Kurikulum 2013 masih kurang. Pengambilan data pada
sekolah baik yang menerapkan KTSP maupun Kurikulum 2013 dilakukan pada satu
atau dua kelas.
285
ISBN: 978-602-72198-6-1
SENAMAS 2017
Data sekunder pada penelitian ini adalah data mengenai nilai mata pelajaran
matematika siswa kelas XI ipa semester ganjil. Sedangkan data primer pada penelitian
ini menggunakan teknik survei dalam menggumpulkan data. Adapun instrument yang
digunakan adalah kuisioner atau angket. Penelitian ini menggunakan kuesioner yang
terdiri atas dua bagian yaitu kuesioner pengetahuan dan kuesioner metakognitif.
Variabel-variabel yang digunakan dalam penelitian ini adalah:
a) Variabel terikat ( ) yaitu tingkat pemahaman pada mata pelajaran matematika.
Tingkat pemahaman ini didasarkan pada dua hal, yaitu apakah tingkat pemahaman
siswa berada dalam kategori baik atau tingkat pemahaman siswa dalam kategori kurang
baik pada mata pelajaran matematika. Tingkat pemahaman ini dilihat dari nilai rapor
semester ganjil siswa kelas XI IPA pada mata pelajaran matematika. yang terdiri dari
dua kategorik yaitu:
1) = 1; bila nilai rapor yang didapat adalah lebih besar atau sama dengan 80
2) = 0; bila nilai rapor yang didapat adalah lebih kecil dari 80
b) Variabel bebas ( ), yaitu variabel-variabel yang diduga mempengaruhi nilai
rapor siswa pada mata pelajaran matematika, yaitu:
1) : Jenis kelamin siswa.
- 1 = laki-laki
- = perempuan
2) : Rata-rata nilai harian
3) : nilai ujian semester
3. Analisis Data
Terdapat data primer dan data sekunder pada penelitian ini. Data primer yang
diperoleh melalui kuisioner digunakan sebagai analisis awal dan diolah menggunakan
analisis indeks tingkat. Data sekunder yang diperoleh kemudian diolah menggunakan
analisis regresi logistik.
3.1. Analisis Indeks Tingkat

Nilai Indeks Tingkat dihitung dengan menggunakan “nilai rata-rata tertimbang”
masing-masing pernyataan atau pertanyaan. Setiap unsur pernyataan memiliki
penimbang yang sama dengan rumus sebagai berikut [4]:
Bobot tertimbang =
Bobot tertimbang kuesioner I =
Bobot tertimbang kuesioner II =
Untuk memperoleh nilai Indeks Tingkat (IT) unsur pernyataan digunakan

pendekatan nilai rata- rata tertimbang dengan rumus sebagai berikut:
IT =
286
ISBN: 978-602-72198-6-1
SENAMAS 2017
Untuk memudahkan interpretasi terhadap penilaian IT dengan skala maka hasil

penilaian tersebut dikonversi dengan cara masing-masing hasil penilaian dikalikan
dengan nilai dasar (ND):
Nilai Interval x (ND)
sehingga hasil penilaian dapat dikategorikan sesuai Tabel 1 berikut:
Tabel 1. Kategori Masing-Masing Nilai

Nilai Nilai Konversi
Jenis Kuesioner Nilai Tingkat
Interval IT IT
1 1 - 1,66 33,33 – 55,55 Kurang baik
(I) Pengetahuan 2 1,67 - 2,33 55,56 – 77,78 Cukup baik
3 2,34 - 3 77,79 – 100 Sangat baik
1 1,00 – 1,75 25 – 43,75 Tidak baik
2 1,76 – 2,50 43,76 – 62,50 Kurang baik
(II) Metakognitif
3 2,51 – 3,25 62,51 – 81,25 Baik
4 3,26 – 4,00 81,26 –100,00 Sangat baik
3.2. Analisis Regresi Logistik

Regresi logistik adalah bagian dari analisis regresi yang digunakan untuk
menganalisis variabel dependen yang kategori dan variabel independen bersifat
kategori, kontinu, atau gabungan dari keduanya. Analisis regresi logistik digunakan
untuk memperoleh probabilitas terjadinya variabel dependen [5]. Berdasarkan variabel
responnya, regresi logistik terbagi menjadi dua yaitu regresi logistik biner (binary
logistic regression) dan regresi logistik multinomial (multinomial logistic regression).
Pada regresi logistik, jika variabel responnya terdiri dari dua kategori misalnya Y = 1
menyatakan hasil yang diperoleh “sukses” dan Y = 0 menyatakan hasil yang diperoleh
“gagal” maka regresi logistik tersebut menggunakan regresi logistik biner [6]. Menurut
Hosmer dan Lemeshow, model regresi logistik yang dipengaruhi oleh p variabel
prediktor dapat dinyatakan sebagai nilai harapan dari Y (probabilitas sukses) dengan
diberikan nilai :
( | ) ( )
Dengan ( | ) . Dengan menyatakan parameter-parameter regresi,
adalah pengamatan variabel prediktor ke-k dari sejumlah p variabel prediktor. Fungsi
( ) merupakan fungsi non linear sehingga perlu dilakukan transformasi logit untuk
memperoleh fungsi yang linear agar dapat dilihat hubungan antara variabel respon (Y)
dengan variabel prediktornya ( ). Bentuk logit dari ( ) dinyatakan sebagai ( ), yaitu
:
( )
( ) ( )
( )
Pengolahan data menggunakan sorfware R versi 3.3.1. Berikut adalah tahapan

yang dilakukan:
1. Eksplorasi data sekunder
2. Melakukan estimasi parameter.
3. Melakukan uji signifikansi parameter secara parsial.
287
ISBN: 978-602-72198-6-1
SENAMAS 2017
4. Melakukan uji kesesuaian model

5. Menginterpretasikan model regresi logistik.

4.1. Analisis Indeks Tingkat
Tabel 2. Hasil Analisis Indeks Tingkat
Kurikulum Nilai Indikator Nilai Konversi
Tingkat
Cukup
K 13 1,922 64,052
baik
Pengetahuan
Cukup
KTSP 1,887 62,880
baik
K 13 2,895 72,377 Baik
Metakognitif
KTSP 2,872 71,811 Baik
Tabel 2 menunjukkan hasil pengolahan berdasarkan hasil rekap data pada
masing-masing sekolah untuk mengetahui bagaimana implementasi kurikulum yang
digunakan berdasarkan pengetahuan dan metakognitif siswa terhadap mata pelajaran
matematika. Hasil tersebut menunjukkan bahwa kedua kurikulum berada pada rentang
55,56 – 77,78 untuk pengetahuan dan rentang 62,51 – 81,25 untuk metakognitif. Hal ini
berarti kedua kurikulum tersebut menghasilkan implementasi yang telah cukup baik
bagi siswa, karena kedua kurikulum memberikan hasil yang sama maka akan dilakukan
analisis lanjut yang sesuai dengan tujuan penelitian ini, yaitu perbedaan tingkat
pemahaman pada kedua kurikulum dengan menggunakan analisis regresi logistik.
4.2. Analisis Regresi Logistik

4.2.1 Eksplorasi Data Sekunder
Deskripsi data variabel respon dan variabel prediktor yang digunakan pada
penelitian ini dapat dilihat pada Tabel 3.
Tabel 3. Eksplorasi Data Sekunder

Std.
Variabel N Min Max Mean
Deviasi
Tingkat
Pemahaman 231 0 1 0,72 0,45
( )
Jenis
231 1 2 1,67 0,472
kelamin ( )
Kurikulum Rata-rata
2013 nilai 231 73,13 94 83,12 3,75
harian( )
Nilai Ujian
semester 231 65 95 78,38 5,89
( )
288
ISBN: 978-602-72198-6-1
SENAMAS 2017
Std.
Variabel N Min Max Mean
Deviasi
Tingkat
Pemahaman 362 0 1 0,70 0,46
( )
Jenis
362 1 2 1,59 0,49
kelamin ( )
KTSP 2006 Rata-rata
nilai 362 50 97 84,30 5,77
harian( )
Nilai Ujian
semester 362 25 99 78,73 8,34
( )
4.2.2 Estimasi Parameter

Penaksiran parameter pada regresi logistik mengunakan metode Maximum
Likelihood. Metode ini merupakan dasar pendekatan dalam menaksir parameter pada
model regresi logistik dengan memberikan nilai estimasi dengan memaksimumkan
fungsi likelihood [7]. Hasil estimasi parameter ( ) untuk model regresi logistik pada
penelitian ini diperoleh sesuai pada Tabel 4 berikut:
Tabel 4. Hasil Estimasi Parameter

Variabel Bebas
Nilai harian Nilai ujian
Jenis kelamin (x1)
rata-rata (x2) semester (x3)
Kurikulum 2013 -2,564 2,619 1,375
KTSP 2006 -0,970 0,884 0,969
4.2.3 Uji Signifikasi Parameter Secara Parsial

Pengujian ini dilakukan untuk memeriksa kemaknaan koefisien β secara
individu. Pengujian signifikansi parameter model secara individu menggunakan Uji
Wald [3]. Hipotesis:
Berdasarkan kriteria pengujian parameter pada uji Wald tolak apabila nilai p-
value kurang dari 0,05. Nilai p-value untuk semua parameter dapat dilihat pada Tabel 5
dimana semua parameter varibel bebas kurang dari 0.05, yang berarti bahwa variabel
bebas tersebut signifikan terhadap model.
289
ISBN: 978-602-72198-6-1
SENAMAS 2017
Tabel 5. Hasil Uji Signifikansi Parameter Secara Parsial

Variabel Bebas
Nilai harian Nilai ujian
Jenis kelamin
rata-rata semester
(x1)
(x2) (x3)
Kurikulum 2013 0,004 0,000 0,000

P-value
KTSP 2006 0,045 0,000 0,000
4.2.4 Uji Kesesuaian Model
Tabel 6. Model Regresi Poisson yang Terbentuk

Persamaan Model Regresi Logistik
Kurikulum ̂( )
2013 ( ( ) ( ) ( ))
( ( ) ( ) ( ))
KTSP ̂( )
2006 ( ( ) ( ) ( ))
( ( ) ( ) ( ))
Setelah dilakukan estimasi dan pengujian parameter, selanjutnya dilakukan uji

kecocokan model. Uji ini digunakan untuk mengevaluasi cocok tidaknya model dengan
data, nilai observasi yang diperoleh sama atau mendekati dengan yang diharapkan
dalam model. Cocok atau tidaknya model regresi dapat diuji menggunakan uji Hosmer
dan Lemehow [7]. Adapun model regresi Logistik yang terbentuk dapat dilihat pada
Tabel 6. Hipotesis:
Ho : Model sesuai (tidak terdapat perbedaan yang signifikan antara hasil pengamatan
dengan kemungkinan hasil prediksi model)
H1 : Model tidak sesuai (terdapat perbedaan yang signifikan antara hasil pengamatan
dengan kemungkinan hasil prediksi model)
Berdasarkan kriteria pengujian kesesuaian model pada uji Hosmer dan Lemehow
tolak apabila nilai p-value kurang dari 0,05. Hasil uji pada Tabel 7 menunjukkan
bahwa nilai P-value > α (0,05), yang berarti model telah sesuai. Hal itu menandakan
bahwa tidak terdapat perbedaan yang signifikan antara hasil pengamatan dengan
kemungkinan hasil prediksi model.
290
ISBN: 978-602-72198-6-1
SENAMAS 2017
Tabel 7. Hasil Uji Hosmer dan Lemehow

P-value
Kurikulum 2013 0,994
KTSP 2006 0,522
4.2.5 Interpretasi Data

Pada pemodelan regresi logistik, interpretasi parameter bertujuan untuk
mengetahui arti dari nilai taksiran parameter pada variabel prediktor. Menafsirkan
koefisien dalam model Regresi Logistik dilakukan berdasarkan koefisien Odds ratio
(perbandingan risiko). Odds merupakan perbandingan probabilitas kejadian sukses
dengan kejadian tidak sukses dalam suatu kategori atau perbandingan nilai odds untuk
kategori = 1 terhadap odds untuk kategori = 0, dalam variabel prediktor yang sama
dengan menganggap variabel prediktor lainnya konstan. Odds ratio untuk model regresi
logistik adalah:
Tabel 8. Parameter dan Odd Rasio

Variabel Bebas
Jenis Nilai harian Nilai ujian
kelamin (x1) rata-rata (x2) semester (x3)
Kurikulum 2013 13,721

0,077 3,951
Exp(β)
KTSP 2006 0,379 2,421 2,636
Adapun interpretasi model regresi logistik pada penelitian ini berdasarkan odds
rasio parameter pada Tabel 8, yaitu:
a. Variabel jenis kelamin
Nilai odds ratio tersebut menjelaskan bahwa siswa laki-laki cenderung
mempunyai tingkat pemahaman yang kurang baik dalam mata pelajaran matematika
sebesar 0,077 kali dibanding siswa perempuan untuk kelompok kurikulum 2013
sedangkan sebesar 0,379 kali untuk kelompok KTSP 2006.
b. Variabel rata-rata nilai harian
Nilai odds ratio tersebut menjelaskan bahwa setiap pertambahan 1 poin untuk
varibael rata-rata nilai harian menyebabkan peluang seseorang siswa untuk
cenderung mempunyai tingkat pemahaman yang baik dalam mempelajari matematika
meningkat sebesar 13,721 untuk kelompok kurikulum 2013 sedangkan sebesar 2,421
kali untuk kelompok KTSP 2006.
c. Variabel Nilai ujian semester
Nilai odds ratio tersebut menjelaskan bahwa setiap pertambahan 1 poin untuk
varibael nilai ujian semester menyebabkan peluang seseorang siswa untuk cenderung
mempunyai tingkat pemahaman yang baik dalam mempelajari matematika
291
ISBN: 978-602-72198-6-1
SENAMAS 2017
meningkat sebesar 3,951 kali untuk kelompok kurikulum 2013 sedangkan sebesar
2,636 untuk kelompok KTSP 2006.
Berdasarkan hasil uraian odds rasio pada masing-masing variabel prediktor terlihat
bahwa tingkat pemahaman siswa pada sekolah yang menerapkan kurikulum 2013 lebih
baik dibandingkan dengan sekolah yang menerapkan KTSP.
5. Kesimpulan
Setelah dilakukan pengumpulan data, pengolahan dan analisis maka kesimpulan
yang diperoleh dengan anlisis regresi logistik adalah variable bebas jenis kelamin, rata-
rata nilai harian, dan nilai ujian semester semuanya mempengaruhi tingkat pemahaman
siswa pada mata pelajaran matematika secara signifikan. Hasil lain dari penelitian ini
menunjukkan bahwa tingkat pemahaman yang baik terhadap mata pelajaran matematika
pada sekolah yang menerapkan kurikulum 2013 lebih besar dibandingkan dengan
sekolah yang menerapkan KTSP. Perbedaan tingkat pemahaman ini terlihat dari
perbandingan nilai odds rasio kurikulum 2013 dan KTSP yang dihasilkan.
Daftar Pustaka
[1] E. Mulyasa, 2013, Pengembangan dan Implementasi Kurikulum 2013 Cetakan
Ketiga, Remaja Rosdakarya., Bandung.
[2] Nuzilatus, R. S., 2014, Peningkatan Pemahaman Mata Pelajaran Pkn Materi
Globalisasi dengan Strategi Critical Incident pada Siswa Kelas IV Mi Ma’arif Nu
Sukodadi, Tesis, UIN Sunan Ampel Surabaya.
[3] Hosmer D.W., Lemeshow S., 2000, Applied Logistic Regression, John Wiley &
Sons, Inc., New York.
[4] Supranto, J., 2006, Pengukuran Tingkat Kepuasan Pelanggan Cetakan Ketiga,
Rineka Cipta., Jakarta.
[5] Haloho, Sembiring, dan Manurung, 2013, Penerapan Analisis Regresi Logistik Pada
Pemakaian Alat Kontrasepsi Wanita (Studi Kasus Di Desa Dolok Mariah
Kabupaten Simalungun), Saintia Matematika, Vol. 1, No. 1, hlm.51-61.
[6] Kleinbaum, D.G., dan Klein, M., 2002, Logistic Regression A Self Learning Text
Second Edition, Springer., New York.
[7] Agresti, A., 2002, Categorical Data Analysis 2nd Edition, John Wiley and Sons,
Inc., New Jersey.
292
ISBN: 978-602-72198-6-1
SENAMAS 2017
PENYELESAIAN PERSAMAAN DIOPHANTINE

MATRIKS Ω-STABIL
Nur Erawaty
1
Abstrak
Daerah integral adalah gelanggang komutatif dengan unsur identitas dan tidak
memuat pembagi nol. Jika daerah integral ini dilengkapi dengan fungsi Euclid
maka terbentuklah Daerah Euclid. Salah satu himpunan bagian dari bentuk rasional
yang memenuhi ini adalah himpunan rasional proper dan Ω-stabil, dengan Ω
merupakan bagian dari lapangan bilangan kompleks.
Pembagi bersama matriks-matriks dengan entri unsur Ω-stabil dapat ditentukan.
Jika dua buah matriks Ω-stabil memiliki jumlah baris yang sama, maka terdapat
pembagi bersama kiri terbesar. Begitupun jika dua buah matriks Ω-stabil memiliki
jumlah kolom yang sama, maka terdapat pembagi bersama kanan terbesar.
Persamaan Diophantin X(s)A(s) + Y(s)B(s) = C(s) dengan X(s), A(s), Y(s), B(s),
C(s) matriks Ω-stabil akan memiliki penyelesaian jika memenuhi syarat-syarat
tertentu.
Kata Kunci: persamaan Diophantin, Ω-stabil, pembagi bersama matriks
1. Pendahuluan
Keterbagian merupakan konsep penting dalam Aljabar dan Teori Bilangan. Pada
gelanggang bilangan bulat, konsep ini diketahui dan menjadi pengetahuan umum. Konsep
keterbagian bilangan bulat, yaitu jika diberikan bilangan bulat 𝑎 dan 𝑏, 𝑎 ≠ 0, 𝑏 dikatakan habis
dibagi oleh 𝑎 jika terdapat bilangan bulat 𝑐 sehingga 𝑏 = 𝑎𝑐 atau 𝑏 = 𝑐𝑎 (karena berlaku sifat
komutatif pada perkalian bilangan bulat), ditulis 𝑎|𝑏. Pembagi bersama terbesar (atau dikenal
dengan istilah 𝐹𝑃𝐵) dari 𝑎 dan 𝑏 adalah bilangan bulat terbesar 𝑑 sedemikian sehingga 𝑑|𝑎 dan
𝑑|𝑏. Jika ada 𝑐 pembagi bersama 𝑎 dan 𝑏, maka 𝑐|𝑑. Dalam hal ini dinyatakan dengan
𝐹𝑃𝐵(𝑎, 𝑏) = 𝑑.
Berbeda halnya dalam bilangan bulat, pada matriks tidak berlaku sifat komutatif
perkalian, yaitu 𝐴𝐵 ≠ 𝐵𝐴 (secara umum). Misalkan diberikan tiga buah matriks 𝐴, 𝐵, 𝐶
sehingga membentuk persamaan 𝐴 = 𝐵𝐶. Dalam persamaan ini, 𝐵 disebut pembagi kiri dari 𝐴
dan 𝐶 disebut pembagi kanan dari 𝐴.
Perhatikan Persamaan Diophantine bilangan bulat ax + by = c, di mana a, b, dan c
diketahui dan x,y akan ditentukan penyelesaiannya. Persamaan Diophantine ini memiliki solusi
jika pembagi bersama terbesar dari a dan b membagi c.
Konsep keterbagian dan pembagi bersama terbesar sangat diperlukan dalam
menentukan penyelesaian Persamaan Diophantine bilangan bulat. Jika syarat cukupnya tidak
terpenuhi maka tidak dapat dicari solusi dari Persamaan Diophantinenya.
293
ISBN: 978-602-72198-6-1
SENAMAS 2017
Secara analog konsep keterbagian dapat diterapkan pada matriks, demikian pula konsep
pembagi. Karena perkalian matriks tidak bersifat komutatif, sehingga dikenal ada pembagi kiri
dan pembagi kanan. Pada artikel [5] dapat ditinjau ulang pembagi bersama terbesar matriks
Euclid yang dipakai untuk mencari solusi persamaan Diophantin matriks Euclid.
Matriks dengan entri-entri unsur Ω-stabil, dalam hal ini dapat ditunjukkan sebagai
daerah Euclid, sehingga disebut sebagai matriks Euclid. Tujuan utama paper ini adalah
menentukan bagaimana cara mendapatkan solusi dari persamaan Diophantin matriks Ω-stabil.
Dengan mencari pembagi bersama terbesar dua matriks Euclid sebagaimana yang dipaparkan
dalam tulisan [5].
2. Pembahasan
2. 1 Himpunan Ω-stabil sebagai daerah Euclid
Teori pendukung penelitian diambil dari pustaka 6, ditulis oleh Vardulakis, A. I. G pada tahun
1991, yang berjudul Linear Multivariable Control.
Misalkan C lapangan bilangan kompleks.
Misalkan Ω himpunan bagian C yang simetris terhadap sumbu real R, memuat
C+:={x∈ 𝐶, 𝑅𝑒(𝑥) ≥ 0}
Dan minimal tidak memuat 1 titik bilangan real negatif.
Jika Ωc komplemen dari Ω, maka Ωc ∪ Ω = C. Minimal ada satu anggota dari Ωc.
Im
Ωc Ω
−𝛼 𝛼 Real
Gambar 1
Misalkan t(x)∈ 𝑅(𝑥), dan difaktorkan sebagai

𝑡(𝑥) = 𝑡Ω (𝑥)𝑡̂(𝑥)
𝑛Ω (𝑥)
dengan 𝑡Ω (𝑥) = , 𝑛Ω (𝑥), 𝑑Ω (𝑥) ∈ 𝑅[𝑥] saling prim dengan semua zeronya di Ω dan
𝑑Ω (𝑥)
𝑛̂(𝑥)
𝑡̂(𝑥) = , 𝑛̂(𝑥), 𝑑̂(𝑥) ∈ 𝑅[𝑥] saling prim dengan semua zeronya di luar Ω.
𝑑̂ (𝑥)
Definisikan pemetaan 𝛿Ω : 𝑅(𝑥) → 𝑍 ∪ {∞}dengan pengaitan

𝛿Ω (𝑡(𝑥)) ≔ 𝑑𝑒𝑟 𝑑̂(𝑥) − 𝑑𝑒𝑟 𝑛̂(𝑥) jika t(x) ≠ 0
294
ISBN: 978-602-72198-6-1
SENAMAS 2017
𝛿Ω (𝑡(𝑥)) ∶= ∞ jika t(x)= 0
Teorema 1:[6]
𝑛(𝑥)
Misalkan 𝑡(𝑥) = 𝑑(𝑥) ∈ 𝑅(𝑥) dan difaktorisasi berdasarkan zeronya maka
𝛿𝛺 (𝑡(𝑥)) = 𝑞∞ + 𝑑𝑒𝑟 𝑛𝛺 (𝑥) − 𝑑𝑒𝑟 𝑑𝛺 (𝑥)

Dengan 𝑞∞ = 𝛿∞ (𝑡(𝑥)) ≔ 𝑑𝑒𝑟 𝑑(𝑥) − 𝑑𝑒𝑟 𝑛(𝑥).
Fungsi Rasional disebut memiliki zero di Ω jika ada pembuat nol 𝑛Ω (𝑥) dan disebut memiliki
pole di Ω jika ada pembuat nol 𝑑Ω (𝑥). Demikian pula di x = ∞.
Definisi 1:[2]
Fungsi Rasional yang memenuhi
(i). sejati, yakni tidak memiliki pole di x = ∞,
(ii). tidak memiliki pole di Ω,
disebut Fungsi Rasional sejati dan Ω-stabil.
̅ := Ω∪ {∞}}.
atau disebut himpunan S, yaitu S:= { t(x)∈ 𝑅(𝑥)| t(x) tidak memiliki pole di Ω
Dapat ditunjukkan bahwa S dengan operasi tambah dan kali membentuk gelanggang komutatif
dengan unsur unity dan tidak memuat pembagi nol. S merupakan daerah integral.
Misalkan t(x) ∈ S, t(x)≠ 0, dan karena t(x) tidak mempunyai pole di Ω maka dapat ditulis
sebagai
𝑛̂(𝑥)
𝑡(𝑥) = 𝑛Ω (𝑥)
𝑑̂ (𝑥)
Juga karena t(x) tidak mempunyai pole di x=∞, yaitu t(x) ∈ ℝ𝑝𝑟 (𝑥) diperoleh
der(𝑛Ω (𝑥)𝑛̂(𝑥)) ≤ der 𝑑̂(𝑥)
der 𝑛Ω (𝑥) + 𝑑𝑒𝑟 𝑛̂(𝑥) ≤ der 𝑑̂(𝑥)
yang mengakibatkan
𝑑𝑒𝑟 𝑛̂(𝑥) ≤ der 𝑑̂(𝑥)
Sehingga untuk setiap t(x)∈ S yang tidak nol dipunyai
𝛿Ω (𝑡(𝑥)) ≔ der 𝑑̂(𝑥) − 𝑑𝑒𝑟 𝑛̂(𝑥) ≥ 0.
S dengan pemetaan 𝛿Ω merupakan Daerah Euclid. Untuk selanjutnya 𝛿Ω yang dibatasi hanya
pada S dinotasikan 𝛿S .
Unit di S adalah t(x) ∈ S yang memiliki 𝑡̃(𝑥) ∈ S sehingga t(x) 𝑡̃(𝑥)=1.
295
ISBN: 978-602-72198-6-1
SENAMAS 2017
̅ := Ω∪ {∞}, sehingga
Ini berakibat bahwa t(x) ∈ S unit jika tidak memiliki zero dan pole di Ω
unit di S adalah fungsi rasional biproper
𝑛̂(𝑥)
𝑡(𝑥) =
𝑑̂(𝑥)
dengan 𝑛̂(𝑥), 𝑑̂(𝑥) ∈ 𝑅[𝑥] saling prim dan tidak memiliki zero di Ω.
Jadi t(x) ∈ S unit jika dan hanya jika 𝛿S (𝑡(𝑥)) = 0.
Himpunan S merupakan Daerah Euclid dengan fungsi Euclid 𝛿S .
Matriks dengan entri-entri unsur 𝛺 − 𝑠𝑡𝑎𝑏𝑖𝑙 disebut matriks 𝛺 − 𝑠𝑡𝑎𝑏𝑖𝑙. Selanjutnya matriks-
matriks ini merupakan matriks daerah Euclid karena entri-entrinya berada dalam himpunan
daerah Euclid.
2. 2 Pembagi Bersama matriks Ω-stabil

Untuk mendapatkan pembagi bersama terbesar matriks 𝛺 − 𝑠𝑡𝑎𝑏𝑖𝑙, diperlukan matriks struktur
kiri/kanan yang diperoleh dari bentuk Smith matriks 𝛺 − 𝑠𝑡𝑎𝑏𝑖𝑙. Beberapa teorema berikut
termuat dalam tulisan kami Greatest Common Divisors Euclidean Domain Matrices.[5]
Teorema 2 : [5]
Jika 𝑇𝐺𝐿 (𝑥) merupakan pembagi kiri bersama terbesar dari 𝑇1 (𝑥) dan 𝑇2 (𝑥),
maka setiap pembagi kiri bersama terbesar lainnya (𝑇̅𝐺𝐿 (𝑥)) merupakan kelipatan dari
𝑇𝐺𝐿 (𝑥), yaitu
𝑇̅𝐺𝐿 (𝑥) = 𝑇𝐺𝐿 (𝑥)𝑈(𝑥)
𝑝×𝑝
di mana 𝑈(𝑥) ∈ 𝑆 adalah unimodular.
Definisi 2:[5]
𝑇1 (𝑥) ∈ 𝑆 𝑝×𝑙 dan 𝑇2 (𝑥) ∈ 𝑆 𝑝×𝑡 dengan 𝑙 + 𝑡 ≥ 𝑝 = rank [𝑇1 (𝑥) 𝑇2 (𝑥)]
disebut koprim kiri jika pembagi kiri bersama terbesarnya adalah unimodular.
𝑇 (𝑥)
Begitupun juga 𝑇1 (𝑥) ∈ 𝑆 𝑙×𝑚 dan 𝑇2 (𝑥) ∈ 𝑆 𝑡×𝑚 dengan 𝑙 + 𝑡 ≥ 𝑚 = 𝑟𝑎𝑛𝑘 [ 1 ]
𝑇2 (𝑥)
disebut koprim kanan jika pembagi kanan bersama terbesarnya adalah unimodular.
Teorema 3 :[4]
Misalkan 𝑇1 (𝑥) ∈ 𝑆 𝑝×𝑙 dan 𝑇2 (𝑥) ∈ 𝑆 𝑝×𝑡 dengan 𝑙 + 𝑡 = 𝑚 ≥ 𝑝 =
𝑟𝑎𝑛𝑘 [𝑇1 (𝑥) 𝑇2 (𝑥)]. Maka pernyataan berikut ekivalen :
(1) 𝑇1 (𝑥) dan 𝑇2 (𝑥) adalah koprim kiri.
(2) Matriks 𝛺 − 𝑠𝑡𝑎𝑏𝑖𝑙 𝑇(𝑥) = [𝑇1 (𝑥) 𝑇2 (𝑥)] ∈ 𝑆 𝑝×𝑚 tidak mempunyai zero di ℂ.
(3) Terdapat suatu matriks unimodular 𝑇̅𝑅 (𝑥) ∈ 𝑆 𝑚×𝑚 sedemikian sehingga
[𝑇1 (𝑥) 𝑇2 (𝑥)]𝑇̅𝑅 (𝑥) = [𝐼𝑝 0𝑝,𝑚−𝑝 ] ≡ 𝑆𝑇 (𝑥)
𝛺 ̅
di mana 𝑆𝑇(𝑥) (𝑥) ∈ 𝑆 𝑝×𝑚 merupakan bentuk Smith dari 𝑇(𝑥).
(4) Terdapat 𝑌(𝑥) ∈ 𝑆𝑙×𝑝 , 𝑍(𝑥) ∈ 𝑆 𝑡×𝑝 sedemikian sehingga
𝑇1 (𝑥)𝑌(𝑥) + 𝑇2 (𝑥)𝑍(𝑥) = 𝐼𝑝 .
(5) Terdapat 𝑇3 (𝑥) ∈ 𝑆 (𝑚−𝑝)×𝑙 , 𝑇4 (𝑥) ∈ 𝑆 (𝑚−𝑝)×𝑡 sedemikian sehingga
296
ISBN: 978-602-72198-6-1
SENAMAS 2017
𝑇 (𝑥) 𝑇2 (𝑥)
[ 1 ] ∈ 𝑆 𝑚×𝑚 unimodular.
𝑇3 (𝑥) 𝑇4 (𝑥)
2. 3 Persamaan Diophantine Matriks Ω-stabil
Hasil yang telah diperoleh akan digunakan untuk mencari penyelesaian persamaan
Diophantine matriks Ω-stabil yang memiliki bentuk
X(s)A(s) + Y(s)B(s) = C(s) (1)
Di mana A(s)ϵS , B(s)ϵS , C(s) ϵS diberikan dan dicari X(s)ϵS , Y(s)ϵS yang
pxm qxm lxm lxp lxq
memenuhi. Dalam Teori Kontrol, persamaan Diophantine ini sering muncul dengan
l=p=m sehingga semua X(s), A(s), dan C(s) adalah matriks Ω-stabil bujursangkar pxp.
Persamaan Diophantine di atas dapat ditulis dalam bentuk perkalian matriks,
𝐴(𝑠)
[𝑋(𝑠) 𝑌(𝑠)] [ ] = C(s)
𝐵(𝑠)
Misalkan GR(s) ϵ Smxm adalah pembagi kanan bersama terbesar dari A(s) dan B(s), maka
dapat ditentukan TL(s) ϵ S(p+q)x(p+q) dan unimodular, sedemikian sehingga
𝐴(𝑠) 𝐺 (𝑠)
[TL(s)][ ]= [ 𝑅 ]
𝐵(𝑠) 0
Dan jika TL(s) dapat dipartisi menjadi
𝑇 (𝑠) 𝑇 (𝑠)
TL(s) = [𝑇1 (𝑠) 𝑇2 (𝑠)]
3 4
Maka
T1(s)A(s) + T2(s)B(s) = GR(s)
T3(s)A(s) + T4(s)B(s) = 0
Karena GR(s) adalah pembagi kanan bersama terbesar dari A(s) dan B(s), yaitu
A(s) = A1(s)GR(s)
B(s) = B1(s)GR(s)
Dan misalkan pula GR(s) ini juga merupakan pembagi kanan C(s), yaitu
C(s) = C1(s)GR(s)
Maka kalikan persamaan di atas dari kiri dengan C1(s) diperoleh
C1(s)T1(s)A(s) + C1(s)T2(s)B(s) = C1(s)GR(s) = C(s)
Sehingga
X(s) = C1(s)T1(s)
Y(s) = C1(s)T2(s)
Merupakan penyelesaian persamaan Diophantine.
Sehingga diperoleh teorema berikut,
Teorema 4.[4]
Persamaan Diophantine memiliki penyelesaian [X(s), Y(s)] ϵSlx(p+q) jika dan hanya jika
setiap pembagi kanan bersama terbesar A(s) dan B(s) yaitu GR(s) merupakan pembagi
kanan C(s).
Akibat 5:[4]
297
ISBN: 978-602-72198-6-1
SENAMAS 2017
Jika A(s) dan B(s) saling prim kanan maka persamaan Diophantine tersebut selalu
punya penyelesaian.
Jika A(s) dan B(s) saling prim kanan maka GR(s) unimodular dan ada
GR(s)-1 ϵ Smxm
Sehingga
GR(s)-1 T1(s)A(s) + GR(s)-1 T2(s)B(s) = GR(s)-1 GR(s) = Im
Selanjutnya kalikan dengan C(s) dari kiri diperoleh
X(s) = C(s) GR(s)-1 T1(s) ϵ Slxp
Y(s) = C(s) GR(s)-1 T2(s) ϵ Slxp
2. 4 Parameterisasi Penyelesaian Persamaan Diophantine Matriks

Ω-stabil
Asumsikan bahwa syarat cukup dan perlu teorema 4 di atas terpenuhi. Misalkan
bahwa X(s) dan Y(s) merupakan penyelesaian Persamaan Diophantine. Misalkan pula
X0(s)≠X(s), Y0(s)≠Y(s) penyelesaian yang lain, yaitu memenuhi
X0(s)A(s) + Y0(s)B(s) = C(s) (2)
Persamaan (1) dikurangi persamaan (2) diperoleh
[X(s)-X0(s)]A(s) + [Y(s)-Y0(s)] B(s) = 0 (3)
Atau
𝐴(𝑠)
[X(s)-X0(s), Y(s)-Y0(s)][ ]= 0
𝐵(𝑠)
𝐴(𝑠) 𝐴(𝑠)
Misalkan rankR(s) [ ] = k ≤ m ≤p+q dan pertimbangkan kernel kiri dari [ ] yaitu
𝐵(𝑠) 𝐵(𝑠)
ruang vektor rasional dari p+q pasang fungsi rasional yang dipandang sebagai vektor
baris zi(s) = [zi1(s), zi2(s), ... , zi(p+q)(s)], zij(s) ϵ R(s), j=1,2,...,(p+q) sedemikian sehingga
𝐴(𝑠)
zi(s) [ ]= 01,m (4)
𝐵(𝑠)
Jumlah zi(s) yang bebas linear dan memenuhi adalah (p+q)-k.

Misalkan Z(s)∈S[(p+q)-k]x[p+q] matriks Ω-stabil yang memiliki (p+q)-k baris yang
𝐴(𝑠)
membangun kernel kiri [ ], yaitu
𝐵(𝑠)
𝐴(𝑠)
Z(s) [ ]= 0[(p+q)-k],m
𝐵(𝑠)
Dan
RankR(s)Z(s) = (p+q)-k
Dari persamaan (3) dapat diperhatikan bahwa, matriks [X(s)-X0(s), Y(s)-Y0(s)] dapat
ditulis sebagai
[X(s)-X0(s), Y(s)-Y0(s)] = T(s)Z(s) (5)
untuk suatu matriks Ω-stabil T(s) berukuran lx[(p+q)-k].
Berdasarkan (5) dan (3),
298
ISBN: 978-602-72198-6-1
SENAMAS 2017
𝐴(𝑠)
T(s)Z(s) [ ] = 0l,m
𝐵(𝑠)
Z(s) dipartisi menjadi dua matriks yaitu
Z(s) = [ B2(s) -A2(s)]
dengan B2(s) berukuran [(p+q)-k]xp dan A2(s) berukuran [(p+q)-k]xq.
Sehingga digabung dengan persamaan (5) memberikan

[X(s)-X0(s), Y(s)-Y0(s)] = T(s) [ B2(s) -A2(s)] (6)
Dari persamaan (6) diperoleh
X(s)-X0(s) = T(s)B2(s)
Y(s)-Y0(s) = -T(s)A2(s)
Atau
X0(s) = X(s) - T(s)B2(s)
Y0(s) = Y(s) + T(s)A2(s)
3. Kesimpulan
1. Persamaan Diophantine X(s)A(s) + Y(s)B(s) = C(s) memiliki penyelesaian
[X0(s), Y0(s)] ϵR[s]lx(p+q) jika dan hanya jika setiap pembagi kanan bersama
terbesar A(s) dan B(s) yaitu GR(s) merupakan pembagi kanan C(s).
2. Jika A(s) dan B(s) saling prim kanan maka persamaan Diophantine tersebut
selalu punya penyelesaian.
3. Misalkan X(s) dan Y(s) solusi dari persamaaan Diophantine. Misalkan pula
𝐴(𝑠)
X0(s)≠X(s) dan Y0(s) ≠ Y(s) solusi lain. Misalkan Z(s) kernel kiri dari [ ]
𝐵(𝑠)
dan dipartisi menjadi
Z(s) = [ B2(s) -A2(s)]
Maka solusi umum persamaan Diophantine adalah

X0(s) = X(s) - T(s)B2(s)
Y0(s) = Y(s) + T(s)A2(s)
Di mana T(s) memenuhi [X(s)-X0(s), Y(s)-Y0(s)] = T(s)Z(s).
299
ISBN: 978-602-72198-6-1
SENAMAS 2017
4. Daftar Pustaka
[1] A. I. Vardulakis, Divisors and greatest common divisors of polynomial matrices,

Linear Multivariable Control (pp.16-18). New Delhi: John Wiley and Sons, (1991).
[2] A. I.Vardulakis, Linear Multivariable Control. New Delhi: Thomson Pres, (1991).
[3] M. Vidyasagar, Control System Synthesis. A Factorization Approach. London: The

MIT Press Cambridge, 1985.
[4] N. Erawaty, Pemanfaatan Bentuk Smith-McMillan untuk Parameterisasi

Kompensator yang Menstabilkan Plant Proper. Bandung: Institut Teknologi
Bandung, (2000).
[5] N. Erawaty, Mawardi Bahri, Loecky Haryanto, Amir Kamal A, Greatest Common
Divisors of Euclidean Domain Matrices, Far East Journal of Mathematical
Sciences, Pushpa Publishing House, Allahabad, India, vol. 101, no. 4, pp 855-872,
2017.
[6] N. L. Thomsen, A Euclidean Algorithm for Integer Matrices. American

Mathematical Monthly, 2015.
300

Prosiding SENAMAS2017 Vol2

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Prosiding SENAMAS2017 Vol2

Diunggah oleh

Hak Cipta:

Format Tersedia

SENAMAS 2017

Makassar, 11-12 Juli 2017

Prof. Dr. Amir Kamal Amir, M.Sc (Aljabar)

Prof. Dr. Hasmawati, M.Si

Relasi MacWilliams pada Kode Linier atas ℤ𝟖 + 𝐯ℤ𝟖 1-11

Penyelesaian Persamaan Diophantine Matriks Ω-Stabil 293-300

Implementasi dan Analisis Algoritma Pohon Keputusan untuk Memprediksi

Implementasi Modifikasi Algoritma Clefia-128 Bit Pada Aplikasi Secure

Penerapan Uji Saturation Point dalam Pengujian Keamanan Algoritma Block

Pengujian Avalanche Weight Distribution (AWD) Criterion pada Algoritma

Perbandingan Algoritma Fungsi Hash Standar Internasional Berdasarkan

Kerangka Teori tentang Peranan Penalaran Matematika pada Pembelajaran

Perbaikan Citra Fundus Menggunakan Operasi Morpologi dan Filter Difusi

Implementasi Algoritma Apriori Aturan Pembelajaran Keterkaitan Data

Nilai Total Ketidakteraturan Titik Beneš Network 2-Dimensi 86-90

Penentuan Bilangan Ramsey pada Graf Bintang Terhadap Roda 91-98

Bilangan Ramsey Sisi Terhubung untuk Pasangan Graf Lengkap Berorde

MATEMATIKA TERAPAN (BIOMATEMATIKA)

Pengaruh Kontrol Optimal Berupa Perawatan Pada Penderita

Analisis Model Dinamika Penyebaran Pekerja Seks Komersial dengan

Model Epidemik SEIRS-SEI Penyebaran Penyakit Malaria dengan

Analisis Model Matematika pada Terapi Kanker Menggunakan

MATEMATIKA TERAPAN (RISET OPERASI)

Model Penentuan Pendapatan yang Terpisah pada Perkembangan Kredit

Kualitas Guru Matematika SMP se-Kota Gorontalo dalam Melaksanakan

Efektifitas Multimedia Pembelajaran Terhadap Hasil dan Motivasi Belajar

Implementasi Ular Tangga Aljabar untuk Pembentukan Karakter Ulet dan

Proses Berpikir Kreatif Siswa Sekolah Dasar dalam Menyelesaikan Masalah

Pengolahan Dataset Awal Minat Belajar Mahasiswa melalui Algoritma

Siswa Tunanetra Dalam Pembelajaran Operasi Penjumlahan Dan Pengurang

Analisis Data Curah Hujan Menggunakan Metode Empirical Orthogonal 228-237

Pemilihan Regresi Ridge Terbaik dengan Metode Ridge Trace 238-248

Peranan Statistika untuk Mengembangkan Penelitian Dosen 249-254

Penentuan Margin of Error (MoE) dan Tingkat Kepercayaan

Penentuan Peta Kendali EWMA pada Data Berautokorelasi 266-273

Desentralisasi Fiskal dan Komposisi Pengeluaran Pemerintah Daerah Fungsi

Maximum Partial Likelihood Estimation dalam Estimasi Parameter Regresi

Relasi MacWilliams pada Kode Linier atas

. Dalam bagian 2 akan dijelaskan bobot Gray dari elemen dan

2. Kode Linier atas 𝒗

Definisikan pemetaan Gray pada ,

Bobot Gray pada :

Definisikan bobot Gray dari vektor ( ) menjadi jumlah dari

Untuk sebarang elemen , maka jarak Gray diberikan oleh

Jarak Lee antara dinotasikan dengan

Beberapa hasil telah diperoleh, yaitu diantaranya:

Proposisi 1. Pemetaan Gray merupakan pemetaan yang mempertahankan jarak Gray

Lema 2. Misalkan kode linier ( ) atas dengan berturut-turut

Misalkan ( ) dan ( ) dua vektor di .

Kode Euclid dual dari didefinisikan

Kode dikatakan Euclid swa-ortogonal jika dan dikatakan Euclid swa-dual

Teorema 3. Pernyataan-pernyataan berikut berlaku:

Oleh karena itu,

Misalkan dengan ( ) * ( ) + Misalkan , ( )

( ), dan karena ( ) ( ) , maka ( ) ( ( )) . Dari Lema2,

( ) Karena ( ) ( ( )) , dan dalam [7] telah dibuktikan bahwa

hingga, ( ) |( ( )) |. Perhatikan juga bahwa

( ) ( ) ( ). Sehingga diperoleh ( ). Karena

Dari Lema2 ( ) dan diperoleh

Misalkan menotasikan banyaknya elemen dengan bobot Gray di , maka

Karena pemetaan Gray merupakan pemetaan yang mempertahankan jarak Gray ke

direpresentasikan sebagai variabel yang bersesuaian dengan * +.

dengan ( ) menotasikan banyaknya elemen yang muncul dalam vektor .

dan diperoleh bobot Gray ( ) dari kata kode