Makalah Pendamping 4

Prosiding Seminar Nasional Matematika dan Pendidikan Matematika UNS 2011
Makalah Pendamping: MATEMATIKA 255

PENGGUNAAN METODE BAYESIAN OBYEKTIF DALAM INFERENSI
PARAMETER POPULASI SERAGAM

Adi Setiawan
Program Studi Matematika, Fakultas Sains dan Matematika
Universitas Kristen Satya Wacana Jl. Diponegoro 52-60 Salatiga 50711, Indonesia
e-mail : adi_setia_03@yahoo.com

Abstrak

Misalkan dimiliki sampel yang dianggap diambil dari populasi yang berdistribusi seragam
U(0,u). Dalam makalah ini akan dijelaskan tentang bagaimana menggunakan metode
Bayesian obyektif untuk melakukan estimasi titik, estimasi interval dan pengujian hipotesis
tentang parameter populasi berdasarkan sampel yang diambil dari populasi U(0,u). Studi
simulasi dilakukan untuk memperjelas penggunaan metode tersebut.

Kata Kunci : prior, posterior, deskrepansi intrinsik, statistik intrinsik

PENDAHULUAN
Misalkan dimiliki sampel yang dianggap diambil dari populasi yang berdistribusi
seragam U(0,u) dan diinginkan untuk melakukan estimasi parameter u maka dapat digunakan
metode Bayesian obyektif. Pada makalah terdahulu telah dijelaskan bagaimana menggunakan
metode Bayesian obyektif dalam melakukan estimasi titik, estimasi interval dan pengujian
hipotesis ( Setiawan, 2009; Setiawan, 2010 dan Setiawan, 2011 ). Dalam makalah ini akan
dijelaskan tentang bagaimana menggunakan metode Bayesian obyektif untuk melakukan
inferensi parameter populasi u dan dianggap bahwa sampel diambil dari populasi seragam.

DASAR TEORI
Hasil dari sembarang masalah inferensi yang dinyatakan dalam distribusi posterior
merupakan gabungan dari informasi yang tersedia dalam data dan informasi prior relevan yang
tersedia. Akan tetapi apabila tidak tersedia informasi prior, akan dipilih fungsi prior yang relatif
uninformative artinya fungsi prior yang memberikan pengaruh minimum pada inferensi fungsi
posterior. Secara lebih formal, misalkan bahwa mekanisme probabilitas yang membangkitkan
data yang tersedia x dianggap sebagai p(x| u) untuk suatu u e O dan kuantitas yang
menjadi perhatian adalah fungsi yang bernilai real |(u) dari u. Tanpa menghilangkan
keumuman, hal itu juga dapat dijelaskan berikut ini.
Misalkan model probabilitas yang digunakan berbentuk } ) , | ( { u x p dengan adalah
parameter nuisance yang dipilih. Dalam hal ini diperlukan untuk mengidentifikasi fungsi prior
bersama t(|,) yang akan mempunyai pengaruh minimal pada distribusi posterior marginal
dengan kuantitas yang menjadi perhatian | yaitu
}
A
| t | | t d x p x ) , ( ) , | ( ) | ( .
Reference prior digunakan sebagai prior yang dapat memberikan pengaruh minimal
pada distribusi posterior. Dalam kasus dimensi satu, reference prior merupakan prior Jeffry.
Dengan menggunakan prior ini maka penyelesaian masalah estimasi hanya tergantung pada
model anggapan dan data pengamatan sehingga estimasi titik yang menggunakan metode ini
dinamakan sebagai estimasi titik Bayesian obyektif (Bernardo dan Juarez, 2003).
Diskrepansi intrinsik (intrnsic discrepancy) o(p1, p2) antara dua fungsi densitas
p1(x) dengan x e X1 dan p2(x) dengan x e X2 didefinisikan sebagai
{ } ) ) ( | ) ( ( , ) ) ( | ) ( ( min ) , (
2 1 1 2 2 1
x p x p K x p x p K p p = o
dengan
}
=
X
dx
x p
x p
x p x p x p K
) (
) (
log ) ( )) ( | ) ( (
2
1
1 2 1
.
Untuk dua keluarga fungsi densitas
256 Makalah Pendamping: MATEMATIKA

{ } u e X e = | | | , ) ( , ) | (
1 1 1
x x p M
dan
{ } + e X e = , ) ( , ) | (
2 2 2
x x p M
dapat didefinisikan diskrepansi intrinsik
( ) ) | ( , ) | ( min ) , ( *
2 1
,
2 1
| o o
|
x p x p M M
+ e u e
= .

Fungsi kerugian (loss function) dalam kasus ini adalah diskrepansi intrinsik. Misalkan bahwa
deskripsi yang sesuai dari tingkah laku probabilistik dari kuantitas random x diberikan oleh
model
} , , ), , | ( { A e O e X e u u x x p .
Diskrepansi intrinsik antara ) , | ( u x p dan keluarga densitas
} ), , | ( {
0
A e u x p
adalah
) , ; , ( inf ) ; , ( *
0 0 0
0
u u o u u o
A e
=
dengan
{ } ) , | , ( , ) , | , ( min ) , ; , (
0 0 0 0 0 0
u u u u u u o K K = .

Misalkan } , , ), , | ( { A e O e X e u u x x p adalah model parametrik yang dapat digunakan
untuk menggambarkan tingkah laku kuantitas random x. Didefinisikan intrinsik statistik
(intrinsic statistic) sebagai
} }
A O
= = u u t u u o o u
o t
o
d d x x E x d ) | , ( ) ; , ( * ] | * [ ) | (
* 0 0
*
(1)
dengan ) | , (
*
x u t
o
adalah posterior referensi untuk parameter dari model ) , | ( u x p bila
) ; , ( *
0
u u o adalah parameter yang menjadi perhatian. Estimator intrinsik (intrinsic estimator)
atau estimasi titik Bayesian obyektif didefinisikan sebagai yaitu parameter u yang
meminimalkan statistik intrinsik
) | ( min arg ) ( * *
~
~
x d x u u u
u O e
= = .

Estimasi interval kredibel
Interval kredibel intrinsik 100q% (q-credible region intrinsic) adalah himpunan bagian
R*q = R*q( x, O) _ O dari ruang parameter O sehingga memenuhi
(i)
}
=
q
R
q d x
*
0
) | , ( u u u t

(ii) Untuk setiap ui eR*q, uj e R*q dan untuk setiap berlaku d(u
i
| x) s d(u
j
| x).
dengan d(u
i
| x) adalah harapan fungsi kerugian reference posterior sebagai proxy untuk nilai
dari parameter yang diberikan pada persamaan (1).
Terlihat bahwa pernyataan pada persamaan (1) mempunyai bentuk yang sulit sehingga
perhitungannya tidaklah mudah namun dengan menggunakan integrasi numerik, hal itu dengan
mudah dapat dilakukan.

Pengujian Hipotesis
Apabila diinginkan untuk melakukan pengujian hipotesis H
0
{ u = u
0
} maka statistik
intrinsik pada persamaan (1) merupakan ukuran dari kekuatan bukti melawan penggunaan
model M
0
dengan
} , ) , | ( {
0 0
A e = u x p M .
Hal itu berarti H
0
akan ditolak jika dan hanya jika d(u
0
| x ) untuk suatu batas d* (Juarez,
2004). Bernardo dan Rueda (2002) mengusulkan untuk menggunakan aturan sebagai
berikut : jika d* ~ 1 maka tidak ada bukti untuk menolak H0, jika d* ~ 2,5 maka terdapat


bukti lemah (mild) untuk menolak dan jika d* > 5 maka terdapat bukti kuat (strong) untuk
menolak H0.

Populasi Seragam
Misalkan x
1
, x
2
, ...., x
n
sampel dari distribusi seragam dengan fungsi kepadatan probabilitas
1
) | (

=u u x f
untuk 0 s x s u, u > 0 dan misalkan t = Max{ x
1
, x
2
, ...., x
n
}. Deskrepansi intrinsik dari
distribusi eksponensial adalah
] ) | ( , ) | ( [ min ) , (
0 0 0
u u k u u k u u o n
x
=
dengan
( ) ( )
>
s =
=
}

. ,
, / log / ln
) | (
0
1
i j
i j j i j i j
j i
j
dx
u u
u u u u u u u
u u k
u

Akibatnya
| ) / ln( | ) , (
0 0
u u u u o n
x
= .
Karena ruang sampel dari X adalah [ 0, u ] tergantung dari parameter u maka hal ini bukan
masalah regular. Fungsi t =
^
u merupakan statistik cukup, estimator konsisten dari yang
mempunyai distribusi sampling
n n
t n t p

= u u
1
) | (
untuk 0 < t < u. Dapat dibuktikan bahwa reference prior dari parameter yang menjadi perhatian
u adalah t(u) = u
-1
dan reference posterior yang terkait adalah
. , ) ...., , | (
) 1 (
1
t t n x x
n n
n
> =
+
u u u t
dan diperoleh statistik intrinsik
}

+
= =
t
n n
n
d t n n t d x x d u u u u u u
) 1 (
0 0 1 0
| ) / ln( | ) , | ( ) ...., , | (
.

Estimasi titik u* ditentukan sehingga meminimalkan nilai statistik intrinsik
) ...., , | (
1 0 n
x x d u dan estimasi interval kredibel (a,b) ditentukan sehingga
) ,...., | ( ) ...., , | (
1 1 0 n n
x x a d x x d < u

dan ) ,...., | ( ) ...., , | (
1 1 0 n n
x x a d x x d < u . Pengujian hipotesis
dilakukan dengan cara menghitung ukuran kekuatan bukti untuk menolak hipotesis nol H
0
: u =
u
0
dengan menggunakan statistik intrinsik ) ...., , | (
1 0 n
x x d u

berdasarkan pada sampel x
1
, x
2
,
...., x
n
atau statistik cukup t = Max{ x
1
, x
2
, ...., x
n
} dan ukuran sampel n.

STUDI SIMULASI DAN PEMBAHASAN
Estimasi titik untuk parameter populasi u berdasarkan sampel ditentukan dengan cara
memilih nilai u yang meminimalkan nilai statistik intrinsik. Gambar 1 menunjukan nilai
statistik intrinsik bila digunakan nilai u antara 0 dan 5 jika diberikan statistik cukup sampel
t = Max{ x
1
, x
2
, ...., x
n
} = 1,806
dan n = 12. Terlihat bahwa nilai statistik intrinsik akan mencapai minimum jika u = 1,913
sehingga 1,913 merupakan estimasi titik untuk parameter populasi u. Interval kredibel
ditentukan sehingga u mempunyai statistik intrinsik lebih kecil dari 2.150 dan diperoleh
interval kredibel 95 % yaitu (1,632 , 2,319 ).
Misalkan dimiliki sampel x
1
, x
2
, ...., x
n
berukuran n = 50 dari populasi berdistribusi
seragam dengan parameter populasi u. Apabila diambil sampel dari distribusi seragam pada
(0,2) maka nilai-nilai statistik intrinsik yang diperoleh merupakan ukuran kekuatan untuk
menolak hipotesis nol H
0
: u = u
0
dan dinyatakan pada Gambar 2. Terlihat bahwa nilai-nilai
statistik intrinsik cenderung kecil dengan rata-ratanya 0,99 dan hanya 0,6 % yang mempunyai
nilai lebih dari 5.


0 1 2 3 4 5
0
1
0
2
0
3
0
4
0
5
0
6
0
(a) n=12, t=1.806
Theta
I
n
t
r
i
n
s
i
k

S
t
a
t
i
s
t
i
k

Gambar 1 Nilai statistik intrinsik jika diberikan parameter u dan
statistik cukup t = Max{ x
1
, x
2
, ...., x
n
}.
Histogram dari Statistik Intrinsik bila sampel dari U(0 , 2)
Statistik Intrinsik
D
e
n
s
i
t
y
2 4 6 8
0
.
0
0
.
5
1
.
0
1
.
5

Gambar 2. Histogram dari B = 10.000 nilai-nilai statistik intrinsik yang merupakan ukuran
kekuatan untuk menolak H
0
: u = u
0
jika diberikan sampel dengan ukuran 50 yang
diambil dari populasi seragam U(0,2).

Apabila sampel diambil dari populasi yang mempunyai parameter populasi berturut-turut
(a) 1,8 (b) 1,9 (c) 2,1 dan (d) 2,2 maka nilai-nilai statistik intrinsik dinyatakan pada Gambar 3.
Terlihat bahwa seperti yang diharapkan, nilai-nilai statistik intrinsik cenderung makin
membesar jika parameter populasi yang digunakan jauh dari u = 2. Gambar 4 dan Gambar 5
menyatakan nilai-nilai statistik intrinsik masing-masing untuk ukuran sampel 50 dan 100.


Seperti yang diharapkan makin besar ukuran sampel makin besar pula nilai-nilai statistik
intrinsik.

(a) Bila sampel dari U(0 , 1,8)
Statistik Intrinsik
D
e
n
s
i
t
y
1 2 3 4 5 6
0
.
0
0
.
3
0
.
6
(b) Bila sampel dari U(0, 1,9)
Statistik Intrinsik
D
e
n
s
i
t
y
1 2 3 4 5
0
.
0
0
.
4
(c) Bila sampel dari U(0, 2,1)
Statistik Intrinsik
D
e
n
s
i
t
y
2 4 6 8 10
0
.
0
0
.
3
0
.
6
(d) Bila sampel dari U(0, 2,2)
Statistik Intrinsik
D
e
n
s
i
t
y
4 6 8 10 12 14
0
.
0
0
.
3
0
.
6

Gambar 3. Histogram dari B = 10.000 nilai-nilai statistik intrinsik yang merupakan
ukuran kekuatan untuk menolak H
0
: u = u
0
jika diberikan sampel ukuran 50 yang
diambil dari populasi seragam dengan parameter u berturut-turut (a) 1,8 (b) 1,9 (c)
2,1 dan (d) 2,2.

Statistik Intrinsik
D
e
n
s
i
t
y
1 2 3 4
0
.
0
0
.
4
0
.
8
Statistik Intrinsik
D
e
n
s
i
t
y
1 2 3 4 5 6 7
0
.
0
0
.
4
Statistik Intrinsik
D
e
n
s
i
t
y
2 4 6 8
0
.
0
0
.
4
0
.
8
Statistik Intrinsik
D
e
n
s
i
t
y
2 4 6 8 10 12
0
.
0
0
.
4
0
.
8

0
: u = u
0
2,1 dan (d) 2,2.


Statistik Intrinsik
D
e
n
s
i
t
y
4 5 6 7 8 9
0
.
0
0
.
4
Statistik Intrinsik
D
e
n
s
i
t
y
1 2 3 4 5
0
.
0
0
.
3
0
.
6
Statistik Intrinsik
D
e
n
s
i
t
y
3 4 5 6 7 8
0
.
0
0
.
4
Statistik Intrinsik
D
e
n
s
i
t
y
6 8 10 12 14 16
0
.
0
0
.
2
0
.
4

0
: u = u
0
2,1 dan (d) 2,2.

KESIMPULAN DAN SARAN
Dalam makalah di atas telah dijelaskan bagaimana parameter populasi diestimasi dan
dilakukan uji hipotesis dengan menggunakan metode Bayesian obyektif jika dianggap sampel
diambil dari populasi berdistribusi seragam. Metode tersebut dapat juga diperluas
penggunaannya untuk parameter populasi yang berdistribusi seragam dengan 2 parameter.

DAFTAR PUSTAKA

Bernardo, J. dan R. Rueda, 2002, Bayesian Hypotesis Testing : A Reference Approach,
International Statistical Review 70, 351-372.
Juarez, M. A. , 2004, Objective Bayesian Methods for Estimation and Hypothesis Testing,
Valencia : University of Valencia.
Setiawan, A. , 2009, Estimasi Titik Bayesian Obyektif, Prosiding Seminar Sains dan
Pendidikan Sains IV FSM UKSW, Salatiga.
Setiawan, A. , 2010, Interval Kredibel Bayesian Obyektif dari Parameter Populasi
Berdistribusi Poisson dan Eksponensial, Prosiding Seminar Sains dan Pendidikan Sains
No. 1 Tahun 1 , hal 703-708.
Setiawan, A. , 2011, Inferensi Parameter Mean Populasi Normal dengan Metode Bayesian
Obyektif, Prosiding Seminar Sains dan Pendidikan Sains No. 1 Tahun 2 hal 584-593


APLIKASI PEMROGRAMAN INTEGER
PADA MULTI PLE TRAVELLI NG SALESMAN PROBLEM

Agustina Pradjaningsih
*
, Mohammad Hasan
*
*) Jurusan Matematika FMIPA Universitas Jember
Jl. Kalimantan III No 37 Jember 68121
tinapradja.math@gmail.com

Abstrak

Artikel ini bertujuan mengaplikasikan pemrograman integer untuk memperoleh rute pada
Multiple-Travelling Salesman Problem (m-TSP). Langkah yang dilakukan adalah mem-
formulasi pemrograman integer m-TSP yang disusun oleh jumlah kota (n), jumlah sales (m),
dan jumlah minimal kota yang harus dilewati oleh tiap sales (K); dan menyelesaikannya
dengan menerapkan metode Branch and Bound dalam langkah iterasinya untuk mendapatkan
output berupa bilangan integer. Penggunaan bilangan integer biner 0-1 dimaksudkan sebagai
informasi apakah rute dari titik v
i
ke v
j
dilewati atau tidak oleh sales-sales yang ditugaskan.

Kata kunci : m-TSP, pemrograman integer

PENDAHULUAN
Salah satu usaha perusahaan untuk mendistribusikan produknya kepada konsumen
adalah dengan menggunakan tenaga sales. Oleh karena itu untuk menjangkau area penjualan
yang luas maka perusahaan akan menggunakan lebih dari satu sales. Dalam masalah seperti ini
dapat dilakukan pendekatan penyelesaian dengan Multiple-Travelling Salesman Problem (m-
TSP) yang merupakan perluasan dari Travelling Salesman Problems (Kara and Bektas, 2006).
Dalam m-TSP terdapat m orang sales yang tersedia yang ditempatkan pada sebuah kota n
(depot) dan mereka harus mengunjungi kota 1, 2, , n-1. Persoalan yang akan diselesaikan
adalah memilih beberapa (ataupun semua) dari m orang sales dan menugaskan rute kepada
mereka sedemikian hingga dalam keseluruhan rute tersebut setiap kota dikunjungi tepat satu
kali. Gambar 1 mengilustrasikan rute dalam m-TSP dengan 16 kota dan 3 orang sales yang
melakukan perjalanan.

Gambar 1. Multiple-Travelling Salesman Problem (m-TSP) dengan n = 16 dan m = 3

Multiple-Travelling Salesman Problem (m-TSP) direpresentasikan dalam digraph
lengkap simetrik D = (V, A) dimana V adalah himpunan n buah titik dan A adalah himpunan
busur (Chartrand, G. and Oellermann, O.R. 1993). Juga diberikan C = (c
ij
) sebagai matiks
ongkos (bobot) yang bersesuaian dengan A. Selanjutnya ditetapkan matriks C asimetrik yaitu c
ij

c
ji
(i,j) e A sehingga disebut m-TSP asimetrik. Formulasi untuk m-TSP asimetrik sebagai
berikut
Meminimumkan fungsi objektif
( )
=
e
=
n
j i
A j i
ij ij
x c Z
,
(1)
dengan kendala
1. Banyaknya sales (m) yang berangkat dan kembali lagi ke titik awal

= =
= =
n
j
j
n
j
j
x m x
2
1
2
1

(2)
2. Derajat tiap titik
n k x
n k x
n
k j
kj
n
k i
ik
, , 2 1
, , 2 1
= =
= =
=
=

(3)
3. Penghilangan subtour
( )
( )
( )
( ) ( ) 1 1 dan
1
2
2 1 2
, , 2 1
, , 2 2 2
, , 2 1 2
1 1
1 1
1 1
=
(

s s
s = s s + +
= s +
= > + +
= s +
m K n L
m
n
K
n j i L x L Lx u u
n i x x
n i x K x u
n i L x x L u
ji ij j i
i i
i i i
i i i
(4)
dimana:
u
i
= jumlah titik yang telah dikunjungi dalam lintasan dari titik asal (depot) sampai titik
ke-i
K = jumlah minimum titik yang harus dikunjungi
L = jumlah maksimum titik yang bisa dikunjungi
4. Bilangan integer biner
( )
( )
sales perjalanan rute
jika , 0
jika , 1
) ( 1), (0, biner integer bilangan =
=

e
e
=
e
T
T i,j
T i,j
ij
x
A i, j a =
ij
x
(5)

METODOLOGI
Data yang digunakan dalam artikel ini berupa data jarak antar kota untuk 10 kota.
Untuk jumlah kota (n) yang tersedia tersebut dapat dihitung kemungkinan jumlah sales yang
dapat ditugaskan yaitu
(

s s
2
1
2
n
m . Langkah-langkah dalam menyelesaikan m-TSP
adalah sebagai berikut :
1. Menetapkan n buah kota dan matriks jarak antar kota
2. Menghitung nilai m, K dan L yang mungkin dan sesuai dengan n
3. Membuat formulasi pemrograman integer untuk m-TSP dan menyelesaikan
pemrograman integer m-TSP.

HASIL DAN PEMBAHASAN
Formulasi pemrograman integer untuk m-TSP meliputi fungsi objektif yang akan
diminimumkan dan kendala (batasan) yang harus dipenuhi. Adapun rumus yang diperlukan
untuk membentuk formulasi m-TSP ini telah disebutkan pada persamaan (1) sampai dengan (5).
Tabel 1. Jarak antar kota
Kota 1 2 3 4 5 6 7 8 9 10
1 - 15 26 20 29 19 26 21 11 30
2 13 - 18 19 22 15 25 18 12 20
3 17 13 - 16 15 10 29 10 18 27
4 27 17 27 - 22 26 12 23 28 21
5 22 16 21 15 - 23 18 26 30 14


6 30 13 19 30 27 - 14 22 19 19
7 14 27 16 21 24 26 - 23 30 26
8 15 15 27 10 25 19 22 - 11 26
9 13 20 14 17 14 24 20 20 - 19
10 22 24 10 19 26 14 29 21 17 -

Selanjutnya penyelesaian pemrograman integer m-TSP tersebut menggunakan metode simpleks
(Ignizio, J.P. and Cavalier, T.M. 1994) untuk menyelesaikan program linier dan menerapkan
metode Branch and Bound dalam langkah iterasinya untuk mendapatkan hasil keluaran berupa
bilangan integer. (Wolsey, L.A. 1998)
Tabel 2. Nilai-nilai solusi Optimal 10 kota
m K L Z Rute
2
2 7 140
1 6 2 1
1 9 5 10 3 8 4 7 1
3 6 142
1 8 4 7 1
1 9 5 10 3 6 2 1
4 5 150
1 2 6 10 3 8 1
1 9 5 4 7 1
3
2 5 165
1 4 7 1
1 6 2 1
1 9 5 10 3 8 1
3 3 176
1 6 10 3 1
1 8 4 7 1
1 9 5 2 1
4 2 3 203
1 3 8 1
1 4 7 1
1 6 2 1
1 9 5 10 1

Tabel 2 di atas menyajikan solusi optimal m-TSP berupa rute perjalanan tiap sales dan
total jarak perjalanan terpendek untuk semua sales yang ditugaskan. Nilai solusi optimal
tersebut sangat spesifik berdasarkan jumlah kota, jumlah sales, dan ketentuan jumlah minimal
kota kunjungan yang digunakan. Untuk m-TSP yang menggunakan 10 buah kota memiliki
solusi optimal yang berbeda untuk setiap pasangan nilai m dan K yang berbeda. Solusi optimal
yang paling minimum yaitu 140 km, diperoleh saat menggunakan 2 orang sales dengan jumlah
minimal kota yang harus dilewati sales sebanyak 2 kota.

KESIMPULAN
Dari hasil dan pembahasan, m-TSP yang menggunakan 10 kota dengan jumlah sales
yang divariasikan, rute optimalnya diperoleh saat jumlah sales yang digunakan paling sedikit (2
sales). Dalam kasus m-TSP yang menggunakan sejumlah kota dan sales yang konstan, pada
umumnya diperoleh total jarak perjalanan yang semakin pendek dengan semakin sedikitnya
jumlah minimum kota yang harus dikunjungi tiap sales. Namun masih belum bisa dipastikan
bahwa total jarak perjalanan yang paling pendek diperoleh saat menggunakan jumlah minimum
kota yang harus dikunjungi tiap sales yang paling sedikit.

DAFTAR PUSTAKA
Chartrand, G. and Oellermann, O.R. 1993. Applied and Algorithmic Graph Theory. New York :
Mc Graw Hill, Inc.
Ignizio, J.P. and Cavalier, T.M. 1994. Linear Programming. USA : Prentice Hall International,
Inc.
Kara, I. and Bektas, T. 2006. Travelling Salesman Problems and Its Variations. J. of
Operational Research. Vol.175, Issue 1, 3 Januari 2006, pp. 1449-1458.
Wolsey, L.A. 1998. Integer Programming. New York: John Wiley and Sons, Inc.

PERBANDINGAN PENAKSIR METODE KAPLAN-MEIER
DAN METODE MODIFIKASI KAPLAN-MEIER PADA
ANALISIS TAHAN HIDUP PENDERITA LEUKEMIA
DI RSUD DR. MOEWARDI SURAKARTA

Ahmad Isnaini Hasan
1)
, Sugiyanto
2)
, Muslich
3)
1) Mahasiswa S1 Jurusan Matematika FMIPA UNS
2) Dosen Jurusan Matematika FMIPA UNS
3) Dosen Jurusan Matematika FMIPA UNS

Abstrak
Suatu metode nonparametrik yang biasa digunakan untuk mengestimasi fungsi tahan hidup
pada analisis tahan hidup adalah penaksir Kaplan-Meier. Penaksir Kaplan-Meier akan
dibandingkan dengan modifikasi penaksir Kaplan-Meier. Pada kasus tahan hidup penderita
leukemia, nilai estimasi dari modifikasi penaksir Kaplan-Meier terlihat lebih masuk akal
dibanding penaksir Kaplan-Meier. Dari studi simulasi diketahui bahwa nilai Mean Square
Error (MSE) dari modifikasi penaksir Kaplan-Meier lebih kecil daripada penaksir Kaplan-
Meier. Hal ini menunjukkan bahwa modifikasi penaksir Kaplan-Meier lebih baik dibandingkan
dengan penaksir Kaplan-Meier biasa.

Kata Kunci : analisis tahan hidup, penaksir Kaplan-Meier, MSE, leukemia

1. Pendahuluan
Analisis statistik yang digunakan untuk menganalisis data waktu hidup dinamakan
analisis tahan hidup (survival analysis). Waktu hidup didefinisikan sebagai variabel random
nonnegatif sehingga analisis tahan hidup adalah suatu analisis statistik pada variabel random
nonnegatif yang berfungsi untuk mengetahui ketahanan hidup obyek yang diteliti. Salah satu
metode analisis tahan hidup adalah estimasi fungsi tahan hidup. Fungsi tahan hidup
didefinisikan sebagai probabilitas tahan hidup sampai waktu tertentu. Salah satu metode yang
dapat digunakan untuk mengestimasi fungsi tahan hidup adalah metode Kaplan-Meier (Lawless,
1982).
Kelebihan dari penaksir Kaplan-Meier adalah dapat digunakan untuk data yang
tersensor (Kaplan and Meier, 1958). Tetapi menurut Rossa dan Zielinski (2002) penaksir
Kaplan-Meier juga mempunyai kelemahan, yaitu pada sampel yang kecil dan menengah dimana
jarak antara dua waktu yang berurutan, misalnya
1
dan
2
(dengan
1
<
2
) dan selang waktu
1
dan
2
cukup besar maka nilai penaksir Kaplan-Meier (
1
) dan (
2
) akan mempunyai
kemungkinan untuk bernilai sama,
1
= (
2
). Untuk mengatasi masalah ini dilakukan
modifikasi terhadap penaksir Kaplan Meier dengan menggunakan pendekatan dari distribusi
Weibull.
Salah satu permasalahan yang menyangkut tahan hidup dijumpai dalam bidang
kesehatan, sebagai contoh penyakit leukemia (kanker darah). Menurut Yatim (2003), leukemia
merupakan suatu penyakit yang ditandai dengan adanya pertambahan sel darah putih (leukosit)
pada penderita. Pertambahan ini sangat cepat dan tidak terkendali serta bentuk sel-sel darah
putihnya tidak normal. Penyebab leukemia belum diketahui secara pasti, akan tetapi
diperkirakan bukan berasal dari penyebab tunggal melainkan gabungan dari beberapa faktor
antara lain karena terinveksi virus, faktor keturunan ataupun karena zat kimia tertentu. Penyakit
leukemia memberi andil sebesar empat persen dari seluruh penyakit kanker penyebab kematian
pada manusia.
Agar angka tersebut tidak terus bertambah, ketepatan dalam pemberian obat atau
perawatan terhadap pasien menjadi sangat penting dan tidak lepas dari pengamatan tentang


waktu hidup pasien. Besarnya probabilitas untuk bertahan hidup dapat diestimasi menggunakan
penaksir metode Kaplan-Meier dan metode modifikasi Kaplan-Meier. Oleh karena itu dalam
penelitian ini akan dilakukan estimasi fungsi tahan hidup pasien penderita leukemia dengan
penaksir metode Kaplan-Meier dan metode modifikasi Kaplan-Meier. Selain menggunakan data
pasien penderita Leukemia, pada penelitian ini juga menggunakan data dari simulasi agar
perbedaan hasil estimasi antara kedua penaksir tersebut semakin terlihat jelas.

2. Metodologi Penelitian
Penelitian dimulai dengan mengestimasi fungsi tahan hidup penderita leukemia dengan
menggunakan penaksir metode Kaplan-Meier dan metode modifikasi Kaplan-Meier. Selain
menggunakan data penderita leukemia juga digunakan data hasil simulasi. Kemudian dilakukan
perbandingan antara hasil estimasi kedua metode dengan membandingkan grafik dan nilai MSE-
nya.

3. Hasil dan Pembahasan
Data penderita leukemia yang diambil dari RSUD Dr. Moewardi adalah data pasien
leukemia jenis Leukemia Limfositik Akut (LLA). Leukemia jenis ini sering terjadi pada anak-
anak tetapi juga dapat menjangkit orang dewasa yang berumur 65 tahun atau lebih
(cancerhelps). Waktu hidup pasien penderita leukemia dihitung mulai dari penderita didiagnosa
terkena leukemia dan masuk rumah sakit sampai dinyatakan meninggal oleh dokter. Penderita
yang sembuh atau tidak ada keterangan dikategorikan sebagai data tersensor.
Ringkasan data penderita leukemia dapat dilihat pada Tabel 1.
Tabel 1 Ringkasan Data Pasien Leukemia Limfositik Akut
Banyak Pasien
Jumlah
Tidak Tersensor Tersensor
13 26 36

3.1. Penaksir Kaplan-Meier
Estimasi Kaplan-Meier disebut juga estimasi product limit. Kaplan dan Meier adalah
orang pertama yang membahas estimasi fungsi ini. Misal T variabel random kontinu nonnegatif.
Semua fungsi yang berkaitan dengan T didefinisikan dalam interval [
,
+1
). Estimasi Kaplan-
Meier merupakan modifikasi dari fungsi tahan hidup empiris. Fungsi tahan hidup empiris
didefinisikan sebagai
, 0 (1)
Jika terdapat data tak lengkap, persamaan (1) diubah menjadi estimasi product-limit
atau disebut dengan estimasi Kaplan-Meier.
Misal
1
<
2
< <
menggambarkan observasi waktu kematian dalam sampel

berukuran n dari populasi homogen dengan fungsi tahan hidup S. Dengan asumsi
adalah
jumlah kematian pada saat
( = 1,2, , ),
adalah jumlah tersensor dalam interval

[
,
+1
) pada waktu
1
,
2
, ,

untuk = 0, 1, , dimana
0
= 0 dan
+1
= ,
++
adalah jumlah individu beresiko pada saat
, estimasi Kaplan-
Meier untuk fungsi tahan hidup didefinisikan sebagai
<
(2)
Berdasarkan estimasi fungsi tahan hidup pada persamaan (2), dihitung nilai-nilai
estimasinya untuk setiap t.

Gambar 1 Grafik Fungsi Tahan Hidup dengan ()

Gambar 1 menunjukkan nilai-nilai dari penaksir Kaplan-Meier untuk setiap nilai t,
terlihat bahwa estimasi fungsi tahan hidup semakin mengecil untuk waktu yang semakin lama.
Ini berarti semakin lama pasien yang dinyatakan menderita leukemia semakin kecil probabilitas
pasien untuk dapat bertahan hidup. Hal ini dapat disebabkan karena komplikasi yang timbul
pada leukemia mulai dari anemia, pendarahan atau gangguan fungsi organ vital seperti otak,
jantung dan paru. Dari Gambar 1 didapatkan nilai 4 = 9 = 0,70263 berarti
probabilitas penderita leukemia dapat bertahan hidup 4 sampai 9 bulan adalah sama yaitu
0,70263. Inilah yang menjadi kelemahan dari penaksir Kaplan-Meier, yaitu pada waktu yang
berurutan, dalam hal ini pada
1
= 4 dan
2
= 9, nilai dari 4 dan 9 sama besar. Sulit
dijelaskan secara logis mengapa probabilitas penderita leukemia mampu bertahan hidup sampai
4 bulan sama dengan probabilitas penderita leukemia mampu bertahan hidup sampai 9 bulan.
Oleh karena itu akan dibahas modifikasi penaksir Kaplan-Meier yang akan memberikan nilai
probabilitas yang lebih masuk akal dari pada penaksir Kaplan-Meier biasa.

3.2 Modifikasi Penaksir Kaplan Meier
Untuk mengatasi kelemahan pada penaksir Kaplan-Meier, Rossa dan Zielinski (2002)
melakukan modifikasi pada penaksir Kaplan-Meier dengan menggunakan pendekatan dari
fungsi tahan hidup distribusi Weibull, (, , ) = exp
dengan > 0 dan > 0.

Pemilihan distribusi Weibull disebabkan distribusi Weibull dapat dapat memberikan algoritma
perhitungan yang lebih sederhana untuk melakukan transformasi logaritma yang sesuai pada
data, serta mengaplikasikan prosedur estimasi standar untuk a dan b pada model regresi linier
sederhana = +.
Modifkasi dari penaksir Kaplan-Meier dinotasikan dengan
(). Nilai
()
merupakan penaksir untuk ( > ) yang berbasis pada M persekitaran pada t, dimana M
dapat dipilih dengan syarat M = 2, 3, . Semakin besar nilai M akan menghasilkan estimasi
yang lebih baik tetapi perhitungannya akan lebih rumit (Rossa dan Zielinski 2002). Oleh karena
itu dalam penelitian ini hanya akan dibahas penaksir
() dengan M = 2 dan 3.
Misalkan terdapat n sampel dan akan dicari penaksir fungsi tahan hidup dari sampel
terurut yang tidak lengkap dari
1
,
1
,
2
,
2
, ,
dengan = 1 untuk data yang

tidak tersensor dan = 0 untuk data yang tersensor. Kemudian dimisalkan N-1 adalah jumlah
elemen yang berbeda pada sampel yang tidak tersensor. Nilai () dengan <
, memiliki
titik-titik loncatan (jump point) di
untuk = 1,2, , 1. Jika
= 1, maka nilai
dengan =
juga merupakan titik loncatan dari KM. Kemudian penaksir Kaplan-Meier

dituliskan dalam bentuk pasangan baris (
) dengan = 1,2, , , dimana



(
1
) +(
)
2
, = 1,2, , 1
2
, =
= 1
, =
= 0

dengan
= 0
(
0
) = 1

3.2.1 Modifikasi Penaksir Kaplan-Meier dengan =
Untuk
1
<
akan diestimasi nilai probabilitas tahan hidup di t, nilai (; ; )

dimana dan didapat dengan menyelesaikan
1
; ; =
1
dan
; ; =
. Sehingga untuk = 2, penaksir Kaplan-Meier dimodifikasi menjadi
2
= exp{exp()} (3)
dengan
=
1
+
1

1
,
0
<
1
1
+
1

1
,
0
<
1
<
1
+
1

1
, >
= 1
, >
= 0

dengan
= ln(
) ,
= ln[ln
] , = ln

3.2.2 Modifikasi Penaksir Kaplan-Meier dengan =
Dengan = 2 +1 maka dapat dicari nilai K, kemudian untuk menentukan penaksir
3
terlebih dahulu didefinisikan pembobot (). Ditentukan f sedemikian sehingga
<

+1
dan
jika ( = 1) maka definisikan
1
=
2
=
3
= 1;
jika ( = 1) kemudian
2
=
1
=
= 1;
untuk nilai-nilai f yang lain definisikan
=
+1
= 1 dan
1
=
+1
+1
+2
=

+1

Kemudian, definisikan semua pembobot
() yang lain sama dengan nol. Setelah semua

pembobot ditentukan, dicari nilai dan dengan meminimumkan
)
2
f
(4)
jika
, merupakan solusi dari persamaan (4) maka modifikasi penaksir Kaplan-Meier

dengan = 3 dapat dituliskan sebagai
3
= exp
(5)

dengan
= exp

3.3 Perbandingan Penaksir Metode Kaplan-Meier dan Metode Modfikasi Kaplan-Meier
Perbedaan penaksir metode Kaplan-Meier dan metode modifikasi Kaplan-Meier (
2

dan
3
) dapat dilihat pada nilai estimasi dan grafik fungsinya. Untuk melihat perbedaan
antara ketiganya, grafik fungsi tahan hidup dengan penaksir metode Kaplan-Meier dibandingkan
dengan metode modifikasi Kaplan-Meier. Dengan menggunakan estimasi fungsi tahan hidup
pada persamaan (2), (3) dan (5) dihitung nilai estimasinya kemudian digambarkan dalam grafik
fungsi tahan hidup seperti pada gambar 2

Gambar 2 Grafik Estimasi Fungsi Tahan Hidup dengan KM,
2
dan
3

Sama seperti penaksir metode Kaplan-Meier, pada estimasi fungsi tahan hidup dengan
metode modifikasi Kaplan-Meier juga terlihat bahwa estimasi fungsi tahan hidup semakin
mengecil untuk waktu yang semakin lama. Hal ini berarti semakin lama pasien dinyatakan
menderita leukemia maka semakin kecil probabilitas pasien untuk dapat bertahan hidup. Dari
gambar 2 juga terlihat apa yang menjadi kelemahan dari penaksir Kaplan-Meier dapat diatasi
dengan menggunakan modifikasi Kaplan-Meier, dengan menggunakan modifikasi penaksir
Kaplan-Meier untuk M = 2 diperoleh
2
4 = 0.7232958 dan
2
9 = 0.6666679 serta untuk
M = 3 diperoleh
3
4 = 0.7213576 dan
3
9 = 0.634625. Selain itu grafik fungsi tahan
hidup dengan penaksir
3
tampak lebih halus dibandingkan dengan penaksir
2
.

3.4 Studi Simulasi
Simulasi dilakukan dengan cara membangkitkan data dari dua buah distribusi, yaitu F
untuk distribusi waktu hidup dan G untuk distribusi waktu sensor. F dan G masing-masing
berasal dari distribusi eksponensial , = exp() dengan = 0,2 dan = 0,1. Data
yang digunakan adalah min(, ), jika maka = 1 (data tidak tersensor) dan jika >
maka = 0 (data tersensor). Kemudian dari data tersebut dihitung nilai estimasi fungsi tahan
hidup dengan penaksir (),
2
dan
3
dan dibandingkan dengan fungsi tahan hidup
distribusi eksponensial = exp dengan = 0,2. Simulasi tersebut diulang sebanyak
100 kali dan dihitung nilai MSE-nya.


Gambar 3 Grafik nilai MSE (),
2
dan
3

Gambar 3 menunjukkan bahwa nilai MSE pada estimasi fungsi tahan hidup dengan
menggunakan modifikasi penaksir Kaplan-Meier lebih kecil dibanding nilai MSE pada estimasi
fungsi tahan hidup dengan menggunakan penaksir Kaplan-Meier biasa. Dari Gambar 3 juga
terlihat bahwa nilai MSE dengan menggunakan
3
lebih kecil dibandingkan dengan
menggunakan
2
. Oleh karena itu dapat disimpulkan bahwa estimasi fungsi tahan hidup
dengan menggunakan modifikasi penaksir Kaplan-Meier lebih baik daripada dengan
menggunakan penaksir Kaplan-Meier biasa dan semakin besar nilai M yang dipilih akan
memberikan nilai estimasi yang lebih baik.

4. Kesimpulan
Berdasarkan hasil pembahasan, diperoleh kesimpulan sebagai berikut :
1. Pada kasus tahan hidup penderita leukemia, estimasi fungsi tahan hidup dengan
menggunakan modifikasi penaksir Kaplan-Meier tampak lebih masuk akal
dibandingkan dengan menggunakan penaksir Kaplan-Meier biasa. Dengan
menggunakan penaksir Kaplan-Meier diperoleh probabilitas penderita leukemia mampu
bertahan hidup sampai 4 bulan sama dengan probabilitas penderita leukemia mampu
bertahan hidup sampai 9 bulan, 4 = 9 = 0.70263. Tetapi dengan
menggunakan modifikasi penaksir Kaplan-Meier diperoleh
2
4 = 0.7232958 dan
2
9 = 0.6666679 serta
3
4 = 0.7213576 dan
3
9 = 0.634625
2. Berdasarkan simulasi yang telah dilakukan, diketahui bahwa nilai MSE pada modifikasi
penaksir Kaplan-Meier lebih kecil dari pada menggunakan penaksir Kaplan-Meier
biasa. Hal ini menunjukkan bahwa modifikasi penaksir Kaplan-Meier lebih baik
dibanding menggunakan penaksir Kaplan-Meier biasa.

5. Daftar Pustaka
Cancerhelps. Apa itu Leukemia. http://www.cancerhelps.co.id/Leukemia-Kanker-Darah/index-
leukemia.html. Diakses tanggal 17 Oktober 2011
Kaplan, E.L. and P. Meier (1958). Nonparametric Estimation from Incomplete Observations.
Journal of the American Statisticsal Association, Vol. 53, pp:457-458.
Lawless, J. F. (1982). Statistical Model and Methods for Lifetime Data. John Wiley and Sons,
New York.
Rossa, Agnieszka and Ryszard Zieliski. (2002). A Simple Improvement of The Kaplan-Meier
Estimator, Communications in Statistics - Theory and Methods, 31: 1, 147 158.
Yatim, Faisal. (2003). Talasemia, Leukemia, dan Anemia. Pustaka Populer Obor, Jakarta.


TREATMENT DETERMINATION THAT OPTIMIZES THE GROWTH OF
J ARAK PAGAR'S (Jatropha curcas L) GRAFTING SEEDS USING THE
CONFIDENCE INTERVAL OF BOOTSTRAP PERCENTILE ESTIMATION

Andhika Ayu Wulandari
1)
, Kartiko
2)
, Sri Sulistijowati H
3)
1) Department of Mathematic Education, Veteran Bangun Nusantara University
Jl. Letjend Sujono Humardani No.1 Sukoharjo, e-mail: dhika.math@yahoo.co.id
2), 3) Department of Mathematic, Sebelas Maret University
Jl. Ir. Sutami 36A Surakarta

Abstract

Jarak pagar (Jatropha curcas L) is one of plant that can be used as alternative energy
sources of biodiesel. Generally, the cultivation of \textit{jarak pagar} using grafting system is
more excellent than seeds because its growth faster. Giving the hormones (treatments) that can
stimulate the growth of roots. buds and leaves are needed for getting the excellent jarak
pagar's grafting seeds. In this research, we used IBA and Kinetin hormones in 0, 50, 100,
150
mg
/
l

.
The aim of this research is to determine the treatment that optimizes the growth of jarak
pagar's grafting seeds by observing the influence of its treatment. Alternative method that can
be used to find out the influence of treatment in non-parametric approximation. One of this
method is bootstrap. By using bootstrap method, the confidence intervals are estimated to
know the influence of treatment which is given on the jarak pagar seedling. The confidence
interval of bootstrap percentile is one of bootstrap confidence interval that can be calculated
easily.
The data analysis with Software S-PLUS for Windows 3.2 show that the treatment which
optimizes the growth of jarak pagar's grafting seeds is the treatment with 100
mg
/
l
IBA and 100
mg
/
l
Kinetin hormones.
Key words: jarak pagar, bootstrap, the confidence interval, percentile.

1. Introduction
Facing the rare of fuel, the Indonesian Government starts to dug alternative energy
sources. One of plant that can be used as alternative energy sources of biodiesel is jarak
pagar, usually it is used the societies to fence in a yard. According to Hariyadi [5], the
cultivation of jarak pagar with grafting system is more excellent than seeds because its
growth faster. To get the excellent jarak pagar's grafting seeds, we need to give the
hormone (treatment). The treatment that is used in this research are IBA and Kinetin
hormones 0, 50, 100, 150
mg
/
l
proportion.
Statistic method that can be used to know the influence of treatments that are given
on jarak pagar seedling is parametric approximation. This approximation needs the
assumption fulfillment requirement. If the assumptions cannot be fulfilled, the conclusion
will give wrong information. Alternative method that can be used in this case is non-
parametric approximation, one of them is bootstrap method.
Bootstrap is non-parametric statistic method that does not need assumptiion
distribution and complexity analytical formula to estimate the parameter (in this case is
mean) from a population, Efron and Tibshirani [4]. By using bootstrap method, a
confidence interval can be constructed by re-sampling procedure. One of the bootstrap
confidence interval that does not need a table to construct and it can be calculated easily is
the confidence interval of bootstrap percentile. From this confidence interval, we can
calculate its coverage probability and range of confidence interval to know the level
accuracy and the point estimation accuracy. The aim of this paper is to determine the
treatment that optimizes the growth of jarak pagar's grafting seeds according to the
confidence interval of bootstrap percentile.



2. Description of The J arak Pagars Growing Data
Data that are used in this research are the data from research result on central
laboratory FMIPA UNS. This data consist of the number of roots, buds, and leaves at the
optimum time. Based on the research results was done by Yanuarika [7], the optimum time
of the growth of roots and buds are in the 25
th
day of observation, while the optimum time
of the growth of leaves is in the 20
th
day of observation. The number of replication for each
variable in this research is 8.

3. Basic Theory
3.1 Bootstrap Re-sample
Data re-sampling need to be done because the number of sample is small (n < 20).
Data re-sampling is done by taking a number of random sample of size n from original
sample with replacement. According to Cook, et al [3], the number of replication
bootstrap (B) that are needed to estimate the confidence interval of bootstrap percentile
is 1000. From the bootstrap re-sample, we can determine the mean for each re-sample.
3.2 Mean of Bootstrap Re-sample
Consider random sample
1
,
2
, ,
from a population with unknown

distribution function F and real value parameter denote by = . Let
denote the
estimator for . Distribution function F can be estimated by using empirical distribution
function
, Bain and Engelhardt [1].

Let a pivotal quantity
1
,
2
, ,
; having distribution which is

defined by
1
,
2
, ,
; , for < < .

Since G
n
depends on F, G
n
is unknown distribution.
Consider
1
,
2
, ,
is bootstrap re-sample from
. So G
n
can be estimated
by
,
2
, ,

1
,
2
, ,

, < < . (4.1)
Let
untuk ,
=
1
, = 1,2, . . , ; = 1,2, , .
Because of X
i
independent, so for each vector z = z

1
, z
2
, , z
n
x
1
, x
2
, , x
n

P
X
1
= z
1
, , X
n
= z
n
=
=
1
, ,
=
1
=
2

=1

=
1
=1
=
1
.
So equation 4.1 become
,
2
, ,
jumlah vektor =
1
,
2
, ,

1
,
2
, ,
dengan sifat bahwa
1
,
2
, ,

Then, pivotal quantity is given by

1
,
2
,
; =
. (4.2)
If
1
,
2
, ,
=
1
=1
with population mean , then bootstrap
approximation for
distribution is given by
, < < .

3.3 Bootstrap Working Requirement
According to Bickel and Friedman, to determine the confidence interval for
population mean, a requirement is needed. This requirement is bootstrap consistency for

mean. If
1
,
2
, ,
random sample of size n from population with finite variance

then bootstrap consistency for mean according to Haryatmi [6] is given by
sup
x
..
0, for
with
, untuk < <
, untuk < <

4. Discussion
4.1 The Confidence Interval of Bootstrap Percentile Estimation
Consider B is the number of bootstrap re-sample and
, b = 1, 2, ... , B is mean
for each re-sample.
1
/2 and
1
1
2
are the
th
and the 1
2

th
percentile on the ordered value with B re-sample from
. If number of
replication is B = 1000 and = 0,05 so
1
/2 and
1
1
2
are the 25
th
and
the 975
th
ordered value of the replication. By using Software S-PLUS for Windows 3.2,
the confidence interval of bootstrap percentile estimation for roots, buds, and leaves
variables are presented in Table 1, 2 and 3.

Table 1. The confidence interval of bootstrap percentile estimation for roots variable

IBA
Kinetin
0
mg
/
l
50
mg
/
l
100
mg
/
l
150
mg
/
l

0
mg
/
l
(0,75 ; 4) 0 0 0
50
mg
/
l
(1,5 ; 9,5) (2,247 ; 5,75) (0 ; 2) 0
100
mg
/
l
(1,625 ; 6,375) (0,25 ; 1,75) (0 ; 1,5) (0,25 ; 2)
150
mg
/
l
(7,5 ; 14) (0,375 ; 4,884) (0,25 ; 2,625) (0,375 ; 2,625)

Table 2. The confidence interval of bootstrap percentile estimation for buds variable

IBA
Kinetin
0
mg
/
l
50
mg
/
l
100
mg
/
l
150
mg
/
l

0
mg
/
l
(2,122 ; 4,125) (2 ; 2,375) (1,625 ; 2) (1,125 ; 2,875)
50
mg
/
l
(1,625 ; 2,625) (2,125 ; 3,875) (2 ; 2,375) (2 ; 3,125)
100
mg
/
l
(1,5 ; 2,5) (1,625 ; 2) (2 ; 3,875) (1,25 ; 2,875)
150
mg
/
l
(2 ; 2,75) (1,375 ; 2,5) (1,25 ; 2,5) (1,25 ; 2,5)

Table 3. The confidence interval of bootstrap percentile estimation for leaves variable

IBA
Kinetin
0
mg
/
l
50
mg
/
l
100
mg
/
l
150
mg
/
l

0
mg
/
l
(5,75 ; 10,25) (5,625;10,125) (5,247 ; 7,875) (4,625 ; 8,375)
50
mg
/
l
(4,875 ; 9,625) (7,25 ; 10,5) (6,5 ; 7,75) (6,375 ; 9,875)
100
mg
/
l
(3,75 ; 8,375) (5,125 ; 9) (6 ; 7,25) (4,5 ; 9,25)
150
mg
/
l
(6,375 ; 9,375) (4,625 ; 9,25) (3,25 ; 7,875) (3,625 ; 6,878)

Physically, the treatment which optimizes the growth of jarak pagars grafting
seeds is the treatment that results a high growing mean. From Table 1, the treatment that
results a high growing mean for roots variables is I
50
K
0
. While for buds variable, the
treatments that result a high growing mean based on Table 2 are I
0
K
0
, I
50
K
50
and
I
100
K
100
. From Table 3 we can see that I
0
K
0
, I
0
K
50
, I
50
K
0
, I
50
K
50
and I
50
K
150
result a high
growing mean for leaves variable. From now on, I
x
K
y
for x,y : 0, 50, 100, 150
mg
/
l
shows
the treatment with x
mg
/
l
IBA and y
mg
/
l
Kinetin hormones.

4.2 The Confidence Interval of Bootstrap Percentiles Coverage Probability


Coverage probability is the sum of parameter (in this case is ) that include in
the confidence interval is divided by the number of replication bootstrap (B). The
treatment that gives optimum growth of jarak pagars grafting seeds is the treatment
with coverage probability on the confidence interval which approaches its nominal level,
usually it is given by 1 value. By using software S-PLUS for Windows 3.2, the
coverage probability value for roots, buds and leaves variable are presented in Table 4,
5, 6.
Table 4. The coverage probability value for roots variable

IBA
Kinetin
0
mg
/
l
50
mg
/
l
100
mg
/
l
150
mg
/
l

0
mg
/
l
0,936 0 0 0
50
mg
/
l
0.945 0,939 0,846 0
100
mg
/
l
0,942 0,912 0,610 0,846
150
mg
/
l
0,944 0,879 0,936 0,943

Table 5. The coverage probability value for buds variable

IBA
Kinetin
0
mg
/
l
50
mg
/
l
100
mg
/
l
150
mg
/
l

0
mg
/
l
0,943 0,594 0,597 0,936
50
mg
/
l
0,879 0,910 0,611 0,596
100
mg
/
l
0,924 0,570 0,943 0,935
150
mg
/
l
0,590 0,899 0,921 0,925

Table 6. The coverage probability value for leaves variable

IBA
Kinetin
0
mg
/
l
50
mg
/
l
100
mg
/
l
150
mg
/
l

0
mg
/
l
0,941 0,943 0,947 0,934
50
mg
/
l
0,944 0,943 0,916 0,943
100
mg
/
l
0,945 0,943 0,909 0,938
150
mg
/
l
0,935 0,939 0,941 0,937

For roots variable based on Table 4, I
50
K
0
and I
150
K
0
give the coverage probability
whose value approach nominal level 1 = 95%. While for buds variable based on
Table 5, I
0
K
0
and I
100
K
100
give the coverage probability whose value approach 95% and
for leaves variable based on Table 6, the treatments that give the coverage probability
value approach 95% are I
0
K
100
, I
50
K
0
and I
100
K
0
.
4.3 The Confidence Interval of Bootstrap Percentiles Range
The confidence interval of bootstrap percentiles range can be used as
consideration to determine the treatment which giving optimum growth of jarak pagars
grafting seeds. If the confidence interval of bootstrap percentile ranges tends to smaller
value, then variance of the growing mean also tends to small. So that the point
estimation for sample mean will be more accurate.
4.4 Optimum Treatment for J arak Pagar
The treatment which optimizes the growth of jarak pagars grafting seeds is the
treatment that it gives large enough of the growing mean with confidence interval
coverage probability approach 1 = 95% value and it has small range of bootstrap
percentiles confidence interval. Based on the confidence interval of bootstrap
percentile, coverage probability and the range of confidence interval, the treatment
which optimizes the growth of jarak pagars grafting seeds for the number of roots and
buds growing data at the 25
th
day of observation can be showed in Table 7 and Table 8.
While the treatment that optimizes the growth of jarak pagars grafting seeds for sum of
leaves growing data at 20
th
day of observation can be showed in Table 9. From Table 7,

the treatment which optimizes the growth of jarak pagars grafting seeds for roots
variable is I
150
K
0
. For buds variable, the treatment which optimizes the growth of jarak
pagars seeds based on Table 8 is I
100
K
100
. While for leaves variable, the treatment
which optimizes the growth of jarak pagars grafting seeds based on Table 9 is I
50
K
50
.

Table 7. The comparison of coverage probability and confidence interval of bootstrap
percentiles range for roots variable
Hormone

Coverage
Probability
Range interval
IBA Kinetin
50
mg
/
l
0
mg
/
l
(1,5 ; 9,5) 0,945 8
150
mg
/
l
0
mg
/
l
(7,5 ; 14) 0,944 6,5

percentiles range for buds variable
Hormone

Coverage
Probability
Range interval
IBA Kinetin
0
mg
/
l
0
mg
/
l
(2,122 ; 4,125) 0,943 2,003
50
mg
/
l
50
mg
/
l
(2,125 ; 3,875) 0,910 1,75
100
mg
/
l
100
mg
/
l
(2 ; 3,875) 0,943 1,875

percentiles range for leaves variable
Hormone

Coverage
Probability
Range interval
IBA Kinetin
0
mg
/
l
0
mg
/
l
(5,75 ; 10,25) 0,941 4,5
0
mg
/
l
50
mg
/
l
(5,625 ; 10,125) 0,943 4,5
0
mg
/
l
100
mg
/
l
(5,247 ; 7,875) 0,947 2,628
50
mg
/
l
0
mg
/
l
(4,875 ; 9,625) 0,944 4,75
50
mg
/
l
50
mg
/
l
(7,25 ; 10,5) 0,943 3,25
50
mg
/
l
150
mg
/
l
(6,375 ; 9,875) 0,943 3,5
100
mg
/
l
0
mg
/
l
(3,75 ; 8,375) 0,945 4,625

5. Conslusions
(1) The treatment which optimizes the roots growth of jarak pagars grafting seeds at the
25
th
day of the observation is the treatment with 150
mg
/
l
IBA without Kinetin hormones.
(2) The treatment which optimizes the buds growth of jarak pagars grafting seeds at the
25
th
mg
/
l
IBA and 100
mg
/
l
Kinetin
hormones.
(3) The treatment which optimizes the leaves growth of jarak pagars grafting seeds at the
20
th
mg
/
l
IBA and 50
mg
/
l
Kinetin
hormones.


Because of buds variable is the most important component in a graft seedling, so the
treatment which optimizes the growth of jarak pagars grafting seeds is the optimum
treatment for buds variable. It is the treatment with 100
mg
/
l
IBA and 100
mg
/
l
Kinetin
hormones.

DAFTAR PUSTAKA

[1] Bain, L. J. and Engelhardt, M., 1992, Introduction to Probability and Mathematical
Statistics, 2ed, Duxbury Press, California.
[2] Bickel, P. and Freedman, D., 1981, Some Asymptotic Theory for The Bootstrap, Ann. Statist.
9, 1196-1217.
[3] Cook, D., Duckwort, W. M., Kaiser, M. S., Meeker, W. Q. and Stephenson, W. R., 2001,
Resampling Methods for Inference, Iowa State University.
[4] Efron, B., and Tibshirani, R. J.,1993, An Introduction to The Bootstrap, Chapman and Hall,
New York.
[5] Hariyadi, 2005, Budidaya Tanaman Jarak Pagar (Jatropha curcas L) Sebagai Sumber
Bahan Alternative Biofuel, Makalah Departemen Budidaya Pertanian, Fakultas Pertanian
Institut Pertanian Bogor, Bogor.
[6] Haryatmi, S., 2000, Bootstrap, Terobosan Baru Dalam Statistika, Makalah pada Konggres
V Statistika Indonesia, ISI, Jakarta.
[7] Yanuarika, I., 2008, Penentuan Waktu Optimal Pembibitan Stek Jarak Pagar (Jatropha
curcas L) dengan Bootstrap dan Kernel Triangular, Skripsi Mahasiswa, Universitas Sebelas
Maret, Surakarta.

PENERAPAN GRAFIK HOTELLI NG T
2
BIVARIAT PADA KARATERISTIK
KUALITAS PARFUM REMAJA DARI PERUSAHAAN X

Fitria Puspitoningrum
1)
, Adi Setiawan
2)
dan Hanna A.Parhusip
2)

1) Mahasiswa Program Studi Matematika FSM UKSW
Jl. Diponegoro 52-60 Salatiga 50711, e-mail: fitri.puspita99@yahoo.com
2) Dosen Program Studi Matematika FSM UKSW
Jl. Diponegoro 52 60 Salatiga 50711

Abstrak

Pengukuran karateristik kualitas produk parfum remaja dari perusahaan X
digambarkan dengan gambaran grafik yang memenuhi batas spesifikasi yang telah
ditetapkan oleh perusahaan. Dalam makalah ini pengukuran kualitas parfum remaja tersebut
diusulkan dengan menerapkan grafik pengendali Hotelling
2
T yang menitik beratkan adanya
korelasi signifikan antara karateristik yang satu dengan lainnya. Berdasarkan grafik tersebut
kemudian digunakan untuk membuat perbandingan batas ellips antara daerah spesifikasi dan
daerah proses. Perbandingan kedua batas ellips tersebut digunakan untuk menghitung indeks
kemampuan proses multivariat dari karateristik kualitas produk parfum remaja dari
perusahaan X sehingga diperoleh nilai indeks lebih dari 1 dan dapat dikatakan proses
produksi sudah berjalan baik.

Kata Kunci : Grafik Pengendali Hotelling
2
T , Batas Ellips, Koefisien Korelasi, Indeks
Kemampuan Proses.

PENDAHULUAN
Perkembangan sektor industri menuntut persaingan antar pelakunya dalam menjaga dan
mengembangkan kualitas produk agar menarik minat konsumen untuk membelinya. Kualitas
produk tinggi memiliki karateristik yang digambarkan dari ciri fisik, indera dan orientasi waktu.
Oleh karena itu dibutuhkan proses pengendalian kualitas produk agar karateristik dari produk
sesuai dengan harapan. Pengendalian kualitas produk yaitu aktivitas keteknikan dan manajemen
untuk mengukur ciri-ciri kualitas produk, membandingkannya dengan spesifikasi dan
mengambil tindakan penyehatan jika terdapat perbedaan antara penampilan sebenarnya dengan
yang standar. Untuk mengendalikan kualitas produk diperlukan metode ststistik yang prosesnya
dimulai dengan pengambilan sampel, pengujian serta evaluasi, sehingga informasi yang
diperoleh dapat digunakan sebagai pengendali proses dan dapat meningkatkan kualitas proses
produksi (Montgomery, 1990). Metode statistik ini disebut dengan grafik pengendali ( control
chart ).
Dalam makalah ini akan dijelaskan pengendalian terhadap 3 karateristik kualitas produk
parfum remaja dari perusahaan X dengan menggunakan grafik pengendali Hotelling
2
T yang
menitik beratkan adanya korelasi yang signifikan antara karateristik satu dan karateristik yang
lain. Ketiga karateristik kualitas produk tersebut dimisalkan sebagai
1
x = pH dalam parfum
remaja,
2
x = refractive index (RI) atau indeks bias parfum remaja setelah dikemas dan
3
x =
massa jenis parfum remaja. Selanjutnya akan dihitung nilai indeks kemampuan proses
terhadap 2 variabel dari karateristik produk tersebut.

METODOLOGI PENELITIAN
Grafik Pengendali Hotelling
2
T
Grafik pengendali Hotelling
2
T diperkenalkan oleh Harold Hotelling pada tahun 1947
dengan menggunakan data pembidik bom selama Perang Dunia II. Hotelling T
2
merupakan


generalisasi dari distribusi-t. Diketahui sampel berdistribusi normal yang terdiri dari
q karakteristik kualitas, dengan m menggambarkan banyaknya sampel, dan masing masing
sampel berukuran n, rataan (mean) dan variansi (variace) sampel dihitung dari

=
=
n
i
ijk jk
x
n
x
1
1
(1)
j = 1, 2, . . ., q dan k = 1, 2, . . ., n,
( )
2
1
2
1
1
=
n
i
jk ijk jk
x x
n
S (2)
j = 1, 2, . . ., q dan k= 1, 2, . . ., n. Dalam hal ini
jk
x adalah pengamatan kei pada karateristik
kualitas ke-j dalam sampel ke-k. Kovariansi antara karateristik kualitas j dan karateristik
kualitas h pada sample ke- k adalah
( )( )
hk ihk
n
i
jk ijk jhk
x x x x
n
S
=

=1
1
1
(3)
k= 1,2,,m dan j = h.
Selanjutnya dari persamaan (1), (2) dan (3) dihitung meliputi seluruh m sampel untuk
memperoleh

=
= =
m
k
jk j
q j x
m
x
1
,...., 2 , 1
1
(4)

=
= =
m
k
jk j
q j S
m
S
1
2 2
,..., 2 , 1
1
(5)
dan

=
= =
m
k
jhk jh
h j S
m
S
1
1
. (6)
j
x merupakan elemen dari vektor rataan x dan matriks kovariansi S berdasarkan persamaan (6)
dapat disusun sebagai berikut

(
(
(
(
(
=
2
2
2
2
1 12
2
1
q
q
q
S
S S
S S S
S

. (7)
Nilai T
2
untuk masing masing sampel adalah
( ) ( )
'
1 2
x x S x x m T
j
=

, (8)
dengan n adalah ukuran masing masing sampel dan S
-1
merupakan invers dari matriks
kovariansi S ( Montgomery, 2001). Batas grafik pengendali dapat ditentukan dari persamaan

) , ( , ,
) (
) 1 )( 1 (
q m q q
F
q m m
m m q
BPA

|
|
.
|
\
|
+
=
o
, (9)
dengan BPA adalah Batas Pengendali Atas, m menggambarkan banyak sampel, dan o adalah
prosentase kesalahan proses yang diijinkan ( Montgomery, 2001). Jika nilai T
2
untuk sampel ke-
j, yaitu
2
j
T > BPA, hal ini menunjukkan sampel ke-j di luar kendali (Young, 1999).

Indeks Kemampuan Proses Multivariat
Indeks Kemampuan Proses Multivariat (Multivariate Capability Process) adalah suatu
indeks proses yang menunjukkan nilai rasio antara penyebaran (variabilitas) spesifikasi produk
yang diijinkan dan penyebaran proses aktual yang melibatkan lebih dari satu variabel. Ada
beberapa macam metode perhitungan indeks kemampuan proses, salah satunya adalah metode

indeks kemampuan proses MC
pm
(Zahid, 2008). Perhitungan nilai indeks kemampuan proses
MC
pm
ini didefinisikan sebagai rasio dari dua volume yaitu

)
2
(
)
1
(
R vol
R vol
pm
MC =
dengan R
1
merupakan daerah ellips spesifikasi, sedangkan R
2
merupakan daerah proses
( )% 1 100 o . Jika data berdistribusi normal multivariat maka R
2
berbentuk ellipsoid sedangkan
R
1
merupakan ellipsoid terbesar yang berada dalam daerah spesifikasi ditunjukkan pada Gambar
1 dan berpusat pada target dengan volume R
1
adalah

( ) 2 /
2 /
1
2
)
1
(
p
p
p
p
i
i
T
R vol
I
[
=
=
t

dengan T
i
merupakan nilai tengah spesifikasi ke-i (i=1,2,3,...,p).

Gambar 1. Contoh Gambar Perbandingan Ellips

Volume R
2
dapat dituliskan dalam bentuk
| |
2 / 1
'
) (
1
) ( 1
1
) 1 2 / (
2 /
)) ( (
2 / 1
)
2
(
(
+ I = t x S x p
p
p K S R vol
dengan K(p) merupakan kuantil ( )% 1 100 o dari distribusi
2
_ dengan derajat bebas p, S
adalah matriks kovariansi dan menyatakan vektor rata -rata.
Nilai estimasi indeks MC
pm
ditentukan dengan rumus

| |
( ) ( )
2 / 1
1
1
1
1
1
) 1 2 / (
2 /
)) ( (
2 / 1
)
1
(
+ I
=
T x S
T
T x
m
m p
p
p K S
R vol
pm
C M
t

atau

D
C
C M
p
pm
= (10)
dengan

| |
1 2 /
2 / 1
1
) 1 2 / ( )) ( (
) (
+ I
=
p p K S
R vol
C
p
p
t

( ) ( )
2 / 1
1 '
1
1
+ =

T x S T x
m
m
D .


Notasi yang ditunjukkan oleh ( ) - I

menyatakan fungsi gamma, notasi - menyatakan
determinan (Pan & Lee, 2009).
Jika nilai indeks lebih dari 1 maka proses mempunyai variasi lebih kecil dibandingkan
dengan batas spesifikasi sehingga dapat dikatakan proses produksi telah berjalan dengan baik.
Sebaliknya, jika indeks bernilai kurang dari 1 hal tersebut menunjukkan variasi proses lebih
besar daripada batas spesifikasi perusahaan, artinya proses tersebut banyak menghasilkan
produk yang tidak sesuai dengan spesifikasi (Darmawan, 2010). Komputasi dilakukan dengan
bantuan software Matlab 6.5 dan paket program R.
Data yang digunakan dalam penelitian ini merupakan data sekunder dari produk parfum
remaja yang diproduksi pada perusahaan X selama periode April 2010 hingga Desember
2010. Data produk parfum remaja ini merupakan 3 macam karateristik kualitas yang telah
ditetapkan sebagai pengendali kualitas parfum remaja yaitu pH dengan batas spesifikasi
perusahaan 4 8, refractive index (RI) atau indeks bias parfum remaja setelah dikemas dengan
batas spesifikasi perusahaan 1.349 1.369 dan masa jenis parfum remaja dengan batas
spesifikasi perusahaan adalah 0.884 0.930.

HASIL DAN PEMBAHASAN
Penerapan Grafik Hotelling
2
T

Dalam makalah ini penerapan grafik pengendali Hotelling
2
T lebih menitik beratkan
adanya korelasi signifikan antara karateristik kualitas yang satu dengan karateristik kualitas
parfum remaja lainnya yaitu dimisalkan sebagai variabel
1
x

= pH dalam parfum remaja,
2
x =
refractive index (RI) atau indeks bias parfum remaja setelah dikemas dan
3
x = massa jenis
parfum remaja. Untuk mengetahui adanya korelasi antara karateristik kualitas parfum remaja
yang satu dengan karateristik kualitas parfum remaja lainnya diperlukan uji korelasi. Diperoleh
hasil terdapat korelasi yang signifikan dari setiap pasangan karateristik kualitas parfum remaja,
untuk variabel
1
x dan
2
x koefisien korelasi sebesar 0.168, untuk variabel
1
x dan
3
x

koefisien
korelasinya adalah -0.155 sedangkan untuk variabel
2
x

dan
3
x

adalah -0.658 ( tingkat
signifikan o = 0.01). Penerapan grafik Hotelling
2
T berdasarkan persamaan (8) pada tiga
variabel dan dipilih 0027 . 0 = o diperoleh tabel hasil dari pengamatan 2 variabel yang
ditunjukkan pada Tabel 1.

Tabel 1. Hasil Pengamatan 2 Variabel dari Ketiga Karateristik Kualitas Parfum Remaja

Untuk lebih jelas penggunaan persamaan (8) berikut ini contoh perhitungan sampel ke-1
dari pengamatan dua variabel
1
x

dan
2
x yaitu | | 1.364 6.80
1
= x , sehingga nilai untuk
| | | | | | 0014 . 0 0297 . 0 3626 . 1 8297 . 6 1.364 6.80
1
= = x x .
Berdasarkan persamaan (8) diperoleh
Pengamatan 2
Variabel
Vektor Rata - rata Matriks Kovariansi BPA
1
x dan
2
x | | 3626 . 1 8297 . 6 = x (
(
=
3
10 0019 . 0 0001 . 0
0001 . 0 1269 . 0
S
1274 . 12
2
x dan
3
x | | 0.9131 1.3626 = x
4
10
9611 . 0 0.0885 -
0.0885 - 0.0188

= S
12.1274
1
x dan
3
x | | 9131 . 0 8297 . 6 = x
(
=
0.0001 0.0005 -
0.0005 - 0.1269
S
12.1274


| | 0984 . 1
0014 . 0
0297 . 0
10 0019 . 0 0001 . 0
0001 . 0 1269 . 0
0014 . 0 0297 . 0
3
2
1
=
(
(
(
=

T ,
dan menurut persamaan (9) diperoleh 1274 . 12 = BPA . Hal itu berarti bahwa sampel ke-1 dari dua
variabel tersebut berada di bawah BPA.
Pengamatan tersebut diperoleh sampel yang berada di atas Batas Pengendali Atas
(BPA) yaitu sampel ke-155, 192, 283 dengan nilai
2
T dari masingmasing sampel adalah
14.7937, 24.2063, 24.2521. Jika dibandingkan dengan batas spesifikasi perusahaan ketiga
sampel dari variabel
1
x atau pH dan
2
x atau refractive index parfum remaja masih berada
dalam batas spesifikasi perusahaan. Namun, ketiga sampel dari variabel
1
x atau pH parfum
remaja menunjukkan nilai minimum pH dari semua sampel yang tercatat pada saat perusahaan
melakukan penelitian. Hal serupa juga terjadi pada pengamatan variabel
2
x dan
3
x serta
1
x

dan
3
x , untuk pengamatan pada dua variabel
2
x

dan
3
x diperoleh 7 sampel yang berada di atas
BPA. Sedangkan untuk pengamatan pada dua variabel
1
x

dan
3
x diperoleh 3 sampel yang
berada di atas BPA. Untuk lebih jelas hasil dari pengamatan terhadap dua variabel akan
ditunjukkan pada Tabel 2 dan Gambar 2.
Pengamatan tersebut menghasilkan kesamaan urutan tiga sampel yang berada di atas
BPA pada pengamatan variabel
1
x

dan
2
x

serta variabel
1
x

dan
3
x . Berdasarkan gambar
boxplot pada Lampiran 1, ketiga sampel tersebut merupakan titik ekstrim. Hal ini menunjukkan
bahwa variabel
1
x

atau pH dalam parfum remaja berperan sebagai penyebab sampel berada di
atas BPA. Sedangkan pengamatan pada variabel
2
x dan
3
x

nilai data pada masing masing
variabel tidak menunjukkan nilai minimum, sehingga dapat diasumsikan bahwa nilai
2
T yang
berada di atas BPA merupakan akumulasi dari nilai kedua sampel ( sesuai dengan gambar
boxplot pada Lampiran 1, kedua variabel tersebut tidak mempunyai titik ekstrim).

Tabel 2. Nilai Sampel dari Masing Masing Pengamatan yang Berada di Atas BPA

Indeks Kemampuan Proses
Bagian ini menjelaskan perbandingan batas ellips antara spesifikasi perusahaan dengan
daerah proses yang sebenarnya dengan dipilih 0027 . 0 = o , kemudian perbandingan batas
tersebut digunakan untuk menghitung indeks kemampuan proses. Setiap pengamatan dilakukan
terhadap dua variabel yang mempunyai korelasi signifikan. Berdasarkan penerapan Grafik
Hotelling
2
T dapat ditunjukkan perbandingan batas ellips antara daerah proses dan daerah
spesifikasi perusahaan dari dua pengamatan karateristik kualitas parfum remaja pada Gambar 3.
Penghilangan sampel yang berada di atas Batas Pengendali Atas mengawali perhitungan indeks
kemampuan proses berdasarkan persamaan (10).

1
x dan
2
x
2
x dan
3
x
1
x dan
3
x
Sampel
Ke-
Nilai
2
T
Sampel
Ke-
Nilai
2
T
Sampel
Ke-
Nilai
2
T
155 14.7937 23 13.6314 155 14.0449
192 24.2063 39 13.7251 192 25.4430
283 24.2521 233 12.4668 283 24.1327

238 14.9590

254 12.9571

263 22.0083

264 20.5327


Gambar 2. Penerapan Grafik Pengendali Hotelling
2
T pada Pengamatan Dua Karateristik
Kualitas Parfum Remaja

Pengamatan pada variabel
1
x atau pH parfum remaja dan
2
x atau refractive index ( RI )
Persamaan ellips terbesar (
1
R ) adalah
( ) ( )
. 1
10 5.29
2
0.907
4
2
6
1
4 -
=
y x
R
Persamaan ellips untuk daerah proses (
2
R ) (Sumber: Web 1) adalah

( ) ( ) ( )( )
2
2 1
2 2 1 1
2
2
2
2 2
2
1
2
1 1
2
2
2
1
1
T
S S
x x r
S
x
S
x
r
R =
(
(

(17)
r adalah koefisien korelasi Pearson.
Diperoleh persamaan ellips untuk karateristik kualitas pH dan refractive index adalah
( ) ( ) ( )( )
.
0001 . 0
3626 . 1
2
8297 . 6
1
0.1867 2
3
10 0019 . 0
2
3626 . 1
2
1269 . 0
2
8297 . 6
1
0.1867 1
1
1274 . 12
(
(
=
x x x x

Sehingga dapat dihitung indeks kemampuan proses dari kedua karateristik tersebut yaitu
. 429636 . 2
196851 . 3
767185 . 7
= = =
D
C
MC
p
pm

Dengan cara yang sama untuk pengamatan pada karateristik refractive index dan massa
jenis diperoleh
( ) ( )
1
10 5 . 2
2
0.9131
10 5.29
2
3626 . 1
5 4 -
1
=

y x
R dan indeks kemampuan proses dari
kedua karateristik tersebut adalah
. 147214 . 3
476287 . 1
64619 . 4
= = =
D
C
MC
p
pm

Sedangkan untuk pengamatan pada karateristik pH dan massa jenis diperoleh

a. Karateristik pH dan refractive index b. Karateristik refractive index dan massa jenis
c. Karateristik pH dan massa jenis


( ) ( )
1
10 5 . 2
2
0.9131
4
2
6
5
1
=

y x
R .
Indeks kemampuan proses dari kedua karateristik ini adalah
. 659847 . 1
006888 . 3
990975 . 4
= = =
D
C
MC
p
pm

Dari perhitungan indeks kemampuan proses terhadap pengamatan dua variabel dapat
dikatakan bahwa proses produksi sudah baik, karena hasil perhitungan menunjukkan angka
lebih besar dari 1. Hal ini sesuai dengan gambar perbandingan batas ellips dimana daerah ellips
2
R

( ditunjukkan dengan ellips berwarna hijau ) sebagian besar terletak di dalam batas ellips
1
R (ditunjukkan dengan ellips berwarna biru )

Gambar 3. Perbandingan Batas Ellips Spesifikasi dengan Batas Ellips Proses 99.73%

SIMPULAN
Dari hasil dan pembahasan pada bagian sebelumnya dapat disimpulkan bahwa ketiga
karateristik kualitas parfum remaja dari perusahaan X dapat dikatakan baik, karena telah
memenuhi spesifikasi baik dari perusahaan maupun berdasarkan teori. Hal ini juga diperkuat
dengan perhitungan indeks kemampuan proses dari masing masing pengamatan pada dua
variabel dimana nilainya > 1 yang menyatakan bahwa proses telah berjalan baik.

a. Karateristik pH dan refractive index b. Karateristik refractive index dan massa jenis

c. Karateristik pH dan massa jenis


DAFTAR PUSTAKA

Darmawan, Lellie S. 2011. Pengendalian Kualitas Frestea Green Menggunakan Grafik
Pengendali Hotelling T
2
Univariat Dan Multivariat. FSM UKSW : Salatiga, hal. :
14.
Montgomery, D.C. 1990. Pengantar Pengendalian Kualitas Statistik. Alih Bahasa: Zanzawi
Soejoeti.Yogyakarta: Universitas Gadjah Mada, hal. : 3 120.
----------------------. 2001. Introduction to Statistical Quality Control 4th Edition. John Wiley &
Sons, Inc: USA, page: 515-516.
Pan, Jeh-Nan dan Lee, Chun Yi. 2009. New Capability Indices for Evaluating the Perfomance
of Multivariate Manufacturing Process. Journal of Quality and Reability Engenering
Internasional. Vol. 26 : 3 15.
Young, Timothy. 1999. Multivariate Control Chart of MDF and OSB Vertical Density Profile
Attributes. Forest Product Journal. Vol 49: 79-86
Zahid, Abu. Arifa Sultana. 2008. Assesment and Comparison Of Multivariate Process
Capability Indices in Ceramic Industry. Journal of Mechanical Engeneering Vol.
ME39: 18 25.
Web 1: http://ebookbrowse.com/module-6-outlier-detection-for-two-sample-case-ppt-
d110303491. Diunduh pada tanggal 22 September 2011 Pukul 15.30.


Lampiran 1: Gambar Boxplot Karateristik Kualitas Parfum Remaja

Keterangan: Gambar boxplot karateristik pH terdapat 3 titik ekstrim yaitu pada sampel ke 155,
192 dan 283 yang nilainya diantara 5 5.5, sedangkan gambar boxplot karateristik refractive
index dan massa jenis tidak ada. Sehingga karateristik pH merupakan karateristik dominan yang
menyebabkan sampel out of control.



MODEL STOP LOSS PREMI UM UNTUK MODEL RESIKO BERDISTRIBUSI
ERLANG

Getut Pramesti

FKIP Universitas Sebelas Maret,
Jl. Ir. Sutami 36A Surakarta,
Email: getut@gmail.com

Abstract
An insurer as an insurance industry have to covered all of the risk as good as possible.
Because of that reason as a responsible, an insurer have to learn about behavioral of the loss,
which can be describe as the risk model. Collective risk models presented from sum of
independent individual claims and frequency of that claim. Suppose this model satisfied
along in a single period. To avoid from bangkrupt, an insurer must be settled a stop loss
premium, This stop loss premium is a maximum value of an insurer that can to covered all of
the an insured losss. This paper present in a general model of the stop loss premium of a sum
of collerctive risk model which klaim assumed be an Erlang distribution and the frequency of
claim be a Poisson distribution.

Keywords : Collective risk models, Stop loss premium, Erlang

PENDAHULUAN
Perusahaan asuransi atau insurer sebagai penanggung resiko kerugian dari insured harus
dengan bijaksana mensiasati perilaku kemungkinan terjadinya rugi (loss). Perilaku loss dapat
digambarkan dalam suatu model resiko. Model resiko dapat berupa resiko individual maupun
kolektif. Jika jumlahan resiko individual maka model disebut dengan model resiko kolektif.
Dari model resiko kolektif dapat dipelajari karakter dari kemungkinan terjadinya loss. Model
resiko kolektif digambarkan dalam suatu fungsi distribusi resiko, baik melalui suatu fungsi
densitas probabilitas maupun fungsi densitas kumulatif.
Dari distribusi resiko inilah, selanjutnya insurer dapat menetapkan premi. Yang
dimaksud dengan premi adalah harga penanggungan resiko dari insured. Harga penanggungan
ini dimaksudkan untuk menghindari insurer dari loss. Untuk menghindarkan insurer dari
kebangkrutan karena menanggung resiko lebih dari suatu harga retensi tertentu, insurer harus
dapat menetapkan suatu nilai stop loss premium. Untuk menentukan model stop loss premium
harus terlebih dahulu ditentukan distribusi klaim kolektifnya.
Terjadinya resiko dalam suatu sistem asuransi dari insured dapat memunculkan klaim.
Klaim adalah ganti rugi atas suatu resiko kerugian. Apabila resiko tersebut terjadi secara
individual maka disebut dengan klaim individual, sedangkan klaim gabungan atas klaim-klaim
individual disebut dengan klaim kolektif. Biasanya besar klaim berdistribusi eksponensial atau
distribusi lain yang masih keluarga dengan distribusi eksponensial seperti Normal, Poisson,
Gamma, Binomial dan Invers Gauss (Duncan et al, 2007:96). Dalam penulisan ini memilih
distribusi Erlang untuk besar klaim dan Poisson untuk jumlah klaim individu yang terjadi.
Erlang masih memiliki relasi dengan distribusi Exponensial dan Poisson (Montgomery &
Runger, 2003:128).
Dalam makalah ini akan diuraikan tentang pembentukan model resiko kolektif yang
digambarkan sebagai suatu model klaim kolektif, dengan besar klaim individualnya
berdistribusi Erlang dan jumlah klaim berdistribusi Poisson. Pembentukan model ditentukan
dari fungsi densitas probabilitas dan fungsi densitas kumulatif, dari fungsi ini akan diketahui
karakteristik distribusi klaim kolektifnya. Dari distribusi kemudian dapat ditentukan model stop
loss premium.


KAJIAN TEORITIS
Sistem Asuransi
Menurut Bowers et al (1997:7) dalam sistem asuransi meliputi beberapa hal,
diantaranya adalah 1) Pihak tertanggung atau insured merupakan pihak yang mungkin
mengalami kerugian (loss), 2) Pihak penanggung atau insurer dalam hal ini adalah perusahaan
asuransi, merupakan pihak yang menanggung resiko loss dari insured jika loss terjadi, 3)
Penanggungan loss dari insured ke insurer, mewajibkan insured untuk membayar sejumlah
uang yang disebut dengan premi, 4) dari premi inilah insured akan menerima polis yaitu
perjanjian tertulis yang dapat diajukan klaim-nya apabila terjadi kerugian, 5) Yang dimaksud
klaim adalah ganti rugi atas resiko yang terjadi. Suatu klaim individu terjadi disebut dengan
klaim individu. Jika klaim individual ke-i dihasilkan oleh polis ke- i dimana polis berlaku pada
periode asuransi yang sama maka jumlahan dari klaim-klaim ini disebut dengan klaim agregasi.
Klaim agregasi ini dapat dipandang berlaku pada suatu periode tunggal asuransi Bowers et al
(1997:27).

Distribusi Klaim Individu
Jika unit resiko individu ke-i, i=1,2,... dipandang sebagai unit besar klaim individu ke-i
dan dinotasikan dengan
i
X maka { }
N i i
X X
, , 2 , 1 =
= .
i
X yang dapat diasumsikan berdistribusi
kontinu maupun diskrit merupakan variabel random berdistribusi identik saling bebas.

Didefinisikan :
=
=
N
i
i
X S
1
(1)
dengan , ,
2 1
X X merupakan variabel random bisa diskrit maupun kontinu yang identik dan
saling bebas sehingga berlaku :
( ) ( ) ( ) ( )
2 1 2 1 n n
X P X P X P X X X P =
Sama seperti halnya dengan X, N juga merupakan variabel random yang menyatakan
jumlah klaim bernilai bulat non negatif. N memuat , ,
2 1
N N yaitu kejadian dengan jumlah
klaim yang mungkin terjadi selama suatu periode asuransi. Jika O adalah ruang sampel N, maka
{ }
k
k i i
i n N N N ,... 2 , 1 , ) ( : = = = O
dengan
( )
= =
k
k
n N P 1 dan
{ } { } j i n N n N
j i
= C = = = ,

MODEL RESIKO KOLEKTIF
Jika resiko kolektif merupakan jumlahan dari resiko-resiko individu maka suatu model resiko
kolektif dapat digambarkan sebagai suatu model klaim kolektif yang terdiri dari kumpulan
klaim-klaim individu yang terjadi selama periode tunggal tertentu asuransi. Jadi model klaim
kolektif dapat didefinisikan dengan rumus [1]. Dari [1] dapat ditentukan fungsi densitas
probabilitas dari klaim kolektifnya yaitu sebagai berikut :
( )
{ } { } ( ) { } { } ( ) ( )
= = = = =
= + + + =
k
N S
n N x S n N x S P
x X X X P x f
1
2 1

) (

Karena { } { } { } { } k j n N x S n N x S
k j
= C = = = = = , maka berlaku :
{ } { } ( )
{ } ( ) ( )
i
i
i
i
i S
n N P n N x S P
n N x S P x f
= = = =
= = =
=
1
1

) (



Untuk suatu n klaim berlaku :
( ) ( )
=
= = + + + =
0
2 1
) (
n
n S
n N P x X X X P x f

Sehingga diperoleh :
( )
=
-
= =
0
) ( ) (
n
n
S
n N P x p x f (2)
dengan
=
=
=
0 , 1
0 , 0

0 *
x
x
(x) p
dan
=
x y
n n
y x p y p (x) p ) ( ) (
) 1 *( *

Dengan cara yang sama dalam menentukan fungsi densitas probabilitas, maka akan diperoleh
fungsi densitas kumulatif dari klaim kolektif yaitu :
( )
=
-
= =
0
) ( ) (
n
n
S
n N P x P x F (3)
dengan
>
<
=
0 , 1
0 , 0

0 *
x
x
(x) P
dan
diskrit , ) (
kontinu , ) (
1
*
*
*
X y p
X dy y p
(x) P
x
n
x
n
n

Dari [2] dan [3] dapat diketahui bahwa model resiko kolektif yang dapat dinyatakan dalam suatu
distribusi klaim kolektif ditentukan dari distribusi besar dan jumlah klaim individu yang terjadi.
Untuk selanjutnya akan ditentukan terlebih dahulu besar rata-rata dan variansi dari klaim
kolektif S.
| | | | | |
| | ( ) n N P n N S E
n N S E E S E
n
= = =
= =

Sehingga diperoleh rata-rata klaim agregasi S seperti [4].
| | | | | | N E X E S E = (4)
Dari [4], dapat diketahui bahwa rata-rata klaim kolektif ditentukan oleh rata-rata besar dan
jumlah klaim individu yang terjadi.
| | | | | | ( )
| | ( ) ( ) | | ( )
2 2 2
2 2
) ( ) (
) (
S E n N P X E n X nV
S E n N S E E S V
n
= + =
= =

Sehingga diperoleh variansi klaim kolektif S seperti [5].
( ) ) ( ] [ ] [ ) ( ) (
2
N V X E N E X V S V + = (5)
Begitu pula dengan variansi klaim kolektif, ditentukan oleh variansi besar klaim individu,
jumlah klaim individu, rata-rata besar klaim individu dan rata-rata jumlah klaim individu.

STOP LOSS PREMIUM
Stop Loss premium yang merupakan ukuran resiko yang sesuai (appropriate risk
measures), mengukur suatu batas nilai resiko. Secara lengkap dapat dijelaskan yang dimaksud
dengan stop-loss premium yaitu pembayaran atau penggantian semua kerugian tertanggung
apabila kerugian yang terjadi melebihi suatu batas moneter tertentu (disebut deductible atau
retensi) yang telah disepakati oleh pihak tertanggung dan penanggung (Tom Hoedenmakers et
al, 2005:10). Penetapan premi dari sistem asuransi ini disebut dengan stop-loss premium. Harga

batas stop-loss premium dinotasikan dengan ( ) | |
+
d S E (Klugman et al, 1998:302) dengan S
adalah besar klaim agregasi dan d adalah deductible ) 0 ( > d yaitu:
( ) ( ) | | ( ) | | d X E d X E d X = =
+
, 0 max , t
atau,
( ) | |
| |
| |
}
>
+
(7) diskrit. , ) ( 1
(6) kontinu. , ) ( 1
x x F
x dx x F
d S E
d x
S
d
S

PEMBAHASAN
Distribusi Besar Klaim Individual Berdistribusi Erlang
Jika distribusi eksponensial menggambarkan panjang suatu variabel random sampai
jumlah pertama diperoleh dalam proses Poisson maka generalisasi dari distribusi eksponensial
adalah panjang sampai r jumlah terjadi dalam proses Poisson disebut dengan distribusi Erlang
(Montgomery & Runger, 2003: 151). Jika X menyatakan suatu klaim individual yang sama
dengan panjang interval yang sampai r jumlah dalam proses Poisson dengan rerata 0 > maka
variabel random X mempunyai distribusi Erlang dengan parameter dan r memiliki fungsi
densitas probabilitas seperti (8).
( )
,... 2 , 1 , 0 ,
! 1
) (
1
= >
=

r x
r
e x
x f
x r r
(8)
Untuk menentukan karakteristik dari besar klaim individual berdistribusi Erlang, cukup
ditentukan terlebih dahulu rerata dan variansi dari besar klaim individu.
| |
( )
( )
( )

)! 1 (
)! 1 (
)! 1 (

)! 1 (

! 1
0
1 1 1
1
0
1 1
0
1
dx
r
e x
r
r
dx e x
r
dx
r
e x
x X E
x r r
r
r
x r
r
x r r
}
}
}
+ +
+
+
=

Jadi diperoleh rerata besar klaim X berdistribusi Erlang adalah sebagai berikut :
| |

r
X E = (9)
Begitu pula untuk mencari variansi X ditentukan dengan menggunakan cara yang sama seperti
di atas.
| |
( )
( )
( )
( ) 1
1

)! 2 (
)! 1 (
)! 2 (

)! 1 (

! 1
2
0
1 2 2
2
0
1 2
0
1
2 2
+ |
.
|
\
|
=
+
+
=
=
}
}
}
+ +
+

r r
dx
r
e x
r
r
dx e x
r
dx
r
e x
x X E
x r r
r
r
x r
r
x r r

Jadi variansi X diperoleh sebagai berikut :
( ) | | | |
( )
2
2
2
2 2
1
1

r
r r
X E X E X V
+ |
.
|
\
|
=
=



2
r
V(X) = (10)
Adapun fungsi pembangkit momen atau mgf dari X adalah sebagai berikut :
( )
( )
( )
( )
( )
( )
( )

! 1

! 1

! 1
) (
0
1
0
1
0
1
}
}
}
=
dx
r
e x t
t
dx
r
e x
dx
r
e x
e t M
x t r r
r
r
x t r r
x r r
tx
X

Sehingga diperoleh :
r
X
t
t M |
.
|
\
|
) ( (11)

Distribusi Jumlah Klaim Berdistribusi Poisson
Jumlah klaim N dalam suatu sistem asuransi merupakan peristiwa stokastik yang
merupakan barisan kejadian random yang dapat diprediksikan melalui distribusi jumlah klaim.
Distribusi jumlah klaim ini ditentukan melalui fungsi densitas probabilitas dan fungsi densitas
kumulatif. Distribusi jumlah klaim individu sangat penting karena menentukan model klaim
agregasi yang terbentuk. Distribusi jumlah klaim biasanya digunakan distribusi Poisson, karena
Poisson merupakan distribusi untuk kejadian-kejadian yang jarang. Artinya terjadinya resiko
dalam suatu selang interval waktu yang singkat atau daerah yang sempit sebanding dengan
panjang interval waktu atau luas daerah dan tidak tergantung pada banyak resiko yang terjadi di
luar interval waktu atau daerah tersebut. Jika N berdistribusi Poisson maka mempunyai fungsi
densitas probabilitas :
,... 2 , 1 , 0 , 0 ,
!
) ( = > =

n
n
e
n f
n
N

(12)
Diperoleh rata-rata jumlah klaim berdistribusi Poisson adalah :
| |

=
0
!
n
n
n
e
n N E

Sehingga
| | = N E (13)
Variansi jumlah klaim :
( )
( )
| | N E
n
e N V
n
n
2
0
2
2
! 2
+

Jadi
( ) = N V (14)

Distribusi Model Resiko Kolektif
Karakteristik dari besar resiko kolektif S dapat ditentukan dari rerata dan variansi besar klaim S
dengan menggunakan persamaan [4] dan [5] diperoleh sebagai berikut :
| |
r
S E = (15)
Dan variansi,
( )
|
.
|
\
|
+ =
2
2

r r
S V

( ) ( ) r
r
S V + = 1
2
(16)
Untuk menentukan distribusi resiko kolektif S dengan mencari fungsi densitas probabilitas dan
kumulatif yaitu sebagai berikut :
( )
| |
n
X X X t
S
e E t M
+ + +
=
...
2 1
) (
( )
n
X S
t M (t) M ) ( = (17)
Dari [17] akan diperoleh fungsi densitas probabilitas konvolusi ke-n besar klaim individu yaitu :
( )
x
nr nr
n
e
nr
x
x p

=
! 1
) (
1

Dari [2], [12] dan [17] diperoleh fungsi densitas probabilitas S dengan besar klaim individual
berdistribusi Erlang dan jumlah klaim Poisson adalah :
( )
=
0
1
! ! 1
) (
n
n
x
nr nr
S
n
e
e
nr
x
x f

(18)
Sedangkan untuk fungsi densitas kumulatifnya dapat ditentukan sebagai berikut :
( )
dy e
nr
y
x P
dy y p dy y p
x
y
nr nr
n
x
n
x
n
}
} }
-

-
=
=
! 1
) ( 1
) ( ) ( 1
1

Karena
( ) ) ( ) ( 1 ) ( 1
0
n f x P x F
N
n
n
S
=
-
=
maka
( ) ! ! 1
) ( 1
0
1
n
e
dy e y
nr
x F
n
n
x
y nr
nr
S

} |
|
.
|
\
|
=
Sehingga dapat diperoleh fungsi densitas kumulatif S dengan besar klaim individual
berdistribusi Erlang dan jumlah klaim Poisson adalah :
( ) ! ! 1
1 ) (
0
1
n
e
dy e y
nr
x F
n
n
x
y nr
nr
S

}
|
|
.
|
\
|
= (19)
Model stop loss premium yang dapat ditentukan dari model resiko kolektif dengan besar
klaim berdistribusi Erlang dan jumlah klaim berdistribusi Poisson adalah sebagai berikut :
( ) | | | |
( )
dx
n
e
dy e y
nr
dx x F d S E
d
n
n
x
y nr
nr
d
S
}

}
}
|
|
.
|
\
|
=
=
! ! 1
1 1
) ( 1
0
1

Atau
( ) | |
( )
|
|
|
.
|
\
|
|
|
.
|
\
|
=
}

}
+
dx dy e y
nr n
e
d S E
d
n
x
y nr
nr n
0
1
! 1 !

(20)
Dari [21] nampak bahwa model stop loss premium untuk model resiko kolektif yang berlaku
pada periode tunggal asuransi, selain tergantung dari distribusi jumlah klaim terjadi juga
jumlahan besar klaim individual yang terjadi selama periode tersebut. Dengan kata lain
meskipun terjadinya antar klaim saling tidak mempengaruhi satu sama lain namun secara
teoritisnya penentuan premi dalam hal ini harga premi tertinggi ditentukan dari besar dan
jumlah klaim individual yang terjadi selama periode tunggal asuransi.



DAFTAR PUSTAKA

Bowers et al. 1997. 2
th
ed. Actuarial Mathematics. The Society of Actuaries, Schaumburg,
Illinois.
Duncan et al. 2007. A Practitioners Guide to Generalized Linear Models. 3
th
ed. Tersedia di :
http://www.casact.org/pubs/dpp/dpp04/04dpp1.pdf (diakses 28 Juni 2011)
Getut Pramesti. 2001. Model Resiko Kolektif Dalam Asuransi Untuk Periode Tunggal. Skripsi.
Tidak dipublikasikan. Universitas Sebelas Maret.
Getut Pramesti. 2003. Dependensi dalam Model Resiko Individual Untuk Asuransi Jiwa
Kelompok. Thesis. Tidak dipublikasikan. Universitas Gadjah Mada.
Klugman et al. (1998). Loss Models : From Data to Decisions. John Wiley & Sons, Inc: NY.
Montgomey Douglas C & Runger George. (2003). Applied Statistics and Probability for
Engineers. Third edition. John Wiley & Sons, Inc:NY.
Tom Hoedemakers et al.(2005). Bounds for Stop-Loss Premiums of Life Annuities with
Random Interest Rates. Paper; Workshop on interface between quantitative Finance and
Insurance Edinburgh. Tersedia di
http://www.icms.org.uk/archive/meetings/2005/quantfinance/talks/Vanmaele_Edinburg
h.pdf (diakses 15 Nopember 2011)

GRAFIK PENGENDALI NON PARAMETRIK UNIVARIAT PADA DATA pH
PRODUK AIR MINUM GALON MERK X BERDASARKAN FUNGSI
DISTRIBUSI EMPIRIK

Jantini Trianasari Natangku
1)
, Adi Setiawan
2)
, Lilik Linawati
2)

1)
Mahasiswa Program Studi Matematika FSM UKSW
Email : n4n4_020190@yahoo.co.id
2)
Dosen Program Studi Matematika FSM UKSW
Fakultas Sains dan Matematika
Universitas Kristen Satya Wacana
Jl. Diponegoro 52 60 Salatiga 50711

Abstrak

Pengendalian kualitas sangat dibutuhkan bagi sebuah industri guna mengetahui
kestabilan kualitas dari produk yang dihasilkan. Pengendalian kualitas dapat dilakukan
melalui Statistical Process Control (SPC) dengan menggunakan grafik pengendali. Grafik
pengendali yang sering digunakan dalam statistika adalah grafik pengendali Shewhart dengan
data yang digunakan berdistribusi normal. Dalam penelitian kualitas produk ditemui adanya
data tidak berdistribusi normal, sehingga perlu adanya grafik pengendali yang tidak
memerlukan asumsi data berdistribusi normal yaitu grafik pengendali non parametrik. Grafik
pengendali non parametrik dapat dibangun melalui fungsi distribusi empirik, dengan batas
pengendali menggunakan nilai kuantil dari fungsi distribusi empirik tersebut. Penelitian ini
akan menggunakan data univariat karakteristik pH dari sebuah perusahaan Y di bidang air
minum kemasan, dimana salah satu produknya adalah air mineral kemasan galon 19L merk
X. Perusahaan Y memiliki standar nilai pH dalam setiap produksi air mineral galon 19L
berkisar antara 6.5 8.5. Dalam penelitian ini akan diperlihatkan bahwa batas pengendali
untuk grafik pengendali non parametrik berdasarkan nilai invers dan kuantil fungsi distribusi
empirik melalui bantuan paket program R 2.13.0. Kuantil terdiri dari 9 tipe dan pada
penelitian ini digunakan tipe 1 & tipe 6. Hasil penelitian ini diperoleh bahwa untuk batas
pengendali berdasarkan nilai invers, nilai kuantil tipe1 & tipe 6 masing masing nilai batas
pengendali LCL = 6.87, CL = 7.32 dan UCL = 7.76. Grafik pengendali non parametrik yang
telah dibangun berdasarkan batas pengendali tersebut memperlihatkan bahwa sebanyak 0%
data yang out of statistical control. Hal tersebut berarti air mineral galon 19L merk X dari
perusahaan Y masih dalam batas kendali kualitas dan memenuhi salah satu syarat kualitas
yang telah ditetapkan oleh perusahaan, sehingga air mineral tersebut layak untuk dipasarkan.

Kata Kunci : Grafik pengendali, Distribusi Empirik, Invers, Kuantil

PENDAHULUAN
Peran penting faktor kualitas dalam industri mendapat perhatian lebih dari perusahaan.
Hal tersebut mendesak perusahaan untuk selalu menjaga kestabilan kualitas dengan melakukan
pengendalian kualitas produk. Pengendalian kualitas dapat dibentuk dengan bantuan Statistical
Process Control (SPC), yang diwujudkan dalam grafik pengendali atau control chart. Selain
menjaga kestabilan kualitas, perusahaan akan dapat meneliti penyimpangan penyimpangan
yang mungkin terjadi dan melakukan perbaikan atau koreksi, sehingga dalam produksi
berikutnya penyimpangan penyimpangan tersebut dapat dicegah maupun diminimalisasi dan
kepuasan konsumen pun tetap terjamin.

KAJIAN PUSTAKA
Grafik pengendali dapat memperlihatkan kemampuan suatu proses produksi dan
membantu dalam mendeteksi penyimpangan yang mengakibatkan produk tidak memenuhi
standar. Grafik pengendali dinyatakan dalam gambar sederhana yang terdiri dari dua garis
sebagai batas batas pengendali meliputi batas pengendali atas atau upper control limit (UCL)
dan batas pengendali bawah atau lower control limit (LCL) serta satu garis sebagai garis tengah


atau centerline (CL). Grafik pengendali Shewhart merupakan grafik pengendali yang sering
dipergunakan dalam merepresentasikan kualitas suatu produk dengan data berdistribusi normal,
namun dalam kenyataannya terdapat data yang tidak berdistribusi normal sehingga diperlukan
alat penyajian lain untuk merepresentasikan data tersebut, yaitu grafik pengendali non
parametrik. Menurut Santoso (2008), grafik pengendali dapat dibangun secara non parametrik
berdasarkan fungsi densitas peluang empirik, sedangkan dalam penelitian ini akan dibangun
grafik pengendali berdasarkan fungsi distribusi empiriknya. Fungsi distribusi empirik
didefinisikan pada persamaan :

n
x x x x
x F
n
n
} ,..., , { #
) (
2 1
s
= , 9 e x . (1)
Nilai invers dari fungsi distribusi empirik dipergunakan sebagai batas pengendali. Nilai invers
fungsi distribusi sama dengan nilai kuantil, sehingga untuk membangun grafik pengendali non
parametrik yang berdasarkan fungsi distribusi empirik dapat dipergunakan nilai invers maupun
nilai kuantilnya (Hyndman & Fan,1996) yang ditunjukkan pada persamaan :
} ) ( inf{ ) ( ) (
1
p x F p F p Q
n n
> = =

, 1 0 < < p . (2)
Grafik pengendali non parametrik yang dibangun akan menggunakan batas pengendali
berdasarkan persamaan:
% 100 )
2
1 (

= UCL (3)
median CL = (4)
% 100 )
2
(
= LCL (5)
dengan dipilih nilai 0027 . 0 = o .
Batas batas pengendali yang telah diperoleh akan diperbandingkan dengan batas
pengendali berdasarkan nilai kuantil. Kuantil terdiri dari 9 tipe yang berbeda, pada penelitian ini
menggunakan kuantil tipe 1 dan tipe 6 didefinisikan masing masing sebagai berikut
(Wikipedia):
- Tipe 1
Merupakan nilai invers dari fungsi distribusi empirik yang dinyatakan pada persamaan (6).

=
=
(
(
(

lainnya p x
p x
p Q
h
,
0 ,
) (
2
1
) 1 (
1
(6)
dengan

2
1
+ = np h (7)
Keterangan :
= n banyaknya data
= p probabilitas kuantil yang diinginkan, 1 0 < < p

= ) (
1
p Q nilai kuantil tipe ke 1 untuk probabilitas p
(
= h ceiling dari indeks ke h
=
) 1 (
x data pertama setelah diurutkan .

- Tipe 6
Merupakan interpolasi linear untuk distribusi normal pada batas [0,1] dengan
) (
6
p Q seperti pada persamaan (8) :

+
+
>
+
<
=
+
lainnya p x x h h x
n
n
p x
n
p x
p Q
h h h
, ) )( (
) 1 (
,
) 1 (
1
,
) (
1
2
1
6
(8)
dengan menggunakan nilai h
p n h ) 1 ( + = (9)
Keterangan :
= n banyaknya data
= p probabilitas kuantil yang diinginkan, 1 0 < < p

= ) (
6
p Q nilai kuantil tipe ke 6 untuk probabilitas p

= h floor dari indeks ke h
=
) 1 (
x data pertama setelah diurutkan
=
) (n
x data ke - n setelah diurutkan .
Mempermudah pemahaman di atas akan ditunjukkan sebuah implementasi dengan
menggunakan contoh.
Misalkan dimiliki data } 1 6, 5, 2, 3, 5, 2, 4, 3, 1, { = Z dengan ukuran 10 titik
sampel. Penjelasan di atas dapat dirumuskan dalam bentuk langkah langkah sebagai berikut :
1. Ditentukan fungsi distribusi empirik F
n
(Z) berdasarkan persamaan (1) diperoleh hasil berikut
ini dan secara grafik disajikan pada Gambar 1.
>
< s
< s
< s
< s
< s
<
=
6 , 1
6 5 , 9 . 0
5 4 , 7 . 0
4 3 , 6 . 0
3 2 , 4 . 0
2 1 , 2 . 0
1 , 0
) (
z
z
z
z
z
z
z
Z F
n
, 9 e z

Gambar 1. Grafik Fungsi Distribusi Empirik pada Data Z

2. Menggunakan persamaan (2) dapat ditentukan invers dari F
n
(Z), yaitu ) (
1
y F
n
atau secara
grafik tersaji pada Gambar 2.
0 1 2 3 4 5 6 7
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
ecdf (Z)
Z
F
n
(
Z
)


s <
s <
s <
s <
s <
s s
=
1 9 . 0 , 6
9 . 0 7 . 0 , 5
7 . 0 6 . 0 , 4
6 . 0 4 . 0 , 3
4 . 0 2 . 0 , 2
2 . 0 0 , 1
) (
1
y
y
y
y
y
y
y F n , 1 0 s s y

Gambar 2. Fungsi Invers pada Data Z

3. Selanjutnya dihitung ) 25 . 0 (
1
n F
, ) 5 . 0 (
1
n F
dan ) 75 . 0 (
1
n F
dengan 25 . 0 = o . Untuk
menggambarkan grafik pengendali non parametrik digunakan nilai ) 25 . 0 (
1
n F
sebagai nilai
LCL, ) 75 . 0 (
1
n F
sebagai nilai UCL dan ) 5 . 0 (

1
n F
sebagai nilai CL yang tidak lain

merupakan median dari data Z. Grafik pengendali non parametrik berdasarkan F
n
(Z) tersebut
diperlihatkan dalam Gambar 3.

Gambar 3. Grafik Pengendali Non Parametrik Berdasarkan Nilai Invers pada Data Z

METODE PENELITIAN
Data
Penelitian ini menggunakan data sekunder yang diperoleh dari perusahaan Y untuk
air minum galon 19L merk X khususnya data tentang pH air mulai 01 Januari 28 Februari
2010 sebanyak 178 titik sampel sebagai salah satu variabel yang akan diuji kualitasnya.
0.0 0.2 0.4 0.6 0.8 1.0
1
2
3
4
5
6
y
F
i
n
v
e
r
s
2 4 6 8 10
1
2
3
4
5
6
Index
Z
UCL
LCL
CL

Berdasarkan data tersebut akan dibentuk grafik pengendali non parametrik berdasarkan fungsi
distribusi empirik untuk menentukan titik sampel yang out of statistical control.

Analisis Data
Untuk membantu dalam analisis data digunakan paket program R.2.13.0 antara lain
menentukan nilai fungsi distribusi empirik, menghitung kuantil, nilai invers, serta
menggambarkan grafik.
- Grafik Pengendali Non Parametrik Berdasarkan Invers Menggunakan data pH ditentukan
nilai F
n
(x) yang diperlihatkan pada Gambar 4.

Gambar 4. Grafik Fungsi Distribusi Empirik Data pH

Selanjutnya, menggunakan persamaan (3), (4) dan (5) berdasarkan invers F
n
(x) diperoleh
batas pengendali seperti pada Tabel 1 dan bentuk grafik pengendali non parametrik
disajikan pada Gambar 5.
Tabel 1. Nilai Batas Pengendali Pada Data pH

Gambar 5. Grafik Pengendali Non Parametrik Berdasarkan Nilai Invers Data pH

- Grafik Pengendali Non Parametrik Berdasarkan Nilai Kuantil
Dalam penelitian ini akan menggunakan kuantil tipe 1 dan tipe 6 dalam mencari nilai batas
pengendali untuk grafik pengendali non parametrik.
Batas Pengendali
0027 . 0 =
LCL 6.87
CL 7.32
UCL 7.76
6.8 7.0 7.2 7.4 7.6 7.8
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
ecdf(x)
x
F
n
(
x
)
0 50 100 150
6
.
8
7
.
0
7
.
2
7
.
4
7
.
6
7
.
8
data
p
H
UCL
LCL
CL


Tipe 1
Menggunakan persamaan (6) dan 0027 . 0 = o diperoleh hasil batas pengendali seperti
ditunjukkan pada Tabel 2 dan dalam bentuk grafik pengendali non parametrik seperti
pada Gambar 6.
Tabel 2. Batas Pengendali berdasarkan Nilai Kuantil Tipe 1 pada Data pH
Batas P Nilai Batas
LCL 00135 . 0 87 . 6
CL 5 . 0 32 . 7
UCL 99865 . 0 76 . 7

Gambar 6. Grafik Pengendali Non Parametrik Berdasarkan Nilai KuantilTipe 1 Data pH

Tipe 6
Persamaan (8) dan 0027 . 0 = o dalam menghitung nilai batas pengendali berdasarkan
nilai kuantil tipe 6 yang ditunjukkan pada Tabel 3 dan grafik pengendali non
parametrik disajikan pada Gambar 7.
Tabel 3. Batas Pengendali berdasarkan Nilai Kuantil Tipe 6 pada Data pH
Batas P Nilai Batas
LCL 00135 . 0 87 . 6
CL 5 . 0 32 . 7
UCL 99865 . 0 76 . 7

Gambar 7. Grafik Pengendali Non Parametrik Berdasarkan Nilai Kuantil Tipe 6 Data pH
0 50 100 150
6
.
8
7
.
0
7
.
2
7
.
4
7
.
6
7
.
8
Index
d
a
t
a
UCL
LCL
CL
0 50 100 150
6
.
8
7
.
0
7
.
2
7
.
4
7
.
6
7
.
8
Index
d
a
t
a
UCL
LCL
CL

PEMBAHASAN
Hasil anlisis data pembentuk grafik pengendali non parametrik berdasarkan invers dan
kuantil, diperoleh batas batas pengendali seperti pada Tabel 4.
Tabel 4. Nilai Batas Pengendali Grafik Pengendali Non Parametrik
Batas Pengendali Invers Kuantil Tipe 1 Kuantil Tipe 6
LCL 6.87 6.87 6.87
CL 7.32 7.32 7.32
UCL 7.76 7.76 7.76

Dari Tabel 4 terlihat bahwa LCL untuk grafik pengendali non parametrik berdasarkan nilai
invers dan nilai kuantil, baik tipe 1 atau tipe 6, memberikan hasil yang sama yaitu 6.87. Artinya
bahwa batas bawah dari pH air pada 3 grafik pengendali yang diamati adalah sama. Demikian
halnya untuk CL dan UCL yang berarti bahwa nilai tengah dan batas atas dari ketiga grafik
pengendali non parametrik yang diamati juga sama, yaitu 7.32 dan 7.76.
Berdasarkan Gambar 5, 6, dan 7 dapat dilihat tidak ada data yang berada di bawah batas
bawah dan di atas batas atas, dengan kata lain tidak ada titik sampel yang out of statistical
control. Hal ini berarti bahwa tidak ada sampel yang tidak memenuhi stndar kualitas pH atau
semua titik sampel data pH air minum galon 19L merk X telah memenuhi salah satu stndar
kualitas yang telah ditentukan oleh perusahaan sehingga layak untuk dipasarkan.
Hasil batas batas pengendali dari ketiga grafik pengendali non parametrik yang
diamati mempunyai nilai yang sama, namun demikian ditinjau dari langkah langkah
pembentukannya, grafik pengendali non parametrik berdasarkan invers membutuhkan langkah
lebih panjang dikarenakan harus terlebih dahulu menghitung nilai invers fungsi distribusi
empiriknya. Dengan demikian penggunaan grafik pengendali non parametrik berdasarkan nilai
kuantil lebih sederhana.

KESIMPULAN
Berdasarkan pembahasan di atas dapat disimpulkan beberapa hal mengenai grafik
pengendali non parametrik sebagai berikut :
1. Grafik pengendali non paremetrik yang dibangun berdasarkan fungsi distribusi empirik
pada data pH air minum galon 19L merk X dari perusahaan Y memiliki batas pengendali
untuk LCL=6.87 , CL=7.32 dan UCL=7.76.
2. Data pH air minum galon 19L merk X sebanyak 178 titik sampel berada di dalam kontrol
dan memenuhi stndar yang diberlakukan oleh perusahaan sehingga layak untuk dipasarkan.
3. Masing masing batas pengendali (LCL, CL, UCL) untuk grafik pengendali non
parametrik berdasarkan invers dan berdasarkan nilai kuantil (tipe 1 dan tipe 6) adalah sama.
4. Pengendalian kualitas melalui grafik pengendali non parametrik lebih tepat digunakan pada
data yang tidak berdistribusi normal.

DAFTAR PUSTAKA
Ariani, D.W. 2004. Pengendalian Kualitas Statistik, Yogyakarta : Andi.
Montgomery, Douglas C. 1990. Pengantar Pengendalian Kualitas Statistik. Yogyakarta :
Gadjah Mada University Press.
Roussas, George G. 1997. A Course in Mathematical Statistics, Second Edition. USA :
Academic Press.
Web 1 : http://en.wikipedia.org/wiki/Quantile_function
Diunduh pada tanggal 8 Agustus 2011.
Web 2 : http://www.jstor.org/stable/2684934
Hyndman, Rob J and Fan, Yanan. 1996. Sample Quantiles in Statistical Packages.
Web 3 : http://eprints.undip.ac.id/1390/1/Tulisan_4.pdf
Santoso, Rukun. 2008. Grafik Pengendali Non Parametrik Empirik.


ANALISIS PREDIKSI PERGERAKAN INDEKS HARGA SAHAM GABUNGAN
( IHSG ) DENGAN METODE OLS-ARCH/GARCH

Jordan Grestandhi
1)
, Bambang Susanto dan Tundjung Mahatma
2)
1)
Mahasiswa program Studi Matematika FSM UKSW
Jl. Diponegoro 52-60 Salatiga 50711 email : st.andrea_gresta@yahoo.com
2)
Dosen program Studi Matematika FSM UKSW
Jl. Diponegoro 52-60 Salatiga 50711
Abstrak
Salah satu metode untuk melihat pergerakan Indeks Harga Saham Gabungan (IHSG) adalah
dengan metode kausalitas. Metode kausalitas adalah metode untuk melihat pergerakan indeks
harga saham melalui variabel-variabel lain yang mempengaruhinya, sehingga pergerakan
IHSG juga dapat dijelaskan dengan variabel-variabel tersebut. Indeks saham dari pasar modal
kuat seperti NIKKEI, SHANGHAI, DJIA berpengaruh besar terhadap IHSG. Selain itu, nilai
tukar Rupiah terhadap Dolar AS juga berpengaruh terhadap IHSG. Pada penelitian ini model
Regresi OLS digunakan untuk melihat pengaruh indeks-indeks saham dan kurs tersebut.
Sedangkan metode ARCH/GARCH digunakan untuk mengatasi heterokedatisitas. Analisis
terhadap data IHSG mulai dari tanggal 4 Januari 2010 hingga 13 September 2011 dengan
menggunakan metode di atas menunjukkan bahwa model GARCH (1,1) adalah model yang
sesuai.

Kata kunci : Peramalan, IHSG, Heterokedatisitas, ARCH/GARCH, Regresi OLS

1. Pendahuluan
Pasar model memiliki peran strategis dalam perekonomian modern. Sehingga pasar
modal disebut juga sebagai indikator utama perekonomiaan negara. Pergerakan indeks harga
saham di suatu negara dapat dijadikan sebagai salah satu tolak ukur untuk melihat kondisi
perekonomian negara tersebut. Indeks harga saham suatu negara yang mengalami penurunan
dapat disebabkan oleh kondisi perekonomian negara tersebut yang sedang mengalami
permasalahan, sebaliknya indeks harga saham yang mengalami peningkatan bisa
mengindikasikan adanya perbaikan kinerja perekonomian di negara tersebut.

Ada dua macam analisis yang dikenal dalam dunia investasi saham yaitu analisis
fundamental dan analisis teknikal. Perbedaan dari kedua analisis ini adalah jika analisis
fundamental lebih menekankan pada pentingnya nilai wajar suatu saham dan membutuhkan
banyak sekali data, berita, dan angka-angka sedangkan analisis teknikal hanya membutuhkan
grafik harga dan volume masa lampau.

Pergerakan indeks harga saham cenderung dipengaruhi oleh banyak faktor baik
fundamental maupun non fundamental. Nachrowi dan Usman (2006) menjelaskan bahwa pada
intinya pasar modal yang kuat mempengaruhi pasar modal yang lemah. Dengan demikian pasar
modal di Amerika Serikat yang diwakili oleh Dow Jones Industrial Average (DJIA), indeks
pasar modal di jepang yaitu NIKKEI dan pasar modal di China yaitu SHANGHAI
mempresentasaikan pasar-pasar modal yang kuat dapat menjelaskan pergerakan indeks harga
saham di Indonesia yang diwakili oleh IHSG. Selain itu menurut Bayu (2006), pergerakan
IHSG dapat dipengaruhi oleh pergerakan nilai tukar upiah terhadap dolar Amerika. Ini berarti
bahwa IHSG dapat dijelaskan melalui DJIA, NIKKEI, SHANGHAI, dan nilai tukar rupiah.

Fokus penelitian ini adalah menganalisis pergerakan Indeks Harga Saham Gabungan
(IHSG) melalui DJIA, NIKKEI, SHANGHAI, dan nilai tukar rupiah. Selain itu juga
menjelaskan tingkat signifikasi DJIA, NIKKEI, SHANGHAI, dan nilai tukar rupiah terhadap
IHSG. Selain itu adalah menentukan model OLS-ARCH/GRACH yang tepat untuk melihat

seberapa kuat pengaruh DJIA, NIKKEI, SHANGHAI, dan nilai tukar rupiah terhadap
pergerakan IHSG dan seberapa kuat model tersebut dapat memprediksi IHSG.

2. Metodologi Penelitian
2.1. Definisi variabel
IHSG merupakan variabel dependen dan variabel independen adalah DJIA, NIKKEI,
SHANGHAI, dan nilai tukar rupiah terhadap dolar.

2.2. Data
Data yang digunakan dalam penelitian ini merupakan data sekunder yang dapat di
download di www.yahoo.finance.com. Data diambil mulai tanggal 4 Januari 2010 hingga 13
September 2011, begitu pula periode yang sama untuk data DJIA, NIKKEI, SHANGHAI, dan
nilai tukar rupiah terhadap dolar.

2.3. Metodologi Analisis Data
2.3.1 Regresi Ordinary Least Square
Telah dipaparkan diatas bahwa pergerakan IHSG dapat dijelaskan melalui variabel lain
yang mempengaruhinya. Ini berarti bahwa IHSG dapat dijelaskan melalui DJIA, NIKKEI,
SHANGHAI, dan nilai tukar rupiah. Selanjutnya, untuk melihat pengaruh indeks-indeks saham
DJIA, NIKKEI, SHANGHAI, dan nilai tukar rupiah (dinotasikan KURS) terhadap IHSG akan
digunakan metode analisi regresi linear berganda. Regresi linear berganda dipilih karena arah
kausalitasnya sifatnya hanya satu arah yaitu dari empat variabel yang terpilih terhadap IHSG.
Sedangkan arah kebalikannya diasumsikan tidak terjadi. Sedangkan model linier dipilih dengan
alasan mudah dan sederhana. Maka hubungan kausalitasnya secara matematis dapat ditulis ke
dalam persamaan (1) .

(1)

Dengan yang dapat mempresentasikan variabel-variabel lain yang mempengaruhi
IHSG. Sedangkan menyatakan parameter dari model yang besaranya akan diestimasi. Untuk
menduga besaran nilai dapat digunakan teknik Ordinary Least Square (OLS), namun teknik
ini tidak mendapatkan estimator yang baik. Teorema Gauss Markov mengatakan OLS akan
mendapatkan estimator yang baik yang dikenal dengan sebutan BLUE (Best Linier Unbiased
Estimator) bila model regresi tersebut memenuhi uji klasik. Beberapa diantaranya asumsi
normalitas, non-multikolinearitas, non-autokorelasi dan homoskedastisitas. Jika asumsi-asumsi
tersebut dipenuhi, estimator yang diperoleh memenuhi sifat BLUE (Best Linier Unbiased
Estimator) dengan uji pelangaran 5 %. Tetapi, jika varian dari residual bersifat
heterokedatisitas, maka estimator yang diperoleh tidak bersifat BLUE lagi maka perlu dicari
metode lain yang lebih baik, maka model ARCH/GARCH dipilih pada penelitian ini.

2.3.2. Model ARCH/GARCH
Model ARCH Autoregressive Conditional Heteroscedastic / (GARCH) Generalized
Autoregressive Conditional Heteroscedastic yang pada prinsipnya metode ini mengatasai
varians yang heterokedatis tersebut dengan menambahkan satu persamaan kedalam model.
Pada umumnya, pemodelan data deret waktu dilakukan dengan asumsi ragam sisaan
(residual) konstan (homoskedastisitas) yaitu sebesar . Pada kenyataannya, banyak data
deret waktu yang mempunyai ragam sisaan yang tidak konstan (heteroskedastisitas), khususnya
untuk data deret waktu di bidang keuangan. Hal ini menyebabkan pemodelan dengan memakai
analisis deret waktu biasa, yang mempunyai asumsi homoskedastisitas, tidak dapat dipakai.
Model analisis deret waktu yang memperbolehkan adanya heteroskedastisitas adalah model
ARCH yang diperkenalkan pertama kali oleh Engle (1982). Model ARCH dipakai untuk
memodelkan ragam sisaan yang tergantung pada kuadrat sisaan pada periode sebelumnya secara
autoregresi (regresi diri sendiri), atau dengan kata lain model ini digunakan untuk memodelkan
ragam bersyarat.


Persamaan varian residual dalam model ARCH (p) dapat ditulis sebagai berikut

(2)

Seringkali pada saat sedang menentukan model ARCH, dibutuhkan orde yang besar
agar didapatkan model yang tepat untuk data deret waktu. Oleh karena itu, Bollerslev (1986)
mengembangkan model ARCH ke dalam model GARCH untuk menghindari orde ARCH yang
besar

persamaan varian residual dalam model GARCH (p,q)dapat ditulis sebagai berikut
(3)

Jadi persamaan model GARCH (p,q)secara umum adalah
(4)
Dengan persamaan varian residualnya adalah

3. Hasil dan Pembahasan
3.1. Analisis Regresi OLS

Dengan menggunakan data dari tanggal 4 Januari 2010 sampai dengan 13 September 2011,
dengan menggunakan bantuan program R untuk mengestimasi model didapatkan

Residuals:
Min 1Q Median 3Q Max
-328.98 -133.90 -56.91 109.16 532.48

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 8106.50779 916.26869 8.847 < 2e-16 ***
nikkei -0.17967 0.02511 -7.155 4.78e-12 ***
shanghai -0.13147 0.06436 -2.043 0.0418 *
djia 0.30497 0.02597 11.744 < 2e-16 ***
kurs -0.67390 0.09259 -7.278 2.17e-12 ***
---
Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

Residual standard error: 189.1 on 357 degrees of freedom
Multiple R-squared: 0.8446, Adjusted R-squared: 0.8429
F-statistic: 485.1 on 4 and 357 DF, p-value: < 2.2e-16

Dari data diatas didapat persamaan regresi linier berganda

(5)
Dari output data olahan ini dapat disimpulkan bahwa model diatas telah memenuhi kriteria
kecocokan model secara umum, ini dapat dilihat dari Uji-t dan Uji-F. Dari Uji-t dapat dilihat
bahwa semua variabel independen signifikan secara statistik atau dengan kata lain Indeks DJIA,
Indeks NIKKEI, Indeks SHANGHAI dan Kurs Dolar mempunyai pengaruh yang signifikan
terhadap IHSG. Hal ini ditunjukan bahwa semua variabel independen mempunyai p-value yang
lebih kecil dari 0,05. dari Uji-F diketahui bahwa semua variabel independen bersama-sama

mempengaruhi pergerakan IHSG. Hal ini diketahui dengan nilai p-value yang lebih kecil dari
0,05.
Sebelum model ini digunakan untuk melakukan peramalan terlebih dahulu dilakukan
beberapa pengujian terhadap beberapa asumsi yang harus dipenuhi untuk mendapatkan model
yang baik serta dapat digunakan untuk presiksi. Pengujian tersebut meliputi Uji Klasik yaitu Uji
Normalitas, Uji autokorelasi, Uji multikolinearitas dan Uji Homokedatisitas.

3.2. Uji Klasik
3.2.1. Uji Normalitas
Uji normalitas digunakan untuk mengetahui apakah residual dari hasil regresi
terdistribusi normal. Pengujian menggunakan Jarque-Bera test dengan Hipotesa sebagai berikut:
Ho : Residuals berdistribusi normal
Ha : Residuals tidak berdistribust normal
Jika probabilitas R-squred lebih kecil dari 0,05 berarti Ho ditolak, maka residuals tidak
berdistribust normal

Jarque Bera Test

data: ihsg - fitted(model)
X-squared = 52.1866, df = 2, p-value = 4.654e-12

Dari data diatas diketahui bahwa p-value = 4.654e-12 lebih kecil dari 0.05 maka dapat
disimpulkan bahwa data tidak normal.

3.2.2. Uji Autokolerasi
Uji autkorelasi bertujuan untuk menguji apakah dalam suatu model regresi linier ada
korelasi antara kesalahan pengganggu pada periode t dengan kesalahan pada periode t-1
(sebelumya). hal ini sering ditemukan pada jenis data time series. Untuk mengetahui ada atau
tidaknya gejala autokolerasi dapat digunakan uji Breusch-Godfrey (BG) dengan hipotesa:
Ho : Tidak ada autokorelasi
Ha : Ada autokorelasi
Jika probabilitas R-squred lebih kecil dari 0,05 berarti Ho ditolak, maka Ada
autokorelasi

Breusch-Godfrey test for serial correlation

data: ihsg ~ .
LM test = 324.9546, df = 1, p-value < 2.2e-16

disimpulkan bahwa ada autokorelasi

3.2.3. Uji heterokedatisitas
Heterokedatisitas berarti bahwa variansi residual tidak sama untuk semua pengamatan.
Heterokedatisitas juga bertentangan dengan salah satu asumsi dasar regresi OLS yaitu
homokedatisitas. Untuk mengetahui ada atau tidaknya heterokedatisitas dapat digunakan uji
Breusch-Pagan (BP) dengan hipotesa:
Ho : Homokedatisitas
Ha : Heterokedatisitas
Jika probabilitas R-squred lebih kecil dari 0,05 berarti Ho ditolak, maka varian residual
bersifat heterokedatisitas.



studentized Breusch-Pagan test

data: ihsg ~ .
BP = 25.0169, df = 4, p-value = 4.992e-05

disimpulkan bahwa varian residual bersifat heterokedatisitas.

3.2.4. Uji Multikolinearitas
Uji multikolinearitas bertujuan untuk menguji apakah dalam model regresi ditemukan
adanya korelasi antar variabel bebas (independen). Model regresi yang baik seharusnya tidak
tejadi korelasi antar variabel independen. Untuk menguji adanya multikolinearitas adalah
dengan melalukan langkah langkah sbb
a. Lakukan regresi untuk
(a)
b. Kemudian lakukan etimasi lagi dengan persamaan
(b)
(c)
(d)
(e)

Untuk persamaan (a) didapat R
2
sebesar 0.8446 selanjutnya disebut R1.

Untuk persamaan (b) didapat R
2

Untuk persamaan (c) didapat R
2

Untuk persamaan (d) didapat R
2

Untuk persamaan (e) didapat R
2

Ketentuan :
Jika R1 > R2, R3, R4, R5 maka tidak ditemukan adanya multi kolinearitas.
Jika R1 < R2, R3, R4, R5 maka ditemukan adanya multi kolinearitas.

Dari data diatas diketahui bahwa R1 > R2, R3, R4, R5 maka tidak ditemukan adanya
multi kolinearitas

3.2.5. Kesimpulan Analisis Regresi OLS
Setelah dilakukan beberapa uji klasik ada beberapa asumsi yang dilanggar yaitu data
tidak berdistribusi normal, adanya autokorelasi dan varian residual bersifat heterokedatisitas,
maka estimator tidak lagi bersifat BLUE. Dengan demikian maka perlu mencari model (5) tidak
layak untuk dilakukan peramalan. Dengan adanya varian residual bersifat heterokedatisitas
maka model yang sesuai adalah model ARCH/GARCH

3.3. Model ARCH/GARCH
Model GARCH (p,q) diestimasi dengan menggunakan program statistika yaitu eviews
5.0. Sebelumnya perlu diuji apakah terdapat arch effect atau tidak. Pengujian mengunakan Uji
ARCH - LM test terhadap residual.

Dari data diatas karena nilai Prob.F kurang dari 0.05 maka dapat disimpulkan regresi
OLS terdapat arch effect. Dengan menggunakan tenik coba-coba dan dengan pertimbangan
ARCH Test:

F-statistic 1444.713 Prob. F(1,359) 0.000000
Obs*R-squared 289.1488 Prob. Chi-Square(1) 0.000000


signifikasi, nilai R
2
, dan nilai AIC maka dengan didapat model GARCH (1,1) model yang
cocok. Data olahan sebagai berikut:

Dari data diatas maka dapat ditulis kepersamaan umum GARCH (1,1) adalah

Dengan persamaan varian residualnya adalah
(6)

Dapat kita dilihat bahwa semua variabel independen signifikan secara statistik atau
dengan kata lain Indeks DJIA, Indeks NIKKEI, Indeks SHANGHAI dan Kurs Dolar
mempunyai pengaruh yang signifikan terhadap IHSG. Disamping itu, persamaan yang
menggambarkan gerakan varians dari residuals model juga menunjukan bahwa koefisien
signifikan. ini mengindifikasikan bahwa model GARCH (1,1) memang tepat. Sebelum model
tersebut digunakan untuk memprediksi nilai IHSG, masih perlu cek apakah masih ada arch
effect atau tidak.

Dependent Variable: IHSG
Method: ML - ARCH (Marquardt) - Normal distribution
Date: 11/15/11 Time: 21:28
Sample: 1 362
Included observations: 362
Convergence achieved after 85 iterations
Variance backcast: ON
GARCH = C(6) + C(7)*RESID(-1)^2 + C(8)*GARCH(-1)

Coefficient Std. Error z-Statistic Prob.

C 10582.37 343.5166 30.80598 0.0000
NIKKEI -0.098104 0.008089 -12.12733 0.0000
DJIA 0.244559 0.008673 28.19886 0.0000
SHANGHAI -0.235645 0.021388 -11.01746 0.0000
KURS -0.942750 0.034481 -27.34126 0.0000

Variance Equation

C 657.1460 200.0810 3.284399 0.0010
RESID(-1)^2 0.653031 0.170323 3.834070 0.0001
GARCH(-1) 0.338036 0.114555 2.950858 0.0032

R-squared 0.796886 Mean dependent var 3341.303
Adjusted R-squared 0.792870 S.D. dependent var 476.9517
S.E. of regression 217.0682 Akaike info criterion 12.17313
Sum squared resid 16679979 Schwarz criterion 12.25914
Log likelihood -2195.337 F-statistic 198.4093
Durbin-Watson stat 0.065151 Prob(F-statistic) 0.000000



Dari data diatas didapat bahwa nilai Prob.F lebih dari 0.05 maka dapat disimpulkan
bahwa model GARCH (1,1) sudah terbebas dari arch effect dan layak digunakan untuk
memprediksi pergerakan IHSG.

3.4. Memprediksi IHSG dengan menggunakan model GARCH
Persamaan model yang digunakan adalah
(7)
Dari persamaan diatas dapat diprediksi nilai IHSG satu hari kedepan dinyatakan sebagai berikut

(7)

Setelah dihitung menggunakan model GARCH (1,1) untuk memprediksi IHSG tanggal
14 September 2011 adalah sebesar 3643.115 namun aktualnya adalah 3799.04. Dengan
demikian kesalahan peramalan sebesar 4,1%.

4. Kesimpulan
Daari hasil penelitian diketahui indeks saham DJIA, NIKKEI, SHANGHAI, dan Nilai
tukar rupiah terhadap dolar mempunyai pengaruh yang signifikan. Indeks saham DJIA
mempunyai hubungan yang positif. Jika indeks saham DJIA naik maka IHSG akan ikut
menguat, sebaliknya indeks saham DJIA turun maka IHSG akan ikut turun. Hal ini bertolak
belakang dengan. NIKKEI, SHANGHAI, dan nilai tukar terhadap dolar mempunyai koefisien
negatif yang arti, jika Indeks saham NIKKEI, DJIA, dan nilai tukar terhadap dolar menguat
yang artinya naik maka IHSG akan turun, begitu pula sebaliknya.
Setelah dilakukan peramalan, kesalahan yang disebabkan oleh model GARCH (1,1)
adalah sebesar 4.1 %. Dengan kesalahan prediksi dibawah 5% maka model GARCH (1,1)
layak untuk digunakan memprediksi pergerakan IHSG.

Daftar Pustaka

Aziz, Abdul.Buku Ajar Ekonometri Teori dan Analisis Matematis.Fakultas Sains dan Teknologi
Universitas Islam Negeri. Hal. 21-56
Cryer, D. Jonathan. 2008. Time Series Analysis With Applications in R Second Edition. USA :
Springer. Hal. 249-289
Gunanjar,Bayu.2006.Penerapan Model ARCH/GARCH dan Model MSAR(Markov-Awitching
Autoregresion) Pada Nilai Tukar Rupiah Terhadap Dolar Amerika dan
IHSG.Skripsi.Fakultas MIPA Institut Pertanian Bogor. Hal.1
Gustia, Irna. Terseret Wall Street dan Nikkei, ISHG Anjlok 36,329 Poin, DetikInet. 18 April
2005
Ishomuddin. 2010. Analisis Pengaruh Variabel Makroekonomi Dalam dan Luar Negeri
Terhadap Indeks Harga Saham Gabungan (ISHG) Di BEI. Skripsi. Program Sarjana (S1)
Fakultas Ekonomi Universitas Diponegoro. Hal. 82-96
Murwaningsari, Etty. Jurnal Ekonomi dan bisnis Indonesia. 2008. Hal.182-185
Nachrowi, Nachrowi D. Usman. Jurnal Ekonomi dan Pembangunan Indonesia. 2007. Hal.76

ARCH Test:

F-statistic 0.679014 Prob. F(1,359) 0.410474
Obs*R-squared 0.681508 Prob. Chi-Square(1) 0.409068


SIFAT PERIODIK JARINGAN ANTRIAN SERI TERTUTUP
DENGAN PENDEKATAN ALJABAR MAX-PLUS

M. Andy Rudhito
Program Studi Pendidikan Matematika JPMIPA FKIP USD
Paingan Maguwoharjo Yogyakarta, e-mail: arudhito@yahoo.co.id

Abstrak

Artikel ini membahas tentang sifat periodik jaringan antrian seri tertutup menggunakan
aljabar max-plus. Hasil pembahasan menunjukkan bahwa sifat dinamika jaringan antrian seri
tertutup dapat ditentukan dengan menggunakan konsep nilai eigen dan vektor eigen max-plus
matriks pada model jaringan. Melalui vektor eigen max-plus fundamentalnya, dapat
ditentukan saat keberangkatan awal tercepat pelanggan agar saat keberangkatan pelanggan
selanjutnya periodik, dengan besar periode sebesar nilai eigen max-plus tersebut.

Kata Kunci : aljabar max-plus, nilai eigen, vektor eigen, jaringan antrian, periodik.

PENDAHULUAN
Pemodelan jaringan antrian pendekatan max-plus, yaitu himpunan semua bilangan real
Rdilengkapi dengan operasi max dan plus, dapat memberikan suatu cara yang lebih padu dan
menyatu serta persamaan yang dihasilkan analog dengan hasil-hasil pada teori sistem yang
konvensional (Krivulin, 2000). Diperhatikan suatu jaringan antrian seri tertutup dengan n
pelayan-tunggal dengan kapasitas penyangga takhingga dan n pelanggan (Krivulin, 1995).
Jaringan bekerja dengan prinsip First-In First-Out (FIFO). Dalam jaringan ini, pelanggan harus
melewati antrian dari awal sampai akhir secara berturutan untuk menerima layanan setiap
pelayan. Satu siklus layanan jaringan adalah proses dari masuknya pelanggan ke penyangga
pelayan ke-1 hingga meninggalkan pelayan ke-n. Setelah penyelesaian layanan pada pelayan ke-
n, pelanggan kembali ke antrian pertama untuk suatu siklus baru layanan jaringan. Misalkan
pada saat awal pengamatan, semua pelayan tidak memberi layanan, di mana penyangga pada
pelayan ke-i memuat sebanyak 1

pelanggan untuk setiap i = 1, 2, ..., n. Perpindahan pelanggan
dari suatu antrian ke antrian berikutnya diasumsikan tidak memerlukan waktu. Gambar 1
berikut (Krivulin, 1996) memberikan keadaan awal jaringan antrian serial tertutup yang
dimaksud, dengan pelanggan yang dinyatakan dengan -.

Jaringan antrian seri tertutup seperti di atas dapat dijumpai dalam sistem pabrik
perakitan, seperti perakitan mobil maupun barang-barang elektronik. Pelanggan dalam sistem
ini adalah palet sedangkan pelayanan adalah mesin perakit. Palet yang dimaksud adalah
semacam meja atau tempat di mana komponen-komponen atau barang setengah-jadi
ditempatkan dan bergerak mengunjungi mesin-mesin perakit. Mula-mula sebuah palet ke-1
masuk ke penyangga mesin ke-1, kemudian masuk mesin ke-1 dan palet ke-2 masuk ke
penyangga mesin ke-1. Di mesin ke-1 ini komponen-komponen diletakkan dan dipersiapkan
untuk dirakit di mesin berikutnya. Selanjutnya palet ke-1 masuk ke penyangga mesin ke-2 dan
palet ke-2 masuk ke mesin ke-1. Demikian seterusnya untuk n palet yang tersedia, sehingga
tercapai keadaan seperti pada Gambar 1 di atas, di mana tercapai keadaan awal pengamatan.
1
2
-
.
-
-
n
Gambar 1 Jaringan Antrian Seri Tertutup


Setelah perakitan selesai dikerjakan di mesin ke-n, barang hasil rakitan akan meninggalkan
jaringan, sementara palet yang membawa akan menuju kembali ke penyangga mesin ke-1, untuk
memulai suatu siklus baru layanan jaringan, demikian seterusnya.
Tujuan penulisan artikel ini adalah membahas sifat periodik dinamika jaringan antrian
serial tertutup dengan menggunakan aljabar max-plus. Artikel ini merupakan hasil penelitian
yang didasarkan pada studi literatur yang meliputi kajian-kajian secara teoritis dan perhitungan-
perhitungan matematis. Pemodelan dinamika jaringan antrian akan menggunakan seperti yang
telah dibahas dalam (Krivulin, 1995). Sifat periodik dinamika jaringan akan dibahas dengan
menggunakan hasil-hasil pada konsep nilai eigen dan vektor eigen matriks atas aljabar max-plus
(Baccelli et.al , 1992; Heidergott et.al , 2005).

ALJABAR DAN NILAI EIGEN MAX-PLUS
Terlebih dahulu dibahas konsep dasar aljabar max-plus dan kaitannya dengan teori graf,
serta eksistensi dan ketunggalan nilai eigen dan vektor eigen max-plus. Pembahasan
selengkapnya dapat dilihat pada Baccelli et.al (1992), Heidergott et.al (2005). Diberikan R
c
:=
R {c } dengan R adalah himpunan semua bilangan real dan c : = . Pada R
c
didefinisikan
operasi berikut: a,b e R
c
,
a b := max(a, b) dan a b : = a + b.
Dapat ditunjukkan bahwa (R
c
, , ) merupakan semiring komutatif idempoten dengan
elemen netral c = dan elemen satuan e = 0. Lebih lanjut (R
c
, , ) merupakan semifield,
yaitu bahwa (R
c
, , ) merupakan semiring komutatif di mana untuk setiap a e R terdapat a
sehingga berlaku a (a) = 0. Kemudian (R
c
, , ) disebut dengan aljabar max-plus,
selanjutnya cukup dituliskan dengan R
max
. Pangkat k elemen x e R dilambangkan dengan
k
x
didefinisikan sebagai berikut

0
x := 0 dan
k
x
:= x
1
k
x dan didefinisikan pula
0
c : = 0
dan
k
c : = c untuk k = 1, 2, ... .
Operasi dan pada R
max
dapat diperluas untuk operasi-operasi matriks dalam
n m
max
R : = {A = (A
ij
)|A
ij
e R
max
, untuk i = 1, 2, ..., m dan j = 1, 2, ..., n}. Untuk o e R
max
, dan A,
B e
n m
max
R didefinisikan o A, dengan (o A)
ij
= o A
ij
dan A B, dengan (A B)
ij
= A
ij

B
ij
untuk i = 1, 2, ..., m dan j = 1, 2, ..., n. Untuk A e
p m
max
R , B e
n p
max
R didefinisikan A B,
dengan (A B)
ij
=
kj ik
p
k
B A
=1
. Didefinisikan matriks E e
n n
max
R , (E)
ij
:=
=
=
j i ,
j i ,
jika
jika 0
c
dan
matriks c e
n m
max
R , (c )
ij
:= c untuk setiap i dan j . Pangkat k dari matriks A e
n n
max
R dalam
aljabar max-plus didefinisikan dengan:
0
A = E
n
dan
k
A
= A
1
k
A untuk k = 1, 2, ... .
Didefinisikan
n
max
R := { x = [ x
1
, x
2
, ... , x
n
]
T
| x
i
e R
max
, i = 1, 2, ... , n}. Perhatikan bahwa
n
max
R dapat dipandang sebagai
1
max
n
R , sehingga
n
max
R merupakan semimodul atas R
max
. Unsur-
unsur dalam
n
max
R disebur vektor atas R
max
.
Suatu graf berarah G didefinisikan sebagai suatu pasangan G = (V, A) dengan V adalah
suatu himpunan berhingga tak kosong yang anggotanya disebut titik dan A adalah suatu
himpunan pasangan terurut titik-titik. Anggota A disebut busur. Suatu lintasan dalam graf
berarah G adalah suatu barisan berhingga busur (i
1
, i
2
), (i
2
, i
3
), ... , (i
l1
, i
l
) dengan (i
k
, i
k+1
) e A
untuk suatu l e N (= himpunan semua bilangan asli) dan k = 1, 2, ... , l 1. Suatu lintasan
disebut sirkuit jika titik awal dan titik akhirnya sama. Sirkuit elementer adalah sirkuit yang titik-
titiknya muncul tidak lebih dari sekali, kecuali titik awal yang muncul tepat dua kali. Suatu graf
berarah G = (V, A) dengan V = {1, 2, , ... , n} dikatakan terhubung kuat jika untuk setiap i, j e
V , i = j , terdapat suatu lintasan dari i ke j.
Diberikan graf berarah G = (V, A) dengan V = {1, 2, ... , p}. Graf berarah G dikatakan
berbobot jika setiap busur (j, i) e A dikawankan dengan suatu bilangan real A
ij
. Bilangan real
A
ij
disebut bobot busur (j, i), dilambangkan dengan w(j, i). Graf preseden dari matriks A e
n n
max
R

adalah graf berarah berbobot G(A) = (V, A) dengan V = {1, 2, ... , n}, A = {(j, i)|w(i, j) = A
ij
=
c }. Bobot suatu lintasan didefinisikan sebagai jumlahan bobot busur-busur yang menyusun
tersebut. Suatu rumus bobot rata-rata maksimum sirkuit elementer dalam G(A), dilambangkan
dengan
max
(A)), adalah
max
(A) =
=
n
k 1
(
k
1
ii
k
n
A ) (
1 i
).

Suatu matriks A e
n n
max
R dikatakan irredusibel jika graf presedennya terhubung kuat.
Dapat ditunjukkan bahwa matriks A e
n n
max
R irredusibel jika dan hanya jika (A
2
A ...
n
A )
ij
= c , untuk setiap i, j dengan i = j.
Diberikan A e
n n
max
R . Skalar e R
max
disebut nilai eigen max-plus matriks A jika
terdapat suatu vektor v e
n
max
R dengan v = c
n1
sehingga A v = v. Vektor v tersebut
disebut vektor eigen max-plus matriks A yang bersesuaian dengan . Diberikan A e
n n
max
R .
Dapat ditunjukkan bahwa skalar
max
(A), yaitu bobot rata-rata maksimum sirkuit elementer
dalam G(A), merupakan suatu nilai eigen max-plus matriks A. Lebih lanjut untuk B =
max
(A)
A, jika
+
ii
B = 0, maka kolom ke-i matriks
*
B merupakan vektor eigen yang bersesuaian
dengan nilai eigen
max
(A). Kolom-kolom ke-i matriks
*
B di atas, yang merupakan vektor eigen
yang bersesuaian dengan nilai eigen
max
(A), disebut vektor-vektor eigen fundamental yang
bersesuaian dengan nilai eigen
max
(A). Dapat ditunjukkan bahwa kombinasi linear max-plus
vektor-vektor eigen fundamental matriks A juga merupakan vektor eigen yang berseuaian
dengan
max
(A). Jika skalar e R
max
,

merupakan nilai eigen max-plus matriks A, maka
merupakan bobot rata-rata suatu sirkuit dalam G(A), sehingga
max
(A) merupakan nilai eigen
max-plus maksimum matriks A. Dapat ditunjukkan bahwa jika matriks irredusibel A e
n n
max
R
mempunyai nilai eigen max-plus tunggal, yaitu
max
(A), dengan x sebagai vektor eigen max-
plus yang bersesuaian dengan , maka x
i
= c untuk setiap i e {1, 2, ..., n}. Dapat ditunjukkan
bahwa jika matriks A e
n n
max
R irredusibel, maka A mempunyai nilai eigen max-plus tunggal,
yaitu
max
(A).

PEMODELAN DINAMIKA JARIANGAN ANTRIAN SERI TERTUTUP
Diperhatikan kembali jaringan antrian seri tertutup seperti pada Pendahuluan (bagian 1.)
di atas.
Misalkan a
i
(k) = saat kedatangan pelanggan ke-k pada pelayan ke-i,
d
i
(k) = saat keberangkatan pelanggan ke-k dari pelayan ke-i,
t
i
= waktu layanan pada pelayan ke-i.
untuk k = 1, 2, ... dan i = 1, 2, ..., n. Selanjutnya dinamika antrian pada pelayan ke- i , seperti
yang telah dibahas dalam (Krivulin, 1995), dapat dinyatakan dengan
d
i
(k) = max(t
i
+ a
i
(k), t
i
+ d
i
(k 1)) (1)
a
i
(k) =
=
=
..., , 2 jika ) 1 (
1 jika ) 1 (
1
n i k d
i k d
i
n
(2)
Dengan notasi aljabar max-plus persamaan (1) dapat dituliskan sebagai berikut
d
i
(k) = t
i
a
i
(k) t
i
d
i
(k1) (3)
Misalkan d(k) = [d
1
(k) , d
2
(k), ... , d
n
(k)]
T
, a(k) = [a
1
(k) , a
2
(k), ... , a
n
(k)]
T
dan
T =
(
(
(
n
t
t
c
c
1
. Persamaan (3) dan (2) di atas dapat dituliskan menjadi
d(k) = T

a(k) T

d(k 1) (4)
a(k) = G d(k1)
(5)


dengan matriks G =
(
(
(
(
c c
c c
c c
0
0
0

.
Dengan mensubstitusikan persamaan (5) ke persamaan (4) dapat diperoleh persamaan
d(k) = T

G d(k1) T

d(k 1)
= T

(G E) d(k 1) atau
d(k) = A d(k 1) (6)
dengan matriks A = T

(G E) =
(
(
(
(
(
(

n n
n n
t t
t t
t t
t t
c c
c
c
c c
c c
1 1
2 2
1 1
, yang merupakan model dinamika
jaringan antrian tersebut.

Contoh 1 Diperhatikan jaringan antrian serial tertutup dengan banyak pelayan dan banyak
pelanggan masing-masing adalah n = 5. Misalkan waktu layanan pada pelayan ke-i = 1, 2, 3, 4,
5 berturut-turut t
1
= 3, t
2
= 4, t
3
= 6, t
4
= 7 dan t
5
= 5, maka diperoleh
A =
(
(
(
(
(
(
5 5
7 7
6 6
4 4
3 3
c c c
c c c
c c c
c c c
c c c
.
Misalkan diambil saat keberangkatan awal pelanggan d(0) = [0, 0, ..., 0]
T
, maka saat
keberangkatan pelanggan untuk k = 1, 2, 3, ... , 10 diberikan dalam Tabel 1 berikut.
Tabel 1 Perhitungan Saat Keberangkatan Pelanggan Contoh 1
k 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
d
1
0 3 8 15 22 29 36 43 50 57 64 71 78 85 92 99
d
2
0 4 8 12 19 26 33 40 47 54 61 68 75 82 89 96
d
3
0 6 12 18 24 30 36 42 48 54 60 67 74 81 88 95
d
4
0 7 14 21 28 35 42 49 56 63 70 77 84 91 98 105
d
5
0 5 12 19 26 33 40 47 54 61 68 75 82 89 96 103

Dari Tabel 1 pada Contoh di atas, dengan saat keberangkatan awal pelanggan d(0) =
[0, 0, ..., 0]
T
, nampak bahwa antar saat keberangkatan pelanggan pada setiap pelayanan tidak
seluruhnya periodik. Selanjutnya akan dibahas suatu upaya penjadwalan saat keberangkatan
awal pelanggan d(0) agar saat keberangkatan selanjutnya periodik dengan periode tertentu.

SIFAT PERIODIK JARINGAN ANTRIAN SERI TERTUTUP
Sebelumnya akan dibahas cara lain untuk menyatakan persamaan rekursif model
dinamika jaringan antrian (6) melalui vektor saat keberangkatan awal pelanggan d(0). Dengan
menggunakan induksi matematis dapat ditunjukkan bahwa
d(k) = A d(k 1) =
k
A
d(0) , k = 1, 2, ... .
(7)
Untuk k = 1 berlaku d(1) = A d(0) =
1
A d(0).
Andaikan benar untuk k = n 1, yaitu d(n 1) =
) 1 (
n
A d(0).
Untuk k = n , d(n) = A d(n 1) = A (
) 1 (
n
A d(0)) =
n
A
d(0). Jadi benar untuk k = n.


Saat keberangkatan pelanggan d(k) dikatakan perodik dengan periode sebesar jika
d(k) = d(k 1) untuk setiap k = 1, 2, ... . Dengan demikan agar d(k) dikatakan perodik
dengan periode sebesar haruslah dipenuhi
d(k) = A d(k 1) = d(k 1) untuk setiap k = 1, 2, ... .
Hal ini berarti merupakan suatu nilai eigen max-plus matriks A dan d(k 1)
merupakan vektor eigen yang bersesuaian dengan . Mengingat berlaku untuk setiap k = 1, 2, ...
, maka juga berlaku untuk k = 1. Jadi agar saat keberangkatan pelanggan perodik dengan
periode sebesar , maka d(0), yaitu saat keberangkatan awal pelanggan, haruslah merupakan
suatu vektor eigen yang bersesuaian dengan .
Mengingat graf preseden matriks A pada model jaringan antrian di atas terhubung kuat
maka matriks A irredusibel. Dengan demikianm matriks A mempunyai nilai eigen max-plus
tunggal, yaitu
max
(A), dengan vektor eigen fundamental v di mana v
i
= c untuk setiap i e {1, 2,
..., n}. Situasi ini sesuai dengan keadaan nyata, di mana saat keberangkatan awal berhingga.
Selanjutnya agar realistis, saat keberangkatan awal pelanggan haruslah tak negatif. Untuk itu
perlu dilakukan modifikasi terhadap vektor eigen fundamental v sedemikian hingga semua
komponennya tak negatif . Dibentuk vektor
v
*
= | v , dengan | = ) ( min
i
i
v , untuk i = 1, 2, ..., n.
Dengan kombinasi linear max-plus di atas akan diperoleh bahwa komponen-komponen
*
i
v semuanya tak negatif dan paling sedikit satu komponennya bernilai nol. Sementara vektor v
*
juga merupakan vektor eigen yang bersesuaian dengan
max
(A).
Jika diambil saat keberangkatan awal pelanggan d(0) = v
*
, maka v
*
merupakan saat
keberangkatan awal tercepat pelanggan, agar saat keberangkatan pelanggan periodik sejak saat
keberangkatan awal pelanggan. Mengingat vektor v
*
merupakan vektor eigen yang bersesuaian
dengan
max
(A), maka A v
*
= ) (
max
A v
*
. Dari persamaan (7) dengan menggunakan induksi
matematis dapat ditunjukkan bahwa
d(k) =
k
A

)) ( (
max
v
*
, untuk k = 1, 2, ... .
(8)
Untuk k = 1 berlaku d(1) = A v
*
= ) (
max
A v
*
=
1
max
)) ( (

A v
*
.
Andaikan benar untuk k = n 1, yaitu d(n 1) =
) 1 (
max
)) ( (

n
A v
*
.
Untuk k = n , d(n) = A d(n 1) = A (
) 1 (
max
)) ( (

n
A v
*
= (
) 1 (
max
)) ( (

n
A A v
*
=
(
) 1 (
max
)) ( (

n
A ) (
max
A v
*
= (
1
max
)) ( (

n
A v
*
.
Jadi benar untuk k = n.
Dari Persamaan (8) di atas nampak bahwa v
*
adalah saat keberangkatan awal tercepat
pelanggan, sehingga saat keberangkatan pelanggan pada jaringan periodik dengan periode
sebesar ) (
max
A .

Contoh 2 Diperhatikan kembali jaringan antrian serial tertutup seperti pada Contoh 1 di atas
beserta hasil yang telah diperoleh. Dapat ditentukan bahwa nilai eigen max-plus tunggal matriks
A adalah ) (
max
A = 7 dengan vektor eigen max-plus fundamental yang bersesuaian dengan
) (
max
A adalah v= [6, 9, 10, 0, 2]
T
. Selanjutnya diperoleh | = ) ( min
i
i
v = 10, untuk
i = 1, 2, ..., n, sehingga saat keberangkatan awal tercepat pelanggan adalah d(0) = v
*
= 10 v =
[4, 1, 0, 10, 8]
T
. Selanjutnya dengan saat keberangkatan awal tersebut, saat keberangkatan
pelanggan untuk k = 1, 2, 3, ... adalah



(
(
(
(
(
(
) 1 (
) 1 (
) 1 (
) 1 (
) 1 (
5
4
3
2
1
d
d
d
d
d
=
(
(
(
(
(
(
5 5
7 7
6 6
4 4
3 3
c c c
c c c
c c c
c c c
c c c
(
(
(
(
(
(
8
10
0
1
4
=
(
(
(
(
(
(
15
17
7
8
11
= 7
(
(
(
(
(
(
8
10
0
1
4
,
(
(
(
(
(
(
) 2 (
) 2 (
) 2 (
) 2 (
) 2 (
5
4
3
2
1
d
d
d
d
d
=
(
(
(
(
(
(
22
24
14
15
18
=
2
7

(
(
(
(
(
(
8
10
0
1
4
,

(
(
(
(
(
(
) 3 (
) 3 (
) 3 (
) 3 (
) 3 (
5
4
3
2
1
d
d
d
d
d
=
(
(
(
(
(
(
29
31
21
22
25
=
3
7

(
(
(
(
(
(
8
10
0
1
4
dan seterusnya.

Saat keberangkatan pelanggan d(k) sampai k = 15, seperti dalam tabel berikut
Tabel 2 Perhitungan Saat Keberangkatan Pelanggan Contoh 2
k 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
d
1
4 11 18 25 32 39 46 53 60 67 74 81 88 95 102 109
d
2
1 8 15 22 29 36 43 50 57 64 71 78 85 92 99 106
d
3
0 7 14 21 28 35 42 49 56 63 70 77 84 91 98 105
d
4
10 17 24 31 38 45 52 59 66 73 80 87 94 101 108 115
d
5
8 15 22 29 36 43 50 57 64 71 78 85 92 99 106 113

Nampak bahwa saat awal keberangkatan tercepat pelanggan adalah vektor d(0) = [4, 1,
0, 10, 8]
T
, sehingga saat keberangkatan pelanggan pada setiap pelayanan dalam jaringan antrian
tersebut periodik dengan periode sebesar 7.

DAFTAR PUSTAKA

Bacelli, F., et al, Synchronization and Linearity, New York, John Wiley & Sons, 2001.
Heidergott, B. B, et. al., Max Plus at Work, Princeton, Princeton University Press, 2005.
Krivulin, N.K., A Max-Algebra Approach to Modeling and Simulation of Tandem Queueing
Systems. Mathematical and Computer Modelling, 22 , N.3, 25-31, 1995.
Krivulin, N.K., The Max-Plus Algebra Approach in Modelling of Queueing Networks, Proc.
1996 Summer Computer Simulation Conf., Portland, OR, July 21-25, 1996, SCS, 1996,
485-490, 1996.
Krivulin, N.K., Algebraic Modelling and Performance Evaluation of Acyclic Fork-Join
Queueing Networks. Advances in Stochastic Simulation Methods, Statistics for Industry
and Technology. Birkhauser, Boston, 63-81, 2000.


PENGGUNAAN SISTEM PERSAMAAN DIFERENSIAL TUNDAAN DENGAN
WAKTU TUNDAAN DISKRET DALAM MODEL PENYEBARAN PENYAKIT

Rubono Setiawan

Prodi Pendidikan Matematika Jurusan PMIPA FKIP
Universitas Sebelas Maret (UNS)
Jalan Ir. Sutami No 36 A Kentingan Surakarta
E-mail : rubono.matematika@gmail.com

Abstrak

Dalam artikel ini dijelaskan penggunaan konsep persamaan diferensial tundaan (PDT)
dalam model matematika , yang dalam artikel ini diambil contoh dalam model penyebaran
penyakit SIR (Susceptible Invected Recovery ) yang menggunakan waktu tundaan diskret.
Waktu tundaan dalam model penyakit dapat berarti waktu inkubasi dari penyakit, tetapi tidak
hanya terbatas pada arti tersebut. Dalam artikel ini diberikan contoh langkah langkah
mengkontruksi model penyebaran penyakit sederhana dengan asumsi asumsi tertentu dan
yang melibatkan dua waktu tundaan yang masing masing memiliki interpretasi dan fungsi
yang berbeda.

Kata Kunci : Persamaan Diferensial Tundaan, S I R, Waktu Tundaan

1. Pendahuluan
Persamaan ( Sistem persamaan ) diferensial digunakan untuk mengkontruksi model
matematika yang menjelaskan suatu fenomena yang melibatkan laju / dinamika perubahan
seperti pertumbuhan individu dalam suatu populasi, dinamika gerak benda, interaksi antara
individu, penyebaran penyakit dan lain sebagainya. Lebih khususnya dalam model penyebaran
penyakit digunakan sistem persamaan diferensial dengan dimensi yang menunjukkan jumlah
subpopulasi yang digunakan, misalkan model SIR ( Susceptible Invected Recovery )
menggunakan sistem persamaan diferensial berdimensi 3 yang masing masing
menginterpretasikan dinamika dari 3 sub populasi yaitu rentan ( Susceptible ), sakit ( Invected )
dan sembuh ( Recovery).
Dalam perkembangannya model penyebaran penyakit mempunyai banyak variasi
tergantung dari asumsi asumsi yang dibangun agar modael tersebut dapat menggambarkan
dinamika dari penyakit secara lebih baik. Komponen yang penting dari model penyebaran
penyakit adalah bentuk laju kontak, yang menggambarkan interaksi ( kontak ) antara individu
yang sakit dengan individu yang sehat dan rentan terkena penyakit. Dalam hal ini kontak yang
dimaksud adalah kontak yang dapat menyebabkan penularan penyakit, kontak ini haruslah
terjadi agar penularan penyakit terjadi. Terdapat banyak bentuk laju kontak yang telah
dikontruksi tergantung dari asumsi terhadap suatu penyakit, seperti bilinear, jenuh, nonlinear,
dan lain sebagainya.
Dalam laju kontak biasa, kontak antara individu rentan ( S ) dengan sakit ( I ) dianggap
terjadi antara S dan I yang berada pada waktu t yang sama, padahal masih memungkinkan
terjadi S kontak dengan I yang dalam waktu yang berbeda juga dapat menginfeksi S.
Sebagai contoh dalam penyakit flu, kita dapat tertular penyakit flu dengan individu yang telah
sakit flu dengan waktu yang mungkin berbeda. Dari hal tersebut muncul pengertian tentang
waktu tundaan sebagai representasi dari waktu inkubasi. Waktu inkubasi disini, diasumsikan
singkat sehingga dapat dibedakan dengan kelas laten. Waktu tundaan tersebut sebagai suatu
parameter positif dan dimasukkan dalam bentuk kontak, untuk mengakomodasi kemungkinan
terjadinya kontak antara S dan I yang berbeda waktu. Sebagai contoh analisis kestabilan titik
ekuilibrium model S I R dengan waktu tundaan dengan laju insidensi bilinear telah dibahas oleh
R. Setiawan, 2009 [2], kemudian analisis kestabilan titik ekuilibrium model S I R dengan waktu
tundaan dan laju insidensi jenuh telah dibahas oleh R. Setiawan, Widodo, L. Aryati, 2010 [5].
Kemudian dalam artikel ini juga dikontruksi pengertian waktu tundaan dengan pengertian yang


berbeda dengan waktu inkubasi penyakit. Dalam hal mengkotruksi model penyebaran penyakit
yang memuat waktu tundaan, dibutuhkan suatu konsep baru yaitu sistem persamaan diferensial
tundaan (PDT).

2. Pembahasan
2.1. Sistem Persamaan Diferensial Tundaan (PDT)
Sebelum membahas sistem PDT, terlebih dahulu akan diberikan pengertian sistem
persamaan diferensial fungsional. Misalkan diberikan konstanta , 0 < ,

dan
, 0,
ruang (Banach) fungsi kontinu dari , 0 ke
. Untuk setiap
, 0,
, norma dari didefinisikan sebagai =

0
. Jika
:

,
, > 0 fungsi kontinu, maka
, 0,
, 0 < , didefinisikan
sebagai
= +, 0. Kemudian diberikan , 0,
dan
dibentuk masalah syarat awal sebagai berikut :

=
, , 0, 2.1.1
0 =
= .

Sistem 2.1.1 disebut sebagai sistem persamaan diferensial fungsional, dengan
, 0,
syarat awal Sistem 2.1.1. Sistem 2.1.1 dikatakan linear jika
, =
, +, dengan , 0,
linear. Kemudian
, dikatakan linear
homogen jika = dan dikatakan linear nonhomogen jika = . Kemudian Sistem
2.1.1 dikatakan autonomous jika
, =
, dengan
tidak bergantung secara

eksplisit pada , dengan demikian sistem persamaan diferensial fungsional autonomous
mempunyai bentuk umum sebagai berikut

=
, 0, 2.1.2
0 =
= .

Solusi Sistem 2.1.2 dengan syarat awal pada saat = 0 yaitu 0 =
= dinotasikan
sebagai = ; . Sistem persamaan diferensial tundaan (PDT) termasuk dalam sistem
persamaan diferensial fungsional. Pada model matematika yang melibatkan waktu tundaan,
sistem persamaan yang terbentuk adalah sistem PDT autonomous dengan waktu tundaan
dianggap parameter sebagai bifurkasi dari sistem. Dalam subbab selanjutnya dari artikel ini
akan dikaji contoh model penyebaran penyakit yang menggunakan sistem PDT dengan waktu
tundaan diskrit. Misalkan diberikan sistem PDT autonomous dengan satu waktu tundaan diskret
yang juga dapat dipandang sebagai contoh dari Sistem 2.1.2 sebagai berikut :

= , , 0, 0, 2.1.3
0 =
= ,

dengan : , 0,
. Kemudian
, 0,
yang memenuhi
= 0
untuk suatu nilai =
, disebut titik ekuilibrium dari Sistem 2.1.3 ( Brauer dan Chavez

(2001) [1] ). Pada umumnya dalam banyak model penyebaran penyakit yang menggunakan
waktu tundaan, titik ekuilibrium didapat untuk
= 0. Berdasarkan contoh penjelasan pada

[9], dalam analisis kestabilan titik ekuilibrium diperlukan adanya persamaan karakteristik untuk
menentukan nilai eigen , secara umum persamaan karateristik dari Sistem 2.1.3 berbentuk :

,
0
+
1
= 0, 2.1.4

dengan
0
dan
1
adalah suku banyak dalam . Dalam hal ini adalah akar karateristik
dari Persamaan 2.1.4, yang selanjutnya disebut nilai eigen. Berikut ini diberikan definisi
kestabilan titik ekuilibrium dari Sistem 2.1.3.


Definisi 2.1.1 (Kuang, 1992 [9] ) Diberikan Sistem 2.1.3 dengan titik ekuilibrium
, 0,
.
i.
dikatatan stabil lokal jika > 0 terdapat = > 0, sehingga untuk setiap
, 0,
dengan sifat < berlaku ; < , 0.

ii.
dikatakan tidak stabil, jika tidak memenuhi i .

iii.
dikatakan stabil asimtotik lokal jika
stabil dan terdapat

0
> 0, sehingga untuk
setiap , 0,
dengan sifat <

0
berlaku ;
untuk .

Teorema 2.1.2 (Kar, 2003[8]) Syarat cukup dan perlu titik ekuilibrium
dikatakan stabil
asimtotik lokal untuk setiap 0 adalah :
i. semua nilai eigen dari persamaan , 0 = 0 mempunyai bagian real negatif dan,
ii. untuk sebarang bilangan real positif

dan > 0, berlaku , 0.

Kemudian menurut Kuang (1992) [9] titik ekuilibrium
dari Sistem 2.1.3 dikatakan

stabil asimtotik global, jika untuk setiap solusi dari Sistem 2.1.3 menuju
untuk .
Selanjutnya akan digunakan Teorema Liapunov LaSalle untuk menganalisis kestabilan global
dari titik ekuilibrium Sistem 2.1.3, dan dalam hal ini dibutuhkan definisi mengenai fungsional
Liapunov. Misalkan diberikan Sistem 2.1.3 dengan : , 0,
kontinu lengkap,
berikut ini diberikan definisi fungsional Liapunov untuk Sistem 2.1.3.

Definisi 2.1.3 (Kuang, 1992 [9]) Suatu fungsional : , 0,
disebut fungsional
Liapunov pada himpunan G di dalam , 0,
untuk Sistem 2.1.3, jika V kontinu pada

(klosur G) dan
0 pada G.
Kemudian didefinisikan himpunan berikut :

(2.8.3)
= 0 ,
Himpunan invarian terbesar di dalam , yaitu gabungan semua himpunan invarian di
dalam ,
dan juga teorema Liapunov LaSalle untuk Sistem PDT autonomous sebagai berikut :

Teorema 2.1.4 (Kuang, 1992 [9]) Jika V fungsional Liapunov pada G dan ; merupakan
solusi terbatas Sistem 2.1.3 yang tetap berada di G maka , yaitu ;
untuk .

2.2. Model SIR (SusceptibleInvected Recovery) yang Diperluas dan dengan Dua Waktu
Tundaan Diskret

Dalam subbab ini akan diberikan contoh mengkontruksi model penyebaran penyakit yang
menggunakan waktu tundaan diskrit. Penjelasan hanya sampai pada konstruksi model dan untuk
analisis matematisnya tidak dibahas dalam artikel ini, analisis lebih lanjut dapat dilihat pada [7].
Dalam penerapannya ternyata dalam satu model dapat memuat lebih dari satu waktu tundaan
dengan interpretasi yang berbeda. Dalam artikel ini akan dicoba untuk mengkontruksi model
SIR yang diperluas dengan menggunakan dua waktu tundaan diskrit. Model SIR adalah model
penyebaran penyakit sederhana yang cocok untuk penyakit dengan masa inkubasi penyakit yang
singkat dan penyakit tersebut tidak menyebabkan kematian. Contoh penyebaran penyakit yang
dapat dimodelkan dengan model SIR ini adalah penyakit flu dan cacar.
Dalam model SIR , populasi dibagi ke dalam 3 kelas subpopulasi, kelas S ( rentan ) yang
menyatakan kelas individu yang rentan terjangkit penyakit, kelas I ( sakit ) menyatakan kelas
individu yang sudah terjangkit penyakit dan memiliki kemampuan menularkan penyakit ke
kelas S, dan kelas R ( sembuh ) menyatakan kelas individu yang telah sembuh dari penyakit dan
memiliki kekebalan tetap terhadap penyakit yang sedang dibicarakan , sehingga tidak masuk ke
dalam kelas rentan lagi. Jika , dan berturut turut menyatakan ukuran kelas


rentan, sakit dan sembuh pada saat waktu t maka didapat hubungan = + +
.
Dalam artikel ini model S I R yang dicontohkan diasumsikan menggunakan laju
insidensi yang sederhana yaitu bilinear dengan laju laju kontak , selain itu juga ditambahkan
asumsi asumsi sebagai berikut :
1. Jumlah total populasi tidak konstan, tetapi diasumsikan tidak ada migrasi ( perpindahan
individu ).
2. Individu yang sembuh mempunyai kekebalan alami terhadap penyakit tersebut dengan laju
kesembuhan alami .
3. Pertumbuhan populasi diasumsikan hanya terjadi pada kelas rentan ( S ) dengan laju
kelahiran alami
1
dan mengikuti model pertumbuhan logistik dengan kapasitas batas (
carrying capacity ) K. Dalam model pertumbuhan logisitik diasumsikan terdapat efek
interaksi antara individu dalam kelas S yang menyebabkan kematian, dengan laju
kematiannya . Diasumsikan terdapat waktu tunda yang diperlukan dalam proses
pertumbuhan individu dari kecil sampai dengan dewasa dengan waktu tunda
dan
dimasukkan kedalam bentuk interaksi antar individu dalam model logistik tersebut. Hal
tersebut berarti bahwa interaksi dapat terjadi antara individu dengan usia yang berbeda
4. Diasumsikan penyakit tersebut menyebabkan resiko kemandulan yang tinggi dan atau
mengurangi / menghambat proses reproduksi dari individu yang sakit pada populasi tersebut
sehingga kelahiran hanya terjadi pada kelas rentan ( S ).
5. Terjadi proses kematian alami, yaitu kematian yang bukan disebabkan oleh penyakit yang
sedang dibicarakan dan terjadi pada semua kelas, dengan laju kematian yang berbeda beda
untuk tiap kelas. Untuk kelas rentan ( S ) dengan laju kematian alami
2
, kelas sakit ( I )
dengan laju kematian alami
1
, kelas sembuh (R) dengan laju kematian alami
2
.
Diasumsikan populasinya bertumbuh, sehingga laju kelahiran alami kelas rentan (S) lebih
besar daripada laju kematian alaminya.
6. Menggunakan waktu inkubasi penyakit, yaitu waktu yang dibutuhkan individu rentan ketika
mulai terinfeksi penyakit sampai menjadi individu terjangkit penyakit sebagai waktu
tundaan
0 dan dimasukkan ke dalam bentuk insidensinya.

Berdasarkan asumsi asumsi di atas, dapat dibentuk diagram transfer berikut :

yang selanjutnya didapat model SIR yang diperluas dengan dua waktu tundaan sebagai berikut :

=
1
()
= 0 2.2.1

= ()

1
+ = 0 2.2.2

=
2
= 0. 2.2.3

dengan
1
,
2
, , , ,
1
, dan
2
adalah konstanta positif. Parameter positif melambangkan
angka kesembuhan alami dari individu individu yang terkena penyakit. Kemudian
1
and
2

masing masing melambangkan angka kematian perkapita dari individu yang sehat dan sembuh
dari penyakit.
( ) ) ( ) (
2
t S t S t S r
A
t +

) ( ) (
B
t I S t t |

S I R
( ) t I
1
( ) t R
2

( ) t I ( ) t S r
1


3. Penutup
Sistem persamaan diferensial tundaan (PDT) yang merupakan salah satu contoh dari
persamaan diferensial fungsional, dapat digunakan untuk mengkontruksi suatu model
matematika yang menggunakan waktu tundaan, dalam model penyebaran penyakit dapat
diambil contoh waktu tundaan sebagai waktu inkubasi penyakit dan juga waktu tunda yang
dibutuhkan suatu individu untuk mencapai umur pada saat waktu t sekarang. Dalam prakteknya
masih memungkinkan untuk dikontruksi waktu tundaan dengan iterpretasi yang lain.

Daftar Referensi

[1] F. Brauer dan C.C. Chavez.,2001, Mathematical Models in Population Biology and
Epidemiology, Text in Applied Mathematics 40, Springer Verlag , New York, USA.

[2] R. Setiawan, 2009, Stability of Delayed S I R Model With Vital Dynamics, Proceeding of
IndoMS International Conference on Mathematics and its Application (IICMA) 2009, 12
13 Oktober 2009, Applied Mathematics, pp.471- 478, ISBN :978-602-96426-0-5.

[3] R.Setiawan, 2009, Bifurkasi Hopf dalam Model Epidemi dengan Waktu Tundaan Diskret,
Jurnal Matematika dan Pendidikan Matematika Phytagoras, Vol 5, No.1 Juni, 2009,
Jurusan Pendidikan Matematika FMIPA UNY, Yogyakarta.

[4] R.Setiawan, 2009 Analisis Kestabilan Ekuilibrium Model Matematika Berbentuk Sistem
Persamaan Diferensial Tundaan dengan Waktu Tundaan Diskrit., Prosiding Seminar
Nasional Matematika dan Pendidikan Matematika Universitas Negeri Yogyakarta (UNY)
2009

[5] R. Setiawan, Widodo, L. Aryati, 2010, Analisis Kestabilan Titik Ekuilibrium Model
Epidemi S I R dengan Waktu Tundaan dan Laju Insidensi Jenuh, Tesis, Universitas
Gadjah Mada, Yogyakarta.

[6] R. Setiawan, 2010, Stability and Hopf Bifurcation Analysis of Equilibrium and Periodic
Solution of Delayed S I R Epidemic Model with Saturated Incidence, Presented on
International Conference on Algebra (ICA) 2010, In Honor of the 70th Birthday of
Professor Shum Kar Ping, Yogyakarta, 7-10 Oktober 2010.

[7] R. Setiawan, 2011, Local Stability and Bifurcation Analysis of Equilibrium Points of
Generalized S I R Epidemic Model with Two Time Delays, Submitted In JIMS ( Journal
of Indonesian Mathematical Society)

[8] T.K. Kar, 2003, Selective Harvesting in a Prey-Predator Fishery with Time Delay ,
Mathematical and Computer Modelling, Vol. 38 , pp. 449-458.

[9] Y.Kuang, 1993, Delay Differential Equations with Applications in Population Dynamics,
Academic Press, Boston, USA.



BEBERAPA AKSIOMA ALTERNATIF
PENENTU GRUP

Mardjuki
Program Studi Pendidikan Matematika Jurusan PMIPA
FKIP UNS

Abstrak

Suatu struktur aljabar ( G , ) dikatakan menyusun suatu group, jika memenuhi aksioma
tertutup, asosiatif, adanya elemen identitas / elemen netral terhadap operasi biner , dan
untuk setiap elemen pada G mempunyai elemen invers terhadap operasi biner .
Sifat-sifat yang dimiliki oleh group, diantaranya sifat ketunggalan elemen identitas, sifat
ketunggalan elemen invers untuk setiap elemen, sifat invers dari invers setiap elemen, sifat atau
hukum konselasi, sifat invers dari perkalian beberapa elemen, sifat ketunggalan dari
penyelesaian persamaan ax = b atau persamaan ya = b, sifat identitas kanan dan identitas kiri,
dan sifat invers kanan dan invers kiri. Dengan menggunakan sifat-sifat tersebut dapat dicari
syarat cukup dan syarat perlu untuk suatu himpunan tak kosong G agar G merupakan group.

PENDAHULUAN
Pendahuluan
Pengertian group merupakan hal yang sangat penting dalam aljabar modern. Seperti
pengertian matematika yang lain, pengertian group adalah umum dan abstrak. Group menjadi
menarik dan penting dalam berbagai hal. Group dapat diartikan himpunan elemen-elemen yang
memenuhi suatu operasi. Misalkan, elemen-elemen dari group yang digunakan dalam geometri
transformasi adalah translasi, atau rotasi, atau pencerminan, atau yang lain.
Secara umum, himpunan aksioma dalam karakterisasi suatu group memuat tiga sifat,
yaitu sifat asosiatif, adanya elemen identitas, dan adanya elemen invers setiap elemen. Khusus
untuk grup Abelian ditambahkan satu sifat lagi, yaitu sifat komutatif. Pencarian aksioma-
aksioma untuk penentu group nampak semakin berkembang dari tahun ke tahun. Mulai dari
operasi yang digunakan sampai ke bentuk sistem aksiomanya.Tulisan ini merupakan suatu studi
yang menyajikan berbagai bentuk sistem aksioma untuk identifikasi group.

Tujuan Penelitian
Penelitian ini bertujuan untuk membahas beberapa bentuk aksioma alternatif untuk
mengidentifikasi grup. Dari aksioma-aksioma yang ada disusun dan dikembangkan teorema-
teorema yang buktinya diusahakan secara rinci dan sitematis.

Metode Penelitian
Penelitian ini merupakan studi literatur. Teori maupun fakta-fakta yang dibahas dalam studi
ini bersumber dari literatur-literatur yang tersedia . Teori maupun fakta-fakta itu kemudian
disusun dan diuraikan dalam bentuk yang diusahakan lebih sistematis.

TEORI DASAR GROUP
Pada bab ini akan dibahas tentang pengertian dasar group dan beberapa sifat dari group.

Pengertian Group
Suatu pengertian penting dalam teori group adalah operasi biner ( binary operation ).
Misal G adalah suatu hmpunan tak kosong yang dilengkapi dengan operasi biner " " .
Pemetaan : G x G : G didefinisikan oleh
( x,y ) x y = z
x , y , z G

Berdasarkan pengertian di atas dapat dikatakan bahwa " " adalah operasi biner pada G ,
bilamana dan hanya bilamana untuk sebarang x , y G berlaku x y G .
Sifat operasi pada G ini disebut sifat ketertutupan ( closure ) dan jika ketertutupan ini dipenuhi
oleh suatu operasi pada G , maka dikatakan bahwa G tertutup terhadap operasi .
Himpunan tak kosong G bersama dengan operasi biner disebut pula struktur atau sistem
aljabar , yang sering dituliskan singkat dengan ( G , ) . Perlu diingat, bahwa suatu struktur
aljabar dapat mempunyai lebih dari satu operasi biner. Sebagai contoh, pada himpunan bilangan
asli mempunyai operasi biner penjumlahan (+) dan perkalian (x ).
Suatu group adalah suatu struktur aljabar yang mempunyai sifat-sifat tertentu, sebagaimana
yang disajikan pada definisi berikut.

Definisi 2.1 :
Suatu struktur aljabar (G , ) dikatakan menyusun suatu group jika memenuhi aksioma-
aksioma berikut.
( i ) Tertutup.
Untuk setiap x , y G berlaku x y G .
( ii ) Asosiatif
Untuk setiap x , y , z G berlaku ( x y ) z = x ( y z ) .
( iii ) Terdapat elemen identitas e terhadap operasi biner " " .
( x G ) ( e G ). x e = e x = x.
e disebut elemen identitas .
( iv ) Elemen invers.
( x G ) ( x' G ). x x' = x' x = e .
x' disebut elemen invers dari x terhadap operasi biner " " .

Perlu diingat, bahwa apabila dikatakan bahwa " " adalah operasi biner, maka aksioma (i)
secara otomatis telah dipenuhi, sehingga tidak perlu diselidiki lagi.

Berdasar definisi di atas dapat disusun pengertian group Abelian, seperti yang disajikan pada
definisi berikut. Untuk memudahkan penulisan, group ( G , ) sering dituliskan singkat dengan
G, apabila tidak menimbulkan kerancuan . Demikian pula x y sering ditulis dalam bentuk
perkalian biasa xy , elemen invers x' ditulis dengan x
-1
.

Beberapa Sifat Group
Pada bagian ini akan dibahas tentang beberapa sifat umum untuk group. Sifat-sifat tersebut
disajikan pada teorema-teorema berikut.

Teorema 2.1 : ( sifat ketunggalan elemen identitas )
Elemen identitas dalam setiap group adalah tunggal.
Bukti :
Misal G adalah group dan andaikan pada G terdapat elemen-elemen identitas e
1
dan e
2
. Dengan
sifat identitas, akibatnya berlaku
e
1
e
2
= e
2
e
1
= e
1
dan e
2
e
1
= e
1
e
2
= e
2
.
Hal ini dipenuhi hanya apabila e
1
= e
2
.

Teorema 2.2 :
Setiap elemen dalam suatu group mempunyai invers yang tunggal.
Bukti :
Misal G adalah group dengan elemen identitas e .
Misal x adalah sebarang elemen dalam G . Andaikan invers dari x adalah y dan z .
Dengan menggunakan sifat invers, berlaku
xy = yx = e , dengan e adalah elemen identitas , dan juga berlaku
xz = zx = e
Dari kedua baris di atas diperoleh
y ( x z ) = y e = y


(yx) z = ez = z
Dengan menggunakan sifat asosiatif diperoleh
(yx) z = y (xz ) , atau
e z = y e , atau
z = y

Teorema berikut menyatakan bahwa invers dari invers suatu elemen dalam group adalah elemen
itu sendiri.
Teorema 2.3 :
Jika x adalah sebarang elemen dalam group G maka berlaku ( x
-1
)
-1
= x .
Bukti :
Misal x adalah sebarang elemen dalam group G. Dengan menggunakan postulat invers,
diperoleh
x
-1
x = e , dengan e adalah elemen identitas / netral.
( x
-1
)
-1
( x
-1
x ) = ( x
-1
)
-1
e
( ( x
-1
)
-1
( x
-1
) ) x = ( x
-1
)
-1
e x = ( x
-1
)
-1

x = ( x
-1
)
-1

x x
-1
= e
( x x
-1
) ( x
-1
)
-1
= e ( x
-1
)
-1

x ( x
-1
( x
-1
)
-1
) = ( x
-1
)
-1

x e = ( x
-1
)
-1

x = ( x
-1
)
-1

Terbukti bahwa ( x
-1
)
-1
= x .

Teorema 2.4 :
Hukum konselasi dipenuhi dalam setiap group.
Bukti :
Misal G adalah group dan sebarang x , y , z G berlaku xy = xz dan yx = zx.
Akan ditunjukkan bahwa y = z .
Dari xy = xz diperoleh
x
-1
( xy ) = x
-1
( xz )
( x
-1
x ) y = ( x
-1
x ) z
e y = e z
y = z
Hukum konselasi kiri dipenuhi dalam G.
Dari yx = zx diperoleh
( yx ) x
-1
= ( zx ) x
-1

y ( x x
-1
) = z ( x x
-1
)
y e = z e
y = z
Hukum konselasi kanan dipenuhi dalam G.
Dikarenakan dalam G memenuhi hukum konselasi kiri dan hukum konselasi kanan, akibatnya
bahwa dalam G dipenuhi hukum konselasi.

Teorema 2.5 :
Untuk setiap x dan y dalam group G berlaku ( x y )
-1
= y
-1
x
-1
.
Bukti :
Karena x, y G , akibatnya x
-1
, y
-1
G , sehingga berlaku
( x y ) ( y
-1
x
-1
) = ( ( x y ) y
-1
) x
-1

( x y ) ( y
-1
x
-1
) = ( x ( y y
-1
) ) x
-1

= ( x e ) x
-1

= x x
-1

= e

( y
-1
x
-1
) ( xy ) = (( y
-1
x
-1
) x ) y
= ( y
-1
( x
-1
x ) ) y
= ( y
-1
e ) y
= y
-1
y
= e
Karena ( x y ) ( y
-1
x
-1
) = ( y
-1
x
-1
) ( xy ) = e , akibatnya terbukti bahwa
( x y )
-1
= y
-1
x
-1

Teorema 2.6 :
Bila G adalah group dan a , b , x , y G , maka persamaan a x = b dan ya = b mempunyai
penyelesaian yang tunggal.
Bukti :
Substitusi x = a
-1
b pada persamaan ax = b diperoleh
a ( a
-1
b ) = b
( a a
-1
) b = b
e b = b
b = b .
Dapat disimpulkan bahwa x = a
-1
b merupakan penyelesaian dari persamaan ax = b .
Apabila x
1
dan x
2
adalah penyelesaian dari persamaan a x = b , maka diperoleh bahwa
a x
1
= b dan a x
2
= b .
Dari yang terakhir ini diperoleh bahwa
a x
1
= a x
2

Dengan menggunakan hukum konselasi, didapatkan
x
1
= x
2
.
Oleh karenanya bahwa penyelesaian persamaan a x = b adalah tunggal .
Selanjutnya substitusi y dengan b a
-1
pada persamaan y a = b diperoleh
( b a
-1
) a

= b
b ( a
-1
a ) = b

b e = b
b = b
Oleh karenanya y = b a
-1
adalah penyelesaian dari persamaan y a = b .
Apabila y
1
dan y
2
adalah penyelesaian dari persamaan y a = b , maka
y
1
a = y
2
a
Dengan menggunakan hukum konselasi, didapatkan y
1
= y
2
.
Dengan kata lain, bahwa persamaan ax = b dan ya = b mempunyai penyelesaian yang tunggal.
Pada Definisi 2.1 disebutkan adanya elemen identitas pada group G dan untuk setiap
elemen pada G mempunyai invers, dan menurut Teorema 2.2, bahwa invers dari setiap elemen
adalah tunggal. Untuk elemen identitas dan invers dari elemen pada G dikenal adanya identitas
kiri, identitas kanan, invers kiri, dan invers kanan. Pengertian-pengertian tersebut disajikan pada
definisi berikut.

Definisi 2.2 :
Misal G adalah suatu group.
( i ) . Elemen e
1
G disebut identitas kiri, jika
e
1
x = x untuk setiap x G .
( ii ) . Elemen e
2
G disebut identitas kanan , jika
x e
2
= x untuk setiap x G .
( iii ). Elemen x
1
-1
disebut invers kiri dari x
1
G , jika
x
1
-1
x
1
= e untuk setiap x
1
G ,
dengan e adalah elemen identitas pada G.
( iv ). Elemen x
2
-1
disebut invers kanan dari x
2
G , jika
x
2
x
2
-1
= e untuk setiap x
2
G ,
dengan e adalah elemen identitas pada G .


Sebenarnya elemen identitas kiri dan elemen identitas kanan pada group adalah sama. Demikian
pula invers kiri dan invers kanan dari setiap elemen pada group juga sama. Pernyataan tersebut
dituangkan pada teorema berikut.

Teorema 2.7 :
Pada setiap group G berlaku :
( i ) . Identitas kiri dan identitas kanan dalam G adalah sama .
( ii ). Invers kiri dan invers kanan dari setiap elemen dalam G adalah sama .
Bukti :
( i ). Misal e adalah elemen identitas kiri pada group G .
Misal x adalah sebarang elemen pada G.
Dikarenan e adalah elemen identitas kiri dan G adalah group, akibatnya terdapat
x
-1
G sehingga berlaku
x
-1
x = e
Karena e elemen identitas kiri , akibatnya
e x = x
untuk setiap x G .

Selanjutnya
x
-1
( x e ) = ( x
-1
x ) e
= e e
= e
= x
-1
x .
Dengan menggunakan hukum konselasi kiri, diperoleh :
x e = x untuk setiap x G .
Oleh karenanya e juga merupakan elemen identitas kanan dalam G .

( ii ).Misal G adalah group dengan elemen identitas e , dan x
-1
adalah invers kiri dari elemen x
pada G .
Akibatnya diperoleh x
-1
x = e .
Dari lain pihak, bahwa
x
-1
( x x
-1
) = ( x
-1
x ) x
-1
= e x
-1
= x
-1

= x
-1
e
Dengan menggunakan hukum konselasi kiri, diperoleh :
x x
-1
= e
Hal ini menunjukkan bahwa x
-1
juga merupakan invers kanan dari x G .
Dengan kata lain, bahwa invers kiri dan invers kanan adalah sama .

BEBERAPA AKSIOMA ALTERNATIF PENENTU GROUP

Pada bagian sebelumnya , postulat umum untuk group telah disajikan pada Definisi 2.1 . Pada
bab ini akan dibahas beberapa aksioma alternatif.
Beberapa Aksioma Alternatif Penentu Group
Dalam bagian ini akan dibahas aksioma untuk menentukan group dalam berbagai bentuk dalam
teorema .
Teorema 3.1 :
Misal G adalah himpunan tak kosong dengan operasi biner yang dinyatakan dalam bentuk
perkalian biasa. G merupakan group , jika dan hanya jika
( i ) . ( x y ) z = x ( y z ) , untuk setiap x , y , z G .
( ii ). Untuk sebarang a , b , x , y G dipenuhi persamaan
a x = b . . . . . . . . . . . . . . . . ( 3.1 )
dan y a = b . . . . . . . . . . . . . . . . ( 3.2 )

mempunyai penyelesaian tunggal .

Bukti :
( i ) : Syarat perlu .
Apabila G suatu group, maka jelas bahwa syarat (i) dan syarat (ii) dipenuhi oleh G .
( ii ) : Syarat cukup .
Misal G memenuhi syarat (i) dan syarat (ii).
Pada ( 3.1 ) dan ( 3.2 ) dipilih b = a .
Menurut hipotesa, terdapat e
1
G dan e
2
G sehingga memenuhi
a e
1
= a . . . . . . . . . . . . . . . . . ( 3.3 )
e
2
a = a . . . . . . . . . . . . . . . . . ( 3.4 )
Dipilih b = e
2
pada ( 3.1 ) dan b = e
2
pada ( 3.2 ) , sehingga diperoleh
a x = e
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ( 3.5 )
y a = e
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. ( 3.6 )
Dari ( 3.3 ) , ( 3.4 ), ( 3.5 ), dan ( 3.6 ) diperoleh
e
2
e
1
= ( y a ) e
1

= y ( a e
1
)
= y a
= e
2
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ( 3.7 )
e
2
e
2
= e
2
( a x )
= ( e
2
a ) x
= a x
= e
2
. . . . . . . . . . .. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. .( 3.8 )
Dari ( 3.7 ) dan ( 3.8 ) diperoleh
e
2
e
1
= e
2
e
2

e
1
= e
2
.
Misal e
1
= e
2
= e . Akibatnya dari ( 3.3 ) dan ( 3.4 ) diperoleh
a e = e a = a .
Oleh karenanya, bahwa e adalah elemen identitas.
Selanjutnya dipilih b = e pada ( 3.1 ) dan pada ( 3.2 ), sehingga didapatkan
a x = e dan y a = e . . . . . . . . . . . . . . . . . . . . . . . . . . ( 3.9 )
Dari ( 3.9 ) dan menggunakan sifat asosiatif pada G diperoleh
a x = e
y ( ax ) = y e
( y a ) x = y e
e x = y e
x = y
Kesimpulannya adalah untuk setiap a G terdapat x G sehingga
a x = x a = e .
Akibatnya bahwa x = a
-1
, dan akhirnya terbukti bahwa G adalah suatu group .

Teorema 3.2 :
Misal G adalah himpunan tak kosong dengan operasi biner yang dinyatakan dalam bentuk
perkalian biasa . G adalah group jika dan hanya jika
( i ) . ( x y ) z = x ( y z ) , untuk setiap x , y, z G .
( ii ). Terdapat e G sehingga e x = x untuk setiap z G .
( iii ). Untuk setiap x G terdapat x
-1
G sehingga x
-1
x = e .
Bukti :
( i ) : Syarat perlu .
Jika G adalah grup, maka jelas G memenuhi syarat (i) , syarat (ii), dan syarat (iii) .
( ii ) : Syarat cukup .
Misal G memenuhi syarat (i) , syarat (ii) , dan syarat (iii).
Untuk setiap x G berlaku
x
-1
( x e ) = ( x
-1
x ) e
= e e


= e
= x
-1
x
Dari sini diperoleh x e = x .
Dapat disimpulkan bahwa e x = x e = x untuk setiap x G.
Dengan kata lain bahwa e adalah elemen identitas pada G .
Untuk menunjukkan bahwa x mempunyai invers, diperhatikan
x
-1
( x x
-1
) = ( x
-1
x ) x
-1

= e x
-1

= x
-1

= x
-1
e .
Dari sini diperoleh x x
-1
= e , sehingga dari hipotesa di atas bahwa
x
-1
x = x x
-1
= e untuk setiap x G .
Dengan kata lain , untuk sebarang x G mempunyai invers, yaitu x
-1
G .
Terbukti bahwa G adalah suatu group .

Teorema 3.3 :
Misal G adalah himpunan tak kosong dengan operasi biner yang ditulis dalam bebtuk perkalian
biasa. G adalah suatu group jika dan hanya jika :
( i ) . ( x y ) z = x ( y z ) , untuk setiap x, y, z G .
( ii ). Terdapat e G sehingga berlaku x e = x untuk setiap x G .
(iii). Untuk setiap x G terdapat x
-1
G , sehingga berlaku x x
-1
= e .
Bukti :
( i ) : ( Syarat perlu )
Jika G suatu grup , maka jelas syarat (i), syarat (ii), dan syarat (iii) dipenuhi oleh G.
( ii ) : ( Syarat cukup )
Misal G memenuhi syarat ( i ) , ( ii ) , dan ( iii ).
Selanjutnya : ( e x ) x
-1
= e ( x x
-1
)
= e e
= e
= x x
-1

Dari sini diperoleh bahwa : e x = x .
Oleh karenanya : x e = e x = x untuk setiap x G . Dengan kata lain bahwa e adalah elemen
identitas pada G .
Untuk membuktikan adanya invers dari setiap elemen pada G dilakukan sebagai berikut .
( x
-1
x ) x
-1
= x
-1
( x x
-1
)
= x
-1
e
= x
-1

= e x
-1
.
Dengan menggunakan hukum konselasi kanan, diperoleh x
-1
x = e .
Oleh karenanya x x
-1
= x
-1
x = e untuk setiap x G .
Dengan kata lain, untuk setiap x G mempunyai invers x
-1
G . Terbukti bahwa G adalah
suatu group .

Aksioma Group Berdasarkan Operasi Pengurangan
Dalam prakteknya, sering ditemukan suatu kenyataan bahwa operasi biner adisi (penjumlahan)
lebih sering digunakan dalam mendefinisikan group penjumlahan . Sementara itu di lain pihak
juga ditemukan beberapa konsep yang berhubungan dengan group, seperti kongruensi dan
subgroup yang lebih mudah didefinisikan dalam bentuk operasi balikan, yaitu operasi substraksi
( pengurangan ) . Berikut akan dibahas aksioma untuk identifikasi group berdasarkan operasi
pengurangan.
Misal G adalah himpunan tak kosong dan pada G didefinisikan operasi pengurangan (-)
sehingga untuk setiap x , y , z G memenuhi aksioma :
( I ) . x y G
( II ). Terdapat 0 G sehingga x y = 0 x = y
( III ). ( x z ) - ( y z ) = x - y .

Selanjutnya operasi jumlah ( + ) didefinisikan sebagai berikut .
x + y = x - ( 0 y ) untuk setiap x , y G . . . . . . . . . . . . . . . ( 3 . 10 )
Berikut disajikan teorema yang menyangkut ( 3 . 10 ).

Teorema 3. 4 :
Bila G adalah himpunan tak kosong yang memenuhi syarat ( I ) , ( II ) , ( III ) , dan (3.10 ),
maka G adalah suatu group. Sebaliknya, apabila G suatu group , maka syarat ( I ) , ( II ) , dan
(III) dipenuhi oleh G .
Bukti :
Jika G suatu group , maka jelas x y dapat didefinisikan dengan x + ( - y ), dan jelas bahwa G
memenuhi syarat ( I ) , ( II ) , dan ( III ) .
Selanjutnya, misal G memenuhi syarat ( I ) , ( II ) , dan ( III ) dan ( 3. 10 ) .
Karena G memenuhi syarat ( I ) , akibatnya G juga tertutup terhadap operasi jumlah yang
didefinisikan pada ( 3 . 10 ) .
Substitusi z = x pada (III) menghasilkan
( x x ) - ( y x ) = x y . . . . . . . . . . . . . . . . . . ( 3 . 11 )
Dari ( II ) diperoleh x x = 0 , sehingga ( 3 . 11 ) menjadi
0 ( y x ) = x y . . . . . . . . . . . . . . . . . . ( 3 . 12 )
Pada ( III ), bila z diganti dengan ( 0 z ) maka didapatkan
( x ( 0 z ) ) ( y ( 0 z ) ) = x y , atau
( x + z ) ( y + z ) = x y . . . . . . . . . . . . . . . . . . ( 3 . 13 )
Dengan menggunakan ( 3.12) pada (III) diperoleh
x y = ( x z ) - ( y z )
= ( x z ) - ( 0 ( z y ) )
= ( x y ) + ( z y ) .
Oleh karenanya
( x z ) + ( z y ) = x y . . . . . . . . . . . . . . . . . . ( 3 . 14 )
Pada ( III ), bila dipilih x y = 0 dan berdasarkan ( II ) , maka
( x z ) = y z = 0 x = y , atau
( x z ) = y z x = y . . . . . . . . . . . . . . . . . ( 3 . 15 )
Untuk y = 0 dan z = 0 pada ( III ) , diperoleh
( x 0 ) - ( 0 0 ) = x 0
( x 0 ) 0 = x 0 . . . . . . . . . . . . . . . . ( 3 . 16 )
x 0 = x . . . . . . . . . . . . . . . . . ( 3 . 17 )
Dengan menggantikan y = 0 pada ( 3 . 12 ) diperoleh
0 ( 0 x ) = x - 0 . . . . . . . . . . . . . . . . ( 3 . 18 )
Dari ( 3.17) dan ( 3.18 ) diperoleh
- ( 0 x ) = x
0 + x = x . . . . . . . . . . . . . . . . . ( 3 . 19 )
Pada ( 3.19) menunjukkan bahwa 0 adalah identitas kiri untuk x .
Selanjutnya
( 0 x ) + x = ( 0 - x ) - ( 0 x )
= 0
Oleh karenanya ( 0 x ) + x = 0 . . . . . . . . . . . . . . . . . . ( 3 . 20 )
Hal ini menunjukkan bahwa 0 x adalah elemen identitas kiri dari x .
Pada ( 3.13 ) dipilih y = 0 dan z = y . Akibatnya
( x + y ) - ( 0 + y ) = x 0 . . . . . . . . . . . . . . . ( 3 . 21 )
Dengan menggunakan ( 3.10 ) , ( 3.14 ) , dan ( 3.21 ) diperoleh sifat asosiatif sebagai berikut .
x + ( y + z ) = ( ( x + y ) y ) + ( y ( 0 z ) )
= ( x + y ) - ( 0 z )
= ( x + y ) + z . . . . . . . . . . . . . . . . . ( 3 . 22 )
Dari pembuktian di atas dapat disimpulkan bahwa
( i ) . ( x + y ) G , untuk setiap x , y G .
( ii ). ( x + y ) + z = x + ( y + z ) , untuk setiap x , y , z G .


( iii ). Terdapat 0 G sehingga 0 + x = x untuk setiap x G .
( iv ). Terdapat ( 0 x ) G sehingga ( 0 x ) + x = 0 untuk setiap x G .
Menurut Teorema 3.2 , dapat disimpulkan bahwa G adalah suatu group .

Aksioma Tunggal Untuk Group
Penyelidikan aksioma tunggal untuk group telah lama menjadi perhatian para matematisi. Pada
bagian ini akan dibahas aksioma tunggal untuk group .
Dalam pembahasan ini dibatasi hanya dua aksioma , dengan aksioma tipe pertama berbentuk
implikatif tunggal ( = ) ( = ) dan aksioma tipe kedua berbentuk persamaan
tunggal = .
Teorema 3.5 :
Jika G adalah himpunan tak kosong yang dilengkapi operasi biner yang secara implisit
dinyatakan dalam bentuk perkalian biasa dan operasi uner ( unary operation ) yang dinyatakan
dengan "(
-1
) " , sehingga untuk setiap x , y , z , u , w G memenuhi
( x y ) z = ( x u ) w u ( w z
-1
) = y . . . . . . . . . . . . . . . . . . ( 3.23 )
maka G merupakan suatu group .
Bukti :
Dengan menerapkan ( 3.23 ) terhadap
( x x ) y = ( x x ) y dan ( x x ) z = ( x x ) z ,
diperoleh
x ( y y
-1
) = x = x ( z z
-1
) . . . . . . . . . . . . . . . . . . . . . . . . . ( 3.24 )
Dari ( 3.24 ) didapatkan
( x ( y y
-1
) u ) = ( x ( z z
-1
) u ) . . . . . . . . . . . . . . . . . . . . . . ( 3.25)
Dengan menerapkan ( 3.24 ) ke dalam ( 3.25 ) diperoleh
( z z
-1
) ( u u
-1
) = ( y y
-1
) . . . . . . . . . . . . . . . . . . . . . . ( 3.26 )
Dari ( 3.26) ini ternyata y y
-1
yang bukan y dapat dinotasikan dengan e , yang merupakan
elemen identitas kanan , sehingga dapat dinyatakan
y y
-1
= e . . . . . . . . . . . . . . . . . . . . . . . . . . . ( 3.27 )
Dari ( 3.24 ) dan ( 3.27 ) didapatkan
x e = x . . . . . . . . . . . . . . . . . . . . . . . . . . . . ( 3.28 )
Dengan substitusi y = e pada ( 3.27 ) dan x = e pada ( 3.28 ) diperoleh
e e
-1
= e dan e e = e .
Oleh karenanya ( e e ) = ( e e
-1
) , sehingga
( e e ) e = ( e e
-1
) e = e . . . . . . . . . . . . . . . . . . . . . . . . . ( 3.29 )
Dengan menerapkan ( 3.23 ) ke dalam ( 3.29) diperoleh
e
-1
( e e
-1
) = e . . . . . . . . . . . . . . . . . . . . . . . . . ( 3.30)
Dengan menggunakan ( 3.30 ) pada pernyataan
( e e ) e = ( e e ) e , didapatkan
e ( e e
-1
) = e . . . . . . . . . . . . . . . . . . . . . . . . ( 3.31 )
e
-1
( e e
-1
) = e ( e e
-1
)
Dari yang terakhir ini diperoleh
e
-1
= e . . . . . . . . . . . . . . . . . . . . . . . . . . . ( 3.32 )
Dari ( 3.28 ) diperoleh
e ( x e ) = e x
= ( e x ) e
= ( e e ) x ,
sehingga
( e x ) e = ( e e ) x . . . . . . . . . . . . . . . . . . . . . . . . . . ( 3.33 )
Dengan menerapkan ( 3.23 ) ke dalam ( 3.33 ) , didapatkan
x = e ( x e
-1
)
= e ( x e )
= e x .
Oleh karenanya
x = e x . . . . . . . . . . . . . . . . . . . . . . . . . ( 3.34 )

Selanjutnya
x y = ( e x ) y
= e ( x y )
= ( e ( x y ) ) e ,
sehingga
( e x ) y = ( e ( x y ) ) e . . . . . . . . . . . . . . . . . . . . . . . . . . ( 3.35 )
Dengan menerapkan ( 3.23 ) pada ( 3.35 ) didapatkan
x = ( x y ) ( e y
-1
)
x = ( x y ) y
-1
. . . . . . . . . . . . . . . . . . . . . . . . . . . ( 3.36 )
( ( x y ) z ) z
-1
= x y
= ( e x ) y ,
sehingga
( e ( ( x y ) z ) ) z
-1
= ( e x ) y . . . . . . . . . . . . . . . . . . . . . ( 3.37)
Dengan menerapkan ( 3.23 ) ke dalam ( 3.37 ), diperoleh
x ( y ( z
-1
)
-1
) = ( x y ) z . . . . . . . . . . . . . . . . . . . . . . ( 3.38 )
Dari ( 3.36 ) diperoleh
( y z ) z
-1
= y ,
sehingga ( 3.38 ) dapat dituliskan menjadi
x ( ( ( y z ) z
-1
) ( z
-1
)
-1
) = ( x y ) z . . . . . . . . . . . . . . . . . . . . ( 3.39 )
Mengingat ( 3.36 ), akhirnya ( 3.39) menjadi
x ( y z ) = ( x y ) z . . . . . . . . . . . . . . . . . . . . . . . . . . ( 3.40 )
Akhirnya dapat disimpulkan, bahwa
( i ) . x ( y z ) = ( x y ) z , untuk setiap x , y, z G .
( ii ) .Terdapat e G sehingga x e = x untuk setiap x G .
( iii ). Untuk setiap x G terdapat x
-1
sehingga x x
-1
= e .
Dengan demikian terbukti bahwa G adalah suatu group .

KESIMPULAN DAN SARAN

Berdasarkan pembahasan pada bab sebelumnya dapat ditarik beberapa kesimpulan dan saran
sebagai berikut .
Kesimpulan
Untuk meng-karakterisasi suatu group diperlukan suatu sistem postulat atau aksioma . Pada
pembahasan terdapat tiga sistem aksioma yang dapat digunakan untuk group , yaitu :
( 1 ) Sistem aksioma yang terdiri dari suatu himpunan aksioma, dengan setiap aksioma
menjelaskan satu sifat atau lebih .
( 2 ) Sistem aksioma berbentuk aksioma implikatif tunggal, yaitu aksioma yang dapat
dinyatakan dalam bentuk = = .
( 3 ) Sistem aksioma berbentuk persamaan tunggal , yaitu aksioma yang dapat ditulis dalam
bentuk = .

Dilihat dari metode pembuktian teorema penentu group juga melihat bahwa :
( 1 ) Sistem aksioma pertama menitikberatkan pembuktian pada aturan atau definisi yang sudah
ditetapkan sebelumnya .
( 2 ) Sistem aksioma ketiga menitikberatkan pembuktian melalui substitusi variabel. Hal ini
didasarkan anggapan bahwa persamaan dapat dipandang sebagai relasi ekuivalensi,
sehingga pada operasi biner dapat bebas mengganti elemen-elemen dengan elemen-elemen
yang sama .
( 3 ) Sistem aksioma kedua menitikberatkan pembuktian berdasarkan logika yang
dikombinasikan dengan substitusi variabel .

Saran
Bila dilihat dari bentuknya, maka sistem aksioma kedua dan ketiga lebih sederhana bentuknya
apabila dibandingkan dengan sistem aksioma pertama Akan tetapi untuk meninjau sistem


aksioma yang mana yang lebih praktis dan efisien perlu pengkajian lebih lanjut . Hal ini
merupakan suatu tantangan yang menarik bagi yang berminat .

DAFTAR PUSTAKA
Khanna , V. K and Bhambri , S . K . , A COURSE IN ABSTRACT ALGEBRA , Vikas
Publishing House , PVT LTD , New Delhi , 1993 .
Mc. Cune , W and Sands , A . D . , COMPUTER AND HUMAN REASONING
SINGLE IMPLICATIVE AXIOMS FOR GROUPS AND FOR
ABELIAN GROUPS , Amer . Math . Monthly , 1996 .
Raisinghania , M.D , and Aggarwal , R . S. , MODERN ALGEBRA , S. Chand and
Company LTD , New Delhi , 1980 .
Sholander , M . , POSTULATES FOR COMMUTATIVE GROUPS , Amer . Math.
Monthly , 1959 .
Whittaker , J . V . , ON POSTULATES DEFINING GROUPS , Amer . Math. Monthly ,
1955 .


PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS
KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)

Wirayanti
1)
, Adi Setiawan
2)
, Bambang Susanto
2)
1)

Mahasiswa Program Studi Matematika FSM UKSW
Jl. Diponegoro 52-62 Salatiga, email: wiraH9@yahoo.com
2) Dosen Program Studi Matematika FSM UKSW
Jl. Diponegoro 52-62 Salatiga

Abstrak

Upaya yang dapat dilakukan untuk dapat meningkatkan kualitas dari suatu proses
produksi, adalah dengan mengurangi cacat produk. Hal ini dapat dilakukan dengan
menerapkan pengendalian kualitas secara statistik yang dapat dilakukan dengan metode
Statistical Process Control. Salah satu teknik yang dapat digunakan adalah grafik pengendali
berdasarkan Analisis Komponen Utama (Principal Component Analysis-PCA). Dengan
metode PCA ini dihasilkan suatu komponen utama yang dapat mewakili semua variabel asli
tanpa kehilangan banyak informasi. Data yang digunakan adalah data kandungan Kapsul
Herbal Glucoser. Analisis Komponen Utama digunakan untuk memilih variabel yang
dominan, selanjutnya digunakan untuk menbuat grafik pengendali untuk menentukan titik
sampel yang out of control.

Kata kunci : Statistical Process Control, Principal Component Analysis (PCA), grafik
pengendali.

PENDAHULUAN
Ketatnya persaingan dunia industri dewasa ini, membuat para pelaku usaha memerlukan
suatu usaha untuk meningkatkan kualitas. Tujuan utama suatu usaha adalah mendapatkan
keuntungan yang sebesar-besarnya. Oleh karena itu, perusahaan harus memuaskan konsumen
dengan produknya agar produknya mampu bersaing dipasaran, karena konsumen mulai selektif
dalam memilih produk yang akan digunakan. Salah satu usaha yang dilakukan adalah dengan
mengurangi cacat produk, yang dilakukan dengan menerapkan pengendalian kualitas yang baik.
Usaha Pengendalian kualitas merupakan suatu usaha yang sifatnya menjaga kualitas
produk yang dihasilkan minimal mempertahankan mutu produk yang sudah ada, atau bahkan
meningkatkan mutunya sehingga didapatkan hasil produk yang unggul. Menurut Montgomery
pengendalian kualitas adalah aktivitas keteknikan dan manajemen, dimana aktivitas tersebut
mengukur ciri-ciri kualitas produk, membandingkannya dengan spesifikasi atau persyaratan,
dan mengambil tindakan penyehatan yang sesuai apabila ada perbedaan antara penampilan yang
sebenarnya dengan yang standar. Hal ini dilakukan agar segera diidentifikasi kesalahan-
kesalahan untuk dilakukan perbaikan.
Dalam pengendalian kualitas ini sering digunakan pengendalian proses statistik. Salah
satu teknik pengendalian proses statistik adalah grafik pengendali. Grafik pengendali
merupakan teknik pengendali proses pada jalur yang bertujuan menyidik dengan cepat
terjadinya pergeseran proses sampai penyelidikan terhadap proses itu sehingga tindakan
pembetulan dapat dilakukan sebelum terlalu banyak unit yang tak sesuai diproduksi. Namun
permasalahan yang sering terjadi pada banyak grafik pengendali adalah grafik tersebut kurang
dapat mendeteksi kejadiankejadian pada saat banyaknya variabel yang diukur sangat banyak.
Oleh Karena itu, dapat digunakan grafik pengendali berdasarkan Principal Component Analysis
(PCA) yang akan diterapkan pada kandungan Kapsul Herbal Glucoser yang terdiri dari empat
variabel yaitu Tinospora Caulis, Piper Decumanun, Plantago Herba, dan Azadirachta Folia.
Principal Component Analysis (PCA) adalah suatu analisis yang menjelaskan struktur
varian-kovarian dari suatu himpunan variabel yang melalui beberapa kombinasi linear dari
variabel variabel tersebut (Johnson and Wichern, 2002). Secara sederhana analisis komponen


utama ini adalah prosedur pengurangan variabel, dimana komponen utama merupakan
kombinasi linier dari p variabel asli.
Penggunaan metode PCA ini sangat disarankan untuk memilih atau meringkas variabel
yang banyak sehingga perbuatan grafik pengendalinya menjadi lebih mudah.

DASAR TEORI DAN METODE PENELITIAN
Grafik Pengendali
Statistical Process Control (pengendalian proses secara statistik) merupakan
pengaplikasian teknik-teknik statistik untuk mengendalikan suatu proses untuk menentukan
stabilitasnya dan kemampuannya menghasilkan produk/jasa bermutu (Sugian, 2006). Suatu alat
yang digunakan dalam pengendalian kualitas secara statistik pada proses produksi disebut grafik
pengendali (Control Chart). Salah satu contoh grafik pengendali adalah grafik pengendali rata-
rata x atau disebut dengan grafik pengendali Shewhart.
Dalam grafik pengendali umumnya terdiri dari batas atas (UCL), batas bawah (LCL)
dan batas tengah (CL). Untuk itu, akan dicari UCL, LCL dan CL dari variabel yang menjadi
komponen utama pada data multivariat.
Jika dan o diketahui maka UCL, LCL dan CL dari grafik pengendali adalah
o
o
k LCL
CL
k UCL
=
=
+ =
(1)
dengan
= rata-rata (mean) sampel,
o = deviasi standar sampel,
kelipatan deviasi standar.
Biasanya kelipatan deviasi standar dalam teknik statistik digunakan k = 3 (Montgomery, 1990).

Principal Componen Analysis (PCA)
Analisis komponen utama merupakan suatu teknik statistik untuk mengubah dari
sebagian besar variabel asli yang digunakan dan saling berkorelasi satu dengan yang lainnya
menjadi satu set variabel baru yang lebih kecil dan tidak berkorelasi (Web 1). Setiap
pengukuran multivariat (atau observasi), komponen utama merupakan kombinasi linier dari
variabel p awal. Tujuan utama analisis komponen utama ialah untuk mengurangi dimensi
peubah-peubah yang saling berhubungan dan cukup banyak variabelnya sehingga lebih mudah
untuk menginterpretasikan data-data tersebut (Johnson & Wichern, 2002). Metode yang
digunakan yaitu menentukan komponen utama dengan melakukan alih ragam orthogonal atau
membentuk kombinasi linier X A Y ' = (Sumarga, 1996). Dari sini akan dipilih beberapa
komponen utama yang dapat memberikan sebagian besar keragaman total data semula.

Menentukan Komponen Utama
PCA merupakan suatu kombinasi linear vektor p variabel acak X
1
, . . . , Xp. Misalkan
matriks X = [X
1
, . . . , Xp] mempunyai matriks kovariansi . Dalam hal ini adalah matriks
simetris dan positif tegas (positive definite) dengan nilai eigen 0 ...
2 1
> > > >
p
dan
sebutlah vektor eigen yang bersesuaian untuk setiap 0 ...
2 1
> > > >
p
adalah
p
e e

,...,
1
yang
saling orthogonal, dengan mencari kombinasi linier yaitu
, ...
2 21 1 1 p pi i
T
i i
X e X e X e X e Y + + + = =

i= 1, 2, . . . , p . (2)
Dengan pemilihan ini,
Var
i i
T
i i
e e Y = =

) ( i= 1, 2, . . . , p . (3)
Cov(
k i
Y Y , )= 0 =
k
T
i
e e

, k i = . (4)
Proporsi total variansi komponen prinsip ke-i didefinisikan sebagai

p
k

+ + + ...
2 1
, k =1, . . . , p.
Nilai
ki
e menyatakan ukuran pentingnya variabel ke-k terhadap komponen prinsip ke-i.
Secara khusus,
ki
e menyatakan korelasi antara komponen-komponen
i
Y
dan variabel-variabel
k
X
. Hal ini dijelaskan dengan menggunakan koefisien korelasi antara komponen-komponen
i
Y

dan variabel-variabel
k
X
adalah
kk
i ki
X Y
e
k i
o

=
,
i,k =1, 2, . . . , p. (5)
dengan
kk
o adalah simpangan baku variabel ke-k. (Johnson and Wichern, 2002)

Metode penelitian
Data yang digunakan adalah data sekunder yang merupakan data kandungan Kapsul
Herbal Glucoser pada bulan Maret 2011 sampai dengan Agustus 2011 sebanyak 300 titik
sampel. Langkah langkah dalam analisis data dijabarkan sebagai berikut :
1. Mencari komponen utama dari kandungan produk Kapsul Herbal Glucoser
2. Menerapkan grafik pengendali yang berdasarkan komponen utama.

ANALISIS DAN PEMBAHASAN
Data Kandungan Kapsul Herbal Glucoser
Data kandungan Kapsul Herbal Glucoser terdiri dari Tinospora Caulis, Piper
Decumanun, Plantago Herba dan Azadirachta Folia. Produksi tidak dilakukan setiap hari
melainkan dilakukan pada waktu tertentu dan disesuaikan dengan persediaan. Pengambilan
sampel dilakukan sebanyak 20 kali setiap kali produksi. Dimana perusahaan telah menentukan
spesifikasi dari berat masing-masing bahan. Secara keseluruhan berat kapsul (keseragaman
bobot) harus berada pada range 450-500. Oleh karena itu, perusahaan memberikan batas
toleransi untuk setiap bahan dengan menghitung perbandingan antara berat kapsul dan berat
masing-masing bahan yaitu dengan perbandingan 2:1.5:1:5.

Grafik Pengendali Unit Individu untuk Kandungan Kapsul Herbal Glucoser
Berdasarkan data kandungan Kapsul Herbal Glucoser menggunakan persamaan (1)
diperoleh UCL, LCL dan CL untuk masing-masing variabel (kandungan). Dengan bantuan
program, diperoleh batas UCL, LCL dan CL yang ditunjukkan pada Tabel 1. Selanjutnya
berdasarkan tabel batas-batas tersebut dapat dibuat grafik pengendali untuk masing-masing
kandungan Kapsul Herbal Glucoser pada Gambar 1.

Tabel 1. UCL, LCL dan CL untuk masing-masing kandungan Kapsul Herbal
Glucoser

No. kandungan UCL LCL CL
1 Tinospora Caulis 206.5541 189.4018 197.9779
2 Piper Decumanun 154.9258 142.0659 148.4959
3 Plantago Herba 103.286 94.6974 98.9917
4 Azadirachta Folia 51.6642 47.3564 49.5103



0 50 100 150 200 250 300
1
8
0
1
9
5
2
1
0
Index
x
1
UCL
LCL
CL
Tinospora Caulis
0 50 100 150 200 250 300
1
4
0
1
5
0
1
6
0
Index
x
2
UCL
LCL
CL
Piper Decumanun
0 50 100 150 200 250 300
9
0
1
0
0
1
1
0
Index
x
3
UCL
LCL
CL
Plantago Herba
0 50 100 150 200 250 300
4
6
5
0
5
4
Index
x
4
UCL
LCL
CL
Azadirachta Folia

Gambar 1. Grafik pengendali individu untuk tiap kandungan

Dari grafik pengendali pada Gambar 1. dapat dilihat bahwa untuk setiap masing-masing
kandungan ada 4 titik sampel yang di luar kendali, dan dari keempat kandungan memiliki empat
titik sampel yang di luar kendali yang sama yaitu titik sampel ke 12, 55, 123 dan 172. Grafik
pengendali dari keempat kandungan memperlihatkan bahwa terjadi suatu penyimpangan atau
tidak kesesuaian pada proses produksi yang mungkin terjadi karena kurangnya pengawasan
ataupun terjadinya kesalahan penimbangan untuk masing-masing kandungan Kapsul Herbal
Glucoser tersebut.

Principal Component Analysis(PCA)
Dari data dibentuk matriks kovariansi,
(
(
(
(
= E
51 . 0 03 . 1 54 . 1 05 . 2
03 . 1 05 . 2 07 . 3 09 . 4
54 . 1 07 . 3 59 . 4 13 . 6
05 . 2 09 . 4 13 . 6 17 . 8

selanjutnya dicari eigen value dan eigen vektor. Eigen value dan eigen vektor akan digunakan
untuk mencari komponen utama yang terlebih dahulu dibentuk persamaan kombinasi liniernya.
Diperoleh eigen value dan eigen vektor adalah
3290 . 15
1
= | | 18 . 0 , 37 . 0 , 55 . 0 , 73 . 0
1
= e
0008 . 0
2
= | | 57 . 0 , 57 . 0 , 54 . 0 , 26 . 0
2
= e
0005 . 0
3
= | | 21 . 0 , 73 . 0 , 25 . 0 , 60 . 0
3
= e
0003 . 0
4
= | | 77 . 0 , 13 . 0 , 59 . 0 , 18 . 0
4
= e .
Kombinasi linier menurut persamaan (2) menjadi

4 3 2 1
'
1
18 . 0 37 . 0 55 . 0 73 . 0
1
X X X X X e Y + + + = =

4 3 2 1
'
2
57 . 0 57 . 0 54 . 0 26 . 0
2
X X X X X e Y + + = =
4 3 2 1
'
3
21 . 0 73 . 0 25 . 0 6 . 0
3
X X X X X e Y = =

4 3 2 1
'
4
77 . 0 13 . 0 59 . 0 18 . 0
4
X X X X X e Y + + = = .

Proporsi dari total variansi untuk komponen utama pertama
1
Y adalah
( ) ( ) 9998 . 0 0003 . 0 0005 . 0 0008 . 0 3290 . 15 / 3290 . 15 /
3 2 1 1
= + + + = + + .
Proporsi tersebut telah menjelaskan 99.98% dari keragaman total data. Hal itu berarti
1
Y dapat
menggantikan keempat variabel asli tanpa banyak kehilangan informasi. Jika dilihat dari
korelasi antara
1
Y dengan keempat variabel yaitu
1
X ,
2
X ,
3
X dan
4
X dihitung berdasarkan
persamaan (5), keempatnya relatif dekat ke 1 dapat disimpulkan bahwa keempat variabel sama
pentingnya.
9999 . 0
11
1 11
,
1 1
= =
o
e
X Y
, 9999 . 0
22
1 21
,
2 1
= =
o

e
X Y
,
9998 . 0
33
1 31
,
3 1
= =
o

e
X Y
, 9995 . 0
44
1 41
,
4 1
= =
o

e
X Y
.
Hubungan yang tersisa dapat diabaikan karena komponen kedua, ketiga dan keempat dapat
dianggap tidak penting.

Grafik pengendali berdasarkan komponen utama
Dalam membangun grafik pengendali yang berdasarkan komponen utama ini
dibutuhkan beberapa langkah yang telah dijelaskan pada dasar teori. Komponen utama yang
akan digunakan sebagai dasar membuat grafik pengendali diperoleh dengan membentuk
kombiasi linier dengan metode PCA. Komponen utama tersebut telah diperoleh pada
pembahasan 3.3 yang menghasilkan variabel baru
4 3 2 1
'
1
18 . 0 37 . 0 55 . 0 73 . 0
1
X X X X X e Y + + + = = sebagai komponen utama pertama.
Grafik pengendali dibangun dari komponen utama pertama
1
Y . Dalam hal ini
1
Y
merupakan kombinasi linier dari data, komponen utama
1
Y dapat menggantikan variabel asli,
karena dengan
1
Y dapat dibangun grafik pengendali secara sederhana dengan satu data
transformasi
1
Y saja, tanpa harus membangun grafik pengendali untuk keempat variabel karena
akan menjadi lebih rumit. Kemudian dihitung UCL, CL dan LCL menggunakan persamaan (1)
sehingga diperoleh nilai UCL = 282.4756, CL = 270.7455 dan LCL=259.0154, dan dibuat
grafik pengendali yang ditunjukkan pada Gambar 2.
Dari grafik pengendali Gambar 2. diperoleh empat titik sampel yang di luar batas
kendali. Keempat titik sampel tersebut berada di bawah batas bawah (LCL) yang ditentukan,
yaitu titik sampel ke-12, 55, 123 dan 172. Titik sampel ke-12 merupakan titik sampel ke-12
pada produksi pertama, titik sampel ke-55 merupakan titik sampel ke-15 pada produksi ketiga,
selanjutnya titik sampel ke-123 merupakan titik sampel ke-3 pada produksi keenam, sedangkan
untuk Titik sampel ke-172 merupakan titik sampel ke-12 pada produksi kedelapan. Titik sampel
yang di luar kendali pada komponen utama
1
Y tersebut sama dengan titik sampel yang berada di
luar kendali pada grafik pengendali secara individu untuk masing-masing variabel (kandungan).


0 50 100 150 200 250 300
2
5
0
2
6
0
2
7
0
2
8
0
2
9
0
Index
y
1
UCL
LCL
CL
Grafik pengendali kandungan Kapsul Herbal Glucoser

Gambar 2. Grafik pengendali kandungan Kapsul Herbal Glucoser berdasarkan komponen utama

KESIMPULAN
Dari pembahasan di atas dapat dibuat kesimpulan sebagai berikut:
1. Grafik pengendali dapat dibuat berdasarkan komponen utama dari variabel.
2. Data kandungan Kapsul Herbal Glucoser dibangun grafik pengendali individu yang
masing-masing kandungan menghasilkan empat data yang di luar batas kendali, yaitu pada
data ke-12,55,123 dan 172.
3. Komponen utama diperoleh dengan metode Principal Component Analysis (PCA) dan
memperoleh variabel baru
4 3 2 1
'
1
18 . 0 37 . 0 55 . 0 73 . 0
1
X X X X X e Y + + + = = sebagai
komponen utama pertama yang dapat mewakili semua variabel asli tanpa kehilangan
banyak informasi dari total keragaman data semula yang berasal dari data kandungan
Kapsul Herbal Glucoser.
4. Grafik pengendali yang digunakan adalah grafik pengendali dengan komponen utama
1
Y
yang menghasilkan empat titik sampel di luar kendali, sama halnya dengan grafik
pengendali individu untuk masing-masing variabel (kandungan) yang juga diperoleh empat
titik sampel yang di luar kendali.

DAFTAR PUSTAKA

Johnson, Richard. Dean Wichern. 2007. Applied Multivariate Statistical Analysis, 6th ed. New
Jersey : Prentice Hall, hal. 356-360.
Montgomery, Douglas C. 1990. Pengantar Pengendalian Kualitas Statistik. Yogyakarta:
Gadjah Mada University Press, hal.7, 225.
Sugian O, Syahu. 2006. Kamus Manajemen (Mutu). Jakarta : PT Gramedia Pustaka Utama, hal.
214-215.
Sumarga, H.1996. Eksplorasi Data Peubah Ganda. Salatiga: Fakultas Sains dan Matematika
Universitas Kristen Satya Wacana, hal. 21.
Web 1:
Principal Component Control Chart
http://www.itl.nist.gov/div898/handbook/pmc/section3/pmc342.htm (Diunduh pada 2
Oktober 2011

Makalah Pendamping 4

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Makalah Pendamping 4

Uploaded by

Copyright:

Available Formats

Prosiding Seminar Nasional Matematika dan Pendidikan Matematika UNS 2011

Makalah Pendamping: MATEMATIKA 255

menggambarkan observasi waktu kematian dalam sampel

adalah jumlah tersensor dalam interval

adalah jumlah individu beresiko pada saat

dengan > 0 dan > 0.

dengan = 1 untuk data yang

untuk = 1,2, , 1. Jika

juga merupakan titik loncatan dari KM. Kemudian penaksir Kaplan-Meier

) dengan = 1,2, , , dimana

akan diestimasi nilai probabilitas tahan hidup di t, nilai (; ; )

. Sehingga untuk = 2, penaksir Kaplan-Meier dimodifikasi menjadi

() yang lain sama dengan nol. Setelah semua

, merupakan solusi dari persamaan (4) maka modifikasi penaksir Kaplan-Meier

from a population with unknown

, Bain and Engelhardt [1].

; having distribution which is

; , for < < .

is bootstrap re-sample from

independent, so for each vector z = z

dengan sifat bahwa

random sample of size n from population with finite variance

, untuk < <

, untuk < <

sebagai nilai UCL dan ) 5 . 0 (

sebagai nilai CL yang tidak lain

didefinisikan sebagai berikut

d(0). Jadi benar untuk k = n.

ruang (Banach) fungsi kontinu dari , 0 ke

, norma dari didefinisikan sebagai =

, > 0 fungsi kontinu, maka

syarat awal Sistem 2.1.1. Sistem 2.1.1 dikatakan linear jika

tidak bergantung secara

, disebut titik ekuilibrium dari Sistem 2.1.3 ( Brauer dan Chavez

= 0. Berdasarkan contoh penjelasan pada

dengan sifat < berlaku ; < , 0.

dikatakan tidak stabil, jika tidak memenuhi i .

dikatakan stabil asimtotik lokal jika

stabil dan terdapat

dengan sifat <

dari Sistem 2.1.3 dikatakan

untuk Sistem 2.1.3, jika V kontinu pada

0 dan dimasukkan ke dalam bentuk insidensinya.

You might also like