67 21 PB

Journal of Mathematics Education and Science (JaMES) is a mathematical
journal published biannually (April & October) by the Department of

Mathematics Education, Faculty of Teacher Training and Education,
Universitas Nahdlatul Ulama Sunan Giri. Journal includes research papers,
literature studies, analysis, and problem-solving in Mathematics Education
or Mathematical Sciences (Algebra, Analysis, Statistics, Computing, and
Applied). It cordially invites contributions from the researcher, lecturer, and
teacher of related disciplines. The language used in this journal is
Indonesian and English.
JaMES
EDITORIAL TEAM VOL.5 NO.2 (2022)
Editor-in-Chief
M. Ivan Ariful Fathoni
Universitas Nahdlatul Ulama Sunan Giri;
Universitas Gadjah Mada
Managing Editor
Astrid Chandra Sari
Universitas Nahdlatul Ulama Sunan Giri
About the
Editorial Board Journal
• Ismanto
Universitas Nahdlatul Ulama Sunan Giri Editors invite
• Nurul Ilmiyah lecturers, experts, and
SMA Negeri 4 Bojonegoro practitioners of
• Naning Kurniawati education to
Universitas Nahdlatul Ulama Sunan Giri contribute to this
JaMES
• Kresna Oktavianto journal. The editorial
Universitas PGRI Ronggolawe team invites lecturers,
• Nisa Ayunda experts, and
Universitas Pesantren Tinggi Darul Ulum Jombang education
• Awawin Mustana Rohmah practitioners to
Universitas Islam Darul ‘Ulum Lamongan submit scientific
articles that other
Technical Editor journals have never
published. This journal
• Anisa Fitri
Universitas Nahdlatul Ulama Sunan Giri can be accessed
openly, which means
• Festian Cindarbumi
that all the content
Universitas Nahdlatul Ulama Sunan Giri
available is freely
accessible at no cost,
English Advisory either to the user or
Fakhrun Nisa to the institution.
Universitas Nahdlatul Ulama Sunan Giri Users who are
permitted to read,
download, copy, i
distribute, print,
search, or cite the full
text of the articles do
not have first to seek
permission from the
publisher or author.
https://journal.unugiri.ac.id/index.php/JaMES
JaMES
TABLE OF CONTENTS VOL.5 NO.2 (2022)
Editorial
KATA PENGANTAR ..................................................................................................... iii
Research Article
Pengaruh Model Pembelajaran Kooperatif Tipe Inside Outside Circle (IOC)
Terhadap Kemampuan Pemahaman Konsep Siswa Ditinjau Dari Motivasi
Belajar Siswa Kelas VIII MTs Mathla’ul Anwar Panjang
(https://doi.org/10.32665/james.v5i2.301)
Dewi Robbi Anti, Siska Andriani, Haris Budiman ................................................... 87-92
Aplikasi Komputasi Bayesian Regresi Dummy Pada Kasus Kanker Serviks di
Kabupaten Tuban (https://doi.org/10.32665/james.v5i2.415)
Nur Mahmudah, Pelangi Eka Yuwita .................................................................... 93-99
Perbandingan Hybrid Algoritma Genetika dengan Multilayer Perception dan
Geometric Brownian Motion untuk Memprediksi Harga Saham
Muftiyatul Azizah .................................................................................................. 101-109
Pengaruh Problem-Based Learning Berbantuan LKPD Terhadap Kemampuan
Berpikir Tingkat Tinggi Kelas VII (https://doi.org/10.32665/james.v5i2.500)
JaMES
Alya Kamila, Fadhilah Rahmawati, Aprilia Nurul Chasanah .................................. 111-116

Pengaruh Model Pembelajaran Generatif Terhadap Hasil Belajar Siswa Kelas X
SMA Negeri 1 Driyorejo (https://doi.org/10.32665/james.v5i2.505)
Bunga Lailatul Fajri, Restu Ria Wantika ................................................................ 117-120
Analisis Kesalahan Siswa dalam Menyelesaikan Soal Matematika Berdasarkan
Tahapan Kastolan Ditinjau dari Perbedaan Gender
Nikmatin Nikmatin, Silviana Maya Purwasih, Sri Rahayu ..................................... 121-128
Implementasi Alat Peraga Abang Oleng Pada Pembelajaran Pengukuran Berat
Tidak Baku di Jenjang Sekolah Dasar (https://doi.org/10.32665/james.v5i2.513)
Mevianda Cahya Resqueta, Ninik Mutianingsih .................................................... 129-135
Penerapan Teori Bilangan Dominasi Jarak Dua Pada Pemilihan Lokasi Pangkal
Ojek Online (https://doi.org/10.32665/james.v5i2.557)
Reni Umilasari, Ilham Saifudin, Afkar Ayyasy ........................................................ 137-145
Multivariate Adaptive Generalized Poisson Regression Splines untuk
Pengembangan Model Prediksi Produksi Padi di Kabupaten Bojonegoro
ii
Alif Yuanita Kartini, Muhammad Ishlahuddin ....................................................... 147-156
Implementasi Model Indeks Tunggal dalam Pembentukan Portofolio Optimal
pada Saham Syariah MES BUMN 17 Periode New Normal
Syarif Abdullah, Miftahul Huda, Sri Istiyarti Uswatun Chasanah, Himmatul
Mursyidah , Fajri Ikhsan , Sidik Susilo, Alfian Firmansyah , Rizqi Fauzi, Kevin
Dion Valen Boy ...................................................................................................... 157-163
KATA PENGANTAR
Assalamualaikum Wr. Wb.
Dengan mengucap puji syukur kepada Allah SWT, Journal of Mathematics

Education and Science (JaMES) edisi Vol. 5 No. 2 Tahun 2022 telah terbit. Journal of
Mathematics Education and Science ini merupakan jurnal ilmiah yang diterbitkan
berkala oleh program studi Pendidikan Matematika Universitas Nahdlatul Ulama
Sunan Giri pada bulan April dan Oktober. Terbitnya edisi kedua di tahun 2022 ini
menjadi bukti semakin meningkatnya apresiasi terhadap pengembangan diri dan
sumbangsih penstudi serta peminat kajian Pendidikan Matematika dan Ilmu
Matematika.
Kami selaku pengelola memberitahukan juga bahwa edisi ini merupakan edisi
kedua setelah terakreditasi SINTA 4 berdasarkan SK Kemdikbudristek No.
5162/E4/AK.04/2021. Mulai edisi ini setiap edisi akan memuat 10 artikel penelitian.
Sampai saat ini, Journal of Mathematics Education and Science telah terindeks oleh
beberapa situs pengindeks jurnal seperti Google Scholar, Issuu, DRJI, Dimensions,
Publons, Copernicus, Garuda, OneSearch, Neliti, dll. Kami juga akan selalu melakukan
pembenahan dan perbaikan agar Journal of Mathematics Education and Science ini
JaMES
dapat terus meningkat dari segi kualitas penerbitan.
Beberapa artikel dalam edisi Oktober 2022 ini diharapkan mampu

memberikan sumbangsih bagi perkembangan studi Pendidikan Matematika, Ilmu
Matematika, Statistika, serta terapannya dalam kehidupan. Redaksi mengucapkan
banyak terimakasih kepada para kontributor pada Journal of Mathematics Education
and Science edisi Oktober 2022 ini. Sekali lagi, semoga jurnal ini bermanfaat bagi
munculnya ide-ide segar dalam pembahasan di bidang Matematika. Redaksi juga
mengharapkan masukan dan kiriman naskah-naskah akademik serta tulisan ilmiah
yang akan memperkaya khasanah studi Matematika.
Wassalamualaikum, Wr. Wb.
Bojonegoro, Oktober 2022
Redaksi
iii
JaMES
iv
Available online : https://doi.org/10.32665/james.v5i2.301
Journal of Mathematics Education

and Science
Copyright (c) Journal of Mathematics Education and Science
This work is licensed under a Creative Commons Attribution-
NonCommercial-ShareAlike 4.0 International License
p-ISSN: 2621-1203 VOL. 5 NO. 2 (2022) : 87-92 e-ISSN: 2621-1211
PENGARUH MODEL PEMBELAJARAN KOOPERATIF TIPE INSIDE

OUTSIDE CIRCLE (IOC) TERHADAP KEMAMPUAN PEMAHAMAN
KONSEP SISWA DITINJAU DARI MOTIVASI BELAJAR SISWA
KELAS VIII MTS MATHLA’UL ANWAR PANJANG
Dewi Robbi Anti1, Siska Andriani2, Haris Budiman3

Corresponding author : Dewi Robbi Anti
1
UIN Raden Intan Lampung, dewirobbianti@gmail.com
2
UIN Raden Intan Lampung, mathicmath@yahoo.co.id
3
UIN Raden Intan Lampung, harisbudiman@radenintan.ac.id
Received : 18 Januari 2022, Revised : 7 Maret 2022, Accepted : 7 April 2022
Abstract
This study aims to determine whether the Inside Outside Circle (IOC) type of cooperative learning model
affects the student's conceptual understanding ability in terms of the learning motivation of class VIII MTs
Mathla’ul Anwar Panjang. This research is an experimental type of quantitative research, using a quasi-
experimental design method with 2 x 3 factorial research. The sample used is 34 students taken with a random
class technique. The collecting data used is a test of mathematical problem-solving abilities and a questionnaire of
students' learning styles. The data analysis technique used the normality test with the Liliefors test and the
homogeneity test with the Barlett test. Hypothesis test using analysis of variance test of two unequal cell paths.
According to the research results and discussion of the two-way unequal cell variance analysis test calculation, is
rejected and is rejected and is accepted. Based on theoretical studies and calculations, it can be concluded that: (1)
there is an effect of the Inside Outside Circle (IOC) type of cooperative learning model on the ability to understand
a concept, (2) there is an influence of learning motivation on the ability to understand concepts, (3) there is no
interaction between the Inside Outside Circle (IOC) type of cooperative learning model with learning motivation
on the ability to understand concepts.
Keywords: Inside Outside Circle (IOC), Motivation Learning, Concept Understanding
Abstrak
Penelitian ini bertujuan untuk mengetahui pengaruh model pembelajaran kooperatif tipe Inside Outside
Circle (IOC) terhadap kemampuan pemahaman konsep siswa ditinjau dari motivasi belajar siswa kelas VIII MTs
Mathla’ul Anwar Panjang. Jenis penelitian ini merupakan penelitian kuantitatif jenis eksperimen, menggunakan
metode quasy experimental design dengan penelitian factorial 2 x 3. Sampel yang digunakan sebanyak 34 peserta
didik yang diambil dengan teknik acak kelas. Teknik dalam pengumpulan data yang digunakan adalah tes
kemampuan pemahaman konsep siswa dan angket motivasi belajar siswa. Teknik analisis data menggunakan uji
normalitas dengan uji liliefors dan uji homogenitas dengan uji barlett. Uji hipotesis menggunakan uji analisis
variansi dua jalan sel tak sama. Menurut hasil penelitian dan pembahasan perhitungan uji analisi variansi dua jalan
sel tak sama diperoleh 𝐻𝑂𝐴 ditolak dan 𝐻𝑂𝐵 ditolak dan 𝐻𝑂𝐴𝐵 diterima. Berdasarkan hasil penelitian dapat
disimpulkan bahwa: (1) terdapat pengaruh model pembelajaran kooperatif tipe IOC terhadap kemampuan
pemahaman konsep, (2) terdapat pengaruh motivasi belajar terhadap kemampuan pemahaman konsep, (3) tidak
terdapat interaksi antara model pembelajaran kooperatif tipe Inside Outside Circle (IOC) dengan motivasi belajar
terhadap kemampuan pemahaman konsep.
Kata kunci: Inside Outside Circle (IOC), Motivasi Belajar, Pemahaman Konsep
87
http://journal.unugiri.ac.id/index.php/JaMES
1. Pendahuluan dibandingkan dengan yang menggunakan
Matematika adalah salah satu ilmu yang model konvensional. Keberhasilan belajar
dibutuhkan dalam kehidupan, dengan matematika siswa kelas VIII SMP Negeri 9
mempelajari matematika siswa dilatih untuk Pariaman yang menerapkan pembelajaran
berpikir kritis, logis, sistematis, serta dapat kooperatif tipe IOC mencapai 19%, berarti
menyelesaikan masalah yang dihadapinya. keberhasilan secara bersama-sama didalam
Berdasarkan uraian tersebut matematika kelas belum tercapai, tetapi hasilnya sudah
menjadi penting untuk dipelajari dalam proses lebih baik dibanding dengan menggunakan
pembelajaran dari jenjang sekolah dasar hingga pembelajaran biasa [8]. Penerapan model
jenjang yang lebih tinggi [1]. Namun pada pembelajaran IOC, diharapkan mampu
kenyataannya, hingga saat ini pelajaran menumbuhkan motivasi dalam diri siswa
matematika dipandang sebagai mata pelajaran untuk menyukai matematika dan membuat
yang sulit,[2] membosankan, bahkan siswa lebih aktif dalam proses pembelajaran,
menakutkan sehingga kurang diminati siswa, karena salah satu kelebihan dari model
hal tersebut diakibatkan karena persepsi siswa pembelajaran IOC yaitu terdapat struktur
yang menganggap matematika sebagai mata yang jelas dan memungkinkan siswa dapat
pelajaran yang sulit, maka perlu untuk berbagi informasi dengan pasangan yang
menggunakan model yang menarik dan tepat berbeda secara singkat dan teratur. Oleh sebab
yang sesuai dengan kebutuhan siswa[3]. Salah itu, motivasi belajar memiliki peran yang
satu model yang dapat diterapkan dalam proses penting karena motivasi merupakan faktor
pembelajaran adalah model pembelajaran psikis yang bersifat non intelektual dalam
kooperatif tipe IOC, karna model IOC penumbuhan gairah, merasa senang dan
memungkinkan untuk dapat saling bertukar semangat untuk belajar [9].
informasi yang didapat secara singkat dan Berdasarkan uraian diatas, motivasi
teratur pada waktu yang bersamaan. belajar dan pemahaman konsep menentukan
Model Pembelajaran IOC adalah keberhasilan dalam belajar matematika, tetapi
pembelajaran yang memakai cara lingkaran banyak siswa mengalami kesulitan
kecil-lingkaran besar, dimulai dengan mengerjakan soal matematika yang
membentuk kelompok besar yang terdiri atas mengutamakan pada pemahaman konsep
kelompok lingkaran luar dan kelompok matematis. Permasalahan tersebut juga
lingkaran dalam [4]. Melalui model tersebut dialami siswa MTs. Mathla’ul Anwar
siswa dapat bertukar informasi yang didapat Panjang. Berdasarkan observasi yang
secara singkat dan teratur pada waktu yang dilakukan di MTs. Mathla’ul Anwar Panjang,
bersamaan [5]. Model pembelajaran ini siswa masih mengalami kesulitan dalam
memberikan kesempatan kepada siswa untuk belajar matematika. Siswa beranggapan
mengolah informasi dan meningkatkan matematika merupakan mata pelajaran yang
pehamaman konsep siswa. Dalam proses sulit untuk di selesaikan, mengoperasikan
pembelajaran matematika, hal yang harus rumus-rumus yang telah dipelajari dalam
dimiliki ialah kemampuan pemahaman, mengerjakan soal matematika yang lebih
dimana kemampuan tersebut merupakan bervariasi. Berdasarkan permasalahan di atas,
jantungnya matematika[6]. Kemampuan penulis tergerak untuk melakukan sebuah
pemahaman konsep matematis adalah penelitian tentang “Pengaruh Model
kemampuan peserta didik dalam menemukan Pembelajaran Kooperatif Tipe Inside Outside
dan menjelaskan, menerjemahkan, Circle (IOC) Terhadap Kemampuan
menafsirkan, dan menyimpulkan suatu Pemahaman Konsep Siswa Ditinjau Dari
konsep matematika berdasarkan pembentukan Motivasi Belajar Siswa Kelas VIII MTs
pengetahuannya sendiri, bukan sekedar Mathla’ul Anwar Panjang”.
menghafal [7]. Penelitian dilakukan oleh Mira
Wati, hasil penelitian yang dilakukan 2. Metode
mengungkapkan bahwa hasil belajar Penelitian ini merupakan jenis
matematika yang menggunakan model penelitian eksperimen dengan menggunakan
pembelajaran IOC lebih baik jika metode Quasy Eksperimental Design yaitu
88
desain yang memiliki kelompok kontrol tetapi B2 : Motivasi belajar siswa sedang
tidak berguna sepenuhnya untuk mengontrol B3 : Motivasi belajar siswa rendah
variabel-variabel luar yang mempengaruhi A1 B1 : Motivasi belajar siswa tinggi
pelaksanaan eksperimen. melalui model pembelajaran IOC
Populasi dalam penelitian ini adalah A1 B2 : Motivasi belajar siswa sedang
seluruh siswa kelas VIII MTs Mathla’ul melalui model pembelajaran IOC
Anwar Panjang tahun pelajaran 2021/2022 A1 B3 : Motivasi belajar siswa rendah
yang terdiri dari 4 kelas, dan sampel pada melalui model pembelajaran IOC
penelitian ini hanya dua kelas yaitu kelas VIII A2 B1 : Motivasi belajar siswa tinggi
A dan VIII C. Teknik pengambilan sampel melalui model pembelajaran
yang digunakan adalah teknik acak kelas yaitu konvensional
pengambilan sampel secara acak terhadap A2 B2 : Motivasi belajar siswa sedang
kelas atau kelompok. Hasil pengacakan melalui model pembelajaran
diperoleh kelas VIII.A sebagai kelas kontrol, konvensional
VIII.C sebagai kelas eksperimen. Variabel A2 B3 : Motivasi belajar siswa rendah
dalam penelitian ini terdiri dari variabel bebas melalui model pembelajaran
dan variabel terikat. Pada penelitian ini Konvensional
terdapat dua variabel bebas (X) yaitu X1 dan
X2, dimana variabel X1 adalah Model 3. Pembahasan
Pembelajaran Kooperatif Tipe IOC dan Penelitian ini menggunakan tes uraian
variabel X2 adalah Motivasi Belajar.Variabel untuk memperoleh data kemampuan
terikat dalam penelitian ini adalah pemahaman konsep siswa. Sebelum
kemampuan pemahaman konsep dengan instrumen digunakan dalam penelitian
lambang (Y). instrumen terlebih dahulu di uji coba. Uji coba
Data yang diperoleh dalam penelitian dilakukan di luar kelas eksperimen maupun
ini terdiri dari hasil tes uraian pemahaman kelas kontrol. Uji coba instrumen dilakukan di
konsep dan data skor angket dari kedua kelas. kelas IX.A MTs Mathla’ul Anwar Panjang
Data tersebut kemudian dianalisis, adapun yang berjumlah 10 siswa dengan memberikan
teknik analisis data yang digunakan adalah uji 14 butir soal kemampuan pemahaman konsep.
validitas, uji reliabilitas, uji tingkat kesukaran, Berdasarkan hasil perhitungan uji
dan uji daya pembeda. Teknik uji prasyarat validitas, uji reliabilitas, uji tingkat kesukaran,
adalah normalitas dan homogenitas. Uji dan uji daya beda maka dapat dibuat
hipotesis menggunakan uji anava dua jalan sel kesimpulan seperti pada Tabel 2.
tak sama dan uji lanjut menggunakan uji
scheffe. Tabel 2. Kesimpulan Uji Coba Tes Kemampuan
Pemahaman Konsep Siswa
Rancangan penelitian yang akan No. Vali- Relia- Kesu- Daya Kesim-
digunakan dalam penelitian ini adalah desain Soal ditas bilitas karan Pembeda pulan
faktorial 2x3, sebagai Tabel 1 berikut: 1
Tidak
Mudah Jelek
Tidak
Valid digunakan
2 Valid Sedang Baik Digunakan
Tabel 1. Desain Faktorial 2x3 3 Valid Sedang Baik Digunakan
Motivasi Belajar Siswa (Bj) 4 Valid Sukar Baik Digunakan
Model
Tinggi Sedang Rendah 5 Valid Sedang Baik Digunakan
Pembelajaran (Ai)
(B1) (B2) (B3) 6 Valid Sedang Baik Digunakan
Inside Outside (A1 B1) (A1 B2) (A1 B3) Tidak Tidak
7 Mudah Jelek
Reliabel
Circle (A1) Valid digunakan

Konvensional (A2) (A2 B1) (A2 B2) (A2 B3) 8 Valid Sedang Baik Digunakan
Tidak Sangat Tidak
9 Sukar
Valid Jelek digunakan
Keterangan : 10 Valid Sedang Baik Digunakan
Ai : Model pembelajaran 11 Valid Sedang Cukup Digunakan
Tidak Tidak
Bj : Motivasi Belajar Siswa 12
Valid
Mudah Jelek
digunakan
A1 : Model pempelajaran IOC 13 Valid Sedang Baik Digunakan
A2 : Model pembelajaran Konvensional 14 Valid Sedang Cukup Digunakan
B1 : Motivasi belajar siswa tinggi
89
Berdasarkan hasil tersebut, dari 14 butir dilakukan uji normalitas dan uji homogenitas,
soal yang telah diuji cobakan, terdapat 10 soal uji normalitas menggunakan uji uji liliefors
yang digunakan dan ada 4 soal yang tidak dan uji barlett untuk homogenitas. Data hasil
digunakan. Soal yang digunakan artinya soal uji normalitas dan homogenitas ditampilkan
tersebut memenuhi aspek validitas, pada Tabel 5 berikut :
reliabilitas, tingkat kesukaran, dan daya
pembeda. Hasil rekapitulasi analisi butir soal Tabel 5. Rangkuman Hasil Uji Normalitas
Keputusan
tes kemampuan pemahaman konsep No. Instrumen Kelas l.hitung Ltabel
Uji
menjelaskan bahwa ke 10 soal tersebut Tes Eksperimen 0,095 0,200 H0 Diterima
1 pemahaman Kontrol 0,213 H0 Diterima
memuat semua indikator kemampuan konsep
0,194
pemahaman konsep dan mampu mengukur Angket Eksperimen 0,131 0,200 H0 Diterima
2 motivasi Kontrol 0,190 0,213 H0 Diterima
kemampuan pemahaman konsep siswa. belajar
Tabel 3. Deskripsi Data Nilai Pemahaman Konsep

Matematis dan Angket Motivasi Belajar
Berdasarkan hasil uji normalitas diatas,
Instru- Keputusan Uji dengan taraf signifikan 0,05 atau 5%, pada tes
No Kelas Xmaks Xmin
men ̅
𝒙 𝒎𝒆 𝒎𝒐 pemahaman konsep diperoleh hasil l.hitung <
Tes Ekspe- 84 40 66,89 70 70
Pema- rimen Ltabel untuk setiap perlakuan, sehingga H0
1
haman Kontrol 80 40 57,50 60 60 Diterima, sedangan pada angket motivasi
Konsep
Angket Ekspe- 75 51 62,56 62,50 55 belajar diperoleh hasil l.hitung < Ltabel
2
Moti- rimen untuk setiap kelas, sehingga H0 Diterima.
vasi Kontrol 80 51 61,69 59 59
Belajar Dengan demikian dapat disimpulkan bahwa
data berasal dari populasi yang berdistribusi
Berdasarkan Tabel 3 tersebut diperoleh normal.
bahwa rata-rata nilai tes pemahaman konsep
kelas eksperimen lebih baik dibandingkan Tabel 6. Rangkuman Hasil Uji Homogenitas
Keputusan
dengan kelas kontrol, dan rata-rata skor No. Homogenitas 𝑿𝟐 hitung 𝑿𝟐 tabel
Uji
angket kelas eksperimen lebih tinggi Kelas
dibandingkan dengan skor kelas kontrol. 1 Eksperimen 0,182 3,841 H0 Diterima
dan kontrol
Selanjutnya data yang diperoleh dari angket Motivasi
2 4,841 5,991 H0 Diterima
motivasi belajar yang diberikan kepada Belajar
siswa. Kemudian dikelompokkan kedalam
tiga kategori yaitu tinggi, sedang, dan rendah. Berdasarkan Tabel 6, menunjukkan
Berdasarkan data dikumpulkan jumlah yang bahwa nilai 𝑿𝟐 hitung untuk setiap kelompok
masuk dalam kategori tinggi, sedang, dan kurang dari 𝑿𝟐 tabel, sehingga H0 Diterima.
rendah. Untuk kelas eksperimen dan kontrol Dengan demikian dapat disimpulkan bahwa
sebagai berikut: data berasal dari populasi yang homogen.
Setelah dilakukan uji normalitas dan
Tabel 4. Sebaran Siswa Ditinjau dari Model homogenitas, selanjutnya dilakukan uji
Pembelajaran IOC dan Motivasi Belajar
hipotesis yaitu uji anava dua jalur sel tak sama
Model Motivasi Belajar Siswa
Pembelajaran Tinggi Sedang Rendah dan uji lanjut menggunakan uji scheffe. Hasil
Inside Outside 3 11 4 analisis dapat dilihat pada Tabel 7 dan 8.
Circle
Konvensional 3 4 9 Tabel 7. Rangkuman Analisis Variansi Dua Jalan
Sel Tak Sama
Kesim-
Berdasarkan Tabel 4 tersebut diperoleh Sumber JK Dk Rk Fhitung Ftabel
pulan
keterangan bahwa pada kelas eksperimen Pembela-
442.36 1 442.36 4.80 4.1960
H0A
jaran (A) Ditolak
terdapat 3 siswa dengan kategori tinggi, 11 Motivasi
H0B
siswa dengan kategori sedang, dan 4 siswa Belajar 1518.26 2 759.13 8.24 3.3404
Ditolak
(B)
dengan kategori rendah. Pada kelas kontrol Interaksi H0AB
64.11 2 32.06 0.35 3.3404
terdapat 3 siswa dengan kategori tinggi, 4 (AB) Diterima
siswa dengan kategori sedang, dan 9 siswa Galat 2578.59 28 92.10
Total 4603.59 33
dengan kategori rendah. Selanjutnya
90
Berdasarkan perhitungan anava dua 1) Hipotesis Pertama
jalan pada Tabel 7. dapat disimpulkan bahwa: Berdasarkan perhitungan anava dua
a. 𝐹𝐴 ℎ𝑖𝑡𝑢𝑛𝑔 = 4,80 dan 𝐹𝐴 𝑡𝑎𝑏𝑒𝑙 = 4,196. jalan dengan sel tak sama diperoleh bahwa
Berdasarkan perhitungan analisis data pada 𝐹𝐴 ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝐴 𝑡𝑎𝑏𝑒𝑙 , berarti bahwa H0A
tabel terlihat bahwa 𝐹𝐴 ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝐴 𝑡𝑎𝑏𝑒𝑙 , Ditolak. Hal ini menunjukkan bahwa terdapat
berarti bahwa H0A Ditolak dan dapat pengaruh model pembelajaran IOC terhadap
disimpulkan bahwa terdapat pengaruh kemampuan pemahaman konsep matematis
antara siswa yang diberi perlakuan model
pembelajaran IOC dengan siswa yang 2) Hipotesis Kedua
diberi perlakuan dengan model Berdasarkan perhitungan anava dua
pembelajaran konvensional terhadap jalan dengan sel tak sama diperoleh bahwa
kemampuan pemahaman konsep. 𝐹𝐵 ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝐵 𝑡𝑎𝑏𝑒𝑙 , berarti bahwa H0B
b. 𝐹𝐵 ℎ𝑖𝑡𝑢𝑛𝑔 = 8,24 dan 𝐹𝐴 𝑡𝑎𝑏𝑒𝑙 = 3,3404. Ditolak. Hal ini menunjukkan bahwa terdapat
Berdasarkan perhitungan analisis data pada pengaruh antara masing-masing kategori
tabel terlihat bahwa 𝐹𝐴 ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝐴 𝑡𝑎𝑏𝑒𝑙 , motivasi belajar peserta didik terhadap
berarti bahwa H0B Ditolak dan dapat pemahaman konsep matematis. Berdasarkan
disimpulkan bahwa terdapat pengaruh uji komparasi ganda antar kolom siswa yang
motivasi belajar yang tinggi, sedang, dan memiliki motivasi tinggi lebih baik
rendah terhadap kemampuan pemahaman dibandingkan dengan siswa yang memiliki
konsep. motivasi sedang, dan siswa yang memiliki
c. 𝐹𝐴𝐵 ℎ𝑖𝑡𝑢𝑛𝑔 = 0,35 dan 𝐹𝐴𝐵 𝑡𝑎𝑏𝑒𝑙 = 3,3404. motivasi sedang lebih baik dibandingkan
Berdasarkan perhitungan analisis data pada dengan siswa yang memilikimotivasi rendah.
tabel terlihat bahwa 𝐹𝐴𝐵 ℎ𝑖𝑡𝑢𝑛𝑔 < 𝐹𝐴𝐵 𝑡𝑎𝑏𝑒𝑙 ,
3) Hipotesis Ketiga
berarti bahwa H0AB Diterima dan dapat
Berdasarkan perhitungan anava dua
disimpulkan bahwa tidak terdapat interaksi
jalan dengan sel tak sama diperoleh bahwa
antara model pembelajaran IOC dan
𝐹𝐴𝐵 ℎ𝑖𝑡𝑢𝑛𝑔 < 𝐹𝐴𝐵 𝑡𝑎𝑏𝑒𝑙 , berarti bahwa H0AB
motivasi belajar terhadap kemampuan
pemahaman konsep. Diterima. Hal ini menunjukkan bahwa tidak
terdapat interaksi antara model pembelajaran
Tabel 8. Hasil Uji Komparasi Ganda Antar Kolom IOC dan motivasi belajar terhadap
Keputusan pemahaman konsep.
No. 𝑯𝑶 Fhitung Ftabel
Uji
1 𝜇1 dan 𝜇2 7,485 6,552 H0 ditolak 4. Penutup
2 𝜇1 dan 𝜇3 14,514 6,552 H0 ditolak Kesimpulan dari penelitian ini adalah
3 𝜇2 dan 𝜇3 2,174 6,552 H0 diterima
sebagai berikut. Terdapat pengaruh model
pembelajaran kooperatif tipe IOC terhadap
Berdasarkan Tabel 8, diperoleh hasil
kemampuan pemahaman konsep. Terdapat
pada H0 : 𝜇1 dan 𝜇2 ditolak, artinya terdapat
pengaruh motivasi belajar terhadap
perbedaan kemampuan pehamahan konsep
kemampuan pemahaman konsep. Sebaliknya,
pada siswa yang memiliki motivasi belajar
tidak terdapat interaksi antara model
tinggi dengan siswa yang memiliki motivasi
pembelajaran IOC dan motivasi belajar
belajar sedang.
terhadap kemampuan pemahaman konsep.
Pada H0 : 𝜇1 dan 𝜇3 ditolak, artinya Saran yang dapat diambil dari hasil
terdapat perbedaan kemampuan pehamahan penelitian ini yaitu dalam pembelajaran
konsep pada siswa yang memiliki motivasi matematika disarankan kepada guru untuk
belajar tinggi dengan siswa yang memiliki menggunakan model pembelajaran yang
motivasi belajar rendah. membuat siswa ikut terlibat aktif dalam proses
Pada H0 : 𝜇2 dan 𝜇3 diterima, artinya pembelajaran, tidak hanya terpusat pada guru,
tidak terdapat pengaruh yang signifikan antara dimana siswa hanya mendengarkan dan
motivasi belajar sedang dan motivasi belajar mencatat materi yang diberikan. salah satu
rendah terhadap kemampuan pemahaman model yang dapat diterapkan yaitu model
konsep. pembelajaran IOC, yang bertujuan melatih
91
siswa agar aktif dalam proses pembelajaran, [6] A. M. Tama, A. Rinaldi, and S. Andriani,
sehingga pembelajaran terasa lebih “Pemahaman Konsep Peserta Didik
menyenangkan dan dapat menumbuhkan rasa dengan Menggunakan Graded Response
suka terhadap pembelajaran matematika. Models (GRM),” Desimal J. Mat., vol. 1,
Kepada peneliti selanjutnya yang akan no. 1, p. 91, 2018, doi:
menerapkan model pembelajaran kooperatif 10.24042/djm.v1i1.2041.
tipe IOC dapat menerapkannya pada pokok [7] D. D. Pratiwi, “Pembelajaran Learning
bahasan lain, untuk dapat melihat bagaimana Cycle 5e berbantuan GeoGebra terhadap
kemampuan pemahaman konsep yang Kemampuan Pemahaman Konsep
dimiliki siswa. Matematis,” Al-Jabar J. Pendidik. Mat.,
vol. 7, no. 9, pp. 191–202, 2016.
Referensi [8] M. Wati, “Penerapan Model
[1] S. Andriani, “Evaluasi CSE-UCLA pada Pembelajaran Kooperatif Tipe Inside
Studi Proses Pembelajaran Matematika,” Outside Circle Pada Pembelajaran
Al-Jabar J. Pendidik. Mat., vol. 6, no. 2, Matematika Siswa Kelas VIII SMP
pp. 167–175, 2015. Negeri 9 Pariaman,” Karmapati, vol. 2,
[2] D. Destiniar, J. Jumroh, and D. M. Sari, no. 6, pp. 1–5, 2016, [Online]. Available:
“Kemampuan Pemahaman Konsep http://pti.undiksha.ac.id/karmapati/files/
Matematis Ditinjau Dari Self Efficacy Vol2no6/6.pdf.
Siswa Dan Model Pembelajaran Think [9] N. K. Ekayuni1, Netriwati, and D.
Pair Share (Tps) Di Smp Negeri 20 Anggraini, “Model Picture And Picture
Palembang,” J. Penelit. dan dengan Index Card Match terhadap
Pembelajaran Mat., vol. 12, no. 1, 2019, Penguasaan Konsep Matematis Nur
doi: 10.30870/jppm.v12i1.4859. Khasanah Ekayuni , Netriwati , Dian
[3] S. Ningsih, S. Andriani, “Penerapan Anggraini PENDAHULUAN Model
Model Pembelajaran Inside Outside pembelajaran Picture And Picture adalah
Circle Terhadap Pemahaman Konsep suatu model pembelajaran yang
Siswa,” Mat. Educ. Sci., vol. 2, no. 2, pp. menggunakan gambar dan dipasan,”
88–94, 2017. Desimal J. Mat., vol. 1, no. 1, pp. 107–
[4] A. Shoimin, 68 Model Pembelajaran 112, 2018.
Inovatif dalam Kurikulum 2013.
Yogyakarta: AR-Ruzz Media, 2014.
[5] N. Rahmah and Rafika, “Model
Pembelajaran Kooperatif Tipe Inside-
Outside Circle,” Kelola J. Islam. Educ.
Manag., vol. 2, no. 1, pp. 1–14, 2017.
92

and Science
APLIKASI KOMPUTASI BAYESIAN REGRESI DUMMY PADA KASUS

KANKER SERVIKS DI KABUPATEN TUBAN
Nur Mahmudah1, Pelangi Eka Yuwita2

Corresponding author : Nur Mahmudah
1
Universitas Nahdlatul Ulama Sunan Giri, mudah15@gmail.com
2
Universitas Nahdlatul Ulama Sunan Giri, pelangi.ardata@gmail.com
Received : 8 Juni 2022, Revised : 21 Juli 2022, Accepted : 27 Juli 2022
Abstract
Cervical cancer is the most common cancer suffered by women and is the cause of death. The leading
cause of cervical cancer is infection with Human Papilloma Virus (HPV). Cervical cancer is a disease caused
by the growth of body tissue cells that are not normal in the cervix contained in the reproductive organs of a
woman's body and cause death. A screening program is needed for the length of hospitalization for cervical
cancer patients to prevent the emergence of a malignant phase. This study aims to determine the factors that
affect the length of stay of cervical cancer patients in Tuban Regency using the Bayesian Regression Dummy
computational method. The Bayesian method is a computational technique in parameter estimation that
combines the likelihood function and prior distribution into a posterior distribution in estimating model
parameters. Bayesian dummy regression produces a variable that significantly affects the length of stay of
cervical cancer patients, namely the Complications variable (X1). An alpha value of 2.17 shows that some
dependencies/errors cannot be explained in the dummy regression model in the case of cervical cancer
hospitalization in the Tuban Regency.
Keywords : Bayesian, Cervical Cancer, Dummy Regression
Abstrak
Kanker serviks adalah kanker yang paling banyak diderita oleh wanita yang menjadi penyebab kematian.
Penyebab utama kanker serviks adalah infeksi Human Papilloma Virus (HPV). Kanker serviks merupakan
penyakit yang disebabkan oleh pertumbuhan sel- sel jaringan tubuh yang tidak normal di dalam leher rahim/
serviks yang terdapat dalam organ bagian reproduksi pada tubuh wanita dan menyebabkan kematian. Untuk
mencegah munculnya fase ganas dibutuhkan program screening pada lama rawat inap pasien kanker serviks.
Penelitian ini bertujuan untuk mengetahui faktor-faktor yang mempengaruhi lama rawat inap pasien kanker
serviks di Kabupaten Tuban dengan metode komputasi Bayesian Regresi Dummy. Metode Bayesian adalah
salah satu teknik komputasi pada estimasi parameter yang menggabungkan fungsi likelihood dan distribusi prior
menjadi distribusi posterior dalam menduga parameter model. Bayesian regresi dummy menghasilkan suatu
variabel yang memiliki pengaruh signifikan terhadap lama rawat inap pasien kanker serviks, yaitu variabel
Komplikasi (X1). Dengan nilai alpha 2.17, menunjukan bahwa terdapat dependensi/error yang tidak bisa
dijelaskan dalam model regresi dummy pada kasus lama rawat inap kanker serviks di Kabupaten Tuban.
Kata kunci: Bayesian , Kanker Serviks, Regresi Dummy
93
1. Pendahuluan Penelitian yang sama juga dilakukan [2]
Kanker serviks adalah penyakit yang menerapkan model regresi logistic pada kasus
dikarenakan oleh pertumbuhan sel-sel kanker serviks di Swedia yaitu memodelkan
jaringan tubuh yang tidak normal di dalam Hasil dari evaluasi rutin program skrining
leher rahim yang terdapat dalam organ kanker serviks untuk mengendalikan kasus
bagian reproduksi pada tubuh wanita [1]. Di kanker serviks di swedia. Penelitian juga
Indonesia kanker serviks merupakan dilakukan [3] menggunakan regresi logistik
pembunuh nomor satu bagi wanita [2]. ordinal pada faktor-Faktor yang
Penyebab utama kanker serviks adalah mempengaruhi hasil pap test kanker serviks.
infeksi Human Papilloma Virus Namun ada Hasil dari penelitian tersebut adalah variabel
beberapa penyebab bisa diamati meski tidak pemakaian alat kontrasepsi dan riwayat
selalu memberi petunjuk infeksi HPV, mempunyai anak. Beberapa penelitian yang
keputihan atau mengeluarkan sedikit darah dilakukan tanpa memperhitungkan lama rawat
setelah melakukan hubungan intim [3]. inap pasien kanker serviks, oleh karena itu
Untuk mencegah munculnya fase ganas pada penelitian ini dilakukan untuk
pasien kanker serviks dibutuhkan program mengembangkan penelitian sebelumnya.
screening sebelum akan dilakukan lama Penelitian ini juga mengkaji model regresi
rawat inap pasien kanker serviks [4]. Faktor- dummy dengan pendekatan komputasi
faktor yang mempengaruhi lama rawat inap Bayesian dalam memprediksi dan mengetahui
pasien kanker serviks adalah komplikasi dan faktor-faktor yang berpengaruh lama rawat
usia [5]. Berdasarkan uraian tersebut maka inap pasien kanker serviks di Kabupaten
perlu dilakukan penelitian untuk mengkaji Tuban. Pertimbangan analisis regresi dummy
lama rawat inap pasien kanker serviks dapat dijadikan langkah penanganan secara
berdasarkan faktor-faktor yang optimal pada penyakit kanker serviks untuk
mempengaruhinya, sehingga hal ini dijadikan bahan pertimbangan melakukan
menyebabkan menjadi salah satu objek yang sosialisasi tentang penanganan penyakit
menarik untuk diteliti [5]. kanker serviks sehingga dapat mengurangi
Model regresi dummy merupakan dan mempercepat penanganan penyakit
pemodelan statistika yang diterapkan pada kanker serviks pada wanita di Kabupaten
pemodelan variabel respon berdasarkan satu Tuban.
atau lebih variabel predictor yang bersifat Regresi Dummy merupakan salah satu
kategorik dan kontinyu [6]. Model regresi metode statistika untuk menganalisis
dummy sering digunakan dalam epidemiologi hubungan antara variabel respon yang
yaitu tentang pola terjadinya penyakit dan mempunyai skala data interval dengan
faktor-faktor yang mempengaruhinya [7]. variabel prediktor bersifat kategorik [11].
Seringkali di dalam penelitian, seseorang Berikut adalah rumus regresi dummy [6]:
ingin memodelkan hubungan antara variabel
𝑃
prediktor dan respon maka metode yang
paling sering dipakai adalah regresi, baik 𝑌𝑖 = 𝛼 + ∑ 𝛽𝑘 𝑥𝑘 + 𝜀𝑖 (1)
sederhana maupun berganda [8]. Namun, ada 𝑘=1
kalanya regresi linier dengan metode OLS dimana
(ordinary least square) dan maksimum 𝛼 : nilai variabel respon apabila 𝑋 = 0.
likelihood yang sering dipakai tersebut kurang 𝛽 : slope garis, yakni perubahan 𝑌 untuk
sesuai untuk digunakan jika regresi terdapat perubahan 1 unit 𝑋.
pelanggaran asumsi Gauss-Markov oleh 𝜀 : error model.
karena itu metode yang paling tepat adalah
Bayesian MCMC-Gibbs Sampling [9]. Pada penelitian ini distribusi variabel lama
rawat inap pasien kanker serviks mengikuti
Berdasarkan penelitian yang dilakukan
[10] menggunakan regresi logistik distribusi normal (𝜇 dan 𝜎 2 ) [12]. Dengan
menghasilkan faktor-faktor yang demikian fungsi kepekatan peluang sebagai
mempengaruhi kanker serviks yaitu usia, berikut [13]:
umur pertama menikah dan jenis kontrasepsi.
94
2
1 1 𝑦−𝜇 bersangkutan dan dapat dijelaskan sebagai
𝑓(𝑦 | 𝜇, 𝜎 2 ) = 𝑒𝑥𝑝 (− ( )) (2)
2
(√2𝜋𝜎 ) 2 𝜎 berikut [22].
𝑝(𝛼|𝜎, 𝛽1+𝑖 )
dengan batas distribusi −∝< 𝜇 <∝, 𝜎 2 > 0,
≅ ∫ ∫ … ∫ 𝐼(𝑥|𝜎, 𝛽1 , … , 𝛽𝑝 ) 𝑝(𝜎)𝑝(𝛽1 ) … 𝑝(𝛽𝑝 )𝜕𝜎𝜕𝛽1 … 𝜕𝛽𝑝
disubstitusi pada model regresi linier 𝜎 𝛽1 𝛽𝑝
berganda berikut [14]: 𝑝(𝜎|𝛼, 𝛽1+𝑖 )

𝑃
≅ ∫ ∫ … ∫ 𝐼(𝑥|𝛼, 𝛽1 , … , 𝛽𝑝 ) 𝑝(𝛼)𝑝(𝛽1 ) … 𝑝(𝛽𝑝 )𝜕𝛼𝜕𝛽1 … 𝜕𝛽𝑝
𝑦 = 𝛼 + ∑ 𝛽𝑘 𝑥𝑘 + 𝜀𝑖 𝛼 𝛽1 𝛽𝑝
𝑘=1 𝑝(𝛽1 |𝛼, 𝜎, 𝛽1+𝑖 ≠ 1)
𝑃
𝜀𝑖 = 𝑦 − (𝛼 + ∑ 𝛽𝑘 𝑥𝑘 ) ≅ ∫ ∫ ∫ … ∫ 𝐼(𝑥|𝛼, 𝜎, 𝛽2 , … , 𝛽𝑝 ) 𝑝(𝛼)𝑝(𝜎)𝑝(𝛽2 ) … 𝑝(𝛽1+𝑝 )𝜕𝛼𝜕𝜎𝜕𝛽2 … 𝜕𝛽1+𝑝

𝛼 𝜎 𝛽2 𝛽1+𝑝
𝑘=1
2 (3) ⋮
1 1 𝜀𝑖 𝑝(𝛽𝑃 |𝛼, 𝜎, 𝛽1+𝑖 ≠ 1)
𝑓(𝑥 | 𝛼, 𝛽, 𝜎 2 ) = 𝑒𝑥𝑝 (− ( ))
2
(√2𝜋𝜎 ) 2 𝜎
2 ≅ ∫ ∫ ∫ … ∫ 𝐼(𝑥|𝛼, 𝜎, 𝛽1 , … , 𝛽𝑝 ) 𝑝(𝛼)𝑝(𝜎)𝑝(𝛽1) … 𝑝(𝛽1+𝑝 )𝜕𝛼𝜕𝜎𝜕𝛽1 … 𝜕𝛽1+𝑝
1 1 𝑦 − 𝛼 + ∑𝑃𝑘=1 𝛽𝑘 𝑥𝑘 𝛼 𝜎 𝛽1 𝛽1+𝑝
= 𝑒𝑥𝑝 (− ( ))
(√2𝜋𝜎 2 ) 2 𝜎 (6)
Metode Bayesian adalah metode Gibbs Sampling adalah teknik untuk

alternatif untuk mengestimasi parameter membangkitkan variabel acak dari distribusi
model secara stokastik yang kompleks [15]. full conditional pada persamaan (6) [23].
Pemodelan Bayesian didasarkan pada model Langkah-langkah dalam proses algoritma
posterior yaitu memadukan data distribusi Gibbs Sampling adalah [24]:
awal sebagai informasi prior dan data 1. Menentukan nilai awal untuk masing-
pengamatan yang digunakan sebagai fungsi masing parameter.
likelihood [16]. Pada Bayesian memanfaatkan (𝜎 0 , 𝛽10 , . . . . 𝛽40 )
informasi data sampel dan memperhitungkan 2. Selanjutnya didapatkan urutan acak
distribusi awal atau yang disebut distribusi 𝜎1 dari 𝑝(𝜎, 𝛽10 , . . . . 𝛽40 )
prior dengan proses Markov Chain Monte 𝛽11 dari 𝑝(𝛽11 , 𝜎 0 , 𝛽20 , . . . . , 𝛽40 )
Carlo (MCMC) [17]. MCMC adalah ⋮
pendekatan numerik untuk mendapatkan 𝛽41 dari 𝑝(𝛽41 , 𝜎 0 , 𝛽20 , . . . . , 𝛽30 )
distribusi posterior [18]. Persamaan distribusi 3. Mengulangi Langkah kedua hingga
posterior pada model regresi adalah sebagai kondisi konvergen (nilai MC error kurang
berikut [19]: dari 5% simpangan baku maka
kekonvergenan terpenuhi dan iterasi
𝑝(𝛽1+𝑖 , 𝛼, 𝜎|𝑋) = 𝐿(𝛽1+𝑖 , 𝛼, 𝜎; 𝑋) dihentikan) [25].
𝑝(𝛽1+𝑖 )𝑝(𝑎)𝑝(𝜎)
(4)
Pengujian parameter bertujuan untuk
Estimasi untuk setiap parameter diperoleh mengetahui pengaruh variabel prediktor
melalui bentuk distribusi bersyarat penuh dari terhadap variabel respon [26]. Pengujian
setiap parameter yaitu 𝜎, dan 𝛽𝑖 dengan parameter yang digunakan pada pendekatan
penentuan distribusi prior terlebih dahulu Bayesian adalah dengan pengujian credible
[20]. Interval yang memiliki nilai batas bawah
Distribusi prior yang digunakan sebesar 2,5% dan batas atas sebesar 97,5%
merupakan gabungan antara prior conjugate [27]. Kriteria keputusannya akan tolak H0 jika
dan Informatif sebagai berikut [21] : credible interval tidak memuat nilai 0 dengan
𝑦 ∼ 𝑁𝑜𝑟𝑚𝑎𝑙(𝜇, 𝜎) kesimpulan bahwa variabel prediktor
𝜇 = 𝜷𝑻 𝒙𝑖𝑗 + 𝜀𝑖 , berpengaruh secara signifikan terhadap
𝜀𝑖 |𝜀−𝑖 ∼ 𝑁𝑜𝑟𝑚𝑎𝑙(𝑎, 𝑏), variabel respon. Berikut adalah hipotesis yang
digunakan adalah sebagai berikut [28].
𝜷 ∼ 𝑁𝑜𝑟𝑚𝑎𝑙(𝑠, 𝑟) (5) 𝐻0 = 𝛽𝑗 = 0 (variabel prediktor ke-j tidak
Distribusi posterior atau full conditional untuk
berpengaruh terhadap variabel respon)
masing-masing parameter menggunakan
𝐻1 = 𝛽𝑗 ≠ 0 (variabel prediktor ke-j
MCMC-Gibbs Sampling dengan cara
mengintegralkan parameter-parameter yang berpengaruh terhadap variabel respon)
95
2. Metode sebesar 2,2. Hal ini dapat disimpulkan bahwa
Penelitian ini menggunakan data penyebaran pasien di di RSUD Koesma
rekam medis pasien wanita lama rawat inap Kabupaten Tuban menunjukan rawat inap
kanker serviks di Rumah Umum Koesma rata-rata 4 hari dinyatakan sembuh atau boleh
Tuban. Data yang digunakan dalam penelitian pulang. Karakteristik lainnya dapat diketahui
ini adalah data tahun 2021. Variabel respon berdasarkan Komplikasi (X1) dengan Usia
adalah lama rawat inap pasien Kanker Serviks (X2), Pendidikan (X3) dan Anemia (X4).
di Kabupaten Tuban (Y) dan variabel
prediktor bersifat kategorik yang terdiri dari Tabel 1. Karakteristik Pasien Rawat Inap
Komplikasi (X1), Usia (X2), Pendidikan (X3) Komplikasi
Variabel Penelitian (X1)
dan Anemia (X4).
Iya Tidak
Langkah-langkah analisis regresi dummy Usia <=50
menggunakan Bayesian adalah (1) melakukan 14 11
Tahun
Usia (X2)
analisis deskriptif pada data; (2) menentukan Usia > 50
18 15
parameter regresi dummy dengan WinBUGS Tahun
seperti berikut : Pendidikan Rendah 29 22
(X3) Tinggi 3 4
Mulai Tidak Anemia 24 20
Anemia (X4).
Anemia 8 6
Pengumpulan Data
Tabel 1 menunjukkan bahwa pasien lama
rawat inap mayoritas pada pasien komplikasi
Statistika Deskriptif
pada usia dari 50 tahun dengan pendidikan
rendah (SD sampai dengan SMP) dan tidak
Proses Komputasi MCMC dan Gibb’s
Sampling memiliki penyakit anemia. Setelah deskriptif
data dilakukan dan dihasilkan bahwa
mayoritas pasien kanker serviks memiliki
Estimasi Parameter Regresi Dummy
riwayat komplikasi. Kanker serviks
menandakan beberapa perubahan sel-sel
Pemodelan Regresi Dummy abnormal di daerah serviks sedangkan kanker
menunjukan sel-sel abnormal pada daerah
serviks sudah bersifat ganas.
Interpretasi Untuk mengetahui faktor-faktor yang
mempengaruhi lama rawat inap pasien pasien
penyakit kanker dengan pemodelan regresi
Selesai dummy dengan algoritma komputasi
Bayesian sebagai berikut:
Gambar 1. Flowchart Model Regresi Dummy pada
kasus kanker serviks Tabel 2. Hasil Estimasi Parameter Model
Para
Medi
3. Pembahasan me Mean 2,5% 97,5% Keterangan
an
ter
Penyusunan Model Regresi Dummy β1 1,11 0,106 1,116 2,115 Signifikan
untuk mengetahui variabel prediktor mana Tidak
β2 0,603 -0,368 0,604 1,584
yang berpengaruh terhadap lama rawat inap Signifikan
Tidak
kanker serviks. Langkah pertama dilakukan β3 0,667 -0,86 0,676 2,164
Signifikan
analisis deskriptif untuk mengetahui Tidak
β4 0,684 -0,84 0,683 2,217
karakteristik lama rawat inap di RS Koesma Signifikan
Tuban. Jumlah pasien kanker serviks di RS α 2,17 0,004 0,835 2,175 Signifikan
τ 0,19 0,130 0,194 0,276 Signifikan
Koesma Tuban sebanyak 58 pasien dengan
karakteristik rata-rata lama rawat inap 4 hari
dengan minimal pasien lama rawat inap 2 hari Berdasarkan perhitungan Software
dan maksimal 12 hari dengan standar deviasi WinBUGS yang ditunjukkan pada Tabel 2
merupakan faktor-faktor yang dianggap
96
signifikan mempengaruhi lama rawat inap difokuskan pada masyarakat dengan
pasien kanker serviks jika nilai selang pemantauan rutin melalui screening atau
kepercayaan 2,5 % hingga 97,5% tidak deteksi dini. Pemodelan regresi dummy
memuat nilai 0. Tabel 2 menunjukkan faktor mampu memberikan informasi untuk
yang berpengaruh signifikan terhadap lama dijadikan bahan sosialisasi dalam penanganan
rawat inap pasien kanker serviks di Kabupaten penyakit Kanker serviks di Kabupaten Tuban.
Tuban adalah Komplikasi (X1). Tabel 2 kolom
mean merupakan besaran parameter model 4. Penutup
sedangkan ketiga kolom berikutnya adalah Hasil Pemodelan menunjukan rata-
besarnya nilai estimasi pada selang rata lama rawat inap pasien kanker servik 4
kepercayaan 97,5%. Parameter alpha hari dan paling banyak 12 hari pasien
signifikan terhadap pengaruh lama rawat inap dinyatakan pulang. Kemudian hasil dari
pasien kanker serviks karena selang 2,5 % komputasi Bayesian regresi logistik
hingga 97,5% tidak memuat nilai 0 yang menunjukan faktor yang berpengaruh
menunjukkan terdapat dependensi/error yang signifikan pada lama rawat inap pasien kanker
tidak terjelaskan dalam model regresi dummy. serviks di kabupaten Tuban adalah
Komplikasi (X1) atau efek penyakit penyerta
pasien. Parameter alpha menunjukan
dependensi error yang tidak terjelaskan dalam
model regresi dummy ketika variabel lain
yang diamati konstan. Regresi dummy pada
komputasi bayesian mampu memberikan
informasi terkait dengan penyebab lama rawat
inap pasien kanker serviks.
Referensi
Gambar 2. Series Plot
[1] S. Wahyuni, "Faktor-faktor yang
Gambar 2 menunjukan grafik series plot mempengaruhi perilaku deteksi dini
parameter yang diestimasi, terlihat bahwa kanker serviks di kecama-tan ngampel
sampel parameter yang dibangkitkan dalam kabupaten kendal jawa tengah," Jurnal
proses iterasi berada dalam satu area dan Keperawatan Maternitas, vol. I, no. 1,
menunjukkan nilai acak dengan pola stasioner pp. 55-60, 2013.
dan bersifat random dan konvergen. Berikut [2] J. Wang, K. M. Elfström, B. Andrae and
adalah model Regresi dummy : S. N. Kleppe, "Cervical cancer case–
control audit: Results from
𝑌 = 2,17 + 1,11X1 (7) routineevaluation of a nationwide
cervical screening program,"
Berdasarkan persamaan regresi dapat nternational Journal of Cancer, no. 146,
disimpulkan bahwa pasien yang memiliki p. 1230–1240 , 2019.
penyakit komplikasi mempunyai lama rawat [3] R. M. Nugrahani and M. Salamah,
inap 1,11 kali daripada pasien yang tidak "Analisis Faktor-Faktor yang
memiliki penyakit komplikasi pada kasus Mempengaruhi Hasil Pap Test Kanker
penyakit kanker serviks di kabupaten Tuban Serviks dengan Menggunakan Metode
dengan variabel lain konstan. Sama halnya Regresi Logistik Ordinal," JURNAL
variabel pendidikan dengan kategori rendah SAINS DAN SENI ITS, pp. 16-19, 2012.
lama rawat inap pasien kanker serviks lebih
[4] S. N. Aulele, H. M. Patty and
besar 0,006 kali dari pada pasien yang
Trisnawaty, "ANALISIS FAKTOR-
memiliki pendidikan kategori tinggi dengan
FAKTOR YANG
syarat variabel lain konstan. Hal ini dapat
MEMPERNGARUHI KANKER
disimpulkan bahwa tingginya pasien kanker
LEHER RAHIM DI KOTA AMBON
serviks secara epidemiologis menjadi penting
DENGAN MENGGUNAKAN
dengan kaitannya program kesehatan yang
97
REGRESI LOGISTIK BINER," Jurnal Natural B, Journal of Health and
Ilmu Matematika dan Terapan, vol. 10, Environmental Sciences, vol. 1, no. 3,
no. 1, p. 61–68, 2016|. pp. 93-102, 2015.
[5] F. s. insani, S. Af and L. Talangko, [14] N. Mahmudah and F. Anggraini,
"Metode Bootstrap Aggregating Regresi "Bayesian Survival Dagum 3 Parameter
Logistik untuk Peningkatan Ketepatan Link Function Models in the
Klasifikasi Regresi Logistik Ordinal," J. Suppression of Dengue Fever in
Stat. UNHAS, pp. 1-9, 2015. Bojonegoro," IAENG International
[6] L. Fahrmeir, . T. Kneib, S. Lang and B. Journal of Applied Mathematics, vol.
Marx, Regression Models, Methods and 51, no. 3, pp. 1-7, 2021.
Applications, New York: Springer- [15] G. E. Box and G. C. Tiao, Bayesian
Verlag Berlin Heidelberg, 2013. Inference in Statistical Analysis,
[7] N. Wu, i. (. Song, R. Yao, . Q. Yu, . C. Reading,MA : Addison-wesley, 1973.
Tang and . S. Zhao, "A Bayesian sample [16] I. Ntzoufras, Bayesian Modeling Using
selection model based on normal WinBUGS, USA: John Wiley & Sons,
mixture to investigate household car Inc, 2009.
ownership and usage behavior," Travel [17] D. Darmofal, "Bayesian Spatial
Behaviour and Society, pp. 36-50, 2020. Survival Models for Political Event
[8] W. M. Bolstad and J. M. Curran, Processes," Department of Political,
Introduction to Bayesian Statistics, Science University of South Carolina.
Canada: John Wiley & Sons, 2017. 350 Gambrell Hal. Columbia, 2008.
[9] N. Han and . R. J. Ram, "Bayesian [18] N. Mahmudah, "Analisis Survival
modeling and computation for analyte Weibull 3p Menggunakan Aplikasi
quantification in complex mixtures Winbugs," Jurnal Mahasiswa Statistik,
using Raman spectroscopy," vol. 2, no. 3, pp. 237-240, 2014.
Computational Statistics and Data [19] h. Yang and . S. J. Novick, Bayesian
Analysis, pp. 1-19, 2019. Analysis with R for Drug Development:
[10] Y. F. Aksari and H. . B. Notobroto, Concepts, Algorithms, and Case
"Pemodelan Regresi Logistik Backward Studies, New York: CRC Press, 2019.
pada Faktor Risiko Kanker Serviks di [20] N. Mahmudah, N. Iriawan and S. W.
Yayasan Kanker Wisnuwardhana Purnami, "Bayesian Spatial Survival
Surabaya," Jurnal Biometrika dan Models for HIV/AIDS Event Processes
Kependudukan, pp. 152-161, 2015. in East Java.," Indian Journal of Public
[11] Y. Fan, D. Nott, M. S. Smith and e.-L. Health Research & Development, vol. 9,
Dortet-Bernadet, Flexible Bayesian no. 11, 2018.
Regression Modelling, USA: Academic [21] B. L. D, Bayesian analysis of time
Press, 2019. series, USA: Chapman & Hall/CRC,
[12] P. Ismartini, "Pengembangan Model 2019.
Liniear HIrarki Dengan Pendekatan [22] S. M. Lynch, Introduction to Applied
Bayesian Untuk Pemodelan Data Bayesian Statistics and Estimation for
Pengeluaran Data Pengeluaran Social Scientists, New York: Springer,
Perkapita Rumah Tangga," Jurusan 2017.
Statistika, Fakultas Matematika dan [23] J. V. Stone, Bayes Rule with R A
Ilmu Pengetahuan Alam, Institut Tutorial Introduction to Bayesian
Teknologi Sepuluh Nopember, Analysis, New York: Sebtel Press, 2016.
Surabaya, 2013.
[24] J. Kruschke, Doing Bayesian Data
[13] N. Mahmudah and H. Pramoedyo, Analysis, USA: Elsevier Science
"Spatial Modeling Weibull-3 Survival Academic Press, 2014.
Parameters with Frailty Distributed
Conditionally Autoregressive (CAR),"
98
[25] S. Banerjee, M. M. Wall and B. P. [27] N. Mahmudah and S. Sukono,
Carlin, "Frailty modeling for spatially "Bayesian Regresi Survival Pada Proses
correlated survival data, with Kejadian HIV/AIDS Di Jawa Timur,"
application to infant mortality in Jurnal Matematika Sains dan Teknologi
Minnesota," Biostatistics, pp. 123-142, (JMST), vol. 21, no. 2, pp. 111-123,
2003. 2020.
[26] Z. Zhang, J. Zhang , J. Lu and J. Tao, [28] B. Puza, Bayesian Methods for
"Bayesian Estimation of the DINA Statistical Analysis, Australia: ANU
Model With Pólya-Gamma Gibbs Press, 2017.
Sampling," Frontiers In Psychology,
vol. 11, no. 384, pp. 1-15, 2020.
99
100

and Science
PERBANDINGAN HYBRID ALGORITMA GENETIKA DENGAN

MULTILAYER PERCEPTRON DAN GEOMETRIC BROWNIAN
MOTION UNTUK MEMPREDIKSI HARGA SAHAM
Muftiyatul Azizah1
Corresponding author: Muftiyatul Azizah
1
Sekolah Tinggi Ilmu Ekonomi Indonesia (STIESIA) Surabaya, muftiyatulazizah@stiesia.ac.id
Received : 8 Juni 2022, Revised : 27 Juli 2022, Accepted : 4 Agustus 2022
Abstract
The stock is an investor ownership sign of their investment or the amount of fund invested in a company.
The purpose of the company issuing stock is to obtain additional capital from each stock sold. The more stock
owned by investors shows, the higher the level of company performance. Prediction results from stock price
movements are very important for developing market trading strategies. Stock price predictions can anticipate
investment losses and provide optimal returns for investors. In this study, Microsoft stock price predictions will
be made using a hybrid genetic algorithm and multilayer perceptron, as well as a hybrid genetic algorithm and the
geometric Brownian motion. The MAPE value generated by the hybrid genetic algorithm and geometric Brownian
motion is 0.0057139, while the MAPE value generated by the hybrid genetic algorithm and multilayer perceptron
is 0.05164. The MAPE value predicted using a hybrid genetic algorithm and geometric Brownian motion is better
than the MAPE value predicted using a hybrid genetic algorithm and multilayer perceptron.
Keywords: Hybrid Genetic Algorithm and Multilayer Perceptron, Hybrid Genetic Algorithm and Geometric
Brownian Motion, Stock
Abstrak
Saham didefinisikan sebagai tanda kepemilikan investor atas investasi mereka atau sejumlah dana yang
diinvestasikan dalam suatu perusahaan. Tujuan perusahaan menerbitkan saham yakni untuk memperoleh
tambahan modal dari setiap lembar yang terjual. Semakin banyak saham yang dimiliki oleh para investor
maka menunjukkan semakin tinggi tingkat kinerja perusahaan. Hasil prediksi dari pergerakan harga saham
sangat penting untuk mengembangkan strategi perdagangan pasar. Prediksi harga saham dapat mengantisipasi
kerugian investasi dan memberikan keuntungan optimal bagi para investor. Pada penelitian ini, akan dilakukan
prediksi harga saham perusahaan Microsoft menggunakan metode hybrid algoritma genetika dan multilayer
perceptron, serta dengan metode hybrid algoritma genetika dan geometric Brownian motion. Nilai MAPE yang
dihasilkan dari hybrid algoritma genetika dan geometric Brownian motion adalah sebesar 0.0057139, sedangkan
nilai MAPE yang dihasilkan oleh hybrid algoritma genetika dan multilayer perceptron adalah sebesar 0.05164. Nilai
MAPE hasil prediksi menggunakan hybrid algoritma genetika dan geometric Brownian motion lebih baik
dibandingkan dengan nilai MAPE hasil prediksi menggunakan hybrid algoritma genetika dan multilayer perceptron.
Kata kunci: Hybrid Algoritma Genetika dan Multilayer Perceptron; Hybrid Algoritma Genetika dan Geometric
Brownian Motion; Saham
101
1. Pendahuluan 2011, Kara dan rekannya memprediksi
Definisi dari saham yakni sebagai harga saham dengan mengambil sampel
tanda kepemilikan investor atas investasi data saham di Istanbul [2]. Metode yang
mereka atau sejumlah dana yang digunakan untuk memprediksi adalah
diinvestasikan dalam suatu perusahaan. Support Vector Machines dan Artificial
Saham juga mempunyai makna sebagai Neural Network. Hasil prediksi dengan
suatu kertas yang dapat membuktikan metode Artificial Neural Network
keikutsertaan pemegangnya dalam menunjukkan hasil yang lebih signifikan
penanaman modal di suatu perusahaan [1]. dibandingkan dengan hasil prediksi dari
Tujuan suatu perusahaan menerbitkan metode Support Vector Machines. Pada
saham adalah untuk mendapatkan tahun 2016, Qiu dan Song memprediksi
penambahan modal dari setiap lembar yang pergerakan saham dengan Artificial Neural
terjual. Kinerja suatu perusahaan semakin Network [4]. Pada tahun 2014, Masoud
meningkat jika semakin banyak saham yang menggunakan Jaringan Saraf Tiruan (JST)
dimiliki oleh pemegang saham atau untuk memprediksi pergerakan harga
investor. Demikian juga sebaliknya, jika saham di Pasar Libya [5]. Jaringan saraf
terjadi penurunan minat investor untuk tiruan yang digunakan adalah
menginvestasikan dananya dalam bentuk backpropagation dengan beberapa fungsi
saham pada suatu perusahaan maka error yaitu Mean Absolute Error (MAE),
mempunyai makna bahwa kinerja Root Mean Squared Error (RMSE) dan
perusahaan mengalami penurunan [1]. Mean Absolute Percentage Error (MAPE).
Strategi perdagangan pasar Hasil penelitian oleh Masoud diperoleh
membutuhkan adanya prediksi harga saham bahwa JST dapat digunakan sebagai cara
agar dapat berkembang secara efektif. alternatif yang lebih baik untuk
Prediksi harga saham merupakan sebuah memprediksi harga saham. Pada tahun
peramalan deret waktu yang cukup sulit 2014, Amin dan rekannya memprediksi
dilakukan karena pergerakan harga saham harga saham di Tehran dengan
cenderung non-linear dan non stasioner menggunakan Artificial Neural Network
yang dipengaruhi oleh banyak kondisi. dan hybrid genetic algorithm dengan
Selain itu, harga saham dipengaruhi oleh Artificial Neural Network [6]. Dari
banyak faktor ekonomi makro seperti penelitian tersebut, diperoleh bahwa metode
peristiwa politik, kebijakan perusahaan, hybrid genetic algorithm dengan Artificial
kondisi ekonomi umum, harapan investor, Neural Network lebih efisien dibandingkan
pilihan investor institusi, pergerakan pasar dengan metode Artificial Neural Network.
saham lain, dan psikologi investor dan Pada tahun 2016, Reddy dan Clinton
sebagainya. Prediksi harga saham dapat memprediksi harga saham di Australia
membantu investor untuk mengantisipasi dengan menggunakan Geometric Brownian
resiko-resiko investasi dan mendapatkan Motion (GBM) [7]. Hasilnya menunjukkan
keuntungan secara optimal [2]. Sepuluh bahwa hasil prediksi dengan GBM hampir
perusahaan terbesar di dunia berdasarkan sama dengan data aslinya.
nilai pasar pada tahun 2018 (dalam miliar Penelitian lain yang dilakukan oleh
dolar AS) adalah sebagai berikut Apple, Azizah dan rekannya menggunakan
Amazon.com, Alphabet, Microsoft, Geometric Brownian Motion (GBM) serta
Facebook, Alibaba, Berkshire Hathaway, Multilayer Perceptron untuk memprediksi
Tencent Holdings dan JPMorgan Chase [3]. harga saham menunjukkan bahwa hasil
Berdasarkan data tersebut, Penulis ingin prediksi Geometric Brownian Motion lebih
memprediksi harga saham Microsoft baik dibandingkan dengan Multilayer
dikarenakan perusahaan Microsoft Perceptron [8]. Dari penelitian tersebut,
memiliki pengaruh besar pada dunia Penulis tertarik untuk mengembangkan
teknologi. metode yang digunakan yakni
Terdapat beberapa proses untuk menambahkan metode hybrid algoritma
memprediksi harga saham. Pada tahun genetika pada masing-masing metode
102
sehingga pada penelitian ini akan satunya adalah multilayer perceptron
menggunakan hybrid algoritma genetika (jaringan banyak lapis perceptron).
dan multilayer perceptron serta hybrid Multilayer perceptron (MLP) adalah metode
algoritma genetika dan geometric brownian pembelajaran yang berjalan dengan cara
motion untuk memprediksi harga saham. memperbarui bobotnya dan
Data yang digunakan tetap sama yakni data membandingkannya dengan target sampai
saham perhari pada perusahaan Microsoft menghasilkan output yang mendekati
dari 01 Oktober 2018 sampai 29 Maret 2019 target, sehingga dapat dikatakan bahwa
yang diperoleh dari yahoo finance [9]. model MLP merupakan metode yang
belajar dari kesalahan [13].
2. Metode Algoritma merupakan teknik
Model geometrik Brownian motion penyusunan langkah-langkah penyelesaian
pertama kali diperkenalkan oleh Paul pada masalah yang dirumuskan dengan baik,
tahun 1965 untuk memodelkan harga tersusun secara logis, sistematis, dan dalam
saham. Berikut adalah model geometrik jumlah yang berhingga. Algoritma genetika
Brownian motion: merupakan salah satu cabang kecerdasan
1 buatan berupa teknik optimasi dan
(𝜇− 𝜎2 )𝑑𝑡+𝜎𝜀√𝑑𝑡 (1)
𝑆(𝑡) = 𝑆(𝑡 − 1)𝑒 2
pencarian berdasarkan pada prinsip
Dengan: genetika dan seleksi. Algoritma ini dapat
𝑆(𝑡) : harga saham pada saat t digunakan untuk mencari solusi
permasalahan dengan satu atau banyak
𝑆(𝑡 − 1) : harga saham pada saat t-1
variabel, baik permasalahan kontinu
𝜇 : drift (ekspektasi laju
maupun diskrit, dan tidak hanya
pergerakan harga saham)
menyediakan solusi tunggal [14].
𝜎 : volatilitas (tingkat
Pada penelitian ini menggunakan data
pergerakan harga saham)
saham perhari pada perusahaan Microsoft
𝜀 : random normal
dari 01 Oktober 2018 sampai 29 Maret 2019
Model geometrik Brownian motion yang diperoleh dari yahoo finance.
telah digunakan pada pemodelan dinamika Persamaan yang digunakan untuk
harga komoditi di Indonesia yaitu minyak memprediksi harga saham Microsoft
sawit dan emas [10]. Pengaplikasian dengan geometric Brownian motion adalah
metode geometric Brownian motion untuk sebagai berikut:
memodelkan harga saham dapat digunakan 1
(𝜇− 𝜎 2 )𝑑𝑡+𝜎𝜀√𝑑𝑡 (2)
𝐹(𝑡) = 𝐹(𝑡 − 1)𝑒 2
jika nilai return dari suatu saham di masa
lalu berdistribusi normal, sehingga harga Dengan:
saham di masa yang akan datang bisa 𝐹(𝑡) : prediksi harga saham pada saat t
diprediksi dengan geometric Brownian
𝐹(𝑡 − 1) : prediksi harga saham pada saat
motion [11].
t-1
Struktur fungsional dari jaringan saraf
𝜇 :drift (ekspektasi laju pergerakan
biologi merupakan inspirasi dalam
harga saham)
pembentukan model matematika atau
𝜎 :volatilitas (tingkat pergerakan
model komputasi jaringan saraf tiruan [12].
harga saham)
Permasalahan yang kompleks diselesaikan
𝜀 : random normal
dengan menggunakan jaringan saraf tiruan.
Jaringan saraf tiruan mempelajari pola-pola Data yang sudah diperoleh akan
dari jumlah data yang banyak dengan diproses untuk dihitung nilai return dengan
menyaring data, mencari hubungan, menggunakan rumus berikut:
membangun model, dan mengoreksi 𝑑𝑆(𝑡) 𝑆𝑡+1 − 𝑆𝑡
kesalahan model itu sendiri berkali-kali = (3)
[13]. 𝑆(𝑡) 𝑆𝑡
Jaringan saraf tiruan mempunyai Dengan
beberapa metode pembelajaran yakni salah
103
𝑑𝑆(𝑡) mengembalikan ukuran data yang telah
: return harga saham
𝑆(𝑡) dinormalisasi untuk mendapatkan data yang
𝑆𝑡+1 : harga saham pada saat t+1 asli.
𝑆𝑡 : harga saham pada saat t Langkah-langkah hybrid multilayer
perceptron dan algoritma genetika adalah
Selanjutnya nilai return dari hasil sebagai berikut: (1) Menentukan parameter-
perhitungan harus diuji normalitasnya dengan parameter AG dan MLP. Parameter AG
menggunakan metode Kolmogorov Smirnov adalah pop size, maksimum iterasi,
dengan hipotesis sebagai berikut [15]: probabilitas crossover (pc), probabilitas
H0: Data sampel berdistribusi normal mutasi (pm). Parameter MLP adalah batas
H1: Data sampel tidak bedistribusi normal error dan laju pelatihan/learning rate (α).
(2) Proses normalisasi data yang digunakan
Statistik Uji:
untuk mengubah data pada interval [0, 1].
(3) Membangkitkan populasi awal pada
𝐷ℎ𝑖𝑡𝑢𝑛𝑔 = 𝑚𝑎𝑘𝑠|𝐹𝑡 − 𝐹𝑠 | (4)
algoritma genetika. (4) Mengubah
kromosom dalam algoritma genetika
dengan:
menjadi bobot dan bias dalam MLP. (5)
𝐷ℎ𝑖𝑡𝑢𝑛𝑔 : deviasi minimum
Menghitung Mean Absolute Percentage
𝐹𝑡 :fungsi berdistribusi yang Error (MAPE) dengan proses MLP. (6)
dihipotesiskan berdistribusi normal Mengubah bobot dan bias dalam MLP
𝐹𝑠 : fungsi distribusi kumulatif dari data menjadi kromosom dalam algoritma
sampel genetika. (7) Menghitung nilai fitness tiap
kromosom. (8) Cek apakah sudah
Kriteria pengujian: memenuhi maksimum iterasi atau MAPE
Jika 𝐷ℎ𝑖𝑡𝑢𝑛𝑔 < 𝐷𝛼,𝑛 (nilai 𝛼 = 0.05), maka yang diperoleh telah kurang dari batas
𝐻0 diterima yang memiliki arti bahwa data error. (9) Jika iterasi sudah mencapai
sampel berdistribusi normal. Penggunaan maksimum iterasi atau MAPE yang
software minitab untuk uji normalitas diperoleh kurang dari batas error, maka
memutuskan untuk terima 𝐻0 apabila nilai kromosom dengan nilai fitness terbaik
𝑃𝑣𝑎𝑙𝑢𝑒 > 0.05 dan data sampel dinyatakan merupakan solusi untuk prediksi saham.
berdistribusi normal. (10) Jika iterasi belum mencapai maksimum
Prosedur untuk menerapkan hybrid iterasi atau MAPE yang diperoleh lebih dari
algoritma genetika dan multilayer batas error, maka akan dilanjutkan dengan
perceptron dalam menyelesaikan proses AG.
permasalahan prediksi saham perusahaan Prosedur estimasi parameter dengan
Microsoft adalah sebagai berikut: (1) hybrid algoritma genetika dan geometri
Pembuatan rancangan data yang akan Brownian motion untuk menyelesaikan
digunakan sebagai input dalam multilayer permasalahan prediksi saham perusahaan
perceptron. Ada dua hal yang perlu dilakukan Microsoft adalah sebagai berikut: (1)
dalam membuat rancangan data yaitu Menentukan banyaknya generasi
membagi data menjadi data training maksimum (ngen), menentukan ukuran
(pelatihan) dan data testing (validasi), dan populasi (npop), probabilitas crossover
melakukan normalisasi data. (2) (Pc), probabilitas mutasi (Pm). Probabilitas
Mendesain arsitektur jaringan yang terdiri crossover menyatakan proporsi populasi
dari lapisan input, lapisan tersembunyi, dan pada generasi sekarang yang tetap
lapisan output. (3) Menerapkan hybrid dipertahankan pada generasi berikutnya.
multilayer perceptron dan algoritma (2) Membangkitkan elemen kromosom
genetika untuk memperoleh bobot dan bias. yang berupa bilangan real antara nol sampai
(4) Melakukan uji validasi data dengan satu sebanyak jumlah parameter yang
menggunakan nilai-nilai bobot dan bias diestimasi, dan terus dibangkitkan sebanyak
yang sudah diperoleh dari hasil penelitian. npop. Kromosom-kromosom yang
(5) Proses denormalisasi yaitu terbentuk, dijadikan sebagai populasi awal.
104
(3) Melakukan evaluasi nilai fungsi tujuan dan 3, jumlah neuron pada hidden layer
untuk setiap kromosom pada populasi. (4) adalah 2, 3 dan 4, jumlah neuron pada
Menghitung nilai fungsi tujuan untuk output layer adalah 1 serta learning rate
masing-masing individu. (5) Melakukan adalah 0.2 dan 0.5.
seleksi sejumlah individu pada populasi Proses selanjutnya adalah normalisasi
untuk menjadi subpopulasi individu induk. data yang sudah diperoleh pada proses
(6) Memilih sejumlah pasangan yang sebelumnya. Kemudian proses generate
diperoleh dari subpopulasi individu induk. populasi awal untuk menentukan kromosom
Pemilihan pasangan menggunakan metode yang merupakan bilangan random antara 0
Roulette Wheel. (7) Melakukan proses sampai dengan 1. Nilai- nilai kromosom
crossover dengan mencari kromosom induk tersebut selanjutnya akan dijadikan bobot
yang menghasilkan random dari 0 sampai 1. dan bias awal dari MLP. Bobot dan bias
Dari kromosom induk tersebut dapat awal yang sudah dibentuk kemudian
dihasilkan offspring (anak). (8) Melakukan dimasukkan ke dalam proses MLP untuk
proses mutasi secara acak pada sejumlah diperbarui sehingga diperoleh bobot dan
individu untuk pembagian variabel (gen) bias baru yang lebih baik. Setelah diperoleh
pada populasi. (9) Menghentikan proses bobot dan bias baru maka MAPE dari tiap
algoritma setelah banyaknya generasi kromosom dapat dihitung dengan
maksimal tercapai. Jika tidak, proses menggunakan persamaan berikut.
langkah d diulang.
|𝐴𝑡 − 𝐹𝑡 |
𝑛
3. Pembahasan 𝐴𝑡 (5)
3.1 Prediksi Harga Saham Microsoft 𝑀𝐴𝑃𝐸 = ∑ 100%
𝑛
dengan Menggunakan Metode Hybrid 𝑡=1
Algoritma Genetika dan Multilayer Dengan:

Perceptron 𝐴𝑡 : data aktual
Berdasarkan penelitian Amin beserta 𝐹𝑡 : hasil prediksi
rekannya hasil prediksi dengan 𝑛 : banyak data
menggunakan hybrid genetic algorithm
dengan artificial neural network lebih Bobot dan bias baru tersebut akan
efisien dibandingkan dengan artificial dijadikan kromosom dalam AG. Kemudian
neural network [6]. Dari gagasan penelitian dihitung nilai fitness tiap kromosom,
tersebut, maka dalam penelitian ini akan selanjutnya dilakukan proses seleksi
menggunakan hybrid genetic algorithm dan menggunakan Roulette Wheel, proses
multilayer perceptron untuk memprediksi crossover menggunakan intermediate) dan
harga saham Microsoft. proses mutasi menggunakan (inverse).
Prediksi dengan hybrid algoritma Setelah proses tersebut, maka akan
genetika dan multilayer perceptron diawali diperoleh populasi baru yaitu dengan cara
dengan proses inisialisasi parameter, yaitu menggabungkan kromosom dari populasi
menentukan nilai parameter yang akan awal, anak hasil crossover dan anak hasil
dibutuhkan. Parameter yang dibutuhkan mutasi. Kemudian dihitung nilai fitness dan
dalam algoritma genetika adalah banyaknya dipilih kromosom terbaik.
individu (npop), probabilitas crossover Prediksi harga saham dengan
(Pc), probabilitas mutasi (Pm) dan menggunakan hybrid algoritma genetika
maksimal iterasi. Dalam penelitian ini dan multilayer perceptron menggunakan
menggunakan npop = 100, Pc = 0.5 dan 0.7, bantuan software MATLAB. Pada proses
Pm = 0.2 dan 0.4, serta maksimal iterasi prediksi dengan hybrid GA dan MLP,
adalah 25000. Sedangkan parameter yang dilakukan running sebanyak lima kali untuk
dibutuhkan dalam multilayer perceptron masing-masing input parameter dan dipilih
adalah jumlah neuron pada input, hidden dan MAPE terbaik. Berikut adalah hasil MAPE
output layer serta learning rate. Untuk terbaik pada tiap input parameter dan rata-
jumlah neuron pada input layer adalah 2 rata MAPE setiap kali running.
105
Tabel 1. Nilai MAPE dari Hasil Prediksi dengan Hybrid GA dan MLP
Neuron Neuron MAPE Rata-rata
Pc Pm Alpha
pada Input pada Hidden Terbaik MAPE
0.2 0.05246 0.05323
0.2
0.5 0.05357 0.05363
0.5
0.2 0.05263 0.05322
0.4
0.5 0.05256 0.05259
2 2
0.2 0.05246 0.053286
0.2
0.5 0.05219 0.052206
0.7
0.2 0.05244 0.053448
0.4
0.5 0.05273 0.053028
0.2 0.05251 0.05238
0.2
0.5 0.05191 0.052004
0.5
0.2 0.05245 0.052254
0.4
0.5 0.05287 0.053132
2 3
0.2 0.05249 0.053352
0.2
0.5 0.05287 0.053584
0.7
0.2 0.05267 0.053282
0.4
0.5 0.05283 0.052962
0.2 0.0525 0.052376
0.2
2 4 0.5 0.5 0.05164 0.051812
0.4 0.2 0.05251 0.05331
0.5 0.4 0.5 0.05197 0.052314
0.2 0.05255 0.053266
0.2
2 4 0.5 0.05294 0.053774
0.7
0.2 0.05261 0.05335
0.4
0.5 0.05183 0.052906
0.2 0.0537 0.05396
0.2
0.5 0.05437 0.05481
0.5
0.2 0.05366 0.05398
0.4
0.5 0.05435 0.0549512
3 2
0.2 0.05382 0.054206
0.2
0.5 0.05436 0.054992
0.7
0.2 0.05343 0.0542
0.4
0.5 0.05437 0.054966
0.2 0.05336 0.054262
0.2
0.5 0.0541 0.054756
0.5
0.2 0.05385 0.05422
0.4
0.5 0.05417 0.054686
3 3
0.2 0.05375 0.054198
0.2
0.5 0.05412 0.0548
0.7
0.2 0.05361 0.054226
0.4
0.5 0.05398 0.054798
0.2 0.05389 0.054262
0.2
0.5 0.0543 0.054706
0.5
0.2 0.05346 0.054184
0.4
0.5 0.05335 0.054036
3 4
0.2 0.05378 0.054348
0.2
0.5 0.05424 0.054792
0.7
0.2 0.05375 0.054206
0.4
0.5 0.05419 0.054902
106
Dari Tabel 1, MAPE terbaik adalah
0.05164, yaitu ketika neuron pada
input=2, neuron pada hidden=4, Pc = 0.5,
Pm = 0.2 dan α = 0.5. Berikut adalah
grafik hasil training, grafik MAPE dari
training dan grafik perbandingan antara
data saham dan hasil prediksi dengan
menggunakan hybrid GA dan multilayer
perceptron.
Gambar 3. Perbandingan Harga Saham dan Hasil

Prediksi
3.2 Prediksi Harga Saham Microsoft

dengan Menggunakan Metode Hybrid
Algoritma Genetika dan Geometri
Brownian Motion
Penelitian Chen dan rekannya yaitu
memprediksi harga opsi dengan hybrid
algoritma genetika dan Black Scholes [16].
Hasil penelitian tersebut menyatakan bahwa
Gambar 1. Hasil Training hasil prediksi harga opsi dengan
menggunakan hybrid algoritma genetika
Pada Gambar 1 merupakan hasil dan Black Scholes lebih efisien
training dengan metode hybrid multilayer dibandingkan dengan Black Scholes.
perceptron dan algoritma genetika. Berdasarkan penelitian tersebut, maka
Berdasarkan Gambar 1, hasil training tidak dalam penelitian ini akan dilakukan
jauh berbeda dengan harga saham. Grafik prediksi harga saham menggunakan hybrid
hasil training dan harga saham algoritma genetika dan geometric Brownian
menunjukkan pola yang hampir sama. motion.
Grafik nilai MAPE dari hasil training Di dalam model geometric Brownian
disajikan pada Gambar 2 Nilai MAPE yang motion terdapat nilai random yang
dihasilkan akan selalu mengalami mempengaruhi hasil prediksi, sehingga akan
penurunan dan pada saat iterasi ke-24000 dilakukan pemilihan nilai random yang
nilai MAPE mengalami penurunan yang diharapkan dapat menghasilkan nilai
tidak jauh berbeda. MAPE lebih baik. Proses prediksi harga
saham dengan hybrid GA dan GBM diawali
dengan proses inisialisasi parameter yang
dibutuhkan yaitu banyak individu (npop),
probabilitas crossover (Pc), probabilitas
mutasi (Pm) dan maksimal iterasi. Dalam
penelitian ini, nilai parameter yang
digunakan yaitu npop = 100, Pc= 0.5 dan
0.7, Pm = 0.2 dan 0.4 serta maksimal iterasi
adalah 25000.
Proses selanjutnya adalah generate
populasi awal untuk menentukan kromosom
yang merupakan bilangan random
berdistribusi normal. Kromosom tersebut
Gambar 2. Hasil MAPE dari Training akan dihitung fungsi tujuannya
menggunakan model geometric Brownian
107
motion dan dihitung nilai MAPE dari setiap Prediksi harga saham menggunakan
kromosom. Kemudian dihitung nilai fitness metode hybrid multilayer perceptron dengan
tiap kromosom dan selanjutnya akan algoritma genetika dan hybrid geometric
dilakukan proses seleksi menggunakan Brownian motion dengan algoritma
Roulette Wheel, proses crossover genetika menghasilkan nilai MAPE yang
menggunakan uniform dan proses mutasi berbeda. Hasil perhitungan nilai MAPE dari
menggunakan resiprokal. Dari proses kedua metode tersebut akan disajikan pada
tersebut, maka akan diperoleh populasi baru Tabel 3. Berdasarkan Tabel 3, nilai MAPE
dan akan dihitung nilai MAPE untuk terkecil diperoleh ketika menggunakan
menentukan MAPE terbaik. Dalam metode hybrid geometric Brownian motion
penelitian ini dilakukan running sebanyak dan algoritma genetika, karena dengan
lima kali untuk setiap input parameter. adanya hybrid dengan algoritma genetika
Berikut adalah nilai MAPE terbaik dan rata- maka dapat memilih lintasan terbaik.
rata MAPE yang diperoleh dari lima kali
running. Tabel 3. Nilai MAPE dari hybrid GA dan MLP
dengan hybrid GA dan GBM
METODE NILAI MAPE
Tabel 2. Nilai MAPE dari Hasil Prediksi dengan
Hybrid GA dan GBM Hybrid Multilayer Perceptron 0.05164
NO Pc Pm MAPE Terbaik Rata-rata MAPE dan Algoritma Genetika
Hybrid Geometric Brownian 0.0057139
1 0.2 0.0061142 0.00658604
Motion dan Algoritma Genetika
2 0.5 0.4 0.0062961 0.00785394
3 0.2 0.0068466 0.00860278
4 0.7 0.4 0.0057139 0.00654754 4. Penutup
Berdasarkan hasil dan pembahasan
Dari tabel Tabel 2, terlihat bahwa yang telah disajikan maka dapat
MAPE terbaik adalah sebesar 0.0057139 disimpulkan: (1) Prediksi harga saham
yang diperoleh ketika Pc = 0.7 dan Pm = Microsoft dengan menggunakan hybrid
0.4. Berikut adalah grafih dari perbandingan multilayer perceptron dan algoritma
harga saham dan hasil prediksi. genetika menghasilkan nilai MAPE sebesar
Berdasarkan pada Gambar 4 menunjukkan 0.05164. Nilai MAPE diperoleh ketika
bahwa hasil prediksi dengan hybrid neuron pada input =2, neuron pada
geometric Brownian motion dan algoritma hidden=4, Pc = 0.5, Pm = 0.2 dan α = 0.5,
genetika hampir sama dengan data saham. dengan iterasi sebanyak 25000 dan running
Grafik hasil prediksi dan data saham saling sebanyak 5 kali. (2) Prediksi harga saham
berhimpitan dan memiliki pola yang sama. Microsoft dengan menggunakan hybrid
geometric Brownian motion dan algoritma
genetika menghasilkan nilai MAPE sebesar
0.0057139. Nilai MAPE diperoleh ketika
Pc = 0.7 dan Pm = 0.4 dengan 25000 iterasi
serta 5 kali running. (3) Hybrid algoritma
genetika dan multilayer perceptron
merupakan gabungan dari algoritma
genetika dengan multilayer perceptron.
Sedangkan Hybrid algoritma genetika dan
geometric Brownian motion merupakan
gabungan dari algoritma genetika dengan
geometric Brownian motion. Prediksi harga
Gambar 4. Perbandingan Data Harga Saham Microsoft saham Microsoft dengan menggunakan
Dan Hasil Prediksi hybrid geometric Brownian motion dan
algoritma genetika menghasilkan nilai
3.3 Perbandingan Hasil Nilai MAPE MAPE yang lebih bagus dibandingkan
dengan hasil prediksi menggunakan hybrid
108
multilayer perceptron dan algoritma Geometric Brownian motion: Evidence
genetika. Pada proses prediksi dengan from Australian Companies,”
hybrid geometric Brownian motion dan Australasian Accounting, Business and
algoritma genetika, terdapat pemilihan Finance Journal, vol. 10, no. 3, pp. 23–
lintasan terbaik dari hasil geometric 47, 2016.
Brownian motion. Oleh sebab itu, hasil [8] M. Azizah, M. I. Irawan, and E. R. M.
prediksi dengan hybrid geometric Brownian Putri, “Comparison of stock price
motion dan algoritma genetika memiliki nilai prediction using geometric Brownian
MAPE yang lebih baik dibandingkan motion and multilayer perceptron,” in
dengan hybrid multilayer perceptron dan AIP Conference Proceedings, 2020,
algoritma genetika. vol. 2242. doi: 10.1063/5.0008066.
[9] Yahoo Finance,
Referensi “https://finance.yahoo.com/quote/MSF
[1] M. Aziz, S. Mintari, and M. Nadir, T/history?p=MSFT/,” 2019.
Manajemen Investasi. Yogyakarta: [10] G. Paul, Monte Carlo Methods in
Deepublish, 2015. Financial Enginering. New York:
[2] Y. Kara, M. A. Boyacioglu, and O. K. Springer Science Business Media,
Baykan, “Predicting Direction of Stock 2003.
Price Index Movement Using Artificial [11] A. N. Borodin and P. Salminen,
Neural Networks and Support Vector Handbook of Brownian Motion Fact
Machines: The Sample of The Istanbul and Formulae, Second Edition. Berlin:
Stock Exchange,” Expert Systems with Springer, 2002.
Applications, Elsevier, vol. 38, pp. [12] M. I. Irawan, Dasar - Dasar Jaringan
5311–5319, 2011. Saraf Tiruan Algoritma, Pemrograman
[3] M. Szmigiera, dan Contoh Aplikasinya. Surabaya:
“https://www.statista.com/statistics/26 ITS Press, 2013.
3264/top-companies-in- the-world-by- [13] K. C. Laudon and J. P. Laudon, Sistem
market-value/,” 2019. Informasi Manajemen Mengelola
[4] M. Qiu and Y. Song, “Prediicting The Perusahaan Digital, Edisi 10. Jakarta:
Direction of Stock Market Index Salemba Empat, 2008.
Movement Using an Optimized [14] R. L. Haupt and S. E. Haupt, Practical
Artificial Neural Network,” Genetic Algorithms, Second Edition.
Department of Systems Management, Canada: John Wiley & Sons Inc, 2004.
Fakuoka Institute of Technology, vol. [15] F. J. Massey, “The Kolmogorov-
11, no. 5, 2016. Smirnov Test for Goodness of Fit,” J
[5] N. Masoud, “Predicting Direction of Am Stat Assoc, vol. 46, no. 253, pp. 68–
Stock Prices Index Movement Using 78, 1951.
Artificial Neural Networks: The Case [16] Y. C. Chen, S. L. Chang, and C. C. Wu,
of Libyan Financial Market,” Journal “A Dynamic Hybrid Option Pricing
of Economics Management & Trade, Model by Genetic Algorithm and
vol. 4, no. 4, pp. 597–619, 2014. Black-Scholes Model,” International
[6] V. Amin, S. H. Salehnezhad, M. journal of Economics and Management
Valipour, and S. Nasirlu, “Predicting Engineering, vol. 4, no. 9, 2010.
Direction of Stock Price Index
Volatility Using Genetic Algorithms
and Artificial Neural Network Models
in Tehran Stock Exchange,”
International Journal of Business and
Technopreneurship, vol. 4, no. 3, pp.
451–465, 2014.
[7] K. Reddy and V. Clinton,
“Simulating Stock Proces Using
109
110

and Science
PENGARUH PROBLEM-BASED LEARNING BERBANTUAN LKPD

TERHADAP KEMAMPUAN BERPIKIR TINGKAT TINGGI KELAS VII
Alya Kamila1, Fadhilah Rahmawati2, Aprilia Nurul Chasanah3

Corresponding author : Alya Kamila
1
Universitas Tidar, alyakamila512@gmail.com
2
Universitas Tidar, fadhilahrahmawati@untidar.ac.id
3
Universitas Tidar, aprilianurul@untidar.ac.id
Abstract
The aims of this study were to 1) analyze higher-order thinking skills using PBL with the help of LKPD,
which is better than direct learning, and 2) to analyze the improvement in higher-order thinking skills using PBL
with the help of LKPD. This research uses a research design that is a quasi-experimental form of nonequivalent
control group design. The sample in this study were students of class VII D and VII E of SMP Negeri 5 Magelang
who were selected by random cluster sampling. Methods of data collection using tests and documentation. The
result of this research is the calculation of the mann whitney test, the value of 𝑍ℎ𝑖𝑡𝑢𝑛𝑔 is 4,399 and 𝑍𝑡𝑎𝑏𝑒𝑙 is
1,960, so that 4,399 > 1,960 means that 𝐻1 is accepted. In addition, the mean value of N.Gain in the experimental
class was 0,56 and the control class was 0,35. The conclusions of this study are 1) higher-order thinking skills
using PBL assisted by LKPD are better than direct learning models, 2) there is an increase in higher-order
thinking skills using PBL assisted by LKPD in the medium category.
Keywords: Problem-Based Learning, LKPD, higher-order thinking skills
Abstrak
Tujuan penelitian ini untuk 1) Menganalisis kemampuan berpikir tingkat tinggi dengan menggunakan
PBL berbantuan LKPD lebih baik dari pada model pembelajaran langsung dan 2) Menganalisis adanya
peningkatan kemampuan berpikir tingkat tinggi menggunakan PBL berbantuan LKPD. Penelitian dengan
menggunakan desain penelitian yaitu kuasi eksperimen bentuk nonequivalent control group design. Sampel
dalam penelitian ini adalah peserta didik kelas VII D dan VII E SMP Negeri 5 Magelang yang dipilih secara
cluster random sampling. Metode pengumpulan data menggunakan tes dan dokumentasi. Hasil penelitian yaitu
diperoleh perhitungan uji mann whitney dengan nilai 𝑍ℎ𝑖𝑡𝑢𝑛𝑔 sebesar 4,399 dan 𝑍𝑡𝑎𝑏𝑒𝑙 sebesar 1,960, sehingga
4,399 > 1,960 artinya 𝐻1 diterima. Selain itu, nilai rerata N.Gain kelas eksperimen diperoleh 0,56 dan kelas
kontrol yaitu 0,35. Kesimpulan penelitian ini yaitu 1) kemampuan berpikir tingkat tinggi dengan menggunakan
PBL berbantuan LKPD lebih baik dari model pembelajaran langsung, 2) ada peningkatan kemampuan berpikir
tingkat tinggi menggunakan PBL berbantuan LKPD dengan kategori sedang.
Kata kunci: Problem-Based Learning, LKPD, kemampuan berpikir tingkat tinggi
1. Pendahuluan berperan sangat penting dalam perkembangan

Pendidikan berupa proses pembelajaran suatu bangsa atau negara. Pendidikan perlu
terencana yang terus berkembang untuk terus berupaya meningkatkan mutu sehingga
meningkatkan kualitas dan taraf hidup dapat menghasilkan penerus bangsa yang siap
manusia dapat mendorong mereka untuk menghadapi persaingan dan perubahan,
berkembang secara optimal. Pendidikan juga karena pendidikan dasar pondasi sumber daya
111
manusia [1]. Kemampuan berpikir tingkat Dengan demikian peserta didik diarahkan
tinggi (KBTT) itu sendiri atau bisa disebut untuk bisa mengkonstruksi pengetahuannya
dengan Higher-Order Thinking Skills (HOTS) sendiri baik secara tidak berkelompok
merupakan termasuk bagian aspek penting ataupun berkelompok. Hal ini tentu dapat
dalam pendidikan [2]. memberikan peluang bagi siswa untuk
Berpikir tingkat tinggi merupakan proses meningkatkan KBTT agar bisa lebih optimal.
dimana peserta didik mengolah informasi dan Selain itu, PBL mampu memotivasi pelajar
ide-ide sehingga dapat memberikan mereka untuk menganalisis masalah dan
pemahaman baru [3]. Selain itu, KBTT menyampaikan argumennya mengenai
melingkup kemampuan pemecahan masalah, permasalahan yang ada.
berpikir kreatif, berpikir kritis, kemampuan Hasil penelitian oleh [9] mengungkapkan
berargumentasi serta kemampuan dalam bahwa model pembelajaran PBL dalam
pengambilan keputusan sesuai dengan fakta pengajaran matematika mampu
[4]. Selain itu, kemampuan peserta didik dapat mengembangkan tingkat pemahaman peserta
diaplikasikan ke dalam kehidupan nyata di didik, dan menggunakan kemampuan konsep
mana bukan hanya sekedar mengulang apa dalam kehidupan sehari-hari. Selain itu, hasil
yang sudah dipelajari tetapi kemampuan yang penelitian [3] bahwa model PBL berpengaruh
ditransfer ke dalam konteks berbeda. terdapat HOTS sehingga model PBL bisa
Hasil tes awal yang dilakukan di SMP sebagai alternatif model pembelajaran yang
Negeri 5 Magelang bulan Januari 2022 diterapkan di sekolah. Adapun hasil penelitian
didapatkan bahwa kemampuan berpikir [10] menyimpulkan bahwa PBL harus
tingkat tinggi yang dimiliki tergolong rendah dikembangkan di sekolah dan dapat dijadikan
dengan nilai rerata 34,62. Dalam mengatasi sebagai alternatif pilihan untuk pelaksanaan
dan meningkatkan kognitif peserta didik ini, pembelajaran matematika.
guru dapat melakukannya dengan Pada penerapan model pembelajaran
menerapkan pembelajaran yang dapat PBL, peserta didik berkelompok mengerjakan
membangun peserta didik agar lebih aktif saat LKPD untuk memperoleh informasi serta
belajar (student centered). Problem Based konsep yang ada. LKPD adalah sumber
Learning (PBL) merupakan metode belajar serta media yang bisa peserta didik
pengajaran yang difokuskan kepada peserta maupun pendidik gunakan untuk membantu
didik untuk keterlibatan mereka dalam proses dalam proses pembelajaran. Selain itu sebagai
pembelajaran [5]. panduan peserta didik dalam kegiatan
PBL adalah model pembelajaran yang pembelajaran khususnya kelas eksperimen
menggunakan kecerdasan berpikir peserta dan diskusi [11].
didik dalam menyelesaikan suatu Pembelajaran matematika di SMP salah
permasalahan pada materi pembelajaran yang satunya yaitu memahami bangun geometri,
berkaitan dengan kehidupan sehari-hari [6]. unsur dan sifat-sifatnya, serta ukuran dan
PBL memudahkan peserta didik untuk pengukurannya [12]. Di sekitar kita banyak
menentukan, menemukan masalah serta ditemukan bangun-bangun atau benda-benda
penyelesaiannya, dengan menerapkan strategi yang berbentuk segi empat dan segitiga yang
student centered [7]. Kelebihan dari model merupakan bangun datar yang termasuk
pembelajaran PBL yaitu bisa dalam geometri. Pada geometri konsep ini
mengembangkan kegiatan belajar peserta tidak hanya dengan mengetahui bangun
didik; dapat membantu peserta didik dalam tersebut, akan tapi memahami keterkaitan
mentransfer pengetahuan mereka untuk antar konsep-konsep geometri dengan
memahami masalah dalam kehidupan nyata; pemahaman siswa.
menumbuhkan pengetahuan baru dan Tujuan penelitian ini yaitu menganalisis
bertanggung jawab dalam pembelajaran yang kemampuan berpikir tingkat tinggi dengan
mereka lakukan; serta memberikan menggunakan PBL berbantuan LKPD lebih
kesempatan pada peserta didik untuk baik dari pada model pembelajaran langsung
menerapkan pengetahuan yang mereka miliki dan menganalisis adanya peningkatan
dalam dunia nyata [8]. kemampuan berpikir tingkat tinggi
112
menggunakan PBL berbantuan LKPD. Dari Tabel.1. Ringkasan Uji Coba Tes KBTT
permasalahan yang ada, peneliti ingin No Vali- Relia- Kesu- Daya Kesim-
melakukan penelitian yaitu “Pengaruh Model Butir ditas bilitas karan Pembeda pulan
Data Tingkat Tingkat Digun-
Problem-Based Learning Berbantuan LKPD 1.
Valid Sedang Cukup akan.
Terhadap Kemampuan Berpikir Tingkat Data Tingkat Tingkat
Tidak
tinggi Kelas VII”. 2.
Valid Sedang Buruk
diguna-
kan.
Tidak
Data Tingkat Tingkat
2. Metode 3.
Valid Sedang Cukup
diguna-
Penelitian ini menggunakan metode kan.
kuantitatif desain kuasi eksperimen dengan 4.
Valid Sedang Cukup akan.
bentuk nonequivalent control group design. Data
Tingkat Tingkat
Tidak
Penelitian ini dengan populasi yaitu peserta 5. Tidak Data diguna-
Sukar Buruk
Valid Reliabel kan.
didik kelas 7 SMP Negeri 5 Magelang, Data Tingkat Tingkat Digun-
6.
kemudian sampel kelas 7-D sebanyak 32 Valid Mudah Cukup akan.
siswa dan 7-E sebanyak 32 siswa. Teknik Data Tingkat Tingkat Digun-
7.
Valid Sedang Baik akan.
sampling yang digunakan dengan Data Tingkat Tingkat Digun-
8.
pengambilan sampel secara acak. Valid Sedang Cukup akan.
Pengumpulan data dilakukan dengan Tidak
Data Tingkat Tingkat
9. diguna-
memberikan tes dalam bentuk uraian Valid Sedang Cukup
kan.
sebanyak enam soal. Teknik analisis data 10.
berupa uji analisis validitas, uji analisis Valid Sedang Cukup akan.
reliabilitas, uji analisis tingkat kesukaran, dan
uji analisis daya pembeda. Setelah itu Tabel.2. Data Nilai KBTT
dilakukan uji normalitas dan homogenitas Keputusan Uji
Kelas.. 𝑿𝒎𝒂𝒌𝒔 𝑿𝒎𝒊𝒏 ̅
𝑿 𝑹 𝒔
sebagai uji prasyarat. Hasil uji hipotesis Eksperimen 95 21,67 80,11 73,33 16,29
menggunakan uji mann whitney dan uji N- Kontrol 80 20 64,95 60 11,62
Gain.
Tabel.3. Hasil Uji Normalitas
3. Pembahasan Kelas. Nilai. 𝑳𝒉𝒊𝒕𝒖𝒏𝒈 𝑳𝒕𝒂𝒃𝒆𝒍 Keterangan
Penelitian dengan menggunakan soal Ekspe- Pretest 0,17 𝐻0 ditolak
bentuk soal uraian. Soal tes diujicobakan rimen Posttest 0,18 𝐻0 ditolak
0,16
terlebih dahulu sebelum digunakan saat Pretest 0,13 𝐻0 diterima
Kontrol
Posttest 0,14 𝐻0 diterima
penelitian. Kelas uji coba terdiri dari 27
peserta didik dengan soal tes 10 butir soal. Hasil dari Tabel.3 menunjukkan uji
Hasil uji analisis validitas; uji analisis normalitas dengan taraf signifikan 5%, kelas
reliabilitas; uji analisis tingkat kesukaran; dan eksperimen dengan nilai pretest dan posttest
uji analisis daya pembeda dapat disimpulkan dimana 𝐿ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐿𝑡𝑎𝑏𝑒𝑙 , sehingga data tidak
pada Tabel 1.
berdistribusi normal. Kemudian pada kelas
Berdasarkan Tabel 1 terdapat 10 soal
kontrol memperoleh nilai pretest dan posttest
yang telah diujicobakan, dengan hasil enam
didapatkan 𝐿ℎ𝑖𝑡𝑢𝑛𝑔 ≤ 𝐿𝑡𝑎𝑏𝑒𝑙 , sehingga data
soal yang bisa digunakan dan empat soal yang
tidak bisa digunakan. Hasil ini menjelaskan berdistribusi nornal. Uji normalitas dijadikan
bahwa enam butir soal tersebut memuat syarat utama dalam penelitian statistik
indikator kemampuan beripikir tingkat tinggi parametrik. Berdasarkan hasil pada Tabel 3,
berupa, menganalisis, mengevaluasi, dan maka diputuskan dalam menganalisis data
mencipta. menggunakan statistik non-parametrik.
Berdasarkan Tabel.2 diperoleh bahwa
Tabel 4. Hasil Uji Homogenitas
rerata nilai tes pada kelas eksperimen lebih 𝑭𝒉𝒊𝒕𝒖𝒏𝒈
Nilai 𝑭𝒕𝒂𝒃𝒆𝒍 Keterangan
baik dibandingkan kelas kontrol. Selanjutnya Pretest 1,4858 𝐻0 ditolak
dilakukan uji-prasyarat berupa uji-normalitas 0,5450
Posttest 1,9651 𝐻0 ditolak
dan uji-homogenitas. Hasil uji-normalitas dan
uji-homogenitas ditampilkan pada Tabel 3.
113
Hasil Tabel.4 diperoleh pretest dan lebih baik dari model pembelajaran langsung.
posttest kelas eksperimen dan kelas kontrol Hasil ini sejalan dengan penelitian [13] bahwa
dengan 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 , sehingga 𝐻0 ditolak dengan menggunakan model pembelajaran
artinya data pada tiap kelompok tidak-sama. PBL dapat meningkatkan kemampuan
Analisis data menggunakan uji non- berpikir tingkat tinggi peserta didik. Selain
parametrik berupa mann-whitney. Berikut itu, aktivitas peserta didik pada kemampuan
hasil analisis uji mann-whitney. berpikir tingkat tinggi menggunakan model
pembelajaran PBL adalah berdiskusi dengan
Tabel.5. Hasil Uji Mann Whitney kelompoknya dalam merencanakan strategi
Nilai 𝒁𝒉𝒊𝒕𝒖𝒏𝒈 𝒁𝒕𝒂𝒃𝒆𝒍 Keterangan pemecahan masalah, mendengarkan contoh
Posttest 4.399 1.960 𝐻0 ditolak masalah yang diberikan oleh guru, dan
pemecahan masalah pada lembar kerja peserta
Berdasarkan Tabel 5 diperoleh nilai didik menggunakan strategi pemecahan
𝑍ℎ𝑖𝑡𝑢𝑛𝑔 pada posttest sebesar 4,399 dan 𝑍𝑡𝑎𝑏𝑒𝑙 masalah. Hasil yang diperoleh dengan
sebesar 1,960. Dalam pengambilan kemampuan berpikir tingkat tinggi dominan
keputusan, nilai 4,399 > 1,960 artinya 𝐻1 pada indikator kemampuan analisis [14].
diterima, dimana ada perbedaan rerata KBTT
dengan menggunakan PBL berbantuan LKPD 2) Hipotesis Kedua
dengan model pembelajaran langsung. Berdasarkan perhitungan uji N-Gain
Selanjutnya untuk melihat peningkatan diperoleh peningkatan KBTT yang diajarkan
KBTT dengan menggunakan uji N.Gain dengan PBL berbantuan LKPD sebesar 0,56.
dengan hasil sebagai berikut. Hasil penelitian sesuai dengan penelitian
terdahulu bahwa kemampuan berpikir tingkat
Tabel.6. Hasil Rerata Uji N.Gain tinggi peserta didik setelah diajar dengan
Kelas. Nilai N-Gain. Kategori. model pembelajaran PBL secara signifikan
Eksperimen. 0.56 Sedang. lebih baik dibandingkan dengan model
Kontrol. 0.35 Sedang. pembelajaran langsung [15]. Kemudian,
dalam kelompok diskusi menggunakan model
Hasil Tabel 6 diketahui nilai rerata kelas PBL menunjukkan peningkatan yang
eksperimen yaitu 0,56 dan kelas kontrol 0,35. signifikan, dimana subjek sudah mulai
Dengan demikian kemampuan berpikir mendapatkan pemahaman yang jelas tentang
tingkat tinggi kelas eksperimen lebih baik dari model PBL untuk meningkatkan kemampuan
pada kelas kontrol. Hasil rerata N.Gain pada berpikir tingkat tinggi [16].
masing-masing kelas mengalami peningkatan
sebagai berikut. 4. Penutup
Hasil kesimpulan dari penelitian ini yaitu
Tabel.7. Ringkasan Hasil Rerata Uji N.Gain
bahwa KBTT siswa dengan menggunakan
Jumlah
Kelas.. Nilai N-Gain.. Kategori. Peserta
PBL berbantuan LKPD lebih baik dari model
Didik pembelajaran langsung. Selain itu, terdapat
𝑔 < 0,30 Rendah. 6 peningkatan KBTT dengan menggunakan
0,30 ≤ 𝑔 PBL berbantuan LKPD dengan kategori
Eksperimen Sedang. 10
≤ 0,70 sedang.
𝑔 > 0,70 Tinggi. 15
Adapun saran yaitu pendidik dapat
𝑔 < 0,30 Rendah.. 10
0,30 ≤ 𝑔 mempraktikkan PBL berbantuan LKPD
Kontrol Sedang. 22 sebagai proses untuk menumbuhkan kognitif
≤ 0,70
𝑔 > 0,70 Tinggi. 0 siswa salah satunya pada materi segi empat
dan segitiga. Proses pembelajaran Problem
1) Hipotesis Pertama Based Learning dibutuhkan waktu yang
Berdasarkan perhitungan uji Mann cukup lama, sehingga diharapkan untuk
Whitney diperoleh bahwa 𝑍ℎ𝑖𝑡𝑢𝑛𝑔 > 𝑍𝑡𝑎𝑏𝑒𝑙 mempersiapkan terlebih dahulu sebelum
artinya 𝐻1 diterima, yang artinya KBTT yang pembelajaran dimulai. Pembelajaran dengan
diajarkan dengan PBL berbantuan LKPD berbantuan LKPD bisa diterapkan kembali
114
untuk membiasakan peserta didik agar Konvensional,” J. Pendidik. Teori
memperoleh nilai yang lebih optimal. Perlu Penelit. Dan Pengemb., vol. 5, no. 2, p.
diterapkannya soal latihan kemampuan 170, Jan. 2020, doi:
berpikir tingkat tinggi agar kemampuannya 10.17977/jptpp.v5i2.13162.
bisa lebih meningkat. [8] Sutirman, “Media dan Model-model
Pembelajaran Inovatif”, Accessed: Jul.
Referensi 26, 2022. [Online]. Available:
[1] A. Sa’adah, F. Z. Ningrum, and https://www.academia.edu/7189369/Me
N.Farikha, “SCAFFOLDING DALAM dia_dan_Model_model_Pembelajaran_I
PEMBELAJARAN TRIGONOMETRI novatifa_i
BERBANTUAN SOAL HOTS UNTUK [9] R. D. Padmavathy and K. Mareesh,
MENINGKATKAN KEMAMPUAN “Effectiveness of Problem Based
LITERASI NUMERASI Learning In Mathematics,” Int.
MATEMATIKA,” ProSANDIKA Multidiscip. E-J., vol. II, no. I, pp. 45–51,
UNIKAL Pros. Semin. Nas. Pendidik. 2013.
Mat. Univ. Pekalongan, vol. 2, pp. 167– [10] R. Widyatiningtyas, Y. S. Kusumah, U.
174, Jan. 2021. Sumarmo, and J. Sabandar, “THE
[2] B. Tanujaya, J. Mumu, and G. Margono, IMPACT OF PROBLEM-BASED
“The Relationship between Higher Order LEARNING APPROACH TO SENIOR
Thinking Skills and Academic HIGH SCHOOL STUDENTS’
Performance of Student in Mathematics MATHEMATICS CRITICAL
Instruction,” Int. Educ. Stud., vol. 10, no. THINKING ABILITY,” J. Math. Educ.,
11, p. 78, Oct. 2017, doi: vol. 6, no. 2, pp. 107–116, Jul. 2015, doi:
10.5539/ies.v10n11p78. 10.22342/jme.6.2.2165.107-116.
[3] F. Royantoro, M. Mujasam, I. Yusuf, and [11] M. Mustika, E. Saptaningrum, and S.
S. W. Widyaningsih, “Pengaruh Model Susilawati, “Pengaruh Penggunaan LKS
Problem Based Learning terhadap Higher dengan Pendekatan Saintifik pada Materi
Order Thinking Skills Peserta Didik,” Objek IPA dan Pengamatannya terhadap
Berk. Ilm. Pendidik. Fis., vol. 6, no. 3, p. Hasil Belajar IPA Kelas VII MTs Negeri
371, Oct. 2018, doi: 1 Semarang,” J. Penelit. Pembelajaran
10.20527/bipf.v6i3.5436. Fis., vol. 7, no. 1, Nov. 2016, doi:
[4] T. Yulianto, I. Pramudya, and I. Slamet, 10.26877/jp2f.v7i1.1154.
“Effects of the 21st Century Learning [12] S. Mawaddah and R. Maryanti,
Model and Problem-Based Models on “Kemampuan Pemahaman Konsep
Higher Order Thinking Skill,” Int. J. Matematis Siswa SMP dalam
Educ. Res. Rev., vol. 4, pp. 749–755, Dec. Pembelajaran Menggunakan Model
2019, doi: 10.24331/ijere.629084. Penemuan Terbimbing (Discovery
[5] M. D. Pamungkas and Y. Franita, Learning),” EDU-MAT J. Pendidik. Mat.,
“Keefektifan problem based learning vol. 4, no. 1, Apr. 2016, doi:
untuk meningkatkan kemampuan literasi 10.20527/edumat.v4i1.2292.
matematis siswa,” J. Penelit. Pendidik. [13] L. Widiawati, S. Joyoatmojo, and
Dan Pengajaran Mat., vol. 5, no. 2, Sep. Sudiyanto, “Higher Order Thinking
2019. Skills as Effect of Problem Based
[6] H. Masduriah, “Pengaruh penggunaan Learning in the 21st Century Learning,”
model pembelajaran PBL terhadap Int. J. Multicult. Multireligious Underst.,
keterampilan HOTS siswa SD,” vol. 5, no. 3, pp. 96–105, 2018.
Prosiding Konferensi Ilmiah Dasar, vol. [14] N. S. Tama, N. Aisyah, B. Santoso, and
2, pp. 277–285, 2020. E. Kurniadi, “Learning higher-order
[7] R. T. A. Kurniasari, S. Koeshandayanto, thinking skills using problem-based
and S. Akbar, “Perbedaan Higher Order learning model,” J. Phys. Conf. Ser., vol.
Thinking Skills pada Model Problem 1480, no. 1, p. 012008, Mar. 2020, doi:
Based Learning dan Model 10.1088/1742-6596/1480/1/012008.
115
[15] Nurhayati, Wahyudi, and L. Angraeni, [16] H. S. Setyaedhi, “Higher-Order Thinking
“The influence of problem based learning Learning Outcomes through the Problem-
model and critical thinking ability on Based Learning Model,” Surabaya,
higher order thinking skills (HOTs) of Indonesia, 2019. doi: 10.2991/icei-
physics prospective teachers students,” J. 19.2019.75.
Phys. Conf. Ser., vol. 2104, no. 1, p.
012007, Nov. 2021, doi: 10.1088/1742-
6596/2104/1/012007.
116

and Science
PENGARUH MODEL PEMBELAJARAN GENERATIF TERHADAP

HASIL BELAJAR SISWA KELAS X SMA NEGERI 1 DRIYOREJO
Bunga Lailatul Fajri1, Restu Ria Wantika2

Corresponding author : Restu Ria Wantika
1
Universitas PGRI Adi Buana Surabaya, bungalailatulfajri@gmail.com
2
Universitas PGRI Adi Buana Surabaya, restu@unipasby.ac.id
Abstract
Renewal of learning is very important to be emphasized in schools so that knowledge is realized in life.
The habit of teachers who play a dominant role causes students not to be interested in the material and creates new
problems in learning activities. The need for renewal in the learning model is needed to create interest and ignite
the hidden talents of students. Students can become active with the use of learning models that have been further
developed. The purpose of this research is to describe the implementation of MPG in students' final results in
SPLTV learning. This research uses a quantitative approach to describe the final results with numbers after several
tests. Data collection uses tests in the form of pre-test and post-test. This research shows the influence of MPG on
the final learning outcomes of students in SPLTV material.
Keywords: generative learning, mathematics, learning outcomes
Abstrak
Pembaharuan pembelajaran sangat penting ditekankan di sekolah agar ilmu itu direalisiskan pada
kehidupan. Kebiasaan guru yang berperan dan bersifat dominan menyebabkan siswa tidak tertarik pada materi dan
menimbulkan masalah baru dalam kegiatan pembelajaran. Perlunya pembaharuan dalam model pembelajaran
sangat diperlukan untuk menciptakan minat serta memantik bakat terpendam anak didik. Dengan penggunaan
model pembelajaran yang sudah dikembangkan lebih lanjut, anak didik dapat menjadi aktif. Tujuan dari riset ini
ialah mendeskripsikan bagaimana penerapan MPG dalam hasil akhir anak didik dalam pembelajaran SPLTV. Riset
ini menggunakan pendekatan kuantitatif yang bertujuan mendeskripsikan hasil akhir dengan angka-angka setelah
mengalami beberapa pengujian. Pengumpulan data menggunakan tes yang berupa pre-test dan post-test. Riset ini
menunjukkan adanya pengaruh MPG terhadap hasil akhir pembelajaran peserta didik dalam materi SPLTV.
Kata kunci: pembelajaran generatif, matematika, hasil belajar
1. Pendahuluan bertambah saat mengerjakan soal dalam

Mata pelajaran matematika merupakan pembelajaran matematika [3]. Dengan
pelajaran penting dan harus ada dalam dunia demikian hal ini berpengaruh pada tingkat
pendidikan [1]. Dalam penerapannya mata pemahaman peserta didik. Nilai rendah juga
pelajaran matematika harus ditekankan untuk dapat mempengaruhi pembelajaran dan
memperoleh tujuan yang diinginkan [2]. mengakibatkan peserta didik menjadi putus
Posisi guru pada pembelajaran matematika asa [4]. Untuk mencapai tujuan yang
sangat dominan dan selalu dianggap berperan diinginkan pendidik menggunakan metode
penting [2]. Rendahnya keaktifan peserta yang dapat meningkatkan keaktifan peserta
didik mengakibatkan kesulitan semakin didik.
117
Upaya-upaya terus dilakukan untuk 2. Metode
menyelesaikan semua permasalahan dalam Riset ini memakai pendekatan kuantitatif
pembelajaran matematika termasuk dengan tujuan menunjukkan hasil penelitian
mengubah pembelajaran konvensional ke dengan menggunakan angka-angka dari data
pembelajaran dengan pendekatan yang telah dikelola melalui proses pengujian.
kontruktivisme [5]. Model pembelajaran Metode dalam riset ini ialah metode kuasi
generatif termasuk dalam pendekatan eksperimen. Populasi riset meliputi seluruh
kontruktivisme. Pemilihan model ini efektif rombongan belajar X SMA Negeri 1
meningkatkan pola berpikir peserta didik Driyorejo. Terpilih dua rombongan belajar
dalam memecahkan masalah. ialah X IPS 2 dijadikan kelas kontrol
SMA Negeri 1 Driyorejo dipilih sebagai kemudian X IPS 1 dijadikan kelas
lokasi dilaksanakannya penelitian ini. eksperimen, setiap kelas berisi 36 siswa. X
Berdasarkan informasi dari guru di sekolah IPS 2 menerima model pembelajaran
tersebut, masalah utama yang terjadi yaitu langsung, sedangkan X IPS 1 menerima
KBM masih dominan pada guru sehingga model pembelajaran generatif.
menyebabkan hasil akhir peserta didik Variabel bebas pada riset ini ialah model
menjadi rendah. Peneliti ingin melakukan pembelajaran yang telah ditetapkan di atas,
penelitian dijenjang SMA adapun penelitian dan variabel terikat merupakan hasil akhir
sebelumnya yang relevan oleh Lusiana pada siswa. Jenis instrumen yang dipilih yaitu pre-
tahun 2009 [6] yang menganggap bahwa tes daan post-test yang digunakan untuk
model pembelajaran generatif efektif bila mengukur peningkatan belajar dari model
diterapkan dijenjang SMA dengan ketuntasan pembelajaran yang diterapkan. Soal pre-test
belajar serta sikap siswa terhadap penerapan terdiri dari tiga soal dan dua soal post-test.
MPG adalah 76,32 % dengan kategori Pada riset ini pengumpulan data
”Efektif” , dengan rincian keaktifan siswa menggunakan tes. Analisis data menggunakan
selama diterapkan MPG tergolong sangat uji normalitas, uji homogenitas, dan uji
tinggi dengan rata-rata persentase skor 81,8% hipotesis.
dan ketuntasan belajar siswa secara klasikal
mencapai 76,32%, serta sikap siswa terhadap 3. Pembahasan
penerapan MPG tergolong positif dengan rata- Dari metode penelitian yang telah
rata persentase skor 76,5%. Dari pandangan ditentukan di atas menghasilkan perhitungan
tersebut peneliti sangat tertarik untuk tentang hasil belajar pre-test dan post-test
melakukan penelitian dijenjang SMA. peserta didik. Hasil pre-tes pada kelompok
Sementara itu, pokok bahasan pada riset ini eksperimen memperoleh skor rata-rata
yaitu SPLTV. Menurut penelitian Roslina dan sebesar 57,1. Sedangkan hasil pre-tes
M Mahdi pada tahun 2015 [7] materi SPLTV kelompok kontrol memperoleh skor rata–rata
tergolong materi yang sulit untuk dimengerti yaitu 59,9. Pada hasil belajar post-test
siswa di sekolah. Pemilihan materi ini sebagai diperoleh skor rata-rata sebesar 90,2 pada
pokok bahasan juga dikarenakan kelompok eksperimen. Berbeda dengan
pembelejaran generatif cocok diterapkan kelompok kontrol yang memperoleh skor
dengan SPLTV. rata–rata yaitu 60,4. Setelah data diperoleh,
Tujuan riset ini ialah mendeskripsikan kemudian dilakukan pengujian normalitas,
pengaruh model pembelajaran generatif homogenitas, dan uji hipotesis. Sebagai
terhadap hasil akhir siswa dalam pokok berikut.
bahasan SPLTV. Diharapkan dari riset ini
dapat memberikan manfaat salah satunya Uji Normalitas
adalah meningkatnya hasil akhir pasca Pengujian ini dilakukan untuk menyatakan
penerapan model pembelajaran generatif. data hasil belajar kedua kelas berdistribusi
normal. Pengujian ini menggunakan rumus
chi-kuadrat [8].
118
(𝑓𝑜 − 𝑓𝑒 )2 𝑀𝑥 − 𝑀𝑦
∑ 𝜒2 = ∑ (1) 𝑡=
𝑓𝑒
𝑆𝐷𝑥 2 𝑆𝐷𝑦 2 (4)
√ +
Tabel 1. Rangkuman Hasil Uji Normalitas √𝑁 − 1 √𝑁 − 1
2 2
Data Kelas 𝑋𝑡𝑎𝑏𝑒𝑙 𝑋ℎ𝑖𝑡𝑢𝑛𝑔 Keterangan 𝑡 = 17,84
Pre- Berdistribusi Lokasi riset dilakukan di SMA Negeri 1
Eksperimen 11,07 5,72
test normal Driyorejo. Data riset ini didapatkan melalui
Pre- Berdistribusi pretest dan post-test. Setiap kelas diberikan 3
Kontrol 11,07 8,60
test normal butir soal pretest dan soal post-test sebanyak 2
Post- Berdistribusi butir. Sebelum dilakukannya penelitian,
Eksperimen 11,07 5,2
test normal
instrumen yang akan digunakan diuji validitas
Post- Berdistribusi
Kontrol 11,07 9,01 nya terlebih dahulu. Peneliti menggunakan 2
test normal
validator, Sesudah pengujian validitas dengan
Uji Homogenitas bantuan guru dan dosen, kemudian soal
Pengujian ini dilakukan untuk mengetahui tersebut diujikan kepada siswa selain subjek
varian yang sama atau tidak dari kedua penelitian. Setelah kedua pengujian dilakukan
kelompok tersebut. Rumus yang digunakan diketahui bahwa butir-butir soal tersebut valid
pada uji homogenitas [8] sebagai berikut. dan reliabel.
Setelah semua butir soal dianggap valid,
𝑣𝑎𝑟𝑖𝑎𝑛𝑠 𝑏𝑒𝑠𝑎𝑟 kemudian soal-soal tersebut diujikan kepada
𝐹ℎ𝑖𝑡𝑢𝑛𝑔 = 𝑣𝑎𝑟𝑖𝑎𝑛𝑠 𝑘𝑒𝑐𝑖𝑙 (2) kedua kelas. Untuk mengukur kemampuan
awal kedua kelas diberikan pre-test.
Tabel 2. Rangkuman Hasil Uji Homogenitas Selanjutnya, data pre-test yang telah diperoleh
Data 𝐹𝑡𝑎𝑏𝑒𝑙 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 Keterangan diuji normalitasnya menggunakan rumus chi
Varians kuadrat untuk mengetahui data berdistribusi
Pre- normal atau tidak. Hasil yang didapatkan
1,75714 2,08 tidak
test setelah pengujian yaitu data berdistribusi
homogen
Post- Varians normal. Pengujian membuktikan bahwa hasil
1,75714 1,03 tes memiliki varians yang homogen. Setelah
test homogen
dilakukan pengujian, didapatkan bahwa nilai
Uji Hipotesis pre-test kedua kelas tersebut variansnya tidak
Uji Hipotesis Pre-test homogen. Tahap selanjutnya yaitu uji
Karena data berdistribusi normal namun hipotesis dengan menggunakan rumus uji t,
variansnya tidak homogen, maka untuk dengan tujuan mengetahui perbedaan dari
pengujian hipotesis menggunakan uji 𝑡’ [9]. kemampuan awal kedua kelas. Hasil dari
𝑋1 − 𝑋2 pengujian hipotesis data pre-test menunjukan
𝑡′ = kemampuan kedua kelas tidak ada perbedaan.
2 2 (3)
√𝑆1 + 𝑆2 Dari penerapan model pembelajaran
𝑛1 𝑛2 yang telah ditentukan, menghasilkan data nilai
𝑡 ′ = −1,84 post-test kedua kelas yang harus diuji terlebih
-1,84<1,68957 maka 𝐻0 ditolak. Artinya tidak dahulu untuk menunjukan data tersebut
terdapat perbedaan hasil belajar siswa dari berdistribusi normal, kemudian perlu juga
kedua model pembelajaran generatif dan dilakukan uji homogenitas yang berguna
model pembalajaran langsung. dalam penentuan varian homogen. Pada uji
hipotesis posttest kedua kelas didapatkan hasil
Uji Hipotesis Post-test bahwa terdapat perbedaan hasil belajar siswa
Untuk pengujian hipotesis post-test maka yang diajar menggunakan model
dilakukan dengan menggunakan uji t, karena pembelajaran generatif dan siswa yang diajar
data berdistribusi normal dan homogen [9]. menggunakan model pembelajaran langsung.
Artinya, terdapat pengaruh model
pembelajaran generatif terhadap hasil belajar
119
siswa. Hal ini sejalan dengan hasil beberapa Palembang,” J. Pendidik. Mat., vol. 3,
penelitian yang mengatakan bahwa terdapat 2009, doi:
pengaruh model pembelajaran generatif https://doi.org/10.22342/jpm.3.2.324.
terhadap hasil belajar matematika siswa [7] Roslina and M. Mahdi, “Kemampuan
[10][11][12]. Pengaruh tersebut, dapat dilihat Menguasai Materi Sistem Persamaan
juga dari meningkatnya hasil belajar siswa. Linear Tiga Variabel Siswa SMA
Hasil ini sejalan dengan beberapa penelitian Negeri 14 Iskandar Muda Banda Aceh,”
yang menyimpulkan bahwa model J. Ilm. Integritas, vol. 1, pp. 43–52,
pembelajaran generatif dapat meningkatkan 2015.
hasil belajar siswa [13][14][15]. [8] Sugiyono, Metode Penelitian
kuantitatif, kualitatif dan R & D /
4. Penutup Sugiyono. Bandung: Alfabeta, 2013.
Riset ini memiliki simpulan ialah adanya [9] Sudjana, Metoda Statistika, 1st ed.
pengaruh terhadap hasil belajar siswa yang Bandung: Tarsito, 2005.
berupa peningkatan hasil akhir pembelajaran [10] I. Tsurayya, “Pengaruh Model
matematika pada kelas eksperimen dengan Pembelajaran Generatif Terhadap Hasil
materi SPLTV, dengan pemerolehan nilai Belajar Matematika Siswa Di SMP
pretes 57,1 dan nilai post-test sebesar 90,2. PGRI 11 Palembang.” Universitas Islam
Negeri Raden Fatah Palembang, 2017.
Referensi [11] K. Khotimah and D.K. Wardani,
[1] N. K. H. Kristianti, I. W. R. Sudhita, and "Pengaruh Model Pembelajaran
P. N. Riastini, “Pengaruh Strategi React Generatif Terhadap Hasil Belajar
Terhadap Kemampuan Pemecahan Peserta Didik Pada Materi Lingkaran,"
Masalah Matematika Siswa Kelas Iv Sd EPiC Exact Paper in Compilation, vol.
Gugus Xiv Kecamatan Buleleng,” p. 10. 2, no. 2, pp. 259264, 2020.
[2] R. D. Praswati, “Penerapan Problem
[12] I. Maryanti and S. Panggabean,
Based Learning Pada Siswa Kelas VII
"Pengaruh Strategi Pembelajaran
Dalam Upaya Peningkatan Hasil
Generatif Terhadap Hasil Belajar
Belajar Matematika (PTK Pembelajaran
Matematika Siswa Kelas VIII SMP
Matematika di SMP Negeri 1 Bojong
Harapan Medan," Nabla Dewantara:
Pekalongan),” Univ. Muhammadiyah
Jurnal Pendidikan Matematika, vol.3,
Surak., p. 8, 2009.
no. 1, 2018.
[3] N. W. Lasmini, “Meningkatkan Hasil
[13] S.S. Madio, “Model Pembelajaran
Belajar Siswa Melalui Model
Generatif Dalam Upaya Meningkatkan
Pembelajaran Kooperatif pada Mata
Hasil Belajar Matematika,” Mosharafa
Pelajaran IPA di Kelas V SD Negeri 2
J. Pendidik. Mat., vol. 1, no. 1, pp. 29–
Tatura,” vol. 4, no. 4, p. 14.
34, May 2012, doi:
[4] M. B. Umainingsih and N. Kurniah,
10.31980/mosharafa.v1i1.169.
“Penerapan Model Pembelajaran
[14] N. M. Widyanti, "Model Pembelajaran
Memori Untuk Meningkatkan Daya
Generatif Untuk Meningkatkan Hasil
Ingat Dan Prestasi Belajar Matematika
Belajar Matematika Siswa Kelas IXA
(Studi pada siswa kelas III SD Gugus II
SMP Negeri 2 Tembuku Pada Semester
Kecamatan Ipuh),” p. 11, 2017.
1 Tahun Pelajaran 2019/2020," Bali,
[5] A. R. Hakim, “Pengaruh Model
2019.
Pembelajaran Generatif Terhadap
[15] Warnida, "Upaya Meningkatkan Hasil
Kemampuan Pemecahan Masalah
Belajar Matematika Melalui Model
Matematika,” p. 12, 2014.
Pembelajaran Generatif Pada Siswa
[6] Lusiana, Y. Hartono, and T. Saleh,
Sekolah Dasar," Suara Guru: Jurnal
“Penerapan Model Pembelajaran
Ilmu Pendidikan Sosial, Sains, dan
Generatif (MPG) Untuk Pelajaran
Humaniora, vol. 4, no. 1, pp. 46-54,
Matematika di Kelas X SMA Negeri 8
2018.
120

and Science
ANALISIS KESALAHAN SISWA DALAM MENYELESAIKAN SOAL

MATEMATIKA BERDASARKAN TAHAPAN KASTOLAN
DITINJAU DARI PERBEDAAN GENDER
Nikmatin1, Silviana Maya Purwasih2, Sri Rahayu3

Corresponding author : Silviana Maya Purwasih2
1
Universitas PGRI Adi Buana Surabaya, nikmatin71@gmail.com
2
Universitas PGRI Adi Buana Surabaya, smaya@unipasby.ac.id
3
Universitas PGRI Adi Buana Surabaya, srirahayu@unipasby.ac.id
Abstract
The type of this research is qualitative descriptive with the purpose of this research is to describe the types
of errors and the factor that cause student errors in solving mathematics problems in Linear Program material based
on Kastolan stages in terms of gender differences. The research subjects were students of class XI IPA 2 SMA
Negeri 1 Taman, which consisted of 2 male and 2 female students based on the lowest score. The data collection
process was carried out through written tests and semi-structured interviews, each conducted in two stages. The
results showed that the ability to solve math problems of male subjects is superior to female subjects. However,
these advantages are not too significant because male and female subjects made the same type of errors, namely
conceptual, procedural, and technical errors. The male subject’s conceptual error was wrong in determining the
corner point caused by a lack of understanding in determining the corner point. In contrast, the female subject made
an error in formulating a mathematical model caused by a lack of understanding of the prerequisite material. The
procedural error of male and female subjects was missing several completion steps caused by a lack of practice
working on the Linear Program story material. The technical error of male and female subjects is an error in
performing calculation operations caused to minimize the processing time of the problem and the results of an error
in the mathematical model.
Keywords: Error Analysis, Kastolan Stage, Linear Program
Abstrak
Penelitian ini termasuk jenis penelitian deskriptif kualitatif yang bertujuan untuk menjabarkan jenis
kesalahan dan faktor penyebab kesalahan siswa dalam menyelesaikan soal matematika materi Program Linear
berdasarkan tahapan Kastolan ditinjau dari perbedaan gender. Subjek penelitian adalah siswa kelas XI IPA 2
SMA Negeri 1 Taman yang terdiri dari 2 siswa laki-laki dan 2 siswa perempuan berdasarkan nilai terendah.
Proses pengumpulan data dilakukan melalui tes tertulis dan wawancara semi terstruktur yang masing-masing
dilakukan dalam 2 tahap. Hasil yang diperoleh pada penelitian ini yaitu kemampuan menyelesaikan soal
matematika subjek laki-laki lebih unggul dibandingkan subjek perempuan. Akan tetapi, keunggulan tersebut
tidak terlalu signifikan dikarenakan subjek laki-laki dan perempuan melakukan jenis kesalahan yang sejenis
yaitu kesalahan konseptual, kesalahan prosedural dan kesalahan teknik. Kesalahan konseptual subjek laki-laki
adalah salah dalam menentukan titik pojok dikarenakan kurangnya pemahaman dalam menentukan titik pojok,
sedangkan subjek perempuan melakukan kesalahan dalam merumuskan model matematika dikarenakan
kurangnya pemahaman terhadap materi prasyarat. Kesalahan prosedural subjek laki-laki dan perempuan adalah
melewatkan beberapa langkah penyelesaian dikarenakan kurangnya latihan mengerjakan soal cerita materi
Program Linear. Kesalahan teknik subjek laki-laki dan perempuan adalah kesalahan dalam melakukan operasi
perhitungan dikarenakan untuk meminimalisir waktu pengerjaan soal serta akibat dari adanya kesalahan pada
model matematika.
Kata kunci: Analisis Kesalahan, Tahapan Kastolan, Program Linear

121
1. Pendahuluan matematika yaitu didasarkan pada tahapan
Dalam praktiknya selama pembelajaran Kastolan yang mengkategorikan jenis
matematika, masih banyak siswa yang merasa kesalahan menjadi tiga yang meliputi
kesulitan dalam memecahkan permasalahan kesalahan konseptual, kesalahan prosedural
matematika. Hal tersebut dikarenakan dan kesalahan teknik. Dalam kajian Lutfia dan
semakin tinggi jenjang pendidikan, materi Zanthy [3] disebutkan bahwa kesalahan
pembelajaran matematika yang diterima akan konseptual (conceptual errors) merupakan
semakin sulit karena terdapat berbagai konsep kesalahan dalam penafsiran atau penggunaan
baru yang lebih kompleks yang harus suatu konsep, prinsip maupun istilah.
dimengerti oleh siswa. Sehingga tidak Kesalahan prosedural (procedural errors)
menutup kemungkinan siswa cenderung merupakan kesalahan ketika mencoba
melakukan kesalahan ketika menyelesaikan menjabarkan langkah penyelesaian secara
soal matematika yang dikaitkan dengan terstruktur untuk memecahkan suatu masalah.
permasalahan sehari-hari seperti pada materi Kesalahan teknik (technical errors)
Program Linear. Sebagaimana yang merupakan kesalahan akibat dari kekeliruan
diungkapkan dalam penelitian Andriyani dan pada perhitungan.
Ratu [1] bahwa masih banyak siswa yang Ada beberapa aspek yang menyebabkan
melakukan kesalahan dalam menyelesaikan siswa melakukan kesalahan ketika
soal cerita Program Linear. Kesalahan- memecahkan permasalahan matematika, salah
kesalahan tersebut meliputi kesalahan dalam satunya adalah karena adanya pengaruh
merumuskan model matematika, kesalahan perbedaan gender. Seperti pendapat yang
dalam menggambar grafik penyelesaian, tidak dikemukan oleh Siswandi dan Sujadi [4]
menuliskan titik pojok, kesalahan pada bahwa perbedaan gender dapat
perhitungan, serta tidak menuntaskan soal. mengindikasikan berbagai kesulitan yang
Materi Program Linear termasuk materi berbeda pada siswa perempuan dan laki-laki
pembelajaran matematika yang membahas ketika memecahkan persoalan matematika.
mengenai memaksimumkan atau Selain itu, Indrawati dan Tasni [5]
meminimumkan suatu fungsi tujuan. Konsep mengemukakan bahwa perbedaan
materi Program Linear biasanya digunakan perkembangan otak anak perempuan dan laki-
untuk mencari keuntungan maksimum yang laki menyebabkan perbedaan gender sangat
diperoleh, biaya minimum yang harus berpengaruh dalam matematika. Ada pula
dikeluarkan ataupun jumlah barang yang pendapat lain yang dikemukakan oleh
harus diproduksi ketika menjalankan suatu Nurfauziah dan Fitriani [6] bahwa perbedaan
usaha. Akan tetapi, siswa kelas XI IPA 2 SMA emosi, perilaku, cara berpikir, dan kecerdasan
Negeri 1 Taman ketika memecahkan soal masing-masing perempuan atau laki-laki
materi Program Linear terkadang tetap menyebabkan adanya perbedaan dalam
melakukan kesalahan meskipun materi memecahkan masalah matematika.
tersebut telah dipelajari. Informasi tersebut Pemaparan di atas melatarbelakangi
diperoleh dari hasil konsultasi dengan guru dilakukannya penelitian mengenai jenis
matematika yang mengajar kelas tersebut. kesalahan dan faktor penyebab kesalahan
Oleh karena itu, guna menghindarkan siswa siswa laki-laki dan perempuan dalam
melakukan kesalahan serupa di lain waktu, menyelesaikan soal matematika materi
perlu dilakukannya analisis terhadap Program Linear berdasarkan tahapan
kesalahan-kesalahan siswa. Kastolan.
Menurut Miseriyati dan Syahril [2],
analisis kesalahan adalah usaha untuk 2. Metode
menemukan penyebab kesalahan siswa ketika Penelitian ini termasuk jenis penelitian
memecahkan suatu permasalahan yang deskriptif kualitatif dengan subjek penelitian
diberikan oleh guru. Metode yang dapat adalah siswa kelas XI IPA 2 SMA Negeri 1
diterapkan untuk melakukan analisis Taman yang terdiri dari 2 siswa laki-laki dan
kesalahan siswa ketika menyelesaikan soal 2 siswa perempuan berdasarkan nilai
122
terendah. Proses pengumpulan data dilakukan semua data hasil penelitian terkumpul,
melalui tes tertulis dan wawancara semi tereduksi dan tersusun secara sistematis,
terstruktur. peneliti kemudian menarik kesimpulan sesuai
Pelaksanaan tes tahap I dan tes tahap II dengan tujuan penelitian ini. Selanjutnya
dilakukan kepada siswa dengan memberikan peneliti menggunakan triangulasi teknik dan
soal cerita yang berbeda untuk masing-masing triangulasi waktu untuk pengujian keabsahan
tahap tetapi dengan level kognitif soal yang data hasil penelitian.
sama. Setelah diperoleh hasil analisis
kesalahan pada tahap tes, penelitian kemudian 3. Hasil Penelitian
melakukan wawancara kepada setiap subjek Setelah proses pengambilan data
penelitian. Wawancara tersebut bertujuan penelitian melalui tahap tes dilakukan,
untuk mengidentifikasi faktor-faktor peneliti kemudian megoreksi hasil pekerjaan
penyebab kesalahan siswa dalam siswa untuk mengetahui perolehan nilai siswa.
menyelesaikan soal. Beriut hasil nilai rata-rata yang diperoleh
Berikut beberapa indikator kesalahan subjek penelitian pada tes tahap I dan tahap II
menurut tahapan Kastolan pada materi
Program Linear yang diadaptasi dari Tabel 2. Nilai Rata-Rata Subjek Penelitian
penelitian Irawati [7]. Tes Tes
Subjek Total
Tahap I Tahap II
Tabel 1. Indikator Kesalahan Menurut Tahapan Laki-Laki (SL) 18,5 27 45,5
Kastolan pada Materi Program Linear Perempuan (SP) 12 12,5 24,5
Jenis
Indikator Tabel 2 di atas menunjukkan bahwa
Kesalahan
Conceptual a. Kesalahan dalam menuliskan subjek laki-laki pada tes tahap I dan tahap II
Errors informasi yang diketahui dan/atau perolehan nilai rata-ratanya lebih baik
ditanyakan dibandingkan subjek perempuan. Hal ini
b. Kesalahan dalam merumuskan
model matematika berarti kemampuan memecahkan persoalan
c. Kesalahan dalam menggambarkan matematika subjek laki-laki lebih unggul
grafik penyelesaian daripada subjek perempuan. Hasil tersebut
d. Kesalahan dalam menentuka titik selaras dengan penelitian Siswandi dan Sujadi
pojok [4] serta penelitian Fathonah, dkk [8] yang
Procedural a. Kesalahan dalam menuliskan
Errors langkah penyelesaian memperoleh hasil yaitu subjek laki-laki lebih
b. Kesalahan dalam penarikan mampu dalam memecahkan masalah
kesimpulan matematika daripada subjek perempuan.
Technical a. Kesalahan pada operasi Begitu pula menurut pendapat Santrock [9]
Errors perhitungan yang menerangkan bahwa jika dibandingkan
b. Kesalahan dalam menentukan
koefisien, variabel dan konstanta
dengan anak perempuan, kemampuan
matematika anak laki-laki lebih baik.
Pengolahan data penelitian ini dilakukan
melalui 3 tahap yaitu reduksi data, penyajian 3.1 Subjek Perempuan (SP)
data dan penarikan kesimpulan. Tahapan
reduksi data yang dilakukan oleh peneliti
antara lain: a) melaksanakan tes tahap I
kepada 32 siswa kelas XI IPA 2; b) memilih
subjek penelitian; c) melaksanakan
wawancara tahap I kepada setiap subjek
penelitian; d) melaksanakan tes tahap II; e)
melaksanakan wawancara tahap II.
Selanjutnya untuk tahapan penyajian data Gambar 1. Hasil Pekerjaan SP pada Tes Tahap I
yang dilakukan oleh peneliti adalah
menyajikan dan mendeskripsikan hasil Keunggulan kemampuan subjek laki-laki
analisis kesalahan subjek penelitian. Setelah dapat terlihat pula dari hasil analisis kesalahan
ketika menyelesaikan soal. Untuk lebih
123
jelasnya, berikut pemaparan hasil analisis Pada tes tahap II, SP melakukan
kesalahan subjek penelitian. kesalahan konseptual yang sama seperti pada
Menurut hasil pekerjaan pada Gambar 1 tes tahap I yaitu salah dalam merumuskan
dapat terlihat bahwa pada tes tahap I SP model matematika. Kesalahan tersebut
melakukan kesalahan konseptual yaitu salah dikarenakan SP tidak menuliskan bentuk
dalam merumuskan model matematika. model matematika yang terdiri dari fungsi
Kesalahan tersebut dikarenakan SP tidak kendala dan fungsi kendala dari soal. Selain
menuliskan bentuk model matematika yang itu, sebagaimana yang ditunjukkan oleh
terdiri dari fungsi kendala dan fungsi objektif Gambar 3, model matematika
dari soal. Selain itu, SP juga melakukan 16x + 5y = 2000000 dan 8x + 10y = 3000000
kesalahan pada penulisan model matematika yang digunakan pada proses eliminasi dan
4A+ B = 5000 dan 8A+ 4B = 7000 yang substitusi juga masih terdapat kesalahan.
digunakan pada proses eliminasi dan Model matematika yang digunakan
substitusi. Model matematika yang seharusnya 16x + 8y = 96 dan 5x + 10y = 90.
seharusnya digunakan yaitu 4A+8B = 24 dan
A+ 4 B = 8 . Faktor penyebab SP melakukan
kesalahan tersebut dikarenakan pemahaman
materi prasyarat SP masih kurang, sehingga
lupa bagaimana cara untuk merumuskan
model matematika.
Gambar 4. Hasil Pekerjaan SP pada Tes Tahap II
Gambar 2. Hasil Pekerjaan SP pada Tes Tahap I Selain melakukan kesalahan konseptual,
Pada Gambar 4 diketahui SP juga melakukan
Berkaitan dengan kesalahan dalam kesalahan teknik pada proses substitusi yaitu
merumuskan model matematika sebelumnya, salah dalam melakukan perhitungan
SP melakukan kesalahan prosedural yaitu 10y = 3000000 − 33333,6 yang seharusnya
salah dalam penarikan kesimpulan. Selain itu, menghasilkan 10y = 266666,4. Akibat dari
SP juga melakukan kesalahan pada penulisan kesalahan konseptual dan kesalahan teknik,
langkah penyelesaian dikarenakan SP melakukan kesalahan prosedural pada
melewatkan beberapa langkah penyelesaian penulisan langkah penyelesaian dikarenakan
seperti tidak menuliskan cara untuk mencari mengalami kesulitan ketika melakukan
titik perpotongan garis pertidaksamaan perhitungan pada proses eliminasi dan
dengan sumbu koordinat, tidak menggambar substitusi, sehingga tidak dapat
grafik penyelesaian dan tidak menuliskan menyelesaikan soal sampai tuntas.
langkah uji titik pojok terhadap fungsi kendala
dari soal sebagaimana terlihat pada Gambar 2 3.2 Subjek Laki-Laki (SL)
di atas. Faktor penyebab SP melakukan
kesalahan tersebut dikarenakan tidak
mempelajari kembali materi sebelum
pelaksanaan tes.
Gambar 5. Hasil Pekerjaan SL pada Tes Tahap I
Berdasarkan Gambar 5 di atas terlihat

bahwa SL melakukan kesalahan konseptual
dikarenakan tidak menuliskan informasi yang
diketahui dan ditanyakan pada soal. Faktor
Gambar 3. Hasil Pekerjaan SP pada Tes Tahap II
124
penyebab kesalahan tersebut dikarenakan SL Akibatnya, SL melakukan kesalahan
beranggapan bahwa membuat tabel prosedural yaitu salah dalam penarikan
matematika itu sama seperti menulis diketahui kesimpulan. Selain itu, SL juga melakukan
dan ditanyakan. kesalahan prosedural lain yaitu melewatkan
langkah penyelesaian berupa proses eliminasi
dan substitusi untuk mencari koordinat
perpotongan dua garis.
Gambar 6. Hasil Pekerjaan SL pada Tes Tahap I
Selain melakukan kesalahan konseptual

dalam menuliskan informasi yang diketahui
dan ditanyakan, SL juga melakukan kesalahan
konseptual dalam menentukan titik pojok. Gambar 8. Hasil Pekerjaan SL pada Tes Tahap II
Kesalahan tersebut dapat terlihat pada
Gambar 6 di atas. Koordinat titik pojok yang
dituliskan pada proses uji titik pojok Gambar 9. Hasil Pekerjaan SL pada Tes tahap II
merupakan koordinat titik potong
pertidaksamaan terhadap sumbu x dan y Selanjutnya, pada Gambar 9 terlihat SL
Selain itu, SL juga melakukan kesalahan melakukan kesalahan teknik pada proses uji
prosedural pada penulisan langkah titik pojok yaitu salah dalam melakukan
penyelesaian. Faktor penyebab kesalahan perhitungan. Kesalahan tersebut dikarenakan
tersebut dikarenakan SL tidak mempelajari SL mempersingkat penulisan hasil
materi yang berkaitan dengan soal cerita, perhitungan
sehingga tidak dapat menyelesaikan soal 2000000(2) + 3000000(8) = 4 + 24 = 28000000.
sampai tuntas. Kesalahan tersebut dikarenakan SL
mempersingkat penulisan hasil perhitungan
dengan tujuan untuk meminimalisir waktu
pengerjaan soal tes.
4. Pembahasan
Berikut peneliti sajikan data jenis
kesalahan subjek laki-laki dan perempuan
Gambar 7. Hasil Pekerjaan SL pada Tes Tahap II berdasarkan hasil analisis kesalahan tahapan
Kastolan.
Pada Gambar 7 di atas, terlihat SL
melakukan kesalahan konseptual saat Tabel 3. Rekap Kesalahan Subjek Penelitian
menyelesaikan Tes Tahap II. Kesalahan yang Jenis Tes Tahap I Tes Tahap II
dilakukan adalah belum lengkap dalam kesalahan SL SP SL SP
menuliskan informasi yang diketahui dan Conceptual
   
ditanyakan pada soal, seperti kurang lengkap Errors
Procedural
dalam menuliskan fungsi kendala x ≥ 0 dan    
Errors
y ≥ 0 dari soal dan salah dalam menentukan Technical
titik pojok daerah penyelesaian. - -  
Errors
Sementara kesalahan dalam menentukan
titik pojok dapat terlihat pada proses uji titik Berdasarkan tabel 3 di atas dapat
pojok pada Gambar 8, dimana SL tidak hanya diketahui bahwa subjek laki-laki dan
menguji koordinat titik pojok saja melainkan perempuan melakukan jenis kesalahan yang
menguji semua koordinat titik potong garis. sejenis pada tes tahap I maupun pada tes tahap
125
II. Hal tersebut selaras dengan penelitian Hal tersebut selaras dengan penelitian
Saputri, dkk [10] serta penelitian Amin, dkk Ayuningsih, dkk [15] bahwa penyebab siswa
[11] yang menyebutkan bahwa ketika melakukan kesalahan dalam menentukan titik
memecahkan permasalahan matematika baik pojok dikarenakan kurangnya pemahaman
subjek laki-laki maupun subjek perempuan untuk menentukan titik pojok, sehingga
melakukan jenis kesalahan yang sama. menggunakan semua titik dari perpotongan
Meskipun menurut hasil analisis garis ketika melakukan uji titik pojok.
kesalahan menunjukkan bahwa jenis Sementara subjek perempuan melakukan
kesalahan subjek laki-laki dan perempuan kesalahan konseptual dikarenakan kurangnya
sejenis. Akan tetapi, jika dilihat lebih saksama pemahaman materi prasyarat. Hasil tersebut
hasil pekerjaan di atas terlihat bahwa secara sesuai dengan penelitian Sardin dan
keseluruhan subjek laki-laki lebih lengkap Marunung [16] serta penelitian Buranda dan
dalam menuliskan langkah penyelesaian soal Bernard [17] bahwa kurangnya pemahaman
daripada subjek perempuan. Hal tersebut terhadap materi dasar mengakibatkan siswa
selaras dengan penelitian Jamiah [12] yang melakukan kesalahan ketika mengerjakan
memperoleh hasil bahwa keterampilan soal.
penyelesaian masalah subjek laki-laki lebih
unggul dibandingkan subjek perempuan 4.2 Kesalahan Prosedural
dikarenakan prosedur penyelesaian masalah Letak kesalahan prosedural subjek laki-
yang dituliskan subjek laki-laki lebih teliti dan laki dan perempuan yang teridentifikasi
lebih lengkap. Berikut pemaparan lebih lanjut adalah tidak menyelesaikan masalah yang
mengenai letak kesalahan beserta faktor diberikan hingga tuntas, melewatkan
penyebab kesalahan subjek penelitian beberapa langkah penyelesaian serta salah
menurut tahapan Kastolan. dalam penarikan kesimpulan. Hasil tersebut
selaras dengan penelitian Nikmah [13] yang
4.1 Kesalahan Konseptual menyebutkan bahwa subjek laki-laki
Letak kesalahan konseptual subjek laki- melewatkan atau tidak menuliskan langkah
laki yang teridentifikasi adalah keliru dalam penyelesaian yang sesuai ketika
penulisan informasi yang diketahui dan menyelesaikan soal Program Linear. Begitu
ditanyakan, belum lengkap saat menuliskan pula dengan hasil penelitian Suwandi [9] serta
fungsi kendala, dan salah dalam menentukan penelitian Saputri, dkk [10] bahwa kesalahan
titik pojok. Sementara letak kesalahan penarikan kesimpulan cenderung dilakukakan
konseptual yang dilakukan subjek perempuan oleh subjek perempuan.
adalah tidak menuliskan fungsi kendala dan Menurut hasil wawancara diketahui
fungsi tujuan dari soal. Hasil tersebut selaras kesalahan prosedural di atas dikarenakan
dengan penelitian Nikmah [13] yang kurangnya latihan soal cerita materi Program
memperoleh hasil yaitu ketika menyelesaikan Linear. Hal tersebut selaras dengan hasil
soal Program Linear, subjek laki-laki penelitian Zaidy dan Lutfianto [18] serta
melakukan kesalahan pada penulisan penelitian Ayuningsih, dkk [15] bahwa
informasi yang diketahui dan ditanyakan serta kurangnya latihan mengerjakan soal-soal
tidak lengkap menuliskan fungsi kendala, Program Linear yang bervariatif dapat
sedangkan kesalahan subjek perempuan menjadi penyebab kesalahan siswa ketika
adalah tidak menuliskan fungsi kendala. memecahkan soal.
Begitu pula pada penelitian Agnesti dan
Amelia [14], salah satu letak kesalahan siswa 4.3 Kesalahan Teknik
laki-laki yaitu saat menuliskan diketahui dan Kesalahan teknik subjek laki-laki terletak
ditanyakan dari soal. pada perhitungan pada proses uji titik pojok,
Faktor penyebab subjek laki-laki sedangkan kesalahan yang dilakukan subjek
melakukan kesalahan konseptual adalah tidak perempuan adalah salah dalam melakukan
terbiasa menulis informasi yang diketahui dan perhitungan pada proses substitusi. Hasil
ditanyakan pada soal serta kurangnya tersebut sesuai dengan penelitian Nikmah [13]
pemahaman untuk menentukan titik pojok. bahwa kesalahan dalam melakukan
126
perhitungan bentuk aljabar pada proses perempuan disebabkan oleh kurangnya
eliminasi dan substitusi dilakukan oleh siswa pemahaman terhadap materi prasyarat.
perempuan. Selanjutnya, subjek laki-laki melakukan
Faktor penyebab subjek laki-laki kesalahan teknik untuk meminimalisir waktu
melakukan kesalahan teknik adalah untuk pengerjaan soal, sedangkan kesalahan subjek
meminimalisir waktu pengerjaan soal. perempuan dikarenakan adanya kesalahan
Sementara faktor penyebab subjek perempuan pada model matematika.
melakukan kesalahan dikarenakan model Mengingat pentingnya melakukan
matematika yang dituliskan masih terdapat analisis kesalahan terhadap kesalahan siswa
kesalahan. Hal ini selaras dengan penelitian dalam mengerjakan soal cerita pada materi
Andriyani [1] bahwa kesalahan dalam Program Linear, maka hal ini dapat dijadikan
merumuskan model matematika acuan bagi guru agar kesalahan yang sama
mengakibatkan siswa melakukan kesalahan tidak terulang kembali dilakukan oleh siswa di
pada langkah-langkah selanjutnya. lain waktu.
5. Penutup Referensi
Menurut hasil penelitian dapat [1] A. Andriyani and N. Ratu, “Analisis
disimpulkan bahwa kemampuan memecahkan Kesalahan Siswa Dalam Menyelesaikan
persoalan matematika subjek laki-laki lebih Soal Cerita Pada Materi Program Linear
unggul dibandingkan subjek perempuan. Ditinjau Dari Gaya Kognitif Siswa,”
Akan tetapi, keunggulan tersebut tidak terlalu Pendek. J. Pendidik. Berkarakter, vol. 1,
signifikan jika dilihat dari hasil analisis no. 1, p. 16, 2018, doi: 10.31764/
kesalahan yang membuktikan bahwa subjek pendekar.v1i1.252.
laki-laki dan perempuan melakukan jenis [2] Miseriyati and R. F. Syahril, “Analysis of
kesalahan yang sejenis yaitu kesalahan Students’ Mistakes in Solving Circle
konseptual, kesalahan prosedural dan Problem in Class Xi Mipa 2 Sman 1
kesalahan teknik. Kesalahan konseptual yang Bangkinang Kota,” J. Prinsip Pendidik.
dilakukan subjek laki-laki adalah salah dalam Mat., vol. 2, no. 2, pp. 51–60, 2020, doi:
menuliskan informasi yang diketahui dan 10.33578/prinsip.v2i2.53.
ditanyakan, belum lengkap dalam menuliskan [3] L. Lutfia and L. S. Zanthy, “Analisis
fungsi kendala dan salah dalam menentukan Kesalahan Menurut Tahapan Kastolan
titik pojok. Sedangkan kesalahan konseptual Dan Pemberian Scaffolding Dalam
subjek perempuan adalah tidak menuliskan Menyelesaikan Soal Sistem Persamaan
fungsi kendala dan fungsi kendala dari soal. Linear Dua Variabel,” J. Educ., vol. 01,
Selanjutnya untuk kesalahan prosedural pp. 396–404, 2019, doi: 10.24252/
subjek laki-laki dan perempuan adalah tidak auladuna.v5i1a9.2018.
menyelesaikan soal sampai tuntas, [4] E. Siswandi and I. Sujadi, “Analisis
melewatkan beberapa langkah penyelesaian Kesalahan Siswa dalam Menyelesaikan
serta salah dalam penarikan kesimpulan. Masalah Matematika Kontekstual pada
Sementara kesalahan teknik subjek laki-laki Materi Segiempat Berdasarkan analisis
dan perempuan adalah salah dalam Newman Ditinjau dari Perbedaan Gender
melakukan operasi perhitungan. (Studi Kasus pada Siswa Kelas VII
Terdapat persamaan faktor penyebab SMPN 20 Surakarta,” J. Elektron.
subjek laki-laki dan perempuan melakukan Pembelajaran Mat., vol. 4, no. 7, pp.
kesalahan prosedural yaitu kurangnya latihan 633–643, 2016, [Online]. Available:
mengerjakan soal cerita materi Program https://jurnal.fkip.uns.ac.id/index.php/s2
Linear. Sementara kesalahan konseptual math/article/view/9169.
subjek laki-laki disebabkan karena tidak [5] N. Indrawati and N. Tasni, “Analisis
terbiasa menulis informasi yang diketahui dan Kemampuan Pemecahan Masalah
ditanyakan pada soal serta kurangnya Berdasarkan Tingkat Kompleksitas
pemahaman dalam menentukan titik pojok, Masalah dan Perbedaan Gender,”
sedangkan kesalahan konseptual subjek Saintifik, vol. 2, no. 1, pp. 16–25, 2017,
127
doi: 10.31605/saintifik.v2i1.92. no. 1, pp. 110–117, 2020, doi:
[6] D. A. Savitri and A. Yuliani, “Analisis 10.15294/kreano.v11i1.23601.
Kesalahan Siswa Dalam Menyelesaikan [13] S. N. Nikmah, “Analisis kesalahan
Permasalahan Trigonometri Ditinjau Dari menyelesaikan soal cerita program linear
Gender Berdasarkan Newman,” JPMI ditinjau dari perbedaan jenis kelamin,”
(Jurnal Pembelajaran Mat. Inov., vol. 3, Primatika J. Pendidik. Mat., vol. 9, pp.
no. 5, pp. 463–474, 2020, doi: 91–100, 2020, [Online]. Available:
10.22460/jpmi.v3i5.463-474. https://doi.org/10.30872/primatika.v9i2.
[7] S. Irawati, “Analisis Kesalahan 259.
Mahasiswa Calon Guru Matematika [14] Y. Agnesti and R. Amelia, “Analisis
dalam Memecahkan Masalah Program Kesalahan Siswa Kesalahan VIII SMP Di
Linear,” Sigma, pp. 29–34, 2015, Kabupaten Bandung Barat Dalam
[Online]. Available: http://ejournal.unira. Menyelesaikan Soal Cerita Pada Materi
ac.id/index.php/jurnal_sigma/article/vie Perbandingan Ditinjau Dari Gender,” J.
wFile/110/94. Cendekia J. Pendidik. Mat., vol. 4, no. 1,
[8] N. Fathonah, R. Juwita, and P. Jana, pp. 151–162, 2020, doi: 10.31004/
“Analisis Kesalahan Mahasiswa dalam cendekia.v4i1.186.
Menyelesikan Soal Program Linear [15] R. Ayuningsih, R. D. Setyowati, and R.
dengan Menerapkan Teori Polya Ditinjau E. Utami, “Analisis Kesalahan Siswa
dari Perbedaan Gender,” J. Mercumatika, dalam Menyelesaikan Masalah Program
vol. 2, no. 117, pp. 1–15, 2018, [Online]. Linear Berdasarkan Teori Kesalahan
Available: Kastolan,” Imajiner J. Mat. dan Pendidik.
http://repository.upy.ac.id/1817/. Mat., vol. 2, no. 6, pp. 510–518, 2020,
[9] R. T. Suwandi, “Kesalahan dalam doi: 10.26877/imajiner. v2i6.6790.
Menyelesaikan Soal Cerita Program [16] F. N. Sardin and M. M. H. Manurung,
Linear Ditinjau dari Perbedaan Gender,” “Analisis Kesalahan Jawaban Peserta
2019, [Online]. Available: http://eprints. Didik Dalam Menyelesaikan Soal-soal
ums.ac.id/75710/1/Naskah Publikasi Program Linear di Kelas X Akuntansi
Fix.pdf. SMK YPK Kotaraja Jayapura,” Ilm. Mat.
[10] R. R. Saputri, T. Sugiarti, R. P. dan Pembelajarannya, vol. 3, no. 1, pp.
Martikusuma, D. Trapsilasiwi, and E. 10–16, 2016, [Online]. Available:
Yudianto, “Analisis Kesalahan Siswa https://smantibatam.sch.id/journal/index.
dalam Menyelesaikan Soal Materi Fungsi php/JIMP/article/download/226/226-
Berdasarkan Kriteria Watson Ditinjau 439-1-SM.pdf.
dari Perbedaan Gender Siswa SMP Kelas [17] M. S. Buranda and M. Bernard,
VIII,” Kadikma J. Mat. dan Pendidik. “Matematik Materi Lingkaran Siswa Smp
Mat., vol. 9, pp. 59–68, 2018, [Online]. Berdasarkan Gender,” vol. 1, no. 1, pp.
Available: https://doi.org/10. 33–40, 2018.
19184/kdma.v9i2.9710. [18] F. Zaidy and M. Lutfianto, “Analisis
[11] K. Amin, K. Kamid, and B. Hariyadi, Kesalahan Siswa dalam Menyelesaikan
“Analisis Kesalahan dalam Soal Program Linear Berdasarkan
Menyelesaikan Masalah Matematika Newman’s Error Analysis (NEA)
Kontekstual pada Materi Bangun Ruang Ditinjau dari Kemampuan Matematika,”
Sisi Datar Berdasarkan Newman Error Semin. Nas. Pendidik. Mat. Ahmad
Analysis Ditinjau dari Gender,” J. Dahlan, vol., no., pp. 297–303, 2016,
Cendekia J. Pendidik. Mat., vol. 5, no. 2, [Online]. Available: http://www.seminar.
pp. 2053–2064, 2021, doi: uad.ac.id/index.php/sendikmad/article/vi
10.31004/cendekia.v5i2.692. ew/392.
[12] P. W. C. Davita and H. Pujiastuti,
“Anallisis Kemampuan Pemecahan
Masalah Matematika Ditinjau Dari
Gender,” Kreano, J. Mat. Kreat., vol. 11,
128

and Science
IMPLEMENTASI ALAT PERAGA ABANG OLENG PADA

PEMBELAJARAN PENGUKURAN BERAT TIDAK BAKU DI
JENJANG SEKOLAH DASAR
Mevianda Cahya Resqueta1, Ninik Mutianingsih2

Corresponding author : Ninik Mutianingsih
1
Universitas PGRI Adi Buana Surabaya, resquetamevi@gmail.com
2
Universitas PGRI Adi Buana Surabaya, ninikmutia@unipasby.ac.id
Received : 9 Juli 2022, Revised : 3 Agustus 2022, Accepted : 7 September 2022
Abstract
Teaching aids are learning media that are learning materials to reduce the abstraction of mathematical
concepts. This quantitative study aims to determine the implementation of Abang Oleng's teaching aids on learning
outcomes of elementary school mathematics in learning non-standard weight measurement. The research method
used is True Experimental Design using pre-test and post-test. First grade students of SD Tunas Bhakti 26 Surabaya
and SD Unggulan Al Multazam Surabaya were involved in this research. Data were collected through test
techniques to obtain student learning outcomes, while the results were analyzed using SPSS. The results of the t-
test calculation with SPSS obtained a significant value of 0,000, showing that the significance is smaller than 0,05,
then H1 is accepted. So it can be concluded that using abang oleng on non-standard weight measurement subjects
is suitable for use in elementary schools from student learning outcomes.
Keywords: Abang Oleng’s, Learning Outcomes, Non-Standard Weight Measurement
Abstrak
Alat peraga merupakan media pembelajaran yang sesuai dengan materi pembelajaran dengan tujuan
mengurangi keabstrakan konsep matematika. Penelitian merupakan penelitian kuantitatif yang bertujuan
mengetahui implementasi alat peraga abang oleng terhadap hasil belajar matematika jenjang sekolah dasar pada
pembelajaran pengukuran berat tidak baku. Metode penelitian yang digunakan adalah True Experimental Design
menggunakan pre-test dan post-test. Siswa kelas I SD Tunas Bhakti 26 Surabaya dan SD Unggulan Al Multazam
Surabaya terlibat dalam penelitian ini. Data dikumpulkan melalui teknik tes untuk mendapatkan hasil belajar siswa,
sedangkan hasilnya dianalisis menggunakan SPSS. Hasil perhitungan uji-t dengan SPSS diperoleh nilai signifikan
0,000 < 0,05, maka H1 diterima. Sehingga dapat disimpulkan menggunakan alat peraga abang oleng pada mata
pelajaran pengukuran berat tidak baku sangat baik digunakan di jenjang sekolah dasar ditinjau dari hasil belajar
siswa.
Kata kunci: Alat Peraga Abang Oleng, Hasil Belajar, Pengukuran Berat Tidak Baku
1. Pendahuluan Perkembangan pendidikan memiliki perhatian

Kualitas sumber daya manusia senantiasa lebih di dalam aktivitas pembelajaran, dan
harus ditingkatkan, salah satunya melalui aktivitas operasional kependidikan guru
peningkatan mutu pendidikan [1]. Pendidikan dalam melaksanakan kegiatan belajar
merupakan usaha dalam menumbuh mengajar. Hal tersebut dapat mewujudkan
kembangkan sumber daya manusia dengan minat dan perhatian siswa dalam mempelajari
melakukan kegiatan pembelajaran [2]. ilmu, salah satunya yaitu ilmu Matematika.
129
Matematika memiliki peran yang esensial telah ditetapkan di buku yaitu “alat peraga
dalam membangun kemampuan pemecahan gantungan baju”. Kurangnya efektivitas alat
masalah, sehingga matematika wajib peraga menurut konsep materi pengukuran
diajarkan di setiap jenjang pendidikan sekolah berat tidak baku dalam proses pembelajaran
[3]. Matematika memiliki fungsi dalam berimplikasi pada kurangnya pemahaman
mengembangkan penalaran melalui kegiatan guru tentang cara penggunaan alat peraga
investigasi, penemuan dan eksperimen dalam proses pembelajaran [7]
sebagai alat bantu untuk memecahkan Kurangnya pemahaman siswa dalam
masalah melalui diagram, model berpikir mempelajari materi matematika dan
matematis serta alat komunikasi dengan matematika dianggap pelajaran yang sukar
menggunakan simbol, tabel, bagan, diagram, untuk dipahami merupakan permasalahan
dan menyampaikan ide pokok. Ada 3 fungsi yang sering dialami siswa. Sehingga, hal
matematika antara lain: (1) Matematika tersebut dapat mempengaruhi prestasi belajar
sebagai alat; (2) Matematika sebagai latihan matematika siswa [9]. Untuk meningkatkan
berpikir; (3) Matematika sebagai ilmu [4]. hasil belajar siswa, maka perlu diberi alat
Dalam menumbuhkan kecintaan dan peraga dengan upaya seefektif mungkin untuk
kegemaran pada belajar matematika, maka mengkonkritkan konsep matematika yang
pembelajaran dapat dilakukan secara bertahap abstrak. Adanya peran guru dalam
dengan memulai diskusi, menyiapkan dan menyajikan alat
mengkomunikasikan ide dan gagasan, dan pembelajaran berpengaruh terhadap
menghubungkan objek-objek terkait untuk keberhasilan pencapaian tujuan pembelajaran,
memecahkan masalah dalam suasana yang yang artinya pengunaan alat peraga oleh guru
menyenangkan dan bermakna. Hal ini dalam proses pembelajaran secara langsung
diperlukan agar siswa merasa nyaman saat dapat menentukan keberhasilan proses belajar
belajar di kelas [5]. [10].
Selain itu, pelajaran matematika perlu Dalam penelitian ini, peneliti
diperkuat untuk mempelajari konsep abstrak menggunakan alat peraga “abang oleng” dan
(menulis, membaca, menghitung, alat peraga gantungan baju untuk mengetahui
menggambar, dan mengarang) yang baru saja keberhasilan proses pembelajaran ditinjau
dipahami siswa dan memudahkan siswa dari hasil belajar siswa. Abang oleng adalah
dalam memasukkannya ke dalam pola pikir alat bantu belajar berupa “timbangan botol
dan perilakunya [6]. Dengan menggunakan kelereng”. Alat peraga abang oleng adalah
alat peraga untuk media pembelajaran dengan salah satu salah satu alat ajar matematika yang
ciri-ciri konsep yang dipelajari dapat bisa digunakan guru untuk menjelaskan
menurunkan kabstrakan menjadi lebih konkrit konsep atau pemahaman tentang berat benda
dan mempermudah siswa memahami konsep pada satuan tidak baku. Pengukuran alat
pembelajaran [7]. peraga abang oleng ini dengan cara diukur
Pengukuran berat tidak baku adalah dengan menggunakan kelereng. Kegunaan
satuan yang tidak standar dikatakan tidak kelereng pada alat peraga abang oleng yaitu
baku karena tidak memiliki ukuran yang sama untuk pengukur berat benda yang digunakan
[8]. Materi pengukuran berat tidak baku sebagai satuan ukur berat benda pada alat
adalah mata pelajaran yang harus ditempuh peraga “Abang Oleng”. Gambar 1 merupakan
siswa kelas I SD di SD Tunas Bakti 26 gambar alat peraga abang oleng.
Surabaya dan SD Unggulan Al-Multazam Usaha guru untuk menciptakan
Surabaya. Berdasarkan pengamatan peneliti pembelajaran matematika yang efektif,
tentang materi pengukuran berat tidak baku dengan memberikan alat peraga diharapkan
diperoleh informasi dari hasil belajar siswa mampu menumbuhkan pemahaman dan
diperoleh nilai dibawah KKM yaitu 70 pada meningkatkan hasil belajar siswa. Alat peraga
materi pengukuran berat tidak baku. Serta digunakan untuk penunjang proses
guru hanya menggunakan buku untuk pembelajaran karena dengan adanya alat
menjelaskan materi pengukuran berat tidak pendidikan membantu siswa belajar dan
baku tanpa menggunakan alat peraga yang memudahkan guru dalam memberikan materi
130
pembelajaran [5]. Dari uraian di atas, gantungan baju. Sebelum dilakukan
penelitian ini bertujuan mengetahui penelitian, peneliti melakukan uji validasi dan
implementasi alat peraga abang oleng pada reliabilitas dengan teknik tes pada kelompok
pembelajaran pengukuran berat tidak baku yang berbeda. Pengujian validitas soal
terhadap hasil belajar pada siswa kelas I dilakukan dengan menggunakan SPSS 20.0.
Sekolah Dasar. Data yang terkumpul, dianalisis oleh
peneliti secara deskriptif. Analisis data
2. Metode dilakukan menggunakan bantuan SPSS 2.0
Penelitian ini merupakan penelitian untuk menguji normalitas, homogenitas, dan
kuantitatif yang termasuk dalam jenis hipotesis. Uji normalitas dilakukan untuk
eksperimen dengan rancangan True mengetahui apakah data yang diteliti
Experimental Design. Rancangan tersebut berdistribusi normal atau tidak. Pengujian
melibatkan kelompok kontrol dan normalitas data dilakukan dengan uji
eksperimen. kolmogorov-smirnov yang menggunakan
program analisis statistik SPPS 20.0. Uji
homogenitas dilakukan dengan menguji data
antara kelas eksperimen dan kelas kontrol
dilakukan dengan tujuan untuk mengetahui
kesamaan antara dua populasi yang akan
diteliti. Uji hipotesis digunakan untuk
memudahkan perhitungan dan mengetahui
implementasi alat peraga abang oleng
terhadap hasil belajar siswa pada materi
pengukuran tidak baku, dengan menggunakan
Gambar 1. Alat Peraga Abang Oleng aplikasi SPSS 20.0 for windows.
Populasi yang terlibat dalam penelitian ini 3. Pembahasan
yaitu seluruh siswa kelas I SD Unggulan Al- Sebelum diberikan perlakuan, peneliti
Multazam Surabaya berjumlah 17 siswa dan melakukan uji validitas pada soal tes yaitu
SD Tunas Bakti 26 Surabaya berjumlah 23 soal pretest dengan jumlah 30 soal dan
siswa. Sampelnya yaitu siswa kelas I SD posttest dengan jumlah 30 soal berikut ini
Unggulan Al-Multazam Surabaya berjumlah (https://drive.google.com/drive/folders/12hC
10 siswa sebagai kelas kontrol (menggunakan JqH7X0EXqdrl7zMLkkOGpyWS5Fuc?usp=
alat peraga gantungan baju) dan siswa kelas I sharing). Soal tersebut diujikan kepada
SD Tunas Bakti 26 Surabaya berjumlah 10 kelompok yang berbeda. Pengujian validitas
siswa sebagai kelas eksperimen soal dilakukan dengan menggunakan SPSS
(menggunakan alat peraga abang oleng). 20.0 for windows. Uji validitas pada soal
Peneliti mengambi jumlah sampel berbeda pretest dan posttest diperoleh 12 soal yang
dengan jumlah populasi karena di sekolah valid.
yang diuji memiliki perbedaan jumlah Selanjutnya peneliti melalukan uji
populasi, sehingga peneliti hanya reliabilitas dengan SPSS 20.0 pada masing-
menggunakan masing-masing 10 siswa di dua masing soal. Pertama, peneliti menguji soal
kelas sampel. pretest, diperoleh hasil SPSS pada uji
Teknik tes melibatkan soal pretest dan Reliabilitas adalah 0,843. Apabila
posttest berupa pilihan ganda sebanyak 10 dibandingkan dengan nilai r tabel pada
soal, seperti pada link google form berikut signifikansi 0,05 dengan jumlah data
(https://drive.google.com/drive/folders/1YC sebanyak 20 maka didapatkan r tabel 0,444.
AvWMVW9eySV_eXotFUhmDry3l_laC?us Sehingga diperoleh r hitung 0,843 > 0,444,
p=sharing). Soal tersebut digunakan sebelum dapat disimpulkan butir soal tersebut reliabel.
dan sesudah perlakuan kepada siswa dalam Kemudian, peneliti menguji soal posttest
menggunakan alat peraga abang oleng
diperoleh hasil SPSS pada uji Reliabilitas
(timbangan botol kelereng) dan alat peraga adalah 0,869. Apabila dibandingkan dengan
131
nilai r tabel pada signifikansi 0,05 dengan Berdasarkan data pata Tabel 2. diketahui
jumlah data sebanyak 20 maka di dapatkan r hasil posttest kelas Eksperimen (alat peraga
tabel 0,444. Sehingga diperoleh r hitung 0,869 abang oleng) yang terdiri dari 10 siswa,
> 0,444, dapat disimpulkan butir soal tersebut diperoleh nilai terendah adalah 80 sebanyak
reliabel. Dari hasil uji validitas dan reliabilitas tiga siswa, dan nilai tertinggi yaitu 100
soal, peneliti hanya mengambil 10 butir soal sebanyak empat siswa. Sedangkan, pada hasil
pretest dan 10 butir soal posttest untuk Posttest kelas kontrol (alat peraga gantungan
diujikan kepada siswa. Soal tes awal baju) yang terdiri dari 10 siswa diperoleh nilai
melibatkan 10 butir soal dengan alokasi waktu terendah adalah 40 sebanyak satu siswa, dan
45 menit. Hasil pretest dari kelas eksperimen nilai tertinggi yaitu 90 sebanyak satu siswa.
dan kelas kontrol disajikan pada Tabel 1. Berdasarkan data yang diperoleh, peneliti
melakukan uji descriptive statistics dengan
Tabel 1. Hasil Pretest hasil sebagai berikut.
Eksperimen Kontrol
Tabel 3. Descriptive Statistics
Siswa Nilai Siswa Nilai
FPK 80 AAA 20 Std.
GPR 70 AEDI 20 N Min Max Mean
Dev
MH 90 FA 1 40 PreTest 10 60 90 72.00 12.293
RAP 80 FA 2 70 Eksperimen
SJ 90 FHA 40 PostTest 10 80 100 91.00 8.756
SRF 60 MNYM 40 Eksperimen
SIP 60 NR 60 PreTest 10 20 90 48.00 25.734
WR 60 RDAA 90 Kontrol
WKNI 60 SAF 80 PostTest 10 40 90 65.00 15.092
ZAA 70 SAN 20 Kontrol
Valid N 10
Berdasarkan data pata Tabel 1. diiketahui (listwise)
hasil dari pretest kelas eksperimen (alat
peraga abang oleng) yang terdiri dari 10
Pada Tabel 3 dapat diketahui rata-rata
siswa, diperoleh nilai terendah adalah 60
nilai pretest kelas kontrol dan eksperimen
sebanyak empat siswa, dan nilai tertinggi
masing-masing 48,00 dan 72,00. Sedangkan,
yaitu 90 sebanyak dua siswa. Kemudian pada
rata-rata posttest dari kelas kontrol dan
hasil pretest kelas kontrol (alat peraga
eksperimen masing-masing 65,00 dan 91,00.
gantungan baju) yang terdiri dari 10 siswa
Hasil dari Tabel 3 di atas, dapat dilakukan
diperoleh nilai terendah adalah 20 sebanyak
analisis data hasil belajar matematika siswa
tiga siswa, dan nilai tertinggi yaitu 90
dengan menggunakan uji normalitas,
sebanyak satu siswa. Setelah menerima data
homogenitas, dan uji t. Uji normalitas
pretest, kemudian diberikan perlakuan dan
digunakan untuk mengetahui kenormalan
dilakukan posttest untuk mendapatkan data
distribusi data. Berdasarkan hasil perhitungan
hasil belajar siswa, dengan hasil pada Tabel 2.
menggunakan SPSS diperoleh data pada
Tabel 2. Hasil posttest Tabel 4.
Tabel 4. Uji Normalitas
Kolmogorov-Smirnova Shapiro-Wilk
Eksperimen Kontrol Kelas Statistic df Sig. Statistic df Sig.
Siswa Nilai Siswa Nilai Hasil Pretest 0,236 10 0,123 0,841 10 0,046
Belajar Eksperimen
FPK 100 AAA 60 Siswa (Abang Oleng)
Posttest 0,248 10 0,082 0,805 10 0,017
GPR 90 AEDI 40 Eksperimen
MH 100 FA 1 60 (Abang Oleng)
Pretest 0,222 10 0,177 0,896 10 0,197
RAP 100 FA 2 70 Kontrol
(Gantungan
SJ 100 FHA 60 Baju)
SRF 80 MNYM 50 Posttest 0,230 10 0,144 0,947 10 0,638
Kontrol
SIP 80 NR 80 (Gantungan
Baju)
WR 90 RDAA 80 a. Lilliefors Significance Correction
WKNI 90 SAF 90
ZAA 80 SAN 60
132
Berdasarkan data pata Tabel 4. diperoleh Hasil perhitungan uji hipotesis
nilai posttest dengan signifikansi 0,082 > 0,05 didapatkan nilai signifikansi (2-tailed) yaitu
di kelas eksperimen. Dapat dikatakan hasil 0,000 < 0,05. Dapat dikatakan 𝐻1 diterima
belajar matematika kelompok siswa yang dengan tingkat signifikansi yang digunakan
diajar dengan alat peraga abang oleng adalah 5%. Hal ini berarti implementasi alat
berdistribusi normal. Sedangkan, nilai posttest peraga abang oleng untuk mengajarkan materi
kelas kontrol diperoleh signifikansi 0,144 > pengukuran berat tidak baku sangat baik
0,05. Dapat dikatakan hasil belajar digunakan di jenjang sekolah dasar ditinjau
matematika siswa yang diajarkan dengan dari hasil belajar matematika siswa. Terdapat
menggunakan alat peraga gantungan baju perbedaan dengan penelitian terdahulu
berdistribusi normal. terletak pada variabel, obyek, metode dan
Setelah itu, peneliti melakukan uji hasil penelitian itu sendiri. Berikut adalah
homogenitas untuk melihat keseragaman penjelasan hasil dari penelitian terdahulu:
sampel dari populasinya. Berdasarkan hasil 1. Pada penggunaaan alat peraga Bloker
uji Tes of homogenity of variance Pemfaktoran menunjukkan bahwa guru
menggunakan SPSS pada kelas eksperimen telah mampu menggunakan alat peraga
dan kontrol sebagai berikut : dengan tepat dan benar sehingga siswapun
dapat menyelesaikan soal matematika
Tabel 5. Uji Homogenitas (Test of Homogeneity of yang sederhana dengan bantuan alat
Variance) peraga [11].
Levene 2. Implementasi model pembelajaran
Statistic df1 df2 Sig.
Hasil Based on 2,653 1 18 0,121 kooperatif tipe Think Pair Share
Belajar Mean
Siswa Based on 1,108 1 18 0,307 berbantuan alat peraga dapat
Median
Based on 1,108 1 12,344 0,313
meningkatkan pemahaman konsep
Median matematika siswa kelas VIII E SMP
and with
adjusted Negeri 1 Banjar tahun pelajaran
df
Based on 2,639 1 18 0,122
2018/2019 [12].
trimmed 3. Penggunaan alat peraga pohon buah
mean
SARIPATI untuk materi akar pangkat tiga
di kelas VI SDN Grujugan Lor 2 dapat
Tabel 5 menjelaskan nilai signifikansi
meningkatkan hasil belajar siswa [13].
0,121 > 0,05 sehingga data berasal dari
4. Penerapam model pembelajaran
varians yang sama. Setelah melakukan uji
kooperatif tipe STAD dapat meningkatkan
homogenitas, peneliti melanjutkan uji
hasil belajar siswa tentang operasi
hipotesis untuk mengetahui keefektifan
penjumlahan pecahan campuran
implementasi alat peraga abang oleng pada
berpenyebut tidak sama [14].
pembelajaran pengukuran berat tidak baku di
5. Pembelajaran matematika dengan
jenjang sekolah dasar. Sebagai berikut hasil
menggunakan media autograph dapat
uji hipotesis dengan SPSS:
dijadikan sebagai alternatif untuk
Tabel 6. Uji Hipotesis (Independent Samples Test) meningkatkan hasil belajar siswa
khususnya pada materi integral [15].
Levene's
Test for
Pada hasil penelitihan terdahulu dengan
t-test for Equality of Means
Equality of
Variances
penelitian ini terdapat kesamaan yaitu,
F Sig. t df
Sig. (2-
Mean
Diffe
Std. 95% Confidence
Error Interval of the adanya peningkatan hasil belajar siswa pada
tailed) Differen Difference
Hasil Equal 2,653 0,121 4,712 18 0,000

rence
26,00
ce
5,518
L
14,408 37,59
U penggunaan alat peraga. Sehingga, pada
Belajar
Matem
variances
assumed
implementasi alat peraga abang oleng sangat
atika Equal
variances
4,712 14
,4
0,000 26,00 5,518 14,200 37,80
baik digunakan dalam mengajarkan materi
not
assumed pengukuran berat tidak baku di jenjang
sekolah dasar ditinjau dari hasil belajar
matematika siswa.
133
4. Penutup [3] M. Rismawati and R. Erni, “Peningkatan
Peneliti berhasil mencapai suatu Hasil Belajar Matematika Siswa Kelas
kesimpulan yaitu: dari perhitungan dan III Menggunakan Alat Peraga Dekak-
analisa hasil belajar siswa diketahui pada Dekak,” J-PiMat, vol. 3, no. 2, pp. 367–
implementasi alat peraga abang oleng sangat 376, 2021.
baik digunakan dalam mengajarkan materi [4] S. P. Khalimatussakdiyah and M. P.
pengukuran berat tidak baku di jenjang Dhiya Ayu Tsamrotul Ihtiari,
sekolah dasar ditinjau dari hasil belajar “Implementasi Alat Peraga
matematika siswa. Artinya, siswa akan lebih Berbasis Metode Montessori Pada
aktif dan dapat menerima pembelajaran yang Pembelajaran Matematika
bermakna dari alat abang oleng pada materi Materi Perkalian Kelas II MI Guppi At-
(pengukuran berat tidak baku). Pengunaan Taqwa Kaliwader,” STAINU
alat peraga abang oleng dapat membuat PURWOREJO: Jurnal As Sibyan Jurnal
pembelajaran matematika di kelas tidak Kajian Kritis Pendidikan Islam dan
terlalu membosankan dan lebih beragam, Manajemen Pendidikan Dasar, vol. 4,
karena dapat menjadi daya tarik siswa dan no. 2, pp. 89–105, 2021, [Online].
dapat meningkatkan hasil belajar matematika. Available:
Batasan pada penelitian ini yaitu https://ejournal.stainupwr.ac.id/
implementasi Alat Peraga Abang Oleng untuk [5] M. Fauziah and A. Amaliyah, “Pengaruh
meningkatkan hasil belajar matematika materi Penggunaan Alat Peraga Dakota
pengukuran tidak baku di kelas I SD. terhadap Hasil Belajar Siswa,” Journal
Saran yang dapat diberikan yaitu adanya of Primary Education, vol. 1, no. 1, pp.
penelitian lanjutan tentang alat peraga yang 2–5, 2021.
lain untuk mengajarkan materi pengukuran [6] T. Palupi, “Implementasi Penggunaan
berat tidak baku di jenjang sekolah dasar. Alat Peraga Bola Kremes Sebagai
Peneliti dapat melakukan topik penelitian Alternatif Meningkatkan Hasil Belajar
yang serupa, tetapi dengan bahan yang Keterampilan Materi Guling Depan Dan
berbeda. Materi tersebut tidak hanya Guling Belakang Senam Lantai Siswa
digunakan untuk materi pengukuran berat Kelas VII E Semester Genap MTs
tidak baku, tetapi juga dapat digunakan untuk Negeri 8 Kebumen Tahun Pelajaran
topik lainnya. Untuk memperoleh hasil yang 2019/2020,” Jurnal Cakrawala: Studi
dapat dipercaya, peneliti diharapkan Manajemen Pendidikan Islam dan Studi
menggunakan peralatan penelitian yang Sosial, vol. 4, no. 1, pp. 188–201, 2020.
sesuai dengan situasi sekolah. [7] A. Ipmawan and Kharisma, “Pengaruh
Penggunaan Alat Peraga Gatotkaca
Referensi Terbang Terhadap Hasil Belajar
[1] S. Nursinah, I. Magdalena, and Sa’odah, Matematika Pada Siswa Kelas III
“Implementasi Penggunaan Alat Peraga Sekolah Dasar,” Jurnal
Karton Berpetak Terhadap Hasil Belajar ReviewPendidikan dan Pengajaran, vol.
Matematika Siswa Kelas III SDN 3, no. 1, pp. 16–23, 2020.
Bojongrenged,” Jurnal Pendidikan [8] Affiifi. Mayssara A. Abo Hassanin
Dasar Indonesia, vol. 5, no. 2, pp. 1–3, Supervised, “pengukuran tidak baku,”
2020. Paper Knowledge . Toward a Media
[2] I. Noervadila and S. Fatimah, “Pengaruh History of Documents, pp. 9–30, 2014.
Penggunaan Alat Peraga Papan [9] A. Arifuddin, S. Maufur, and F. Farida,
Persamaan Linier Satu Variabel (PLSV) “Pengaruh Penerapan Alat Peraga
Terhadap Hasil Belajar Siswa Pada Puzzle dengan Menggunakan Metode
Materi Sistem Persamaan Linier Satu Demonstrasi Terhadap Motivasi Belajar
Variabel Di SMPN 2 Panji Tahun Siswa Pada Pembelajaran Matematika di
Pelajaran 2019/2020,” Jurnal ikatan SD/MI,” Jurnal Ilmiah Sekolah Dasar,
alumni PGSD UNARS, vol. 8, no. 1, pp. vol. 2, no. 1, p. 10, 2018, doi:
1–11, 2020. 10.23887/jisd.v2i1.13721.
134
[10] P. E. Juliana Jaya, “Implementasi Model [13] S. Priyogo, “Implementasi Peraga
Pembelajaran Menggunakan Alat Peraga Saripati Pada Pembelajaran Matematika
Peta Untuk Meningkatkan Hasil Belajar Sistem Akar Pangkat Tiga,” Jurnal
Siswa pada Mata Pelajaran IPS,” Mitra Pendidikan, vol. 1, no. 1, pp. 86–
EKUITAS: Jurnal Pendidikan Ekonomi, 105, 2020.
vol. 8, no. 1, pp. 62–70, 2020, [Online]. [14] S. Hayun and N. Mahmud,
Available: “Implementasi Model Pembelajaran
https://ejournal.undiksha.ac.id/index.ph STAD untuk Meningkatkan Hasil
p/EKU Belajar Matematika Operasi Hitung
[11] M. Zaki and Nofriani, “Penggunaan Alat Pecahan Pada Siswa Sekolah Dasar di
Peraga Blok Geser Pemfaktoran(Bloker) Kabupaten Pulau Morotai,” Jurnal
Melalui Scientifik Approach Dalam Ilmiah Wahana Pendidikan, vol. 5, no. 4,
Implementasi Kurikulum 2013,” Journal pp. 71–87, 2019.
of Basic EducationStudies, vol. 1, no. 1, [15] N. Litia, “Implementasi Media
pp. 8–14, 2018. Pembelajaran Autograph Untuk
[12] N. K. Tri Yunita Dewi, I. M. Sugiarta, Meningkatkan Hasil Belajar Siswa Pada
and N. N. Parwati, Pembelajaran Matematika,”
“implementasi Model Pembelajaran K FORDETAK: Seminar Nasional
ooperatif Tipe Think Pair Share(TPS) Pendidikan, pp. 73–82, 2022.
Berbantuan Alat Peraga untuk
Meningkatkan Pemahaman Konsep
Matematika Siswa,” Journal of
Education Action Research , vol. 5, no.
1, pp. 40–47, 2021.
135
136

and Science
PENERAPAN TEORI BILANGAN DOMINASI JARAK DUA PADA

PEMILIHAN LOKASI PANGKAL OJEK ONLINE
Reni Umilasari1, Ilham Saifudin2, Afkar Ayyasy3

Corresponding author : Reni Umilasari
Universitas Muhammadiyah Jember, reni.umilasari@unmuhjember.ac.id
1
2
Universitas Muhammadiyah Jember, ilham.saifudin@unmuhjember.ac.id
3
Universitas Muhammadiyah Jember, afkarayyasy@gmail.com
Received : 9 Agustus 2022, Revised : 1 Oktober 2022, Accepted : 7 Oktober 2022
Abstract
Let 𝐺𝐺 be a connected graph and 𝑆𝑆2 is a dominating set of distance two of 𝐺𝐺. 𝑆𝑆2 is defined as a subset of
𝑉𝑉 (𝐺𝐺) such that the vertices of 𝐺𝐺 which are not connected to 𝑆𝑆2 have a maximum distance 2 towards 𝑆𝑆2 . The
minimum cardinality of 𝑆𝑆2 is denoted by 𝛾𝛾2 (𝐺𝐺) and called a dominating number. In this paper, we determined the
dominating number of distance two of vertex and edge shackle product of the complete bipartite graph and the
complete tripartite graph, they are Shack �𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑣𝑣, 𝑘𝑘� 𝑚𝑚 ≥ 2, 𝑛𝑛 ≥ 3, Shack �𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑒𝑒, 𝑘𝑘� 𝑚𝑚 ≥ 2, 𝑛𝑛 ≥ 3, Shack
�𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑣𝑣, 𝑘𝑘� 𝑚𝑚, 𝑛𝑛, 𝑟𝑟 ≥ 2, and Shack �𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑒𝑒, 𝑘𝑘� 𝑚𝑚, 𝑛𝑛, 𝑟𝑟 ≥ 2. The implementation of this concept is used to
determine the minimum number of ojek station in 3 sub-districts of Jember Regency. Sumbersari, Patrang and
Kaliwates are represented into (𝑆𝑆𝑆𝑆 − 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺), (𝑃𝑃𝑃𝑃 − 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺) and (𝐾𝐾𝐾𝐾 − 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺) graphs respectively with the rule that
stalls, crossroads, and mosques are represented as vertices and the distance between these locations is described
as edges. The final result of this study obtained a minimum number of ojek station, namely 8 posts (Sumbersari),
7 (Patrang), and 5 (Kaliwates) from 169 vertices spread across the three sub-districts. From those amount, it was
implemented using the ARCGIS application based on GIS (Geographic Information System) of the three sub-
districts.
Keywords: dominating number, dominating set, ojek, shackle, bipartite, tripartite
Abstrak
Misalkan 𝐺𝐺 adalah graf terhubung dan 𝑆𝑆2 merupakan himpunan dominasi jarak dua dari graf 𝐺𝐺. 𝑆𝑆2
didefinisikan sebagai subset dari 𝑉𝑉(𝐺𝐺) yang sedemikian hingga titik-titik pada 𝐺𝐺 yang tidak terhubung dengan 𝑆𝑆2
memiliki jarak maksimal 2 terhadap 𝑆𝑆2 . Kardinalitas minimum dari 𝑆𝑆2 dinotasikan dengan 𝛾𝛾2 (𝐺𝐺) dan disebut
bilangan dominasi. Pada artikel ini, ditentukan bilangan dominasi jarak dua dari hasil operasi shackle titik dan sisi
pada graf Bipartit lengkap dan graf Tripartit lengkap, yaitu Shack �𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑣𝑣, 𝑘𝑘� 𝑚𝑚 ≥ 2, 𝑛𝑛 ≥ 3,
Shack �𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑒𝑒, 𝑘𝑘� 𝑚𝑚 ≥ 2, 𝑛𝑛 ≥ 3, Shack �𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑣𝑣, 𝑘𝑘� 𝑚𝑚, 𝑛𝑛, 𝑟𝑟 ≥ 2, dan Shack �𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑒𝑒, 𝑘𝑘� 𝑚𝑚, 𝑛𝑛, 𝑟𝑟 ≥ 2.
Implementasi konsep ini digunakan untuk menentukan jumlah minimum pos pangkalan ojek di Kabupaten Jember.
Sumbersari, Patrang dan Kaliwates masing-masing direpresentasikan ke dalam graf yaitu (𝑆𝑆𝑆𝑆 − 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺), (𝑃𝑃𝑃𝑃 −
𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺) dan (𝐾𝐾𝐾𝐾 − 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺) dengan ketentuan warung atau kedai, persimpangan jalan, dan masjid direpresentasikan
sebagai titik dan jarak antar lokasi tersebut digambarkan sebagai sisi. Hasil akhir dari penelitian ini diperoleh
jumlah minimum pos pangkalan ojek, yaitu 8 pos (Sumbersari), 7 (Patrang), dan 5 (Kaliwates) dari 169 titik yang
tersebar di ketiga Kecamatan tersebut. Dari jumlah tersebut diimplementasikan menggunakan aplikasi ARCGIS
yang berbasis SIG (Sistem Informasi Geografis) pada ketiga kecamatan tersebut.
Kata kunci: bilangan dominasi, himpunan dominasi, ojek, shackle, bipartit, tripartit
137
1. Pendahuluan artikel ini diteliti bilangan dominasi jarak
Perkembangan ilmu pengetahuan dan dua pada graf bipartit lengkap (Complete
teknologi saat ini cukup pesat. Manusia Bipartite Graph) dan graf tripartit lengkap
ditutut untuk mengikuti dan menggunakan (Complete Tripartite Graph) yang
teknologi yang diciptakan dalam kehidupan dioperasikan secara shackle titik dan
sehari-hari. Sehingga dalam bidang shackle sisi. Graf hasil operasi shackle adalah
pendidikan pun ilmu yang diberikan kepada graf yang terbentuk dari 𝑡𝑡 salinan graf 𝐺𝐺 dan
peserta didik juga harus relevan dengan dinotasikan dengan 𝑆𝑆ℎ𝑎𝑎𝑎𝑎𝑎𝑎(𝐺𝐺1 , 𝐺𝐺2 , … , 𝐺𝐺𝑘𝑘 )
perkembangan zaman. dengan 𝑘𝑘 ≥ 2 dan 𝑘𝑘 adalah bilangan bulat.
Salah satu cabang ilmu pengetahuan Operasi ini didefinisikan pada tahun 2010
matematika yang dalam penerapannya juga oleh Maryati, dkk dengan pemberian nama
berkaitan dengan permasalahan dalam shackle karena terinspirasi oleh graf yang
kehidupan sehari-hari. Misalnya, dalam terbentuk seperti rangkaian rantai [14].
bidang teori graf terdapat topik rute Himpunan dominasi jarak dua dinotasikan
terpendek (shorthest path) dan pewarnaan dengan 𝑆𝑆2 yaitu subset dari 𝑉𝑉(𝐺𝐺) sedemikian
graf (graph colouring) digunakan untuk titik pada 𝐺𝐺 bukan elemen 𝑆𝑆2 terhubung dan
menentukan jadwal dan jalur penerbangan memiliki jarak maksimal 2 terhadap 𝑆𝑆2 .
serta penjadwalan produksi pada suatu Bilangan dominasi jarak dua dari suatu graf
industri konveksi [1],[2]. Teori Graf secara dinotasikan dengan 𝛾𝛾2 (𝐺𝐺) yaitu kardinilitas
khusus diartikan sebagai himpunan tidak minimum dari himpunan dominasi jarak dua
kosong yang disebut titik dan himpunan [15]. Selain itu, poin penting yang dibahas
boleh kosong yang disebut dengan sisi [3]. dalam artikel ini berupa studi kasus untuk
Dalam sejarah perkembangan ilmu menentukan pos pangkalan ojek online
matematika, topik dominasi mulai dikenal menggunakan teori bilangan dominasi jarak
sejak tahun 1950 oleh Hedetniemi dan dua. Data ojek online yang dipakai yaitu dari
Laskar, selanjutnya Haynes dkk perusahaan Gojek sedangkan wilayah yang
menjelaskan dalam tulisannya terdapat diteliti meliputi Kecamatan Sumbersari,
lebih dari 75 jenis dominasi dan topik- topik Kaliwates, dan Patrang di Kabupaten Jember.
lanjutan dalam dominasi yang telah Masalah yang sering muncul pada
didefinisikan dan diobservasi oleh beberapa setiap driver ojek adalah pesanan yang tidak
peneliti [4]. Contoh penerapan Bilangan menentu setiap harinya bahkan jumlah
Dominasi dari penelitian sebelumnya yaitu penumpang terkadang di bawah batas
penempatan ATM di berbagai tempat minimum yang diharapkan. Selain itu
supaya minimal tanpa mengurangi pemilihan lokasi mangkal terkadang kurang
efesienya dan dapat dijangkau dengan tepat sehingga sering menerima pesanan
mudah oleh masyarakat pada suatu wilayah dengan jarak yang cukup jauh bahkan harus
[5]. Penerapan bilangan dominasi ini memutar balik menghampiri penumpang
membuat penempatan ATM, CCTV, Pos yang berbeda jalur. Maka dari itu peneliti
polisi, dan mobil listrik akan lebih efisien mengambil judul Penerapan Teori Bilangan
dan meminimalisir jumlahnya. Penelitian Dominasi Jarak Dua Pada Pemilihan Lokasi
sejenis terkait penerapan teori bilangan Pangkal Ojek Online, sehingga dalam
dominasi dapat dilihat pada penelitian [6], artikel ini ditentukan titik yang berdekatan
[7], [8], [9]. dengan area Perumahan, Lembaga
Topik dominasi dalam teori graf Pendidikan, Pasar serta Swalayan,
mengalami banyak perkembangan. kemudian ditemukan titik pendominasi
Terdapat berbagai jenis dimoniasi yang yang dipilih sebagai pos pangkalan ojek
menarik untuk diteliti, diantaranya dengan jumlah yang minimal, akan tetapi
dominasi terhubung (connected efektif untuk dijadikan sebagai lokasi dalam
domination) [10], dominasi total (total menunggu pesanan pelanggan. Selanjutnya,
domination) [11], power domination [12], titik pendominasi diimplementasikan
dan lain sebagainya yang dapat dilihat pada menggunakan aplikasi ARCGIS yang
[13]. Sejalan dengan topik dominasi, dalam memuat koordinat titik pendominasi dari
138
pos pangkalan ojek di ketiga Kecamatan c. Shack (𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑣𝑣, 𝑘𝑘) merupakan graf
tersebut. operasi shackle titik pada graf tripartit
lengkap (𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 ) dengan titik (𝑣𝑣) sebagai
2. Metode penghubung (linkage vertex) sebanyak 𝑘𝑘-
Penelitian ini menerapkan metode salinan graf tipartit lengkap. Berikut
pendeteksian pola serta deduktif aksiomatik contoh gambar graf operasi shackle titik
yang secara umum menghasilkan teorema pada graf tripartit lengkap (𝐾𝐾2,2,2 , 𝑣𝑣, 4).
dan dibuktikan secara matematis. Graf yang
digunakan dalam penelitian ini merupakan
graf hasil operasi shackle. Objek penelitian
dalam artikel inimerupakan graf tunggal
yang masing-masing dikenakan operasi
shackle titik (vertex shackle product) dan Gambar 3. Graf Tripartit lengkap
operasi shackle sisi (edge shackle product). 𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺 (𝑲𝑲𝟐𝟐,𝟐𝟐,𝟐𝟐 , 𝒗𝒗, 𝟒𝟒)
Operasi shackle titik dilambangkan d. Shack (𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑒𝑒, 𝑘𝑘) merupakan hasil
𝑆𝑆ℎ𝑎𝑎𝑎𝑎𝑎𝑎(𝐺𝐺, 𝑣𝑣, 𝑡𝑡) merupakan graf yang dari graf operasi shackle pada graf
dibentuk dari 𝑡𝑡 −copy graf 𝐺𝐺 dengan dipilih kubus (𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 ) dengan subgraf pada sisi
sebarang titik 𝑣𝑣 sebagai titik penghubung (𝑒𝑒) sebagai penghubung sebanyak K-
antar graf 𝐺𝐺. Sedangkan operasi shackle sisi salinan. Berikut contoh gambar graf
dilambangkan 𝑆𝑆ℎ𝑎𝑎𝑎𝑎𝑎𝑎(𝐺𝐺, 𝑣𝑣, 𝑡𝑡) merupakan operasi shackle sisi pada graf tripartit
graf yang dibentuk dari 𝑡𝑡 −copy graf 𝐺𝐺 lengkap.
dengan dipilih sebarang sisi 𝑒𝑒 sebagai sisi
penghubung antar graf 𝐺𝐺. Berikut diberikan
contoh-contoh graf dengan operasi shackle
titik dan sisi yang diteliti dalam artikel ini.
a. Shack (𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑣𝑣, 𝑘𝑘) merupakan graf
operasi shackle titik pada graf bipartit Gambar 3. Graf Tripartit Lengkap
lengkap (𝐾𝐾𝑚𝑚,𝑛𝑛 ) dengan titik (𝑣𝑣) 𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺 (𝑲𝑲𝟐𝟐,𝟐𝟐,𝟐𝟐 , 𝒆𝒆, 𝟒𝟒)
sebagai titik penghubung (linkage e. Peta Kecamatan Sumbersari, Kaliwates,
vertex) sebanyak k-salinan graf dan Patrang di Kabupaten Jember akan
bipartite lengkap. Berikut contoh direpresentasikan sebagai graf dengan
gambar graf operasi shackle titik pada memetakkan kedai atau warung,
graf bipartit lengkap (𝐾𝐾2,3 , 𝑣𝑣, 4). persimpangan jalan, dan masjid sebagai
titik, dan jalan antara pos satu dan lainya
direpresentasikan sebagai sisi. Aplikasi
bilangan dominasi jarak dua penentuan
suatu titik sebagai posisi pos pangkalan
Gambar 1. Graf Shack Bipartit ojek yang dapat mendominasi titik-titik
Lengkap 𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺(𝑲𝑲𝟐𝟐,𝟑𝟑 , 𝒗𝒗, 𝟒𝟒) di sekitarnya dengan jarak maksimal dua
b. Shack (𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑒𝑒, 𝑘𝑘) merupakan graf dan jumlah pos pangkalan ojek yang
operasi shackle sisi pada graf bipartit digunakan seminimal mungkin yang
lengkap (𝐾𝐾𝑚𝑚,𝑛𝑛 ) dengan sisi (𝑒𝑒) sebagai ditempatkan di tempat yang strategis
sisi penghubung (linkage edge) sebanyak untuk tempat mangkal bagi driver ojek.
k-copy graf bipartite lengkap. Berikut f. Setelah ditemukan titik pendominasinya
contoh gambar graf operasi shackle sisi selanjutnya akan diimplementasikan
pada graf bipartit lengkap (𝐾𝐾2,3 , 𝑒𝑒, 4). menggunakan aplikasi ARCGIS yang
berbasis SIG (Sistem Informasi
Geografis) yang mana aplikasi ini
memuat deskripsi atau atribut seperti
nama warung atau kedai, masjid serta
Gambar 2. Graf Shack Bipartit Lengkap koordinat.
𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺𝑺(𝑲𝑲𝟐𝟐,𝟑𝟑 , 𝒆𝒆, 𝟒𝟒)
139
3. Pembahasan 𝑘𝑘 k + 2𝑘𝑘 − 1
2𝑘𝑘 �� − 1� ≤ 2𝑘𝑘 � − 1�
Berdasarkan uraian pada metode 2 2𝑘𝑘
penelitian, sebelum membahas penerapan = 𝑘𝑘 − 1
teori bilangan dominasi pada pemilihan pos
pangkalan ojek, berikut dijelaskan bilangan Karena kardinalitas maksimum titik
dominasi jarak dua pada graf tipartit yang dapat didominasi hanya sejumlah 𝑘𝑘 −
lengkap dan graf bipartit lengkap serta 1 copy maka ada maksimal 1 salinan graf
pembuktian masing-masing teorema secara yang belum terdominasi. Oleh karena itu 𝛾𝛾2
matematis. 𝑘𝑘
�𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑣𝑣, k� ≥ �2� − 1 karena 𝛾𝛾2
𝑘𝑘
3.1 Graf Bipartit Lengkap �𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑣𝑣, k� ≤ �2� dan 𝛾𝛾2 �𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑣𝑣, k� ≥
Teorema yang pertama 𝑘𝑘
�2� maka terbukti 𝛾𝛾2 �𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑣𝑣, k� = �2 �□
𝑘𝑘
menampilkan bilangan dominasi jarak dua
pada graf bipartit yang dikenakan operasi
shackle titik sebanyak k-copy.
Teorema 1. Jika 𝐾𝐾𝑚𝑚,𝑛𝑛 adalah graf bipartit

Gambar 5. Graf Bipartit Lengkap dengan
lengkap dengan order 𝑚𝑚 + 𝑛𝑛, maka 𝜸𝜸𝟐𝟐 (Shack �𝑲𝑲𝟐𝟐,𝟑𝟑, 𝒗𝒗𝒊𝒊, 𝟒𝟒�)= 2
bilangan dominasi jarak dua pada graf
hasil operasi Shackle titik sebanyak k Pada Gambar 5 dapat dilihat bahwa
salinan adalah dari 4 salinan graf bipartit lengkap yang
𝑘𝑘
𝛾𝛾2 Shack �𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑣𝑣, 𝑘𝑘� = �2�, 𝑚𝑚 ≥ 2, 𝑛𝑛 ≥ dioperasikan shackle titik diperoleh 2 titik
3 sebagai pendominasi jarak dua, yaitu titik-
titik yang berwarna putih.
Bukti. Graf (𝐾𝐾𝑚𝑚,𝑛𝑛 ) merupakan graf Bipartit
lengkap dengan 𝑚𝑚 + 𝑛𝑛 titik dan diam Selanjutnya untuk Teorema 2 berikut
ini disajikan bilangan dominasi jarak dua
�𝐾𝐾𝑚𝑚,𝑛𝑛 � = 2. Shack �𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑣𝑣𝑖𝑖 , 𝑘𝑘� adalah graf
pada graf bipartit lengkap yang
operasi shackle titik dari graf bipartit dioperasikan shackle sisi sebanyak 𝑘𝑘
lengkap (𝐾𝐾𝑚𝑚,𝑛𝑛 ) sebanyak k-copy dan 𝑣𝑣 salinan.
sebagai penyambung titik (lingkage vertex).
Sehingga untuk setiap dua copy graf (𝐾𝐾𝑚𝑚,𝑛𝑛 ) Teorema 2. Jika 𝐾𝐾𝑚𝑚,𝑛𝑛 adalah graf bipartit
yang dikenakan operasi shackle titik lengkap dengan order 𝑚𝑚 + 𝑛𝑛, maka
diameternya adalah empat. Dengan bilangan dominasi jarak dua pada graf
demikian, 𝛾𝛾2 �𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑣𝑣, 2� ≤ 2. Akan tetapi hasil operasi Shackle sisi sebanyak k
jika titik pendominasi elemen lingkage salinan adalah
vertex maka 𝛾𝛾2 �𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑣𝑣, 2� ≤ 1. Sehingga 𝑘𝑘
𝛾𝛾2 𝑆𝑆ℎ𝑎𝑎𝑎𝑎𝑎𝑎�𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑒𝑒, k� �3� + 1, 𝑚𝑚 ≥ 2, 𝑛𝑛 ≥ 3
𝑆𝑆2 akan minimal jika 𝑆𝑆2 elemen Lingkage
vertex. Maka untuk setiap empat salinan
graf (𝐾𝐾𝑚𝑚,𝑛𝑛 ) dibutuhkan 2 titik pendominasi, Bukti. Graf (𝐾𝐾𝑚𝑚,𝑛𝑛 ) merupakan graf Bipartit
sehingga untuk 𝑘𝑘 salinan Shack lengkap dengan 𝑚𝑚 + 𝑛𝑛 titik dan diam �𝐾𝐾𝑚𝑚,𝑛𝑛 � =
𝑘𝑘 2, maka untuk setiap dua copy graf (𝐾𝐾𝑚𝑚,𝑛𝑛 ) yang
�𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑣𝑣𝑣𝑣, k�dibutuhkan �2 � titik
dikenakan operasi Shackle sisi memiliki
𝑘𝑘
pendominasi atau 𝛾𝛾2 �𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑣𝑣, k� ≤ � � diameter yaitu empat. Dengan demikian, 𝛾𝛾2
2
𝑘𝑘 �𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑒𝑒, k� ≤ 2. Akan tetapi jika titik
Andai �2 � bukan titik yang mendominasi pendominasi elemen yang terhubung dengan
dengan kardinalitas minimal, asumsikan linkage edge 𝛾𝛾2 �𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑒𝑒, k� ≤ 1. Maka dari itu
𝑘𝑘
�2� − 1 sebagai titik yang mendominasi untuk setiap empat salinan graf (𝐾𝐾𝑚𝑚,𝑛𝑛 )
dibutuhkan 2 titik yang dapat mendominasi,
dengan kardinalitas minimal maka
maka untuk 𝑘𝑘 copy graf 𝐾𝐾𝑚𝑚,𝑛𝑛 atau Shack
banyaknya titik yang terdominasi adalah
140
�𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑒𝑒𝑖𝑖 , 𝑘𝑘�
𝑘𝑘
dibutuhkan �3� + 1 titik 3.2 Graf Tripartit Lengkap
pendominasi. Seperti halnya pada bagian 3.1, graf
Berdasarkan hasil observasi bilangan tripartit yang dibahas pada bagian ini juga
dominasi untuk masing-masing salinan graf dibagi menjadi 2 teorema. Karena graf yang
bipartit shackle sisi yaitu sebagai berikut dioperasikan secara shackle titik dan
shackle sisi tentu menghasilkan dua graf
𝑘𝑘 = 2 → 𝛾𝛾2 = 1 yang berbeda sehingga masing-masing graf
𝑘𝑘 = 3 → 𝛾𝛾2 = 2 hasil operasi shackle titik dan shackle sisi
dikaji bilangan dominasi jarak duanya.
𝑘𝑘 = 4 → 𝛾𝛾2 = 2
𝑘𝑘 = 5 → 𝛾𝛾2 = 2 Teorema 3. Jika 𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 adalah graf
tripartit lengkap dengan order 𝑚𝑚 + 𝑛𝑛 + 𝑟𝑟,
𝑘𝑘 = 6 → 𝛾𝛾2 = 3 maka bilangan dominasi jarak dua pada
𝑘𝑘 = 7 → 𝛾𝛾2 = 3 graf hasil operasi Shackle titik sebanyak k
salinan adalah
𝑘𝑘 = 8 → 𝛾𝛾2 = 3
𝒌𝒌
Sehingga dari observasi di atas 𝛾𝛾2 Shack �𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑣𝑣, 𝑘𝑘� = �𝟐𝟐� , 𝑚𝑚, 𝑛𝑛, 𝑟𝑟 ≥ 2
didapatkan nilai batas atas bilangan
dominasi jarak dua pada graf bipartit yang
Bukti. merupakan graf Tripartit lengkap
dikenakan operasi shackle sisi yaitu 𝛾𝛾2
𝑘𝑘 dengan 𝑚𝑚 + 𝑛𝑛 + 𝑟𝑟 titik dan diam
�𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑒𝑒, k� ≤ �3 � + 1. �𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 � = 2. Dengan demikan, untuk
𝑘𝑘 setiap dua copy graf (𝐾𝐾𝑚𝑚,𝑛𝑛 ) yang
Berikut akan ditunjukan bahwa �3� +
dioperasikan Shackle titik memiliki
1 adalah titik pendominasi yang minimal. diameter yaitu tiga. Maka, 𝛾𝛾2
𝑘𝑘
Misal 𝛾𝛾2 �𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑒𝑒, k� = �3� sehingga �𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑣𝑣, k� ≤ 2. Akan tetapi jika titik
banyaknya titik yang dapat didominasi pendominasi elemen lingkage vertex maka
adalah. 𝛾𝛾2 �𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑣𝑣, k� ≤ 1. Sehingga 𝑆𝑆2 akan
minimal jika 𝑆𝑆2 elemen Lingkage vertex.
𝑘𝑘 k + 3𝑘𝑘 − 1 Maka dari itu untuk setiap empat copy graf
3𝑘𝑘 �� ≤ 3𝑘𝑘 � � = 𝑘𝑘
3 3𝑘𝑘 𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 memerlukan 2 titik yang dapat
𝑘𝑘 mendominasi, sehingga untuk 𝑘𝑘 copy graf
Dengan demikian �3 � bukanlah titik
𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 atau Shack �𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑣𝑣𝑖𝑖 , 𝑘𝑘�
pendominasi yang minimal karena 𝛾𝛾2 𝑘𝑘
𝑘𝑘 𝑘𝑘 memerlukan �2 � titik sebagai elemen
�𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑒𝑒, k� ≠ �3 � �𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑒𝑒, k� ≥ �3� + 1
himpunan dominasi, dengan kata lain 𝛾𝛾2
titik-titik pada graf yang terdominasi lebih 𝑘𝑘
𝑘𝑘 �𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑣𝑣, k� ≤ �2 �. □
dari sama dengan 𝑘𝑘. Maka �3� + 1 adalah
Berikutnya akan dibuktikan bahwa
jumlah titik pendominasi yang minimal. □ 𝑘𝑘
�2� adalah himpunan dominasi dengan
kardinalitas minimal yang dapat
mendominasi titik-titik pada Shack
((𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑣𝑣𝑖𝑖, k) dengan diam (𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 ) = 1.
Gambar 6. Graf Bipartit Lengkap dengan 𝑘𝑘
𝜸𝜸𝟐𝟐 (Shack �𝑲𝑲𝟐𝟐,𝟑𝟑, 𝒆𝒆𝒊𝒊, 𝟒𝟒�)= 2 Andaikan 𝛾𝛾2 (Shack (�𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑣𝑣𝑣𝑣, k� �2�-1,
maka kardinalitas maksimal dari graf
Gambar 6 menyajikan hasil untuk graf tersebut yang dapat didominasi sampai
bipartit lengkap 𝐾𝐾2,3 yang dioperasikan jarak dua yaitu
shackle sisi sebanyak 4 salinan memiliki 𝑘𝑘 k + 2𝑘𝑘 − 1
titik pendominasi jarak dua yaitu 2 (titik 2𝑘𝑘 �� − 1� ≤ 2𝑘𝑘 � − 1�
2 2𝑘𝑘
yang berwarna putih).
= 𝑘𝑘 − 1
141
Dengan demikian kardinalitas Sehingga, untuk setiap empat salinan
maksimal dari copy-an graf 𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 yang graf 𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 dibutuhkan 2 titik pendominasi
dapat didominasi adalah 𝑘𝑘 −1 salinan. 𝑘𝑘
𝛾𝛾2 ≤ �3 � , oleh karena itu untuk 𝑘𝑘 salinan
Maka dari itu, terdapat maksimal 1 salinan
graf yang belum terdominiasi, sehingga graf (𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 ) Shack �𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑒𝑒𝑒𝑒, 𝑘𝑘�
𝑘𝑘
𝑘𝑘
𝛾𝛾2 (Shack (�𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑣𝑣𝑖𝑖, k�) ≠ �2 �-1 dan �2�
𝑘𝑘 dibutuhkan �3 �titik pendominasi.
𝑘𝑘
adalah jumlah titik pendominasi minimal Misalnya �3� bukan jumlah titik
yang mendominasi seluruh titik pendominasi yang minimal. Asumsikan
𝑘𝑘
Shack�𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑣𝑣𝑖𝑖, k� 𝛾𝛾2 ≥ �2� Terbukti 𝑘𝑘
𝛾𝛾2 (Shack ((𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟, 𝑒𝑒𝑒𝑒, k) �3�-1 sebagai titik
𝑘𝑘
bahwa 𝛾𝛾2 (Shack�𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑣𝑣𝑖𝑖, k�) = �2 �. □ yang mendominasi dengan kardinalitas
minimal. Maka kardinalitas titik yang
terdominasi adalah
𝑘𝑘 k + 3𝑘𝑘 − 1
3𝑘𝑘 �� − 1� ≤ 3𝑘𝑘 � − 1�
3 3𝑘𝑘
= 𝑘𝑘 − 1
Gambar 7. Graf Tripartit Lengkap dengan
𝜸𝜸𝟐𝟐 (Shack �𝑲𝑲𝟐𝟐,𝟐𝟐,𝟐𝟐, 𝒗𝒗𝒊𝒊, 𝟒𝟒�)= 2 Karena banyaknya titik yang
terdominasi hanya 𝑘𝑘 − 1 copy, maka dapat
Gambar 7 menampilkan hasil untuk disimpulkan bahwa ada maksimal 1 copy
graf tripartit lengkap 𝑲𝑲𝟐𝟐,𝟐𝟐,𝟐𝟐 yang graf yang belum terdominasi. Sehingga
𝑘𝑘
dioperasikan shackle titik sebanyak 4 𝛾𝛾2 (Shack (𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟, 𝑒𝑒𝑖𝑖 , k))) ≠ �3� -1. Maka dari
salinan memiliki titik pendominasi jarak 𝑘𝑘
dua yaitu 2 (titik yang berwarna putih). itu, �3� adalah titik pendominasi yang
Berikutnya diteliti pula bilangan dominasi minimal. □
jarak dua pada graf tripartit lengkap yang
dioperasikan shackle sisi seperti yang
disajikan pada Teorema 4 berikut ini.
Teorema 4. Jika 𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 adalah graf bipartit

Gambar 8. Graf Tripartit Lengkap dengan
lengkap dengan order 𝑚𝑚 + 𝑛𝑛, maka
𝜸𝜸𝟐𝟐 (Shack �𝑲𝑲𝟐𝟐,𝟐𝟐,𝟐𝟐, 𝒆𝒆𝒊𝒊, 𝟒𝟒�)= 2
bilangan dominasi jarak dua pada graf
hasil operasi Shackle sisi sebanyak k Graf tripartit lengkap 𝐾𝐾2,2,2 dengan
salinan adalah operasi shackle sisi sebanyak 4 salinan
𝒌𝒌
𝛾𝛾2 Shack �𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑒𝑒, 𝑘𝑘� = �𝟑𝟑�, 𝑚𝑚, 𝑛𝑛, 𝑟𝑟 ≥ 2 memiliki bilangan dominasi jarak dua yaitu 2
Bukti. Masing-masing dua copy graf seperti yang ditampilkan pada Gambar 8,
(𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 ) yang dikenakan operasi Shackle yaitu titik-titik yang berwarna putih adalah
sisi memiliki diameter yaitu dua. titik pendominasi jarak dua.
𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 (𝑠𝑠ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 (𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑒𝑒, 1)) = 2 → 𝛾𝛾2 = 1
3.3 Studi Kasus Bilangan Dominasi Jarak
𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 (𝑠𝑠ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 (𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑒𝑒, 2)) = 3 → 𝛾𝛾2 = 1 Dua pada Pemilihan Lokasi Pangkal Ojek
𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 (𝑠𝑠ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 (𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑒𝑒, 3)) = 4 → 𝛾𝛾2 = 2 Online
Pada bagian ini dibahas mengenai
𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 (𝑠𝑠ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 (𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑒𝑒, 4)) = 5 → 𝛾𝛾2 = 2 bilangan dominasi jarak dua pada graf peta
𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 (𝑠𝑠ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 (𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑒𝑒, 5)) = 6 → 𝛾𝛾2 = 2 Kecamatan Sumbersari, Patrang, dan
Kaliwates yang terletak di Kabupaten Jember.
𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 (𝑠𝑠ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 (𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑒𝑒, 6)) = 7 → 𝛾𝛾2 = 3 Peta ketiga Kecamatan dapat dilihat pada
𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 (𝑠𝑠ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 (𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑒𝑒, 7)) = 8 → 𝛾𝛾2 = 3 Gambar 9, Gambar 11 dan Gambar 13.
Sedangkan masing representasi peta ke dalam
𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 (𝑠𝑠ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 (𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑒𝑒, 8)) = 9 → 𝛾𝛾2 = 3 bentuk graf dapat dilihat pada Gambar 10,
Gambar 12 dan Gambar 14.
142
diperoleh berdasarkan teori seperti yang
digunakan untuk mengamati bilangan
dominasi jarak dua pada graf-graf yang
diteliti pada poin 3.1 dan 3.2.
Gambar 9. Peta Kecamatan Sumbersari
Gambar 11. Peta Kecamatan Patrang
Gambar 12. 𝑷𝑷𝑷𝑷-Graf
Gambar 10. 𝑺𝑺𝑺𝑺-graf
Penentuan titik dan sisi pada graf peta

ketiga kecamatan tersebut berdasarkan
aturan berikut ini.
a. Titik merupakan kedai (warung),
masjid, pasar dan persimpangan jalan.
b. Sisi merupakan jalan yang
menghubungkan antar lokasi yang
terpilih sebagai titik.
Untuk mempermudah penyebutan
wilayah masing-masing kecamatan, maka Gambar 13. Peta Kecamatan Kaliwates
diberikan nama-nama graf berikut:
• 𝑆𝑆𝑆𝑆 – 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺 : graf kecamatan Sumbersari
• 𝑃𝑃𝑃𝑃 − 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺: graf kecamatan Patran
• 𝐾𝐾𝐾𝐾 − 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺 : graf kecamatan Kaliwates.
Selanjutnya dari masing-masing graf
yang terbentuk diteliti jumlah himpunan
dominasi jarak dua yang minimal yang
ditunjuk sebagai lokasi pos pangkal ojek
yang strategis. Bilangan dominasi jarak dua
Gambar 14. 𝑲𝑲𝑲𝑲-Graf
143
Berdasarkan analisis terhadap masing- Implementasi hasil penelitian bilangan
masing graf diperoleh bilangan dominasi dominasi selanjutnya menggunakan aplikasi
jarak dua untuk masing-masing graf adalah: ARCGIS yang memuat sebuah peta, koordinat
𝛾𝛾2 (𝑆𝑆𝑆𝑆 – 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺) = 8 beserta nama pos pangkalan ojek yang
𝛾𝛾2 (𝑃𝑃𝑃𝑃 − 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺) = 7 terdapat di Kecamatan Sumbersari, Patrang,
𝛾𝛾2 (𝐾𝐾𝐾𝐾 − 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺) = 3 dan Kaliwates yang menjadi titik
Sehingga total keseluruhan untuk 3 graf peta pendominasi, seperti pada Gambar 15.
kecamatan adalah memiliki 20 bilangan
dominasi jarak dua. Dengan kata lain pada 4. Penutup
ketiga kecamatan tersebut sebanyak 20 lokasi Berdasarkan pembahasan pada bagian
direkomendasikan sebagai pos pangkalan sebelumnya, diperoleh kesimpulan sebagai
ojek yang strategis. berikut.
Pengamatan pada titik-titik yang dapat a. Bilangan dominasi jarak dua graf hasil operasi
mendominasi titik lainnya yang terhubung shackle titik dan shackle sisi pada graf bipartit
dengan jarak maksimal dua. Titik-titik lengkap adalah
pendominasi merupakan titik yang bewarna 𝑘𝑘
𝛾𝛾2 �𝑆𝑆ℎ𝑎𝑎𝑎𝑎𝑎𝑎�𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑣𝑣, k�� = �2�, 𝑚𝑚 ≥ 2, 𝑛𝑛 ≥ 3
putih yang dijadikan lokasi pos pangkal ojek 𝑘𝑘
𝛾𝛾2 �𝑆𝑆ℎ𝑎𝑎𝑎𝑎𝑎𝑎�𝐾𝐾𝑚𝑚,𝑛𝑛 , 𝑒𝑒, k�� = �3� + 1, 𝑚𝑚 ≥ 2, 𝑛𝑛 ≥ 3
online seperti yang dapat dilihat pada
Gambar 10, Gambar 12, dan Gambar 14. b. Bilangan dominasi jarak dua graf hasil operasi
Menurut [16] bahwa untuk menentukan shackle titik dan shackle sisi pada graf tripartit
batas bawah dan batas atas bilangan lengkap adalah
dominasi adalah dengan melihat batas 𝑘𝑘
𝛾𝛾2 �𝑆𝑆ℎ𝑎𝑎𝑎𝑎𝑎𝑎�𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑣𝑣, k�� = �2�, 𝑚𝑚, 𝑛𝑛, 𝑟𝑟 ≥ 2
berikut ini
𝑝𝑝 𝒌𝒌
𝛾𝛾2 �𝑆𝑆ℎ𝑎𝑎𝑎𝑎𝑎𝑎�𝐾𝐾𝑚𝑚,𝑛𝑛,𝑟𝑟 , 𝑒𝑒, k�� = �𝟑𝟑�, 𝑚𝑚, 𝑛𝑛, 𝑟𝑟 ≥ 2
� � ≤ 𝛾𝛾(𝐺𝐺) ≤ 𝑝𝑝 − 𝛥𝛥(𝐺𝐺)
1 + 𝛥𝛥(𝐺𝐺)
Pada tiga kecamatan di kapubaten Jember
Pada graf Kecamatan Sumbersari, Patrang,
diperoleh sebanyak 20 lokasi
dan Kaliwates terdapat 169 titik dengan
direkomendasikan sebagai pos pangkalan ojek
derajat maksimal 𝛥𝛥 (𝑆𝑆𝑆𝑆 − 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺, 𝑃𝑃𝑃𝑃 −
yang strategis dengan rincian masing-masing
𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺, 𝐾𝐾𝐾𝐾 − 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺) adalah 12. Oleh karena
bilangan dominasi jarak dua pada ketiga
itu, bilangan dominasi jarak dua sesuai
kecamatan tersebut yang telah
dengan batas tersebut yaitu 21 ≤ 𝛾𝛾2 (𝑆𝑆𝑆𝑆 −
direpresentasikan dalam graf adalah
𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺, 𝑃𝑃𝑃𝑃 − 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺, 𝐾𝐾𝐾𝐾 − 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺 ) ≤ 157.
𝛾𝛾2 (𝑆𝑆𝑆𝑆 – 𝐺𝐺𝐺𝐺𝐺𝐺𝑓𝑓) = 8, 𝛾𝛾2 (𝑃𝑃𝑃𝑃 − 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺)
=7
dan 𝛾𝛾2 (𝐾𝐾𝐾𝐾 − 𝐺𝐺𝐺𝐺𝐺𝐺𝐺𝐺) = 3.
Referensi
[1] H. Ghassani and S. Teknik, “Aplikasi
Graf pada Penentuan Jadwal dan Jalur
Penerbangan,” no. c, 2016.
[2] A. Juniar, “Penerapan Algoritma
Greedy pada Penjadwalan Produksi
Single-Stage dengan Parallel Machine
di Industri Konveksi,” vol. 16, no. 2, pp.
175–184, 2015.
[3] R. P. Adirasari, H. Suprajitno, and L.
Susilowati, “The dominant metric
dimension of corona product graphs,”
Baghdad Sci. J., vol. 18, no. 2, pp. 349–
Gambar 15. Peta Kecamatan Sumbersari, 356, 2021, doi:
Kaliwates, dan Patrang dengan titik pendominasi 10.21123/BSJ.2021.18.2.0349.
pada aplikasi ARCGIS [4] T. W. Haynes, S. Hedetniemi, and P. J.
144
Slater, “Fundamentals of Domination in [11] B. Bresar et al., “On Grundy Total
Graphs A Series of Monographs and Domination Number in Product
Textbooks on Pure and Applied Graphs,” Discuss. Math. - Graph
Mathematics.” 1998. Theory, vol. 41, no. 1, 2021, doi:
[5] I. Saifudin and R. Umilasari, 10.7151/dmgt.2184.
“Penempatan Anjungan Tunai Mandiri ( [12] K. M. Koh and K. W. Soh, “On the
ATM ) pada Kecamatan Sumbersari power domination number of the
Kabupaten Jember Menggunakan Teori Cartesian product of graphs,” AKCE Int.
Bilangan Dominasi,” Justindo, pp. 112– J. Graphs Comb., vol. 16, no. 3, pp.
120, 2017. 253–257, 2019, doi:
[6] R. Umilasari, I. Saifudin, and R. F. 10.1016/j.akcej.2019.02.004.
Azhar, “Optimasi Penempatan Petugas [13] L. Kang, “Variations of Dominating Set
Keamanan Di Taman Safari Prigen Problem,” in Handbook of
Pasuruan Menggunakan Teori Combinatorial Optimization, P. M.
Himpunan Dominasi,” JUSTINDO Pardalos, D.-Z. Du, and R. L. Graham,
(Jurnal Sist. dan Teknol. Inf. Indones., Eds. New York, NY: Springer New
vol. 4, no. 2, p. 36, 2019, doi: York, 2013, pp. 3363–3394.
10.32528/justindo.v4i2.2613. [14] T. K. Maryati, A. N. M. Salman, E. T.
[7] R. Umilasari and I. Saifudin, Baskoro, and J. Ryan, “On H-
“Determination of bulog regional sub- supermagic labelings for certain
division in east java using connected shackles and amalgamations of a
domination number theory,” J. Phys. connected graph On H -supermagic
Conf. Ser., vol. 2157, no. 1, 2022, doi: labelings for certain shackles and
10.1088/1742-6596/2157/1/012009. amalgamations of a connected graph,”
[8] T. B. Dominasi, “1 penempatan server no. November, 2010.
center pada kabupaten jember [15] R. Umilasari and D. Darmaji,
menggunakan teori bilangan dominasi “Dominating number of distance two of
1),” no. 1510651084, pp. 1–8. corona products of graphs,” Indones. J.
[9] S. Bahadir, “An algorithm to check the Comb., vol. 1, no. 1, p. 41, 2016, doi:
equality of total domination number and 10.19184/ijc.2016.1.1.5.
double of domination number in [16] 2014 Ika Hesti Agustin, “Abstrak Dan
graphs,” Turkish J. Math., vol. 44, no. 5, Executive Summary Penelitian Dosen
2020, doi: 10.3906/mat-2001-58. Pemula Penerapan Teori Dominating
[10] W. Duckworth and B. Mans, Set Dalam Instalasi Client Hub Untuk
“Connected domination of regular Jaringan,” 2014.
graphs $,” Discrete Math., vol. 309, no.
8, pp. 2305–2322, 2009, doi:
10.1016/j.disc.2008.05.029.
145
146

and Science
MULTIVARIATE ADAPTIVE GENERALIZED POISSON REGRESSION

SPLINES UNTUK PENGEMBANGAN MODEL PREDIKSI PRODUKSI
PADI DI KABUPATEN BOJONEGORO
Alif Yuanita Kartini1, Muhammad Ishlahuddin2

Corresponding author : Alif Yuanita Kartini1
1
Universitas Nahdlatul Ulama Sunan Giri, alifyuanita@unugiri.ac.id
2
Universitas Nahdlatul Ulama Sunan Giri, muhammadishlahuddin00@gmail.com
Abstract
Rice production in Bojonegoro district continues to decline due to flooding and pest attacks. Therefore, a
study is needed to obtain variables that have a significant effect on rice production in Bojonegoro district and
predict rice production for the future using the Multivariate Adaptive Generalized Poisson Regression Splines
(MAGPRS) method. In this study using the MAGPRS method because it is not clear the form of the relationship
between the response variables to the predictor variables, and the response variable used is the number variable
that is thought to have a Poisson distribution. The data used in the form of data in each sub-district in Bojonegoro
district in 2021, namely the amount of rice production (Y), land area (X1), number of farmer groups (X2), amount
of use of NPK fertilizer (X3), amount of use of petroganic fertilizer (X4) , the amount of use of P-36 fertilizer (X5),
the amount of use of urea fertilizer (X6), the amount of use of ZA fertilizer (X7), and pest attack (X8). The results
of the analysis show that the best MAGPRS model is a model with a BF value of 16, an MI of 3 and an MO of 2
with a GCV of 0.33677 and R2 of 0.980. Variable area of land contributed 100%, followed by variable amount of
use of petroganic fertilizer, amount of use of NPK fertilizer, number of farmer groups, amount of use of urea
fertilizer, number of pest attacks and amount of ZA fertilizer use. The MAGPRS model has an accuracy rate of
92.10% for predicting the amount of rice production in Bojonegoro district.
Keywords: Multivariate Adaptive Generalized Poisson Regression Splines, rice production, prediction model
Abstrak
Produksi padi di kabupaten Bojonegoro terus mengalami penurunan yang disebabkan oleh banjir dan
serangan hama. Sehingga diperlukan suatu penelitian untuk mendapatkan variabel yang berpengaruh
signifikan terhadap produksi padi di kabupaten Bojonegoro serta prediksi produksi padi untuk beberapa
waktu mendatang menggunakan metode Multivariate Adaptive Generalized Poisson Regression Splines
(MAGPRS). Dalam penelitian ini menggunakan metode MAGPRS karena tidak jelasnya bentuk hubungan
antara variabel respon terhadap variabel prediktor, serta variabel respon yang digunakan merupakan variabel
jumlah yang diduga berdistribusi poisson. Data yang digunakan berupa data di setiap kecamatan di
kabupaten Bojonegoro pada tahun 2021 yaitu jumlah produksi padi (Y), luas lahan (X1 ), jumlah kelompok
tani (X2 ), jumlah penggunaan pupuk NPK (X3), jumlah penggunaan pupuk petroganik (X4), jumlah
penggunaan pupuk P-36 (X5), jumlah penggunaan pupuk urea (X6), jumlah penggunaan pupuk ZA (X7), dan
serangan OPT (X8). Hasil analisis menunjukkan bahwa model MAGPRS terbaik adalah model dengan nilai
BF sebesar 16, MI sebesar 3 dan MO sebesar 2 dengan GCV bernilai 0,33677 dan R2 bernilai 0,980. Variabel
luas lahan memberikan kontribusi sebesar 100 %, diikuti dengan variabel jumlah penggunaan pupuk
petroganik, jumlah penggunaan pupuk NPK, jumlah kelompok tani, jumlah penggunaan pupuk urea, jumlah
serangan OPT dan jumlah penggunaan pupuk ZA. Model MAGPRS mempunyai tingkat akurasi sebesar
92,10 % untuk prediksi jumlah produksi padi di kabupaten Bojonegoro.
Kata kunci: Multivariate Adaptive Generalized Poisson Regression Splines, produksi padi, model prediksi
147
1. Pendahuluan dimensi tinggi, antar variabel mempunyai
Kabupaten Bojonegoro merupakan salah banyak interaksi, menghasilkan model dengan
satu lumbung pangan nasional, dimana titik knot yang kontinu, serta mendapatkan
sebagian besar masyarakatnya hidup dan prediksi yang akurat [11].
bergantung dari hasil pertanian. Sektor Beberapa penelitian terdahulu
pertanian berperan sebagai penopang menyatakan bahwa metode MARS
kegiatan ekonomi dan sumber pangan mempunyai tingkat akurasi yang tinggi dalam
masyarakat setiap harinya. Oleh karena itu melakukan prediksi maupun klasifikasi [12],
pemerintah kabupaten Bojonegoro berupaya [13], [14]. Pada penelitian terdahulu metode
untuk terus meningkatkan produksi pertanian MARS juga diaplikasikan dalam menentukan
khususnya padi, diantaranya dengan variabel prediktor apa saja yang memiliki
memberikan padi bibit unggul kepada para pengaruh signifikan terhadap variabel respon
petani, membangun irigasi dan sumur bor [11], [15], [16]. Untuk itu pada penelitian ini
untuk pengairan, serta membentuk Sekolah memakai metode Multivariate Adaptive
Lapang Pengelolaan Tanaman Terpadu Generalized Poisson Regression Splines
(SLPTT) untuk memberikan berbagai (MAGPRS) yang merupakan pengembangan
penyuluhan dan pelatihan kepada para petani. dari metode MARS dengan menggunakan
Akan tetapi produksi padi di kabupaten estimator generalized poisson [17], [18].
Bojonegoro terus mengalami penurunan, Tidak jelasnya bentuk hubungan antara
dimana produksi padi pada tahun 2021 variabel respon yaitu jumlah produksi padi
sebanyak 690.084 ton turun menjadi 728.915 terhadap variabel prediktor yaitu faktor yang
ton pada tahun 2020. Penurunan produksi diduga memiliki pengaruh merupakan alasan
padi ini disebabkan oleh banjir dan serangan digunakannya metode MAGPRS ini. Alasan
hama atau Organisme Pengganggu Tanaman yang lain yaitu karena variabel respon yang
(OPT) [1]. Hal tersebut cukup mendapatkan digunakan merupakan variabel jumlah (count)
perhatian yang serius dari pemerintah yang diduga berdistribusi poisson. Selain
kabupaten Bojonegoro karena akan untuk mendapatkan variabel prediktor yang
mempengaruhi stabilitas ekonomi dan secara signifikan memiliki pengaruh terhadap
ketahanan pangan. Sehingga diperlukan suatu produksi padi, model MAGPRS yang
penelitian untuk mengetahui faktor apa saja terbentuk dapat digunakan untuk
yang memiliki pengaruh signifikan terhadap memprediksi produksi padi pada beberapa
jumlah produksi padi terutama di kabupaten waktu yang akan datang. Prediksi produksi
Bojonegoro. padi merupakan hal yang penting, khususnya
Banyak faktor yang memiliki pengaruh di sektor pertanian. Dengan adanya jumlah
terhadap produksi padi diantaranya adalah penduduk yang semakin banyak dan juga
luas lahan, benih, pupuk bersubsidi, dan masyarakat yang semakin konsumtif, maka
tenaga kerja [2], [3], [4]. Selain itu produksi perencanaan produksi padi menjadi semakin
padi juga dipengaruhi oleh luas panen, tekstur strategis dan semakin dibutuhkan [19].
tanah, curah hujan, ketinggian tempat, hari Tujuan dari penelitian ini adalah untuk
hujan dan jenis pengairan [5], [6]. mengetahui model prediksi jumlah produksi
Pada penelitian-penelitian terdahulu, padi di kabupaten Bojonegoro menggunakan
analisis hanya dilakukan sebatas untuk metode Multivariate Adaptive Generlized
mengetahui faktor yang memiliki pengaruh Poisson Regression Splines dan mendapatkan
terhadap produksi padi dengan menggunakan variabel prediktor yang secara signifikan
metode regresi linear dan generalized poisson memiliki pengaruh terhadap jumlah produksi
regression [7], [5], [8], [9]. Pada penelitian ini padi di kabupaten Bojonegoro. Penelitian ini
metode yang digunakan adalah Multivariate diharapkan dapat memberikan manfaat bagi
Adaptive Regression Splines (MARS) yang pemerintah kabupaten Bojonegoro dalam
merupakan metode regresi non parametrik pengambilan kebijakan terkait dengan
dengan pendekatan multivariate [10]. MARS peningkatan produksi padi sebagai upaya
digunakan untuk mengatasi masalah data peningkatan ketahanan pangan.
148
2. Metode e. Melakukan penentuan model MAGPRS
Penelitian ini menggunakan data sekunder terbaik dengan melihat nilai GCV terkecil
dari Dinas Ketahanan Pangan dan Pertanian dan R2 terbesar [17].
kabupaten Bojonegoro yang dipublikasikan di f. Melakukan pengujian secara simultan dari
web satu data Bojonegoro. Data yang model MAGPRS terbaik untuk
digunakan berupa data jumlah produksi padi mendapatkan variabel prediktor yang
beserta faktor yang diduga memiliki pengaruh memiliki pengaruh secara signifikan
di setiap kecamatan di kabupaten Bojonegoro terhadap variabel respon secara serentak
pada tahun 2021. [17][18].
Variabel yang digunakan adalah jumlah g. Melakukan pengujian secara parsial
produksi padi (Y), luas lahan pertanian (X1), terhadap model MAGPRS terbaik untuk
jumlah kelompok tani (X2), jumlah melihat basis fungsi yang secara signifikan
penggunaan pupuk NPK (X3), jumlah memiliki pengaruh terhadap model [17].
penggunaan pupuk petroganik (X4), jumlah h. Melakukan interpretasi model MAGPRS
penggunaan pupuk P-36 (X5), jumlah terbaik [18].
penggunaan pupuk urea (X6), jumlah i. Melakukan perhitungan besarnya tingkat
penggunaan pupuk ZA (X7), dan jumlah kontribusi masing-masing variabel
serangan OPT (X8). prediktor terhadap variabel respon
Langkah-langkah analisis dalam penelitian berdasarkan nilai GCV [20].
ini yaitu : j. Melakukan prediksi produksi padi pada
a. Mendapatkan nilai statistik deskriptif yang tahun 2022 untuk setiap kecamatan di
untuk mengetahui karakteristik dari jumlah kabupaten Bojonegoro, kemudian
produksi padi beserta variabel prediktor membandingkan hasil prediksi dengan data
yang diduga mempengaruhinya. aktual dari Dinas Pertanian dan Ketahanan
b. Melihat bentuk hubungan antara jumlah Pangan kabupaten Bojonegoro pada tahun
produksi padi dengan variabel 2022.
prediktornya dengan membuat scatter plot. k. Menghitung nilai akurasi dari hasil
Apabila tidak memiliki bentuk hubungan prediksi yang didapatkan.
yang jelas antara jumlah produksi padi
dengan variabel prediktornya maka bisa 3. Pembahasan
dilanjutkan dengan menggunakan regresi 3.1 Karakteristik Jumlah Produksi Padi
non parametrik yaitu MAGPRS, namun beserta Faktor-Faktor yang Diduga
apabila terdapat bentuk hubungan antara Mempengaruhi
jumlah produksi padi dengan variabel Untuk mengetahui karakteristik dari
prediktornya maka untuk analisisnya jumlah produksi padi beserta variabel
menggunakan metode regresi parametrik prediktor yang diduga mempengaruhinya
[17][18]. yaitu dengan mendapatkan nilai statistik
c. Melakukan uji equidispersion untuk deskriptif dari variabel yang digunakan.
melihat apakah ada kesamaan antara rata- Adapun unit penelitian yang digunakan
rata dengan varians pada variabel jumlah adalah 28 kecamatan yang ada di kabupaten
produksi padi. Apabila hasil pengujiannya Bojonegoro yaitu Balen, Baureno,
terjadi overdispersi maka bisa dilanjutkan Bojonegoro, Bubulan, Dander, Gayam,
menggunakan metode MAGPRS, namun Gondang, Kalitidu, Kanor, Kapas, Kasiman,
apabila hasil pengujiannya terjadi Kedewan, Kedungadem, Kapohbaru, Malo,
equidispersi maka analisisnya Margomulyo, Ngambon, Ngasem, Ngraho,
menggunakan metode regresi poisson [17]. Padangan, Purwosari, Sekar, Sugihwars,
d. Melakukan pemodelan MAGPRS dengan Sukosewu, Sumberrejo, Tambakrejo,
melakukan trial and error terhadap Temayang, dan Trucuk [21]. Hasil dari
besarnya Basis Fungsi (BF) yaitu 16, 24 statistik deskriptif ditunjukkan pada tabel 1
dan 32, Maksimum Interaksi (MI) yaitu 1, berikut.
2, 3 serta Minimum Observasi (MO) yaitu
0, 1, 2, 3 [18]. Tabel 1. Statistik Deskriptif Untuk
149
Jumlah Produksi Padi beserta Variabel Ngasem mempunyai jumlah penggunaan
Prediktornya pupuk NPK paling banyak yaitu sebesar 3.584
Nama Nilai Nilai
Variabel
Mean Varians
min Maks ton. Untuk jumlah penggunaan pupuk
Jumlah petroganik mempunyai rata-rata sebesar
Produksi 28.133 379.319.383 2.807 66.621 868,32 ton dan nilai varians sebesar
padi
Luas 285.515,04 ton. Penggunaan pupuk
2.947,64 3.283.923,64 578 7.418 petroganik paling sedikit di kabupaten
lahan
Jumlah Bojonegoro yaitu sebanyak 142 ton di
kelompok 63,36 904,39 13 140
tani
kecamatan Padangan, sementara penggunaan
Jumlah pupuk petroganik yang paling banyak yaitu
pupuk 1.503,25 574.814,71 286 3.584 sebesar 1.987 ton di kecamatan Temayang.
NPK
Rata-rata penggunaan jumlah pupuk P-36
Jumlah
pupuk 868,32 285.515,04 142 1.987 yaitu sebesar 97,29 ton dan untuk nilai
petroganik variansnya sebesar 69.775,84 ton.
Jumlah Penggunaan jumlah pupuk P-36 di
pupuk P- 97,29 69.775,84 0 1.168
36 kabupaten Bojonegoro paling sedikit yaitu
Jumlah sebesar 0 yang artinya tidak ada petani yang
pupuk 2.090,14 1.087.128,57 495 4.475 menggunakan pupuk P-36 yaitu di kecamatan
urea
Jumlah Balen, Dander, Ngasem, Bojonegoro,
682,36 216.425,50 179 2.590
pupuk ZA Ngambon, Kapas, Bubulan, Gayam, Kasiman,
Serangan Gondang, Kedewan, Sukosewu, Temayang,
143,68 58.385,56 5 1.064
OPT
Malo, Margomulyo, Tambakrejo, dan
kecamatan Trucuk. Dan untuk penggunaan
Berdasarkan Tabel 1 memberikan
pupuk P-36 yang paling banyak yaitu sebesar
informasi bahwa jumlah produksi padi di 1.168 ton di kecamatan kedungadem. Dalam
kabupaten Bojonegoro tahun 2021 hal ini banyak sekali petani di beberapa
mempunyai rata-rata sebesar 28.133 ton dan kecamatan yang tidak menggunakan pupuk P-
nilai varians sebesar 379.319.383 ton. 36, hal ini dikarenakan pupuk P-36
Produksi padi paling rendah adalah sebesar merupakan salah satu jenis pupuk yang tidak
28,07 ton di kecamatan Kedewan, dan lagi bersubsidi, olehkarena itu apabila para
produksi padi paling besar adalah sebesar petani menggunakan pupuk jenis P-36 maka
666,21 ton di kecamatan Kalitidu. Sementara akan cukup memberatkan.
itu untuk luas lahan pertanian mempunyai Untuk penggunaan jumlah pupuk urea
rata-rata sebesar 2.947,64 Ha dan varians mempunyai rata-rata sebesar 2.090,14 ton dan
sebesar 3.283.923,64 Ha. Luas lahan paling varians sebesar 1.087.128,57 ton. Penggunaan
rendah yaitu sebesar 578 Ha di kecamatan jumlah pupuk urea di kabupaten Bojonegoro
Ngambon serta luas lahan yang paling besar paling sedikit yaitu sebesar 495 ton di
sebesar 7.418 Ha di kecamatan Kedungadem.
kecamatan Kedewan dan penggunaan pupuk
Untuk jumlah kelompok tani di kabupaten urea yang paling banyak yaitu sebesar 4.475
Bojonegoro tahun 2021 mempunyai rata-rata ton di kecamatan Ngasem. Selanjutnya
sebesar 63 dan varians sebesar 904,39. Jumlah penggunaan pupuk ZA mempunyai rata-rata
kelompok tani paling sedikit ada di kecamatan sebesar 682,36 ton dengan varians yang cukup
kedewan yaitu sebanyak 13 kelompok tani besar yaitu 216.425,50 ton. Kecamatan
dan jumlah kelompok tani yang paling banyak Bojonegoro sebagai pengguna jumlah pupuk
ada di kecamatan Dander yaitu sebanyak 140 ZA yang paling sedikit yaitu sebesar 179 ton
kelompok tani. dan penggunaan jumlah pupuk ZA yang
Selanjutnya nilai rata-rata untuk jumlah paling banyak yaitu sebesar 2.590 ton di
penggunaan pupuk NPK sebesar 1.503,25 ton kecamatan Kedungadem.
dengan nilai varians yaitu sebesar 574.814,71 Dan untuk variabel serangan Organisme
ton. Kecamatan Bojonegoro mempunyai Pengganggu Tanaman (OPT) mempunyai
jumlah penggunaan pupuk NPK paling sedikit nilai rata-rata sebesar 143,68 dan nilai varians
yaitu sebesar 286 ton, sementara kecamatan yang cukup tinggi yaitu sebesar 58.385,56.
150
Serangan OPT paling besar di kabupaten dinamakan overdispersi dan bisa dilanjutkan
Bojonegoro pada tahun 2021 yaitu sebesar menggunakan metode MAGPRS.
1.064 di kecamatan Kapas dan serangan OPT Untuk melakukan pengujian equidispersi
yang paling rendah yaitu di kecamatan yaitu menggunakan statistik uji chi-square
Kedewan sebesar 5. pearson dengan H0 adalah nilai rata-rata pada
variabel respon sama dengan nilai varians dan
3.2 Bentuk Hubungan antara Jumlah H1 adalah nilai rata-rata pada variabel respon
Produksi Padi dengan Variabel tidak sama dengan nilai varians. Dengan
Prediktornya bantuan package AER pada software R
Untuk mengetahui bentuk hubungan didapatkan nilai p_value sebesar
antara jumlah produksi padi dengan variabel 0,00000004122 yang mana nilai tersebut
prediktornya yaitu dengan membuat scatter kurang dari  (0,05). Hal ini berarti H0 ditolak
plot. Adapun hasil dari scatter plot yang artinya nilai rata-rata dari variabel
ditunjukkan pada Gambar 1. respon tidak sama dengan nilai varians atau
dengan kata lain data mengalami overdispersi.
3.4 Multivariate Adaptive Generalized

Poisson Regression Splines
Pemodelan menggunakan Multivariate
Adaptive Generalized Poisson Regression
Splines antara jumlah produksi padi dengan
luas lahan, jumlah kelompok tani, jumlah
penggunaan pupuk NPK, jumlah penggunaan
pupuk petroganik, jumlah penggunaan pupuk
P-36, jumlah penggunaan pupuk urea, jumlah
penggunaan pupuk ZA dan serangan OPT
diawali dengan menentukan maksimum basis
Gambar 1. Scatter Plot Jumlah Produksi Padi fungsi (BF), maksimum interaksi (MI) dan
dengan Variabel Prediktornya minimum observasi (MO). Untuk
menentukan maksimum basis fungsi yaitu
Berdasarkan gambar 1 terlihat bahwa antara 2 sampai 4 jumlah variabel prediktor,
antara variabel jumlah produksi padi dengan dalam hal ini jumlah basis fungsi yang
variabel prediktornya tidak terdapat bentuk digunakan yaitu 16, 24 dan 32. Sementara
hubungan yang jelas. Hal ini berarti bahwa untuk maksimum interaksi yaitu 1, 2, 3 serta
tidak ada bentuk hubungan antara jumlah untuk minimum observasi yaitu 0, 1, 2, 3.
produksi padi dengan variabel prediktor yang Selanjutnya dengan melakukan trial and
diduga memiliki pengaruh. Karena informasi error terhadap kombinasi Basis Fungsi,
mengenai bentuk fungsi dan bentuk hubungan Maksimum Interaksi, dan Minimum
antara variabel respon dan variabel prediktor Observasi akan dilakukan pemodelan
yang terlalu sedikit, maka akan digunakan MAGPRS hingga didapatkan model terbaik,
regresi nonparametrik untuk melakukan dimana model terbaiknya adalah model yang
pemodelan yaitu metode MAGPRS. memiliki GCV minimum dan R2 maksimum.
Adapun hasil trial and error dari pemodelan
3.3 Pengujian Equidispersi MAGPRS ditunjukkan pada Tabel 2.
Sebelum melakukan pemodelan Berdasarkan Tabel 2 terlihat bahwa
MAGPRS, maka sebelumnya perlu dilakukan model MAGPRS terbaik adalah model
pengujian equidispersi. Pengujian dengan nilai Basis Fungsi sebesar 16,
equidispersi digunakan untuk menguji apakah Maksimum Interaksi sebesar 3 dan Minimum
pada variabel respon terdapat kesamaan Observasi sebesar 3 dengan nilai GCV sebesar
antara rata-rata dengan varians. Apabila nilai 0,33677 dan R2 sebesar 0,980. Selanjutnya
rata-rata lebih kecil dari varians maka dengan backward stepwise pada basis fungsi
151
didapatkan Sembilan basis fungsi pada model produksi padi di kabupaten Bojonegoro tahun
MAGPRS. 2021.
Tabel 2. Trial and Error Model MAGPRS Tabel 3. Hasil Pengujian Parsial untuk Model
BF MI MO GCV R2 MAGPRS Terbaik
16 1 0 0,63698 0,874 P-
Parameter Estimate S.E T-Ratio
16 2 1 0,47699 0,953 Value
16 3 2 0,33677 0,980 Constant 4075,700 1272,6 3,20250 0,0049
16 3 3 0,57148 0,932 BF1 14,16354 0,88 16,11939 0,0000
BF4 -0,01046 0,003 -3,35102 0,0036
24 1 0 0,63817 0,874 BF6 -529,6065 116,38 -4,55067 0,0003
24 2 1 0,54245 0,973 BF8 0,69725 0,22 3,15273 0,0055
24 2 2 0,53735 0,970 BF10 1,33044 0,24 5,57764 0,0003
24 3 3 0,57148 0,932 BF11 10,56431 3,24 3,25721 0,0044
32 1 0 0,63817 0,874 BF13 -0,01607 0,003 -5,58762 0,0003
32 2 1 0,54245 0,973 BF14 -0,04741 0,006 -7,74686 0,0000
32 2 2 0,53735 0,970 BF16 -0,00015 0,00 -5,57519 0,0003
32 3 3 0,57148 0,932
Sebagaimana pada pembahasan
Setelah didapatkan model MAGPRS sebelumnya bahwa model MAGPRS terbaik
terbaik, langkah berikutnya yaitu melakukan didapatkan dengan nilai BF sebesar 16, MI
pengujian parameter model secara simultan sebesar 3 dan MO sebesar 2. Adapun model
dan secara parsial. Pengujian secara simultan MAGPRS terbaik tersebut adalah
digunakan untuk mendapatkan variabel sebagaimana ditunjukkan pada persamaan
prediktor yang memiliki pengaruh terhadap berikut.
variabel respon secara bersama-sama
menggunakan metode Maximum Likelihood 4075,74 + 14,1635 ∗ 𝐵𝐹1
−0,0104561 ∗ 𝐵𝐹4 − 529,593 ∗ 𝐵𝐹6
Ratio Test. Adapun hipotesis untuk pengujian
𝜇̂ = 𝑒𝑥𝑝 +0,697221 ∗ 𝐵𝐹8 + 1,33044 ∗ 𝐵𝐹10 (1)
parameter model secara simultan yaitu +10,5642 ∗ 𝐵𝐹11 − 0,0160675 ∗ 𝐵𝐹13
𝐻0 : 𝛼1 = ⋯ = 𝛼𝑀 = 0 dan 𝐻1 : minimal ada [−0,047409 ∗ 𝐵𝐹14 − 0,0001537 ∗ 𝐵𝐹16 ]
satu 𝛼𝑚 ≠ 0, 𝑚 = 1,2, … , 𝑀. Dari hasil Dimana,
analisis didapatkan nilai 𝐺 2 sebesar 726,149, BF1 = h(X1-578)
dimana nilai tersebut dibandingkan dengan BF3 = h(92 – X8)*BF1
nilai 2(0,05;20) = 31,4104. Karena nilai 𝐺 2 BF4 = h(X7 – 530)*BF1
lebih besar dari 2(0,05;20) maka H0 ditolak BF6 = h(X2 – 43)
BF8 = h(X7 – 179)*BF6
yang artinya minimal ada satu basis fungsi BF10 = h(1284 – X3)*BF6
yang memuat variabel prediktor mempunyai BF11 = h(X4 – 694)
pengaruh signifikan terhadap variabel respon. BF13 = h(X3 – 1692)*BF11
Berikutnya uji parsial digunakan untuk BF14 = h(1692 – X3)*BF11
mendapatkan variabel prediktor yang secara
BF16 = h(1878 – X6)*BF3
signifikan memiliki pengaruh terhadap
Interpretasi dari model MAGPRS terbaik
variabel respon untuk basis fungsi yang ada
diatas adalah sebagai berikut.
dalam model. Adapun hipotesis untuk 𝐵𝐹1 = ℎ(𝑋1 − 578)
pengujian parsial yaitu 𝐻0 : 𝛼𝑚 = 0 dan 𝐻1 :
0, 𝑗𝑖𝑘𝑎 𝑋1 ≤ 578
𝛼𝑚 ≠ 0, 𝑚 = 1,2, … , 𝑀. Hasil pengujian ={
(𝑋1 − 578), 𝑗𝑖𝑘𝑎 𝑋1 > 578
(2)
parameter secara parsial untuk model
MAGPRS terbaik sebagaimana diunjukkan Artinya apabila basis fungsi 1 (BF1)
pada Tabel 3. mengalami kenaikan satu satuan, maka akan
Berdasarkan Tabel 3 didapatkan p_value meningkatkan produksi padi sebesar
untuk semua basis fungsi nilainya kurang dari exp(14,16354) hanya jika petani di
 (0,05) sehingga kesimpulannya adalah kecamatan yang ada di kabupaten Bojonegoro
terima H1 yang artinya semua basis fungsi mempunyai luas lahan pertanian lebih besar
yang terpilih dalam model MAGPRS terbaik dari 578 Ha, dengan basis fungsi yang lain
mempunyai pengaruh secara signifikan konstan.
terhadap variabel respon yaitu jumlah
152
𝐵𝐹4 = ℎ(𝑋7 – 530) ∗ 𝐵𝐹1 𝐵𝐹11 = ℎ(𝑋4 – 694)
0, 𝑗𝑖𝑘𝑎 𝑋7 ≤ 530; 𝑋1 ≤ 578 0, 𝑗𝑖𝑘𝑎 𝑋4 ≤ 694
={ (7)
= { (𝑋7 − 530), 𝑗𝑖𝑘𝑎 𝑋7 > 530 (3) (𝑋4 − 694), 𝑗𝑖𝑘𝑎 𝑋4 > 694
(𝑋1 − 578), 𝑗𝑖𝑘𝑎 𝑋1 > 578
Artinya jika petani di kecamatan yang
Artinya apabila basis fungsi 4 (BF4) ada di kabupaten Bojonegoro menggunakan
mengalami kenaikan satu satuan, maka dapat jumlah pupuk petroganik lebih dari 694 ton,
menurunkan jumlah produksi padi sebesar maka untuk basis fungsi 11 (BF11) yang naik
exp(0,01046) hanya jika petani di kecamatan satu satuan, akan menaikkan produksi padi
yang ada di kabupaten Bojonegoro sebesar exp(10,56431), dengan basis fungsi
menggunakan jumlah pupuk ZA lebih dari lain dianggap konstan.
530 ton dan mempunyai luas lahan pertanian 𝐵𝐹13 = ℎ(𝑋3 – 1692) ∗ 𝐵𝐹11
lebih dari 578 Ha, dengan basis fungsi yang 0, 𝑗𝑖𝑘𝑎 𝑋3 ≤ 1692; 𝑋4 ≤ 694
lain dianggap konstan. = { 𝑋3 − 1692), 𝑗𝑖𝑘𝑎 𝑋8 > 1692
( (8)
𝐵𝐹6 = ℎ(𝑋2 – 43) (𝑋4 − 694), 𝑗𝑖𝑘𝑎 𝑋4 > 694
0, 𝑗𝑖𝑘𝑎 𝑋2 ≤ 43 Artinya apabila basis fungsi 13 (BF13)
={ (4) mengalami kenaikan satu satuan, maka akan
(𝑋2 − 43), 𝑗𝑖𝑘𝑎 𝑋2 > 43
menurunkan produksi padi sebesar
Artinya apabila basis fungsi 6 (BF6) exp(0,01607), hanya jika petani di
mengalami kenaikan satu satuan, maka dapat kecamatan yang ada di kabupaten Bojonegoro
mengurangi produksi padi sebesar menggunakan jumlah pupuk NPK lebih dari
exp(529,60655) hanya jika petani di 1692 ton dan menggunakan jumlah pupuk
kecamatan yang ada di kabupaten Bojonegoro petroganik lebih dari 694 ton, dengan basis
mempunyai jumlah kelompok tani lebih dari fungsi lain dianggap konstan.
43, dengan basis fungsi yang lainnya 𝐵𝐹14 = ℎ(1692 – 𝑋3 ) ∗ 𝐵𝐹11
dianggap konstan. 0, 𝑗𝑖𝑘𝑎 𝑋3 ≥ 1692; 𝑋4 ≤ 694
𝐵𝐹8 = ℎ(𝑋7 – 179) ∗ 𝐵𝐹6 = {(1692 − 𝑋3 ), 𝑗𝑖𝑘𝑎 𝑋3 < 1692 (9)
0, 𝑗𝑖𝑘𝑎 𝑋7 ≤ 179; 𝑋2 ≤ 43 (𝑋4 − 694), 𝑗𝑖𝑘𝑎 𝑋4 > 694
= {(𝑋7 − 179), 𝑗𝑖𝑘𝑎 𝑋7 > 179 (5) Artinya apabila petani di kecamatan
(𝑋2 − 43), 𝑗𝑖𝑘𝑎 𝑋2 > 43
yang ada di kabupaten Bojonegoro
Artinya apabila petani di kecamatan yang menggunakan pupuk NPK kurang dari 1692
ada di kabupaten Bojonegoro menggunakan ton dan menggunakan pupuk petroganik lebih
jumlah pupuk ZA lebih dari 179 ton dan dari 694 ton, maka basis fungsi 14 (BF14) yang
mempunyai jumlah kelompok tani lebih dari naik satu satuan, akan menurunkan produksi
43, maka untuk basis fungsi 8 (BF8) yang naik padi sebesar exp(0,04741), dengan basis
satu satuan, dapat meningkatkan produksi fungsi lain dianggap konstan.
padi sebesar exp(0,69725), dengan basis 𝐵𝐹16 = ℎ(1878 – 𝑋6 ) ∗ 𝐵𝐹3
fungsi lain dianggap konstan. 0, 𝑗𝑖𝑘𝑎 𝑋6 ≥ 1878; 𝑋8 ≥ 92; 𝑋1 ≤ 578
𝐵𝐹10 = ℎ(1284 – 𝑋3 ) ∗ 𝐵𝐹6 (1878 − 𝑋6 ), 𝑗𝑖𝑘𝑎 𝑋6 < 1878
= (10)
(92 − 𝑋8 ), 𝑗𝑖𝑘𝑎 𝑋8 < 92
0, 𝑗𝑖𝑘𝑎 𝑋3 ≥ 1284; 𝑋2 ≤ 43
{ (𝑋1 − 578), 𝑗𝑖𝑘𝑎 𝑋1 > 578
= { 1284 − 𝑋3 ), 𝑗𝑖𝑘𝑎 𝑋3 < 1284
( (6)
(𝑋2 − 43), 𝑗𝑖𝑘𝑎 𝑋2 > 43 Artinya apabila fungsi 16 (BF16)
mengalami kenaikan satu satuan, maka
Artinya apabila basis fungsi 10 (BF10)
jumlah produksi padi akan berkurang sebesar
mengalami kenaikan satu satuan, maka akan
exp(0,00015), hanya jika petani di kecamatan
menaikkan produksi padi sebesar
yang ada di kabupaten Bojonegoro
exp(1,33044), hanya jika petani di
menggunakan jumlah pupuk urea kurang dari
kecamatan yang ada di kabupaten Bojonegoro
1878 ton, jumlah serangan OPT kurang dari
menggunakan jumlah pupuk NPK kurang dari
92 dan luas lahan pertanian lebih dari 578 Ha,
1284 ton dan mempunyai jumlah kelompok
dengan basis fungsi yang lain dianggap
tani lebih dari 42, dengan basis fungsi yang
konstan.
lain dianggap konstan.
153
Selanjutnya dari model MAGPRS terbaik di kabupaten Bojonegoro atau nilai Mean
yang telah didapatkan, dapat dilihat bahwa Absolute Persentage Error (MAPE).
ada tujuh variabel prediktor yang masuk
dalam model MAGPRS yaitu luas lahan (X1), Tabel 5. Prediksi Jumlah Produksi Padi Tiap
jumlah kelompok tani (X2), jumlah Kecamatan Tahun 2022
Nilai
penggunaan pupuk NPK (X3), jumlah Prediksi
Aktual
penggunaan pupuk petroganik (X4), jumlah Jumlah MAPE
Kecamatan Jumlah
penggunaan pupuk urea (X6), jumlah Produksi (%)
Produksi
Padi
penggunaan pupuk ZA (X7) dan serangan Padi
OPT (X8). Unuk mendapatkan variabel yang Trucuk 8.103 8.420 3,76
Temayang 16.891 17.502 3,49
masuk dalam model MAGPRS yaitu melalui Tambakrejo 26.704 27.076 1,37
tahap forward, dimana variabel yang akan Sumberrejo 6.121 5.886 3,99
dipilih pertama kali adalah yang mempunyai Sukosewu 35.129 35.349 0,62
nilai GCV paling besar, yang kemudian akan Sugihwaras 25.412 24.279 4,67
diikuti variabel terbesar berikutnya. Demikian Sekar 2.209 2.750 19,67
Purwosari 21.141 22.133 4,48
seterusnya hingga seluruh variabel prediktor
Padangan 13.902 14.844 6,35
yang memiliki kontribusi masuk kedalam Ngraho 30.975 30.531 1,45
model. Besarnya kontribusi untuk masing- Ngasem 31.611 27.645 14,35
masing variabel prediktor terhadap model Ngambon 4.234 5.227 19
MAGPRS yang diperoleh sebagaimana Margomulyo 6.478 5.460 18,64
Malo 17.667 18.654 5,29
ditunjukkan pada Tabel 4. Kepohbaru 89.893 87.821 2,36
Kedungadem 64.012 66.053 3,09
Tabel 4. Besarnya Kontribusi Masing-Masing Kedewan 2.921 2.515 16,14
Variabel Prediktor terhadap Variabel Respon Kasiman 16.368 15.339 6,71
Besarnya Kapas 21.221 20.206 5,02
Variabel Prediktor
Kontribusi Kanor 27.023 29.975 9,85
Luas lahan (X1) 100 % Kalitidu 25.217 27.019 6,67
Jumlah pupuk petroganik (X4) 45,20627 % Gondang 8.124 9.116 10,88
Jumlah pupuk NPK (X3) 42,90271 % Gayam 22.154 21.133 4,83
Jumlah kelompok tani (X2) 40,32300 % Dander 41.213 45.135 8,69
Jumlah pupuk urea (X6) 35,93853 % Bubulan 3.920 4.513 13,14
Jumlah serangan OPT (X8) 35,93853 % Bojonegoro 7.110 6.218 14,35
Jumlah pupuk ZA (X7) 12,01225 % Baureno 30.985 30.074 3,03
Balen 17.907 19.736 9,27
Berdasarkan Tabel 4 variabel luas lahan Rata-rata 7,90
memberikan kontribusi sebesar 100% artinya
luas lahan berpengaruh kuat terhadap jumlah Selanjutnya akan dianalisis prediksi
produksi padi di kabupaten Bojonegoro, jumlah produksi padi dari model MAGPRS
diikuti dengan variabel jumlah penggunaan yang dan nilainya akan dibandingkan dengan
pupuk petroganik, jumlah penggunaan pupuk nilai aktual produksi padi yang dikeluarkan
NPK, jumlah kelompok tani, jumlah oleh Dinas Pertanian dan Ketahanan Pangan
penggunaan pupuk urea, jumlah serangan kabupaten Bojonegoro. Dari model MAGPRS
OPT dan jumlah penggunaan pupuk ZA yang terbaik yang telah didapatkan dari analisis
masing-masing mempunyai kontribusi sebelumnya dapat dihitung nilai prediksi
sebesar 45,20627 %, 42,90271 %, 40,323 %, jumlah produksi padi tiap kecamatan
35,93853 %, 35,93853 % dan 12,01225 %. sebagaimana ditunjukkan pada Tabel 5.
Berdasarkan tabel 5 didapatkan nilai
3.5 Prediksi Jumlah Produksi Padi rata-rata untuk MAPE sebesar 7,90 %.
Untuk evaluasi dan melihat tingkat Artinya selisih rata-rata nilai prediksi dengan
kehandalan dari model MAGPRS yang nilai sebenarnya adalah 7,90 %. Dengan kata
terbentuk, dapat dilihat dari rata-rata tingkat lain model MAGPRS mempunyai akurasi
kesalahan prediksi untuk jumlah produksi yang tinggi untuk prediksi jumlah produksi
padi pada tahun 2022 untuk setiap kecamatan padi di kabupaten Bojonegoro yaitu sebesar
92,10 %.
154
4. Kesimpulan Permatasari, “Analisis faktor-faktor
Model terbaik adalah model MAGPRS yang mempengaruhi produksi padi di
dengan nilai BF sebesar 16, MI sebesar 3 dan Provinsi Jawa Timur menggunakan
MO sebesar 2 dengan nilai GCV sebesar regresi semiparametrik spline,” J. Sains
0,33677 dan nilai R2 sebesar 0,980. Model Dan Seni ITS, vol. 5, no. 2, 2016.
tersebut dapat digunakan untuk prediksi [7] A. G. Onibala and M. L. Sondakh,
jumlah produksi padi dengan akurasi sebesar “Analisis faktor-faktor yang
92,10 %. Variabel luas lahan memberikan mempengaruhi produksi padi sawah di
kontribusi sebesar 100 % artinya luas lahan Kelurahan Koya, Kecamatan Tondano
mempunyai pengaruh yang sangat kuat Selatan,” Agri-Sosioekonomi, vol. 13,
terhadap produksi padi di kabupaten no. 2A, pp. 237–242, 2017.
Bojonegoro tahun 2021, diikuti dengan [8] R. B. Manggala and A.
variabel jumlah penggunaan pupuk Boedirochminarni, “Faktor-faktor yang
petroganik, jumlah penggunaan pupuk NPK, Mempengaruhi Produksi Padi di Desa
jumlah kelompok tani, jumlah penggunaan Sumengko Kecamatan Sukomoro
pupuk urea, jumlah serangan OPT dan jumlah Kabupaten Nganjuk,” J. Ilmu Ekon.
penggunaan pupuk ZA yang masing-masing JIE, vol. 2, no. 3, pp. 441–452, 2018.
mempunyai kontribusi sebesar 45,20627 %, [9] S. Hasyim and L. Fauzia, “Analisis
42,90271 %, 40,323 %, 35,93853 %, faktor-faktor yang mempengaruhi
35,93853 % dan 12,01225 %. produksi padi sawah (studi kasus: Desa
Medang, Kecamatan Medang Deras,
Referensi Kabupaten Batu Bara),” J. Agric.
[1] Badan Pusat Statistika, “Statistik Agribus. Socioecon., vol. 2, no. 4, p.
Indonesia 2020 Statistical Yearbook of 15053, 2013.
Indonesia 2020,” Stat. Yearb. Indones., [10] J. H. Friedman and C. B. Roosen, “An
no. April, p. 192, 2020. introduction to multivariate adaptive
[2] R. Randika, M. Sidik, and Y. Peroza, regression splines,” Stat. Methods Med.
“Analisis Faktor-Faktor Yang Res., vol. 4, no. 3, pp. 197–217, Sep.
Mempengaruhi Produksi Padi Sawah 1995, doi:
Di Desa Sepang Kecamatan 10.1177/096228029500400303.
Pampangan Kabupaten Oki,” Soc. J. [11] A. Y. K. Kartini and L. N. Ummah,
Ilmu-Ilmu Agribisnis, vol. 10, no. 2, pp. “Pemodelan Kejadian Balita Stunting
66–71, 2022. di Kabupaten Bojonegoro dengan
[3] A. Suarna and S. Hindarti, “Analisis Metode Geographically Weighted
Faktor-Faktor Yang Mempengaruhi Regression dan Multivariate Adaptive
Produksi Padi Di Desa Poto Kecamatan Regression Splines,” J Stat. J. Ilm.
Moyo Hilir Kabupaten Sumbawa,” JU- Teor. dan Apl. Stat., vol. 15, no. 1,
ke (Jurnal Ketahanan Pangan), vol. 5, 2022.
no. 1, pp. 16–21, 2021. [12] S. I. Oktora, “Analisis Multivariate
[4] E. D. Wilujeng and E. Fauziyah, Adaptive Regression Splines (MARS)
“Efisiensi Teknis Dan Faktor Yang pada Prediksi Ketertinggalan
Mempengaruhi Produksi Padi Di Kabupaten Tahun 2014,” J. Apl. Stat.
Kabupaten Lamongan,” Agriscience, Komputasi Stat., vol. 7, no. 2, p. 14,
vol. 1, no. 3, 2021. 2015.
[5] I. N. Azizah and P. R. Arum, [13] E. Hayati, D. A. Novitasari, and R.
“Pemodelan Generalized Poisson Rosdiyati, “Analisis Diskriminan Dan
Regression untuk Mengetahui Faktor- Multivariate Adaptive Regression
Faktor yang Mempengaruhi Produksi Spline (Mars) Untuk Memprediksi
Padi di Kabupaten Blora Tahun 2020,” Financial Distress Pada Perusahaan
in Prosiding Seminar Nasional Manufaktur Di BEI,” Media Mahard.,
Unimus, 2021, vol. 4. vol. 17, no. 1, pp. 16–24, 2018.
[6] M. Ishaq, A. T. Rumiati, and E. O. [14] Y. Matdoan, “Pemodelan Multivariate
155
Adaptive Regression Spline (MARS) [18] B. W. Otok and S. Hidayati,
Pada Faktor-Faktor yang “Multivariate Adaptive Generalized
Mempengaruhi Kemiskinan di Provinsi Poisson Regression Spline (MAGPRS)
Maluku dan Maluku Utara,” J Stat. J. on the number of acute respiratory
Ilm. Teor. Dan Apl. Stat., vol. 13, no. 1, infection infants,” in Journal of
pp. 8–14, 2020. Physics: Conference Series, 2019, vol.
[15] C. A. K. Ningrum, “Pemodelan 1397, no. 1, p. 12062.
Kejadian Stunting Pada Balita Di [19] H. Sutanta, A. R. Gunawan, and Y.
Surabaya Dengan Pendekatan Wibisono, “Calculation of rice field
Multivariate Adaptive Regression embankment coefficient using high-
Spline.” Universitas Airlangga, 2021. resolution satellite imagery,” in IOP
[16] A. Wibowo, “Multivariate Adaptive Conference Series: Earth and
Regression Splines Modeling for Environmental Science, 2020, vol. 500,
Household Food Security in Central no. 1, p. 12049.
Borneo Province 2017,” Glob. Sci. [20] J. H. Friedman, “Multivariate Adaptive
Educ. J., vol. 1, no. 1, pp. 39–47, 2019. Regression Splines,” Ann. Stat., vol.
[17] E. P. Prastika, B. W. Otok, and P. 19, no. 1, pp. 1–67, Mar. 1991, doi:
Purhadi, “Pemodelan Multivariate 10.1214/aos/1176347963.
Adaptive Generalized Poisson [21] B. P. S. BPS, “Bojonegoro dalam
Regression Spline pada Kasus Jumlah angka 2016,” pp. 1–180, 2016.
Kematian Ibu di Provinsi Jawa Timur,”
Inferensi, vol. 4, no. 1, pp. 1–12, 2021.
156

and Science
IMPLEMENTASI MODEL INDEKS TUNGGAL DALAM

PEMBENTUKAN PORTOFOLIO OPTIMAL PADA SAHAM
SYARIAH MES BUMN 17 PERIODE NEW NORMAL
Syarif Abdullah1, Miftahul Huda2, Sri Istiyarti Uswatun Chasanah3, Himmatul

Mursyidah4, Fajri Ikhsan5, Sidik Susilo6, Alfian Firmansyah7, Rizqi Fauzi8, Kevin
Dion Valen Boy9
Corresponding author: Syarif Abdullah
1
Department of Mechanical Engineering Universitas Sultan Ageng Tirtayasa, abdullahsyarifayis@untirta.ac.id
2
Program Studi Statistika Universitas Bina Bangsa Serang, miftahulhuda.osima@gmail.com
3
Department of Mathematics Universitas Islam Negeri Sunan Kalijaga Yogyakarta, sri.chasanah@uin-suka.ac.id
4
Department of Informatics Universitas Muhammadiyah Banten, himmatul11@gmail.com
5
Department of Metallurgy Engineering, Universitas Sultan Ageng Tirtayasa, fajri.ikhsan@untirta.ac.id
6
Department of Mechanical Engineering Universitas Sultan Ageng Tirtayasa, sidik@untirta.ac.id
7
Department of Mechanical Engineering Universitas Sultan Ageng Tirtayasa, alfianfirman50@gmail.com
8
Department of Mechanical Engineering Universitas Sultan Ageng Tirtayasa, fauzirizqi73@gmail.com
9
Department of Mechanical Engineering Universitas Sultan Ageng Tirtayasa, 3331180050@untirta.ac.id
Abstract
A capital market is a place for investing in stocks. The choice of stock indices in the capital market in
Indonesia can be seen in the Bursa Efek Indonesia (BEI), where some of them have sharia principles. One of the
stock indexes that has this principle is MES BUMN 17. During the new normal, it is undeniable that there will be
the possibility of getting unexpected returns and risks in investing. This study aims to form an optimal portfolio of
17 stocks that are members of MES BUMN 17 during the new normal period. This study uses the Single Index
Model. The data used in this study is in the new normal period, i.e., from December 2020 to November 2021. The
research results show that in the new normal period, the MES BUMN 17 shares provide optimal profits. Of the 17
stocks contained in MES BUMN 17, there are 3 stocks obtained, i.e., BRIS (Bank Syariah Indonesia Tbk.) shares
with a portfolio proportion of 67.093%, PTBA (Bukit Asam Tbk.) shares with a portfolio proportion of 21.481%
and IPCC (Indonesia Kendaraan Terminal Tbk.) with a portfolio proportion of 11.426%. The optimal expected
return for the portfolio is 0.82% per week, and the optimal portfolio risk is 0.35% per week. It means that the
optimal portfolio scenario obtained in this analysis still benefits investors in the new normal period.
Keywords: Expected Return, MES BUMN 17, New Normal, Optimal Portfolio, Single Index Model, Risk
Abstrak
Pasar modal merupakan salah satu wadah dalam berinvestasi saham. Pilihan indeks saham dalam pasar
modal di Indonesia dapat dilihat pada Bursa Efek Indonesia (BEI), dimana beberapa diantaranya memiliki prinsip
syariah. Salah satu indeks saham yang memiliki prinsip tersebut adalah MES BUMN 17. Pada masa new normal
tidak bisa dipungkiri bahwa dalam berinvestasi akan ada kemungkinan dalam mendapatkan imbal hasil dan risiko
yang tidak terduga. Tujuan dalam penelitian ini adalah membentuk portofolio yang optimal pada 17 saham yang
tergabung dalam MES BUMN 17 pada masa new normal. Penelitian ini menggunakan Single Index Model. Data
yang digunakan pada penelitian ini yaitu pada periode new normal, yakni pada periode Desember 2020 s.d
November 2021. Hasil penelitiaan didapatkan bahwa pada periode new normal, pada saham MES BUMN 17,
memberikan keuntungan yang optimal. Dari 17 saham yang terdapat pada MES BUMN 17, didapatkan 3 saham
yaitu saham BRIS (Bank Syariah Indonesia Tbk.) dengan proporsi portofolio 67.093%, saham PTBA (Bukit
Asam Tbk.) dengan proporsi portofolio 21.481% dan saham IPCC (Indonesia Kendaraan Terminal Tbk.) dengan
157
proporsi portofolio 11.426%. Expected return portofolio optimal dan risiko portofolio optimal masing-masing
sebesar 0.82% dan 0.35% per minggu. Artinya dalam skenario portofolio optimal yang diperoleh dalam analisis
ini masih memberikan keuntungan bagi para investor pada periode new normal.
Kata kunci: Expected Return, MES BUMN 17, New Normal, Portofolio Optimal, Model Indeks Tunggal, Risiko
1. Pendahuluan Milik Negara yang juga terafiliasi dengan

Kegiatan bisnis pada masa revolusi perkumpulan Masyarakat Ekonomi Syariah.
industri 4.0 mengalami peningkatan yang Penentuan return dan risiko dijadikan
sangat cukup cepat. Salah satu alasannya patokan untuk memilih kombinasi saham
adalah mudahnya masyarakat dalam yang dipilih [3]. Dalam memilih kombinasi
mengakses hanya dengan perangkat genggam saham atau portofolio saham bertujuan untuk
pintar. Kegiatan bisnis yang menjadi favorit mendapatkan return dalam berinvestasi.
generasi muda saat ini adalah kegiatan dalam Namun, pada masa new normal tidak bisa
berinvestasi (penanaman modal). Dalam dipungkiri bahwa dalam berinvestasi akan ada
berinvestasi atau penanaman modal dilakukan kemungkinan dalam mendapatkan risiko yang
di dalam pasar modal, khususnya pada asset tidak terduga. Dibandingkan sebelum
keuangan. Kegiatan berinvestasi atau pandemi, Indeks Harga Saham Gabungan
penanaman modal biasanya dilakukan dalam (IHSG) mengalami tren menurun yang
jangkan panjang. Karena alasan tersebut, signifikan pada masa terjadinya pandemik
maka dalam melakukan investasi haruslah COVID-19 [4]. Berdasarkan penjelasan
dilakukan dengan penuh perhitungan agar tersebut, dalam membentuk portofolio saham
mendapatkan return (imbal hasil) yang tinggi yang optimal adalah salah satu solusi dalam
degan risiko yang kecil. Imbal hasil dan risiko menghadapi kondisi sekarang ini. Dalam
dalam investasi mempunyai hubungan yang membentuk portofolio saham yang optimal
searah, artinya imbal hasil yang tinggi akan memiliki yaitu memperhatikan dalam
menghasilkan risiko yang tinggi pula [1]. memilih expected return (imbal hasil yang
Terdapat banyak kegiatan yang dapat diharapkan) yang maksimal serta memiliki
dilakukan dalam berinvestasi, salah satunya risiko (risk) risk yang minimal.
adalah melakukan pembelian saham-saham di Salah satu metode dalam pembentukan
pasar modal untuk memperoleh keuntungan. portofolio optimal, dapat meggunakan metode
Aktifitas perdagangan yang meningkat di Markowitz. Jika dibandingkan dengan Model
pasar modal mengakibatkan tuntutan akan Markowitz, Model Indeks Tunggal lebih
tersedianya data dan informasi yang lengkap memiliki perhitungan yang lebih sederhana
kepada para investor mengenai perkembangan dalam membentuk portofolio yang optimal
bursa [2]. Untuk melihat data dan informasi [5]. Menurut Ramadhan et al. [6] dalam sari
terkait pergerakan harga saham secara up to dan Suryawati [7], kelebihan Model Indeks
date, dapat dipantau dan dilihat melalui Tunggal yaitu dengan membandingakan nilai
perkembangan indeks harga saham. Terdapat rasio dari Excess Return to Beta (ERB)
beberapa indeks harga saham yang dengan nilai cut off point (𝐶 ∗), sedangkan
menerapkan prinsip syariah yaitu saham Model Markowitz menggunakan nilai
dengan karakteristik menurut syariat islam. variance untuk mencari tingkat ukuran risiko.
Pasar modal ini sama seperti pasar modal pada Model Markowitz memiliki bentuk model
umumnya, hanya saja mekanisme non-linear secara matematis yang tergolong
transaksinya dalam pasar modal harus rumit dalam penyelesaiannya. Portofolio yang
didasarkan oleh prinsip syariah. Terdapat dihasilkan oleh Model Indeks Tunggal
beberapa indeks saham dengan prinsip syariah dibentuk oleh saham-saham dengan
yang tergabung ke dalam Bursa Efek memperhatikan nilai ERB ≥ nilai ERB di cut
Indonesia (BEI), salah satunya adalah MES off point (𝐶 ∗) [8].
BUMN 17. Indeks tersebut merupakan Mayoritas masyarakat Indonesia
gabungan dari 17 saham syariah Badan Usaha beragama Islam, sehingga objek saham
syariah dipilih pada penelitian ini. Saham
158
syariah dipilih karena kemungkinan Indonesian Stock Exchange (IDX) [13], situs
masyarakat Islam di Indonesia akan memilih Bank Indonesia (BI) [14], dan situs Yahoo
investasi pada indeks saham yang Finance [15]. Objek penelitian ini adalah 17
menerapkan dasar-dasar syariah. Penelitian saham Badan Usaha Milik Negara (BUMN)
ini lebih khusus menggunakan saham-saham yang tergabung ke dalam Masyarakat
yang ikut dan tergabung dalam MES BUMN Ekonomi Syariah (MES BUMN 17) pada
17 sebagai sumber informasi dan data analisis BEI. Data yang dianalisis merupakan data
portofolio optimal. Model yang dipilih pada deret waktu pada periode 7 Desember 2020
penelitian ini yaitu Model Indeks Tunggal. s.d 29 November 2021. Dalam analisis
Penggunaan model tersebut dikarenakan perhitungan, penelitian ini menggunakan
perhitungannya merupakan penyederhanaan software Microsoft Excel 2019 dan Matlab
dari Model Markowitz [8]. Sehingga tujuan 2011a. Tahapan-tahapan analisis Model
penelitian ini yaitu membentuk portofolio Indeks Tunggal pada penelitian ini adalah
optimal pada 17 saham yang konsisten dan sebagai berikut [8][16]:
tergabung dalam MES BUMN 17 pada masa 1. Menghitung nilai return realisasi 𝑅𝑖 ,
new normal dan melakukan perbandingan expected return 𝐸(𝑅𝑖 ) dan varian 𝜎𝑖2 dari
antara tingkat expected return dengan tingkat setiap saham dengan rumus:
risiko dari perolehan portofolio yang optimal (Pt − Pt −1 ) + Dt
untuk dapat merekomendasikan portofolio Ri = , (1)
Pt −1
optimal tersebut kepada para investor sebagai n
pertimbangan dalam memutuskan saham Ri
t =1 (2)
syariah MES BUMN 17 mana saja yang akan E( R i ) = , dan
dipilih untuk berinvestasi. n
n
Penelitian terkait penggunaan Model
 ( R i − E( R i ))
2
Indeks Tunggal dalam pembentukan potofolio t =1 (3)
 i2 = .
optimal sudah pernah dilakukan pada n
beberapa penelitian sebelumnya. Pada masa Dengan 𝑃𝑡 adalah Harga saham periode 𝑡,
pandemik Covid-19, penelitian pada 𝑃𝑡−1 adalah Harga saham periode 𝑡 − 1
[9][10]dan [11] telah melakukan penelitian dan 𝐷𝑡 adalah Dividen pada periode 𝑡.
dengan objek indeks saham Jakarta Islamic 2. Menghitung imbal hasil pasar (return
Index (JII). Penelitian dengan objek indeks market) 𝑅𝑀 , harapan imbal hasil pasar
saham JII pada periode 2014 – 2018 diteliti (expected return market) 𝐸(𝑅𝑀 ), dan
pada [1]. Objek JII pada periode 2012 – 2015 2
varian market 𝜎𝑀 dengan formula:
diteliti pada [2]. Sedangkan pada penelitian Saham Market t − Saham Market t −1
dengan objek indeks saham LQ45 dan JII RM = , (4)
Saham Market t −1
dilakukan pada [3]. Pada [7] melakukan
n
penelitian dengan objek indeks saham JII RM
pada periode 2015 – 2017. Terakhir pada E( R M ) = t =1
, dan
(5)
periode new normal penentuan portofolio n
optimal pada saham syariah JII30 telah diteliti n
 ( R M − E( R M ))
2
pada Huda et al. 2022 [12]. Fokus pada (6)
penelitian ini yaitu membentuk portofolio  M2 = t =1 .
n
optimal pada saham yang konsisten dan
3. Menghitung koragam antara saham
tergabung dalam MES BUMN 17 pada masa
new normal. dengan pasar menggunakan rumus:
n
 ( Ri − E( Ri ))( RM − E( RM ))
2. Metode Penelitian  i ,M = t =1 (7)
Perolehan data sekunder pada penelitian n
ini didapatkan melalui beberapa situs website 4. Menghitung RBR (Return bebas risiko).
resmi dengan tujuan mendapatkan berbagai BI rate bulanan yang dikonversi ke
sumber data yang akurat. Beberapa situs atau mingguan untuk menentukan nilai tingkat
laman website diantaranya dari situs
return bebas risiko (RBR).
159
5. Menghitung nilai beta (𝛽) dan alpha (𝛼 ) p n
=  i =1Wi .i , dan (17)
setiap saham dengan rumus:
 i ,M p n
=  i =1Wi .i . (18)
i = , dan (8)
 M2 13. Menghitung nilai expected retrun
portofolio dari terpilihnya kombinasi
 i = E( Ri ) − (  i E( RM )) .(9)
portofolio dengan formula:
( )
6. Rumus berikut digunakan untuk
E R p =  p +  p .E ( RM ) . (19)
menghitung risiko unik saham individu:
 ei2 =  i2 − (  i2 M2 ) . (10) 14. Terakhir yaitu menghitung besaran nilai
risiko portofolio yang didapatkan dari
7. Rumus berikut digunakan untuk
kombinasi portofolio dengan formula:
menghitung excess return to beta (ERB).
( )
2
E ( Ri ) − RBR  p 2 =  p 2 . M 2 + n
 i =1Wi . ei . (20)
ERBi = . (11)
i
Setelah didapatkan ERB, kemudian ERB 3. Hasil dan Pembahasan

diurutkan setiap saham dari yang terbesar Data yang digunakan dalam analisis pada
penelitian ini yaitu data dari 17 saham yang
ke terkecil.
tergabung dalam Masyarakat Ekonomi
8. Menentukan nilai 𝐴𝑖 dan 𝐵𝑖 dari setiap Syariah Badan Usaha Milik Negara (MES-
sekuritas ke-i menggunakan formula: BUMN) pada BEI periode Agustus s.d.
( E( Ri ) − RBR ) i September 2021 dengan frekuensi mingguan.
Ai = , dan (12) Dari 17 saham yang tergabung ke dalam
 ei
2
MES-BUMN 17 memiliki expected return
 i2 (𝐸 (𝑅𝑖 )) dan varian (𝜎𝑖 2 ) mingguan disajikan
Bi = . (13) ke dalam Tabel 1.
 ei2
Nilai positif dari expected return suatu
9. Menentukan nilai 𝐶 dari sekuritas ke-i saham memiliki arti bahwa saham tersebut
dengan menggunakan penjumlahan nilai memperoleh keuntungan. Tabel 1
dari 𝐴𝑖 dan nilai dari 𝐵𝑖 dengan rumus: menunjukkan beberapa saham yang memiliki
i nilai harapan imbal hasil (expected return)
 M2  A j yang bernilai posituif, yaitu: BRIS, IPCC,
j =1
Ci = i
. (14) PTBA, TLKM dan ANTM. Nilai expected
1 +  M2  Bj return positif terbesar yaitu pada ANTM.
j =1
Expected return dan varian pada
10. Menentukan cut- off point (𝐶 ∗). Dimana portofolio pasar mingguan dihitung dengan
𝐶 ∗ adalah nilai maksimum dari 𝐶𝑖 . menggunakan data IHSG dengan periode dan
11. Menentukan besaran proporsi dana frekuensi yang sama, sehingga diperoleh
dengan formula: expected return pasar atau 𝐸 (𝑅𝑀 ) sebesar
0.0021 dan varian pasar atau 𝜎𝑀 2 sebesar
Z
Wi = k i , dengan (15) 0.0004. Nilai tersebut digunakan untuk
 j =1 Z j menghitung nilai 𝐶𝑖 sebagai acuan dalam
menentukan cut-off point.
i
Zi = 2 (
ERBi −C ) . (16) Selanjutnya menentukan nilai Return
 ei Bebas Risiko (RBR) sebagai syarat seleksi
12. Setelah didapatkan proporsi, maka pemilihan saham untuk dianalisis ke tahap
selanjutnya menghitung alfa portofolio selanjutnya. Jika nilai expected return saham
individu 𝐸 (𝑅𝑖 ) > 𝑅𝐵𝑅, maka saham individu
(𝛼𝑝 ) serta beta portofolio (𝛽𝑝 ) dengan tersebut dipilih untuk langkah analisis
formula: berikutnya. Nilai RBR dihitung dari BI rate
bulanan yang dikonversi ke mingguan
160
menghasilkan nilai RBR rata-rata per minggu Tabel 3. Alpha Rate (𝜶𝒊 ), Beta Rate (𝜷𝒊 ) dan ERB
sebesar 0.0007. Tabel 2 berikut merupakan
Beta-i Alpha-i
perhitugan untuk memilih calon saham No Saham ERB
( 𝜷𝒊 ) (𝜶 𝒊 )
portofolio optimal yang terpilih.
1 BRIS 0.9449 0.0039 0.0055
Tabel 1. Expected Return dan Varian Realisasi
Saham Individu 2 IPCC 1.7073 0.0062 0.0053
3 PTBA 3.1368 0.0079 0.0044
Expected Return Varian
4 TLKM 3.3620 -0.0014 0.0015
No Saham Mingguan Mingguan
(𝝈 𝒊 𝟐 ) 5 ANTM 0.9336 -0.0012 0.0001
𝑬 ( 𝑹𝒊 )
1 BRIS 0.0056 0.0098 Tabel 4. Cut-Off Rate (𝑪𝒊 )
2 ELSA -0.0029 0.0037
3 IPCC 0.0097 0.0114 Risiko
No Saham Unik 𝑨𝒊 𝑩𝒊 𝑪𝒊
4 KAEF -0.0054 0.0083
(𝝈𝒆𝒊 𝟐 )
5 PEHA -0.0064 0.0042
1 BRIS 0.0010 4.7913 868.2893 0.0014
6 PGAS -0.0002 0.0037
2 IPCC 0.0102 1.5224 286.3713 0.0017
7 PPRE -0.0042 0.0034
3 PTBA 0.0067 6.4695 1472.3111 0.0025
8 PTBA 0.0008 0.0018
4 TLKM 0.0052 3.1667 2160.6216 0.0022
9 PTPP -0.0047 0.0049
5 ANTM 0.0015 0.0721 595.5635 0.0020
10 SMBR -0.0093 0.0051
Jumlah 16.0220 5383.1568
11 SMGR -0.0056 0.0028
12 TLKM 0.0059 0.0014 Berdasarkan Tabel 4, nilai 𝐶 ∗ merupakan
13 WEGE -0.0020 0.0030 nilai maksimum dari 𝐶𝑖 yaitu 0.0025. Terlihat
14 WIKA -0.0064 0.0049 dari 5 saham calon portofolio optimal, nilai
15 WTON -0.0049 0.0027 ERB saham individu yang di atas 𝐶 ∗ adalah
16 ANTM 0.0145 0.0107
saham BRIS, IPCC dan PTBA, sehingga 3
saham tersebut terpilih sebagai portofolio
17 ADHI -0.0001 0.0075
optimal. Artinya 2 saham lainnya yaitu
TLKM dan ANTM tidak dipilih karena nilai
Tabel 2. Calon Saham Portofolio Optimal
ERB lebih rendah dari nilai 𝐶 ∗.
No Saham 𝑬 ( 𝑹𝒊 ) Seleksi Keterangan Setelah diperoleh portofolio optimal
dengan terpilihnya 3 saham yaitu BRIS, IPCC
1 BRIS 0,0056 𝐸 (𝑅𝑖 ) > 𝑅𝐵𝑅 Terpilih
dan PTBA, kemudian ditentukan besaran
2 IPCC 0,0097 𝐸 (𝑅𝑖 ) > 𝑅𝐵𝑅 Terpilih
proporsi dana yang diinvestasikan di setiap
3 PTBA 0,0008 𝐸 (𝑅𝑖 ) > 𝑅𝐵𝑅 Terpilih saham dengan menghitung nilai dari 𝑊𝑖 .
4 TLKM 0,0059 𝐸 (𝑅𝑖 ) > 𝑅𝐵𝑅 Terpilih
Tabel 5. Proporsi Dana Setiap Saham
5 ANTM 0,0145 𝐸 (𝑅𝑖 ) > 𝑅𝐵𝑅 Terpilih
No Saham 𝒁𝒊 𝑾𝒊 Proporsi (%)
Masing-masing saham calon portofolio
1 BRIS 2.7676 0.6709 67.093
optimal selanjutnya dihitung nilai Excess
2 IPCC 0.4713 0.1143 11.426
Return to Beta (ERB). Sedangkan dalam
penentuan pemilihan portofolio optimal dapat 3 PTBA 0.8861 0.2148 21.481
ditentukan berdasarkan urutan dari nilai ERB Jumlah 4.1250 1 100
yang tertinggi ke terendah seperti pada Tabel
Berdasarkan Tabel 5, terlihat komposisi
3. Dalam pemilihan portofolio, tidak
terbesar adalah BRIS dengan proporsi
memasukkan saham dengan nilai ERB yang
sebanyak 67.093% diikuti oleh PTBA dengan
terlalu rendah. Oleh sebab itu, dibutuhkan cut-
proporsi sebanyak 21.481% dan terakhir
off point atau nilai 𝐶 ∗ sebagai batas dalam
IPCC dengan proporsi sebanyak 11.426%.
penentuan portofolio yang optimal. Nilai 𝐶 ∗
Proporsi tersebut disajikan dalam Gambar 1.
dihitung dari nilai maksimum cut-off rate (𝐶𝑖 )
saham.
161
Tabel 6 menunjukkan hasil perhitungan
∑ 𝜎𝑒𝑖 𝑊𝑖 = 0.0506. Dengan nilai risiko pasar
2
𝜎𝑀 sebesar 0.0004 dan portofolio beta 𝛽𝑝
sebesar 1.5029, maka didapatkan perhitungan
risiko portofolio optimal yaitu:
𝜎𝑃2 = 𝛽𝑃2 𝜎𝑀
2 2
+ 𝜎𝑒𝑃
2
= (1.5029)2 (0.0004) + (0.0506)
= 0.0035
Perhitungan tersebut menunjukkan risiko dari
pembentukan portofolio optimal 0.0035 dan
standar deviasi portofolio optimal 0.0589.
Gambar 1. Diagram Pie Proporsi Portofolio Terbukti bahwa pembentukan portofolio yang
Optimal Model Indeks Tunggal MES-BUMN 17 optimal atau proses diversifikasi dapat
mengurangi risiko investasi. Gambar 2
Langkah selanjutnya melakukan
merupakan ilustrasi hasil kombinasi expected
perhitungan expected return dari
return dan risiko portofolio dari pembentukan
pembentukan portofolio optimal berdasarkan
portofolio dengan model yang telah
nilai portofolio 𝛼 dan portofolio 𝛽.
digunakan terhadap saham-saham MES
Perhitungan nilai 𝛼𝑖 dan 𝑊𝑖 pada 3 saham
BUMN 17 pada periode new normal
portofolio optimal yang terpilih memperoleh
Desember 2020 – November 2021.
nilai portofolio 𝛼 (𝛼𝑝 ) sebesar 0.005,
sedangkan perhitungan nilai 𝛽𝑖 dan 𝑊𝑖 pada 3
saham portofolio optimal yang terpilih
memperoleh nilai portofolio 𝛽 (𝛽𝑝 ) sebesar
1.5029. Dengan nilai 𝐸(𝑅𝑚 )= 0.0021 dan
perolehan nilai 𝛼𝑝 serta 𝛽𝑝 tersebut dapat
digunakan untuk menentukan perhitungan
return portofolio optimal yaitu:
𝐸(𝑅𝑃 ) = 𝛼𝑃 + 𝛽𝑃 𝐸(𝑅𝑚 )
= 0.005 + (1.5029)(0.0021)
= 0.0082. Gambar 2. Perbandingan Expected Return dan
Risiko Portofolio Optimal Model Indeks Tunggal
Dari perhitungan di atas, nilai tingkat
expected return portofolio berada di atas
tingkat expected return pasar yaitu sebesar 4. Penutup
0.21%. Sedangkan nilai return bebas risiko Analisis perhitungan dari 17 saham yang
(RBR) rata-rata per minggu sebesar 0.067%. terdaftar dalam MES BUMN 17 diperoleh
Dari perolehan tersebut menunjukkan bahwa pembentukan portofolio optimal yang terdiri
expected return pembentukan portofolio dari 3 saham yaitu saham BRIS (Bank Syariah
dinilai menjanjikan. Setelah dihitung return di Indonesia Tbk.) dengan proporsi portofolio
atas, kemudian dihitung risiko dengan data 67.093%, saham PTBA (Bukit Asam Tbk.)
pada Tabel 6. dengan proporsi portofolio 21.481% dan
saham IPCC (Indonesia Kendaraan Terminal
Tabel 6. Risiko Portofolio Optimal
Tbk.) dengan proporsi portofolio 11.426%.
No Saham 𝝈𝒆𝒊 𝟐 𝝈𝒆𝒊 𝑾𝒊 𝝈𝒆𝒊 𝑾𝒊 Artinya jika memiliki dana Rp 100.000.000,-
1 BRIS 0,0010 0,0321 0,6709 0,0215
untuk diinvestasikan, maka Rp 67.093.000,-
diinvestasikan kedalam BRIS, Rp
2 IPCC 0,0102 0,1009 0,1143 0,0115
21.481.000,- diinvestasikan ke dalam PTBA
3 PTBA 0,0067 0,0817 0,2148 0,0176 dan Rp. 11.426.000,- diinvestasikn ke dalam
Jumlah 0,0506 IPCC. Selain itu, dari pembentukan portofolio
162
optimal tersebut telah dianalisis perbandingan Administrasi Bisnis. vol. 14, no. 1, pp.
antara expected return dengan risikonya. 1-10, 2014.
Expected return dan risiko portofolio optimal [7] D. P. Sari, and R. F. Suryawati,
berturut-turut sebesar 0.82% per minggu dan “Analisis Portofolio Optimal Saham
sebesar 0.35% per minggu. Artinya dalam Syariah Jakarta Islamic Index (JII)
skenario portofolio optimal yang diperoleh Periode 2015-2017,” JMO: Jurnal
dalam analisis ini masih memberikan Manajemen dan Organisasi, vol. 11,
keuntungan bagi para investor. no. 1, pp. 8-21, 2020.
[8] J. Hartono, “Teori Portofolio dan
Referensi Analisis Investasi Ed Ke-11,”
[1] H. S. Nugroho, “Portofolio Optimal Yogyakarta: BPFE, 2017.
Saham Menggunakan Model Indeks [9] S. I. U. Chasanah, et al., “Analisis
Tunggal Studi Empirik pada Saham- Pembentukan Portofolio Optimal
Saham Jakarta Islamic Index (JII) Saham-Saham Jakarta islamic index
Periode 2014-2018,” Liquidity: Jurnal (JII) pada Masa Pandemi Covid-19,”
Riset Akuntansi dan Manajemen, vol. Jurnal Saintika Unpam: Jurnal Sains
9, no. 1, pp. 44-51, 2020. dan Matematika Unpam, vol. 3, no. 1,
[2] L. H. Azizah, T. Topowijono, and S. pp. 52-67, 2020.
Sulasmiyati, “Analisis Investasi [10] M. S. Ashari, I. Geraldina, and P.
Portofolio Optimal Saham Syariah Simorangkir, “Analysis of abnormal
dengan Menggunakan Model returns and financial performance
Markowitz dan Single Index Model during pandemic COVID-19: Jakarta
(Studi Pada Saham Perusahaan yang Islamic Index (JII),” Jurnal Al-Qardh,
Terdaftar di Jakarta Islamic Index (JII) vol. 6, no. 2, pp. 14–28, 2021.
Periode Desember 2012-Mei 2015),” [11] A. R. Al Faruk, and A. D. Marsono,
Jurnal Administrasi Bisnis. vol. 42, no. “Comparative analysis of sharia stock
1, pp. 11-20, 2017. performance before and during covid-
[3] B. N. Oktaviani, and A. Wijayanto, 19 pandemic in Indonesia,” Perbanas
“Aplikasi Single Index Model dalam Journal of Islamic Economics &
Pembentukan Portofolio Optimal Business, vol. 2, no. 1, pp. 65–74, 2022.
Saham LQ45 dan Jakarta Islamic [12] M. Huda et al., “Analisis Pembentukan
Index,” Management Analysis Journal, Portofolio Optimal Saham-Saham
vol. 4, no. 1, pp. 189-202, 2015. JII30 Dengan Model Indeks Tunggal
[4] C. K., Dewi, and R. Masithoh, “JKSE Periode New-Normal,” Jurnal Derivat:
and Trading Activities Before After Jurnal Natematika dan Pendidikan
Covid-19 Outbreak,” Research Journal Matematika, vol. 9, no. 1, pp. 32-46,
of Accounting and Business 2022.
Management (RJABM), vol. 4, no. 1, [13] Bursa Efek Indonesia, “Indeks Saham
pp. 1-6, 2020. Syariah,” Retrieved February 15, 2022,
[5] T. Shah, “Constructing Optimal from https://www.idx.co.id/idx-
Portfolio: Sharpe’s Single Index syariah/indeks-saham-syariah/.
Model,” SSRN Electronic Journal [14] Bank Indonesia, “Statistik indikator bi-
(SSRN:2459417), 7day,” Retrieved February 15, 2022,
2014, http://dx.doi.org/10.2139/ssrn.2 from
459417. https://www.bi.go.id/id/statistik/indika
[6] R. D. Ramadhan, M. G. Handayani, tor/bi-7day-rr.aspx.
and M. G. W. Endang, “Analisis [15] Yahoo Finance, “Harga Saham
Pemilihan Portofolio Optimal Dengan Indonesia,” Retrieved February 15,
Model Dan Pengembangan Dari 2022, from https://finance.yahoo.com/.
Portofolio Markowitz (Studi pada [16] J. Hartono, “Teori dan Praktik
indeks BISNIS-27 di Bursa Efek Portofolio dengan Excel,” Jakarta:
Indonesia periode 2011-2013),” Jurnal Salemba Empat, 2014.
163
164

67 21 PB

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

67 21 PB

Uploaded by

Copyright:

Available Formats

Journal of Mathematics Education and Science (JaMES) is a mathematical

journal published biannually (April & October) by the Department of

Alya Kamila, Fadhilah Rahmawati, Aprilia Nurul Chasanah .................................. 111-116

Dengan mengucap puji syukur kepada Allah SWT, Journal of Mathematics

Beberapa artikel dalam edisi Oktober 2022 ini diharapkan mampu

Wassalamualaikum, Wr. Wb.

Bojonegoro, Oktober 2022

Journal of Mathematics Education

p-ISSN: 2621-1203 VOL. 5 NO. 2 (2022) : 87-92 e-ISSN: 2621-1211

PENGARUH MODEL PEMBELAJARAN KOOPERATIF TIPE INSIDE

Dewi Robbi Anti1, Siska Andriani2, Haris Budiman3

Keywords: Inside Outside Circle (IOC), Motivation Learning, Concept Understanding

Circle (A1) Valid digunakan

Tabel 3. Deskripsi Data Nilai Pemahaman Konsep

Journal of Mathematics Education

p-ISSN: 2621-1203 VOL. 5 NO. 2 (2022) : 93-99 e-ISSN: 2621-1211

APLIKASI KOMPUTASI BAYESIAN REGRESI DUMMY PADA KASUS

Nur Mahmudah1, Pelangi Eka Yuwita2

Keywords : Bayesian, Cervical Cancer, Dummy Regression

Kata kunci: Bayesian , Kanker Serviks, Regresi Dummy

berganda berikut [14]: 𝑝(𝜎|𝛼, 𝛽1+𝑖 )

𝜀𝑖 = 𝑦 − (𝛼 + ∑ 𝛽𝑘 𝑥𝑘 ) ≅ ∫ ∫ ∫ … ∫ 𝐼(𝑥|𝛼, 𝜎, 𝛽2 , … , 𝛽𝑝 ) 𝑝(𝛼)𝑝(𝜎)𝑝(𝛽2 ) … 𝑝(𝛽1+𝑝 )𝜕𝛼𝜕𝜎𝜕𝛽2 … 𝜕𝛽1+𝑝

Metode Bayesian adalah metode Gibbs Sampling adalah teknik untuk

Journal of Mathematics Education

p-ISSN: 2621-1203 VOL. 5 NO. 2 (2022) : 101-109 e-ISSN: 2621-1211

PERBANDINGAN HYBRID ALGORITMA GENETIKA DENGAN

Algoritma Genetika dan Multilayer Dengan:

Gambar 3. Perbandingan Harga Saham dan Hasil

3.2 Prediksi Harga Saham Microsoft

Journal of Mathematics Education

p-ISSN: 2621-1203 VOL. 5 NO. 2 (2022) : 111-116 e-ISSN: 2621-1211

PENGARUH PROBLEM-BASED LEARNING BERBANTUAN LKPD

Alya Kamila1, Fadhilah Rahmawati2, Aprilia Nurul Chasanah3

Keywords: Problem-Based Learning, LKPD, higher-order thinking skills

Kata kunci: Problem-Based Learning, LKPD, kemampuan berpikir tingkat tinggi

1. Pendahuluan berperan sangat penting dalam perkembangan

Journal of Mathematics Education

p-ISSN: 2621-1203 VOL. 5 NO. 1 (2022) : 117-120 e-ISSN: 2621-1211

PENGARUH MODEL PEMBELAJARAN GENERATIF TERHADAP

Bunga Lailatul Fajri1, Restu Ria Wantika2

Keywords: generative learning, mathematics, learning outcomes

Kata kunci: pembelajaran generatif, matematika, hasil belajar

1. Pendahuluan bertambah saat mengerjakan soal dalam

Journal of Mathematics Education

p-ISSN: 2621-1203 VOL. 5 NO. 2 (2022) : 121-128 e-ISSN: 2621-1211

ANALISIS KESALAHAN SISWA DALAM MENYELESAIKAN SOAL

Nikmatin1, Silviana Maya Purwasih2, Sri Rahayu3

Keywords: Error Analysis, Kastolan Stage, Linear Program

Kata kunci: Analisis Kesalahan, Tahapan Kastolan, Program Linear

Gambar 4. Hasil Pekerjaan SP pada Tes Tahap II

Gambar 5. Hasil Pekerjaan SL pada Tes Tahap I

Berdasarkan Gambar 5 di atas terlihat

Gambar 6. Hasil Pekerjaan SL pada Tes Tahap I

Selain melakukan kesalahan konseptual

Journal of Mathematics Education

p-ISSN: 2621-1203 VOL. 5 NO. 2 (2022) : 129-135 e-ISSN: 2621-1211

IMPLEMENTASI ALAT PERAGA ABANG OLENG PADA

Mevianda Cahya Resqueta1, Ninik Mutianingsih2

Keywords: Abang Oleng’s, Learning Outcomes, Non-Standard Weight Measurement

1. Pendahuluan Perkembangan pendidikan memiliki perhatian

Hasil Equal 2,653 0,121 4,712 18 0,000

Journal of Mathematics Education

p-ISSN: 2621-1203 VOL. 5 NO. 2 (2022) : 137-145 e-ISSN: 2621-1211