PROPOSAL PROGRAM KREATIVITAS MAHASISWA JUDUL PROGRAM ANALISIS HARGA MINYAK DUNIA DENGAN METODE GENERAL REGRESSION NEURAL NETWORK Bidang Kegiatan : PKM-PENELITIAN
Diusulkan Oleh : Rezzy Eko Caraka
24010211140085/ Angkatan 2011
Irawati Tamara
24010212120002/ Angkatan 2012
Deden Aditya Nanda
24010212120012/ Angkatan 2012
UNIVERSITAS DIPONEGORO SEMARANG 2014
DAFTAR ISI Halaman Cover Lembar Pengesahan Daftar Isi Ringkasan BAB 1. PENDAHULUAN 1.1.Latar Belakang Masalah 1.2.Tujuan Penelitian 1.3.Luaran yang Diharapkan 1.4.Kontribusi Penelitian BAB 2. TINJAUAN PUTAKA 2.1.Faktor-faktor yang Mempengaruhi Harga Minyak 2.2.Neural Network 2.3.General Regression Neural Network 2.4.Struktur dan Arsitektur GRNN BAB 3. METODE PENELITIAN 3.1.Jenis dan Sumber Data 3.2.Desain Penelitian 3.3.Pengolahan Data BAB 4. BIAYA DAN JADWAL KEGIATAN 4.1.Anggaran Biaya 4.2.Jadwal Kegiatan DAFTAR PUSTAKA LAMPIRAN-LAMPIRAN
i ii iii iv 1 3 3 3 3 4 4 5 7 7 8 9 10 10
RINGKASAN
Energi merupakan penggerak utama roda perekonomian dalam suatu negara. Konsumsi energi terus meningkat mengikuti permintaan berbagai sektor pembangunan khususnya industry dan transportasi Kenaikan harga minyak mentah tidak terjadi secara tiba-tiba. Sudah banyak prakiraan bahwa harga minyak mentah akan terus merangkak naik. Majalah Business Week menurunkan berita dengan judul "Next Stop: $100 Oil?" Sekalipun spare capacity dari negara-negara produsen minyak yang tergabung dalam Organisasi Negara-negara Pengekspor Minyak (OPEC) telah meningkat menjadi lebih dari 2 juta barrel per hari atau hampir dua kali lipat dibandingkan dengan tahun lalu, itu masih jauh lebih rendah dibandingkan dengan posisi tahun 2002 yang berada di sekitar 5 juta barrel per hari. Hingga tahun depan, pasar minyak mentah dunia diperkirakan masih tetap ketat sehingga sangat kecil kemungkinan harga turun kembali di bawah 60 dollar AS per barrel. Apalagi mengingat ketegangan di Timur Tengah tak kunjung mereda, ditambah lagi hingga tahun 2008 pertumbuhan permintaan lebih besar daripada pertumbuhan produksi. Dengan kecenderungan harga minyak yang bertambah "liar". Kenaikan harga minyak mentah baru berdampak terhadap kenaikan defisit APBN jika pertumbuhan konsumsi BBM di dalam negeri terus meningkat dan penyelundupan BBM ke luar negeri marak kembali akibat disparitas harga di dalam negeri dan luar negeri bertambah lebar sebagaimana terjadi tahun 20032004. Pada tahun 2004, setiap kenaikan harga sebesar 10 dollar AS di atas harga asumsi APBN akan menambah defisit sebesar Rp 2 triliun. General Regression Neural Network (GRNN) merupakan salah satu model jaringan radial basis yang digunakan untuk pendekatan suatu fungsi. Model GRNN termasuk model jaringan syaraf tiruan dengan solusi yang cepat, karena tidak diperlukan iterasi yang besar pada estimasi bobot-bobotnya. Model ini memiliki arsitektur jaringan yang baku, dimana jumlah unit pada pattern layer sesuai dengan jumlah data input. Hasil penelitian ini dapat digunakan oleh pemerintah sebagai bahan pertimbangan untuk membuat kebijakan yang berkaitan dengan penetapan harga minyak di Indonesia beserta subsidi BBM.
i
1
BAB 1. PENDAHULUAN 1.1 Latar Belakang Indonesia merupakan salah satu negara yang kaya akan hasil minyak buminya. Namun, dalam beberapa tahun terakhir, Indonesia sudah menjadi negara yang masuk kategori net importir minyak, dimana untuk tahun 2012 diperkirakan kebutuhan dalam negeri setara dengan 1,4 juta barel per hari sedangkan dari produksi dalam negeri hanya sekitar 930 ribu barel per hari dan yang menjadi bagian negara adalah 586 ribu barel per hari (http://www.esdm.go.id). Menurut data dari Gabungan Industri Kendaraan Bermotor Indonesia (Gaikindo) dan Asosiasi Industri Sepeda Motor Indonesia (AISI) menunjukkan jumlah populasi kendaraan bermotor di Indonesia hingga 2010 lalu mencapai 50.824.128 unit, 23-24 juta unit merupakan kendaraan roda empat atau lebih dan sisanya adalah sepeda motor. Dari kisaran angka tersebut, Indonesia disebut-sebut sebagai negara dengan jumlah kendaraan bermotor terbanyak di kawasan Asia Tenggara. Pasalnya, pada saat yang sama jumlah kendaraan di Thailand hanya 25,29 juta unit, Vietnam 14,51 juta unit, Malaysia 7,28 juta unit, serta Filipina 2,15 juta unit (http://www.vivaforum.com). Jadi, kebutuhan akan minyak di Indonesia cukup tinggi. Minyak dunia yang diimpor memiliki harga cukup mahal, tidak sepadan dengan kemampuan ekonomi sebagian besar rakyat Indonesia, sehingga harga tersebut tidak dapat diterapkan di Indonesia. Salah satu langkah pemerintah untuk menangani permasalahan tersebut adalah dengan memberikan subsidi BBM bagi rakyat menengah kebawah yang dituangkan dalam APBN. Harga minyak dunia sering mengalami fluktuasi yang mengakibatkan harga sering berubah – ubah. Sedangkan harga BBM dalam negeri tidak dapat dengan mudah mengikuti perubahan harga minyak dunia, sehingga pemerintah perlu melakukan revisi terhadap APBNsetiap kali terjadi kenaikan harga minyak dunia agar tetap dapat menyediakan subsidi untuk rakyat. Hal demikian tentu saja sangat merepotkan. Agar tidak terlalu sering melakukan revisi APBN, pemerintah memerlukan prediksi harga minyak dunia yang akurat. Data tentang harga minyak itu sendiri merupakan salah satu data runtun waktu yang mana data masa lampau dapat digunakan untuk memprediksi/memproyeksi data di masa mendatang.Dalam dunia statistika, ada dua macam metode pemodelan data, yaitu metode parametrik/klasik dan metode non parametrik. Dalammetode klasik dikenal dua analis untukmengestimasi suatu nilai, yakni analisis runtun waktu (model auto regressive (AR), moving average (MA), dan ARIMA) dan analisis regresi. Namun kedua metode tersebut memiliki kelemahan yang sama, yakni mensyaratkan beberapa asumsi yang harus dipenuhi agar diperoleh hasil analisis yang valid. Asumsi-asumsi tersebut adalah data harus
2
stasioner dan errornya harus bersifat white noise. Sedangkan dalam kenyataannya, data yang berfluktuasi sulit untuk memenuhi asumsi- asumsi yang disyaratkan dalam analisis runtun waktu maupun analisis regresi klasik, sehingga hal tersebut dapatmenjadi suatu kendala. Oleh karena itu, diperlukan suatu metode alternatif yang bebas asumsi dengan kemampuan estimasi yang baik, yakni metode non parametrik, salah satunya neural network Jaringan Syaraf Tiruan (Arifical Neural Network) atau yang dikenal dengan istilah Neural Network (NN) merupakan sistem pemroses informasi yang memiliki karakteristik mirip dengan syaraf biologi, dimana dalam memproses informasi, otak manusia terdiri dari sejumlah neuron yang melakukan fungsi pemrosesan cukup kompleks. Pemrosesan informasi pada manusia bersifat adaptif, yang artinya hubungan antar neuron terjadi secara dinamis dan selalu memiliki kemampuan untuk mempelajari informasi-informasi yang belum diketahui sebelumnya (Fausett, 1994). Secara garis besar pada NN memiliki dua tahap pemrosesan informasi, yaitu tahap pelatihan dan tahap pengujian. Tahap pelatihan dimulai dengan memasukkan pola-pola belajar (data latih) ke dalam jaringan. Dengan menggunakan pola-pola ini, jaringan akan mengubah–ubah bobot yang menjadi penghubung antara node. Pada setiap iterasi dilakukan evaluasi terhadap output jaringan. Tahap ini berlangsung pada beberapa iterasi dan berhenti setelah jaringan menemukan bobot yang sesuai dimana nilai error yang diinginkan telah tercapai atau jumlah iterasi telah mencapai nilai maksimal yang ditetapkan. Selanjutnya bobot ini menjadi knowledge base (dasar pengetahuan) pada tahap pengenalan. Sedangkan pada tahap pengujian dilakukan pengujian terhadap suatu pola masukan yang belum pernah dilatihkan sebelumnya (data uji) dengan menggunakan bobot hasil tahap pelatihan. Diharapkan bobot-bobot hasil pelatihan yang sudah menghasilkan error minimal juga akan memberikan error yang kecil pada tahap pengujian (Warsito, 2009). Dengan menggunakan metode General Regression Neural Network ini, harga minyak dunia beberapa tahun ke depan dapat diprediksi berdasarkan data harga minyak dunia tahun-tahun sebelumnya. Hasil penelitian ini dapat membantu pemerintah untuk melakukan suatu kebijakan yang memudahkan kinerja negara dalam penyusunan APBN. Hal inilah yang melatar belakangi penulis dalam melakukan penelitian dengan judul “Analisis Harga Minyak Dunia dengan Metode General Regression Neural Network”. Berdasarkan latar belakang yang telah diuraikan, permasalahan yang timbul adalah bagaimana pemodelan general regression neural network untuk
3
analisa data harga minyak dunia dan bagaimana prediksi terhadap harga minyak dunia tahun depan yaitu tahun 2015. 1.2 Tujuan Penelitian Dengan permasalahan yang telah dikemukakan, maka tujuan penelitian ini adalah menentukan nilai ramalan terbaik harga minyak dunia yaitu tahun 2015 dengan Metode General Regression Neural Network. 1.3 Luaran yang Diharapkan Berdasarkan tujuan yang dikemukakan, maka luaran yang diharapkan dari penelitian ini adalah 1. Hasil dugaan ramalan harga minyak mentah dunia. 2. Artikel tentang penerapan metode General Regression Neural Network dalam meramalkan harga minyak dunia. 1.4 Kontribusi Penilitian 1. Bagi Pemerintah Hasil penelitian ini dapat digunakan oleh pemerintah sebagai bahan pertimbangan untuk membuat kebijakan yang berkaitan dengan penetapan harga minyak di Indonesia beserta subsidi BBM. 2. Bagi Masyarakat Hasil penelitian ini dapat digunakan oleh masyarakat untuk ikut turut serta mengawasi pemerintah yang berkaitan dengan penetapan harga minyak di Indonesia beserta subsidi BBM. 3. Bagi Ilmu Pengetahuan Hasil penelitian ini dapat digunakan sebagai bahan pertimbangan untuk penelitian selanjutnya dan dapat dikembangkan untuk penelitian dengan objek yang lain. BAB II. TINJAUAN PUSTAKA 2.1 Faktor-faktor yang Mempengaruhi Harga Minyak Stabilitas pasokan dan harga minyak dunia sangat diperlukan dunia untuk mendorong perumbuhan ekonomi. Karena itu estimasi atau prediksi harga minyak dunia sangat didambakan banyak pihak, baik dari sektor pemerintah, badan usaha maupun investor agar semua kegiatan dapat berjalan sesuai rencana. Harga minyak dunia dipengaruhi oleh tiga faktor. Faktor pertama adalah faktor fundamental, yang terdiri atas permintaan minyak, pasokan minyak, stok minyak, kapasitas produksi cadangan dunia, dan kemampuan kilang dunia. Kedua adalah faktor non fundamental, yang terdiri dari geopolitik, kebijakan pemerintah,
4
cuaca, bencana alam, pemogokan, kerusakan instalasi ranai produksi, pelemahan nilai dollar, dan spekulasi. Yang ketiga adalah pengaruh dari kebijakan pasokan OPEC (Rahman, 2008). 2.2 Neural Network Secara garis besar pada NN memiliki dua tahap pemrosesan informasi, yaitu tahap pelatihan dan tahap pengujian. Tahap pelatihan dimulai dengan memasukkan pola-pola belajar (data latih) ke dalam jaringan. Dengan menggunakan pola-pola ini, jaringan akan mengubah–ubah bobot yang menjadi penghubung antara node. Pada setiap iterasi dilakukan evaluasi terhadap output jaringan. Tahap ini berlangsung pada beberapa iterasi dan berhenti setelah jaringan menemukan bobot yang sesuai dimana nilai error yang diinginkan telah tercapai atau jumlah iterasi telah mencapai nilai maksimal yang ditetapkan. Selanjutnya bobot ini menjadiknowledge base (dasar pengetahuan) pada tahap pengenalan. Sedangkan pada tahap pengujian dilakukan pengujian terhadap suatu pola masukan yang belum pernah dilatihkan sebelumnya (data uji) dengan menggunakan bobot hasil tahap pelatihan. Diharapkan bobot-bobot hasil pelatihan yang sudah menghasilkan error minimal juga akan memberikan error yang kecil pada tahap pengujian (Warsito, 2009). 2.3 General Regression Neural Network General Regression Neural Network (GRNN) merupakan salah satu model jaringan radial basis yang sering digunakan untuk pendekatan suatu fungsi. Dasar dari operasi GRNN secara esensial didasarkan pada regresi nonlinear (kernel) dimana estimasi dari nilai harapan (1) Teori General Regression Neural Network diperoleh dari estimasi densitas kernel multivariate. Tujuan dari estimasi multivariate nonparametrik ini yaitu mengestimasi fungsi densitas probabilitas dari m variabel acak dengan menggunakan n ukuran dari tiap variabel. Estimator densitas kernel multivariate pada kasus m dimensi didefinisikan sebagai )
(2)
Dimana K adalah fungsi kernel multivariate dan panjang bidang (parameter penghalusan) vektor Data asli Z(Xi,Yi); i=1,..n akan dibagi menjadi himpunan data pelatihan digunakan untuk pengembangkan model,
5
sedangkan himpunan data Pelatihan berasan dari suatu proses sampling yang mengukur nilai ouput dengan additive random noise: (3) Dimana Mean bersyarat dari Z jika diberikan ke (x,y) yang dikenal sebagai suatu regresi Z pada (x,y) adalah suatu solusi yang meminimalkan MSE. Jika f(x,y,Z) adalah fungsi densitas probabilitas kontinu bersama maka mean bersyarat tersebut adalah : (4) Fungsi densitas f(x,y,Z) dapat diestimasi dari data dengan menggunakan estimator konsisten nonparametrik yang diusulkan oleh parzen pada kasus dimensi banyak yang dikembangkan oleh Cacoullos sebagai berikut : (5) Dengan n adalah banyaknya pengukuran dalam himpunan data Pelatihan, h adalah suatu panjang bidang serta jarak metrik (Di2) adalah : (6) Dengan mensubsitusi estimasi probabilitas bersama (2.39) kedalam mean (2.38) bersyarat diperoleh estimator kernel Nadaraya-Watson sebagai berikut: (7) 2.4 Struktur dan Arsitektur GRNN Dalam hal ini y adalah output yang diprediksi oleh GRNN, sedangkan X adalah vector input (x1,x2, …. , xp) yang terdiri dari p variabel predictor. E[y|x] adalah harga harapan dari ouput y jika diberikan vector input X dan f(X,y) adalah fungsi densitas probabillitas bersama X dan y. Konstruksi GRNN terdiri dari empat layer pemrosesan yaitu neuron input,pattern,summation dan output. Input layer menerima vector input X dan mendistribusikan data ke pattern layer. Tiap-tiap neuron dalam pattern layer
6
kemudian membangun output
dan mengirimkan hasilnya ke summation layer.
Neuron-neuron numerator dan denominator summation layer menghitung jumlahan aritmatik sederhana dan terboboti yang didasarkan pada nilai dan wij yang diperoleh berdasarkan pembelajaran melalui training dengan supervise. Neuron –neuron pada output layer kemudian melakukan pembagian terhadap jumlahan yang telah dihitung oleh neuron-neuron pada summation layer
Gambar. 1 Konstruksi GRNN Secara Umum Tiap-tiap layer unit pemrosesan ditandai dengan suatu fungsi komputasional yang spesifik. Layer pertama disebut neuro input (input neurons), bertanggung jawab untuk menerima informasi. Terdapat suatu neuron input tunggal untuk setiap variabel predictor dalam vector input X. tidak ada pemrosesan data yang dilakukan pada neuron-neuron input tersebut. Neuron input kemudian mengirimkan data ke layer kedua dari unit pemrosesan yang disebut neuron pola (pattern neurons). Dalam hal ini, jumlah neuron pola sama dengan jumlah kasus dalam himpunan training. Neuron pola I mendapatkan data dari neuron input dan menghitung output i mengunakan fungsi transfer: (8) Dalam hal ini X adalah vektor input dari variabel prediktor untuk GRNN,Ui adalah vektor training khusus yang direpresentasikan oleh neuron pola I dan σ adalah parameter smoothing. Persamaan (2.42) merupakan fungsi Gaussian multivariate yang diperluas oleh Cacoullos (1966) dan diadopsi oleh Specht (1991) dalam desain GRNN. Output dari neuron pola kemudian diteruskan ke layer ketiga dari unit pemrosesan yang disebut neuron jumlahan (summation neurons) dimana output dari semua neuron pola ditambahkan. Secara teknis ada dua tipe penjumlahan
7
terboboti. Dalam topologi GRNN terdapat unit pemrosesan terpisah yang melakukan penjumlahan aritmatik sederhana dan penjumlahan terboboti. Persamaan (9.a) dan (9.b) masing-masing menyatakan operasi matematis yang dibentuk oleh penjumlahan terboboti (9.a) (9.b) Jumlahan yang dihasilkan oleh summation neurons secara berturut-turut dikirimkan ke layer ke empat dari unit pemrosesan yaitu neuron output. Neuron output kemudian membentuk pembagian berikut untuk mendapatkan output regresi GRNN y: (9.c) BAB III. METODE PENILITIAN Metode pelaksanaan terbagi atas bagian jenis sumber data dan metode penelitian, dengan rincian sebagai berikut: 3.1 Jenis Sumber Data Dalam penelitian ini data yang digunakan adalah data sekunder tentang harga minyak dunia tahun 1980-2014 dari Annual Statistical Bulletin yang dikeluarkan oleh Organization of Petroleum Exporting Countries. 3.2 Desain Penilitian Tahapan penelitian dengan metode General Regression Neural Network dilakukan dengan beberapa tahap yaitu: Tahap I : Menentukan lag yang akan digunakan Tahap III :Melakukan preprocessing Tahap IV : Membangun jaringan GRNN Tahap V : Melakukan simulasi data training dan data testing Tahap VI : Melakukan peramalan Diagram alir atau flowchart penyelesaian masalah dengan metode General Regression Neural Network
8
Gambar 2.Diagram Alir Pengolahan Data dengan GRNN 3.3 Pengolahan Data 3.3.1 Statistika Deskriptif Sebagai langkah awal dalam penelitian digunakan penjabaran secara deskriptif untuk karakteristik sampel, meliputi jenis kelamin, usia, dan latar belakang masyarakat. Hasil yang diperoleh kemudian diintepretasikan menggunakan diagram batang dan diagram lingkaran.
9
3.3.2 ARIMA Pada Metode ARIMA diolah dengan menggunakan software minitab dan digunakan untuk mencari nilai pengamatan sekarang (Zt) tergantung pada satu atau beberapa pengamatan sebelumnya (Zt-k). Dengan kata lain, model runtun waktu dibuat karena secara statistik ada korelasi (dependensi) antar deret pengamatan. Pada metode ARIMA dicari lag yang mempengaruhi sebagai input untuk GRNN 3.3.3 General Regression Neural Network Pada Metode GRNN diolah dengan menggunakan software matlab dengan membangung fungsi untuk membangun jaringan GRNN adalah newgrnn. Dan dilakukan simulasi dengan data testing dan dan data training, setelah itu dilakukan Format penulisannya sebagai berikut: net=newgrnn net=newgrnn(P,T,SPREAD) dengan: P = Matrik RxQ dari Q vektor Input T = Matik SxQ dari Q vektor kelas target SPREAD = Spread dari fungsi radial basis, default =1.0 Untuk melakukan peramalan disusun fungi forecastgrnn_minyak bumi. Pada fungsi ini juga telah dibuat plot hasil ramalan yang dikehendaki dalam bentuk stem BAB 4. BIAYA DAN JADWAL KEGIATAN 4.1. Anggaran Biaya Ringkasan Anggaran biaya PKM-P adalah sebagai berikut : No
Jenis Pengeluaran
Biaya (Rp)
1
Peralatan Penunjang
Rp 1.520.000,00
2
Bahan Habis Pakai
Rp 744.000,00
3
Perjalanan
Rp 1.200.000,00
4
Lain-lain
Rp 1.600.000,00 Jumlah
Rp 5.064.000,00
10
4.2. Jadwal Kegiatan Jadwal kegiatan program dari tahap persiapan sampai laporan final disusun dalam bar chart sebagai berikut : Rencana Kegiatan
Bulan ke-1 1
2
3
Bulan ke-2 4
1
2
3
Bulan ke-3 4
1
2
3
4
Persiapan Pengumpulan Data Pengolahan Data Analisis Laporan Final
DAFTAR PUSTAKA Anonim. www.esdm.go.id [diakses 15 September 2014] Johnson, R.A. (1992).Applied Multivariate Statistical Analysis Third Edition, Prentice Hall International, Inc., New Jersey. Siang,J.J. (2005). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab, Penerbit Andi : Yogyakarta Warsito, Budi. (2009). KapitaSelekta Statistika Neural Network. BP Undip Semarang. Yasin, Hasbi. (2009). Estimasi Regresi Non Parametrik Dengan Metode Wavelet Shrinkage Neural Network Pada Model Rancangan Tetap, Jurnal Media Statistika FSM UNDIP Semarang, Vol 2, No 1.
11
LAMPIRAN-LAMPIRAN Lampiran 1. Biodata Ketua dan Anggota, Biodata Dosen Pembimbing Ketua A. Identitas Diri 1 Nama Lengkap Rezzy Eko Caraka 2 Jenis Kelamin Laki-laki 3 Program Studi Statistika 4 NIM 24010211140085 5 Tempat dan Tanggal Lahir Tanjung Balai Karimun, 27 Januari 1994 6 E-mail
[email protected] 7 Nomor Telepon / HP 087782428788 B. Riwayat Pendidikan Nama Institusi
Jurusan Tahun Masuk Lulus
SD SDN 001 Tanjung Balai Karimun - 1999 - 2005
C. Pemakalah Seminar Ilmiah No Nama Pertemuan Ilmiah / Seminar 1 -
SMP SMPN 232 Jakarta
SMA SMAN 31 Jakarta
2005 – 2008
IPA 2008 - 2011
Judul Artikel Ilmiah
Waktu dan Tempat
-
-
D. Penghargaan dalam 10 tahun Terakhir No Jenis Penghargaan 1
PesertaTerbaik Seminar PeternakandanPerikanan.
2
Participated in the IYA “You Are Galileo” Project International Year of Astronomy Runner Up on Chemistry Science Olympiad on 31 SHS Best Project on KOLAM KIR 31 SHS (KegiatanObservasiAlamKaryaIlmiahRe maja)
3 4
Institusi Pemberi Penghargaan DinasPeternakandan Perikanan (DISNAKAN) Kabupaten Bogor LIPI
Tahun
SMAN 31 Jakarta
2009
SMAN 31 Jakarta
2009
2010
2009
12
5
FinalisOlimpiadeSainsNasional (OSN) Kimia KotaMadya Jakarta Timur
6
Staff TerbaikKelompokIlmiahBelajar ( KIR ) 232 JHS Runner Up on Cerebrovit Excel Competition Runner Up on News Reading Competition 77 JHS JuaraUmum 2 danSiswaTeladan 232 JHS JuaraUmum 1 danSiswaTeladan 232 JHS
7 8 9 10
Kota Madya Jakarta 2009 Timur SMPN 232 Jakarta 2007 SMPN 232 Jakarta
2006
SMPN 77 Jakarta
2006
SMPN 232 Jakarta
2006
SMPN 232 Jakarta
20072008
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dapat dipertanggung-jawabkan secara hukum. Apabila di kemudian hari ternyata dijumpai ketidaksesuaian dengan kenyataan, saya anggap menerima sanksi. Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu persyaratan dalam pengajuan hibah PKM-P. Semarang, 17 September 2014
Anggota 1 A. Identitas Diri 1 Nama Lengkap 2 Jenis Kelamin 3 Program Studi 4 NIM 5 Tempat dan Tanggal Lahir 6 E-mail 7 Nomor Telepon / HP
Irawati Tamara Perempuan Statistika 24010212120002 Bandar Lampung, 26 Juni 1994
[email protected] 085789807630
B. Riwayat Pendidikan Nama Institusi
SD SDN 2 Rawa Laut (Teladan)
SMP MTsN 2 Bandar Lampung
SMA MAN 1 Bandar Lampung
13
Jurusan Tahun Masuk - Lulus 2000 - 2006 C. Pemakalah Seminar Ilmiah No Nama Pertemuan Ilmiah / Seminar 1 -
2 3 4 5
IPA 2009 - 2012
Judul Artikel Ilmiah
Waktu dan Tempat
-
-
D. Penghargaan dalam 10 tahun Terakhir No Jenis Penghargaan 1
2006 – 2009
Juara 1 Lomba Blog SeLampung Juara III Kontes Robot SeLampung Juara III Try Out IPA seMAN 1 Bandar Lampung Juara Umum 1 Jurusan IPA Lolos PKM-K 2013 Pendanaan Dikti tahun 2014
Institusi Pemberi Penghargaan APKOMINDO
Tahun
BEM FT - UNILA
2010
BKB AL-QOLAM
2011
MAN 1 Bandar Lampung DIKTI
2012 2014
2010
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dapat dipertanggung-jawabkan secara hukum. Apabila di kemudian hari ternyata dijumpai ketidaksesuaian dengan kenyataan, saya anggap menerima sanksi. Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu persyaratan dalam pengajuan hibah PKM-P. Semarang, 17 September 2014 Pengusul,
(Irawati Tamara)
14
Anggota 2 A. Identitas Diri 1 Nama Lengkap 2 Jenis Kelamin 3 Program Studi 4 NIM 5 Tempat dan Tanggal Lahir 6 E-mail 7 Nomor Telepon / HP
Deden Aditya Nanda Laki-laki Statistika 24010212120012 Ketapang, 21 Oktober 1994
[email protected] 089694139663
B. Riwayat Pendidikan Nama Institusi Jurusan Tahun Masuk Lulus
SD SDN 07 Ketapang - 2000 - 2006
C. Pemakalah Seminar Ilmiah No Nama Pertemuan Ilmiah / Seminar 1 -
2
3
SMA SMAN 01 Ketapang IPA 2009 - 2012
Judul Artikel Ilmiah
Waktu dan Tempat
-
-
D. Penghargaan dalam 10 tahun Terakhir No Jenis Penghargaan 1
SMP SMPN 01 Ketapang 2006 – 2009
Juara umum perkemahan sabtu minggu Se-Ketapang tingkat penggalang Juara umum perkemahan sabtu minggu Se-Ketapang tingkat Penegak Juara II Lomba Cerdas Cermat UUD dan Tap MPR Se-Ketapang
Institusi Pemberi Penghargaan Kwarcab Kab. Ketapang
Tahun
Kwarcab Kab. Ketapang
2011
Dinas Ketapang
2011
Pendidikan
2008
15
4 5
Juara Umum 1 Jurusan IPA Lolos seleksi On-Mipa Undip
SMAN 01 Ketapang Undip
2012 2014
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dapat dipertanggung-jawabkan secara hukum. Apabila di kemudian hari ternyata dijumpai ketidaksesuaian dengan kenyataan, saya anggap menerima sanksi. Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu persyaratan dalam pengajuan hibah PKM-P. Semarang, 17 September 2014 Pengusul,
(Deden Aditya Nanda) Dosen Pembimbing A. Identitas Diri No. Nama Lengkap 1 Jenis Kelamin 2 Jabatan Fungsional 3 NIP 4 NIDN 5 Tempat dan Tanggal Lahir 6 E-mail 7 Nomor Telepon/HP 8 Alamat Kantor
9
Nomor Telepon/Faks
Hasbi Yasin, S.Si, M.Si L Lektor 19821172006041003 0017128201 Pekalongan, 17 Desember 1982
[email protected] 085868025859 Jurusan Statistika FSM Undip Jl. Prof. H. Soedharto, S.H. Tembalang Semarang 024 – 76480922
B. Riwayat Pendidikan Tahun Program Pendidikan(diploma, sarjana, Lulus magister, spesialis, dan doktor)
Perguruan Tinggi
Jurusan/ Program Studi
2005
UNDIP
Matematika
Sarjana Matematika
16
2011
Magister Statistika
C. Seminar Ilmiah Tahun Judul Kegiatan 2007 1. Workshop Penelitian dengan tema Kiat-kiat Penulisan Proposal Penelitian Tuntutan P3M 2. Seminar Nasional "Sustainable Alternative Energy": Solusi Alternatif Krisis Energi Indonesia 2008 1. Stadium Generale Ekplorasi Bahan Alam Hayati dan Non Hayati 2. Seminar Intern FMIPA "Potensi Sains dan Matematika untuk Menghadapi Isu Krisis Energi" 3. Simposium Bidang MIPA 2008 "Peran MIPA untuk Pengembangan Ilmu dan Teknologi dalam Rangka Memantapkan Kemandirian Riset Berorientasi Industri" 2009 Seminar Nasional Statistika IX
ITS
Statistika
Penyelenggara
Panitia/ Peserta/ Pembicara Peserta
Jur. Mat. FMIPA UNDIP
FMIPA UNDIP
Peserta
FMIPA UNDIP
Peserta
FMIPA UNDIP
Peserta
FMIPA UNDIP
Peserta
Jur. Statistika FMIPA ITS
Peserta
17
2011
1. Kuliah Wawasan "Aplikasi Statistik di Lembaga Keuangan" 2. Workshop Penulisan Proposal Penelitian dan Artikel untuk Publikasi di Jurnal Terakreditasi 3. Seminar Nasional Statistika 4. Seminar Nasional Statistika
2012
5. Seminar Internasional ISNPINSA 1. Kuliah Wawasan "Kiat Sukses Menjadi Wirausahawan" 2. Workshop Penulisan Proposal Penelitian Kompetitif, Unggulan dan Publikasi Internasional Sumber Dana PNBP DIPA UNDIP 3. Seminar Nasional Aljabar 2012 4. Seminar Nasional Statistika “Implementasi dan Peran Statistika dalam Asuransi sebagai Investasi” 5. Seminar Nasional Ilmu Komputer Undip 2012
PS. Statistika FMIPA UNDIP
Panitia
UNDIP
Peserta
PS. Statistika FMIPA UNDIP PS. Statistika FMIPA UNDIP FMIPA UNDIP
Panitia
PS. Statistika FSM UNDIP UNDIP
Panitia
Jur. Matematika FSM UNDIP HIMASTA PS. Statistika FSM UNDIP
Peserta
Jurusan Informatika FSM UNDIP
Pemakalah
Pemakalah Pemakalah
Peserta
Moderator
D. Penghargaan dalam 10 tahun Terakhir No Jenis Penghargaan Institusi Pemberi Penghargaan
Tahun
18
Semua data yang saya isikan dan tercantum dalam biodata ini adalah benar dan dapat dipertanggungjawabkan secara hukum. Apabila di kemudian hari ternyata dijumpai ketidaksesuaian dengan kenyataan, saya sanggup menerima sanksi. Demikian biodata ini saya buat dengan sebenarnya untuk memenuhi salah satu persyaratan dalam pengajuan hibah PKM-P. Semarang, 17 September 2014 Pembimbing,
(
Lampiran 2. Justifikasi Anggaran Kegiatan 1. Peralatan Penunjang Material Justifikasi Kuantitas Harga Satuan Pemakaian (Rp) Pembelian dan 10 buah Rp50.000,00 Fotocopy Buku Print/Fotokopi 20 buah Rp.20.000,00 Jurnal Flashdisc 4 buah Rp 80.000,00 SUB TOTAL (Rp) 2. Bahan Habis Pakai Material Justifikasi Kuantitas Harga Satuan Pemakaian (Rp) Pulpen 3 bulan 1 kotak Rp27.000,00 Pensil 3 bulan 1 kotak Rp20.000,00 Spidol 3 bulan 10 buah Rp 10.000,00 Whiteboard Kertas HVS 80 3 bulan 3 rim Rp50.000,00 gr
)
Jumlah (Rp Rp 500.000,00 Rp.200.000,00 Rp 320.000,00 Rp 1.220.000,00
Jumlah (Rp Rp 27.000,00 Rp 20.000,00 Rp 100.000,00 Rp 150.000,00
19
CD Tempat CD Tinta Print Amplop Coklat (Airmail Kancing) Map Odner Tipe-Ex Catridge Black and Colour
10 buah 10 buah 2 kotak 21 buah
Rp 3.000,00 Rp 2.000,00 Rp50.000,00 Rp.1.000,00
Rp 30.000,00 Rp 20.000,00 Rp 100.000,00 Rp.21.000,00
5 buah 3 set 1 buah
Rp.10.000,00 Rp.6.000,00 Rp 300.000,00
Rp.50.000,00 Rp.18.000,00 Rp 300.000,00
SUB TOTAL (Rp) Rp 744.000,00 3. Perjalanan Material Transportasi Penelitian Konsumsi Diskusi
Justifikasi Kuantitas Harga Satuan Perjalanan (Rp) 30 hari Rp30.000,00 6 kali
5 orang
Rp 10.000,00
Jumlah (Rp Rp 900.000,00 Rp 300.000,00
SUB TOTAL (Rp) Rp 1.200.000,00 4. Lain-Lain Material Pembuatan Proposal Fotokopi dan Jilid Proposal Olah Data Pembuatan Laporan Fotokopi dan Jilid Laporan Publikasi Artikel Ilmiah
Justifikasi Perjalanan
Kuantitas
10
10
Harga Satuan (Rp) Rp 100.000,00
Jumlah (Rp Rp 100.000,00
Rp20.000,00
Rp 200.000,00
Rp 400.000,00 Rp 150.000,00
Rp 400.000,00 Rp 150.000,00
Rp25.000,00
Rp 250.000,00
Rp 500.000,00
Rp 500.000,00
SUB TOTAL (Rp) Rp 1.600.000,00
Lampiran 3. Susunan Organisasi Tim Kegiatan dan Pembagian Tugas No Nama / NIM Program Bidang Alokasi Uraian Studi Ilmu Waktu Tugas (jam/minggu)
20
1 2 3
Rezzy Eko Caraka / 24010211140085 Irawati Tamara / 24010212120002 Deden Aditya Nanda / 24010212120012
Statistika
20
Ketua
Statistika
20
Bendahara
Statistika
20
Sekretaris
Lampiran 4. Surat Pernyataan Ketua Peneliti
