Welcome..!!!

Selamat datang di dunia inspirasi anda. Anda mungkin akan mendapatkan banyak inspirasi dari bacaan-bacaan berikut ini. Bukan bermaksud untuk menggurui tetapi semata-mata sebagai masukan, semoga bermanfaat.
Selamat membaca!!


Ketik di kotak bawah ini!



Senin, 14 November 2011


Teori Pohon Keputusan
January 21st, 2010 • Related • Filed Under
Pohon keputusan merupakan pemilihan satu alternatif yang paling optimal dari berbagai alternatif yang tersedia. Secara struktural, pohon yang dalam analisis pemecahan masalah  pengambilan  keputusan  adalah  pemetaan mengenai  alternatif-alternatif  pemecahan masalah  yang  dapat  diambil  dari masalah  tersebut.  Pohon tersebut  juga memperlihatkan faktor-faktor kemungkinan / probablitas yang akan mempengaruhi alternatif-alternatif   keputusan tersebut, disertai dengan estimasi hasil akhir yang akan didapat bila kita mengambil alternatif keputusan tersebut. Pohon keputusan  juga dapat  digunakan  untuk memperhitungkan  analisa resiko dan  tingkat utilitas  yang  ada pada suatu  alternatif  pengambilan keputusan.  Selain itu,  pohon  keputusan  juga  dapat  memperhitungkan nilai  dari informasi tambahan yang mungkin akan kita pergunakan dalam mengambil salah satu dari alternatif keputusan yang ada di dalam pohon keputusan tersebut.
Prosedur-prosedur untuk melakukan analisis pohon keputusan antara lain adalah:
1.  Membuat pohon (TreeDiagramming)
Pada tahap ini kita harus mengidentifikasi titik keputusan dan juga titik             kemungkinan yang mungkin akan terjadi, alternatif untuk setiap titik     keputusan dan juga apa yang mungkin terjadi dari setiap keputusan yang      diambil. Kemudian kita buat sebuah diagram pohon yang menunjukkan urutan keputusan dan kejadian yang mungkin terjadi.
2.  Estimasi kemungkinan (Expected cost = EC)
Pada tahap ini kita harus mengestimasi kemungkinan hasil dari berbagai kejadian yang mungkin terjadi dan juga konsekuensi keuangan dari setiap hasil yang mungkin dari berbagai keputusan.
3.  Evaluasi dan seleksi
Tahap ini merupakan tahap akhir dimana kita memperhitungkan nilai yang diharapkan (EMV) dari setiap alternatif keputusan dan memilih keputusan dengan nilai EMV yang paling besar.

http://wartawarga.gunadarma.ac.id/2010/01/teori-pohon-keputusan/


Data Mining – Konsep Pohon Keputusan






15 Votes
Description: Pohon Keputusan
Pohon Keputusan
Pada sesi ini akan dibahas secara ringkas konsep salah satu metode data miningyaitu pohon keputusan. Bahasan meliputi:
  • Latar Belakang Pohon Keputusan
  • Pengertian Pohon Keputusan
  • Manfaat Pohon Keputusan
  • Kelebihan Pohon Keputusan
  • Kekurangan Pohon Keputusan
  • Model Pohon Keputusan
  • Algoritman C.45
  • Contoh-contoh aplikasi
Latar Belakang Pohon Keputusan
Di dalam kehidupan manusia sehari-hari, manusia selalu dihadapkan oleh berbagai macam masalah dari berbagai macam bidang.Masalah-masalah ini yang dihadapi oleh manusia tingkat kesulitan dan kompleksitasnya sangat bervariasi, mulai dari yang teramat sederhana dengan sedikit faktor-faktor yang berkaitan dengan masalah tersebut dan perlu diperhitungkan sampai dengan yang sangat rumit dengan banyak sekali faktor-faktor turut serta berkaitan dengan masalah tersebut dan perlu untuk diperhitungkan.Untuk menghadapi masalah-masalah ini, manusia mulai mengembangkan sebuah sistem yang dapat membantu manusia agar dapat dengan mudah mampu untuk menyelesaikan masalah-masalah tersebut. Adapun pohon keputusan ini adalah sebuah jawaban akan sebuah sistem yang manusia kembangkan untuk membantu mencari dan membuat keputusan untuk masalah-masalah tersebut dan dengan memperhitungkan berbagai macam factor yang ada di dalam lingkup masalah tersebut. Dengan pohon keputusan, manusia dapat dengan mudah melihat mengidentifikasi dan melihat hubungan antara faktor-faktor yang mempengaruhi suatu masalah dan dapat mencari penyelesaian terbaik dengan memperhitungkan faktor-faktor tersebut.Pohon keputusan ini juga dapat menganalisa nilai resiko dan nilai suatu informasi yang terdapat dalam suatu alternatif pemecahan masalah.Peranan pohon keputusan ini sebagai alat Bantu dalam mengambil keputusan (decision support tool) telah dikembangkan oleh manusia sejak perkembangan teori pohon yang dilandaskan pada teori graf.Kegunaan pohon keputusan yang sangat banyak ini membuatnya telah dimanfaatkan oleh manusia dalam berbagai macam sistem pengambilan keputusan.
Pengertian Pohon Keputusan
Pohon yang dalam analisis pemecahan masalah pengambilan keputusan adalah pemetaan mengenai alternatif-alternatif pemecahan masalah yang dapat diambil dari masalah tersebut. Pohon tersebut juga memperlihatkan faktor-faktor kemungkinan/probablitas yang akan mempengaruhi alternatif-alternatif keputusan tersebut, disertai dengan estimasi hasil akhir yang akan didapat bila kita mengambil alternatif keputusan tersebut.
Manfaat Pohon Keputusan
Pohon keputusan adalah salah satu metode klasifikasi yang paling populer karena mudah untuk diinterpretasi oleh manusia.Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki.Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan. Pohon Keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target.
Pohon keputusan memadukan antara
eksplorasi data dan pemodelan, sehingga  sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika
dijadikan sebagai model akhir dari beberapa teknik lain. Sering terjadi tawar menawar antara keakuratan
model dengan transparansi model. Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi adalah satu-satunya hal yang ditonjolkan, misalnya sebuah perusahaan direct mail membuat sebuah model yang akurat untuk
memprediksi anggota mana yang berpotensi untuk merespon permintaan, tanpa memperhatikan bagaimana atau mengapa model tersebut bekerja.
Kelebihan Pohon Keputusan
Kelebihan dari metode pohon keputusan adalah:
  • Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat diubah menjadi lebih simpel dan spesifik.
  • Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika menggunakan metode pohon keputusan maka sample diuji hanya berdasarkan kriteria atau kelas tertentu.
  • Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur yang terpilih akan membedakan suatu kriteria dibandingkan kriteria yang lain dalam node yang sama. Kefleksibelan metode pohon keputusan ini meningkatkan kualitas keputusan yang dihasilkan jika dibandingkan ketika menggunakan metode penghitungan satu tahap yang lebih konvensional
  • Dalam analisis multivariat, dengan kriteria dan kelas yang jumlahnya sangat banyak, seorang penguji biasanya perlu untuk mengestimasikan baik itu distribusi dimensi tinggi ataupun parameter tertentu dari distribusi kelas tersebut. Metode pohon keputusan dapat menghindari munculnya permasalahan ini dengan menggunakan criteria yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak mengurangi kualitas keputusan yang dihasilkan.
Kekurangan Pohon Keputusan
  • Terjadi overlap terutama ketika kelas-kelas dan criteria yang digunakan jumlahnya sangat banyak. Hal tersebut juga dapat menyebabkan meningkatnya waktu pengambilan keputusan dan jumlah memori yang diperlukan.
  • Pengakumulasian jumlah eror dari setiap tingkat dalam sebuah pohon keputusan yang besar.
  • Kesulitan dalam mendesain pohon keputusan yang optimal.
  • Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan sangat tergantung pada bagaimana pohon tersebut didesain.
Model Pohon Keputusan
Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki.Contoh dari pohon keputusan dapat dilihat di Gambar berikut ini.
Description: Model Pohon Keputusan
Model Pohon Keputusan (Pramudiono,2008)
Disini setiap percabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung pohon menyatakan kelas data. Contoh di Gambar 1 adalah identifikasi pembeli komputer,dari pohon keputusan tersebut diketahui bahwa salah satu kelompok yang potensial membeli komputer adalah orang yang berusia di bawah 30 tahun dan juga pelajar. Setelah sebuah pohon keputusan dibangun maka dapat digunakan untuk mengklasifikasikan record yang belum ada kelasnya. Dimulai dari node root, menggunakan tes terhadap atribut dari record yang belum ada kelasnya tersebut lalu mengikuti cabang yang sesuai dengan hasil dari tes tersebut, yang akan membawa kepada internal node (node yang memiliki satu cabang masuk dan dua atau lebih cabang yang keluar), dengan cara harus melakukan tes lagi terhadap atribut atau node daun. Record yang kelasnya tidak diketahui kemudian diberikan kelas yang sesuai dengan kelas yang ada pada node daun. Pada pohon keputusan setiap simpul daun menandai label kelas. Proses dalam pohon keputusan yaitu mengubah bentuk data (tabel) menjadi model pohon (tree) kemudian mengubah model pohon tersebut menjadi aturan (rule).
ALGORITMA C4.5
Salah satu algoritma induksi pohon keputusan yaitu ID3 (Iterative Dichotomiser 3).ID3 dikembangkan oleh J. Ross Quinlan. Dalam prosedur algoritma ID3, input berupa sampel training, label training dan atribut. Algoritma C4.5 merupakan pengembangan dari ID3.Sedangkan pada perangkat lunak open source WEKA mempunyai versi sendiri C4.5 yang dikenal sebagai J48.
Description: Algoritma C4.5
Algoritma C4.5
Pohon dibangun dengan cara membagi data secara rekursif hingga tiap bagian terdiri dari data yang berasal dari kelas yang sama. Bentuk pemecahan (split) yang digunakan untuk membagi data tergantung dari jenis atribut yang digunakan dalam split. Algoritma C4.5 dapat menangani data numerik (kontinyu) dan diskret.Split untuk atribut numerik yaitu mengurutkan contoh berdasarkan atribut kontiyu A, kemudian membentuk minimum permulaan (threshold) M dari contoh-contoh yang ada dari kelas mayoritas pada setiap partisi yang bersebelahan, lalu menggabungkan partisi-partisi yang bersebelahan tersebut dengan kelas mayoritas yang sama. Split untuk atribut diskret A mempunyai bentuk value (A) ε X dimana X ⊂domain(A).
Jika suatu set data mempunyai beberapa pengamatan dengan missing value yaitu record dengan beberapa nilai variabel tidak ada, Jika jumlah pengamatan terbatas maka atribut dengan missing value dapat diganti dengan nilai rata-rata dari variabel yang bersangkutan.[Santosa,2007]
Untuk melakukan pemisahan obyek (split) dilakukan tes terhadap atribut dengan mengukur tingkat ketidakmurnian pada sebuah simpul (node). Pada algoritma C.45 menggunakan rasio perolehan (gain ratio). Sebelum menghitung rasio perolehan, perlu menghitung dulu nilai informasi dalam satuan bits dari suatu kumpulan objek. Cara menghitungnya dilakukan dengan menggunakan konsep entropi.
Description: Entropy
S adalah ruang (data) sampel yang digunakan untuk pelatihan, p+ adalah jumlah yang bersolusi positif atau mendukung pada data sampel untuk kriteria tertentu dan p- adalah jumlah yang bersolusi negatif atau tidak mendukung pada data sampel untuk kriteria tertentu. ntropi(S) sama dengan 0, jika semua contoh pada S berada dalam kelas yang sama. Entropi(S) sama dengan 1, jika jumlah contoh positif dan negative dalam S adalah sama. Entropi(S) lebih dari 0 tetapi kurang dari 1, jika jumlah contoh positif dan negative dalam S tidak sama [Mitchell,1997].Entropi split yang membagi S dengan n record menjadi himpunan-himpunan S1 dengan n1 baris dan S2 dengan n2 baris adalah :
Description: http://fairuzelsaid.files.wordpress.com/2009/11/image008.gif?w=236&h=38
Kemudian menghitung perolehan informasi dari output data atau variabel dependent y yang dikelompokkan berdasarkan atribut A, dinotasikan dengan gain (y,A). Perolehan informasi, gain (y,A), dari atribut A relative terhadap output data y adalah:
Description: http://fairuzelsaid.files.wordpress.com/2009/11/image010.gif?w=294&h=41
nilai (A) adalah semua nilai yang mungkin dari atribut A, dan yc adalah subset dari y dimana A mempunyai nilai c. Term pertama dalam persamaan diatas adalah entropy total y dan term kedua adalah entropy sesudah dilakukan pemisahan data berdasarkan atribut A.
Untuk menghitung rasio perolehan perlu diketahui suatu term baru yang disebut pemisahan informasi (SplitInfo). Pemisahan informasi dihitung dengan cara :
Description: split
bahwaS1 sampai Sc adalah c subset yang dihasilkan dari pemecahan S dengan menggunakan atribut A yang mempunyai sebanyak c nilai. Selanjutnya rasio perolehan (gain ratio) dihitung dengan cara :
Description: http://fairuzelsaid.files.wordpress.com/2009/11/image014.gif?w=235&h=36
Contoh Aplikasi
Credit Risk
Berikut ini merupakan contoh dari salah satu kasus resiko kredit (credit risk) yang menggunakan decision tree untuk menentukan apakah seorang potential customer dengan karakteristik saving, asset dan income tertentu memiliki good credit risk atau bad credit risk.
Description: http://fairuzelsaid.files.wordpress.com/2009/11/image019.gif?w=476&h=352
Dapat dilihat pada gambar tersebut, bahwa target variable dari decision tree tersebut atau variable yang akan diprediksi adalah credit risk dengan menggunakan predictor variable : saving, asset, dan income. Setiap nilai atribut dari predictor variable akan memiliki cabang menuju predictor variable selanjutnya, dan seterusnya hingga tidak dapat dipecah dan menuju pada target variable.
Penentuan apakah diteruskan menuju predictor variable (decision node) atau menuju target variable (leaf node) tergantung pada keyakinan (knowledge) apakah potential customer dengan nilai atribut variable keputusan tertentu memiliki keakuratan nilai target variable 100% atau tidak. Misalnya pada kasus di atas untuk saving medium, ternyata knowledge yang dimiliki bahwa untuk seluruh potential customer dengan saving medium memiliki credit risk yang baik dengan keakuratan 100%. Sedangkan untuk nilai low asset terdapat kemungkinan good credit risk dan bad credit risk.
Jika tidak terdapat pemisahan lagi yang mungkin dilakukan, maka algoritma decision tree akan berhenti membentuk decision node yang baru. Seharusnya setiap branches diakhiri dengan “pure” leaf node, yaitu leaf node dengan target variable yang bersifat unary untuk setiap records pada node tersebut, di mana untuk setiap nilai predictor variable yang sama akan memiliki nilai target variable yang sama. Tetapi, terdapat kemungkinan decision node memiliki “diverse” atributes, yaitu bersifat non‐unary untuk nilai target variablenya, di mana untuk setiap record dengan nilai predictor variable yang sama ternyata memiliki nilai target variable yang berbeda. Kondisi tersebut menyebabkan tidak dapat dilakukan pencabangan lagi berdasarkan nilai predictor variable. Sehingga solusinya adalah membentuk leaf node yang disebut “diverse” leaf node, dengan menyatakan level kepercayaan dari diverse leaf node tersebut. Misalnya untuk contoh data berikut ini :
Description: http://fairuzelsaid.files.wordpress.com/2009/11/image007.gif?w=367&h=159
Dari training data tersebut kemudian disusunlah alternatif untuk candidate split, sehingga setiap nilai untuk predictor variable di atas hanya membentuk 2 cabang, yaitu sebagai berikut:
Description: http://fairuzelsaid.files.wordpress.com/2009/11/image009.gif?w=435&h=250
Kemudian untuk setiap candidate split di atas, dihitung variabel‐variabel berikut berdasarkan training data yang dimiliki. Adapun variabel‐variabel tersebut, yaitu :
Description: http://fairuzelsaid.files.wordpress.com/2009/11/image011.gif?w=266&h=45
,di mana
Description: http://fairuzelsaid.files.wordpress.com/2009/11/image013.gif?w=336&h=224
Adapun contoh hasil perhitungannya adalah sebagai berikut :
Description: http://fairuzelsaid.files.wordpress.com/2009/11/image015.gif?w=498&h=179
Dapat dilihat dari contoh perhitungan di atas, bahwa yang memiliki nilai goodness of split * Φ(s/t) + yang terbesar, yaitu split 4 dengan nilai 0.64275. Oleh karena itu split 4 lah yang akan digunakan pada root node, yaitu split dengan : assets = low dengan assets = {medium, high}.
Untuk penentuan pencabangan, dapat dilihat bahwa dengan assets=low maka didapatkan pure node leaf, yaitu bad risk (untuk record 2 dan 7). Sedangkan untuk assets = {medium, high} masih terdapat 2 nilai, yaitu good credit risk dan bad credit risk. Sehingga pencabangan untuk assets = {medium, high} memiliki decision node baru. Adapun pemilihan split yang akan digunakan, yaitu dengan menyusun perhitungan nilai Φ(s/t) yang baru tanpa melihat split 4, record 2 dan 7.
Description: http://fairuzelsaid.files.wordpress.com/2009/11/image017.gif?w=477&h=198
Demikian seterusnya hingga akhirnya dibentuk leaf node dan membentuk decision tree yang utuh (fully grown form) seperti di bawah ini :
Description: http://fairuzelsaid.files.wordpress.com/2009/11/image019.gif?w=476&h=352
Sistem Pakar Diagnosa Penyakit (Kusrini)
Dalam aplikasi ini terdapat tabel-tabel sebagai berikut:
  • Tabel Rekam_Medis, berisi data asli rekam medis pasien
  • Tabel Kasus, beisi data variabel yang dapat mempengaruhi kesimpulan diagnosis dari pasien-pasien yang ada, misalnya Jenis Kelamin, Umur, Daerah_Tinggal, Gejala_1 s/d gejala_n, Hasil_Tes_1 s/d Hasi_Tes_n. Selain itu dalam tabel ini juga memiliki field Hasil_Diagnosis.
  • Tabel Aturan, berisi aturan hasil ekstrak dari pohon keputusan.
Proses akuisisi pengetahuan yang secara biasanya dalam sistem pakar dilakukan oleh sistem pakar, dalam sistem ini akan dillakukan dengan urutan proses ditunjukkan pada gambar berikut:
Description: http://fairuzelsaid.files.wordpress.com/2009/11/kusruni1.gif?w=461&h=357
Hasil pembentukan pohon keputusan bisa seperti pohon keputusan yang tampak pada gambar:
Description: http://fairuzelsaid.files.wordpress.com/2009/11/kusruni2.gif?w=477&h=476Lambang bulat pada pohon keputusan melambangkan sebagai node akar atau cabang (bukan daun) sedangkan kotak
melambangkan node daun. Jika pengetahuan yang terbentuk beruka kaidah produksi dengan format:
Jika Premis Maka Konklusi Node-node akar akan menjadi Premis dari aturan sedangkan node daun akan menjadi bagian konklusinya. Dari gambar pohon keputusan pada gambar 4, dapat dibentuk aturan sebagai berikut:


  1. Jika Atr_1 = N_1
    Dan Atr_2 = N_4
    Dan Atr_3 = N_9
    Maka H_1
  2. Jika Atr_1 = N_1
    Dan Atr_2 = N_4
    Dan Atr_3 = N_10
    Dan Atr_4 = N_11
    Maka H_2
  3. Jika Atr_1 = N_1
    Dan Atr_2 = N_4
    Dan Atr_3 = N_10
    Dan Atr_4 = N_12
    Maka H_2
  4. Jika Atr_1 = N_1
    Dan Atr_2 = N_5
    Maka H_4
  5. Jika Atr_1 = N_2
    Maka H_5
  6. Jika Atr_1 = N_3
    Dan Atr_5 = N_6
    Maka H_6
  7. Jika Atr_1 = N_3
    Dan Atr_5 = N_7
    Maka H_7
  8. Jika Atr_1 = N_3
    Dan Atr_5 = N_8
    Maka H_8


Model case based reasoning dapat digunakan sebagai metode akuisisi pengetahuan dalam aplikasi system pakar diagnosis penyakit. Aturan yagn dihasilkan system ini mampu digunakan untuk mendiagnosis penyakit didasarkan pada data-data pasien.Dalam penentuan diagnosis penyakit belum diimplementasikan derajat kepercayaan terhadap hasil diagnosis tersebut.
Referensi:
  • Kusrini, Hartati, Penggunaan Penalaran Berbasis Kasus Untuk Membangun Basis Pengetahuan Dalam Sistem Diagnosis Penyakit
  • Teknik Klasifikasi Pohon Keputusan Untuk Memprediksi Kebangkrutan Bank Berdasarkan Rasio Keuangan Bank
  • Pramudiono, Iko. Pengantar Data Mining: Menambang Permata Pengetahuan di Gunung Data. http://www.ilmukomputer.com
  • Kusrini, 2006, Sistem Pakar Teori dan Aplikasi, Penerbit Andi Offset, Yogyakarta.
  • Santosa, Budi. 2007. Data Mining :Teknik Pemanfaatan Data untuk keperluan Bisnis. Graha Ilmu. Yogyakarta.
  • Tan, Pang-Ning, Michael Steinbach, and Vipin Kumar. 2004. Introduction to Data Mining.
  • Website WEKA. http://www.cs.waikato.ac.nz/ml/weka/.
  • Witten, Ian H. dan Eibe Frank. 2005. Data Mining: Practical machine learning tools and techniques,2nd Edition. Morgan Kaufmann. San Francisco.
http://fairuzelsaid.wordpress.com/2009/11/24/data-mining-konsep-pohon-keputusan/

Pengantar Ekonomi


Black market menurut pengertian versi Wikipedia berikut ini.
All commerce on which applicable taxes are being evaded. The market includes not only legally-prihibited commerce (for example, drugs, prostitution, and gambling activities that are illegal in some locales), but also trade in legal goods and services because some income is not reported and consequently taxation is evaded.
Semua perdagangan di mana pajak yang berlaku sedang dihindari. Pasar tidak hanya mencakup hukum-prihibited commerce (misalnya, obat, prostitusi, perjudian dan kegiatan yang ilegal di beberapa Lokal), tetapi juga perdagangan barang dan jasa karena hukum beberapa pendapatan tidak dilaporkan dan akibatnya pajak yang dihindari.
Pasar gelap ialah sektor kegiatan ekonomi yang melibatkan transaksi ekonomi ilegal, khususnya pembelian dan penjualan barang dagangan secara tak sah. Barang-barangnya sendiri bisa ilegal, seperti penjualan senjata atau obat-obatan terlarang; barang dagangan bisa curian; atau barang dagangan barangkali sebaliknya merupakan barang resmi yang dijual secara gelap untuk menghindari pembayaran pajak atau syarat lisensi, seperti rokok atau senjata api tak terdaftar. Disebut demikian karena urusan "ekonomi gelap" atau "pasar gelap" dilakukan di luar hukum, dan perlu diadakan "dalam kegelapan", di luar penglihatan hukum. Pasar gelap dikatakan berkembang saat pembatasan tempat negara pada produksi atau syarat barang dan layanan yang berasal dari konflik dengan permintaan pasar. Pasar-pasar itu berhasil baik, kemudian, saat pembatasan negara makin berat, seperti selama pelarangan atau pendistribusian. Bagaimanapun, pasar gelap secara normal hadir dalam ekonomi kapitalisme maupun sosialisme. Istilah pasar gelap dalam bahasa inggris dikenal dengan illicit trade (dulu illegal trade, sekarang berusaha untuk dihapus karena tidak sesuai)(Wikipedia.com)
Dari definisi diatas,dapat ditarik kesimpulan bahwa pasar gelap alias black market terletak pada transaksi jual beli yang dilakukan secara selundup-selundup agar terhindar dari pajak. definisi diatas masih terbuka bagi perspektif baru. Karena setiap definisi yang dibangun bisa bermuatan lokal dan sesuai konteks yang ada. Namun , lebih membidik pada praktek penyelundupan dalam proses transaksi perniagaan.
Black market pada definisi diatas cankupannya sangat luas. Misalnya saja, berkaitan dengan penjualan narkoba, karena perniagaan ini dilarang oleh negara. Maka ketika perniagaan yang dilarang ini tetap berjalan, ia sudah termasuk black market.
Contoh lain dari ekplorasi black market adalah pengiriman TKI ke luar negeri, dalam prosesnya, praktek-praktek penyelundupan, pemalsuan berkas-berkas dan data-data bisa saja terjadi.Sehingga, pasar gelap atau black market tidak hanya berfokus pada masalah maslah lokal saja,tetapi dalam penerapannya,black market mempunyai pengertian yang begitu luas,
 Kelebihan dan Kekurangan Black Market :
1.      Harga barang :
      Harga barang yang ditawarkan di Pasar gelap cukup beragam,tetapi karena barangnya yang relative illegal,membuat penjual memasang target harga yang lebih tinggi dari harga normal.Barang yang di tawarkan adalah barang barang yang sulit di dapat di pasaran.oleh karena itu,para penjual biasanya mendapatkan keuntungan yang lebih dari penjualan barang dengan harga yang relative mahal karena keterbatasan tempat dan barang yang ada. 
      sehingga,dengan ini,para pembeli,rela untuk mengeluarkan uang yang lebih untuk mendapatkan barang yang ditawarkan karena keterbatasan barang yang ada dan tidak d perjualbelikan secara umum di pasar.
2.  Keamanan
     transaksi yang terjadi di Black Market ( Pasar Gelap) mempunyai konsekuensi yang sangat besar dibandingkan dengan pasar biasa,Karena sifatnya yang tdak sah/ ilegal ,maka secara langsung,sebenarnya pasar gelap itu dilarang oleh peraturan perundang undangan yang ada, Apabila ,modus transaksi penawaran dan pembelian ini di ketahui oleh pihak yang berwenang,maka para pelakunya,baik penjual atau pembeli akan mendapatkan sangki yang cukup berat.
3. Keuntungan
           

Kamis, 10 November 2011

Jurnal Penyesuaian (Dasar-Dasar Akuntansi)


Jurnal Penyesuaian (Dasar-Dasar Akuntansi)

http://dasar-akuntansi.blogspot.com/2009/09/jurnal-penyesuaian-dasar-dasar.html
A. PENGERTIAN
Jurnal penyesuaian adalah jurnal yang dibuat untuk menyesuaikan saldo rekening-rekening ke saldo yang sebenarnya sampai dengan periode akuntansi, atau untuk memisahkan antara pendapatan dan beban dari suatu periode dengan periode yang lain.

B. REKENING YANG HARUS DISESUAIKAN
Saldo rekening yang perlu disesuaikan adalah :
1. Penyusutan/depresiasi aset tetap
  1. Seluruh aset tetap kecuali tanah yang dimiliki perusahaan harus disusutkan/didepresiasi. Terdapat beberapa metode untuk menyusutkan aset tetap, salah satunya adalah metode garis lurus.
    Contoh : Sebuah mobil seharga Rp 90.000.000,- diperkirakan umur ekonomisnya adalah 10 tahun, apabila disusutkan menggunakan metode garis lurus maka beban depresiasinya per tahun adalah:
    90.000.000 = Rp 9.000.000; per tahun
         10
    
Jurnal untuk mencatat beban depresiasi tersebut adalah:
    
Tanggal 
Rekening & Keterangan 
Ref 
Debet 
Kredit 
31-12-02 
Beban depresiasi
Akumulasi depresiasi kendaraan
(mencatat depresiasi kendaraan)
9.000.000 

9.000.000


  1. Beban dibayar di muka
    Contoh :
    Perusahaan membayar asuransi sebesar Rp 750.000 untuk masa 3 tahun yaitu tahun 2002 s/d 2004. Pada saat membayar perusahaan menggunakan pendekatan beban.

    Jurnal penyesuaiannya adalah sebagai berikut:

Tanggal 
Rekening & Keterangan
Ref 
Debet 
Kredit 
31-12-2002 
Asuransi Dibayar di muka
Beban Asuransi 

- 
500.000

500.000 


  1. Beban yang masih harus dibayar
Contoh :
Suatu perusahaan belum membayar gaji karyawan sebesar Rp 500.000;

Jurnal penyesuaiannya adalah sebagai berikut:

Tanggal 
Rekening & Keterangan 
Ref 
Debet 
Kredit 
31-12-2002 
Beban Gaji
Hutang Gaji 

- 
500.000

500.000


  1. Pendapatan diterima di muka
Contoh :
Tanggal 31 Desember 2002 sebuah hotel menerima pembayaran dari tamu hotel sebesar Rp 750.000 untuk 5 hari. Hotel menggunakan pendekatan pendapatan.

Jurnal penyesuainnya adalah sebagai berikut:

Tanggal 
Rekening & Keterangan 
Ref 
Debet 
Kredit 
31-12-2002 
Pendapatan
Pendapatan diterima dimuka 

- 
600.000

600.000 

  1. Piutang Pendapatan
Contoh :
    Tanggal 31 Desember 2002 sebuah hotel belum menerima pembayaran sewa kamar sebesar Rp 500.000; karena pembayaran baru dilakukan pada saat check out..

    Jurnal penyesuainnya adalah sebagai berikut:
Tanggal 
Rekening & Keterangan 
Ref 
Debet 
Kredit
31-12-2002 
Piutang Pendapatan
Pendapatan  

- 
500.000

500.000 

Latihan 13

Buatlah jurnal penyesuaian berdasarkan data-data sebagai berikut:
  1. Perlengkapan yang digunakan pada tahun ini adalah sebesar Rp.500.000;
  2. Gaji karyawan yang masih harus dibayar oleh perusahaan sebesar Rp.1.000.000;
  3. Perusahaan telah menyelesaikan pekerjaan jasa foto copy sebesar Rp.750.000; tetapi belum diterima pembayarannya.
  4. Perusahaan membayar sewa gedung kantor untuk 2 tahun ini sebesar Rp 10.000.000;

http://itsme231019.wordpress.com/2007/12/15/black-market-apa-sih-maksudnya/

Black Market, apa sih maksudnya?

Posted by: itsme231019 on: December 15, 2007
gun
Ceritanya begini, saya punya HP N70. Saya resmi membelinya di Saudi. Harganya 1150 Sar. Lengkap dengan invoice, garansi, buku guide, asesoris berikut kardusnya, kumplit deh.
Tapi entah kenapa, begitu mau di jual, ada orang bilang bahwa HP saya itu merupakan barang BM (Black Market).
Dia bilang hp saya itu termasuk black market karena tidak kena pajak. Lantas dia bilang kalau di jual di indonesia, barang tersebut akan dibeli dengan harga murah.
Kalau kenyataannya begini, rugi juga kalau saya punya barang-barang istimewa apalagi kalau harganya mahal. Karena tetap akan dianggap black market karena dibelinya diluar negeri sehingga tidak kena biaya pajak di Indonesia.
Padahal kalau dipikir-pikir, pas saya membeli, statusnya legal dan resmi, pasti juga ada pajaknya kan. Tapi jelas pajaknya bukan untuk negara Indonesia. Tapi untuk negara dimana hp itu saya beli.
Kasus ini membuat saya tertarik meneliti apa yang dimaksud dengan black market. Mungkin sebagai orang indonesia, saya menyebutnya pasar gelap (pasar poek), tapi jangan di identikan dengan pasar malam ya. J
Black market menurut pengertian versi wikipedia berikut ini.
All commerce on which applicable taxes are being evaded. The market includes not only legally-prihibited commerce (for example, drugs, prostitution, and gambling activities that are illegal in some locales), but also trade in legal goods and services because some income is not reported and consequently taxation is evaded.
Dari definisi diatas, saya bisa menyimpulkan bahwa pasar gelap alias black market terletak pada transaksi jual beli yang dilakukan secara selundup-selundup agar terhindar dari pajak.
Tapi saya pikir, definisi diatas bagi saya masih terbuka bagi perspektif baru. Karena setiap definisi yang dibangun bisa bermuatan lokal dan sesuai konteks yang ada. Namun saya lebih membidik pada praktek penyelundupan dalam proses transaksi perniagaan.
Saya juga tidak tahu persis apakah Hp saya yang saya beli dari saudi termasuk kategori black market ketika hp itu akan di jual di indonesia, meskipun proses transaksinya transparant dengan bukti-bukti yang jelas?
Tapi black market kan seperti yang disebut pada definisi diatas, cakupannya sangat luas. Ia bisa berkaitan dengan penjualan narkoba, karena perniagaan ini dilarang oleh negara. Maka ketika perniagaan yang dilarang ini tetap berjalan, ia sudah termasuk black market.
Saya juga terus mengekplorasi black market ini ke wilayah lain. Wilayah itu adalah pengiriman tki ke luar negeri. Apakah betul pengiriman manusia besar-besaran sebagai babu ke luar negeri ini tidak termasuk black market?. Karena saya pikir, dalam prosesnya, praktek-praktek penyelundupan dan pemalsuan berkas-berkas dan data-data bisa saja terjadi.
Ternyata kalau dipikir-pikir, praktek black market ini terjadi hampir dimana-mana. Tapi kita sering gak sadar kalau itu punya kaitan dengan black market juga. Vcd bajakan, prostitusi, narkoba, adalah juga hal-hal yang sangat mudah terjadi pada pasar gelap. Apalagi kalau pasa gelap terjadi di pasar malam, wah…makin hebat saja tuh.
by ahmad