Matrice d’impacts croises-multipication applique´ atau biasa dikenal sebagai micmac analysis cocok digunakan untuk mengevaluasi sebuah program dan menemukan variabel kunci yang dapat digunakan untuk memperbaiki di masa mendatang. Uniknya micmac memberikan output peramalan atau forecast dari prioritas prioritas variabel.

Ibarat sebuah motor yang utuh, semua komponen yang ada harus dapat beroperasi dengan baik. Kerusakan pada salah satu bagian akan menyebabkan kinerja motor itu akan terganggu. Micmac diyakini mampu menemukan bagian mana yang bermasalah dalam suatu sistem. Jika kita berada diluar sistem atau tidak menjadi bagian sistem yang akan dievaluasi, maka kita harus meminta bantuan pakar yang mengerti terhadap cara kerja sistem tersebut.

Ada beberapa ahli berpendapat bahwa micmac dihubungkan dengan indeks keberlanjutan yang banyak menggunakan multidimensional scaling. Namun setelah dipelajari, micmac ternyata berbeda dengan multidimensional scaling. Jika MDS mengeluarkan suatu indeks dan menyatakan berkelanjutan, kurang berkelanjutan, dan tidak berkelanjutan, dan menyertakan variabel pengungkit yang bisa meningkatkan indeks keberlanjutannya tersebut. Berbeda pada MDS, micmac akan memunculkan setidaknya empat output, yakni grafik diagram berupa kuadran yang menerangkan posisi semua variabel, apakah merupakan variabel output, input atau stakes, dan lengkap hubungan kuat atau tidak kuat antara masing masing variabel. Grafik tersebut dinyatakan dalam kondisi saat ini. Outpu kedua sama dengan output pertama namun dinyatakan pada masa mendatang atau proyeksi. Output ketiga, prioritas variabel yang dimunculkan agar sistem yang dievaluasi berjalan dengan baik. Hal ini mirip dengan Analitical Hierarchy Prosedur, output ketiga diterangkan dalam kondisi present/saat ini. Output keempat sama dengan output ketiga namun merupakan proyeksi di masa depan.

Masa depan yang dimaksud disini tidak dijelaskan dalam waktu dekat, satu tahun kedepan dsb, namun micmac akan memperhitungkan akan terjadi perubahan tersebut. Hal ini akan membantu kebijakan agar bisa mengantisipasi perubahan itu sejak awal. Forecasting yang dilakukan micmac dilakukan dengan melakukan pengulangan/iterasi dan menganalisis pergeseran terdekat.

Micmac sendiri sudah dikenal sejak tahun 90-an. Hal yang unik di micmac tidak ada uji validasi untuk mengukur apakah data yang terinput sudah konsisten atau belum. Namun para peneliti sejak era tersebut sudah sepakat bahwa micmac memang tidak membutuhkan uji konsistensi tersebut.

Tahapan dalam micmac analysis

Tahapan micmac analysis sangat mirip dengan teknik participatory Prospektif Analysis. Beberapa hal yang perlu diketahui adalah:

  1. Micmac analysis menggunakan data dengan skala nonparametrk yakni ordinal dengan 0 adalah tidak ada hubungan, 1 adalah hubungan lemah, 2 adalah hubungan rata rata, dan 3 adalah hubungan kuat.
  2. Micmac menggunakan pakar dalam mengumpulkan data. Pakar yang diperlukan 2 sampai dengan 10. Idealnya 7 orang. Jika lebih dari itu, artinya responden (tidak ada pakar). Pemilihan pakar yang benar benar mengerti menjadi kunci keberhasilan micmac analysis ini.
  3. Saat pengambilan data, dapat dilakukan dengan cara kuesioner dan masing masing pakar mengisi kuesioner tersebut, atau menggunakan metode FGD dimana mereka kita minta diskusi untuk sepakat menghasilkan suatu nilai. FGD bisa dilakukan dengan membagi kelompok dan memintanya untuk menjawab kuesioner, satu kelompok, satu jawaban.
  4. Nilai yang diambil adalah modus. Maka sebaiknya gunakan jumlah pakar yang ganjil.
  5. Pelaksanaan FGD atau kuesioner ke para pakar setidaknya dilakukan dua kali. Pada pertemuan pertama fokus pertanyaan adalah mengidentifikasi semua variabel yang ada di dalam sistem atau program yang hendak di evaluasi, beserta definisi operasionalnya. Kesepakatan definisi operasional disini membantu para pakar memiliki pemahaman dan persepsi yang sama. Setelah variabel dikumpulkan, kemudian para pakar dimintai mengisi hubungan masing masing variabel dengan nilai non parametrik sesuai point no 1.
  6. Hasil pada FGD tersebut kemudian dimasukkan dalam micmac module, dan hasilnya dilakukan pembahasan di FGD kedua. Peserta FGD pertama dan kedua adalah orang yang sama. Pada FGD kedua ini bertujuan untuk mngonfirmasi hasil dari sistem yang dikaji, melakukan pengayaan informasi, pemahaman terhadap sistem, dan teridentifikasinya key driver pada sistem.

Kuesioner yang diberikan berupa matriks yang harus diisi dengan pilihan 0,1,2, dan 3. Jika pakar tidak mengisi, maka micmac akan menghitungnya dengan nilai 3. Pada saat input nantinya diberi kode “P” untuk menginformasikan bahwa cell tersebut tidak terisi oleh pakar.

Contoh kuesioner atau matriksnya adalah sebagai berikut:

Cara membacanya adalah dari baris ke kolom. Area yang diarsir kuning sudah otomatis akan bernilai 0 karena membandingkan variabel itu sendiri. Perlu diingat bahwa ini adalah hubungan satu arah, bukan dua arah atau matriks berpasangan seperti AHP. Contonya baris pertama, teknologi budidaya mempengaruhi kuat terhadap variabel produktivitas (baris 1). Namun baris 2 menyatakan produktivitas tidak berpengaruh terhadap teknologi. Berbeda dengan AHP, jika a terhadap B adalah 3, maka sudah pasti B terhadap A adalah 1/3.

Tahap selanjutnya adalah pengumpulan data, data yang digunakan dalam olah data adalah modus data atau data terbanyak. Tahapan menganalisisnya adalah sebagai berikut:

Install aplikasi micmac. aplikasi dapat diunduh disini atau disini. Aplikasi ini hanya bisa berjalan di windows. Setelah diinstal aplikasi dibuka dengan tampilan awal sebagai berikut:

Klik file – new dan ketikkan nama project. Pada latihan ini saya tulis project ke bulan.

Maka menu disebelah kiri akan aktif.

Tahap selanjutnya adalah memasukkan data. Klik data entry – variabel pada menu panel sebelah kiri. Akan muncul windows list of variabel seperti gambar ini:

Klik add, kemudian isikan long label dengan nama variabel, isikan short label dengan singkatan dari variabel tersebut, kemudian klik OK. Input semua variabel yang akan dianalisis.

Variabel yang lengkap dalam latihan ini terlihat seperti ini:

Tahap selanjutnya adalah memasukkan data matriks tadi kedalam software. Klik matrix direct influence. Kemudian masukkan matrix sesuai hasil akhir pengumpulan data. Jangan lupa klik OK

Interpretasi Hasil

Tahap input data sangat simple, namun harus berhati hati karena input data dilakukan secara manual. Akan menjadi sulit jika jumlah variabelnya lebih dari 10. Pada tahap input diatas, jika ada nilai yang kosong maka diganti dengan kode “P”.

Identitas variabel

Interpretasi hasil pertama adalah melakukan identitas variabel. Hampir mirip dengan IPA, variabel dalam micmac terbagi menjadi empat yakni variabel akses/supply, stakes/relay, variabel autonomos, dan variabel input. Penggolongan ini berdasarkan tingkat tinggi rendahnya ketergantungan dan pengaruhnya terhadap variabel lain. Variabel kunci adalah variabel stakes atau relay karena berfungsi mendeliverkan variabel input menjadi output. (tapi saya kurang setuju, sebab nanti variabel kunci akan diperlihatkan micmac di bagian MPDI dan MPII dengan nilai prioritas terbesar).

Pada latihan ini diperoleh variabel sebagai berikut:

Variabel input: pupuk
Variabel autonomos: iklim dan cuaca
Variabel relay: teknologi
Variabel output: produktivitas.

Selain melihat direct map, output lain kita bisa melihat hubuungan hubungan kesemua variabel dengan mengklik direct graph seperti gambar dibawah ini:

Klik direct graph, kemudian pada panel windows bagian atas terdapat percentage berupa pilihan berapa persen bagan yang akan dilihat, semakin tinggi, maksimal 100 persen, maka tampilan gambarnya akan rumit terutama jika semakin banyak variabelnya. Untuk bisa melihat view yang berbeda, silahkan tekan enter pada keyboard. Garis garis diatas menyatakan hubungan yang disertai keterangan dibawahnya. Contoh gambar yang terlihat lebih kompleks seperti dibawah ini:

Oke, dalam membaca output mipmap perlu diketahui bahwa kata direct mengacu kepada kondisi eksisting, sedangakn kata indirect mengacu kepada forecasting atau kondisi yang akan datang.

Forecast tersebut dihasilkan melalui iterasi atau pengulangan yang dilakukan micmac. Cara setting pengulangan yakni klik pada menu data – calculation parameter.

Kemudian akan muncul windows dengan jumlah iterasi yang diinginkan. Informasi yang diperoleh iterasi yang bagus tidak perlu banyak, justru jika hasilnya sudah 100% pada influence dan independen di nomor terkecil, itu berarti sudah bagus. Saya berikan iterasi disini angka 2.

Untuk melihat hasil pada paragraf sebelumnya klik di tanda panah sesuai gambar dibawah ini:

Melanjutkan interpretasi hasil, hasil kedua sama dengan hasil pertama yakni kondisi mapping dan graph, hanya saja micmac menampilkan untuk masa depan atau proyeksi. Hasilnya seperti gambar dibawah ini:

Kita juga bisa mendampingkan misalnya perubahan hubungan masa saat ini dengan masa depan. Pada latihan ini (tidak ditampilkan digambar), micmac memproyeksikan akan ada hubungan antara pupuk dan iklim dimana saat ini hub itu masih rendah.

Oh iya, pada indirect, akan muncul angka ditengah tengah panah itu menandakan kekuatan hubungan antar variabel. Namun angka tersebut belum dapat digunakan secara kuantitatif, hanya bersifat angka prioritas dibanding angka yang lain.

Perumusan kebijakan

Perumusan kebijakan atas hasil micmac ini dapat diketahui dengan melihat MPDI dan MPII. Lagi lagi keduanya dibedakan dengan kata direct (masa kini) dan indirect (masa depan/forecast). Cara membaca output ini sama dengan MDI atau MII, hanya perbedaannya adalah pada MPDI dan MPII, micmac sudah mengurutkan variabel yang paling penting dengan nilai tertinggi hingga terendah (seperti AHP). Hasilnya diperoleh dari MDI dan MII dengan kecenderungan perubahan karena iterasi yang diberikan baik masa kini maupun masa depan. Menu output ini bisa diperolah seperti gambar dibawah yang dilingkari:

Adapun perubahan tingkat prioritas baik dari sisi pengaruh maupun sisi dependen, dapat dilihat dari menu list of variabel sorted by influence dan list of variabel sorted by dependece.

Pada gambar diatas, mipmap memprediksi bahwa variabel gini akan menurun prioritasnya dalam mempengaruhi variabel lain di masa mendatang. Sebaliknya ipm akan meningkat prioritas menggantikan variabel gini dalam mempengaruhi variabel lain.

Sedangkan klasifikasi variabel berdasarkan prioritas dependence atau dipengaruhi oleh variabel lain terlihat pada gambar diatas. Garis merah menandakan adanya penurunan, sedangkan garis hijau menandakan adanya kenaikan di masa mendatang.

Output ini akan membantu peramu kebijakan agar mengantisipasi perubahan variabel dalam mempengaruhi dan dipengaruhi dibandingkan variabel yang lain, sehingga kebijakan yang dikeluarkan tepat sasaran.

Output penting lainnya adalah resume prioritas dari kesemua indikator diatas. Bagian ini bisa ditemukan pada menu proportion seperti gambar dibawah ini:

Nilai prioritas tersebut berada dalam kotak berwarna merah. Nilai tersbeut hanya bersifat proporsi terbesar dalam pemeringkatan yang berarti paling penting bagi sistem yang dievaluasi.

Demikian rangkuman catatan tentang micmac, semoga bisa dipelajari dengan baik saat aplikasi ini dibutuhkan terutama bagi penulis sendiri.

Terima kasih

note:
dowload bahan latihan micmac

Peneliti bidang sosial ekonomi pertanian. Pernah bekerja di bidang supply chain. Detil info silahkan kunjungi laman about me.

Join the Conversation

4 Comments

Your email address will not be published. Required fields are marked *

  1. Terima kasih banyak sharingnya, pas banget saya ada data yang sepertinya cocok dianalis menggunakan micmac. Ditunggu sharing berikutnya.