Macam - Macam Metode Sistem Penunjang Keputusan

Metode Sistem pakar

Sistem pakar adalah suatu program komputer yang dirancang untuk
mengambil keputusan seperti keputusan yang diambil oleh seorang atau
beberapa orang pakar. Menurut Marimin (1992), sistem pakar adalah
sistem perangkat lunak komputer yang menggunakan ilmu, fakta, dan
teknik berpikir dalam pengambilan keputusan untuk menyelesaikan
masalah-masalah yang biasanya hanya dapat diselesaikan oleh tenaga
ahli dalam bidang yang bersangkutan. Dalam penyusunannya, sistem
pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference
rules) dengan basis pengetahuan tertentu yang diberikan oleh satu atau
lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal tersebut
disimpan dalam komputer, yang selanjutnya digunakan dalam proses
pengambilan keputusan untuk penyelesaian masalah tertentu.

Modul Penyusun Sistem Pakar

Suatu sistem pakar disusun oleh tiga modul utama (Staugaard, 1987),
yaitu :
1. Modul Penerimaan Pengetahuan Knowledge Acquisition
Mode)
Sistem berada pada modul ini, pada saat ia menerima pengetahuan dari
pakar. Proses mengumpulkan pengetahuan-pengetahuan yang akan
digunakan untuk pengembangan sistem, dilakukan dengan bantuan
knowledge engineer. Peran knowledge engineer adalah sebagai
penghubung antara suatu sistem pakar dengan pakarnya.
2. Modul Konsultasi(Consultation Mode)
Pada saat sistem berada pada posisi memberikan jawaban atas
permasalahan yang diajukan oleh user, sistem pakar berada dalam modul
konsultasi. Pada modul ini, user berinteraksi dengan sistem dengan
menjawab pertanyaan-pertanyaan yang diajukan oleh sistem.
3. Modul Penjelasan(Explanation Mode)
Modul ini menjelaskan proses pengambilan keputusan oleh sistem
(bagaimana suatu keputusan dapat diperoleh).

Struktur Sistem Pakar

Komponen utama pada struktur sistem pakar (Hu et al, 1987) meliputi:
1. Basis Pengetahuan (Knowledge Base)
Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu berupa
representasi pengetahuan dari pakar. Basis pengetahuan tersusun atas
fakta dan kaidah. Fakta adalah informasi tentang objek, peristiwa, atau
situasi. Kaidah adalah cara untuk membangkitkan suatu fakta baru dari
fakta yang sudah diketahui. Menurut Gondran (1986) dalam Utami (2002),
basis pengetahuan merupakan representasi dari seorang pakar, yang
kemudian dapat dimasukkan kedalam bahasa pemrograman khusus untuk
kecerdasan buatan (misalnya PROLOG atau LISP) atau shell sistem pakar
(misalnya EXSYS, PC-PLUS, CRYSTAL, dsb.)
2. Mesin Inferensi (Inference Engine)
Mesin inferensi berperan sebagai otak dari sistem pakar. Mesin inferensi
berfungsi untuk memandu proses penalaran terhadap suatu kondisi,
berdasarkan pada basis pengetahuan yang tersedia. Di dalam mesin
inferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah,
model, dan fakta yang disimpan dalam basis pengetahuan dalam rangka
mencapai solusi atau kesimpulan. Dalam prosesnya, mesin inferensi
menggunakan strategi penalaran dan strategi pengendalian.
Strategi penalaran terdiri dari strategi penalaran pasti (Exact Reasoning)
dan strategi penalaran tak pasti (Inexact Reasoning). Exact reasoning
akan dilakukan jika semua data yang dibutuhkan untuk menarik suatu
kesimpulan tersedia, sedangkan inexact reasoning dilakukan pada
keadaan sebaliknya.
Strategi pengendalian berfungsi sebagai panduan arah dalam melakukan
prose penalaran. Terdapat tiga tehnik pengendalian yang sering
digunakan, yaitu forward chaining, backward chaining, dan gabungan dari
kedua tehnik pengendalian tersebut.
3. Basis Data (Database)
Basis data terdiri atas semua fakta yang diperlukan, dimana fakta-fakta
tersebut digunakan untuk memenuhi kondisi dari kaidah-kaidah dalam
sistem. Basis data menyimpan semua fakta, baik fakta awal pada saat
sistem mulai beroperasi, maupun fakta-fakta yang diperoleh pada saat
proses penarikan kesimpulan sedang dilaksanakan. Basis data digunakan
untuk menyimpan data hasil observasi dan data lain yang dibutuhkan
selama pemrosesan.

4. Antarmuka Pemakai (User Interface)

Fasilitas ini digunakan sebagai perantara komunikasi antara pemakai

dengan sistem. Hubungan antar komponen penyusun struktur sistem
pakar dapat dilihat pada Gambar di bawah ini :
Teknik Representasi Pengetahuan
Representasi pengetahuan adalah suatu teknik untuk merepresentasikan
basis pengetahuan yang diperoleh ke dalam suatu skema/diagram
tertentu sehingga dapat diketahui relasi/keterhubungan antara suatu data
dengan data yang lain. Teknik ini membantu knowledge engineer dalam
memahami struktur pengetahuan yang akan dibuat sistem pakarnya.
Terdapat beberapa teknik representasi pengetahuan yang
digunakan dalam pengembangan suatu sistem pakar, yaitu :

biasa

1. Rule-Based Knowledge
2. Pengetahuan direpresentasikan dalam suatu bentuk fakta (facts) dan
aturan (rules).
Bentuk representasi ini terdiri atas premise dan kesimpulan
3. Frame-Based Knowledge
Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau
jaringan frame
4. Object-Based Knowledge Pengetahuan direpresentasikan sebagai
jaringan dari
obyek-obyek. Obyek adalah elemen data yang terdiri dari data dan
metoda (proses)
5. Case-Base Reasoning Pengetahuan direpresentasikan dalam bentuk
kesimpulan
kasus (cases)
(Untuk mengetahui lebih jelasnya, Anda dapat membaca buku :
Management Information System (J.A. O'Brien) McGraw Hill.
Arizona.USA.
Decision Support and Expert Systems; Management Support Systems (E.
Turban)
Prentice Hall. New Jersey.USA.
Buku-buku lain yang membahas tentang Sistem Pakar)
Sistem pakar adalah sistem yang mempekerjakan pengetahuan manusia
yang ditangkap dalam komputer untuk memecahkan masalah yang
biasanya membutuhkan keahlian manusia. Adapun komponen-kompenen
yang mungkin ada dalam sebuah sistem pakar adalah:
1. Subsistem akuisisi pengetahuan
2. Basis pengetahuan
Basis pengetahuan berisi pengetahuan penting untuk pengertian,
formulasi dan
pemecahan masalah. Basis pengetahuan memasukkan dua elemen (1)
fakta (facts)
seperti situasi masalah dan teori dari area masalah dan (2) heuristic
khusus atau

rule-rule yang menghubungkan penggunaan pengetahuan untuk

pemecahan
masalah spesifik dalam sebuah domain khusus. Informasi dalam basis
pengetahuan
tergabung dalam basis pengetahuan tergabung dalam sebuah program
computer
oleh proses yang disebut dengan representasi pengetahuan.
3. Mesin inferensi
4. Blackboard (Wilayah kerja)
5. User interface
Sistem pakar berisi bahasa prosesor untuk komunikasi yang
bersahabat,
berorientasi pada masalah antara pengguna dan komputer. Komunikasi
ini dapat
secara baik dibawa oleh natural language, dan dalam beberapa kasus
user interface
ditambahkan dengan menu-menu dan grafik.
6. Subsistem penjelasan
7. Sistem penyaringan pengetahuan
Sedangkan konsep dasar dalam sistem pakar menurut Turban, 1993
adalah:
1. Keahlian (Expertise)
2. Pakar (Expert)
3. Transfer keahlian
4. Inferensi
5. Rule
6. Kemampuan memberikan penjelasanHYPERLINK "http://kmp.htm/" \t
"right"
Akuisisi pengetahuan adalah akumulasi, transfer dan transformasi dari
keahlian
pemecahan masalah dari beberapa sumber pengetahuan ke program
komputer
untuk konstruksi atau perluasan basis pengetahuan. Sumber-sumber
pengetahuan
potensial termasuk pakar manusia, textbook, database, laporan
penelitian khusus,
dan gambar-gambar. Pengakuisisian pengetahuan dari pakar adalah
tugas kompleks
yang sering membuat kemacetan dalam konstruksi sistem pakar
sehingga
dibutuhkan seorang knowledge engineer untuk berinteraksi dengan
satu atau lebih
pakar dalam membangun basis pengetahuan. Metode Regresi linier
Regresi linier adalah metode statistika yang digunakan untuk
membentuk model

hubungan antara variabel terikat (dependen; respon; Y) dengan satu

atau lebih
variabel bebas (independen, prediktor, X). Apabila banyaknya variabel
bebas hanya
ada satu, disebut sebagai regresi linier sederhana, sedangkan apabila
terdapat lebih
dari 1 variabel bebas, disebut sebagai regresi linier berganda.
Analisis regresi setidak-tidaknya memiliki 3 kegunaan, yaitu untuk
tujuan deskripsi
dari fenomena data atau kasus yang sedang diteliti, untuk tujuan
kontrol, serta
untuk tujuan prediksi. Regresi mampu mendeskripsikan fenomena data
melalui
terbentuknya suatu model hubungan yang bersifatnya numerik. Regresi
juga dapat
digunakan untuk melakukan pengendalian (kontrol) terhadap suatu
kasus atau halhal yang sedang diamati melalui penggunaan model regresi yang
diperoleh. Selain
itu, model regresi juga dapat dimanfaatkan untuk melakukan prediksi
untuk
variabel terikat. Namun yang perlu diingat, prediksi di dalam konsep
regresi hanya
boleh dilakukan di dalam rentang data dari variabel-variabel bebas
yang digunakan
untuk membentuk model regresi tersebut. Misal, suatu model regresi
diperoleh
dengan mempergunakan data variabel bebas yang memiliki rentang
antara 5 s.d.
25, maka prediksi hanya boleh dilakukan bila suatu nilai yang
digunakan sebagai
input untuk variabel X berada di dalam rentang tersebut. Konsep ini
disebut
sebagai interpolasi. Data untuk variabel independen X pada regresi
linier bisa
merupakan data pengamatan yang tidak ditetapkan sebelumnya oleh
peneliti
(obsevational data) maupun data yang telah ditetapkan (dikontrol) oleh
peneliti
sebelumnya (experimental or fixed data). Perbedaannya adalah bahwa
dengan menggunakan fixed data, informasi yang diperoleh lebih kuat
dalam
menjelaskan hubungan sebab akibat antara variabel X dan variabel Y.
Sedangkan,
pada observational data, informasi yang diperoleh belum tentu
merupakan
hubungan sebab-akibat. Untuk fixed data, peneliti sebelumnya telah
memiliki

beberapa nilai variabel X yang ingin diteliti. Sedangkan, pada

observational data,
variabel X yang diamati bisa berapa saja, tergantung keadaan di
lapangan.
Biasanya, fixed data diperoleh dari percobaan laboratorium, dan
observational data
diperoleh dengan menggunakan kuesioner. Di dalam suatu model
regresi kita akan
menemukan koefisien-koefisien. Koefisien pada model regresi
sebenarnya adalah
nilai duga parameter di dalam model regresi untuk kondisi yang
sebenarnya (true
condition), sama halnya dengan statistik mean (rata-rata) pada konsep
statistika

dasar. Hanya saja, koefisien-koefisien untuk model regresi merupakan

suatu nilai rata-rata yang berpeluang terjadi pada variabel Y (variabel
terikat) bila suatu nilai X (variabel bebas) diberikan. Koefisien regresi
dapat dibedakan menjadi 2 macam, yaitu:
1. Intersep (intercept)
Intersep, definisi secara metematis adalah suatu titik perpotongan antara
suatu garis dengan sumbu Y pada diagram/sumbu kartesius saat nilai X =
0. Sedangkan definisi secara statistika adalah nilai rata-rata pada variabel
Y apabila nilai pada variabel X bernilai 0. Dengan kata lain, apabila X tidak
memberikan kontribusi, maka secara rata-rata, variabel Y akan bernilai
sebesar intersep. Perlu diingat, intersep hanyalah suatu konstanta yang
memungkinkan munculnya koefisien lain di dalam model regresi. Intersep
tidak selalu dapat atau perlu untuk diinterpretasikan. Apabila data
pengamatan pada variabel X tidak mencakup nilai 0 atau mendekati 0,
maka intersep tidak memiliki makna yang berarti, sehingga tidak perlu
diinterpretasikan.
Secara matematis, slope merupakan ukuran kemiringan dari suatu garis.
Slope adalah
koefisien regresi untuk variabel X (variabel bebas). Dalam konsep
statistika, slope
merupakan suatu nilai yang menunjukkan seberapa besar kontribusi
(sumbangan) yang diberikan suatu variabel X terhadap variabel Y. Nilai
slope dapat pula diartikan sebagai ratarata pertambahan (atau
pengurangan) yang terjadi pada variabel Y untuk setiap peningkatan satu
satuan variabel X.
Contoh model regresi:
Y = 9.4 + 0.7*X +
Angka 9.4 merupakan intersep, 0.7 merupakan slope, sedangkan
merupakan error.

Error bukanlah berarti sesuatu yang rusak, hancur atau kacau. Pengertian
error di dalam konsep statistika berbeda dengan pengertian error yang
selama ini dipakai di dalam kehidupan sehari-hari.
Metode B/C Ratio
Analisis manfaat-biaya merupakan analisis yang digunakan untuk
mengetahui besarankeuntungan/kerugian serta kelayakan suatu proyek.
Dalam perhitungannya, analisis inimemperhitungkan biaya serta manfaat
yang
akan
diperoleh
dari
pelaksanaan
suatu
program.Dalam
analisisbenefit dancos t perhitungan manfaat serta biaya ini merupakan
satu kesatuanyang tidak dapat dipisahkan.
Analisis ini mempunyai banyak bidang penerapan. Salah satu bidang
penerapan yang umummenggunakan rasio ini adalah dalam bidang
investasi. Sesuai dengan dengan maknatekstualnya yaitu benefit cost
(manfaat-biaya)
maka
analisis
ini
mempunyai
penekanan
dalamperhitungan tingkat keuntungan/kerugian suatu program atau suatu
rencana denganmempertimbangkan biaya yang akan dikeluarkan serta
manfaat yang akan dicapai. Penerapananalisis ini banyak digunakan oleh
para investor dalam upaya mengembangkan bisnisnya.Terkait dengan hal
ini maka analisis manfaat dan biaya dalam pengembangan investasi
hanyadidasarkan pada rasio tingkat keuntungan dan biaya yang akan
dikeluarkan atau dalam kata lainpenekanan yang digunakan adalah pada
rasio finansial atau keuangan.
Dibandingkan penerapannya dalam bidang investasi, penerapan Benefit
Cost Ratio (BCR) telahbanyak mengalami perkembangan. Salah satu
perkembangan analisis BCR antara lain yaitupenerapannya dalam bidang
pengembangan ekonomi daerah. Dalam bidang pengembanganekonomi
daerah, analisis ini umum digunakan pemerintah daerah untuk
menentukan kelayakanpengembangan suatu proyek.
Relatif berbeda dengan penerapan BCR di bidang investasi, penerapan
BCR dalam prosespemilihan suatu proyek terkait upaya pengembangan
ekonomi daerah relatif lebih sulit. Hal inidikarenakan aplikasi BCR dalam
sektor publik harus mempertimbangkan beberapa aspek terkait
social benefit(social welfare function) dan lingkungan serta tak kalah
penting adalah factor efisiensi. Faktor efisiensi mutlak menjadi perhatian
menimbang terbatasnya dana dan kemampuan pemerintah daerah
sendiri. Secara terinci aspek-aspek tersebut juga mempertimbangkan
dampak penerapan suatu program dalam masyarakat baik secara
langsung (direct impact) maupun tidak langsung (indirect impact), faktor
eksternalitas, ketidakpastian (uncertainty), risiko (risk) serta shadow price.
Terkait perhitungan risiko dan ketidakpastian, hal ini dapat diatasi dengan
menggunakan asuransi danmelakukan lindung nilai (hedging). Efisiensi
ekonomi merupakan kontribusi murni suatu program dalam peningkatan
kesejahteraan masyarakat. Sehingga yang menjadi perhatian utama
dalam penerapan BCR dalam suatu proyekpemerintah yang berkaitan
dengan sektor publik adalah redistribusi sumber daya.

Metode AHP
AHP merupakan suatu model pendukung keputusan yang dikembangkan
oleh Thomas L. Saaty. Model pendukung keputusan ini akan menguraikan
masalah multi faktor atau multi kriteria yang kompleks menjadi suatu
hirarki, menurut Saaty (1993), hirarki didefinisikan sebagai suatu
representasi dari sebuah permasalahan yang
kompleks dalam suatu struktur multi level dimana level pertama adalah
tujuan, yang diikuti level faktor, kriteria, sub kriteria, dan seterusnya ke
bawah hingga level terakhir dari alternatif. Dengan hirarki, suatu masalah
yang kompleks dapat diuraikan ke dalam kelompok-kelompoknya yang
kemudian diatur menjadi suatu bentuk
hirarki sehingga permasalahan akan tampak lebih terstruktur dan
sistematis.
AHP sering digunakan sebagai metode pemecahan masalah dibanding
dengan metode yang lain karena alasan-alasan sebagai berikut :
1. Struktur yang berhirarki, sebagai konsekuesi dari kriteria yang dipilih,
sampai pada
subkriteria yang paling dalam.
2. Memperhitungkan validitas sampai dengan batas toleransi inkonsistensi
berbagai
kriteria dan alternatif yang dipilih oleh pengambil keputusan.
3. Memperhitungkan daya tahan output analisis sensitivitas pengambilan
keputusan.
Kelebihan dan Kelemahan AHP
Layaknya sebuah metode analisis, AHP pun memiliki kelebihan dan
kelemahan dalam system analisisnya. Kelebihan-kelebihan analisis ini
adalah :
Kesatuan (Unity)
AHP membuat permasalahan yang luas dan tidak terstruktur menjadi
suatu model yang fleksibel dan mudah dipahami.
Kompleksitas (Complexity)
AHP memecahkan permasalahan yang kompleks melalui pendekatan
sistem dan pengintegrasian secara deduktif.
Saling ketergantungan (Inter Dependence)
AHP dapat digunakan pada elemen-elemen sistem yang saling bebas dan
tidak memerlukan hubungan linier.
Struktur Hirarki (Hierarchy Structuring)
AHP mewakili pemikiran alamiah yang cenderung mengelompokkan
elemen sistem ke level-level yang berbeda dari masing-masing level berisi
elemen yang serupa.
Pengukuran (Measurement)
AHP menyediakan skala pengukuran dan metode untuk mendapatkan
prioritas.
Konsistensi (Consistency)

AHP mempertimbangkan konsistensi logis dalam penilaian yang

digunakan untuk menentukan prioritas.
Sintesis (Synthesis)
AHP mengarah pada perkiraan keseluruhan mengenai seberapa
diinginkannya masing-masing alternatif.
Trade Of
AHP mempertimbangkan prioritas relatif faktor-faktor pada sistem
sehingga orang mampu memilih altenatif terbaik berdasarkan tujuan
mereka.
Penilaian dan Konsensus (Judgement and Consensus)
AHP tidak mengharuskan adanya suatu konsensus, tapi menggabungkan
hasil penilaian yang berbeda.
Pengulangan Proses (Process Repetition)
AHP mampu membuat orang menyaring definisi dari suatu permasalahan
dan mengembangkan penilaian serta pengertian mereka melalui proses
pengulangan.
Sedangkan kelemahan metode AHP adalah sebagai berikut:
Ketergantungan model AHP pada input utamanya. Input utama ini
berupa persepsi seorang ahli sehingga dalam hal ini melibatkan
subyektifitas sang ahli selain itu juga model menjadi tidak berarti jika ahli
tersebut memberikan penilaian yang keliru.
Metode AHP ini hanya metode matematis tanpa ada pengujian
secara statistik sehingga tidak ada batas kepercayaan dari kebenaran
model yang terbentuk
C. Tahapan AHP
Dalam metode AHP dilakukan langkah-langkah sebagai berikut
(Kadarsyah Suryadi dan Ali Ramdhani, 1998) :
1. Mendefinisikan masalah dan menentukan solusi yang diinginkan.Dalam
tahap ini
kita berusaha menentukan masalah yang akan kita pecahkan secara
jelas, detail dan
mudah dipahami. Dari
masalah yang ada kita coba tentukan solusi yang mungkin cocok
bagi masalah tersebut. Solusi dari masalah mungkin berjumlah
lebih dari satu. Solusi tersebut nantinya kita kembangkan lebih
lanjut dalam tahap berikutnya.
2. Membuat struktur hierarki yang diawali dengan tujuan utama. Setelah
menyusun
tujuan utama sebagai level teratas akan disusun level hirarki yang
berada di
bawahnya yaitu kriteria-kriteria yang cocok untuk mempertimbangkan
atau
menilai alternatif yang kita berikan dan menentukan alternatif
tersebut. Tiap
kriteria mempunyai intensitas yang berbeda-beda. Hirarki dilanjutkan
dengan
subkriteria (jika mungkin diperlukan).

3. Membuat matrik perbandingan berpasangan yang

menggambarkan kontribusi relatif atau pengaruh setiap elemen terhadap
tujuan atau kriteria yang setingkat di atasnya. Matriks yang digunakan
bersifat sederhana, memiliki kedudukan kuat untuk kerangka konsistensi,
mendapatkan informasi lain yang mungkin dibutuhkan dengan semua
perbandingan yang mungkin
dan mampu menganalisis kepekaan prioritas secara keseluruhan untuk
perubahan pertimbangan. Pendekatan dengan matriks mencerminkan
aspek ganda dalam prioritas yaitu mendominasi dan didominasi.
Perbandingan dilakukan berdasarkan judgment dari pengambil keputusan
dengan menilai tingkat kepentingan
suatu elemen dibandingkan elemen lainnya. Untuk memulai proses
perbandingan berpasangan dipilih sebuah kriteria dari level paling atas
hirarki misalnya K dan kemudian dari level di bawahnya diambil elemen
yang akan dibandingkan misalnya
E1,E2,E3,E4,E5
Metode IRR
Metode ini untuk membuat peringkat usulan investasi dengan
menggunakan tingkat pengembalian atas investasi yang dihitung dengan
mencari tingkat diskonto yang menyamakan nilai sekarang dari arus kas
masuk proyek yang diharapkan terhadap nilai sekarang biaya proyek atau
sama dengan tingkat diskonto yang membuat NPV sama dengan nol.

RUMUS!
Apabila Ao adalah investasi pada periode 0 dan A1 sampai An adalah
aliran bersih dari periode 1 sampai n, maka metode IRR semata mata
mencari discount factor yang menyamakan A0 dengan A1 sampai An.
Penerimaan atau penolakan usulan investasi ini adalah dengan
membandingkan IRR dengan tingkat bunga yang disyaratkan (required
rate of return). Apabila IRR lebih besar dari pada tingkat bunga yang
disyaratkan maka proyek tersebut diterima, apabila lebih kecil diterima.
Kelemahan secara mendasar menurut teori memang hampir tidak ada,
namun dalam praktek penghitungan untuk menentukan IRR tersebut
masih memerlukan penghitungan NPV
Internal Rate of Return (IRR)
Ukuran kedua yang sering digunakan dalam analisis manfaat finansial
adalah internal rate of return (IRR) atau tingkat pengembaliandari
investasi. IRR menunjukan tingkat discount rate atau tingkat keuntungan
dari investasi yang menghasilkan NPV sama dengan nol.
Untuk mengitung IRR digunakan rumus sebagai berikut:
RUMUS
Kriteria penilain digunakan tingkat bunga bank. Jadi, jika IRR ??tingkat
bunga bank, maka usaha yang direncanakan atau yang diusulan layak
untuk dilaksanakan, dan jika sebaliknya usaha yang direncanakan tidak
layak untuk dilaksanakan.

Internal Rate of Return (IRR)

Teknik perhitungan dengan IRR banyak digunakan dalam suatu analisis
investasi, namun relatif sulit untuk ditentukan karena untuk mendapatkan
nilai yang akan dihitung diperlukan suatu 'trial and error' hingga pada
akhirnya diperoleh tingkat bunga yang akan menyebabkan NPV sama
dengan nol. IRR dapat didefinisikan sebagai tingkat bunga yang akan
menyamakan present value cash inflow dengan jumlah initial investment
dari proyek yang sedang dinilai. Dengan kata lain, IRR adalah tingkat
bunga yang akan menyebabkan NPV sama dengan nol, karena present
value cash inflow pada tingkat bunga tersebut akan sama dengan initial
investment. Suatu usulan proyek investasi akan ditetima jika IRR > cost of
capital dan akan ditolak jika IRR < cost of capital. Perhitungan IRR untuk
pola cash flow yang bersifat seragam (anuitas), relatif berbeda dengan
yang berpola tidak seragam. Menurut Arifin dan Fauzi (1999:13) bahwa:
Adapun langkah-langkah menghitung IRR untuk pola cash flow yang sama
adalah sebagai beiikut: a. Hitung besarnya payback period untuk proyek
yang sedang dievaluasi. b. Gunakan tabel discount factor, dan pada baris
umur proyek, cari angka yang sama atau mendekati dengan hasil payback
period pada langkah 1 di atas. IRR terletak pada persentase terdekat hasil
yang diperoleh. c. Untuk mendapatkan nilai IRR yang sesungguhnya dapat
ditempuh dengan menggunakan interpolasi. Sedangkan untuk proyek
yang memiliki pola cash inflow yang tidak seragam, dapat diselesaikan
dengan langkah-langkah berikut: a) Hitung rata-rata cash inflow per tahun
b) Bagi initial investment dengan rata-rata cash inflow untuk mengetahui
"estimasi" payback period dari proyek yang sedang dievaluasi. c)
Gunakan tabel discount factor untuk menghitung besarnya IRR, seperti
langkah ke-2 dalam menghitung IRR untuk pola cash flow yang berbentuk
seragam (anuitas). Hasil yang diperoleh akan merupakan "perkiraan IRR'.
d) Selanjutnya sesuaikan IRR yang diperoleh pada langkah ke-3 di atas,
yaitu diperbesar atau diperkecil, ke dalam pola cash flow yang
sesungguhnya. Apabila cash inflow yang sesungguhnya dalam tahuntahun pertama temyata lebih besar dari rata-rata yang diperoleh dalam
langkah ke 1 di atas, maka perbesarlah tingkat discount yang digunakan,
dan apabila sebaliknya maka perkecillah discount tersebut. e) Dari hasil
discount rate yang diperoleh pada langkah ke-4, kernudian hitunglah NPV
dari proyek tersebut. f) Apabila hasil yang diperoleh lebih besar dari nol,
maka naikkanlah discount rate yang digunakan, dan apabila sebaliknya
maka turunkanlah discount rate tersebut. g) Hitunglah kembali NPV
dengan menggunakan discount rate yang baru, sampai akhirnya diperoleh
discount rate yang secara berurutan menghasilkan NPV yang positif dan
negatif. Dengan jalan interpolasi akan ditemukan nilai IRR yang
sesungguhnya. Setelah IRR diketahui langkah selanjutnya adalah
membandingkan IRR dengan cost of capital. Apabila IRR lebih besar dari
pada cost of capital maka rencana investasi dapat diterima karena
menguntungkan dan sebaliknya apabila IRR lebih kecil dari pada cost of
capital maka rencana investasi ditolak karena merugikan. Metode PBP
PBP, adalah metode yang digunakan dengan cara menyusun satu demi
satu piece hingga layer tersebut solve. PBP ini sendiri sangat berbeda

dengan metoda lain yang mengharuskan harus membuat cross dan lain
sebagainya. Metoda yang satu ini bisa dibilang full intuitive (kecuali untuk
layer ke 2) karena tidak memerlukan algoritma untuk menyusun satu
layer, cukup dengan logika murni saja, dan inilah salah satu kelebihan dari
metoda PBP ini. Selain itu metoda ini sangat cocok untuk dipelajari bagi
mereka yang baru (sangat baru =.=) dalam cubing, ini berdasarkan fakta
nyata yang saya alami ketika mengajarkan cubing ke teman-teman saya,
mereka lebih mudeng dengan metoda ini daripada LBL yang merupakan
metoda paling umum yang dipelajari oleh para beginner. Baik langsung
saja, saya akan memberi beberapa contoh PBP Metode MPE Metode
Perbandingan Eksponensial (MPE), merupakan salah satu metode untuk
menentukan urutan prioritas alternatif keputusan dengan kriteria jamak ,
Teknik ini cocok untuk penilaian dengan skala ordinal. Hasil MPE akan
lebih kontras dari pada hasil Bayes. Prosedur MPE Formulasi perhitungan
skor untuk setiap alternatif dalam metoda perbandingan eksponensial
adalah: m Total nilai (TNi) = (RK ij)TKK j j=1 Keterangan : TNi = Total nilai
alternatif ke -i RK ij = derajat kepentingan relatif kriteria ke-j pada pilihan
keputusan i TKK j = derajat kepentingan kritera keputusan ke-j; TKKj > 0;
bulat
n = jumlah pilihan keputusan
m = jumlah kriteria keputusan
Penentuan tingkat kepentingan kriteria dilakukan dengan cara
wawancara dengan
pakar atau melalui kesepakatan curah pendapat.
Penentuan skor alternatif pada kriteria tertentu dilakukan dengan
memberi nilai
setiap alternatif berdasarkan nilai kriterianya .
Keuntungan MPE
Mengurangi bias yang mungkin terjadi dalam analisa
Nilai skor yang menggambarkan urutan prioritas menjadi besar (fungsi
eksponensial) ini mengakibatkan urutan prioritas alternatif keputusan
lebih nyata
Contoh Aplikasi MPE
Penilaian terhadap tiga alternatif calon pemimpin divisi ICT (Pergiwa,
Bratasena,
Kresna)
Kriteria yang dipertimbangkan: Kecakapan, Kepemimpinan dan
Kejujuran
Penilaian alternatif pada setiap kriteria menggunakan skala penilaian 19.

Contoh Pemilihan pimpinan

Alternatif Kriteria Nilai

Alternatif Peringkat
Kecakapan Kepemimpinan Kejujuran
1. Pergiwa 4 4 3
2. Bratasena 4 5 2
3. Kresna 4 3 4
Tk. Kepentingan Kriteria 3 4 3
Nilai (Pergiwa) = 4 **(3) + 4**(4) + 3**(3) = ?
Nilai alternatif 1,2, dan 3 adalah? sehingga didapat alternatif yang
terurut dari yang
terbaik adalah alternatif?

Metode NPV
NPV merupakan selisih antara pengeluaran dan pemasukan yang telah
didiskon dengan menggunakan social opportunity cost of capital sebagai
diskon faktor, atau dengan kata lain merupakan arus kas yang
diperkirakan pada masa yang akan datang yang didiskontokan pada saat
ini.Untuk menghitung NPV diperlukan data tentang perkiraan biaya
investasi,
biaya
operasi,
dan
pemeliharaan
serta
perkiraan
manfaat/benefit dari proyek yang direncanakan.
Rumus yang digunakan
Arus kas masuk dan keluar yang didiskontokan pada saat ini (present
value (PV)). yang dijumlahkan selama masa hidup dari proyek tersebut
dihitung dengan rumus:
dimana:
t - waktu arus kas
i adalah suku bunga diskonto yang digunakan
Rt - arus kas bersih (the net cash flow) dalam waktu

Arti perhitungan NPV

Pada tabel berikut ditunjukkan arti dari perhitungan NPV terhadap
keputusan investasi yang akan dilakukan.
Bila... Berarti... Maka...
NPV > 0 investasi yang dilakukan memberikan manfaat bagi perusahaan
proyek bisa dijalankan
NPV < 0 investasi yang dilakukan akan mengakibatkan kerugian bagi
perusahaan proyek ditolak
NPV = 0 investasi yang dilakukan tidak mengakibatkan perusahaan
untung ataupun merugi Kalau proyek dilaksanakan atau tidak
dilaksanakan tidak berpengaruh pada keuangan perusahaan. Keputusan

harus ditetapkan dengan menggunakan kriteria lain misalnya dampak

investasi terhadap positioning perusahaan.