BAB 8

VALIDASI MODEL

1. Kekompleksan Model
Persoalan kritis di dalam setiap analisi adalah menetukan seberapa kompleks
pemanfaatan suatu model. Empat aspek kekompleksan model dapat diidentifikasikan,
yaitu hubunga kekompleksan model dengan:
(1). Ketepatan model;
(2). Biaya model;
(3). Banyaknya informasi yang dapat dikumpulkan untuk menjawab persoalan yang
timbul;
(4). Tingkat ketersediaan data yag diamati bagi pengujian dan pembuktian kebenaran
model.

Kekompleksan model adalah fungsi sejumlah variable yang secara eksplisit

dimasukan kedalam struktur model dan ketepatan nilai yang berkaitan dengan setiap
variable. Barangkali, ketepatan prediksi model terhadap performansi system makin
bertambah bila model makin kompleks. Tetapi dalam kenyataan, dengan menghitung
kekompleksan model; ketepatan moel akan mencapai tingkat maksimum (titik jenuh) pada
tingkat kekompleksan tertentu dan setelah itu tingkat pertambahan ketepatan model
berkurang serta tingkat pertambahan dalam biaya permodelan makin meningkat (lihat
Gambar 8.1.). hal ini didasarkan kenyataan bahwa ketepatan model mungkin bahkan
berkurang bila model sedemikian kompleksnya hingga bersifat tak stabil.

Gambar 8.1. Hubungan Antara Kekompleksan Model.

Apabila kekompleksan model ditingkatkan, biasanya banyakaya informasi yang dihasilkan

bertambah. Tetapi, bila model telah sangat kompleks maka infonnasi yang dihasilkannya akan
sukar untuk ditafsirkan

Akhirnya, apabila data enpirik yang digunakan untuk menguji dan membuktikan kebenaran suatu
model terbatas maka tidak ada gunanya mengembangkan model yang kompleks. Dalam hal seperti
itu. tidak ada cara yang capat digunakan untuk menentukan apakah suatu model yang kompleks
dapat memperkirakan performansi sistem yang lebih baik daripada model yang sederhana.

Pengujian dan Pembuktian Kebenaran

Pengujian dan pembuktian kebenaran merupakan langkah berturutan, tetapi bagian terpisah
yang diperlukan sebelum model dapat dipakai.

Untuk pengujian, suatu rangkaian data dipakai untuk menyesuaikan struktur dan koefisien
intemal model sehingga nilai perfomansi sistcim yang diperkirakan oleh model berada pada daerah
penerimaan data berhubungan dengan nilai yang diamati. Apabila perbedaan antara nilai yang
diperkirakan dengan nilai yang diamati itu lebih besar danpada batas yang ditetapkan untuk
pengujian model, maka model diauggap üdak dapat diterima dan harus dianalisis tentang
kemungkinan sebab kesalahan. Tiga sumber kesalahan utama adalah ketidaktepatan data masukan,
ketidaktepatan koefisien internal dan ketidakcukupan struktur model.

Setelah penyesuaian dilakukan, model dicoba lagi, dan perkiraan baru terhadap performansi
dibandingkan dengan nilai yang diamati. Proses diulangi sampai apakah nilai perkiraan jatuh di
dalam batas ketepatan yang telah ditentukan sehingga model dapat diterima, ataukah scmua
kesalahan yang diketahui telah dihilangkan dan nilai yang diperkirakan tètap tidak dapat diterima,
sehingga model harus ditinggalkan.

Untuk pembuktian kebenaran, himpunan data yang diamati yang lain dari himpunan data
yang dipakai dalam pengujian dibandingkan dengan nilai yang diperkirakan yang muncul dari
modcl. Apabila perbedaan antara nilai yang diperkirakan dan diamati berada dalam batas yang
telah ditentukan, maka model dikatakan terbukti kebenarannya dan siap dipakai. Apabila
perbedaan antara nilai yang diperkirakan dengan nilai yang diamati itu lebih besar daripada batas
yang telah ditentukan, model tidak akan dipakai. Sumber kemungkinan perbedaan harus
diidentifikasikan pada beberapa situasi, sebabnya adalah kesalahan pada data baru, Di situasi lain,
model harus diuji kembali, mungkin diubah, dar. kemudian dibuktikan lagi kebenarannya, di
situasi lain lagi, model harus ditinggalkan.

Persoalan utama pertama yang dihadapi dalam rangka pengujian dan pembuktian kebenaran
model adalah tidak cukupnya data, terutama serangkaian data bebas.. Jarang sekali ada data yang
cukup yang dapat memenuhi kebutuhan pengujian dan penbuktian kembali. Hal ini merupakan
batas yang relatif berat bagi tersedianya model yang sesuai, karena model yang belum diuji dan
dibuktikan kebenarannya sebetulnya tidak boleh dipakai dalan analısis akhir.

Persoalan utama kedua adalah spesifikasi batas yang dapat diterima demi ketepatan model.
Karena variabel- variabel di luar batas model dianggap tidak penting secara relatif dålam
menggambarkan masalah, sehingga variaoel-variabel yang beradą dalam batas model itu bisa
dianalıisis berdasarkan data yang tersedia. Oleh karena itu, kuantitas dan kualitas data yang
diperoleh akan mempengaruhi interpretasi model. Penetapan batas model ini merupakan aspek
seni dalam pemodelan. Sebab itu, disarankan antuk inengkaji literatur secara lebih mendalam.

Konsep Validasi Model

Karena suatu model hanyalah suatu representasi, atau abstraksi dan simplifikasi dari
referensi sistem, dan jarang orang dapat memasukkan semua vaiabel. maka: (i) tidak ada model
yang secara absolut benar, dan (ii) ticak ada korespondensi satu-satu antara model dengan referensi
sistemnya. Oleh karena itu, biasanya model-model harus diuj. Pengujian model itu sendiri melalui
tahap-tahap tertentu Sesuai dengan langkah pengembangan model. seperti terlihat pada gambar
berikut.

- Cara pandang
- Rekomendasi - Pendekatan Sistem
- Implementasi - Asumsi-asumsi

- Penilaian Model - Model Building

- Parameterisasi (format)

Gambar 8.2. Proses Verifikasi dan Validasi Model

(Modefikasi dari Landry et.al., 1983)

Verifikasi dan validasi adalah tahap dalam pemodelan untuk memeriksa diterima atau
tidaknya suatu model sebelum model diterapkan. Bilamana suatu model dapat diterima? Ada dua
jawaban yang dapat diberikan, yaitu, jika kebenaran modcl tidak dapat dibantah (diliiat dari sudut
hasil/output) atau model dapat dimengerti oleh pengambil keputusan. Implikasi dari dua
pernyataan itu memberikan dua hal yang ekstrim, yaitu asumsi narus diperketat atau asumsı harus
diperlonggar.
 Verivikasi adalah memeriksa sinetisa sistem dengan logika dan /atau analitik secara teroritik.

Verivikasi dapat di bedakan menurut tahap permodelannya,yaitu verifikas model konseptual dan
verifikasi logis verifikasi model konseptual adalah pengujian relevansi asumsi-asumsi dan teori-
teori yang di pegang oleh pengambil keputusan dan analis dalam melakukan cara pandang (point
of view)situasi masalah.verifikasi logis adalah tahap memeriksa dilibatkan atau di abaikannya
suatu variabel atau hubungan.Asepek yang perlu di perhatikan dalam formulasi model adalah
ukuran performansi sistem.

Validasi merupakan tahap terakhir dalam pengembangan model untuk memeriksa model
dengan meninjau apakah keluaran model sesuai dengan sistem nyata,dengan melihat konsistensi
internal,korespondensi,dan representasi.penilaian dalam langkah vaidasi merupakan hal yang
paling sulit untuk di capai dalam dunia nyata karena pengembangan model merupakan proses
yang iterative.walaupun demikian,menurut Zeiger (1976) terdapat tiga cara menentukan derajat
validasi suatu model,yakni : valid replikatif ,valid prediktif,dan valid struktur.suatu model di
katakan valid replikatif bila sesuai dengan data masa lampau yang didapatkan dari sistem yang
ada.Tingkat valid yang lebih baik adalah valid prediktif,yang berarti hasil dari model tersebut
sesuai dengan data yang belum di kumpulkan dari sistem nyata.jenis yang terakhir adalah valid
struktur,yakni bila model tersebut tidak hanya menghasilkan ulang perilaku sistem nyata tetapi
juga kerja sistem nyata akan di perlihatkan untuk menghasilkan perilaku tersbut.Artinya,valid
bila menampilkan hal yang sesuai dengan kenyataan.Dengan kata lain,valid tidaknya suatu
model tergantung pada:

i. Model cukup beralasan (benar) dalam menampilkan referensi (acuan) sistem dalam
“konteks lingkungan operasional”.
ii. Solusi model “memenuhi kriteria”yang di tetapkan .
Jadi,tahap validasi model di lakukan untuk menjawab dua hal berikut ,

Yaitu”Apakah model konsisten terhadap realitas yang di gambarkannya?”

Dan “Apakah model konsisten dengan tujuan kegunaan dan hal yang di permasalahkan?”

Selanjutnya ,secara operasional proses validasi solusi model ini tida lain adalah proses
pembanding yang dapat di tempuh dengan cara:

(1) Membandingkan dengan solusi yang lalu dari referensi sistem,

(2) Membandingkan denga solusi yang akan datang atau solusi model lain,dan
(3) Membandingkan melalui simulasi.
Dikaitkan dengan tahap permodelan (lihat gambar 8.2),proses validasi model dapat
dibedakan menjadi validasi eksperimental,validasi operasional.dan validasi data.validasi
eksperimental adalah mengestimasi parameter model dengan data dan jangkauan
signifikansi parameter model.validasi ini setara dengan menguji nilai solusi dan ketepatan
nya dalam menjawab masalah.validasi operasional adalah pengukur kualitas kemampuan
 penerapan solusi.validasi ini juga menyangkut pemeriksaan saran-saran jika model di
terapkan untuk menyelesaikan dan membandingkan hasil-hasil yang di dapatkan dengan
apa yang sebenarnya terjadi.validasi data menyangkut pengecekan
penyebaran,ketepatan,kecukupan ,dan keteresediaan data yang di perlukan dalam proses
penyelesaian masalah,jadi validasi dapat di lakukan dengan memakai data yang
lalu(eksperimental) atau dengan mencoba model itu dalam praktik(operasional) untuk
melihat kesesuaiannya dengan realistis.
Dari diskusi di atas dapat di simpulkan bahwa setiap tahap validasi model bertujuan
untuk menyelidiki tingkat kesesuian antara keluaran model dengan data historis sistem
nyata pada kondisi lingkungan yang sama penggunaan .validasi sangat tergantung dari
tujuan model yang di buat dan tidak ada validasi yang bersifat mutlak.cukuplah beralasan
bahwa martin Greenberger dan teman temannya menyatakan tidak akan pernah ada
model yang benar-benar valid .”Berguna”memberi kejelasan”.atau memberikan
keyakinan”adalah penjelasan yang lebih tepat bagi suatu model daripada kata”valid”.
Secara umum,verifikasi dan validasi ini di lakukan guna memenuhi tuntutan ilmiah
(rasional dan fakta) dan pemanfaatannya.dalam hal:
Verivikasi dan validasi model di landasi oleh aliran pemikiran berikut:

1.pemikiran rasionalisme

Merupakan proses penggunaan acal(logika) untuk memberikan suatu dasar pembenaran

kepada suatu persoalan .dimana dasar atau alasan itu bukan penyebab langsung dari masalah
itu.intinya adalah pembenaran didasarkan pada kekuatan berfikir(akal) yang timbul lebih
dahulu(apriori;dari kata lain”prius”yang artinya sebelum.karna pemikiran ini ingin
menentukan apa kiranya mendahului adanya segala kenyataan itu.berupa gagasan tau ide-ide
baik yang umum atau pun yang khusus.lebih jauh lagi,logika adalah cara berfikir dan
bernalar formal,yang di rumuskan dengan mentaati aturan –aturan tertentu,sebagai
sarana/tekhnik,geladi ilmu.suatu kesimpulan (silogismus) dapat ditarik dari dua pernataan
sebelumnya,yang pertama di sebut mayor (yang umum)dari yang kedua minor(yang
khusus),dimana kedua pernyataan mengandung unsur kesamaan,dan salah satunya harus
universal.misalnya:semua orang akan mati(umum),deskartes adalah orang (=khusus),maka
deskartes akan mati .yang umum dan yang khusus itu dalam bahasa latin di sebut
praemissen(permis).jadi,premis adalah kalimat atau preposisi yang di jadikan dasar penarikan
kesimpulan di dalam logika .bila yang khusus di peroleh dalam bantuan yang umum maka
cara menarik kesimpulan itu di katakana apagoge,dalam bahasa latin deductioatau dengan
kata lain,kita mempunyai beberapa kesimpulan-kesimpulan umum,lalu lita menarik suatu
kesimpulan khusus tentang sesuatu,namun,yang umum dapat juga merupakan
kesimpula,misalkan yang umum di peroleh melalui observasi darimana di Tarik
kesimpulan.dalam hal ini umum merupakan kesimpulan ciri-ciri atau tanda-tanda dari
anggapan khusus tentang sesuatu hal.cara itu di sebur apagoge,dalam bahasa latin
induction.induksi adalah berfikir dari soal-soal yang khusus membawa nya kepada
kesimpulan-kesimpulan umum,atau berfikir dari soal-soal yang kongkret kepada soal-soal
yang abstrak.

2.Empirisme

Pemikiran yang menekankanpada bukti empiric dengan lebih melihat obyek permasalahan
dan lingkungannya.empirisme menjelaskan bagaimana pengetahuan di hubungkan dengan
realistis(aposteori;dari kata latin’post’yang artinya sesudah ,karena segala ungkapan
pemikiran baru terjadi sesudah pengamatan.

3.Positivisme.

Berdasarkan apakah model memberikan manfaat yang positif atau tidak terhadap
pemecahan masalah .positivisme mencoba menjelaskan bagaimana kontribusi
(manfaat)pengetahuan tersebut pada lingkungan kehidupan.tetapi,tidak bias sangkal bahwa
model yang telah di kembangkang sering membawa efek samping,misalnya perubahan cara
pandang,kebiasaan kerja.dan lain-lain.kadang kala efek samping ini di abaikan dan analis
lebih menonjolkan sisi positifnya.timbal balik antara efek samping dan sisi positif dari model
mempengaruhi pengambil keputusan atau analis lain dalam mengadopsi model
usulan.jadi,model tidak semata-mata dilihat dari keuntungannya,tetapi juga dengan
memperhatikan efek samping yang di timbulkan.

Pada awal perkembangannya,permodelan lebih di arahkan pada sistem fisik ,selanjutnya

adalah pengkajian sistem –sistem non-fisik.perkembangan ini baik dari sudut model itu
sendiri maupun lingkungan nya adalah:(i)substansi masalah yang mengalami perubahan;(ii)
alat-alat analisis yang mengalami perkembangan;(iii)perkembangan peran dari model dan
keterbatasannya;(iv) model juga dapat memberikan alternatif-alternatif,atau model lebih
banyak bersifat prediktif bukan hanya persepektif?

Model di buat bukan hanya untuk menjawab atau mencari suatu solusi secara teoritis,tetapi
juga dari segi kegunaannya secara teknis dan ekonomis.faktor-faktor ini banyak
mempengaruhi model dan dapat di jadikan aspek-aspek dasar keabsahan model.keterkaitan
factor-faktor ini do perlihatkan oleh gambar 8.3.interaksi tersebut menyebabkan validasi
model dapat menyangkut aspek-aspek berikut:

Sampai seberapa jauh model dapat menggambarkan realitas yang di selidiki (degree of
repsentativeness)di tinjau dari tujuan ilmiah.dari ketiga fajtor tersebut ,yang paling berperan
dalam hal ini adalah pembuat model (analis),dari sudut keilmuan aspek repsentasi paling di
utamakan dalam pembuatan suatu model.metode validasi yang di jelaskan pada bab ini
nantinya akan lebih menekankan aspek ilmiahnya.
 Sampai seberapa jauh model dapat memberikan manfaat (usefulness)pada kegiatan
manjerial.pengambilan keputusanlah yang mementingkan aspek kemanfaatan ini,dengan
meninjau keuntungan(benefit) dan biaya(cost) dari penerapan atau pemakain suatu model.

Pemakian model (user) lebih memperhatikan kemampuan model untuk dapat di

gunakan(useability).

Pertimbangan biaya (cost consideration) model,mulai dari perancangan model sampai dengan
penerapan dan operasionalisasi model.

Pembuat Model
(model Builder)

Model

Pengambil Keputusan Pemakai Model

(Decision Maker) (model User)

Gambar 8.3. Aspek-Aspek Makro Validasi Model

Anshoff and Hayes (1972) mengemukakan konseptual nilai ketepatan model yang berkaitan
dengan aspek-aspek makro yang mendasari validasi model. Konseptual ini digunakan pada
gambar 8.4.
 Utilitas

Manfaat/Ongkos

0 0.5 1.0

Gambar 8.4. Konseptual Nilai Ketepatan Model

Kurva ongkos model terjadi dalam upaya menyelaraskan model model perilaku sistem nyata.
Ongkos ini semakin tinggi dan tak terbatas untuk ukuran validitas mendekati satu Ongkos model
dapat berupa usaha membangn sistem, pengumpulan data merngenai sistem, dan solusinya melalui
komputerisasi. Kurva nilai model (model value) menunjukkan bahwa ada batas utilitas dari suatu
model seiring dengan bertambahnya validitas suatu model (bandingkan dengan kompleksitas
model pada Gainbar 8.1). Kurva vang ketiga adalah rasio antara nilai model dengan ongkos model
yang mengindikasikan inantaat yang diperoleh dari model per ongkos satuan Tampak bahwa kurva
benefit/cost mencapai maksimum untuk ukuran validitas model sekitar 0,5. Hal ini memberikan
ide bahwa tidaklah praktis untuk menaikkan validitas (ketepatan) model melewati suatu ukuran
tertentu berkenaan dengan inanfaat yang diperoleh, apalagi bila data empirik yang tersedia saugat
tcrbatas. Pernyataan ini sesuai dengan pernyataan

Greenberger (1976): "No model has ever been or ever will be thoroughly validated, “useful",
“illuminating”, “or inspiring confidence” are more apt descriptors applyung to models than
“valid".Berdasarkar. kutipan dari Greenberger, dapat disimpulkan bahwa kita sebaiknya tidak
mengharapkan suatu model yang hampir 100% valid.

Ketidaktersediaan data masa lalu (empirik) merupakan kesulitan yang dihadapi analis. Oleh
sebab itu, untuk mengatasi kendala ini disarankan beberapa hal berikut:

1. Dilakukan running pada model yang telah dikomputerisasikan untuk periode wakiu yang
pendek sehingga hasilnya dapat dibandingkan dengan kalkulator tangan.
2. Dilakukan ‘running’ pada masing-masing bagian dari model yang kompleks sehingga
hasilnya dapat diverifikasi.
3. Menghulangkan elemen acak dan model stokastik dan melakukan dan melakukan
‘running’ pada model tersebut sebagai model deterministic.
 4. Mengganti distribusi kemungkinan yang kompleks dengan distribusi yang lebih mudah
sehingga hasilnya lebih mudah diverifikasi.
5. Jika memungkınkan dapat dibuat situasi percobaan yang mudah dan dicoba beberapa
kombinasi dari keadaan-keadaan dalam model.

Seorang ahli Sistem lain. Cellier (1991) mengatakan bahwa apabila tidak tersedia data masa lalu,
maka hal-hal berikut ini dapat dilakukan:

1. Validasi konsep model.

Validasi ini menguji apakah asumsi, mekanisme logika model,hubungan relasi kausal, dan
persamaan matematis yang digunakan sudah tergambar dengan benar. Jenis-jenis validasi konsep
model yang dapat digunakan adalah:

a. Validasi penampakan (face validity)

Validasi ini meninjau kebenaran diagram alir model atau mekanisme logika model pada
orang yang mengerti tentang sistem yang dimodelkan
b. Validasi penelusuran (trace validity)
Validasi ini menelusuri kebenaran logika model dan program komputer secara manual
hingga diperoleh nodel yang valid. Proses ini dapat diartikan sebagai proses verifikasi
modei atau debugging.

c. Validasi rasional (rational validity)

Validasi ini menguji kebenaran asumsi-asumsi yang digunakan pada struktur model.
Model dapat dikatakan valid apabila asumsi yang digunakan sudah benar. Dalam hal ini,
terdapat hubungan antara validasi rasionalisme dan penampakan model. Bila asumsi-
asumsi yang digunakan sudah benar secara rasional maka secara penampakan, model juga
dikatakan sudah benar.

2. Verifikasi model komputer

Tindakan ini sama dengan proses debugging.

Apabila validasi konsep model dan verifikasi model komputer telah dilakukan, inaka model
dapat dikatakan sudah mampu memenuhi kriteria valid

Validasi untuk model-model matematik yang bersifat deterministic dan stokastik telah
banyak dikembangkan, namun Murthy, et al. (1990) mengemukakan adanya tiga pendekatan
yang dapat dilakukan dalam validasi model matematika, yaitu berdasarkan (1) asumsi model,
(2) perilaku model, dan (3) kombinasi asumsi dan perilaku model. Sebelum kita membahas
ketiga pendekatan tersebut, terlebih dahulu dilakukan pembehasan mengenai beberapa aspek
penting yang berkaitan dengan validasi model matematika.
3. Validasi Model Matematis

Model matematis didefinisikan sebgai representasi simbolik, yang meliputi formulasi

abstrak matematis yang diperoleh dengan merelasikan formulasi matematis pada suatu
karakterisasi system dengan basis satu-satu. Suatu model matematis dikatakan memadai apabila
memenuhi maksud tujuan yang dipikirkan oleh pembuat model. Motivasi membangun model
matematis adalah memecahkan masalah-masalah nyata. Karena itu suatu model matematis
dianggap memadai apabila ia mampu menangkap keistimewaan yang menonjol dari system suatu
masalah, dan dapat memberikan pemecahan masalah.

Validasi model adalah proses pengujian “kemampuan model matematis yang diberikan.
Validasi adalah tahap teakhir dari permodelan dan termasuk tahap yang paling sulit. Validasi
melibatkan penafsiran suatu tes/uji (atau presedur) yang memutuskan apakah model yang
deiberikan memadai atau tidak. Jika model melawati tes ini maka aktivitas permodelan telah
selesai. Jika model tersebut gagal melewati tes ini, maka kita harus mengkaji ulang dan memulai
lagi literasi baru pada proses permodelan.

4.1. Kesulitan Mendasar

Seperti yang telah disebutkan bahwa validasi melibatkan pendefinisian suatu tes yang cocok
untuk memutuskan apakah model serasi dengan system berdasarkan beberapa pengertian yang
diterapkan oleh pemodel. Oleh karena itu segi yang kritis adalah tes yang digunakan dalam
validasi. Jika tes yang dilakukan terlalu ketat maka yang akan terjadi hal-hal berikut:

(i) Proses permodelan akan membutuhkan lebih banyak literasi sebelu lolos tes (dengan
dasar asumsi bahwa seseorang yang berangkat dari model matematis dan karakterisasi
dari system yang paling sederhana dan dengan berulangnya literasi maka model akan
meningkat kekompleksannya.
(ii) Model akhir yang lolos tes akan terlalu kompleks dan terbatas sekali penggunaannya
dalam pemecahan masalah.

Sebaliknya jika tes terlalu longgar, maka:

(i) Praktis hampir semua model berhasil melewati tes

(ii) Model akhir kurang mewakili dan praktis kurang berguna untuk memcahkan masalah

Kesulitan mendasar tersebut menyebabkan validasi menjadi tahap yang paling sulit
dalam pemodelan. Jadi, apapun jenis tes yang dipakai, derajat/tingkat keketatan tes harus
mencapai timbal balik tertentu antara komplektifitas model dan kesesuaian antara model
dengan sistem yang dimodelkan. Dalam pemodelan, seseorang memulai dengan suatu tingkat
keketatan berdasarkan intuisi dan pengalaman pemodel. Kadangkala diperlukan perubahan
tingkat keketatan selama proses pemodelan berjalan untuk mencapal imbal-balik yang cocok
 seperti yang dibahas diatas. Kita akan membahas lebih lanjut mengenai derajat keketatan pada
bagian tes-tes validasi.

4.2 Pendekatan Validasi

Murthy, et al. (1990) mengajukan du amacam pendekatan yang berbeda dalam validasi model
matimatis yaitu:

Pendekatan 1 : berdasarkan asumsi-asumsi model,

Pendekatan 2 : berdasarkan perilaku model.

Kita dapat menggabungkan kedua pendekatan diatas menjadi pendekatan 3 : berdasarkan

asumsi-asumsi dan perilaku model.

4.2.1 Pendekatan 1 (Asumsi Model)

Pada pendekatan ini kelemahan suatu model ditentukann dengan pengujian kritis
terhadap asumsi-asumsi dasar yang dibuat dalam membangun model. Pembeneran
pendekatanya adalah jika asumsi tidak valid maka kesesuaian antara perilaku model dan
perilaku sistem lemah, sehingga model tidak memadai untuk memecahkan masalah.
Dengan demikian, penolakan model dengan pendekatan ini menghemat usaha analisis,
estimasi, percobaan, dan lainya untuk model.

Penolakan pada suatu model berdasarkan pendekatan ini sangat tergantung pada
masalahnya (kebutuhan akan data, apakah dari sistemnya atau bukan), seperti ilustrasi
berikut.

Contoh 8.1

Model yang menggambarkan gerakan pendulum, jika interval waktu pengamatan cukup
kecil maka kita dapat menggabarkan faktor hilangnya energi karena gesekan dapat
diterima. Tetapi jika interval waktu pengamatan panjang maka asumsi ini tidak dapat
diterima kecuali efek gesekan terakumulasi dan mejadi cukup besar. Jadi dalam kasusu
ini model ditolak berdasarkan interval waktu yang bukan berasal dari data sistem.

Dari contoh diatas keputusan menolak model berdasarkan pada selang waktu
pengamatan dan bukan atas dua sistem yang sebenarnya, yakni data gerakan pendulum.
Pada kasus lainnya, diperlukan data sistem atau analisis untuk menentukan validasi
asumsi-asumsi model, seperti ilustrasi berikut.

Contoh 8.2

Pada kasus modek perubahan cuaca yang mengasumsikan sifat Markov, untuk menguji
asumsinya kita memerlukan dua sistem dan diuji statistika yang sesuai.
 Penting untuk diperhatikan bahwa asumsi yang valid tidak menjamin dihasilkannya
sesuatu model yang memadai. Oleh karena itu, seperti yang disebutkan sebelumnya,
pendekatan asumsi ini lebih berguna untuk menentukan “ketidakcukupan” dari pada
“kecukupan” model yang ada. Tambahan lagi, asumsi yang tersamar (tidak bisa
dinyatakan secara ekplisit), seperti pada pemodelan “kotak hitam” black box.

4.2.2 Pendekatan 2 ( Perilaku Model)

Pada pendekatan ini validasi suatu model diuji dengan tes yang mengevaluasi
kesesuaian antara perilaku sistem dan model. Asumsi yang digunakan dalam
membangun model tidaklah begitu penting. Yang diperlukan adalah seberapa dekat
output (keluaran) terkendali yang sama. Kedekatan atau kesesuain ini ditentukan oleh
keketatan uji. Tesnya melibatkan galat antara output (keluaran) model dan sistem. Untuk
kasus model deterministik, dan sifat ststistik antara output (keluaran) model dan sistem
untuk kasus model stokastik.

Karena pendekatan ini membutuhkan data sistem, maka sebaiknya data yang
digunakan untuk mengestimasi parameter model berbeda dengan data untuk validasi,
untuk menjamin validitas yang independen terhadap estimasi parameter. Dengan
demikian, bila jumlah data yang tersedia cukup banyak maka sebaiknya data tersebut
dibagi menjadi dua bagian, 2/3 dari total data untuk estimasi parameter, 1/3 dari total
data validasi. Jika jumlah data terbatas, data yang sama bisa digunakan baik untuk
validasi maupun estimasi.

4.2.3 Pendekatan 3 ( Asumsi Model/Prilaku Model)

Pada pendekatan ini, validasi model ditentukan dengan

(i) Memeriksa validitas asusmsi yang digunakan untuk membangun model, dan
(ii) Eratnya kesesuaian antara perilaku model dan sistem.

Dengan kata lain, pendekatan ini merupakan kombinasi dari kedua pendekatan diatas,
jadi mengandung keistimewaan dari kedua pendekatan terdahulu.

5. Validasi Model Deterministik

Pertama kali kita perhatikan model dengan satu variabel bebas, misalnya model yang
mengandung formulasi persamaan diferensial biasa atau persamaan beda. Jika y’ (t) dan y”(t)
mewakili output (keluaran) sistem dan output (keluaran) model untuk input (masukan) yang
sama u (t), di mana t adalah variabel bebas yang mewakili waktu, dan mengasumsikan rentang
nilai waktu kontinu dalam pemodelan waktui kontinu dan rentang nilai diskret dalam
pemodelan waktu diskret maka galat aktual antara dua output ( keluaran) tersebut yaitu e (t) ,
adalah sebagai berikut
 e(t) = y’(t) – y” (t) (1)
dan galat realtif

ê(t) = e(t) / y(t) (2)

A. Uji Validasi
Kedekatan antara perilaku model dan sistem dapat didefinisakan dengan indeks yang
melibatkan galat aktual atau galat relatif selama interval waktu dari data sistem yamg
tersedia untuk validasi indeks mewakili karakteristik kebaikan-suai (goodnes of fit) tanpa
menghilangkan sifat umum nya, kita asumsikan data yang tersedia untuk validasi adalah

y”(t), 0 ≤ t ≤T (3)

untuk kasus model waktu kontinu, dan

y’(t), 0 ≤ i ≤ N (4)

untuk kasus waktu diskret

sedangkan bentuk J yang diberikan oleh

𝑡
J = ∫0 𝑒′ (t) e(t) dt (5)

Atau
𝑡
J = ∫0 𝑒 ′ 𝑇 (t) ê (t) dt (6)

Untuk model waktu kontinu, dan dengan

J = ∑𝑁
1 ê
T
(ti) e (ti) (7)

Atau

J = ∑𝑁
1 e
T
(ti) ê (ti) (8)

Untuk kasus model waktu diskret kita dapat juga mengunakan bentuk J yang lain.

Kita katakan bahwa model sebagai representasi yang memadai dari sistem jika J
lebih kecil dari nilai yang ditentukan sebelumnya, misalkan δ. Jika J lebih besar dari pada
δ model diabaikan sebagai representasi yang kurang memadai, dan kemudian ditolak.
 Nilai δ menunjukkan kekuatan uji. Makin kecil δ maka tes tersebut makin ketat.
Nilai yang ditetapkan seseorang pada δ bersifat subyektif, dan harus ditentukan
berdasarkan pertukaran yang cocol antara kebaikan-suai dan komplektisitas model.

Andaikan δ kecil dan J diberikan oleh persamaan (5) (8). Dapatkah seseorang
diyakinkan bahwa tes selalu menjamin bahwa perilaku model (M1 dan M2) seperti tampak
gambar 8.5. kemudian gunakan tes diatas dengan δ kecil sekali ( -10-2 ) maka diperoleh
hasil bahwa model M1 lolos tes sedangkan M2 gagal melewati tes. Namun, seseorang akan
lebih mengacu pada M2 dari pada M1 karena model M2 memiliki ciri yang signifikan (yakni
naik membesar dan kemudian turun) sedangkan M1 tidaklah demikian.

Contoh di atas menyarankan bahwa bentuk 1 yang sederhana diberikan oleh persamaan
(s)-(s) kurang tepat dalam menentukan kecukupan model dengan perkataan lain.kita
membutuhkan bentuk yang lebih kompleks.

5.2, Karakterisasi Kebaikan-Suai

Formulasi index J yang sesuai untuk menggambarkan kebaikan saat bukan bekerja yang
sekali jadi pekerjaan ini harus bisa memastikan bahwa perilaku model cocok dengan
perilaku sistem.

( I ) jumlah titik belok (turning point) dalam output (keluaran) sistem.

 ( II ) maksimum ( atau minimum output keluaran )sistem dan waktu instan pada
saat kemunculannya.

Maka indeks J yang lebih baik untuk contoh 8.3 adalah:

J=y1∫{𝑐(1)}2𝑑𝑡 + 𝑦2 [𝑦(𝑢) − 𝑦(𝑢)| + 𝑦3|𝑡1𝑚 − 𝑢|

Di mana (t1m) adalah insan pada saat y (t) {ym(t)}mencapai maksimum ; y 1< ;< 3 adalah
tetapan-tetapan nonnegative yang mencerminkan bobot terhadap berbagai deviasi antara
respon model dan sistem.

5.3, Dua atau lebih variable bebas

Pada kasus ini. Kedua respon model dan sistem merupakan fungsi dari variable bebas .
indeks kebaikan-suai J. harus memperhitungkan galat antara dua respon tersebut dalam
rangka variable bebas

5.4, Pengaruh gangguan sensor

Sejauh ini kita telah mengomsumsikan bahwa output sistem dapat di ukur dengan sangat
akurat. Dengan perkataan lain, tidak ada gelar atau kekeliruan dalam sensor yang di
gunakan untuk mengukur variable output sistem. Dalam kasus ini output tertukar y (t)
dihubungkan dengan output sebenarnya ys(t) di hubungkan dengan output sebenernya ys(t)
dengan

Y(t) = ys(t) + V(t)

Jika v(t) adalah suatu proses wiener yang terskala dengan factor skala a. maka ys(t) dan
ym(t) adalah skala dan J diberikan oleh persamaan (5) maka

E(J) = a2T + ∫ 𝑒2(𝑡)𝑑𝑡

Di mana e(t) diberikan oleh persamaan (1)

Hasil ini menyarankan untuk memodifikasi test yang diberikan terdahulu dengan perbaikan
berikut. Trima model juka J < aT+s dan tolak model juka J > at+s dengan S>0. Sama seperti
test yang baik untuk menetapkan kecukupan sebuah model jika T kecil, maka perbedaan
antara J dan nilai harapannya keragaman yang tinggi.

Suatu pendekatan alternative adalah mengevaluasi perbedaan antara output sistem yang di
ukur dengan output model,yakni y(t) – ym(t), untuk nilai di skret ti,1< i <1, dalam interval
[0,T]. jika ym (t) sangat dekat dengan ys(t). dan membandingakan dengan sifat statistic
yang berhubungan dengan barisan v(t) 1<i<1.
Asi model stokastik

Ada permodelan stokastik data yang ada untuk validasi y I < N merupakan suatu realisasi
(atau hasil)dari variable output m y 1 < i < N misalnya YM, 1 < I < m menyatakan variable
model yang berkorespondensikan dengan YS. Jika model ulasikan. Kita mempunyai
sebuah himpunan hasil ( outcome ) model 1 < I < N yang dapat dipandang sebagai realisasi
dari Y seseorang dapat tertarik untuk memakai tes pada bagian terdahulu I besar pada
kebaikan-suai antara Y dan YM, 1 < I < N. untuk memvalidasi model, sayangnya hal ini
tidak berarti sebagai nilai kenyataan/realisasi model (yaitu ym,1< I < N) karna akan
berubah jika simulasi di ulang kembali oleh karna itu seseorang perlu pendekatan yang
berbeda untuk memvalidasi model-model stokastik.

6.1 perbandingan respons secara statistic

Misal Q merupakan karakter statistic dari respon sistem. Hal ini dimungkinkan.
Contohnya, fungsi padat peluang (probability density function) atau momen output sistem.
Kita dapat mengunakan galat antara sistem dan model, dimana ketidakcocokan ini
diperpandang secara statistic.

Sebuah pengujian sederhana untuk menetapkan kecukupan model.

Suatu pengujuan sederhana, seperti berikut ini, definisikan indeks kebaikan suai J sebagai
sebuah fungsi galat antara qm dan q1 dengan suatu cara yang sama dengan bagian
sebelumnya, jika Q1 [Qm] adalah fungsi padat peluan stasioner keluaran (output) sistem
(model) dari outputnya saklar,

Seperti pada dengan sebelumnya kita menerima model sebagai model yang memadai jika
J < s dimana S adalah nilai positif tertentu jika J . S, maka model ditolak karena
ketidakcukupan nilai S menunjukan ketataan tes.

Untuk model tertentu Qm dapat dicari melalui metode analistik atau komputatif sayangnya
Q dapat dicari dengan cara yang sama.namun estimasi Q dari Q dapat dicari dengan
mengunakan data sistem yang untuk validasi.

Pengujian Hipotesis

Pada pengujian hipotesis kita menggunakan data sistem hasil pengamatan untuk menguji
hipotesis nol melawan hipotesis tendingan dalam konteks validasi model, hipotesis nol
dapat berupa bahwa data sistem hasil pengamatan berasal dari model yang sedang di uji
(denga kata lain, modal merupakan gambaran yang memadai dari sistem) dan hipotesis
didasarkan pada pengujian dengan cara membagi ruang observasi (lingkup pengamatan)
kedalam dua daerah. Sebagai kosekuensinya akan timbul data jenis galas kekeliruan atau
kesalahan yaitu:
 Galat type 1 : menolak hipotesis nol padahal benar

Galat type 2 : menerima hipotesis nol padahal salah

Peluang melakuukan kedua jenis kesalahan ini tergantuk pada cara kita membagi ruang
observasi, tidak mungkin memperkecil peluang kedua kesalahan ini. Pada umumnya
pengujian dirancang (yaitu pembagian ruang opservasi ke dalam dua daerah).

Telah ditetpkan sebelumnya. Peluang kesalahan tipe II dinyatakan dengan β; dima

(1-β) disebut fungsi kuasa dari pengujian. Suatu pengujian dengan nilai α yang tetap dan
(1-β) yang maksimal disebut uji yang paling kuat dan seragam. Berbagai metode
pembagian ruang observasi telah diusulkan. Tergantung pada modelnya, keputusan
menerima atau menolak model dapat dipersempit menjadi pengujian statistic yang hanya
melibatkan pengujian hipotesis mold an data hasil pengamatan. Kita akan mengilustrasikan
hal ini dengan mempertimbangkan tiga formulasi model khusus.

6.3. Validasi model rantai Markov

Misalkan model diberikan oleh suatu formulasi rantai markov dengan r status dan
parameter matriks transisi satu langkah dinyatakan dengan

𝑃𝑖𝑗 = 𝑃𝑖𝑗𝑜 , 1 ≤ 𝑖, 𝑗 ≤ 𝑟 (17)

Pada kasus ini hipotesis nol adalah bahwa status system yang terlibat dalam matriks transisi satu
xlangkah sesuai dengan persamaan (17). Dengan menggunakan data system yang ada untuk
validasi, kita memperoleh estimasi 𝑃𝑖𝑗 , dan menghitung nilai J dengan cara :

(18)

Dimana n adalah frekuensi atau banyaknya proses berada pada status I dalam interval data yang
diguanakan untuk validasi. Secara asimtot, J terdistribusi menurut distribusi x2 dengan derajat
kebebasan (r(r-1)-d), dimana d adalah jumlah atau banyaknya elemen 𝑃𝑖𝑗𝑜 yang berniali nol dsn
penjumlahan pada (18) dilakukan hanya untuk (i,j) dimana 𝑃𝑖𝑗𝑜 > nol.

Dari table distribusi x2 kita mengevaluasi Pr{x2 ≥ J} dengan J diberikan oleh persamaan (18).
Kita menerima model sebagai representasi yang memadai, jika :

Pr{𝑥̅ 2 ≤ J} < α (19)

Untuk suatu tingkat keberartian α yang sudah dietapkan. Jika persamaan (19) tidak pernuhi kita
menolak model sebagai model yang memadai/cukup mewakili sistem.
6.4. Studi kasus C. (Perubahan Cuaca)

Model ini telah digambarkan pada bagian 4.3. Bab 7 untuk perubahan cuaca yang meliputi
estimasi parameter dengan mengguanakan data dalam Tabel 4.2. Pada bagian ini diasumsikan
bahwa matriks transisi satu langkah yang sebenarnya diberikan oleh matriks

0,55 0,30 0,20

P = [0,60 0,00 0,40] (20)
0,50 0,30 0,20

Sehingga sebagai hipotesis nol adalah matriks satu langkah P yang diperoleh dari data lawan
hipotesis yang sebenarnya. Bentuk hipotesis nol adalah

P = Po (21)

Dan sebagai hipotesis tandingan (lawan) :

P ≠ Po (22)

Diasumsikan bahwa data yang akan digunakan untuk menguji hipotesis diatas adalah data
yang terdapat dalam tabel 4.2. (catatan : Po telah diestimasi dengan menggunakan data lain). Kita
mengikuti prosedur yang telah dipaparkan pada bagian 6.3. dan mengevaluasi ststistik J yang
diberikan oleh (18). 𝑃̂ij dan 𝑛̅i persis dengan yang diberikan pada bagian 3.7. Bab 7. Dengan
menggunakan nilai tersebut dan yang diberikan dalam (20) diperoleh :

J = 3.3369 (23)

Jika Po adalah matriks satu langkah yang sebenarnya, maka J berdistribusi sesua dengan
distribusi x2 dengan derajat kebebasan n. dari tabel x dengan derajat kebabasan v dan tingkat
signifikasi 5% diperoleh bahwa model diterima jika J < 1,145 dan menolak model jikaJ ≥ 1,145 .
karena J > 1,145 , kita harus menolak hipotesis nol dan memandang model yang diperoleh belum
memadai.

6.5 Validasi model deterministik dengan gangguan sensor

Ketika mengingat pengaruh gangguan sensor pada bagiann 5.4 dengan menggunakan notasi
pada bagian tersebut. Kita dapatkan galat berikut.

e(t) = y’(t) – y” (t) (1)

 Kira-kira sama dengan V(t) jika model adalah suatu model yang memadai yaitu respons model
sangat mirip dengan respons sistem.

Jika V(t) adalah proses Weiner terskala, dan model memadai (cukup mewakili) maka e’(t), 0
≤ i ≤ n , adalah barisan variabel rando yang berdistribusi normal bebas dan identik dengan
rataan n variansi ϭ2. Pada kasus ini sebuah model dapat divalidasi dengan meguji hepotesis nol
bahwa e(t) 1 ≤ i ≤ n, merupakan baris variabel random terdistribusi bebas identik. Jika ϭ2
diketahui, maka pengujian dilakukan dengan menggunakan distribusi X2 . jika ϭ2 tidak
diketahui, maka pengujian dapat dilakukan dengan distribusi t (stydent distribution). Seperti
pada contoh sebelumnya, penerimaan atau penolakan hipotesis nol tergantung pada tingkat
keberatian (α). Jika kita tidak membuat asumsi tentang distribusi V(t) maka pengujian nol
parametik dapat digunakan untuk menentukan apakah hipotesis nol benar atau salah (siegel
dan Castellan 1988).

6.6 Validasi Model ARMA

Misalkan data yang ada dari output sistem untuk estimasi parameter dan validasi diberikan
oleh y (t) 1 ≤ i ≤ N+M. Kita menggunakan data yang pertama, yaitu 1 ≤ i ≤ N untuk
mengetahui parameter dan sisanya yaitu N + 1 ≤ i ≤ N + M untuk validasi.

Dengan asusmsi bahwa model yang diberikan oleh formulasi ARM adalah

𝑦𝑡𝑚 = ∑𝑛1 𝛼 𝑦𝑡𝑚 - ∑𝑛1 𝛽1 𝜔1 + 𝜔 (25)

Dimana orde n tertentu, dan parameternya diestimasi dengan metode.

Kemungkinan maksimum yaitu dengan meminimasi ∑ 𝜔 dimana 𝜔 diberikan oleh

Asumsi mendasar pada formulasi ARM adalah bahwa 𝜔 t ≥ C merupakan barisan bersidtribusi
Gaussian yang bebas dengan rataan nol dan variasi ϭ2 . kita lihat persamaan (25) dan (26)
bahwa jika model merupakan representasi yang memadai maka (𝜔), haruslah sebuah barisan
yang harus mempunyai sifat statistik yang identik dengan barisan (𝜔). Karena itu, suatu
pengujian untuk menetapkan kecukupan dapat ditinjau melalui pemeriksaan independensi
barisan (𝜔), dengan kata lain, hipotesis no; mengenai barisan (𝜔) adalah suatu barisan
berdistribusi Gaussian yang bebas dengan rataan nol dan variasi ϭ2 .

Lebih jauh lagi, misalkan Rk adalah otokorelasi diperoleh dari

Dimana 1 < k < K dan K << N. Jika medel represntasi yang memadai, maka R menghampiri
distribusi Gausssian dengan rataan nol dan variansi proporsional dengan 1/N untuk 1 < k <
K. Demikian juga dengan R,........Rk adalah bebas statistik.

Oleh karena itu, suatu pengujian sederhana untuk validasi model adalah sebagai berikut: jika
Rk 1 < k < K, berada pada interval -δ/ N sampai + δ/ N, δ > 0 maka hipotesis nol adalah benar
dan model memenuhi syarat kecukupan. Bila s semakin kecil maka pengujian semakin ketat.

Suatu pengujjian alternatif dengan memakai K>n adalah menghitung Q yang diberikan oleh
hubungan

Q = ∑𝑛1 𝑅𝑘 (28)

Distribusi X2 dengan derajat kebebasan (K-n) dengan menggunakan table distribusi X2,
seseorang dapat memutuskan apakah hipotesis nol benar atau salah, pada tingkat keberartian
yang di berikan,

Perhatikan bahwa sejauh ini test yang di uraikan di atas menvalidasikan model melalui
asumsi – asumsi (yakni berdasarkan pendekatan 1). Kemudian kita mengkombinasikan
dengan suatu pengujian yang mencakup respon system dari model, yaitu membandingkan Ys-
Ym untuk N + 1 ≤ t ≤ N + M, maka validasi ini berdasarkan pendekatan 3.

7. pemilihan di antara model model alternative

Sebagai langkah awal dalam menganalisa suatu model adalah menentukan perencanaan
kegiatan dan jenis analisa yang harus di lakukan, berikut adalah menspesifikasikan secara rinci
peringkat kekomplekan yang perlu untuk menciptakan informasi tentang setiap bagian system
(subsitem) yang harus di analisa. Peringkat kekomplekan didefinisikan dalam rangka selang
waktu analisis, agregasi ruang, dan agregasi unsur serta jenis yang secara terurut harus di
perhatikan. Dalam spesifikasi ini membatasi karakteristik yang di pakai untuk menemu
tunujkan model yang tepat yang akan di pakai.

Langkah lebih lanjut adalah menentukan analisa pada peringkat kekomplekan yang di pilih
itu layak sesuai dengan sumber analitik yang tersedia, yaitu data, personalia, waktu untuk
analisis, dan fasilitas computer dan programnya. Menilai data yang tersedia merupakan hal
yang kritis pada tahap ini dan memerlukan perhitungan terperinci terhadap (1) data yang
tersedia yang dapat di pakai tanpa perubahan (2) data yang tersedia yang harus ubah sebelum
di manfaatkan, rincian perubahan yang di perlukan dan sumber analitik yang di perlukan untuk
melaksanakan perubahan serta (3) data tambahan yang harus di peroleh dan sumber yang di
perlukan untuk mendapatkannya.

Apabila daya yang segera dapat di manfaatkan itu tidak cukup atau tidak dapat di rubah,
dan data tambahan tidak dapat di peroleh dalam waktu yang telah di tentukan, maka peringkat
kekomplekan yang dispesifikasikan menjadi tidak layak.

Dalam melakukan penilaian terhadap suatu model, di sarankan memakai empat kreteria
(Hufscmidt et al, 1983): (1) ketepatan berpikir (2) kemampuan penaksiran kualitas system
terhadap berbagi pengaturan elemen (3) kesamaan yang mempunyai oleh model sebelum
analisis system di terapkan pada masalah tertentu, dan (4) sumbangan model bagi anlisis
jangka panjang.

Kemampuan suatu model memperkirakan perubahan dalam perfonasi system yang

merupakan reaksi terhadap penerapan bebrbagai perubahan elemen merupakan kreterium
yang tepat karena model bebrbeda kepekaanya terhadap pengaturan perubahan elemen yang
mungkin di terpakan.

Pada banyak hal analisis, model yang menghasilkan perkiraan reaksi performansi system
terhdapa usaha pengaturan elemen dengan rekasi performansi system terhdapa usaha
pengaturan elemen dengan jangkauan yang lebih luas lebih di pilih daripada model yang tidak
lues.

Kesmaan modle dengan model sebelumnya yang di pakai dalam suatu pemecahan masalah,
merupakan factor yang penting. Sampai sejauh mana model memperhatikan pengetahuan dan
pengalaman dalam suatu implementasi mempengaruhi kredibilitas penaksiran model dari
sudut pandang para ahli yang di percayai oleh para pengambil keputusan karena pengetahuan
teknis mereka. Hal ini benar tanpa melihat seberapa tepat perkiraan tersebut. Dengan
sendirinya suatu model yang memlih proses dan variable yang sama dengan analisis yang
pernah di terima biasanya lebih di pilih daripada model yang hanya menghipotesiskan
hubungan dengan variable yang belum di uji dalam system nata masalah itu.

Suatu model harus di nilai berdasarkan sumbungan pada analisis isu pengembangan jangka
panjang. Salah satu sumbangan adalah pengembangan keahlian teknik tambahan. Sumabngan
lain, adalah kemampuan mempergunakan model untuk tijauan lain. Suatu model yang dengan
mudah dapat disesuaikan dengan masalah baru dan pada kondisi penerapan yang relative luas,
biasanya di pilih daripada model yang tak dapat disesuakan sama sekali

Pada umumnya, terdapat lebih dari satu model yang lolos tes validasi hal ini memang
diharapkan karena dalam pemodelan seseorang memiliki pandangan yang beragam terhdap
system yang dimodelkan; maka aka nada lebih dari satu model yang memdai dengan demikian
jika ada lebihdari satu model berlainan yang melewati test validasi maka akan timbul.

Pertanyaan ; “apakah salah satu lebih baik dari yang lain?” pada bagian ini kita secara singkat
membahas dua cara yang dapat di gunakan untuk merangking model yang berbeda (untuk
system tertentu) mengindentifikasikan model terbaik.

7.1 prinsip parsimony

Pada prinsip ini, model M, lebih baik dari model M, jika memiliki parameter yang lebih
sedikit. Model model dapat dirangkai berdasarkan jumlah parameter yang ada dalam model.
Tipe rangkain ini cukup berarti, karena dengan lebih baik sedikitnya jumlah parameter maka
biaya untuk mengeestimasi parameter dan desain eksperimen lebih baik

7.2 sesnsitifitas parameter

Jika suatu repons model sangat sensetif terhadap parameter maka model tersebut terbtas
penggunaanya untuk tujuan prediksi karena makin kecil galat/kekeliruan pada parameter akan
menimbulkan galat besar pada respons model. Oleh karena itu, model dapat dirangkai
berdasarkan sensifitas reponnya terhdapat perubahan nilai meter. Hal ini membutuhkan
penentian indeks J yang sesuai satu aladah sebagai berikut
𝑇

𝐽(𝜃) = ∫{𝛿𝑦 𝑇 (𝑡)𝛿𝑦(𝑡)}𝑑𝑡/{𝛿𝜃 𝑇 𝛿𝜃}

0

Di mana ծ𝜃 adalah perubahan dalam 𝜃 dan ծY adalah perubahan model berkenaan dengan
perubahan dalam parameter. Bahwa 𝜃 dan Y(t) adalah vector.) indek di atas adalah satu dari
banyak indeks yang dapat di gunakan untuk merangking model. Banyak indeks yang dapat di
gunakan untuk merangking model. Pula, rangking berdasarkan satu indeks tertentu bias saja
hasilnya denganmenggunakan indeks yang lain