7 

 
BAB 2

LANDASAN TEORI

2.1 Forex

Valuta asing (valas) atau foreign exchange (forex) atau foreign currency adalah

mata uang asing atau alat pembayaran lain yang digunakan untuk melakukan atau

membiayai transaksi ekonomi keuangan internasional dan yang mempunyai catatan kurs

resmi dari bank sentral (Hady, 1997). Forex merupakan produk investasi yang sifatnya

liquid dan bersifat internasional. Perbedaan nilai mata uang kedua negara yang berubah

dari waktu ke waktulah yang menjadi dasar diperolehnya keuntungan.

Dari banyaknya mata uang yang beredar didunia, hanya terdapat beberapa mata

uang yang sering digunakan sebagai satuan hitung dan banyak dicari dalam transaksi

perdagangan sebagai alat pembayaran internasional. Mata uang yang dimaksud

umumnya berasal dari negara-negara maju yang memiliki perekonomian kuat dan relatif

stabil dan mata uang tersebut sering mengalami apresiasi (kenaikan nilai) dibandingkan

dengan mata uang lainnya, seperti contohnya US Dollar (USD), Euro (EUR), British

Poundsterling (GBP), Swiss Franc (CHF), Japan Yen (JPY), Australian Dollar (AUD),

dan sebagainya.

Terdapat pula mata uang yang jarang digunakan sebagai alat pembayaran dan

kesatuan hitung serta nilainya sering mengalami depresiasi (penurunan nilai). Mata uang

ini pada umumnya berasal dari negara-negara berkembang dan perekonomiannya sedang

tumbuh, seperti contohnya Indonesia, Malaysia, Filipina, dan sebagainya.

Sekarang ini, mata uang negara bukan hanya sebagai alat pembayaran dalam

perdagangan internasional, melainkan juga telah menjadi komoditi yang juga

 8 
 
diperdagangkan sebagaimana layaknya dengan barang biasa umumnya. Dalam

perkembangannya, volume transaksi komoditi uang yang diperdagangkan bahkan lebih

besar, sangat lancar, dan cenderung membahayakan perekonomian suatu negara yang

mata uangnya diperdagangkan.

2.1.1 Pasar Forex

Forex (Foreign Exchange) atau Valuta Asing adalah pasar mata uang yang

merupakan pasar derifatif terbesar di dunia. Sebenarnya keberadaan forex trading telah

lama ada sejak ditemukannya teknik mengkonversi mata uang sebuah negara ke mata

uang negara lainnya. Namun secara kelembagaan baru ada setelah didirikannya badan

arbitrase kontrak berjangka (futures).

Pasar forex / valas berjalan selama 24 jam sehari dan 5 hari seminggu. Dimulai

dari pasar Eropa, Amerika, Australia dan Asia. Tidak seperti Bursa Efek Jakarta yang

hanya bisa dapat bertransaksi di siang hari, pada forex trading (khususnya pada online

forex trading) kita dapat bertransaksi kapan saja dan dimana saja.

Tidak semua mata uang dapat diperdagangkan disini. Hanya beberapa mata uang

negara maju yang biasa dipergunakan yaitu US Dollar (USD), Euro (EUR), British

Poundsterling (GBP), Swiss Franc (CHF), Japan Yen (JPY), Australian Dollar (AUD).

Semua mata uang ini diperdagangkan secara berpasang-pasangan (disebut pair),

contohnya GBP/USD, dll.

Forex trading Online adalah perdagangan / pertukaran mata uang asing dengan

mata uang asing lainnya dengan satu satuan kontrak yang disebut lot dan dilakukan

secara online. Selain itu perdagangan di Forex tidak dilakukan secara fisik namun hanya

melibatkan nilainya saja.

 9 
 
2.1.2 Pelaku Pasar Forex

Berikut ini adalah para pelaku yang berperan penting didalam perdagangan valas:

a. Bank Sentral

Fungsi Bank Sentral dalam pasar valuta asing umumnya sebagai stabilitator nilai

tukar mata uang lokal.

b. Perusahaan atau individu

Perusahaan atau individu memanfaatkan pasar valuta asing untuk memperlancar

bisnisnya. Yang termasuk dalam kelompok ini adalah eksportir, importir,

investor internasional, perusahaan multinasional dan sebagainya.

c. Spekulan dan Arbitrator

Spekulan dan arbitrator bertindak atas kehendak mereka sendiri untuk mendapat

keuntungan dari perubahan atau fluktuasi harga umum (capital gain).

d. Dealer

Biasanya yang bertindak sebagai dealer adalah pihak Bank, meskipun ada juga

beberapa dari non-bank. Mereka mendapatkan keuntungan dari selisih harga jual

dan harga beli valuta asing.

e. Pialang

Pialang bertindak sebagai perantara yang mempertemukan penawaran dan

permintaan terhadap mata uang tertentu.

 10 
 
2.1.3 Faktor – Faktor yang Mempengaruhi Kurs Valuta Asing

Secara umum, faktor yang mempengaruhi nilai kurs valuta asing (Hady,1997) adalah

sebagai berikut :

a. Permintaan dan penawaran valas

Sesuai dengan hukum permintaan dan penawaran, harga valas dapat menjadi

lebih mahal dari nilai nominalnya bila permintaan melebihi jumlah yang

ditawarkan sedangkan penawaran berkurang, begitu pula sebaliknya.

b. Tingkat inflasi

Tingginya angka inflasi yang terjadi pada suatu negara mengindikasikan

mahalnya harga barang (tertentu) di negara tersebut.

c. Tingkat suku bunga

Isu mengenai tingginya tingkat bunga dapat menarik para spekulan uang untuk

memanfaatkan selisih nilai bunga pinjaman dan simpanan. Ketika mata uang

asing masuk ke suatu negara dalam jumlah banyak, permintaan mata uang lokal

akan makin tinggi sehingga nilai mata uang lokal akan naik, sedangkan nilai

mata uang asing relatif akan menurun.

d. Tingkat pendapatan dan produksi

Makin besar nilai barang yang diimpor, makin besar juga permintaan mata uang

asing tersebut sehingga harganya relatif naik dari harga semula terhadap mata

uang lokal.

e. Neraca perdagangan

Cadangan devisa adalah total valuta asing yang dimiliki oleh pemerintah dan

swasta dari suatu negara. Cadangan devisa yang bernilai positif mengindikasikan
 11 
 
bahwa penawaran mata uang asing lebih besar daripada permintaannya, sehingga

nilai mata uang lokal menguat, begitupun sebaliknya.

f. Pengawasan pemerintah

Cara yang sering dilakukan pemerintah dalam mengawasi nilai mata uangnya,

yaitu dengan cara kebijakan fiskal dan kebijakan moneter. Kebijakan fiskal

dilakukan dengan cara menaikkan nilai pajak, mengetatkan belanja negara, dan

sebagainya dengan tujuan jumlah mata uang lokal makin sedikit. Kebijakan

moneter biasanya berupa pengetatan uang beredar (atau sebaliknya), menaikkan /

menurunkan tingkat suku bunga, dan sebagainya.

g. Perkiraan / spekulasi

Perkiraan, terutama dari orang-orang yang dianggap berpengalaman dalam

bidang perdagangan uang dan bidang politik, apabila sifatnya positif bagi negara

yang bersangkutan, kemungkinan besar menyebabkan naiknya permintaan uang

lokal dari negara tersebut.

2.1.4 Peramalan

2.1.4.1 Pengertian Peramalan

Menurut buku metode peramalan yang ditulis oleh Djauhari (1986, p12),

peramalan adalah menduga atau memprediksi peristiwa yang akan datang atau terjadi di

masa depan dan bertujuan untuk memperkecil resiko yang akan mungkin terjadi akibat

keputusan yang kita ambil, dengan tidak menghilangkan secara penuh faktor-faktor

ketidakpastian yang secara eksplisit diperhitungkan dalam perhitungan.

Jadi, inti dari pengertian peramalan adalah suatu usaha atau kegiatan untuk

menduga, memprediksi apa yang akan terjadi di masa yang akan datang, serta bertujuan
 12 
 
untuk memperkecil resiko atau kesalahan yang mungkin terjadi terhadap keputusan yang

akan kita ambil.

Hubungan antara keputusan yang diambil, ramalan, dan galat digambarkan

sebagai berikut:

Keputusan  = Keputusan  + Galat ramalan 

hasil ramalan

Gambar 2.1 Hubungan Antara Keputusan Dan Galat

Dari hubungan gambar diatas dapat terlihat bahwa keputusan yang kita ambil itu

selalu berhubungan atau memperhitungkan galat atau error. Jadi pengkajian dari galat

ramalan sama pentingnya dengan cara peramalan yang kita ambil.

Dalam merumuskan masalah peramalan langkah pertama yang harus dilakukan

adalah mengkaji masalah pengambilan keputusan. Hal ini dimaksudkan agar dapat

menuntun kita dalam menentukan apa yang akan kita ramal bentuk ramalan dan

bagaimana tingkat keakuratan hasil keputusan yang kita inginkan.

Langkah selanjutnya adalah mempelajari faktor-faktor yang sifatnya lebih teknis yaitu:

a. Ketersediaan data. Apakah data-data yang kita perlukan dalam melakukan

peramalan tersedia dan dapat kita gunakan.

b. Pola data. Penanganan data yang berubah menurut waktu dengan tingkat

perubahan yang lemah akan sangat brbeda dengan pola data yang tidak teratur.

c. Komputasi. Jumlah variabel yang kecil serta frekuensi peramalan yang rendah

daat ditangani dengan prosedur analisis yang mendalam. Lain halnya dengan

jumlah veriabel yang besar dan frekuensi peramalan yang tinggi.

 13 
 
2.1.4.2 Kegunaan dan Peran peramalan

Peramalan diperlukan karena adanya perbedaan waktu antara kesadaran akan

dibutuhkannya suatu kebijakan baru dengan waktu pelaksanaan kebijakan tersebut.

Dalam usaha mengetahui atau melihat perkembangan di masa depan, peramalan

dibutuhkan untuk menentukan kapan suatu peristiwa akan terjadi atau suatu kebutuhan

akan timbul, sehingga dapat dipersiapkan kebijakan atau tindakan-tindakan apa yang

perlu dilakukan.

Menurut Makridakis (1999, p14-15), peranan peramalan sangat penting, baik

dalam penelitian, perancangan maupun dalam pengambilan suatu keputusan. Baik

tidaknya hasil suatu penelitian di dalam ekonomi dan dunia usaha, khususnya peramalan

valas, sangat ditentukan oleh ketepatan ramalan yang dibuat, oleh karena itu, ketepatan

dari ramalan tersebut merupakan hal yang sangat penting. Walaupun demikian perlu

disadari bahwa suatu ramalan bukan sesuatu yang harus pasti benar, jadi di dalam

peramalan selalu ada unsur-unsur keasalahannya, biasa disebut juga galat, dimana

kesalahan inilah yang harus kita perkecil kemungkinannya untuk muncul.

2.1.4.3 Jenis-Jenis Peramalan

Menurut Sofjan Assauri (1984, p3-4), jenis-jenis peramalan berdasarkan sifatnya

terbagi menjadi dalam dua buah kategori, yaitu:

a. Teknik peramalan kuantitatif

Teknik peramalan kuantitatif adalah suatu metode peramalan yang dapat

diterapkan apabila terdapat informasi atau data tentang masa lalu dan informasi

atau tersebut dapat dikuantitatifkan serta informasi atau data tersebut dapat
 14 
 
dianggap terus menerus berlanjut di masa yang akan datang. Teknik peramalan

kuantitatif ini sendiri dapat dibagi menjadi dua metode lagi yaitu:

1. Metode deret berkala (time series)

Metode deret berkala memperhatikan serangkaian variabel yang diamati pada

suatu interval ruang waktu.

2. Metode kausal atau eksplanatoris (regresi).

Metode kausal adalah suatu pemodelan dari variabel yang tak bebas Y

(independent variable) sebagai fungsi dari sejumlah variabel bebas Xi sampai

dengan Xk (dependent variable), metode ini juga digunakan bila ingin

mengetahui seberapa kuat variabel-variabel X mempengaruhi variabel Y.

b. Teknik peramalan kualitatif (teknologis).

Metode kualitatif atau dikenal juga sebagai metode teknologi digunakan apabila

asumsi pola data konstan tidak dipenuhi (pola yang terdapat di dalam masa lalu

tidak dapat dianggap berlanjut terus di masa yang akan datang), serta pula

informasi atau data tentang masa lalu tidak dapat kita peroleh atau bilamana

ramalannya mengenai suatu masalah atau peristiwa tidak dapat diharapkan di

masa mendatang.

Sedangkan berdasarkan sifat penyusunannya, maka peramalan dapat dibedakan

menjadi 2 macam yaitu:

a. Peramalan yang subjektif, yaitu peramalan yang didasarkan atas perasaan atau

intuisi dari orang yang menyusunnya. Dalam hal ini, pandangan dari orang yang

menyusunnya sangat menentukan baik tidaknya hasil ramalan tersebut.

 15 
 
b. Peramalan yang objektif, adalah peramalan yang didasarkan atas data yang

relevan pada masa lalu, dengan menggunakan teknik-teknik dan metode dalam

penganalisaan data tersebut.

2.1.4.4 Langkah-Langkah Peramalan

Mutu dari hasil peramalan yang disusun, sangat ditentukan oleh proses

pelaksanaan penyusunannya. Peramalan yang baik adalah peramalan yang dilakukan

dengan mengikuti langkah-langkah atau prosedur penyusunan yang baik (Assauri,1984).

Pada dasarnya ada tiga langkah peramalan yang penting ,yaitu:

a. Mengumpulkan dan menganalisa data, tahap ini berguna untuk mencari pola dari

data masa lalu. Data yang dikumpulkan haruslah data yang akurat, sebab data

yang tidak akurat atau kurang memadai akan menyebabkan hasil ramalan

menjadi kurang tepat.

b. Menentukan metode yang digunakan, metode peramalan yang baik adalah

metode yang memberikan hasil ramalan yang tidak jauh beda dengan

fakta/kenyataan yang terjadi.

c. Memproyeksikan data yang lalu dengan menggunakan metode yang

dipergunakan dan mempertimbangkan adanya beberapa faktor-faktor perubahan.

2.1.4.5 Peramalan Valuta Asing

Perdagangan internasional pada saat ini semakin meningkat, oleh karena itu

aktivitas perdagangan valas juga turut meningkat. Hal ini menjadikan valas tidak lagi

hanya digunakan sebagai alat pembayaran, tapi juga sebagai benda ekonomi yang dapat

menghasilkan keuntungan. Kini banyak bermunculan para investor atau pemain valas,
 16 
 
baik itu perorangan maupun atas nama perusahaan, yang melakukan bisnis perdagangan

valas, yang didasari oleh aturan yang sangat sederhana, yaitu berusaha membeli valas

dengan nilai rendah dan kemudian menjualnya saat nilai tukar valas tersebut sedang

tinggi. Oleh karena itu, para pemain valas/investor ini sangat membutuhkan suatu

informasi prediksi terhadap pergerakkan nilai tukar valas, untuk menentukan kapan ia

perlu menjual atau membeli untuk memperoleh keuntungan.

Ada dua teknik analisis yang digunakan untuk membantu memprediksi pergerakan nilai

tukar valas, yaitu:

a. Analisis Fundamental

Analisis fundamental adalah suatu analisis/studi terhadap faktor-faktor yang

mempengaruhi kondisi perekonomian suatu negara, dimana analisis fundamental

ini mempelajari penyebab-penyebab terjadinya pergerakan pasar (Hidayat,

2005).

The Fei Ming (2000, p25-31) mengelompokkan faktor-faktor fundamental ke

dalam empat kategori besar, yaitu:

1. Faktor Ekonomi

Merupakan faktor yang menggambarkan aktivitas perekonomian suatu

negara. Indikator-indikator utama yang biasanya dipakai untuk melihat

aktivitas perekonomian suatu negara adalah pendapatan nasional bruto,

pendapatan domestik bruto, inflasi, neraca pembayaran, dan tingkat bunga

bank.

2. Faktor Politik

Faktor politik sebagai salah satu indikator untuk memprediksi pergerakkan

nilai tukar, sangat sulit untuk diketahui waktu dimana faktor ini akan
 17 
 
berdampak terhadap pergerakan nilai tukar. Ada kalanya faktor ini dapat

mempengaruhi pergerakkan nilai tukar ada dan kalanya faktor ini tidak

terlalu mempengaruhi pergerakkan nilai tukar.

3. Faktor Keuangan

Faktor keuangan memusatkan perhatian terhadap pengamatan terhadap

tingkat suku bunga, karena di dalam perdagangan valas terjadi transaksi

pertukaran dua buah mata uang negara yang berbeda, maka yang harus

diperhatikan adalah tingkat suku bunga kedua negara tersebut.

4. Faktor Eksternal

Faktor eksternal disini adalah bahwa perubahan nilai tukar valas dapat

dipengaruhi oleh keadaan perekonomian dari negara sekitar / negara

tetangga. Sebagai contoh pada tahun 1998 tingkat nilai tukar mata uang

negara-negara di Asia Tenggara melemah terhadap USD.

b. Analisis Teknikal

Anlisis teknikal merupakan suatu analisis terhadap pola pergerakkan harga di

masa lampau dengan tujuan untuk meramalkan/memprediksi pergerakkan harga

di masa yang akan datang (Fei Ming, 2000). Ada dua alat yang dapat digunakan

untuk melakukan analisis teknikal, yaitu dengan menggunakan grafik atau

dengan persamaan matematis yang lalu dituangkan kedalam grafik (Hidayat,

2005). Keuntungan dari menggunakan analisis teknikal adalah bahwa seorang

analisis teknikal tidak perlu lagi mengetahui faktor-faktor yang mengakibatkan

pergerakkan harga, karena semuanya telah terrefleksikan dalam harga pasar.

Selain itu pula analisis teknikal bersifat fleksibel, sehingga dapat diterapkan

untuk melakukan analisis terhadap berbagai macam jenis mata uang.

 18 
 
2.2 Artificial Neural Networks (ANN)

2.2.1 Sejarah ANN

Jaringan syaraf tiruan telah dikembangkan sejak tahun 1940. Pada tahun 1943

McCulloch dan W.H.Pitts memperkenalkan pemodelan matematis neuron. Tahun 1949,

Hebb mencoba mengkaji proses belajar yang dilakukan oleh neuron. Teori ini dikenal

sebagai Hebbian Law.

Tahun 1958, Rosenblatt memperkenalkan konsep perseptron suatu jaringan yang

terdiri dari beberapa lapisan yang saling berhubungan melalui umpan maju

(feedforward). Konsep ini dimaksudkan untuk memberikan ilustrasi tentang dasar-dasar

intelejensia secara umum. Hasil kerja Rosenblatt yang sangat penting adalah perceptron

convergence theorem (tahun 1962) yang membuktikan bahwa bila setiap perseptron

dapat memilah-milah dua buah pola yang berbeda maka siklus pelatihannya dapat

dilakukan dalam jumlah yang terbatas.

Pada tahun 1960 Widrow dan Hoff menemukan ADALINE (Adaptive Linear

Neuruon). Alat ini dapat beradaptasi dan beroperasi secara linier. Penemuan ini telah

memperlebar aplikasi jaringan syaraf tiruan tidak hanya untuk pemilihan pola, tetapi

juga untuk pengiriman sinyal khususnya dalam bidang adaptive filtering. Tahun 1969,

Minsky dan Papert melontarkan suatu kritikan tentang kelemahan perseptronnya

Rosenblatt di dalam memilah-milah pola yang tidak linier. Sejak saat itu penelitian di

bidang jaringan syaraf tiruan telah mengalami masa vakum untuk kurang lebih satu

dasawarsa.

Tahun 1982, Hopfield telah memperluas aplikasi ANN untuk memecahkan

masalah-masalah optimasi. Hopfield telah berhasil memperhitungkan fungsi energi ke

dalam jaringan syaraf yaitu agar jaringan memiliki kemampuan untuk mengingat atau
 19 
 
memperhitungkan suatu obyek dengan obyek yang pernah dikenal atau diingat

sebelumnya (associative memory). Konfigurasi jaringan yang demikian dikenal sebagai

recurrent network. Salah satu aplikasinya adalah Travelling Salesman Problem (TSP).

Pada tahun 1986 Rumelhart, Hinton dan William menciptakan suatu algoritma

belajar yang dikenal sebagai propagasi balik (backpropagation). Bila algoritma ini

diterapkan pada perseptron yang memiliki lapisan banyak (multi layer perceptron),

maka dapat dibuktikan bahwa pemilahan pola-pola yang tidak linier dapat diselesaikan

sehingga dapat mengatasi kritikan yang dilontarkan oleh Minsky dan Papert.

Usaha manusia dalam mengembangkan suatu sistem yang meniru kemampuan

dan perilaku makhluk hidup telah berlangsung selama beberapa decade belakangan ini.

Jaringan saraf tiruan, merupakan hasil perkembangan ilmu dan teknologi yang kini

sedang berkembang pesat. ANN yang berupa susunan sel-sel syaraf tiruan (neuron)

dibangun berdasarkan prinsip-prinsip organisasi otak manusia. Perhatian yang besar

pada ANN disebabkan adanya keunggulan yang dimilikinya seperti kemampuan untuk

belajar, komputasi paralel, kemampuan untuk memodelkan fungsi nonlinier dan sifat

fault tolerance.

2.2.2 Definisi ANN

Salah satu cabang dari AI (Artificial Intelligence) adalah apa yang dikenal

dengan Jaringan syaraf tiruan (Artificial Neural Network). Jaringan syaraf tiruan

merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan

cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses

belajar melalui perubahan bobot sinapsisnya. Jaringan syaraf tiruan mampu melakukan

pengenalan kegiatan berbasis data masa lalu. Data masa lalu akan dipelajari oleh
 20 
 
jaringan syaraf tiruan sehingga mempunyai kemampuan untuk memberikan keputusan

terhadap data yang belum pernah dipelajari. Dalam analisis ini dicoba untuk dipelajari

dan dicoba penerapannya didalam bidang psikologi yaitu mendeteksi test psikologi pada

manusia. ANN yang berupa susunan sel-sel syaraf tiruan (neuron) dibangun berdasarkan

prinsip-prinsip organisasi otak manusia.

Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian

jaringan syaraf tiruan (Siang, 2005, p23). Neuron terdiri dari 3 elemen pembentuk

sebagai berikut.

a. Himpunan unit-unit yang dihubungkan dengan jalur koneksi.

b. Suatu unit penjumlah yang akan menjumlahkan masukan-masukan sinyal yang

sudah dikalikan dengan bobotnya.

c. Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron akan

diteruskan ke neuron lain ataukah tidak.

Jaringan syaraf tiruan ditentukan oleh 3 hal sebagai berikut.

a. Pola hubungan antar neuron (disebut arsitektur jaringan ).

b. Metode untuk menentukan bobot penghubung (disebut algoritma

training/learning/pelatihan/belajar)

c. Fungsi aktivasi.

Di dalam jaringan syaraf tiruan, istilah simpul (node) sering digunakan untuk

menggantikan neuron. Setiap simpul pada jaringan menerima atau mengirim sinyal dari

atau ke simpul-simpul lainnya. Pengiriman sinyal disampaikan melalui penghubung.

Kekuatan hubungan yang terjadi antara setiap simpul yang saling terhubung dikenal

dengan nama bobot.

 21 
 
Model-model jaringan syaraf tiruan ditentukan oleh arsitektur jaringan serta

algoritma pelatihan. Arsitektur biasanya menjelaskan arah perjalanan sinyal atau data di

dalam jaringan. Sedangkan algoritma belajar menjelaskan bagaimana bobot koneksi

harus diubah agar pasangan masukan-keluaran yang diinginkan dapat tercapai.

Perubahan harga bobot koneksi dapat dilakukan dengan berbagai cara,

tergantung pada jenis algoritma pelatihan yang digunakan. Dengan mengatur besarnya

nilai bobot ini diharapkan bahwa kinerja jaringan dalam mempelajari berbagai macam

pola yang dinyatakan oleh setiap pasangan masukan-keluaran akan meningkat.

X1 
W1

W2
X2  Y 

W3
X3 

Gambar 2.2 Sebuah Sel Syaraf Tiruan

Pada gambar 2.2 diperlihatkan sebuah sel syaraf tiruan sebagai elemen

penghitung. Simpul Y menerima masukan dari neuron x1, x2 dan x3 dengan bobot

hubungan masing-masing adalah w1, w2 dan w3. Argumen fungsi aktivasi adalah net

masukan (kombinasi linear masukan dan bobotnya). Ketiga sinyal simpul yang ada

dijumlahkan:

net = x1w1 + x2w2 + x3w3

Besarnya sinyal yang diterima oleh Y mengikuti fungsi aktivasi y = f(net).

Apabila nilai fungsi aktivasi cukup kuat, maka sinyal akan diteruskan. Nilai fungsi

aktivasi (keluaran model jaringan) juga dapat dipakai sebagai dasar untuk merubah

bobot.
 22 
 
2.2.3 Arsitektur Jaringan

Ada beberapa arsitektur jaringan syaraf, antara lain :

a. Jaringan dengan Lapisan Tunggal (Single Layer Network)

Pada jaringan ini, sekumpulan masukan neuron dihubungkan langsung dengan

sekumpulan keluarannya. Sinyal mengalir searah dari layar (lapisan) masukan

sampai layar (lapisan) keluaran.

Setiap simpul dihubungkan dengan simpul lainnya yang berada diatasnya

dan dibawahnya, tetapi tidak dengan simpul yang berada pada lapisan yang

sama. Model yang masuk kategori ini antara lain : ADALINE, Hopfield,

Perceptron, LVQ, dan lain-lain.

Pada gambar berikut diperlihatkan arsitektur jaringan layar tunggal

dengan n buah masukan (x1, x2,..., xn) dan m buah keluaran (y1, y2,..., ym)

W11
X1  Y1 
W12
Wm1

W12
W22 Y2 
X2 
Wm2

Wn2
W1n
Xn  Ym 
Wmn

Gambar 2.3 Jaringan Syaraf Tiruan dengan Lapisan Tunggal

b. Jaringan dengan Banyak Lapisan(Multiple Layer Network)

Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang terletak

diantara lapisan input dan lapisan output. Seperti terlihat gambar dibawah ada
 23 
 
lapisan lapisan yang terletak diantara 2 lapisan yang bersebelahan. Jaringan

dengan banyak lapisan ini dapat menyelesaikan permasalahan lebih sulit dari

pada jaringan lapisan tunggal, tentu saja dengan pembelajaran yang lebih rumit.

Namun demikian, pada banyak kasus, pembelajaran pada jaringan dengan

banyak lapisan ini lebih sukses dalam menyelesaikan masalah. Model yang

termasuk kategori ini antara lain : MADALINE, backpropagation.

Pada gambar berikut diperlihatkan jaringan dengan n buah unit masukan

(x1, x2,..., xn), sebuah layar tersembunyi yang terdiri dari m buah unit (z1,z2,...,

zm) dan 1 buah unit keluaran.

Gambar 2.4 Jaringan Syaraf Tiruan dengan Banyak Lapisan

c. Jaringan Reccurent

Model jaringan reccurent (reccurent network) mirip dengan jaringan layar

tunggal ataupun jamak. Hanya saja, ada simpul keluaran yanng memberikan

sinyal pada unit masukan (sering disebut feedback loop). Dengan kata lain sinyal

mengalir dua arah, yaitu maju dan mundur. Contoh : Hopfield network, Jordan

network, Elmal network.

 24 
 
2.2.4 Algoritma Pembelajaran atau Pelatihan

Ide dasar jaringan syaraf tiruan adalah konsep belajar atau pelatihan. Jaringan-

jaringan belajar melakukan generalisasi karakteristik tingkah laku objek.

Algoritma pelatihan artinya membentuk pemetaan (fungsi) yang menggambarkan

hubungan antara vektor masukan dan vektor keluaran (Sekarwati 2005, p4). Biasanya

diberikan contoh yang cukup penting dalam membangun pemetaan tersebut. Walaupun

untuk pasangan masukan keluaran yang belum pernah digambarkan sebelumnya.

Untuk dapat menyelesaikan suatu permasalahan, jaringan syaraf tiruan

memerlukan algoritma belajar atau pelatihan yaitu bagaimana sebuah konfigurasi

jaringan dapat dilatih untuk mempelajari data historis yang ada. Dengan pelatihan ini,

pengetahuan yang terdapat pada data dapat diserap dan direpresentasikan oleh harga-

harga bobot koneksinya.

Algoritma belajar atau pelatihan digolongkan menjadi sebagai berikut (Siang,

2005, p30):

a. Dengan Supervisi (Supervised Training)

Dalam pelatihan dengan supervisi, terdapat sejumlah pasangan data (masukan-

target keluaran) yang dipakai untuk melatih jaringan. Pada setiap pelatihan, suatu

masukan diberikan ke jaringan. Jaringan akan memproses dan mengeluarkan

keluaran. Selisih antara keluaran jaringan dengan target (keluaran yang

diinginkan) merupakan kesalahan yang terjadi. Jaringan akan memodifikasi

bobot sesuai dengan kesalahan tersebut. Model yang menggunakan pelatihan

dengan supervisi antara lain : Perceptron, ADALINE, MADALINE,

Backpropagation, LVQ.

b. Tanpa Supervisi (Unsupervised Training)

 25 
 
Dalam pelatihannya, perubahan bobot jaringan dilakukan berdasarkan parameter

tertentu dan jaringan dimodifikasi menurut ukuran parameter tersebut. Model

yang menggunakan pelatihan ini adalah model jaringan kompetitif.

2.2.5 ANN Backpropagation

Algoritma pelatihan Backpropagation atau bisa juga disebut propagasi balik,

pertama kali dirumuskan oleh Werbos dan dipopulerkan oleh Rumelhart dan McClelland

untuk dipakai pada Artificial Neural Networks, dan selanjutnya algoritma ini biasa

disingkat dengan BP. Algoritma ini termasuk metode pelatihan supervised dan didesain

untuk operasi pada jaringan feedforward multi lapis.

Metode BP ini banyak diaplikasikan secara luas. Sekitar 90% bahkan lebih BP

telah berhasil diaplikasikan di berbagai bidang, diantaranya diterapkan di bidang

finansial, pengenalan pola tulisan tangan, pengenalan pola suara, sistem kendali,

pengolah citra medika dan masih banyak lagi keberhasilan BP sebagai salah satu metoda

komputasi yang handal.

Algoritma ini juga banyak dipakai pada aplikasi pengaturan karena proses

pelatihannya didasarkan pada hubungan yang sederhana, yaitu : Jika keluaran

memberikan hasil yang salah, maka penimbang (Weight) dikoreksi supaya galatnya

dapat diperkecil dan respon jaringan selanjutnya diharapkan akan lebih mendekati harga

yang benar. BP juga berkemampuan untuk memperbaiki penimbang pada lapisan

tersembunyi (hidden layer).

Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar

tersembunyi. Gambar berikut adalah arsitektur backpropagation dengan n buah masukan

 26 
 
(ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah

sebuah bias), serta m buah unit keluaran.

Y1 Yk Ym 

Wk Wk1  Wkj  Wkp 

W11 
W1 Wm1  W1j  Wmj  W1p  Wmp 
Wm0  Z1 Zj Zp 
1

Vj0  Vj1  Vji  Vjn 

V10  V11  Vp1  V1i  Vpi  V1n  Vpn 
Vp0  X1 Xi Xn 
1
Gambar 2.5 Arsitektur Jaringan Backpropagation

Vji merupakan bobot garis dari unit masukan xi ke unit layar tersembunyi Vj (Vj0

merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layar

tersembunyi Zj. Wkj merupakan bobot dari unit layar tersembunyi ZJ ke unit keluaran yk

(wko merupakan bobot dari bias di layar tersembunyi ke unit keluaran Zk)

Secara garis besar, mengapa algoritma ini disebut sebagai propagasi balik, dapat

dideskripsikan sebagai berikut: Ketika Jaringan diberikan pola masukan sebagai pola

pelatihan maka pola tersebut menuju ke unit-unit pada lapisan tersembunyi untuk

diteruskan ke unit-unit lapisan keluaran. Kemudian unit-unit lapisan keluaran

memberikan tanggapan yang disebut sebagai keluaran jaringan. Saat keluaran jaringan

tidak sama dengan keluaran yang diharapkan maka keluaran akan menyebar mundur

(backward) pada lapisan tersembunyi diteruskan ke unit pada lapisan masukan. Oleh

karenanya maka mekanisme pelatihan tersebut dinamakan backpropagation / propagasi

balik.
 27 
 
Tahap pelatihan ini merupakan langkah bagaimana suatu jaringan saraf itu

berlatih, yaitu dengan cara melakukan perubahan penimbang (sambungan antar lapisan

yang membentuk jaringan melalui masing-masin unitnya). Sedangkan pemecahan

masalah baru akan dilakukan jika proses pelatihan tersebut selesai, fase tersebut adalah

fase mapping atau proses pengujian / testing.

Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi beberapa

syarat sebagai berikut.

a. Kontinu.

b. Terdiferensial dengan mudah.

c. Merupakan fungsi yang tidak turun.

Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga sering dipakai

adalah fungsi sigmoid biner yang memiliki range (0,1). Fungsi sigmoid biner

didefinisikan sebagai berikut.

1
, ∞ ∞
1
dengan f`(x) = σ f(x) [1-f(x)]

y  f(x) 
1 

0.5 

0  0  x 

Gambar 2.6 Fungsi Sigmoid Biner

Fungsi lain yang sering dipakai adalah fungsi sigmoid bipolar dengan range (-

1,1) yang didefinisikan sebagai berikut.

 28 
 
2
1, ∞ ∞
1

1 
f(x) 

y 
0  x 

‐1 
0 

Gambar 2.7 Fungsi Sigmoid Bipolar

Fungsi sigmoid memiliki nilai maksimum 1. Untuk pola yang targetnya lebih

dari 1, pola masukan dan keluaran harus terlebih dahulu ditransformasi sehingga semua

polanya memiliki range yang sama seperti fungsi sigmoid yang dipakai.

Alternatif lain adalah menggunakan fungsi aktivasi sigmoid hanya pada layar

yang bukan layar keluaran. Pada layar keluaran, fungsi aktivasi yang dipakai adalah

fungsi identitas f (x) = x .

2.2.5.1 Pelatihan Backpropagation

Pelatihan pada jaringan feedfoward (umpan maju) dilakukan dalam rangka

perhitungan bobot sehingga pada akhir pelatihan akan diperoleh bobot-bobot yang baik.

Selama proses pelatihan, bobot-bobot diatur secara iteratif untuk meminimumkan error

(kesalahan) yang terjadi. Error (kesalahan) dihitung berdasarkan rata-rata kuadrat

kesalahan (MSE). Rata-rata kuadrat kesalahan juga dijadikan dasar perhitungan unjuk

kerja fungsi aktivasi. Sebagian besar pelatihan untuk jaringan feedfoward (umpan maju)
 29 
 
menggunakan gradien dari fungsi aktivasi untuk menentukan bagaimana mengatur

bobot-bobot dalam rangka meminimumkan kinerja. Gradien ini ditentukan dengan

menggunakan suatu teknik yang disebut backpropagation.

Pada dasarnya, algoritma pelatihan standar backpropagation akan menggerakkan

bobot dengan arah gradien negatif. Prinsip dasar dari algoritma backpropagation adalah

memperbaiki bobot-bobot jaringan dengan arah yang membuat fungsi aktivasi menjadi

turun dengan cepat.

Pelatihan backpropagation meliputi 3 fase sebagai berikut (Kristanto, 2004) :

a. Fase 1, yaitu propagasi maju (feedforward).

Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran

menggunakan fungsi aktivasi yang ditentukan.

b. Fase 2, yaitu propagasi mundur (backward).

Selisih antara keluaran jaringan dengan target yang diinginkan merupakan

kesalahan yang terjadi. Kesalahan yang terjadi itu dipropagasi mundur. Dimulai

dari garis yang berhubungan langsung dengan unit-unit di layar keluaran.

c. Fase 3, yaitu perubahan bobot. Modifikasi bobot untuk menurunkan kesalahan

yang terjadi. Ketiga fase tersebut diulang-ulang terus hingga kondisi penghentian

dipenuhi.

Algoritma pelatihan untuk jaringan backpropagation dengan satu layar

tersembunyi (dengan fungsi aktivasi sigmoid biner) adalah sebagai berikut.

Langkah 0 : Pemberian insiasialisasi penimbang (diberi nilai kecil secara acak).

Langkah 1 : Jika kondisi tidak tercapai, lakukan langkah 2-9.

Langkah 2 : Untuk setiap pasangan pelatihan, lakukan langkah 3-8.

 30 
 
Feedforward:

Langkah 3 : Tiap unit masukan (xi, i = 1,…, n) menerima sinyal xi dan menghantarkan

sinyal ini ke semua unit lapisan di atasnya (unit tersembunyi).

Langkah 4 : Setiap unit tersembunyi (xi, i = 1,…, p) jumlahkan bobot sinyal

masukannya,

z_inj = voj +∑ ivij

voj = bias pada unit tersembunyi j aplikasikan fungsi aktivasinya untuk

menghitung sinyal keluarannya, zj = f (z_inj) = _ ., dan kirimkan

sinyal ini keseluruh unit pada lapisan diatasnya (unit keluaran).

Langkah 5 : Tiap unit keluaran (yk, k = 1,…, m) mejumlahkan bobot sinyal

masukannya,

y_ink = wok + ∑ j wjk

wok = bias pada unit keluaran k dan aplikasikan fungsi aktivasinya untuk

menghitung sinyal keluarannya, yk = f (y_ink) = _ .

Backward:

Langkah 6 : Tiap unit keluaran (yk , k = 1,…, m) menerima pola target yang saling

berhubungan pada masukan pola pelatihan, hitung kesalahan

informasinya,

δk = (tk – yk) f1 (y_ink)

hitung koreksi bobotnya (digunakan untuk memperbaharui wjk nantinya),

Δwjk = α δk zj
 31 
 
hitung koreksi biasnya (digunakan untuk memperbaharui wok nantinya),

dan kirimkan δk ke unit-unit pada lapisan dibawahnya.

Langkah 7 : Setiap unit lapisan tersembunyi (zj, j = 1,…, p) jumlahkan hasil

perubahan masukannya (dari unit-unit lapisan diatasnya),

δ_inj =∑ δk wjk

kalikan dengan turunan fungsi aktivasinya untuk menghitung informasi

kesalahannya,

δj = δ_inj f1 (z_inj)

koreksi bobot vij,

Δvij = α δj xi

Dan koreksi bias v0j,

Δv0j = α δj

Lanjutkan ke tahap peng-update-an weight.

Langkah 8 : Tiap unit keluaran (yk, k = 1,…, m) update bias dan bobotnya (j = 0,…, p)

wjk (baru) = wjk (lama) + Δ wjk

Tiap unit lapisan tersembunyi (zj, j = 1,…, p) update bias dan bobotnya

(I = 0,…,n) :

vij (baru) = vij (lama) + Δ vij

Langkah 9 : Test kondisi, jika true maka training berhenti.

Keterangan:

f(x) = fungsi aktivasi

x_setb = (x1,x2,…,xn)

n = jumlah neuron pada input layer

l = banyaknya pasangan data pel atihan

 32 
 
p = jumlah neuron pada hidden layer

k = jumlah neuron pada output layer

v = weight lapisan pertama

w = weight lapisan kedua

z_in = sinyal input untuk hidden neuron

y_in = sinyal input untuk output neuron

x = sinyal input

z = sinyal output / level aktivasi dari hidden neuron

y = sinyal output / level aktivasi dari output neuron

α = parameter learning-rate

δk = faktor kesalahan dalam unit output k

Parameter α merupakan laju pemahaman yang menentukan kecepatan iterasi.

Nilai α terletak antara 0 dan 1 (0 ≤ α ≤ 1). Semakin besar harga α , semakin sedikit

iterasi yang dipakai. Akan tetapi jika harga α terlalu besar, maka akan merusak pola

yang sudah benar sehingga pemahaman menjadi lambat. Satu siklus pelatihan yang

melibatkan semua pola disebut epoch.

Pemilihan bobot awal sangat mempengaruhi jaringan syaraf tiruan dalam

mencapai minimum global (atau mungkin lokal saja) terhadap nilai error (kesalahan)

dan cepat tidaknya proses pelatihan menuju kekonvergenan.

Apabila bobot awal terlalu besar maka input (masukan) ke setiap lapisan

tersembunyi atau lapisan output (keluaran) akan jatuh pada daerah dimana turunan

fungsi sigmoidnya akan sangat kecil. Apabila bobot awal terlalu kecil, maka input

(masukan) ke setiap lapisan tersembunyi atau lapisan output (keluaran) akan sangat
 33 
 
kecil. Hal ini akan menyebabkan proses pelatihan berjalan sangat lambat. Biasanya

bobot awal diinisialisasi secara random dengan nilai antara -0.5 sampai 0.5 (atau -1

sampai 1 atau interval yang lainnya).

Setelah pelatihan selesai dilakukan, jaringan dapat dipakai untuk pengenalan

pola. Dalam hal ini, hanya propagasi maju (langkah 4 dan 5) saja yang dipakai untuk

menentukan keluaran jaringan.

2.2.5.2 Backpropagation dalam Peramalan

Salah satu bidang, backpropagation dapat diaplikasikan dengan baik adalah

bidang peramalan (forecasting). Peramalan yang sering diketahui adalah peramalan

besarnya penjualan, nilai tukar valuta asing, prediksi besarnya aliran sungai dan lain-

lain.

Secara umum, masalah peramalan dapat dinyatakan dengan sejumlah data runtun

waktu (time series) x1, x2,..., xn. Masalahnya adalah memperkirakan berapa harga xn+1

berdasarkan x1, x2,..., xn.

Langkah-langkah membangun struktur jaringan untuk peramalan sebagai berikut.

a. Transformasi Data

Langkah awal sebelum melakukan proses pelatihan pada jaringan yang akan

digunakan untuk peramalan adalah transformasi data. Data ditransformasi agar

kestabilan taburan data dicapai. Selain itu berguna untuk menyesuaikan nilai data

dengan range fungsi aktivasi yang digunakan dalam jaringan (Siang 2005, p121).

b. Perancangan Struktur Jaringan Yang Optimum

Langkah selanjutnya setelah pembagian data adalah penentuan bilangan simpul

masukan, bilangan lapisan tersembunyi, bilangan simpul lapisan tersembunyi

 34 
 
dan bilangan simpul keluaran yang akan digunakan dalam jaringan. Terdapat

beberapa aturan yang dapat membantu perancangan jaringan yang optimum,

yaitu sebagai berikut.

1. Bilangan simpul masukan sama dengan periode dimana data berfluktuasi.

2. Bilangan simpul keluaran sama dengan bilangan keluaran masalah.

3. Mulai dengan satu lapisan tersembunyi dan digunakan lebih dari satu lapisan

tersembunyi jika diperlukan.

4. Jika menggunakan satu lapisan tersembunyi, bilangan simpul tersembunyi

awal adalah 75% dari bilangan simpul masukan.

Penggunaan jaringan dengan dua atau lebih lapisan tersembunyi dalam

masalah peramalan kebanyakan tidak akan memberikan pengaruh yang sangat

besar terhadap prestasi jaringan untuk melakukan peramalan. Selain itu akan

melambatkan proses pelatihan yang disebabkan bertambahnya simpul.

Beberapa kaidah untuk memperkirakan bilangan simpul tersembunyi

yaitu sebagai berikut.

1. h = n, 2n

2. h = n/2

dengan, n = bilangan simpul masukan yang digunakan.

h = bilangan simpul tersembunyi.

Penentuan bilangan simpul tersembunyi yang terbaik diperoleh secara trial and

error dari simpul 1 sampai 2n.

c. Pemilihan Koefisien Pemahaman dan Momentum

Pemilihan koefisien pemahaman dan momentum mempunyai peranan yang

penting untuk struktur jaringan yang akan dibangun. Dalam pembangunan

 35 
 
jaringan yang akan digunakan dalam peramalan, hasil keputusan yang kurang

memuaskan dapat diperbaiki dengan penggunaan koefisien pemahaman dan

momentum secara trial and error untuk mendapatkan nilai bobot yang paling

optimum agar MAPE dan MSE jaringan dapat diperbaiki.

d. Memilih dan Menggunakan Struktur Jaringan yang Optimum

Jaringan yang dibangun akan dinilai keakuratan ramalannya. Kaedah penilaian

yang digunakan adalah nilai Percentage Error (PE), Mean Absolute Percentage

Error (MAPE) dan Mean Square Error (MSE). Pendekatan MAPE digunakan

untuk menilai prestasi jaringan yang dilatih karena MAPE mengenal secara pasti

signifikasi hubungan diantara data ramalan dengan data aktual melalui persentase

dari data aktual serta indikator positif atau negatif pada galat (error) diabaikan.

Ketepatan model diukur secara relatif menggunakan PE dan dilihat juga dari nilai

MSE-nya. Nilai PE, MAPE dan MSE didapat dari persamaan di bawah ini.

ŷ
x 100 % (Makridakis.1999,p61)

| |
MAPE = ∑ (Makridakis.1999,p61)

MSE = ∑ e = ∑ y ŷ (Makridakis.1999,p59)

dengan, n = bilangan ramalan.

yt = nilai aktual pada waktu t.

Ytˆ = nilai ramalan pada waktu t.

|PE| = nilai absolut PE.

 36 
 
Berdasarkan nilai MAPE dan PE yang terendah dari proses pelatihan diperoleh

jaringan yang optimum. Keakuratan ramalan jaringan dilihat dari nilai MAPE,

MSE dan PE dari proses pengujian dan validasi.

e. Pemilihan jaringan optimum dan penggunaannya untuk peramalan

Langkah-langkah pemilihan jaringan yang optimum sebagai berikut.

1. Proses pelatihan dilakukan terhadap data pelatihan dengan struktur jaringan

yang memiliki bilangan simpul tersembunyi berbeda akan diperoleh nilai

keluaran jaringan. Nilai PE, MAPE dan MSE-nya dihitung. Jaringan dengan

nilai MAPE terendah dipilih sebagai jaringan yang optimum untuk digunakan

dalam peramalan.

2. Setelah proses pelatihan dilakukan proses pengujian terhadap data pengujian

dengan struktur jaringan yang memiliki bilangan simpul tersembunyi berbeda

yang telah dilatih akan diperoleh nilai keluaran jaringan. Nilai PE, MAPE

dan MSE masing-masing struktur jaringan dihitung. Proses pengujian

dilakukan untuk menguji prestasi pelatihan dan sebagai pendukung bahwa

jaringan terpilih sebagai jaringan yang tepat untuk model peramalan.

3. Proses validasi dilakukan dengan menggunakan jaringan terpilih terhadap

data validasi untuk melihat prestasi ramalannya.

 37 
 
2.3 Rekayasa Perangkat Lunak (RPL)

Menurut Pressman (2002, p10) perangkat lunak adalah :

a. Perintah (program komputer) yang bila dieksekusi memberikan fungsi dan unjuk

kerja seperti yang diinginkan.

b. Struktur data yang memungkinkan program dapat memanipulasi informasi secara

proporsional.

c. Dokumen yang menggambarkan operasi dan kegunaan program.

Menurut Pressman (2002, p28), rekayasa perangkat lunak adalah pengembangan

dan pengunaan prinsip pengembangan suara untuk memperoleh perangkat lunak secara

ekonomis yang reliabel dan bekerja secara efisien pada mesin nyata.

2.3.1 Model Proses Rekayasa Perangkat Lunak (RPL)

System Development Life Cycle (SDLC) adalah sistem pengembangan metode

tradisional yang digunakan oleh sebagian besar perusahaan saat ini. SDLC adalah

kerangka kerja yang terstruktur yang terdiri dari urutan proses oleh sistem informasi

yang dikembangkan. Model-model lain untuk SDLC mungkin berisi lebih banyak atau

lebih sedikit dari delapan tahap kami di sini. Namun, sebagian besar masih sama,

terlepas dari beberapa tahap. Di masa lalu, pengembang menggunakan pendekatan

waterfall ke SDLC, di mana tugas-tugas dalam satu tahap telah selesai sebelum

melanjutkan pekerjaan ke tahap berikutnya (Potter, 2003).

 38 
 

Gambar 2.8 Waterfall Model

a. Systems Investigation

Pengembangan sistem profesional setuju bahwa semakin banyak waktu yang

diinvestasikan dalam usaha memahami program yang harus dipecahkan, dalam

memahami pilihan teknis untuk sistem dan pemahaman masalah yang mungkin

terjadi selama perkembangan, semakin besar kesempatan untuk benar-benar

berhasil memecahkan masalah.

b. Systems Analysis

Systems analysis adalah pemeriksaan bisnis organisasi terencana untuk

memecahkan masalah dengan sistem informasi. Tahap ini mendefinisikan

masalah bisnis, mengidentifikasi penyebabnya, menentukan solusi dan

 39 
 
mengidentifikasi persyaratan informasi bahwa solusi harus terpenuhi.

c. Systems Design

Systems design menggambarkan apa yang harus dilakukan untuk memecahkan

masalah bisnis, dan systems design yang menggambarkan bagaimana sistem akan

menyelesaikan tugas ini.

d. Programming

Programming melibatkan terjemahan spesifikasi desain ke dalam kode

komputer. Proses ini dapat menjadi panjang dan memakan waktu.

e. Testing

Testing akan memeriksa untuk melihat apakah kode komputer akan

menghasilkan hasil yang diharapkan dan mengalami kondisi tertentu. Testing

membutuhkan sejumlah besar waktu, tenaga dan biaya untuk melakukan dengan

benar.

f. Implementation

Implementation adalah proses konversi dari sistem lama ke sistem baru.

g. Operation and Maintenance

Setelah konversi, sistem baru akan beroperasi selama jangka waktu tertentu,

sampai (seperti yang lama digantikan oleh sistem baru) itu tidak lagi memenuhi

tujuannya. Sistem memerlukan beberapa jenis maintenance. Tipe pertama adalah

debugging, sebuah proses yang berlanjut sepanjang hidup dari sistem. Tipe

kedua adalah memperbarui sistem untuk mengakomodasi perubahan dalam

kondisi bisnis.
 40 
 
2.3.2 Use Case Diagram

Use case diagram menggambarkan fungsionalitas yang diharapkan dari sebuah

sistem dan bagaimana sistem berinteraksi dengan dunia luar. Yang ditekankan dalam

Use case diagram adalah ”apa” yang diperbuat sistem, dan bukan “bagaimana” sistem

itu melakukannya. Use case diagram juga menjelaskan manfaat sistem jika dilihat

menurut pandangan orang yang berada diluar sistem (actor).

Gambar 2.9 Use Case Diagram

a. Actor : Actor menggambarkan orang, sistem atau entitas luar yang menyediakan

informasi atau menerima informasi dari sistem. Actor menggambarkan sebuah

tugas/peran dan bukannya posisi sebuah jabatan.

b. Use case : Use case menggambarkan perilaku, termasuk didalamnya interaksi

antara actor dengan sistem. Use case dibuat berdasarkan keperluan actor,

merupakan “apa” yang dikerjakan sistem bukan “bagaimana” sistem

mengerjakannya. Setiap use case harus diberi nama yang menyatakan apa hal

yang dicapai dari hasil interaksinya dengan actor.

 41 
 
c. Association: mengidentifikasi interaksi antara actor dan use case. Setiap asosiasi

menjadi sebuah dialog yang harus dijelaskan dalam kasus menggunakan narasi.

Setiap narasi pada gilirannya menyediakan serangkaian skenario yang dapat

membantu dalam pengembangan uji kasus ketika mengevaluasi analisis, desain,

dan implementasi dari penggunaan artefak kasus dan asosiasi.

d. Include relationship: sebuah hubungan dimana sebuah use case (use case dasar)

mengandung fungsi dari use case lainnya. Include relationship mendukung

penggunaan ulang fungsi dalam sebuah model use case.

e. Extend relationship: mengidentifikasi sebuah use case yang menyampaikan

tindakan dari use case lainnya. Tipe hubungan ini menyatakan rincian tentang

sebuah sistem atau aplikasi yang biasanya tersembunyi dalam sebuah use case.

2.3.3 State Transition Diagram

State Transition Diagram adalah suatu modelling tool yang mengambarkan sifat

ketergantungan pada waktu dari sebuah sistem. STD adalah suatu kumpulan keadaan

atau atribut yang mencirikan suatu keadaan pada waktu tertentu.

Komponen-komponen utama STD ialah :

a. State, disimbolkan dengan bentuk kotak/persegi

State merepresentasikan reaksi yang ditampilkan ketika suatu tindakan

dilakukan. Ada 2 jenis state, yaitu : State awal dan state akhir. State akhir dapat

berupa beberapa state, sedangkan state awal tak boleh lebih dari satu.

b. Arrow, disimbolkan dengan tanda panah

 42 
 
Arrow sering juga disebut juga dengan transisi state yang diberi label dengan

ekspresi aturan, label tersebut menunjukkan kejadian yang menyebabkan transisi

terjadi.

c. Condition dan Action.

Condition adalah suatu event pada external environment yang dapat dideteksi

oleh sebuah sistem. Action adalah yang dilakukan oleh sistem bila terjadi

perubahan state atau merupakan reaksi terhadap condition. Action akan

menghasilkan output, message display pada screen, menghasilkan kalkulasi.

Ada 2 cara pendekatan untuk membuat STD:

a. Identifikasi setiap kemungkinan state dari sistem dan gambarkan masing-masing

state pada sebuah kotak. Lalu buatlah hubungan antara state tersebut.

b. Kita mulai dengan state pertama dan kemudian dilanjutkan dengan state -state

berikutnya sesuai dengan flow yang diinginkan.

2.3.4 Diagram Alir (Flowchart)

Diagram alir adalah sebuah skema yang mempresentasikan sebuah algoritma atau

sebuah proses. Adapun simbol-simbol dari diagram alir yang digunakan dalam ilmu

komputer seperti pada gambar berikut:

 43 
 

Gambar 2.10 Simbol-simbol Dalam Diagram Alir

Keterangan gambar:

a. Simbol yang menyatakan awal dan akhir.

b. Simbol yang menyatakan proses

c. Simbol yang menyatakan input ataupun output.

d. Simbol yang menyatakan aliran data.

e. Simbol yang mempresentasikan sebuah kondisi atau keputusan. Biasanya berisi

pernyataan ya/tidak atau benar/salah.

2.4 Basis Data (Database)

Menurut Richard Johnsonbaugh (1997, p115), database adalah kumpulan catatan

yang dimanipulasi oleh komputer. Sebagai contoh, database penerbangan mungkin

mengandung catatan reservasi penumpang, jadwal penerbangan, peralatan dan

sebagainya. Sistem komputer mampu menyimpan jumlah informasi yang besar dalam

database. Database bisa digunakan untuk berbagai penerapan. Sistem manajemen

 44 
 
database (database management system) merupakan program yang membantu pemakai

mengakses informasi dari basis data.

Aplikasi database hanyalah sebuah program yang dalam pelaksanaannya berinteraksi

dengan database pada titik tertentu.

Pendekatan database dapat dikaitkan dengan dua faktor, yaitu :

a. Definisi data tertanam dalam program-program aplikasi, bukannya disimpan

secara terpisah dan mandiri.

b. Tidak ada kontrol dan manipulasi atas akses data di luar yang dipaksakan oleh

program aplikasi.

2.5 Interaksi Manusia dan Komputer

Ini prinsip-prinsip dasar desain antarmuka, heuristik berasal dari pengalaman, harus

divalidasi dan halus (Shneiderman, 1998):

1. Strive for consistency

Prinsip ini yang paling sering dilanggar, karena ada banyak bentuk konsistensi yang

bisa dibentuk, yang umumnya sulit untuk diikuti semuanya. Konsisten urutan

tindakan harus diminta dalam situasi yang mirip. Terminologi identik yang

digunakan untuk prompt, menu, layar bantu, konsistensi warna, tata letak, huruf

besar, huruf kecil, dan sebagainya harus diterapkan di seluruh halaman. Untuk

pengecualian, seperti bagian password atau konfirmasi dari perintah menghapus

dapat dimaklumi namun terbatas jumlahnya.

2. Enable frequent users to use shortcuts

Karena frekuensi penggunaan yang semakin meningkat, pengguna mengininkan

adanya fitur yang bisa dipakai untuk mengurangi jumlah interaksi dan untuk
 45 
 
meningkatkan kecepatan interaksi. shortcut, tombol khusus, perintah tersembunyi,

dan fasilitas makro sering dicari oleh pengguna untuk kemudahan. Waktu respon

yang cepat dan kecepatan tampilan adalah atraksi lainnya bagi frequent users.

3. Offer informative feedback

Untuk setiap tindakan pengguna, sistem harus ada umpan balik. Untuk tindakan yang

sering dilakukan atau tindakan kecil mendapat respon sederhana, sedangkan untuk

tindakan yang jarang dan tindakan-tindakan besar, respon yang diberikan harus lebih

baik.

4. Design dialogs to yield closure

Urutan tindakan harus diatur dalam kelompok-kelompok yang memiliki awal,

tengah, dan akhir. Umpan balik yang informatif pada kelompok penyelesaian

tindakan operator memberikan kepuasan prestasi, rasa lega, sinyal untuk

menurunkan rencana kontingensi dan pilihan dari pikiran mereka, dan suatu indikasi

cara yang jelas untuk mempersiapkan kelompok tindakan berikutnya.

5. Offer error prevention and simple error handling

Desain sistem yang dibuat harus sebaik mungkin sehingga pengguna tidak membuat

kesalahan yang serius, misalnya memilih pilihan menu yang salah atau memasukkan

isian huruf karakter abjad di bagian numerik. Jika pengguna membuat kesalahan,

sistem harus mendeteksi kesalahan dan menawarkan konstruksi sederhana/khusus

untuk pemulihan.

6. Permit easy reversal of actions

Tindakan yang diambil harus dapat dikembalikan ke tindakan sebelumnya . Hal ini

bertujuan untuk mengurangi kecemasan, karena pengguna tahu bahwa kesalahan

dapat dibatalkan, sehingga mendorong eksplorasi lebih lanjut.

 46 
 
7. Support internal locus of control

Operator berpengalaman menginginkan bahwa mereka yang memegang kendali atas

sistem dan sistem menanggapi tindakan mereka. Sistem yang rusak, kesalahan entry-

data, ketidakmampuan atau kesulitan dalam memperoleh informasi yang diperlukan,

dan ketidakmampuan untuk menghasilkan tindakan yang diinginkan membangun

kecemasan dan ketidakpuasan pengguna.

8. Reduce short-term memory load

Keterbatasan pemrosesan informasi manusia dalam memori jangka pendek

memerlukan tampilan yang tetap sederhana, tampilan beberapa halaman dapat

dikonsolidasikan, jendela-gerak frekuensi dikurangi, dan waktu pelatihan yangg

cukup, serta adanya urutan tindakan. Jika sesuai, akses online ke sintaks perintah-

bentuk, singkatan, kode, dan informasi lainnya harus disediakan.