Makalah

“Rekayasa Perangkat Lunak (RPL)“

DISUSUN OLEH :

Kelompok 4
MUH. FADLAN RISQULLAH DWITAMA N (13020210131)

AHMAD AZHARIL (13020210119)

ABZAR (13020210095)

MOHAMAD FAJAR AGUNG (13020210123)

UNIVERSITAS MUSLIM INDONESIA MAKASSAR

FAKULTAS ILMU KOMPUTER

JURUSAN TEKNIK INFORMATIKA

2023
 KATA PENGANTAR
Segala puji bagi Allah yang telah memberikan rahmat serta hidayahnya sehingga penulis
dapat menyelesaikan tugas makalah tentang “ Model Analisis “

Makalah ini dibuat dalam rangka memenuhi tugas mata kuliah Rekayasa Perangkat
Lunak (RPL), adapaun tujuan dari penulis makalah ini adalah untuk menambah wawasan dan
pengetahuan agar kami semua menjadi mahasiswa yang berguna bagi agama,bangsa dan negrara.

Sebagai manusia penulis menyadari bahwa penulisan makalah ini masih jauh dari kata
sempurna. Oleh karena itu penulis mengharapkan kritik dan saran yang membangun dari semua
pihak demi perbaikan yang lebih baik dimasa yang akan dating.

Akhirnya semoga makalah ini bermanfaat bagi penulis khususnya dan bagi pembaca pada
umumnya, aamiin.

Makassar, 10 Mei 2023

Penulis

ii
 DAFTAR ISI
KATA PENGANTAR................................................................................. 1

DAFTAR ISI ............................................................................................... 2

BAB I PENDAHULUAN ........................................................................... 3

A. Latar Belakang .................................................................................... 4

B. Rumusan Masalah ............................................................................... 5
C. Tujuan................................................................................................. 6

BAB II PEMBAHASAN ............................................................................. 7

A. Elemen-Elemen & Model Analisis...................................................... 8

B. Aliran Informasi & Fungsi Model ....................................................... 9
C. Tingkah Laku Pemodelan ................................................................... 10
D. Overview Terhadap Metode Analisis Klasik ...................................... 11
E. Strategi Pemodelan ............................................................................. 12

BAB III PENUTUP ..................................................................................... 13

A. Kesimpulan ......................................................................................... 14
B. Saran ................................................................................................... 15

DAFTAR PUSTAKA .................................................................................. 16

3
 BAB I

PENDAHULUAN

A. Latar Belakang
Model analisis adalah suatu gambaran tentang variabel–variabel yang akan digunakan
untuk melakukan analisa data sehingga dapat diperoleh suatu kesimpulan. Data yang diambil
didapatkan dari situs website Bursa Efek Indonesia (BEI). Penelitian ini menggunakan data
kuantitatif dengan variabel independen yaitu ukuran dewan, keanekaragaman jenis kelamin
dewan direksi perusahaan, kepemilikan manajerial, konsentrasi pemilikan, dan kualitas auditor
eksternal sedangkan variabel dependen yang digunakan adalah agresivitas pajak.

B. Rumusan Masalah
 Elemen-Elemen & Model Analisis
 Aliran Informasi & Fungsi Model
 Tingkah Laku Pemodelan
 Overview Terhadap Metode Analisis Klasik
 Strategi Pemodelan

C. Tujuan
Tujuan pembuatan makalah ini merupakan wujud dari keingin tahuan kami sebgai
mahasiswa terhadap salah satu mata kuliah Rekayasa perangkat lunak. Selain itu trujuan
kami membuat makalah ini karena dorongan perkembangan teknologi yang semakin
canggih.

4
 BAB III
PEMBAHASAN
A. Elemen-Elemen & Model Analisis

Elemen elemen model analisis

Secara umum, model-model analisis memiliki elemen-elemen spesifik seperti di bawah ini:
a) Elemen berbasis scenario
b) Elemen berbasis kelas
c) Elemen berbasis aliran
d) Elemen-elemen perilaku

Bentuk representasi yang berbeda memberi pertimbangan kebutuhan-kebutuhan sistem/ perangkat lunak
dari berbagai sudut pandang yang berbeda

a) Elemen-elemen berbasis scenario

 Memperlihakan bagaimana interaksi yang kelak akan terjadi antara pengguna dengan
sistem/perangkat lunak
 Memperlihatkan sejumlah aktifitas berurutan yang terjadi saat perangkat lunak digunakan

5
 b) Elemen model berbasis kelas
 Memodelkan objek-objek yang akan dimanupulasi oleh sistem
 Memodelkan operasi-operasi yang akan diterapkan
 Memodelkan relasi yang terjadi antara objek satu dengan lainnya

c) Elemen-elemen berorientasi aliran

 Memperlihatkan sistem/perangkat lunak yang bertindak sebagai pelaku transformasi
informasi
 Memperlihatkan bagaimana objek-objek data ditransformasikan saat mereka mengalir
melintasi berbagai fungsi yang dimiliki sistem.

Model Analisis

Sasaran model analisis adalah untuk memberikan deskripsi dari ranah informasional, fungsional,
dan perilaku yang dibutuhkan untuk sistem-sistem berbasis komputer.Pemodelan analisis berfokus pada
“Apa”, bukan “Bagaimana”.

Letak model analisis

6
 B. Aliran Informasi & Fungsi Model
Aliran informasi merujuk pada perjalanan data atau informasi melalui suatu sistem atau
proses. Dalam konteks model, aliran informasi mengacu pada bagaimana input masuk ke dalam
model, diproses oleh model, dan output diperoleh.

Model berfungsi sebagai representasi matematis atau abstraksi dari suatu sistem, konsep, atau
fenomena di dunia nyata. Fungsi model adalah untuk mengambil input, menerapkan serangkaian operasi
atau transformasi pada input tersebut, dan menghasilkan output yang relevan atau diharapkan.

Dalam konteks machine learning, aliran informasi dimulai dengan mengumpulkan data pelatihan
yang digunakan untuk melatih model. Data ini kemudian dimasukkan ke dalam model yang mempelajari
pola dan hubungan dalam data tersebut. Setelah melalui proses pelatihan, model tersebut dapat digunakan
untuk memproses input baru dan menghasilkan prediksi atau output yang diinginkan.

Aliran informasi dalam model machine learning biasanya melibatkan beberapa tahap seperti
preprocessing data, ekstraksi fitur, pembangunan model, dan inferensi. Preprocessing data melibatkan
pembersihan, normalisasi, dan transformasi data agar sesuai dengan kebutuhan model. Ekstraksi fitur
melibatkan identifikasi fitur penting atau representasi yang optimal dari data. Pembangunan model
melibatkan pemilihan dan konfigurasi algoritma atau arsitektur yang sesuai untuk tugas yang diberikan.
Inferensi melibatkan penggunaan model yang dilatih untuk memproses data baru dan menghasilkan
output.

Selain itu, dalam konteks aliran informasi dan fungsi model, penting juga untuk
mempertimbangkan evaluasi model. Setelah model dilatih, perlu dilakukan evaluasi untuk mengukur
kinerja dan kualitas model. Hal ini dapat dilakukan dengan menggunakan data validasi atau data uji yang
tidak digunakan selama pelatihan.

Dalam kesimpulannya, aliran informasi merujuk pada perjalanan data melalui model, sedangkan
fungsi model adalah untuk mengambil input, menerapkan transformasi pada input tersebut, dan
menghasilkan output yang relevan atau diharapkan.

7
 C. Tingkah Laku Pemodelan

PEMODELAN ANALISIS

Posted on November 1, 2013 by mayarospita

Standard

Model analisis merupakan serangkaian model, merupakan representasi teknis yang pertama dari sistem.
Pemodelan analisis didominasi oleh 2 hal yaitu analisis terstruktur dan analisis berorientasi objek

Analisis Terstruktur

Analisis terstruktur adalah aktivitas pembangunan model. Dengan menggunakan notasi yang sesuai
dengan prinsip analisis operasional , maka diciptakan model yang menggambarkan muatan dan aliran
informasi (data dan kontrol). Sistem dibagi secara fungsional dan secara behavioral , dan
menggambarkan esensi dari apa yang harus dibangun.

Pemodelan Fungsional dan Aliran Informasi

Informasi ditransformasi pada saat mengalir melalui sebuah sistem berbasis komputer. Analisis terstruktur
dimulai sebagai sebuha teknik pemodelan aliran informasi. Pada saat informasi mengalir melalui
perangkat lunak, dia dimodifikasi oleh suatu deretan transformasi. Diagram aliran data/data flow diagram
(DFD)adalah sebuah teknik grafis yang menggambarkan aliran informasi dan trasformasi yang
diaplikasikan pada saat data bergerak dari input menjadi output.

Pemodelan Tingkah Laku

Pemodelan ini merupakan suatu prinsip operasional untuk semua metode analisis persyaratan tetapi hanya
versi analisis terstruktur yang luas, yang memberikan suatu notasi bagi tipe pemodelan ini. Diagram state
merepresentasikan tingkah laku dari suatu sistem dengan menggambarkan keadaannya dan kejadian yang
menyebabkan sistem mengubah keadaan. Suatu keadaan merupakan mode tingkah laku yang dapat
diobservasi.

Mekanik dari Analisis Terstruktur

 Membuat sebuah diagram hubungan entitas

 Membuat sebuah model aliran data
 Membuat sebuah model aliran control
 Spesifikasi control
 Spesifikasi proses

8
Spesifikasi control

 CSPEC merepresentasikan tingkah laku sistem (pada tingkat di mana direferensi). CSPEC berdiri
sebuah diagram transisi keadaan (STD) yang merupakan suatu spesifikasi sekuensial dari tingkah
laku.
 Dapat juga berisi suatu tabel aktivasi proses (PAT) – sebuah spesifikasi kombinatorial dari
tingkah laku.

Spesifikasi proses

 Spesifikasi proses (PSPEC) digunakan untuk menggambarkan semua proses model aliran
yang nampak pada tingkat akhir penyaringan.
 Kandungan dari spesifikasi proses dapat termasuk teks naratif, gambaran bahasa desain
program/programme design language (PDL) dari algorithma proses, persamaan
matematika, tabel, diagram, atau bagan.
 Dengan memberikan sebuah PSPEC untuk mengiringi masing-masing gelembung di
dalam model aliran, berarti perekayasaan perangkat lunak menciptakan sebuah
“spesifikasi mini” yang dapat berfungsi sebagai sebuah langkah pertama di dalam kreasi
spesifikasi persyaratan perangkat lunak dan sebagai penuntun bagi desain komponen
program yang akan mengimplementasikan program.

D. Overview Terhadap Metode Analisis Klasik

Metode analisis klasik mengacu pada sekelompok teknik dan pendekatan yang
digunakan dalam analisis statistik dan ekonomi untuk memahami dan menganalisis data.
Berikut adalah beberapa poin penting dalam sebuah overview terhadap metode analisis
klasik:
1) Statistik Deskriptif: Metode analisis klasik sering dimulai dengan statistik deskriptif.
Statistik deskriptif digunakan untuk meringkas dan menggambarkan data yang diamati.
Ini melibatkan perhitungan rata-rata, median, deviasi standar, dan ukuran lainnya yang
memberikan gambaran umum tentang data.

9
2) Inferensi Statistik: Inferensi statistik merupakan langkah selanjutnya dalam metode
analisis klasik. Ini melibatkan penggunaan sampel data yang dianalisis untuk membuat
kesimpulan atau inferensi tentang populasi yang lebih besar. Teknik inferensi statistik
meliputi pengujian hipotesis, interval kepercayaan, dan analisis regresi.
3) Pengujian Hipotesis: Pengujian hipotesis adalah proses statistik yang digunakan untuk
menguji klaim atau hipotesis tentang populasi berdasarkan sampel data. Dalam pengujian
hipotesis, hipotesis nol (null hypothesis) diajukan dan kemudian diuji untuk melihat
apakah ada cukup bukti untuk menolaknya.
4) Interval Kepercayaan: Interval kepercayaan adalah rentang nilai yang digunakan untuk
memberikan estimasi pada parameter populasi. Dengan menggunakan interval
kepercayaan, kita dapat memberikan perkiraan yang mendekati nilai sebenarnya dengan
mempertimbangkan ketidakpastian yang terkait dengan sampel data.
5) Analisis Regresi: Analisis regresi digunakan untuk memodelkan hubungan antara
variabel dependen (variabel yang ingin diprediksi) dengan satu atau lebih variabel
independen (variabel yang digunakan untuk membuat prediksi). Metode regresi klasik,
seperti regresi linier, digunakan untuk mengidentifikasi dan mengukur hubungan linier
antara variabel-variabel tersebut.
6) Uji Asumsi: Metode analisis klasik juga melibatkan uji asumsi untuk memastikan bahwa
data yang digunakan memenuhi persyaratan statistik yang diperlukan untuk menerapkan
teknik analisis tertentu. Misalnya, dalam regresi linier, uji asumsi seperti uji normalitas,
uji homoskedastisitas, dan uji independensi error digunakan untuk memverifikasi bahwa
asumsi model terpenuhi.
7) Interpretasi dan Kesimpulan: Akhirnya, metode analisis klasik membutuhkan interpretasi
yang tepat dari hasil analisis statistik. Interpretasi yang baik mempertimbangkan konteks
data, metode analisis yang digunakan, dan pertimbangan statistik lainnya. Hasil analisis
tersebut kemudian digunakan untuk membuat kesimpulan dan membuat keputusan yang
didasarkan pada pemahaman yang lebih baik tentang data.

10
Materi tentang metode analisis klasik mencakup pemahaman dasar tentang statistik
deskriptif, inferensi statistik, pengujian hipotesis, interval kepercayaan, analisis regresi, uji
asumsi, dan interpretasi hasil. Penting untuk diingat bahwa metode analisis klasik adalah
fondasi yang kuat dalam statistik dan dapat digunakan dalam berbagai bidang seperti
ekonomi, sains sosial, dan ilmu pengetahuan alam.

E. Strategi Pemodelan
Strategi pemodelan merujuk pada pendekatan dan langkah-langkah yang digunakan
untuk membangun model yang efektif dan akurat. Berikut adalah beberapa poin penting dalam
strategi pemodelan:
1) Definisikan Tujuan dan Pertanyaan Penelitian: Langkah pertama dalam strategi pemodelan adalah
mendefinisikan dengan jelas tujuan penelitian dan pertanyaan yang ingin dijawab. Ini membantu
dalam memfokuskan analisis dan memilih jenis model yang sesuai.
2) Kumpulkan dan Siapkan Data: Data yang berkualitas tinggi adalah aspek kritis dalam
membangun model yang baik. Langkah ini melibatkan pengumpulan data yang relevan,
membersihkan data dari nilai yang hilang atau tidak valid, serta melakukan preprocessing seperti
normalisasi atau transformasi data.
3) Eksplorasi Data: Sebelum membangun model, penting untuk menjalankan analisis eksplorasi
data. Ini melibatkan visualisasi data, perhitungan statistik deskriptif, dan identifikasi pola atau
hubungan penting dalam data. Eksplorasi data membantu memahami karakteristik data dan
memberikan wawasan awal yang dapat membimbing pemilihan model.
4) Pemilihan Model: Langkah selanjutnya adalah memilih model yang paling cocok untuk
pertanyaan penelitian dan data yang ada. Pemilihan model dapat didasarkan pada karakteristik
data, asumsi model, dan kompleksitas model. Beberapa jenis model yang umum digunakan
termasuk regresi linier, pohon keputusan, jaringan saraf tiruan, dan metode ensemble.
5) Pelatihan dan Validasi Model: Setelah memilih model, data yang dikumpulkan dibagi menjadi set
pelatihan (training set) dan set validasi (validation set). Model dilatih menggunakan set pelatihan
dan kemudian dievaluasi menggunakan set validasi. Proses ini memungkinkan penyesuaian
model yang lebih baik dan penilaian kinerja model sebelum digunakan pada data yang belum
pernah dilihat sebelumnya.

11
 6) Evaluasi Model: Evaluasi model merupakan tahap penting dalam strategi pemodelan. Kinerja
model dievaluasi menggunakan metrik yang relevan, seperti akurasi, presisi, recall, atau Mean
Squared Error (MSE). Evaluasi membantu memahami sejauh mana model memenuhi tujuan
penelitian dan dapat memberikan wawasan tentang kekurangan atau perbaikan yang mungkin
diperlukan.
7) Penyempurnaan Model: Berdasarkan hasil evaluasi, model dapat disempurnakan dengan
melakukan perbaikan atau penyetelan. Ini dapat melibatkan pengoptimalan hiperparameter,
penggunaan teknik regularisasi, pemilihan fitur yang lebih baik, atau pemilihan algoritma yang
lebih sesuai. Tujuan akhir adalah membangun model yang memiliki kinerja yang baik dan dapat
memberikan hasil yang relevan.
8) Penyempurnaan Model: Berdasarkan hasil evaluasi, model dapat disempurnakan dengan
melakukan perbaikan atau penyetelan. Ini dapat melibatkan pengoptimalan hiperparameter,
penggunaan teknik regularisasi, pemilihan fitur yang lebih baik, atau pemilihan algoritma yang
lebih sesuai. Tujuan akhir adalah membangun model yang memiliki kinerja yang baik dan dapat
memberikan hasil yang relevan.

Materi tentang strategi pemodelan mencakup pemahaman tentang tahapan-tahapan dalam

membangun model yang efektif, mulai dari definisi tujuan, pengolahan data, pemilihan model, pelatihan
dan evaluasi, hingga penyempurnaan dan penyajian hasil. Penting untuk mempertimbangkan konteks
penelitian atau masalah yang ingin dipecahkan, serta memahami kelebihan dan batasan dari berbagai jenis
model yang tersedia.

12