bab 3 landasan teori 3.1 analisis rasio keuanganthesis.binus.ac.id/doc/bab3/2007-2-00533-stif_bab...
TRANSCRIPT
BAB 3
LANDASAN TEORI
3.1 Analisis Rasio Keuangan
Menurut Agnes Sawir(2001), Analisis rasio keuangan yang menghubungkan
unsur-unsur neraca dan perhitungan laba rugi satu perusahaan dengan lainnya, dapat
memberikan gambaran tentang sejarah perusahaan dan penilaian posisinya pada saat ini,
analisis rasio juga memungkinkan manajer keuangan memperkirakan reaksi para
kreditor dan investor. Dan menurutnya rasio-rasio dikelompokkan kedalam 5 kelompok
dasar, yaitu : Likuiditas, Leverage, Aktifitas, Profitabilitas, dan Penilaian. Sejumlah
rasio yang tak terbatas banyaknya dapat dihitung, akan tetapi dalam prakteknya cukup
digunakan beberapa jenis rasio saja. Walaupun rasio-rasio merupakan alat yang sangat
berguna, tetapi tidak terlepas dari keterbatasan dan harus digunakan secara hati-hati.
Analisis Rasio keuangan digunakan untuk mendapatkan data untuk membantu
pengguna dalam perhitungan keuangan. Rasio keuangan yang akan digunakan adalah
rasio keuangan yang secara umum dapat menentukan baik buruknya kondisi keuangan
perusahaan. Rasio-rasio keuangan tersebut antara lain:
a. Current Ratio (Liquidity Ratios)
Current Ratio digunakan untuk mengukur kesanggunapan suatu perusahaan
dalam melunasi hutang jangka pendek. Hutang yang sedang ditanggung harus
diimbangi dengan harta yang dimiliki.
bilitiesCurrentLia
etsCurrentAssioCurrentRat =
b. Leverage Ratios
8
1) Debt Ratio
Banyak Perusahaan memasukkan utang sebagai perhitungan rata-rata
keuangan kedepannya. Debt Ratio membantu pengguna untuk menilai
kemampuan perusahaan dalam membayar kewajiban atau utang (jangka
pendek maupun jangka panjang). Ini juga dapat dijadikan sebagai tolak ukur
resiko karena utang terdiri dari bunga dan uang pokok.
sTotalAssetlitiesTotalLiabiDebtRatio =
2) Debt to Equity
Rasio ini menilai struktur modal perusahaan. Terdiri dari tingkat resiko
kreditur dengan memperhitungkan dana yang ditanam para creditors(Debt)
dan investor(Equity). Semakin besar persentase utang, semakin besar pula
resiko yang muncul pada para kreditur.
rEquityStockholdelitiesTotalLiabityDebtToEqui =
c. Profitability Ratios
1) Net Profit Margin
Rasio ini merepresentasikan kemampuan suatu perusahaan dalam mengatur
penjualan menjadi keuntungan. Dapat digunakan laba kotor daripada laba
bersih untuk menghitung keuntungan.
NetSalesofitNetinofitMNet PrargPr =
2) Return on Investment
Pengembalian dana dalam investasi dapat dijadikan ukuran apakah suatu
perusahaan dalam kondisi keuangan baik atau buruk. Dapat juga
9
mengkalkulasikan return on equity, dimana Stockholder’s Equity digantikan
oleh total aktiva perusahaan.
sTotalAssetofitNetstmentturnOnInve PrRe =
3) Return on Equity
Rasio ini menunjukkan tingkat keuntungan dari investasi yang ditanamkan
pemegang saham.
yTotalEquitofitNettyturnOnEqui PrRe =
3.2 Analisis Multivariat dan Analisis Diskriminan
Analisis Mutivariate mulai berkembang sesuai perkembangan jaman yang ada
dan pemakaiannya sudah amat luas. Penggunaan analisis multivariate diberbagai bidang
antara lain dalam industri, pemerintahan, dan juga pusat-pusat penelitian. Analisis
Multivariat berhubungan dengan masalah-masalah yang kompleks yang melibatkan
banyak variable.
Analisis Multivariat dalam jenisnya mempunyai beberapa jenis, yaitu :
a. Analisis Faktor
Analisis Faktor adalah analisis yang menggunakan pendekatan statistic untuk
mengetahui variable yang paling berperan dari variable-variabel yang ada.
b. Regresi Berganda
Regresi Berganda adalah analisis untuk mengetahui hubungan antar variable
bebas dengan variable terikat dan menerjemahkannya dalam suatu persamaan.
Dengan catatan jumlah variable terikat lebih dari 2 variabel.
10
c. Analisis Diskriminan
Analisis Diskriminan adalah analisis yang digunakan untuk mengelompokkan
sebuah variable dependent pada kelompok variable yang telah ditentukan.
Analisis ini yang dipakai dalam skripsi ini.
d. Analisis Cluster
Analisis Cluster adalah analisis pengelompokkan variable sehingga membentuk
kelompok variable yang mempunyai arti. Perbedaan dengan Analisis
Diskriminan adalah pengelompokkan bersifat alamiah dan tidak ditentukan
sebelumnya.
Selanjutnya akan dibahas lebih lanjut mengenai Analisis Diskriminan. Analisis
Diskriminan adalah bagian dari analisis multivariate. Menurut Morrison dalam bukunya
Multivariate Statistical Methods (2000), Analisis Diskriminan dapat dipergunakan untuk
mengetahui variable-variabel penciri yang membedakan kelompok populasi yang ada
juga sebagai criteria pengelompokkan.
Analisis Diskriminan pada awalnya dikembangkan oleh Ronald A. Fisher pada
tahun 1936, maka sering disebut sebagai Analisis Diskriminan Fisher. Dalam artikel
“The Use of Multiple Measurement in Taxonomic Problems”, Fisher mengatakan
apabila dua atau lebih populasi telah diukur dalam beberapa karakter 1X , 2X , … , nX ,
maka dapat dibangun fungsi linear tertentu dari pengukuran tersebut sebagai fungsi
pembeda terbaik bagi populasi-populasi yang dipelajari.
Analisis Diskriminan untuk penelitian ini terdiri dari dua kelompok. Bayangkan
bahwa kita memiliki dua kelompok populasi yang bebas. Dari populasi 1 dambil secara
11
acak contoh berukuran 1n dan mempelajari p buah sifat dari contoh itu, demikian pula
ditarik contoh acak berukuran 2n dari populasi 2 serta mempelajari p buah sifat dari
contoh itu. Dengan demikian ukuran contoh secara keseluruhan dari populasi 1 dan 2
adalah n = 1n + 2n . Misalkan p buah sifat yang dipelajari itu dinyatakan dalam variable
acak berdimensi ganda (multidimensional) melalui vector X’= 1X , 2X , … , pX . Dalam
bentuk catatan matriks dapat dinyatakan sebagai berikut:
),...,,(
),...,,(
222221)2(
)2(
111211)1(
)1(
npxn
npxn
XXXX
XXXX
=
=
Data dari persamaan itu dapat ditentukan vector nilai rata contoh dan matrik variance
dan kovariance.
))((1
1
1
))((1
1
1
2222
1
112
2
2
122
1111
1
111
1
1
111
XXXxn
S
Xn
X
XXXxn
S
Xn
X
jj
n
j
j
n
j
jj
n
j
j
n
j
−−−
=
=
−−−
=
=
∑
∑
∑
∑
=
=
=
=
Diasumsikan bahwa populasi memiliki variance yang sama yaitu ∑ , maka matrik 1S
dan 2S dapat digabung menjadi:
)2()1()1(
21
2211
−+−+−
=nn
SnSnSG dengan asumsi bahwa 21 ∑=∑
12
Langkah pertama sebelum membangun Analisis Diskriminan, kita perlu
melakukan pengujian perbedaan vector nilai rata-rata dari kedua populasi untuk
mengetahui apakah ada nilai rata dari sifat itu yang berbeda. Untuk menguji perbedaan
vector nilai rata-rata diantara dua populasi dapat menggunakan statistik 2T Hotteling.
Rumusan hipotesis dari perbedaan vector nilai rata-rata di antara dua populasi adalah:
0H : 21 UU = : artinya nilai rata-rata vector populasi 1 sama dengan populasi 2.
1H : 21 UU ≠ : artinya kedua nilai rata-rata vector itu berbeda.
Pengujian terhadap hipotesis dilakukan dengan menggunakan uji statistik 2T Hotteling
dirumuskan sebagai berikut:
)()( 211'
2121
212 xxSxxnn
nnT G −−+
= −
Selanjutnya besaran:
2
21
21
)2(1
Tpnn
pnnF
−+−−+
=
Akan berdistribusi F dengan derajat bebas pv =1 dan 1212 −−+= pnnv
Dengan 1n adalah ukuran contoh dari populasi 1, 2n adalah ukuran contoh dari populasi
2, p adalah banyaknya variabel yang dipelajari. Kaidah keputusan untuk uji 2T
Hotteling pada taraf α ditentukan sebagai berikut:
Terima 0H : 21 UU = , jika 21 ,:
21
212
1)2(
vvFpnn
pnnT α−−+
−+= ,
Selain itu tolak 0H
13
Jika hasil pengujian terhadap hipotesis menolak 0H , maka hal ini menunjukkan
bahwa kedua nilai rata-rata dari sifat yang dipelajari berbeda, dengan demikian kita
dapat membangun Analisis Diskriminan untuk mengkaji perbedaan sifat-sifat yang ada
diantara kedua populasi yang dipelajari. Jika hasil pengujian hipotesis menerima
0H maka Analisis Diskriminan tidak layak untuk dibangun karena tidak ada perbedaan
sifat diantara kedua populasi itu. Dengan demikian, kita boleh memandang bahwa pada
dasarnya analisis diskriminan merupakan kelanjutan dari analisis perbedaan vector nilai
rata-rata dari kedua populasi yang dipelajari. Analisis Diskriminan dibangun untuk
mencirikan perbedaan sifat-sifat yang ada dalam populasi. Dalam hal ini kita
membangun Analisis Diskriminan Fisher sebagai berikut :
XSxxXaY G1'
21' )( −−== , dimana
a = vektor koefisien pembobot Analisis Diskriminan
X = vektor variabel acak yang diidentifikasi dalam model Analisis Diskriminan
1X = vektor nilai rata-rata variabel acak dari kelompok pertama
2X = vektor nilai rata-rata variabel acak dari kelompok kedua
1−GS = invers matriks gabungan(invers dari matriks S)
Setelah Analisis Diskriminan Fisher didapatkan, kita lakukan pengujian apakah
benar variabel-variabel tersebut semuanya cukup berarti dalam menerangkan perbedaan.
Untuk tujuan ini dapat menggunakan kriteria selang kepercayaan
serempak(simultaneous confidence intervals). Selang kepercayaan tersebut ditentukan
berdasarkan formula berikut:
14
)2,(2
21
21'21
'21)( −+
+±− nnpG T
nnnn
cScxxc
Nilai 2T diperoleh dari Tabel Hotelling dengan taraf nyata α . Nilai 'c mengikuti
perbandingan yang diinginkan misalnya untuk membandingkan variabel 1X , maka
'c =(1,0,0,0), dan seterusnya. Apabila selang kepercayaan yang didapat mengandung
nilai nol, maka kedua rata-rata kelompok untuk variabel tersebut dianggap tidak berbeda
pada taraf nyata teretentu, sehingga dapat dikeluarkan dari model.
Setelah kita menguji semua variabel yang layak dipertahankan dalam model, kita
dapat menentukan korelasi antara setiap variabel dalam model dan Analisis Diskriminan
itu sendiri melalui formula:
2,DS
dR
ii
iXY i= , dimana,
iXYR , : korelasi antara Analisis Diskriminan dan variabel iX dalam model.
id : selisih nilai rata-rata variabel iX di antara kedua kelompok.
iiS : ragam (variance) dari variabel iX , diperoleh dari matriks GS
2D adalah suatu nilai yang diperoleh melalui perhitungan :
)()( 211'
21 XXSXX G −− −
Dari selang kepercayaan dan perhitungan korelasi semua variabel, akan
didapatkan Analisis Diskriminan Fisher yang paling tepat. Pada akhirnya yang
dibutuhkan adalah penggolongan data yang baru kedalam suatu kelompok. Untuk
keperluan penggolongan, perlu ditentukan nilai
15
221
1'21 2
1)()(21 DXXSXXm G =−−= −
Kriteria untuk penggolongan dapat menggunakan konsep sebagai berikut:
Jika 00 >−my , maka dapat digolongkan ke dalam kelompok 1.
Jika 00 ≤−my , maka dapat digolongkan ke dalam kelompok 2.
3.3 Artificial Neural Networks
Pengertian ANN (Artificial Neural Networks) menurut Fausett (1994, p3): “An
artificial neural networks is an information-processing system that has certain
performance characteristics in common with biological neural networks. Artificial
neural networks have been developed as generalizations of mathematical models of
human cognition or neural biology.” Menyatakan bahwa Artificial Neural Networks
adalah sistem pemrosesan informasi yang memiliki cara kerja secara umum sama seperti
biological neural networks (jaringan saraf hidup).
Suatu Artificial Neural Networks merupakan suatu bentuk pengolahan informasi
alternatif yang memiliki dasar pemikiran baru sehingga menjadi suatu disiplin ilmu baru.
Walaupun demikian, model ini tidak menggantikan pengolahan secara algoritma, sebab
keduanya memiliki dasar pemikiran yang berbeda. Dalam penerapannya, kedua dasar
pemikiran ini dapat saling melengkapi dengan baik.
Artificial Neural Networks dikembangkan sebagai turunan model matematis
pencerapan manusia (Fausett, 1994, p3), didasarkan asumsi bahwa:
a. Pemrosesan informasi terjadi pada banyak elemen sederhana yang disebut
neuron.
16
b. Sinyal dari neuron satu ke neuron lain dikirim melalui suatu penghubung.
c. Masing-masing penghubung memiliki weight, yang dalam jaringan saraf normal
merupakan kekuatan sinyal yang dikirim.
d. Setiap neuron menggunakan sebuah activation function untuk memproses sinyal
masukan menjadi sinyal keluaran.
Sebuah Artificial Neural Networks dikarakteristikkan berdasarkan hal-hal berikut ini
(Fausett, 1994, p3):
a. Pola koneksi antara neuron (arsitekturnya).
b. Kemampuan untuk menentukan weight pada koneksi (training, learning, atau
algoritma).
c. Activation function yang dimiliki.
Artificial Neural Networks memiliki kemampuan yang lebih baik untuk
melakukan pekerjaan seperti mengenali pola yang kompleks, mengerti percakapan
kontinyu, mengenali tulisan tangan, untuk suatu pekerjaan dimana teknik algoritma tidak
dapat menunjukkan kemampuan yang memuaskan. Model Artificial Neural Networks
khususnya digunakan untuk komputasi tidak terstruktur, seperti pengenalan pola,
kecerdasan buatan, pemecahan masalah, dan aproksimasi dalam masalah optimasi.
Gambar sebuah NN (Neural Network) dapat dilihat pada Gambar 3.1 berikut ini.
17
Gambar 3.11Neural Network sederhana
1X , 2X , 3X , Y , 1Z , dan 2Z adalah neuron, sedangkan 1w , 2w , 3w , 1v , dan 2v
merupakan weight. Neuron adalah tempat akumulasi sinyal-sinyal input dari neuron lain
dan juga tempat untuk menghasilkan sinyal output untuk diteruskan ke neuron lainnya.
Weight merupakan penghubung antar neuron dan menyimpan informasi yang akan
digunakan oleh network untuk menyelesaikan masalah. Sebuah neuron mempunyai
struktur seperti terlihat pada Gambar 3.2 berikut ini.
18
Gambar 3.22Struktur sebuah Neuron
3.3.1 Cara Kerja Neural Network
Dengan mengacu pada Gambar 3.1 dan 3.2 di atas, penjelasan tentang bagaimana
Neural Network bekerja adalah sebagai berikut, ambil contoh neuron Y, neuron Y akan
menerima sejumlah input dari output neuron-neuron 1X , 2X , dan 3X , misalnya 1x , 2x ,
dan 3x dengan weight yang menghubungkan neuron-neuron 1X , 2X , dan 3X adalah
1w , 2w , dan 3w , maka input yang diterima neuron Y adalah y_in = 1x * 1w + x2 * 2w +
3x * 3w , kemudian y_in ini akan dibangkitkan oleh activation function, misalnya fungsi
sigmoid f(x) = 1 / 1 + exp(-x) dan menghasilkan output dari neuron Y yaitu y = f(y_in),
kemudian output ini akan diteruskan ke neuron-neuron 1Z dan 2Z dengan weight 1v
dan 2v .
Jadi cara kerja Artificial Neural Networks terdiri dari tiga tahap yaitu menerima
input dari neuron lain, membangkitan input menjadi output, dan meneruskan output ke
neuron lain.
19
3.3.2 Arsitektur Neural Network
Artificial Neural Networks secara umum dapat diartikan sebagai penempatan
neuron-neuron ke dalam layer-layer (lapisan-lapisan) dan pola koneksi pada layer dan
antar layer. Neural Network diklasifikasikan menjadi single layer atau multilayer net.
Sebuah single layer net memiliki satu layer koneksi weight seperti terlihat pada Gambar
3.3.
Gambar 3.33Single Neural Net
Sedangkan sebuah multilayer net memiliki satu atau lebih layer di antara input
layer dan output layer yang disebut hidden layer seperti terlihat pada Gambar 3.4.
20
Gambar 3.44Multilayer Neural Net
Input layer merupakan layer tempat sebuah input dimasukkan (Inisialisasi
Input), dan dari layer ini kita melakukan proses-proses selanjutnya. Hidden layer disini
berfungsi untuk membantu proses, semakin banyak Hidden layer yang kita gunakan
maka semakin bagus dan semakin cepat pula output yang kita inginkan.
3.3.3 Training
Tujuan dari training adalah untuk mengubah nilai weight pada network yang
juga membedakan network yang satu dengan network yang lain. Ada dua macam tipe
training. Pertama, supervised training, tipe training ini diselesaikan dengan memberikan
21
urutan pola input yang memiliki target output yang berbeda, kemudian nilai dari weight
akan disesuaikan menurut algoritma pembelajarannya. Kedua, unsupervised training,
pada tipe training ini urutan pola input diberikan tetapi target output tidak diberikan,
network akan menyesuaikan nilai dari weight sehingga dari input tersebut akan
menghasilkan suatu nilai output.
3.3.4 Activation Function
Activation function adalah fungsi yang mengubah input ke sebuah neuron
menjadi output dari neuron tersebut (Fausett, 1994, p422). Beberapa macam fungsi yang
digunakan sebagai activation function:
a. Binary sigmoid
=σ Stepness Parameter
Binary sigmoid digunakan sebagai neural nets dengan nilai output harapan
berkisar dari 0 sampai 1.
b. Bipolar sigmoid
22
a adalah batas bawah dari output yang diharapkan
b adalah batas atas dari output yang diharapkan
Bipolar sigmoid pada umumnya memiliki nilai output yang berkisar dari -1
sampai 1 atau dengan kata lain memiliki nilai a = -1 dan nilai b = 1, tetapi nilai ini tidak
mutlak karena fungsi ini memungkinkan kita untuk mengubah kisaran nilai output yang
diharapkan.
Kedua fungsi sigmoid di atas memberikan keuntungan khusus untuk digunakan
pada neural nets dengan metode training menggunakan backpropagation, karena
hubungan yang sederhana antara fungsi dengan turunan fungsi dari sigmoid mengurangi
beban komputasi pada saat training (Fausett, 1994, p17). Turunan dari activation
function disebut deactivation function.
3.3.5 Backpropagation
Diperkenalkan pertama kali oleh G.E. Hinton, E. Rumelhart, dan R.J. Williams
pada tahun 1986, backpropagation merupakan sebuah teknik umum untuk melakukan
training pada multilayer neural network [Rumelhart, Hinton, and Williams, 1986a,
1986b; McClelland and Rumelhart, 1988] memegang peranan penting yang membuat
neural networks sebagai alat bantu untuk memecahkan banyak variasi masalah.
Arsitektur dari Neural Network ini dapat dilihat pada gambar berikut ini.
23
Gambar 3.55Arsitektur Neural Network Metode Backpropagation
Secara umum Neural Network dengan metode backpropagation memiliki
arsitektur seperti terlihat pada Gambar 3.5 di atas. Neural Network terdiri dari input
layer, minimal satu hidden layer, dan output layer. Neural Network pada Gambar 3.5
memiliki pola 3-3-3 (3 node pada input layer, 3 node pada hidden layer pertama, dan 3
node pada output layer). Misal Neural Network dengan pola 5-10-4-2 maka Neural
Network memiliki 5 node pada input layer, 10 node pada hidden layer pertama, 4 node
pada hidden layer kedua, dan 2 node pada output layer. Node pada hidden layer dan
output layer juga bisa memiliki nilai bias pada gambar 3.5 yaitu Ix + 1 dan Hy + 1. Bias
24
seperti node, tetapi tidak menerima input dan mempunyai output konstan yaitu 1. Bias
juga memiliki weight yang menghubungkannya ke node-node lainnya.
Backpropagation terdiri dari tiga tahapan, yaitu:
a. Feedforward
Pada tahap ini setiap node pada input layer menerima input dari feature yang
telah diekstrak, kemudian input tersebut akan diproses oleh node-node tersebut
dengan activation function yang digunakan untuk menghasilkan output. Hasil output
yang didapatkan akan diteruskan oleh input layer ke setiap node pada hidden layer
pertama, kedua, dan seterusnya.
Setiap node pada hidden layer akan menjumlahkan semua input yang diterima,
kemudian memprosesnya dengan activation function yang digunakan untuk
menghasilkan output yang akan diteruskan ke hidden layer berikutnya atau ke output
layer.
Terakhir, setiap node pada output layer akan menjumlahkan semua input yang
diterima dari hidden layer terakhir yang akan diproses dengan activation function
yang digunakan untuk mendapatkan sebuah nilai output yang akan dibandingkan
dengan target output yang telah ditentukan. Untuk mencari output yang terdapat
pada output layer dapat dicari dengan:
AcceOutput −+
=1
1
Acc adalah jumlah perkalian dari Weight Output layer dengan Output Input layer.
25
ii OutWeightAcc ∑ ×= j
b. Backpropagation of the Associated Error
Hasil perbandingan nilai output yang dihasilkan oleh output layer dengan nilai
target output yang telah ditentukan akan digunakan untuk menghitung error system
(nilai mutlak dari selisih output pada output layer dengan target output yang telah
ditentukan). Kemudian nilai error tersebut digunakan untuk menghitung error di
setiap node pada hidden layer yang akan digunakan pada saat weights adjustment.
Untuk Mencari Error di Output layer :
)arg()1( OutputetTOutputOutputError −×−×=
Untuk Mencari Error di Tahap Selanjutnya :
AccOutputOutputError *)1( −×=
Sedangkan Untuk Mencari Acc:
ji ErrorWeightAcc ∑ ×= j
c. Adjustment of the Weights
Setelah didapatkan nilai error disetiap node pada hidden layer semua weights
yang menghubungkan input layer dengan hidden layer, hidden layer dengan hidden
layer lain, dan hidden layer dengan output layer akan diperbaharui berdasarkan
learning rate (kecepatan belajar dari network) dan nilai error yang didapatkan
disetiap node. Untuk Mencari Weight baru :
26
)( sesudahsebelum ErrorOutputAlphaWeightWeight ××+=
Alpha di atas dapat diartikan sebagai tahap belajar suatu sistem, semakin tinggi
nilainya, maka semakin tinggi kecepatan belajarnya, namun dengan demikian akan
berdampak kurang baik, karena akan mendapatkan error yang tidak merata.
Sehingga dengan demikian, lebih baik kita menggunakan Alpha yang kecil,
walaupun tahap belajarnya lambat, tetapi hasil keakuratannya tinggi.
3.4 Perancangan Program Aplikasi Komputer
Sebuah teknologi yang meliputi proses, serangkaian metode, dan seperangkat
alat. Karakteristik Perangkat Lunak :
a. Perangkat lunak dibangun dan dikembangkan, tidak dibuat dalam bentuk yang
klasik.
b. Perangkat lunak tidak pernah usang.
c. Sebagian besar perangkat lunak dibuat secara custom built, serta tidak dapat
dirakit dari komponen yang sudah ada.
Elemen-Elemen Perangkat Lunak :
a. Proses
Proses-proses membatasi kerangka kerja untuk serangkaian area proses kunci
yang harus dibangun demi keefektifan penyampaian teknologi pengembangan
perangkat lunak.
b. Metode
27
Metode-metode rekayasa perangkat lunak memberikan teknik untuk membangun
perangkat lunak. Metode-metode itu menyangkut serangkaian tugas yang luas
yang menyangkut analisis kebutuhan, konstruksi program, desain, pengujian dan
pemeliharaan.
c. Alat Bantu
Tool-tool rekayasa perangkat lunak memberikan topangan yang otomatis ataupun
semi otomatis pada proses-proses dan metode-metode yang ada. Ketika Tool-tool
diintegrasikan sehingga informasi yang diciptakan oleh satu tool bisa digunakan
oleh yang lain, system untuk menopang perkembangan perangkat lunak yang
disebut Computer-Aided Software Engineering (CASE).
Model proses yang dipergunakan dalam penulisan skripsi ini adalah Model
Sekuensial Linier. Model ini biasa disebut juga model “air terjun”(waterfall). Model ini
mengusulkan sebuah pendekatan kepada pengembangan perangkat lunak yang
sistematik dan sekuensial yang mulai pada tingkat dan kemajuan system pada seluruh
perancangan system, analisis, desain, kode, pengujian, dan pemeliharaan.
Ukuran kerjanya disajikan dalam gambar dibawah ini :
28
Gambar 3.66Daur Hidup Rekayasa Software (Waterfall Model)
a. Perancangan Sistem (Requirements)
Merupakan langkah awal yang diambil. Dalam prosesnya terjadi persiapan untuk
persyaratan system yang akan berjalan. Dipertimbangkan lebih lanjut jenis
interface-nya, hardware-nya, brainware-nya, dan basis datanya.
b. Spesifikasi
Proses pengumpulan kebutuhan diintensifkan dan difokuskan, khususnya pada
perangkat lunak. Kebutuhan baik untuk system maupun perangkat lunak
didokumentasikan dan dilihat lagi dengan pelanggan.
c. Desain
Proses desain menerjemahkan syarat/kebutuhan ke dalam sebuah representasi
perangkat lunak yang dapat diperkirakan demi kualitas sebelum dimulai
pemunculan kode.
d. Implementasi dan Pengujian
Sekali kode dibuat, pengujian program dimulai. Proses pengujian berfokus pada
logika internal perangkat lunak, memastikan bahwa semua pernyataan sudah
diuji, dan pada eksternal fungsional yaitu mengarahkan pengujian untuk
menemukan kesalahan-kesalahan dan memastikan bahwa input yang dibatasi
akan memberikan hasil actual yang sesuai dengan hasil yang dibutuhkan.
e. Pemeliharaan
Perangkat lunak akan mengalami perubahan setelah disampaikan kepada
pelanggan. Pemeliharaan perangkat lunak mengaplikasikan lagi setiap fase
program sebelumnya dan tidak membuat yang baru lagi.