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.