BAB 3

LANDASAN TEORI

3.1 Pengertian dan Kegunaan Peramalan (Forecasting)

Dalam melakukan analisis dibidang ekonomi, sosial dan sebagainya, kita

memerlukan suatu perkiraan apa yang akan terjadi atau gambaran tentang masa yang

akan datang. Kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan

datang, kita kenal dengan apa yang disebut peramalan (forecasting) (Assauri, 1984, p1).

Sedangkan menurut Webster (1986, p3), peramalan adalah dugaan yang dibuat secara

sederhana tentang apa yang akan terjadi di masa depan berdasarkan informasi yang

tersedia saat ini.

Dalam usaha untuk melihat dan mengkaji situasi dan kondisi di masa depan

maka harus dilakukan peramalan. Oleh karena itu perlu diperkirakan atau diramalkan

situasi apa dan kondisi bagaimana yang akan terjadi pada masa depan, karena hal ini

dibutuhkan untuk menentukan langkah-langkah yang perlu dilakukan untuk mencapai

hasil yang diinginkan. Peramalan diperlukan karena adanya kebutuhan untuk

mengetahui apa yang mungkin akan terjadi pada masa yang akan datang. Jadi dalam

menentukan langkah-langkah itu perlu diperkirakan hal-hal apa saja yang akan terjadi

sehingga dapat mengetahui ancaman yang mungkin terjadi.

Kegunaan dari peramalan terjadi pada waktu pengambilan keputusan. Setiap

orang selalu dihadapkan pada masalah pengambilan keputusan. Keputusan yang baik

adalah keputusan yang didasarkan atas pertimbangan-pertimbangan yang matang dan

perkiraan tentang kejadian yang mungkin akan terjadi. Apabila ramalan yang kita

hasilkan kurang tepat, maka keputusan yang kita ambil tidak akan mencapai hasil yang

12

memuaskan. Dengan meramalkan kejadian yang akan datang, tindakan-tindakan yang

akan datang dapat direncanakan dengan matang sehingga dapat mengurangi kerugian

atau menambah keuntungan serta dapat mengantisipasi hal-hal yang tidak diinginkan.

3.2 Jenis-jenis Peramalan

Pada umumnya peramalan dapat dibedakan dari beberapa segi tergantung dari

cara melihatnya. Apabila dilihat dari sifat penyusunannya, maka peramalan dapat

dibedakan atas dua macam, yaitu (Assauri, 1984, p3) :

1) Peramalan yang subjektif, yaitu peramalan yang didasarkan atas perasaan

atau intuisi dari orang yang menyusunnya.

2) Peramalan yang objektif, adalah peramalan yang didasarkan atas data yang

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

metode dalam penganalisisan data tersebut.

Disamping itu, jika dilihat dari jangka waktu ramalan yang disusun, maka

peramalan dapat dibedakan atas dua macam pula, yaitu (Assauri, 1984, p4) :

1) Peramalan jangka panjang, yaitu peramalan yang dilakukan untuk

penyusunan hasil ramalan yang jangka waktunya lebih dari satu setengah

tahun atau tiga semester.

2) Peramalan jangka pendek, yaitu peramalan yang dilakukan untuk penyusunan

hasil ramalan dengan waktu yang kurang dari satu setengah tahun, atau tiga

semester.

13

Berdasarkan sifat ramalan yang telah disusun, maka peramalan dapat dibedakan

atas dua macam, yaitu (Assauri, 1984, p4) :

1) Peramalan kualitatif, yaitu peramalan yang didasarkan atas data kualitatif

pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada orang

yang membuatnya, karena ditentukan berdasarkan pemikiran yang bersifat

intuisi, judgment atau pendapat, dan pengetahuan serta pengalaman dari

penyusunnya.

2) Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data kuantitatif

pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode

yang dipergunakan dalam peramalan tersebut. Menurut Makridakis,

Wheelwright dan McGee (1999, p20), tiga kondisi penerapan peramalan ini

adalah : tersedia informasi tentang masa lalu, informasi tersebut dapat

dikuantitatifkan dalam bentuk data numerik dan dapat diasumsikan bahwa

beberapa aspek pola masa lalu akan terus berlanjut di masa mendatang.

Menurut Reksohadiprodjo (1989, p5), peramalan kuantitatif dapat dibagi lagi

menjadi deret waktu, kausalitas dan pemantauan.

3.3 Langkah-langkah Peramalan

Peramalan yang baik adalah peramalan yang dilakukan dengan mengikuti

langkah-langkah atau prosedur penyusunan yang baik yang akan menentukan kualitas

atau mutu dari hasil peramalan yang disusun. Pada dasarnya ada tiga langkah peramalan

yang penting, yaitu (Assauri, 1984, p5):

1) Menganalisis data yang lalu, tahap ini berguna untuk pola yang terjadi pada masa

lalu.

14

2) Menentukan metode yang dipergunakan. Metode yang baik adalah metode yang

memberikan hasil ramalan yang tidak jauh berbeda dengan kenyataan yang

terjadi.

3) Memproyeksikan data yang lalu dengan menggunakan metode yang

dipergunakan, dan mempertimbangkan adanya beberapa faktor perubahan

(perubahan kebijakan-kebijakan yang mungkin terjadi, termasuk perubahan

kebijakan pemerintah, perkembangan potensi masyarakat, perkembangan

teknologi dan penemuan-penemuan baru).

3.4 Metode Pemulusan (Smoothing) Eksponensial

Metode ini disebut eksponensial karena menggunakan pembobotan menurun

secara eksponensial terhadap nilai pengamatan yang lebih lama. Metode pemulusan

eksponensial terdiri atas tunggal, ganda, dan metode yang lebih rumit lainnya.

Semuanya mempunyai sifat yang sama, yaitu nilai yang lebih baru diberikan bobot yang

relatif lebih besar dibandingkan nilai pengamatan yang lebih lama.

3.4.1 Pemulusan Eksponensial Tunggal

Metode pemulusan eksponensial tunggal (Single Exponential Smooting/SES)

minimal membutuhkan dua buah data untuk meramalkan nilai yang akan terjadi pada

masa yang akan datang. Berikut ini rumusan dalam pemulusan eksponensial tunggal

(Makridakis et al., 1999, p101) :

⎟⎠⎞

⎜⎝⎛ −+= −

+ NX

NX

FF Ntttt 1 (3-1)

15

Jika pengamatan yang lama NtX − tidak tersedia maka nilainya harus digantikan dengan

suatu nilai pendekatan. Salah satu pengganti yang mungkin adalah nilai ramalan periode

sebelumnya tF . Dengan melakukan subsitusi ini, persamaan (3-1) menjadi persamaan

(3-2) kemudian ditulis kembali menjadi persamaan (3-3) (Makridakis et al., 1999, p102).

⎟⎠⎞

⎜⎝⎛ −+=+ N

FNX

FF tttt 1 (3-2)

ttt FN

XN

F ⎟⎠⎞

⎜⎝⎛ −+⎟

⎠⎞

⎜⎝⎛=+

11

11 (3-3)

(Perhatikan bahwa jika datanya stasioner, maka subsitusi di atas merupakan pendekatan

yang cukup baik, namun bila terdapat trend, metode SES yang dijelaskan di sini tidak

cukup baik).

Dari persamaan (3-3) dapat dilihat bahwa ramalan ini ( 1+tF ) didasarkan atas

pembobotan pada observasi yang terakhir dengan suatu nilai bobot (1/N) dan

pembobotan ramalan yang terakhir sebelumnya ( tF ) dengan suatu bobot [1-(1-N)].

Karena N merupakan suatu bilangan positif, 1/N akan menjadi suatu konstanta antara

nol (jika N tak terhingga) dan 1 (jika N=1). Dengan mengganti 1/N dengan α ,

persamaan (3-3) menjadi (Makridakis et al., 1999, p103) :

ttt FXF )1(1 αα −+=+ (3-4)

Metode ini banyak mengurangi masalah tentang penyimpanan data, karena kita

tidak perlu lagi menyimpan semua data historis yang ada atau sebelumnya. Data-data

yang perlu disimpan hanya pengamatan terakhir (Xt), ramalan terakhir (Ft) dan suatu

nilai α yang harus disimpan.

16

Persamaan pemulusan eksponensial dapat dilihat dengan lebih baik bila

persamaan (3-4) diperluas dengan mengganti F dengan komponennya sebagai berikut

(Makridakis et al., 1999, p 103) :

( ) ( )[ ]111 11 −−− −+−+= tttt FXXF αααα

( ) ( ) 12

11 11 −−− −+−+= tttt FXXF αααα (3-5)

Jika proses subsitusi ini diulang dengan mengganti 1−tF dengan komponennya,

2−tF dengan komponennya, dan seterusnya, hasilnya adalah persamaan (3-6)

(Makridakis et al., 1999, p103) :

( ) ( )

( ) ( ) )1(33

22

11

11

11

−−−

−−+

−+•••+−

+−+−+=

NtN

t

tttt

FX

XXXF

ααα

ααααα (3-6)

Misalkan α =0,2; 0,4; 0,6; 0,8. Maka bobot yang diberikan pada nilai pengamatan

observasi masa lalu akan menjadi sebagai berikut :

Tabel 3.1 Pembobotan Nilai Pengamatan

(Makridakis et al., 1999, p103) Bobot yang diberikan pada :

α =0,2 α =0,4 α =0,6 α =0,8

tX 0,2 0,4 0,6 0,8

1−tX 0,16 0,24 0,24 0,16

2−tX 0,128 0,144 0,096 0,032

3−tX 0,1024 0,0886 0,0384 0,0064

4−tX (0,2)(0,8)4 (0,4)(0,6)4 (0,6)(0,4)4 (0,8)(0,2)4

17

3.4.2 Pemulusan Eksponensial Tunggal : Pendekatan Adaptif (Adaptive Response

Rate Simple Exponential Smoothing / ARRSES)

Pemulusan eksponensial tunggal dengan tingkat respon yang adaptif (ARRSES)

memiliki kelebihan yang nyata atas pemulusan ekponensial tunggal dalam hal nilai α

yang dapat berubah-ubah sesuai dengan perubahan dalam pola datanya. Karakteristik ini

tampaknya menarik jika terdapat beberapa ratus atau ribuan data yang perlu diramalkan.

ARRSES bersifat adaptif karena nilai α dapat berubah secara otomatis bilamana

terdapat perubahan pada pola datanya.

Persamaan dasar untuk peramalan dengan metode ARRSES adalah serupa

dengan persamaan (3-4) kecuali nilai α diganti dengan tα (Makridakis et al., 1999,

p109).

( ) ttttt FXF αα −+=+ 11 (3-5)

dimana :

t

tt M

E=+1α , (3-6)

1)1( −−+= ttt EeE ββ , (3-7)

1)1( −−+= tt MeM ββ , (3-8)

ttt FXe −= (3-9)

α dan β merupakan parameter yang nilainya antara 0 dan 1.

Persamaan (3-6) menunjukkan bahwa nilai α yang dipakai untuk peramalan

periode (t+2) ditetapkan sebagai nilai absolut dari rasio antara unsur galat yang

dihaluskan ( tE ) dengan unsur galat absolut yang dihaluskan ( tM ).

18

Inisialisasi proses ARRSES sedikit lebih rumit daripada SES. ARRSES

seringkali terlalu responsif terhadap perubahan dalam pola data.

3.4.3 Pemulusan Eksponensial Ganda : Metode Linier Satu-Parameter dari

Brown

Pemulusan eksponensial linier dapat dihitung jika terdapat tiga nilai data dan satu

nilai untuk α . Pemulusan ini juga memberikan bobot yang semakin menurun pada data

observasi masa lalu dimana akan memberi bobot yang lebih berat pada data terakhir

serta perubahannya dalam observasi. Pemulusan eksponensial linear lebih disukai

daripada rata-rata bergerak linier sebagai suatu metode peramalan dalam berbagai kasus

utama karena terdapat pembobotan pada data observasi masa lalu.

Dasar pemikiran dari pemulusan eksponensial dari Brown mirip dengan rata-rata

bergerak linier, karena kedua nilai pemulusan tunggal dan ganda ketinggalan dari data

yang sebenarnya jika terdapat unsur trend, perbedaan antara nilai pemulusan tunggal dan

ganda dapat ditambahkan kepada nilai pemulusan tunggal untuk kemudian disesuaikan

pada trend. Persamaan yang dipakai dalam implementasi pemulusan eksponensial linier

satu-parameter dari Brown ditunjukkan di bawah ini (Assauri, 1984, p40) :

mbaF ttmt +=+ (3-10)

sedangkan :

″−′″−′+′= tttttt SSSSSa 2)( (3-11)

)(1

″−′−

= ttt SSbα

α (3-12)

′−+=′ −1)1( ttt SXS αα (3-13)

19

″−′=″ −1)1( ttt SSS αα (3-14)

dimana m adalah jumlah periode di depan yang diramalkan, ′tS adalah nilai pemulusan

eksponensial tunggal, dan ″tS adalah nilai pemulusan eksponensial ganda.

Agar dapat menggunakan rumus (3-13) dan (3-14) maka nilai ′tS dan ″

tS harus

tersedia. Tetapi pada saat awal periode dimana t=1, nilai-nilai tersebut tidak tersedia.

Maka, nilai-nilai ini harus ditentukan pada awal periode atau perlu diinisialisasi. Hal ini

dapat dilakukan dengan menetapkan nilai ′tS dan ″

tS sama dengan tX atau dengan

menggunakan suatu nilai rata-rata dari beberapa nilai pertama.

3.4.4 Pemulusan Eksponensial Tripel : Metode Kuadratik Satu-Parameter dari

Brown

Seperti pada pemulusan eksponensial linier yang dapat digunakan untuk

meramalkan data dengan suatu pola trend dasar, bentuk pemulusan yang lebih tinggi

dapat digunakan jika pola datanya adalah kuadratik, kubik, atau orde yang lebih tinggi.

Untuk pemulusan kuadratik, pendekatannya adalah memasukkan tingkat pemulusan

tambahan (pemulusan tripel atau tS ′′′ ) dan memberlakukan persamaan peramalan

kuadratik.

Persamaan untuk pemulusan kuadratik adalah (Makridakis et al., 1999, pp118-

119) :

2

21

mcmbaF tttmt ++=+ (3-15)

sedangkan :

20

tttt SSSa ′′′+′′−′= 33 (3-16)

[ ]SSSbt ′′′−+′′−−′−−

= )34()810()56()1(2 2

αααα

α (3-17)

( )

( )tttt SSSc ′′′+′′−′−

= 21 2

2

αα

′−+=′ −1)1( ttt SXS αα (3-18)

″−′=″ −1)1( ttt SSS αα (3-19)

( ) 11 −′′′−+′′=′′′ ttt SSS αα (3-20)

Persamaan untuk pemulusan kuadratik jauh lebih rumit daripada persamaan

untuk pemulusan tunggal dan linier karena membutuhkan perhitungan sampai tS ′′′ .

Walaupun demikian pendekatan metode ini dalam menyesuaikan nilai ramalannya

sehingga hasil ramalannya dapat mengikuti perubahan trend yang kuadratik adalah

sama.

Proses inisialisasi untuk proses pemulusan eksponensial kuadratik dari Brown

bisa sangat sederhana. Ditetapkan (Makridakis et al., 1999, p121)

1111 XSSS =′′′=′′=′

yang cukup untuk memulai peramalan dari periode kedua dan seterusnya.

3.4.5 Metode Adaptif Satu-Parameter dari Brown

Metode adaptif satu-parameter dari Brown yang melibatkan konstanta pemulusan

tunggal (dengan nilai antara 0 dan 1) adalah sangat umum dan menunjukkan kinerja

yang memuaskan dalam keadaan praktis. Perhitungan yang digunakan dalam metode ini

adalah sebagai berikut (Makridakis et al., 1999,p132) :

21

tttt ebSS )1( 211 δ−++= −− (3-21)

( ) ttt ebb 21 1 δ−+= − (3-22)

dimana FXe tt −= , δ adalah konstanta pemulusan, dan

mbSF ttmt +=+ (3-23)

Persamaan (3-21) berbeda dengan perhitungan yang digunakan oleh banyak

metode lain karena persamaan ini tidak menghaluskan nilai tS tetapi agaknya

persamaan ini menghaluskan nilai kesalahan saat ini. Pendekatan ini merupakan cara

perumusan ramalan yang berbeda, yang dapat digabungkan dengan perumusan ramalan

berdasarkan nilai deret data sebelumnya.

3.5 Statistik Durbin-Watson

Uji statistik Durbin-Watson menguji hipotesis bahwa tidak terdapat autokorelasi

pada nilai sisa/galat. Statistik Durbin-Watson adalah sebagai berikut (Supranto, 2001,

p270) :

∑

∑

=

−=

−=−

n

tt

t

n

tt

e

eeWD

1

2

21

2

)( (3-24)

Dimana : et adalah Xt – Ft

Distribusi Durbin-Watson adalah simetrik di sekitar 2, yaitu nilai tengahnya.

Dengan demikian selang kepercayaan dapat dibentuk yang melibatkan lima wilayah

seperti yang ditunjukkan pada gambar dibawah ini.

22

Gambar 3.1 Grafik Distribusi Durbin-Watson (Makridakis et al., 1999, p340)

Lima selang yang dimaksudkan adalah (Reksohadiprodjo, 1989, p94) :

1. Kurang dari DL maka ada autokorelasi positif.

2. Antara DL dan DU maka tidak dapat disimpulkan.

3. Antara DU dan 4 – DU maka tidak ada autokorelasi.

4. Antara 4 – DU dan 4 – DL maka tidak dapat disimpulkan.

5. Lebih dari 4 – DL maka ada autokorelasi negatif.

3.6 Software Engineering (Rekayasa Piranti Lunak)

Menurut Fritz Bauer (Pressman, 2001, p20), rekayasa piranti lunak adalah

“pembentukan dan pemakaian prinsip-prinsip rekayasa dengan tujuan untuk

menghasilkan piranti lunak yang ekonomis, terpercaya, dan bekerja efisien pada mesin

yang sebenarnya (komputer)”.

Menurut Pressman (2001, p20), rekayasa piranti lunak terbagi menjadi tiga

lapisan yang mampu mengontrol kualitas dari piranti lunak, yaitu :

23

a. Proses (Process)

Proses merupakan lapisan paling dasar dalam rekayasa piranti lunak. Proses

rekayasa piranti lunak adalah perekat yang menyatukan lapisan-lapisan teknologi

dan memungkinkan pengembangan yang rasional dan periodik dari piranti lunak

komputer.

b. Metode (Methods)

Metode rekayasa piranti lunak menyediakan secara teknikal bagaimana

membangun sebuah piranti lunak. Metode meliputi sekumpulan tugas yang luas,

termasuk di dalamnya analisis kebutuhan, perancangan, konstruksi program,

pengujian, dan penyangga. Metode dari rekayasa piranti lunak bergantung pada

sekumpulan prinsip dasar yang memerintah masing-masing area teknologi dan

memasukkan aktivitas pemodelan, serta teknik-teknik deskriptif lainnya.

c. Alat Bantu (Tools)

Alat bantu rekayasa piranti lunak menyediakan dukungan otomatis atau semi

otomatis untuk proses dan metode. Ketika alat bantu diintegrasi sehingga informasi

yang diciptakan oleh sebuah alat bantu dapat digunakan oleh yang lainnya, sebuah

sistem untuk mendukung pengembangan piranti lunak, yang juga disebut

Computer-Aided Software Engineering (CASE), dihasilkan. CASE

menggabungkan piranti lunak, perangkat keras, dan database piranti lunak untuk

menciptakan lingkungan rekayasa piranti lunak yang sejalan dengan CAD / CAE

(Computer-Aided Design / Engineering) untuk perangkat keras.

Menurut Pressman (2001, p28), dalam perancangan piranti lunak, dikenal linear

sequential model atau yang lebih dikenal dengan sebutan classic life cycle atau waterfall

model. Model ini menyarankan pendekatan yang sistematik dan berurutan untuk

24

pengembangan piranti lunak yang dimulai pada tingkat sistem dan dikembangkan

melalui analisis, desain, pengkodean, pengujian, dan penyangga. Model ini meliputi

serangkaian aktivitas, yaitu :

a. Rekayasa dan pemodelan sistem

Karena piranti lunak selalu menjadi bagian dari suatu sistem yang lebih besar,

maka yang perlu dilakukan pertama kali adalah menetapkan kebutuhan untuk

seluruh elemen-elemen sistem dan kemudian mengalokasikan sebagian dari

kebutuhan tersebut ke piranti lunak.

b. Analisis kebutuhan piranti lunak

Untuk dapat mengerti sifat dasar dari program yang dibangun, diperlukan

pengertian akan informasi yang diperlukan oleh piranti lunak.

c. Perancangan

Perancangan piranti lunak sebenarnya merupakan sebuah proses yang terdiri dari

banyak kegiatan, yang menitikberatkan pada empat atribut nyata dari sebuah

program, yaitu : struktur data, arsitektur piranti lunak, representasi tampilan, dan

detil prosedur.

d. Pengkodean

Dalam pengkodean, perancangan yang telah dilakukan diterjemahkan ke bentuk

yang dimengerti komputer.

e. Pengujian

Proses pengujian menitikberatkan pada bagian dalam piranti lunak secara logis,

memastikan bahwa semua pernyataan telah diuji, dan pada bagian-bagian luar

yang eksternal, yang memimpin pengujian untuk membuka kesalahan-kesalahan

25

dan memastikan bahwa masukan yang telah ditetapkan akan memproduksi hasil-

hasil yang sebenarnya yang disetujui dengan hasil-hasil yang dibutuhkan.

f. Penyangga

Penyangga dilakukan untuk mengantisipasi terhadap terjadinya kesalahan karena

perubahan sistem atau peningkatan kebutuhan pengguna akan fungsi baru.

Gambar 3.2. Waterfall Model

(Pressman, 1992, p25)

3.7 Diagram Alir (Flowchart)

Diagram alir (flowchart) adalah representasi grafis dari serangkaian aktivitas

operasi, pergerakan, inspeksi, delay, keputusan dan penyimpanan dari sebuah proses.

Diagram alir menggunakan simbol-simbol yang telah digunakan selama bertahun-tahun

untuk merepresentasikan jenis proses atau proses yang sedang dilakukan. Bentuk yang

sudah distandarisasi menyediakan sebuah metode yang umum dipakai oleh banyak

System Engineering

Coding

Analy sis

Design

Maintenance

Testing

26

orang untuk memvisualisasikan masalah-masalah bersama-sama dengan cara yang sama

(Hansen, 2005).

Berikut adalah simbol-simbol yang digunakan untuk menggambarkan diagram alir:

27

Tabel 3.2. Tabel Simbol Flowchart (http://home.att.net/~dexter.a.hansen/flowchart/flowchart.htm)

Notasi Arti Notasi

Proses / pengolahan

Predefined proses

Operasi input / output

Decision, berupa pertanyaan atau penentuan suatu keputusan

Terminal, untuk menandai awal dan akhir program

Preparation, untuk inisialisasi suatu nilai

Panah, sebagai penghubung antar komponen dan penunjuk arah

Manual input, input dari pengguna

On-page connector, sebagai penghubung dalam satu halaman

Off-page connector, sebagai penghubung antar halaman yang berbeda

28

3.8 State Transition Diagram (STD)

State Transition Diagram merupakan sebuah modelling tool yang digunakan

untuk mendeskripsikan sistem yang memiliki ketergantungan terhadap waktu. STD

merupakan suatu kumpulan keadaan atau atribut yang mencirikan suatu keadaan pada

waktu tertentu (Kowal, 1992, p329).

Berikut adalah notasi yang digunakan untuk menggambarkan STD :

Tabel 3.3. Tabel Notasi STD

(Kowal, 1998, p329) Notasi Arti Notasi

State

Arrow

Condition dan Action

Arti lambang dari notasi STD adalah sebagai berikut :

1. State

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 tidak lebih dari satu state.

Condition

Action

29

2. Arrow, disimbolkan dengan :

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

aturan. Label tersebut menunjukan kejadian yang menyebabkan transisi terjadi.

3. Condition dan action

Condition adalah suatu event pada lingkungan eksternal yang dapat dideteksi oleh

sistem, sedangkan action adalah aksi yang dilakukan oleh sistem bila terjadi

perubahan state atau merupakan reaksi terhadap kondisi. Aksi akan menghasilkan

keluaran / tampilan.

3.9 Interaksi Manusia dengan Komputer

Untuk memperbaiki kegunaan suatu aplikasi, penting untuk mempunyai sebuah

tampilan muka yang direncanakan dengan baik. “Delapan Aturan Emas Rencana

Tampilan Muka” Shneiderman adalah sebuah panduan untuk rancangan interaksi yang

baik. Delapan aturan tersebut yaitu (Shneiderman, 1998, pp74-75) :

1. Berusaha untuk konsisten.

Urutan tindakan yang sesuai harus diwajibkan dalam situasi-situasi yang sama,

istilah serupa harus digunakan secara tepat, menu dan layar bantu.

2. Memungkinkan pemakai untuk menggunakan shortcut.

Seiring dengan frekuensi penggunaan yang meningkat, begitu juga hasrat atau

keinginan pemakai untuk mengurangi jumlah interaksi dan untuk meningkatkan

kecepatan interaksi.

30

3. Memberikan umpan balik yang informatif.

Untuk setiap tindakan pemakai sebaiknya ada beberapa sistem umpan balik.

Untuk hal-hal yang sering, responnya bisa bermacam-macam, sementara untuk

tindakan-tindakan yang jarang, responnya harus lebih besar.

4. Merancang dialog untuk hasil akhir.

Urutan tindakan harus diatur ke dalam kelompok-kelompok dengan sebuah

permulaan, pertengahan dan akhir. Umpan balik yang informatif dalam

penyelesaian tindakan-tindakan suatu kelompok memberikan kepuasan hasil

akhir kepada pemakai, sebuah rasa lega.

5. Menawarkan penanganan kesalahan secara sederhana.

Sebanyak mungkin, merancang sistem sehingga pemakai tidak membuat

kesalahan yang serius. Jika sebuah kesalahan dibuat, sistem harus mampu

menemukan kesalahan dan menawarkan cara yang sederhana untuk menangani

kesalahan tersebut.

6. Mengizinkan pembalikan tindakan yang mudah.

Fitur ini meringankan kecemasan, karena pemakai tahu bahwa kesalahan-

kesalahan dapat dilepaskan, jadi hal itu mendorong penyelidikan pilihan-pilihan

yang asing. Satuan perubahan mungkin sebuah tindakan tunggal, sebuah

pemasukan data atau sebuah kelompok tindakan yang lengkap.

7. Mendukung pengendalian secara internal.

Pemakai-pemakai yang berpengalaman menginginkan bahwa mereka dapat

mengendalikan sistem tersebut dan sistem tersebut dapat merespon tindakan

mereka. Merancang sistem untuk membuat pemakai sebagai pengambil tindakan.

31

8. Mengurangi ingatan jangka pendek.

Batasan informasi pada manusia dalam memproses ingatan jangka pendek

memerlukan tampilan secara sederhana, tampilan halaman-halaman dapat

digabungkan, sehingga pergerakan windows dapat dikurangi.