Kamis, 19 Januari 2017

Pengertian Simulasi Komputer, Sejarah, Jenis, dan Contohnya

Pengertian Simulasi Komputer, Sejarah, Jenis, dan Contohnya - Simulasi komputer telah menjadi bagian yang berguna pemodelan matematika sistem alam banyak dalam fisika, kimia dan biologi, sistem manusia dalam ekonomi, psikologi, dan ilmu sosial dan dalam proses teknologi rekayasa baru, untuk mendapatkan wawasan tentang pengoperasian sistem tersebut. Secara tradisional, pemodelan formal sistem telah melalui model matematis, yang mencoba untuk menemukan solusi analitis untuk masalah yang memungkinkan prediksi perilaku sistem dari satu set parameter dan kondisi awal. Simulasi komputer membangun, dan merupakan tambahan yang berguna untuk model murni matematika dalam ilmu pengetahuan, teknologi dan hiburan.

Keandalan dan orang-orang kepercayaan dimasukkan ke dalam simulasi komputer tergantung pada validitas model simulasi. Sebuah simulasi komputer, model komputer, atau model komputasi adalah sebuah program komputer, atau jaringan komputer, yang mencoba untuk mensimulasikan abstrak model dari sebuah sistem tertentu. Simulasi komputer telah menjadi bagian yang berguna pemodelan matematika sistem alam yang banyak di fisika ( fisika komputasi ), astrofisika , kimia dan biologi , sistem manusia dalam ekonomi , psikologi , ilmu sosial , dan rekayasa . Simulasi dapat digunakan untuk mengeksplorasi dan mendapatkan wawasan baru ke dalam baru teknologi , dan untuk memperkirakan kinerja sistem terlalu kompleks untuk solusi analitis.

Secara tradisional, pembentukan model besar sistem telah melalui model matematis, yang mencoba untuk menemukan solusi analitis untuk masalah dan dengan demikian memungkinkan prediksi perilaku sistem dari satu set parameter dan kondisi awal. Sedangkan simulasi komputer mungkin menggunakan beberapa algoritma dari model matematika murni, komputer dapat menggabungkan simulasi dengan realitas atau peristiwa aktual, seperti menghasilkan respon masukan, untuk mensimulasikan subjek tes yang tidak lagi hadir. Sedangkan subjek percobaan hilang sedang dimodelkan / disimulasikan, sistem yang mereka gunakan bisa menjadi alat yang sebenarnya, mengungkapkan membatasi kinerja atau cacat pada penggunaan jangka panjang oleh pengguna simulasi.

Perhatikan bahwa istilah simulasi komputer lebih luas daripada model komputer, yang berarti bahwa semua aspek yang dimodelkan dalam representasi komputer. Namun, simulasi komputer juga mencakup masukan menghasilkan dari pengguna simulasi untuk menjalankan perangkat lunak komputer atau peralatan yang sebenarnya, dengan hanya bagian dari sistem yang dimodelkan: contoh akan penerbangan simulator yang bisa menjalankan mesin serta perangkat lunak penerbangan yang sebenarnya. Simulasi komputer digunakan di berbagai bidang, termasuk ilmu pengetahuan , teknologi , hiburan , perawatan kesehatan, dan usaha perencanaan dan penjadwalan.
Pengertian Simulasi Komputer, Sejarah, Jenis, dan Contohnya_
image source: krishna.org
baca juga:
Sejarah Simulasi Komputer

Simulasi komputer dikembangkan di tangan-tangan dengan pertumbuhan yang cepat dari komputer, berikut skala besar pertama penyebarannya selama Proyek Manhattan di Perang Dunia II untuk model proses ledakan nuklir. Ini adalah simulasi dari 12 bola keras menggunakan algoritma Monte Carlo . Simulasi komputer sering digunakan sebagai tambahan, atau substitusi, sistem pemodelan yang sederhana tertutup bentuk solusi analitik yang tidak mungkin. Ada berbagai jenis simulasi komputer; fitur umum mereka berbagi semua adalah upaya untuk menghasilkan contoh skenario representatif untuk sebuah model di mana pencacahan lengkap dari semua keadaan yang mungkin model akan menjadi terlalu tinggi atau mustahil. Model Komputer pada awalnya digunakan sebagai suplemen untuk argumen lain, tetapi penggunaannya kemudian menjadi lebih luas.

Persiapan Data

Persyaratan data eksternal dan model simulasi sangat bervariasi. Untuk beberapa, input mungkin hanya beberapa nomor (misalnya, simulasi gelombang listrik AC pada sebuah kawat), sementara yang lain mungkin memerlukan terabyte informasi (seperti model cuaca dan iklim). Input sumber juga sangat bervariasi:
•   Sensor dan perangkat fisik lainnya yang terhubung ke model;
  • Kontrol permukaan digunakan untuk mengarahkan kemajuan simulasi dalam beberapa cara;
  • Sekarang atau data historis masuk dengan tangan;
  • Nilai diekstraksi sebagai oleh-produk dari proses lainnya;
  • Nilai output untuk tujuan itu oleh simulasi lainnya, model, atau proses.
    Terakhir, waktu di mana data yang tersedia bervariasi:
  • "Invarian" data sering dibangun ke dalam kode model, baik karena nilai benar-benar invarian (misalnya nilai π) atau karena para desainer mempertimbangkan nilai yang akan invarian untuk semua kasus kepentingan;
  • Data dapat dimasukkan ke dalam simulasi ketika itu dimulai, misalnya dengan membaca satu atau lebih file, atau dengan membaca data dari sebuah preprocessor;
  • Data dapat diberikan selama menjalankan simulasi, misalnya dengan jaringan sensor;
    Karena varietas ini, dan bahwa banyak unsur yang sama ada di antara sistem simulasi beragam, ada sejumlah besar bahasa simulasi khusus. Yang paling terkenal ini harus Simula (kadang-kadang Simula-67, setelah tahun 1967 ketika diusulkan). Sekarang ada banyak orang lain. Sistem menerima data dari sumber eksternal harus sangat berhati-hati dalam mengetahui apa yang mereka terima. Sementara itu adalah mudah bagi komputer untuk membaca nilai dari atau biner file teks, apa yang jauh lebih sulit adalah mengetahui apa akurasi (dibandingkan dengan resolusi pengukuran dan presisi ) dari nilai-nilai ini. Seringkali dinyatakan sebagai "error bar", sebuah deviasi minimum dan maksimum dari nilai dilihat di mana nilai sebenarnya (diharapkan) berbohong. Karena matematika komputer digital tidak sempurna, pembulatan dan kesalahan pemotongan akan melipatgandakan kesalahan ini Facebook, dan oleh karena itu berguna untuk melakukan "analisis kesalahan" untuk memeriksa bahwa output nilai dengan simulasi masih berguna akurat. Bahkan kecil kesalahan dalam data asli dapat menumpuk menjadi kesalahan besar kemudian dalam simulasi. Sementara semua analisis komputer adalah tunduk pada "GIGO" (sampah, keluar sampah) pembatasan, hal ini terutama berlaku simulasi digital. Memang, itu adalah pengamatan ini kumulatif, kesalahan yang melekat, untuk sistem digital yang asal teori chaos.

Jenis

Model komputer dapat diklasifikasikan menurut beberapa pasang atribut independen, termasuk:
  • Stokastik atau deterministik (dan sebagai kasus khusus dari deterministik, kacau) - lihat Pranala luar di bawah ini untuk contoh simulasi deterministik vs stokastik
    •  Steady-state atau dinamis
  • Kontinyu atau diskrit (dan sebagai kasus khusus yang penting dari diskrit, kejadian diskrit atau model DES)
  • Lokal atau didistribusikan

Persamaan menentukan hubungan antara unsur-unsur dari sistem dimodelkan dan upaya untuk menemukan kondisi dimana sistem berada dalam keseimbangan. model tersebut sering digunakan dalam simulasi sistem fisik, sebagai kasus pemodelan simulasi dinamis sederhana sebelum dicoba.
  • Perubahan model simulasi dinamis dalam suatu sistem sebagai tanggapan terhadap (biasanya berubah) sinyal masukan.
  • Stochastic model menggunakan nomor acak generator kesempatan model atau kejadian acak;
  • Sebuah simulasi kejadian diskrit (DES) mengadakan acara-acara dalam waktu. Sebagian besar komputer, logika-tes dan simulasi kesalahan-pohon jenis ini. Dalam jenis ini simulasi, simulator memelihara antrian kejadian diurutkan berdasarkan waktu simulasi mereka harus terjadi. simulator membaca antrian dan memicu event baru setiap peristiwa diproses. Hal ini tidak penting untuk melaksanakan simulasi secara real time. Ini sering kali lebih penting untuk dapat mengakses data yang dihasilkan oleh simulasi, untuk menemukan cacat logika dalam desain, atau urutan kejadian.
  • Sebuah simulasi dinamis terus menerus melakukan solusi numerik dari persamaan diferensial-aljabar atau persamaan diferensial (baik sebagian atau biasa). Secara berkala, program simulasi menyelesaikan semua persamaan, dan menggunakan angka untuk mengubah keadaan dan output dari simulasi. Aplikasi termasuk simulator penerbangan, konstruksi dan simulasi permainan manajemen , proses pemodelan kimia , dan simulasi sirkuit listrik . Awalnya, jenis ini simulasi sebenarnya diimplementasikan pada komputer analog, dimana persamaan diferensial dapat diwakili langsung oleh berbagai komponen listrik seperti op-amp . Pada akhir 1980-an, bagaimanapun, yang paling "analog" simulasi konvensional dijalankan pada komputer digital yang meniru perilaku komputer analog.
    •  Jenis khusus dari simulasi diskrit yang tidak bergantung pada model dengan persamaan mendasar, tapi tetap dapat direpresentasikan secara formal, adalah simulasi berbasis agen. Dalam simulasi berbasis agen, perusahaan individu (seperti molekul, sel, pohon atau konsumen) dalam model diwakili langsung (bukan oleh kerapatan atau konsentrasi) dan memiliki keadaan internal dan mengatur perilaku atau aturan yang menentukan bagaimana agen negara diperbarui dari satu langkah waktu ke depan.
  • Distributed model berjalan di jaringan komputer yang saling berhubungan, mungkin melalui internet . Simulasi tersebar di beberapa host komputer seperti ini sering disebut sebagai "simulasi didistribusikan". Ada beberapa standar untuk simulasi didistribusikan, termasuk Level Simulasi Agregat Protocol (ALSP), Simulasi Interaktif Terdistribusi (DIS), yang High Level Architecture (simulasi) (HLA) dan Uji dan Pelatihan Mengaktifkan Arsitektur (Tena).

Simulasi komputer CGI

Sebelumnya, data output dari simulasi komputer kadang-kadang disajikan dalam sebuah tabel, atau matriks, menunjukkan bagaimana data dipengaruhi oleh banyak perubahan dalam parameter simulasi. Penggunaan format matriks yang berhubungan dengan penggunaan tradisional konsep matriks dalam model matematika , namun, psikolog dan lain-lain mencatat bahwa manusia dapat dengan cepat melihat tren dengan melihat grafik atau bahkan bergerak-gerak foto atau gambar yang dihasilkan dari data, seperti ditampilkan oleh komputer-gambar yang dihasilkan (CGI) animasi. Meskipun pengamat tidak bisa selalu membaca angka, atau corot rumus matematika, dari mengamati grafik cuaca bergerak, mereka mungkin bisa memprediksi peristiwa (dan "melihat hujan yang menuju jalan"), jauh lebih cepat daripada tabel pemindaian hujan- awan koordinat .

Seperti tampilan grafis intensif, yang melampaui Dunia angka dan formula, kadang-kadang juga menyebabkan output yang tidak memiliki koordinat grid timestamps atau dihilangkan, seolah-olah menyimpang terlalu jauh dari menampilkan data numerik. Hari ini, cuaca peramalan model cenderung untuk menyeimbangkan pandangan bergerak awan hujan salju / terhadap peta yang menggunakan angka koordinat dan cap angka kejadian. Demikian pula, simulasi komputer CGI scan CAT dapat mensimulasikan bagaimana sebuah tumor dapat mengecilkan atau berubah, selama jangka perawatan medis, menyajikan berlalunya waktu sebagai tampilan berputar dari kepala manusia terlihat, sebagai perubahan tumor.

Aplikasi lain dari simulasi komputer CGI yang dikembangkan untuk grafis tampilan data dalam jumlah besar, dalam gerakan, karena perubahan yang terjadi selama menjalankan simulasi.

Simulasi komputer dalam ilmu Simulasi komputer dari proses osmosis

Generik contoh jenis simulasi komputer dalam ilmu, yang berasal dari deskripsi matematis yang mendasari:
  • simulasi numerik dari persamaan diferensial yang tidak dapat diselesaikan secara analitis, teori yang melibatkan sistem kontinu seperti fenomena dalam kosmologi fisik , dinamika fluida (misalnya model iklim , jalan kebisingan model, dispersi udara model jalan ), mekanik kontinum dan kinetika kimia termasuk dalam kategori ini .
    •   sebuah stokastik simulasi, biasanya digunakan untuk sistem diskrit di mana peristiwa terjadi probalistik , dan yang tidak dapat digambarkan dengan persamaan diferensial langsung (ini adalah simulasi diskrit dalam arti di atas). Fenomena dalam kategori ini termasuk pergeseran genetik, biokimia atau peraturan jaringan gen dengan sejumlah kecil molekul. (Lihat juga: Metode Monte Carlo).

Contoh-contoh spesifik dari simulasi komputer berikut:
  • simulasi statistik berdasarkan sebuah aglomerasi sejumlah besar profil input, seperti peramalan kesetimbangan suhu dari perairan menerima , memungkinkan keseluruhan dari meteorologi data menjadi masukan untuk lokal tertentu. Teknik ini dikembangkan untuk pencemaran termal peramalan.
  • agen simulasi berdasarkan telah digunakan secara efektif dalam ekologi , di mana ia sering disebut pemodelan berbasis individu dan telah digunakan dalam situasi yang variabilitas individu dalam agen tidak bisa diabaikan, seperti dinamika populasi dari salmon dan trout (murni matematika model yang paling menanggung semua trout berperilaku identik).
  • waktu melangkah model dinamis. Dalam hidrologi ada beberapa seperti transportasi model hidrologi seperti SWMM dan DSSAM Model yang dikembangkan oleh US Environmental Protection Agency untuk peramalan kualitas air sungai.
    •   simulasi komputer juga telah digunakan untuk secara resmi teori model kognisi manusia dan kinerja, misalnya ACT-R
  • simulasi komputer menggunakan pemodelan molekul untuk penemuan obat
    •   simulasi komputer untuk mempelajari sensitivitas selektif obligasi oleh mechanochemistry selama grinding molekul organik.
  • Komputasi dinamika fluida simulasi digunakan untuk mensimulasikan perilaku mengalir udara, air dan cairan lainnya. Ada satu, model dua dan tiga-dimensi yang digunakan. Sebuah dimensi model orang mungkin mensimulasikan efek dari air palu dalam pipa. Sebuah model dua dimensi dapat digunakan untuk mensimulasikan kekuatan tarik pada bagian-lintas dari sayap pesawat. Sebuah simulasi tiga dimensi bisa memperkirakan persyaratan pemanasan dan pendinginan gedung besar.
    •  Pemahaman tentang teori molekul statistik termodinamika merupakan dasar apresiasi solusi molekuler. Pengembangan Potensi Teorema Distribusi (PDT) memungkinkan seseorang untuk menyederhanakan hal ini rumit untuk-ke-bumi presentasi down teori molekul.

Simulasi komputer dalam konteks praktis

Smog sekitar Karl Marx Stadt (Chemnitz), Jerman : simulasi komputer 1990
Simulasi komputer digunakan dalam berbagai konteks praktis, seperti:
•  analisis polutan udara dispersi menggunakan model dispersi atmosfer
•  desain sistem yang kompleks seperti pesawat dan juga logistik sistem.
•  desain hambatan Kebisingan untuk efek jalan mitigasi kebisingan
•  simulator penerbangan untuk melatih pilot
  • prakiraan cuaca
  • Simulasi komputer lain adalah emulasi
  • peramalan harga di pasar keuangan (misalnya Adaptive Modeler)
  • perilaku struktur (seperti bangunan dan bagian industri) di bawah tekanan dan kondisi lain
  • desain proses industri, seperti pabrik pengolahan kimia
  • Manajemen Strategis dan Studi Organisasi
  • Simulasi Reservoir untuk teknik perminyakan untuk model reservoir bawah permukaan
    •  Simulasi Rekayasa Proses alat.
  • Robot simulator untuk desain robot dan kontrol algoritma robot
  • Urban Simulasi Model yang mensimulasikan pola-pola dinamis pembangunan perkotaan dan tanggapan terhadap penggunaan lahan kota dan kebijakan transportasi. Lihat artikel lebih rinci tentang Simulasi Lingkungan Perkotaan
  • rekayasa lalu lintas untuk merencanakan atau mendesain ulang bagian dari jaringan jalan dari persimpangan tunggal atas kota-kota ke jaringan jalan raya nasional, untuk transportasi, perancangan sistem perencanaan dan operasi. Lihat artikel lebih rinci Simulasi Transportasi
  • pemodelan mobil crash untuk menguji mekanisme keselamatan dalam model-model kendaraan baru

Keandalan dan orang-orang kepercayaan dimasukkan ke dalam simulasi komputer tergantung pada validitas dari simulasi model, maka verifikasi dan validasi adalah sangat penting dalam pengembangan simulasi komputer. Aspek penting lain dari simulasi komputer adalah bahwa reproduksibilitas hasil, yang berarti bahwa model simulasi seharusnya tidak memberikan jawaban yang berbeda untuk setiap eksekusi. Meskipun ini mungkin tampak jelas, ini adalah titik khusus perhatian dalam simulasi stokastik, di mana bilangan random harus benar-benar menjadi nomor semi-acak. Pengecualian untuk reproduktifitas adalah manusia dalam simulasi loop seperti simulasi penerbangan dan permainan komputer . Berikut manusia adalah bagian dari simulasi dan dengan demikian mempengaruhi hasil dengan cara yang sulit, jika bukan tidak mungkin, untuk mereproduksi tepat.

Kendaraan produsen menggunakan simulasi komputer untuk menguji fitur-fitur keselamatan dalam desain baru. Dengan membangun salinan mobil dalam lingkungan simulasi fisika, mereka dapat menghemat ratusan ribu dolar yang lain akan diperlukan untuk membangun prototipe yang unik dan mengujinya. Insinyur dapat langkah melalui milidetik simulasi pada waktu yang tepat untuk menentukan tegangan yang diletakkan pada setiap bagian dari prototipe. Komputer grafis dapat digunakan untuk menampilkan hasil simulasi komputer. Animasi dapat digunakan untuk mengalami simulasi in-time misalnya nyata dalam simulasi pelatihan . Dalam beberapa kasus animasi juga dapat berguna dalam lebih cepat dari real-time atau bahkan lebih lambat dari mode real-time. Sebagai contoh, lebih cepat dari real-time animasi dapat bermanfaat dalam memvisualisasikan penumpukan antrian dalam simulasi manusia mengevakuasi sebuah bangunan. Selanjutnya, hasil simulasi sering dikelompokkan menjadi gambar statis menggunakan berbagai cara visualisasi ilmiah

Jebakan

Meskipun kadang-kadang diabaikan dalam simulasi komputer, sangat penting untuk melakukan analisis sensitivitas untuk memastikan bahwa keakuratan hasil yang benar dipahami. Sebagai contoh, analisis risiko probabilistik faktor penentu keberhasilan program eksplorasi ladang minyak melibatkan menggabungkan sampel dari berbagai distribusi statistik dengan menggunakan metode Monte Carlo . Jika, misalnya, salah satu parameter kunci (yaitu rasio net strata minyak-bearing) diketahui hanya satu angka yang signifikan, maka hasil simulasi tidak mungkin lebih tepat dari satu tokoh penting, meskipun mungkin (menyesatkan ) disajikan sebagai memiliki empat angka signifikan.

Model Kalibrasi Teknik

Tiga langkah berikut harus digunakan untuk menghasilkan model simulasi yang akurat: kalibrasi, verifikasi, dan validasi. Simulasi komputer yang baik di menggambarkan dan membandingkan skenario teoritis tetapi untuk model akurat studi kasus yang sebenarnya, itu harus sesuai dengan apa yang sebenarnya terjadi hari ini. Sebuah model dasar harus diciptakan dan dikalibrasi sehingga cocok dengan daerah yang sedang dipelajari. Model terkalibrasi kemudian harus diverifikasi untuk memastikan bahwa model beroperasi seperti yang diharapkan berdasarkan masukan. Setelah model tersebut telah diverifikasi, langkah terakhir adalah untuk memvalidasi model dengan membandingkan output untuk data historis dari daerah studi. Hal ini dapat dilakukan dengan menggunakan teknik statistik dan memastikan nilai R-squared memadai. Kecuali teknik ini digunakan, model simulasi dibuat akan menghasilkan hasil yang tidak akurat dan tidak menjadi alat prediksi berguna.

Model kalibrasi dicapai dengan menyesuaikan setiap parameter yang tersedia dalam rangka untuk menyesuaikan bagaimana model beroperasi dan mensimulasikan proses. Misalnya dalam simulasi lalu lintas, parameter khas termasuk melihat-depan jarak, sensitivitas mobil berikut, headway debit, dan start-up waktu yang hilang. Parameter ini mempengaruhi perilaku pengemudi seperti kapan dan berapa lama waktu yang dibutuhkan driver untuk mengubah jalur, berapa banyak driver daun jarak antara dirinya dan mobil di depannya, dan seberapa cepat itu mulai mempercepat melalui persimpangan. Mengatur parameter ini memiliki efek langsung pada jumlah volume lalu lintas yang dapat melintasi melalui jaringan jalan raya dimodelkan dengan membuat driver lebih atau kurang agresif. Ini adalah contoh dari parameter kalibrasi yang dapat fine-tuned untuk menyesuaikan dengan karakteristik yang diamati di lapangan di lokasi studi. Kebanyakan model trafik akan memiliki nilai default yang khas tetapi mereka mungkin perlu disesuaikan untuk lebih sesuai dengan perilaku pengemudi di lokasi yang sedang dipelajari.

Verifikasi model dicapai dengan memperoleh data output dari model dan membandingkannya dengan apa yang diharapkan dari data input. Misalnya dalam simulasi lalu lintas, volume lalu lintas dapat diverifikasi untuk memastikan bahwa volume sebenarnya throughput dalam model cukup dekat dengan masukan volume lalu lintas ke dalam model. Sepuluh persen adalah ambang khas yang digunakan dalam simulasi lalu lintas untuk menentukan apakah volume output yang cukup dekat dengan volume input. model simulasi menangani input model dalam cara yang berbeda sehingga lalu lintas yang masuk ke jaringan, misalnya, mungkin atau mungkin tidak mencapai tujuan yang diinginkan. Selain itu, lalu lintas yang ingin memasuki jaringan mungkin tidak dapat, jika kemacetan ada ada. Inilah sebabnya mengapa verifikasi model adalah bagian yang sangat penting dari proses pemodelan.

Langkah terakhir adalah untuk memvalidasi model dengan membandingkan hasil dengan apa yang diharapkan berdasarkan data historis dari daerah studi. Idealnya, Model harus menghasilkan hasil yang sama dengan apa yang terjadi secara historis. Hal ini biasanya diverifikasi oleh tidak lebih dari mengutip statistik R2 dari cocok. Statistik ini mengukur fraksi variabilitas yang dicatat oleh model. Nilai R2 yang tinggi tidak selalu berarti model sesuai dengan data sumur. Lain alat yang digunakan untuk validasi model adalah analisis residual grafis. Jika nilai output model yang drastis berbeda dari nilai-nilai sejarah, mungkin berarti ada kesalahan dalam model. Ini merupakan langkah penting untuk memverifikasi sebelum menggunakan model tersebut sebagai dasar untuk memproduksi model tambahan untuk skenario yang berbeda untuk memastikan setiap orang adalah akurat.

Jika keluaran tidak wajar sesuai nilai-nilai bersejarah selama proses validasi, model tersebut harus ditinjau ulang dan diperbarui untuk menghasilkan hasil yang lebih sesuai dengan harapan. Ini merupakan proses berulang-ulang yang membantu untuk menghasilkan model yang lebih realistis. Memvalidasi model simulasi lalu lintas membutuhkan membandingkan lalu lintas yang diperkirakan oleh model lalu lintas yang diamati pada sistem jalan raya dan transit. perbandingan awal adalah untuk susun perjalanan antara kuadran, sektor, atau daerah besar lainnya yang menarik.

Langkah selanjutnya adalah membandingkan lalu lintas yang diperkirakan oleh model untuk jumlah lalu lintas, termasuk penumpang transit, melintasi hambatan dibikin di daerah penelitian. Ini biasanya disebut screenlines, cutlines, dan garis penjagaan dan mungkin hambatan fisik khayalan atau aktual. garis Cordon mengelilingi daerah tertentu seperti pusat bisnis atau pusat kegiatan utama. perkiraan penumpang Transit biasanya divalidasi dengan membandingkannya dengan patronase yang sebenarnya persimpangan barisan garis-garis di sekitar daerah pusat bisnis.

Tiga sumber kesalahan dapat menyebabkan hubungan yang lemah selama kalibrasi: kesalahan input, model kesalahan, dan kesalahan parameter. Secara umum, masukan kesalahan dan kesalahan parameter dapat disesuaikan dengan mudah oleh pengguna. Namun model error disebabkan oleh metodologi yang digunakan dalam model dan mungkin tidak mudah untuk memperbaikinya. Simulasi Model biasanya dibangun menggunakan teori beberapa pemodelan yang berbeda yang dapat menghasilkan hasil yang bertentangan. Beberapa model yang lebih umum, sementara yang lainnya lebih rinci. Jika model kesalahan terjadi sebagai akibat dari ini, mungkin diperlukan untuk menyesuaikan model metodologi untuk membuat hasil yang lebih konsisten.

Untuk menghasilkan model yang baik yang dapat digunakan untuk menghasilkan hasil yang realistis, ini adalah langkah penting yang perlu diambil dalam rangka untuk memastikan bahwa model simulasi yang berfungsi dengan baik. Simulasi model dapat digunakan sebagai alat untuk memverifikasi teori rekayasa tetapi hanya berlaku, jika dikalibrasi dengan benar. Begitu perkiraan yang memuaskan dari parameter untuk semua model telah diperoleh, model harus diperiksa untuk memastikan bahwa mereka cukup melaksanakan fungsi yang mereka dimaksudkan. Proses validasi menetapkan kredibilitas model dengan menunjukkan kemampuannya untuk meniru pola lalu lintas aktual.

Pentingnya validasi model menggarisbawahi perlunya berhati-hati, ketelitian perencanaan dan akurasi program input data koleksi yang memiliki tujuan ini. Upaya-upaya harus dilakukan untuk memastikan data yang dikumpulkan sesuai dengan nilai-nilai yang diharapkan. Sebagai contoh dalam analisis lalu lintas, biasanya umum bagi seorang insinyur lalu lintas untuk melakukan kunjungan lapangan untuk memverifikasi jumlah lalu lintas dan menjadi akrab dengan pola lalu lintas di daerah tersebut. Model yang dihasilkan dan perkiraan akan ada lebih baik daripada data yang digunakan untuk estimasi model dan validasi.

Sekian artikel tentang Pengertian Simulasi Komputer, Sejarah, Jenis, dan Contohnya. Semoga bermanfaat.

Daftar Pustaka

  • Turban, Efraim, Decision Support Systems and Intellegents System, 5th Edition, Pearson/Prentice Hall, 2005.

Definisi Pemrograman Linier, Karakteristik dan Contoh Model

Definisi Pemrograman Linier, Karakteristik dan Contoh Model - Kita akan berbicara tentang Definisi Pemrograman Linier, Teori Antrian, Simulasi, Pohon Keputusan, Analisa Keputusan. Melalui artikel diharapkan dapat mengetahui tentang Definisi Pemrograman Linier, Teori Antrian, Simulasi, Pohon Keputusan, Analisa Keputusan.

Pemrograman Linier

Definisi Pemprograman Linier

Setiap perusahaan atau organisasi memiliki keterbatasan atas sumber dayanya, baik keterbatasan dalam jumlah bahan baku, mesin dan peralatan, ruang tenaga kerja, jam kerja, maupun modal. Dengan keterbatasan ini, perusahaan perlu merencanakan strategi yang dapat mengoptimalkan hasil yang ingin dicapai, baik itu berupa keuntungan maksimal atau biaya minimal. Berbagai cara lain telah ditemukan untuk tujuan itu, salah satu diantaranya pemrograman linear (Eddy, 2008).
Pemprograman linier adalah metode matematik dalam mengalokasikan sumber daya yang terbatas untuk mencapai suatu tujuan seperti memaksimalkan keuntungan atau meminimumkan biaya. Program linier berkaitan dengan penjelasan suatu kasus dalam dunia nyata sebagai suatu model matematik yang terdiri dari sebuah fungsi tujuan linier dengan beberapa kendala linier (Taha, 1993).
Program linier banyak digunakan untuk menyelesaikan masalah optimal didalam industri, perbankan, pendidikan, dan masalah-masalah lain yang dapat dinyatakan dalam bentuk linier.


Definisi Pemrograman Linier, Karakteristik dan Contoh Model_
image source: nrich.maths.org
baca juga:
Sifat Dasar / Karakteristik Pemrograman Linier

Sifat-sifat dasar atau Karakteristik Pemrograman Linear adalah sebagai berikut:
  1. Sifat linieritas suatu kasus dapat ditentukan dengan menggunakan beberapa cara. Secara statistik, cara ini dapat diperiksa kelinearan menggunakan grafik (diagram pencar).
  2. Sifat proposional dipenuhi jika kontribusi setiap variabel pada fungsi tujuan atau penggunaan sumber daya yang membatasi proposional terhadap level nilai variabel. Jika harga per unit produk misalnya adalah sama berapapun jumlah yang dibeli, maka sifat proporsional dipenuhi. Atau dengan kata lain, jika pembelian dalam jumlah besar mendapatkan diskon, maka sifat proporsional tidak dipenuhi. Jika penggunaan sumber daya per unitnya tergantung dari jumlah yang diproduksi, maka sifat proporsionalitas tidak dipenuhi.
  3. Sifat additivitas mengasumsikan bahwa tidak ada bentuk perkalian silang diantara berbagai aktivitas, sehingga tidak dapat ditemukan bentuk perkalian silang pada model. Sifat aditivitas berlaku baik bagi fungsi tujuan maupun pembatas (kendala). Sifat aditivitas dipenuhi jika fungsi tujuan merupakan penambahan langsung kontribusi masing-masing variabel keputusan.
  4. Sifat divisiabel berarti unit aktivitas dapat dibagi dalam sembarang level fraksional, sehingga nilai variabel keputusan non integer dimungkinkan.
  5. Sifat kepastian menunjukkan bahwa semua parameter model berupa konstanta. Artinya koefisien fungsi tujuan maupun fungsi pembatas merupakan suatu nilai pasti, bukan merupakan nilai dengan peluang tertentu.

Model Pemrograman Linier

Model matematis perumusan masalah umum pengalokasian sumberdaya untuk berbagai kegiatan, disebut sebagai model pemrograman linear. Model pemrogram linear ini merupakan bentuk dan susunan dalam menyajikan masalah-masalah yang akan dipecahkan dengan teknik pemrogram linear.
Masalah pemrograman linear secara umum dapat ditulis dalam bentuk umum sebagai berikut:


Persamaan (2. 1) dan (2. 2) bisa dikatakan sebagai model standar dari masalah pemrograman linear. Sebuah formulasi matematika yang sesuai dengan model ini adalah masalah program linier batas normal (Hiller, 1990).
Umumnya terminologi untuk model program linier sekarang dapat diringkas. Fungsi objektif, c1x1 c2x2+ … + cnxn, dengan kendala sebagai pembatas. Batasan m (dengan fungsi semua variabel a11x1 a12x2 + … + a1nxn) kadang-kadang disebut fungsi pembatas. Sama halnya dengan kendala x≥ 0 disebut pembatas non negatif.
Beberapa aturan bentuk program linear baku/standar (Aminudin, 2005):
  1. Semua batasan/kendala adalah persamaan (dengan sisi kanan yang non-negatif).
  2. Semua variabel keputusan adalah non-negatif.
  3. Fungsi tujuan dapat berupa maksimasi atau minimasi.

Formulasi Permasalahan
  • Masalah keputusan yang sering dihadapi analisis adalah alokasi optimum sumber daya.
  • Sumber daya dapat berupa uang, tenaga kerja, bahan mentah, kapasitas mesin, waktu, ruangan atau teknologi.
  • Tugas analisis adalah mencapai hasil terbaik dengan keterbatasan sumber daya itu.
  • Setelah masalah diidentifikasikan, tujuan ditetapkam, langkah selanjutnya adalah formulasi model matematika.
Formulasi model matematika ada 3 tahap :
  1. Tentukan variabel yang tidak diketahui dan dinyatakan dalam simbol.
  2. Membentuk fungsi tujuan yang ditunjukkan sebagai suatu hubungan linier dari variabel keputusan.
  3. Menentukan semua kendala masalah tersebut dan mengekspresikannya dalam persamaan atau pertidaksamaan.

Sekian artikel tentang Definisi Pemrograman Linier, Karakteristik dan Contoh Model. Semoga bermanfaat.

Daftar Pustaka
  • Turban, Efraim, Decision Support Systems and Intellegents System, 9th Edition, Pearson/Prentice Hall, 2011.

Definisi Kredit Konsumtif, Sejarah, Manfaat dan Karakteristiknya

Definisi Kredit Konsumtif, Sejarah, Manfaat dan Karakteristiknya - Penelitian mengenai kebijakan perkreditan yang aman untuk perbankan (secure) sebenarnya sudah banyak dibahas di dalam dan luar negeri, dikarenakan perbankan sebagai sebuah perusahaan yang ikut menjaga stabilitas ekonomi sehingga sektor ini perlu mendapat perhatian khusus.

Di negara maju seperti di Amerika Serikat (AS) sejarah kredit konsumtif dapat dikatakan relatif masih baru apabila dibandingkan dengan usia lembaga perbankan yang sudah mencapai 200 tahun. Kredit konsumtif baru berkembang sesudah perang dunia II, bersamaan dengan meningkatnya kemakmuran masyarakat, yang mengakibatkan meningkatnya permintaan barang konsumsi seperti mobil atau rumah yang sebelumnya sulit diperoleh.

Di Indonesia sejarah kredit konsumtif kiranya tidak berbeda jauh dengan pola di atas. Artinya sekalipun lembaga pemberi kredit sudah dikenal di Indonesia 200 tahun yang lalu, akan tetapi kredit yang diberikan pda saat itu terutama adalah kredit usaha untuk pedagang kecil atau petani. Kredit konsumtif itu sendiri baru marak dalam era perbankan Indonesia sejak akhir dekade 1970-an, bersamaan dengan adanya promosi intensif dari Citibank pada tahun 1977.

Manfaat kredit konsumtif (Learning Management Group, 2005) bagi masyarakat maupun individu itu sendiri adalah:
  1. Kredit konsumtif memungkinkan seseorang membeli barang/jasa yang diinginkan tanpa harus menunggu tabungannya mencukupi, sehingga dengan demikian kredit konsumtif mempercepat peningkatan kesejahteraan masyarakat.
  2. Kredit konsumtif juga dapat menggerakkan roda perekonomian masyarakat. Hal ini dikarenakan ketika seseorang membeli barang dengan bantuan kredit Bank, maka berarti ada permintaan atas barang dagangan tersebut, sehingga penjual akan memesan barang yang serupa kepada pemasok dan selanjutnya pemasok akan memesan kepada produsen.
  3. Kredit konsumtif memberikan bisnis dan keuntungan yang memadai bagi lembaga perbankan yang menyediakannya.

Dalam pemberian kredit dikenal adanya istilah kebijakan kredit. Kebijakan kredit dapat diartikan sebagai tindakan atau langkah yang menjadi pedoman pengambilan keputusan dibidang perkreditan. Secara berkala kebijakan perkreditan akan ditinjau secara berkala dan disesuaikan dengan perkembangan yang terus berubah. Dan karena kebijakan kredit mencerminkan filosofi kredit yang dianut suatu Bank, maka masing-masing Bank akan memiliki kebijakan perkreditan tersendiri (Learning Management Group, 2005).
Definisi Kredit Konsumtif, Sejarah, Manfaat dan Karakteristiknya_
image source: thewritestart.net
baca juga:
Sebagaimana telah ditetapkan oleh Bank Indonesia bahwa setiap bank umum wajib memiliki kebijaksanaan perkreditan bank (KPB) secara tertulis. Dengan adanya KPB tersebut diharapkan dapat tercapai tujuan berikut ini:
  1. Menjadi pedoman bagi seluruh satuan tugas perkreditan di dalam memproses dan mengambil keputusan kredit.
  2. Menjamin kepatuhan terhadap ketentuan dan melakukan sikap kehati-hatian di dalam pemberian kredit.
  3. Mencapai keseimbangan, antara pertumbuhan portofolio kredit konsumtif dengan risiko yang terkait.

Setiap kebijakan kredit harus memuat komponen-komponen berikut ini (Learning Management Group, 2005):
  1. Setiap Bank wajib menghindari pemberian kredit untuk tujuan spekulasi atau kredit kepada debitur bermasalah pada bank lain. Sebaliknya setiap bank akan memiliki kategori jenis peminjam/debitur yang akan menjadi target pasarnya.
  2. Kebijakan kredit harus menunjuk pejabat yang diberi kewenangan khusus dalam bidang perkreditan. Di Bank CIMB Niaga,tbk terdapat panitia kredit yang diberi wewenang sampai sejumlah tertentu untuk memberikan persetujuan kredit. Terakhir, terdapat pejabat kredit (Account officer) yang bertanggung jawab untuk melakukan supervisi terhadap perkembangan account yang dikelolanya.
  3. Kebijakan kredit harus menjabarkan cara bank di dalam melakukan evaluasi kredit seperti kapasitas , karakter, jaminan, dan lain-lain.
  4. kebijakan kredit menganut konsep hubungan total kredit, dimana persetujuan pemberian kredit didasarkan atas penilaian seluruh jenis kredit nasabah yang ada pada saat tertentu.

Consumer Product (Kredit Konsumtif)

Kredit konsumtif adalah meliputi semua bentuk pinjaman yag diberikan kepada perorangan/individu dan digunakan untuk konsumtif seperti membeli barang-barang
kebutuhan pribadi untuk digunakan sendiri, tidak untuk dijual ke pihak lain dan termasuk pula jenis pinjaman yang dijamin dengan deposito (Learning Management Group, 2005).   

Learning Management Group (2005) menyimpulkan karakteristik dari Kredit Konsumtif adalah :
  1. Kredit konsumtif memenuhi kebutuhan akan pendanaan dengan tujuan yang spesifik, seperti untuk membeli mobil, rumah, renovasi, dan lain– lain.
  2. Kredit konsumtif memiliki ketentuan yang mengikat sejak awal hingga akhir masa pinjaman yang menyangkut jangka waktu, angsuran perbulan, jaminan yang disyaratkan serta plafon pinjaman.
  3. Sebagai produk, kredit konsumtif merupakan produk massal karena ditujukan kepada semua nasabah individu yang memenuhi kriteria.
  4. Kredit konsumtif disebut juga formula lending artinya merupakan suatu bentuk pinjaman yang mempunyai rumusan yang telah disederhanakan untuk menolak atau menyetujui permohonan kredit.
  5. Kredit konsumtif adalah collateral lending artinya pemberian kredit konsumtif selalu disyaratkan jaminan karena tujuannya yang spesifik sehingga jaminan kredit dapat berfungsi sebagai bukti adanya tujuan kredit dan selain itu juga berfungsi sebagai second way out jika terjadi kemacetan kredit.

Jenis Kredit Konsumtif

Kredit konsumtif pada industri perbankan dibedakan atas 3 (tiga) jenis (Learning Management Group, 2005), yaitu:
  1. Berdasarkan cara pembayaran.
  2. Berdasarkan tujuan.
  3. Berdasarkan cara penyampaian.

Berdasarkan Cara Pembayaran

Jenis fasilitas kredit konsumtif berdasarkan cara pembayaran terdiri atas:
  1. Instalment Credit (On Liquidation Basis)
Instalment Credit adalah jenis fasilitas kredit yang mensyaratkan adanya angsuran kredit untuk pembayaran kembali kredit. Angsura kredit ini dibayar setiap bulan selama jangka waktu kredit, atau disebut juga close end credit.
  1. Revolving Credit
Revolving Credit adalah jenis fasilitas kredit yang tidak mensyaratkan adanya angsuran kredit. Pembayaran kembali kredit dilakukan pada saat jatuh tempo kredit. Kewajiban debitur setiap bulan membayar bunga kredit, atau disebut juga open end credit.

Berdasarkan Tujuan

Jenis fasilitas kredit berdasarka tujuan terbagi menjadi:
  1. Kredit pembelian tanah, rumah, ruko, dan lain-lain.
  2. Kredit pembelian kendaran.
  3. Kredit untuk serbaguna.

Secara umum ditinjau dari tujuan diatas, produk kredit konsumtif terbagi atas (Learning Management Group, 2005):
  1. Kredit Pemilikan Rumah.

Adalah fasilitas kredit yang diberikan oleh pihak Bank kepada debitur perorangan untuk membiayai sebagian kebutuhan dana untuk pembelian rumah, ruko, maupun tanah.
Syarat-syarat rumah, ruko, dan tanah yang dapat dibiayai, antara lain:
  1. Harus bersifat marketable baik ditinjau dari segi lokasi, kondisi, harga, luas tanah/bangunan maupun desain bangunan.
  2. Bersertifikat hak milik ataupun HGB (Hak Guna Bangunan) dengan jatuh tempo HGB minimum 2 tahun setelah jatuh tempo kredit.
  3. Rumah yang dibeli tidak boleh disewakan/dipindahtangankan kepada pihak lain tanpa ijin Bank selma kredit belum lunas.

Besar kredit yang dapat diperoleh dari KPR Bank Niaga adalah sesuai kamampuan nasabah dan sesuai ketentuan Bank Niaga, dengan batasan:

Tabel 1 batasan untuk pemberian besar kredit KPR
NoKategoriBesar Kredit
1Rumah baru, lokasi di Komplek Real EstateMax. 90% dari Harga Penawaran Developer
2Rumah Bekas, lokasi di Komplek Real EstateMax. 80% dari Nilai Pasar Bank Niaga
3Lokasi di Luar Komplek Real EstateMax. 80% dari Nilai Pasar Bank Niaga
4Pembelian Ruko BaruMax. 80% dari Harga Penawaran Developer
5Pembelian Ruko BekasMax. 80% dari Penilaian Bank
6Pembebasan Tanah (Kavling), di Komplek Real EstateMax. 80% dari Harga Penawaran Developer
7Pembebasan Tanah (Kavling), di luar Komplek Real EstateMax. 80% dari Penilaian Bank

  1. Kredit Pemilikan Mobil
Adalah kredit yang diberikan oleh Bank kepada debitur perorangan untuk membiayai sebagian kebutuhan pembelian mobil baru atau mobil bekas.

Syarat-syarat mobil yang dapat dibiayai, antara lain (Leraning Management Group, 2005):
  1. Jenis kendaraan adalah passenger car (tidak termasuk truk dan bis).
  2. Kendaraan digunakan untuk keperluan pribadi dan tidak disewakan.

Besar kredit yang dapat diperoleh dari KPM Bank Niaga adalah sesuai dengan kemampuan nasabah dan sesuai ketentuan Bank Niaga, dengan batasan:
  1. Untuk mobil baru, 80% dari harga penawaran dealer .
  2. Untuk mobil bekas, 80% dari dari penilaian pasar Bank Niaga.
  3. Kredit Serbaguna

Adalah kredit yang diberikan oleh Bank kepada debitur perorangan untuk membiayai sebagian kebutuhan dana, seperti:
  1. Pembangunan/renovasi rumah
  2. Pembelian peralatan kedokteran.
  3. Pendidikan.
  4. Tujuan konsumtif lainnya.
  5. Kartu Kredit

Adalah kredit yang diberikan oleh Bank kepada debitur perorangan untuk dapat membiayai berbagai kebutuhan dengan penarikan pinjaman menggunakan kartu yang dikenal sebagai Visa Card atau Master Card.

Berdasarkan Cara Penyampaian

Jenis fasilitas kredit berdasarkan cara penyampaian dibagi menjadi:
  1. Direct Loan

Adalah kredit yang diberikan langsung oleh Bank kepada nasabah (end user). Keuntungan dari cara ini adalah:
  1. Bank dapat berhubungan langsung dengan nasabah.
  2. Loan structuring dapat disesuaikan dengan kebutuhan nasabah secara langsung.
  3. Bank dapat mengawasi proses pemberian kredit kepada nasabah.
  4. Kesempatan untuk melakukan cross selling.

Kekurangan dari cara ini adalah:
  1. Employee cost relatif besar karena Bank harus menyediakan staff marketing yang cukup banyak.
  2. Kebutuhan pendidikan/training bagi staff marketing karena mereka dituntut untuk harus berkomunikasi yang baik dengan konsumen dan handal dalam memproses kredit.
  3. Indirect Loan

Adalah produk kredit yang diberikan kepada nasabah melalui pihak ketiga. Cara ini dapat dipergunakan Bank pada saat memberikan kredit untuk pembelian mobil dimana penjualannya melalui dealer-dealer yang ada.
Kelebihan cara ini adalah:
  1. Meningkatkan kerjasama dengan mitra usaha.
  2. Menambah channel of distribution.
  3. Meningkatkan efisiensi dalam biaya operasional dan promosi.
  4. Risk responsibility sharing dengan mitra usaha.

Kekurangan cara ini adalah:
  1. Bank tidak berhubungan langsung dengan nasabah.
  2. Adanya perbedaan selling practice.
  3. Masalah loyalitas mitra usaha.
  4. Kemungkinan adanya fraud dan resiko legal.

Data Collection

Data Collection adalah tahap pengumpulan informasi atas calon debitur melalui pengisian formulir permohonan kredit (credit application) yang antara lain memuat informasi mengenai penggunaan kredit, pekerjaan, pengalaman kerja, informasi data keuangan, kekayaan yang dimiliki, dan latar belakang keluarga.

Pengisian formulir aplikasi kredit yang disertai wawancara terhadap calon debitur dapat memberikan informasi awal atas diri yang bersangkutan. Langkah selanjutnya adalah pengecekan kebenaran informasi tersebut terhadap dokumentasi yang telah dilakukan. Berbeda dengan data collectiondata gathering adalah kegiatan pengumpulan data pendukung. Data pendukung yang dibutuhkan dalah dokumen yang berhubungan dengan informasi identitas nasabah, status perkawinan, jumlah tanggungan, kondisi keuangan, dan lain-lain (Learning Management Group, 2005).

Dalam pengumpulan data untuk pemberian fasilitas kredit, maka dilakukan juga Credit Evaluation (evaluasi kredit) yang dilakukan consumer banking, yang  meliputi:
  1. Analisa kualitatif (qualitative analysis)
  2. Analisa kuantitatif (quantitative analysis)
  3. Analisa jaminan (collateral analysis)

Analisa Kualitatif (Qualitative Analysis)

Analisa kualitatif dilakukan dengan cara menelaah informasi yang menyangkut beberapa hal berikut ini:
  1. Analisa “Can We”, dimana analisa ini dilakukan untuk mengetahui apakah permohonan pinjaman yang dilakukan calon debitur sesuai dengan kebijaksanaan dan ketentuan internal Bank Niaga yang telah diatur di dalam Manual P3K, seperti syarat-syarat umum peminjam.
  2. Analisa “Character”, dimana analisa ini dilakukan guna mengetahui itikad baik, kemauan dan sikap calon debitur terhadap pembayaran kembali pinjaman yang telah dinikmati. Informasi tersebut dapat diperoleh dengan melakukan checking (penyelidikan) terhadap calon debitur yang wajib dilakukan oleh staf consumer marketing.

Penyelidikan terhadap calon debitur meliputi:
  1. Daftar Kredit Macet Gabungan Bank Indonesia (DKMGBI)
  2. b. Daftar Hitam Bank Indonesia (DHBI)
  3. c. Daftar Kredit Macet Bank Niaga
  4. d. Daftar Nasabah Debitur Bank Niaga
  5. Other External Information seperti diantaranya, BI Checking, Credit Card, pengadilan, organisasi perkumpulan atau dari hasil Personal Investigation Report.

Bank Niaga menetapkan kebijaksanaan bahwa calon debitur yang pernah atau saat ini masih tercantum dalam DKMGBI dan DHBI  termasuk ke dalam negative list yang harus dihindari. Dalam tahap ini semakin banyak informasi yang relevan mengenai sikap/sifat/karakter calon debitur yang dapat diperoleh, semakin optimal upaya untuk mendapatkan kredit berkualitas.
  1. Analisa “Condition”, dimana analisa ini dilakukan guna mengetahui pengaruh situasi dan kondisi perekonomian secara makro terhadap kelangsungan sumber penghasilan calon debitur di masa akan datang, dan diharapkan bank dapat mengantisipasi risiko kredit.

Informasi yang dapat membantu analisa tersebut diantaranya:
  1. Mengetahui kebijaksanaan pemerintah terhadap usaha calon debitur.
  2. Mengetahui kondisi persaingan maupun produk substitusi dari usaha calon debitur.
  3. Faktor eksternal lainnya.

Analisa Kuantitatif (Quantitative Analysis)
Analisa kuantitatif dilakukan dengan cara menelaah informasi yang menyangkut beberapa hal berikut ini:
  1. Analisa “Capital”, dimana analisa ini dilakukan guna mendapatkan informasi harta kekayaan calon debitur sehingga diharapkan dapat menjadi back-up sumber pembayaran pinjaman bila suatu saat terjadi masalah dengan sumber pembayaran utama. Informasi perihal tersebut diantaranya dapat diperoleh melalui daftar kekayaan yang dimilki calon debitur yang dicantumkan pada aplikasi pinjaman, dari wawancara dengan debitur, dari laporan keuangan, personal investigation report, dan lain-lain.
  2. Analisa “capacity”, dimana analisa ini merupakan analisa terhadap kapasitas kemampuan calon debitur untuk memenuhi kewajibannya setiap bulan.
  3. Analisa Kapasitas kemampuan FIE, dimana bagi FIE analisa kemampuan calon debitur dilakukan dengan mengetahui angka Ratio Instalment to Disposable Income (RIDI).

Perhitungan RIDI adalah sebagai berikut:
Keterangan:
RIDI    : Ratio Instalment to Disposable Income 
Angsuran Per Bulan  : Biaya yang harus dibayarkan setiap bulannya.
DI   Disposible Income 

Nilai dari disposible income diperoleh dari penghasilan bersih setiap bulan (suami+istri) dikurangi dengan pengeluaran rutin rumah tangga per bulan (termasuk kewajiban angsuran sebelumnya). Maksimal RIDI sesuai ketentuan Bank Niaga adalah ≤ 60%. Untuk FIE, informasi penghasilan bersih diperoleh dari surat keterangan penghasilan dan/atau slip gaji karyawan/karyawati setelah dikonfirmasikan kepada perusahaan dimana calon debitur bekerja, selain itu perlu dilakukan pengecekan terhadap rekening koran/tabungan calon debitur.
  1. Analisa “Jaminan”, dimana jaminan merupakan langkah berjaga-jaga dalam kondisi kredit yang buruk, yang mungkin terjadi pada saat first way out tidak lagi dapat diandalkan. Dalam kredit konsumtif umumnya jaminan atas pinjaman adalah juga aset yang dibiayai, terkecuali untuk kredit konsumtif yang sifatnya re-financing.

Sekian artikel tentang Definisi Kredit Konsumtif, Sejarah, Manfaat dan Karakteristiknya. Semoga bermanfaat.

Daftar Pustaka
  • Turban, Efraim, Decision Support Systems and Intellegents System, 9th Edition, Pearson/Prentice Hall, 2011.

Definisi Pohon Keputusan, Konsep Dasar, dan Prosedur Pembentukan

Definisi Pohon Keputusan, Konsep Dasar, dan Prosedur Pembentukan - Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat kuat dan terkenal. Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang merepresentasikan aturan. Aturan dapat dengan mudah dipahami dengan bahasa alami. Dan mereka juga dapat diekspresikan dalam bentuk bahasa basis data seperti Structured Query Language untuk mencari record pada kategori tertentu. Pohon keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembuyi antara sejumlah calon variabel input dengan sebuah variabel target. Karena pohon keputusan memadukan antara eksplorasi data dan pemodelan, dan sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain (Kusrini, 2009).

Dasar - Dasar Decision Tree 

Secara konsep decision tree adalah salah satu dari teknik decision analysis. Tries sendiri pertama kali diperkenalkan pada tahun 1960-an oleh Fredkin. Trie atau digital tree berasal dari kata retrival (pengambilan kembali) sesuai dengan fungsinya. Secara etimologi kata ini diucapkan sebagai tree. Meskipun mirip dengan kata try, tetapi hal ini bertujuan untuk membedakannya dari general tree. dalam ilmu komputer, trie atau prefix tree adalah sebuah struktur data dengan representasi ordered tree yang digunakan untuk menyimpan associative array yang berupa string. Berbeda dengan binary search tree (BST) yang tidak ada node di tree yang menyimpan elemen yang berhubungan dengan node sebelumnya dan posisi setiap elemen di tree sangat menentukan. Semua keturunan dari suatu node mempunyai prefix string yang mengandung elemen dari node itu, dengan root merupakan string kosong. Values biasanya tidak terkandung di setiap node, hanya di daun dan beberapa node di tengah yang cocok dengan elemen tertentu.

Definisi Pohon Keputusan, Konsep Dasar, dan Prosedur Pembentukan_
image source: blog.bigml.com
baca juga:
Secara singkat bahwa decision tree merupakan salah satu metode klasifikasi pada text mining. Klasifikasi adalah proses menemukan kumpulan pola atau fungsi-fungsi yang mendeskripsikan dan memisahkan kelas data satu dengan lainnya, untuk dapat digunakan untuk memprediksi data yang belum memiliki kelas data tertentu (Jianwei Han, 2001). Pohon keputusan dikembangkan untuk membantu pengambil keputusan membuat serangkaian keputusan yang melibatkan peristiwa ketidakpastian. Pohon keputusan adalah suatu peralatan yang mengambarkan secara grafik berbagai kegiatan yang dapat diambil dan dihubungkan dengan kegiatan ini dengan berbagai peristiwa di waktu mendatang yang dapat terjadi. Seperti dalam teknik riset operasi, pohon keputusan tidak akan membuat keputusan bagi pengambil keputusan, kebijakan masih akan diperlukan. Bagaimanapun dalam berbagai situasi yang tepat, penggunaan pohon keputusan akan mengurangi kekacauan potensial dalam suatu masalah kompleks dan memungkinkan pengambil keputusan menganalisis masalah secara rasional (Sutabri, 2005).

Sebuah pohon keputusan adalah sebuah struktur yang dapat digunakan untuk membagi kumpulan data yang besar menjadi himpunan-himpunan record yang lebih kecil dengan menerapkan serangkaian aturan-aturan keputusan. Dengan masing-masing rangkaian pembagian, anggota himpunan hasil menjadi mirip satu dengan yang lain (Berry dan Linnof, 2004).

Prosedur Pembentukan Decision Tree

Decision tree adalah sebuah struktur pohon, dimana setiap node pohon merepresentasikan atribut yang telah diuji, setiap cabang merupakan suatu pembagian hasil uji, dan node daun (leaf) merepresentasikan kelompok kelas tertentu. Level node teratas dari sebuah decision tree adalah node akar (root) yang biasanya berupa atribut yang paling memiliki pengaruh terbesar pada suatu kelas tertentu. Pada umumnya decision tree melakukan strategi pencarian secara top-down untuk solusinya. Pada proses mengklasifikasi data yang tidak diketahui, nilai atribut akan diuji dengan cara melacak jalur dari node akar (root) sampai node akhir (daun) dan kemudian akan diprediksi kelas yang dimiliki oleh suatu data baru tertentu.

Sebuah model keputusan terdiri dari sekumpulan aturan untuk membagi jumlah populasi yang heterogen menjadi lebih kecil, lebih  homogen dengan memperhatikan pada variabel tujuannya. Sebuah model keputusan mungkin dibangun dengan saksama secara manual atau dapat tumbuh secara otomatis dengan menerapkan salah satu atau beberapa algoritma pohon keputusan untuk memodelkan himpunan data yang belum terklasifikasi (Kusrini, 2009).

 Variabel tujuan biasanya dikelompokkan dengan pasti dan model pohon keputusan lebih mengarah pada perhitungan probabilitas dari tiap-tiap record terhadap kategori-kategori tersebut atau untuk mengklasifikasi record dengan mengelompokkannya dalam satu kelas. Pohon keputusan juga dapat digunakan untuk mengestimasi nilai dari variabel continue meskipun ada beberapa teknik yang lebih sesuai untuk kasus ini.

Data dalam pohon keputusan biasanya dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalm pembentukan pohon keputusan. Misalkan untuk menentukan main tenis, kriteria yang diperhatikan adalah cuaca, angin, dan temperatur. Salah satu atribut merupakan atribut yang menyatakan data solusi per item data yang disebut target atribut. Atribut memliki nilai-nilai yang dinamakan dengan instance. Misalkan atribut cuaca mempunyai instance berupa cerah, berawan dan hujan (Basuki dan Syarif, 2003). Proses pada pohon keputusan adalah mengubah bentuk data (tabel) menjadi model pohon, mengubah model pohon menjadi rule, dan menyederhanakan rule (Basuki dan Syarif, 2003).

Dalam membangun decision tree menggunakan algoritma ID3 atau C4.5, yang diperkenalkan dan dikembangkan pertama kali oleh Ros Quinlan yang merupakan singkatan dari Iteractive Dichotomiser 3 atau Induction of Decision 3.  algoritma ID3 membentuk pohon keputusan dengan metode divide and conquer data secara rekursif dari atas ke bawah.
 Strategi pembentukan decision tree dengan algoritma ID3  adalah:         
  1. Pohon dimulai sebagai node tunggal (akar/root ) yang merepresentasikan semua data.
  2. Sesudah node root dibentuk, maka data pada node akar akan diukur dengan information gain untuk dipilih atribut mana yang akan dijadikan atribut pembaginya.
  3. Sebuah cabang dibentuk dari atribut yang dipilih menjadi pembagi dan data akan didistribusikan ke dalam cabang masing-masing.
  4. Algoritma ini akan terus menggunakan proses yang sama atau bersifat rekursif untuk dapat membentuk sebuah decision tree. ketika sebuah atribut telah dipilih menjadi node pembagi atau cabang, maka atribut tersebut tidak diikutkan lagi dalam penghitungan nilai information gain.
  5. Proses pembagian rekursif akan berhenti jika salah satu dari kondisi di bawah ini terpenuhi:
    1. Semua data dari anak cabang telah termasuk dalam kelas yang sama.
      1. Semua atribut telah dipakai, tetapi masih tersisa data dalam kelas yang berbeda. Dalam kasus ini, diambil data yang mewakili kelas terbanyak untuk dijadikan label kelas.
    2. Tidak terdapat data pada anak cabang yang baru. Dalam kasus ini, node daun akan dipilih pada cabang sebelumnya dan diambil data yang mewakili kelas terbanyak untuk dijadikan label kelas.

Sekian artikel tentang Definisi Pemrograman Linier, Antrian, Simulasi, dan Pohon Keputusan. Semoga bermanfaat.

Daftar Pustaka
  • Turban, Efraim, Decision Support Systems and Intellegents System, 9th Edition, Pearson/Prentice Hall, 2011.

Definisi Diagram Pengaruh, Keputusan, Resiko, dan Pemodelan

Definisi Diagram Pengaruh, Keputusan, Resiko, dan Pemodelan - Kita akan berbicara tentang Definisi Diagram Pengaruh, Pengambilan Keputusan dalam Kepastian, Ketidakpastian & Resiko, serta Pemodelan Multidimensi. Melalui artikel ini diharapkan dapat mengetahui tentang Definisi Diagram Pengaruh, Pengambilan Keputusan dalam Kepastian, Ketidakpastian & Resiko, serta Pemodelan Multidimensi.

Influence Diagram

Karakterisasi sistem merupakan pendekatan kondisi dunia nyata yang berhubungan dengan suatu permasalahan digambarkan dalam sebuah sistem. Solusi dari permasalahan didefinisikan sebagai tujuan (goal). Proses mendeskripsikan suatu sistem membutuhkan pemahaman inti dan konsep yang digunakan dalam pendekatan sistem (system approach). Permasalahan dalam dunia nyata, biasanya sangat kompleks. Jika sistem dilihat dan dideskripsikan secara keseluruhan, maka permasalahan menjadi tercampur (involved) dan tidak teratur (unmanageable). Tidak semua fitur dunia nyata relevan sebagai solusi, sehingga penjelasan secara parsial biasa digunakan. Penjelasan secara parsial biasanya disebut sebagai karakterisasi sistem. Karakterisasi sistem hanya melibatkan fitur-fitur yang relevan membuat sebuah solusi. Karakterisasi sistem merupakan proses penyederhanaan (simplification) dan idealisasi (idealization).

Definisi Diagram Pengaruh, Keputusan, Resiko, dan Pemodelan_
image source: castalia.ro
baca juga:
Sebuah sistem didefinisikan sebagai sekumpulan objek yang saling berhubungan. Objek memiliki atribut-atribut yang dideskripsikan sebagai parameter dan variabel. parameter adalah atribut intrinsik sebuah objek. Sedangkan variabel adalah sesuatu yang dibutuhkan untuk mendeskripsikan interaksi atau hubungan antar objek-objek dalam suatu sistem.

Karakterisasi sistem dapat digambarkan dalam influence diagram. Influence diagram sering digunakan untuk menggambarkan suatu pendekatan proses. Gambar di bawah menunjukkan kaidah diagram yang digunakan.

 Gambar 1 Influence Diagram
 Gambar 1 Influence Diagram

Notasi secara jelas mengidentifikasi beberapa elemen yang terlibat seperti input yang terkendali ( control inputs), input yang tidak terkendali (uncontrollable inputs), output, dan komponen sistem. Komponen-komponen sistem direpresentasikan dengan atribut-atributnya, karena hal ini berpengaruh atau berubah dengan adanya influence relationships. Masing-masing atribut ditunjukkan secara terpisah dan dapat dilihat pada variabel-variabel sistem.Untuk atribut yang dapat dihitung, variable sistem adalah nilai dari corresponding state variable. Sebagai contoh, pada production/inventory system, ‘raw material’ yang dipakai menjadi variable dan jumlah atau nilai rata-ratanya adalah nilainya. Ini akan mengurangi besarnya stock raw material. Gambar berikut merupakan contoh influence diagram pada production/inventory system.

 Gambar 2 Product Inventory_
 Gambar 2 Product Inventory

Influence Diagram atau diagram pengaruh merupakan representasi dengan grafik dari sebuah model. Beberapa berpendapat diagram pengaruh adalah model dari sebuah model. Dengan memanfaatkan komunikasi visual kemudian dilakukan pemecahan model matematika. Framework untuk menyatakan relasi model MSS:
  • Segiempat : sebuah variabel keputusan,
  • Lingkaran : variabel tak terkendali atau variabel antara,
  • Oval : variabel hasil (hasil antara atau hasil akhir),
  • Variabel terhubungkan dengan panah.

Untuk lebih jelas kembali lihat contoh – contoh berikut:
Diagram pengaruh analitika dari masalah pemasaran:

Gambar 3 Model Pemasaran
Gambar 3 Model Pemasaran
Gambar 4 Submodel Harga Analitika
Gambar 4 Submodel Harga Analitika
Gambar 5 Submodel Penjualan
Gambar 5 Submodel Penjualan

Pengambilan Keputusan dalam Kepastian, Ketidakpastian dan Resiko

Istilah probabilitas digunakan untuk mengukur data secara kuantitatif berbagai kemungkinan kejadian yang tidak pasti. Konsep probabilitas dibagi dua yaitu :

  1. Probabilitas Obyektif yang merupakan suatu konsep yang didasarkan pada frekuensi relatif dalam jangka panjang.
  2. Probabilitas Subyektif dapat diterjemahkan dengan cara orang bertaruh, misalkan taruhan sepak bola, dsb.


Variabel random merupakan variabel yang memiliki nilai yang tidak pasti, tetapi mempunyai distribusi probabilitas yang diketahui, contohnya hasil dari pertandingan sepak bola tsb merupakan variabel random, dll. Jika variabel random X terdiri dari X1, X2, X3 ....... Xn dengan probabilitas p1, p2 ...... pn ( ingat p1, p2 ...... pn = 1) kemudian nilai harapan (expected value) dari variabel random dituliskan dengan E(X), maka persamaannya adalah sbb :

E(X) = p1.X1 + p2.X2 + ...... + pn.Xn
Ex : probabilitas menghasilkan laba Rp. 400 Jt = 1/2
probabilitas menghasilkan laba Rp. 300 Jt = 1/4
probabilitas menghasilkan laba Rp. 500 Jt = 1/4
E (laba) = 1/2.(400) + 1/4.(300) + 1/4.(500)
= 200 + 75 + 125
= Rp. 400 Jt

Rumus persamaan rata-rata atau laba yang diharapkan dengan x, maka varian V(X) dari variabel random X adalah :
V(X) = p1(x1 - x)2 + p2(x2 - x)2 + ........... + pn(xn - x)2
Simbol M atau m (nilai mean) & varian dengan δ2, maka terdapat hasil akar dari varian disebut simpangan baku atau simbol s2 (standard deviation) yang digunakan untuk mengukur resiko.
Dalam analisis ketidak pastian tsb, dapat menggunakan nilai harapan & varian dari laba, harga, biaya dsb. Biasanya perusahaan dapat menaikkan nilai laba harapan hanya dengan melakukan investasi yang beresiko yang lebih tinggi, yang berarti akan menaikkan varian dari labanya. Akan tetapi, investasi yang beresiko lebih tinggi tidak selalu menaikkan nilai laba harapan dengan tingkat yang sama dengan resikonya. Hal tsb dapat dilihat pada kurva laba tumbal (opportunity profit) perusahaan.

Gambar 6 Peluang Laba
Gambar 6 Peluang Laba
Gambar 7 Kurva Indeferens
Gambar 7 Kurva Indeferens
Gambar 8 Tingkat Resiko
Gambar 8 Tingkat Resiko


Sikap Terhadap Resiko

Seseorang yang menyukai resiko (risk lover) selalu akan membayar dengan nilai yang positif, seorang yang netral terhadap resiko (risk neutral) akan membayar nol, artinya dia belum tentu akan ikut permainan ini. Seorang yang takut dengan resiko (risk averse) akan meminta uang untuk ikut permainan. Artinya :
  • Seseorang disebut risk averter bila dia tidak bersedia ikut suatu taruhan yang fair.
  • Seseorang disebut risk neutral bila dia tidak bisa dipengaruhi untuk menolak atau mengikuti suatu permainan taruhan yang fair.
  • Seseorang disebut risk lover atau risk seeker bila dia akan senang sekali mengikuti suatu permainan taruhan yang fair.

Fungsi utility pendapatan dari ketiga kelompok tsb akan berbeda, hal tsb dapat dipecahkan dengan teori utilitas harapan (expected utility teory).

Contoh Kasus:
Seseorang berpendapatan 800 ribu diajak bertaruh, dia akan menerima 100 ribu dengan probalitas 1/2 & kehilangan 100 ribu dengan probalitas 1/2. Utilitas mula-mula (initial utility) orang tsb adalah U (800 ribu). Setelah selesai bermain orang tsb akan memperoleh utilitas U (700 ribu) dengan probabilitas 1/2 & U (900 ribu) dengan probabilitas 1/2 juga. Utilitas yang diharapkan adalah sbb :
U* = 1/2U(700) + 1/2U(900)

Ini merupakan rata-rata tertimbang dari kemungkinan-kemungkinan utilitas yang berbeda tsb, akan tetapi tanpa mengikuti taruhan orang tsb mempunyai utilitas yang diharapkan sebesar U(800 ribu), tentu saja probabilitas = 1. Teori utilitas harapan mengatakan bahwa seseorang akan berperilaku untuk memaksimumkan utilitas yang diharapkannya. Oleh karena itu, dalam kasus ini jika U(Rp 800) > U*, maka orang tsb tidak akan mengikuti taruhan. Ini merupakan contoh kasus seorang yang risk averse. Jika U(Rp 800) & U* adalah sama, orang tsb indeferen, maka orang tsb bersifat risk neutral. Apabila U(Rp 800) < U*, & orang ybs masih mengikuti taruhan tsb, maka disebut risk lover.

Gambar 9 Sikap Pada Resiko
Gambar 9 Sikap Pada Resiko

Dalam setiap kasus, titik A berhubunan dengan U(Rp 700), titik B berhubungan dengan U(Rp 900), & titik C merupakan titik tengah AB, mempunyai nilai setengah dari jumlah titik A & B, berhubungan dengan U(Rp 800). Bagi seorang yang risk averse, titik D lebih tinggi dari titik C. Bagi seorang risk neutral, kedua titik tsb sama tingginya, & bagi seorang risk lover, titik B lebih tinggi dari titik C.

Langkah - Langkah Pengambilan Keputusan

Proses pembuatan keputusan merupakan inti dari setiap masalah yang dihadapt dalam dunia usaha. Secara umum, proses pengambilan keputusan dibagi menjadi 6 bagian yaitu :
  1. Pembatasan Masalah
Diarahkan pada usaha untuk menentukan dengan jelas batasan-batasan keputusan apa yang akan dibuat, ini mencakup alternatif-alternatif apa yang ada. Pada tahap ini biasanya ditanyakan : masalah apa yang dihadapi, siapa yang akan memutuskan, bagaimana keadaan yang melatarbelakangi pengambilan keputusan, & bagaimana pengaruhnya terhadap tujuan-tujuan manajemen.

Keputusan-keputusan tidak dibuat dalam ruang "hampa udara", banyak keputusan yang lahir sebagai bagian dari proses perencanaan, sementara sebagian keputusan lainnya timbul karena adanya peluang atau masalah baru. Oleh karena itu, pembatasan masalah merupakan suatu prasyarat untuk permasalahan manajemen. Bagian utama dari pembatasan masalah ini adalah pengidentifikasian latar belakang atau konteks : keputusan sektor swasta atau pemerintah?. Pengidentifikasian konteks pengambilan keputusan ini & siapa pengambil keputusannya merupakan suatu langkah besar menuju pemahaman proses pemilihan keputusan.
  1. Penentuan Tujuan
Tahap ini terdapat pertanyaan : apa tujuan pengambilan keputusan, bagaimana seharusnya si pengambilan keputusan tsb menilai hasilnya dibandingkan dengan tujuannya, bagaimana si pengambil keputusan tsb ingin mencapai tujuan yang bertentangan satu sama lain. Dalam keputusan memilih, kita harus tahu apa yang kita inginkan. Di sektor swasta, hampir semua keputusan ditujukan untuk mendapatkan laba maksimum, selisih antara TR & TC. Pada sektor pemerintah tujuannya lebih luas, pertimbangannya biasanya berdasarkan analisis/kriteria manfaat-biaya.

Namun demikian, adanya resiko & ketidakpastian dalam dunia nyata kadang-kadang menyulitkan seorang pengambil keputusan dalam memilih alternatif keputusan. Fluktuasi ekonomi makro, adanya kebijakan baru dari pemerintah, keadaan musim dll, semuanya membuat proses pencapaian tujuan menjadi tidak pasti. Oleh karena itu, faktor resiko & ketidakpastian juga harus dipertimbangkan dalam proses pengambilan keputusan yang biasanya dilakukan dengan teknik-teknik statistika.
  1. Pencarian Alternatif
Terdapat pertanyaan : apa alternatif tindakan untuk pencapaian tujuan, variabel apa saja yang dapat kita kendalikan, apa kendala yang kita hadapi dalam pencapaian tujuan. Setelah mengetahui apa yang diinginkan, tentunya akan ditanyakan apa pilihan kita. Seorang pengambil keputusan yang ideal, akan membeberkan semua kemungkinan pilihan yang ada & kemudian memilih satu di antaranya yang akan memberikan hasil yang terbaik bagi pencapaian tujuannya. Tetapi mengingat kendala keterbatasan manusia, para pengambil keputusan tidak bisa mengharapkan untuk dapat mengidentifikasi & mengevaluasi semua kemungkinan pilihan. Biayanya akan terlalu tinggi, namun demikian beberapa pilihan alternatif yang paling menarik tetap ada & harus kita pilih.
  1. Peramalan Dampak
Pada tahap ini diamati : bagaimana konsekuensi dari setiap alternatif pilihan, jika hasil yang diharapkan tidak pasti bagaimana sifatnya, dapatkan informasi yang lebih baik diperoleh untuk meramalkan suatu hasil. Tugas peramalan konsekuensi ini tergantung pada keadaannya; bisa dilakukan secara langsung atau diabaikan sama sekali. Kadangkala, perhitungan secara aritmatis sederhana sudah cukup, tetapi bisa juga dengan menggunakan statistik atau ekonometrika, atau dapat dengan deterministik jika keadaannya pasti & dengan model probabilistik jika pengambilan keputusan dalam keadaan yang mengandung resiko atau ketidakpastian.
  1. Penentuan Pilihan
Setelah semua analisis selesai dilakukan, kita bisa menentukan pilihan yang paling kita inginkan. Setelah seorang pengambil keputusan menetapkan konteks permasalahan, menetapkan tujuan dan mengidentifikasi alternatif-alternatif yang tersedia, bagaimana caranya untuk memilih satu pilihan yang diinginkan.

Jika semua variabel dalam proses pengambilan keputusan (ex : tujuan dan hasilnya) bisa dikuantifikasikan, maka kita dapat menggunakan beberapa metode tertentu untuk menetapkan keputusan yang paling optimal. Metode-metode tsb antara lain : analisis marginal, programasi linier, pohon keputusan (decision trees), analisis manfaat-biaya, dsb. Pendekatan ini tidak saja penting, untuk perhitungan keputusan yang optimal tetapi juga untuk mengetahui mengapa keputusan tsb optimal.
  1. Analisis Sensitivitas
Terdapat hal-hal yang perlu diperhatikan : bagaimana sifat dari masalah yang menentukan pilihan tindakan yang optimal tsb, bagaimana pengaruh perubahan keadaan-keadaan tertentu terhadap keputusan yang optimal yang diambil; apakah pilihan tsb peka terhadap perubahan-perubahan variabel ekonomi utama yang terabaikan oleh si pengambil keputusan tsb.

Dalam menyelesaikan suatu masalah, penting bagi kita untuk memahami & mampu menjelaskan kepada orang lain mengapa kita memilih keputusan tsb. Pilihan tsb tidak lahir begitu saja. Pilihan tsb tergantung pada tujuan yang dipilih, cara perumusan masalah, metode & peramalan hasilnya. Oleh karena itu, analisis sensitivitas menjelaskan bagaimana suatu keputusan yang optimal akan berubah jika fakta-fakta ekonomi utama berubah.

Analisis sensitivitas ini mempunyai beberapa kegunaan yaitu :
  1. memberikan faktor-faktor kunci dalam permasalahan yang mempengaruhi keputusan
  2. menulusuri perubahan-perubahan variabel yang tidak diyakini manajer tsb
  3. menghasilkan solusi dalam kasus proses pengulangan pengambilan keputusan jika keadaan-keadaan tertentu dimodifikasi

Sekian artikel tentang Definisi Diagram Pengaruh, Keputusan, Resiko, dan Pemodelan. Semoga bermanfaat.

Daftar Pustaka
  • Turban, Efraim, Decision Support Systems and Intellegents System, 9th Edition, Pearson/Prentice Hall, 2011.

Pengertian DSS (Decision Support System), Karakteristik, dan Komponen

Pengertian DSS (Decision Support System), Karakteristik, dan KomponenKita akan berbicara tentang Definisi DSS, Karakteristik DSS, Kemampuan DSS, Komponen DSS. Melalui artikel ini diharapkan dapat mengetahui tentang Definisi DSS, Karakteristik DSS, Kemampuan DSS, Komponen DSS.

Definisi DSS (Decision Support System)

DSS (Decision Support System) sebagai sebuah sistem yang dimaksudkan untuk mendukung para pengambil keputusan manajerial dalam situasi pengambilan keputusan semi terstruktur. DSS dimaksudkan untuk menjadi alat bantu bagi para pengambil keputusan untuk memperluas kemampuan meraka, namun tidak untuk menggantikan penilaian mereka. DSS ditujukan untuk keputusan yang memerlukan penilaian atau pada keputusan yang sama sekali tidak dapat didukung oleh algoritma.

DSS (Decision Support System) merupakan bagian dari sistem informasi berbasis komputer (termasuk sistem berbasis pengetahuan (manajemen pengetahuan). Sistem informasi sangat penting untuk mendukung proses pengambilan keputusan . Dimana system informasi mempunyai tujuan untuk mendukung sebuah aplikasi Decision Support System (DSS) yang telah dikembangkan pada tahun 1970. Keefektifan dalam mengembangkan DSS diperlukan suatu pemahaman tentang bagaimana system informasi ini dapat digunakan dalam proses pengambilan keputusan, sehingga DSS ini dapat membantu seorang manajer dalam meningkatkan kinerjanya dalam mengambil suatu keputusan.

Hal yang perlu ditekankan di sini adalah bahwa keberadaan DSS bukan untuk menggantikan tugas-tugas manajer, tetapi untuk menjadi sarana penunjang (tools) bagi mereka. DSS sebenarnya merupakan implementasi teori-teori pengambilan keputusan yang telah diperkenalkan oleh ilmu-ilmu seperti operation research dan management science. Hanya bedanya adalah bahwa jika dahulu untuk mencari penyelesaian masalah yang dihadapi harus dilakukan perhitungan iterasi secara manual (biasanya untuk mencari nilai minimum, maksimum, atau optimum), saat ini komputer PC telah menawarkan kemampuannya untuk menyelesaikan persoalan yang sama dalam waktu relatif singkat.

Dalam kedua bidang ilmu di atas, dikenal istilah decision modeling, decision theory, dan decision analysis - yang pada hakekatnya adalah merepresentasikan permasalaha dan manaje-men yang dihadapi setiap hari ke dalam bentuk kuantitatif (misalnya dalam bentuk model matematika). Contoh-contoh klasik dari persoalan dalam bidang ini adalah linear programming, game's theory, transportation problem, inventory system, decision tree, dan lain sebagainya. Dari sekian banyak problem klasik yang kerap dijumpai dalam aktivitas bisnis perusahaan sehari-hari, sebagian dapat dengan mudah disimulasikan dan diselesaikan dengan menggunakan formula atau rumus-rumus sederhana. Tetapi banyak pula masalahan yang ada sangat rumit sehingga membutuhkan kecanggihan komputer.

Pengertian DSS (Decision Support System), Karakteristik, dan Komponen_
image source: idessa.org
baca juga:
Decision Support System ( DSS ) merupakan progresi alamiah dari system pelaporan informasi dan system pemrosesan transaksi. DSS bersifat interaktif, system informasi yang berbasis komputer yang menggunakan model keputusan dan secara khusus menggunakan database untuk membantu proses pengambilan keputusan bagi manajer dan pengguna akhir Informasi dihasilkan dalam bentuk laporan periodik dan khusus dan output dari model matematika dan sistem pakar.

Menurut Little (1970) mendefinisikan DSS sebagai sekumpulan prosedur berbasis model untuk data pemrosesan dan penilaian guna membantu para manajer dalam pengambilan keputusan. Dia menyatakan bahwa untuk berjalan dengan sukses, sistem tersebut harus sederhana, cepat, mudah dikontrol, adaptif, lengkap dengan isu-isu penting dan mudah berkomunikasi.

Alter (1980) mendefinisikan DSS dengan membandingkannya dengan EDP (Electronic Data Processing) sebagai berikut :

Tabel 1 Perbandingan DSS dan EDP
Dimensi DSS EDP
Penggunaan Aktif Pasif
Pengguna Lini manajemen dan staf Klerikal
Tujuan Keefektifan Efisiensi mekanis
Horison Waktu Sekarang dan masa datang Masa lalu
Tujuan Fleksibilitas Konsistensi

Moore dan Chang (1680) berpendapat bahwa DSS dapat menangani situasi semi terstruktur dan tidak terstruktur. Sebuah masalah dapat dijabarkan menjadi masalah terstruktur dan tidak terstruktur dilihat dari si pengambil keputusan atau suatu situasi spesifik.

Karakteristik DSS

Karakteristik utama dari DSS adalah adanya kemampuan pemodelan. Model adalah representasi sederhana atau penggambaran dari kenyataan, terdapat 3 model:
  1. Iconic (Scale).
Replika fisik dari sistem, biasanya dalam skala tertentu dari bentuk aslinya.
Contoh: GUI pada OOPL
  1. Analog
Tak seperti sistem yang sesungguhnya tetapi berlaku seperti itu. Lebih abstrak daripada model Iconic dan merupakan representasi simbolis dari kenyataan.
Contoh: bagan organisasi, peta, bagan pasar modal, speedometer.
  1. Matematis (Kuantitatif)
Kompleksitas hubungan dalam sistem organisasi tak dapat direpresentasikan dengan Iconic maupun Analog, karena klau pun bisa akan memakan waktu lama dan sulit. Analisis DSS mengunakan perhitungan numerik yang dibantu dengan model Matematis atau model kuntitatif lainnya.
  • Komponen-komponen Model Kuantitatif:
Struktur umum dari model

Gambar 1 Model Kuantitatif
Gambar 1 Model Kuantitatif

Tabel 2 Contoh-contoh dari komponen model:
Area Decision Variables Result Variables Uncontrollable Variables
Investasi keuangan Alternatif dan jumlah investasi, lama investasi, kapan berinvestasi Laba total, risiko, rate of return, pendapatan per saham, tingkat likuiditas. Tingkat inflasi, rata-rata persaingan
Pemasaran Anggaran periklanan, dimana beriklan Pangsa pasar, kepuasan pelanggan Pendapatan pelanggan, tindakan pesaing
Industri Manufaktur Apa dan berapa banyak yang diproduksi, tingkat inventori, program kompensasi Biaya total, tingkat kualitas, kepuasan karyawan Kepastian mesin, teknologi, harga bahan mentah
Akuntansi Penggunaan komputer, jadwal audit Biaya pemrosesan data, tingkat kesalahan Teknologi komputer, pajak, persyaratan umum
Transportasi Jadwal pengiriman Biaya transportasi total Jarak pengiriman, regulasi
Jasa Tingkat pengelolaan staf Kepuasan pelanggan Permintaan akan jasa/layanan
  • Proses Pemodelan
Berikut ini adalah proses yang terjadi pada pemodelan:

Trial And Error
Trial & error dengan sistem yang nyata. Tapi sistem ini tak berjalan bila: terlalu banyak alternatif untuk dicoca, akibat samping dari error yang terjadi besar pengaruhnya, lingkungan itu sendiri selalu berubah

Simulasi
Simulasi adalah sebuah teknik untuk melakukan eksperimen dengan sebuah komputer pada sebuah model dari sebuah sistem manajemen. Simulasi merupakan model DSS yang paling umum digunakan. Simulasi merupakan suatu model deskriptif. Tidak ada pencarian otomatis untuk suatu solusi yang optimal. Model simulasi menggambarkan atau memprediksi karakteristik suatu sistem di bawah kondisi yang berbeda. Proses simulasi biasanya mengulangi sebuah eksperimen, berkali-kali untuk mendapatkan estimasi mengenai efek keseluruhan dari tindakan-tindakan.

Optimisasi
Pemrograman linier adalah salah satu teknik yang cukup terkenal dalam perhitungan optimalisasi pada pemrograman matematika. Karakteristik pemrograman linier antara lain :
  1. Terbatasnya jumlah sumber daya ekonomi yang tersedia untuk dialokasikan
  2. Sumber daya yang digunakan untuk memproduksi produk atau jasa
  3. Ada dua atau lebih cara dimana sumber daya dapat digunakan, masing-masing disebut solusi atau program.
  4. Masing-masing aktivitas (produk atau jasa) dimana sumber daya digunakan menghasilkan tujuan
  5. Alokasi biaya dibatasi pada beberapa batasan dan persyaratan yang disebut konstrain.

Penggunaan pemrograman matemática, khususnya dalam pemrograman linier cukup umum digunakan selama ini. Ada beberapa program komputer standar yang tersedia antara lain Excel, Lotus dan program spreadsheet lainnya. Demikian pula adalah mudah untuk mengantarmuka perangkat lunak optimalisasi lanilla dengan Excel, sistem manajemen database, dan peralatan lanilla. Model optimalisasi yang paling umum dapat dipecahkan dengan berbagai pemrograman matematika antara lain :
  1. Penugasan
  2. Pemrograman dinamis
  3. Pemrograman tujuan
  4. Investasi dalam memaksimalkan rate of return
  5. Pemrograman linier dan integer
  6. Model jaringan untuk perencanaan dan penjadwalan
  7. Pemrograman non linier
  8. Penggantian (anggaran model)
  9. Model inventori
  10. Transportasi (meminimalkan biaya pengiriman)

Heuristic
Heuristik berasal dari bahasa Yunani dari kata discovery yaitu aturan keputusan yang mengatur bagaimana sebuah masalah harus dipecahkan. Biasanya heuristik dikembangkan berdasarkan basis analisis yang solid terhadap masalah. Contoh-contoh pemrograman heuristik dapat dilihat pada tabel berikut ini :

Tabel 3 Contoh Heuristic
Contoh Masalah Penyelesaian Masalah
Pekerjaan berurutan melalui sebuah mesin Melakukan pekerjaan yang pertama dan memerlukan least time
Pembelian saham Jika rasio harga dibandingkan pengeluaran lebih dari 10, tidak membeli saham
Travel Tidak menggunakan jalan bebas hambatan antara jam 8 dan 9 pagi
Investasi kapital pada proyek berteknologi tinggi Mempertimbangkan proyek dengan periode pengembalian estimasi kurang dari 2 tahun
Pembelian sebuah rumah Membeli hanya di lingkungan yang strategis, tapi hanya membeli dalam rentang harga yang lebih rendah.

Pengambil keputusan menggunakan heuristik atau aturan utama dengan berbagai alasan yang masuk akal. Sebagai contoh, pengambil keputusan dapat menggunakan sebuah heuristik jika mereka tidak mengetahui cara terbaik untuk memecahkan masalah atau jika teknik optimalisasi belum dilakukan. Proses heuristik dapat dijelaskan sebagai pengembangan berbagai aturan untuk membantu memecahkan masalah-masalah rumit atau sub masalah final dengan menemukan jalur yang paling menjanjikan dalam mencari solusi, menemukan cara-cara mendapatkan dan menginterpretasi informasi yang senantiasa berubah, dan kemudian mengembangkan metode-metode yang memimpin kepada satu algoritma komputasional atau solusi umum.

Aplikasi heuiristik cocok untuk situasi-situasi sebagai berikut :
  1. Data input tidak pasti atau terbatas
  2. Realitas terlalu kompleks, sehingga model optimalisasi tidak dapat digunakan
  3. Algoritma eksak yang reliabel tidak tersedia
  4. Masalah-masalah kompleks tidak ekonomis untuk optimalisasi atau simulasi atau memerlukan waktu komputasi yang berlebihan
  5. Memungkinkan untuk efisiensi proses optimalisasi
  6. Pemrosesan simbolik daripada numerik dilibatkan
  7. Keputusan harus dibuat dengan cepat dan komputerisasi tidak layak

Keuntungan heuristik :
  1. Mudah dipahami dan karena itu lebih mudah untuk diimplementasikan dan dijelaskan
  2. Membantu orang-orang untuk kreatif dan mengembangkan heuristik untuk masalah-masalah lain
  3. Menghemat waktu formulasi
  4. Menghemat persyaratan pemrograman komputer dan persyaratan penyimpanan
  5. Menghasilkan banyak solusi yang dapat diterima

Keterbatasan heuristik :
  1. Tidak dapat menjamin solusi optimal, kadang-kadang batasan mengenai nilai obyektif sangat buruk.
  2. Mungkin terlalu banyak perkecualian pada aturan-aturan yang tersedia
  3. Kesaling tergantungan dari satu bagian sebuah sistem kadang-kadang dapat berpengaruh besar pada sistem keseluruhan.

Tabel 4 Kategori-kategori Model
Kategori Proses dan Tujuan Teknik yang Digunakan
Optimalisasi masalah sebagai alternatif Menemukan solusi terbaik dari beberapa alternatif yang ada Tabel keputusan, pohon keputusan
Optimalisasi melalui algoritma Menemukan solusi yang terbaik dari sejumlah besar alternatif dengan menggunakan proses pendekatan step by step Model pemrograman matematika linier dan model jaringan
Optimalisasi dengan rumusan analitik Menemukan solusi terbaik dalam satu langkah dengan menggunakan suatu rumus Beberapa model inventory
Simulasi Menemukan satu solusi terbaik diantara berbagai alternatif yang dipilih dengan menggunakan eksperimen Beberapa tipe simulasi
Heuristik Menemukan satu solusi yang cukup baik dengan menggunakan aturan-aturan Pemrograman heuristik, sistem pakar
Model-model prediktif Memprediksi masa depan untuk skenario yang ditentukan Model forecasting, analisisi markov
Model-model lainnya Memecahkan kasus what-if dengan menggunakan rumus Pemodelan keuangan

Kemampuan DSS
  1. DSS menyediakan dukungan untuk pengambil keputusan, terutama pada situasi semi terstruktur dan tidak terstruktur, dengan menyertakan penilaian manusia dan informasi terkomputerisasi. Masalah-masalah tersebut tidak dapat dipecahkan oleh sistem komputer secara baik atau metode kuantitatif lainnya
  2. Dukungan untuk semua level manajerial, dari eksekutif puncak sampai manajer bawah.
  3. Dukungan untuk individu atau kelompok. Masalah yang kurang terstruktur sering memerlukan keterlibatan individu dari departemen dan divisi yang berbeda atau bahkan dari organisasi lainnya.
  4. DSS menyediakan dukungan ke perbagai keputusan yang berurutan atau saling berkaitan.
  5. DSS mendukung perbagai fase proses pengambilan keputusan
  6. DSS mendukung di berbagai proses dan gaya pengambilan keputusan

Gambar 2 Kemampuan DSS
Gambar 2 Kemampuan DSS
  1. DSS selalu bisa beradaptasi sepanjang masa, dimana pengambil keputusan seharusnya reaktif, dapat menghadapi perubahan kondisi secara cepat, dan dapat beradaptasi untuk menentukan DSS dalam memenuhi perubahan yang terjadi.
  2. DSS mudah digunakan, user harus merasa nyaman dengan sistem ini
  3. Peningkatan yang efektif dalam pengambilan keputusan
  4. Pengambil keputusan memegang kontrol penuh terhadap proses pengambilan keputusan. DSS secara khusus ditujukan untuk mendukung, bukan menggantikan pengambil keputusan.
  5. DSS mengarah pada pembelajaran, yaitu mengarah pada kebutuhan baru dan penyempurnaan sistem.
  6. User harus mampu menyusun sendiri sistem yang sederhana. Sistem yang lebih besar dapat dibangun dalam organisasai user tadi dengan melibatkan sedikit saja bantuan dari spesialis SI.
  7. DSS biasanya mendayagunakan berbagai model dalam menganalisis berbagai keputusan.
  8. DSS dalam tingkat lanjut dilengkapi dengan knowledge yang bisa memberikan solusi yang efisien dan efektif dari berbagai masalah yang pelik.

Komponen DSS
  1. Data Management
Termasuk database, yang mengandung data yang relevan untuk berbagai situasi dan diatur oleh software yang disebut Database Management System (DBMS)
  1. Model management
Melibatkan model finansial, statiskal, management science atau berbagai model kuantitafif lainnya, sehingga dapat memberikan ke sistem suatu kemampuan analitis, dan manajemen software yang diperlukan.
  1. Communication (dialog subsystem)
User dapat berkomunikasi dan memberikan perintah pada DSS melalui subsistem ini. Ini berarti menyediakan antar muka
  1. Knowledge management
Subsistem optional ini dapat mendukung subsistem lain atau bertindak sebagai komponen yang berdiri sendiri.

Gambar 3 Knowledge Management
Gambar 3 Knowledge Management

Sekian artikel tentang Pengertian DSS (Decision Support System), Karakteristik, dan Komponen. Semoga bermanfaat.

Daftar Pustaka

  • Turban, Efraim, Decision Support Systems and Intellegents System, 9th Edition, Pearson/Prentice Hall, 2011.

Please enable / Bitte aktiviere JavaScript!
Veuillez activer / Por favor activa el Javascript![ ? ]