2010100605STIFBab2

BAB 2

LANDASAN TEORI

2.1.

Supply Chain Management (SCM)

Supply chain adalah jaringan perusahaan-perusahaan yang secara bersama-sama

bekerja

untuk

menciptakan dan

menghantarkan suatu produk ke

tangan pemakai akhir

(dalam hal

ini konsumen). Perusahaan-perusahaan tersebut biasanya termasuk supplier,

pabrik, distributor, toko atau pengecer, serta perusahaan-perusahaan pendukung seperti

perusahaan jasa logistik.

Pada suatu supply chain biasanya ada

tiga

macam aliran yang harus dikelola,

seperti yang terlihat pada Gambar 2.1. Pertama adalah aliran barang yang mengalir dari

hulu (upstream) ke hilir (downstream). Contohnya adalah bahan baku yang dikirim dari

supplier ke pabrik. Setelah produk selesai diproduksi, mereka dikirim ke distributor, lalu

ke pengecer atau retailer, kemudian ke pemakai akhir. Yang kedua adalah aliran

uang

dan

sejenisnya

yang

mengalir

dari

hilir

hulu.

Yang

ketiga adalah aliran

informasi

yang dapat terjadi dari hulu ke hilir ataupun sebaliknya.

Informasi

tentang persediaan

produk

yang

masih

ada

masing-masing

supermarket

sering dibutuhkan

oleh

distributor

maupun

pabrik.

Informasi

tentang

ketersediaan kapasitas produksi yang dimiliki oleh supplier juga sering dibutuhkan oleh

pabrik.

Informasi

tentang status

pengiriman

bahan

baku

sering dibutuhkan

oleh

perusahaan yang mengirim maupun yang akan menerima. Perusahaan pengapalan harus

membagi informasi seperti ini supaya pihak-pihak yang berkepentingan dapat

memonitor untuk kepentingan perencanaan yang lebih akurat.

Finansial

: invoice, temp pembayaran

Material : bahan baku, komponen, produk jadi

Informasi : kapasitas, status pengiriman, quotation

Supplier

Tier 2

Supplier

Tier 1

Manufacturer

Distributor

Ritel /

Toko

Finansial

: pembayaran

Material

: retur, recycle, repair

Informasi

: order, ramalan, RFQ / RFP

Gambar 2.1. Simplifikasi Model Supply Chain dan Tiga Macam Aliran yang

Dikelola

Seperti

yang terlihat

pada

Gambar

2.2,

supply

chain

management

adalah

serangkaian pendekatan yang digunakan untuk mengintegrasikan supplier secara efisien,

manufaktur,

gudang dan

toko-toko,

sehingga

barang-barang dapat

diproduksi

dan

didistribusikan dengan

jumlah yang tepat, ke

lokasi yang tepat, dan waktu yang tepat

juga, dengan maksud menimimalkan keseluruhan sistem. Jadi supply chain management

tidak hanya berorientasi pada urusan internal sebuah perusahaan, melainkan juga urusan

eksternal

yang menyangkut

hubungan

dengan

perusahaan-perusahaan

partner.

Kolaborasi

dan

koordinasi antar

perusahaan

dibutuhkan

karena

perusahaan-perusahaan

berada

pada suatu

supply

chain

yang

pada

intinya

ingin

memuaskan konsumen

akhir

yang sama,

mereka

harus

bekerjasama

untuk

membuat

produk yang murah,

mengirimkannya tepat waktu, dan dengan kualitas yang bagus.

Berdasarkan pendapat

Turban,

Rainer, Porter (2004, p321), terdapat

tiga

macam komponen dalam supply chain, yaitu :

1. Rantai Persediaan Hulu (Upstream Supply Chain)

Bagian hulu (upstream) dari supply chain meliputi aktivitas dari suatu perusahaan

manufaktur dengan para penyalurannya (dapat berupa manufaktur, assembler, dan

atau kedua-duanya) dan koneksi

mereka kepada para

penyalur

mereka

(penyalur

second-tier).

Hubungan para penyalur dapat diperluas kepada beberapa strata, semua jalan dari

asal material (contohnya : bijih tambang, pertumbuhan tanaman). Di dalam rantai

persediaan hulu (upstream supply chain), aktivitas yang utama adalah pengadaan.

Manajemen Rantai Persediaan Internal (Internal Supply Chain Management)

Bagian

internal

dari

supply

chain

meliputi semua

proses

pemasukan

barang

gudang yang digunakan dalam mentransformasikan masukan dari hilir ke hulu. Di

dalam manajemen rantai persediaan internal, perhatian utamanya antara lain:

produksi, pabrikasi, dan pengendalian persediaan.

3. Rantai Persediaan Hilir (Downstream Supply Chain)

Hilir

(downstream)

supply

chain

meliputi

semua

aktivitas

yang melibatkan

pengiriman

produk

kepada pelanggan

akhir.

dalam

rantai

persediaan

hilir,

perhatian

utamanya diarahkan

pada

distribusi,

pergudangan,

transportasi,

dan

pelayanan.

Gambar 2.2. Aliran Barang dan Informasi dalam Supply chain

2.2.

Supply Chain Management dan Logistics Management

Menurut perkembangan

logistik

tradisional, biasanya

terbatas pada

satu

perusahaan atau

organisasi dalam upaya

mengkoordinasikan semua

kegiatan

yang

diperlukan dalam

pengiriman

produk

ke pasar.

Kegiatan-kegiatan

tersebut

meliputi

pengadaan (procurement), ditribusi

(distribution), pemeliharaan (maintenance) dan

manajemen (management), seperti yang terlihat pada Tabel 2.1.

Berikut penjelasan terperinci mengenai persamaan antara

supply

chain

management dengan logistics management :

Keduanya menyangkut pengelolaan arus barang atau jasa.

Keduanya

menyangkut

pengelolaan

mengenai

pembelian,

pergerakan,

penyimpanan, pengangkutan, administrasi dan penyaluran barang.

Keduanya menyangkut usaha untuk meningkatkan efisiensi dan efektivitas

pengelolaan barang.

Disamping persamaan-persamaan

tersebut,

ada

beberapa perbedaan

mendasar

diantara keduanya, antara lain dapat disebutkan sebagai berikut :

Tabel 2.1.

Perbedaan Mendasar Manajemen Logistik dan Manajemen Rantai

Persediaan

MANAJEMEN LOGISTIK

(Logistics Management)

MANAJEMEN RANTAI PERSEDIAAN

(Supply chain Management)

Mengutamakan pengelolaan, termasuk arus

barang dalam perusahaan.

Mengutamakan

arus

barang

antar

perusahaan,

dari paling hulu sampai paling hilir.

Berorientasi pada perencanaan dan kerangka

kerja

yang

menghasilkan

rencana

tunggal arus

barang dan informasi diseluruh perusahaan.

Atas

dasar

kerangka

kerja

ini,

mengusahakan

hubungan

dan

koordinasi antar

proses

dari

perusahaan-perusahaan

lain

dalam business

pipelines, mulai

dari

supplier

sampai

kepada

pelanggan.

Seperti yang terlihat pada Gambar 2.3, manajemen logistik secara umum dapat

didefinisikan sebagai berikut :

Manajemen logistik sebagai proses yang secara strategik mengatur pengadaan

bahan

(procurement), perpindahan

dan

penyimpanan

bahan,

komponen

dan

penyimpangan

barang

jadi

(dan

informasi

terkait) melalui

organisasi

dan

jaringan pemasarannya dengan cara tertentu sehingga keuntungan dapat

dimaksimalkan baik untuk jangka waktu

sekarang maupun waktu mendatang

melalui pemenuhan pesanan

dengan

biaya yang

efektif

(Martin Christopher,

1998).

Sedangkan definisi

manajemen rantai persediaan

itu sendiri kurang lebih

sebagai berikut :

Supply chain

management

adalah

jaringan

organisasi

yang melibatkan

hubungan upstream dan downstream dalam proses dan aktivitas yang berbeda

yang

memberi

nilai

dalam bentuk

produk

dan

jasa pada

pelanggan

(Martin

Christopher, 1998).

Karena itu,

seperti

dijelaskan

dan

digambarkan

sebelumnya,

maka

pada

hakikatnya suatu supply chain adalah juga suatu jaringan. Maka, dalam mengembangkan

ide ini, supply chain juga dapat didefinisikan sebagai berikut :

Supply chain

a network of

connected

and

interdependent

organization

mutually and cooperatively working together to control, manage and improve

the flow of materials and information from suppliers to end user (J. Aitken).

----------------------------------

Infonualion flow

Keterangan :

MRP

MaterialResources Planning

MPS

Master Production Scheduling

DRP

Dristribution Resorces Planing

ning

EDI

Electronic DataInterchange

--------------Cuomerrelationshipmanagement ------------,

Customer service

management

----

[

o_e_m_a_n_d_man_age m_e_n_t

------------

Order

lfillment

--------------

Manuf actured

flow management

-----------,

Procum bent

Prod uct

development

and

commercialization

--------

Returns chan

------------

Perfom

ance m

etrics

------------

Gambar

2.3. Logistics Mallagemellt

(::1Jmber:

The International Center for Cbmpetitive Excellence, UniversityofNorth

Florida)

2.2.1.

Area Utama pada Supply Chain

Berdasarkan

pendapat Hugos

(Essential

SCM,2003),

terdapat

banyak

kegiatan

umum

sepanjang supply

chain.

Kegiatan

umum

ini

memungkinkan

untuk

menhasilkan

model

dasar

yang memungkinkan

berbagai

jenis

supply

chain

untuk

memuaskan tuntutan pasar yang unik dan memenangkannya, hal ini seperti terlihat pada

Gambar 2.4.

Model dasar ini meliputi pengambilan keputusan berikut daerah-daerah dimana

semua unsur dalam supply chain

harus

membuat keputusan secara individu atau

bersama-sama:

Production

Tujuannya

adalah

menghasilkan

apa

keinginan

pasar,

pada

waktu

yang tepat

dengan

volume

produksi

yang cukup.

Untuk

mencapai

tujuan,

perlu

dipertimbangkan

keterbatasan

yang sesuai

seperti

kapasitas dan

tingkat

kualitas

yang

diinginkan

serta

memperhitungkan

fungsi-fungsi

penting lainnya

seperti

kapasitas beban kerja, pemeliharaan peralatan, dan sebagainya.

Inventory

Apa saja level persediaan dari berbagai SKU harus ditebar dalam berbagai tahap di

seluruh supply

chain?

Tingkat persediaan

bertindak sebagai

buffer

dan

mengamankan bisnis dari fluktuasi permintaan.

Location

Merupakan sepanjang supply chain yang akan menjadi berbagai macam

fasilitas.

Mengenai pengambilan keputusan penting lainnya akan menjadi lokasi yang

optimal untuk

berbagai

fasilitas, gudang, dan penyimpanan. Keputusan

lainnya

terkait tentang mendirikan fasilitas baru.

Transportasi

Kebutuhan untuk memindahkan inventori dari satu titik ke titik yang lain di

seluruh supply chain merupakan salah satu fungsi penting dalam manajemen

supply

chain

yang membutuhkan

isu

penting lainnya

dalam

pengambilan

keputusan. Pertanyaannya adalah bagaimana barang harus dipindahkan dan jenis

transportasi

apa

yang

harus

dipilih?

Jawabannya

dapat

berbeda-beda

untuk

berbagai

jenis produk, dan juga jenis pasar (yang terseleksi secara

geografis dan

berbeda menurut perlengkapan infrastuktur).

Informasi

Bagian

ini

lebih

menekankan

pada pengambilan

keputusan

tentang

kebutuhkan

level

dalam pengumpulan

data

dan

pembagian

data.

Terdapat

hal-hal

yang baik

dalam

pembuatan pembagian

informasi

tetapi juga menghasilkan

banyak

resiko

terkait.

Hal

ini

juga berlaku

mengenai

pengumpulan data,

database

yang

besar

yang

mengarah

kepada

pembuatan

keputusan

yang lebih

tepat

tetapi

juga dapat

menjadi mahal.

Gambar 2.4. Lima Faktor Kendali Supply Chain

2.2.2.

Tujuan Supply Chain Management

Manajemen rantai pasok bertanggung jawab dalam penyediaan aliran material

dengan

kecepatan

tinggi

dan

informasi

yang relevan

yang membuat

supply

chain

transparan

dan

efisien

untuk

menghasilkan

produk atau

jasa

tanpa

ada

interupsi

dan

tentu

saja

pada

waktu

yang tepat.

sisi

lain,

berbagai

jenis

fluktuasi

permintaan

mengacaukan proses bisnis yang

membuat kekacauan

untuk pelaksanaan SCM. Untuk

membuat

supply

chain

yang

efisien

sebagai

tujuan

utama,

SCM

bertanggung

jawab

untuk

mengurangi

total

biaya

supply chain.

Sebagai

biaya holistik

dapat

menjadi

komposisi unsur-unsur berikut :

Biaya akuisisi dan bahan baku

Biaya investasi fasilitas

Biaya produksi langsung dan tidak langsung

Biaya distribusi pusat langsung dan tidak langsung

2.2.3.

Ketidakpastian dalam Supply Chain Management

Salah satu

isu

penting

yang

berdampak

pada

efektifitas dalam supply

chain

adalah ketidakpastian.

Ketidakpastian

dapat

muncul

kedua sisi

permintaan

dan

pemesanan,

dan

sebagai

akibatnya mempengaruhi

fungsi

produksi

dari

kedua belah

pihak.

Pada Gambar

2.5

(supply chain complexity triangle) memberikan

penjelasan

untuk

tentang kesetimbangan perilaku

dan

memberikan

wawasan dalam

supply

chain.

Ketidapastian dalam supply chain maka dapat digambarkan dalam tiga interaksi dengan

efek bebas. Efek ini sangat memperkuat ketidakpastian dalam sistem supply chain. Efek

ini

disebut

dengan

amplifikasi

permintaan

(demand amplification), interaksi

paralel

(parralel interaction), dan kekacauan deterministik (deterministic chaos). Gambar 2.5

menggambarkan efek ketiganya beserta interaksinya.

Gambar 2.5. Supply Chain Complexity Triangle

Interaksi paralel (parralel interaction) : disini menekankan pada interaksi yang

terjadi antara perusahaan-perusahaan dan aktor-aktor yang bertindak dalam tingkat

eselon

yang sama. Misalnya

supplier

tidak

hanya

mempengaruhi

aktivitas pelanggan

tetapi identik dengan supplier lain.

2.2.4.

Kekacauan Deterministik dalam Supply Chain

Berdasarkan pendapat Kaplan dan Glass (1995, p. 27) serta Abarbanel (1996,

p. 15), kekacauan didefinisikan hal yang tidak periodik (aperiodic), melompat dinamika

(bounded) dalam

sistem

deterministik

dengan ketergantungan sensitivitas (sensitivity

dependence) pada kondisi awal, dan memiliki struktur dalam fase ruang.

Istilah-istilah tersebut diatas didefinisikan sebagai berikut :

Aperiodic

keadaan

yang sama,

situasi

atau

kegiatan

tidak

pernah

ulang

dua

kali.

Bounded : melalui pengulangan keadaan tetap terbatas dan tidak dapat mengadopsi

nilai yang tidak terbatas.

Deterministic

: kondisi

ini termasuk sifat

acak dari

definisi

tersebut, yang

berdampak pada lingkungan dinamis.

Sensitivity dependence to initial condition : dua point yang berdekatan yang

menemukan jarak sebagai proses waktu

Structure in phase space: Sistem non-linier digambarkan dengan cara vektor

multidimensional.

Ruang dimana

vektor

ini

terletak

disebut

dengan

ruang

fase

(phase space).

Berdasarkan

pendapat

(Albabel,

1996),

dimensi

ruang

fase

merupakan

integer. Para ilmuwan dan peneliti

memperhatikan bahwa sistem yang

kacau

memperlihatkan

pola

yang

jelas

dan

berbeda.

Stacey (1993a,

p.228)

menekankan hal ini dengan mendefinisikan kekacauan sebagai pola (perilaku

acak).

2.2.5.

Kekacauan Dihasilkan dari Pengambilan Keputusan dalam Supply Chain

Beer

game

adalah

nama

untuk

sebuah

permainan

manajemen

yang telah

berkembang sekitar tiga dekade yang lalu untuk menggambarkan perilaku dinamis

dalam

supply chain.

Meskipun

permainan terjadi

dalam

sistem

bisnis

yang

sangat

sederhana, hal ini menunjukkan bagaimana putaran umpan balik antara mitra bisnis yang

berbeda

membawa komplektisitas

ke dalam

supply chain.

Permainan

ini

biasanya

dilakukan

dengan

empat

tim

yang masing-masingnya

bertindak

sebagai

mitra

usaha

mandiri, yang biasanya adalah pengecer, grosir, distributor dan pabrik.

2.3.

Bullwhip effect

Bullwhip

effect

adalah pembesaran

fluktuasi

permintaan,

bukan

pembesaran

permintaan.

Bullwhip

effect jelas pada supply chain ketika permintaan

meningkat atau

menurun.

Efeknya

adalah

bahwa peningkatan

atau

penurunan berlebihan

pada

supply

chain.

Inti

dari

bullwhip

effect adalah pemesan

kepada

supplier

cenderung memiliki

varians

yang lebih besar daripada

penjualan

pembeli.

Semakin

mengikat

dalam

supply chain, menjadi lebih kompleks masalah tersebut.

2.3.1.

Definisi Bullwhip effect

Definisi berdasarkan pendapat Chen et al. dan Le et al.

“Bullwhip effect menunjukkan bahwa suatu variasi permintaan

meningkat

sebagai salah satu pergerakan dalam supply chain”.

“Fenomena dimana pemesan

supplier

cenderung

untuk

memiliki

varians

yang lebih besar dibandingkan penjual ke pembeli (seperti demand distortion)

dan distorsi mempropagasikan hulu dalam bentuk amplifikasi”

2.3.2.

Penyebab Bullwhip effect

Ada

banyak

yang menjadi

sebab

dari

bullwhip

effect.

Lee

(1997)

mengidentifikasi adanya empat penyebab utama dari bullwhip effect yaitu pembaharuan

ramalan permintaan (demands forecast updating),

order

batching,

fluktuasi

harga, dan

rationing & shortage gaming.

2.3.2.1. Demand Forecast Updating (Forrester effect)

Peramalan

permintaan dilakukan

oleh

hampir

setiap

perusahaan

karena

tidak

ada perusahaan

yang dapat

mengetahui dengan pasti berapa produk

yang akan diminta

oleh pelanggan pada

suatu periode tertentu.

Ramalan

yang

ini diperlukan

untuk

membuat

keputusan

jangka panjang,

jangka menengah

dan

jangka pendek.

Tingkat

akurasi

ramalan

biasanya

semakin

meningkat

mendekati

periode

yang diramalkan

dikarenakan informasi seperti order dari pelanggan, situasi pasar, dan sebagainya

menjadi semakin jelas. Untuk mengakomodasikan informasi dan pengetahuan terbaru ke

dalam ramalan, setiap saat perusahaan harus melakukan pembaharuan terhadap ramalan

tersebut.

Ketika pengecer

memesan

ke pusat

distribusi,

ukuran

pesanan

ditentukan

berdasarkan

ramalan

tersebut.

Apabila perusahaan

menggunakan

kebijakan

persediaan

reorder

point

atau

order-up-to level

(ada batas persediaan

maksimum

dan

minimum),

parameter-parameter persediaan

seperti

pengamanan

terhadap

persediaan,

inventory

maximum,

reorder

point

dan

sebagainya juga

berubah

dengan

adanya

pembaharuan

ramalan permintaan.

Model

ramalan

yang digunakan

juga

dapat

berpengaruh

terhadap

intensitas

bullwhip effect. Berdasarkan studi yang dilakukan oleh Chen at al. (1998), menunjukkan

bahwa untuk permintaan yang bersifat acak dengan distribusi yang identik (independent

identically distributed), bullwhip effect dapat

lebih besar jika pengecer

menggunakan

model peramalan exponential smoothing dibandingkan dengan moving average. Mereka

juga mengemukakan bahwa ramalan yang lebih halus dapat mengurangi bullwhip effect.

Jadi, kalau misalnya perusahaan menggunakan model peramalan exponential smoothing,

koefisien alpha yang lebih kecil (yang berarti bahwa permintaan terkini diberikan bobot

yang kecil) dapat mengurangi bullwhip effect.

2.3.2.2. Order Batching (Burbidge Effect)

Order batching diperlukan karena proses produksi dan pengiriman produk tidak

akan ekonomis

dapat

dilakukan dalam ukuran

kecil.

Dengan

contoh,

pengecer

yang

menjual rata-rata enam unit suatu produk tertentu tidak akan memesan tiap hari dengan

rata-rata enam unit ke pusat distribusi.

2.3.2.3. Fluktuasi Harga (Price Fluktuation)

Pada perusahaan, dapat dilihat dalam berbagai

macam diskon, seperti: diskon

harga, diskon jumlah, kupon atau spesial promosi untuk produk-produk tertentu.

Pastilah customer akan membeli lebih banyak dari

ukuran pesanan

normal. Fenomena

seperti

ini sangat banyak terjadi. Pengecer atau toko

melakukan forward buying

(membeli lebih awal) sebagai tanggapan terhadap penurunan

harga

yang bersifat

sementara.

Reaksi dari toko–toko dan pengecer ini sering kali mengakibatkan

volume

penjualan

meningkat bahkan

tidak

jarang melebihi prediksi pusat distribusi. Akibatnya

pusat

distribusi

akan

memesan

dengan

jumlah

yang lebih

besar

pabrik.

Pabrik

merespon kebutuhan ini dengan

meningkatkan aktivitas produksi, dapat dengan

lembur

atau dengan memesan ke sub kontraktor. Pabrik dapat saja tidak memiliki cukup bahan

baku untuk mengantisipasi kenaikan secara tiba-tiba ini dan mereka memesan tambahan

ke supplier.

Apa

yang terjadi?

Pada

saat

material

akan

dikirim

dari

supplier

pabrik,

penuruan harga sudah berakhir dan pengecer maupun toko-toko sekarang memiliki stok

yang

cukup

banyak.

Mereka

tidak

akan

memesan

lagi

dalam

waktu dua sampai

tiga

bulan karena permintaan konsumen akhir sebenarnya tidak berubah. Pabrik yang sudah

melakukan

lembur dan supplier

yang

sudah mengirim

bahan baku dengan biaya extra

sekarang

tidak

akan

menerima pesanan

selama

dua atau tiga

bulan.

Akibatnya stok

menumpuk dan ongkos-ongkos produksi

meningkat akibat

lembur maupun pengiriman

cepat.

2.3.2.4. Rationing & Shortage Gaming (Houlihan effect)

Seperti yang terlihat pada Gambar 2.6, efek ini dipercaya terkait dengan

strategi pemesanan si konsumen ketika diprediksikan akan terjadi kekurangan stok.

Jika terjadi

kekurangan

produk,

hal

ini

mengarah

pada pemesanan

sejak

kosumen ingin tetap berada pada sisi yang aman dan mengamankan diri dari kekurangan

yang akan datang. Sesuai dengan distorsi permintaan dan variasi diharapkan pada dua

cara. Pertama, peramalan yang dibuat oleh pihak hulu yang didasarkan pada permintaan

yang lebih

besar.

Kedua,

kelebihan

pesanan

menyebabkan

lebih

banyak

kekurangan,

sehingga terjadi peningkatan stok sebagai konsekuensinya.

Increasing

Capacity

Shortage

Demand

Distortion

Over

Ordering

Increasing

Safety

Stock

Unreliable

Delivery

Gambar 2.6. Houlihan Flows

Cara ini akan merusakan

informasi pasar pada supply chain. Pemain

yang ada

di bagian

hulu tidak akan pernah

mendapatkan

informasi pasar yang

mendekati

kenyataan sebagai akibat dari motif gaming

dan spekulatif

yang dilakukan oleh

pelanggan mereka.

Pabrik dan pemain

hulu

lainnya

tidak akan dengan

mudah

membedakan

antara

kenaikan

pesanan yang

bermotif spekulatif

dan peningkatan

pesanan yang murni merefleksikan peningkatan permintaan dari pelanggan akhir.

2.3.3.

Hasil Bullwhip

Pada

masa

lalu, bullwhip effect dapat diterima sebagai

fenomena normal. Dan

pada

faktanya,

menjadi

bagian

yang tidak

terpisahkan

dari

proses

order-to-delivery.

Namun, efek negatif pada kinerja bisnis sering ditemukan dalam kelebihan persediaan,

masalah

jumlah,

biaya bahan baku

yang

lebih

tinggi,

biaya

lembur

dan biaya

pengiriman.

Berikut

efek-efek

yang

tidak

diinginkan karena

berdampak

negatif

terhadap

kinerja operasi.

Kenaikan variabilitas jadwal

Kelebihan beban dan / kekurangan kapasitas

Waktu siklus yang panjang

Peningkatan total biaya

Level pelayanan pelanggan yang rendah

Penjualan dan profit yang rendah

2.3.4.

Cara Mengurangi Bullwhip Effect

Dalam

rangka

meperkecil

bullwhip effect,

langkah

pertama

penting untuk

memahami

renacana

apa

yang mendorong permintaan pelanggan

dan konsumsi

persediaan ketika mereka memicu kebutuhan

untuk penambahan jumlah pesanan untuk

beberapa titik dalam supply chain. Proses yang paling efektif untuk

mengurangi osilasi

bullwhip effect dikenalkan pengetahuan tentang pelanggan dan supplier dimana mereka

dapat

memahami

apa

yang mendorong pola

permintaan

dan

pemesanan

serta

kelanjutannya,

usaha kooperatif

dan

pembuatan

keputusan

untuk

peningkatan

presisi

informasi, dan kualitas serta penekanan pada siklus dalam keseluruhan proses.

Disamping

semua

kegiatan

yang dapat

mengurangi

bullwhip

effect,

dapat

diyakini bahwa,

ditemukan kesempatan untuk perbaikan dengan

menerapkan beberapa

atau semua langkah-langkah

berikut

untuk

meminimalkan

bullwhip

effect

dan

menigkatkan kinerja proses bisnis :

Mengurangi waktu

suatu

siklus

yang diperlukan

untuk

menerima permintaan

informasi yang actual dan diproyeksikan.

Mengenali dan memahami pola permintaan produk di masing-masing dan

setiap tahap dalam supply chain.

Meningkatkan

frekuensi dan kualitas

kerjasama yang

dapat

dilakukan

melalui

berbagi informasi terutama informasi mengenai permintaan.

Mengurangi atau menghilangkan antrian

informasi yang menyebabkan

penundaan arus informasi.

Hilangkan

metode

pengirisian

kembali

inventori

dan

kebijakan

yang

muncul

atas benjolan permintaan pada supply chain.

Hilangkan motivasi bagi pelanggan yang mengarah pada akumulasi permintaan

dan pemanggungan pemesanan sebelum permintaan pengisian, misalnya diskon

volume transportasi.

Meminimalkan promosi yang menggoda

yang menyebabkan pelanggan

menunda pesanan dan akibatnya menggangu kelancaran pola arus.

Harga yang konsisten dan wajar untuk meminimalkan lonjakan pembelian yang

biasa nya dibuat oleh diskon promosi sementara.

Mengidentifikasi, jika

mungkin, menghilangkan semua penyebab

yang

mengarah kepada pengurangan atau pembatalan pemesanan konsumen.

10.

Menawarkan

pelayanan

Vendor-Managed

Inventory

(VMI)

oleh

perencanaan

inventori

secara

kolaboratif

dengan

pelanggangan

yang disesuaikan

dengan

proyeksi

permintaan

end-user

kemudian,

memantau permintaan

actual

untuk

mensinkronkan dan menyesuaikan tinggkat VMI.

(Catatan

VMI dapat

meningkatkan

penjualan

dan

laba

khususnya

pada

industry dimana pembeli dapat pergi ke sumber alternatif jika distributor sedang berada

dalam kondisi stok-out).

Mengenali dan memahami pola permintaan produk di masing-masing dan

semua

lonceng dan atribut,

tidak dapat

menghentikan bullwhip effect. Ini adalah proses

manajemen permintaan dengan semua fiturnya dan aspek-aspek yang luas karena sering

meliputi kebijakan,

sistem pengukuran, dalam

beberapa

kasus,

dimana

setiap

ini dari

nilai

suatu

organisasi

dan

sistem

kepercayaan

yang telah

ada.

Namun,

tingkat

efek

berbahanya dapat memiliki penjualan, pangsa pasar, biaya dan pendapat yang

membesar.

2.3.5. Lima Rute Pengetahuan Bullwhip

Supply

chain

menunjukkan

bullwhip

yang

adalah

“kekacauan”

dalam artian

bahwa

masalah yang harus diselesaikan harus

diabstrasikan dari situasi dalam

pemesanan yang solusinya diajukan (Russell Ackoff , 1999).

Sekarang mari

memisalkan

bahwa

telah

dimiliki

apa

yang

disebut

dengan

“kekacauan”, di dunia

nyata

masalah yang

diidentifikasikan

memiliki

tingkah laku

bullwhip.

Masalah

yang

muncul

disini adalah bagaimana

dan

dimana pendekatan agar

dapat

mempersiapkan

solusi

alternatif

untuk masalah

seperti

itu.

Lima

pendekatan

ditunjukan oleh Gambar 2.7.

Teori OR (OR Theory)

Dalam pendekatan ini, diangkat suatu persamaan dari masalah dan menentukan

variabel-variabel. Berdasarkan

pendapat

(Deziel

and

Eilon),

pada

situasi

operasi

kondisi

tertentu

cenderung

meminimalkan

fungsi

biaya.

Dengan

maksud untuk mencoba untuk mempertimbangkan kinerja dinamis dari masalah

oleh solusi matematikanya.

Teori Penyaringan (Filter Theory)

Seperti

yang diungkapkan

oleh

(Towill

and

Vecchio,

1994),

masalahnya

dipersiapkan

pada

frekuensi

domain

dimana

penilaian

dibuat

pada

spektrum

dari

“pesan”, dan

“kebisingan”, atau “gangguan”. Menggunakan

kontrol hukum

dari

17 solusi

seharusnya diperoleh dengan

membentuk sistem respon

untuk

rangkaian persyaratan dari pengguna.

Theori Kontrol (Control Theory)

Towill,

menjelaskan

masalah

ini

dalam

bentuk :

fungsi

sistem

transfer

dan

berfokus

pada struktur sistem,

pada awalnya untuk

menjamin kestabilan

dan

kemudian

membentuk

tanggapan

yang diinginkan.

Sebuah

data

dasar

yang

penting dari kemungkinan supply chain tersedia, terutama dari sistem hardware

analog.

Gambar 2.7. Lima Rute Pengurangan Bullwhip (Dari Masalah Real ke Solusi Real)

Simulasi “What if” (“What if” Simulation)

Berdasarkan

pendekatan Lyneis,

penggunaan pendekatan

ini

untuk

pemodelan

bullwhip

effect. Difokuskan pada sifat dinamis dari peristiwa dimana diagram

lingkaran

adalah

simulasi

dari

dipelajari

oleh tes permintaan

semaunya

(menguji perilaku acak pola permintaan).

Ad-hocacy

Disebutkan oleh Mitchell

(1923), atau bahkan

Devons

(1950)

serta Sterman

(1989), bahwa

mungkin bagi

seorang

manager

berpengalaman atau pengamat

untuk

mendapatkan

permikiran

yang baik

terhadap

apa

yang menyebabkan

kekacauan, pendekatan ini memiliki dasar dalam kenyataan bahwa pengalaman

memberikan pengetahuan nyata dan manajer yang sudah veteran atau pengamat

dapat

membuat

keputusan

yang tepat

dengan

hanya

mengandalkan

apa

yang

mereka rasakan.

2.4.

Deret Waktu dan Peramalan (Times Series and Forecasting)

Pada point ini akan dibahas

literatur terkait mengenai deret waktu dan metode

peramalan.

2.4.1.

Peramalan (Forecasting)

Untuk

tercapainya

suatu keputusan

yang efisien,

memerlukan suatu cara yang

tepat, sistematis dan dapat dipertanggungjawabkan. Salah satu alat yang diperlukan dan

merupakan

bagian integral

dari

proses pengambilan keputusan

adalah dengan

menggunakan peramalan.

Peramalan sebagai alat vital dalam peralatan manajemen. Dengan peramalan,

user mencoba untuk mengestimasi bagaimana urutan observasi yang terus berlanjut pada

masa mendatang.

Peramalan adalah prediksi

nilai

dari

variabel

yang didasarkan pada

nilai-nilai

masa lalu atau variabel terkait lainnya. Peramalan juga didasarkan pada penilaian akhir,

yang pada gilirannya didasarkan pada data historis dan pengalaman.

Terdapat banyak alat dan

metode dalam peramalan, dibagi dalam empat

kategori, antara lain :

Metode Penghakiman (Judgement Methods)

Metode ini mencoba untuk mengumpulkan data dan menganalisa pendapat ahli

secara sistematis dan cara logis seperti metode deplhi. Metode ini adalah teknik

terstruktur untuk mencapai sebuah konsensus dengan

sebuah panel ahli

tanpa

mengumpulkan mereka disatu lokasi.

Metode Penelitian Pasar (Market Research Methods)

Survei

pasar

adalah

alat

yang berguna

untuk

mengembangkan

perkiraan,

terutama untuk produksi baru. Saran atau

masukan dari pelanggan

melalui

via

telepon,

wawancara atau survei

tertulis

adalah sinyal

utama untuk

memperkirakan permintaan produk.

Metode Akibat (Casual Methods)

Dengan

metode ini

diasumsikan

bahwa

variabel

yang diinginkan

untuk

meramalkan korelasi tinggi dengan beberapa bagian data yang

lain. Misalnya,

perkiraan penjualan untuk satu bulan berikutnya adalah fungsi dari PDB, cuaca,

atau laju import.

Metode Deret Waktu (Times Series Methods)

Dalam metode

deret

waktu,

digunakan

berbagai

data

masa

lalu

untuk

memperkirakan

data masa depan.

Ada beberapa

teknik

dalam

metode deret

waktu untuk memperkirakan dan meramalkan,

sebagian

diantaranya adalah

sederhana

yaitu

rata-rata

bergerak

(moving

average), pemulusan

eksponensial

(exponential smoothing),

holt winters dan

beberapanya komplek

yaitu

box

jenkins, kalman filter, dan neural network.

Berikut pembahasan lanjut mengenai deret waktu dan peramalan.

2.4.2.

Deret Waktu (Times Series)

Dalam statistik, deret waktu adalah titik-titik data, biasanya diukur dalam

selang waktu yang beragam. Times series terdiri dari metode analisis untuk menganalisa

data times series

untuk mengekstrak statistik bermakna atau karakteristik data

lainnya.

Peramalan times series

dengan menggunakan sebuah model untuk peramalan kejadian

masa depan

dengan

menggunakan

kejadian masa lalu, seperti:

untuk

memprediksikan

titik data

sebelum

diukur. Contoh

peramalan

deret

waktu

dalam

ekonometrika adalah

memprediksi harga saham berdasarkan kinerja masa lalu.

Times series yang terbaik digambarkan dalam bentuk scater plot. Nilai seri

digambarkan pada sumbu

vertikal dan

waktu t pada sumbu

horizontal. Waktu disebut

dengan variabel bebas (dalam hal ini, kondisi dimana Anda memiliki kontrol).

Ada dua jenis data times series, antara lain:

Berkelanjutan (Continoues)

Dimana data

memiliki

sebuah

pengamatan

setiap

instan

waktu,

misalnya

detektor kebohongan.

Dinyatakan

dengan

menggunakan

pengamatan X

pada

waktu t, X(t).

Diksrit (Discrete)

Dimana

data

memiliki sebuah

pengamatan

(biasanya

secara

teratur)

spasi

interval. Dinyatakan dalam Xt.

Times

series

bervariasi

karena adanya komponen-komponen

trend,

siklis,

musiman dan komponen yang tidak teratur di dalamnya.

2.4.2.1. Komponen Tren (Trend Component)

Seperti terlihat pada

Gambar 2.8, tren adalah

gerakan jangka panjang dalam

kurun waktu tertentu. Hal ini mendasari arah (ke atas atau ke bawah kecenderungan) dan

laju

perubahan

dalam

suatu

kurun waktu,

ketika kelonggaran

telah

dibuat

untuk

komponen lainnya.

Cara sederhana

untuk

mendeteksi

tren

dalam

data

musiman

adalah

dengan

mengambil

rata-rata selama jangka waktu

tertentu.

Jika rata-rata ini

berubah

seiring

dengan waktu, dapat dikatakan bahwa ada bukti dari sebuah tren dalam urutan. Ada

juga

tes

yang lebih

formal

yang memungkinkan

mendeteksi

tren

dalam

suatu

jangka

waktu tertentu.

Gambar 2.8. Grafik Komponen Tren

2.4.2.2. Komponen Siklis (Cycical Component)

Salah

satu fitur

yang mengakibatnya times series bervariasi adalah

komponen

siklis.

Teknik deskritif dapat diperpanjang untuk

meramalkan (memprediksi)

nilai-nilai

masa depan.

Dalam data mingguan atau bulanan, komponen siklis menggambarkan fluktuasi

regular,

seperti

yang

terlihat

pada

Gambar

2.9.

Ini

adalah

komponen

non-musiman

yang bervariasi dalam suatu siklus yang dikenali.

Gambar 2.9. Grafik Komponen Siklis

2.4.2.3. Komponen Musiman (Seasonal Component)

Fitur lainnya adalah komponen musiman. Dalam data mingguan atau bulanan,

komponen musiman, adalah komponen variasi dalam suatu kurun yang tergantung pada

waktu dalam tahun. Ini

menggambarkan

fluktuasi

regular dalam jangka

waktu kurang

dari satu

tahun, seperti dapat

dilihat pada Gambar 2.10.

Sebagai

contoh, biaya dari

berbagai jenis

buah-buahan dan sayuran, angka

pengganguran dan curah

hujan harian

rata-rata, semua menunjukkan variasi musiman.

Gambar 2.10. Grafik Komponen Musiman

2.4.2.4. Komponen Tak Beraturan (Irregular Component)

Komponen

tak beraturan

terjadi

ketika komponen-komponen lainnya

telah

diperhitungkan,

contoh

terhambatnya produksi

tekstil

selama satu

bulan karena

terbakarnya pabrik. Gambar 2.11 menunjukkan komponen tak beraturan.

Gambar 2.11. Grafik Komponen Tak Beraturan

2.4.3.

Metode Peramalan Umum

Metode peramalan disini menggunakan deret waktu (times series) sebagai dasar

peramalan.

2.4.3.1. Rata-rata Bergerak (Moving Average)

Rata-rata bergerak adalah salah satu metode peramalan umum dan mudah untuk

menggunakan

alat-alat

yang tersedia

untuk

analisis

teknis. Rata-rata

bergerak

menyediakan

metode sederhana untuk

pemulusan data masa lalu.

Metode ini

hanya

berguna

untuk peramalan ketika tidak terjadi tren. Jika terdapat tren, gunakan estimasi

berbeda untuk

mempertimbangkannya. Hal

ini

disebut

dengan,

“bergerak” karena

sebagai data baru yang tersedia, data yang tertua tidak digunakan lagi.

Rata-rata bergerak dihitung dengan rumus sebagai berikut :

(2.1)

2.4.3.2. Pemulusan Eksponensial (Exponential Smoothing)

Metode exponential smoothing ini cocok untuk series yang bergerak acak

keatas dan kebawah secara terus menerus bearti tidak ada tren maupun pola musiman.

Series pemulusan ?

terhadap ?

, dihitung rekursif, dengan:

(1 -

-1

(2.2)

Dimana 0

adalah

faktor pemulusan. Semakin

kecil

nilai

a, semakin

mulus suatu series. Dengan pengulangan subtitusi, dapat dituliskan persamaan rekursif

sebagai :

-1

(1 -

)

(2.3)

Ini

menunjukkan

mengapa

metode

ini

disebut dengan

pemulusan eksponential,

peramalan

terhadap

adalah

rata-rata

tertimbang dari

nilai-nilai

masa

lalu, dimana

penurunan bobot seacara eksponential terhadap waktu.

Peramalan dari exponential smoothing adalah konstan untuk

semua peramalan

masa depan. Konstan diberikan sebagai :

untuk semua k >0

(2.4)

dimana T adalah estimasi sampel terakhir.

2.4.3.3. Ketepatan Metode Peramalan

Makridakis

al.

(1999,p57) mengatakan

bahwa dalam

banyak

hal,

kata

“ketepatan

(a©curacy)”,

menunjuk

“kebaikan

sesuai”,

yang pada

akhirnya

penunjukan seberapa

jauh

model

peramalan tersebut

mampu

mereproduksi

data

yang

telah

diketahui.

Dalam

permodelan deret berkala, sebagian

data

yang diketahui dapat

digunakan untuk meramalkan sisa data berikutnya, sehingga memungkinkan orang

untuk

mempelajari

ketepatan

ramalan

secara lebih

langsung.

Bagi

pembuat

model,

kebaikan sesuai model untuk fakta yang diketahui harus diperhatikan.

Jika X

merupakan data aktual

untuk periode t dan F

merupakan ramalan

untuk

periode yang sama, maka kesalahan didefinisikan sebagai :

(2.5)

Jika terdapat

nilai pengamatan dan ramalan

untuk

periode waktu,

maka akan

terdapat

buah

galat

dan

ukuran

statistik

yang dapat

didefinisikan

sebagai

berikut

(Makridakis, 1999, p61):

Nilai Tengah Galat Absolut (Mean Absolute Error)

MAE =

(2.6)

Nilai Tengah Galat Kuadrat (Mean Squared Error)

MSE =

(2.7)

Galat Persentase (Percentage Error)

PE =

x100%

(2.8)

Nilai Tengah Galat Persentase Absolut

MAPE =

(2.9)

2.5.

Kebijakan Persediaan dan Metode Peramalan pada Bullwhip Effect

Point ini menyajikan teori-teori dasar dalam persediaan yang berkaitan dengan

kebijakan metode peramalan, setelah

itu mengukur bullwhip effect dan menginvestigasi

analisis sensitifitas dari efek tersebut dalam dua tahap dalam supply chain.

2.5.1.

Peranan Persediaan

Persediaan dijaga

untuk

memenuhi

permintaan

pelanggan yang tidak

terduga

selama pengiriman lead time atau

untuk

mencapai tinggat pelayanan

yang

diinginkan.

Memiliki

terlalu

banyak persediaan justru

menghasilkan biaya persediaan

yang

tinggi,

sementara

memiliki

persediaan

yang terlalu

sedikit

menyebabkan

kekurangan. Jumlah

yang tepat

dari

keseimbangan

persediaan dapat

meminimalkan

total biaya

operasional

persediaan.

Kunci

untuk

biaya

perencanaan

yang efektif

adalah

mengerti

tentang

ketidakpastian selama

permintaan

lead-time

(lead-time demand).

Untuk setiap

pengulangan

periodik

tanpa biaya pemesanan tetap, kebijangan

kontrol standar adalah

tipe order-up-to-level.

Dibawah

pengongtrolan,

pemesanan

dibuat

untuk

mencapai

penentuan posisi persediaan oleh antisipasi dan stok pengamanan.

Pengantisipasian stok

dijaga untuk

terus

dapat

memenuhi

permintaan

yang

diharapkan selama waktu lead-time dan pengamanan stok dijaga utuk mencapai taksiran

tingkat dari

resiko stock-out. Ketika

terdapat

dua

stok

yang terdapat pada

level

yang

tepat, biaya persediaan dapat diminimalisasikan (Silver, Peterson, dan Pyke 1998;

Zipkin 2000).

2.5.2.

Kebijakan Persediaan

Keputusan tentang persediaan

beresiko

dan

berdampak

tinggi

dari perspektif

logistik dan operasi

supply chain. Pelaksanan

persediaan itu beresiko dikarenakan

penanaman modal dan potensi untuk usang.

Kebijakan persediaan

terdiri dari pedoman mengenai pembelian dan produksi,

kapan

harus harus mengambil

tindakan,

dan

dalam

kuantitas.

Itu

juga

masih

belum

mengenai keputusan dalam posisi persediaan dan penempatannya pada pabrik dan pusat

distribusi.

Kebijakan tentang persediaan dapat dibedakan menjadi dua tipe, yaitu :

Continuous Review Policy

Dimana persediaan ditinjau setiap hari dan keputusan dibuat tentang jenis dan

jumlah pesanan.

Periodic Review Policy

Dimana

tipe

ini

melakukan

kontrol

pada

setiap interval

waktu

tertentu dan

pasti. Jumlah pemesanan pun dilakukan setiap melakukan kontrol.

2.6.

Mengukur Bullwhip Effect pada Supply Chain Sederhana

Bullwhip effect dapat ditentukan dengan persamaan berikut :

Bullwhip = Variance of Orders / Varians of Demand

Var(Q)/Var(D)

(2.10)

Sebuah bullwhip yang mempunyai nilai lebih besar dari satu

mengindikasikan

bahwa terdapat bullwhip effect, sedangkan sebuah bullwhip yang bernilai lebih kecil satu

memunjukkan

pemulusan

skenario, yang

berarti

pemesanan

(kurang

bervariasi)

lebih

halus dibandingkan dengan pola permintaan.

Ketika pengecer tidak

mengetahui

permintaan

secara

riil,

pengecer

dapat

menggunakan

metode sederhana untuk

meramalkan

permintaan,

misalnya exponential

smoothing atau moving average. Dengan cara ini perkiraan kebutuhan masa depan akan

terus menerus diperbaharui dalam menghadapi realisasi permintaan yang baru. Perkiraan

ini kemudian digunakan untuk menentukan urutan berdasarkan kebijakan persediaan.

2.7.

Ekonometrik dan Model Volatile

Subbab

ini

difokuskan pada

literatur dari

ekonometrika

dan teori-teori dasar

yang diperlukan

untuk

kerangka

pada

model

berikutnya,

dan

pada

akhirnya

membandingkan

pengaruh

berbagai

metode peramalan

pada

bullwhip

effect

oleh

percobaan numerik.

2.7.1.

Definisi Ekonometrika

Secara

harafiah, ekonometrika dapat

diartikan

sebagai

“pengukuran

ekonomi”.

Meskipun pengukuran merupakan salah satu bagian yang penting dalam ekonometrika,

tetapi ruang

lingkup ekonometrika

lebih

luas dari pada

itu, seperti pendapat beberapa

pakar berikut ini.

Ekonometrika didefinisikan sebagai “aplikasi matematika statistik untuk data

ekonomi untuk memberikan dukungan empiris untuk model-model ekonomi

yang dibangun oleh matematika ekonomi dan untuk mendapatkan perkiraan

numerik” (Samuelson et al., 1954,pp.141-6).

memunjukkan

pemulusan

skenario, yang

berarti

pemesanan

(kurang

bervariasi)

lebih

ekonomi” (H.Theil, 171,p1.).

2.7.2.

Metodologi dalam Ekonometrika

Bagaimana para ekonometrikawan dapat memproses analisis mereka terhadap

masalah ekonomi? Yaitu, Apa metodologi mereka ? Untuk mengilustrasikan langkah-

langkah metodologi, dapat dilihat pada Gambar 2.12.

Gambar 2.12. Anatomi Ekonometrika (Src: Gujarati)

Sebuah

model

ekonomi

terdiri

dari

persamaan

matematika

yang menjelaskan

berbagai hubungan. Salah satu

metode dasar statistik yang digunakan oleh pakar

ekonometrika adalah analisis regresi. Upaya

model regresi

untuk

meminimalkan jarak

yang diukur secara vertikal antara titik pengamatan dan model garis (atau kurva).

Secara umum,

tahapan

metodologi

terdiri

atas

(enam)

tahapan.

Pertama,

dengan mengacu kepada

teori, mengajukan

suatu hipotesis atau

pertanyaan. Kedua,

untuk

menjawab

pertanyaan

atau

hipotesis

yang diajukan

pada

tahap

pertama,

mengajukan

model ekonometrika

yang

dapat digunakan

untuk melakukan

tes terhadap

hipotesis.

Ketiga,

setelah

modelnya sudah

terbangun,

parameter dari

model

tersebut

diestimasi dengan suatu software

computer. Keempat, hasil dari estimasi paramater

perlu

diverifikasi

terlebih

dahulu

apakah

hasilnya sesuai

dengan

model

atau

tidak.

Kelima, jika dari hasil verifikasi mengatakan model yang telah terestimasi sudah layak,

maka model

tersebut digunakan untuk

memprediksi pergerakan atau

memprediksi

nilai

suatu variabel.

Keenam,

akhirnya,

prediksi

tersebut

dapat

digunakan

sebagai

bahan

pertimbangan dalam pengambilan suatu keputusan atau suatu kebijakan.

2.7.2.1. Gaussian, Standart, atau Model Klasik Regresi Linier

Dalam statistik dan ekonometrik,

OLS adalah

teknik untuk meramalkan

parameter yang

tidak diketahui dalam

model analisis

linier. Metode

ini meminimalkan

jumlah kuadrat jarak antara tanggapan yang diamati dalam suatu kumpulan data. Teknik

metode linier kuadrat

terkecil

menyediakan

ekspresi

sederhana untuk

mengestimasi

parameter

dalam

analisis

OLS,

dan

dengan

demikian

untuk

nilai-nilai statistik

yang

terkait seperti kesalahan standar parameter.

2.7.2.2. Asumsi Dasar dari Metode OLS

Diasumsikan bahwa terdapat parameter linier, yang berarti

model regresi

linier

di dalam parameter. Dengan kata lain, dapat dinyatakan dalam bentuk :

ß¹

dimana

ß0

adalah

pemotong,

ß¹ adalah

kemiringan

fungsi,

dimana

merepresentasikan

gangguan yang

berisi

semua

faktor

yang

mempengaruhi

selain yang ditentukan oleh variabel independen.

Menjadi suatu keharusan intuitif sampel yang akan dianalisis harus terdiri dari

sampel acak dari populasi yang relevan untuk memberi hasil tidak bias.

Diasumsikan kondisi mean adalah

nol. Bahwa model

linier akan

menjadi satu

baris

yang meminimalkan

jumlah

dari

semua

kesalahan

rata-rata

positif

dan

negatif. Mengasumsikan bahwa nilai mean

ui, te®gantung pada xi yang diberikan

adalah nol. Hal ini dapat disempurnakan ke dalam asumsi bahwa nilai rata-rata

tidak tergantung pada

nilai dari X

untuk setiap

nilai

rata-rata X akan sama

dengan nilai rata-rata dari

dalam keseluruhan populasi, yaitu 0. Secara

teknikal, nilai rata-rata kondisional dari

adalah 0. Secara simbolik, dituangkan

dalam :

E(ui | x) = E(u

) = 0

, untuk semua i

(

2.11)

Tidak ada autokorelasi antara gangguan. Diberikan dua nilai X, Xi dan Xj (i

), korelasi antara setiap dua Ui dan Uj (i

) adalah nol. Disimbolkan,

Cov(Ui,Uj|Xi,Xj) = E {[Ui-E(Ui)]|

Xi} {[Uj-E(Uj)]| Xj} =

E(Ui|Xi)(Uj|Xj)=0

(2.12)

Dimana i dan j adalah dua pengamatan yang berbeda dan dimana Cov adalah

kovarians.

Mengasumsikan

homocedasticity,

atau sama

(homo) yang tersebar

(scadasticity), atau

sama

dengan

varian,

untuk

mendapatkan

hasil

yang

konsisten.

Asumsi

ini

menyatakan bahwa nilai

varians

kesalahan

bersyarat

pada variabel

independen X

adalah

konstan. Dengan

kata

lain,

pola

distribusi

error

pada

setiap nilai

akan

menunjukkan

distribusi yang

sama dengan rata-rata

sampel sekitar nya ßn

Disimbolkan,

Var (ui |

x) =s2

(2.13)

Perlu

ditekankan,

dalam

dunia

nyata,

lima

asumsi

yang disebutkan

sebelumnya

hampir selalu dilanggar.

dalam

supply chain,

varians

dari

pemesanan

biasanya lebih besar daripada penjualan. Distorsi ini cenderung meningkat sebagai salah

satu pergerakan hulu dari grosir ke pengecer. Konsekuensinya, asumsi heterocedasticity

tampak lebih tepat sebagai karakteristik yang berhubungan dengan bullwhip effect.

2.7.3.

Distribusi Probabilitas

Asumsi dalam distribusi probabilitas akan sangat berpengaruh

dalam

perhitungan ordinary least square untuk error dari model.

2.7.3.1. Karakteristik dalam Distribusi Probabilitas

Ada beberapa karakteristik dalam distribusi probabilitas, antara lain :

a. Nilai Harapan

-8

(2.14)

Nilai

harapan atau mean,

merupakan rata-rata dari suatu kumpulan data

(Anonim1).

b. Varians

Var(x) =

)

(2.15)

Berdasarkan pendapat Anonim2, varians merupakan ukuran yang menunjukkan

dispersi statistik (sejauh mana data tersebar di sekitar rata-rata).

c. Konvarians

?, ?

(? -

)

(2.16)

Kovarians

adalah

ukuran

yang

menyatakan

seberapa besar dua variabel

bervariasi sama (Anonim3). Jika dua variabel bervariasi sama, misalkan ketika

kedua nilai variabel berada di atas mean, maka kovarians antara kedua variabel

tersebut akan positif, dan begitu sebaliknya.

2.7.3.2. Jenis-jenis Distribusi

Berikut merupakan jenis distribusi yang digunakan dalam penulisan ini, antara

lain :

Distribusi Normal

Distribusi normal memiliki fungsi pdf sebagai berikut :

??? -

(?-

)

(2.17)

dengan -8 < x

Sedangkan fungsi lognya adalah :

?(?

)

(2.18)

Gambar 2.13 merupakan kurva distribusi normal.

Gambar 2.13. Kurva Distribusi Normal

Distribusi T-student

Distribusi ini memiliki fungsi pdf sebagai berikut :

?; ?

(?+?)/?

(2.19)

(

+?)/?

Sedangkan fungsi lognya sebagai berikut :

?[?

]

?=?

???

- ?

? +

(2.20)

(

Gambar 2.14 merupakan kurva distribusi T-student.

Gambar 2.14. Kurva Distribusi T-student

2.7.3.3. Kurtosis

Kurtosis

merupakan

ukuran

luas dimana data observasi jatuh di

sekitar pusat

distribusi atau pada ekor. Dapat diukur dengan rumus berikut :

?=?

(2.21)

dimana

berdasarkan penduga bias untuk varians.

Kurtosis pada distribusi normal adalah tiga (3) yang disebut juga dengan

distribusi

mesokurtic.

Jika

kurtosis

lebih

besar daripada

tiga

(3)

maka

distribusi

ini

disebut dengan distribusi leptokurtic dimana memiliki puncak yang tinggi, rentang

tengah yang sempit dan fat failed. Sedangkan jika kurtosis kurang dari tiga (3) disebut

juga

dengan

distribusi

platykurtic dimana

distribusi

ini

memiliki puncak

yang

rendah

dan

rentang

tengah

yang luas. Bentuk dari

macam-macam distribusi dapat diliat pada

Gambar 2.15.

Gambar 2.15. Variasi Kurtosis

2.7.4. Auto-Regresive (AR)

merupakan

suatu

model

peramalan

yang memperhitungkan

pengamatan

pada masa lalu terhadap variabel dependen. Salah satu contoh AR adalah sebagai

berikut:

?-?

(2.22)

Model ini menyatakan bahwa peramalan akan nilai Y pada waktu t didapat dari

proposi (

)

dari nilainya pada waktu (t-1) ditambah dengan sebuah random shock pada

waktu t.

2.7.5.

Stationer

Sebagaimana diketahui

bahwa data

times series

merupakan

sekumpulan

nilai

suatu variabel

yang diambil pada waktu yang berbeda. Setiap data dikumpulkan secara

berkala pada interval waltu tertentu.

Dalam berbagai studi ekonometrika, data times series sangat banyak digunakan.

Namun dibalik begitu pentingnya data tersebut, ternyata data time series „menyimpan?

berbagai permasalahan. Salah satunya adalah otokorelasi. Otokorelasi sendiri merupakan

penyebab

yang mengakibatkan data

menjadi

tidak

stasioner, sehingga

bila

data dapat

distasionerkan

maka otokorelasi

akan

hilang

dengan

sendirinya,

karena

metode

transformasi

data

untuk

membuat

data

yang tidak

stasioner

menjadi

stasioner

sama

dengan transformasi data untuk menghilangkan otokorelasi.

Sekumpulan data dinyatakan stasioner jika rata-rata dan

varian dari data times

series

tersebut

tidak

mengalami

perubahan

secara sistematik

sepanjang

waktu,

atau

sebagian ahli menyatakan rata-rata variansnya konstan.

Salah satu cara untuk menguji stasioneritas adalah dengan uji unit root. Uji ini

merupakan

pengujian

yang

sangat

populer,

dan

dikenalkan

oleh

David

Dickey dan

Wayne

Fuller.

Untuk memudahkan pengertian

mengenai unit

root, perhatikan model

berikut :

t-1

+µ

2.7.6.

Model ARCH dan GARCH

Model

ARCH/GARCH

mengganggap

variance

yang tidak

konstan

(heteroskedastisitas) bukan sebagai

suatu masalah tetapi justru dapat

digunakan untuk

modeling

dan

peramalan

(forecasting). Terdapat

beberapa alasan

mengapa ingin

memodelkan dan

meramalkan

volatilitas.

Pertama, mungkin

memerlukan

volatilitas

untuk

menganalisis

risiko

memegang aset dari

investasi

pilihan.

Kedua,

meramalkan

interval keyakinan

mungkin akan time-varying sehingga

interval yang lebih

tepat dapat

diperoleh dengan memodelkan varians error. Ketiga, estimator yang lebih efisien dapat

diperoleh bila heterokedastisitas dalam error diperlakukan dengan tepat.

2.7.6.1. ARCH (Auto Regressive Conditional Heterocedasticity)

Saat ini semakin fokus pada pentingnya volatilitas, yang diterminasi dan

efeknya pada nilai mean. Pemodelan volatilitas dari waktu ke waktu dapat meningkatkan

efisiensi dalam estimasi parameter dan keakuratan dalam inteval peramalan.

Pemodelan volatilitas dapat dilakukan dalam berbagai macam cara. Robert

Engel (1982) menggunakan teknik MA (Moving Average) untuk memodelkan volatilitas

yang bervariasi

waktu

dalam times series

dan

mengusulkan

apa

yang disebut dengan

Autoregressive Conditional Heterocedasticity atau ARCH.

Bentuk umum persamaan regresi univariat sebagai berikut :

(2.23)

Model conditional heterocedastic yang di usulkan oleh Engle sebagai berikut :

(2.24)

Dimana :

Rata-rata

adalah

nol

(E(

)=0);

variance

adalah

satu

(

= 1);

dan

mengikuti proses white noise.

merupakan faktor skala. Dalam kesempatan itu, bagaimana set up

menjadi penting dan dapat menghasilkan beberapa kemungkinan yang berbeda.

Bentuk umum

sebagai berikut :

?=?

?-?

(2.25)

Hal itu diebut model ARCH (q).

Apabila ?

terbentuk

Maka bentuk tersebut dikenal dengan model ARCH (1). Dengan model ARCH

(1), persamaan (1 ) menjadi :

= ??

+ ?

(2.26)

Unconditional long run variancedari galat

adalah :

Var (

) = E (?

) E (?

) =

(2.27)

Agar variance menjadi positif (var (

)

>0), perlu dibuat restriksi terhadap nilai

dan

yaitu

dan 0 <

Intuisi dibalik model ARCH (1) sebagai berikut.

Error process

dapat

digunakan

untuk

memodelkan

periode

volatilitas

dalam

kerangka univariate.

Conditional shoft run variance (“volatilitas”) dari

series merupakan fungsi nilai

masa

lalu galar

kuadra.

Artinya,

efek

setiap shock

baru

tergantung

pada

ukuran shock masa lalunya.

Shock

yang besar pada periode t akan

meningkatkan pengaruh (terhadap y) pada periode t+1, t+2 dan sebagainya.

2.7.6.2. GARCH (General Auto Regressive Conditional Heterocedasticity)

Sejak penemuan metode ARCH pada tahun 1982, model ARCH telah menjadi

industri, dengan

segala

macam

variasi

modelnya. Salah

satunya

yang popular

adalah

model autoregresif

umum heteroskedastisitas (Generalized Autoregressive

Heterocedasticity atau GARCH), awalnya diusulkan oleh Bollerslev (1986).

Yang mengatakan

bahwa kondisi

varians

pada

waktu

bergantung tidak

hanya pada kesalahan kuadrat pada waktu sebelumnya tetapi

juga pada kondisi varians

pada periode waktu sebelumnya. Model ini dapat digeneralisasi ke model GARCH (p,q)

dimana terdapat p dari segi error dan q dari segi varians.

Dengan error process yang sama dengan persamaan 2 :

(2.28)

Rata-rata ?

adalah

nol

)

0);

variance

adalah

(

= 1);

dan

mengikuti proses white noise

independen dari

realisasi

masa

lalu dari

?-?

maka conditional means

dan unconditional means

dari

akan sama dengan

nol.

merupakan faktor skala. Bentuk umum

adalah

?=?

?-?

?=?

?-?

(2.29)

Hal ini yang

disebut model GARCH

(p,q). Model GARCH

(p,q)

itu

berkemungkinan terdapat komponen autoregressive maupun moving average di dalam

heterocedastic

variance.

Keuntungan

model

GARCH adalah

lebih

mudah

diestimasi

untuk

kasus

ARCH

model

dengan

ordo

tinggi.

Karakteristik

utama GARCH

model

adalah bahwa conditional variance dari sequence [y

]

membentuk ARCH process.

2.7.6.3. Pengukuran Model Fit

Untuk membandingkan

keakuratan dan kesesuaian suatu model terhadap data

yang dimodelkan, dibutuhkan suatu pengukuran. Pengukuran ini dapat dilakukan dengan

banyak cara. Berikut ini akan dijelaskan dua macam contoh cara yang dapat digunakan

dan yang akan diterapkan dalam skripsi ini.

Akaike Information Criterion (AIC)

= ?

??/?

???

dimana k

merupakan jumlah dari regressor (termasuk intercept) dan

adalah

jumlah dari observasi. Untuk kemudahan dalam penghitungan, biasanya bentuk

AIC ditulis sebagai berikut :

ln AIC =

???

dimana ln AIC merupakan natural log dari AIC dan 2k/n adalah faktor penalty.

Berdasarkan pendapat

Gujarati (2003, p537)

AIC ini

dapat

diterapkan pada

peramalan

in-sample

maupun out-of-sample

dari sebuah

model

regresi.

Peramalan

in-sample

menjelaskan

bagaimana

sebuah

model

fit

dengan data

yang

ada pada sampel,

sedangkan

peramalan

out-of-sample

menyatakan

bagaimana sebuah

model

meramal

nilai refressand

yang akan datang dengan

memasukkan nilai-nilai regressornya.

Semakin kecil nilai AIC menyatakan model yang digunakan semakin fit.

Schwarz Information Criterion (SIC)

= ?

?/?

???

dimana k

merupakan jumlah dari regressor (termasuk intercept) dan

adalah

jumlah dari observasi. Untuk kemudahan dalam penghitungan, biasanya bentuk

SIC ditulis sebagai berikut :

ln SIC =

???

dimana ln SIC merupakan

natural log dari AIC

dan

(k/n) ln n

adalah

faktor

penalty.

Seperti

AIC,

Semakin

kecil

nilai

SIC

menyatakan

model

yang digunakan

semakin fit. SIC juga dapat digunakan untuk peramalan in-sample maupun out-

of-sample.

2.8.

Rekayasa Perangkat Lunak

Berdasarkan pendapat Presman

(2001, p19), rekayasa

perangkat

lunak

adalah

pengembangan

dan

penggunaan

prinsip

pengembangan

suara untuk

memperoleh

perangkat lunak secara ekonomis yang terpecaya dan bekerja secara efisien pada mesin

nyata.

Berdasarkan pendapat Presman (2001, p19), rekayasa perangkat

lunak terbagi

menjadi tiga lapisan yang mampu mengontrol kualitas perangkat lunak, yaitu :

Proses

Proses-proses

rekayasa

perangkat

lunak

adalah

perekat

yang menyatukan

lapisan-lapisan dan

memungkinkan perkembangan perangkat

lunak yang tepat

waktu

dan

rasional.

Lapisan

proses ini

membentuk

dasar bagi

kontrol

manajemen proyek perangkat

lunak serta membangun konteks dimana metode

teknis diaplikasikan, produk

usaha (modul, dokumen, data,

laporan,

form dan

lain-lain) dihasilkan,

fondasi dibangun, kualitas dijamin, dan perubahan diatur

secara rapi.

Metode

Metode rekayasa

perangkat

lunak

memberikan

teknik

untuk membangun

perangkat lunak yang mencakup serangkaian tugas yang luas yang menyangkut

analisis kebutuhan, konstruksi program, desain, pengujian, dan pemeliharaan.

Alat bantu

rekayasa

perangkat lunak memberikan topangan

yang otomatis

ataupun

semi-otomatis pada

proses-proses dan

metode-metode

yang

ada. Alat

bantu ini contohnya adalah CASE (Computer-Aided Software Engineering) dan

CAD (Computer-Aided Design).

Berdasarkan

pendapat

Presman (2001, p28),

dalam perancangan perangkat

lunak, dikenal model sekuensial linier atau yang sering disebut clasic life cycle

atau waterfall model. Model ini

mengusulkan pendekatan pada pengembangan

perengkat lunak

yang sistematis dan sekuensial

melalui aktivitas-aktivitas

seperti yang terlihat pada Gambar 2.16 berikut :

Gambar 2.16. Model Sekuensial Linier

Rekayasa dan pemodelan sistem

Proses pencarian kebutuhan difokuskan pada software. Untuk mengetahui sifat

dari

program

yang

akan

dibuat,

maka para software

engineer

harus

mengerti

tentang domain informasi dari software, misalnya fungsi yang dibutuhkan, user

interface dan lain-lain. Dari dua aktivitas tersebut (pencarian kebutuhan sistem

dan software) harus didokumentasikan dan ditunjukkan kepada pelanggan.

Analisis kebutuhan perangkat lunak

Untuk dapat memahami sifat program yang dibangun, perekayasa perangkat

lunak harus memahami domain informasi, tingkah laku, cara kerja, dan

interface yang dibutuhkan.

Perancangan

Perancangan perangkat lunak adalah proses yang berfokus pada empat atribut

sebuah program yang berbeda, yaitu struktur data, arsitektur perangkat lunak,

representasi tampilan, dan algoritma prosedural. Perancangan menerjemahkan

kebutuhan ke dalam suatu representasi perangkat lunak yang dilakukan sebelum

pengkodean.

Pengkodean

Untuk dapat dimengerti oleh mesin, dalam hal ini adalah komputer, maka

desain tadi harus diubah bentuknya menjadi bentuk yang dapat dimengerti oleh

mesin, yaitu ke dalam bahasa pemrograman

melalui proses coding. Tahap ini

merupakan

implementasi

dari

tahap

desain

yang

secara teknis

nantinya

dikerjakan oleh programmer.

Pengujian

Sesuatu

yang dibuat

haruslah diujicobakan.

Demikian

juga

dengan

software.

Semua fungsi-fungsi

software

harus diujicobakan,

agar

software

bebas

dari

error,

dan

hasilnya harus

benar-benar sesuai dengan

kebutuhan

yang

sudah

didefinisikan sebelumnya.

Pemeliharaan

Digunakan untuk

mengantisipasi kesalahan-kesalahan

akibat

perubahan-

perubahan

dalam

lingkungan

eksternalnya

atau adanya

kebutuhan

untuk

pengembangan

fungsional

maupun

cara kerja.

Diagram

alir

menggunakan

simbol-simbol yang sudah distandarisasikan.

2.8.1.

Diagram Alir (Flowchart)

Berdasarkan pendapat

Hansen (2005), diagram

alir merupakan representasi

grafis

dari

serangkaian aktifitas

operasi,

pergerakan,

inspeksi,

penundaan,

keputusan,

dan penyimpanan dari sebuah proses.

Berikut adalah simbol-simbol yang digunakan

untuk menggambarkan diagram

alir :

Tabel 2.2.

Simbol-Simbol dalam Diagram Alir

Notasi

Arti Notasi

Proses

Predefined Proses

Operasi input / output

Decision,

berupa

pertanyaan

atau

penentuan suatu keputusan

Terminal, untuk menandai awal dan akhir

program

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 bersedia

2.8.2.

State Transition Diagram (STD)

Berdasarkan

pendapat

Whitten,

et.al.

(2004, pp673-674),

STD

merupakan

diagram yang digunakan untuk menggambarkan urutan dan variasi dari layar yang

terjadi ketika pengguna sistem berada di terminal. Ada beberapa notasi yang digunakan

dalam memberikut suatu STD, yaitu:

Kotak

Lambang kotak digunakan

untuk mewakili

layar tampilan. Lambang ini

hanya

menggambarkan sesuatu yang mungkin tampil selama dialog.

Panah

Panah digunakan

untuk mewakili kontrol aliran dan event yang

memicu

aktifnya sebuah layar. Arah panah mengindikasi

urutuan dimana layar

tersebut tampil.

2.8.3. Kerangka Pikir

Penulisan

ini terdiri dari dua bagian, yaitu perancangan program dan analisis.

Perancangan program dimaksudkan untuk membuat sebuah tampilan yang mudah

dipakai

dibandingkan

dengan

langsung

menggunakan

perangkat

lunak statistik.

Sedangkan analisis dilakukan pada bidang statistik, khususnya dalam perbandingan yang

akan dilakukan.

2.9. United Modelling Language (UML)

2.9.1. Sejarah UML

UML adalah

sebuah

bahasa

yang telah

menjadi

standar

dalam

industri

untuk

menvisualisasi,

menspesifikasi,

merancang dan

mendokumentasi

sistem piranti

lunak

(Booch et al, 1999, p14). UML memberikan standar penulisan sebuah sistem blue print,

yang

meliputi konsep

bisnis proses, penulisan kelas-kelas dalam bahasa program

yang

spesifik,

skema

database,

dan

komponen-komponen

yang diperlukan

dalam

sistem

software.

Pendekatan analisa dan rancangan dengan menggunakan model Object

Oriented

(OO) mulai

diperkenalkan

sekitar

pertengahan

1970

hingga akhir

1980

dikarenakan pada saat itu aplikasi software sudah meningkat dan mulai kompleks.

Jumlah

yang

menggunakaan

metode

OO mulai diujicobakan dan diaplikasikan

antara

1989 hingga 1994, seperti halnya oleh Grady Booch dengan metode yang dikenal

dengan

OOSE

(Object-Oriented

Software

Engineering),

serta James

Rumbaugh

dari

General Electric, dikenal dengan OMT (Object Modelling Technique).

Kelemahan saat itu disadari oleh Booch maupun Rumbaugh adalah tidak

adanya standar penggunaan model yang berbasis OO, kemudian Booch, Rumbaugh dan

Jacobson

mulai mendiskusikan

untuk

mengadopsi

masing-masing pendekatan

metoda

untuk

membuat

suatu

model

bahasa

yang

seragam

yang disebut

UML (Unified

Modeling Language) dan dapat digunakan oleh seluruh dunia.

2.9.2.

Bagian UML

2.9.2.1. Class Diagram

Class

diagram

adalah

diagram

yang

menunjukkan

sekumpulan

dari

kelas-

kelas, interfaces, dan kolaborasi-kolaborasi serta hubungannya (Booch et al, 1999,

p107).

Class

diagram digunakan

untuk

memvisualisasikan,

menspesifikasikan,

mendokumentasikan

model

struktural

dan

juga

membangun

sistem

yang dapat

dieksekusi.

Pada class diagram terdapat simbol-simbol :

Simbol “+” untuk menandakan

public.

Simbol “-” untuk menandakan

private.

Simbol “#” untuk menandakan

protected.

Class

diagram

direpresentasikan

dalam

bentuk

kotak

yang terbagi

atas

tiga

bagian

yaitu

nama

class,

atribut,

dan perilaku

(behavior),

seperti

terlihat pada

Gambar 2.17.

Class Name

Attribute

Type

Initial Value

Operation

(

arg list

): r

eturn type

Gambar 2.17. Contoh Class Diagram

2.9.2.2. Use Case Diagram

Use case diagram

menggambarkan

sekumpulan

use case

dan

aktor

serta

hubungannya (Booch et al, 1999, p234). Use Case Diagram memvisualisasikan tingkah

laku dari

suatu

sistem

dan

menggambarkan

interaksi

antara

aktor

dengan

sistem.

bawah ini dijelaskan bagian use case diagram:

Actor

Sebuah aktor mewakili sekumpulan peranan yang saling berhubungan di dalam

sistem dimana aktor tersebut berinteraksi dengan

use case (Booch et al, 1999,

p221). Aktor dapat berupa orang ataupun sistem yang otomatis berjalan. Notasi

aktor dengan nama aktor tersebut dibawahnya:

Actor

Use Case

Sebuah use case

menjelaskan sekumpulan dari sequence, dimana setiap

sequence mewakili interaksi dari hal-hal di luar sistem (aktornya) dengan

sistem

itu sendiri (Booch et al, 1999, p220). Sehingga sebuah use case

menunjukkan sebuah keperluan fungsional dari keseluruhan sistem.

Notasi use case :

Untuk menghubungkan

antara

aktor dengan

use

case digunakan simbol

garis

yang disebut sebagai relationship.

Suatu use case dapat memiliki deskripsi teknik, yaitu: extends, dan include.

Extends

berarti

memperluas

use case

dasar dengan

menambah

behavior-

behavior baru

tanpa

mengubah use case

dasar

itu sendiri.

Titik

mana

use

case diperluas disebut sebagai extension point.

Sebuah use

case

dapat

menginclude

fungsionalitas dari

use case

lain

sebagai

bagian

dari

proses

dalam dirinya.

Secara umum

diasumsikan bahwa use

case

yang

diinclude akan dipanggil setiap kali use

case yang

menginclude

dieksekusi secara normal.

Dengan

adanya

use case diagram

maka akan

membantu

dalam

menyusun

kebutuhan sebuah sistem dan mengkomunikasikannya dengan klien.

2.9.2.3. Sequence Diagram

Sequence

diagram

menggambarkan

sekumpulan objek dan

interaksinya,

termasuk pesan yang dikirim terhadap urutan waktu (Booch et al, 1999, p245). Sequence

diagram

menunjukkan

sekumpulan objek

dan

pesan

yang

dikirim

dan

diterima

oleh

objek tersebut. Sequence diagram memiliki dua buah karakteristik yaitu :

Setiap objek memiliki lifeline yang digambarkan dengan garis putus-putus

vertikal dan garis ini menunjukkan daur hidup dari sebuah objek.

Terdapat fokus kontrol yang digambarkan dengan sebuah persegi panjang yang

tipis dan tinggi. Fokus kontrol

ini

menunjukkan periode waktu selama sebuah

objek melakukan sebuah event.

2.9.2.4. Activity Diagram

Activity diagram memodelkan aliran dari suatu aktivitas ke aktivitas berikutnya

dalam suatu proses (Booch et al, 1999, p258). Komponen utama dalam activity diagram

adalah:

Table 2.3.

Komponen Utama dalam Activity Diagram

Initial state, yaitu menyatakan awal dimulainya

suatu aktivitas.

Final state, yaitu menyatakan berakhirnya suatu

aktivitas.

State, menggambarkan aktivitas yang

merepresentasikan kinerja dari suatu operasi.

Control Flow, menyatakan relationship diantara 2

state. Control flow mengidentifikansi kontrol yang

dikirim dari state pertama ke state kedua setelah

aktivitas pada state pertama selesai dijalankan.

Decision, menggambarkan kontrol dari aliran yang

bersifat kondisional.

Gambar 2.18 merupakan contoh penggunaan Activity Diagram:

Gambar 2.18. Contoh Activity Diagram

Activity Diagram

menekankan

aliran kontrol

dari

suatu

aktivitas

ke aktivitas

yang lain. Sehingga activity diagram dapat digunakan

untuk

menunjukkan aliran

aktivitas sistem yang dirancang dari awal hingga aliran berakhir.

2.9.2.5. Component Diagram

Component

Diagram menunjukkan organisasi dan hubungan ketergantungan

antara satu

set

komponen

dalam

sebuah

sistem

(Booch

al,

1999,

p393).

Dengan

component

diagram,

dapat

digambarkan

hubungan

statis

antara komponen-komponen

fisik dan menspesifikasikan detailnya untuk membangun sebuah sistem.