BAB 2 LANDASAN TEORI 2.1
Uang
2.1.1
Pengertian Uang Untuk ekonom, kata uang memiliki arti yang berbeda dari pendapatan atau
kekayaan. Uang adalah segala sesuatu yang secara umum diterima sebagai pembayaran atas barang atau jasa atau dalam pembayaran utang. (Mishkin, 2004, p56) 2.1.2
Fungsi dari Uang Uang memiliki tiga fungsi utama : 1. Sebagai alat tukar Uang sebagai alat tukar menghindari masalah kebetulan ganda dari keinginan yang muncul dalam perekonomian barter dengan menurunkan biaya transaksi dan mendorong spesialisasi dan pembagian kerja. 2. Sebagai satuan hitung Uang sebagai satuan hitung mengurangi jumlah harga yang dibutuhkan dalam perekonomian, yang juga mengurangi biaya transaksi. 3. Sebagai penyimpanan nilai. Uang juga berfungsi sebagai penyimpanan nilai, tetapi menjalankan peran ini buruk jika cepat kehilangan nilai karena inflasi.
7
2.2
Evolusi Sistem Finansial Internasional Standar emas Sebelum perang dunia I, ekonomi dunia yang dioperasikan di bawah standar
emas, yang berarti bahwa mata uang sebagian besar negara itu dapat dikonversi secara langsung menjadi emas. Keterikatan mata uang dengan emas menghasilkan sistem keuangan internasional dengan nilai tukar tetap diantara mata uang. Nilai tukar tetap di bawah standar emas memiliki keuntungan dalam mendorong perdagangan dunia dengan menghilangkan ketidakpastian yang terjadi ketika nilai tukar berfluktuasi. Selama negara-negara mematuhi aturan-aturan di bawah standar emas dan terus didukung oleh mata uang mereka dan dikonversi menjadi emas, nilai tukar akan tetap. Namun, kepatuhan terhadap standar emas berarti bahwa suatu negara tidak memiliki kontrol atas kebijakan moneter, karena persediaan uang ditentukan oleh aliran emas diantara negara-negara. Selain itu, kebijakan moneter di seluruh dunia sangat dipengaruhi oleh produksi emas dan penemuan emas. Ketika produksi emas rendah di tahun 1870-an dan 1880-an, jumlah uang beredar di seluruh dunia tumbuh perlahanlahan dan tidak mengikuti pertumbuhan ekonomi dunia. Hasilnya adalah deflasi (penurunan tingkat harga). Penemuan emas di Alaska dan Afrika Selatan pada tahun 1890 kemudian membuat produksi emas menjadi sangat berkembang, menyebabkan uang yang beredar meningkat dengan cepat dan tingkat harga naik (inflasi) hingga perang dunia I. Sistem bretton woods Perang dunia I menyebabkan gangguan besar dalam perdagangan. Negara tidak bisa lagi mengubah mata uang mereka menjadi emas, dan standar emas runtuh.
8
Meskipun ada upaya untuk menghidupkan kembali dalam periode antar-perang, depresi di seluruh dunia yang dimulai pada tahun 1929, menyebabkan keruntuhan tetapnya. Sebagai kemenangan sekutu di perang dunia II pada tahun 1944 yang menjadi pasti, sekutu bertemu di Bretton Woods, New Hampshire, untuk mengembangkan suatu sistem moneter internasional baru untuk mempromosikan perdagangan dunia dan kemakmuran setelah perang. Dalam perjanjian yang berhasil diantara Sekutu, bank sentral membeli dan menjual mata uang mereka sendiri untuk menjaga nilai tukar tetap pada tingkat tertentu (yang disebut era nilai tukar tetap). Perjanjian berlangsung 1945-1971 dan dikenal sebagai sistem Bretton Woods. Perjanjian Bretton Woods membentuk dana moneter internasional (IMF), yang berkantor pusat di Washington, DC. IMF diberi tugas untuk mempromosikan pertumbuhan perdagangan dunia dengan menetapkan aturan dalam hal pemeliharaan nilai tukar tetap dan memberikan pinjaman untuk negara-negara yang mengalami kesulitan neraca pembayaran. Sebagai bagian dari perannya dalam pemantauan kepatuhan negara anggota dengan aturan, IMF juga melakukan pengumpulan dan standarisasi data ekonomi internasional. Dalam
perjanjian
Bretton
Woods
juga
disepakati
pembentukan
bank
internasional untuk rekonstruksi dan pembangunan, biasanya disebut sebagai bank dunia juga bermarkas di Washington, DC, yang menyediakan pinjaman jangka panjang untuk membantu negara-negara berkembang membangun bendungan, jalan, dan modal fisik lainnya yang akan berkontribusi terhadap pembangunan ekonomi mereka. Dana pinjaman ini diperoleh oleh Bank Dunia dengan menerbitkan obligasi, yang dijual di pasar modal negara-negara maju.
9
Mengambang yang diatur Meskipun nilai tukar saat ini diperbolehkan berubah setiap hari dalam merespon kekuatan pasar, bank sentral belum bersedia menyerah pada pilihan mereka dalam campur tangan dalam pasar valuta asing. Mencegah perubahan besar dalam nilai tukar memudahkan perusahaan dan individu membeli atau menjual barang luar negeri untuk merencanakan ke depan. Selain itu, negara-negara dengan surplus neraca pembayaran sering tidak mau melihat mata uang mereka mengalami apresiasi, karena itu membuat barang-barang mereka lebih mahal di luar negeri dan barang luar negeri lebih murah di negara mereka. Karena sebuah apresiasi bisa mencederai bisnis penjualan domestik dan meningkatkan pengangguran, negara-negara surplus sering menjual mata uang di pasar valuta asing dan memperoleh cadangan internasional. Negara-negara dengan neraca pembayaran defisit tidak ingin melihat kehilangan nilai mata uang mereka, karena menyebabkan barang-barang asing lebih mahal bagi konsumen domestik dan dapat menstimulasi inflasi. Untuk menjaga nilai mata uang domestik tinggi, negara-negara defisit sering membeli mata uang mereka sendiri di pasar valuta asing dan menyerah cadangan internasional. Sistem Moneter Eropa (EMS) Pada bulan Maret 1979, delapan anggota komunitas ekonomi Eropa (Jerman, Perancis, Italia, Belanda, Belgia, Luxemburg, denmark, dan Irlandia) mendirikan sistem moneter Eropa (EMS), dimana mereka sepakat untuk memperbaiki nilai tukar mereka satu sama lain dan mengambangkan secara bersama-sama terhadap US Dollar. Spanyol bergabung dengan EMS pada bulan Juni 1989, kerajaan Inggris pada bulan Oktober 1990, dan Portugal pada April 1992. EMS menciptakan sebuah unit moneter baru, unit mata uang Eropa (ECU), yang nilainya diikat kepada sekeranjang dari jumlah yang
10
ditentukan dari mata uang Eropa . Setiap anggota EMS diharuskan untuk menyumbang 20% dari kepemilikan emas dan dollar kepada European Monetary Cooperation Fund dan sebagai imbalannya akan diterima ECU dengan jumlah yang setara. Kelemahan serius sistem nilai tukar tetap seperti sistem Bretton Woods atau Sistem Moneter Eropa adalah bahwa mereka dapat mengakibatkan krisis valuta asing yang melibatkan sebuah "serangan spekulatif" pada mata uang. (Mishkin, 2004, p468 - p475). 2.3
Proses Stokastik Sebuah urutan dari variabel-variabel acak yang diindeks berdasarkan waktu
disebut sebagai proses stokastik atau sebuah proses deret waktu. Ketika sejumlah data deret waktu dikumpulkan, didapat satu hasil yang mungkin, atau realisasi, dari proses stokastik. Hanya bisa dilihat sebuah realisasi tunggal, karena tidak mungkin untuk kembali ke masa lampau dan memulai proses lagi. Namun, jika kondisi tertentu dalam masa lampau itu berbeda, umumnya akan diperoleh realisasi yang berbeda dari proses stokastik, dan inilah sebabnya banyak yang berpikir bahwa data deret waktu sebagai hasil dari variabel-variabel acak. (Wooldridge, 2002, p312). 2.3.1
Proses Stokastik Stasioner Sebuah proses stokastik dikatakan stasioner jika rata-rata dan variansnya konstan
terhadap waktu dan nilai dari kovarians antara dua periode waktu bergantung hanya pada jarak antara dua periode waktu dan bukan kepada waktu aktual dimana kovarians tersebut dihitung. Dalam literatur deret waktu, proses stokastik seperti ini dikenal sebagai proses stokastik stasioner lemah.
11
Untuk mempermudah dalam penjelasan, akan dimisalkan Yt sebagai deret waktu stokastik yang mempunyai sifat-sifat sebagai berikut : Rata-rata : E(Yt) = µ ………....…………………………………………....... (2.1)
Varians : var(Yt) = E(Yt - µ)2 = 2 ..………………............…….…..………. (2.2) Kovarians : γk = E[Yt - µ)(Yt+k - µ)] …………............………….………….. (2.3) Kemudian yang akan dilakukan adalah menggeser Y dari Yt ke Yt+m. Sekarang
jika Yt adalah stasioner, maka rata-rata, varians, dan kovarians dari Yt+m harusnya sama dengan rata-rata, varians, dan kovarians dari Yt. Singkatnya, jika deret waktu dikatakan stasioner, rata-rata, varians, dan otokovariansnya (dalam berbagai periode) akan tetap sama, tidak peduli di titik manapun dihitung; karena itu, mereka dikatakan tidak berubah-ubah terhadap waktu. Jika deret waktu tidak stasioner dalam arti yang didefinisikan di atas, maka deret waktu tersebut dikatakan nonstasioner. Dengan kata lain, sebuah deret waktu nonstasioner akan menghasilkan rata-rata yang berubah-ubah terhadap waktu atau varians yang berubah-ubah terhadap waktu atau keduanya. Dan ini berarti, deret stasioner tidak dapat manarik kesimpulan untuk periode waktu yang lainnya. (Gujarati, 2004, p797). 2.3.2
Proses Stokastik Nonstasioner Walaupun perhatian tertuju kepada deret waktu stasioner, sesekali sering ditemui
deret waktu yang nonstasioner, contoh klasiknya adalah keberadaan model berjalan acak. Sering dikatakan bahwa harga saham atau nilai tukar, mengikuti suatu berjalan acak; karena itu, mereka adalah nonstasioner. Menurut Gujarati (2004, p798) berjalan
12
acak dapat dibedakan menjadi dua tipe yaitu : (1) berjalan acak tanpa penyimpangan, (2) berjalan acak dengen penyimpangan. Berjalan acak tanpa penyimpangan
Misalkan µ t adalah white noise error dengan rata-rata nol dan varians 2. Maka
deret Yt dikatakan berjalan acak jika
Yt = Yt-1 + µ t ……………………………………………......………………. (2.4) Di dalam model berjalan acak, seperti pada persamaan (2.4) memperlihatkan bahwa nilai dari Y pada waktu ke t adalah sama dengan nilainya pada waktu ke (t-1) ditambah dengan sebuah random shock; karena itu, ini adalah sebuah model AR(1). Persamaan (2.4) dapat dianggap sebagai suatu regresi dari Y pada waktu ke t dengan nilainya tertinggal satu periode. Sekarang dari persamaan (2.4) dapat ditulis Y1 = Y0 + µ 1 Y2 = Y0 + µ 2 = Y0 + µ 1 + µ 2 Y3 = Y0 + µ 3 = Y0 + µ 1 + µ 2 + µ 3 Secara umum, jika proses dimulai pada waktu tertentu nol dengan suatu nilai dari Y0, maka
Yt = Y0 + ∑ …………………………………………......…………...…… (2.5) Sehingga,
E(Yt) = E(Y0 + ∑ ) = Y0 …………………………………......…………… (2.6) Dengan cara serupa, dapat diperlihatkan bahwa var(Yt) = t2 ……………………………………………………......……….. (2.7)
13
Seperti yang telah diperlihatkan pada ekspresi (2.6), rata-rata dari Y adalah sama dengan nilai awal atau nilai mulai, yang mana konstan, tetapi selama t bertambah, variansnya juga bertambah tidak terbatas, dengan demikian melanggar kondisi dari kestasioneran. Singkatnya, model berjalan acak tanpa penyimpangan adalah proses stokastik nonstasioner. Dalam prakteknya Y0 sering ditetapkan nol, dalam kasus dimana E(Yt) = 0. Fitur yang menarik dari model berjalan acak adalah persistent random shocks (contohnya random errors), dimana sudah jelas dari persamaan (2.5) : Yt adalah jumlah dari Y0 ditambah jumlah dari random shocks. Sebagai hasilnya, pengaruh dari shock tertentu tidak akan menghilang secara terus-menerus. Karena itulah berjalan acak dikatakan mempunyai ingatan tidak terbatas. Kerry Patterson mengemukakan, bahwa berjalan acak mengingat shock selamanya; karena itu, berjalan acak memiliki ingatan tak terbatas. Menariknya, jika menulis persamaan (2.4) seperti (Yt – Yt-1) = ∆Yt = µ t ...................................................................................... (2.8) Dimana ∆ adalah operator perbedaan pertama. Mudah untuk memperlihatkan bahwa, ketika Yt adalah nonstasioner, perbedaan pertamanya adalah stasioner. Dengan kata lain, perbedaan pertama dari deret waktu berjalan acak adalah stasioner. Berjalan acak dengan penyimpangan Misalkan persamaan (2.4) diubah sebagai berikut : Yt = δ + Yt-1 + µ t ............................................................................................. (2.9) Dimana δ dikenal sebagai parameter penyimpangan. Nama penyimpangan datang dari kenyataan bahwa jika persamaan sebelumnya ditulis sebagai
14
(Yt – Yt-1) = ∆Yt = δ + µ t .............................................................................. (2.10) Ini memperlihatkan bahwa Yt menyimpang ke atas atau ke bawah, tergantung pada nilai δ yang menjadi positif atau negatif. Perhatikan bahwa persamaan (2.9) adalah juga sebuah model AR(1). Mengikuti prosedur yang dibicarakan untuk berjalan acak tanpa penyimpangan, dapat diperlihatkan bahwa untuk model berjalan acak dengan penyimpangan (2.9), E(Yt) = Y0 + t . δ ........................................................................................... (2.11) var(Yt) = t2 .................................................................................................. (2.12) Seperti yang bisa dilihat, untuk berjalan acak dengan penyimpangan, baik ratarata maupun variansnya bertambah terhadap waktu, sekali lagi melanggar kondisi dari kestasioneran. Dari penjelasan di atas, dapat disimpulkan bahwa model berjalan acak, dengan atau tanpa penyimpangan, adalah proses stokastik nonstasioner. Model berjalan acak adalah suatu contoh dari apa yang dikenal di dalam literatur sebagai sebuah proses akar unit. (Gujarati, 2004, p798 – p800). 2.4
Pengujian Akar Unit Pendekatan yang paling sederhana untuk menguji akar unit dimulai dengan
sebuah model AR(1) : yt = α + ρyt-1 + et ........................................................................................... (2.13) dimana y0 adalah nilai awal yang diamati. Sepanjang bagian ini, dimisalkan et menunjukkan sebuah proses yang memiliki rata-rata nol, yang telah ditentukan masa lampau y yang diamati :
15
E(et | yt-1, yt-2, …, y0) = 0 .............................................................................. (2.14) [di bawah (2.14), et dikatakan sebagai martingale difference sequence sehubungan dengan {yt-1, yt-2, ...}. Jika et diasumsikan i.i.d. dengan rata-rata nol dan tidak bergantung pada y0, maka et juga memenuhi (2.14).] Jika yt mengikuti (2.13), yt memiliki sebuah akar unit jika dan hanya jika ρ = 1. Jika α = 0 dan ρ = 1, yt mengikuti sebuah berjalan acak tanpa penyimpangan [dengan perubahan et memenuhi (2.14)]. Jika α ≠ 0 dan ρ = 1, yt adalah sebuah acak berjalan dengan penyimpangan. Sebuah proses akar unit dengan penyimpangan berperilaku sangat berbeda dengan yang tanpa penyimpangan. Meskipun demikian, merupakan hal yang wajar untuk membiarkan α tidak ditentukan di bawah hipotesis nol, dan ini adalah pendekatan yang diambil. Oleh sebab itu, hipotesis nol adalah bahwa yt memiliki sebuah akar unit : H0 : ρ = 1 ....................................................................................................... (2.15) Dalam hampir semua kasus, ada ketertarikkan pada alternatif searah H1 : ρ < 1 ....................................................................................................... (2.16) Sebuah persamaan yang mudah dicapai untuk melaksanakan pengujian akar unit adalah dengan mengurangkan kedua sisi dengan yt-1 (2.13) dan mendefinisikan θ=ρ–1: ∆yt = α + θyt-1 + et ......................................................................................... (2.17) Dalam hal ini statistik t tidak dapat digunakan. Distribusi yang mendekati statistik t di bawah H0 telah hadir yang kemudian dikenal dengan distribusi DickeyFuller.
16
Meskipun tidak dapat menggunakan nilai-nilai kritis yang biasa, dapat digunakan
statistik t biasa untuk dalam (2.17), setidaknya sekali nilai-nilai kritis yang sesuai telah
ditabulasi. Uji yang dihasilkan dikenal sebagai uji Dickey-Fuller (DF) untuk sebuah akar unit. Pengujian untuk akar unit dalam model dengan dinamika yang lebih rumit juga dibutuhkan. Jika yt mengikuti (2.13) dengan ρ = 1, maka ∆yt adalah serially uncorrelated. Dapat dengan mudah memperbolehkan ∆yt mengikuti sebuah model AR yang dimodelkan dengan menambahkan persamaan (2.17) dengan tambahan periode. Contohnya, ∆yt = α + θyt-1 + γ1∆yt-1 + et .......................................................................... (2.18) dimana | γ1 | < 1. Ini memastikan bahwa, di bawah H0 : θ = 0, ∆yt mengikuti sebuah model AR yang stabil.
Lebih luas, dapat menambahkan periode p terhadap ∆yt ke persamaan untuk menghitung dinamika di dalam proses. Cara menguji hipotesis nol dari sebuah akar unit sangat mirip, yaitu dengan melakukan regresi dari ∆yt terhadap yt-1, ∆yt-1, ..., ∆yt-p ..................................................................... (2.19) dan menampilkan uji t pada , koefisien dari yt-1, seperti sebelumnya. Ini adalah
perluasan dari uji Dickey-Fuller yang biasanya disebut augmented Dickey-Fuller karena regresinya telah ditambahkan dengan perubahan dari masa lampau. Nilai kritis yang digunakan sama seperti sebelumnya. Dimasukkannya nilai masa lampau dalam (2.19) dimaksudkan untuk menghilangkan setiap korelasi serial dalam ∆yt. Semakin banyak
periode yang dimasukkan dalam (2.19), semakin banyak observasi awal yang hilang.
17
Untuk deret yang sudah jelas tren waktunya, perlu untuk dilakukan perubahan dalam pengujian untuk akar unitnya. Sebuah proses tren stasioner dapat menimbulkan kesalahan pada proses akar unit jika tren waktu tidak dikontrol dalam regresi DickeyFullernya. Untuk memperbolehkan deret dengan tren waktu, persamaan dasar diubah menjadi ∆yt = α + δt + θyt-1 + γ1∆yt-1 + εt ................................................................... (2.20) Dimana hipotesis nolnya adalah H0 : θ = 0 dan alternatifnya H1 : θ = 0. (Wooldridge, 2002, p578 - p582) 2.5
Uji Kausalitas Granger Diasumsikan bahwa sebuah deret waktu merupakan stasioner lemah. Misalkan It
menunjukkan total dari kumpulan informasi yang ada pada waktu ke t. Sekumpulan informasi ini meliputi, terutama, kedua deret waktu x dan y. Misalkan ̅ t menunjukkan
kumpulan dari semua nilai masa sekarang dan masa lampau dari x, contohnya
̅ := {xt, xt-1, ..., xt-k, ...} dan begitu juga dengan y. Misalkan 2 menunjukkan varians dari kesalahan peramalan. Untuk situasi seperti ini, C.W.J. Granger (1969) mengusulkan definisi dari kausalitas antara x dan y sebagai berikut : 1. Kausalitas Granger x (dengan sederhana) kausal Granger terhadap y jika dan hanya jika penerapan
dari
fungsi
ramalan
2 (yt+1 | It) < 2 (yt+1 | It - xt),
optimal
linier
membawa
kepada
18
contohnya jika nilai masa depan dari y dapat diramalkan lebih baik, misalnya dengan varians kesalahan ramalan yang lebih kecil, jika nilai masa sekarang dan masa lampau dari x digunakan. 2. Kausalitas Granger seketika x kausal Granger dengan seketika terhadap y jika dan hanya jika penerapan
dari
fungsi
ramalan
2 (yt+1 | {It, xt+1}) < 2 (yt+1 | It),
optimal
linier
membawa
kepada
contohnya jika nilai masa depan dari y, yt+1, dapat diramalkan lebih baik,
misalnya dengan varians kesalahan ramalan yang lebih kecil, jika nilai masa depan dari x, xt+1, digunakan selain daripada nilai masa sekarang dan masa lampau dari x. 3. Umpan balik Ada umpan balik antara x dan y jika dan hanya jika x kausal terhadap y dan y kausal terhadap x. Umpan balik hanya didefinisikan untuk kasus dari hubungan kausal sederhana. Alasannya adalah bahwa arah dari hubungan kausal dengan seketika tidak bisa diidentifikasi tanpa tambahan informasi atau asumsi-asumsi. Sesuai dengan definisi ini ada delapan perbedaan, kemungkinan eksklusif dari hubungan kausal antara dua deret waktu : 1. x dan y adalah bebas (x, y) 2. Hanya ada kausal dengan seketika (x-y) 3. x kausal terhadap y, tanpa kausal dengan seketika (x→y) 4. y kausal terhadap x, tanpa kausal dengan seketika (x←y) 5. x kausal terhadap y, dengan kausal dengan seketika (x=>y)
19
6. y kausal terhadap x, dengan kausal dengan seketika (x<=y) 7. Ada umpan balik tanpa kausal dengan seketika (x↔y) 8. Ada umpan balik dengan kausal dengan seketika (x<=>y) Dalam definisi yang diberikan di atas, It mencakup semua informasi yang ada pada waktu ke t. Biasanya, bagaimanapun, hanya nilai sekarang dan nilai masa lampau dari kedua deret waktu x dan y yang diperhitungkan : It := {xt, xt-1, …, xt-k, …, yt, yt-1, …, yt-k, …} Walaupun namanya kausalitas, kausalitas Granger tidak berarti kausalitas yang sebenarnya. Jika keduanya, x dan y, didorong oleh sebuah proses ketiga bersama dengan periode yang berbeda, ukuran mereka terhadap kausalitas Granger masih dapat signifikan secara statistik. Namun, manipulasi dari suatu proses tidak akan mengubah yang lain. Memang, uji Granger dirancang untuk menangani pasangan variabel, dan dapat menghasilkan hasil yang menyesatkan ketika hubungan yang sebenarnya melibatkan tiga variabel atau lebih. Tes serupa yang melibatkan variabel yang lebih banyak dapat diterapkan dengan Vector Autoregressive. (Gebhard, 2007, p95 – p96). Uji kausalitas Granger dapat digunakan dalam tiga situasi yang berbeda : 1. Dalam sebuah uji kausalitas Granger sederhana, dimana ada dua variabel dan periode mereka. 2. Dalam sebuah uji kausalitas Granger multivariat lebih dari dua variabel dimasukan, karena diduga bahwa lebih dari satu variabel yang dapat mempengaruhi hasilnya.. 3. Kausalitas Granger dapat juga diuji dalam sebuah kerangka kerja VAR (Vector
Autoregressive);
Di
dalam
kasus
ini,
model
multivariate
20
dikembangkan dalam rangka untuk menguji keseragaman dari semua variabel yang dimasukan. Uji kausalitas Granger bisa diterapkan hanya pada deret waktu yang secara statistik stasioner. Jika deret waktunya nonstasioner, maka model deret waktunya sebaiknya diterapkan pada perbedaan pertama daripada data aslinya. Perhatikan model Vector Autoregressive untuk dua persamaan berikut :
() ()
= +
+ …………..............….. (2.20) () () Dimana, Ai0
= parameter yang mewakili intersep
Aij(L)
= polinomial dalam periode operator L
εit
= gangguan white noise
Dalam model dua persamaan dengan p periode, y1t bukan merupakan penyebab Granger y2t jika dan hanya jika seluruh koefisien A21(L) sama dengan nol. Sekali lagi, jika semua variabel dalam VAR adalah stasioner, kausalitas Granger dapat diuji dengan menggunakan uji F standar dengan batasan : a21(1) = a21(2) = a21(3) = … = a21(p) = 0 Dimana, a21(1), a21(2),… adalah
koefisien individual dari A21(L). (Saadia
Usman, Frederick Asafo-Adjei Sarpong; 2008, p6). 2.6
Vector Autoregressive Cara yang mudah untuk memodelkan hubungan dinamis diantara beberapa
variabel deret waktu tanpa membuat banyak asumsi adalah dengan menggunakan apa
21
yang disebut Vector Autoregressive, atau VAR. (Russell Davidson dan James G. MacKinnon, 1999, p585). Menurut Sims, jika ada kesimultanan yang benar diantara sepasang variabel, mereka semua seharusnya mendapatkan perlakuan yang sama; seharusnya tidak ada pembedaan sebelumnya antara variabel-variabel endogen dan eksogen. Dengan semangat inilah, Sims mengembangkan model VAR-nya. (Gujarati, 2004, p848) Untuk sejumlah n variabel deret waktu yt = (y1t, y2t, ..., ynt)', sebuah VAR dengan orde p (VAR (p)), dapat dituliskan sebagai berikut (Saadia Usman, Frederick AsafoAdjei Sarpong; 2008, p9) : yt = A0 + A1yt-1 + A1yt-2 + ... + Apyt-p + εt ..................................................... (2.21) Dimana, p
= periode yang diperhatikan dalam sistem.
n
= banyaknya variabel yang diperhatikan dalam sistem.
yt
= sebuah vektor (n.1) yang berisi masing-masing n variabel yang dimasukan ke dalam VAR.
2.6.1
A0
= sebuah vektor intersep (n.1).
Ai
= sebuah koefisien matriks (n.n).
εt
= sebuah vektor kesalahan (n.1).
Penentuan Panjang Periode Untuk Model VAR Elemen yang penting dalam spesifikasi model VAR adalah penentuan panjang
periode. Berbagai macam cara pemilihan kriteria panjang periode telah didefinisikan oleh berbagai penulis seperti, Akaike’s (1969) final prediction error (FPE), Akaike
22
Information Criterion (AIC) yang disarankan oleh Akaike (1974), Schwarz Criterion (SC) (1978) dan Hannan-Quinn Information Criterion (HQ) (1979). Kriteria-kriteria ini sesungguhnya mengindikasikan kebaikan suai dari (model) alternatif, jadi mereka akan digunakan sebagai pelengkap untuk uji Likelihood Ratio (LR). Uji LR akan digunakan sebagai faktor penentu utama dalam menentukan panjang periode. Uji Likelihood Ratio LR = (T - m)(ln |Σr| - ln |Σu|) ~ χ2 (q) ............................................................. (2.22) Dimana, T
= jumlah observasi yang digunakan.
M
= banyaknya parameter yang diestimasi di masing-masing persamaan dari sistem tidak terbatas, termasuk yang konstan.
ln |Σr|
= logaritma
natural
dari
determinan
matriks
varians
matriks
varians
covarians residual dari sistem yang dibatasi. ln |Σu|
= logaritma
natural
dari
determinan
covarians residual dari sistem yang tidak dibatasi. Jika statistik LR lebih kecil daripada nilai kritis, maka tolak hipotesis nol. Dan begitu juga sebaliknya. Information Criteria AIC = T ln |Σ| + 2 N ...................................................................................... (2.23) SC = T ln |Σ| + N ln T ................................................................................... (2.24) HQIC = T ln |Σ| + 2 N ln ln T ....................................................................... (2.25)
23
Dimana, |Σ|
= determinan dari matriks varians kovarians residual.
N
= jumlah total parameter yang diestimasi di seluruh persamaan.
T 2.6.2
= jumlah observasi yang digunakan
Estimasi Model VAR Karena setiap persamaan dalam VAR memiliki jumlah variabel yang sama di sisi
kanannya, maka koefisien dari sistem secara keseluruhan dengan mudah dapat diestimasi dengan menggunakan metode kuadrat terkecil biasa (OLS) untuk setiap persamaan secara terpisah. OLS adalah sebuah metode untuk mengestimasi parameter dari model regresi linier berganda. Estimasi OLS diperoleh dengan meminimalkan jumlah kuadrat residual. (Wooldridge, 2002, p799). Untuk mempermudah penjelasan, akan ditulis sebuah persamaan regresi dari sampel dengan k variabel sebagai berikut :
= + + +. . . + ! ! + "# ........................................... (2.26) Dimana dapat ditulis dalam notasi matriks sebagai
y = Xβ + u# .................................................................................................... (2.27) Dan dalam bentuk matriks sebagai ' *= ⋮ )
1 1 ' ⋮ ⋮ 1 )
⋮ )
… ! 0 3 … ! / 2 * + ⋱ ⋮ /⋮2 … !) . ! 1
"# "# ' * ........................................ (2.28) ⋮ "#)
24
dimana β adalah k elemen vektor kolom dari estimator OLS dari koefisien regresi dan "# adalah vektor kolom n × 1 dari n residual.
Dalam kasus k variabel, estimator OLS didapat dengan meminimalkan
∑)4 "# = ∑)4 ( − − − −. . . − ! ! ) ....................... (2.29)
dimana ∑)4 "# adalah jumlah kuadrat residual. Dalam notasi matriks, jumlah ini untuk
meminimalkan sejak "#′ "# selama "# "# = 6"# ′
"#
…
"# "# "#) 7 ' * = "# + "# + ⋯ + "#) = ∑)4 "# ⋮ "#)
Sekarang dari persamaan (2.27) dari didapat u# = y − Xβ
Maka ′ ′ u#′ u# = y ′ y − 2β X ′ y + β X ′ Xβ ....................................................................... (2.30)
Persamaan (2.30) adalah representasi matriks dari (2.29). Dalam notasi skalar,
metode OLS mengestimasi β1, β2, ..., Βk yang ∑)4 "# sekecil mungkin. Hal ini
dilakukan dengan menurunkan (2.29) sebagian terhadap β1, β2, ..., Βk dan hasilnya dibuat sama dengan nol. Proses ini menghasilkan k persamaan simultan dengan k tidak
diketahui, persamaan normal dari teori kuadrat terkecil. Persamaannya adalah sebagai berikut :
25 : + ∑)4 + ∑)4 + ⋯ + ! ∑)4 ! = ∑)4
∑)4 + ∑)4 + ∑)4 + ⋯ + ! ∑)4 ! = ∑)4
∑)4 + ∑)4 + ∑)4 + ⋯ + ! ∑)4 ! = ∑)4 .........................................................................................................................................
∑)4 ! + ∑)4 ! + ∑)4 ! + ⋯ + ! ∑)4 !
= ∑)4 !
Dalam bentuk matriks, persamaan di atas dapat direpresentasikan seperti n 0 n /∑i=1 X2i /∑ n X / i=1 3i / ⋮ .∑ni=1 Xki
∑ni=1 X2i ∑ni=1 X2 2i ∑ni=1 X3i X2i ⋮ ∑ni=1 Xki X2i
∑ni=1 X3i ∑ni=1 X2i X3i ∑ni=1 X2 3i ⋮ ∑ni=1 Xki X3i
… … … ⋱ …
∑ni=1 Xki 3 0 3 n ∑i=1 X2i Xki 2 / 2 ∑ni=1 X3i Xki 2 / 2 = 2/ 2 ⋮ 2/ ⋮ 2 2 ∑ni=1 X ki 1 . ! 1
1 0 / / / ⋮ . !
1 ⋮ !
… … … ⋱ …
1 ) 3 0 3 2/ 2 ) 2 /) 2 ⋮ 2/ ⋮ 2 !) 1 .! 1
(2.31)
Atau
(X’X)β = X’y ................................................................................................ (2.32) Pada (2.32) jumlah yang diketahui adalah (X’X) dan (X’y) dan yang tidak
diketahui adalah β . Sekarang menggunakan aljabar matriks, jika invers dari (X’X) ada,
katakanlah, (X’X)-1, maka kedua sisi premultiplying (2.32) dengan invers ini, akan diperoleh
(X’X)-1 (X’X)β = (X’X)-1 X’y
Tetapi selama (X’X)-1(X’X) = 1, sebuah matriks identitas dengan ordo k × k, didapat
atau
1β = (X’X)-1 X’y β = (X’X)-1 X’y ............................................................................................. (2.33) (Gujarati, 2004, p931 - p933)
26
2.7
Rekayasa Perangkat Lunak
2.7.1
Pengertian Rekayasa Perangkat Lunak Kerangka kerja yang meliputi sebuah proses, seperangkat metode, dan sebuah
array dari alat itu yang disebut rekayasa perangkat lunak. Saat ini, perangkat lunak mengambil peran ganda. Sebagai produk dan sebagai kendaraan dalam menyampaikan sebuah produk. Sebagai produk, perangkat lunak memberikan potensi komputasi yang diwujudkan oleh perangkat keras komputer atau, lebih luas, dengan jaringan komputer yang dapat diakses oleh perangkat keras lokal. Sebagai kendaraan untuk mengantarkan produk, perangkat lunak bertindak sebagai dasar untuk kontrol komputer (sistem operasi), komunikasi informasi (jaringan), dan penciptaan dan pengendalian programprogram lain (perangkat lunak dan lingkungan). (Roger S. Pressman, 2005, p34) 2.7.2
Model Proses Perangkat Lunak Model-model lain untuk SDLC mungkin berisi lebih banyak atau lebih sedikit
dari delapan tahap kami di sini. Namun, sebagian besar masih sama, terlepas dari beberapa tahap. Di masa lalu, pengembang menggunakan pendekatan waterfall ke SDLC, di mana tugas-tugas dalam satu tahap telah selesai sebelum melanjutkan pekerjaan ke tahap berikutnya (Potter, 2003). 1. Systems Investigation Pengembangan sistem profesional setuju bahwa semakin banyak waktu yang diinvestasikan dalam usaha memahami program yang harus dipecahkan, dalam memahami pilihan teknis untuk sistem dan pemahaman masalah yang mungkin terjadi selama perkembangan, semakin besar kesempatan untuk
27
benar-benar berhasil memecahkan (benar) masalah. Untuk alasan ini, system investigation dimulai dengan masalah bisnis. 2. Systems Analysis Systems analysis adalah pemeriksaan bisnis organisasi terencana untuk memecahkan masalah dengan sistem informasi. Tahap ini mendefinisikan masalah bisnis, mengidentifikasi penyebabnya, menentukan solusi dan mengidentifikasi persyaratan informasi bahwa solusi harus terpenuhi.
Gambar 2.1 Model waterfall 3. Systems Design Systems analysis menggambarkan apa yang harus dilakukan untuk memecahkan masalah bisnis, dan systems design yang menggambarkan bagaimana sistem akan menyelesaikan tugas ini.
28
4. Programming Programming melibatkan terjemahan spesifikasi desain ke dalam kode komputer. Proses ini dapat menjadi panjang dan memakan waktu. 5. Testing Testing akan memeriksa untuk melihat apakah kode komputer akan menghasilkan hasil yang diharapkan dan mengalami kondisi tertentu. Testing membutuhkan sejumlah besar waktu, tenaga dan biaya untuk melakukan dengan benar. 6. Implementation Implementation adalah proses konversi dari sistem lama ke sistem baru. 7. Operation and Maintenance Setelah konversi, sistem baru akan beroperasi selama jangka waktu tertentu, sampai (seperti yang lama digantikan oleh sistem baru) itu tidak lagi memenuhi tujuannya. Sistem memerlukan beberapa jenis maintenance. Tipe pertama adalah debugging, sebuah proses yang berlanjut sepanjang hidup dari sistem. Tipe kedua adalah memperbarui sistem untuk mengakomodasi perubahan dalam kondisi bisnis. 2.8
Unified modeling language (UML)
2.8.1
Pengertian UML Selama satu dekade terakhir, Grady Booch, James Rumbaugh, dan Ivar Jacobson
telah bekerja sama untuk menggabungkan fitur terbaik dari masing-masing metode analisis berorientasi objek dan desain ke metode terpadu. Hasilnya, yang disebut Unified Modeling Language (UML), yang telah digunakan secara luas di seluruh industri.
29
UML memungkinkan engineer perangkat lunak untuk mengekspresikan model analisis menggunakan notasi pemodelan yang diatur oleh seperangkat aturan sintaksis, semantik, dan pragmatis. Eriksson dan Penker menjelaskan aturan-aturan ini dengan cara sebagai berikut : Sintaks memberitahu bagaimana simbol-simbol akan terlihat dan bagaimana simbol-simbol dikombinasikan. Sintaks ini dibandingkan dengan kata-kata dalam bahasa natural, penting untuk mengetahui bagaimana mengejanya dengan benar dan bagaimana memasukkan kata-kata yang berbeda secara bersamaan untuk membentuk sebuah kalimat. Aturan semantik memberitahukan apa arti dari masing-masing simbol dan bagaimana harus diartikan dengan sendirinya dan dalam konteks simbol lain; mereka dibandingkan dengan makna kata-kata dalam bahasa natural. Aturan yang pragmatis menentukan maksud dari simbol-simbol melalui yang mana tujuan dari model dicapai dan menjadi dimengerti bagi orang lain. Hal ini terkait dalam bahasa natural dengan aturan-aturan untuk membuat kalimat-kalimat yang jelas dan dapat dimengerti Dalam UML, sistem direpresentasikan dengan menggunakan lima "pandangan" berbeda yang menggambarkan sistem dari perspektif yang sangat berbeda. Setiap pandangan didefinisikan oleh sejumlah diagram. Tinjauan berikut [ALH98] yang hadir dalam UML : 1. User model view. Pandangan ini mewakili sistem (produk) dari perspektif pengguna (disebut aktor dalam UML). Use-case adalah pendekatan model yang dipilih untuk user model view. Representasi analisis yang penting ini menggambarkan penggunaan skenario dari pengguna akhir perspektif dari pengguna akhir.
30
2. Struktural model view. Data dan fungsionalitas yang dilihat dari dalam sistem. Yaitu, struktur statis (kelas, objek, dan hubungan) adalah model. 3. Behavioral model view. Ini bagian dari model analisis dinamis atau mewakili aspek-aspek perilaku sistem. Ini juga menggambarkan interaksi atau kolaborasi antara berbagai elemen struktural yang dijelaskan dalam user model dan structural model view. 4. Implementation model. Struktural dan aspek perilaku dari sistem akan direpresentasikan sebagai mereka yang akan dibangun. 5. Environment model. Aspek struktural dan aspek perilaku dari lingkungan dimana sistem yang akan diimplementasikan direpresentasikan. Secara umum, analisis modeling UML berfokus pada user model view dan structural model view dari sistem. (Pressman, 2001, p575 – p576) 2.8.2
Diagram-diagram dalam UML Diagram-diagram dalam UML yang digunakan adalah sebagai berikut : a. Use Case Use case mewakili bagaimana klien berinteraksi dengan sistem. Sebuah use case diagram seperti pandangan enkapsulasi seluruh sistem di klien hanya dapat melihat dan berinteraksi dengan antarmuka yang disediakan oleh sistem.
31
Gambar 2.2 Contoh use case diagram Aktor : sebuah peran yang dimainkan oleh orang, sistem, perangkat, atau bahkan sebuah perusahaan, yang memiliki saham dalam keberhasilan sistem operasi. Use case : mengidentifikasi perilaku kunci dari sistem. Tanpa perilaku ini, sistem tidak akan memenuhi persyaratan aktor. Setiap use case tujuannya mengungkapkan bahwa sistem harus mencapai dan / atau hasil yang harus menghasilkan. Association : mengidentifikasi interaksi antara aktor dan use case. Setiap asosiasi menjadi sebuah dialog yang harus dijelaskan dalam kasus menggunakan narasi. Setiap narasi pada gilirannya menyediakan serangkaian skenario yang dapat membantu dalam pengembangan uji kasus ketika mengevaluasi analisis, desain, dan implementasi dari penggunaan asosiasi. Include relationship: mengidentifikasi penggunaan yang dapat digunakan kembali tanpa syarat dimasukkan ke dalam pelaksanaan penggunaan lain.
32
Extend relationship : mengidentifikasi suatu kasus yang dapat digunakan kembali menggunakan kondisional dalam pelaksanaan use case lain untuk meningkatkan fungsinya. b. Class Diagram Class diagram merupakan inti dari proses pemodelan objek. Definisi model ini adalah sumber daya penting untuk pengoperasian yang tepat dari sistem. Semua diagram pemodelan lain menemukan informasi tentang sumbersumber tersebut (seperti nilai atribut, negara, dan kendala pada perilaku) yang akhirnya harus membuat jalan ke class diagram. Class Diagram adalah kode sumber untuk generasi (model untuk mengubah kode) dan target untuk reverse engineering (mengkonversi kode untuk model).
Gambar 2.3 Contoh class diagram c. Sequence Diagram Dalam Sequence diagram, frame menyediakan sarana untuk mengisolasi set interaksi yang dapat digunakan kembali. Secara sederhana, sebuah interaksi adalah urutan pesan lewat antara obyek untuk menyelesaikan suatu tugas.
33
Objek dapat dibuat dan diakhiri. Mereka dapat mengajukan pertanyaan atau membuat tuntutan pada objek-objek lain dengan menerapkan operasi, atau mereka mungkin memberitahukan peristiwa satu sama lain menggunakan sinyal.
Gambar 2.4 Contoh Sequence diagram d. Activity Diagram Activity adalah suatu langkah dalam proses di mana beberapa pekerjaan dilakukan. Itu bisa menjadi perhitungan, menemukan beberapa data, memanipulasi informasi, atau memverifikasi data. Kegiatan ini diwakili oleh persegi panjang bundar yang berisi teks dengan bentuk yang unik.
Gambar 2.5 Activity Decisions, Diagram Aktivitas berlian adalah keputusan, sama seperti di diagram alur. Satu panah keluar dari berlian untuk setiap nilai dari kondisi yang diuji.
34
Gambar 2.6 Decision Merge point, Ikon berlian juga digunakan untuk model titik gabungan, tempat di mana dua alternatif jalan datang bersama-sama dan berlanjut menjadi satu.
Gambar 2.7 Merge point Start and end, UML juga menyediakan ikon untuk memulai dan mengakhiri Activity diagram.
Gambar 2.8 Start and End Concurrency, Notasi UML activity diagram juga mendukung concurrency, yang memungkinkan untuk model fitur bahasa yang telah diperkenalkan setelah diciptakan diagram alur, seperti Java, C + +, dan Smalltalk. Untuk menunjukkan bahwa suatu proses tunggal dimulai beberapa benang atau
35
proses konkuren, UML menggunakan bar sederhana yang disebut garpu, atau split kendali.
Gambar 2.9 Concurency 2.9
Database
2.9.1
Pengertian Database Menurut Richard Johnsonbaugh (1997, p115), database adalah kumpulan catatan
yang dimanipulasi oleh komputer. Sebagai contoh, database penerbangan mungkin mengandung catatan reservasi penumpang, jadwal penerbangan, peralatan dan sebagainya. Sistem komputer mampu menyimpan jumlah informasi yang besar dalam database. Database bisa digunakan untuk berbagai penerapan. Sistem manajemen database (database management system) merupakan program yang membantu pemakai mengakses informasi dari database. Database adalah kumpulan dari beberapa data yang berhubungan secara logikal dan deskripsi yang berhubungan dengan data tersebut yang dibuat untuk penyajian kebutuhan informasi suatu organisasi (Connoly, 2005).
36
Istilah-istilah dalam sistem database, antara lain : 1. Entity Entity adalah objek berbeda dari organisasi yang direpresentasikan ke dalam database. 2. Attribute Attribute adalah sifat-sifat yang menjelaskan aspek-aspek suatu objek yang ingin disimpan. 3. Relationship Relationship adalah hubungan antar entity. 4. Field Field adalah unit terkecil dari data record yang disimpan dalam database. 5. Record Record adalah kumpulan field yang saling berkaitan. 6. File File adalah berisi kumpulan dari berbagai record. 7. Primary Key Primary key pada sebuah tabel harus unik, karena menunjukkan identifikasi pada setiap record dan nilai setiap record tidak bernilai null. 8. Foreign Key Forein key merupakan sebuah kolom atau sekumpulan kolom yang menghubungkan setiap baris dengan child table yang mengandung foreign key dengan baris pada parent table yang mengandung nilai candidate key yang sama.
37
2.9.2
Database Management System (DBMS) DBMS adalah perangkat lunak yang berinteraksi dengan user sehingga
memudahkan user untuk mendefinisikan, membuat, memelihara dan mengontrol akses ke database (Connoly, 2005). Komponen-komponen dalam DBMS antara lain : 1. Perangkat Keras Komputer yang digunakan untuk menjalankan aplikasi database. 2. Perangkat Lunak Merupakan perangkat lunak DBMS tersendiri dan beberapa program aplikasi yang bekerja bersama-sama dalam operating system seperti perangkat lunak jaringan jika DBMS digunakan untuk jaringan. 3. Data Merupakan bagian penting dalam DBMS, karena merupakan penghubung antara komputer dengan manusia. 4. Prosedur Mengacu pada instruksi-instruksi dan aturan-aturan yang mengatur bentuk dan penggunaan dari database. 5. User Pengguna yang akan menggunakan sistem. 2.10
Interaksi Manusia dan Komputer Menurut Shneiderman (1998, p74-75), dalam perancangan sebuah interface
terdapat
aturan-aturan yang telah dikenal dengan Eight Golden Rules of Interface
Design (delapan aturan emas), yaitu :
38
1. Strive for consistency Kaidah ini yang paling sering dilanggar, tapi mengikuti kaidah ini bisa rumit karena ada banyak bentuk konsistensi. Konsisten urutan tindakan harus diminta dalam situasi yang mirip; identik terminologi yang harus digunakan untuk prompt, menu, dan layar bantu; dan konsisten warna, tata letak, huruf besar, huruf, dan sebagainya yang harus diterapkan di seluruh. Pengecualian, seperti peringatan password atau konfirmasi yang tidak bergema dari perintah menghapus, harus dipahami dan terbatas jumlahnya. 2. Enable frequent users to use shortcuts Karena frekuensi penggunaan meningkat, begitu juga keinginan pengguna untuk mengurangi jumlah interaksi dan untuk meningkatkan kecepatan interaksi. Shortcut, tombol khusus, perintah tersembunyi, dan fasilitas makro sering dihargai oleh pengguna berpengalaman. Waktu respon yang cepat dan kecepatan tampilan adalah atraksi lainnya bagi frequent users. 3. Offer informative feedback Untuk setiap tindakan pengguna, sistem harus ada umpan balik. Untuk tindakan yang sering dan tindakan kecil, dapat respons sederhana, sedangkan untuk tindakan yang jarang dan tindakan-tindakan besar, respons harus lebih besar. 4. Design dialogs to yield closure Urutan tindakan harus diatur dalam kelompok-kelompok yang memiliki awal, tengah, dan akhir. Umpan balik yang informatif pada kelompok penyelesaian tindakan operator memberikan kepuasan prestasi, rasa lega, sinyal untuk menurunkan rencana kontingensi dan pilihan dari pikiran
39
mereka, dan suatu indikasi bahwa cara yang jelas untuk mempersiapkan kelompok tindakan berikutnya. 5. Offer error prevention and simple error handling Sebisa mungkin, sistem didesain sehingga pengguna tidak dapat membuat kesalahan serius. Jika pengguna membuat kesalahan, sistem harus mendeteksi kesalahan dan menawarkan perbaikan / recovery yang sederhana, konstruktif, dan instruksi khusus. 6. Permit easy reversal of actions Sebanyak mungkin, tindakan harus reversibel. Fitur ini dapat mengurangi kecemasan, karena pengguna tahu bahwa kesalahan dapat dibatalkan, sehingga mendorong eksplorasi. 7. Support internal locus of control Operator berpengalaman menginginkan mereka memegang kendali atas sistem dan bahwa sistem menanggapi tindakan mereka. Tindakan Sistem yang mengejutkan, membosankan, ketidakmampuan atau kesulitan dalam memperoleh informasi yang diperlukan, dan ketidakmampuan untuk menghasilkan tindakan yang diinginkan semua membangun kecemasan dan ketidakpuasan. 8. Reduce short-term memory load Keterbatasan pemrosesan informasi manusia dalam memori jangka pendek (rule of thumb adalah bahwa manusia dapat mengingat "tujuh-plus atau minus-dua potongan" informasi) memerlukan tampilan tetap yang sederhana.
