8 BAB II LANDASAN TEORI
2.1 Konsep Peramalan 2.1.1 Pengertian Peramalan Menurut Sofjan Assauri (1984, p1), peramalan adalah usaha untuk melihat situasi dan kondisi pada masa yang akan datang dengan memperkirakan hasil masa lampau dan pengaruh situasi secara kondisi terhadap perkembangan di masa yang akan datang.
2.1.2 Jenis-jenis Peramalan Sofjan Assauri (1984,p3) mengidentifikasi jenis-jenis peramalan sebagai berikut: a. berdasarkan sifat penyusunannya -
Peramalan Subjektif : peramalan yang disusun atas perasaan atau intuisi orang yang membuatnya.
-
Peramalan Objektif : peramalan yang didasarkan atas data yang relevan pada masa lampau
b. berdasarkan waktu penyusunannya -
Peramalan Jangka Panjang : peramalan yang dilakukan untuk penyusunan hasil ramalan yang jangka waktunya lebih dari satu setengah tahun atau 3 semester
9 -
Peramalan Jangka Pendek : peramalan yang dilakukan untuk penyusunan hasil ramalan yang jangka waktunya kurang dari satu setengah tahun atau 3 semester
c. berdasarkan sifat ramalan -
Peramalan Kualitatif : peramalan yang didasarkan atas data-data kualitatif yang diperoleh dari masa lampau. Keberhasilan yang diperoleh sangat bergantung kepada orang yang menyusunnya, karena bergantung pada intuisi dan pendapat. Biasanya ramalan ini atas dasar penyelidikan seperti S-Curve, analogi dan sejenisnya.
-
Peramalan Kuantitatif : peramalan yang didasarkan atas data-data kuantitatif yang diperoleh dari masa lampau. Hasil yang diperoleh sangat dipengaruhi oleh metode yang dipergunakan atau dengan kata lain metode berbeda akan menghasilkan temuan yang berbeda pula. Karena itu pemilihan metoda yang baik haruslah metoda yang memberikan nilai penyimpangan yang minimal.
2.1.3 Langkah-langkah Peramalan Menurut Sofjan Assauri (1984,p5), langkah-langkah yang harus dijalani dalam proses peramalan adalah: Langkah 1: Analisis Data Dengan cara membuat tabulasi dari data terkait pada masa lampau. Langkah 2: Penentuan Metoda Metode yang berbeda akan menghasilkan keluaran yang berbeda pula. Metode yang baik akan memberikan hasil yang tidak berbeda jauh dari kenyataan. Langkah 3: Memproyeksi Data
10 Data diproyeksikan dengan menggunakan metoda yang sudah dipilih dengan mempertimbangkan adanya faktor perubahan. Faktor perubahan itu antara lain kebijakan pemerintah, perkembangan potensi masyarakat, perkembangan teknologi dan penemuan-penemuan baru.
2.1.4 Jenis-jenis Metode Peramalan Metode-metode peramalan dengan menggunakan analisis pola hubungan antara variabel yang diperkirakan dengan variabel yang mempengaruhi (bukan waktu), atau sering dikenal dengan metode sebab terdiri dari (Sofjan Assauri, 1984,p5): a. Metode Regresi dan Korelasi Metode ini berdasarkan teknik “least square”, ketepatan ramalan baik untuk jangka pendek saja. Metode ini banyak digunakan untuk peramalan penjualan dan perencanaan keuntungan. Data yang dibutuhkan ialah data kuartalan beberapa tahun yang lalu. b. Metode Ekonometri Metode ini berdasarkan atas sistem persamaan regresi yang diestimasi secara simultan. Baik untuk jangka pendek maupun panjang. Metode ini banyak digunakan untuk peramalan keadaan ekonomi masyarakat. Data yang dibutuhkan ialah data kuartalan beberapa tahun beberapa tahun yang lalu. c. Metode Input-Output Metode ini digunakan untuk menyusun proyeksi trend jangka panjang. Metode ini kurang baik untuk jangka pendek namun sangat baik untuk jangka panjang. Metode ini cocok untuk peramalan penjualan sektor industri dan sub-
11 industri. Data yang dibutuhkan adalah data tahunan. Sekitar sepuluh sampai lima belas tahun.
2.2 Analisis Regresi Berganda Analisis Regresi Berganda (Multiple Regression Analysis) merupakan pengembangan dari Analisis Regresi Sederhana. Bedanya terletak pada jumlah variabel bebas atau variabel penjelas dimana pada model analisis regresi berganda terdapat lebih dari satu variabel bebas. Dengan demikian di dalam model regresi sederhana variabel tidak bebas (Y) akan akan tergantung pada dua atau lebih variabel bebas. Misalnya harga tiket (Y) tergantung pada jarak pesan (x1) dan keramaian atau season (x2) yang dinotasikan sebagai: Y = f(x1,x2) Asumsi bentuk hubungan Y, x1, dan x2 adalah linier, sehingga analisis yang cocok untuk hal ini adalah regresi linier berganda. Model fungsi regresi populasi terdiri dari 2 buah variabel penjelas atau variabel bebas adalah: Y = β0 + β1x1 + β2x2 + υ Atau jika ditulis dalam nilai-nilai pengamatan menjadi: Yi = β0 + β1x1i + β2x2i + υi i = 1,2,3,…,N dimana N adalah ukuran populasi (population size), Y adalah variabel tidak bebas yang mana dalam kasus ini adalah harga tiket, sedangkan x1 dan x2 adalah variabel penjelas atau variabel bebas yang dalam kasus ini adalah jarak pesan dan keramaian
12 (season) serta υ adalah bentuk gangguan stokastik atau sering disebut sebagai galat (error). Dalam model di atas,
β0 adalah intersep yang menunjukkan rata-rata
pengaruh terhadap Y (harga tiket) apabila semua variabel dikeluarkan dari model atau dengan kata lain β0 menunjukkan nilai rata-rata dari variabel Y apabila x1 dan x2 adalah nol, koefisien β1 dan β2 ialah koefisien regresi parsial yang mengukur pengaruh dari variabel bebas tertentu terhadap variabel tidak bebas Y, apabila variabel bebas yang lain dibuat konstan (ceteris paribus). Model regresi populasi dapat diduga dengan menggunakan model regresi contoh (sample regression model) sebagai berikut: Y = b0 + b1x1 + b2x2 + ε Atau dapat ditulis dalam bentuk nilai-nilai pengamatan sebagai berikut: Yi = b0 + b1x1i + b2x2i + ε i i = 1,2,3,…,N dimana N adalah ukuran contoh (sample size),
Y adalah variabel tidak bebas,
sedangkan x1 dan x2 adalah variabel penjelas atau variabel bebas, ε adalah variabel gangguan (galat), b0, b1 dan b2 adalah penduga bagi parameter β0, β1 dan β2. Pendugaan parameter model dilakukan berdasarkan metode kuadrat terkecil dengan meminimumkan jumlah kuadrat galat, sebagai berikut: Min Σ εi2 = min Q = Σ(Yi - b0 - b1x1i - b2x2i)2 dimana Q = Σ εi2 Untuk memenuhi syarat perlu agar Q minimum maka perlu ditentukan turunan parsial Q terhadap b0, b1 dan b2 sebagai berikut:
13 ∂Q = 2Σ(Yi − b0 − b1 x1i − b2 x2i )(−1) = 0 ∂b0 ∂Q = 2Σ(Yi − b0 − b1 x1i − b2 x2i )(− x1i ) = 0 ∂b1 ∂Q = 2Σ(Yi − b0 − b1 x1i − b2 x2i )(− x2i ) = 0 ∂b2
Penyelesaian terhadap hasil turunan parsial di atas akan menghasilkan persamaan normal berikut: nb0 + b1Σx1i + b2Σx2i
= ΣYi
b0x1i + b1Σx1i2 + b2Σx1i x2i = Σx1i Yi b0x2i + b1Σx1i x2i + b2Σx2i2 = Σx2i Yi Dalam notasi matriks maka persamaan di atas dapat ditulis sebagai berikut: n Σx 1i Σx2i
Σx1i Σx1i
2
Σx1i x2i
Σx1i b0 ΣY1 Σx1i x1i b1 = Σx1iY1 2 Σx2i b2 Σx2iY1
(x’x)
b
(x’y)
Dengan mudah dapat ditentukan bahwa: b = (x’x)-1 x’y Matriks x’x dalam persamaan matriks di atas dapat dibentuk secara langsung dari nilai-nilai pengamatan sebagai berikut: 1 x' x = x11 x21
1 x12 x22
1 x11 1 1 x12 ... x1n : : ... x2 n 1 x1n ...
x21 x22 : x2 n
Serta matriks x’y dapat dibentuk secara langsung dari nilai-nilai pengamatan sebagai berikut:
14 1 x' y = x11 x21
1 x12 x22
Y 1 1 Y ... x1n 2 : ... x2 n Yn ...
Secara umum apabila kita memiliki model regresi berganda dengan k buah variabel bebas atau k buah variabel penjelas, maka persamaan normal yang diturunkan dalam notasi matriks, sebagai berikut: n Σx 1i : Σxki
Σx1i Σx1i
Σxki b0 ΣYi ... Σx1i xki b1 Σx1iYi = : : : : : 2 Σxki x1i ... Σxki bk ΣxkiYi (x’x) b x’y ...
dengan mudah dapat ditentukan penduga bagi parameter model sebagai berikut: b = (x’x)-1 x’y dimana (x’x) -1 adalah invers (kebalikan) matriks (x’x).
2.2.1 Peramalan dengan menggunakan Persamaan Regresi Berganda Apabila suatu model regresi berganda, setelah mengalami proses pengujian secara statistik menunjukkan bahwa model itu dapat diandalkan untuk menjelaskan fenomena yang terjadi dalam variabel tidak bebas (Y) maka model regresi itu dapat dipergunakan untuk peramalan nilai variabel tidak bebas berdasarkan nilai-nilai tertentu dari variabel penjelas (x). Kriteria memuaskan bahwa model itu dapat diandalkan untuk menjelaskan fenomena yang terjadi dalam variabel tidak bebas (Y) adalah sebagai berikut:
15
Semua tanda dari koefisien regresi parsial (b1, b2) sesuai dengan harapan, bisa berpengaruh negatif atau bisa juga positif.
Koefisien regresi parsial b1 dan b2 menunjukkan hasil yang nyata secara statistik.
Koefisien determinasi (R2) maupun koefisien determinasi terkoreksi ( R 2 ) yang tinggi
2.2.1.1 Peramalan Nilai Rata-rata dari Variabel Y Jika dimisalkan: 1 x 01 x02 x0 = dan b = : : x0 p
b0 b 1 b2 : : bp
di mana x0 merupakan vektor nilai-nilai dari variabel penjelas X yang dipakai untuk meramalkan nilai rata-rata dari variabel Y, E(Y), serta b adalah vektor nilai-nilai dugaan bagi parameter dalam model regresi berganda, maka peramalan nilai rata-rata dari variabel Y, ditentukan sebagai berikut:
Eˆ (Y|x0’) = x0’b Serta ragam dugaan dari nilai rata-rata ramalan adalah: Λ
var E (Y|x0’) = s2 x0(x’x)-1x0 dimana s2 adalah ragam galat dugaan, (x’x)-1 adalah invers matriks (x’x)
16 Akar pangkat dua dari ragam dugaan bagi nilai rata-rata ramalan merupakan galat baku dugaan dari nilai rata-rata ramalan, yang dinotasikan saja dengan Gˆ (Y ) :
Dengan menggunakan taraf nyata α, maka batas galat peramalan atau batas galat perkiraan dapat dinyatakan sebagai berikut: Λ
BG (Y ) =tα/2;n-k Gˆ (Y )
Selang kepercayaan (1- α) 100% bagi parameter rata-rata dari variabel Y, E(Y|x0) adalah: Λ
Λ
1
Λ
1
Λ
P{ E (Y | X 0 ) − BG (Y ) < E (Y | x0 ) < E (Y | x0 ) + BG (Y ) } = 1- α
2.2.1.2 Peramalan Nilai Individual dari Variabel Y
Peramalan nilai individual Y serupa dengan peramalan nilai rata-rata variabel Y, kecuali ragam dari rata-rata variabel Y lebih kecil daripada ragam nilai individual Y. Dengan demikian ramalan nilai individual Y berdasarkan x0 adalah: Λ
(Y | x10 ) = x0’b
dengan ragam dugaan dari nilai ramalan nilai individual Y ditentukan sebagai berikut: Λ
1
1
var(Y | x0 ) = s 2{1 + x0 ( x1 x) −1 x0 }
akar pangkat dua dari ragam dugaan merupakan galat baku dugaan, yang dinotasikan dengan G (Y ) . Dengan menggunakan taraf nyata α, maka batas galat peramalan nilai individual Y ditentukan sebagai berikut: Λ
Λ
BG (Y ) = tα / 2; n − k G (Y )
17 Selang kepercayaan (1- α) 100% bagi parameter nilai individual berdasarkan x0 adalah: Λ
1
Λ
Λ
1
Λ
P{ (Y | X 0 )− BG (Y ) < (Y | x0 ) < (Y | x0 )+ BG (Y ) } = 1- α
2.2.2 Analisis Regresi terhadap Variabel-variabel Dummy
Di dalam analisis regresi sering kali bukan hanya variabel-variabel penjelas kuantitatif yang menpengaruhi variabel tidak bebas tapi ada juga variabel-variabel yang bersifat kualitatif yang ikut mempengaruhi, variabel-variabel kualitatif itu seperti misalnya jenis kelamin, suku bangsa, warna, kepercayaan, kebangsaan dan sebagainya. Contohnya permintaan suatu barang disamping dipengaruhi oleh variabel kuantitatif seperti harga barang, pendapatan konsumen, ukuran keluarga, juga dipengaruhi oleh variabel kualitatif seperti selera konsumen, faktor musim (misalnya menjelang hari raya lebaran, natal, tahun baru dan lain-lain), mutu produk (baik atau buruk) dan sebagainya. Oleh karena variabel-variabel kualitatif biasanya menunjukkan kehadiran atau ketidakhadiran dari suatu atribut seperti untuk faktor selera konsumen yang mempengaruhi permintaan suatu barang adalah suka atau tidak suka, mutu produk baik atau jelek, jenis kelamin laki-laki atau perempuan, tempat tinggal di desa atau di kota, dan lain-lain. Maka, metode untuk mengkuantifikasikan atribut itu adalah dengan jalan membangun variabel buatan (artificial variable) yang mengambil nilai 0 atau 1, dimana nilai 0 menunjukkan ketidakhadiran (atau kepemilikan) dari atribut itu.
18 Contohnya 1 menunjukkan jenis kelamin laki-laki dan 0 menunjukkan jenis kelamin perempuan, 1 menunjukkan tinggal di kota dan 0 menunjukkan bertempat tinggal di desa, 1 menunjukkan suka akan suatu produk dan 0 menunjukkan tidak suka akan suatu produk, 1 menunjukkan mutu produk baik dan 0 menunjukkan mutu produk buruk. Variabel-variabel yang mengambil nilai 0 dan 1 disebut variabel dummy.
Variabel dummy dapat diikutkan dalam model regresi sebagaimana halnya dengan variabel-variabel kuantitatif, dimana proses pendugaan, pengujian hipotesis, dan lain-lain mengikuti ketentuan serupa dengan analisis regresi linier berganda, kecuali nilai-nilai variabel dummy yang hanya mengambil nilai 0 dan 1.
2.2.2.1 Jenis-jenis Analisis Regresi terhadap Variabel-variabel Dummy
Ada beberapa kemungkinan jenis yang dapat terjadi dengan pengikutsertaan variabel dummy dalam analisis regresi yaitu sebagai berikut: 1. Analisis Regresi terhadap Satu Variabel Kualitatif dengan 2 Kategori Modelnya yaitu: Yi = α + βDi + u Dimana: Y = variabel tidak bebas Di =
0 : jika ada kehadiran faktor dummy 1 : jika tidak ada kehadiran faktor dummy
u = bantuk gangguan (galat)
19 2. Analisis Regresi terhadap Satu Variabel Kuantitatif dan Satu Variabel Kualitatif dengan 2 Kategori Modelnya yaitu: Yi = α0 + α1Di + βXi + ui Dimana: Y = variabel tidak bebas Di = 0 : jika ada kehadiran faktor dummy 1 : jika tidak ada kehadiran faktor dummy x = variabel penjelas kuantitatif u = bantuk gangguan (galat)
3. Analisis Regresi terhadap Satu Variabel Kuantitatif dan Satu Variabel Kualitatif yang memiliki lebih dari 2 Kategori Modelnya yaitu: Yi = α0 + α1D1i + α2D2i + βXi + ui Dimana: Y = variabel tidak bebas D1i = 0 : jika ada kehadiran faktor dummy pertama 1 : jika tidak ada kehadiran faktor dummy pertama D2i = 0 : jika ada kehadiran faktor dummy kedua 1 : jika tidak ada kehadiran faktor dummy kedua x = variabel penjelas kuantitatif u = bantuk gangguan (galat)
20
4. Analisis Regresi terhadap Satu Variabel Kuantitatif dan Dua Variabel Kualitatif Modelnya yaitu: Yi = α0 + α1D1i + α2D2i + α3D3i + βXi + ui Dimana: Y = variabel tidak bebas D1i = 0 : jika ada kehadiran faktor dummy pertama 1 : jika tidak ada kehadiran faktor dummy pertama D2i = 0 : jika ada kehadiran faktor dummy kedua 1 : jika selainnya D3i = 0 : jika selain ada kehadiran faktor dummy kedua, ada kehadiran faktor lain dummy kedua 1 : jika selainnya x = variabel penjelas kuantitatif u = bantuk gangguan (galat)
2.2.2.2 Analisis Regresi terhadap Satu Variabel Kuantitatif dan Satu Variabel Kualitatif dengan Dua Kategori
Model-model regresi yang terdiri dari campuran variabel kuantitatif dan kualitatif disebut dengan model analisis peragam (analysis of covariance). Jika suatu model regresi terdiri dari satu variabel kuantitatif dan satu variabel kualitatif dengan dua kategori, maka model itu dapat ditulis sebagai berikut: Yi = α0 + α1Di + βXi + ui Dengan model dugaan sebagai berikut:
21 Λ
Y i = a0 + a1Di + bXi Dimana: Y = variabel tidak bebas Di = 0 : jika ada kehadiran faktor dummy 1 : jika tidak ada kehadiran faktor dummy X = variabel penjelas kuantitatif u = bantuk gangguan (galat) a0, a1, b = penduga kuadrat terkecil bagi parameter α0, α1 dan β dalam model diatas. Model di atas terdiri dari satu variabel kuantitatif (jarak pesan) dan satu variabel kualitatif (keramaian atau season) yang mempunyai dua kategori yaitu high dan low. Yang dimaksud dengan high ialah hari pemesanan tiket tersebut tergolong musim yang ramai, dengan kata lain besar probabilitas permintaan tinggi. Sedang yang dimaksud dengan low ialah hari pemesanan tiket tersebut tergolong musim yang biasa atau cenderung sepi, dalam arti besar probabilitas permintaan rendah. Dengan mengasumsikan bahwa E(ui) = 0, maka dapat ditunjukkan bahwa model tersebut diatas memiliki sifat berikut:
Nilai rata-rata variabel Y dari dummy kategori pertama: E(Yi | Xi, Di = 0) = α0 + βXi
Nilai rata-rata variabel Y dari dummy kategori kedua: E(Yi | Xi, Di = 1) = (α0 +α1) + βXi
22 2.2.2.3 Peramalan Nilai Rata-rata dengan mengunakan Analisis Regresi terhadap Variabel-variabel Dummy
Dugaan rata-rata variabel tidak bebas dari dummy kategori pertama ialah: Λ
E (Yi | Di = 0; xi )
Dugaan rata-rata variabel tidak bebas dari dummy kategori kedua ialah: Λ
E (Yi | Di = 1; xi )
2.3 Sistem Basis Data
Pada saat ini sistem basis data merupakan bagian yang sangat penting dalam proses kerja program aplikasi berbasis database. Database merupakan kesimpulan data yang saling berhubungan yang dirancang untuk memenuhi kebutuhan informasi bagi suatu organisasi. Untuk mengatur dan mengontrol akses ke database digunakan
Database Management System (DBMS) sehingga data-data yang terintegrasi yang diakses oleh departemen dan user tidak mengalami duplikasi data. Menurut Connolly (1996), DBMS adalah sistem piranti lunak yang memperbolehkan user untuk membuat dan mengatur database serta menyediakan akses ke dalam database. Dengan kata lain DBMS adalah piranti lunak yang mengatur integrasi antara program aplikasi dan database. Secara umum, DBMS mempunyai fasilitas:
Data Definition Language (DDL), memperbolehkan user untuk menentukan tipe dan struktur data dan menyampaikannya dalam database.
23
Data Manipulation Language (DML), berfungsi untuk insert, update, delete, dan retrieve data dari database. Dalam hal pencarian data maka terdapat suatu fasilitas yang disebut query language.
Menyediakan kontrol akses terhadap database. Misalnya: -
security system, untuk mencegah akses user yang tidak berhak terhadap database
-
intregrity system, menjaga konsistensi data
-
concurrency control system, mengembalikan database bila terjadi kerusakan hardware atau software.
-
User accessible catalog, mendeskripsikan data dalam database
2.3.1 Basis Data Relasional
Basis Data ialah koleksi terintegrasi dari data-data komputer yang diorganisasikan dan disimpan sedemikian rupa sehingga memudahkan pengambilan data (McLeod, 2001, p6). Basis Data Relasional ialah kumpulan tabel-tabel yang saling berhubungan. Sebuah tabel terdiri dari field dan record, dimana field terdiri dari beberapa record, sedang record merupakan data atau informasi. Tabel-tabel saling berhubungan dengan suatu field yang disebut sebagai field kunci (key). Key ada 3 (tiga) jenis, yaitu primary key, foreign key, dan candidate key.
Primary Key ialah field utama yang unik dalam suatu tabel, yang digunakan untuk melakukan referensi atas seluruh record dalam tabel tersebut. Primary key dapat merupakan suatu field atau kombinasi beberapa field sekaligus. Foreign Key merupakan field yang digunakan sebagai field tujuan yang dihubungkan dengan
Primary key. Candidate key ialah suatu field yang memenuhi syarat uniqueness dan
24
minimality. Uniqueness berarti tidak ada 2 record dalam tabel yang memiliki nilai sama untuk field tersebut, sedang minimality berarti tidak ada bagian dari field tersebut yang dapat dihilangkan tanpa menghilangkan sifat uniqueness.
2.3.2 Normalisasi Data
Suatu desain basis data harus memenuhi kondisi tidak mengandung anomali yaitu suatu kejanggalan dari suatu penempatan atribut tertentu dari suatu objek data. Berdasarkan pemikiran di atas, maka oleh beberapa ahli dirancang suatu rumus yang disebut normalisasi data. Tabel 2.1 Tabel Un-normalized Form NIM
Nama
Alamat
KDMK
Mata Kuliah
SKS
Nilai
101
Ael
Jl. A
IF234
Sistem Basis Data
4
A
IF204
Analisis Sisfo
4
B
IF152
Pemrograman C
2
B
MN122
Marketing
2
C
IF204
Sistem Basis Data
4
B
IF234
Analisis Sisfo
4
C
IF152
Pemrograman C
2
A
102
103
Eca
Ledi
Jl. B
Jl. C
Pada tabel 2.1 tabel dalam bentuk un-normalized karena didalamnya masih mengandung kelompok berulang (repeating group), sehingga sama sekali tidak dapat diterapkan di dalam sistem basis data. Tabel 2.2 Tabel 1st-NF: Grup berulang dihilangkan NIM
Nama
Alamat
KDMK
Mata Kuliah
SKS
Nilai
101
Ael
Jl. A
IF234
Sistem Basis Data
4
A
101
Ael
Jl. A
IF204
Analisis Sisfo
4
B
101
Ael
Jl. A
IF152
Pemrograman C
2
B
101
Ael
Jl. A
MN122
Marketing
2
C
25 102
Eca
Jl. B
IF204
Sistem Basis Data
4
B
102
Eca
Jl. B
IF234
Analisis Sisfo
4
C
103
Ledi
Jl. C
IF152
Pemrograman C
2
A
Seperti dijelaskan di atas maka pada bentuk normal pertama ini maka perlu ditentukan primary key-nya dengan ketentuan unik, jumlah kombinasi atribut yang minimum dan tidak mengandung nilai kosong (null). Dari ketentuan tersebut maka
primary key untuk tabel tersebut adalah kombinasi field NIM dan KDMK. Bentuk normal diperoleh bila setiap atribut bukan bagian primary key dari suatu tabel sepenuhnya merupakan fungsi (functional dependence) dari primary key tersebut. Dalam kaitannya dengan hal ini, maka kita harus menguji dulu apakah suatu tabel memenuhi kondisi normal kedua (2nd NF). Hal ini dapat dilihat apakah ada atribut bukan bagian primary key yang merupakan fungsi dari sebagian primery key (partial
dependence). Seperti misalnya NAMA adalah tergantung fungsional terhadap NIM atau artinya 1 nim hanya ada 1 nama NIM Æ NAMA Karena NIM adalah bagian dari primary key, sedang NAMA tergantung pada NIM, maka dikatakan bahwa NAMA tergantung parsial terhadap sebagian dari
primary key. Dengan cara yang sama kita dapat menguji setiap atribut yang tergantung parsial, baik terhadap NIM atau KDMK. Selanjutnya agar tabel yang dirancang tersebut memenuhi kondisi normal kedua, maka setiap atribut yang bergantung
parsial
dipisahkan
membentuk
tabel-tabel
terpisah
dengan
mengikutsertakan determinannya. Dengan demikian diperoleh tabel-tabel baru yang memenuhi kondisi normal kedua dengan sekaligus menghilangkan setiap duplikasi
record, yaitu seperti diperlihatkan pada Tabel 2.3 a, b dan c sebagai berikut:
26 Tabel 2.3 Tabel 2-nd NF NIM
Nama
Alamat
101
Ael
Jl. A
102
Eca
Jl. B
103
Ledi
Jl. C
(a) KDMK
Mata KUliah
SKS
IF234
Sistem Basis Data
4
IF204
Analisis Sisfo
4
IF152
Pemrograman C
2
MN122
Marketing
2
(b)
NIM
KDMK
Nilai
101
IF234
A
101
IF204
B
101
IF152
B
101
MN122
C
102
IF204
B
102
IF234
C
103
IF152
A
(c) Pada tahap selanjutnya, kita juga harus menguji apakah setiap tabel pada bentuk sebelumnya memenuhi normal ketiga. Pengujian terhadap normal ketiga dilakukan dengan cara melihat apakah terdapat atribut bukan key tergantung fungsional terhadap atribut bukan key yang lain (disebut ketergantungan transitif). Dengan cara yang sama, maka setiap ketergantungan transitif dipisahkan dari tabelnya. Berhubung dalam tabel di atas tidak terdapat ketergantungan transitif, sehingga normalisasi dianggap telah selesai sampai pada normal kedua.
27 2.4 Alat-alat Perancangan 2.4.1 Pseudocode
Kowal (1998, hal 97) mendefinisikan bahwa pseudocode ialah pernyataan logika mendetail yang mendefinisikan bagamana data input ditransformasikan ke data
output. Pseudocode digunakan dalam pembuatan spesifikasi sebagai jembatan untuk melangkah ke pemrograman yang sesungguhnya. Contohnya: pseudocode bahasa Indonesia terstruktur, pseudocode bahasa Inggris terstruktur dan sebagainya.
2.4.2 State Transition Diagram (STD)
Menurut Jeffrey A. et al (1996, hal 364) didefinisikan bahwa state transition
diagram adalah yang menggambarkan bagaimana suatu proses dihubungkan satu sama lain dalam waktu yang bersamaan. State transition diagram (STD) digambarkan dengan sebuah state yang berupa komponen sistem menunjukkan bagaimana kejadian-kejadian tersebut dari satu state ke state yang lain. Menurut Pressman (1997, hal 317), state transition diagram (STD) menggambarkan kebiasaan dari suatu sistem dengan menggambarkan kondisi dan kejadian yang menyebabkan perubahan suatu kondisi. Selain itu dapat dikatakan STD menunjukkan aksi apa yang diambil sebagai akibat dari suatu kejadian. Ada 2 macam simbol yang menggambarkan proses dalam state transition
diagram (STD), yaitu: 1. Gambar persegi panjang menunjukkan kondisi (State) dari sistem. 2. Gambar panah menunjukkan transisi antar state. Tiap panah diberi label dengan ekspresi aturan. Label yang di atas menunjukkan
28 kejadian yang menyebabkan transisi terjadi. Label yang di bawah menunjukkan aksi yang terjadi akibat dari kejadian tadi. 2.4.3 Linear Sequential Model
Sering juga disebut “Classic life cycle” atau “waterfall” karena searah dan tidak ada arus balik maupun siklus. Linear sequential model merupaan model yang paling tua dan paling banyak digunakan di dalam rekayasa piranti lunak. Rekayasa dan pemodelan sistem / informasi, dimulai dengan menetapkan kebutuhan. Berikut adalah proses yang terjadi dalam model ini:
Analysis
Design
Code
Test
Maintenance
Gambar 2.1 Linear sequential model ♦ Analisis kebutuhan piranti lunak, berfokus pada piranti lunak. Kita harus
mengerti alam dan habitat program yang mau dibangun, perekayasa harus mengerti domain informasi untuk piranti lunak (yang dibutuhkan fungsi,
behavior, performance, dan interfacing ). Didokumentasikan dan menjadi konfigurasi. ♦ Proses Perancangan, terdiri dari tahapan berganda yang fokus pada 4 atribut
berbeda dari program: struktur data, arsitektur, interface representation dan detil prosedural (algoritma). Menterjemahkan kebutuhan ke representasi piranti lunak sebelum koding dimulai. Juga didokumentasikan dan menjadi konfigurasi. ♦ Penyusunan koding, perancangan harus diubah menjadi bentuk bahasa mesin dan
itu terjadi pada fase ini.
29 ♦ Testing, fokus pada logika internal piranti lunak, memastikan semua pernyataan
telah dites, dan fungsi eksternal. Terjadi juga perbaikan error, dan memastikan input akan menghasilkan yang benar. ♦ Maintenance, setelah diterima pelanggan dilakukan konsultasi pada fase akhir
dengan pergantian bagian yang diminra pelanggan.
