BAB 3 METODOLOGI PENELITIAN 3.1. Gambaran Objek Penelitian Tujuan penelitian ini adalah mengukur bullwhip effect. Untuk dapat melakukannya, harus ditentukan varians dari pemesanan relatif terhadap permintaan seperti pada persamaan 2.5, dalam penelitian ini objek penelitian adalah pemesanan dan permintaan terhadap gandum. Maka untuk melakukan pengukuran terhadap bullwhip effect, diperlukan varians pada pemesanan ditempatkan oleh pengecer ke pabrik relatif terhadap varians dari permintaan yang dihadapi oleh pengecer. 3.2. Pengumpulan Data Pada penelitian ini, materi dikumpulkan melalui : 1. Data sekunder, yaitu data permintaan dan pemesanan terhadap gandum terhitung dari Juni 2001 sampai dengan Agustus 2009. Adapun times series data permintaan dan pemesanan tersebut yang diambil dari website http://www.ers.usda.gov/briefing/wheat/wheatsupplyuse.htm. Data didapat dengan cara download dari website yang bersangkutan. 2. Studi kepustakaan, yaitu dengan mencari bahan/materi skripsi dari buku-buku ilmiah dan sumber buku bahasa pemrograman yang mendukung program aplikasi ini.
66 3.3. Variabel Penelitian Pada penelitian ini, variabel yang diteliti antara lain variabel jumlah permintaan dan pemesanan customer terhadap pembelian suatu barang, dalam hal ini yaitu : permintaan dan pemesanan customer terhadap wheat atau gandum. 3.4. Hipotesis Adapun hipotesis dalam penelitian ini adalah bahwa terdapat hubungan antara besaran lead time dengan besaran bullwhip yang terbentuk. 3.5. Teknik Analisis Data Teknik analisis data yang dilakukan dalam penelitian memerlukan beberapa asumsi sebagai berikut : 1. Diasumsikan variabel permintaan adalah i.i.d (independent and identically distributed). 2. Permintaan adalah acak dan mengikuti sebuah distribusi normal, dengan kata lain, diasumsikan probabilitas ramalan mengikuti kurva berbentuk lonceng. 3. Urutan kuantitas, Qt, ditentukan oleh kebijakan pengecer terhadap pengisian. Aturan pengisian dari pengecer didefinisikan sebagai variabilitas dalam penempatannya pada pabrik. 4. Lead time pengisian dari pabrik ke pengecer adalah tetap. 5. Pemesanan dapat negatif, yaitu kelebihan persediaan dapat dikembalikan tanpa biaya.
67 6. Kami membatasi analisis hanya pada dua tahap dalam supply chain. Skematis dari model dapat ditunjukkan pada gambar Gambar 3.1. Gambar 3.1. Dua Tahap Membuat Pesanan Supply Chain Untuk mengukur bullwhip effect pada supply chain, dirancang delapan skenario sebagai berikut : Dua kebijakan pengisian yaitu periodik dan berkelanjutan, dua teknik peramalan yaitu teknik exponential smoothing dan moving average, serta dua pengukur (estimator) untuk permintaan selama lead time. Skenario ini diringkas dalam Table 3.2. Tabel 3.2. Mengukur Bullwhip Effect Bedasarkan Berbagai Skenario Estimator Rep. Policy Lead time demand forecasting Continues Exponential Smoothing Periodic Exponential Smoothing One-period ahead forecasting Moving Average Moving Average
68 3.5.1. Estimasi Permintaan Selama Lead Time Sebelumnya kami memperkenalkan kebijakan pengisian dan teknik peramalan, sekarang dibedakan dalam dua jenis penduga terhadap permintaan selama lead time. Terdapat dua metode untuk mengkalkulasi ramalan permintaan selama lead time, disimbolkan dengan D t L. Metode penduga pertama, disebut dengan peramalan permintaan lead time (penduga-1), yang dihitung dengan mengambil ramalan dari jumlah permintaan selama lead time, D t L = L j =1 D t+j L, dimana D t+j merepresentasikan j periode ke depan, yang dibuat pada periode t. Metode penduga kedua yang merupakan peramalan satu periode mendatang (penduga-2) dan diperkirakan oleh peramalan permintaan dari satu periode mendatang dan mengalikannya dengan lead time, disimbolkan, D t L = LD t, dimana D t merepresentasikan peramalan permintaan satu periode mendatang, yang dibuat pada periode t. Dalam kenyataannya, rata-rata permintaan selama lead time harus diperkirakan sebagai D L t = LD t, D t dimana adalah ramalan dari periode selanjutnya, yang dibuat pada periode t, dan dapat ditentukan dalam berbagai cara, seperti: exponential smoothing, moving average, long term average, or minimum expected mean squarer error. Dalam konstruksi kedua, lead time secara perkalian explisit, sedangkan pada konstruksi pertama, lead time secara penambahan implisit (see Kim et al. 2006).
69 Untuk mendapatkan estimasi standar deviasi dari ramalan kesalahan, digunakan error e 1 t, dimana didefinisikan sebagai sebuah permintaan aktual pada t, dikurangi dengan permintaan yang diramalkan pada periode tersebut, e 1 1 t = D t D t Dibutuhkan untuk menghitung standar variasi dari sampel yang berisi periode terakhir P dari ramalan error. Jika mengira bahwa estimasi error mempunyai nilai ratarata (mean) nol, kemudian menggunakan metode ML (Max-Likelihood), dapat dituliskan sebagai berikut : σ e,t = P i=1 1 e t i P 2 (3.1) Persamaan diatas, hanyalah sebuah ukuran dari keberadaan deviasi pada kesalahan yang diduga untuk periode t. Dibutuhkan untuk mengetahui sebuah estimasi L dari standar deviasi pada periode ramalan error, σ e,t. Estimasi dari standar deviasi pada permintaan menjadi : L σ e,t = L(L+P) P+1 P 1 i=1 (3.2) e t i 2 3.5.2. Skenario Pertama Tinjauan Periodik Moving Average Penduga Pertama Untuk pencapaian titik temu, terdiri dari dua komponen. Pertama, rata-rata persediaan selama lead time, dimana produk merupakan rata-rata permintaan dan lead time. Dapat dipastikan ketika distributor menempatkan pesanan, sistem mempunyai
70 persediaan yang cukup untuk mencukupi perkiraan permintaan selama lead time. Komponen kedua adalah safety stock, dimana sejumlah persediaan yang dibutuhkan distributor untuk tetap berada di gudang untuk menjaga lonjakan fluktuasi permintaan selama lead time. Adapun : Yt = L + SS (3.3) t Jika memperhatikan P sebagai rata-rata periode, maka : Yt = μ T + L + SS Yt = X t + SS X t = L+T 1 J =0 D, X t = L+T 1 D J =0. k=1 D i k+j P P Q i = Y t Y t 1 + D t+i Adapun dengan mengabaikan SS : Q i = X t X t I + D t+i = 1 P X t IX i p 1 = D i l + D i + + D i L 2 D i p 1 D i p+l 2 + D i 1 if P L T Then Var Q i = 2 L + T Var D P 2 + Var D + 2 P Cov D i l + D i + + D i L 2 D i p 1 D i p D i p+l 3 D i p+l 2, D i 1 2 L + T Var(D) P 2 Var Q i = 1 + 2 P + Var D + 2 P Var(D) + 2(L + T) P 2
71 if P < L T Then Var Q i = 2P Var D P 2 + Var D = 1 + 2 P Var D Sehingga : Var (Q i ) = 1 + Var (D) 2 + 2(L+T) P P 2 1 + 2 P P L P < L (3.4) Gambar 3.2 menunjukkan lead time, L, jumlah periode yang digunakan untuk peramalan permintaan, P, dan T, tinjuan periode, yang mempengaruhi bullwhip. Gambar 3.2. BE Sebagai Fungsi dari P, L+T untuk Nilai yang Berbeda pada P dan L+T Seperti yang dilihat pada kasus ini, efek tersebut tergantung pada tiga faktor (L, P dan T). Dengan kata lain, mempunyai berbanding lurus L+T dan terbalik dengan P. Gambar sebelumnya menunjukkan hubungan tersebut. Sehingga dapat diamati bahwa
72 terjadi pengurangan lead time, ulasan periode dan peningkatan jumlah periode akan mengurangi bullwhip, tetapi efek dari peningkatan atau pengurangan pada bullwhip tidak proposional, seperti yang terlihat pada gambar diatas, sebuah peningkatan pada P akan mendekatkan efek untuk berbagai L+T. Ini berarti peningkatan P memiliki efek lebih pada pengurangan pengeluaran dibandingkan dengan L+T. Dalam kasus ekstrim, jika L+T mendekati nol, meskipun P dalam jumlah kecil tetapi masih memiliki pengaruh yang besar. Hal ini terjadi jika P mendetika tak hingga, berapapun L+T, efeknya akan mendekati satu seperti yang dinginkan. 3.5.3. Skenario Kedua Tinjauan Periodik Moving Average Penduga Kedua Y t = L + T D i + SS D i = P k=1 D i k P Q i = Y t Y t 1 + D t I + SS Q i = Y t Y t 1 + D t I Q i = L + T D i 1 D i P 1 P + D i 1 Var Q i = 2 2 2 L + T 2 L + T P 2 Var D + Var D + P Var D = 1 + 2 L+T P + 2 L+T 2 P 2 Var(D) Sehingga : Var Q i = 1 + 2 L+T Var (D) P + 2 L+T 2 P 2 (3.5)
Seperti yang dapat dilihat pada Gambar 3.3, kasus ini sama dengan kasus sebelumnya, bullwhip effect bergantung pada P, dan L+T. 73 Gambar 3.3. BE Sebagai Fungsi P, L+T untuk Nilai Berbeda P dan L+T 3.5.4. Skenario Ketiga Tinjauan Periodik Exponential Smoothing Penduga Pertama X i = L+T 1 j =0 D i+j Y t = X + SS X i = L+T 1 j =0 i k=1 j 1 α(1 α) Q i = Y t + Y t 1 + D t I + SS
74 Dengan mengabaikan SS : Q i = Y t + Y t 1 + D t I X i X i 1 = α D i+l 2 1 α D i+l 3 + 1 α 2 D i+l 3 + + 1 α f 1 D i+l j 1 D i 2 1 α D i 3 1 α 2 1 α j 1 D i j 1 Var Q i = Var(X i X i 1 + D i 1 ) Misalkan informasi permintaan tersedia karena data historis, ini bearti t. Sehingga : Var Q i = 2α 2 + 1 = 2α + 1 Var (D) 2α α 2 2 α (3.6) Seperti yang terlihat Gambar 3.4, bullwhip effect bergantung pada parameter exponential smoothing. Dengan kata lain, mempunyai relasi langsung dengan α, dapat dilihat pada gambar dibawah. Gambar 3.4. BE Sebagai Fungsi dari Parameter Exponential Smoothing
3.5.5. Skenario Kempat Tinjauan Periodik Exponential Smoothing Penduga Kedua 75 Y t = L + T D i + SS Q i = Y t Y t 1 + D t 1 Y t L + T D i + SS Q i = X i X i 1 + D i 1 X i = αb i 1 + (1 α) X i 1 = αd i 1 + (1 α) αd i 2 + (1 α X i 2 ) = = α (1 α) j 1 D j =1 j =1 Q = L + T X i X i 1 + D i 1 Var Q i = Var L + T X i X i 1 + D i 1 = Var = L + T (αd i 1 + (1 α)x i 1 ) (L T)X i 1 + D i 1 = Var = (1 + L + T ) D i 1 α(l T)X i 1 = 1 + L + T 2 Var D i 1 + α 2 L + T 2 Var D i 1 2α L + T I + L + T Cov(D i 1, X i 1 ) Var X i 1 = Var α j =1 j 1 (1 α) D i j 1
76 = α 2 Var(D i 1 + 1 α D i 2 + 1 α 2 D i 3 + = α 2 Var(D i 2 ) (1 α) 2k = k=0 α 2 1 1 α 2 Var D i 1 = α 2 α Var(D i 1) Cov(D i l, αd i 2 + α 1 α D i 3 + α(1 α) 2 D i 4 + ) = 0 Jadi : Var Q i = 1 + α L + T 2 Var D i 1 + α3 1 + T 2 Var(D 2 α i 1 ) = Var(D i 1 ) 1 + α L + T 2 α 2 + 2α L + T + α3 1 + T 2 2 α = Var(D i 1 ) 1 + 2α L + T + 2 1 + T 2 α 2 2 α Sehingga : Var Q i = 1 + 2α L + T + 2 1+T 2 α 2 Var (D) 2 α (3.7) Dari rumus diatas, dapat dilihat bahwa bullwhip effect adalah fungsi sebagai L+T dan parameter exponential smoothing.
77 Gambar 3.5. BE Sebagai Fungsi dari α,l+t untuk Nilai Berbeda α dan L+T Seperti yang terlihat dari Gambar 3.5, efeknya bergantung pada dua faktor yaitu L+T dan α. Dengan kata lain, mempunyai hubungan langsung ke L+T dan α. Pada persamaan tersebut, jika L+T mendekati nol atau α medekati nol, maka bullwhip effect akan cenderung menuju 1. 3.5.6. Skenario Kelima Tinjauan Berkelanjutan Moving Average Penduga Pertama Y t = μ L + SS Dengan mengimplikasikan L selain L+T pada persamaan, perhitungannya sama dengan skenario pertama, terlihat juga pada kemiripan kurva seperti yang terlihat pada Gambar 3.6. Sebagai Berikut :
78 Var (Q i ) = 1 + 2 + 2(L) Var (D) P P 2 1 + 2 P for P L P<L (3.8) Gambar 3.6. BE Sebagai Fungsi dari P,L+T untuk Nilai Berbeda pada P dan L+T 3.5.7. Skenario Keenam Tinjauan Berkelanjutan Moving Average Penduga Kedua Y t = μ T + L + SS Var (Q i ) Var (D) = 1 + 2L P + 2L2 P 2 (3.9)
79 Gambar 3.7. BE Sebagai Fungsi dari P,L+T untuk Nilai Berbeda pada P dan L+T Dapat dilihat dari Gambar 3.7, lead time lebih berpengaruh pada bullwhip dibandingkan dengan skenario kelima. 3.5.8. Skenario Ketujuh Tinjauan Berkelanjutan Exponential Smoothing Penduga Pertama Var (Q i ) = 2α 2 + 1 = 2α + 1 Var (D) 2α α 2 2 α (3.10) 3.5.9. Skenario Kedelapan Tinjauan Berkelanjutan Exponential Smoothing Penduga Kedua Disini diimplementasi L selain L+T pada persamaan. Gambar 3.8 menggambarkan kurva pada skenario ini.
80 Akhirnya dimiliki persamaan : Var ((Q i )) = 1 + 2αL + 2L2 α 2 Var (D i ) 2 α (3.11) Gambar 3.8. BE Sebagai Fungsi dari α,l+t untuk Nilai Berbeda pada α dan L+T 3.6. Perancangan Struktur Menu Perancangan menu pada aplikasi ini dilakukan dalam bentuk drop-down menu, dimana stuktur dari perancangan menu dapat terlihat seperti Gambar 3.9.
81 Menu Utama File Data View Analysis Quantitative Prediction File New Data View Data Using Exponential Smoothing Using ARCH File Load Data View Chart Continous Review Using GARCH File Update Data Periodic Preview File Save Data Using Moving Average Exit Continous Review Periodic Preview Gambar 3.9. Perancangan Stuktur Menu 3.7. Perancangan Modul Perancangan program pada aplikasi ini terdiri dari beberapa modul antara lain : modul utama, modul file data, modul view, modul analysis quantitative dan modul prediction. 3.7.1. Modul Menu Utama Pada modul menu utama ini terdapat empat menu, yaitu menu file, menu view, menu analysis quantitative, dan menu prediction. Dimana pada masing-masing menu tersebut memiliki sub-sub menu, dapat dilihat pada perancangan modul diatas. Yaitu pada menu file, memiliki lima sub menu, antara lain : sub menu file new data, sub menu file load data, sub menu file update data, sub menu file save data dan menu file exit.
82 Pada awal jalannya program, semua menu nonaktif (disabled) kecuali pada menu utama, submenu file new data, dan sub menu file load data. Gambar 3.10 merupakan diagram alir (flowchart) untuk modul menu utama. Mulai Tidak Tidak Menu Utama Tidak Apakah data sudah ada? Ya Apakah data sudah ada? Apakah data sudah ada? Menu File Data Save Ya Ya Ya Entri Data Load Update Apakah data sudah ada? View data dan view Chart Analysis Quantitative Menu Prediction File New Data File Load Data File File Data File Save Data Ya Hasil analisis parameter, pemodelan, dan grafik Hasil Peramalan Entri Data Load Data Update Data Save Data View data Data Untuk diolah Apakah ingin lanjut menggunakan aplikasi? Tidak Selesai Gambar 3.10. Diagram Aliran Modul Menu Utama
83 3.7.2. Modul File New Data Ketika hendak melakukan analisis terhadap data, maka user harus melakukan entri data terlebih dahulu melalui modul ini, atau jika user sudah memiliki data dalam bentuk file, maka user dapat melakukan load data, dengan memilih modul load data. Pada modul ini, akan tersedia worksheet sebagai tempat untuk penginputan data. Gambar 3.11 menujukkan diagram alir dari modul file new data. Mulai Input Data Tidak Apakah data sudah selesai di input? Ya Proses data menjadi data aktif Data tersimpan sebai data aktif Selesai Gambar 3.11. Diagram Alir Modul File New Data
84 3.7.3. Modul Load Data Pada modul load data, user memiliki vasilitas untuk mengolah data yang dimiliki dengan melakukan load file, sehingga user tidak perlu menginput data secara manual. Pada modul ini user akan melakukan load file, dimana file tersebut berbentuk worksheet atau spreadsheet, seperti : file dengan extention.xls,.xlsx atau csv pada open dialog yang muncul. Setelah itu, data pada file tersebut akan dibaca dan datanya disimpan ke dalam suatu variabel sebagai data aktif dalam program. Gambar 3.12 menunjukkan diagram alir untuk modul load data : Mulai Pilih File Baca File Apakah sudah End Of File? Tidak Ya Proses data menjadi data aktif Data tersimpan sebai data aktif Selesai Gambar 3.12. Diagram Alir Modul File Load Data
85 3.7.4. Modul Update Data Modul ini dapat dijalankan setelah user memasukkan data pada program baik dengan cara entri manual ataupun load dari file. Modul ini berfungsi untuk mengubah data aktif pada program. Gambar 3.13 menunjukkan diagram alir dari modul update data. Mulai Tampilkan data aktif Apakah ingin mengubah data? Ya Baca data baru Tidak Mengubah Data Aktif Tidak Apakah data sudah end of file? Ya Selesai Gambar 3.13. Diagram Alir Modul File Update Data
86 3.7.5. Modul Save Data Modul ini berfungsi untuk menyimpan data aktif ke suatu file yang didapatkan pada saat user melakukan entri data pada modul file new data, ataupun didapat saat user melakukan load data pada modul file load data. File digunakan sebagai bentuk media penyimpanan dalam program aplikasi ini. Gambar 3.14 menunjukkan bentuk diagram alir dari modul save data sebagai berikut : Mulai Memasukan Nama File untuk Menyimpan data Baca Data Aktif dari Variabel Penampung Apakah Record Sudah End of File? Tidak Ya Tulis ke dalam File Selesai Gambar 3.14. Diagram Alir Modul File Save Data
87 3.7.6. Modul Analysis Quantitative Modul ini memiliki sub menu using exponential smoothing dan using moving average. Menu analysis quantitative ini berguna untuk perhitungan bullwhip effect yang terbentuk. Sub menu using exponential smoothing, mempunyai sub menu continuous review dan sub menu periodic review. Pada sub ini berfungsi untuk melakukan perhitungan terhadap bullwhip effect dengan menggunakan metode exponential smoothing. Pada sub menu using moving average, mempunyai sub menu continuous review dan sub menu periodic review. Modul ini berfungsi untuk melakukan perhitungan terhadap bullwhip effect menggunakan metode moving average. Pada Gambar 3.15 menunjukkan diagram alir dari modul analysis quantitative.
88 Mulai Exponential smoothing Menu Analysis Quantitative Moving average Menu Exponential Smoothing Menu Moving Average Continous Review Periodic Review Continous Review Periodic Review Menu Continous Review Menu Periodic Review Menu Continous Review Menu Periodic Review Melakukan Analisis Quantitatif Melakukan Analisis Quantitatif Melakukan Analisis Quantitatif Melakukan Analisis Quantitatif Melakukan Analisis Quantitatif Melakukan Analisis Quantitatif Selesai Gambar 3.15. Diagram Alir Menu Analysis Quantitative a. Modul Exponential Smoothing dengan Continuous Review Pada modul ini, melakukan analisis dengan menggunakan metode exponential smoothing dan dengan metode contious review pada kebijakan pengisian persediaannya. Pada menu ini, user dapat memilih estimator yang akan digunakan. Setelah memilih estimator, program akan meminta parameter yang dibutuhkan yang tergantung dari estimator yang dipilih. Diagram alir untuk modul ini terlihat pada Gambar 3.16.
89 Mulai Data-data untuk analisis kuantitatif Lead Time Demand Forecasting Menentukan Estimator One Period ahead Forecasting Lead Time Demand Forecasting One Period ahead Forecasting Parameter analisis Analisis kuantitatif Selesai Gambar 3.16. Diagram Alir Menu Exponential Smoothing dengan Continuous Review b. Modul Exponential Smoothing dengan Periodic Review Modul ini melakukan analisis dengan menggunakan metode exponential smoothing dan dengan metode periodic review pada kebijakan pengisian persediaannya. Pada menu ini, user dapat memilih estimator yang akan digunakan. Setelah memilih estimator, program akan meminta parameter yang
dibutuhkan yang tergantung dari estimator yang dipilih. Diagram alir menu ini sama seperti diagram alir menu sebelumnya (Gambar 3.16). 90 c. Modul Moving Average dengan Continuous Review Pada modul ini, melakukan analisis dengan menggunakan metode moving average dan dengan metode continuous review pada kebijakan pengisian persediaannya. Pada menu ini, user dapat memilih estimator yang akan digunakan. Setelah memilih estimator, program akan meminta parameter yang dibutuhkan yang tergantung dari estimator yang dipilih. Diagram alir menu ini sama seperti diagram alir menu sebelumnya (Gambar 3.16). d. Modul Moving Average dengan Periodic Review Pada modul ini, melakukan analisis dengan menggunakan metode moving average dan dengan metode periodic review pada kebijakan pengisian persediaannya. Pada menu ini, user dapat memilih estimator yang akan digunakan. Setelah memilih estimator, program akan meminta parameter yang dibutuhkan yang tergantung dari estimator yang dipilih. Diagram alir menu ini sama seperti diagram alir menu sebelumnya (Gambar 3.16). 3.7.7. Modul Prediction Modul ini digunakan untuk melakukan peramalan volatilitas yang akan datang dengan menggunakan model yang diinginkan. Peramalan ini dilakukan dengan metode ARCH melalui modul prediction using ARCH ataupun GARCH melalui modul
prediction using GARCH. Berikut adalah diagram alir untuk modul prediction using ARCH (Gambar 3.17) dan GARCH (Gambar 3.18) 91 Start Data aktif untuk modelling Modelling ARCH Prediction Selesai Gambar 3.17. Diagram Alir Modul Predicting Using ARCH
92 Start Data aktif untuk modelling Modelling GARCH Predicting Selesai Gambar 3.18. Diagram Alir Modul Predicting Using GARCH 3.8. Perancangan Layar Rancangan layar pada program simulasi ini terdiri dari beberapa bagian antara lain adalah sebagai berikut : 3.8.1. Rancangan Layar Menu Utama Rancangan layar untuk menu utama dapat dilihat pada Gambar 3.19.
93 Gambar 3.19. Rancangan Layar Menu Utama Rancangan ini adalah bagian utama dari program simulasi ini yang terdiri dari beberapa menu antara lain: File, View, Analyse Quantitative, dan Prediction. Setiap menu pada bagian ini merupakan drop down menu, dimana masing masing memiliki submenu. 3.8.2. Rancangan Layar Menu File Gambar 3.20 menunjukkan rancangan layar untuk menu file.
94 Gambar 3.20. Rancangan Layar Menu File Menu file terdiri dari submenu File New Data, File Load Data, File Save Data, dan Exit. Pada menu file ini, fungsi utamanya dalah untuk operasi pada data, untuk input data, load data, maupun untuk menyimpan data yang sudah diolah. 3.8.2.1. Rancangan Layar File New Data Gambar 3.21 menunjukkan rancangan layar yang modul file new data. Modul ini berfungsi untuk melakukan input manual terhadap data yang akan digunakan sebagai data aktif.
95 Gambar 3.21. Rancangan Layar File New Data 3.8.2.2. Rancangan Layar File Load Data Pada menu load data, akan keluar tampilan untuk memperlihatkan jalannya proses download data seperti yang terlihat pada Gambar 3.22. Gambar 3.22. Rancangan Layar File Load Data
96 3.8.2.3. Rancangan Layar File Save Data Pada menu save data, user dapat menyimpan data aktif yang telah didapatkan baik dari load file sebelumnya maupun dari data hasil input manual. File output berupa file spreadsheet excel (.xls maupun.xlsx). Gambar 3.23 merupakan rancangan layar progress bar ketika program sedang melakukan proses saving. Gambar 3.23. Rancangan Layar File Save Data 3.8.2.4. Rancangan Layar Exit Menu ini, berguna bagi user untuk dapat mengakhiri program. Rancangan layar untuk menu ini terlihat pada Gambar 3.24. Gambar 3.24. Rancangan Layar Exit
97 3.8.3. Rancangan Layar View Menu ini terbagi menjadi dua sub menu, antara lain view data dan view chart. Pada sub menu view data, user dapat melihat data aktif yang terdapat pada program. Tampilan data dalam bentuk spreadsheet, sedangkan pada menu view chart, user dapat melihat grafik dari series yang ada. Berikut tampilan rancangan layar untuk menu view data (Gambar 3.25) dan view chart (Gambar 3.26). Gambar 3.25. Rancangan Layar Sub Menu View Data
98 Gambar 3.26. Rancangan Layar Sub Menu View Chart 3.8.4. Rancangan Layar Analysis Quantitative Pada menu analysis quantitative, terdiri dari dua sub menu utama yaitu using exponential smoothing dan using moving average, seperti yang terlihat pada Gambar 3.27. Masing-masing sub menu, memiliki dua sub menu utama di dalamnya, yaitu continuous review dan periodic review. Seperti terlihat pada Gambar 3.28 dan Gambar 3.29.
99 Gambar 3.27. Rancangan Layar Menu Analyse dengan Exponential Smoothing Gambar 3.28. Rancangan Layar Menu Analyse dengan Moving Average
100 Gambar 3.29. Rancangan Layar Simulate Analysis Quantitative Frame 3.8.5. Rancangan Layar Prediction Menu prediction pada program memiliki dua buah sub menu seperti yang terlihat pada Gambar 3.30, yaitu using ARCH dan using GARCH. Menu ini bertujuan untuk memprediksi volatilitas yang akan datang dengan menggunakan model ARCH maupun model GARCH.
101 Gambar 3.30. Rancangan Layar Menu Prediction Content dari menu prediction ini juga terdapat sebuah modul variance and distribution specification yang terlihat seperti Gambar 3.31. Sehingga user dapat menentukan inisialisasi dari nilai p dan q serta memilih distribusi yang akan digunakan. Gambar 3.31. Rancangan Layar Simulate Frame
102 3.9. Diagram Transisi (State Transition Diagram) Diagram transisi memberikan keterangan tentang semua kondisi yang dijalankan dan action yang akan terjadi jika kondisi terpenuhi. Kondisi adalah salah satu event pada external enviroment yand dapat dideteksi oleh sistem, misalnya : sinyal, interrupt atau data. Action sendiri adalah hal yang dapat dilakukan oleh sistem bila terjadi perubahan state atau data. Action akan menghasilkan output, message display pada layar, menghasilkan hasil kalkulasi dan lain-lain. Diagram transisi yang dibuat mencakup beberapa diagram, yaitu diagram transisi menu utama, diagram transisi sub menu data, diagram transisi sub menu view, diagram transisi analysis Quantitative, dan diagram transisi prediction. 3.9.1. Diagram Transisi Menu Utama Pada menu utama ini, terdapat empat buah sub menu, yang jika diklik akan masuk ke dalam sub menu, yaitu : menu file, menu view, menu analysis quantitative, dan menu prediction. Gambar 3.32 merupakan diagram transisi dari menu utama.
Lingkugan Windows Tutup program Kembali ke lingkungan windows Jalankan program Tampil menu utama Menu Utama Klik pada daerah lain Kembali ke menu utama Pilih Menu File Tampil Sub Menu File Klik pada daerah lain Kembali ke menu utama Pilih Menu Prediction Tampil menu Prediction Klik pada daerah lain Kembali ke menu utama Pilih Menu view Tampil menu view Klik pada daerah lain Kembali ke menu utama Pilih Menu analysis Tampil menu analysis Sub Menu File Sub Menu View Sub Menu Analysis Quantitative Sub Menu Prediction Gambar 3.32. Diagram Transisi Menu Utama 103
104 3.9.2. Diagram Transisi Sub Menu Utama Pada menu file data, tersedia lima buah sub menu, yaitu sub menu file new data, sub menu file load data, sub menu file update data, sub menu file save data, dan sub menu exit. Gambar 3.33 merupakan diagram transisi dari sub menu utama.
Pilih Menu File Data Tampil Menu File Data Pilih Menu File New Data Tampil Menu File New Data Sub Menu File Data Pilih Menu File Exit Tampil Menu File Exit Pilih Menu File Load Data Tampil Menu File Load Data Pilih Menu File Save Data Tampil Menu File Save Data Dialog Insert New Data Dialog Load Data Dialog Save Data Dialog Exit Insert Manual Data lalu klik use data Tampil Tab Data Tab Data Pilih Menu File Update Data Tampil Menu File Update Data Pilih Nama File dan Klik OK Tampil Message Dialog Sukses Load Dialog Update Data Update Manual Data lalu Klik Tombol Update Tampil Tab Data Masukan Nama File dan Klik OK Tampil Message Dialog Sukses Save Klik Yes Lingkungan Windows Keluar dari program Message Dialog Sukses Load Tab Data Message Dialog Sukses Save Gambar 3.33. Transisi Diagram Sub Menu Utama 105
106 3.9.3. Diagram Transisi Sub Menu View Pada menu view, tersedia dua buah sub menu, yaitu sub menu view data dan sub menu view chart. Gambar 3.34 merupakan diagram transisi untuk sub menu view. Pilih Menu View Tampil Menu View Sub Menu View Klik menu View Data Klik menu View Chart Tampil Menu Dialog View Data Tampil Menu Dialog Chart Dialog View Data Dialog View Chart Gambar 3.34. Transisi Diagram Sub Menu View 3.9.4. Diagram Transisi Sub Menu Analysis Quantitative Menu analysis quantitative terdiri dari dua buah sub menu, yaitu using exponential smoothing dan using moving average. Pada kedua sub menu tersebut, terdapat masing-masing dua buah sub menu lagi, yaitu baik pada sub menu using exponential smoothing maupun pada sub menu using moving average terdapat sub menu continuous review dan periodic review. Gambar 3.35 merupakan diagram transisi dari sub menu analysis quantitative.
Pilih Menu Analysis Quantitative Tampil Menu Analysis Quantitative Pilih Sub Menu Exponential Smoothing Tampil Sub Menu Exponential Smoothing Sub Menu Analysis Quantitative Pilih Sub Menu Moving Average Tampil Sub Menu Moving Average Sub Menu Using Exponential Smoothing Sub Menu Using Moving Average Pilih Sub Menu Continous Review Pilih Sub Menu Periodic Review Pilih Sub Menu Continous Review Pilih Sub Menu Periodic Review Tampil Sub Menu Continous Review Tampil Sub Menu Periodic Review Tampil Sub Menu Continous Review Tampil Sub Menu Periodic Review Sub Menu Continous Review Sub Menu Periodic Review Sub Menu Continous Review Sub Menu Periodic Review Pilih Sub Menu Continous Review dengan ES Tampil Frame Analysis Quantitative Pilih Sub Menu Continous Review dengan MA Tampil Frame Analysis Quantitative Pilih Sub Menu Continous Review dengan ES Tampil Frame Analysis Quantitative Frame Analysis Quantitative Pilih Sub Menu Continous Review dengan MA Tampil Frame Analysis Quantitative Gambar 3.35. Transisi Diagram Sub Menu Analysis Quantitative 107
108 3.9.5. Diagram Transisi Sub Menu Prediction Pada menu prediction, terdapat dua buah sub menu, yaitu using ARCH dan using GARCH. Gambar 3.36 merupakan diagram transisi untuk menu prediction. Pilih Menu Prediction Tampil Menu Prediction Sub Menu Predicting Pilih Sub Menu Using ARCH Tampil Frame Simulasi Pilih Sub Menu Using GARCH Tampil Frame Simulasi Frame Simulasi Klik OK Tampil Dialog Hasil Simulasi Dialog Hasil Prediksi Gambar 3.36. Transisi Diagram Sub Menu Prediction 3.10. Spesifikasi Rancangan Spesifikasi sistem yang digunakan dalam pembuatan aplikasi ini terdiri dari perangkat keras (Tabel 3.2) dan perangkat lunak (Tabel 3.3). Berikut adalah spesifikasi yang dibutuhkan, antara lain :
109 3.10.1. Perangkat Keras (Hardware) Tabel 3.2. Spesifikasi Perangkat Keras Jenis Perangkat Keras Processor Memory Card Hard Disk VGA Card Spesifikasi Intel Pentium IV 3 GHz 1 GB 40 GB 1074 x 768 High Color Keyboard dan Mouse - Monitor - 3.10.2. Perangkat Lunak (Software) Tabel 3.3. Spesifikasi Perangkat Lunak Sistem Operasi Jenis Perangkat Lunak Spesifikasi Microsoft Windows XP Professional SP2 Framework Microsoft.NET Framework 3.0 Software Visual Studio 2008 Eviews 6.0 Enterprise Edition Penjelasan mengenai software yang digunakan : 1. Visual Studio 2008 Digunakan sebagai editor pengkodean aplikasi 2. Eview 6.0 Enterprise Edition Digunakan sebagai alat bantu estimasi model ARCH dan GARCH.