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 perlahan-

lahan 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 + µ1

Y2 = Y0 + µ2 = Y0 + µ1 + µ2

Y3 = Y0 + µ3 = Y0 + µ1 + µ2 + µ3

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) = t�2 ……………………………………………………......……….. (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) = t�2 .................................................................................................. (2.12)

Seperti yang bisa dilihat, untuk berjalan acak dengan penyimpangan, baik rata-

rata 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 Dickey-

Fuller.

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 Dickey-

Fullernya.

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 optimal linier membawa kepada

�2 (yt+1 | It) < �2

(yt+1 | It - xt),

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 optimal linier membawa kepada

�2 (yt+1 | {It, xt+1}) < �2

(yt+1 | It),

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 Asafo-

Adjei 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.

A0 = sebuah vektor intersep (n.1).

Ai = sebuah koefisien matriks (n.n).

εt = sebuah vektor kesalahan (n.1).

2.6.1 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

covarians residual dari sistem yang dibatasi.

ln |Σu| = logaritma natural dari determinan matriks varians

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 = jumlah observasi yang digunakan

2.6.2 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������⋮��!12

23 + '"#�"#�⋮"#)* ........................................ (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

.////0

n ∑ X2ini=1 ∑ X3i

ni=1 … ∑ Xki

ni=1∑ X2i

ni=1 ∑ X2

2ini=1 ∑ X2iX3i

ni=1 … ∑ X2iXki

ni=1∑ X3i

ni=1 ∑ X3iX2i

ni=1 ∑ X2

3ini=1 … ∑ X3iXki

ni=1⋮ ⋮ ⋮ ⋱ ⋮∑ Xki

ni=1 ∑ XkiX2i

ni=1 ∑ XkiX3i

ni=1 … ∑ X2

kini=1 122

223.////0���������⋮��!122

223 = .///0 1 1 … 1��� ��� … ��)��� ��� … ��)⋮ ⋮ ⋱ ⋮�!� �!� … �!)122

23.///0�����)⋮�!122

23 (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

1β� = (X’X)-1

X’y

atau

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 program-

program 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 sumber-

sumber 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.