BAB 2 LANDASAN TEORI 2.1 2.1 Bab 2.pdf · kontrol atas kebijakan moneter, ... lahan dan tidak...
Transcript of BAB 2 LANDASAN TEORI 2.1 2.1 Bab 2.pdf · kontrol atas kebijakan moneter, ... lahan dan tidak...
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.