Sistem pakar adalah suatu program komputer yang dirancang untuk mengambil
keputusan seperti keputusan yang diambil oleh seorang atau beberapa orang
pakar. Menurut Marimin (1992), sistem pakar adalah sistem perangkat lunak
komputer yang menggunakan ilmu, fakta, dan teknik berpikir dalam pengambilan
keputusan untuk menyelesaikan masalah-masalah yang biasanya hanya dapat
diselesaikan oleh tenaga ahli dalam bidang yang bersangkutan. Dalam penyusunannya,
sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference
rules) dengan basis pengetahuan tertentu yang diberikan oleh satu atau lebih
pakar dalam bidang tertentu. Kombinasi dari kedua hal tersebut disimpan dalam
komputer, yang selanjutnya digunakan dalam proses pengambilan keputusan untuk
penyelesaian masalah tertentu.
Modul
Penyusun Sistem Pakar
Suatu sistem pakar disusun oleh tiga modul utama
(Staugaard, 1987), yaitu :
1. Modul
Penerimaan Pengetahuan Knowledge Acquisition Mode)
Sistem berada pada modul ini, pada saat ia menerima
pengetahuan dari pakar. Proses mengumpulkan pengetahuan-pengetahuan yang akan
digunakan untuk pengembangan sistem, dilakukan dengan bantuan knowledge
engineer. Peran knowledge engineer adalah sebagai penghubung antara suatu
sistem pakar dengan pakarnya.
2. Modul
Konsultasi(Consultation Mode)
Pada saat sistem berada pada posisi memberikan
jawaban atas permasalahan yang diajukan oleh user, sistem pakar berada dalam
modul konsultasi. Pada modul ini, user berinteraksi dengan sistem dengan
menjawab pertanyaan-pertanyaan yang diajukan oleh sistem.
3. Modul
Penjelasan(Explanation Mode)
Modul ini menjelaskan proses pengambilan keputusan
oleh sistem (bagaimana suatu keputusan dapat diperoleh).
Struktur Sistem
Pakar
Komponen utama pada struktur sistem pakar (Hu et
al, 1987) meliputi:
1. Basis
Pengetahuan (Knowledge Base)
Basis pengetahuan merupakan inti dari suatu sistem
pakar, yaitu berupa representasi pengetahuan dari pakar. Basis pengetahuan
tersusun atas fakta dan kaidah. Fakta adalah informasi tentang objek,
peristiwa, atau situasi. Kaidah adalah cara untuk membangkitkan suatu fakta
baru dari fakta yang sudah diketahui. Menurut Gondran (1986) dalam Utami
(2002), basis pengetahuan merupakan representasi dari seorang pakar, yang
kemudian dapat dimasukkan kedalam bahasa pemrograman khusus untuk kecerdasan
buatan (misalnya PROLOG atau LISP) atau shell sistem pakar (misalnya EXSYS,
PC-PLUS, CRYSTAL, dsb.)
2. Mesin
Inferensi (Inference Engine)
Mesin inferensi berperan sebagai otak dari sistem
pakar. Mesin inferensi berfungsi untuk memandu proses penalaran terhadap suatu
kondisi, berdasarkan pada basis pengetahuan yang tersedia. Di dalam mesin
inferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah, model, dan
fakta yang disimpan dalam basis pengetahuan dalam rangka mencapai solusi atau
kesimpulan. Dalam prosesnya, mesin inferensi menggunakan strategi penalaran dan
strategi pengendalian.
Strategi penalaran terdiri dari strategi penalaran
pasti (Exact Reasoning) dan strategi penalaran tak pasti (Inexact Reasoning).
Exact reasoning akan dilakukan jika semua data yang dibutuhkan untuk menarik
suatu kesimpulan tersedia, sedangkan inexact reasoning dilakukan pada keadaan
sebaliknya.
Strategi pengendalian berfungsi sebagai panduan
arah dalam melakukan prose penalaran. Terdapat tiga tehnik pengendalian yang
sering digunakan, yaitu forward chaining, backward chaining, dan gabungan dari
kedua tehnik pengendalian tersebut.
3. Basis
Data (Database)
Basis data terdiri atas semua fakta yang
diperlukan, dimana fakta-fakta tersebut digunakan untuk memenuhi kondisi dari
kaidah-kaidah dalam sistem. Basis data menyimpan semua fakta, baik fakta awal
pada saat sistem mulai beroperasi, maupun fakta-fakta yang diperoleh pada saat
proses penarikan kesimpulan sedang dilaksanakan. Basis data digunakan untuk
menyimpan data hasil observasi dan data lain yang dibutuhkan selama pemrosesan.
4. Antarmuka
Pemakai (User Interface)
Fasilitas ini digunakan sebagai perantara
komunikasi antara pemakai dengan sistem. Hubungan antar komponen penyusun
struktur sistem pakar dapat dilihat pada Gambar di bawah ini :
Teknik Representasi Pengetahuan
Representasi pengetahuan adalah suatu teknik untuk
merepresentasikan basis pengetahuan yang diperoleh ke dalam suatu skema/diagram
tertentu sehingga dapat diketahui relasi/keterhubungan antara suatu data dengan
data yang lain. Teknik ini membantu knowledge engineer dalam memahami struktur
pengetahuan yang akan dibuat sistem pakarnya.
Terdapat beberapa teknik representasi pengetahuan
yang biasa digunakan dalam pengembangan suatu sistem pakar, yaitu :
1. Rule-Based Knowledge
2. Pengetahuan direpresentasikan dalam suatu bentuk
fakta (facts) dan aturan (rules).
Bentuk representasi ini terdiri
atas premise dan kesimpulan
3. Frame-Based Knowledge
Pengetahuan direpresentasikan
dalam suatu bentuk hirarki atau jaringan frame
4. Object-Based Knowledge Pengetahuan
direpresentasikan sebagai jaringan dari
obyek-obyek. Obyek adalah elemen
data yang terdiri dari data dan metoda (proses)
5. Case-Base Reasoning Pengetahuan
direpresentasikan dalam bentuk kesimpulan
kasus (cases)
(Untuk mengetahui lebih jelasnya, Anda dapat
membaca buku :
• Management Information System (J.A. O'Brien)
McGraw Hill. Arizona.USA.
• Decision Support and Expert Systems; Management
Support Systems (E. Turban)
Prentice Hall. New Jersey.USA.
• Buku-buku lain yang membahas tentang Sistem
Pakar)
Sistem pakar adalah sistem yang mempekerjakan
pengetahuan manusia yang ditangkap dalam komputer untuk memecahkan masalah yang
biasanya membutuhkan keahlian manusia. Adapun komponen-kompenen yang mungkin
ada dalam sebuah sistem pakar adalah:
1. Subsistem akuisisi pengetahuan
2. Basis pengetahuan
Basis pengetahuan berisi
pengetahuan penting untuk pengertian, formulasi dan
pemecahan masalah. Basis
pengetahuan memasukkan dua elemen (1) fakta (facts)
seperti situasi masalah dan
teori dari area masalah dan (2) heuristic khusus atau
rule-rule yang menghubungkan
penggunaan pengetahuan untuk pemecahan
masalah spesifik dalam sebuah
domain khusus. Informasi dalam basis pengetahuan
tergabung dalam basis
pengetahuan tergabung dalam sebuah program computer
oleh proses yang disebut dengan
representasi pengetahuan.
3. Mesin inferensi
4. Blackboard (Wilayah kerja)
5. User interface
Sistem pakar berisi bahasa
prosesor untuk komunikasi yang bersahabat,
berorientasi pada masalah antara
pengguna dan komputer. Komunikasi ini dapat
secara baik dibawa oleh natural
language, dan dalam beberapa kasus user interface
ditambahkan dengan menu-menu dan
grafik.
6. Subsistem penjelasan
7. Sistem penyaringan pengetahuan
Sedangkan konsep dasar dalam
sistem pakar menurut Turban, 1993 adalah:
1. Keahlian (Expertise)
2. Pakar (Expert)
3. Transfer keahlian
4. Inferensi
5. Rule
6. Kemampuan memberikan penjelasanHYPERLINK
"http://kmp.htm/" \t "right"
Akuisisi pengetahuan adalah
akumulasi, transfer dan transformasi dari keahlian
pemecahan masalah dari beberapa
sumber pengetahuan ke program komputer
untuk konstruksi atau perluasan
basis pengetahuan. Sumber-sumber pengetahuan
potensial termasuk pakar
manusia, textbook, database, laporan penelitian khusus,
dan gambar-gambar.
Pengakuisisian pengetahuan dari pakar adalah tugas kompleks
yang sering membuat kemacetan
dalam konstruksi sistem pakar sehingga
dibutuhkan seorang knowledge
engineer untuk berinteraksi dengan satu atau lebih
pakar dalam membangun basis
pengetahuan. Metode Regresi linier
Regresi linier adalah metode
statistika yang digunakan untuk membentuk model
hubungan antara variabel terikat
(dependen; respon; Y) dengan satu atau lebih
variabel bebas (independen,
prediktor, X). Apabila banyaknya variabel bebas hanya
ada satu, disebut sebagai
regresi linier sederhana, sedangkan apabila terdapat lebih
dari 1 variabel bebas, disebut
sebagai regresi linier berganda.
Analisis regresi
setidak-tidaknya memiliki 3 kegunaan, yaitu untuk tujuan deskripsi
dari fenomena data atau kasus
yang sedang diteliti, untuk tujuan kontrol, serta
untuk tujuan prediksi. Regresi
mampu mendeskripsikan fenomena data melalui
terbentuknya suatu model
hubungan yang bersifatnya numerik. Regresi juga dapat
digunakan untuk melakukan
pengendalian (kontrol) terhadap suatu kasus atau hal-
hal yang sedang diamati
melalui penggunaan model regresi yang diperoleh. Selain
itu, model regresi juga
dapat dimanfaatkan untuk melakukan prediksi untuk
variabel terikat. Namun
yang perlu diingat, prediksi di dalam konsep regresi hanya
boleh dilakukan di dalam
rentang data dari variabel-variabel bebas yang digunakan
untuk membentuk model
regresi tersebut. Misal, suatu model regresi diperoleh
dengan mempergunakan data
variabel bebas yang memiliki rentang antara 5 s.d.
25, maka prediksi hanya
boleh dilakukan bila suatu nilai yang digunakan sebagai
input untuk variabel X
berada di dalam rentang tersebut. Konsep ini disebut
sebagai interpolasi. Data
untuk variabel independen X pada regresi linier bisa
merupakan data pengamatan
yang tidak ditetapkan sebelumnya oleh peneliti
(obsevational data) maupun
data yang telah ditetapkan (dikontrol) oleh peneliti
sebelumnya (experimental
or fixed data). Perbedaannya adalah bahwa
dengan menggunakan fixed
data, informasi yang diperoleh lebih kuat dalam
menjelaskan hubungan sebab
akibat antara variabel X dan variabel Y. Sedangkan,
pada observational data,
informasi yang diperoleh belum tentu merupakan
hubungan sebab-akibat.
Untuk fixed data, peneliti sebelumnya telah memiliki
beberapa nilai variabel X
yang ingin diteliti. Sedangkan, pada observational data,
variabel X yang diamati
bisa berapa saja, tergantung keadaan di lapangan.
Biasanya, fixed data diperoleh
dari percobaan laboratorium, dan observational data
diperoleh dengan menggunakan
kuesioner. Di dalam suatu model regresi kita akan
menemukan koefisien-koefisien.
Koefisien pada model regresi sebenarnya adalah
nilai duga parameter di dalam
model regresi untuk kondisi yang sebenarnya (true
condition), sama halnya dengan
statistik mean (rata-rata) pada konsep statistika
dasar. Hanya saja, koefisien-koefisien untuk model
regresi merupakan suatu nilai rata-rata yang berpeluang terjadi pada variabel Y
(variabel terikat) bila suatu nilai X (variabel bebas) diberikan.
Koefisien regresi dapat dibedakan menjadi 2 macam, yaitu:
1. Intersep
(intercept)
Intersep, definisi secara metematis adalah suatu
titik perpotongan antara suatu garis dengan sumbu Y pada diagram/sumbu
kartesius saat nilai X = 0. Sedangkan definisi secara statistika adalah nilai
rata-rata pada variabel Y apabila nilai pada variabel X bernilai 0. Dengan kata
lain, apabila X tidak memberikan kontribusi, maka secara rata-rata, variabel Y
akan bernilai sebesar intersep. Perlu diingat, intersep hanyalah suatu
konstanta yang memungkinkan munculnya koefisien lain di dalam model regresi.
Intersep tidak selalu dapat atau perlu untuk diinterpretasikan. Apabila data
pengamatan pada variabel X tidak mencakup nilai 0 atau mendekati 0, maka
intersep tidak memiliki makna yang berarti, sehingga tidak perlu
diinterpretasikan.
Secara matematis, slope merupakan ukuran kemiringan
dari suatu garis. Slope adalah
koefisien regresi untuk variabel X (variabel
bebas). Dalam konsep statistika, slope
merupakan suatu nilai yang menunjukkan seberapa
besar kontribusi (sumbangan) yang diberikan suatu variabel X terhadap variabel
Y. Nilai slope dapat pula diartikan sebagai ratarata pertambahan (atau
pengurangan) yang terjadi pada variabel Y untuk setiap peningkatan satu satuan
variabel X.
Contoh model regresi:
Y = 9.4 + 0.7*X +
Angka 9.4 merupakan intersep, 0.7 merupakan slope,
sedangkan merupakan error.
Error bukanlah berarti sesuatu yang rusak, hancur
atau kacau. Pengertian error di dalam konsep statistika berbeda dengan
pengertian error yang selama ini dipakai di dalam kehidupan sehari-hari.
Metode B/C
Ratio
Analisis manfaat-biaya merupakan analisis yang
digunakan untuk mengetahui besarankeuntungan/kerugian serta kelayakan suatu
proyek. Dalam perhitungannya, analisis inimemperhitungkan biaya serta manfaat
yang akan diperoleh dari pelaksanaan suatu program.Dalam analisisbenefit dancos
t perhitungan manfaat serta biaya ini merupakan satu kesatuanyang tidak dapat
dipisahkan.
Analisis ini mempunyai banyak bidang penerapan.
Salah satu bidang penerapan yang umummenggunakan rasio ini adalah dalam bidang
investasi. Sesuai dengan dengan maknatekstualnya yaitu benefit cost
(manfaat-biaya) maka analisis ini mempunyai penekanan dalamperhitungan tingkat
keuntungan/kerugian suatu program atau suatu rencana denganmempertimbangkan
biaya yang akan dikeluarkan serta manfaat yang akan dicapai. Penerapananalisis
ini banyak digunakan oleh para investor dalam upaya mengembangkan
bisnisnya.Terkait dengan hal ini maka analisis manfaat dan biaya dalam
pengembangan investasi hanyadidasarkan pada rasio tingkat keuntungan dan biaya
yang akan dikeluarkan atau dalam kata lainpenekanan yang digunakan adalah pada
rasio finansial atau keuangan.
Dibandingkan penerapannya dalam bidang investasi,
penerapan Benefit Cost Ratio (BCR) telahbanyak mengalami perkembangan. Salah
satu perkembangan analisis BCR antara lain yaitupenerapannya dalam bidang
pengembangan ekonomi daerah. Dalam bidang pengembanganekonomi daerah, analisis
ini umum digunakan pemerintah daerah untuk menentukan kelayakanpengembangan suatu
proyek.
Relatif berbeda dengan penerapan BCR di bidang
investasi, penerapan BCR dalam prosespemilihan suatu proyek terkait upaya
pengembangan ekonomi daerah relatif lebih sulit. Hal inidikarenakan aplikasi
BCR dalam sektor publik harus mempertimbangkan beberapa aspek terkait
social benefit(social welfare function) dan
lingkungan serta tak kalah penting adalah factor efisiensi. Faktor efisiensi
mutlak menjadi perhatian menimbang terbatasnya dana dan kemampuan pemerintah
daerah sendiri. Secara terinci aspek-aspek tersebut juga mempertimbangkan
dampak penerapan suatu program dalam masyarakat baik secara langsung (direct
impact) maupun tidak langsung (indirect impact), faktor eksternalitas,
ketidakpastian (uncertainty), risiko (risk) serta shadow price. Terkait
perhitungan risiko dan ketidakpastian, hal ini dapat diatasi dengan menggunakan
asuransi danmelakukan lindung nilai (hedging). Efisiensi ekonomi merupakan
kontribusi murni suatu program dalam peningkatan kesejahteraan masyarakat.
Sehingga yang menjadi perhatian utama dalam penerapan BCR dalam suatu
proyekpemerintah yang berkaitan dengan sektor publik adalah redistribusi sumber
daya.
Metode AHP
AHP merupakan suatu model pendukung keputusan
yang dikembangkan oleh Thomas L. Saaty. Model pendukung keputusan
ini akan menguraikan masalah multi faktor atau multi kriteria yang
kompleks menjadi suatu hirarki, menurut Saaty (1993), hirarki
didefinisikan sebagai suatu representasi dari sebuah permasalahan yang
kompleks dalam suatu struktur multi level dimana
level pertama adalah tujuan, yang diikuti level faktor, kriteria, sub
kriteria, dan seterusnya ke bawah hingga level terakhir dari alternatif. Dengan
hirarki, suatu masalah yang kompleks dapat diuraikan ke dalam
kelompok-kelompoknya yang kemudian diatur menjadi suatu bentuk
hirarki sehingga permasalahan akan tampak lebih
terstruktur dan sistematis.
AHP sering digunakan sebagai metode pemecahan
masalah dibanding dengan metode yang lain karena alasan-alasan sebagai
berikut :
1. Struktur yang berhirarki, sebagai konsekuesi
dari kriteria yang dipilih, sampai pada
subkriteria yang paling dalam.
2. Memperhitungkan validitas sampai dengan batas
toleransi inkonsistensi berbagai
kriteria dan alternatif yang
dipilih oleh pengambil keputusan.
3. Memperhitungkan daya tahan output analisis
sensitivitas pengambilan keputusan.
Kelebihan dan Kelemahan AHP
Layaknya sebuah metode analisis, AHP pun memiliki
kelebihan dan kelemahan dalam system analisisnya. Kelebihan-kelebihan analisis
ini adalah :
Kesatuan (Unity)§
AHP membuat permasalahan yang luas dan tidak
terstruktur menjadi suatu model yang fleksibel dan mudah dipahami.
Kompleksitas (Complexity)§
AHP memecahkan permasalahan yang kompleks
melalui pendekatan sistem dan pengintegrasian secara deduktif.
Saling ketergantungan (Inter Dependence)§
AHP dapat digunakan pada elemen-elemen sistem yang
saling bebas dan tidak memerlukan hubungan linier.
Struktur Hirarki (Hierarchy Structuring)§
AHP mewakili pemikiran alamiah yang cenderung
mengelompokkan elemen sistem ke level-level yang berbeda dari masing-masing
level berisi elemen yang serupa.
Pengukuran (Measurement)§
AHP menyediakan skala pengukuran dan metode untuk
mendapatkan prioritas.
Konsistensi (Consistency)§
AHP mempertimbangkan konsistensi logis dalam
penilaian yang digunakan untuk menentukan prioritas.
Sintesis (Synthesis)§
AHP mengarah pada perkiraan keseluruhan mengenai
seberapa diinginkannya masing-masing alternatif.
Trade Off§
AHP mempertimbangkan prioritas relatif
faktor-faktor pada sistem sehingga orang mampu memilih altenatif terbaik
berdasarkan tujuan mereka.
Penilaian dan Konsensus (Judgement and Consensus)§
AHP tidak mengharuskan adanya suatu konsensus,
tapi menggabungkan hasil penilaian yang berbeda.
Pengulangan Proses (Process Repetition)§
AHP mampu membuat orang menyaring definisi dari
suatu permasalahan dan mengembangkan penilaian serta pengertian mereka melalui
proses pengulangan.
Sedangkan kelemahan metode AHP adalah sebagai
berikut:
Ketergantungan model AHP pada input utamanya. Input
utama ini§
berupa persepsi seorang ahli sehingga dalam hal ini
melibatkan subyektifitas sang ahli selain itu juga model menjadi tidak
berarti jika ahli tersebut memberikan penilaian yang keliru.
Metode AHP ini hanya metode matematis tanpa ada
pengujian§
secara statistik sehingga tidak ada batas
kepercayaan dari kebenaran model yang terbentuk
C. Tahapan
AHP
Dalam metode AHP dilakukan langkah-langkah sebagai
berikut
(Kadarsyah Suryadi dan Ali Ramdhani, 1998) :
1. Mendefinisikan masalah dan menentukan solusi
yang diinginkan.Dalam tahap ini
kita berusaha menentukan masalah
yang akan kita pecahkan secara jelas, detail dan
mudah dipahami. Dari
masalah yang ada kita coba tentukan solusi
yang mungkin cocok
bagi masalah tersebut. Solusi dari masalah
mungkin berjumlah
lebih dari satu. Solusi tersebut nantinya
kita kembangkan lebih
lanjut dalam tahap berikutnya.
2. Membuat struktur hierarki yang diawali dengan
tujuan utama. Setelah menyusun
tujuan utama sebagai level
teratas akan disusun level hirarki yang berada di
bawahnya yaitu
kriteria-kriteria yang cocok untuk mempertimbangkan atau
menilai alternatif yang
kita berikan dan menentukan alternatif tersebut. Tiap
kriteria mempunyai
intensitas yang berbeda-beda. Hirarki dilanjutkan dengan
subkriteria (jika mungkin
diperlukan).
3. Membuat matrik perbandingan berpasangan yang
menggambarkan kontribusi relatif atau pengaruh
setiap elemen terhadap tujuan atau kriteria yang setingkat di atasnya. Matriks
yang digunakan bersifat sederhana, memiliki kedudukan kuat untuk kerangka
konsistensi, mendapatkan informasi lain yang mungkin dibutuhkan dengan semua
perbandingan yang mungkin
dan mampu menganalisis kepekaan prioritas secara
keseluruhan untuk perubahan pertimbangan. Pendekatan dengan matriks
mencerminkan aspek ganda dalam prioritas yaitu mendominasi dan didominasi.
Perbandingan dilakukan berdasarkan judgment dari pengambil keputusan dengan
menilai tingkat kepentingan
suatu elemen dibandingkan elemen lainnya. Untuk
memulai proses perbandingan berpasangan dipilih sebuah kriteria dari level
paling atas hirarki misalnya K dan kemudian dari level di bawahnya diambil
elemen yang akan dibandingkan misalnya
E1,E2,E3,E4,E5
Metode IRR
Metode ini untuk membuat peringkat usulan investasi
dengan menggunakan tingkat pengembalian atas investasi yang dihitung dengan
mencari tingkat diskonto yang menyamakan nilai sekarang dari arus kas masuk
proyek yang diharapkan terhadap nilai sekarang biaya proyek atau sama dengan
tingkat diskonto yang membuat NPV sama dengan nol.
RUMUS!
Apabila Ao adalah investasi pada periode 0 dan A1
sampai An adalah aliran bersih dari periode 1 sampai n, maka metode IRR semata
mata mencari discount factor yang menyamakan A0 dengan A1 sampai An. Penerimaan
atau penolakan usulan investasi ini adalah dengan membandingkan IRR dengan
tingkat bunga yang disyaratkan (required rate of return). Apabila IRR lebih
besar dari pada tingkat bunga yang disyaratkan maka proyek tersebut diterima,
apabila lebih kecil diterima.
Kelemahan secara mendasar menurut teori memang
hampir tidak ada, namun dalam praktek penghitungan untuk menentukan IRR
tersebut masih memerlukan penghitungan NPV
Internal
Rate of Return (IRR)
Ukuran kedua yang sering digunakan dalam analisis
manfaat finansial adalah internal rate of return (IRR) atau tingkat
pengembaliandari investasi. IRR menunjukan tingkat discount rate atau tingkat
keuntungan dari investasi yang menghasilkan NPV sama dengan nol.
Untuk mengitung IRR digunakan rumus sebagai
berikut:
RUMUS
Kriteria penilain digunakan tingkat bunga bank.
Jadi, jika IRR ??tingkat bunga bank, maka usaha yang direncanakan atau yang
diusulan layak untuk dilaksanakan, dan jika sebaliknya usaha yang direncanakan
tidak layak untuk dilaksanakan.
Internal
Rate of Return (IRR)
Teknik perhitungan dengan IRR banyak digunakan
dalam suatu analisis investasi, namun relatif sulit untuk ditentukan karena
untuk mendapatkan nilai yang akan dihitung diperlukan suatu 'trial and error'
hingga pada akhirnya diperoleh tingkat bunga yang akan menyebabkan NPV sama
dengan nol. IRR dapat didefinisikan sebagai tingkat bunga yang akan menyamakan
present value cash inflow dengan jumlah initial investment dari proyek yang
sedang dinilai. Dengan kata lain, IRR adalah tingkat bunga yang akan
menyebabkan NPV sama dengan nol, karena present value cash inflow pada tingkat
bunga tersebut akan sama dengan initial investment. Suatu usulan proyek
investasi akan ditetima jika IRR > cost of capital dan akan ditolak jika IRR
< cost of capital. Perhitungan IRR untuk pola cash flow yang bersifat
seragam (anuitas), relatif berbeda dengan yang berpola tidak seragam. Menurut
Arifin dan Fauzi (1999:13) bahwa: Adapun langkah-langkah menghitung IRR untuk
pola cash flow yang sama adalah sebagai beiikut: a. Hitung besarnya payback
period untuk proyek yang sedang dievaluasi. b. Gunakan tabel discount factor,
dan pada baris umur proyek, cari angka yang sama atau mendekati dengan hasil
payback period pada langkah 1 di atas. IRR terletak pada persentase terdekat
hasil yang diperoleh. c. Untuk mendapatkan nilai IRR yang sesungguhnya dapat
ditempuh dengan menggunakan interpolasi. Sedangkan untuk proyek yang memiliki
pola cash inflow yang tidak seragam, dapat diselesaikan dengan langkah-langkah
berikut: a) Hitung rata-rata cash inflow per tahun b) Bagi initial investment
dengan rata-rata cash inflow untuk mengetahui "estimasi" payback period
dari proyek yang sedang dievaluasi. c) Gunakan tabel discount factor untuk
menghitung besarnya IRR, seperti langkah ke-2 dalam menghitung IRR untuk pola
cash flow yang berbentuk seragam (anuitas). Hasil yang diperoleh akan merupakan
"perkiraan IRR'. d) Selanjutnya sesuaikan IRR yang diperoleh pada langkah
ke-3 di atas, yaitu diperbesar atau diperkecil, ke dalam pola cash flow yang
sesungguhnya. Apabila cash inflow yang sesungguhnya dalam tahun-tahun pertama
temyata lebih besar dari rata-rata yang diperoleh dalam langkah ke 1 di atas,
maka perbesarlah tingkat discount yang digunakan, dan apabila sebaliknya maka
perkecillah discount tersebut. e) Dari hasil discount rate yang diperoleh pada
langkah ke-4, kernudian hitunglah NPV dari proyek tersebut. f) Apabila hasil
yang diperoleh lebih besar dari nol, maka naikkanlah discount rate yang
digunakan, dan apabila sebaliknya maka turunkanlah discount rate tersebut. g)
Hitunglah kembali NPV dengan menggunakan discount rate yang baru, sampai
akhirnya diperoleh discount rate yang secara berurutan menghasilkan NPV yang
positif dan negatif. Dengan jalan interpolasi akan ditemukan nilai IRR yang
sesungguhnya. Setelah IRR diketahui langkah selanjutnya adalah membandingkan
IRR dengan cost of capital. Apabila IRR lebih besar dari pada cost of capital
maka rencana investasi dapat diterima karena menguntungkan dan sebaliknya
apabila IRR lebih kecil dari pada cost of capital maka rencana investasi
ditolak karena merugikan. Metode PBP PBP, adalah metode yang digunakan dengan cara
menyusun satu demi satu piece hingga layer tersebut solve. PBP ini sendiri
sangat berbeda dengan metoda lain yang mengharuskan harus membuat cross dan
lain sebagainya. Metoda yang satu ini bisa dibilang full intuitive (kecuali
untuk layer ke 2) karena tidak memerlukan algoritma untuk menyusun satu layer,
cukup dengan logika murni saja, dan inilah salah satu kelebihan dari metoda PBP
ini. Selain itu metoda ini sangat cocok untuk dipelajari bagi mereka yang baru
(sangat baru =.=) dalam cubing, ini berdasarkan fakta nyata yang saya alami
ketika mengajarkan cubing ke teman-teman saya, mereka lebih mudeng dengan
metoda ini daripada LBL yang merupakan metoda paling umum yang dipelajari oleh
para beginner. Baik langsung saja, saya akan memberi beberapa contoh PBP Metode
MPE Metode Perbandingan Eksponensial (MPE), merupakan salah satu metode untuk
menentukan urutan prioritas alternatif keputusan dengan kriteria jamak , Teknik
ini cocok untuk penilaian dengan skala ordinal. Hasil MPE akan lebih kontras
dari pada hasil Bayes. Prosedur MPE • Formulasi perhitungan skor untuk setiap
alternatif dalam metoda perbandingan eksponensial adalah: m Total nilai (TNi)
=å (RK ij)TKK j j=1 Keterangan : TNi = Total nilai alternatif ke -i RK ij =
derajat kepentingan relatif kriteria ke-j pada pilihan keputusan i TKK j =
derajat kepentingan kritera keputusan ke-j; TKKj > 0; bulat
n = jumlah pilihan keputusan
m = jumlah kriteria keputusan
• Penentuan tingkat kepentingan kriteria dilakukan
dengan cara wawancara dengan
pakar atau melalui kesepakatan curah
pendapat.
• Penentuan skor alternatif pada kriteria tertentu
dilakukan dengan memberi nilai
setiap alternatif berdasarkan nilai
kriterianya .
Keuntungan MPE
• Mengurangi bias yang mungkin terjadi dalam
analisa
• Nilai skor yang menggambarkan urutan prioritas
menjadi besar (fungsi
eksponensial) ini mengakibatkan urutan
prioritas alternatif keputusan lebih nyata
Contoh Aplikasi MPE
• Penilaian terhadap tiga alternatif calon pemimpin
divisi ICT (Pergiwa, Bratasena,
Kresna)
• Kriteria yang dipertimbangkan: Kecakapan,
Kepemimpinan dan Kejujuran
• Penilaian alternatif pada setiap kriteria
menggunakan skala penilaian 1-9.
Contoh Pemilihan pimpinan
Alternatif Kriteria Nilai
Alternatif Peringkat
Kecakapan Kepemimpinan Kejujuran
1. Pergiwa 4 4 3
2. Bratasena 4 5 2
3. Kresna 4 3 4
Tk. Kepentingan Kriteria 3 4 3
• Nilai (Pergiwa) = 4 **(3) + 4**(4) + 3**(3) = ?
• Nilai alternatif 1,2, dan 3 adalah? sehingga
didapat alternatif yang terurut dari yang
terbaik adalah alternatif?
Metode NPV
NPV merupakan selisih antara pengeluaran dan
pemasukan yang telah didiskon dengan menggunakan social opportunity cost of
capital sebagai diskon faktor, atau dengan kata lain merupakan arus kas yang
diperkirakan pada masa yang akan datang yang didiskontokan pada saat ini.Untuk
menghitung NPV diperlukan data tentang perkiraan biaya investasi, biaya
operasi, dan pemeliharaan serta perkiraan manfaat/benefit dari proyek yang
direncanakan.
Rumus yang digunakan
Arus kas masuk dan keluar yang didiskontokan pada
saat ini (present value (PV)). yang dijumlahkan selama masa hidup dari proyek
tersebut dihitung dengan rumus:
dimana:
t - waktu arus kas
i – adalah suku bunga diskonto yang digunakan
Rt - arus kas bersih (the net cash flow) dalam
waktu
Arti perhitungan NPV
Pada tabel berikut ditunjukkan arti dari
perhitungan NPV terhadap keputusan investasi yang akan dilakukan.
Bila... Berarti... Maka...
NPV > 0 investasi yang dilakukan memberikan
manfaat bagi perusahaan proyek bisa dijalankan
NPV < 0 investasi yang dilakukan akan
mengakibatkan kerugian bagi perusahaan proyek ditolak
NPV = 0 investasi yang dilakukan tidak
mengakibatkan perusahaan untung ataupun merugi Kalau proyek dilaksanakan atau
tidak dilaksanakan tidak berpengaruh pada keuangan perusahaan. Keputusan harus
ditetapkan dengan menggunakan kriteria lain misalnya dampak investasi terhadap
positioning perusahaan.
