decision making makalah
TRANSCRIPT
ABSTRAK
Peran pemodelan sistem dalam pengambilan keputusan untuk aplikasi
engineering, energi dan bisnis.
Makalah ini merupakan kajian untuk memberikan gambaran mengenai peran
pemodelan sistem sebagai bagian dari sistem pengambilan keputusan yang semakin
banyak diapliksikan untuk mendukung kegiatan engineering dan bisnis.
Dalam makalah ini ditunjukkan bahwapengambilan keputusan langsung secara
intuitif tidak lagi dapat diandalkan untuk mendapatkan good decision karena banyaknya
data dan parameter yang saling dependent.
Kompleksitas permasalahan ini membutuhkan dukungan data processing yang
kemudian disistematisasi menjadi model baik konseptual (soft model) maupun matematik
(hard model) dengan beragam pendekatan antara lain pendekatan preskirptif versus
deskriptif, aggragate versus structural, statis sampai dinamis.
Beberapa contoh aplikasi menunjukan bahwa pemodelan ini memberikan kontrbusi
yang signifikan dengan membantu beberapa perusahaan menaikkan kinerja sampai 48 %,
menghemat modal sama 20 juta dollar, menekkan produktivitas 2 kali dan meningkatkan
pendapatan sampai 180 juta dollar.
Kecenderungan ke depan adalah bergesernya peran pemodelan pada level strategis
untuk analisis disain kebijakan melalui pendekatan system dynamics . Kata kunci :
system modeling, managerial decision making, engineering, energy and buisness.
PENDAHULUAN
Pengambilan keputusan merupakan aktivitas yang terletak di dalam jantung
manajemen[1] untuk menghasilkan good decision. Good decision akan memberikan
pilihan dengan kemungkinan terbaik untuk diikuti oleh sebuah organisasi. Good decision
ini diharapkan akan membawa organisasi ke tingkat performansi yang lebih tinggi.
Persoalan yang dihadapi adalah bahwa pengambilan keputusan selain harus
memperhitungkan sejumlah data yang banyak dan interrelated juga harus berpacu dengan
waktu.
Keterbatasan waktu dalam pengambilan keputusan ini akan mengurangi
pertimbangan-pertimbangan dan hal ini akan meningkatkan risiko pengambilan
keputusan yang tidak tepat. Dengan kata lain, pengambilan keputusan ini membutuhkan
pemahaman system yang komprehensif berdasrkan data yang tersedia sehingga diperoleh
gambaran karakteristik organisasi atau sistem tersebut. Mengingat problem situation yang
dihadapi organisasi bersifat kompleks, maka data dan informasi yang diperlukan untuk
mendukung pengambilan keputusan sering sangat banyak sebanding dengan
kompleksitas permasalahan yang dihadapi.
Dalam hal ini, pengambilan keputusan langung dengan menggunakan intuisi tidak
bisa lagi diandalkan mengingat banyaknya data yang bersifat interrelated. Agar
banyaknya data dan informasi tidak membuat bingung decision maker dengan risiko
pengambilan keputusan yang tidak tepat, maka diperlukan pemprosesan data. Data dan
informasi tersebut kemudian direpresentasikan ke dalam model-model yang sesuai
dengan kebutuhan dan dipilah-pilah ke dalam critical parameters sebagai faktor masukan
dan performance measures sebagai keluarannya.
Dari sini kemudian peran sains manamejen semakin signifikan dalam representasi
model-model matematik berbasis data yang tersedia serta menyajikan alternatif alternatif
solusinya untuk memberikan dukungan kepada manajemen mengambil keputusan-
keputusan penting. Dalam makalah ini dikaji berbagai level decision making serta
modeling meliputi level operational, tactical dan strategic. Dalam makalah ini dijelaskan
mengenai definisi model dari berbagai perspektif baik everyday sense maupun technical
sense.
Kemudian model pengambilan keputusan langsung secara intuitif dibandingkan
dengan model yang lebih terstruktur melalui proses pemodelan untuk mendapatkan good
decision. Kajian mengenai pendekatan-pendekatan yang lain juga dijelaskan meliputi
preskriptif versus deksriptif, hard maupaun soft model, aggregate maupun structural.
Contoh aplikasi model untuk bidang manufaktur dan energi baik dari aspek engineering
maupun bisnis dicoba pula disampaikan.
PEMODELAN MATEMATIS DAN SISTEM
Definisi Model Menurut Everyday Sense dan Technical Sense
Istilah “model” sendiri mempunyai pengertian yang beragam sesuai
dengandunianya mulai dari pengertian sehari-hari (everyday sense) sampai technical
sense[3].Contoh dari everyday sense, adalah artis seperti Luna Maya yang merupakan
(foto) model yang mendapat peran untuk memamerkan modelmodel pakaian karya
disainer terkenal[4]. Model matematik hanya salah satu jenis dari modeldalam lingkup
technical sense. Dalam banyak aplikasi engineering, model didefinisikan sebagai
representasi dari sistem[3]. Representasi ini pun juga bermacam-macam mulai dari yang
bersifat physical, pictorial, verbal, schematic dan symbolic dimana:
1. Physical, yaitu dengan membuat scaleddown version dari sistem yang dipelajari
(model pesawat, model kereta api),
2. Pictorial, yaitu representasi dengan gambar untuk menggambarkan kontur
permukaan bumi seperti peta topografi dan bola dunia.
3. Verbal, yaitu representasi suatu sistem ke dalam kalimat verbal yang
mengambarkan ukuran, bentuk dan karakteristik.
4. Schematic, yaitu representasi dalam bentuk skema figurative misalnya model
rangkaian listrik, model Atom Bohr dan lain-lain.
5. Symbolic, yaitu representasi ke dalam symbol-simbol matematik dimana variable
hasil karakterisasi proses atau sistem ke dalam variable formulasi menggunakan simbol-
simbol matematik.
More[2] menambahkan satu kategori lagi yaitu Model Analog yang
merepresentasikan satu himpunan persamaan dalam bentuk medium yang berbeda-beda
tetapi analog seperti road map, speedometer dan pie chart. Kelton[5]juga menambahkan
istilah Model Simulasi untuk model dari sistem (umunnya simbolik dan deksriptif) yang
diselesaikan menggunakan teknik simulasi[5]. Sejak tahun 1950 dikembangkan pula
model system dynamics oleh Professor Jay W. Forrester dari Massachusetts Institute of
Technology untuk membantu manager korporasi memperbaiki pemahamannya tentang
proses-proses industri terutama untuk analisis dan disain kebijakan.. System dynamics ini
merupakan pendekatan yang powerful sekaligus juga sebagai teknik pemodelan simulasi
komputer untuk pemetaan, pemahaman, dan learning issu-issu dan problem yang
complex[6].
Decision Modeling : Pendekatan Intuitif Versus Sistematis
Pengembangan model dilakukan untuk mendukung pengambilan keputusan.
Pengambilan keputusan ditingkat manajemen melalui beberapa langkah mulai dari
analisis situasi oleh manajemen. Dengan memperhitungkan faktor-faktor yang sering
”conflicting” keputusan dibuat untuk menyelesaikan situasi yang ”conflicting” tadi.
Keputusan kemudian juga diimplementasikan dan lebih lanjut organisasi ini akan menuai
konsekuensi dari implementasi keputusan tersebut (payoff) yang tidak semuanya
berbentuk uang[2]. Gambar 1. Proses Pengambilan Keputusan Pengambilan keputusan
langsung (intuitif) ini yang hanya dengan mengamatisituasi manajemen ini tidak dapat
menghasilkangood decision jika permasalahannya kompleks. Dalam kasus ini,
dikembangkan tahapanpengambilan keputusan melalui pemodelan (Gambar 2). Tahapan
menjadi lebih panjang yaitumelalui proses representasi situasi ke dalammodel, analisis
model untuk menemukan solusi, dan interpretasi berbagai alternatif hasil
untukmenentukan keputusan yang optimal. Gambar 2. Pengambilan Keputusan Melalui
Model, Analisis Dan Interpretasi HasilDecision model adalah model simbolisdimana
beberapa variabel merepresentasikankeputusan yang harus dibuat. Keputusan inidibuat
untuk mencapai tujuan tertentu. Decisionmodel ini menggunakan suatu
ukuranperformansi yang eksplisit untuk mengukurpencapaian objektif tertentu. Decision
model iniumumnya digunakan untuk membuat keputusanberkaitan dengan alokasi
sumberdaya (waktu, bahan, tenaga kerja) misalnya alokasi tenagasales di berbagai kota,
penjadwalan produksi, cash-management model dan lain-lain[2]. Modellinear
programming merupakan contoh modelpreskriptif yang sudah sangat dikenal. Applikasi
model tersebut pada umumnyadiawali dengan terlebih dahulu melakukan
timeseriesforcasting untuk memprediksikanparameter parameter tertentu misalnya
orderdan demand. Jika ada unsur ketidakpastian, maka risiko akibat ketidakpastian ini
jugadimodelkan dengan bantuan pendekatanprobabilistik dalam bentuk risk analysis.
Jikamodel cukup kompleks, dapat digunakansimulasi Monte-Carlo untuk
mendapatkanoverall expectation berdasarkan nilaiprobabilistik masing-masing decision
variables.
Pendekatan Pemodelan : Linear Thinking Versus System Thinking
Model di atas secara prinsip masihdikatakan berbasis linear thinking
dimanacausalitas diasumsikan terjadi secara serialsehingga penyebab pertama dari
rangkaiansebab-akibat ini sering bukanlah sumbermasalahnya. Model-model ini lebih
banyakdiaplikasikan untuk level operational dantactical. Beberapa problem engineering
danbisnis dapat diklassifikasikan ke dalam levellevelpengambilan keputusan di bawah
ini: Decision model adalah model simbolis dimana beberapa variabel
merepresentasikankeputusan yang harus dibuat untuk mencapai tujuan tertentu.
Decisionmodel ini menggunakan suatu ukuranperformansi yang eksplisit untuk
mengukurpencapaian objektif tertentu. Decision model iniumumnya digunakan untuk
membuat keputusanberkaitan dengan alokasi sumberdaya (waktu, bahan, tenaga kerja)
misalnya alokasi tenagasales di berbagai kota, penjadwalan produksi, cash-management
model dan lain-lain[2] Modellinear programming merupakan contoh modelpreskriptif
yang sudah sangat dikenal. Applikasi model tersebut pada umumnyadiawali dengan
terlebih dahulu melakukan timeseriesforcasting untuk memprediksikanparameter
parameter tertentu misalnya orderdan demand. Jika ada unsur ketidakpastian, maka risiko
akibat ketidakpastian ini jugadimodelkan dengan bantuan pendekatanprobabilistik dalam
bentuk risk analysis. Jikamodel cukup kompleks, dapat digunakansimulasi Monte-Carlo
untuk mendapatkanoverall expectation berdasarkan nilaiprobabilistik masing-masing
decision variables.
Pendekatan Pemodelan : Linear Thinking Versus System Thinking
Model di atas secara prinsip masih dikatakan berbasis linear thinking dimana
causalitas diasumsikan terjadi secara serial sehingga penyebab pertama dari rangkaian
sebab-akibat ini sering bukanlah sumber masalahnya. Model-model ini lebih banyak
diaplikasikan untuk level operational dan tactical. Beberapa problem engineering dan
bisnis dapat diklassifikasikan ke dalam levellevel pengambilan keputusan seperti pada
Kelemahan dari pendekatan ini adalah munculnya policy resistance sebagaiperlawanan
dari penerapan kebijakan.Policyresistance ini sering tidak disadari kebijakan dan dapat
menjadi sumberadanya pembatasan pertumbuhanJohn Sterman dalam Business
dynamic[7] membuat aliran keputusan dengan pendekatansystem dinamycs. Dengan
mengintegrasikan”stock-flow” model, causal-loop diagram sertadecision model
berbentuk fungsi matematik, diperoleh sebuah tahapan pengambilankeputusan yang
dinamis denganmemperhitungkan reaksi dari lingkungansebagai feedback. Pendekatan
system dynamicsmodeling ini merepresentasikan dinamikaperubahan state dari sistem
dan menghasilkanisyarat-isyarat sebagai keluarannya. Isyaratisyaratini diformulasikan ke
dalam modelkeputusan dan kemudian bersama denganisyarat dari lingkungannya menjadi
feedbackbagi dinamika sistem itu sendiri. Gambar 3. Aturan Keputusan Dan Dinamika
StateDari Sistem Bersifat Umpan BalikDengan pendekatan system dynamicsatau
buisness dynamics ini, keputusankeputusandan kebijakan yang dibuat sertareaksi dari
lingkungannya akandirepresentasikan ke dalam causal-loopdiagram, menggunakan stock-
flow modelsehingga akhirnya dapat disimulasikan dengankomputer.Pendekatan yang
sering disebut ”ilmusedih baru” ini lebih cocok diaplikasikan untuklevel strategik. Selain
dengan model simulasi,decision making juga dapat menggunakansystem archetype atau
pola-pola dasar yangmerepresentasikan dinamik sistem bisnis.Berdasarkan pengamatan
atau penelitianterhadap dinamika keadaan di masa lalu dapatdigambarkan pola-pola dasar
berikut yaitu [8]putaran pertumbuhan atau kemerosotan, putarankesetimbangan (tanpa
atau dengan delay),batas-batas pertumbuhan, penyelesaian yangmemperburuk masalah,
menggeser beban dantragedy of common. Penetapan kebijakankebijakandan reaksi dari
lingkungan dapatmembentuk pola-pola pertumbuhan terusmenerus(4.a) atau kemerosotan
terus menerus(4.b), pertumbuhan menuju kesetimbangan baiktanpa delay (4.c) atau
dengan delay (4.d) yangdiwarnai oleh osilasi disekitar titikkesetimbagan, pertumbuhan
yang stabil (4.e)atau memburuk setelah melawati titik puncak(4.f). ola yang ketujuh (4.g)
menggambarkanadanya peningkatan masalah dan usaha solusiyang memberikan efek
membaik tetapikemudian memburuk lagi secara bergantian.Pola kedelapan merupakan
pola kombinasidimana masalah selalu meningkat kemudiandiusahakan solusi insidental
yang memperbaikitetapi juga segera memperburuk seperti pola ketujuh. Dalam hal ini,
ketagihan akan solusiinsidental menyebabkan sistem semakinmeninggalkan solusi
fundamental. Polakesembilan (4.h) menunjukkan adanyapertumbuhan terus menerus
tetapi hal-hal yangdiperoleh dari pertumbuhan tersebut malahanmenurun.
Model Preskriptif Versus Deskriptif
Model matematik dapat berbentukpreskriptif dimana (1) formulasi model
sudahbaku untuk jenis permasalahan tertentu, (2)teknik-teknik menyelesaikan, (3) selalu
ada one-to-onecorrespondence antara variable karakterisasidengan variable formulasi.
Contoh dari jenismodel matematik ini adalah linearprogramming. Model ini umumnya
terdiri darifungsi objektif umumnya cost function denganbeberapa fungsi constraint. Nilai
optimaldiperoleh dengan menemukan decisionvariables yang mengoptimalkan fungsi
tujuan.Asumsi bahwa sistem merupakan “singleobjek” atau aggregate serta diabaikannya
unsurwaktu menghasilkan model matematik yangstatis. Model matematik bertambah
kompleksjika digunakan pendekatan dinamis dimanasistem dimodelkan dengan
persamaandiferensial dan integral. Transformasipersamaan diferensial menjadi
persamaanaljabar yang dikenal dengan Transfer Functionakan memudahkan pemahaman
karakteristiknyaserta penentuan solusinya[3].Model deskriptif merepresentasikansistem
dengan lebih realistis dan rinci sehinggamenghasilkan model yang kompleks dan
nonlinearsedemikian sulit untuk diselesaikandengan teknik solusi analitis. Teknik
komputasinumeris lebih powerfull untuk digunakan.Model simulasi termasuk jenis model
yangdeksriptif[9]. One-to-one correspondencemenjadi tidak berlaku untuk model
simulasi ini.Kemajuan teknik komputasi, visualisasi dananimasi menyebabkan model ini
dapat disajikanlebih user friendly serta hasil-hasilnya dapatdifamahi lebih mudah oleh
user.Dengan pendekatan deskriptif ini,diperlukan suatu pemetaan variabel akan diamati
dan juga faktor-faktor eksternal(exogeneous) yang akan berpengaruh padadinamika
sistem.Gambar 5. Pemetaan Variabel : Model BlackBoxPemetaan variabel ini sangat
bergantungpada objektif dari pemodelan. Pada modelinteraksi energi-ekonomi[7], GNP
bersamaenergy prices dipetakan sebagai faktorendogeneous sedangkan pada studi
lainmenempatkan GNP sebagai faktorexogeneous[10].
Model Peramalan : Pendekatan AggregateVersus Disaggregate
Peramalan permintaan, revenue, profitdan variable performansi yang lain
merupakanbasis dalam mengelola bisnis[11] baikmanufaktur, jasa, maupun energi.
Peramalananadalah prediksi, asumsi, atau viewpoint tentangbeberapa event atau kondisi
kedepan, sebagai basis untuk melakukan tindakan.Penggunaan peramalan dalam bisinis
sangatluas dan tak terhindarkan.
Keputusan bisnispada umumnya merupakan jawaban daripertanyaan-pertanyaan:
1. Berapa tingkat produksi tahun depan?
2. Berapa kapasistas resources yangdibutuhkan untuk mendukung tingkatproduksi
tersebut?
3. Produk baru apa yang harusdikembangkan?
4. Berapa pendanaan yang dibutuhkan untukbisnis produk tersebut?
Pertanyaan pertama harus dijawabdengan melakukan forecasing. Modelperamalan
yang sering digunakan adalah modeltime-series baik single atau multi-variat[7].Kedepan,
time-series model tidak dianjurkanuntuk digunakan karena:
1. Peramalan time-series cenderung salah(tidak akurat)
2. Peramalan merupakan bagian dari systemdecision structures, sehingga
kesalahanperamalan dapat menjadi kontributor dalamperilaku yang problematik dimana
peramalan dengan ekstrapolasi menaikkanketidakstabilan sistem.
3. Ada keinginan untuk menggeser penekananmanajemen untuk pemahaman dan
disainpolicy.
4. Peramalan bukan untuk reaksi terhadapproblem tetapi untuk antisipasi
munculnyaproblemPeramalan dengan sistem dinamismenggunakan pendekatan structural
dimanakekuatan hubungan antar elemen dan pribadisebagai bagian dari sistem ikut
diperhitungkan.Peramalan ini dibuat dengan membangunmarket model yang
merepresentasikan supplychainsehingga diharapkan akan :
1. Memberikan hasil peramalan yang lebihandal untuk jangka pendek dan
menengah.
2. Memberikan tool untuk pemahamanpenyebab perilaku industri
sehinggamemungkinkan deteksi dini perubahanstruktur internal industri dan
menentukanfaktor-faktor peramalan mana yang sensitif.3. Memungkinkan penentuan
skenario yangmasuk akal sebagai input terhadapkeputusan dan policy.Energy projection
merupakan bagianpenting dari perencanaan pembanguan suatubangsa. Energi projection
ini membutuhkanmodel ekonometrik yang sophisticated, akantetapi model ini pun belum
mampumemproyeksikan impak dari perang, pemutusansuplai akibat bencana dan resesi
ekonomi.Peramalan konsumsi energi di banyak negarabelum berhasil merepresentasikan
realitasrealitasbaru (seperti usaha implementasikonservasi energi, adanya krisis minyak)
yangmuncul dalam sistem energi sehinggamenghasilkan overestimate sampai 75
%[7].Model dan teknik peramalan energi yangdigunakan bervairasi dari yang
sederhanadengan menggunakan fungsi TREND sampaimodel yang kompleks yang harus
melibatkanvariabel exogeneous meliputi GDP, populasi,harga energi, dan progres
teknologi. Faktorfaktorinput yang digunakan untuk simulasiperamalan juga tergantung
pada hargaparameter input seperti nilai elastisitas energydemand dan kurva suplai.
Perbedaanpendekatan dalam berbagai aspek terutamaantara industri dan pemerintah di
satu pihakdengan pakar lingkungan menyebabkanperbedaan hasil peramalan antara kedua
pihaktersebut dengan faktor dua [7].
APLIKASI PEMODELAN DALAMDECISION MAKING
Model Aggregate
Pendekatan aggregate merupakanpendekatan yang umum dilakukan dimanasistem
yang ditinjau diwakili oleh sebuahentitas tunggal atau single object. Decisionmodeling
untuk aplikasi bisnis banyakmenggunakan pendekatan aggregate. Modelmodelyang
digunakan dalam pendekatan iniumumnya meliputi model optimasi baik
untuksumberdaya, minimasi cost dan maksimasiprofit, demikian juga model-model
peramalanbaik time-series maupun causal. Selain modeloptimasi dan peramalan, decision
making jugamemerlukan model-model probabilistik untukanalisis risiko dan multi-
criteria decisiónmaking untuk strategi investasi dan planning Risiko.
Model Deskriptif : Event-Oriented Model
Di dalam pendekatan event-oriented,dinamika output dari model simulasi
didasarkanpada kejadian-kejadian (events) dan waktubergerak mengikuti kejadian-
kejadian tersebut.Menurut pendekatan ini, sistem dimodelkansedemikian sehingga
variable keadaan berubahhanya pada himpunan diskrit dari titik-titikwaktu. Variabel
keadaan berubah ketika adakejadian/event walaupun tidak setiap kejadianmengubah nilai
variabl keadaan. Modeldianalisis dengan menggunakan metodanumerik dan bukan
analitik. Metoda numerismenggunakan prosedur komputasi untuk“solve” model
matematik dan bukan dengansolusi analitik. Dengan prosedur komputasi,model lebih
cenderung dijalankan (to be run)bukan diselesaikan (to be solved). Data outputhasil “run”
model kemudian dikoleksi dandianalisis untuk dapat mengestimasi ukuranperformansi
sistem.Pendekatan discrete-event ini cukuppowerfull diaplikasikan pada sistem
produksiyang kompleks., tentu saja dengan bantuansoftware simulasi. Beberapa
perusahaan besardari luar negeri telah banyak memanfaatkanpendekatan ini untuk
perbaikan kinerja sistemseperti ditunjuukan dalam Tabel 4.Tabel 4. Perusahaan Besar
Dari Luar Negeri YangTelah Memanfaatkan Pendekatan Discrete-EventPerusahaan
Topik OutcomeFIAT Scheduling & NewProceduresWork-In-Process turun48 %,
danpenghematan > US$ 1jutaEXXONMOBILOptimasi alat danprosesProduksi naik 40
%CYMER Layout, process,schedule, WIPPendapatan naik US $180 jutaVW Lokasi
Warehouse danjalur distribusienghematan sampaiUS$ US 20 jutaWRIGHT Equipment,
process,shceduleProduksi naik 2 kali,dan penghematansebesar $ 10 jutaUntuk antisipasi
peningkatan permintaanproduk baja sampai 30%, engineer diperusahaan tersebut
memperkirakanpenambahan satu crane baru. Dengan modelsimulasi dapat ditunjukkan
bahwa kesibukancrane diperkirakan hanya meningkat menjadi65% dari semula 45%
sehingga keputusanuntuk tidak menambah crane baru merupakanpenghematan biaya
ratusan ribu dollar.Model untuk menguji usulanpenambahan crane di perusahaan baja
nasional.hasilnya adalah perusahaan direkomendasikanuntuk tidak membeli crane
baru[16].
KESIMPULAN DAN SARAN
Berdasarkan pengkajian dari berbagaiaspek dapat disimpulkan bahwa :1. Peran
pemodelan sistem semakinberkembang dan dalam beberapa contohaplikasi oleh
perusahaan besarmenunjukkan bahwa pemodelan sistemmenawarkan kontribusi yang
signifikandengan mennyelamatkan modal sampai 20juta dollar, meningkatkan
produktivitassampai 2 kali, meningkatkan kinerja sampai48% serta meningkatkan
pendapatansampai 180 juta dollar. Penggunaandiscrete-event model juga
telahmenyelematkan modal sampai ratusan ribudollar di perusahaan baja nasional karena
usulan pembelian crane baru dinilai tidakdiperlukan setelah material handling
systemyang ada dievaluasi ulang dengan bantuanmodel sistem tersebut.2. Kedepan, peran
pemodelan mulai bergeserdari level operasional dan tactical ke levelstrategis dengan
berkembangnya systemdynamics model. Disain strategi dankebijakan dapat dievaluasi
dampaknyakedepan dengan system dynamics inisehingga dapat diantisipasi
kemungkinanterjadinya instabilitas, menurunnya profit,solusi yang memperburuk
masalah,ketagihan akan solusi insidental sehinggasemakin menjauh dari solusi
fundamentaltermasuk munculnya tragedy of common.3. Masuknya model dalam
prosespengambilan keputusan merupakan buktipenjelasan prinsip manajemen bahwa
“masalah dan solusi” pada dasarnya tidakdekat baik dalam jarak maupun waktu.Kajian
ini tentu saja masih sangat mendasaryang tentu saja terus dikembangkan dengantujuan
diperolehnya sebuah road map risetdan pengembangan di bidang pemodelansistem yang
bermanfaat untuk kepentinganmasyarakat.
DAFTAR PUSTAKA.
1. JENNING D, WATTAM S, 1998, DecisionMaking : An Integrated Approach,
FinancialTimes, Petman Publishing, Londom.
2. MOORE, WEATHERFORD, 2001, DecisionModeling With Microsoft Excel,
Prencice-Hall.
3. D.N.P. MURTHY.ET.AL, 1990, MathematicalModelling, Pergamon Press.
4. JAWA POS, Minggu, 27 Oktober 2007
5. KELTON, 1996, Simulation, Modeling andAnalysis, McGraw-Hill.
6. WWW.DOE.COM
7. JOHN D STERMAN, 2000, Buisness Dynamics:System Thinking and Modeling
for AComplex World, Irwin-McGraw-Hill.
8. SENGE, PETER, 2002, Disiplin Kelima :Strategi dan Alat Untuk
MembangunOrganisasi Pembelajaran, PenerbitInteraksara.
9. RONALD ASKIN ET.AL., 1993, Modeling andAnalysis of Manufacturing
System, JohnWiley and Sons.
10. HARREL, GHOSH & BOWDEN, 2003,Simulation Using Promodel, McGraw-
Hill.
11. JAMES F LINEIS, 2000, System dynamics formarket forecasting and structural
analysis,system dynamics Review, Spring.
12. TURAN, BASOGLU, OMER, 2002, “A SystemDynamics Simulation for
Energy Sector ofTurkey”, Journal of Simualtion Conference.
13. SIMO MAKKONEN, 2005, “Decision ModelingTools For Energy Utilities In
TheDeregulated Market”:, Thesis dissertation,Helsinki University of Technology.
14. SMITH, GRAIG, 1986, Energy ManagementPrinciples, Pergamon Press.
0 komentar
Pengertian Modus
Diposkan oleh KUMPULAN CONTOH MAKALAH , at 08:07:00, in Label: Pengertian Modus
A. Modus
Modus ialah kumpulan data yang paling sering muncul atau data yang
mempunyai nilai frekensi terbesar, jika pada kumpuan data itu terdapat lebih dari satu
data yang sama-sama paling sering muncul, maka dalam kumpulan data itu terdapat
lebih dari satu modus.
Jika pada kumpulan data itu tidak terdapat data yang paling sering muncul, maka
kumpulan data itu dikatakan tidak mempunyai modus.
Contoh yang mempunyai modus
a. 3 , 4, 4, 5, 5, 5, 6, 6, 7, 7 d. 2, 2, 4, 4, 6, 6, 7, 7, 9, 9
b. 5, 6, 6, 7, 7, 8, 8 e. 3, 3, 5, 5, 8, 8, 9, 9, 10, 10
c. 9, 10, 10, 10, 11, 12, 12, 12, 13
Jawab :
a. 3 , 4, 4, 5, 5, 5, 6, 6, 7, 7 : mempunyai modus 5, sebab nilai data 5 muncul paling
sering yaitu sebanyak 3 kali.
b. 5, 6, 6, 7, 7, 8, 8 mempunyai modus 6, 7, 8, sebab nilai data 6, 7, 8 sama-sama
paling sering muncul yaitu sebanyak 2 kali.
c. 9, 10, 10, 10, 11, 12, 12, 12, 13 mempunyai modus 10 dan 12
Yang tidak mempunyai modus
a. 2, 2, 4, 4, 6, 6, 7, 7, 9, 9 : tidak mempunyai modus
B.
0 komentar
Pengertian Perilaku Konsumen
Diposkan oleh KUMPULAN CONTOH MAKALAH , at 08:05:00, in Label: Pengertian Perilaku Konsumen
Perilaku Konsumen adalah kegiatan-kegiatan individu yang secara langsung
terlibat dalam mendapatkan dan menggunakan barang dan jasa termasuk di dalamnya
proses pengambilan keputusan pada persiapan dan penentuan kegiatan-kegiatan tersebut
(Swastha dkk., 1997).
Perilaku konsumen mempelajari di mana, dalam kondisi macam apa, dan
bagaimana kebiasaan seseorang membeli produk tertentu dengan merk tertentu.
Kesemuanya ini sangat membantu manajer pemasaran di dalam menyusun kebijaksanaan
pemasaran perusahaan. Proses pengambilan keputusan pembelian suatu barang atau jasa
akan melibatkan berbagai pihak, sesuai dengan peran masing-masing.
Peran yang dilakukan tersebut adalah: (1) Initiator, adalah individu yang
mempunyai inisiatif pembelian barang tertentu; (2) Influencer, adalah individu yang
berpengaruh terhadap keputusan pembelian. Informasi mengenai kriteria yang diberikan
akan dipertimbangkan baik secara sengaja atau tidak; (3) Decider, adalah yang
memutuskan apakah akan membeli atau tidak, apa yang akan dibeli, bagaimana
membelinya; (4) Buyer, adalah individu yang melakukan transaksi pembelian
sesungguhnya; (5) User, yaitu individu yang mempergunakan produk atau jasa yang
dibeli.
Banyak faktor yang mempengaruhi seseorang melakukan pembelian terhadap
suatu produk. Manajemen perlu mempelajari faktor-faktor tersebut agar program
pemasarannya dapat lebih berhasil. Faktor-faktor tersebut diantaranya adalah faktor
ekonomi, psikologis, sosiologis dan antropologis.
Alasan mengapa seseorang membeli produk tertentu atau alasan mengapa
membeli pada penjual tertentu akan merupakan faktor yang sangat penting bagi
perusahaan dalam menentukan desain produk, harga, saluran distribusi, dan program
promosi yang efektif, serta beberapa aspek lain dari program pemasaran perusahaan.
Adapun beberapa teori perilaku konsumen adalah sebagai berikut: (1) Teori
Ekonomi Mikro. Teori ini beranggapan bahwa setiap konsumen akan berusaha
memperoleh kepuasan maksimal. Mereka akan berupaya meneruskan pembeliannya
terhadap suatu produk apabila memperoleh kepuasan dari produk yang telah
dikonsumsinya, di mana kepuasan ini sebanding atau lebih besar dengan marginal utility
yang diturunkan dari pengeluaran yang sama untuk beberapa produk yang lain; (2) Teori
Psikologis.
Teori ini mendasarkan diri pada faktor-faktor psikologis individu yang
dipengaruhi oleh kekuatan-kekuatan lingkungan. Bidang psikologis ini sangat kompleks
dalam menganalisa perilaku konsumen, karena proses mental tidak dapat diamati secara
langsung; (3) Teori Antropologis. Teori ini juga menekankan perilaku pembelian dari
suatu kelompok masyarakat yang ruang lingkupnya sangat luas, seperti kebudayaan,
kelas-kelas sosial dan sebagainya.
0 komentar