Oleh Ir. Togar Alam Napitupulu, MS., MSc., Ph. D

Pengantar

 Banyak model atau framework yang telah diajukan dan diteliti dalam rangka mengevaluasi kesuksesan penerapan suatu system, apakah itu system informasi atau system-sistem lainnya.  Kesuksesan dalam hal ini bisa diterjemahkan dan diukur dengan berbagai variable.  Sebagai contoh, Technological Acceptance Model (TAM) menerjemahkan kesuksesan dalam ukuran penerimaan (acceptance) terhadap suatu system.  Framework lainnya menerjemahkan kesuksesan dalam variable kepuasan pelanggan, uses of the system, repurchase, loyalitas, net benefit to the organization, dll. Beberapa prinsip dasar dari berbagai model ini adalah: (1) model dirancang untuk menjawab factor-faktor yang menentukan implementasi dari suatu system secara empiris sehingga dengan demikian dapat dirancang strategi atau kebijakan melalui faktor-faktor yang ternyata signifikan sebagai instrument kebijakan. (2) Pada umumnya model ini adalah static dalam pengertian bahwa medel hanya menggambarkan system pada suatu waktu atau periode tertentu; tidak dapat menggambarkan perubahan variable-variabel over time (secara dinamis) dan juga tidak bisa menangkap dampak delay. (3) Pemodelan pada umumnya adalah model statistik dengan beberapa persamaan regressi yang menggambarkan hubungan-hubungan antara variable (struktur dari modelnya) yang diestimasi secara simultan. Disamping itu variable-variabelnya pada umumnya diukur berdasarkan persepsi dari responden atau objek penelitian; dan pada umumnya variable-variable tersebut non-observable (latent) sehingga harus diformulasikan indicators atau operational variables untuk menangkap karakteristik dari latent variable tersebut.

Tulisan ini merupakan petunjuk pengembangan Model Simulasi dengan metode system dinamis (System Dynamic Simulation) yang dapat mengatasi factor statis, pelibatan unsur delay, seerta simulasi over time, dimana dampak kebijakan bisa di lacak dalam rentang waktu, apakah akan convergen terhadap suatu nilai atau keseimbangan tertentu atau akan terjadi explosion dan bahkan waktu yang dibutuhkan untuk mencapai keseimbangan misalnya, juga bisa dilacak disamping tentu besaran dari dampak tersebut. Secara khusus model ini akan memperkenalkan penerapan system dynamics simulation modeling dengan non-observabel. Selanjutnya, karena pemodelan mengikuti pendekatan system, maka semua komponen (entities) dari system akan dilibatkan berikut hubungan-hubungan antara komponen (sub-sistem) baik dalam bentuk feedback, reinforcing maupun balancing, termasuk delays, sehingga proses yang sebenarnya terjadi dalam system yang kompleks seiring dengan berjalannya waktu akan tertangkap, dimana hasilnya sering kali bisa berbeda dengan common sense.  Keuntungan lain dari pemodelan seperti ini adalah, karena pengaruh dari kebijakan tersebut juga bisa diikuti atau dilacak secara visual dengan menggunakan software tertentu, lagi-lagi throughout time, maka pemodelan ini sangat cocok sebagai alat pembelajaran, karena mahasiswa dapat melihat perilaku dari system melalui simulasi dampak external shock terhadap semua variable secara visual.

Software yang dibutuhkan

Pertama yang harus dilakukan dalam melakukan simulasi system dinamis adalah memastikan tersedianya software simulasi system dinamis dalam computer kita.  Banyak software simulasi sistim dinamis yang tersedia di pasar.  Disarankan, untuk keperluan pendidikan, biasanya software tersebut menyediakan versi student atau trial version yang gratis.  Kalau untuk keperluan implementasi di dunia nyata, misalnya di dunia bisnis, maka harus dibeli versicommersialnya. Dua versi yang pouler adalah Ventana-Simulation (VENSIM) dan POWERSIM.  Dalam tulisan dan petunjuk pengembangan simulasi system dinamis ini yang digunakan adalah VENSIM. Anda bisa mendownload dari website mereka yang dapat dicari melalui GOOGLE.

 METODE PENGEMBANGAN

Pengembangan Model System Dynamics

Pemodelan dengan sistem dinamis merupakan pemodelan yang sebaiknya dilakukan dengan cara partisipatif. Ini berarti bahwa harus ada pihak yang berkepentingan yang nantinya menjadi pemilik (owner) dari model yang dibangun tersebut, dan pembangunan model harus dilaksanakan bersama-sama dengan pemilik model. Dengan pemodelan partisipatif, maka pada akhir projek, pemilik akan menguasai persis model yang di bangun dari awal, sehingga dengan demikian apabila dikemudian hari diperlukan penyesuaian sesuai dengan perkembangan baru, maka pemilik dapat melakukannya sendiri.  Bahkan pemilik, yang barangkali diwakili oleh spesialis yang ditunjuk secara khusus menangani proyek, diharapkan dapat mengembangkan model baru untuk menyelesaikan masalah yang lainnya.  Dengan metode pembangunan model partisipatif seperti ini diharapkan permasalahan “black box”, di mana pemilik tidak mengikuti dan tidak tahu detil dari model itu sediri, yang hanya diketahui oleh konsultan, dapat dihindari.

Oleh karena itu, interview dan fokus group discussion dilakukan dengan owner dan stakeholders terkait untuk mendapatkan permasalahan yang mereka hadapi khusisnya dalam kaitannya dengan model-model evaluasi kesuksesan system seperti yang telah dikemukankan di atas, mendapatkan data-data dan perameter-parameter yang diperlukan, dan yang tidak kalah pentingnya adalah validasi dari model dalam setiap komponen atau subsistem dalam proses pemodelan.  Perumusan masalah mencakup aspek bahwa harus jelas perspektifnya; time horizon, yaitu periode dimana masalah ini terjadi; pola perubahan yang terjadi yang menjadi bagian dari permasalahan itu sebagai reference mode; dan pilihan kebijakan seperti apa yang akan ditawarkan yang kemudian nantinya disimulasikan dalam memecahkan masalah tersebut (policy choice).

Dalam setiap pemodelan dengan sistem dinamis, maka tahap berikutnya adalah merumuskan causal dan feed-back loop yang ada antara variabel-variabel dalam sistem yang akan menggambarkan cause and effect dalam sistem.  Pada prinsipnya pada tahap ini sistem yang akan dipelajari dirumuskan dengan tepat, yaitu hubungan keterkaitan diantara variabel serta batasan dari sistem tersebut sesuai dengan perspektifnya atau penetapan system boundary sebagai ukuran wholeness dari sistem yang dibangun.

Selanjutnya dari causal-loop yang dibangun kemudian dirumuskan stock dan flow diagram, setelah mengidentifikasi variable-variabel stock dan flow dari variabel-variabel yang ada, dan variabel-variabel penunjang sebagai informasi (auxiliary variables) yang melengkapi konektifitas dalam sistem.  Dari stock-flow diagram inilah selanjutnya dibangun atau dirumuskan hubungan matematis dan atau logis antara variable dengan menggunakan data-data dan perameter-parameter yang dapat dibangkitkan dari data-data yang ada atau diambil dari hasil-hasil penelitian atau laporan statistik sebelumnya. Rumusan inilah yang menjadi model sistem dinamis dari masalah tersebut (the Model).

Selanjutnya model sistem dinamis ini diuji atau divalidasi pada tataran keseimbangan (equillibrium stage) atau bisa juga dibandingkan dengan data nyata (actual) pada periode time horizon yang telah ditetapkan sebelumnya. Pada tahap ini pemilik modellah (participative model building approach) yang sangat menentukan apakah model tersebut sudah cocok dengan situasi sistem yang sedang dimodel dan menggambarkan permasalahan yang ada. Validasi dapat pula dilakukan dengan menghitung Mean Absolute Percentage Error (MAPE) atau pengukuran error lainnya seperti Mean Absololute Deviation (MAD) atau Mean Square Absolute Deviation (MSAD) untuk kemudian dibandingkan dengan batas penerimaan error pada umumnya.

Model yang telah divalidasi kemudian dapat digunakan dalam simulasi dengan berbagai skenario dengan merubah berbagai nilai dari variabel yang ditentukan diluar sistem (exogenous variables) atau sistem, apakah permasalahan yang dihadapi dapat datasi.

Data

Data yang akan dikumpulkan adalah data yang berkaitan dengan parameter-paremeter pada setiap elemen dan sub-sistem pada suatu keadaan tertentu (state) dari system secara keseluruhan.  Sebagian dari parameter-parameter ini dapat merupakan hasil penelitian sebelumnya dan dapat pula dari hasil-hasil estimasi.

Pengolahan Data, Validasi dan Simulasi

Pengolahan data dan simulasi dengan menggunakan model system dinamis yang telah dibangun akan dilakukan dengan menggunakan software Powersim atau Anylogic.  Sebelum dapat digunakan sebagai model dalam rangka prediksi dampak kebijakan, maka model akan diverifikasi dan divalidasi lebih dulu dengan data ril.

TAHAPAN PENGEMBANGAN

Tahap pertama: Model Struktural Statis Melibatkan Non-Observable Variables

Tahap pertama yang harus dilakukan adalah penentuan model statis yang hendak dibuatkan versi dinamisnya. Dalam petunjuk ini model yang dipilih adalah model dari penelitian Tesis S2 MMSI tahun 2018 dari Angela dengan judul ANALISIS PENERIMAAN E-LEARNING DENGAN TECHNOLOGY ACCEPTANCE MODEL (TAM) (STUDI KASUS: STMIK MIKROSKIL). Model tersebut dapat dilihat dari Gambar berikut:

Gambar 4.1 Model Statik Behavioural Intention to Use

Enam variable yang dilibatkan dalam Model semuanya adalah non-observable variable. Dari model ini akan diformulasikan Causal-Loop Diagram dengan memperhatikan Feedback serta auxiliary variables yang diperkirakan turut menentukan dynamika dari hubungan Causal-Loop tadi over time.  Model pada Gambar 4.1 hanya sebagai dasar saja.

Model pada Gambar 4.1 merupakan model statis karena peneliti hanya tertarik mempelajari faktor-faktor apa saja yang mempengaruhi penerimaan (sebagai variable of main interest) yang dalam hal ini diterjemahkan sebagai penggunaan atau niat menggunakan e-learning tersebut.  Karena tujuannya adalah untuk mempelajari factor-faktor yang menentukan atau yang mempengaruhi niat penggunaan maka alat yang digunakan adalah alat statistika inferensial yaitu pengujian hipotesis, H1 sampai H9 dengan menggunakan analisis regressi. Karena variable-variabel pada model tersebut merupakan variable non-observabel (konsep/latent) maka dibuatkanlah operational variables atau indicators untuk menangkap nilai dari masing-masing konsep atau latent variables dan biasanya menggunakan skala rikert; proses ini disebut measurement model mnggunakan alat statistika Confirmatory Factor Analysis (CFA).

Setelah nilai dari asing-masing latent variable ditentukan pada tahap measurement model, selanjutnya dilakukan pengujian hipotesis dengan menggunakan analisis regressi. Sesuai dengan Gambar 4.1 terdapat tiga persamaan regressi yang harus diduga secara simultan, yaitu (1) persamaan perceived ease of use (PEOU) yang merupakan fungsi dari variable-variabel self efficacy (SE), Subjetive norm (SN), dan experience (EXP); (2) persamaan perceive usefulness (PU), yang merupakan fungsi dari variable-variabel yang sama dengan persamaan (1) ditambah dengan variable perceive ease of use (PEOU); dan yang terakhir adalah persamaan (3) behavioral intention to use (BI) yang merupakan fungsi dari PEOU dan PU. Proses ini desebut structural model, karena pada tahap ini dilakukan estimasi tiga persamaan regressi yang merupakan persamaan structural sekaligus pengujian kesembilan hipotesis, H1 sampai H9, yang sebenarnya merupakan pengujian coefficient regression masing-masing persamaan regressi. Perhatikan, bahwa ini adalah special case dari Structural Equations Modelling (SEM) dimana strukturnya sudah fixed, yaitu Gambar 4.1. yang diwakili oleh ketiga persamaan tadi, sehingga tidak perlu lagi diuji Goodness of fit dari model, tinggal melakukan uji hipotesis. Karena model ini adalah model SEM juga, maka biasanya software atau paket statistika yang digunakan juga bisa menggunakan paket statistika SEM seperti SPSS AMOS, SPSS LISREL, atau SMART PLS, atau yang lainnya.

Seperti dkemukakan sebelumnya, prosedur di atas adalah hanya menguji faktor-faktor mana yang mempengaruhi penerimaan e-learning tersebut; oleh karena itu ini adalah analisis statis tidak bisa menjelaskan pola perubahan penerimaan atau penggunan ini atau variable lainnya seiring berjalannya waktu atau secara dinamis. Pada sub-bab berikut akan dijelaskan prosedur untuk melakukan analisis seperti itu.

Tahap Kedua: Model Dinamis

Pada tahap ini kita akan asumsikan bahwa semua hubungan antara variable adalah seperti Gambar 4.1. Dalam membangun model analis dinamis, tahap pertama yang dilakukan adalah membangun causal-loop diagram yang menggambarkan hubungan causal antara variable dalam model. Pada prinsipnya causal-loop ini sama dengan model statis seperti pada gambar 4.1., tapi dilengkapi dengan hubungan feedback atau hubungan causal atau hubugan timbal balik antara variable, langsung maupun tidak langsung. Berdasarkan Gambar 4.1., maka hubugan causal model tersebut adalah sebagai berikut (Gambar 4.2):

Gambar 4.2. Causal-Loop Diagram Sesuai Gambar 4.1

Gambar ini dapat dengan mudah dilakukan dengan menggunakan fasilitas yang tersedia di POWERSIM maupun VENSIM; tinggal mengetik nama variable dan menarik panah dari satu variabel ke variable lainnya menghubungkan antara variable. Disamping itu, pada ujung dari setiap panah harus diberi tanda positive (+) yang menggambarkan hubungan antara variable apakah reinforcing (+), yaitu bahwa pbila yang satu naik, maka yang satunya juga naik; atau negative (–), yang menggambarkan saling membalance satu dengan yang lain atau balancing, dengan hasil akhir menuju convergency ke keseimbangan tertentu.

Gambar 4.2. di atas sesuai persis mengikuti model struktur pada Gambar 4.1. Namun demikian untuk keperluan analisa dinamis hubungan seperti pada gambar 4.2. tidak cukup untuk memungkinkan kita melakukan analisis dinamis karena tidak ada feedback loop.  Kita harus mendefinisikan hubungan-hubungan yang lebih lengkap antara variable; kemungkinan apa yang akan terjadi seiring berjalannya waktu.  Sebagai contoh, makin banyak system digunakan (Use), maka akan makin berkurang kualitasnya atau Ease of Use nya.  Disamping itu, makin sering atau makin tinggi volume peggunaan system, maka tingkat kegunaannya barangkali akan dirasa makin berkurang. Sementara itu making dirasakan kegunaan dari system, maka itu disebabkan persepsi bahwa kualitas system makin bagus.  Apabila ketiga asumsi sifat dari system seperti di atas dimanifestasikan dalam causal-loop diagram, maka akan seperti pada Gambar 4.3 berikut.

Gambar 5.3. Causal-Loop dengan Penambahan Hubungan Feedback

            Karena tujuan simulai dalam hal ini adalah untuk menunjukkan/memodelkan system dinamis yang melibatkan non-observabel variable, maka akan dibatasi dengan causal-loop seperti pada Gambar 4.3. di atas, di mana tiga variable Subjective Norm, Experience, dan Self-efficacy diasumsikan merupakan variable exogen dan tidak ada feedback dari dan terhadap mereka.

Suatu model system dinamis tidak cukup hanya diwakli oleh Causal Loop Diagram, karena dengan diagram tersebut belum bisa dilakukan simulasi. Untuk bisa melakukan simulasi, selanjutnya, berdasarkan causal-loop (Gambar 4.3), Stock and Flow diagram harus dibangun seperti pada Gambar 4.4.

Pertama yang harus dilakukan dalam membangun suatu Stock and Flow diagram adalah memutuskan varabel-variabel yang menjadi variable stock dari semua variable yang ada. Stock artinya variable tersebut akan memiliki nilai pada level tertentu apabila system dalam keadaan berhenti.  Biasanya calon stock variable adalah variable of main interest kepada peneliti. Sebagai contoh, karena variable of main interest adalah penggunaan, maka peneliti ingin tahu level dari penggunaan pada saat tertentu; misalnya pada bulan ke tujuh dari sepuluh bulan simulasi. Atau pada setiap bulan, perlu kita tahu tingkat penggunaan (Use) dari e-learning tersebut misalnya.

Kedua yang menjadi calon stock adalah Ease of Use (gampang tidaknya digunakan) maupun Usefulness atau manfaat dari e-learning tersebut sebagai suatu sistem. Prinsip yang penting dalam simulasi system dinamis adalah bahwa makin banyak stock maka model akan semakin kompleks, bukan hanya dalam perhitungan, tapi yang terpenting akan semaking sulit dipahami proses simulasinya. Oleh karena itu harus diusakan sesedikit mungkin variable stock nya. Varibel Stock digambar dengan kotak, dan untuk menggambarnya tinggal men-drag symbol koran dengan tanda panah seperti pada gambar 4.4.

Variabel-variabel lainnya dapat dirumuskan dalam bentuk auxiliary variable atau informasi.

Gambar 4.4. Stock and Flow Diagram

Untuk setiap variable stock aka ada rate pemasukan atau pengeluaran dari stock atau dua-duanya yang disebut Flow Rate. Perbedaannya dengan stock adalah bahwa apabila system berhenti maka stock akan memiliki nilai atau level tertentu, sedangkan flow, nilainya adalah nol. Flow bisa seperti keran masuk ke dan keluar dari bak atau tanngki air; kalau diberhentikan pada waktu tertentu, air yang mengalir adalah nol, sedangkan level dari tangki belum tentu sama dengan nol.

Dari Stock and Flow diagram (Gambar 4.4), pertama akan dicoba system yang sederhana dulu yaitu hubungan antara Ease of Use dan Use dimana faktor-faktor exogen yang mempengaruhi Ease of Use sebagai auxiliary variable tidak dilibatkan dulu.  Stock and Flow diagram menjadi seperti Gambar 4.5. berikut. Disamping itu pengaruh Ease of Use terhadap Use dan sebaliknya sementra diabaikan dulu untuk tujuan pengujian model dari yang paling sederhana dimana faktor yang menentukan pengurangan Ease of Use serta penembahan Use dianggap hanya konstan saja yaitu EOUconstant dan Uconstant. Kedua konstant ini sekaligus bisa digunakan nantinya sebagai instrument simulasi untuk mempelajari dampaknya terhadap Ease of Use maupun Use dengan mengubah-ubah nilai dari konstant tersebut. Software yang digunakan dalam penelitian ini adalah Ventana Simulation (VENSIM). Jadi kalau tigkat pengurangan Ease of use diubah dengan menggeser slider EOUconstant yang dibawah, maka grafik yang dikanan akan berubah secara otomatis. Demikian pula dengan slider-nya Uconstant, dengan menggeser slider kedua variabel tesebut bisa dipelajari dampaknya terhadap kedua variabel stock Use dan Ease of use.

Gambar 4.5.  Hasil Simulasi dengan Model Sederhana

Model di atas sangat sederhana dimana tidak ada keterkaitan sama sekali antara kedua variabel stock; tapi berguna untuk melihat apakah simulasi sesuai dengan yang kita harapkan.  Dalam model ini ditentukan bahwa maksimum nilai kedua varibel stock adalah 10 dan minimum 0 sesuai dengan skala Likert dalam pengukuran non-observble variabel. Bisa saja minimumnya ditetapkan sama dengan 1 sesuai dengan pada umumnya skala Likert. Tapi pada penelitian ini ditetapkan sama dengan 0 agar bisa menangkap nilai antara 0 dan 1.  Inisial value dari Ease of Use di-set sama dengan 10; kecepatan penurunannya (EOUloss) ditetapkan constant sama dengan 0.9; artinnya nila dari Ease of Use menurun perbulannya sebesar 0.9 (konstan). Perhatikan, nilai ini didapatkan dari konstanta EOUconstant, agar nantinya bisa disimulasi dengan mengubah-ubah konstant tersebut melalui slider seperti pada Gambar 4.5. Selanjutnya USE juga kita asumsikan bertumbuh dengan rate 0.2 perbulannya yang diwakili oleh variabel flow Ugain.  Lagi-lagi, Ugain ini dibuatkan sebagai konstan agar bisa disimulasi dampak perubahannya melalui konstant Uconstant (Gambar 4.5).

Dari Gambar 4.5 terlihat Ease of Use menurun dari nilai awal 10 unit menjadi 1 unit selama 10 bulan periode simulasi. Disamping itu penurunannya pun mengikuti pola linear atau garis lurus. Hal ini karena asumsi EOUloss yang konstan sesuai dengan auxiliary variabel EOUconstant sebesar 0.9. Dengan kata lain, rumus penurunan Ease of Use mengikuti persamaan sebagai berikut,

Ease of Use = 10 – 0.9 T ; dimana T adalah waktu dalam bulan.

Demikian pula dengan variabel Use  yang juga menunjukkan peningkatan dari nilai awal sebesar 0.3 menjadi sebesar 3 unit pada akhir periode ke 10 bulan yang juga mengikuti persamaan linear sebagai berikut,

Use = 2 + 0.3 T; dimana T adalah waktu dalam satuan bulan.

Model yang lebih realistis sesuai dengan Stock and Flow diagram (Gambar 4.4) adalah tetap melibatkan dua variabel stock namun variabel Ease of Use sudah dipengaruhi oleh level dari variabel Use setiap bulannya.  Penjelasannya adalah bahwa dengan meningkatnya penggunaan e-learning maka akan terjadi crowding sehingga Ease of Use, yang barang kali bekaitan dengan kualitas layanan maupun kualitas sistem atau attribut-attribut lainnya yang berkaitan dengan kemudahan penggunaan,  akan berkurang atau menurun juga.  Hal ini dimodelkan dengan variabel Use mempengaruhi EOUloss; namun demikian pengurangan dengan persentase kenaikan penggunaan (Use) tentunya sebesar EOUconstant. Vaiabel EOUconstant ini tetap bisa digunakan nantinya sebagai intrument simulasi yang bisa diubah-ubah pada saat simulasi melalui slider seperti pada Gambar 4.6. Dengan demikian besar pengurangan Ease of Use setiap bulannya ditentukan oleh persamaan sebagai berikut,

EOUloss = -Use * EOUconst

Demikian pula dengan variabel stok Use dengan assumsi bahwa variabel ini meningkat atau penggunaan e-learning meningkat seiring dengang peningkatan kualitas atau Ease of Use dengan semua atributnya.  Namun demikian besar peningkatan penggunaan (Use) dari e-learning tersebut tidak 100 % dari besarnya level Ease of Use tapi sebesar Uconstant % dari level Ease of Use, yaitu 30 %; dalam hal ini diasumsikan bahwa ada sumber peningkatan (Ugain) dari sumber lainnya yang belum dimasukkan dalam model ini yaitu sebesar 70 %. Lagi-lagi Uconstant ini dimodelkan sebagai slider yang nantinya dapat digunakan untuk simulasi dengan merubah nilainya (Lihat Gambar 4.6). Nilai dari Use juga demikian yaitu akumulasi atau integral dari Ugain sedangkan Ugain sendiri merupakan 30 % (Uconstant) dari Ease of Use dengan rumus sebagai berikut,

Ugain = Ease of Use * Uconst

Dengan asumsi parameter-parameter seperti disebut di atas, maka hasil simulasi selama 10 bulan kedepan dapat dilihat pada Gambar 4.6.  Perhatikan Ease of Use berkurang atau grafiknya menurun dengan kecepatan penurunan sebesar 5.5 % dari Use karena terjadi crowding penggunaan e-learning tersebut. Pada waktu yang sama Use juga menaik dengan kecepatan 30% dari level Ease of Use yang memang sudah menurun siring dengan waktu. Pada bulan tertentu, yaitu pada sekitr bulan ke 6, level layanan atau Ease of Use mulai berada dibawah penggunaan (Use).  Demikian selanjutnya apabila tidak ada perbaikan pada tingkat kemudahan atau kualitas sistem, yang pada model ini tidak dimasukkan. Dengan kata lain ada EOUgain yang positif. Seperti apa nanti level dari Use maupun Ease of Use pada waktu-waktu selanjutnya tidak kelihatan dari grafik tersebut.  Untuk mengetahunya bisa kita rubah jangka waktu simulasi menjadi 2 tahun misalnya.

Sebaliknya tidak dilibatkan variabel yang menyebabkan penurunan dari Use (Uloss) dalam model ini. Kalau dirasakan varibel ini perlu dianalisis, maka bisa dimasukkan sebagai out flow dari Use dalam model.  Misalnya kita ingin mempelajari pengaruh pesaing (traditional atau classical learning misalnya) terhadap sistem.  Maka variabel volume penggunaan atau penjualan pesaing tentu akan mempengaruhi rate penurunan penggunaan (Use). Disamping itu kepuasan misalnya atau dalam bahasa lain Usefulness bisa saja mempengaruhi Use yang merupakan bagian dari yang 70 % yang belum tercover oleh Ease of Use.  Hal-hal ini akan dicoba disimulasi pada model berikutnya yang hampir sama dengan Stock and Flow Diagran di Gambar 4.4 tapi tanpa melibatkan varabel exogenous atau auxiliary seperti Experience, Self-efficacy, dan Subjective Norm.

Gambar 4.6. Model Simulasi Sistem Dinamis Dengan Hubungan antara dua Stock

Model lengkap dalam software VENSIM disajikan dalam Gambar 4.7 berikut ini. Perhatikan, makin kompleks model kita maka autput simulasiya pun bisa tampak semakin kompleks seperti pada grafik tersebut pada Gambar 4.7. Tentu grafik tersebut sesuai dengan asumsi-asumsi pada parameter-parameter yang digunakan serta nilainya. Seperti biasa, parameter tersebut bisa dirubah sesuai dengan level yang diasumsikan dengan menggunakan fasilitas slider yang telah dibangun bersama model.  Salah satu manfaat simulasi dengan system dinamis adalah kemampuannya mengungkap proses dinamis yang kadang tidak sesuai dengan common sense.

 KESIMPULAN DAN SARAN

            Telah berhasil dibangun model system dinamis untuk suatu system dimana variable yang terlibat merupakan non-observable variabels. Dengan menggunakan software VENSIM serta menggunakan contoh Model TAM dari model statis, telah pula bisa dilakukan simulasi mempelajari dampak dari perubahan variable exogen atau variable instrument kebijakan terhadap variable-bvariabel yang menjadi perhatian utama, misalnya variable Use atau penggunaan dari suatu system e-learning.

Disarankan, apabila peneliti tertarik mempelajari perilaku model-model statis yang selama ini banyak digunakan dalam penelitian Manajemen System Informasi seturut dengan waktu, seperti model TAM, DeLone Mc. Lean, UTAUT dan lain-lain, untuk melihat atau mensimulasi dampak dari suatu variable instrument kebijakan terhadap perilaku variable yang menjadi focus utama, maka model system dinamis ini bisa digunakan. Karena seringkali peneliti atau pengambil kebijakan ingin mempelajari tidak hanya sebatas menentukan factor-faktor yang mempengaruhi dan besaran pengaruhnya tehadap variable yang menjadi perhatian utama, tapi juga mempelajari dinamika dari variable utama tersebut dalam perjalanan waktu kedepannya sebagai akibat dari pelaksanaan kebijakan tertentu misalnya.

DAFTAR PUSTAKA

[1] Alaa M. Momani1, Mamoun M. Jamous, (2017) “The Evolution of Technology Acceptance Theories.” International Journal of Contemporary Computer Research (IJCCR), Vol.1 Issue.1 (April, 2017)

[2]  Dawes, R. M. 1979. “The Robust Beauty of Improper Linear Models in Decision Making”,  American Psychologist 34, 571-582.

[3]  Dawes, R. M. 1988. ”Rational Choice in an Uncertain World”, Harcourt Brace Jovanovich, San Diego.

[4]  Forrester, J. W. 1961. “Industrial Dynamics”, The MIT Press, Cambridge, Massachusetts.

[5]  Kim, D. H. 1992.  “Toolbox: Guidelines for DrawingCausal LoopDiagrams,” The Sys-tems Thinker, Vol. 3, No. 1, pp. 5–6.

[6] Morecroft, J.D.W and J. D. Sterman, editors. 1994.  “Modeling for Learning Organizations”, Productivity Press, Portland, OR.

[7]  Richardson, G. P.  and A. L. PughIII. 1981. “Introduction to System Dynamics with DYNAMO”, Productivity Press, Cambridge, Massachusetts.

[8]  Roberts, N.,  D. F. Anderson, R. M. Deal, M. S. Garet, and W. A. Shafer. 1983.  Intro-duction to Computer Simulation: The System Dynamics Approach”, Addison Wesley, Reading, MA.

[9]  Schieritz, Nadine and Grosler, Andreas. 2003. Emergent Structures in Supply Chains – S study Integrating Agent-based and Systems Dynamics Modelling, the 36^th Annual Hawaii International Conference on Syatems Sciences, Washington, USA.

[10] Schieritz, Nadine, and Milling, Peter. 2003. Modelling Forest or Modelling the Trees – A Comparison of Systems Dynamics and Agent-based Simulation.  The 21^st International Conference of System Dinamics Society, New York, USA.

[11] Senge, P.M. 1990. “The Fifth Discipline: The Art and Practice of the Learning Organization”, Doubleday Currency, New York.

[12] Senge, P.M.,  C. Roberts, R. B. Ross, B. J. Smith, and A. Kleiner.  1994. “The Fifth Dis-cipline Fieldbook: Strategies and Tools for Building a Learning Organization”, Doubleday Currency, New York.

[13] Sterman, John. 2000. Busisness Dynamics :  Systems Thinking and Modelling for a Complex World.  McGraw Hill.

[14] Wallis, Lyle,  Daich, Mark, and Borschev, Andrei. 2004. Agent Modelling of Hispanic Populations Acculturation and Behaviour, the 3^rd International Conference and Systems Thinking in Management (ICSTM 2004), Philadelphia, Pensylvania, US.

[15] Napitupulu, T. A., Edi Abdurachman. (2016). Simulation of rice stock using system dynamics modeling. Proceedings – 11th 2016 International Conference on Knowledge, Information and Creativity Support Systems. Yogyakarta, Indonesia.

[16] Napitupulu, T. A. (2015). Agent Based Solution of System Dynamics Simulation Modeling: A Case of Rice Stock by The National Logistic Agency of Indonesia. Journal of Theoretical and Applied Information Technology. Vol. 62. No. 3 (2014).

[17] Forester, J. W. (2013). Economic theory for the new millennium (2003). System Dynamics Review. vol 29, No 1 (January-March 2013): 26–41.

LAMPIRAN-LAMPIRAN

1. Daftar Formula yang Digunakan dalam Model

2. Model Dalam VENSIM

MODEL 2 SYSDYN WITH NON-OBS VAR.mdl