Verifikasi VALIDASI DAN VERIFIKASI

berfungsi sesuai dengan tujuan rekayasanya. Langkah verifikasi dilaksanakan antara lain dengan penelisikan debugging berulang guna mengurangi kesalahan masing-masing modul sebelum memadukannya menjadi suatu kesatuan. Verifikasi model manajemen krisis ini antara lain dilakukan dengan memeriksa kemampuan kinerja model, ketepatan interface antara model yang dibentuk dengan aplikasi lainnya. No Metoda RSquare dfe Adj RSquare MPE MAPE 1. Polinomial 1 0.0032496 82 -0.0089059 -14.8066 39.8498 2 Polinomial 2 0.17866 81 0.15838 -11.6874 36.2555 3. Polinomial 3 0.20132 80 0.17137 -10.8563 35.3943 4. Polinomial 4 0.27217 79 0.23532 -10.0786 35.0522 5. Polinomial 5 0.27219 78 0.22554 -9.6785 34.9561 6. Polinomial 6 0.28573 77 0.23007 -14.1115 34.7447 7. Polinomial 7 0.27018 76 0.20296 -11.6107 34.5652 8. Polinomial 8 0.22502 75 0.14236 5.2426 32.9028 9. Polinomial 9 0.16835 74 0.067207 4.5614 33.4622 10. Eksponensial 1 -0.0049913 82 -0.017247 -15.5351 40.9565 11. Eksponensial 2 Error Error Error Error Error 12. Fourier 1 0.065287 80 0.030235 -14.5624 39.932 13. Fourier 2 0.088061 78 0.029603 -15.0715 39.9835 14. Fourier 3 0.1124 76 0.030645 -15.6188 40.7699 15. Fourier 4 0.12613 74 0.019848 -14.7909 40.0685 16. Fourier 5 0.12792 72 -0.0053188 -14.8511 40.0208 17. Fourier 6 0.1449 70 -0.01391 -14.3654 39.2417 18. Fourier 7 0.14958 68 -0.038014 -14.2917 39.3276 19. Fourier 8 0.18075 66 -0.030269 -13.3729 38.1013 20. Gaussian 1 0.2018 81 0.18209 -10.6337 35.7513 21. Gaussian 2 0.22935 78 0.17995 -10.3511 35.4294 22. Gaussian 3 0.37439 75 0.30766 -7.0279 30.3082 23. Gaussian 4 0.53592 72 0.46502 -3.7632 25.2072 24. Gaussian 5 0.56655 69 0.47861 -4.0027 24.6972 25. Gaussian 6 0.55778 66 0.44388 -3.445 24.2989 26. Gaussian 7 0.59037 63 0.46032 -3.0119 23.1496 27. Gaussian 8 0.63782 60 0.49899 -2.0495 21.2014 28. Winters 0.1,0.1,0.1 129923.6770 81 136437.1108 72.19827 77.26644 29. Winters 0.1,0.1,0.2 13121304.5089 81 13777453.0378 -195.20756 399.63269 30. Winters 0.1,0.1,0.3 179874.7596 81 188888.5886 57.84313 129.06327 31. Winters 0.1,0.2,0.1 198996.2292 81 208967.0978 315.67774 335.11506 32. Winters 0.1,0.2,0.2 216778.3685 81 227639.1955 113.97854 119.47351 33. Winters 0.1,0.2,0.3 325634.3661 81 341942.4792 112.66731 164.46183 34. Winters 0.1,0.3,0.1 293641.7122 81 308348.9812 -17.41001 217.01433 35. Winters 0.1,0.3,0.2 775812.1954 81 814641.4639 142.11356 142.11356 36. Winters 0.1,0.3,0.3 11477995.0170 81 12051978.7327 1131.98779 1139.25294 37. Winters 0.2,0.1,0.1 112326.1427 81 117958.5538 64.08948 73.38067 Tabel 18. Perbandingan Metoda Pemulusan Pasokan Bahan Baku Eksternal No Metoda RSquare dfe Adj RSquare MPE MAPE 38. Winters 0.2,0.1,0.2 117369.2493 81 123254.1538 83.67306 121.48889 39. Winters 0.2,0.1,0.3 465413.9980 81 488715.6730 -13.23701 157.20581 40. Winters 0.2,0.2,0.1 144181.6424 81 151408.8406 59.96962 74.73752 41. Winters 0.2,0.2,0.2 158884.3979 81 166847.5777 54.37535 80.70304 42. Winters 0.2,0.2,0.3 220973.0494 81 232043.8054 81.84188 91.77074 43. Winters 0.2,0.3,0.1 173432.5178 81 182123.8960 59.87844 90.96801 44. Winters 0.2,0.3,0.2 130381598.0074 81 136900262.0959 259.24945 275.21205 45. Winters 0.2,0.3,0.3 4968759.1168 81 5217272.0029 -2.04861 200.07458 46. Winters 0.3,0.1,0.1 94860.5163 81 99618.4050 46.33635 66.72768 47. Winters 0.3,0.1,0.2 107015.7188 81 112382.2434 57.89312 73.67991 48. Winters 0.3,0.1,0.3 118683.5133 81 124634.2178 61.05772 76.55528 49. Winters 0.3,0.2,0.1 117075.3087 81 122945.4967 42.02774 74.76805 50. Winters 0.3,0.2,0.2 129232.5941 81 135711.4304 53.71410 84.02930 51. Winters 0.3,0.2,0.3 148256.5008 81 155687.6805 57.26706 93.89252 52. Winters 0.3,0.3,0.1 28913687.9347 81 30359424.0814 -824.28362 952.26366 53. Winters 0.3,0.3,0.2 81261744.4404 81 85324668.5379 33.85361 146.36859 54. Winters 0.3,0.3,0.3 282878.2134 81 297046.8822 93.10681 129.51317 Pemilihan metoda pemulusan guna peramalan keadaan yang diaplikasikan dalam CrismanSoft, dilakukan dengan memperhatikan faktor-faktor yang menjadi indikator akurasi seperti MAPE. RSquare dan Adjusted R-square. Pemilihan metoda pemulusan yang digunakan dalam peramalan pasokan bahan baku eksternal dilakukan melalui pembandingan data MAPE, R Square dan Adjusted R-square sejumlah metoda pemulusan yang diujicobakan pada data pasokan eksternal bahan baku Januari 2000-Desember 2006. Khusus dalam pemilihan metoda pemulusan pasokan bahan baku eksternal Tabel 18, terlihat bahwa metoda pemulusan Gaussian orde 8 merupakan yang terbaik dan paling sahih dibandingkan metoda pemulusan yang lain Lihat Lampiran 6 Contoh Validasi Metoda Pemulusan. Langkah verifikasi dan sekaligus validasi secara pembandingan yang serupa juga diterapkan pada pemilihan metoda pemulusan pasokan bahan bakar, pasokan air, pasokan bahan pembantu, hasil produksi tapioka dan sisa persediaan tapioka di gudang Lampiran 7 Contoh Verifikasi Metoda Pemulusan Menggunakan Indikator Akurasi dan Lampiran 8 Contoh Verifikasi Metoda Pemulusan Berdasarkan Pembandingan Grafis. Verifikasi secara uji dinamik atau dynamic testing Martis, 2006; Sargent, 2000 terhadap kemampuan model dalam menyajikan peringatan dini, penghitungan dampak krisis maupun peluang terjadinya krisis, dilaksanakan dengan menelusuri langkah-langkah yang ditempuh oleh model ketika memroses data yang dijadikan asupan, sampai diperoleh kesimpulan yang ditargetkan. Pada penelusuran dilakukan juga pembandingan antara hasil yang ditampilkan oleh model menggunakan data Januari 2000-Agustus 2006 dengan yang menggunakan data Januari 2000-Desember 2006 Lihat Gambar 52-55. Menggunakan data Jan 2000-Agust 2006 Menggunakan data Jan 2000-Des 2006 Gambar 52. Tampilan hasil penetapan krisis bahan baku. Menggunakan data Jan 2000-Agust 2006 Menggunakan data Jan 2000-Des 2006 Gambar 53. Tampilan analisis krisis gabungan bahan. Menggunakan data Jan 2000-Agust 2006 Menggunakan data Jan 2000-Des 2006 Gambar 54. Tampilan analisis krisis finansial Februari 2007. Menggunakan data Jan 2000-Agust 2006 Menggunakan data Jan 2000-Des 2006 Gambar 55. Tampilan analisis krisis komprehensif Februari 2007. Dalam penghitungan krisis bahan baku, dibedakan krisis yang disebabkan kekurangan bahan baku persediaan ubikayu dan krisis atau kelebihan bahan baku. Batas atas krisis kelebihan bahan baku dimulai dari persediaan yang lebih dari 120 persen dari kapasitas pengolahan. Kapasitas pengolahan di perusahaan tapioka di Jabung ditetapkan 600 ton ubikayu setara sekitar 120 ton tapioka per hari. Sedang batas bawah krisis kekurangan bahan baku dimulai pada titik impas produksi atau hasil peramalan dipilih yang lebih tinggi. Dari persentase kekurangan bahan baku atau kelebihan bahan baku, kemudian dihitung tingkat krisis pasokan bahan baku secara fuzzy dengan aturan berdasarkan skala hedonik Sangat Rendah SR, Rendah R, Sedang M, Tinggi T dan Sangat Tinggi ST. Hasil inferensinya kemudian dinormalisasikan guna penetapan dampak krisis pada skala 0-10. Pada saat yang sama dilakukan inferensi fuzzy melalui pengolahan matriks pada 30 interval terhadap pendapat para pakar mengenai peluang terjadinya krisis pasokan bahan baku sehingga diperoleh hasil inferensi mengenai peluang terjadinya krisis pasokan bahan baku. Nilai dampak dan peluang krisis pasokan bahan baku tersebut kemudian diproyeksikan pada kuadran krisis dan dirumuskan alternatif solusinya. Proses penghitungan serupa dilakukan juga dalam penetapan krisis pasokan bahan bakar, pasokan air, pasokan masing-masing bahan pembantu tawas, belerang dan zak pembungkus. Sedang penetapan dampak krisis pemasaran didasarkan pada tingkat kelebihan produksi tapioka dari kapasitas gudang penyimpanan produk. Dewasa ini kapasitas gudang yang tersedia adalah 8.000 ton. Dampak krisis pemasaran diperhitungkan dari kelebihan produk atau kekurangan daya tampung gudang. Krisis mulai terjadi jika produk atau total persediaan tapioka melebihi kapasitas gudang. Inferensi fuzzy mengenai kelebihan produk serupa dengan yang dilakukan pada penetapan dampak krisis akibat kelebihan pasok bahan baku. Begitu pula penghitungan peluang krisis pemasaran, yang asupannya didaur dari pendapat para pakar. Dampak krisis pasokan bahan baku, krisis pasokan air, krisis bahan pembantu, krisis bahan bakar dan krisis pemasaran kemudian diagregasikan mengikuti aturan inferensi fuzzy metoda Sugeno. Dampak krisis gabungan bahan adalah rataan dari hasil perhitungan dampak masing-masing krisis tersebut, yang kemudian dinormalisasikan dan diagregasikan sehingga diperoleh nilai gabungan yang tunggal. Peluang krisis gabungan bahan dihitung menggunakan cara yang serupa sehingga dihasilkan nilai agregatnya. Hasil agregat krisis bahan gabungan itu kemudian diproyeksikan pada kuadran krisis bahan. Dampak Krisis Finansial dihitung berdasarkan hasil analisis finansial menggunakan instrumen BEP, IRR, NPV, rasio BC, PBP. Data diambil dari analisis finansial pada perhitungan kelayakan finansial perusahaan. Guna menyeragamkan asupan maka masing-masing nilai ditransformasikan dalam kelompok-kelompok yang diwakili oleh himpunan fuzzy. Hasilnya merupakan keluaran tunggal dari hasil perhitungan fuzzy yang kemudian dinormalisasikan didapatkan dampak krisis finansial senilai 4.9. Penghitungan peluang krisis finansial mengikuti alur yang sama. Inferensi terhadap pendapat pakar dalam hal krisis teknologi dan sosial mengikuti aturan logika fuzzy sebagaimana diuraikan di atas. Dampak krisis teknologi maupun sosial dihitung berdasarkan agregasi pendapat pakar yang memasukkan nilai linguistik. Dampak krisis teknologi maupun dampak krisis sosial diperoleh dari rataan hasil perhitungan kemudian dinormalisasikan. Begitu pula penghitungan peluang krisisnya. Dampak krisis maupun peluang krisis komprehensif gabungan nilai dampak krisis bahan, krisis teknologi, krisis sosial dan krisis finansial dihitung dengan inferensi fuzzy yang dinormalisasikan. Dalam verifikasi secara uji dinamik terlihat bahwa CrismanSoft dan implementasinya selama pengujian cukup akurat. Hasil penelusuran kembali terhadap hubungan asupan-keluaran menggunakan data yang berbeda Januari 2000-Agustus 2006 dan Jan 200-Desember 2006, menunjukkan model manajemen krisis yang direkayasa mengaplikasikan inferensi fuzzy yang bisa menyajikan kemampuan sesuai dengan yang ditetapkan dalam tujuan pembentukan model. Perbedaan asupan data pada Sistem Manajemen Data, menghasilkan keluaran Sistem Pengolahan Data yang berbeda secara signifikan. Verifikasi dilakukan juga terhadap penyajian rekomendasi solusi krisis. Sebagaimana telah dikemukakan, perubahan asupan data pada model dapat mengakibatkan perubahan keluaran. Jika perubahan tersebut mengakibatkan perbedaan posisi pada proyeksi kuadrannya, akan dihasilkan rekomendasi solusi krisis yang berbeda. Sepanjang perubahan tidak mengakibatkan perpindahan kuadran pada proyeksi maka rekomendasi yang disajikan juga tidak berubah Lihat Lampiran 11. Hasil validasi dan verifikasi terhadap CrismanSoft menunjukkan model manajemen krisis bagi perusahaan agroindustri yang direkayasa cukup sahih dan memiliki kemampuan menyajikan peringatan dini dan tahapan maupun risiko krisis internal yang sedang dihadapi perusahaan agroindustri dan menyuguhkan solusi pencegahan, penghindaran dan penanggulangan krisis tersebut, sebagaimana ditetapkan dalam tujuan pembentukannya.

VIII. RANCANGAN IMPLEMENTASI

Pengembangan model manajemen krisis CrismanSoft dilakukan dengan menerjemahkan representasi pengetahuan menjadi bahasa perintah yang dapat dipahami komputer. Dalam penyusunan model manajemen krisis ini, pengemasan akhir dilakukan dengan Delphi 7, sedang pengolahan atau inferensinya dilakukan dengan MATLAB 7 dan berbagai komponen tambahan Delphi yang sesuai dengan karakteristik permasalahan manajemen krisis yang dikaji, serta manipulasi data dilaksanakan dengan Microsoft Excel dan Microsoft Access. Model manajemen krisis ini direkayasa mampu menyajikan peringatan dini, menggambarkan tahapan krisis maupun risiko krisis yang sedang atau akan dihadapi oleh perusahaan agroindustri, serta menyuguhkan alternatif tindakan pencegahan, penghindaran dan penanggulangan krisis. Model ini dibangun dengan berdasarkan asupan data dari sebuah perusahaan industri tapioka di Kabupaten Lampung Timur, Provinsi Lampung. Hasil ujicoba menunjukkan model ini mampu secara konsisten mewakili kinerja kepakaran yang digantikannya dalam manajemen krisis pada perusahaan agroindustri tapioka. Model ini dapat diimplementasikan pada industri tapioka yang sudah berjalan, dengan memenuhi beberapa ketentuan.

8.1. Asumsi

Beberapa asumsi yang digunakan dalam implementasi model CrismanSoft adalah: 1. Krisis yang dianalisis oleh model adalah krisis internal, yakni krisis yang timbul karena perusahaan melakukan upaya mengolah risiko menjadi keuntungan. Lingkup pengamatan dalam model ini mencakup krisis bahan, krisis ekonomi dan finansial, krisis teknologi dan krisis sosial. 2. Perusahaan agroindustri dianggap mengalami krisis jika terjadi salah satu dari krisis bahan, krisis ekonomi dan finansial, krisis teknologi atau krisis sosial. Perusahaan dapat juga dinilai mengalami krisis jika hasil agregasi atau gabungan analisis krisis bahan, krisis ekonomi dan finansial, krisis teknologi dan krisis sosial memenuhi kriteria krisis yang ditetapkan, meskipun jika dianalisis secara sendiri-sendiri masing-masing tidak menunjukkan tingkat krisis yang signifikan. 3. Tersedia cukup pasokan dan pemasok bahan baku bagi industri di wilayah pabrik tapioka yang mengimplementasikan model itu, sehingga masih ada peluang pemecahan krisis bahan baku. 4. Tersedia cukup sumberdaya, modal atau uang tunai yang diperlukan bagi eksekusi solusi krisis sebagaimana direkomendasikan oleh CrismanSoft.

8.2. Pengambil Keputusan

Model manajemen krisis CrismanSoft dirancang berkemampuan menyajikan peringatan dini, menyajikan dampak dan peluang krisis internal dan menyajikan rekomendasi guna mengatasi krisis atau kemungkinan krisis tersebut. Rekomendasi yang dihasilkan hanya akan bermanfaat bagi para pengambil keputusan atau pihak-pihak yang memiliki otoritas guna mengeksekusikan rekomendasi yang dimaksud. Operator atau pengguna model ini harus memiliki pemahaman dasar mengenai kaitan antara perubahan penambahan atau penghapusan data dengan pemilihan metoda pemulusan yang diaplikasikan dalam CrismanSoft. Sebelum dipergunakan, data mengenai pasokan bahan baku, pasokan air, pasokan bahan pembantu, pasokan bahan bakar, produksi tapioka maupun penjualan tapioka yang ada dalam CrismanSoft harus diganti dengan data dari perusahaan yang akan mengimplementasikan model ini. Pengguna model juga harus menetapkan metoda pemulusan yang paling ideal dalam melakukan perkiraan data. Metoda pemulusan akan sangat menentukan hasil perkiraan yang menjadi asupan bagi pengambilan keputusan, sehingga metoda pemulusan sangat berpengaruh terhadap keluaran atau hasil model manajemen krisis ini. Pemilihan metoda pemulusan dilakukan berdasarkan kriteria akurasi pemulusan yang antara lain diukur dengan MAPE, R-square dan Adjusted R-square. Pengukuran indikator akurasi tersebut sudah disiapkan dalam model manajemen krisis CrismanSoft namun pemilihan metoda pemulusan harus dilakukan secara manual.

8.3. Lingkungan

Model CrismanSoft dapat diimplementasikan pada industri tapioka yang sudah berjalan dan memiliki data yang lengkap sesuai kebutuhan pengambilan keputusan dalam ruang lingkup sebagaimana ditetapkan dalam perancangan model ini. Pembaruan update atau penggantian data mengenai pasokan bahan baku, pasokan air, pasokan bahan pembantu, pasokan bahan bakar, produksi tapioka maupun penjualan tapioka dengan data dari perusahaan yang akan mengimplementasikan model ini, merupakan persyaratan