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.