45
VII. PENGUJIAN MODEL DAN SIMULASI SKENARIO
A. VERIFIKASI
Proses verifikasi model dinamik penilaian risiko mutu PKS Unit Adolina menggunakan beberapa cara. Pertama, pengecekan hubungan antar variabel dan parameter sehingga terjadi
konsistensi hubungan yang logis. Jika terdapat hubungan yang tidak logis atau tidak benar antar variabel atau parameter, Powersim akan memberikan simbol “” pada jalur link yang
menghubungkan variabel tersebut agar hubungan tersebut dapat dikoreksi. Kedua, pengecekan unit analisis variabel atau parameter agar konsisten. Powersim akan memberikan tanda “?” yang artinya
persamaan tersebut masih belum konsisten unit analisis yang digunakannya. Ketiga, pengecekan
perilaku model dinamik penilaian risiko mutu pada variabel kunci. Model dinamik penilaian risiko mutu PKS Unit Adolina telah berhasil melakukan sebuah proses simulasi kajian model dunia abstrak
mengikuti perilaku realitas dunia nyata yang dikaji. Pola perilakunya adalah pertumbuhan eksponensial. Dengan demikian, program komputer yang dibuat beserta penerapannya adalah benar
dan telah menunjukkan perilaku dan respon yang sesuai dengan tujuan model. Proses verifikasi model dinamik penilaian risiko mutu PKS Unit Adolina telah memenuhi prosedur verifikasi mengacu pada
Schlesinger et.al 1979 dalam Rohmatulloh 2007 .
B. VALIDASI
1. Validasi Teoritis
Model dinamik penilaian risiko mutu PKS Unit Adolina mengacu pada konsep sistem penilaian risiko mutu yang diintroduksi oleh COSO of United States yang dewasa ini telah banyak
dikaji secara akademis dan diterapkan oleh berbagai perusahaan. Konsep penilaian risiko mutu yang diacu pada penelitian ini adalah ERM
– IFAT Enterprise Risk Management – Integrated Framework Application Techniques
. Oleh karena itu, validasi teoritis model sistem penilaian risiko mutu pada penelitian ini telah didukung oleh teori yang valid sebagaimana telah diuraikan pada Bab 2.
Rujukan teori untuk membangun sub-model dinamik penilaian risiko mutu PKS Unit Adolina sebagai berikut:
1. Sub-model produksi mengacu pada buku panduan dan administratur perusahaan serta teori yang telah dibahas Hadiguna 2010 dan Aulia 2010.
2. Sub-model persediaan mengacu dari model umum yang dikaji oleh beberapa penulis, diantaranya adalah Sterman 2000 dan Morecroft 1982, serta beberapa penulis lain
yang penelitiannya menjadi acuan dalam studi ini. Struktur laju pesanan customer order yang dibahas dalam sub-model tersebut
merupakan struktur variabel yang bersifat exogeneous, nilainya berubah sepanjang waktu dan lebih dipengaruhi oleh lingkungan sistem. Dalam sub-model ini akan
terlihat beberapa feedback yang substansial, diantaranya adalah bahwa laju pengiriman shipments akan bergantung kepada nilai stock persediaan; jika persediaan tidak
mencukupi menurut perusahaan, maka laju pengiriman akan berada dibawah permintaan atau pesanan konsumen. Atau dalam kondisi ekstrim, laju pengiriman
harus bernilai 0 nol apabila tidak ada persediaan. Variabel yang diperhitungkan
46
dalam penetapan stok persediaan tersebut adalah tingkat persediaan yang diinginkan, waktu koreksi persediaan dan jangkauan persediaan.
3. Sub-model transportasi mengacu struktur model umum yang bersumber dari Oktavia 2000 dan Hadiguna 2010 serta beberapa penulis lain yang penelitiannya menjadi
acuan studi ini.
2. Kondisi Ekstrim
Kondisi ekstrim untuk mengetahui, bahwa model yang dibangun tangguh dalam menghadapi kemungkinan perubahan ekstrim nilai parameter di dunia nyata. Produktivitas kebun pada
bulan Januari 2010 hingga April 2011 yang menjadi periode simulasi diasumsikan naik 100 dari nilai awal produktivitasnya, karena didukung oleh pengolahan terhadap tanaman dan penanganan
pasca-panen yang baik serta didukung oleh kondisi alam yang kondusif. Berdasarkan hasil simulasi, dinamika produksi minyak sawit kasar CPO Gambar 24 , tingkat persediaan Gambar 25 dan
jumlah trip aktual Gambar 26 yang dibutuhkan untuk mengangkut seluruh hasil panen dari kebun ke pabrik, akan mengalami kenaikan pada saat produktivitas naik 100 dari nilai produktivitas kebun
normal setiap bulannya.
Gambar 24.
Dinamika produksi CPO akibat produktivitas kebun naik 100
Gambar 25.
Dinamika persediaan CPO akibat produktivitas kebun naik 100
Ja n Fe b Ma r Apr Ma y Jun Jul
Aug Se p O ct No v De c Ja n Fe b Ma r 2010
3,700,000 3,800,000
3,900,000 4,000,000
4,100,000 4,200,000
4,300,000 4,400,000
4,500,000 4,600,000
k gm o
c p
o
Ja n Fe b Ma r Apr Ma y Jun Jul
Aug Se p O ct No v De c Ja n Fe b Ma r 2011
1,000,000 2,000,000
3,000,000 4,000,000
5,000,000 6,000,000
k g
P e
rs e
d ia
a n
47
Gambar 26.
Dinamika jumlah trip aktual akibat produktivitas kebun naik 100 Jika produktivitas kebun terganggu akibat adanya peristiwa gagal panen yang disebabkan
oleh bencana alam dan serangan hama, sehingga produktivitas kebun hasilnya mendekati nilai 0 nol, maka dinamika produksi CPO Gambar 27, tingkat persediaan CPO Gambar 28 dan jumlah trip
aktual Gambar 29 akan mengalami penurunan signifikan mencapai 100 dari nilai produktivitas kebun normal tiap bulannya.
Gambar 27.
Dinamika produksi CPO akibat produktivitas kebun turun 100
Gambar 28.
Dinamika persediaan CPO akibat produktivitas kebun turun 100
Jan Fe b
Mar Apr
May Jun
Jul Aug
Se p O ct
Nov De c
Jan Fe b
Mar 2010
115 120
125 130
135 140
145 150
155 160
tripda
ju m
la h
t ri
p a
k tu
a l
Ja n Fe b Ma r Apr Ma y Jun Jul Aug Se p O ct Nov De c Ja n Fe b Ma r
2011 750,000
1,000,000 1,250,000
1,500,000 1,750,000
2,000,000 2,250,000
k gm o
c p
o
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan Feb Mar 2011
-25,000,000 -20,000,000
-15,000,000 -10,000,000
-5,000,000 kg
P e
r s
e d
ia a
n
48
Gambar 29.
Dinamika jumlah trip aktual akibat produktivitas kebun turun 100 Berdasarkan uji kondisi ekstrim diatas, secara visual dapat dilihat bahwa model
memperlihatkan pola yang tidak berlawanan dan sesuai dengan model dasar dunia nyata. Syarat model harus handal pada kondisi ekstrim telah terpenuhi.
3. Konsistensi Unit
Konsistensi unit analisis keseluruhan interaksi unsur-unsur yang menyusun sistem menggunakan pemeriksaan persamaan Powersim. Pemeriksaan ini sudah dilakukan pada saat proses
verifikasi. Jika ditentukan ketidakkonsistenan unit analisis yang digunakan, akan muncul tanda “?”. Jika masih ada tanda “?” pada link yang menghubungkan dua variabel simulasi tidak akan dapat
berjalan. J
ika tidak ditemukan tanda “?” pada diagram alir, maka unit yang digunakan pada setiap variabel model telah seimbang pada keseluruhan struktur diagram alir.
4. Konsistensi Hasil Keluaran
Pengujian konsistensi hasil keluaran dengan membandingkan data hasil simulasi dan data aktual berdasarkan average percent error APE dan nilai tengah mean APE. Parameter utama yang
diuji adalah jumlah produksi minyak sawit kasar CPO dan kadar asam lemak bebas ALB. Validasi kinerja produksi CPO antara data aktual dan simulasi seperti digambarkan pada
Gambar 30 dan diuraikan pada Tabel 5. Hasil perhitungan nilai MAPE diperoleh nilai sebesar 11,0288. Hasil ini menunjukkan bahwa tingkat galat simulasi dan aktual berada 1 dari nilai yang
diperkenankan menurut Muhammadi et.al 2001 yaitu sebesar 10, tetapi karena simulasi dibangun berdasarkan standar yang ditetapkan oleh perusahaan RKAP maka nilai 1 tersebut masih dalam
batas toleransi dan tidak berpengaruh signifikan terhadap kelangsungan pengintegrasian model secara keseluruhan.
Ja n Fe b Ma r Apr Ma y Jun Jul Aug Se p O ct Nov De c Ja n Fe b Ma r 2010
5 10
15 20
tripda
ju m
la h
t ri
p a
k tu
a l
49
Gambar 30.
Validasi kinerja produksi CPO
Tabel 5.
Hasil validasi kinerja produksi CPO
Bulan Produksi CPO kg
APE Simulasi
Aktual
Jan-10 2359990,51
2332738 1,1683
Feb-10 2580830
2878089 10,3283
Mar-10 2732432
3389172 19,3776
Apr-10 3116619
3387707 8,0021
Mei-10 3430675
4189819 18,1188
Jun-10 3606080,25
4174345 13,6133
Jul-10 4263743,21
4169295 2,2653
Agust-10 4382601,98
4120903 6,3505
Sep-10 3963304,21
3357341 18,0489
Okt-10 3609378,53
3778974 4,4879
Nop-10 3374272,57
3437495 1,8392
Des-10 3323276,33
3456231 3,8468
Jan-11 2548723,27
1994521 27,7862
Feb-11 2730285,58
2561342 6,5959
Mar-11 2943595,67
3891117 24,3509
Apr-11 3609370,54
4022939 10,2803
MAPE 11,0287688
Validasi kinerja kadar asam lemak bebas ALB antara data aktual dan data simulasi seperti digambarkan pada Gambar 31 dan diuraikan pada Tabel 6. Hasil perhitungan nilai MAPE diperoleh
sebesar 4,27437. Hasil ini menunjukkan bahwa persentase selisih data aktual dan simulasi masih dalam kisaran yang diperkenankan yaitu dibawah 10.
Bulan N
ila i
P ro
d u
k s
i C
P O
k g
Ap ril
2 01
1 Fe
br ua
ri 20
11 De
se m
be r 2
01 O
kt ob
er 2
01 Ag
us tu
s 20
10 Ju
ni 2
01 Ap
ril 2
01 Fe
br ua
ri 20
10 4500000
4000000 3500000
3000000 2500000
2000000
Variable Produk si C PO Simulasi
Produk si C PO A k tual
50
Kesimpulan pengujian kesesuaian produksi CPO dan kadar ALB dengan data sesungguhnya telah konsisten dan valid secara statistik berdasarkan perilaku yang dihasilkannya.
Gambar 31.
Validasi kinerja kadar ALB
Tabel 6.
Hasil validasi kinerja kadar ALB
Bulan Kadar ALB
APE Simulasi
Aktual
Jan-10 4,08
4,08 Feb-10
4,03 4,05
0,49383 Mar-10
4,16 4,09
1,71149 Apr-10
3,35 3,58
6,42458 Mei-10
4,03 3,93
2,54453 Jun-10
4,21 4,43
4,96614 Jul-10
4,34 4,13
5,08475 Agust-10
4,05 3,75
8 Sep-10
4,34 4,22
2,8436 Okt-10
4,39 4,25
3,29412 Nop-10
4,48 4,64
3,44828 Des-10
4,19 4,51
7,09534 Jan-11
4,33 4,72
8,26271 Feb-11
4,13 4,44
6,98198 Mar-11
4,02 3,84
4,6875 Apr-11
4,02 3,92
2,55102 MAPE
4,27437
Bulan N
ila i
K a
d a
r A
L B
Ap ril
2 01
1 Fe
br ua
ri 20
11 De
se m
be r 2
01 O
kt ob
er 2
01 Ag
us tu
s 20
10 Ju
ni 2
01 Ap
ril 2
01 Fe
br ua
ri 20
10 4,75
4,50 4,25
4,00 3,75
3,50
Variable Kadar A LB Simulasi
Kadar A LB A k tual
51
C. UJI SENSITIVITAS
Uji sensitivitas pada dasarnya mengasumsikan kemungkinan-kemungkinan suatu kondisi yang terjadi di dunia nyata dan pilihan-pilihan kebijakan yang mungkin dilakukan oleh pengambil
keputusan. Uji sensitivitas model dinamik penilaian risiko mutu CPO PKS Unit Adolina menggunakan parameter yang berpengaruh terhadap kinerja sistem, yaitu produktivitas kebun,
rendemen CPO, TBS restan dan pengaruh kriteria panen terhadap ALB. Metode yang digunakan adalah skenario terbaik-terburuk Sterman, 2000. Setiap perubahan parameter, dalam hal ini
dinaikkan diturunkan 10 dari nilai parameter dasar akan dilihat responnya terhadap perubahan parameter utama.
Skenario terbaik yang mungkin terjadi diasumsikan, bahwa produktivitas kebun naik sebesar 10 dari nilai awal, rendemen CPO naik 10 dari nilai awal, pengaruh TBS restan terhadap
ALB turun 10 dari nilai awal dan pengaruh kriteria panen terhadap ALB turun 10 dari nilai awal. Skenario terburuk yang mungkin terjadi diasumsikan bahwa produktivitas kebun dan rendemen CPO
turun 10 dari nilai awal, dan pengaruh TBS restan dan kriteria panen terhadap ALB naik sebesar 10 dari nilai awal.
Berdasarkan uji sensitivitas model terlihat, bahwa parameter yang diuji tersebut berpengaruh signifikan terhadap dinamika parameter utama yang dijadikan „effects’, yaitu produksi
CPO dan kadar ALB dengan memberikan hasil pada kemungkinan kondisi terbaik dan terburuk seperti yang tertera dalam Gambar 32 dan Gambar 33.
Gambar 32.
Dinamika produksi CPO akibat perubahan parameter sensitif
Bulan N
ila i
P ro
d u
k s
i C
P O
k g
Ap ril
2 01
1 Fe
br ua
ri 20
11 De
se m
be r 2
01 O
kt ob
er 2
01 Ag
us tu
s 20
10 Ju
ni 2
01 Ap
ril 2
01 Fe
br ua
ri 20
10 5500000
5000000 4500000
4000000 3500000
3000000 2500000
2000000
V ariable P roduksi C P O S kenario Terburuk
P roduksi C P O N ormal P roduksi C P O S kenario Terbaik
52
Gambar 33.
Dinamika kadar ALB akibat perubahan parameter sensitif
D. SIMULASI SKENARIO
Kategori