VI. PEMODELAN
6.5. Sistem Manajemen Dialog
Sistem Manajemen Dialog merupakan penghubung antara sistem dengan pengguna (pengambil keputusan). Interaksi pengguna dengan sistem dilakukan melalui tampilan yang tersedia dalam manajemen dialog. Fitur yang disediakan dalam manajemen dialog antara lain fungsi analisis, penambahan, pengubahan dan penghapusan data, serta penyajian data dalam bentuk tabel. Sistem Manajemen Dialog dikembangkan menggunakan Borland Delphi 7 yang diintegrasikan dengan MATLAB 7, Microsoft Excel 2003 dengan basis data Microsoft Access 2003.
Sistem manajemen dialog ini diterjemahkan menjadi alur program, susunan menu, manajemen pengguna, dan login pengguna yang terstruktur berdasarkan level pengguna. Susunan menu terdiri dari dropdown menu meliputi File (Login Ulang, Keluar), Pusat Data (Produksi Tapioka, Pasokan Internal, Pasokan Eksternal, Pasokan Air, Pasokan Bahan Bakar, Penggunaan Zak, Penggunaan Tawas, Penggunaan Belerang, Penggunaan PAC, Pemakaian Bahan Bakar, Penjualan Tapioka dan Sisa Tapioka), Pengolahan Data (Peramalan), Data Finansial (Kelayakan Finansial), Input Nilai Krisis (Input Krisis Campuran, Input Krisis Bahan Pembantu, Input Krisis Teknologi, Input Krisis Sosial, Input Solusi Sub Komprehensif, Input Solusi Komprehensif, Input Solusi Kuadran), Analisis, Atur Pengguna (Profil Pengguna, Ganti Password), Atur Jendela (Arrange,
112
Cascade, Close, Minimize All, Tile Horizontally, Tile Vertically). Aplikasi juga mengintegrasikan antara penggunaan MATLAB Release 14 dalam analisis data dengan
Microsoft Access 2003 dan Microsoft Excel sebagai basis data.
Asupan data terhadap model, diolah dan didiagnosis secara komprehensif guna menentukan gejala krisis dalam suatu perusahaan. Jika gejala krisis tersebut positif, model akan melanjutkan dengan analisis berdasarkan kepiawaian yang tersedia pada sistem pakar, mengambil keputusan mengenai tingkat krisis yang dihadapi, serta menentukan pilihan tindakan antisipasi atau solusi terhadap krisis tersebut. Diagnosis dan identifikasi krisis bahan baku dan produk, dilakukan berdasarkan asupan pendapat praktisi yang diperoleh melalui wawancara dan pengisian angket.
7.1. Validasi
Validasi model dilakukan guna menjamin agar CrismanSoft sesuai tujuan pembentukannya. Validasi guna menilai kesesuaian CrismanSoft dengan parameter dan sasaran yang ditetapkan dalam ruang lingkup penelitian. Jika dalam validasi ternyata model dan proses yang berlangsung dalam model itu tidak menghasilkan kesesuaian dengan parameter dan sasaran yang ditetapkan dalam perencanaan, dilakukan perancangan dan pemodelan ulang sampai hasil validasinya menunjukkan kesesuaian dengan perencanaan (Martis, 2006; Sargent, 2005; Sargent, 2000; Marimin, 2004; Kusumadewi, 2003; Marimin 2002; Daihani, 2001; Indrajit, 2000; Jackson, 2000; Blanchard, 1998; Eriyatno, 1998; Kahaner, 1998; McLeod, 1998; Coyle, 1995).
114
Secara umum, konsep validasi dan verifikasi model simulasi dikemukakan dalam Gambar 48. Validasi bertahap dilakukan oleh pengembang model sejak penyusunan hipotesis dan pemilihan teori-teori pendukung yang digunakan. Validasi model konseptual dilakukan ketika berlangsung pemodelan yang menerjemahkan teori-teori sistem menjadi model konseptual. Selanjutnya dilakukan verifikasi spesifikasi ketika ditetapkan spesifikasi model simulasi dari model konseptual yang dirancang. Verifikasi implementasi dilaksanakan model disimulasikan. Sedang validasi operasional dilakukan dengan membandingkan hasil atau data perolehan model terhadap hasil atau data pada kenyataan.
Sargent (2005) mengemukakan empat pendekatan dasar yang dapat dipilih guna menetapkan kesahihan suatu model simulasi. Pendekatan validasi pertama adalah validasi secara subjektif oleh perekayasa atau pengembang model, yang dilakukan dengan berbagai uji dan evaluasi yang dilakukan pada setiap tahapan pengembangan model. Pendekatan subjektif tersebut paling sering diterapkan dalam pengembangan model (Martis, 2006; Sargent, 2005; Sargent, 2000).
Pendekatan yang kedua adalah validasi yang melibatkan pengguna. Pendekatan yang ketiga yakni validasi dan verifikasi oleh pihak independen atau IVV (independent validation and verification), atau suatu uji kesahihan yang dilakukan oleh pihak lain. Pendekatan validasi yang keempat adalah uji kesahihan yang menggunakan penilaian dan pembobotan (scoring).
Validasi yang dilaksanakan dalam menilai kesahihan CrismanSoft dilakukan dengan pendekatan yang pertama. Langkah validasi dan verifikasi dilakukan secara subjektif pada setiap tahap dalam pengembangan model.
7.1.1. Model Krisis Bahan
Validasi terhadap suatu model sangat tergantung pada teori dan asumsi yang digunakan sebagai acuan dalam penentuan struktur dan persamaan model, serta nilai-nilai yang ditetapkan bagi parameter yang digunakan dalam model. Validasi terhadap model- model matematis yang digunakan dalam pemulusan CrismanSoft dilakukan dengan penetapan tingkat akurasinya melalui pemantauan tingkat kesalahan menggunakan antara lain instrumen MAPE, MPE PE, R-square dan Adjusted R-square sebagaimana diuraikan pada Bab III. Landasan Teori. Selain itu, dilakukan juga ujicoba CrismanSoft
menggunakan data dari perusahaan tapioka yang berbeda.
Validasi terhadap metoda pemulusan, dilakukan dengan membandingkan metoda pemulusan yang digunakan terhadap metoda pemulusan lainnya (Martis, 2006; Sargent,
2005; Sargent, 2000). Dalam pemilihan metoda pemulusan, dilakukan pembandingan antara masing-masing metoda pemulusan sehingga diperoleh metoda yang memiliki MAPE terendah dan nilai RSquare yang paling mendekati 1.
Telaah terhadap keadaan data pasokan ubikayu eksternal Januari-Desember 2006 menggunakan Metoda Pemulusan Gaussian 8 (terbaik setelah dipilih dari 54 metoda pemulusan yang dicoba menggunakan data Januari 2000-Desember 2006), menghasilkan rata-rata MAPE 20.8209 persen (kisaran 16.82-28.0563) dan rata-rata R Square 0.620 (kisaran 0.45287-0.70992) sebagaimana ditunjukkan pada Tabel 16-17.
Perioda
perkiraan Kenyataan Perkiraan RSquare DFE AdjRSquare MPE MAPE
Desember 8329.35 5128.4235 0.64271 59 0.50343 -1.9407 20.7721 November 10102.518 2396.3363 0.67811 58 0.55047 -0.82693 19.701 Oktober 4913.261 2311.0713 0.68446 56 0.55486 -0.64402 19.2465 September 3591.242 2864.6059 0.67574 56 0.54257 -0.63626 19.5311 Agustus 6223.759 2179.9391 0.68475 55 0.55291 -0.017447 18.7417 Juli 7365.592 1422.4087 0.70992 54 0.58636 1.0719 16.8958 Juni 2229.119 2633.7239 0.70212 53 0.57286 1.2732 16.8177 Mei 3061.409 1888.3724 0.45287 52 0.21087 -5.0052 28.0563 April 6978.719 1459.4821 0.48297 51 0.2498 -3.6364 26.5186 Maret 8246.777 805.6448 0.5361 50 0.32271 -0.98274 24.6638 Februari 5822.349 21.3727 0.56849 49 0.36594 6.4358 19.9959 Januari 7155.138 25.2646 0.62798 48 0.44972 5.7858 18.9103 Rata-rata 6168.269 1928.054 0.620518 53.4 0.455208 0.073084 20.8209 Perioda
perkiraan Kenyataan Perkiraan RSquare DFE AdjRSquare MPE MAPE
Desember 1756.3 1155.5948 0.72471 59 0.61739 -3.4812 21.976 November 1936.95 672.6747 0.67404 58 0.54478 -5.1148 23.7257 Oktober 1119.45 664.1423 0.67405 57 0.54253 -5.0076 23.4658 September 816.3 856.5579 0.66932 56 0.53351 -5.0855 23.6966 Agustus 1576.35 552.1184 0.67958 55 0.54559 -4.2438 22.9941 Juli 1661.8 319.4093 0.7023 54 0.5755 -2.8702 21.1511 Juni 489.25 693.6913 0.63943 53 0.48295 -5.7529 25.7808 Mei 705.9 712.5433 0.62978 52 0.46603 -5.6827 25.3563 April 1425.2 669.5975 0.63978 51 0.47733 -5.223 24.6591 Maret 1686.85 601.117 0.66208 50 0.50664 -4.339 23.4764 Februari 1218.45 1171.6442 0.69143 49 0.54659 -2.5941 21.15 Januari 1471.2 961.4255 0.72459 48 0.59262 -1.1622 18.4496 Rata-rata 1391.875 419.3566 0.584754 53.5 0.406565 -68.1584 103.0593
Tabel 16.Indikator akurasi peramalan pasokan eksternal Jan-Des 2006 menggunakan pemulusan Gaussian orde 8
Tabel 17.Indikator akurasi peramalan produksi tapioka Jan-Des 2006 menggunakan pemulusan Gaussian orde 8
116
Pada pemulusan data produksi tapioka (Januari 2000-Desember 2006) menggunakan Metoda Pemulusan Gaussian 8 (terbaik setelah dipilih dari 27 metoda yang dicoba), telaah terhadap keadaan Januari-Desember 2006 menghasilkan rata-rata MAPE 22,99 persen (kisaran 18.45-25.75) dan rata-rata R Square 0.676 (kisaran 0.62978- 0.72471) sebagaimana ditunjukkan dalam tabel berikut. Dalam validasi ini juga dilakukan telaah sejenis terhadap pemulusan pasokan air, bahan pembantu, bahan bakar maupun daya tampung gudang (krisis pemasaran).
Validasi terhadap CrismanSoft juga dilakukan secara event validity melalui pengaplikasian persamaan matematis pemulusan dan membandingkan hasilnya dengan kenyataan dan secara grafis operasional atau operational graphics (Sargent, 2005; Sargent, 2000). Misalnya pada pemulusan yang digunakan dalam peramalan pasokan bahan baku eksternal (data Januari 2000-Agustus 2006). Digunakan persamaan pemulusan Gaussian orde 8 yang menggambarkan hubungan antara y (volume pasokan eksternal ubikayu dalam ton) dengan x (waktu dalam bulan) pada tingkat kepercayaan 95 persen.
y = 8634*exp(-((x-731900)/41.81)2) + 10980*exp(-((x-731800)/25.78)2) + 12180*exp(-((x-732100)/181.4)2) + 10830*exp(-((x-731500)/15.45)2) + 4928*exp(-((x-731400)/28.36)2) + 8357*exp(-((x-731100)/643.4)2) + 6729*exp(-((x-732700)/216.1)2) + 5718*exp(-((x-731700)/98.65)2)
Dapat terlihat pada Gambar 49-51 bahwa kurva pemulusan yang dipilih guna peramalan pasokan eksternal ubikayu betul-betul mendekati posisi proyeksi data yang sebenarnya. Hal yang sama terlihat juga pada kurva hasil pemulusan produksi tapioka yang menggunakan rumus persamaan Gaussian orde 8 (dengan batas kepercayaan 95%):
Gambar 49.Perbandingan data pasokan eksternal ubikayu (Jan 2000-Agust 2006) dengan kurva pemulusannya.
y = 1888*exp(-((x-731800)/132.2)2) + 1396*exp(-((x-732800)/252.1)2) + 1197*exp(-((x-731900)/27.08)2) + 1876*exp(-((x-731400)/14.15)2) + 1743*exp(-((x-731400)/433.3)2) + 3096*exp(-((x-732100)/162.6)2) + 1410*exp(-((x-730600)/228.8)2) + 1233*exp(-((x-731000)/162.6)2)
Hasil validasi data dalam pemulusan pasokan air juga menunjukkan hal serupa. Pemulusan pasokan air menggunakan persamaan Gaussian orde 6 pada tingkat kepercayaan 95 persen:
y = 19690*exp(-((x-731400)/105.6)2) + 35960*exp(-((x-732400)/18.49)2) + 24210*exp(-((x-731800)/157.7)2) + 37000*exp(-((x-732800)/261.2)2) + 48860*exp(-((x-732200)/177.7)2) + 31730*exp(-((x-730900)/1114)2)
Gambar 50.Perbandingan data produksi tapioka (Jan 2000-Agust 2006) dengan kurva pemulusannya.
Gambar 51.Perbandingan data pasokan air (Jan 2000-Agust 2006) dengan kurva pemulusannya.
118
7.1.2. Model Krisis Finansial dan Ekonomi
Validasi terhadap model krisis finansial dan ekonomi CrismanSoft dilakukan dengan membandingkan antara hasil penghitungan model dengan penghitungan menggunakan Microsoft Excel di luar model. Diperoleh kenyataan bahwa nilai-nilai IRR, NVP, ROI dan PBP yang dihasilkan model krisis finansial dan ekonomi sama dengan nilai-nilai sejenis yang dihasilkan dari penghitungan di luar model. Hasil agregasi nilai- nilai fuzzy masing-masing indikator kelayakan usaha yang dilakukan oleh model menunjukkan kesesuaian dengan hasil-hasil penghitungan di luar model.
7.1.3. Model Krisis Teknologi
Validasi terhadap model krisis teknologi CrismanSoft dilakukan dengan membandingkan antara hasil penghitungan model dengan penghitungan di luar model inferensi fuzzy hasil wawancara para pakar menggunakan Metoda Sugeno. Diperoleh kenyataan bahwa hasil agregasi nilai-nilai fuzzy masing-masing indikator krisis teknologi yang dilakukan oleh model menunjukkan kesesuaian dengan hasil-hasil penghitungan indikator sejenis di luar model.
7.1.4. Model Krisis Sosial
Validasi terhadap model krisis sosial CrismanSoft dilakukan dengan membandingkan antara hasil penghitungan model dengan penghitungan di luar model inferensi fuzzy menggunakan Metoda Sugeno. Penghitungan dilakukan menggunakan data hasil wawancara dengan para praktisi yang dijadikan narasumber. Diperoleh kenyataan bahwa hasil agregasi nilai-nilai fuzzy masing-masing indikator krisis sosial yang dilakukan oleh model menunjukkan kesesuaian dengan hasil-hasil penghitungan indikator sejenis di luar model.
7.1.5. Model Krisis Komprehensif
Validasi terhadap model krisis komprehensif CrismanSoft dilakukan secara membandingkan hasil penghitungan model dengan penghitungan di luar model inferensi
fuzzy menggunakan Metoda Sugeno. Penghitungan dilakukan menggunakan data hasil agregasi nilai yang diperoleh dalam penghitungan krisis bahan, krisis finansial dan ekonomi, krisis teknologi dan krisis sosial. Diperoleh kenyataan bahwa hasil agregasi nilai-nilai fuzzy empat krisis sosial yang dilakukan oleh model menunjukkan kesesuaian dengan hasil-hasil penghitungan di luar model.
7.1.6. Rekomendasi Solusi Krisis
Validasi juga dilakukan terhadap penetapan atau rekomendasi solusi yang dihasilkan oleh CrismanSoft. Rekomendasi solusi dihasilkan dari akuisisi pendapat para praktisi sehubungan dengan pertanyaan mengenai keadaan krisis tertentu (Lampiran 2 dan Lampiran 4. Hasil Angket Solusi Krisis). Hasil olahan asupan para praktisi itu, dijadikan alternatif solusi terhadap situasi krisis yang diperkirakan oleh model.
Prioritas rekomendasi solusi krisis bahan ditetapkan secara berurutan (1) bahan bakar, (2) bahan baku, (3) air, (4) bahan pembantu, (5) pemasaran. Pada saat semua komponen bahan berada dalam keadaan krisis, bahan bakar ditetapkan berada pada prioritas paling atas karena ketersediaan bahan baku justru menjadi beban jika pada saat yang sama terjadi krisis bahan bakar.
Prioritas rekomendasi solusi krisis komprehensif ditetapkan secara berurutan bagi (1) krisis finansial dan ekonomi, (2) krisis teknologi, (3) krisis bahan baku dan (4) krisis sosial. Pada saat semua berada dalam keadaan krisis, direkomendasikan prioritas solusi adalah menyelesaikan krisis finansial dan ekonomi, karena krisis lainnya tidak bisa ditanggulangi jika krisis finansial dan ekonomi belum terselesaikan (Lampiran 11. Kaidah Penetapan Solusi).
Teknologi Pengelolaan Isu (Issue Management Technology) belakangan ini disarankan sebagai salah satu model sederhana pengelolaan krisis. Model itu menggunakan kemampuan sintesis pengenalan keadaan dan integritas pakar atau praktisi dalam penetapan deteksi dini. Secara sederhana, teknik pengelolaan isu menyarankan agar hal-hal yang tampaknya tidak penting dan berdampak kecil juga diperhatikan secara serius dalam deteksi dini atau penanganan krisis.
Dalam model CrismanSoft, semua krisis yang berpeluang rendah dan berdampak rendah tidak disajikan solusinya. Namun krisis yang berpeluang rendah (kurang dari 50 persen) dan berdampak tinggi (lebih dari 5 pada skala 1-10) akan dengan sendirinya diproyeksikan pada kuadran II yang berwarna jingga, sehingga mendapatkan perhatian khusus. Sedang krisis yang berpeluang tinggi (lebih dari 50 persen) dan berdampak rendah (kurang dari 5 pada skala 1-10) terproyeksikan pada kuadran IV atau abu-abu, yang juga harus mendapat perhatian khusus.
7.2. Verifikasi
Verifikasi terhadap CrismanSoft dilakukan guna memastikan bahwa model manajemen krisis ini terbebas dari kekeliruan proses logis (logical errors) sehingga dapat
120
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
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
122
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
Menggunakan data Jan 2000-Agust 2006
Menggunakan data Jan 2000-Des 2006
124
Menggunakan data Jan 2000-Agust 2006
Menggunakan data Jan 2000-Des 2006
Menggunakan data Jan 2000-Agust 2006
Menggunakan data Jan 2000-Des 2006
126
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 B/C, 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
128
sedang dihadapi perusahaan agroindustri dan menyuguhkan solusi pencegahan, penghindaran dan penanggulangan krisis tersebut, sebagaimana ditetapkan dalam tujuan pembentukannya.
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.
130
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