Rancangbangun model penyediaan tepung jagung pada rantai pasok industri berbasis jagung

RANCANGBANGUN MODEL PENYEDIAAN TEPUNG JAGUNG PADA RANTAI PASOK INDUSTRI BERBASIS JAGUNG Dorina Hetharia SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012 PERNYATAAN MENGENAI DISERTASI DAN SUMBER INFORMASI Dengan ini saya menyatakan bahwa disertasi yang berjudul RANCANGBANGUN MODEL PENYEDIAAN TEPUNG JAGUNG PADA RANTAI PASOK INDUSTRI BERBASIS JAGUNG merupakan gagasan dan hasil penelitian saya dengan arahan komisi pembimbing, kecuali yang dengan jelas ditunjukkan rujukannya. Disertasi ini belum pernah diajukan untuk memperoleh gelar pada program sejenis di perguruan tinggi lain. Semua sumber data dan informasi yang digunakan telah dinyatakan secara jelas dan dapat diperiksa kebenarannya. Sumber informasi yang dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir disertasi ini. Bogor, Januari 2012 Dorina Hetharia F361040091 ABSTRACT DORINA HETHARIA. A Design of Corn Flour Supply Model in A Corn Supply Chain. Supervised by M. SYAMSUL MA’ARIF, YANDRA ARKEMAN, and TITI CANDRA S. Corn flour as one of the types of products made from corn is an intermediate product. This product is a product that can be consumed directly, can also be used as raw materials of food industry, raw material of feed industry, and raw material of other industries. Corn flour industry is a part of the corn supply chain. The structure of the corn supply chain consists of the centers of corn, traders or collectors, corn flour industry, and users. In the supply chain, the corn flour industry is quite a role as an industry that provides the raw material for food industry, feed industry and other processed industry continuity. To ensure the continuity of the flow of goods in the supply chain, the industry needs to provide the quantity of cornflour with good quality according to consumer demand. As an industry that provided corn flour, it needed to obtain supplies of dry shelled corn from corn gatherers or corn traders. Provision of quantity and quality supply of corn from the centers of corn and collectors were very influential on the corn flour that produced by the corn flour industry. The quantity and the quality of products according to demand be supplied by the corn flour industry. This research was intended to design model that provided the quantity and the quality of corn flour to meet consumer demand. This model consists the prediction of maize production model, the shelled corn quality classification model, the corn flour quality clustering model, and the prediction of corn flour consumers demand model. Artificial neural networks and statistical forecasting methods were used for the prediction of maize production and the prediction of corn flour demand. Fuzzy inference system was used for the shelled corn quality classification and the corn flour quality clustering. Analysis of the implementation of the model produced some policies to ensure the continuity of the flow of goods in the corn supply chain. Keywords: corn flour industry, artificial neural network, prediction model, fuzzy inference system, classification model RINGKASAN DORINA HETHARIA. Rancangbangun Model Penyediaan Tepung Jagung Pada Rantai Pasok Industri Berbasis Jagung. Dibimbing oleh M. SYAMSUL MA’ARIF, YANDRA ARKEMAN, dan TITI CANDRA S. Industri tepung jagung sebagai salah satu agroindustri merupakan bagian dari rantai pasokan berbasis jagung. Industri ini menggunakan bahan baku jagung pipilan yang diproses menjadi tepung jagung (corn flour) melalui proses pengolahan cara kering. Sebagai industri antara yang memproduksi tepung jagung, industri ini akan menyediakan produk yang akan dikonsumsi langsung, dan menyediakan bahan baku bagi industri hilirnya. Jumlah dan mutu tepung jagung yang diproduksi industri ini tergantung dari jumlah dan mutu bahan baku berupa jagung pipilan yang diperoleh dari pengumpul. Sedangkan jumlah dan mutu jagung pipilan tergantung dari produksi jagung di tingkat petani. Dapat dikatakan bahwa penyediaan jumlah dan mutu tepung jagung untuk memenuhi permintaan konsumen tergantung dari produksi jagung. Produktivitas jagung yang rendah di Indonesia mengakibatkan kebutuhan bahan baku bagi industri pengolahan jagung masih belum dapat dipenuhi oleh petani lokal. Hal ini mengakibatkan dibutuhkannya impor jagung sebagai bahan baku industri dari negara produsen jagung lainnya. Dari berbagai jenis produk yang dapat dihasilkan komoditi jagung ini, tepung jagung merupakan jenis produk yang cukup penting. Hal ini karena tepung jagung merupakan produk antara multiguna yang dapat dijadikan sebagai bahan baku industri pangan, bahan baku pakan, dan sebagai bahan baku industri lainnya. Pengelolaan industri tepung jagung ini tidak terlepas dari rantai pasok agroindustri jagung. Penyediaan jumlah dan mutu pasokan jagung mulai dari petani dan pengumpul sangat berpengaruh terhadap jumlah dan mutu tepung jagung yang diproduksi. Selanjutnya jumlah dan mutu tepung jagung sebagai bahan baku akan berpengaruh pada jumlah dan mutu produk pada industri hilirnya. Selain jumlah bahan baku, mutu tepung jagung pun harus memenuhi standar yang ditetapkan, agar dapat memuaskan konsumennya. Standar Nasional Indonesia telah menetapkan syarat mutu tepung jagung yang harus dipenuhi oleh produsen tepung jagung yakni SNI 01-3727-1995. Syarat mutu tersebut meliputi 13 kriteria uji secara fisik maupun kimia. Mutu tepung jagung sebagai produk antara dipengaruhi oleh mutu bahan baku dan oleh tahapan-tahapan pada proses sebelumnya. Demikian pula mutu jagung pipilan harus memenuhi standar mutu yang ditetapkan sesuai SNI 01-3920-1995. Karakteristik mutu tepung jagung sebagai bahan baku pada industri hilir sangat diperlukan untuk menjamin mutu produk yang dihasilkan industri tersebut, dimana karakteristik mutu tepung jagung yang dibutuhkan oleh industri hilir berbeda-beda sesuai jenis industri, baik industri pangan, industri pakan, atau industri lainnya.Masalah yang dihadapi oleh industri tepung jagung adalah bagaimana industri ini dapat memenuhi kebutuhan konsumennya yaitu dengan menyediakan produk tepung jagung menurut jumlah yang dibutuhkan dan mutu yang memenuhi standar. Penelitian ini bertujuan untuk merancangbangun model penyediaan tepung jagung pada rantai pasok industri berbasis jagung. Penyediaan tepung jagung ditinjau dari jumlah dan mutu tepung jagung. Dari model ini akan diperoleh kebijakan-kebijakan untuk mengatasi permasalahan yang terjadi. Kesulitan memprediksi produksi jagung pada periode tertentu oleh pedagang pengumpul mengakibatkan tidak dapat diperkirakan berapa banyak jagung yang dapat dipasok dari petani. Hal ini menyebabkan kesulitan dalam mengatur perencanaan tentang jumlah bahan baku yang dapat dipasok kepada industri jagung. Kemungkinan terjadinya kekurangan pasokan sehingga kesempatan untuk memperoleh keuntungan akan hilang, dan industri jagung akan membeli dari pihak lain atau mengimpor bahan baku dari negara luar. Tidak adanya prediksi tersebut juga dapat mengakibatkan kelebihan stock jagung yang apabila disimpan dapat menurunkan mutunya bahkan dapat rusak. Sehingga peramalan untuk memprediksi produksi jagung sangat diperlukan untuk mengatasi permasalahan itu. Kemudahan memperoleh pasokan jagung dari petani belum dirasakan oleh para pedagang pengumpul secara merata sehingga berakibat pada penyediaan produk jagung yang akan dipasarkan. Demikian pula halnya dengan kontinuitas pasokan jagung dari petani belum dapat dipenuhi menjadi permasalahan bagi pedagang pengumpul. Kesulitan memperoleh bahan baku secara kontinu yang memenuhi jumlah dan mutu yang ditentukan merupakan masalah bagi industri tepung jagung, karena akan mempengaruhi kontinuitas produksi. Selain jumlah jagung pipilan yang dapat dipasok dari petani belum dapat diprediksi, mutu jagung pipilan yang diperoleh juga sangat bervariasi. Bervariasinya mutu jagung tersebut akibat penggunaan bibit yang bervariasi, cara penanganan produksi yang belum merata, serta cara penanganan panen dan pasca panen yang tidak merata.. Sebagai produk antara atau intermediate product, mutu tepung jagung ditentukan oleh tahapan-tahapan pada proses sebelumnya, bahan baku, serta budidaya tanaman jagung. Dengan kata lain, mutu tepung jagung ditentukan oleh terjaminnya mutu produk pada tingkat awal yakni pada tingkat petani. Bervariasinya mutu bahan baku berupa jagung pipilan yang telah melalui perjalanan dari petani, pengumpul hingga ke pabrik dapat menurunkan mutunya. Model penyediaan tepung jagung pada rantai pasokan industri berbasis jagung terdiri atas beberapa sub model. Sub model yang dirancang adalah sub model prediksi produksi jagung, sub model pengelompokan mutu jagung pipilan, sub model pengelompokan mutu tepung jagung, dan sub model prediksi permintaan tepung jagung. Model prediksi jumlah produksi jagung diperlukan dalam model ini, agar dapat memprediksi jumlah jagung pipilan sebagai bahan baku untuk diolah pada pabrik tepung jagung. Model prediksi produksi jagung yang dirancang menggunakan jaringan syaraf tiruan dan perhitungan secara statistika. Model peramalan yang digunakan untuk memprediksi produksi jagung adalah model kausal. Dari sisi onfarm dapat dikatakan bahwa jumlah produksi jagung tidak sepenuhnya dipengaruhi oleh jumlah produksi pada periode-periode sebelumnya. Produksi jagung dipengaruhi oleh beberapa faktor antara lain penggunaan bibit, pemanfaatan lahan, pemupukan secara tepat, pengendalian hama dan penyakit, pengairan, curah hujan, dan penanganan proses panen. Dalam model ini variabel input yang digunakan adalah luas panen (ha) dan curah hujan (mm), sedangkan variabel output adalah jumlah produksi jagung (ton per bulan). Model pengelompokan mutu jagung pipilan bertujuan untuk mengelompokkan mutu jagung pipilan sebagai bahan baku industri pengolahan jagung. Dalam agroindustri berbasis jagung seperti industri farmasi, pangan, dan pakan, tuntutan konsumen terhadap mutu merupakan hal utama. Selain mutu secara fungsional keamanan pangan juga merupakan hal penting karena menyangkut kesehatan baik manusia maupun hewan. Variabel input dalam model ini adalah kadar air, butir rusak, butir pecah, dan kotoran. Sedangkan variabel output adalah Mutu 1, Mutu 2, dan Mutu 3. Pengelompokan mutu dalam model ini menggunakan fuzzy inference system dengan model Sugeno. Model pengelompokan mutu tepung jagung bertujuan untuk mengelompokkan mutu tepung jagung sebagai hasil produksi industri tepung jagung. Permintaan industri farmasi, industri pangan, dan industri pakan sebagai industri pengguna tepung jagung tidak hanya berdasarkan jumlah yang dibutuhkan namun mutu juga merupakan hal yang penting. Tuntutan standar mutu yang ketat adalah industri farmasi, selanjutnya pangan dan pakan. Kandungan aflatoksin diharapkan tidak ada pada industri farmasi, demikian pula industri pangan dan industri pakan memiliki standar tertentu. Berdasarkan hal ini, maka mutu tepung jagung akan dikelompokkan atas 3 kelompok yakni Grade 1, Grade 2 dan Grade 3. Mutu tepung jagung Grade 1 diperuntukkan bagi industri farmasi, Grade 2 untuk industri pangan, dan Grade 3 untuk industri pakan. Pengelompokan ini dilakukan berdasarkan kriteria uji sebagai karakteristik pembeda tepung jagung. Pengelompokan mutu tepung jagung dalam model ini menggunakan fuzzy inference system dengan model Sugeno. Agar dapat menyediakan jumlah tepung jagung yang harus diproduksi oleh industri tepung jagung, maka diperlukan prediksi permintaan tepung jagung. Hal ini diperlukan agar tidak terjadi produksi yang tidak memenuhi permintaan atau produksi yang berlebihan. Data yang digunakan dalam model prediksi ini adalah data time series. Alat analisis dalam model prediksi permintaan tepung jagung adalah jaringan syaraf tiruan dan metode peramalan statistikal. Hasil dari model prediksi produksi jagung menunjukkan bahwa penggunaan jaringan syaraf tiruan lebih akurat dari pada metode peramalan menggunakan model regresi. Hasil ini mengkonfirmasi beberapa penelitian antara lain: penelitian oleh Nam dan Schaefer (1995), Setyawati (2003), Zhang et al. (2004), Erdinç dan Satman (2005), Bhuvanes et al. (2007), Azadeh et al. (2008), Ferreira et al. (2011). Penelitian-penelitian tersebut menyimpulkan bahwa jaringan syaraf tiruan memberikan hasil yang lebih akurat. Saran untuk penelitian selanjutnya adalah model ini dapat dikembangkan dan dapat dilengkapi dengan sistem pendukung keputusan yang dapat membantu pengambil keputusan melakukan antisipasi dalam masalah penyediaan tepung jagung untuk memenuhi permintaan industri pengguna tepung jagung. Model ini dapat disempurnakan dengan mengintegrasikan semua komponen dalam rantai pasok dalam suatu analisis rantai pasok industri berbasis jagung secara menyeluruh. © Hak cipta milik Institut Pertanian Bogor, tahun 2012 Hak Cipta dilindungi Undang-Undang 1. Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumber. a. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik atau tinjauan suatu masalah. b. Pengutipan tidak merugikan kepentingan yang wajar 2. Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis dalam bentuk apapun tanpa izin IPB. RANCANGBANGUN MODEL PENYEDIAAN TEPUNG JAGUNG PADA RANTAI PASOK INDUSTRI BERBASIS JAGUNG DORINA HETHARIA Disertasi Sebagai salah satu syarat untuk memperoleh gelar Doktor pada Program Studi Teknologi Industri Pertanian SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012 Ujian Tertutup : 27 Januari 2012 Penguji Luar Komisi : 1. Dr. Ir. Sutrisno, M.Agr. 2. Dr. Eng. Taufik Djatna, STP, MSi Ujian Terbuka : 30 Januari 2012 Penguji Luar Komisi : 1. Prof.Dr. Ir. Dadan Umar Daihani, DEA 2. Dr. Ir. Liesbetini Hartoto, MS Judul Disertasi : Rancangbangun Model Penyediaan Tepung Jagung Pada Rantai Pasok Industri Berbasis Jagung Nama : Dorina Hetharia NIM : F361040091 Disetujui, Komisi Pembimbing Prof. Dr. Ir. M. Syamsul Ma’arif, M.Eng Ketua Dr. Ir. Yandra Arkeman,M Eng Anggota Dr. Ir. Titi Candra Sunarti, MSi Anggota Diketahui, Ketua Program Studi Teknologi Industri Pertanian Dekan Sekolah Pascasarjana Institut Pertanian Bogor Dr. Ir. Machfud, MS Dr. Ir.Dahrul Syah, M.Sc.Agr Tanggal Ujian : 30 Januari 2012 Tanggal Lulus : .......................... PRAKATA Puji syukur bagi Tuhan Yang Maha Kuasa yang atas perkenan-Nya telah memberikan kekuatan, dan mengijinkan penulis menyelesaikan disertasi berjudul Rancangbangun Model Penyediaan Tepung Jagung Pada Rantai Pasok Industri Berbasis Jagung. Disertasi ini merupakan hasil penelitian yang dilakukan penulis yang seyogyanya dapat membantu industri tepung jagung untuk mengatasi permasalahan yang dihadapi. Ucapan terima kasih dan penghargaan penulis sampaikan kepada: 1. Bapak Prof. Dr. Ir. M. Syamsul Ma’arif, M.Eng sebagai ketua Komisi Pembimbing, bapak Dr. Ir. Yandra Arkeman, M.Eng dan ibu Dr. Ir. Titi Chandra, M.Si sebagai anggota Komisi Pembimbing yang telah memberikan bimbingan, arahan, saran, dan motivasi sehingga penulis dapat menyelesaikan disertasi ini. 2. Rektor Universitas Trisakti yang telah memberikan kesempatan dan ijin tugas belajar kepada penulis. 3. Pimpinan Sekolah Pascasarjana, Pimpinan Fakultas Teknologi Pertanian, Pimpinan, staf pengajar, staf administrasi Teknologi Industri Pertanian Institut Pertanian Bogor yang dengan tulus dan ikhlas memberikan ilmu, pengalaman, dan pelayanan dengan penuh tanggungjawab dan pengabdian selama penulis menempuh studi. 4. Pimpinan, Staf pengajar dan staf administrasi Jurusan Teknik Industri Trisakti atas dukungan, pengertian, dan motivasi selama penulis menempuh studi di Sekolah Pascasarjana Institut Pertanian Bogor. 5. Keluarga atas semua pengorbanan, dukungan, pengertian, motivasi, dan do’a yang diberikan selama penulis menempuh studi. 6. Berbagai pihak yang tidak disebutkan satu persatu atas dukungan dan kontribusinya sehingga penulis dapat menyelesaikan studi. Akhir kata, penulis berharap semoga disertasi ini bermanfaat bagi semua pihak yang memerlukan. Bogor, Januari 2012 Dorina Hetharia RIWAYAT HIDUP Penulis dilahirkan di Ambon pada tanggal 26 Januari 1952 dari pasangan Cornelis Fransiscus Benjamin Hetharia dan Maria Lewakabessy sebagai putri ketiga dari tiga bersaudara. Penulis memperoleh gelar Sarjana Muda pada tahun 1975 dan gelar Sarjana pada tahun 1981 dari Jurusan Bangunan Kapal - Fakultas Teknik Perkapalan, Universitas Pattimura Ambon. Gelar Magister diperoleh dari program Pasca Sarjana Teknik dan Manajemen Industri, Institut Teknologi Bandung pada tahun 1985. Tahun 2004 penulis melanjutkan pendidikan S-3 pada Program Studi Teknologi Industri Pertanian, Sekolah Pasca Sarjana Institut Pertanian Bogor. Penulis pernah bekerja pada PT Dok dan Perkapalan ‘Waiame’- Ambon pada tahun 1975 – 1978. Tahun 1980 – 1986 penulis bekerja pada Fakultas Teknik Perkapalan, Universitas Pattimura Ambon. Sejak tahun 1989 hingga sekarang penulis bekerja sebagai staf pengajar pada Jurusan Teknik Industri - Fakultas Teknologi Industri, Universitas Trisakti Jakarta. Karya ilmiah yang telah dipublikasikan penulis pada jurnal ilmiah, berjudul Prediksi Produksi Jagung dalam Model Penyediaan Tepung Jagung pada Rantai Pasok Jagung, dan Pengelompokan Mutu Jagung Pipilan pada Model Penyediaan Tepung Jagung. Penulis menikah dengan Frederick Titalepta (almarhum) dan memiliki tiga orang anak yaitu Emprilon Yantino Ebenhard (33 tahun), Stephannie Imanuella (27 tahun), dan Franco Roberto Theodore (24 tahun). DAFTAR ISI Halaman DAFTAR ISI i DAFTAR TABEL iii DAFTAR GAMBAR v DAFTAR LAMPIRAN vii 1 PENDAHULUAN 1.1 1.2 1.3 1.4 2 Latar Belakang .............................................................. Tujuan Penelitian .......................................................... Ruang Lingkup Penelitian ............................................ Manfaat Penelitian ........................................................ TINJAUAN PUSTAKA 2.1 Jagung ....................................................................... 2.2 Tepung Jagung .............................................................. 2.3 Mutu ............................................................................. 2.3.1 Mutu Jagung Pipilan ........................................... 2.3.2 Mutu Tepung Jagung ............................................ 2.4 Manajemen Rantai Pasok .............................................. 2.5 Jaringan Syaraf Tiruan .................................................. 2.5.1 Arsitektur Jaringan ............................................... 2.5.2 Algoritma Backpropagasi Umpan Balik .............. 2.6 Proses Hirarki Analitik .................................................. 2.7 Logika Fuzzy ................................................................. 2.8 Sistem Inferensi Fuzzy .................................................. 2.8.1Pembentukan Himpunan Fuzzy ............................ 2.8.2 Aplikasi Fungsi Implikasi ..................................... 2.8.3 Defuzzifikasi ......................................................... 2.9 Peramalan ...................................................................... 2.10 Penelitian Terdahulu ...................................................... 3 1 7 8 8 9 12 14 15 16 18 19 20 22 24 27 28 29 32 32 32 39 METODE PENELITIAN 3.1 Kerangka Pemikiran ...................................................... 3.2 Tahapan Penelitian ........................................................ 3.3 Pengumpulan dan Pengolahan Data .............................. i 41 43 46 4 ANALISIS SISTEM 4.1 4.2 4.3 4.4 5 Kondisi Rantai Pasok Jagung ........................................ Analisis Kebutuhan ....................................................... Identifikasi Permasalahan .............................................. Identifikasi Sistem ......................................................... PERANCANGAN MODEL 5.1 5.2 5.3 5.4 Model Prediksi Produksi Jagung ................................... Model Pengelompokan Mutu Jagung Pipilan ................ Model Pengelompokan Mutu Tepung jagung ............... Model Prediksi Permintaan Tepung Jagung................... 5.4.1 Peramalan Permintaan dengan Metode Time Series .................................................................... 5.4.2 Peramalan Permintaan dengan Jaringan Syaraf Tiruan ................................................................... 5.5 Verifikasi dan Validasi Model ....................................... 6 55 60 69 80 82 83 86 IMPLEMENTASI MODEL 6.1 6.2 6.3 6.4 6.5 6.6 6.7 6.8 7 47 48 50 53 Prediksi Produksi jagung ............................................... Pengelompokan Mutu Jagung Pipilan ........................... Pengelompokan Mutu Tepung Jagung .......................... Prediksi Permintaan Tepung Jagung ............................. Keterbatasan Model ....................................................... Implikasi Teoritis ........................................................... Implikasi Manajerial ...................................................... Analisis Penggunaan Model dan Kebijakan .................. 89 91 95 97 98 99 100 100 SIMPULAN DAN SARAN 7.1 Simpulan ........................................................................ 7.2 Saran .....................................................................,,,...... 103 104 DAFTAR PUSTAKA ............................................................................. LAMPIRAN ........................................................................................... 105 109 ii DAFTAR TABEL Halaman 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Produksi, luas panen, dan produktivitas jagung di Indonesia .... Produktivitas jagung di beberapa negara produsen jagung dunia ........................................................................................... Volume ekspor jagung ke negara luar tahun 2006 ..................... Volume impor jagung dari negara luar tahun 2006 .................... Komposisi analisis proksimat bagian biji jagung ....................... Parameter jagung pipilan menurut SNI 01-3920-1995 .............. Syarat mutu tepung jagung menurut SNI 01–3727–1995 .......... Skala pemberian nilai dalam AHP .......................................... Data luas panen, curah hujan, produksi jagung Jawa Tengah tahun 2010 .................................................................................. Semesta pembicaraan, himpunan fuzzy, domain mutu jagung pipilan ......................................................................................... Representasi kurva variabel mutu jagung pipilan ...................... Penentuan tingkat kepentingan kriteria uji ................................. Matriks perbandingan berpasangan kriteria uji pada industri farmasi ........................................................................................ Matriks perbandingan berpasangan kriteria uji pada industri pangan ......................................................................................... Matriks perbandingan berpasangan kriteria uji pada industri pakan ........................................................................................... Semesta pembicaraan, himpunan fuzzy, domain mutu tepung jagung ......................................................................................... Representasi kurva variabel mutu tepung jagung ....................... Perunutan variabel input pada model prediksi produksi jagung iii 3 4 5 6 12 16 17 26 59 67 68 71 73 73 74 78 79 86 iv DAFTAR GAMBAR Halaman 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 Konfigurasi industri tepung jagung pada rantai pasok industri berbasis jagung ........................................................................ Pohon industri jagung ............................................................. Penampang membujur butir jagung ......................................... Proses pembuatan tepung jagung ........................................... Neraca masa tepung jagung ..................................................... Jaringan layar tunggal .............................................................. Jaringan layar jamak ................................................................ Arsitektur jaringan pada backpropagation .............................. Representasi linear naik ........................................................... Representasi linear turun .......................................................... Representasi kurva segitiga ...................................................... Representasi kurva trapesium .................................................. Pola data peramalan ................................................................ Taksonomi model peramalan .................................................. Tracking signal dalam peramalan ............................................ Keterkaitan model pada rantai pasok industri berbasis jagung Kerangka pemikiran penelitian ................................................ Tahapan penelitian ................................................................... Diagram input-output sistem analisis penyediaan tepung jagung ....................................................................................... Model konseptual prediksi produksi jagung ............................ Struktur jaringan syaraf tiruan model prediksi produksi jagung ....................................................................................... Tahapan proses prediksi produksi jagung dengan jaringan syaraf tiruan .............................................................................. Hasil simulasi pada jaringan syaraf tiruan ............................... Model konseptual pengelompokan mutu jagung pipilan ....... Tahapan pemeriksaan awal mutu jagung pipilan ..................... Model konseptual pengelompokan mutu jagung pipilan dengan FIS................................................................................ Model pengelompokan mutu jagung pipilan ............................ Agregasi mutu jagung pipilan .................................................. Tahapan perancangan model pengelompokan tepung jagung Diagram alir penentuan bobot kriteria uji mutu tepung jagung Model konseptual pengelompokan mutu tepung jagung ......... Tahapan pemeriksaan awal mutu tepung jagung ..................... Model konseptual pengelompokan mutu tepung jagung dengan FIS ............................................................................... Model pengelompokan mutu tepung jagung ............................ Agregasi mutu tepung jagung .................................................. v 2 10 11 13 14 21 21 22 30 30 31 31 33 34 39 41 43 46 54 57 57 58 60 63 64 65 65 66 69 72 74 75 76 77 77 36 37 38 39 40 41 42 43 44 45 46 Model konseptual prediksi permintaan tepung jagung ......... Tahapan peramalan permintaan tepung jagung ........................ Plot data permintaan tepung jagung ......................................... Tahapan prediksi permintaan tepung jagung dengan JST ........ Struktur jaringan syaraf tiruan prediksi permintaan tepung jagung ....................................................................................... Himpunan fuzzy variabel butir rusak jagung pipilan ............ Tampilan If-then rules mutu jagung pipilan pada MATLAB R2010a ..................................................................................... Keluaran mutu jagung pipilan kelompok Mutu 2 .................... Himpunan fuzzy variabel aflatoksin pada tepung jagung ....... Tampilan If-then rules mutu tepung jagung pada MATLAB R2010a ..................................................................................... Keluaran mutu tepung jagung kelompok Grade 3 ................... vi 80 81 83 84 85 93 94 94 95 96 96 DAFTAR LAMPIRAN Halaman 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Prediksi Produksi Jagung Jawa Barat dengan Jaringan Syaraf Tiruan ...................................................................................... Hasil program peramalan dengan JST pada MATLAB .......... Langkah-langkah penggunaan MINITAB 14 peramalan data kausal ...................................................................................... Peramalan Produksi Jagung dengan MINITAB 14 ................ Aturan (If – then – rules) mutu jagung pipilan ....................... Representasi Model Sugeno pada MATLAB R2010a ............ Panduan konsultasi pakan untuk penentuan tingkat kepentingan karakteristik uji mutu tepung jagung .................. Pengisian matriks perbandingan berpasangan karakteristik uji mutu tepung jagung berdasarkan industri pengolahan jagung Aturan (If – then – rules) Mutu Tepung Jagung ...................... Fuzzy Inference System Pengelompokan Mutu Tepung Jagung Langkah-langkah penggunaan MINITAB 14 untuk peramalan dengan data Timeseries ........................................................... Peramalan Permintaan Tepung Jagung dengan MINITAB 14 Peramalan permintaan tepung jagung dengan Double Moving Average Hasil menjalankan program dengan MATLAB R2010a untuk meramalkan permintaan tepung jagung vii 95 108 109 110 112 118 124 125 126 132 137 141 148 153 1 1 PENDAHULUAN 1.1 Latar Belakang Rantai pasok (supply chain) merupakan jaringan perusahaan-perusahaan yang secara bersama-sama bekerja untuk menciptakan dan menghantarkan suatu produk ke tangan pemakai akhir (Pujawan, 2005). Perusahaan-perusahaan tersebut merupakan mata rantai dalam rantai pasok, mencakup pemasok, pabrik, distributor, ritel, dan perusahaan-perusahaan pendukung. Hubungan antar mata rantai yang ada didalam rantai pasok dapat dilihat sebagai elemen-elemen yang saling mendukung, saling memberikan kontribusi bagi kepuasan konsumen akhir. Perlu adanya koordinasi dan kolaborasi antar perusahaan pada rantai pasok karena perusahaan-perusahaan tersebut pada intinya ingin memuaskan konsumen akhir yang sama. Perusahaan-perusahaan dalam rantai pasok harus bekerjasama untuk membuat produk yang murah, mengirimkannya tepat waktu, dan dengan mutu yang memenuhi syarat. Manajemen Rantai Pasok (Supply Chain Management) diperlukan untuk merencanakan dan mengelola kegiatan-kegiatan dalam rantai pasok tersebut, agar tujuan untuk memuaskan konsumen dapat tercapai. Dalam pengelolaan rantai pasok terdapat tantangan-tantangan yakni kompleksitas struktur rantai pasok dan adanya ketidak-pastian. Kompleksitas manajemen rantai pasok terjadi karena melibatkan banyak pihak di dalam maupun di luar perusahaan yang memiliki kepentingan yang berbeda-beda. Ketidak-pastian yang pertama adalah ketidakpastian permintaan, biasanya dari arah distributor atau ritel atau konsumen akhir. Ketidak-pastian kedua adalah dari arah pemasok, berupa lead time pengiriman bahan baku yang tidak pasti, ketidak-pastian harga, demikian pula jumlah dan mutu bahan baku. Rantai pasok agroindustri memiliki kekhususan dibandingkan dengan rantai pasok industri manufaktur. Berbeda dengan industri manufaktur, bahan baku dalam rantai pasok agroindustri merupakan hasil pertanian yang dipengaruhi oleh musim, kondisi alam, benih, hama, dan merupakan produk yang tidak tahan lama atau mudah rusak. Hal tersebut akan mempengaruhi ketidak-pastian jumlah dan mutu bahan baku atau produk yang dihasilkan dalam rantai pasok tersebut. Faktor 2 ketidak-pastian ini akan mempengaruhi kontinuitas aliran barang dan keberlangsungan kegiatan-kegiatan dalam rantai pasok. Industri tepung jagung sebagai salah satu agroindustri merupakan bagian dari rantai pasok industri berbasis jagung. Industri ini menggunakan bahan baku jagung pipilan yang akan diproses menjadi tepung jagung (corn flour) melalui proses pengolahan cara kering. Sebagai industri antara yang memproduksi tepung jagung, industri ini akan menyediakan produk yang akan dikonsumsi langsung, dan menyediakan bahan baku bagi industri hilirnya. Struktur rantai pasok industri berbasis jagung dimanadi dalamnya terdapat industri tepung jagung, adalah sentra jagung, pengumpul, industri tepung jagung, dan industri pengguna tepung jagung. Dalam rantai pasok industri berbasis jagung, sentra jagung merupakan mata rantai yang menyediakan jagung yang diproduksi oleh petani. Produk jagung ini akan dipipil menjadi jagung pipilan dan akan dikumpulkan oleh pengumpul atau pedagang sebagai mata rantai berikutnya. Selanjutnya jagung pipilan tersebut akan dipasok sebagai bahan baku ke mata rantai selanjutnya yaitu industri tepung jagung. Mata rantai setelah industri tepung jagung adalah industri pengguna tepung jagung yang akan memperoleh pasokan bahan baku dari industri tepung jagung. Model konfigurasi industri tepung jagung dalam rantai pasok berbasis jagung dapat dilihat pada Gambar 1. Sentra Sentra jagung jagung11 Pengumpul Pengumpul Sentra Sentra jagung jagung22 Pengumpul Pengumpul Sentra Sentra jagung jagung33 Pengumpul Pengumpul Sentra Sentra jagung jagungke-k ke-k Pengumpul Pengumpul Industri Industritepung tepung jagung jagung Industri Industri pengguna pengguna tepung tepungjagung jagung Gambar 1 Konfigurasi industri tepung jagung pada rantai pasok industri berbasis jagung. Jumlah dan mutu tepung jagung yang diproduksi industri ini tergantung dari jumlah dan mutu bahan baku berupa jagung pipilan yang diperoleh dari 3 pengumpul. Sedangkan jumlah dan mutu jagung pipilan tergantung dari produksi jagung di tingkat petani. Dapat dikatakan bahwa penyediaan jumlah dan mutu tepung jagung untuk memenuhi permintaan konsumen tergantung dari produksi jagung. Produksi jagung di Indonesia semakin tahun semakin meningkat. Hal ini dapat dilihat dari data produksi, luas panen, dan produktivitas jagung sejak tahun 2000 sampai dengan 2009 seperti ditunjukkan pada Tabel 1. Namun peningkatan produksi jagung di Indonesia belum diikuti dengan penanganan pasca panen yang baik. Informasi tentang kegiatan dan penanganan pasca panen kepada petani masih sangat kurang sehingga petani belum dapat merasakan nilai tambah dengan meningkatnya mutu biji jagung. Demikian pula penerapan teknologi produksi jagung di tingkat petani masih belum optimal. Tabel 1 Produksi, luas panen, dan produktivitas jagung di Indonesia Tahun Produksi Luas Panen Produktivitas (Ton) (Ha) (Ku/Ha) 2000 9,676,899.00 3,500,318.00 27.65 2001 9,347,192.00 3,285,866.00 28.45 2002 9,585,277.00 3,109,448.00 30.83 2003 10,886,442.00 3,358,511.00 32.41 2004 11,225,243.00 3,356,914.00 33.44 2005 12,523,894.00 3,625,987.00 33.44 2006 11,609,463.00 3,345,805.00 34.70 2007 13,287,527.00 3,630,324.00 36.60 2008 16,323,922.00 4,003,313.00 40.78 2009 16,478,239.00 4,009,179.00 41.10 Sumber : Departemen Pertanian (2010) Bila dibandingkan dengan negara produsen jagung lainnya di dunia, produksi jagung di Indonesia masih jauh tertinggal. Tabel 2 menunjukkan bahwa produktivitas usaha tani jagung di Indonesia baru mencapai setengah dibandingkan dengan Argentina dan MEE, bahkan hampir mencapai sepertiga bila dibandingkan dengan Amerika Serikat. Tabel 2 juga menunjukkan bahwa rerata 4 produktivitas jagung Indonesia sebesar 3,21 ton/ha masih dibawah rerata produktivitas jagung dunia yaitu 4,53 ton/ha. Produktivitas jagung yang rendah di Indonesia mengakibatkan kebutuhan bahan baku bagi industri pengolahan jagung masih belum dapat dipenuhi oleh petani lokal. Hal ini mengakibatkan dibutuhkannya impor jagung sebagai bahan baku industri dari negara produsen jagung lainnya. Tabel 3 dan Tabel 4 menunjukkan bahwa volume ekpor jagung oleh Indonesia ke negara luar pada tahun 2006 sebanyak 29164,424 ton dengan nilai $ 4,674,364.00, sedangkan volume impor jagung pada tahun yang sama mencapai 2327947,861 ton dengan nilai $353,847,975.00. Tabel 2 Produktivitas jagung di beberapa negara produsen jagung dunia Produktivitas (ton/ha) Tahun Dunia USA Argentina MEE Indonesia 1998 4,42 8,44 6,08 5,63 2,65 1999 4,38 8,4 5,37 6,28 2,66 2000 4,27 859 5,43 5,09 2,77 2001 4,42 8,67 5,45 6,16 2,85 2002 4,37 8,16 6,52 6,24 3,09 2003 4,47 8,92 6,48 5,03 3,25 2004 4,59 9 6,5 6,04 3,34 2005 4,65 9,12 6,71 6,12 3,45 2006 4,65 8,97 6,3 5,88 3,47 2007 4,76 9,31 6,66 6,2 3,66 2008 4,82 9,66 7,56 6,48 4,08 Rerata 4,53 8,84 6,28 5,92 3,21 Sumber: USDA (2008) Dari berbagai jenis produk yang dapat dihasilkan komoditi jagung ini, tepung jagung merupakan jenis produk yang cukup penting. Hal ini karena tepung jagung merupakan produk antara multiguna yang dapat dijadikan sebagai bahan baku industri pangan, bahan baku pakan, dan sebagai bahan baku industri lainnya. 5 Pengelolaan industri tepung jagung ini tidak terlepas dari rantai pasok industri berbasis jagung. Penyediaan jumlah dan mutu pasokan jagung mulai dari petani dan pengumpul sangat berpengaruh terhadap jumlah dan mutu tepung jagung yang diproduksi. Selanjutnya jumlah dan mutu tepung jagung sebagai bahan baku akan berpengaruh pada jumlah dan mutu produk pada industri hilirnya. Jumlah dan mutu bahan baku jagung yang tiba di industri, dipengaruhi pula oleh transportasi bahan baku tersebut dari tempat asal ke tempat tujuannya. Waktu transportasi akan mempengaruhi mutu bahan baku karena bahan baku tersebut merupakan produk yang tidak tahan lama. Tabel 3 Volume ekspor jagung ke negara luar tahun 2006 Jumlah Negara Japan Volume (Kg) Nilai (US$) 5,843,305.00 1,523,732.00 Hong Kong 152,344.00 22,621.00 Korea, Republic Of 540,144.00 43,048.00 25,779.00 39,334.00 1,341.00 2,690.00 325,000.00 99,445.00 Taiwan, Province Of China Thailand Singapore Philippines 17,624,066.00 2,158,606.00 Malaysia 4,129,642.00 480,197.00 Viet Nam 9,035.00 8,116.00 500,000.00 277,500.00 250.00 2,592.00 Saudi Arabia 2,240.00 2,690.00 South Africa 5,042.00 7,596.00 American Samoa 2,206.00 2,269.00 Tonga 3,930.00 3,878.00 France 100.00 50.00 India Pakistan Total Sumber: BPS (2011), diolah 29,164,424.00 4,674,364.00 6 Data ekspor impor jagung menunjukkan bahwa Indonesia masih mengimpor jagung untuk memenuhi kebutuhan dalam negeri. Hal ini mengindikasikan bahwa kemungkinan terdapat kekurangan jumlah jagung pipilan sebagai bahan baku industri tepung jagung. Tabel 4 Volume impor jagung dari negara luar tahun 2006 Jumlah Negara Japan Volume (Kg) Nilai (US$) 100,959.00 193,953.00 45.00 39.00 13,077,367.00 3,890,391.00 180,569.00 54,409.00 China 30,935,756.00 8,570,924.00 Thailand 41,681,113.00 8,219,919.00 817,264.00 365,620.00 1,126.00 7,040.00 2,029,704.00 609,803.00 Myanmar (form Burma) 19,362,402.00 3,015,870.00 India 20,186,598.00 3,462,683.00 20,000.00 6,000.00 644.00 1,287.00 Hong Kong Korea, Republic Of Taiwan, Province Of China Singapore Philippines Malaysia South Africa Australia United States Argentina 1,605,024,200.00 238,823,965.00 591,706,985.00 85,704,495.00 225.00 3,226.00 79,019.00 37,087.00 France 501,777.00 163,727.00 Germany, Fed. Rep. Of 682,525.00 244,097.00 1,515,583.00 438,680.00 44,000.00 34,760.00 United Kingdom Netherlands Italy Spain Total Sumber: BPS (2011), diolah 2,327,947,861.00 353,847,975.00 7 Selain jumlah bahan baku, mutu tepung jagung pun harus memenuhi standar yang ditetapkan, agar dapat memuaskan konsumennya dan dapat bersaing. Mutu produk merupakan hal yang diutamakan dalam industri. Dalam agroindustri terutama yang memproduksi pangan atau bahan baku indutri pangan, mutu produk sangat erat kaitannya dengan keamanan pangan. Standar Nasional Indonesia telah menetapkan syarat mutu tepung jagung yang harus dipenuhi oleh produsen tepung jagung yakni SNI 01-3727-1995. Syarat mutu tersebut meliputi kriteria-kriteria uji secara fisik maupun kimia. Mutu tepung jagung sebagai produk antara dipengaruhi oleh mutu bahan baku dan oleh tahapan-tahapan pada proses sebelumnya. Demikian pula mutu jagung pipilan sebagai bahan baku tepung jagung harus memenuhi standar mutu yang ditetapkan sesuai SNI 01-3920-1995. Mutu jagung pipilan yang memenuhi standar akan menjamin mutu tepung jagung yang diproduksi. Karakteristik mutu tepung jagung sebagai bahan baku pada industri hilir sangat diperlukan untuk menjamin mutu produk yang dihasilkan industri tersebut, dimana karakteristik mutu tepung jagung yang dibutuhkan oleh industri hilir berbeda-beda sesuai jenis industri, baik industri pangan, atau industri lainnya. Masalah yang dihadapi oleh industri tepung jagung adalah bagaimana industri ini dapat memenuhi kebutuhan konsumennya yaitu dengan menyediakan produk tepung jagung menurut jumlah yang dibutuhkan dan mutu yang memenuhi syarat. Jumlah dan mutu produk yang disediakan industri ini diperlukan untuk memenuhi kebutuhan industri pangan, industri farmasi, dan industri lainnya. Dengan demikian diharapkan keberlangsungan kegiatan dan kontinuitas aliran barang sepanjang rantai pasok dapat berjalan dengan baik. 1.2 Tujuan Penelitian Tujuan penelitian adalah dihasilkannya model penyediaan tepung jagung pada rantai pasok industri berbasis jagung, ditinjau dari jumlah maupun mutu tepung jagung. Dari model ini diharapkan akan diperoleh kebijakan-kebijakan untuk mengatasi permasalahan yang terjadi berkenaan dengan jumlah dan mutu bahan baku dan produk tepung jagung. 8 1.3 Ruang Lingkup Penelitian Rancangbangun model meliputi beberapa model yaitu: 1) Model prediksi produksi jagung, dimana pada model ini akan diramalkan berapa jumlah produksi yang dihasilkan oleh sentra jagung; 2) Model pengelompokan mutu jagung pipilan, yang akan menghasilkan kelompok mutu berdasarkan persyaratan mutu yang ditetapkan; 3) Model pengelompokan mutu tepung jagung dan 4) Model prediksi permintaan tepung jagung, dimana akan diramalkan permintaan tepung jagung oleh industri pengguna tepung jagung. 1.4 Manfaat Penelitian Manfaat yang diharapkan dari penelitian ini adalah sebagai berikut, 1. Rancangbangun model penyediaan tepung jagung pada rantai pasok industri berbasis jagung ini dapat digunakan sebagai bahan analisis ketersediaan jumlah dan mutu tepung jagung yang dibutuhkan. 2. Sebagai bahan rujukan bagi penelitian tentang pengembangan model pada rantai pasok industri berbasis jagung dalam cakupan yang lain. 9 2 TINJAUAN PUSTAKA 2.1 Jagung Tanaman jagung (Zea mays L.) merupakan tanaman yang berasal dari Amerika dan merupakan salah satu tanaman pangan biji-bijian. Fakta arkeologi mengindikasikan bahwa tanaman ini tumbuh di Tehuacan Mexico sekitar 5000 tahun sebelum masehi (Johnson 2000). Dari tempat ini tanaman tersebut menyebar ke Canada dan Selatan Argentina. Sejak Christopher Columbus dalam perjalanannya menemukan ‘dunia baru’ pada tahun 1492 makanan orang Amerika asli ini disebut ‘mahyz’. Jagung kemudian dikenal sebagai maize dalam terjemahan bahasa Spanyol. Maize tidak sepopuler corn sebagai sebutan oleh orang Amerika dengan terminologi British. Mengikuti perjalanan Columbus, jagung kemudian ditanam di Spanyol dan dengan cepat menyebar ke Eropa, Afrika dan Asia. Jagung kini banyak tumbuh di negara-negara beriklim panas termasuk Indonesia. Tanaman jagung merupakan varietas unggul yang memiliki sifat: berproduksi tinggi, berumur pendek, tahan serangan penyakit. Jagung merupakan tanaman semusim (annual). Satu siklus hidupnya diselesaikan dalam 80-150 hari. Tanaman jagung merupakan tanaman pangan dunia yang terpenting yang bermanfaat bagi kehidupan manusia dan hewan. Selain gandum dan padi, jagung merupakan sumber karbohidrat utama di Amerika Tengah dan Selatan, jagung juga menjadi alternatif sumber pangan di Amerika Serikat. Sebagai sumber karbohidrat, jagung merupakan tanaman pangan yang cukup penting selain gandum dan padi. Komoditi ini merupakan sumber pangan yang dapat menggantikan beras sebagai bahan makanan pokok di Indonesia. Beberapa daerah di Indonesia seperti Madura dan Nusa Tenggara menggunakan jagung sebagai pangan pokok bagi penduduknya. Selain sebagai bahan makanan pokok, jagung juga merupakan bahan baku industri pangan, industri pakan dan industri olahan lainnya. Banyak sekali manfaat tanaman jagung yang bernilai ekonomis antara lain, daunnya sebagai pakan dan kompos, kulit buah jagung sebagai bahan pakan, kompos dan industri 10 rokok, jagung muda sebagai sayuran, jagung pipilan sebagai bahan baku pembuatan tepung jagung, pati jagung, bahan industri pangan, bahan baku minyak jagung, etanol, dextrin, dan bahan baku industri lainnya. Di Indonesia biji jagung pipilan sebagai produk utama dari tanaman jagung, 50% digunakan sebagai bahan baku baku utama industri pakan, selebihnya digunakan sebagai bahan baku industri lain dan dikonsumsi langsung. Gambar 2 Pohon industri jagung (Suryana & Hermanto 2007). 11 Di Indonesia, daerah-daerah penghasil utama tanaman jagung adalah Jawa Tengah, Jawa Timur, Madura, D.I. Yogyakarta, Nusa Tenggara Timur, Sulawesi Utara, Sulawesi Selatan, dan Maluku. Budidaya tanaman jagung sangat intensif dilakukan di dareah Jawa Timur dan Madura karena kondisi tanah dan iklimnya sangat mendukung bagi pertumbuhannya. Penduduk beberapa daerah di Indonesia seperti di Madura dan Nusa Tenggara juga menggunakan jagung sebagai pangan pokok. Meskipun terjadi peningkatan produktivitas jagung dari tahun ke tahun seperti yang ditunjukkan pada Tabel 1, namun kebutuhan jagung di dalam negeri belum dapat dipenuhi. Hal ini ditunjukkan dengan jumlah volume impor jagung yang melebihi ekspornya keluar negeri. Data ini belum didukung data kebutuhan bahan baku bagi industri pengolahan jagung baik pengolahan jagung untuk makanan, maupun industri lainnya. Hal ini juga mengindikasikan bahwa pengelolaan penanaman jagung belum optimal dan belum terintegrasi dengan kebutuhan bahan baku bagi industri pengolahan jagung. Semua bagian dari hasil panen jagung dapat digunakan untuk berbagai industri. Diantara industri-industri tersebut, yang menarik untuk dikaji lebih lanjut dalam penelitian ini adalah industri tepung jagung, dimana dalam proses pengolahan tepung jagung. Sebagai industri hilirnya adalah industri pangan, pakan, dan industri pengolahan jagung lainnya. Sebagai sumber pati jagung, pada Gambar 3 diperlihatkan penampang butir jagung yang menunjukkan kandungan pati (starch) yang cukup banyak dibandingkan dengan komponen biji jagung lainnya. Gambar 3 Penampang membujur butir jagung (Disnak Jatim 2011). 12 Tabel 5 menunjukkan komposisi analisis proksimat biji jagung pada pericrap, endosperm dan germ. Biji jagung kaya akan karbohidrat. Sebagian besar berada pada endospermium. Kandungan karbohidrat dapat mencapai 80% dari seluruh bahan kering biji. Karbohidrat dalam bentuk pati umumnya berupa campuran amilosa dan amilopektin. Pada jagung ketan, sebagian besar atau seluruh patinya merupakan amilopektin. Perbedaan ini tidak banyak berpengaruh pada kandungan gizi, tetapi lebih berarti dalam pengolahan sebagai bahan pangan. Jagung manis tidak mampu memproduksi pati sehingga bijinya terasa lebih manis ketika masih muda. Tabel 5 Komposisi analisis proksimat bagian biji jagung Nutrisi Pericarp (%) Endosperm (%) Protein 3.70 8.00 Ether extract 1.00 0.80 Serat kasar 86.70 2.70 Abu 0.80 0.30 Pati 7.30 87.60 Gula 0.34 0.62 Sumber : FAO Corporate Document Repository (1992) Germ (%) 18.40 33.20 8.80 10.50 8.30 10.80 Proses pengolahan jagung diklasifikasikan atas dua cara yaitu proses pengolahan cara basah (corn wet milling process) dan proses pengolahan cara kering (corn dry milling process). Kedua proses pengolahan ini bertujuan untuk memisahkan biji jagung ke dalam komponen-komponennya. Tujuan dari proses pengolahan cara kering adalah memisahkan biji jagung secara fisik ke dalam bagian-bagian anatomis yaitu endosperm, bran dan germ. Sedangkan tujuan proses pengolahan cara basah adalah memisahkan biji jagung ke dalam unsurunsur kimianya seperti pati jagung (starch), protein, fiber dan minyak (Johnson 2000). 2.2 Tepung Jagung Saat ini kebutuhan bahan baku industri pangan sangat tergantung dari tepung terigu yang masih diimpor. Salah satu pengganti tepung terigu yang berbahan baku lokal adalah tepung jagung. Tepung jagung adalah butiran-butiran 13 halus yang berasal dari jagung kering yang digiling. Tujuan pengolahan jagung menjadi tepung adalah agar memudahkan membuat aneka ragam makanan dengan bahan dasar jagung. Tepung jagung adalah produk setengah jadi dari biji jagung kering pipilan yang dihaluskan dengan cara penggilingan kemudian diayak. Proses penggilingan biji jagung ke dalam bentuk tepung adalah proses pemisahan kulit, lembaga, endosperma, dan pangkal biji. Penggilingan cara kering dan pemasakan dengan alkali merupakan teknik penggilingan untuk mereduksi ukuran jagung. Pada penggilingan cara kering, tidak dilakukan proses perendaman yang lama melainkan dilakukan pembasahan agar endosperma jagung melunak sebelum penggilingan. Pengolahan jagung dengan alkali adalah proses penambahan Ca(OH)2 sebanyak 1% yang dilakukan pada proses perebusan, kemudian dikeringkan, dan digiling untuk mendapatkan tepung jagung (Riyani, 2007). Tepung jagung lebih tahan lama, mudah dicampur dengan bahan lain, mengandung zat gisi, lebih praktis dan mudah digunakan umtuk proses pengolahan lanjutan. Bahan dan alat pembuat tepung jagung adalah: 1) jagung bertongkol atau jagung pipilan; 2) alat atau mesin pemipil jagung; 3) mesin penggiling; 4) ayakan; 5) plastik pengemas. Adapun proses pembuatan tepung jagung ditunjukkan pada Gambar 4. Jagung Jagungpipilan pipilan Pembersihan Pembersihandan danpengeringan pengeringan (dijemur;1-2 (dijemur;1-2jam; jam;suhu suhu50°C) 50°C) Penggilingan Penggilingan Keringkan Keringkansampai sampai kadar kadarair air15-18% 15-18% Penepungan Penepungandengan dengan ayakan ayakan50 50mesh mesh Tepung Tepungdikeringkan dikeringkan Pengayakan Pengayakanbertingkat bertingkat untuk untuktepung tepunghalus halus Gambar 4 Proses pembuatan tepung jagung (Badan Penelitian dan Pengembangan Pertanian, Balai Pengkajian Teknologi Pertanian Jawa Tengah, 2006). 14 Neraca masa tepung jagung berdasarkan informasi dari Unit Pengolahan jagung Terpadu Kabupaten Bojonegoro (Irawan, 2009) ditunjukkan pada Gambar 5. Basis Basis15000 15000kgkgjagung jagungpipilan pipilan Jagung Jagungpipilan pipilan15000 15000kgkg Penggilingan PenggilinganI I Loss Loss3030kgkg(0,2%) (0,2%) Grits Grits14970 14970kgkg Pemisahan Pemisahankulit kulitdan danlembaga lembaga Ampok: Ampok: - -Kulit Kulitariari 865 865kgkg - -Lembaga Lembaga 1680 1680kgkg Grits Grits12425 12425kgkg Penggilingan PenggilinganIIIIdan danpengayakan pengayakan Loss Loss24,85 24,85kgkg(0,2%) (0,2%) Tepung Tepungjagung jagung12400,15 12400,15kgkg Gambar 5 Neraca masa tepung jagung (Suryawijaya, 2009). 2.3 Mutu Mutu (quality) merupakan isu dominan yang penting di industri, baik industri yang menghasilkan produk maupun jasa. Hal ini disebabkan karena mutu produk yang merupakan pemenuhan harapan konsumen atau melebihi harapan konsumen, berdampak kepada peningkatan profit bagi perusahaan (Krajewsky, 2002). Dengan demikian dapat dikatakan bahwa mutu produk merupakan hal penting bagi perusahaan yang secara langsung atau tidak langsung merupakan alat persaingan antar perusahaan. Adam EE (1992) menyatakan bahwa mutu adalah derajat dimana spesifikasi desain (design spesification) suatu produk atau jasa (service) memenuhi fungsi dan kegunaannya, dan derajat dimana produk atau jasa dapat memenuhi spesifikasi desainnya. Menurut Krajewski (2002), dari sisi pelanggan (customer), mutu dapat didefinisikan sebagai kemampuan perusahaan untuk memenuhi atau melampaui harapan pelanggan. Definisi singkat dari mutu adalah ‘customer satisfaction and loyalty’ dan definisi singkat lainnya adalah 15 ‘fitness for use’ (Gryna 2001). Kepuasan pelanggan (customer satisfaction) saat ini merupakan hal penting untuk diperhatikan, karena hal ini secara tidak langsung menunjukkan mutu suatu produk atau jasa yang dihasilkan oleh perusahaan atau industri. Render (1997) menyatakan bahwa peningkatan mutu merupakan salah satu faktor yang mempengaruhi peningkatan profit. Agroindustri tidak terlepas dari isu mutu, karena industri-industri berbasiskan hasil pertanian sebagai bahan baku inipun merupakan industri yang menghasilkan barang konsumsi. Pada umumnya agroindustri sebagaimana industri-industri lainnya bertujuan untuk memperoleh profit yang maksimal. Hal ini dapat tercapai bila peningkatan faktor-faktor yang mempengaruhinya dapat dilakukan secara optimal. Mutu produk agro berkaitan juga dengan keamanan pangan, karena produk tersebut biasanya merupakan barang konsumsi yang dapat dikonsumsi langsung oleh konsumennya. 2.3.1 Mutu Jagung Pipilan Jagung pipilan merupakan hasil produksi jagung melalui proses pasca panen jagung. Jagung pipilan adalah produk yang digunakan sebagai bahan baku bagi industri pengolahan jagung. Sebagai bahan baku industri pengolahan jagung, mutu jagung pipilan harus memenuhi syarat mutu yang ditetapkan. Mutu jagung pipilan di Indonesia ditentukan oleh Standar Nasional Indonesia yaitu SNI 013920-1995. Standar Nasional Indonesia menetapkan standar mutu jagung pipilan sebagai berikut: – Jagung kuning adalah jagung yang terdiri dari sekurang-kurangnya 90% berwarna – kuning dan sebanyak-banyaknya 10% jagung berwarna lain. – Biji jagung merah dianggap sebagai jagung kuning, asal warna merah tidak diakibatkan oleh penyakit dan hanya menutupi kurang dari 50% permukaan biji seluruhnya. – Bebas hama penyakit – Bebas bau busuk, asam, atau bau asing lainnya – Bebas dari bahan kimia seperti insektisida dan fungisida – Memiliki suhu normal 16 – Kandungan Aflatoxin untuk Manusia Maks. 5 ppb dan untuk hewan Maks. 50 ppb. Adapun parameter mutu jagung pipilan menurut SNI 01-3920-1995 dapat dilihat pada Tabel 6. Tabel 6 Parameter jagung pipilan menurut SNI 01-3920-1995 Jenis Uji Kadar air Butir rusak Butir warna lain Butir pecah Kotoran Satuan Mutu 1 Persyaratan Umum Mutu 2 Mutu 3 (%) (%) (%) Maksimum 14 Maksimum 2 Maksimum 1 Maksimum 14 Maksimum 4 Maksimum 3 Maksimum 15 Maksimum 6 Maksimum 7 (%) (%) Maksimum 1 Maksimum 1 Maksimum 2 Maksimum 1 Maksimum 3 Maksimum 2 2.3.2 Mutu Tepung Jagung Tepung jagung sebagai produk antara adalah produk yang digunakan sebagai bahan baku industri. Industri-industri yang menggunakan bahan baku tepung jagung antara lain industri pangan, industri farmasi, dan industri pakan. Sebagai produk antara, tepung jagung harus memenuhi permintaan industri konsumennya secara kuantitas maupun secara kualitas. Penyediaan produk yang memenuhi mutu yang diinginkan industri pengguna tepung jagung, adalah hal yang penting untuk menjaga kesinambungan produksi, sekaligus kelangsungan hidup perusahaannya. Standar mutu tepung jagung ditetapkan oleh negara-negara penghasil tepung jagung, salah satunya Indonesia. Mutu tepung jagung di Indonesia ditetapkan oleh Standar Nasional Indonesia menurut SNI 01 – 3727 – 1995. Standar ini meliputi definisi, syarat mutu, cara pengambilan contoh, cara uji, syarat penandaan dan cara pengemasan tepung jagung. Definisi tepung jagung menurut SNI adalah tepung yang diperoleh dengan cara menggiling biji jagung (Zea mays L.) yang baik dan bersih. Sedangkan syarat mutu tepung jagung yang ditetapkan menurut SNI dapat dilihat pada Tabel 7. Standar mutu untuk tepung jagung yang digunakan pada kajian selanjutnya adalah standar menurut Standar Nasional Indonesia. 17 Tabel 7 Syarat mutu tepung jagung menurut SNI 01–3727–1995 No. 1. Kriteria uji Satuan Persyaratan Keadaan: 1.1 Bau - Normal 1.2 Rasa - Normal 1.3 Warna - Normal Benda-benda asing - Tidak boleh 2. ada 3. Serangga dalam bentuk stadia dan - potongan-potongan 4. Jenis pati lain selain pati jagung Tidak boleh ada - Tidak boleh ada 5. Kehalusan: 5.1 Lolos ayakan 80 mesh % Min. 70 5.2 Lolos ayakan 60 mesh % Min. 99 6. Air % b/b Maks. 10 7. Abu % b/b Maks. 1,5 8. Silikat % b/b Maks. 0,1 9. Serat kasar % b/b Maks. 1,5 10. Derajat asam ml.N.NaOH Maks. 4,0 /100 g 11. Cemaran logam: 11.1 Timbal (Pb) mg/kg Maks. 1,0 11.2 Tembaga (Cu) mg/kg Maks. 10,0 11.3 Seng (Zn) mg/kg Maks. 40,0 11.4 Raksa (Hg) mg/kg Maks. 0,05 12. Cemaran Arsen (As) mg/kg Maks. 0,5 13. Cemaran mikroba: Koloni/g Maks. 106 13.1 Angka lempeng total 13.2 E. coli APM/g Maks. 10 13.3 Kapang Koloni/g Maks. 104 18 2.4 Manajemen Rantai Pasok Istilah manajemen rantai pasok (supply chain management) pertama kali dikemukakan oleh Oliver & Weber (Pujawan 2005). Jaringan fisik dari rantai pasok (supply chain) adalah perusahaan-perusahaan yang terlibat dalam memasok bahan baku, memproduksi barang, maupun mengirimkannya ke pemakai akhir. Sedangkan manajemen rantai pasok adalah metode, alat, atau pendekatan pengelolaannya. Penekanan dalam manajemen rantai pasok adalah pendekatan atau metode yang terintegrasi dengan dasar semangat kolaborasi antar perusahaan-perusahaan terkait. Dalam manajemen rantai pasok, interaksi antara pembeli dan pemasok pada setiap mata rantai mulai dari manufaktur ke pemasok, distributor ke manufaktur, retailer ke distributor, dan konsumen akhir ke retailer, memberikan pengaruh yang penting pada kegiatan dalam rantai pasok. Dengan hubungan yang baik, akan dihasilkan pula pelayanan yang baik bagi konsumen akhir, dan bersamaan dengan itu terjadi penambahan keuntungan bagi perusahaanperusahaan dalam rantai pasok tersebut. Wisner (2005) menuliskan bahwa di antara tahun 1950 dan 1960 perusahaan-perusahaan manufaktur melakukan teknik-teknik untuk produksi masal dengan tujuan reduksi biaya dan meningkatkan produktivitas, dimana relatif hanya sedikit memperhatikan patrnership dengan pemasok, meningkatkan desain proses dan meningkatkan mutu produk. Dari tahun 1960 sampai 1970, sistem material requirements planning (MRP) dan sistem material resource planning (MRP II) dikembangkan. Pada tahun 1980-an mulai dikembangkan manajemen rantai pasok dan berlanjut terus hingga kini. Perlunya koordinasi dan kolaborasi antar perusahaan pada rantai pasok karena perusahaan-perusahaan yang berada pada suatu rantai pasok pada intinya ingin memuaskan konsumen akhir yang sama. Perusahaan-perusahaan tersebut harus bekerjasama untuk membuat produk yang murah, mengirimkannya tepat waktu, dan dengan mutu yang bagus. Dalam pengelolaan rantai pasok terdapat tantangan-tantangan yakni kompleksitas struktur rantai pasok dan terdapatnya ketidak-pastian. Kompleksitas manajemen rantai pasok terjadi karena melibatkan banyak pihak di dalam maupun di luar perusahaan, pihak-pihak tersebut biasanya memiliki kepentingan yang berbeda-beda, sehingga tidak jarang terdapat konflik 19 antara satu dengan yang lainnya. Ketidak-pastian yang pertama adalah ketidakpastian permintaan, biasanya dari arah distributor atau retailer atau konsumen akhir. Ketidak-pastian kedua adalah dari arah supplier, berupa lead time pengiriman bahan baku yang tidak pasti, ketidak-pastian harga, demikian pula jumlah dan mutu bahan baku. Ketidak-pastian lainnya adalah dari dalam manufaktur seperti kerusakan mesin, tidak hadirnya tenaga kerja, mutu produk yang tidak pasti. Tantangan-tantangan yang terjadi dalam rantai pasok seperti yang diuraikan tersebut perlu diminimalisir agar kegiatan-kegiatan sepanjang rantai pasok dalam berlangsung dengan baik untuk dapat memenuhi kebutuhan dan keinginan konsumen akhir yaitu kepuasan konsumen. 2.5 Jaringan syaraf tiruan Jaringan syaraf tiruan (Artificial Neural Network) merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba mensimulasikan proses pembelajaran pada otak manusia tersebut (Siang 2009). Dinyatakan pula oleh Fausett (1994) bahwa jaringan syaraf tiruan adalah pemrosesan suatu informasi yang terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari sistim pemrosesan informasi. Jaringan syaraf tiruan memiliki kelebihan yaitu dapat mengingat dan membuat generalisasi dari apa yang sudah ada sebelumnya. Sehingga dengan menggunakan jaringan syaraf tiruan dapat dikenali pola data berdasarkan data input di masa lalu yang dapat mempermudah dalam melakukan peramalan. Jaringan syaraf tiruan berkembang secara pesat pada beberapa tahun terakhir, dan telah dikembangkan sebelum adanya suatu komputer konvensional yang canggih dan terus berkembang walaupun pernah mengalami masa vakum selama beberapa tahun. Tahun 1943 McCulloch dan Pitts memperkenalkan jaringan syaraf tiruan, dimana saat itu disimpulkan bahwa kombinasi beberapa neuron sederhana menjadi sebuah sistem neural akan meningkatkan kemampuan komputasi. McCulloch dan Pitts mengusulkan pembobotan jaringan diatur dengan fungsi logika sederhana. Fungsi aktivasi yang dipakai dalam jaringan ini adalah fungsi treshlod. 20 Pengembangan model jaringan perceptron dilakukan oleh Rosenblatt pada tahun 1958, dengan memperkenalkan metode pelatihan untuk mengoptimalkan hasil iterasinya. Pada tahun 1960 Widrow dan Holf memperkenalkan aturan pelatihan jaringan yang merupakan pengembangan perceptron. Aturan ini dikenal sebagai aturan delta atau disebut juga kuadrat rata-rata terkecil. Aturan ini akan mengubah bobot perceptron bila keluaran yang diperoleh tidak sesuai dengan target yang ingin dicapai. Jaringan syaraf tiruan yang digunakan oleh para peneliti tersebut menggunakan jaringan dengan layer tunggal (single layer). Pada tahun 1986 Rumelhart mengembangkan perceptron menjadi backpropagation, yang memungkinkan jaringan menggunakan beberapa layer. Jaringan syaraf tiruan ini juga dikembangkan oleh Kohonen pada 1972 dan Hopfield pada tahun 1982. Sejak tahun 1990 aplikasi model-model jaringan syaraf tiruan banyak digunakan untuk menyelesaikan masalah-masalah di dunia nyata. Beberapa aplikasi jaringan syaraf tiruan antara lain pengenalan pola (Pattern Recognition), Signal Processing, dan Forecasting atau peramalan (Siang, 2009). Pada pengenalan pola data, jaringan syaraf tiruan dapat digunakan untuk mengenali pola seperti huruf, angka, tanda tangan, yang sudah sedikit berubah. Sama halnya dengan otak manusia yang masih mengenali orang yang sudah lama tak bertemu. Berdasarkan kemampuan jaringan syaraf tiruan untuk mengingat dan melakukan generalisasi dari apa yang sudah ada sebelumnya, maka jaringan syaraf tiruan juga dapat digunakan untuk meramalkan atau melakukan prakiraan tentang apa yang terjadi di masa datang berdasarkan pola data masa lalu. Selain itu jaringan syaraf tiruan juga digunakan di bidang kontrol, bidang kedokteran dan bidang lainnya. Selain kelebihan-kelebihannya yang dapat diaplikasikan dalam berbagai bidang, jaringan syaraf tiruan juga memiliki keterbatasan. Keterbatasannya adalah hasil yang diperoleh tidak akurat, dan hanya bekerja berdasarkan pola yang terbentuk pada inputnya. 2.5.1 Arsitektur Jaringan Beberapa arsitektur jaringan pada jaringan syaraf tiruan adalah jaringan layar tunggal (single layer) dan jaringan layar jamak (multi layer network). Pada awal pengenalannya arsitektur jaringan yang digunakan adalah jaringan layar 21 tunggal. Pada perkembangan selanjutnya analisis permasalahan dengan jaringan syaraf tiruan menggunakan jaringan layar jamak. Dalam jaringan layar tunggal (single layer network), input neuron dihubungkan langsung dengan neuron outputnya. Semua unit input (X1, X2, ..., Xn) dihubungkan dengan semua unit output (Y1, Y2, ..., Ym). Nilai Wji menunjukkan bobot hubungan antara unit input ke-i dengan unit output ke-j. Bobot-bobot yang saling independen akan dimodifikasi untuk meningkatkan keakuratan hasil selama proses pelatihan. Bentuk jaringannya dapat dilihat pada Gambar 6. w11 X1 Y1 wj1 wm1 w1i wji Xi Yj wmi w1n Xn wjn Ym wmn Gambar 6 Jaringan layar tunggal (Siang 2009). Dalam jaringan layar jamak (multi layer network) terdapat unit-unit neuron lain yang disebut layar tersembunyi (hidden layer) dimana unit-unit neuron ini tidak saling berhubungan satu sama lainnya sama seperti neuron-neuron pada layar input dan neuron-neuron pada layar output. v11 X1 Y1 vp1 w11 Z1 v1i Xi vpi Xn Yj w1p Zp v1n wj1 wm1 wjp wmp vpn Ym Gambar 7 Jaringan layar jamak. Pada jaringan layar jamak terdapat sebanyak n unit neuron input (X1, X2, ..., Xn), sebuah layar tersembunyi dengan sebanyak p unit neuron (Z1, ..., Zp) dan 22 sebanyak m unit neuron output (Y1, Y2, ..., Ym). Bentuk arsitektur jaringan layar jamak ditunjukkan pada Gambar 7. Keterbatasan jaringan syaraf tiruan layar tunggal diatasi dengan menambah satu atau beberapa layar tersembunyi di antara layar input dan layar output. Penambahan beberapa layar tersembunyi dapat memberikan manfaat dalam penyelesaian beberapa persoalan, namun memerlukan waktu yang lama untuk proses pelatihan. Pada umumnya dilakukan dengan satu layar tersembunyi. Gambar 8 menunjukkan arsitektur backpropagation. Vji merupakan bobot hubungan unit neuron input Xi ke unit layar tersembunyi Zj. Wkj merupakan obot dari unit layar tersembunyi Zj ke unit output Yk. Wk0 merupakan bobot dari neuron bias di layar tersembunyi ke unit neuron output Zk. v10 1 vj0 vp0 w10 1 wk0 wm0 w11 v11 X1 Z1 vj1 Y1 wk1 wm1 vp1 v1i Zj Xi w1p wkp vpi v1n Yk wmj vji Xn w1j wkj vjn Zp Ym wmp vpn Gambar 8 Arsitektur jaringan pada backpropagation. 2.5.2 Algoritma Backpropagasi Umpan Balik Pelatihan propagasi umpan balik (Feed Forward Back Propagation) berbasis jaringan syaraf tiruan meliputi 3 fase (Siang 2009). Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. Selama propagasi maju, sinyal masukan (= xi ) dipropagasikan ke layer tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setiap unit layar tersembunyi (= zj ) tersebut selanjutnya dipropagasikan maju lagi 23 ke layer tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan (= yk ). Berikutnya, keluaran jaringan (= yk ) dibandingkan dengan target yang harus dicapai (= tk ).Selisih dari tk terhadap yk yaitu (tk− yk ) adalah kesalahan yang t terjadi. Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Namun bila kesalahan masih lebih besar dari batas toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran. Berdasarkan kesalahan tk− yk, dihitung faktor δk ( k = 1,2,..., m ) yang dipakai untuk mendistribusikan kesalahan di unit k y ke semua unit tersembunyi yang terhubung langsung dengan yk . δk juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama, dihitung faktor δj ( j = 1,2,…, p ) di setiap unit di layar tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layar di bawahnya. Demikian seterusnya hingga semua faktor δ di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi. Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δ neuron di layar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layar keluaran didasarkan atas δk yang ada di unit keluaran. Ketiga fase terebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan. Bidang peramalan (forecasting) merupakan salah satu bidang dimana jaringan syaraf tiruan dapat diaplikasikan. Backpropagation dapat digunakan dalam melakukan peramalan seperti prediksi permintaan suatu produk di masa 24 mendatang, prediksi nilai penjualan dan lain sebagainya. Peramalan ini didasarkan pada data yang diperoleh pada masa lalu. Dalam memecahkan masalah peramalan, variabel yang diperhatikan adalah variabel yang mempengaruhi output peramalan yang akan dicapai. Terdapat dua model dalam peramalan yaitu model peramalan berdasarkan runtun waktu (time series) dan model kausal. Pada model peramalan time series, sejumlah data x1, x2, ..., xn akan digunakan untuk memperkirakan nilai xn+1. Dengan backpropagation, sebagian data dipakai sebagai pelatihan untuk mencapai bobot yang optimal. Periode ditentukan secara intuitif tergantung variabel yang akan diprediksi. Banyaknya data dalam satu periode digunakan sebagai banyaknya input dalam backpropagation. Sebagai contoh, apabila diambil periode bulanan selama setahun, maka data yang digunakan sebagai target adalah data bulan pertama setelah periode berakhir. Pada model peramalan kausal, unit-unit neuron input merupakan variabelvariabel yang mempengaruhi neuron output. Neuron output y merupakan variabel yang diramalkan dan dipengaruhi oleh variabel-variabel input. Pada backpropagation ini belum ada teori yang secara pasti dapat digunakan dalam penentuan jumlah layar. Pada awalnya dicoba dengan jaringan kecil lebih dahulu, jika terdapat kesalahan maka jaringan diperbesar dengan menambahkan neuron pada layar tersembunyi, atau dapat menambah layar tersembunyi. 2.6 Proses Hirarki Analitik Menurut Saaty (1993), Proses Hirarki Analitik (Analytical Hierarchy Process) adalah suatu model yang memberikan kesempatan untuk membangun gagasan dan mendefinisikan persoalan dengan cara membuat asumsi dan pemecahan yang diinginkan. Dengan menggunakan Analytical Hierarchy Process (AHP), suatu persoalan yang akan dipecahkan dalam suatu kerangka berfikir yang terorganisir sehingga memungkinkan dapat diekspresikan untuk mengambil keputusan yang efektif atas persoalan tersebut dan persoalan yang kompleks 25 dapat disederhanakan dan dipercepat proses pengambilan keputusannya (Marimin 2004). AHP memiliki banyak keunggulan dalam menjelaskan proses pengambilan keputusan, karena dapat digambarkan secara grafis, sehingga mudah dipahami oleh semua pihak yang terlibat dalam pengambilan keputusan. Dengan AHP, proses keputusan yang kompleks dapat diuraikan menjadi keputusan-keputusan yang Iebih kecil yang dapat ditangani dengan lebih mudah. Struktur yang berhirarki, sebagai konsekuensi dari kriteria yang dipilih, sampai pada sub kriteria yang paling dalam, Memperhitungkan validitas sampai dengan batas toleransi inkonsistensi berbagai kriteria dan alternatif yang dipilih oleh para pengambil keputusan, dan memperhitungkan daya tahan atau ketahanan keluaran analisis sensitivitas pengambilan keputusan. Selain itu, AHP juga menguji konsistensi penilaian, bila terjadi penyimpangan yang terlalu jauh dari nilai konsistensi sempurna, maka hal ini menunjukkan bahwa penilaian perlu diperbaiki, atau hierarki harus distruktur ulang. AHP juga mempunyai kemampuan untuk memecahkan masalah yang multi-objektif dan multi-kriteria yang berdasar pada perbandingan preferensi dari setiap elemen dalam hirarki. Dengan demikian AHP merupakan suatu model pengambilan keputusan yang komprehensif. Namun selain kelebihan-kelebihan di atas, AHP juga memiliki kekurangan. Salah satu kekurangan yang paling sering disorot adalah fenomena perubahan ranking (rank reversal). Di sisi lain, situasi pengambilan keputusan seringkali dihadapkan pada kondisi di mana pengambil keputusan adalah satu kelompok yang terdiri atas beberapa individu. Dalam konteks pengambilan keputusan kelompok terdapat dua cara untuk menggabungkan pendapat dalam AHP. Pertama adalah secara deterministik dan kedua adalah secara statistika atau stokastika. Penggabungan secara deterministik ini sesuai jika jumlah pengambil keputusan yang terlibat tidak banyak dan mereka berinteraksi dalam frekuensi yang cukup sering sehingga keputusan konsensus sangat mungkin dicapai. Cara menggabungkan pendapat secara deterministik adalah dengan cara mengambil nilai rata-rata geometris (Saaty, 1988). Di pihak lain, jika jumlah pengambil keputusan banyak atau sangat banyak (umumnya di atas tiga puluh) dan tersebar 26 secara geografis sehingga pengambil keputusan sulit untuk saling berinteraksi satu dengan lain, maka pendekatan stokastika adalah pendekatan yang paling sesuai. Adapun cara kerja dari AHP adalah dengan membagi permasalahan kompleks yang tidak terstruktur, strategik dan dinamik kedalam sub bagian-sub bagian yang lebih sederhana untuk kemudian diatur menjadi sebuah hirarki. Kemudian tingkat kepentingan setiap variabel diberi nilai numerik secara subyektif tentang anti panting suatu variabel tersebut secara relatif dibandingkan dengan variabel yang lain. Berdasarkan pertimbangan tersebut kemudian dilakukan sintesa untuk menetapkan variabel yang memiliki prioritas tertinggi dan berperan untuk mempengaruhi hasil pada sistem. Menurut Marimin (2004) prinsip kerja AHP pada dasarnya terdiri dari (1) Penyusunan Hierarki.Persoalan yang akan diselesaikan diuraikan menjadi unsurunsurnya, yaitu kriteria dan alternatif, kemudian disusun menjadi struktur hierarki. Struktur hierarki dalam AHP terdiri dari goal atau tujuan, kriteria dan alternatif. Goal berada pada tingkat yang paling atas disusul kriteria di bawahnya dan selanjutnya adalah alternatif. (2) Penilaian Kriteria dan alternatif. Kriteria dan alternatif dinilai melalui perbandingan berpasangan. Menurut Saaty (1988), untuk berbagai persoalan, skala 1 sampai 9 adalah skala terbaik dalam mengekspresikan pendapat. Matriks yang terdiri dan penilaian terhadap tingkat kepentingan secara relatif terbentuk dari skala yang digunakan untuk memberikan penilaian yang dimaksud. Adapun skala yang digunakan dalam pemberian nilai adalah : Tabel 8 Skala pemberian nilai dalam AHP Nilai 1 3 5 7 9 2,4,6,8 1/(1-9) Keterangan Sama penting (equal) Sedikit lebih penting (moderate) Jelas lebih penting (strong) Sangat jelas lebih penting (very strong) Mutlak lebih penting (extreme) Apabila ragu-ragu antara dua nilai yang berdekatan Kebalikan dari nilai tingkat kepentingan dari skala 1-9 Sumber : Saaty (1993) Penentuan Prioritas.Untuk setiap kriteria dan alternatif, perlu dilakukan perbandingan berpasangan (pairwise comparisons). Nilai-nilai perbandingan 27 relatif kemudian diolah untuk menentukan peringkat relatif dari seluruh alternatif. Baik kriteria kualitatif, maupun kriteria kuantitatif, dapat dibandingkan sesuai dengan judgment yang telah ditentukan untuk menghasilkan bobot dan prioritas. Bobot atau prioritas dihitung dengan manipulasi matriks atau melalui penyelesaian persamaan matematik.(4) Konsistensi Logis. Semua elemen dikelompokkan secara logis dan diperingkatkan secara konsisten sesuai dengan suatu kriteria yang logis. 2.7 Logika Fuzzy Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Konsep logika fuzzy pertama sekali diperkenalkan oleh Professor Lotfi A.Zadeh dari Universitas California, pada bulan Juni 1965. Logika fuzzy merupakan generalisasi dari logika klasik yang hanya memiliki dua nilai keanggotaan antara 0 dan 1. Kusumadewi dan Hari (2004) menyatakan bahwa pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan µ A [x], memiliki 2 kemungkinan, yaitu : 1. 1 ( Satu), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan 2. 0 (Nol), yang berarti bahwa suatu item tidak menjadi anggota suatu himpunan Kusumadewi dan Hari (2004) menyebutkan bahwa dalam memahami sistem fuzzy, yaitu : a. Variabel fuzzy Variabel yang dibahas dalam suatu sistem fuzzy. Contoh: umur, temperatur, dan sebagainya. b. Himpunan fuzzy Suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1. Terdapat dua atribut dalam himpunan fuzzy, yaitu linguistik dan numeris. Linguistik merupakan penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami. Numeris yaitu suatu angka yang menunjukkan ukuran dari suatu variabel. 28 c. Semesta pembicaraan Keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. d. Domain Keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Domain merupakan himpunan bilangan real yang senantiasa naik secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif. 2.8 Sistem inferensi fuzzy Sistem inferensi fuzzy merupakan kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy berbentuk IF-THEN, dan penalaran fuzzy. Menurut Septiani dan Marimin (2005) Fuzzy Inference System juga dikenal sebagai fuzzy rule based system, fuzzy model, fuzzy assosiative memory, fuzzy controller (ketika digunakan pada proses kontrol). Dalam membangun sebuah sistem fuzzy dikenal beberapa metode penalaran, antara lain (Wahyu dan Afriyanti 2009) : metode Tsukamoto, metode Mamdani dan metode Sugeno. Masing-masing metode berbeda untuk perhitungan maupun respon keluarannya. Metode sugeno merupakan metode inferensi fuzzy untuk aturan yang direpresentasikan dalam bentuk IF – THEN, dimana output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear (Kusumadewi 2002). Metode ini diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985. Model Sugeno menggunakan fungsi keanggotaan Singleton yaitu fungsi keanggotaan yang memiliki derajat keanggotaan 1 pada suatu nilai crisp tunggal dan 0 pada nilai crisp yang lain. Ada 2 model fuzzy dengan metode Sugeno ( yaitu sebagai berikut: 1) Model Fuzzy Sugeno Orde-Nol, dan 2) Model Fuzzy Sugeno Orde-Satu. Secara umum bentuk model fuzzy Sugeno Orde Nol adalah: 29 IF (x1 is A1) o (x2 is A2) o (x3 is A3) o… o (xN is AN) THEN z=k dengan Ai adalah himpunan fuzzy ke-I sebagai antesenden, dan k adalah suatu konstanta (tegas) sebagai konsekuen. Adapun bentuk model fuzzy Sugeno Orde-Satu adalah : IF (x1 is A1) o… o (xN is AN) THEN z = p1*x1+… + pN*xN+q dengan Ai adalah himpunan fuzzy ke-i sebagai antesenden, dan pi adalah suatu konstanta (tegas) ke-i dan q juga merupakan konstanta dalam konsekuen. Tahapan-tahapan dalam metode Sugeno yaitu 1) Pembentukan himpunan Fuzzy, 2) Aplikasi fungsi implikasi, dan 3) Defuzzifikasi ( Defuzzification ). Masing-masing tahapan dapat dijelaskan secara singkat sebagai berikut : 2.8.1 Pembentukan himpunan fuzzy Pada tahapan ini variabel input (crisp) dari sistem fuzzy ditransfer ke dalam himpunan fuzzy untuk dapat digunakan dalam perhitungan nilai kebenaran dari premis pada setiap aturan dalam basis pengetahuan. Dengan demikian tahap ini mengambil nilai-nilai crisp dan menentukan derajat di mana nilai-nilai tersebut menjadi anggota dari setiap himpunan fuzzy yang sesuai. Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya yang memiliki interval antara 0 sampai 1. Fungsi keanggotaan μ memetakan elemen x dari himpunan semesta X, ke sebuah bilangan μ[x], yang menentukan derajat keanggotaan dari elemen dalam himpunan fuzzy A. A = {(x, μ[x] ) | x X} Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Kusumadewi dan Hari (2004) menyebutkan bahwa terdapat beberapa fungsi yang dapat digunakan, yaitu :1) Representasi linier, 2) Representasi kurva segitiga, 3) Representasi kurva trapesium, 4) Representasi kurva bentuk bahu, 5) Representasi kurva-S, 6) Representasi kurva bentuk lonceng. 30 Representasi linier Fungsi keanggotaan: Linear naik x≤a 0; μ[x] = (x – a)/(b – a); a≤x≤b x≥b 1; 1 μ(x) 0 domain a b Gambar 9 Representasi linear naik. • Fungsi keanggotaan: Linear turun μ[x] = (b - x)/(b – a); 0; a≤x≤b x≥b 1 μ(x) 0 a domain Gambar 10 Representasi linear turun. b 31 Representasi kurva segitiga Fungsi keanggotaan: x ≤ a atau x ≥ c 0; μ[x] = (x – a)/(b – a); a≤ x≤b (c – x)/ (c – b) b≤ x≤c 1 μ(x) 0 a c b Gambar 11 Representasi kurva segitiga. Representasi kurva trapesium Fungsi keanggotaan: x ≤ a atau x ≥ d 0; μ[x] = (x – a)/(b – a); a≤ x≤b 1; b≤ x≤c (d – x)/ (d – c) x≥d 1 μ(x) 0 a Gambar 12 Representasi kurva trapesium. b c d 32 2.8.2 Aplikasi fungsi implikasi Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan dengan suatu relasi fuzzy. Bentuk umum dari aturan yang digunakan dalam fungsi implikasi adalah sebagai berikut IF x is A THEN y is B. Dengan x dan y adalah skalar, dan A dan B adalah himpunan fuzzy. Proposisi yang mengikuti IF disebut sebagai antesenden sedangkan proposisi yang mengikuti THEN disebut konsekuen. Proposisi ini dapat diperluas dengan menggunakan operator fuzzy seperti, IF(x1 is A1) o (x2 is A2) o (x3 is A3) o…o (xN is AN) THEN y is B dengan o adalah operator (misal: OR atau AND). Secara umum fungsi implikasi yang dapat digunakan yaitu 1) Min (minimum), fungsi ini akan memotong output himpunan fuzzy; dan 2) Dot ( product), fungsi ini akan menskala output himpunan fuzzy. Pada metode Sugeno ini, fungsi implikasi yang digunakan adalah fungsi min. 2.8.3 Defuzzifikasi Input dari proses defuzzifikasi adalah himpunan fuzzy yang dihasilkan dari proses komposisi dan output adalah sebuah nilai (crisp). Untuk aturan IF-THEN fuzzy dalam persamaan RU(k) = IF x1 is A1k and… and xn is Ank THEN y is Bk, dimana A1k dan Bk berturut-turut adalah himpunan fuzzy dalam Ui R (U dan V adalah domain fisik), i = 1, 2, … , n dan x = (x1, x2, … , xn) U dan y V berturutturut adalah variabel input dan output ( linguistik) dari sistem fuzzy. Pada metode Sugeno defuzzification dilakukan dengan perhitungan Weight Average (WA) : α1z1 + α2z2 + α3 z3 +… + αnzn WA = --------------------------------------------α1 + α2 + α3 +… + αn 2.9 Peramalan Peramalan adalah suatu proses dalam menggunakan data historis (data masa lalu) yang telah dimiliki untuk diproyeksikan ke dalam sebuah model dan menggunakan model ini untuk memperkirakan keadaan di masa mendatang. 33 Tujuan dari peramalan adalah untuk menentukan jumlah permintaan produk pada masa yang akan datang. Dalam melakukan peramalan perlu ditentukan batasanbatasan, yaitu produk yang diminta sudah teridentifikasi dan jumlah produk yang diminta dapat dibuat produsen. Gambar 13 menunjukkan empat pola data permintaan (Makridakis, 1983) yaitu 1) Horizontal atau fluktuasi data sekitar rata-rata yang konstan; 2) Trend, atau kenaikan/penurunan rata-rata yang sistematis; 3) Seasonal, kenaikan/penurunan yang berulang tergantung pada waktu, hari, minggu, bulan, musim; 4) Siklis, atau kenaikan/penurunan yang bertahap untuk periode yang panjang; 5) Random, tidak dapat diramalkan. Gambar 13 Pola data peramalan. Makridakis (1983) menyatakan bahwa terdapat tiga hal yang juga harus dipertimbangkan sebelum mempergunakan teknik peramalan yaitu: 1) Menentukan apa yang akan diramalkan; 2) Memilih metode peramalan yang akan digunakan; 3) Menentukan jenis Hardware atau Software yang akan dipergunakan. Adapun tahapan dalam menentukan apa yang akan diramalkan yaitu 1) membuat peramalan untuk family produk berdasarkan kesamaan permintaan, proses dan sebagainya; 2) menguraikan menjadi masing-masing kelompok item; 3) Menentukan satuan unit yang digunakan. Dalam hal memilih metoda peramalan yang akan digunakan dapat menggunakan 1) Judgment method, berdasarkan opini manajer, pakar atau hasil survey; 2) Causal method, 34 mempergunakan data masa lalu sebagai variabel bebas; 3) Time series Analysis, pendekatan statistik yang menitik beratkan pada data permintaan masa lalu untuk diproyeksikan ke masa mendatang. Tahapan peramalan terdiri dari delapan tahap yaitu 1) Plot data permintaan vs. waktu; 2) Pilih beberapa metoda peramalan sesuai dengan pola data hasil plot data permintaan; 3) Lakukan perhitungan dan pengujian peramalan dengan menggunakan metode peramalan sesuai plot data; 4) Evaluasi kesalahan peramalan berdasarkan kriteria kesalahan peramalan; 5) Pilih metoda peramalan dengan kesalahan peramalan terkecil; 6) Lakukan verifikasi peramalan berdasarkan metode peramalan terpilih; 7) Interpretasi hasil verifikasi peramalan; 8) Hitung peramalan permintaan untuk periode mendatang sesuai dengan kebutuhan perencanaan produksi dengan menggunakan metode peramalan terpilih. Pada dasarnya, peramalan dengan komputer dapat menggunakan 1) Sistem manual. User memilih teknik peramalan yang akan digunakan dan menentukan parameternya; 2) Sistem semi-automatic. User menentukan teknik peramalan, tetapi program yang akan menentukan parameter untuk model tersebut; atau 3) Sistem automatic. Program mengamati data dan mengusulkan teknik peramalan yang sesuai. Beberapa model peramalan sesuai dengan taksonomi peramalan ditunjukkan pada Gambar 14. Linier Kuadratik Regresi Eksponensial Model Kualitatif Siklik Time Series Peramalan Rata-rata Model Kuantitatif Moving Average Metode Smoothing Kausal Exponential Smoothing Dekomposisi Gambar 14 Taksonomi model peramalan. 35 Pada model time series, permintaan merupakan fungsi dari waktu. Pola permintaan ada masa yang akan datang diperkirakan serupa atau identik dengan pola data masa lalu. Model ini dikembangkan berdasarkan informasi masa lalu, dengan variabel tidak bebas dan asumsi, bahwa variabel tidak bebas ini akan memiliki pola yang sama dengan masa lalu. Model Single Moving Average (SMA) berasumsi bahwa nilai rata-rata beberapa periode terbaru baik digunakan untuk memperkirakan pola mendatang. Model ini cocok untuk pola data tanpa trend Ft Dt Dt S 't Dt 2 ... Dt n 1 S 't S 't S ' 't 1 S 't 2 ... S 't n S 't ( S 't S ' 't ) at 2 bt Ft jumlah n demand terakhir n N 1 m Dt 1 Dt 2 ... Dt n n n 1 n 1 2S 't S ' 't (St' St'' ) at bt m Model Double Moving Average merupakan SMA yang dirata-ratakan kembali untuk mendapatkan trend. Model ini cocok digunakan untuk pola data trend. Penyesuaian merupakan perbedaan antara SMA dan DMA pada waktu t (S’t-S’’t). Penyesuaian digunakan untuk trend dari periode t ke periode t+1 ( atau periode t+m jika diramalkan untuk m periode mendatang). Single Exponential Smoothing digunakan pada data yang tidak mempunyai bobot yang sama,dimana data terbaru akan mempunyai nilai prediksi tertinggi. Oleh karena itu data terbaru harus diberi bobot lebih besar daripada data sebelumnya Ft Ft 1 ( Dt 1 Ft 1 ) 36 Metode Double Exponential Smoothing (Metode Linier Brown) digunakan untuk pola data yang ada trend. Penyesuaian dari SES dilakukan dengan penambahan satu parameter St' Dt (1 St'' at bt St' (1 )St' 1 )St'' 1 S 't ( S 't S ' 't ) (St' St'' ) 1 Ft 2S 't S ' 't m at bt m Dalam aplikasi regresi linier diasumsikan bahwa terdapat hubungan antara variabel yang ingin diramalkan (variabel dependen) dengan variabel lain (variabel independen). Selanjutnya, peramalan ini didasarkan pada asumsi bahwa pola pertumbuhan dari data historis bersifat linier (walaupun pada kenyataannya tidak linier 100%). Pola pertumbuhan ini didekati dengan suatu model yang menggambarkan hubungan-hubungan yang terkait dalam suatu keadaan. Model tersebut dapat dijabarkan sebagai berikut : Y(t) = a + bt dimana Y merupakan fungsi terhadap waktu. Variabel a dan b adalah parameter yang kan ditentukan dalam perhitungan. Rumus- rumus dalam menghitung variabel a dan b adalah sebagai berikut : N N t 1 b t 2 t t 1 2 N N 1 N Y (t ) t 1 N a N tY (t ) N t t 1 t 1 N 1 N b t N t1 Y (t ) t 1 Peramalan dengan metode seasonal sangat baik jika digunakan untuk menghadapi data-data yang berbentuk seasonal. Metode dekomposisi merupakan metode peramalan time series dengan pendekatan additive dan multiplicative yang digunakan bila data historis memiliki pola trend, siklis atau musiman. Metode dekomposisi mencoba memisahkan tiga komponen dari pola dasar yakni faktor 37 trend (kecenderungan) dan musiman. Faktor trend menggambarkan perilaku data dalam jangka panjang yang dapat meningkat, menurun atu tidak berubah. Faktor musiman berkaitan dengan fluktuasi periodik dengan panjang konstan yang disebabkan oleh hal-hal seperti curah hujan, saat liburan dan lain-lain. Dekomposisi memiliki asumsi bahwa data tersusun sebagai berikut : Data = pola + kesalahan (error) = f(trend, musiman) + kesalahan Model multiplicative adalah : Yt trend * seasonal kesalahan Model additive adalah : Yt trend seasonal kesalahan Dimana : Yt = nilai observasi pada waktu t. Pendekatan untuk metode dekomposisi time series biasanya mempunyai lima langkah, yaitu 1) menghitung centered moving average selama 12 bulan. Karena rata-ratanya untuk sepanjang tahun, untuk menghilangkan sifat seasonal; 2)memperkirakan index seasonal digunakan rasio dari permintaan aktual centered moving average selama 12 bulan; 3) menyesuaikan sebuah garis pada data yang deseasonalized. Intercept dan kemiringan dari garis ini menyediakan nilai yang dibutuhkan untuk memperkirakan faktor trend; 4) meng-extrapolate garis pada langkah 3 ke masa yang akan datang, menyediakan sebuah peramalan dari permintaan apa yang ”like were seasonality non existent”; dan 5) mengkalikan setiap nilai peramalan deseasonalized dengan index seasonal untuk memperoleh nilai peramalan final. Apabila prosedur peramalan tidak bias, rata-rata error peramalan harus nol. Umumnya, frekuensi error bernilai positif harus sesering frekuensi error bernilai negatif. Sebenarnya, sebuah peramalan yang tidak bias diperkirakan untuk menghasilkan serangkaian error yang random, mengikuti distribusi normal, dengan rata-rata nol. Satu cara untuk mengevaluasi kualitas peramalan adalah dengan memeriksa plot error seiring dengan berjalannya waktu. Dalam melakukan peramalan, hasil peramalan yang kita peroleh tidak mungkin benar-benar tepat. Selisih yang terjadi antara nilai peramalan dengan nilai yang sesungguhnya dapat kita sebut sebagai error (kesalahan). Melalui nilai 38 kesalahan ini dapat kita lakukan beberapa analisa sehingga kita dapat membandingkan metode peramalan mana yang paling sesuai dengan data yang kita miliki serta seberapa baik metode yang digunakan tersebut. Hal ini dapat diketahui dari perbandingan antara nilai-nilai kesalahan yang dihasilkan oleh masing-masing metode. Metode yang terbaik / paling sesuai dengan data kita akan memiliki nilai kesalahan peramalan yang paling kecil. Secara umum perhitungan kesalahan peramalan dapat dijabarkan sebagai berikut: ei = xi – Fi dimana : ei = kesalahan pada periode ke-i xi = nilai sesungguhnya pada periode ke-i Fi = nilai hasil peramalan pada periode ke-i Jumlah kesalahan peramalan bukan merupakan suatu ukuran yang tepat untuk menentukan seberapa efektif metode peramalan yang digunakan tetapi hanya merupakan ukuran bias atau selisih bias yang dihasilkan. Jumlah kesalahan yang dihasilkan akan mendekati nilai nol pada metode-metode peramalan regresi. Untuk menghindari masalah dimana nilai kesalahan peramalan positif menetralkan nilai kesalahan peramalan negatif maka beberapa alternatif metode kesalahan peramalan yang banyak digunakan adalah sebagai berikut: Mean Square Error (MSE) N ei MSE 2 i 1 N Mean Absolute Error (MAE) N ei MAE i 1 N Mean Absolute Percent Error (MAPE) n MAPE t 1 PE n t 39 Tracking signal dihitung sebagai jumlah kesalahan peramalan (running sum forecast error/RSFE) dibandingkan dengan nilai MAD (Mean Absolute Deviation). Secara umum, Tracking signal dituliskan sebagai berikut : Tracking signal (TS) = = RSFE MAD (data aktual periode i - data peramalan periode i) MAD dimana : MAD = kesalahan peramalan n = ei n n = jumlah periode yang bersangkutan. Pada Gambar 15 terdapat nilai positif tracking signal yang menunjukkan bahwa data aktual masih lebih besar dibandingkan dengan data peramalannya. Sedangkan negatif tracking signal berarti bahwa data aktual lebih kecil dibandingkan dengan data peramalannya. Sebuah tracking signal yang baik adalah tracking signal yang memiliki nilai RSFE yang kecil dimana jumlah kesalahan peramalan positif hampir sama jumlahnya dengan kesalahan peramalan negatif. Tracking Signal berada di luar batas kontrol Tracking Signal Upper Control Limit + Daerah penerimaan 0 MAE Lower Control Limit Periode Gambar 15 Tracking signal dalam peramalan. 2.10 Penelitian Terdahulu Penelitian terkait dengan tepung jagung yang telah dilakukan oleh para peneliti lebih banyak pada penelitian tentang proses pembuatan produk-produk 40 turunan tepung jagung ke arah hilir. Penelusuran literatur dan penelusuran penelitian terdahulu yang berkaitan dilakukan terhadap penelitian yang berkaitan dengan produk jagung, tepung jagung serta kaitannya dengan jaringan syaraf tiruan dan fuzzy inference system. Penelitian yang dilakukan oleh Zhang et al. (2004) menggunakan jaringan syaraf tiruan, dimana penelitian ini membandingkan jaringan syaraf tiruan dengan model univariat serta model multivariat, dan memperoleh bahwa hasil peramalan jaringan syaraf tiruan lebih baik dari pada metode statistikal. Erdinç dan Satman (2005) dalam penelitiannya membandingkan jaringan syaraf tiruan dengan regresi linier, dan diperoleh hasil bahwa jaringan syaraf tiruan lebih baik daripada regresi linier dalam melakukann peramalan. Setyawati (2003) menggunakan jaringan syaraf tiruan untuk univariat dan multivariat time series dalam melakukan peramalan. Nam dan Schaefer (1995) melakukan penelitian tentang peramalan penumpang pesawat udara dengan jaringan syaraf tiruan. Azadeh et al. (2008) menggunakan jaringan syaraf tiruan untuk meramalkan penggunaan energi listrik. Ferreira et al. (2011) menggunakan jaringan syaraf tiruan untuk meramalkan harga dalam konteks agribisnis. Bhuvanes et al. (2007) menggunakan Backpropagation Neural Network (BPNN) untuk memprediksi jumlah pasien pada beberapa bagian perawatan di Virtua Health, New Jersey. Penelitian ini membandingkan model peramalan menggunakan BPNN dengan peramalan menggunakan statistical forecasting models. Dari hasil penelusuran literatur diperoleh bahwa penelitian tentang prediksi produksi jagung dengan jaringan syaraf tiruan belum pernah dilakukan. Demikian pula belum diperoleh literatur tentang penelitian atau kajian mengenai prediksi permintaan tepung jagung menggunakan jaringan syaraf tiruan. Dari penelusuran terhadap penelitian terdahulu, dapat diperoleh bahwa penelitian tentang rancang bangun model penyediaan tepung jagung pada rantai pasok industri berbasis jagung dapat dikaji lebih lanjut, sebagai suatu kebaruan dalam pengembangan ilmu di bidang manajemen pada agroindustri. 41 3 METODE PENELITIAN 3.1 Kerangka Pemikiran Permasalahan pada industri tepung jagung adalah bagaimana industri ini dapat memproduksi dan menyediakan jumlah tepung jagung dan mutu tepung jagung yang memenuhi syarat kepada konsumennya. Sebagai salah satu bagian dari rantai pasok industri berbasis jagung, jumlah dan mutu tepung jagung yang diproduksi sangat tergantung dari bahan baku berupa jagung pipilan. Sedangkan penyediaan jumlah dan mutu jagung pipilan oleh pengumpul atau petani tergantung pada jagung yang diproduksi di sentra jagung. Penyediaan tepung jagung berkaitan dengan kegiatan-kegiatan yang terdapat pada rantai pasok industri berbasis jagung dimulai dari produksi jagung pada sentra jagung, penyediaan jagung pipilan dengan berbagai mutu, penyediaan tepung jagung pada industri jagung, dan kebutuhan industri pengguna tepung jagung. Tepung jagung yang disediakan tidak hanya berkenaan dengan jumlahnya, tapi yang cukup penting adalah mutu tepung jagung tersebut. Mutu produk merupakan hal yang perlu mendapat perhatian, karena mutu merupakan syarat dari produk yang akan dipasarkan. Tuntutan tentang mutu produk ini sangat ketat terutama oleh negara luar dimana produk dari produsen dapat ditolak oleh karena mutu yang tidak memenuhi standar walaupun jumlahnya telah memenuhi permintaan. Sehubungan dengan hal tersebut timbul beberapa pertanyaan yang seyogyanya dapat diselesaikan untuk menjawab permasalahan di atas. Pertanyaan tersebut antara lain: (a) bagaimana jumlah jagung yang diproduksi pada sentra jagung dapat diprediksi?; (b) bagaimana jagung pipilan sebagai bahan baku tepung jagung dapat dikelompokkan sesuai standar yang ditentukan?; (c) bagaimana tepung jagung yang dihasilkan oleh industri tepung jagung dapat memenuhi standar sesuai dengan kebutuhan konsumennya; (d) bagaimana permintaan konsumen tepung jagung dapat diprediksi. Untuk menjawab pertanyaan-pertanyaan tersebut perlu dirancang model penyediaan tepung jagung pada rantai pasok industri berbasis jagung sesuai tujuan dari penelitian ini. 42 Sebagai tahap awal dalam pemodelan ini dilakukan studi pustaka untuk mempelajari konsep-konsep, teori-teori, dan alat bantu yang berkaitan dengan tujuan penelitian yang ingin dicapai. Penelusuran pustaka dilakukan melalui bukubuku, jurnal-jurnal, dan laporan penelitian relevan yang pernah dilakukan oleh para peneliti. Gambar 16 menunjukkan gambaran umum model yang akan dirancang dan keterkaitannya pada rantai pasok industri berbasis jagung. Model ini merupakan model penyediaan tepung jagung sepanjang rantai pasok tepung jagung. Mata rantai meliputi sentra jagung, pedagang atau pengumpul, industri tepung jagung, dan industri pengguna tepung jagung. SENTRA JAGUNG PENGUMPUL MODEL PREDIKSI PRODUKSI JAGUNG MODEL PENGELOMPOKAN MUTU JAGUNG PIPILAN - Mutu I - Mutu II - Mutu III Jaringan Syaraf Tiruan, Peramalan Statistikal Fuzzy Inference System INDUSTRI PENGGUNA TEPUNG JAGUNG INDUSTRI TEPUNG JAGUNG Pemeriksaan mutu jagung pipilan PROSES PRODUKSI TEPUNG JAGUNG Pemeriksaan mutu tepung jagung MODEL PENGELOMPOKAN MUTU TEPUNG JAGUNG PENYEDIAAN TEPUNG JAGUNG OLEH INDUSTRI - Jumlah sesuai permintaan - Mutu sesuai standar MODEL PREDIKSI PERMINTAAN TEPUNG JAGUNG KEBIJAKAN Jaringan Syaraf Tiruan, Peramalan Time Series Gambar 16 Keterkaitan model pada rantai pasok industri berbasis jagung. Model yang akan dirancang merupakan integrasi dari beberapa model antara lain: (1) model prediksi produksi jagung; (2) model pengelompokan mutu jagung pipilan; (3) model pengelompokan mutu tepung jagung; (4) model prediksi permintaan tepung jagung. Beberapa alat analisis yang akan digunakan dalam model ini adalah: (a) Jaringan Syaraf Tiruan (Artificial Neural Networks) untuk prediksi produksi jagung; (b) Fuzzy Inference System (FIS) untuk pengelompokan mutu jagung pipilan dan pengelompokan mutu tepung jagung ; (c) Jaringan Syaraf Tiruan untuk memprediksi permintaan tepung jagung oleh industri pengguna tepung jagung. 43 Berdasarkan pemikiran yang telah diuraikan sebelumnya, maka secara garis besar kerangka pemikiran dalam penelitian ini dapat digambarkan seperti tertuang pada Gambar 17. Process ProcessAnalysis Analysis Input InputAnalysis Analysis TINJAUAN TINJAUANPUSTAKA PUSTAKA - -Konsep KonsepManajemen ManajemenRantai RantaiPasok Pasok - -Konsep KonsepJaringan JaringanSyaraf SyarafTiruan Tiruan - -Konsep KonsepMutu Mutu - - Konsep KonsepFuzzy Fuzzy - -Konsep KonsepFuzzy FuzzyInference InferenceSystem System ANALISIS ANALISISSISTEM SISTEM - -Analisis AnalisisKebutuhan Kebutuhan - -Formulasi FormulasiPermasalahan Permasalahan - -Identifikasi IdentifikasiSistem Sistem Output OutputAnalysis Analysis SIMPULAN SIMPULAN Disusun Disusunberdasarkan berdasarkanhasil hasil penelitian penelitianyang yangdiperoleh. diperoleh. PERANCANGAN PERANCANGANMODEL MODEL TUJUAN TUJUANPENELITIAN PENELITIAN dihasilkannya dihasilkannyamodel model penyediaan penyediaantepung tepungjagung jagung pada padarantai rantaipasok pasokindustri industri berbasis jagung berbasis jagung Model ModelPrediksi PrediksiProduksi Produksi Jagung Jagung Model ModelPengelompokan Pengelompokan Mutu MutuJagung JagungPipilan Pipilan PERUMUSAN PERUMUSANMASALAH MASALAH - -Bagaimana Bagaimanajumlah jumlahjagung jagung yang yangdiproduksi diproduksipada padasentra sentra jagung dapat diprediksi? jagung dapat diprediksi? - -Bagaimana Bagaimanajagung jagungpipilan pipilan sebagai sebagaibahan bahanbaku bakutepung tepung jagung jagungdapat dapatdikelompokkan dikelompokkan sesuai sesuaistandar standaryang yang ditentukan? ditentukan? - -Bagaimana Bagaimanatepung tepungjagung jagung yang yangdihasilkan dihasilkanoleh olehindustri industri tepung jagung dapat tepung jagung dapat dikelompokkan dikelompokkansesuai sesuai standar standarmutu mutu - -Bagaimana Bagaimanapermintaan permintaan industri industripengguna penggunatepung tepung jagung jagungdapat dapatdiprediksi diprediksi Model ModelPengelompokan Pengelompokan Mutu MutuTepung TepungJagung Jagung Model ModelPrediksi PrediksiPermintaan Permintaan Tepung Tepungjagung jagung IMPLEMENTASI IMPLEMENTASIMODEL MODEL FENOMENA FENOMENA Belum Belumdipenuhinya dipenuhinya penyediaan penyediaantepung tepungjagung jagung secara secarajumlah jumlahdan danmutu mutu REKOMENDASI REKOMENDASI Dibuat Dibuatberdasarkan berdasarkan hasil hasilpenelitian penelitian Gambar 17 Kerangka pemikiran penelitian. 3.2 Tahapan Penelitian Tahapan awal dalam penelitian ini adalah melakukan studi literatur dan melakukan observasi lapangan tentang produksi jagung, produk jagung pipilan, produk tepung jagung, serta penelitian-penelitian yang terkait serta perkembangannya saat ini. Hal ini dilakukan untuk mengidentifikasi faktor-faktor dan elemen-elemen dalam sistem, dalam rangka membangun model yang akan 44 dirancang pada penelitian ini. Tahap selanjutnya adalah melakukan rancangan sub-model yang terdapat dalam model. Untuk menjalankan sub model yang terdapat dalam model rancangan, dibutuhkan data yang berkaitan dengan setiap sub model yang ada. Secara lengkap tahapan penelitian dapat dilihat pada diagram yang tertuang dalam Gambar 18. Mulai Mulai Penelusuran Penelusuran literatur literatur Pemetaan Pemetaan pemasok pemasok jagung jagungpipilan pipilan Pemetaan Pemetaan sentra sentrajagung jagung Penentuan Penentuan jumlah jumlah produksi produksi jagung jagungpipilan pipilan Luas Luas panen panen Produksi Produksi jagung jagung per perbulan bulan Curah Curah hujan hujan Model Model prediksi prediksi produksi produksi jagung jagung Standar Standar mutu mutu jagung jagung pipilan pipilan Model Model pengelompokan pengelompokan mutu mutujagung jagung pipilan pipilan Observasi Observasi lapangan lapangan Standar Standar mutu mututepung tepung jagung jagung Identifikasi Identifikasi industri industri pengguna pengguna tepung tepungjagung jagung Penentuan Penentuankriteria kriteria mutu mututepung tepungjagung jagung yang yangberpengaruh berpengaruh Model Model pengelompokan pengelompokanmutu mutu jagung jagungpipilan pipilan Model Modelprediksi prediksi permintaan permintaan tepung jagung tepung jagung Pemeriksaan Pemeriksaanmutu mutu tepung tepungjagung jagung Evaluasi Evaluasi penyediaan penyediaan tepung tepungjagung jagung dan dankebijakan kebijakan Selesai Selesai Gambar 18 Tahapan penelitian. Sub-model prediksi produksi jagung dibuat untuk meramalkan berapa jumlah produksi jagung pada sentra jagung. Jaringan saraf tiruan digunakan untuk meramalkan produksi ke depan dengan menggunakan model kausal. Diawali dengan melakukan pengambilan data tentang produksi jagung, luas panen pada sentra jagung di Indonesia, dan curah hujan. Pengambilan data dilakukan pada instansi terkait dan melalui studi literatur. Data ini merupakan input pada sub model prediksi produksi jagung ke depan. Hasil prediksi produksi jagung 45 berkaitan dengan jumlah jagung pipilan sebagai bahan baku industri tepung jagung. Berbagai pasokan jagung dari sentra jagung, juga berdampak pada diperolehnya berbagai variasi mutu jagung pipilan. Mutu jagung pipilan yang dipasok akan dikelompokkan menjadi beberapa standar mutu sesuai Standar Nasional Indonesia (SNI 01-3920-1995). Sub model pengelompokan mutu jagung pipilan dibuat sebagai bagian dari model penelitian. Dalam sub model ini akan dilakukan pengelompokan mutu jagung pipilan dengan pendekatan fuzzy inference system. Bervariasinya mutu jagung pipilan ini berpengaruh kepada mutu produk tepung jagung yang dihasilkan oleh pabrik tepung jagung. Standar Nasional Indonesia (SNI 01–372 –1995) telah menetapkan syarat mutu tepung jagung menurut kriteria mutu dengan syarat mutu untuk masing-masing kriteria. Kriteria yang telah ditetapkan menurut Standar Nasional Indonesia tidak seluruhnya digunakan oleh konsumen sebagai standar bahan bakunya. Kriteria mutu ini digunakan pada pemeriksaan hasil produksi pada industri tepung jagung. Dengan diperolehnya jumlah produksi jagung, jumlah produksi dan klasifikasi mutu jagung pipilan, akan diperoleh pula jumlah produksi tepung jagung dengan standar mutu yang dinginkan. Di lain pihak industri pangan, dan industri bahan kimia lain sebagai konsumen dari industri tepung jagung membutuhkan bahan baku tepung jagung baik dari sisi jumlah maupun mutu tepung jagung. Jumlah dan mutu bahan baku ini juga akan berpengaruh kepada jumlah dan mutu produk yang akan dihasilkan industri-industri tersebut. Sub model prediksi permintaan tepung jagung oleh industri pangan, dan bahan kimia lain bertujuan untuk memperoleh jumlah bahan baku yang perlu dipasok oleh industri tepung jagung ke industri-industri tersebut. Dalam sub model ini akan dilakukan prediksi dengan menggunakan data time series. Berdasarkan prediksi produksi jagung, pengelompokan jagung pipilan, pemeriksaan mutu bahan baku dan mutu tepung jagung, serta permintaan industri pengguna tepung jagung, dilakukan analisis tentang pemenuhan penyediaan tepung jagung. Analisis dilakukan untuk mengidentifikasi apakah penyediaan 46 tepung jagung telah dapat memenuhi kebutuhan berbagai pihak yang menjadi konsumennya. 3.3 Pengumpulan dan Pengolahan Data Dalam penelitian ini berbagai data, informasi dan pengetahuan pakar dikumpulkan untuk diolah lebih lanjut. Pengumpulan data, informasi dan pengetahuan ini dilakukan dengan cara: a) melakukan studi literatur melalui penelusuran literatur-literatur yang berkaitan dengan bidang yang akan dikaji; b) melakukan studi tentang dokumentasi yang diperoleh dari instansi terkait, menelusuri laporan-laporan penelitian yang relevan dengan bidang kajian; c) memperoleh pengetahuan dari pakar melalui wawancara, diskusi, pengisian panduan wawancara; d) melakukan studi pada industri tepung jagung. Data primer dalam penelitian ini adalah data mengenai kriteria uji mutu tepung jagung. Data ini diperoleh melalui konsultasi dengan pakar dengan menggunakan panduan wawancara. Data primer lainnya adalah data tentang standar mutu tepung jagung yang ditetapkan pabrik tepung jagung. Data ini melalui wawancara dengan pihak pabrik tepung jagung. Data sekunder dalam penelitian ini adalah data volume ekspor dan impor jagung, data jumlah produksi jagung pada sentra jagung, luas panen, produktivitas jagung di Indonesia. Data ini diperoleh dari Direktorat Budidaya Serealia, Kementerian Pertanian. Data curah hujan diperoleh melalui penelusuran literatur. Data permintaan tepung jagung berupa data yang di-generate berdasarkan informasi dari pabrik tepung jagung. Pakar dalam penelitian ini adalah pakar yang berpengalaman dalam penelitian-penelitian tentang perjagungan dari Badan Pengkajian dan Penerapan Teknologi. Sumber informasi lainnya adalah Manager Produksi pabrik tepung jagung PT Amylum Corn Grits Mills. Pengolahan data pada model prediksi produksi jagung dan model prediksi permintaan tepung jagung, dilakukan dengan jaringan saraf tiruan, menggunakan software MATLAB R2010a. Peramalan secara statistikal dalam kedua model tersebut menggunakan software Minitab Release 14 dari Minitab Inc. Pada model pengelompokan mutu jagung pipilan, pengelompokan dilakukan dengan fuzzy inference system dengan menggunakan MATLAB R2010a. 47 4 ANALISIS SISTEM 4.1 Kondisi Rantai Pasok Jagung Rantai pasok jagung merupakan suatu rangkaian kegiatan mulai dari kegiatan pada sentra jagung, pedagang atau pengumpul, pabrik tepung jagung, hingga industri pengguna tepung jagung.Pada tingkat petani produktivitas jagung di Indonesia masih rendah bila dibandingkan dengan negara-negara penghasil jagung lainnya di dunia. Tabel 2 menunjukkan bahwa posisi Indonesia jauh di bawah Amerika Serikat bahkan masih dibawah rerata produktivitas jagung dunia.Usaha pemegang kebijakan untuk meningkatkan produktivitas jagung di tingkat petani dilakukan dengan anjuran teknologi yang terdiri dari beberapa komponen (Direktorat Budidaya Serealia, 2006). Komponen-komponen tersebut adalah:1) Penggunaan varietas unggul potensi tinggi, penggunaan benih bermutu; 2) Persiapanlahan; 3) Bercocok tanam; 4) Pengairan; 5) Pemupukan termasuk penggunaan pupuk organik; 6) Pengendalian jasad pengganggu tanaman (hama dan gulma); 7) Panen dan pasca panen.Namun usaha ini belum sepenuhnya menjangkau seluruh petani jagung di daerah di Indonesia. Hal ini menyebabkan produktivitas jagung yang tidak merata antar satu daerah dengan daerah yang lain. Pada tingkat pengumpul atau pedagang jagung pipilan terdapat masalah yaitu bervariasinya jumlah dan mutu jagung yang dipasok oleh petani. Penanganan panen dan pasca panen yang kurang baik pada tingkat petani memiliki pengaruh besar terhadap produksi dan mutu jagung yang dihasilkan. Penanganan panen dan pasca panen ini masih bervariasi pada tingkat petani. Hal inilah yang mengakibatkan bervariasinya mutu jagung pipilan yang dipasok petani kepada pengumpul atau pedagang. Industri tepung jagung menggunakan bahan baku jagung pipilan untuk memproduksi tepung jagung. Jagung pipilan yang terdapat pada tingkat pengumpul tidak seluruhnya digunakan sebagai bahan baku tepung jagung. Proporsi penggunaan jagung oleh industri pakan ternak telah mencapai 50% dati total kebutuhan Nasional. Bahkan diperkirakan akan terus meningkat hingga 60% dari kebutuhan Nasional (Direktorat Budidaya Serealia, 2006). Keadaan ini menunjukkan bahwa masih belum dapat dipenuhinya jumlah bahan baku berupa 48 jagung pipilan bagi industri tepung jagung. Volume impor jagung dari negaranegara luar jauh melebihi volume ekpor jagung seperti terlihat pada Tabel 3 dan Tabel 4. Hal ini menunjukkan bahwa Indonesia masih belum dapat memenuhi kebutuhan dalam negeri. Industri pengolahan jagung seperti industri tepung jagung dan industri pati jagung masih belum dapat menjangkau petani baik teknologi dan modal. Bahkan industri pati jagung merupakan industri berskala besar yang membutuhkan modal besar pula. Di tingkat industri pengguna tepung jagung yakni industri pangan, industri pakan dan industri bahan lainnya, kebutuhan akan bahan baku berupa tepung jagung juga dipengaruhi oleh kondisi yang telah diuraikan sebelumnya. Industri pengolahan jagung sebagai industri penyedia bahan baku untuk industri pangan masih belum dapat memenuhi kebutuhan konsumennya. Pemenuhan bahan baku bagi industri pangan baik berupa tepung jagung atau pati jagung masih belum dapat dipenuhi oleh industri pengolahan jagung dalam negeri sehingga harus diimpor. Hal ini menyebabkan biaya produksi yang tinggi dan berakibat kepada harga jual produk yang mahal. 4.2 Analisis Kebutuhan Analisa kebutuhan merupakan tahap awal dalam melakukan analisis sistem (Eriyatno, 1999). Dalam analisis sistem pada rantai pasok berbasis jagung ini, dilakukan analisis kebutuhan dari berbagai stakeholders yang terdapat dalam rantai pasok. Stakeholders yang dimaksud adalah pihak-pihak yang berkepentingan dalam penyediaan jumlah dan mutu tepung jagung pada rantai pasok jagung. Pihak-pihak yang berkepentingan tersebut adalah petani jagung, pengumpul jagung pipilan, industri tepung jagung, dan industri pengguna tepung jagung. Identifikasi kebutuhan stakeholder adalah sebagai berikut: 1) Petani jagung a) Kemudahan memperoleh benih yang bermutu b) Kemudahan memperoleh informasi dari pemegang kebijakan c) Kemudahan memperoleh pengetahuan tentang panen dan pasca panen d) Kemudahan memasarkan produk e) Harga jagung yang layak 49 f) Peningkatan produktivitas g) Peningkatan mutu produk h) Kemudahan memperoleh sarana produksi i) Peningkatan kesejahteraan 2) Pedagang pengumpul a) Kemudahan mendapatkan pasokan jagung dari petani b) Kemudahan mendapatkan informasi pasar c) Pasokan jagung yang dapat diprediksi d) Kemudahan memasarkan produk e) Harga jagung pipilan yang stabil f) Pemenuhan jumlah jagung pipilan yang akan dipasarkan g) Kontinuitas pasokan jagung h) Pemenuhan mutu jagung pipilan sesuai kebutuhan indutri pengolahan i) Penerapan peraturan dagang yang konsisten 3) Industri tepung jagung a) Kemudahan memperoleh pasokan jagung pipilan sesuai jumlah yang dibutuhkan b) Kemudahan memperoleh pasokan jagung pipilan sesuai mutu yang memenuhi standar c) Kontinuitas perolehan pasokan bahan baku d) Penyediaan produk yang aman e) Harga bahan baku yang stabil f) Kontinuitas produksi g) Kemudahan pemasaran produk 4) Industri pengguna tepung jagung a) Kemudahan memperoleh pasokan bahan baku b) Pemenuhan jumlah bahan baku sesuai target produksi c) Pemenuhan mutu bahan baku yang sesuai standar d) Penyediaan produk yang aman pangan e) Kesinambungan perolehan pasokan bahan baku yang sesuai f) Harga bahan baku yang stabil g) Kemudahan akses informasi 50 5) Pemerintah a) Peningkatan ketahanan pangan b) Peningkatan keamanan pangan c) Usaha peningkatan produktivitas jagung d) Peningkatan lapangan kerja e) Peningkatan pendapatan petani f) Pengaturan kestabilan harga g) Peningkatan daya saing dengan negara lain h) Pengaturan iklim usaha yang stabil 4.3 Identifikasi Permasalahan Berbagai permasalahanpada rantai pasok jagung diidentifikasi sesuai masalah pada setiap stakeholder. Identifikasi permasalahan dilakukan agar dapat diatasi untuk memenuhi kebutuhan setiap stakeholder seperti yang telah diuraikan sebelumnya. Adapun identifikasi permasalahan adalah seperti berikut: Petani jagung Petani belum seluruhnya menggunakan bibit jagung varietas unggul sehingga berpengaruh pada peningkatan produktivitas jagung. Oleh sebab itu usaha pemerintah untuk memberikan anjuran penggunaan varietas unggul perlu diinformasikan sampai ke semua daerah, terutama daerah yang merupakan sentra jagung. Faktor perubahan iklim juga berpengaruh kepada waktu tanam dan hasil panen jagung. Kebiasaan dengan jadwal menanam pada masa lalu masih digunakan, sehingga perkiraan produksi banyak yang meleset. Penanganan panen dan pasca panen belum merata di antara petani yang menyebabkan mutu jagung yang dihasilkan dapat bervariasi. Sebagai pemegang kebijakan di bidang pertanian, pemerintah telah melakukan usaha ke arah itu, namun di harapkan dapat sampai ke semua petani. Kesulitan memasarkan produk dan memperoleh informasi, menyebabkan petani memasarkannya pada tingat pengumpul dengan harga yang tidak layak. Harga di tingkat petani jauh di bawah harga pada tingkat pedagang pengumpul. Hal ini mengakibatkan tidak terjadinya peningkatan kesejahteraan para petani. Untuk memperoleh harga yang layak, diperlukan pula peningkatan mutu produk selain akses langsung untuk memasok jagung kepada industri pengolahan jagung. Kesulitan memperoleh sarana produksi juga di alami 51 oleh sebagian petani yang mengakibatkan terganggunya kelancaran proses produksi jagung. Teknologi pengolahan jagung memerlukan sarana yang cukup mahal dan belum dapat menjangkau petani, sehingga petani hanya dapat memasarkan bahan baku mentah yang belum bernilai tambah. Berbagai masalah yang ditemui dalam pengembangan jagung antara lain harga jagung berfluktuasi, mutu masih rendah, kuantitas dan kontinuitas belum terpenuhi serta modal belum dapat diakses petani dengan baik (Direktorat Budidaya Serealia,2006). Pedagang Pengumpul Kesulitan memprediksi produksi jagung pada periode tertentu oleh pedagang pengumpul mengakibatkan tidak dapat diperkirakan berapa banyak jagung yang dapat dipasok dari petani. Hal ini menyebabkan kesulitan dalam mengatur perencanaan tentang jumlah bahan baku yang dapat dipasok kepada industri jagung. Kemungkinan terjadinya kekurangan pasokan sehingga kesempatan untuk memperoleh keuntungan akan hilang, dan industri jagung akan membeli dari pihak lain atau mengimpor bahan baku dari negara luar. Tidak adanya prediksi tersebut juga dapat mengakibatkan kelebihan stock jagung yang apabila disimpan dapat menurunkan mutunya bahkan dapat rusak. Sehingga peramalan untuk memprediksi produksi jagung sangat diperlukan untuk mengatasi permasalahan itu. Kesulitan memperoleh informasi pasar merupakan masalah bagi pedagang pengumpul sehingga dapat berpengaruh pada harga produk dan pemasaran produknya. Belum semua pengumpul telah menggunakan teknologi internet untuk memasarkan produknya dan memproleh informasi harga dan pasar. Selain jumlah jagung pipilan yang dapat dipasok dari petani belum dapat diprediksi, mutu jagung pipilan yang diperoleh juga sangat bervariasi. Bervariasinya mutu jagung tersebut akibat penggunaan bibit yang bervariasi, cara penanganan produksi yang belum merata, serta cara penanganan panen dan pasca panen yang tidak merata. Kemudahan memperoleh pasokan jagung dari petani belum dirasakan oleh para pedagang pengumpul secara merata sehingga berakibat pada penyediaan produk jagung yang akan dipasarkan. Demikian pula halnya dengan kontinuitas 52 pasokan jagung dari petani belum dapat dipenuhi menjadi permasalahan bagi pedagang pengumpul. Industri Tepung jagung Sebagai produk antara atau intermediate product, mutu tepung jagung ditentukan oleh tahapan-tahapan pada proses sebelumnya, bahan bakunya, serta budidaya tanaman jagung. Dengan kata lain, mutu tepung jagung ditentukan oleh terjaminnya mutu produk pada tingkat awal yakni pada tingkat petani. Bervariasinya mutu bahan baku berupa jagung pipilan yang telah melalui perjalanan dari petani, pengumpul hingga ke pabrik dapat menurunkan mutunya. Penurunan mutu ini dapat disebabkan oleh berbagai hal antara lain waktu pengiriman karena merupakan produk hasil pertanian dan cara pengiriman. Bervariasinya mutu bahan baku ini juga disebabkan oleh pasokan dari berbagai petani dengan berbagai mutu jagung. Kesulitan memperoleh bahan baku secara kontinu yang memenuhi jumlah dan mutu yang ditentukan merupakan masalah bagi industri tepung jagung, karena akan mempengaruhi kontinuitas produksi. Selain itu sebagai bahan baku industri pangan, makan keamanan pangan perlu di perhatikan karena akan dikonsumsi manusia sehingga harus memenuhi ketentuan yang berlaku. Bervariasinya mutu jagung pipilan yang diperoleh dari pedagang pengumpul, menyebabkan diperlukannya pemeriksaan mutu dan pengelompokan mutu sesuai standar yang ditetapkan. Hal ini sekaligus dapat mengontrol jangan sampai diperoleh bahan baku yang tidak memenuhi standar mutu. Penggunaantepungjagungsebagaibahanbakuuntukmemproduksianekajenispr odukakhir harus memenuhi standar mutu yang ditetapkan oleh standar nasional Indonesia.Untuk itu perlu dilakukan karakterisasi sifat-sifat fisika dan kimia terhadap tepung jagung. Oleh karena itu penerapan teknologi pembuatan tepung jagung yang memenuhi standar mutu industri. Hal ini menentukan bagi prospek pemanfaatan tepung jagung sebagai bahan baku aneka jenis produk Industri Pengguna Kesulitan memperoleh pasokan bahan baku tepung jagung dan pemenuhan jumlah bahan baku yang dibutuhkan merupakan masalah yang dialami oleh 53 industri tepung jagung. Pemenuhan jumlah dan mutu yang sesuai belum sepenuhnya dapat disediakan oleh industri tepung jagung dalam negeri. Hal ini menyebabkan masih diimpornya tepung jagung dari negara luar yang terdapat di pasar. Selain itu produk yang dihasilkan industri ini harus memenuhi keamanan pangan bahkan industri pakan saat ini telah menentukan standar keamanan bagi pakan yang dihasilkannya. Kesinambungan perolehan pasokan bahan baku tepung jagung belum sepenuhnya dapat dipenuhi oleh industri dalam negeri. Hal ini diatasi dengan pembelian produk impor untuk menjaga kesinambungan produksinya. Permasalahan harga bahan baku yang tidak stabil akan mempengaruhi harga jual produk yang dihasilkan. Untuk itu diperlukan kemudahan akses informasi pasar maupun harga. Pemerintah Permasalahan pada pemerintah sebagai salah satu pihak yang berkepentingan dalam rantai pasok jagung adalah bagaimana membuat kebijakankebijakan dan peraturan-peraturan yang berkaitan dengan kegiatan-kegiatan yang berada pada rantai pasok ini. Selain peraturan dan kebijakan yang dibuat, perlu juga menjalankannya dengan konsisten sehingga permasalahan pada tingkat petani, pedagang pengumpul, industri tepung jagung dan industri pengguna dapat diminimalkan. Peraturan dan kebijakan yang dibuat berkaitan dengan:a) peningkatan ketahanan pangan; b) peningkatan keamanan pangan; c) pengaturan mutu sesuai standar internasional; d) usaha peningkatan produktivitas jagung; e) peningkatan lapangan kerja; f) peningkatan pendapatan petani; g) pengaturan kestabilan harga;h) peningkatan daya saing dengan negara lain; i) pengaturan kestabilan iklim usaha. 4.4 Identifikasi Sistem Perancangan model penyediaan tepung jagung pada rantai pasok industri jagung dilakukan dengan mengidentifikasi sistem untuk melihat keterkaitan dan pengaruh komponen-koponen yang berada dalam sistem. Adapun hasil identifikasi sistem dapat dilihat pada Gambar 19. 54 Input Inputtak takterkendali terkendali - -harga hargabahan bahanbaku bakudan dan produk produk - -permintaan permintaankonsumen konsumen - -persaingan persainganusaha usaha Lingkungan Lingkungan - -peraturan peraturanpemerintah pemerintah - -perubahan perubahaniklim iklim -kondisi -kondisipolitik politik Output Outputyang yangdikehendaki dikehendaki - -kemudahan memperoleh kemudahan memperolehbahan bahanbaku baku - -kontinuitas kontinuitaspasokan pasokanbahan bahanbaku baku - -kontinuitas kontinuitaspenyediaan penyediaanproduk produk - -penyediaan penyediaanproduk produkyang yangaman aman SISTEM SISTEM PENYEDIAAN PENYEDIAAN TEPUNG TEPUNGJAGUNG JAGUNG Input Inputterkendali terkendali - -teknologi teknologipasca pascapanen panen - -teknologi teknologiproduksi produksi - - jenis jenisdan dankualitas kualitasbahan bahanbaku baku - -sistem kemitraan sistem kemitraan Output Output tak takdikehendaki dikehendaki - -kesalahan kesalahanprediksi prediksiproduksi produksibahan bahanbaku baku - -pasokan pasokanbahan bahanbaku bakuyang yangtak takpasti pasti - -kualitas kualitasbahan bahanbaku bakurendah rendah - -harga hargayang yangberfluktuasi berfluktuasi Manajemen Manajemen Pengendalian Pengendalian Gambar 19 Diagram input-output sistem analisis penyediaan tepung jagung. Hasil identifikasi sistem adalah sebagai berikut: - Output yang dikehendaki dalam sistem adalah kemudahan memperoleh bahan baku, kontinuitas pasokan bahan baku, kontinuitas penyediaan jumlah produk, dan penyediaan produk tepung jagung yang aman. - Output yang tak dikehendaki adalah pasokan bahan baku yang tak pasti, mutu bahan baku yang rendah, harga bahan baku dan harga produk yang berfluktuasi. - Input yang terkendali meliputi teknologi pasca panen, teknologi produksi, penanganan jenis dan mutu bahan baku, serta sistem kemitraan dalam rantai pasok. - Input yang tak terkendali harga bahan baku dan produk, permintaan konsumen, dan persaingan usaha.. - Pengaruh lingkungan dalam sistem rantai pasok pemerintah, perubahan iklim dan kondisi politik. ini adalah peraturan 5 PERANCANGAN MODEL Perancangan model pada rantai pasok industri berbasis jagung ini bertujuan untuk memperoleh suatu model yang dapat menganalisis penyediaan produk tepung jagung pada industri tepung jagung sesuai kebutuhan industri hilirnya. Perancangan model ini dilakukan berdasarkan observasi lapangan, penelusuran literatur, analisis sistem, serta hasil diskusi dan konfirmasi pakar. Model yang dirancang secara garis besar dapat dilihat pada Gambar 16 dimana di dalamnya terdapat model prediksi produksi jagung, model pengelompokan mutu jagung pipilan, model pengelompokan mutu tepung jagung dan model prediksi permintaan tepung jagung. Perancangan model penyediaan tepung jagung ini menggunakan beberapa alat analisis data yaitu jaringan syaraf tiruan (Artificial Neural Network) dan Fuzzy Inference System (FIS). 5.1 Model Prediksi Produksi Jagung Permasalahan yang teridentifikasi pada tingkat petani dalam pengembangan jagung adalah harga jagung berfluktuasi, mutu masih rendah, kuantitas dan kontinuitas belum terpenuhi serta modal belum dapat diakses petani dengan baik (Direktorat Budidaya Serealia, 2006). Masalah yang diangkat sebagai dasar dalam perancangan model ini adalah masalah kuantitas dan kontinuitas produksi yang belum terpenuhi. Dalam rantai pasok industri berbasis jagung, hal ini sangat berpengaruh, mengingat jagung merupakan bahan baku industri tepung jagung. Kekurangan bahan baku akan berpengaruh pula pada kelangsungan jalannya proses produksi pada industri tersebut. Seperti telah diuraikan sebelumnya bahwa sekitar 50% hasil produksi jagung digunakan untuk pakan ternak. Data produksi jagung tidak dipisahkan menurut jenis jagung, sehingga dapat terjadi bahwa terdapat jenis jagung manis di dalamnya. Sebagian dari hasil produksi jagung juga digunakan sebagai bibit. Hal ini mengindikasikan bahwa tidak sampai separuh dari hasil produksi jagung digunakan sebagai bahan baku pada industri tepung jagung. Prediksi jumlah produksi jagung (on-farm) diperlukan dalam model. Hal ini dibutuhkan agar dapat diperkirakan berapa jumlah jagung pipilan yang dapat 56 dipenuhi untuk diolah pada pabrik tepung jagung. Dengan demikian model prediksi produksi jagung merupakan sub-model yang diperlukan dalam model penyediaan tepung jagung yang akan dirancang. Terdapat dua model peramalan yaitu model peramalan kuantitatif dan model peramalan kualitatif (Makridakis et al. 1983). Model prediksi produksi jagung yang dirancang merupakan model peramalan kuantitatif, karena lebih mudah dipakai oleh pengguna di lapangan, dengan syarat perlu tersedia data yang cukup untuk diolah. Model kualitatif hanya digunakan oleh orang yang telah berpengalaman dan memiliki naluri bisnis yang kuat untuk dapat melakukan prediksi ke depan. Model peramalan kuantitatif yang digunakan untuk memprediksi produksi jagung adalah model kausal. Dalam model ini tidak digunakan model time series. Time series merupakan model peramalan yang memperkirakan hasil peramalan berdasarkan ekstrapolasi dari data produksi periode sebelumnya. Model yang dirancang diolah dengan menggunakan jaringan syaraf tiruan (Artificial Neural Network) dan peramalan secara statistikal. Dari sisi on-farm dapat dikatakan bahwa jumlah produksi jagung tidak sepenuhnya dipengaruhi oleh jumlah produksi pada periode-periode sebelumnya. Produksi jagung dipengaruhi oleh beberapa faktor antara lain penggunaan bibit, pemanfaatan lahan, pemupukan secara tepat, pengendalian hama dan penyakit, pengairan, curah hujan, dan penanganan proses panen (Direktorat Budidaya Serealia, 2006). Perubahan iklim dunia menyebabkan terjadinya perubahan musim penghujan demikian pula musim kemarau di Indosnesia. Pada kondisi normal peramalan dengan data time series dapat digunakan, namun dengan adanya perubahan iklim serta pengaruh beberapa faktor tersebut terhadap produksi jagung, maka model kausal lebih tepat untuk digunakan. Model kausal dalam prediksi produksi jagung pada penelitian ini menggunakan data numerik sebagai input dalam jaringan syaraf tiruan. Sebagai variabel input adalah faktor-faktor yang berpengaruh pada jumlah produksi jagung, sedangkan variabel output adalah jumlah produksi jagung. Di antara faktor-faktor yang berpengaruh terhadap produksi jagung tersebut, terdapat dua variabel yang bersifat numerik yaitu variabel luas panen (ha) dan curah hujan (mm). Faktor penggunaan bibit, pemanfaatan lahan, pemupukan secara tepat, 57 pengendalian hama dan penyakit, pengairan, dan penanganan proses panen mempengaruhi produksi jagung, namun dalam model ini tidak digunakan. Hal ini dilakukan dengan asumsi bahwa faktor-faktor tersebut merupakan kegiatan untuk meningkatkan produksi dan bersifat kualitatif serta sulit terukur. Luas Luas Panen Panen Alat AlatBantu Bantu Analisis Analisis Hasil HasilPrediksi Prediksi Produksi Produksijagung jagung Curah Curah Hujan Hujan Gambar 20 Model konseptual prediksi produksi jagung. Model konseptual prediksi produksi jagung dapat dilihat pada Gambar 20. Gambar ini menunjukkan hubungan variabel luas panen dan curah hujan sebagai variabel input yang berpengaruh terhadap produksi jagung sebagai variabel output. Alat bantu analisis untuk memperoleh hasil prediksi adalah metode peramalan yang digunakan. Alat analisis yang akan digunakan dalam model ini adalah Jaringan Syaraf Tiruan (JST) dan peramalan secara statistikal. Salah satu alat analisis dalam model prediksi produksi jagung ini adalah jaringan syaraf tiruan backpropagation dengan arsitektur jaringan seperti terlihat pada Gambar 21. Siang (2009) menjelaskan bahwa backpropagation dapat digunakan untuk melakukan peramalan (forecasting). 1 w10 v10 1 vj0 vp0 Z1 w11 v11 X1 Y vj1 vp1 w1j Zj v12 X2 w1p vj2 vp2 Zp Gambar 21 Struktur jaringan syaraf tiruan model prediksi produksi jagung. 58 X1 adalah luas panen (ha), X2 merupakan variabel curah hujan (mm), dan Y merupakan target yaitu produksi jagung (ton). Vji merupakan bobot hubungan unit neuron input Xi ke unit layar tersembunyi Zj. Wkj merupakan bobot dari unit layar tersembunyi Zj ke unit output Yk. Wk0 merupakan bobot dari neuron bias di layar tersembunyi ke unit neuron output Zk.Fungsi aktivasi yang digunakan adalah fungsi sigmoid biner Dalam model ini digunakan 2 variabel yang mempengaruhi produksi jagung yakni luas panen (ha) dan curah hujan (mm). mulai mulai Luas Luas lahan lahan produksi produksi Curah Curah hujan hujan Produksi Produksi jagung jagungper per bulan bulan Perancangan struktur jaringan Pemisahan data - data pelatihan - data test Transformasi data ke input jaringan Set parameter, nilai, inisialisasi bobot Simulasi JST menggunakan data pelatihan Input Inputdata data test test Simulasi JST menggunakan datatest Input Inputdata data prakiraan prakiraan Proses prakiraan Denormalisasi Hasil Prakiraan Produksi Jagung Selesai Selesai Gambar 22 Tahapan proses prediksi produksi jagung dengan jaringan syaraf tiruan. 59 Gambar 22 menunjukkan tahapan proses pengolahan data menggunakan jaringan syaraf tiruan pada model prediksi produksi jagung. Tahapan proses peramalan ini dituangkan dalam bentuk program. Perangkat lunak MATLAB R2010a digunakan untuk menjalan program dalam proses peramalan. Tabel 9 Data luas panen, curah hujan, produksi jagung Jawa Tengah tahun 2010 Curah Hujan BULAN Luas Panen (ha) (mm/bulan) Produksi (ton) Januari 79390 214 130251 Februari 145107 415 121080 Maret 53337 240 139750 April 35453 127 165350 Mei 51906 142 180790 Juni 62938 79 157210 Juli 35225 1 179190 Agustus 36325 3 184785 September 59431 1 285637 Oktober 47031 6 226038 Nopember 32481 197 156111 Desember 27961 76 134385 Sumber: Kementerian Pertanian (2011) dan Balai Data dan Informasi SDA (2010) Tabel 9 merupakan data luas panen, curah hujan, dan produksi jagung tahun 2010 pada sentra jagung di Jawa Tengah. Data ini digunakan untuk menjalankan program pada model ini. Data luas panen dan curah hujan merupakan variabel input dan produksi jagung sebagai target dalam peramalan. Jaringan syaraf tiruan akan melakukan proses pembelajaran, proses pengujian dan proses peramalan (forecasting). Proses pengolahan data ini dilakukan dengan menjalankan program secara berulang-ulang, dengan mengubah-ubah parameter hidden layer, fungsi aktivasi, fungsi pembelajaran, learning rate, target epoch, target mean square error (MSE). Proses ini dilakukan sehingga diperoleh hasil terbaik. Salah satu contoh performansi pada layar monitor setelah menjalankan program dengan 60 MATLAB R2010a dapat dilihat pada Gambar 23. Hasil yang diperoleh setelah menjalankan program sebanyak 18 kali dapat dilihat pada Lampiran 2. Ukuran ketepatan peramalan dengan menggunakan jaringan syaraf tiruan ini adalah Mean Square Error (MSE). Hasil peramalan yang akan digunakan dalam memprediksi produksi jagung adalah hasil peramalan dengan MSE yang mencapai target yang ditentukan sebelumnya. Performansi dari hasil menjalankan program dapat dilihat pada Lampiran 1, dan hasil peramalan produksi jagung dengan jaringan syaraf tiruan terdapat pada Lampiran 2. Pengolahan data dalam model prediksi ini juga menggunakan metode peramalan dengan model regresi berganda (multiple regression). Dalam model ini variabel luas panen dan curah hujan merupakan variabel independen, sedangkan produksi jagung merupakan variabel dependen atau variabel respons. Gambar 23 Hasil simulasi pada jaringan syaraf tiruan. Proses peramalan secara statistikal dalam model prediksi ini menggunakan Perangkat lunak MINITAB Release 14 dari Minitab Inc. untuk menentukan persamaan regresi. Persamaan regresi yang diperoleh menunjukkan pengaruh variabel luas panen dan curah hujan terhadap jumlah produksi jagung. Langkahlangkah dalam penggunaan perangkat lunak ini dapat dilihat pada Lampiran 3. Hasil peramalan produksi jagung berdasarkan persamaan regresi yang diperoleh tertuang pada Lampiran 4. 5.2 Model Pengelompokan Mutu Jagung Pipilan Salah satu kegiatan dalam proses pasca panen adalah proses klasifikasi dan standarisasi mutu (Firmansyah, 2006). Model pengelompokan mutu jagung pipilan ini dilakukan di akhir proses pasca panen pada tingkat pengumpul. Model 61 pengelompokan mutu jagung pipilan bertujuan untuk mengelompokkan mutu jagung pipilan sebagai bahan baku industri pengolahan jagung. Pentingnya pengelompokan mutu karena saat ini mutu merupakan faktor penting dalam dunia industri, dan dengan pengelompokan ini dapat diketahui kategori mutu jagung dan peruntukannya. Dalam agroindustri berbasis jagung seperti industri pangan, pakan, farmasi, dan industri olahan lainnya tuntutan konsumen terhadap mutu merupakan hal utama. Selain mutu secara fungsional, keamanan pangan juga merupakan hal penting karena menyangkut kesehatan baik manusia maupun hewan. Pengelompokan mutu jagung pipilan dilakukan sesuai standar mutu yang ditetapkan oleh masing-masing pihak yang berkepentingan. Beberapa negara penghasil jagung pipilan telah menetapkan standar mutu jagung pada negara masing-masing. Indonesia telah menetapkan standar mutu jagung pipilan oleh Standar Nasional Indonesia (SNI) yaitu SNI 01-3920-1995 (Dewan Standardisasi Nasional, 1995). Beberapa parameter mutu sebagai persyaratan mutu jagung adalah kandungan aflatoksin, kadar air, butir rusak, butir warna lain, butir pecah, dan kotoran seperti yang ditunjukkan pada Tabel 6. Aflatoksin merupakan racun hasil metabolisme cendawan aspergilus flasus yang dapat tumbuh pada biji jagung. Pemeriksaan terhadap kadungan aflatoksin merupakan hal yang penting, karena racun ini berbahaya bagi kesehatan manusia atau hewan apabila melewati batas maksimum yang diijinkan. Batas maksimum yang diijinkan bagi manusia adalah 5 ppb, dan bagi hewan sebesar 50 ppb. Dalam model ini pemeriksaan kandungan aflatoksin dilakukan pada pemeriksaan awal sebelum dilakukan pengelompokan mutu jagung. Kadar air adalah jumlah kandungan air dalam jagung yang dinyatakan dalam persentase dari berat basah. Pengujian kadar air dalam penentuan mutu jagung penting dilakukan, karena kadar air yang berlebihan akan mengakibatkan peluang mudah terjadinya kerusakan pada biji jagung, dan peluang tumbuhnya cendawan yang akan menghasilkan racun aflatoksin. SNI menjelaskan bahwa cara uji kadar air biji ditentukan dengan moisture tester electronic atau Air Oven Method. Berdasarkan hal tersebut maka jenis uji parameter kadar air digunakan dalam model. Kadar air maksimum menurut SNI adalah 15%. 62 Menurut SNI 01-3920-1995, butir rusak adalah jagung, baik yang utuh maupun yang pecah yang mengalami kerusakan karena pengaruh panas, berkecambah, cuaca, cendawan, hama dan penyakit atau kerusakan-kerusakan fisik lainnya. Batas maksimu yang dipersyaratkan adalah sebesar 6%. Butir rusak dalam model ini digunakan sebagai jenis uji, karena apabila hasil uji melampaui batas yang diijinkan akan berakibat pada kemungkinan tumbuhnya cendawan dan akan menularkannya kepada biji jagung yang lain. Jenis uji berikutnya adalah butir warna lain. Butir warna lain adalah butir jagung yang berwarna lain dari warna asli, disebabkan oleh lain varietas. Butir warna lain menurut SNI tidak boleh melebihi 7%. Jenis jagung yang ditanam di Indonesia pada umumnya adalah jagung kuning. Jagung kuning memiliki kandungan gizi yang lebih tinggi dibandingkan dengan jagung putih dan banyak dibutuhkan sebagai campuran ransum pada pakan ternak (Direktorat Budidaya Serealia, 2006). Dalam perancangan model ini, parameter butir warna lain tidak digunakan, karena jagung pipilan yang dipasok dari pengumpul dan dipakai sebagai bahan baku tepung jagung adalah jagung kuning. Hal ini dipertimbangkan setelah mendapat konfirmasi dari pabrik tepung jagung. Butir pecah merupakan parameter yang dipertimbangkan untuk model pengelompokan mutu jagung pipilan. Butir pecah adalah butir jagung yang pecahpecah selama proses pengolahan yang memiliki ukuran sama atau lebih kecil dari 0.6 bagian jagung yang utuh. Persentase banyaknya butir pecah yang diperbolehkan adalah sebesar 3%. Butir pecah merupakan jenis uji yang penting karena dapat berakibat pada daya tahan saat penyimpanan yang tidak dapat berlangsung lama. Butir pecah dalam kondisi kadar air yang tinggi membuat jagung cepat rusak dan dapat ditumbuhi cendawan. Parameter yang juga digunakan dalam model pengelompokan mutu jagung pipilan adalah kotoran. Kotoran adalah segala benda asing seperti butir tanah, batu-batu kecil, pasir dan sisa-sisa batang, tongkol jagung, klobot, biji-bijian lain yang bukan jagung dan sebagainya. Kotoran yang diperkenankan dalam persyaratan mutu jagung menurut SNI maksimum sebanyak 2%. Kotoran yang melebihi nilai tersebut akan berakibat pada kesehatan manusia. 63 Berdasarkan pertimbangan-pertimbangan tersebut maka parameter- parameter yang digunakan dalam model pengelompokan mutu jagung pipilan adalah kandungan aflatoksin, kadar air, butir rusak, butir pecah, dan kotoran. Pengelompokan mutu jagung pipilan ini akan menghasilkan kelas mutu yakni Mutu 1, Mutu 2, dan Mutu 3. Kelompok Mutu 1 akan digunakan untuk pabrik farmasi, kelompok Mutu 2 untuk pangan, dan kelompok Mutu 3 untuk pakan. Jagung yang tidak masuk dalam ketiga kelompok mutu tersebut dpat digunakan untuk bio-fuel atau bahan bakar. Gambar 24 Model konseptual pengelompokan mutu jagung pipilan. Perancangan model dimulai dengan model konseptual seperti terlihat pada Gambar 24. Pada model ini terdapat dua sub model, yaitu sub model pemeriksaan awal dan sub model pengelompokan mutu jagung pipilan. Hasil yang diharapkan dari model ini adalah diperolehnya kelompok-kelompok mutu jagung pipilan yang memenuhi standar mutu sesuai persyaratan dalam SNI. Sub model pemeriksaan awal dibuat sebagai langkah awal untuk memeriksa apakah kandungan aflatoksin memenuhi atau tidak memenuhi syarat mutu jagung. Pemeriksaan terhadap aflatoksin dilakukan sebagai syarat mutu yang penting karena menyangkut keamanan pangan. Apabila tidak memenuhi syarat, maka jagung tidak akan digunakan sebagai bahan baku tepung jagung. Namun apabila memenuhi syarat mutu, akan dilanjutkan pada pemeriksaan parameter-parameter kadar air, butir rusak, butir pecah, dan kotoran. Kemungkinan yang terjadi pada tahap pemeriksaan parameter-parameter tersebut adalah persyaratan mutu memenuhi atau tidak memenuhi. Apabila jagung memenuhi persyaratan yang ditetapkan, maka selanjutnya jagung tersebut akan dikelompokkan ke dalam kelompok Mutu 1, Mutu 2, dan Mutu 3. Namun apabila tidak memenuhi syarat, maka jagung tidak dapat diterima sebagai bahan baku tepung jagung. 64 Tahapan pemeriksaan pada sub model pemeriksaan awal mutu jagung pipilan dapat dilihat pada Gambar 25. Sebagaimana telah dijelaskan sebelumnya, tahap ini dilakukan untuk menyeleksi apakah jagung pipilan memenuhi persyaratan mutu atau tidak memenuhi persyaratan mutu yang ditetapkan. Jagung pipilan yang memenuhi persyaratan mutu, akan dikelompokkan pada sub model berikutnya, yaitu sub model pengelompokan mutu jagung pipilan. Mulai Mulai Pemeriksaan Pemeriksaanawal awal mutu mutujagung jagungpipilan pipilan Kandungan Kandungan Aflatoksin ≤ 50 ppb Aflatoksin ≤ 50 ppb Tidak Industri Industrinon nonpangan, pangan, non nonpakan, pakan,non non farmasi farmasi ya Kadar Kadarair air ≤≤15% 15%atau atau Butir 6%atau atau Butirrusak rusak ≤≤6% Butir Butirpecah pecah ≤≤3% 3%atau atau Kotoran Kotoran≤≤2% 2% Tidak Kelompok Kelompokjagung jagung pipilan pipilantidak tidak memenuhi memenuhistandar standar ya Pengelompokan Pengelompokanmutu mutu jagung jagungpipilan pipilan Selesai Selesai Gambar 25 Tahapan pemeriksaan awal mutu jagung pipilan. Pengelompokan mutu jagung pipilan ini bermanfaat untuk menentukan ke industri mana produk ini dipakai sebagai bahan baku. Pengelompokan ini dilakukan berdasarkan kriteria pembeda jagung pipilan. Parameter jagung pipilan menurut jenis uji digunakan sebagai karakteristik pembeda dalam pengelompokan mutu jagung pipilan. Gambar 26 menunjukkan model konseptual pengelompokan mutu jagung pipilan. Penetapan jumlah kelompok yang akan dihasilkan pada model ini didasarkan atas kelompok mutu sesuai standar SNI. Standar nasional Indonesia menetapkan 3 kelompok mutu seperti yang tertuang pada Tabel 6. 65 Karakteristik Karakteristik Pembeda Pembeda - -Banyaknya BanyaknyaKelompok Kelompok - -Kesamaan KesamaanMutu Mutu Kelompok KelompokMutu Mutu Jagung Pipilan Jagung Pipilan FIS Gambar 26 Model konseptual pengelompokan mutu jagung pipilan dengan FIS. Gambar 27 menunjukkan model pengelompokan mutu jagung pipilan. Kriteria pembeda sebagai variabel masukan dalam model ini adalah kadar air, butir rusak, butir pecah, dan kotoran. Sebagai keluaran adalah kelompok Mutu 1, Mutu 2, dan Mutu 3. Fuzzy Inference System (FIS) digunakan sebagai alat analisis dalam model pengelompokan tersebut. Kadar Kadarair air Kelompok KelompokMutu Mutu Jagung JagungPipilan Pipilan Jumlah Jumlahkelompok kelompok==33 Butir Butirrusak rusak Butir Butirpecah pecah Fuzzy FuzzyInference InferenceSystem System Kotoran Kotoran Mutu Mutu11 Mutu Mutu22 Mutu Mutu33 Gambar 27 Model pengelompokan mutu jagung pipilan. Variabel-variabel input dan variabel output dalam model ini selanjutnya diagregasikan untuk dikelompokkan menjadi himpunan fuzzy. Gambar 28 menunjukkan agregasi dalam model pengelompokan mutu jagung pipilan. Konsep model ini yang akan dijadikan dasar untuk menjalankan proses inferensi dengan Fuzzy Inference System (FIS). Model yang dipakai dalam FIS pada MATLAB R2010a adalah model Sugeno. Variabel input dalam model Sugeno berupa himpunan fuzzy, sedangkan variabel output berupa bilangan tegas (crisp). 66 Kadar Air Baik Sedang Buruk MUTU 1 Butir Rusak Baik Sedang MUTU 2 Buruk Butir Pecah MUTU 3 Baik Sedang Buruk Kotoran Baik Sedang Buruk Gambar 28 Agregasi mutu jagung pipilan. Untuk menjalankan proses inferensi dalm pengelompokan mutu jagung, perlu ditentukan terlebih dahulu nilai-nilai semesta pembicaraan, himpunan fuzzy, nilai domain setiap himpunan, representasi kurva, serta nilai parameter setiap himpunan fuzzy. Penentuan semesta pembicaraan, nama himpunan fuzzy, domain, representasi kurva, serta nilai parameter setiap variabel input ditentukan berdasarkan persyaratan umum mutu yang ditentukan pada SNI dan berdasarkan diskusi serta konfirmasi pakar. Berdasarkan hasil konfirmasi dan diskusi dengan pakar, dan berdasarkan penelusuran literatur, maka dibuatkan klasifikasi mutu berdasarkan jenis uji. SNI hanya menetapkan syarat maksimum setiap jenis uji untuk mengelompokkan mutu jagung pipilan. Penggunaan logika fuzzy diperlukan dalam melakukan pengelompokan ini. Semesta pembicaraan, himpunan fuzzy, dan domain mutu 67 jagung pipilan yang digunakan dalam proses pengelompokan ini dapat dilihat pada Tabel 10. Tabel 10 Semesta pembicaraan, himpunan fuzzy, domain mutu jagung pipilan Fungsi Input Output Variabel (Mutu Semesta Jagung Pipilan) Pembicaraan Kadar air [10 , 15] Butir rusak [0 , 6] Butir pecah [0 , 3] Kotoran [0 , 1] Mutu Jagung Pipilan Nama Himpunan Fuzzy Domain baik sedang buruk baik sedang buruk baik sedang buruk baik sedang buruk [10 , 12] [11 , 14] [12 , 15] [0 , 2] [1 , 4] [2 , 6] [0 , 1] [0.5 , 2] [1 , 3] [0 , 0.5] [0.25 , 1] [0.5 , 2] Mutu 1 Mutu 2 Mutu 3 Penentuan semesta pembicaraan variabel input dilakukan berdasarkan SNI 01-3920-1995, yaitu mengikuti parameter menurut jenis uji. Himpunan fuzzy variabel input dikategorikan sebagai kategori baik, sedang, dan buruk. Nilai domain untuk setiap kategori dibuat berdasarkan himpunan fuzzy masing-masing kategori. Sebagai variabel output adalah kualifikasi Mutu 1, Mutu 2, dan Mutu3. Representasi kurva variabel input mutu jagung pipilan pada setiap kategori dalam himpunan fuzzy dan parameter setiap kategori dapat dilihat pada Tabel 11. Penetapan nilai-nilai pada setiap kategori dibuat berdasarkan diskusi dan konfirmasi pakar. Penentuan nilai-nilai ini dilakukan pada setiap parameter mutu untuk menentukan kelompok mutu jagung pipilan dengan menggunakan logika fuzzy. Penentuan parameter pada setiap himpunan fuzzy dibuat berdasarkan nilai domain yang diturunkan dari nilai semesta pembicaraan.. 68 Tabel 11 Representasi kurva variabel mutu jagung pipilan Fungsi Input Variabel (Mutu Jagung Pipilan) Kadar air Butir rusak Butir pecah Kotoran Output Mutu Jagung Pipilan Nama Himpunan Fuzzy baik sedang buruk baik sedang buruk baik sedang buruk baik sedang buruk Jenis Kurva segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga Parameter [10 10 12] [11 13 14] [13 15 15] [0 0 2] [1 2 4] [2 6 6] [0 0 1] [0.5 1 3] [1 3 3] [0 0 0.5] [0.25 0.5 1] [0.5 2 2] Mutu 1 Mutu 2 Mutu 3 1 2 3 Pada proses pengelompokan mutu jagung pipilan diperlukan if-then-rules yang akan dimasukkan pada perangkat lunak MATLAB R2010a. If-then-rules dibangun berdasarkan diskusi dan informasi pakar terhadap masing-masing variabel input dengan mempertimbangkan semua kemungkinan-kemungkinan yang terjadi. Aturan dalam if-then-rules yang dibangun sejumlah 81 buah aturan karena terdapat 4 variabel input dengan 3 kategori dalam setiap himpunan fuzzy. Adapun if-then-rules yang dibuat dapat dilihat pada Lampiran 5. Data variabel input kadar air, butir rusak, butir pecah, dan kotoran dimasukkan kedalam program FIS berdasarkan nilai-nilai semesta pembicaraan, himpunan fuzzy, domain, dan nilai-nilai parameter setiap kategori. Pada model Sugeno, nilai variabel output yaitu kategori Mutu 1, Mutu 2, dan Mutu 3 merupakan nilai konstan atau berupa bilangan tegas. Aturan if-then yang telah dibuat dimasukkan ke dalam program FIS pada MATLAB R2010a, dengan tampilan pada layar seperti ditunjukkan pada Lampiran 6. Setelah pengisian nilai-nilai variabel input, variabel output, dan if-then rules pada model Sugeno, program FIS dijalankan dan diperoleh hasil output berupa 69 mutu jagung sesuai kategorinya yaitu kategori Mutu 1, Mutu 2, dan Mutu 3. Lampiran 6 menunjukkan tampilan output kategori mutu jagung sesuai nilai variabel input yang dimasukkan. 5.3 Model Pengelompokan Mutu Tepung Jagung Model pengelompokan mutu tepung jagung bertujuan untuk mengelompokkan mutu tepung jagung yang dihasilkan industri tepung jagung. Pengelompokan ini diperlukan untuk memenuhi ketentuan mutu sesuai permintaan industri pengguna tepung jagung. Industri farmasi, industri pangan, dan industri pakan membutuhkan tepung jagung sebagai bahan baku dalam proses produksi. Selain jumlah bahan baku untuk memenuhi target produksi, mutu bahan baku merupakan hal yang dipentingkan. Tuntutan terhadap standar mutu yang ketat adalah industri farmasi, diikuti dengan industri pangan dan dan industri pakan. Mutu produk yang dihasilkan industri-industri tersebut berkaitan dengan keamanan pangan yang menyangkut kesehatan. Mulai Mulai Kriteria Kriteriauji ujimutu mutu tepung jagung tepung jagung Penentuan Penentuan kriteria kriteriauji ujiyang yang dipentingkan dipentingkan Penentuan Penentuanbobot bobot kriteria uji menurut kriteria uji menurut jenis jenisindustri industri Perancangan Perancanganmodel model pengelompokan pengelompokanmutu mutu tepung tepungjagung jagung Selesai Selesai Gambar 29 Tahapan perancangan model pengelompokan tepung jagung. 70 Perancangan model pengelompokan mutu tepung jagung dilakukan melalui beberapa tahap. Sebagai tahap awal adalah tahap penentuan kriteria uji, selanjutnya tahap penentuan bobot kriteria uji menurut jenis industri, dan tahap pengelompokan mutu tepung jagung. Tahapan perancangan model ini dapat dilihat pada Gambar 29. Penentuan kriteria uji mutu tepung jagung yang dipentingkan. Standar Nasional Indonesia telah menetapkan persyaratan mutu tepung jagung seperti tercantum pada SNI 01–3727–1995 yang dapat dilihat pada Tabel 7. SNI menetapkan sejumlah kriteria uji sebagai persyaratan mutu tepung jagung. Selain kriteria uji yang terdapat pada SNI, kandungan aflatoksin dalam tepung jagung juga merupakan hal yang penting karena mengganggu kesehatan. Kandungan aflatoksin diharapkan tidak ada atau tidak diperkenankan melampaui batas maksimum yang diijinkan. Berdasarkan konsultasi pakar dan konfirmasi dengan pihak pabrik tepung jagung, dinyatakan bahwa tidak semua persyaratan mutu menurut SNI diuji pada pemeriksaan mutu tepung jagung. Penentuan kriteria uji sebagai karakteristik pembeda dalam model pengelompokan mutu, dilakukan melalui konsultasi pakar dengan mengisi panduan konsultasi yang terdapat pada Lampiran 7. Panduan ini diisi dengan menggunakan skala 1 sampai 5. Skala 1 = sangat tidak penting; skala 2 = tidak penting; skala 3 = kurang penting; skala 4 = penting, dan skala 5 = sangat penting. Pengisian panduan ini didasarkan pada pengalaman pakar dan keadaan di lapangan. Hasil pengisian panduan tersebut dan perhitungan tingkat kepentingan dapat dilihat pada Tabel 12. Kriteria uji yang memiliki bobot tertinggi merupakan kriteria uji yang dipentingkan dan akan digunakan dalam model pengelompokan mutu tepung jagung. Hasil perhitungan menunjukkan bahwa adalah kandungan aflatoksin, kadar air, dan kadar abu memiliki tingkat kepentingan yang lebih tinggi dibandingkan kriteria uji lainnya. Ketiga kriteria uji ini yang akan digunakan sebagai karakteristik pembeda yang merupakan variabel input pada model pengelompokan mutu tepung jagung. 71 Tabel 12 Penentuan tingkat kepentingan kriteria uji Kriteria uji 5 4 3 2 1 Nilai Bobot Bau x 2 0,04878 Rasa x 2 0,04878 Warna x 2 0,04878 Benda asing x 2 0,04878 Serangga x 2 0,04878 1 0,02439 4 0,09756 Pati lain x Kehalusa x Kadar air x 5 0,12195 Abu x 5 0,12195 Silikat x 2 0,04878 Serat kasar x 2 0,04878 Derajat asam x 2 0,04878 Cemaran seng x 1 0,02439 Cemaran tembaga x 1 0,02439 3 0,07317 5 0,12195 41 1 Cemaran mikroba Aflatoksin x x Total Penentuan bobot kepentingan kriteria uji mutu menurut jenis industri. Tahap setelah penentuan tingkat kepentingan kriteria uji adalah penentuan bobot kepentingan setiap kriteria uji yang terpilih menurut jenis industri. Penentuan bobot kepentingan dilakukan dengan mengisi lembar pengisian matriks perbandingan berpasangan oleh pakar. Matriks perbandingan berpasangan dibuat sesuai matriks perbandingan berpasangan pada metode Analytical Hierarchy Process (Saaty, 1988). Jawaban pakar pada lembar isian tersebut harus konsisten, sehingga dilakukan uji konsistensi terhadap hasil pengisiannya. Lembar pengisian tersebut dapat dilihat pada Lampiran 8. Jenis industri yang menggunakan bahan baku tepung jagung pada lembar tersebut adalah industri farmasi, industri pangan dan industri pakan. 72 Gambar 30 memperlihatkan diagram alir penentuan bobot kepentingan kriteria uji dengan menggunakan matriks perbandingan berpasangan. Dalam pengisian kuesioner ini diperlukan konsistensi jawaban pakar. Konsistensi jawaban pakar ditunjukkan melalui nilai consistency ratio (CR). Jawaban pakar konsisten bila nilai CR lebih kecil atau sama dengan 0,1. Mulai Mulai Penentuan Penentuankriteria kriteriauji ujiyang yang akan dibandingkan akan dibandingkan Perancangan Perancangan lembar lembar pengisian pengisian Penilaian Penilaianperbandingan perbandingan antar antarkriteria kriteriauji ujioleh oleh pakar pakar Tidak Pengujian Pengujiankonsistensi konsistensi ya Penentuan Penentuanbobot bobotkriteria kriteriauji uji mutu mutu tepung tepungjagung jagungmenurut menurutjenis jenis industri industri Selesai Selesai Gambar 30 Diagram alir penentuan bobot kriteria uji mutu tepung jagung. Penentuan bobot kriteria uji mutu yang dipentingkan menurut industri farmasi, pangan dan pakan bermanfaat untuk pembuatan model pengelompokan mutu tepung jagung. Selain itu akan digunakan sebagai bahan pertimbangan ketika membuat if-then-rules pada FIS. Dalam matriks perbandingan berpasangan variabel yang dibandingkan adalah K1, K2, dan K3. K1 adalah kandungan aflatoksin, K2 adalah kadar air, K3 adalah kadar abu. K1, K2, dan K3 dibandingkan menurut industri Farmasi, industri Pangan, dan industri Pakan. Penentuan bobot ketiga kriteria uji dilakukan dengan menghitung geometric mean pada matriks perbandingan berpasangan, kemudian dilakukan nomalisasi. Hasil pembobotan dapat dilihat pada Tabel 13, Tabel 14, dan Tabel 15 . 73 Tabel 13 Matriks perbandingan berpasangan kriteria uji pada industri farmasi Geometric FARMASI K1 K2 K3 mean Bobot K1 1,00 5,00 7,00 3,271 0,731 K2 0,20 1,00 3,00 0,843 0,188 K3 0,14 0,33 1,00 0,362 0,081 4,477 1,000 Konsistensi jawaban pakar diperlukan pada pengisian matriks perbandingan berpasangan, karena penilaian setiap kriteria dilakukan dengan membandingkannya terhadap kriteria yang berbeda. Hal ini dapat menimbulkan ketidak-konsistenan dalam memberikan jawaban. Jawaban yang diperoleh dari pakar pada pengisian perbandingan antar kriteria berdasarkan kepentingan industri farmasi, memenuhi uji konsistensi pada consistency ratio (CR) = 0,05594. Jawaban pakar konsisten bila nilai CR yang diperoleh lebih kecil atau sama dengan 0,1. Dengan demikian hasil pembobotan kriteria uji sesuai industri farmasi tersebut dapat digunakan untuk analisis lebih lanjut. Terlihat bahwa kandungan aflatoksin yang memiliki bobot 0,731 merupakan kriteria uji yang sangat dipentingkan dalam penentuan mutu tepung jangung sebagai bahan baku industri farmasi. Tabel 14 Matriks perbandingan berpasangan kriteria uji pada industri pangan Geometric PANGAN K1 K2 K3 mean Bobot K1 1,00 5,00 4,00 2,714 0,687 K2 0,20 1,00 2,00 0,737 0,186 K3 0,25 0,50 1,00 0,500 0,127 3,951 1,000 Pada matriks perbandingan berpasangan antar kriteria uji untuk industri pangan diperoleh jawaban yang konsisten oleh pakar dengan CR = 0,08105. 74 Dalam industri pangan kandungan aflatoksin memiliki bobot sebesar 0,687 juga merupakan kriteria uji yang lebih penting dengan bobot yang lebih besar dari pada kriteria uji lainnya. Konsistensi jawaban pakar pada matriks perbandingan berpasangan perbandingan antara kriteria uji mutu untuk industri pakan diperoleh pada nilai CR = 0,04623. Bobot variabel kandungan aflatoksin yang diperoleh sebesar 0,594 lebih tinggi dari bobot kepentingan kadar air dan kadar abu. Tabel 15 Matriks perbandingan berpasangan kriteria uji pada industri pakan Geometric PAKAN K1 K2 K3 mean Bobot K1 1,00 3,00 3,00 2,080 0,594 K2 0,33 1,00 2,00 0,874 0,249 K3 0,33 0,50 1,00 0,550 0,157 3,504 1,000 Berdasarkan hasil penentuan kriteria uji yang dipentingkan menurut jenis industri terlihat bahwa kandungan aflatoksin merupakan kriteria yang penting untuk ketiga jenis industri. Bobot kepentingan yang tertinggi terdapat pada industri farmasi, diikuti dengan industri pangan dan industri pakan. Selanjutnya dalam pengelompokan mutu tepung jagung, variabel input yang digunakan adalah kriteria uji kadungan aflatoksin, kadar air, dan kada abu. Gambar 31 Model konseptual pengelompokan mutu tepung jagung. Model konseptual pengelompokan mutu tepung jagung terdiri dari dua sub model yaitu sub model pemeriksaan awal dan sub model pengelompokan mutu tepung jagung yang memenuhi standar. Model konseptual tersebut dapat dilihat 75 pada Gambar 31. Pada sub model pemeriksaan awal dilakukan pemeriksaan terhadap kriteria uji mutu tepung jagung. Apabila nilai-nilai kriteria uji tersebut berada di luar batas yang ditetapkan, maka tepung jagung ini akan masuk pada kelompok yang tidak memenuhi standar mutu, dan tidak dapat digunakan pada industri farmasi, industri pangan dan industri pakan. Namun apabila memenuhi persyaratan, maka tepung jagung akan dikelompokkan kedalam kelompok mutu dengan nama Grade 1, Grade 2, dan Grade 3. Pemberian nama Grade 1, Grade 2 dan Grade 3 hanya untuk membedakannya dengan nama Mutu 1, Mutu2, dan Mutu 3 pada model pengelompokan mutu jagung pipilan. Tahapan pemeriksaan awal terhadap mutu tepung jagung dapat dilihat pada Gambar 32. Mulai Mulai Pemeriksaan Pemeriksaan awal awal mutu mututepung tepungjagung jagung Aflatoksin Aflatoksin ≤≤5050ppb ppbatau atau Kadar air ≤ 14% Kadar air ≤ 14%atau atau Kadar Kadarabu abu ≤≤1,5% 1,5% Tidak Kelompok Kelompoktepung tepung jagung tidak jagung tidak memenuhi memenuhistandar standar ya Pengelompokan Pengelompokanmutu mutu tepung tepungjagung jagung Selesai Selesai Gambar 32 Tahapan pemeriksaan awal mutu tepung jagung. Persyaratan maksimum bagi kriteria uji kandungan aflatoksin yang diperbolehkan bagi manusia sebesar 5 ppb dan untuk hewan maksimum 50 ppb. Kadar air yang dipersyaratkan oleh SNI maksimum sebesar 10%. Berdasarkan hasil konsultasi pakar dan keadaan di lapangan yaitu di pabrik tepung jagung, 76 pencapaian kadar air sebesar maksimum 10% merupakan hal yang sulit. Pabrik tepung jagung dalam memproduksi tepung jagung menetapkan standar mutu kadar air sebesar maksimum 14%. Dengan demikian dalam perancangan model pengelompokan mutu tepung jagung di tetapkan kadar air maksimum sebesar 14%. Penetapan kadar abu disesuaikan dengan persyaratan mutu tepung jagung oleh yaitu maksimum sebesar 1,5%. Apabila persyaratan mutu ketiga kriteria uji tersebut melampaui batas maksimum yang ditetapkan, maka tepung jagung yang dihasilkan tidak akan dikelompokkan dan tidak dapat digunakan sebagai bahan baku industri farmasi, industri pangan dan industri pakan. Bila memenuhi persyaratan, akan dilanjutkan pada tahap berikutnya yaitu tahap pengelompokan mutu tepung jagung. Model konseptual pengelompokan mutu tepung jagung dengan FIS dapat dilihat pada Gambar 33. Pengelompokan ini dilakukan berdasarkan karakteristik pembeda tepung jagung. Parameter tepung jagung menurut kriteria uji yang digunakan sebagai karakteristik pembeda dalam pengelompokan mutu tepung jagung adalah ketiga kriteria uji yang telah ditentukan pada tahap sebelumnya. Berdasarkan model konseptual pada Gambar 33, diturunkan menjadi model pengelompokan mutu tepung jagung dengan memasukkan ketiga kriteria uji sebagai karakteristik pembeda. Karakteristik Karakteristik Pembeda Pembeda - -Banyaknya BanyaknyaKelompok Kelompok - -Kesamaan Kesamaannilai nilai kriteria kriteriauji uji Kelompok KelompokMutu Mutu Tepung Jagung Tepung Jagung FIS Gambar 33 Model konseptual pengelompokan mutu tepung jagung dengan FIS. Terdapat tiga kriteria uji sebagai karakteristik pembeda pada perancangan model pengelompokan mutu tepung jagung. Kriteria uji tersebut adalah kandungan aflatoksin, kadar air dan kadar abu. Ketiga kriteria uji ini merupakan variabel input pada fuzzy inference system. Variabel output dalam model ini adalah tepung jagung Grade 1, Grade 2 dan Grade 3. Grade 1 diperuntukkan bagi 77 industri farmasi, Grade 2 untuk industri pangan, dan Grade 3 untuk industri pakan. Model pengelompokan tepung jagung dapat dilihat pada Gambar 34. Aflatoksin Aflatoksin Kelompok KelompokMutu Mutu Tepung TepungJagung Jagung Jumlah Jumlahkelompok kelompok==33 Kadar Kadarair air Fuzzy FuzzyInference InferenceSystem System Kadar Kadarabu abu Grade Grade11 Grade Grade22 Grade Grade33 Gambar 34 Model pengelompokan mutu tepung jagung. Berdasarkan hasil konfirmasi dan diskusi dengan pakar, dibuatkan klasifikasi mutu tepung jagung berdasarkan kriteria uji yang dipilih. Agregasi mutu untuk model pengelompokan mutu tepung jagung dibuat untuk menentukan semesta pembicaraan, himpunan fuzzy, nilai domain dan parameter himpunan setiap kriteria uji. Gambar 35 menunjukkan agregasi mutu tepung jagung. Aflatoksin Rendah Sedang GRADE 1 Tinggi GRADE 2 Kadar Air Rendah GRADE 3 Sedang Tinggi Kadar abu Rendah Sedang Tinggi Gambar 35 Agregasi mutu tepung jagung. 78 Penentuan nilai-nilai bagi semesta pembicaraan, himpunan fuzzy, dan domain dalam bentuk logika fuzzy dibuat berdasarkan ketentuan pada SNI pada Tabel 7, berdasarkan konsultasi pakar dan konfirmasi dari pabrik tepung jagung. Kandungan aflatoksin yang diperbolehkan untuk manusia maksimum 5 ppb dan untuk hewan maksimum 50 ppb. Berdasarkan hal ini maka semesta pembicaraan untuk kandungan aflatoksin adalah [0,50]. Nilai domain himpunan rendah untuk kriteria uji ini sebesar [0,1] karena himpunan rendah diharapkan akan masuk pada Grade 1 yang diperuntukkan bagi industri farmasi. Himpunan sedang memiliki domain kandungan aflatoksin sebesar [0.5,5] merupakan persyaratan batas maksimum kandungan aflatoksin bagi manusia yakni 5 ppb. Himpunan tinggi memiliki domain [3,50] didasarkan bahwa maksimum kandungan aflatoksin bagi hewan yang diijinkan adalah sebesar 50 ppb. Kadar air yang baik bagi tepung jagung sebagai zat pengisi untuk industri farmasi adalah kadar air rendah, agar tidak cepat merusak produk yang dihasilkan. Dengan demikian nilai domain kadar air bagi himpunan rendah adalah [10,12], himpunan sedang sebesar [11,13], dan bagi himpunan tinggi sebesar [12,14]. Tabel 16 Semesta pembicaraan, himpunan fuzzy, domain mutu tepung jagung Fungsi Input Output Variabel (Mutu TepungJagung) Aflatoksin Semesta Pembicaraan [0 , 50] Kadar air [10 , 14] Kadar abu [0 , 1.5] Mutu Tepung Jagung Nama Himpunan Fuzzy Rendah sedang tinggi rendah sedang tinggi rendah sedang tinggi Grade 1 Grade 2 Grade 3 Domain [0 , 1] [0.5 , 5] [3 , 50] [10 , 12] [11 , 13] [12 , 14] [0 , 0.5] [0.25 , 1] [0.5 , 1.5] 79 Semakin rendah kadar abu, mutu tepung jagung semakin baik. Nilai maksimum yang ditentukan oleh SNI sebesar 1.5%. Kadar abu yang dipersyaratkan untuk industri farmasi maksimum sebesar 0.5%. Nilai domain kadar abu bagi himpunan rendah adalah [0, 0.5], bagi himpunan sedang sebesar [0.25,1], dan bagi himpunan tinggi sebesar [0.5 ,1.5]. Nilai semesta pembicaraan, himpunan fuzzy, dan domain mutu tepung jagung yang akan digunakan dalam proses pengelompokan ini dapat dilihat pada Tabel 16. Himpunan fuzzy variabel input dikategorikan sebagai kategori rendah, sedang, dan tinggi. Sebagai variabel output adalah kualifikasi Grade 1, Grade 2, dan Grade 3. Sebagaimana halnya dengan model yang dirancang sebelumnya, metode Sugeno dalam Fuzzy Inference System (FIS) dipakai dalam pengelompokan ini, karena variabel output dari model ini merupakan kelompok tegas (crisp). Representasi kurva variabel input mutu tepung jagung pada setiap kategori dalam himpunan fuzzy berupa representasi kurva segi tiga, dan nilai parameter setiap kategori dapat dilihat pada Tabel 17. Penetapan nilai-nilai pada setiap kategori dibuat berdasarkan nilai-nilai yang dipersyaratkan pada Tabel 7 dan hasil diskusi serta konfirmasi pakar. Tabel 17 Representasi kurva variabel mutu tepung jagung Fungsi Input Variabel (Mutu Tepung Jagung) Aflatoksin Kadar air Kadar abu Output Mutu Tepung Jagung Nama Himpunan Fuzzy rendah sedang tinggi rendah sedang tinggi rendah sedang tinggi Grade 1 Grade 2 Grade 3 Jenis Kurva segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga Parameter [0 0 1] [0.5 3 5] [3 50 50] [10 10 12] [11 12 13] [12 14 14] [0 0 0.5] [0.25 0.5 1] [0.5 1.51.5] 1 2 3 80 If-then rules dibangun berdasarkan pengaruh variabel aflatoksin, kadar air, dan kadar abu terhadap mutu tepung jagung. Diskusi dan konfirmasi pakar digunakan dalam membangun aturan tersebut, termasuk mempertimbangkan bobot kepentingan yang telah dihitung bagi setiap kriteria uji sebagai variabel input menurut jenis industri pengguna tepung jagung. If-then-rules yang diperlukan untuk menjalankan FIS pada perangkat lunak MATLAB R2010a ditunjukkan pada Lampiran 9. Nilai-nilai parameter fuzzy masing-masing variabel input, variabel output dan aturan if-then seperti terlihat pada Tabel 16 dan 17 dimasukkan ke dalam program FIS pada MATLAB R2010a. Hasil menjalankan program tersebut dan tampilan pada layar dapat dilihat pada Lampiran 10. 5.4 Model Prediksi Permintaan Tepung Jagung Tepung jagung merupakan bahan baku yang dibutuhkan oleh industri farmasi, industri pangan dan industri pakan. Agar dapat menjaga kontinuitas jalannya proses produksi pada industri pengguna tepung jagung, maka idustriindustri tersebut membutuhkan kontinuitas pasokan bahan baku dari industri tepung jagung. Oleh sebab itu industri tepung jagung perlu menyediakan produk tepung jagung sesuai permintaan industri-industri dimaksud. Agar tetap dapat menyediakan jumlah tepung jagung sebagai bahan baku bagi industri konsumennya, industri tepung jagung perlu mengetahui berapa jumlah permintaan tepung jagung. Permintaan Permintaan periode periodelalu lalu Alat AlatBantu Bantu Analisis Analisis Hasil HasilPrediksi Prediksi Permintaan PermintaanTepung Tepung Jagung Jagung Model Time Series Gambar 36 Model konseptual prediksi permintaan tepung jagung Salah satu cara untuk mengetahui jumlah permintaan produknya yaitu melakukan prediksi permintaan tepung jagung. Hal ini diperlukan agar tidak terjadi produksi yang tidak dapat memenuhi permintaan konsumen, atau 81 terjadinya produksi yang berlebihan. Terjadinya produksi yang berlebihan akan merugikan industri mengingat produk-produk agroindustri merupakan produk yang tidak tahan lama (perishable product). Model prediksi permintaan tepung jagung perlu dirancang untuk mengatasi hal tersebut. Model konseptual prediksi permintaan tepung jagung yang dirancang menggunakan data permintaan periode sebelumnya sebagai variabel input, proses prediksi dilakukan dengan alat analisis berupa metode-metode peramalan, dan hasil prediksi permintaan tepung jagung merupakan variabel output dalam model ini. Data permintaan untuk model ini berupa data time series, dimana variabel permintaan merupakan fungsi waktu. mulai mulai Permintaan Permintaan tepung tepungjagung jagung Plot data permintaan tepung jagung Pengecekan pola data Pilih Metode Peramalan Sesuai pola Sesuai pola data? data? Tidak Ya Perhitungan peramalan Pilih metode peramalan sesuai kesalahan terkecil Penentuan nilai peramalan sesuai metode terbaik Hasil prediksi permintaan tepung jagung Selesai Selesai Gambar 37 Tahapan peramalan permintaan tepung jagung. Alat analisis dalam model prediksi permintaan tepung jagung adalah metode-metode peramalan seperti Moving Average, Exponential Smoothing, Dekomposisi, dan Regresi. Selain itu jaringan syaraf tiruan digunakan pula sebagai alat untuk melakukan proses peramalan. Keluaran dari model ini adalah 82 permintaan tepung jagung untuk periode mendatang. Gambar 36 menunjukkan model konseptual prediksi permintaan tepung jagung. Tahapan untuk menjalankan proses peramalan permintaan tepung jagung dapat dilihat pada Gambar 37. Penggunaan beberapa metode peramalan kuantitatif pada model prediksi permintaan tepung jagung antara lain Moving Average, Double Moving Average, Single Exponential Smoothing, Double Exponential Smoothing, Trend Analysis, Dekomposisi, dan Jaringan Syaraf Tiruan. Data permintaan tepung jagung periode sebelumnya pada model ini adalah data generate berdasarkan data permintaan terendah dan data permintaan tertinggi per bulan pada pabrik tepung jagung. Permintaan tepung jagung pada pabrik tepung jagung berkisar antara 300 ton sampai 375 ton per bulan. Generate data sebanyak 24 periode dilakukan dengan menggunakan perangkat lunak Minitab Release 14 dari Minitab Inc. Proses peramalan dengan Jaringan Syaraf Tiruan dilakukan dengan menjalankan program pada MATLAB R2010a, sedangkan proses peramalan dengan metode peramalan lainnya dijalankan dengan perangkat lunak Minitab Release 14. Proses peramalan dengan metode Double Moving Average dilakukan secara manual karena tidak tersedia pada perangkat lunak Minitab Release 14. 5.4.1 Peramalan Permintaan dengan Metode Time Series Peramalan permintaan tepung jagung dengan metode-metode yang telah disebutkan sebelumnya akan digunakan pada model ini. Sebelum memilih metode peramalan yang sesuai, data permintaan diplot terlebih dahulu untuk mengetahui pola data permintaan. Plot data permintaan ini dapat dilakukan dengan menggunakan perangkat lunak Minitab Release 14. Contoh hasil plot data permintaan dengan menggunakan perangkat lunak Minitab dapat dilihat pada Gambar 38. Hasil plot data menunjukkan pola data horisontal, sehingga semua metode peramalan yang telah disebutkan sebelumnya digunakan untuk proses peramalan permintaan. Perhitungan peramalan dengan metode-metode tersebut dapat dilihat pada Lampiran 12. Metode peramalan yang dipilih sebagai metode yang akan digunakan untuk memprediksi permintaan tepung jagung adalah metode yang 83 memiliki nilai kesalahan terkecil. Nilai kesalahan yang digunakan adalah MeanSquare Error (MSE). Gambar 38 Plot data permintaan tepung jagung. Perangkat lunak yang digunakan dalam peramalan permintaan dengan data time series adalah MINITAB Release 14. Langkah-langkah penggunaan perangkat lunak ini dapat dilihat pada Lampiran 11. 5.4.2 Peramalan Permintaan dengan Jaringan Syaraf Tiruan Prediksi permintaan tepung jagung yang diuraikan berikut ini adalah peramalan dengan menggunakan jaringan syaraf tiruan. Data yang digunakan pada proses prediksi ini adalah data time series. Berbeda dengan peramalan yang menggunakan model kausal, proses peramalan dengan jaringan syaraf tiruan yang menggunakan data time series membuat pola data dengan membaginya menjadi variabel input dan target ramalan sebagai variabel output. Adapun tahapan pada prediksi permintaan tepung jagung dapat dilihar pada Gambar 39. Pada awalnya dibuatkan struktur jaringan sesuai pendekatan backpropagation. Data permintaan masa lalu digunakan untuk membuat pola data terlebih dahulu. Selanjutnya pola data tersebut dibagi menjadi data training (pelatihan) dan data testing (pengujian). Data dimasukkan ke dalam struktur jaringan, kemudian set parameter nilai dan inisialisai bobot. Simulasi dilakukan 84 dengan menggunakan data pelatihan, kemudian dilakukan dengan data pengujian, untuk selanjutnya dilakukan peramalan. Ukuran ketepatan peramalan adalah mean square error (MSE). mulai mulai Permintaan Permintaan tepung tepung jagung jagung Perancangan struktur jaringan Pemisahan data - data pelatihan - data test Transformasi data ke input jaringan Set parameter, nilai, inisialisasi bobot Simulasi JST menggunakan data pelatihan Input Inputdata data test test Simulasi JST menggunakan datatest Input Inputdata data prakiraan prakiraan Proses prakiraan Denormalisasi Hasil Prakiraan Permintaan Tepung Jagung Selesai Selesai Gambar 39 Tahapan prediksi permintaan tepung jagung dengan JST. Peramalan dengan backpropagation didasarkan pada data yang diperoleh pada masa lalu. Pada model peramalan time series, sejumlah data x1, x2, ..., xn akan digunakan untuk memperkirakan nilai xn+1. Dengan backpropagation, 85 sebagian data dipakai sebagai pelatihan untuk mencapai bobot yang optimal. Periode ditentukan secara intuitif tergantung variabel yang akan diprediksi. Banyaknya data dalam satu periode digunakan sebagai banyaknya input dalam backpropagation. Model prediksi permintaan tepung jagung dirancang dengan menggunakan arsitektur jaringan seperti terlihat pada Gambar 40. X1, X2 ....Xn merupakan variabel input, dan Y merupakan target yaitu prakiraan permintaan. Vji merupakan bobot hubungan unit neuron input Xi ke unit layar tersembunyi Zj. Wkj merupakan bobot dari unit layar tersembunyi Zj ke unit output Yk. Wk0 merupakan bobot dari neuron bias di layar tersembunyi ke unit neuron output Zk.Fungsi aktivasi yang digunakan adalah fungsi sigmoid biner. Pola data yang akan dibuat adalah empat data yang pertama sebagai x1, x2, x3, x4, dan sebagai target adalah data yang kelima atau X5. Pola data ini yang akan dibagi menjadi dua bagian yakni data untuk pelatihan dan data untuk pengujian. Perangkat lunak MATLAB R2010a digunakan untuk menjalan program untuk memperoleh hasil peramalan. 1 w10 v10 1 vj0 vp0 Z1 w11 v11 X1 Y vj1 vp1 w1j Zj v12 Xn w1p vj2 vp2 Zp Gambar 40 Struktur jaringan syaraf tiruan prediksi permintaan tepung jagung. Proses menjalankan program dengan jaringan syaraf tiruan dilakukan dengan mengubah-ubah jumlah neuron dalam hidden layer, fungsi aktivasi, fungsi pembelajaran, learning rate, target epoch, target mean square error (MSE). Pada 86 proses pengolahan data dengan menjalankan program dilakukan simulasi dengan mengubah nilai parameter, sehingga diperoleh hasil terbaik. Hasil yang diperoleh setelah menjalankan program sebanyak 18 kali dapat dilihat pada Tabel yang terdapat di Lampiran 15. 5.5 Verifikasi dan Validasi Model Proses verifikasi model dilakukan melalui konsultasi dan konfirmasi dengan pakar apakah model yang dibangun sesuai dengan sistem nyata. Proses verifikasi ini dilakukan pada setiap model yang dirancang pada model penyediaan tepung jagung ini. Verifikasi dilakukan dengan memperoleh konfirmasi tentang komponen-komponen pada setiap model yang dirancang. Pada model prediksi produksi jagung dilakukan dengan perunutan terhadap variabel-variabel input yang mempengaruhi jumlah produksi jagung. Produksi jagung dipengaruhi oleh beberapa faktor antara lain penggunaan bibit, pemanfaatan lahan, pemupukan secara tepat, pengendalian hama dan penyakit, pengairan, curah hujan, dan penanganan proses panen (Direktorat Budidaya Serealia, 2006). Tabel 18 Perunutan variabel input pada model prediksi produksi jagung Nama variabel input 0-1 Sifat data Penggunaan bibit 0 Kualitatif Pemanfaatan lahan 0 Kualitatif Pemupukan secara tepat 0 Kualitatif Pengendalian hama dan penyakit 0 Kualitatif Pengairan 0 Kualitatif Curah hujan (mm) 1 Kuantitatif Penanganan proses panen 0 Kualitatif Luas panen (ha) 1 Kuantitatif Model prediksi produksi jagung menggunakan metode kuantitaif, sehingga data yang dibutuhkan adalah data kuantitatif. Tabel 18 menunjukkan hasil perunutan variabel input yang dapat dan tidak dapat digunakan pada model 87 peramalan kuatitatif. Angka 0 (nol) menunjukkan bahwa variabel tersebut bersifat kualitatif dan tidak dapat digunakan pada model, sedangkan angka 1 menunjukkan bahwa variabel bersifat kuantitatif dan dapat digunakan pada model. Proses verifikasi pada model pengelompokan mutu jagung pipilan dilakukan melalui konsultasi pakar dan konfirmasi pada pihak pabrik tepung jagung. Hasil verifikasi menunjukkan bahwa variabel input dalam model sesuai dengan SNI. Variabel input butir warna lain tidak dimasukkan karena jagung yang ditanam di sentra jagung, dan yang dipasok sebagai bahan baku pada pabrik tepung jagung adalah jagung kuning, sehingga dipastikan bahwa terdapat keseragaman warna jagung pipilan. Verifikasi pada model pengelompokan mutu tepung jagung dilakukan melalui konsultasi dengan pakar dan konfirmasi kepada pihak pabrik jagung. Variabel input dalam pengelompokan mutu tepung jagung adalah kandungan aflatoksin, kadar air, dan kadar abu. Hal ini diperkuat melalui hasil pengisian panduan konsultasi oleh pakar pada Tabel 12. Variabel input pada model prediksi permintaan merupakan data permintaan berdasarkan hasil diskusi dan konfirmasi pada pabrik tepung jagung. Permintaan tepung jagung dilakukan oleh industri farmasi, industri pangan, dan industri pakan. Tujuan validasi model adalah untuk ketepatan suatu model dalam melakukan fungsinya sesuai rancangbangun model tersebut. Dalam perancangan model prediksi produksi jagung, model sebab-akibat atau model kausal cukup valid untuk digunakan dalam melakukan peramalan. Hal ini disebabkan produksi jagung tidak dipengaruhi oleh waktu, namun dipengaruhi oleh berbagai faktor antara lain hama, benih, pengairan, luas panen. Perangkat lunak Minitab Release 14 telah valid sebagai alat analisis untuk melakukan peramalan. Validasi pada model prediksi permintaan tepung jagung, variabel waktu dapat digunakan sebagai variabel yang mempengaruhi permintaan, sehingga model peramalan time series dapat digunakan dalam model ini. Hasil peramalan dengan jaringan syaraf tiruan telah menunjukkan hasil yang valid, bahwa nilai permintaan tepung jagung berada pada kisaran antara nilai minimum dan nilai 88 maksimu permintaan tepung jagung berdasarkan data yang diperoleh dari pabrik tepung jagung. Validasi dalam model pengelompokan mutu jagung pipilan dan model pengelompokan mutu tepung jagung dilakukan dengan mencoba memasukkan nilai-nilai variabel input, dan kemudian dicek apakah kelompok mutu yang diperoleh sesuai dengan hasil yang diinginkan dan sesuai dengan pendapat pakar. 89 6 IMPLEMENTASI MODEL Rancangbangun model penyediaan tepung jagung pada rantai pasok industri berbasis jagung ini dapat digunakan sebagai suatu model yang dapat menganalisis penyediaan tepung jagung pada industri tepung jagung secara terintegrasi dalam suatu rantai pasok. Keterkaitan antar model yang satu terhadap model lainnya menunjukkan bahwa tidak terpenuhinya kebutuhan jumlah dan mutu produk pada salah satu mata rantai akan berpengaruh kepada mata rantai berikutnya. Selanjutnya akan dilakukan analisis pada setiap model yang dirancang. 6.1 Prediksi Produksi Jagung Prediksi produksi jagung dalam model penyediaan tepung jagung diperlukan untuk dapat memperkirakan berapa jumlah produksi jagung yang dapat disediakan oleh sentra jagung. Dengan adanya prediksi jumlah produksi jagung maka dapat diperkirakan pula berapa kuantitas jagung pipilan yang dihasilkan. Berdasarkan diskusi dan konfirmasi pakar diperkirakan bahwa sekitar 50% dari hasil produksi jagung digunakan sebagai pakan ternak. Berdasarkan diskusi diperoleh informasi bahwa sebanyak 4,5 – 5 juta ton digunakan untuk pakan, sehingga perkiraan produksi jagung kurang lebih 10 juta ton per tahun. Kenyataan ini sangat berbeda dengan data Departemen Pertanian (2011) yang mencatat bahwa produksi jagung sebanyak lebih kurang 16.5 juta ton per tahun. Namun hingga saat ini Indonesia masih mengimpor jagung pipilan. Dengan adanya model prediksi produksi jagung, maka industri tepung jagung dapat merencanakan penyediaan bahan baku untuk memproduksi produk tepung jagung sesuai permintaan konsumennya. Pihak pengambil keputusan dapat memperkirakan berapa jumlah bahan baku jagung yang dapat disediakan oleh petani lokal dan berapa jumlah bahan baku yang harus diimpor dari negara lain. Penggunaan alat analisis dalam model ini akan memudahkan pihak pengguna untuk meramalkan permintaan produksi jagung pada tiap periode. Prakiraan dengan kesalahan ramalan terkecil merupakan prakiraan yang mendekati ketepatan. Ketersediaan data sebagai variabel input dalam peramalan sangat diperlukan. Dalam hal ini pihak industri tepung jagung perlu melakukan pencatatan data sehingga dengan data yang akurat akan diperoleh pula hasil 90 peramalan yang baik. Kerjasama antar elemen-elemen pada rantai pasok industri berbasis jagung dalam hal pencatatan data serta pemberian informasi akan memungkinkan diperolehnya hasil peramalan yang lebih akurat. Setiap wilayah di Indonesia memiliki curah hujan yang berbeda-beda, sehingga proses peramalan tidak dapat dilakukan sekaligus secara menyeluruh untuk wilayah Indonesia. Proses peramalan sebaiknya dilakukan per wilayah sesuai keadaan curah hujan pada wilayah tersebut. Proses peramalan dalam model ini menggunakan data luas panen (ha), curah hujan (mm), dan produksi jagung (ton) di daerah Jawa Tengah. Peramalan ini menggunakan jaringan syaraf tiruan dan model regresi berganda. Proses peramalan dan hasil yang diperoleh dapat dilihat pada Lampiran 1 sampai dengan lampiran 4. Hasilnya menunjukkan bahwa jaringan syaraf tiruan lebih baik karena memiliki nilai MSE yang lebih kecil. Hasil prediksi produksi jagung Jawa Tengah dengan jaringan syaraf tiruan terdapat pada Lampiran 2. Model prediksi produksi jagung ini bermanfaat bagi beberapa pemangku kepentingan antara lain: 1) Pengumpul jagung pipilan; 2) Pihak pabrik jagung; 3) Pemegang kebijakan. Dengan adanya model ini faktor ketidak-pastian tentang jumlah produksi jagung pada periode yang akan datang yang mempengaruhi fluktuasi harga jagung, dapat diperkecil. Model ini bermanfaat bagi pihak pengumpul karena dengan diperolehnya prediksi jumlah produksi jagung pada beberapa periode ke depan, para pengumpul dapat merencanakan pembelian jagung dari petani dan dapat merencanakan penjualan serta rencana distribusi jagung pipilan kepada industri-industri pengolahan jagung. Manfaat yang diperoleh pabrik jagung dengan penggunaan model ini adalah pabrik jagung dapat mengetahui jumlah bahan baku yang dapat diperoleh dari sentra jagung, sehingga dapat merencanakan impor bahan baku bila sentra jagung dalam negeri tak dapat memenuhinya. Berdasarkan hasil prediksi ini, pihak pabrik jagung dapat membuat perencanaan produksi dengan lebih matang. Manfaat model ini bagi pihak pemegang kebijakan adalah pemegang kebijakan dapat menggunakannya untuk memprediksi produksi jagung di sentrasentra jagung secara parsial. Dengan demikian penjumlahan produksi jagung yang 91 diprediksi pada sentra-sentra jagung merupakan hasil prediksi produksi jagung secara nasional. Dengan diperolehnya hasil prediksi produksi jagung secara nasional, pihak pemegang kebijakan dapat membuat kebijakan tentang usahausaha untuk meningkatkan produktivitas jagung, dan kebijakan lainnya tentang ketahanan pangan. 6.2 Pengelompokan Mutu Jagung Pipilan Pengelompokan mutu jagung pipilan merupakan salah satu bagian dari proses pasca panen jagung. Proses pasca panen jagung terdiri dari kegiatankegiatan: 1) pemanenan, 2) pengupasan, 3) pengeringan, 4) pemipilan,; 5) penyimpanan, 6) pengangkutan, dan 7) Klasifikasi dan standarisasi mutu (Firmansyah et al. 2006). Kegiatan-kegiatan pada pasca panen jagung sangat berpengaruh kepada hasil panen yang diperoleh. Proses pasca panen yang tidak ditangani dengan baik akan mengakibatkan penurunan kuantitas dan kualitas hasil panen. Menurut Firmansyah et al. (2006), permasalahan pasca panen jagung antara lain adalah susut kuantitas dan mutu, serta keamanan pangan. Kehilangan kuantitatif hasil panen merupakan susut hasil akibat tertinggal di lapang pada waktu panen, tercecer saat pengangkutan, atau tidak terpipil. Kehilangan kualitatif merupakan penurunan mutu hasil akibat butir rusak, butir berkecambah, atau biji keriput selama proses pengeringan, pemipilan, pengangkutan atau penyimpanan. Sedangkan masalah yang berkaitan dengan keamanan pangan adalah penundaan penanganan pascapanen jagung. Penundaan ini berpeluang untuk meningkatkan infeksi cendawan. Penundaan pengeringan paling besar kontribusinya dalam meningkatkan infeksi cendawan Aspergillus flavus yang bisa mencapai di atas 50%. Cendawan tersebut menghasilkan mikotoksin jenis aflatoksin. Toksin yang dikeluarkan oleh cendawan tersebut juga berbahaya bagi kesehatan ternak. Penurunan mutu biji jagung pipilan juga dapat terjadi karena masalah transportasi. Jarak dan waktu transportasi yang lama, dan cara penanganan pascapanen yang kurang baik mengakibatkan kemungkinan terjadinya perubahan kadar air, dan tumbuhnya cendawan. Hal ini mengakibatkan terjadinya penurunan mutu saat jagung tiba di tempat yang dituju. 92 Tujuan penanganan pasca panen jagung yang baik adalah untuk memperoleh butiran jagung dengan mutu yang baik, yang dimulai dengan penentuan umur panen yang tepat, mengurangi susut panen dan perontokan, cepat melakukan penjemuran biji dan penyimpanan pada kadar air dan wadah yang tepat, sehingga mendapatkan harga jual yang tinggi (Balai Besar Litbang Pasca Panen, 2010). Model pengelompokan mutu jagung pipilan ini bermanfaat dalam kegiatan klasifikasi mutu pada proses pasca panen. Model ini juga bermanfaat bagi pengumpul sehingga dapat mendistribusikan jagung pipilan menurut kelompok mutu sesuai jenis industri sasarannya. Jagung yang mengandung aflatoksin melebihi batas yang diijinkan, tak dapat dipasok sebagai bahan baku bagi industri tepung jagung. Dalam memproduksi tepung jagung, industri tepung jagung membutuhkan bahan baku jagung pipilan yang memenuhi stadar mutu yang ditetapkan. Jenis uji pada parameter mutu kadar air, butir rusak, butir pecah, dan kotoran merupakan variabel masukan yang berpengaruh kepada kelompok mutu jagung pipilan. Walaupun telah dikeringkan namun adanya kadar air yang berlebih karena penyimpanan akan mengakibatkan kemungkinan tumbuhnya aflatoksin. Standar Nasional Indonesia menetapkan batas kandungan aflatoksin untuk jagung pipilan yaitu maksimum 5 ppb bagi manusia dan maksimum 50 ppb bagi hewan. Bila kandungan aflatoksin lebih dari 50 ppb maka jagung pipilan tidak dapat digunakan sebagai bahan baku pada industri tepung jagung. Pengelompokan mutu jagung pipilan berdasarkan kadar air, butir rusak, butir pecah, dan kotoran dapat dilakukan setelah melewati pengujian aflatoksin terlebih dahulu. Hal ini disebabkan karena industri sasaran yang dijadikan konsumen jagung pipilan adalah industri tepung jagung. Variabel input yang cukup penting selain kadar air adalah butir rusak dan butir pecah. Bagi industri farmasi disyaratkan tidak boleh ada butir yang pecah. Butir pecah dapat terjadi pada saat proses pengeringan dan proses pemipilan. Akibat dari butir yang pecah adalah terdapatnya telur-telur serangga yang akan merusak butir jagung. Telur serangga tidak mati pada air mendidih dan tidak mati pada proses mekanis. 93 Butir rusak jagung pipilan diakibatkan karena dimakan burung. Untuk industri pangan butir rusak merupakan syarat mutu yang penting, karena butir rusak dapat berpotensi adanya telur serangga dan kutu. Selain itu butir rusak pada jagung akan mengakibatkan kemungkinan tumbuhnya cendawan. Model pengelompokan mutu jagung pipilan yang telah dirancang dijalankan dengan perangkat lunak MATLAB R2010a, dengan memasukkan nilai domain setiap variabel input, dan nilai parameter pada setiap himpunan fuzzy. Salah satu hasil memasukkan variabel input jenis uji butir rusak dapat dilihat pada Gambar 41. Gambar 41 Himpunan fuzzy variabel butir rusak jagung pipilan. Aturan if-then yang telah dirancang dimasukkan kedalam program MATLAB R2010a, dan tampilannya terlihat pada Gambar 42. Tampilan lainnya dapat dilihat pada Lampiran 6. Setelah semua variabel input dimasukkan kedalam FIS editing, dan aturan yang dibuat telah dimasukkan ke dalam program tersebut, maka hasil yang diperoleh terlihat seperti pada Gambar 43. Hasil menjalankan FIS pada perangkat lunak MATLAB R2010a selengkapnya dapat dilihat pada Lampiran 6. 94 Gambar 42 Tampilan If-then rules mutu jagung pipilan pada MATLAB R2010a. Gambar 43 Keluaran mutu jagung pipilan kelompok Mutu 2 Model pengelompokan mutu jagung pipilan yang dirancang, tidak mempertimbangkan faktor penanganan pascapanen, serta transportasi distribusi dan antar setiap mata rantai. Diasumsikan bahwa penanganan pasca panen telah dilakukan dengan baik, serta tidak terjadi gangguan saat distribusi dan transportasi. 95 6.3 Pengelompokan Mutu Tepung Jagung Model pengelompokan mutu tepung jagung bermanfaat bagi pabrik tepung jagung dan bagi industri pengguna tepung jagung. Industri tepung jagung dapat mengelompokkan produk yang dihasilkan, sehingga akan dengan mudah mengirimkan produk sesuai permintaan industri tujuannya. Kelompok Grade 1 ditujukan untuk bahan baku industri farmasi, kelompok Grade 2 untuk industri pangan, dan kelompok Grade 3 untuk industri pakan. Model ini juga bermanfaat bagi industri pengguna tepung jagung, sehingga industri tersebut dapat memesan bahan baku tepung jagung pada kelompok yang sesuai dengan jenis industrinya. Model pengelompokan mutu tepung jagung ini dijalankan dengan program FIS pada perangkat lunak MATLAB R2010a. Variabel input dimasukkan sesuai domain setiap himpunan fuzzy, dan nilai parameter yang telah ditentukan. Contoh tampilan pada MATLAB R2010a setelah memasukkan variabel aflatoksin beserta domain setiap himpunan fuzzy dengan kategori rendah, sedang , dan tinggi dapat dilihat pada Gambar 44. Tampilan variabel input lainnya pada FIS terdapat pada Lampiran 10. Gambar 44 Himpunan fuzzy variabel aflatoksin pada tepung jagung. Aturan if-then sebanyak 27 aturan yang telah dirancang dimasukkan satu persatu ke dalam program FIS pada perangkat lunak MATLAB R2010a. 96 Tampilan hasil masukan aturan tersebut ke dalam program FIS dapat dilihat pada tampilan Gambar 45. Gambar 45 Tampilan If-then rules mutu tepung jagung pada MATLAB R2010a. Setelah semua nilai-nilai variabel input , nilai variabel output, dan aturan keputusan dimasukkan kedalam program MATLAB, maka hasilyang diperoleh terlihat seperti pada Gambar 46. Hasil lainnya dapat dilihat pada lampiran 10. Gambar 46 Keluaran mutu tepung jagung kelompok Grade 3. 97 Gambar 46 menunjukkan bahwa dengan nilai variabel input aflatoksin sebesar 25 ppb, kadar air sebesar 12%, dan kadar abu 0.75 %. Hasil yang diperoleh adalah tepung jagung tersebut masuk dalam kelompok mutu Grade 3. Model pengelompokan mutu tepung jagung yang dirancang pada penelitian ini tidak mempertimbangkan faktor-faktor yang berpengaruh terhadap mutu tepung jagung selama proses produksi berlangsung. Faktor-faktor tersebut antara lain: setting mesin, metode kerja, ketrampilan dan keahlian operator, lingkungan kerja dan lain-lainnya. 6.4 Prediksi Permintaan Tepung Jagung Model prediksi permintaan tepung jagung bermanfaat bagi pabrik tepung jagung. Manfaat yang diperoleh adalah pabrik ini dapat membuat perencanaan produksi dengan target produksi sesuai permintaan konsumennya. Tersedianya data permintaan masa lalu akan memudahkan proses peramalan permintaan ke depan. Masalah yang dihadapi dalam pembuatan model ini adalah tidak tersedianya data permintaan masa lalu. Informasi yang diperoleh dari pihak pabrik adalah jumlah permintaan minimum sebesar 300 ton per bulan dan jumlah permintaan maksimum sebesar 375 ton per bulan. Model prediksi permintaan tepung jagung dibuat untuk data time series. Variabel yang akan diramalkan pada model ini hanya dipengaruhi oleh horison waktu. Peramalan permintaan dilakukan dengan pendekatan metode-metode time series dan dengan jaringan syaraf tiruan. Metode yang digunakan pada pendekatan time series adalah Moving Average, Double Moving Average, Single Exponential Smoothing, Double Exponential Smoothing, Trend Anlaysis dan metode Dekomposisi. Data yang digunakan dalam menjalankan model ini adalah data yang digenerate dengan permintaan periode sebelumnya yang berkisar antara 300 ton sampai dengan 375 ton per bulan. Data ini diperoleh berdasarkan informasi dari pabrik tepung jagung. Generate data selama 24 bulan dengan nilai minimum 300 ton dan nilai maksimum 375 ton dapat dilihat pada Lampiran 12. Hasil pengolahan data dapat dilihat pada Lampiran 12 sampai Lampiran 13. Pada pendekatan tersebut metode dekomposisi memberikan hasil terbaik dengan nilai MSE yang lebih kecil sebesar 329,954. Namun demikian jaringan syaraf tiruan 98 memberikan hasil yang lebih akurat seperti terlihat pada Lampiran 14 dan Lampiran 15. Lampiran 14 menunjukkan hasil menjalankan program jaringan syaraf tiruan sebanyak 18 kali dengan perangkat lunak MATLAB R2010a. Lampiran 15 adalah rangkuman hasil menjalankan program dengan jaringan syaraf tiruan beserta hasil peramalan permintaan tepung jagung. 6.5 Keterbatasan Model Beberapa keterbatasan dalam model yang dirancang adalah sebagai berikut: - Model tidak dilengkapi dengan sistem pendukung keputusan yang mengintegrasikan sub-sub model dalam suatu sistem, sehingga dapat membantu pengambil keputusan melakukan tindakan secara lebih tepat dan cepat. - Model penyediaan tepung jagung dalam rantai pasok industri berbasis jagung ini masih bersifat parsial, sehingga perlu diintegrasikan dengan mempertimbangkan faktor penanganan pasca panen, distribusi dan transportasi antar mata rantai. Faktor-faktor ini perlu dipertimbangkan karena penanganan pasca panen yang kurang baik, jarak dan waktu transportasi akan mengakibatkan terjadinya penurunan mutu bahan baku. - Model prediksi hanya terbatas pada prediksi secara kuantitatif , sehingga faktor-faktor penting yang bersifat kualitatif masih diasumsikan tidak mempengaruhi hasil prediksi. - Implementasi model prediksi produksi jagung hanya untuk satu wilayah, dengan asumsi bahwa model ini akan dapat digunakan untuk wilayah lain dan dapat di kembangkan untuk memprediksi produksi jagung nasional. - Aturan keputusan dalam model pengelompokan mutu jagung pipilan dan pengelompokan mutu tepung jagung, tidak didukung oleh pencatatan data mutu yang cukup, sehingga tidak dapat dilakukan pengurangan jumlah aturan dalam if-then rules. - Perancangan model pengelompokan mutu jagung pipilan belum mempertimbangkan model sampling penerimaan bahan baku (acceptance sampling model) di industri tepung jagung. - Model prediksi permintaan tepung jagung hanya menggunakan data permintaan secara keseluruhan dan bukan berupa permintaan per jenis 99 industri. Namun demikian model ini dapat digunakan untuk memprediksi permintaan setiap jenis industri pengguna tepung jagung, sehingga perencanaan penyediaan tepung jagung dalam jumlah dan mutu yang sesuai dapat dibuat untuk masing-masing jenis industri pengguna tepung jagung. 6.6 Implikasi Teoritis Hasil dari model prediksi produksi jagung menunjukkan bahwa penggunaan jaringan syaraf tiruan lebih akurat dari pada metode peramalan menggunakan model regresi. Hasil ini mengkonfirmasi penelitian yang dilakukan oleh Zhang et al. (2004), dimana penelitian ini membandingkan jaringan syaraf tiruan dengan model univariat serta model multivariat, dan memperoleh bahwa hasil peramalan jaringan syaraf tiruan lebih baik dari pada metode statistikal. Erdinç dan Satman (2005) dalam penelitiannya membandingkan jaringan syaraf tiruan dengan regresi linier, dan diperoleh hasil bahwa jaringan syaraf tiruan lebih baik daripada regresi linier dalam melakukann peramalan. Selain itu hasil ini menkonfirmasi penelitian Setyawati (2003) yang menggunakan jaringan syaraf tiruan untuk univariat dan multivariat time series dalam melakukan peramalan, dan memperoleh bahwa jaringan syaraf tiruan lebih akurat dari pada metode lainnya. Model prediksi yang dirancang telah mengkonfirmasi penelitian Nam dan Schaefer (1995) yang melakukan peramalan penumpang pesawat udara dengan jaringan syaraf tiruan. Azadeh et al. (2008) menggunakan jaringan syaraf tiruan untuk meramalkan penggunaan energi listrik. Ferreira et al. (2011) menggunakan jaringan syaraf tiruan untuk meramalkan harga dalam konteks agribisnis. Konfirmasi lainnya dilakukan terhadap penelitian Bhuvanes et al. (2007) menggunakan Backpropagation Neural Network (BPNN) untuk memprediksi jumlah pasien pada beberapa bagian perawatan di Virtua Health, New Jersey. Penelitian ini membandingkan model peramalan menggunakan backpropagation neural network dengan peramalan menggunakan statistical forecasting models, dan menyimpulkan bahwa BPPN lebih akurat. 100 6.7 Implikasi Manajerial Model yang dirancang masih bersifat parsial, namun model ini dapat digunakan bagi pemangku kepentingan pada rantai pasok industri berbasis jagung. Model pengelompokan mutu jagung pipilan dapat digunakan oleh pengumpul sebelum produk jagung pipilan didistribusikan ke industri pengolahan jagung sesuai jenis industri. Penggunaan model ini akan menyebabkan penurunan penolakan produk yang dikirim bila tidak sesuai dengan kebutuhan industri pengolahan jagung. Kelompok Mutu 1 dan Mutu 2 dapat dipasok kepada industri tepung jagung, dan kelompok Mutu 3 dapat dipasok kepada industri pakan. Penerapan rancangbangun model bermanfaat bagi perencanaan produksi pada industri tepung jagung. Pemanfaatan model prediksi produksi jagung akan mengurangi ketidak-pastian dalam masalah perencanaan jumlah bahan baku yang akan dipesan. Bila terjadi kekurangan bahan baku, industri tepung jagung dapat segera mengantisipasi dengan melakukan impor bahan baku. Model pengelompokan mutu jagung pipilan pada pengumpul, juga bermanfaat bagi industri tepung jagung. Dengan adanya pengelompokan mutu jagung pipilan ini, industri tepung jagung akan mendapat pasokan bahan baku yang sesuai dari pengumpul, sehingga penolakan bahan baku yang tidak sesuai dapat dikurangi. Penggunaan model prediksi permintaan tepung jagung pada industri tepung jagung akan memudahkan bagian perencanaan pada industri tersebut membuat perencanaan produksi per periode. Perencanaan produksi yang dibuat dapat dikaitkan dengan hasil prediksi produksi jagung, hasil pengelompokan mutu jagung pipilan, untuk membuat perencanaan pemesanan bahan baku. 6.8 Analisis Penggunaan Model dan Kebijakan Analisis pemanfaatan model penyediaan tepung jagung pada rantai pasok industri berbasis jagung dilakukan terhadap model prediksi produksi jagung, model pengelompokan mutu jagung pipilan, model pengelompokan mutu tepung jagung, dan model prediksi permintaan tepung jagung. Dari hasil menjalankan proses peramalan pada model prediksi produksi jagung sesuai Lampiran 1 sampai Lampiran 4, diperoleh bahwa nilai peramalan terbaik adalah peramalan dengan menggunakan jaringan syaraf tiruan dengan nilai MSE sebesar 0.0000993. Nilai MSE ini yang paling mendekati target performansi 101 sebesar 0.0001. Hasil ini merupakan hasil peramalan produksi jagung daerah Jawa Tengah, yang dapat dilihat pada Lampiran 2. Prediksi produksi jagung empat periode ke depan sebesar 115946 ton, 115926 ton, 116 226 ton, dan 116218 ton. Jumlah ini merupakan produksi jagung berupa jagung pipilan kering panen. Apabila periode analisis yang diambil adalah periode 1, maka jumlah produksi jagung panen kering panen adalah sebesar 115946 ton. Jumlah ini akan mengalami susut panen secara kuantitatif dan kualitatif. Kadar air jagung kering panen sebesar 25 - 30%, sedangkan jagung pipilan yang memenuhi persyaratan mutu memiliki kadar air 13 – 15%. Susut berat akibat penurunan kadar air mengakibatkan penurunan berat sebesar 15%, sehingga jumlah produksi jagung pipilan sebesar 115946 ton menjadi 98554.1 ton atau sekitar 100000 ton per bulan. Bila susut panen akibat mutu yang tidak memenuhi standar diasumsikan sebesar 20%, dan jumlah jagung yang diproduksi 50 % digunakan untuk pakan ternak, maka jumlah jagung pipilan menjadi 40000 ton per bulan. Jumlah ini akan menyusut akibat penurunan mutu pada saat transportasi. Bila diasumsikan susut mutu akibat transportasi sebesar 5%, maka jumlah jagung pipilan yang memenuhi persyaratan mutu sebagai bahan baku adalah sebesar 38000 ton per bulan. Kapasitas terpasang pabrik tepung jagung yang diambil sebagai sampel adalah sebesar 5000 ton per bulan. Pabrik ini berproduksi dengan 50 % kapasitas atau 2500 ton per bulan. Tepung jagung yang dihasilkan pabrik merupakan produk sampingan, karena produk utamanya adalah grits. Jumlah grits yang dihasilkan sebesar 65 – 70 % dari jumlah bahan baku, dan tepung jagung sebesar 12% dari jumlah bahan baku. Apabila prediksi permintaan tepung jagung pada periode 1 sebesar 330 ton seperti terlihat pada Lampiran 15, maka untuk memproduksi tepung jagung pada pabrik ini diperlukan bahan baku sejumlah 2750 ton. Perhitungan ini tidak memperhitungkan permintaan grits. Sehingga bila ditinjau dari kebutuhan bahan baku, sentra jagung Jawa Tengah masih dapat memenuhi pasokan bahan baku bagi pabrik. Analisis ini hanya dilakukan untuk memperkirakan kebutuhan bahan baku jagung pipilan pada satu pabrik tepung jagung. Analisis ini tidak mempertimbangkan banyak industri pengolahan jagung lainnya yang tersebar di beberapa wilayah di Indonesia selain pabrik tepung jagung. 102 Beberapa kebijakan yang perlu dilakukan apabila terdapat kekurangan bahan baku jagung pipilan antara lain: - Melakukan impor jagung dari negara luar - Usaha peningkatan produktivitas jagung bagi petani - Memberikan kemudahan memperoleh benih jagung yang bermutu bagi petani - Memberikan kemudahan meperoleh pengetahuna tentang panen dan pasca panen bagi petani - Kemudahan memperoleh sarana produksi bagi petani - Kemudahan mendapat pasokan bahan baku dari petani kepada pengumpul - Penerapan peraturan dagang yang konsisten bagi pengumpul - Kemudahan akses informasi bagi semua pemangku kepentingan 103 7 SIMPULAN DAN SARAN 7.1 Simpulan Simpulan yang diperoleh dari hasil penelitian ini adalah: 1. Model penyediaan tepung jagung pada rantai pasokan tepung jagung terdiri atas model prediksi produksi jagung, model pengelompokan mutu jagung pipilan, model pengelompokan mutu tepung jagung, dan model prediksi permintaan tepung jagung oleh industri pengguna tepung jagung. 2. Model prediksi produksi jagung menggunakan model kausal dengan alat analisis jaringan syaraf tiruan dan pendekatan regresi. Variabel input dalam model ini adalah luas panen (ha) dan curah hujan (mm/bulan), sedangkan variabel output adalah jumlah produksi jagung (ton/bulan). 3. Model pengelompokan mutu jagung pipilan menggunakan pendekatan fuzzy inference system dengan variabel input kadar air, butir rusak, butir pecah dan kotoran. Sebagai variabel output adalah jagung pipilan mutu 1, mutu 2 dan mutu 3. 4. Model pengelompokan mutu tepung jagung menggunakan pendekatan fuzzy inference system dengan variabel input kandungan aflatoksin, kadar air, cemaran seng dan cemaran tembaga. Sebagai variabel output adalah tepung jagung grade 1, grade 2 dan grade 3. Grade 1 sebagai bahan baku industri farmasi, grade 2 sebagai bahan baku industri pangan dan grade 3 untuk industri pakan ternak. 5. Model prediksi permintaan tepung jagung menggunakan model time series. Alat analisis yang digunakan dalam model ini adalah jaringan syaraf tiruan dan metode peramalan untuk data time series. 6. Model penyediaan tepung jagung pada rantai pasok industri berbasis jagung yang dirancang masih memiliki beberapa keterbatasan antara lain: model belum dilengkapi dengan sistem pendukung keputusan yang mengintegrasikan elemen-elemen dalam sistem, model masih parsial dan belum mempertimbangkan semua komponen dalam rantai pasok, model pengelompokan mutu jagung pipilan belum mempertimbangkan pengaruh 104 penanganan pasca panen jagung, model prediksi permintaan masih belum menggunakan data aktual yang terjadi di lapangan. 7.2 Saran 1. Model ini dapat dikembangkan dan dapat dilengkapi dengan sistem pendukung keputusan yang dapat membantu pengambil keputusan melakukan antisipasi dalam penyediaan tepung jagung sesuai permintaan industri pengguna tepung jagung. 2. Model ini dapat disempurnakan dengan mengintegrasikan semua komponen dalam rantai pasok dalam analisis rantai pasok industri berbasis jagung secara menyeluruh. 105 DAFTAR PUSTAKA Adam EE, Ronald JE. 1992. Production and Operation Management. Ed ke-5. New Jersey: Prentice Hall. Azadeh A, Ghaderi SF, Sohrabkhani S. 2008. A Simulation Based Neural Network Algorithm for Forecasting Electrical Energy Consumption. Di dalam: Proceeding of IIE Annual Conference. hlm 1119-1124. Bhuvanesh A, Wang S, Lam S, Khasawneh M, Srihari K. 2007. Using Artificial Neural Networks for Forecasting in Healthcare: Methodology and Findings. Di dalam: Proceeding of IIE Annual Conference. hlm 382-387. Carrera DA, Mayorga RV. 2008. Supply Chain Management: A Modular Fuzzy Inference System Approach in Supplier Selection for New Product Development. Int. J. Intelligent Manufacturing 19 (1): 1-12. Cruz AM, Denis ER. 2005. A Fuzzy Inference System to Evaluate Contract Service Provider Performance. J. Biomedical Instrumentation & Technology 39 (4): 320-325 [Deptan] Departemen Pertanian, Badan Penelitian dan Pengembangan Pertanian. 2006. Pembuatan Tepung Jagung. Balai Pengkajian Teknologi Pertanian Jawa Tengah. [Deptan] Departemen Pertanian, Balai Besar Litbang Pasca Panen. 2010. Penanganan Pasca Panen Jagung. Jakarta [Deptan] departemen Pertanian, Direktorat Jenderal Tanaman Pangan, Direktorat Budidaya Serealia. 2006. Petunjuk Peningkatan Produktivitas Pengembangan Jagung. Jakarta. [Deprin] Departemen Perindustrian, Dewan Standardisasi Nasional. 1995. Standar Nasional Indonesia: Jagung. Jakarta. Erdinç A, Satman MH. 2005. Stock Market Forecasting: Artificial Neural Network And Linear Regression Comparison In An Emerging Market. J. Financial Management & Analysis 18. 2 : 18-33. Eriyatno. 1999. Ilmu Sistem : Meningkatkan Mutu dan Efektivitas Manajemen. Bogor: IPB Press. Erol I, Ferrel Jr, William G. 2004. A Methodology to Support Decision Making Across the Supply Chain of An Industrial Distributor. Int. J. Production Economics 89:119-129. 106 Fausett L. 1994. Fundamentals of Neural Networks, Architectures, Algorithms, and Applications. New Jersey: Prentice-Hall Inc. Ferreira L, de Moura GL, Borenstein D, Américo FA, 2011. The Use of Artificial Neural Networks as A Strategy For Forecasting Prices in the Context of Agribusiness. Revista De Administração E Inovação. RAI 8 (4) : 6. Firmansyah IU, Saenong S, Abidin B, Suarni, Sinuseng Y. 2006. Laporan Hasil Penelitian. Proses Pasca Panen untuk Menunjang Perbaikan Produk Biji Jagung Berskala Industri dan Ekspor. Maros: Balai Penelitian Tanaman Serealia. Gryna FM. 2001. Quality Planning and Analysis, from Product Development Through Use. Ed ke-4. McGraw Hill International Edition, Industrial Engineering Series. Johnson LA. 2000. Corn: The Major Cereal of the Americas, Handbook of Cereal Science and Technology. Ed ke-2. Marcel Dekker Inc: New York. Jong Jek Siang. 2009. Jaringan Syaraf Tiruan dan Pemrogramannya menggunakan Matlab. Ed ke-2. Yogyakarta: Andi Offset. Krajewski LJ, Larry PR. 2002. Operation Management, Strategy and Analysis. Ed ke-6. Prentice Hall International Inc: USA. Kusumadewi S. 2002. Artificial Intelligence: Yogyakarta: Penerbit Graha Ilmu. Teknik dan Aplikasinya. Kusumadewi S, Hari P. 2004. Alikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta: Penerbit Graha Ilmu. Law R. 1998. Room Occupancy Rate Forecasting: A Neural Network Approach. J. Contemporary Hospitality Management 10 (6): 234-239 Lisa WW. 1996. Partnership Satisfaction: Using Underlying Dimensions of Supply Chain Partnership to Measure Current and Expected Levels of Satisfaction. J. Business Logistics 17 no 2. Liker JK, Morgan JM. 2006. The Toyota Way in Service, J. Academy of Management Perspectives 20 (2): 5 – 20. Lockamy III, Archie S, Wilbur I. 2000. Target Costing for Supply Chain Management: Criteria and Selection. J. Industrial Management & Data Systems 100 (5): 210-218. Luo W. 1998. An Integrated Inventory System for Perishable Goods with Back Ordering. Int. J. Computers Industrial Engineering 34 (3): 685-693. 107 Makridakis S, Wheelwright SC, McGee VE. 1983. Forecasting Methods and Application. Ed ke-2. USA: John Wiley & Sons. Marimin. 2004. Teknik dan Aplikasi Pengambilan Keputusan Kriteria Majemuk. Jakarta: PT Grasindo. Marimin. 2005. Teori dan Aplikasi Sistem Pakar dalam Teknologi Manajerial. Bogor: IPB Press. Nam K, Schaefer T. 1995. Forecasting International Airline Passenger Traffic Using Neural Networks. J. Logistics and Transportation Review 31 (3) : 239. Nayak PC, Rao YR, Satyaji, Sudheer KP. 2006. Groundwater Level Forecasting in a Shallow Aquifer Using Artificial Neural Network Approach. J. Water Resources 20 (1): 77-90. Pujawan IN. 2005. Supply Chain Management. Surabaya: Penerbit Guna Widya. Render B et al. 1997. Principles of Operations Management. Ed ke-2. New Jersey: Pearson Prentice-Hall. Inc. Riyani. 2007. Teknologi Produksi dan Karakterisasi Tepung Jagung Varietas Unggul Nasional. [Skripsi]. Bogor: Fakultas Teknologi Pertanian, Institut Pertanian Bogor. Saaty TL. 1988. Decision making for leaders : The Analytical Hierarchy Process for Decisions in a complex world. United States of America : RWS Publications. Saaty TL. 1991. Pengambilan Keputusan bagi Para Pemimpin. Seri Manajemen no. 134. PT Pustaka Binaman Pressindo. (Terjemahan). Saaty TL. 1993. Fundamentals of Decision Making. United States of America: RWS Publications. Saaty TL. 1996. Decision Making With Dependence and Feedback : The Analytic Network Process. Pittsburgh: RWS Publications. Septiani W, Marimin. 2005. Sistem Intelijen Prediksi dan Penilaian Kualitas Susu Pasteurisasi dengan Menggunakan Logika Fuzzy dan Jaringan Syaraf Tiruan. Di dalam: Prosiding Seminar Nasional Aplikasi Teknologi Informasi. ISBN :979-756-061-6 Yogyakarta. Setyawati BR, Creese RC, Jaraiedi M. 2003. Neural Networks for Univariate and Multivariate Time Series Forecasting. Di dalam: Proceeding of IIE Annual Conference. hlm 1-6. 108 Slim C. 2009. Hybrid Approach in Neural Network Design Applied to Financial Time Series Forecasting. J. American Academy of Business 15 (1): 294-300. Suryana A, Hermanto. 2007. Prospek dan Arah Pengembangan Jagung. Jakarta: Badan Litbang Pertanian. Suryawijaya I. 2009. Rancang Bangun Sistem Intelijen untuk Enterprise Resource Planning (ERP) pada Industri Tepung Jagung [skripsi]. Bogor: Fakultas Teknologi Pertanian, Institut Pertanian Bogor. Wahyu, Afriyanti. 2009. Aplikasi Fuzzy Inference System Metode Tsukamoto pada Simulasi Traficc Light Menggunakan Java. Di dalam: Prosiding Seminar Nasional Aplikasi Teknologi Informasi. ISBN:1907-5022. Yogyakarta. Wang W, Zu Z, Lu JW. 2003. Three Improved Neural Network Models for Air Quality Forecasting. J. Engineering Computations 20 (2): 192-210. Wisner JD et al. 2005. Principles of Supply Chain Management, a Balanced Approach. South-Western, Ohio: Thomson. Yan X, Luo J, Chen Z. 2010. Forecasting of the Demand of Alumina Based on the Coupling Phase-space Reconstruction and Neural Network. Int. J. Business and Management 5 (6): 146-153. Zhang W, Cao Q, Schniederjans MJ. 2004. Neural Network Earnings per Share Forecasting Models: A Comparative Analysis of Alternative Methods. Int. J. Decision Sciences 35 (2) : 205-237. DAFTAR ISTILAH Agroindustri Didefinisikan sebagai industri yang mengolah hasil pertanian menjadi produk lain yang bernilai tambah melalui kemampuan teknologi yang melibatkan aspek fisik, kimia, atau biologi. Rantai pasok Didefinisikan sebagai jaringan perusahaan-perusahaan yang secara bersama-sama bekerja untuk menciptakan dan menghantarkan suatu produk ke tangan pemakai akhir. Dalam rantai pasok terdapan aliran barang yang mengalir dari hulu ke hilir, aliran uang yang mengalir dari hilir ke hulu, dan aliran informasi dari hilir ke hulu ataupun sebaliknya. Manajemen rantai pasok Manajemen aliran bahan, informasi, dan finansial melalui jaringan kerjasama antara pemasok, pengolah/produsen, distributor, pengecer yang bertujuan untuk memproduksi dan mengirimkan produk kepada pelanggan. Rantai pasok Adalah jaringan perusahaan-perusahaan dalam rantai pasok industri berbasis yang secara bersama bekerja untuk menciptakan produk yang jagung berbahan baku jagung dan menghantarkannya sampai ketangan pelanggannya. Sebagai pemegang kepentingan adalah sentra jagung, pedagang/pengumpul jagung, industri pengolahan jagung, pabrik berbahan baku hasil olahan jagung. Logika Fuzzy Cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Variabel fuzzy Variabel yang hendak dibahas dalam suatu sistem fuzzy. Semesta pembicaraan Adalah keseluruhan nilai yang diperbolehkan dioperasikan dalam suatu variabel fuzzy Himpunan fuzzy Suatu grup yang mewakili suatu keadaan tertentu dalam suatu variabel fuzzy Fuzzyfikasi Proses konversi sebuah nilai crisp (tunggal) ke dalam nilai fuzzy. Defuzzyfikasi Proses konversi nilai-nilai fuzzy ke dalam nilai crisp. TFN Triangular Fuzzy Number merupakan representasi bilangan fuzzy dalam bentuk kurva segitiga FIS Fuzzy Inference System merupakan kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy berbentuk IF-THEN, dan penalaran fuzzy untuk Peramalan (Forecasting) merupakan suatu proses memperkirakan nilai suatu variabel untuk masa yang akan datang, berdasarkan data masa lalu, atau berdasarkan variabel yang berpengaruh. Model kausal Model hubungan sebab akibat dalam metode peramalan. Dalam model ini terdapat variabel input yang mempengaruhi variabel output. Model timeseries Model dimana variabel waktu mempengaruhi variabel yang diramalkan. Dalam model ini terdapat metode-metode peramalan dimana nilai variabel yang diramalkan merupakan nilai ektrapolasi data mengikuti horison waktu. JST Jaringan Syaraf Tiruan merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba mensimulasikan proses pembelajaran pada otak manusia AHP (Analytical Hierarchy Process) merupakan model pengambilann keputusan yang mampu memecahkan persoalan kompleks secara kuatitatif. Matriks perbandingan berpasangan Adalah matriks penilaian antar kriteria atau alternatif oleh pakar dalam AHP untuk menentukan bobot kriteria atau alternatif. Kadar air Adalah jumlah kandungan air dalam jagung atau tepung jagung yang dinyatakan dalam persentase dari berat. Butir rusak Adalah jagung, baik yang utuh maupun yang pecah yang mengalami kerusakan karena pengaruh panas, berkecambah, cendawan, hama dan penyakit atau kerusakan-kerusakan fisik lainnya. Butir warna lain Adalah butir jagung yang berwarna lain dari warna asli, disebabkan oleh lain varietas. Butir pecah Adalah butir jagung yang pecah-pecah selama proses pengolahan, perawatan, yang mempunyai ukuran sama atau lebih kecil dari 0.6 bagian jagung yang utuh. Kotoran Adalah segala benda asing seperti butir tanah, batu-batu kecil, pasir dan sisa-sisa batang, tongkol jagung, klobot, biji-bijia lain yang bukan jagung dan sebagainya. Kadar aflatoksin Adalah kandungan aspergilus flavus. racun hasil metabolisme cendawan 109 Lampiran 1 Prediksi Produksi Jagung Jawa Tengah dengan Jaringan Syaraf Tiruan Data yang digunakan untuk memprediksi produksi jagung adalah data yang tercantum pada Tabel 9. Variabel input adalah luas panen (ha) dan curah hujan (mm/bulan). Sebagai variabel output adalah jumlah produksi jagung (ton/bulan) Menu utama yang ditampilkan dalam program Hasil menjalankan program dengan MATLAB R2010a 110 1. Running program 1 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 77; testing :2 ; forecasting : 2 MSE : 6,17 x 10-23 Hasil peramalan: bulan 1 : 115546 ton bulan 2 : 115546 ton bulan 3 : 115546 ton bulan 4 : 115546 ton 111 2. Running program 2 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 136; testing :3 ; forecasting : 3 MSE : 0,0000981 Hasil peramalan: bulan 1 : 116634 ton bulan 2 : 115680 ton bulan 3 : 115560 ton bulan 4 : 115562 ton 112 3. Running program 3 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 419; testing : 1 ; forecasting : 1 MSE : 0,00000246 Hasil peramalan: bulan 1 : 115720 ton bulan 2 : 115346 ton bulan 3 : 115546 ton bulan 4 : 115546 ton 113 4. Running program 4 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 69; testing : 1 ; forecasting : 4 MSE : 0,0000517 Hasil peramalan: bulan 1 : 115951 ton bulan 2 : 115935 ton bulan 3 : 115882 ton bulan 4 : 115999 ton 114 5. Running program 5 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 163; testing : 1 ; forecasting : 4 MSE : 3,4 x 10-9 Hasil peramalan: bulan 1 : 115552 ton bulan 2 : 115549 ton bulan 3 : 115546 ton bulan 4 : 115546 ton 115 6. Running program 6 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 173; testing : 1 ; forecasting : 5 MSE : 0,000002 Hasil peramalan: bulan 1 : 115644 ton bulan 2 : 115647 ton bulan 3 : 115594 ton bulan 4 : 115597 ton 116 7. Running program 7 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 92; testing : 1 ; forecasting : 4 MSE : 0,00002 Hasil peramalan: bulan 1 : 115859 ton bulan 2 : 115874 ton bulan 3 : 115686 ton bulan 4 : 115689 ton 117 8. Running program 8 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 231; testing : 1 ; forecasting : 2 MSE : 0,000000859 Hasil peramalan: bulan 1 : 115648 ton bulan 2 : 115562 ton bulan 3 : 115549 ton bulan 4 : 115549 ton 118 9. Running program 9 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 12; testing : 1 ; forecasting : 1 MSE : 0,0000988 Hasil peramalan: bulan 1 : 116514 ton bulan 2 : 115857 ton bulan 3 : 115890 ton bulan 4 : 115791 ton 119 10. Running program 10 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 88; testing : 1 ; forecasting : 1 MSE : 0,0000273 Hasil peramalan: bulan 1 : 115818 ton bulan 2 : 116045 ton bulan 3 : 115622 ton bulan 4 : 115619 ton 120 11. Running program 11 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 100; testing : 1 ; forecasting : 2 MSE : 6,87 x 10-15 Hasil peramalan: bulan 1 : 115546 ton bulan 2 : 115546 ton bulan 3 : 115546 ton bulan 4 : 115546 ton 121 12. Running program 12 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 77; testing : 1 ; forecasting : 2 MSE : 6,17 x 10-23 Hasil peramalan: bulan 1 : 115546 ton bulan 2 : 115546 ton bulan 3 : 115546 ton bulan 4 : 115546 ton 122 13. Running program 13 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 66; testing : 1 ; forecasting : 1 MSE : 0,0000485 Hasil peramalan: bulan 1 : 115573 ton bulan 2 : 116313 ton bulan 3 : 115598 ton bulan 4 : 115600 ton 123 14. Running program 14 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 56; testing : 1 ; forecasting : 3 MSE : 0,0000993 Hasil peramalan: bulan 1 : 116441 ton bulan 2 : 116121 ton bulan 3 : 115765 ton bulan 4 : 115737 ton 124 15. Running program 15 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 43; testing : 1 ; forecasting : 2 MSE : 0,0000242 Hasil peramalan: bulan 1 : 116064 ton bulan 2 : 115715 ton bulan 3 : 115562 ton bulan 4 : 115561 ton 125 16. Running program 16 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 59; testing : 1 ; forecasting : 1 MSE : 0,0000531 Hasil peramalan: bulan 1 : 116261 ton bulan 2 : 115917 ton bulan 3 : 115585 ton bulan 4 : 115577 ton 126 17. Running program 17 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 37; testing : 1 ; forecasting : 2 MSE : 0,00005 Hasil peramalan: bulan 1 : 116283 ton bulan 2 : 115780 ton bulan 3 : 115637 ton bulan 4 : 115634 ton 127 18. Running program 18 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 69; testing : 1 ; forecasting : 4 MSE : 0,0000993 Hasil peramalan: bulan 1 : 115946 ton bulan 2 : 115926 ton bulan 3 : 116226ton bulan 4 : 116218 ton 128 129 Lampiran3 Langkah-langkah penggunaan MINITAB 14 peramalan data kausal 1. Masukkan data input ke dalam Worksheet: C1, C2, ..., Cn 2. Klik Stat 130 3. Pilih Regression 4. Klik Regression - Masukkan variabel response - Masukkan variabel predictors - Klik OK 131 Lampiran 4 Peramalan Produksi Jagung dengan MINITAB Release 14 Data luas panen, curah hujan, produksi jagung Jawa Tengah Tahun 2010 Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Luas Panen (ha) 79390 145107 53337 35453 51906 62938 35225 36325 59431 47031 32481 27961 Curah Hujan (mm) 214 415 240 127 142 79 1 3 1 6 197 76 Produksi (ton) 130251 121080 139750 165350 180790 157210 179190 184785 285637 226038 156111 134385 Regression Analysis: PRODUKSI JGNG versus LUAS PANEN; CURAH HUJAN The regression equation is PRODUKSI JGNG = 180508 + 0,693 LUAS PANEN - 378 CURAH HUJAN Predictor Constant LUAS PANEN CURAH HUJAN Coef 180508 0,6927 -377,9 S = 33419,1 SE Coef 20432 0,4634 117,4 R-Sq = 57,1% T 8,83 1,49 -3,22 P 0,000 0,169 0,010 R-Sq(adj) = 47,6% Analysis of Variance Source Regression Residual Error Total DF 2 9 11 SS 13379618390 10051497884 23431116274 MS 6689809195 1116833098 F 5,99 P 0,022 Prediksi Produksi Jagung Jawa Tengah Tahun 2011 Bulan Januari Februari Maret April Luas panen (ha) 70000 125500 52525 30100 Curah hujan (mm) 150 250 150 100 Produksi (ton) 172318,00 172979,50 160207,83 163567,30 132 Lampiran 5 Aturan (If – then – rules) mutu jagung pipilan Aturan untuk Mutu Jagung Pipilan (1) 1 If (Kadar air is baik) and (Butir rusak is baik) and (Butir pecah is baik) and (Kotoran is baik) then (output is Mutu 1) 2 If (Kadar air is baik) and (Butir rusak is sedang) and (Butir pecah is baik) and (Kotoran is baik) then (output is Mutu 1) 3 If (Kadar air is baik) and (Butir rusak is buruk) and (Butir pecah is baik) and (Kotoran is baik) then (output is Mutu 2) 4 If (Kadar air is sedang) and (Butir rusak is baik) and (Butir pecah is baik) and (Kotoran is baik) then (output is Mutu 1) 5 If (Kadar air is sedang) and (Butir rusak is sedang) and (Butir pecah is baik) and (Kotoran is baik) then (output is Mutu 2) 6 If (Kadar air is sedang) and (Butir rusak is buruk) and (Butir pecah is baik) and (Kotoran is baik) then (output is Mutu 2) 7 If (Kadar air is buruk) and (Butir rusak is baik) and (Butir pecah is baik) and (Kotoran is baik) then (output is Mutu 2) 8 If (Kadar air is buruk) and (Butir rusak is sedang) and (Butir pecah is baik) and (Kotoran is baik) then (output is Mutu 2) 9 If (Kadar air is buruk) and (Butir rusak is buruk) and (Butir pecah is baik) and (Kotoran is baik) then (output is Mutu 3) 10 If (Kadar air is baik) and (Butir rusak is baik) and (Butir pecah is baik) and (Kotoran is sedadng) then (output is Mutu 1) 11 If (Kadar air is baik) and (Butir rusak is sedang) and (Butir pecah is baik) and (Kotoran is sedang) then (output is Mutu 2) 12 If (Kadar air is baik) and (Butir rusak is buruk) and (Butir pecah is baik) and (Kotoran is sedang) then (output is Mutu 3) 13 If (Kadar air is sedang) and (Butir rusak is baik) and (Butir pecah is baik) and (Kotoran is sedang) then (output is Mutu 2) 14 If (Kadar air is sedang) and (Butir rusak is sedang) and (Butir pecah is baik) and (Kotoran is sedang) then (output is Mutu 2) 133 Aturan untuk Mutu Jagung Pipilan (2) 15 If (Kadar air is sedang) and (Butir rusak is buruk) and (Butir pecah is baik) and (Kotoran is sedang) then (output is Mutu 3) 16 If (Kadar air is buruk) and (Butir rusak is baik) and (Butir pecah is baik) and (Kotoran is sedang) then (output is Mutu 2) 17 If (Kadar air is buruk) and (Butir rusak is sedang) and (Butir pecah is baik) and (Kotoran is sedang) then (output is Mutu 2) 18 If (Kadar air is buruk) and (Butir rusak is buruk) and (Butir pecah is baik) and (Kotoran is sedang) then (output is Mutu 3) 19 If (Kadar air is baik) and (Butir rusak is baik) and (Butir pecah is baik) and (Kotoran is buruk) then (output is Mutu 1) 20 If (Kadar air is baik) and (Butir rusak is sedang) and (Butir pecah is baik) and (Kotoran is buruk) then (output is Mutu 2) 21 If (Kadar air is baik) and (Butir rusak is buruk) and (Butir pecah is baik) and (Kotoran is buruk) then (output is Mutu 3) 22 If (Kadar air is sedang) and (Butir rusak is baik) and (Butir pecah is baik) and (Kotoran is buruk) then (output is Mutu 2) 23 If (Kadar air is sedang) and (Butir rusak is sedang) and (Butir pecah is baik) and (Kotoran is buruk) then (output is Mutu 3) 24 If (Kadar air is sedang) and (Butir rusak is buruk) and (Butir pecah is baik) and (Kotoran is buruk) then (output is Mutu 3) 25 If (Kadar air is buruk) and (Butir rusak is baik) and (Butir pecah is baik) and (Kotoran is buruk) then (output is Mutu 3) 26 If (Kadar air is buruk) and (Butir rusak is sedang) and (Butir pecah is baik) and (Kotoran is buruk) then (output is Mutu 3) 27 If (Kadar air is buruk) and (Butir rusak is buruk) and (Butir pecah is baik) and (Kotoran is buruk) then (output is Mutu 3) 28 If (Kadar air is baik) and (Butir rusak is baik) and (Butir pecah is sedang) and (Kotoran is baik) then (output is Mutu 2) 134 Aturan untuk Mutu Jagung Pipilan (3) 29 If (Kadar air is baik) and (Butir rusak is sedang) and (Butir pecah is sedang) and (Kotoran is baik) then (output is Mutu 2) 30 If (Kadar air is baik) and (Butir rusak is buruk) and (Butir pecah is sedang) and (Kotoran is baik) then (output is Mutu 2) 31 If (Kadar air is sedang) and (Butir rusak is baik) and (Butir pecah is sedang) and (Kotoran is baik) then (output is Mutu 2) 32 If (Kadar air is sedang) and (Butir rusak is sedang) and (Butir pecah is sedang) and (Kotoran is baik) then (output is Mutu 2) 33 If (Kadar air is sedang) and (Butir rusak is buruk) and (Butir pecah is sedang) and (Kotoran is baik) then (output is Mutu 3) 34 If (Kadar air is buruk) and (Butir rusak is baik) and (Butir pecah is sedang) and (Kotoran is baik) then (output is Mutu 2) 35 If (Kadar air is buruk) and (Butir rusak is sedang) and (Butir pecah is sedang) and (Kotoran is baik) then (output is Mutu 2) 36 If (Kadar air is buruk) and (Butir rusak is buruk) and (Butir pecah is sedang) and (Kotoran is baik) then (output is Mutu 3) 37 If (Kadar air is baik) and (Butir rusak is baik) and (Butir pecah is sedang) and (Kotoran is sedang) then (output is Mutu 2) 38 If (Kadar air is baik) and (Butir rusak is sedang) and (Butir pecah is sedang) and (Kotoran is sedang) then (output is Mutu 2) 39 If (Kadar air is baik) and (Butir rusak is buruk) and (Butir pecah is sedang) and (Kotoran is sedang) then (output is Mutu 3) 40 If (Kadar air is sedang) and (Butir rusak is baik) and (Butir pecah is sedang) and (Kotoran is sedang) then (output is Mutu 2) 41 If (Kadar air is sedang) and (Butir rusak is sedang) and (Butir pecah is sedang) and (Kotoran is sedang) then (output is Mutu 2) 42 If (Kadar air is sedang) and (Butir rusak is buruk) and (Butir pecah is sedang) and (Kotoran is sedang) then (output is Mutu 3) 135 Aturan untuk Mutu Jagung Pipilan (4) 43 If (Kadar air is buruk) and (Butir rusak is baik) and (Butir pecah is sedang) and (Kotoran is sedang) then (output is Mutu 2) 44 If (Kadar air is buruk) and (Butir rusak is sedang) and (Butir pecah is sedang) and (Kotoran is sedang) then (output is Mutu 2) 45 If (Kadar air is buruk) and (Butir rusak is buruk) and (Butir pecah is sedang) and (Kotoran is sedang) then (output is Mutu 3) 46 If (Kadar air is baik) and (Butir rusak is baik) and (Butir pecah is sedang) and (Kotoran is buruk) then (output is Mutu 2) 47 If (Kadar air is baik) and (Butir rusak is sedang) and (Butir pecah is sedang) and (Kotoran is buruk) then (output is Mutu 2) 48 If (Kadar air is baik) and (Butir rusak is buruk) and (Butir pecah is sedang) and (Kotoran is buruk) then (output is Mutu 3) 49 If (Kadar air is sedang) and (Butir rusak is baik) and (Butir pecah is sedang) and (Kotoran is buruk) then (output is Mutu 2) 50 If (Kadar air is sedang) and (Butir rusak is sedang) and (Butir pecah is sedang) and (Kotoran is buruk) then (output is Mutu 3) 51 If (Kadar air is sedang) and (Butir rusak is buruk) and (Butir pecah is sedang) and (Kotoran is buruk) then (output is Mutu 3) 52 If (Kadar air is buruk) and (Butir rusak is baik) and (Butir pecah is sedang) and (Kotoran is buruk) then (output is Mutu 2) 53 If (Kadar air is buruk) and (Butir rusak is sedang) and (Butir pecah is sedang) and (Kotoran is buruk) then (output is Mutu 3) 54 If (Kadar air is buruk) and (Butir rusak is buruk) and (Butir pecah is sedang) and (Kotoran is buruk) then (output is Mutu 3) 55 If (Kadar air is baik) and (Butir rusak is baik) and (Butir pecah is buruk) and (Kotoran is baik) then (output is Mutu 2) 56 If (Kadar air is baik) and (Butir rusak is sedang) and (Butir pecah is buruk) and (Kotoran is baik) then (output is Mutu 3) 57 If (Kadar air is baik) and (Butir rusak is buruk) and (Butir pecah is buruk) and (Kotoran is baik) then (output is Mutu 3) 136 Aturan untuk Mutu Jagung Pipilan (5) 58 If (Kadar air is sedang) and (Butir rusak is baik) and (Butir pecah is buruk) and (Kotoran is baik) then (output is Mutu 2) 59 If (Kadar air is sedang) and (Butir rusak is sedang) and (Butir pecah is buruk) and (Kotoran is baik) then (output is Mutu 3) 60 If (Kadar air is sedang) and (Butir rusak is buruk) and (Butir pecah is buruk) and (Kotoran is baik) then (output is Mutu 3) 61 If (Kadar air is buruk) and (Butir rusak is baik) and (Butir pecah is buruk) and (Kotoran is baik) then (output is Mutu 2) 62 If (Kadar air is buruk) and (Butir rusak is sedang) and (Butir pecah is buruk) and (Kotoran is baik) then (output is Mutu 3) 63 If (Kadar air is buruk) and (Butir rusak is buruk) and (Butir pecah is buruk) and (Kotoran is baik) then (output is Mutu 3) 64 If (Kadar air is baik) and (Butir rusak is baik) and (Butir pecah is buruk) and (Kotoran is sedang) then (output is Mutu 2) 65 If (Kadar air is baik) and (Butir rusak is sedang) and (Butir pecah is buruk) and (Kotoran is sedang) then (output is Mutu 2) 66 If (Kadar air is baik) and (Butir rusak is buruk) and (Butir pecah is buruk) and (Kotoran is sedang) then (output is Mutu 3) 67 If (Kadar air is sedang) and (Butir rusak is baik) and (Butir pecah is buruk) and (Kotoran is sedang) then (output is Mutu 2) 68 If (Kadar air is sedang) and (Butir rusak is sedang) and (Butir pecah is buruk) and (Kotoran is sedang) then (output is Mutu 3) 69 If (Kadar air is sedang) and (Butir rusak is buruk) and (Butir pecah is buruk) and (Kotoran is sedang) then (output is Mutu 3) 70 If (Kadar air is buruk) and (Butir rusak is baik) and (Butir pecah is buruk) and (Kotoran is sedang) then (output is Mutu 3) 71 If (Kadar air is buruk) and (Butir rusak is sedang) and (Butir pecah is buruk) and (Kotoran is sedang) then (output is Mutu 3) 72 If (Kadar air is buruk) and (Butir rusak is buruk) and (Butir pecah is buruk) and (Kotoran is sedang) then (output is Mutu 3) 137 Aturan untuk Mutu Jagung Pipilan (6) If (Kadar air is baik) and (Butir rusak is baik) and (Butir pecah is buruk) 73 and (Kotoran is buruk) then (output is Mutu 2) If (Kadar air is baik) and (Butir rusak is sedang) and (Butir pecah is 74 buruk) and (Kotoran is buruk) then (output is Mutu 3) If (Kadar air is baik) and (Butir rusak is buruk) and (Butir pecah is buruk) 75 and (Kotoran is buruk) then (output is Mutu 3) If (Kadar air is sedang) and (Butir rusak is baik) and (Butir pecah is 76 buruk) and (Kotoran is buruk) then (output is Mutu 3) If (Kadar air is sedang) and (Butir rusak is sedang) and (Butir pecah is 77 buruk) and (Kotoran is buruk) then (output is Mutu 3) If (Kadar air is sedang) and (Butir rusak is buruk) and (Butir pecah is 78 buruk) and (Kotoran is buruk) then (output is Mutu 3) If (Kadar air is buruk) and (Butir rusak is baik) and (Butir pecah is buruk) 79 and (Kotoran is buruk) then (output is Mutu 2) If (Kadar air is buruk) and (Butir rusak is sedang) and (Butir pecah is 80 buruk) and (Kotoran is buruk) then (output is Mutu 3) If (Kadar air is buruk) and (Butir rusak is buruk) and (Butir pecah is 81 buruk) and (Kotoran is buruk) then (output is Mutu 3) 138 Lampiran 6 Representasi Model Sugeno pada MATLAB R2010a Representasi Model Sugeno Representasi Model Mamdani 139 Fuzzy Inference System (FIS) Pengelompokan Mutu Jagung Pipilan Tampilan Model Sugeno untuk Pengelompokan Jagung Pipilan Representasi Variabel Input Kadar Air 140 Representasi Variabel Input Butir Rusak Representasi Variabel Input Butir Pecah 141 Representasi Variabel Input Kotoran Representasi Variabel Output Kelompok Mutu Jagung Pipilan 142 Tampilan Pengisian Aturan pada FIS Tampilan Hasil Pengelompokan Mutu Jagung Pipilan (Mutu 1) 143 Tampilan Hasil Pengelompokan Mutu Jagung Pipilan (Mutu 2) Tampilan Hasil Pengelompokan Mutu Jagung Pipilan (Mutu 3) 144 Lampiran 7 Panduan konsultasi pakar untuk penentuan tingkat kepentingan kriteria uji mutu tepung jagung Responden yang terhormat, Dalam rangka penelitian tentang mutu tepung jagung, dengan ini saya mohon kesediaan Bapak/Ibu untuk dapat mengisi kuesioner untuk menentukan tingkat kepentingan kriteria uji mutu tepung jagung, yang tertuang dalam bentuk tabel berikut. Kuesioner ini diisi dengan memberikan tanda [X] pada kolom yang sesuai. Atas kesediannya sebelumnya saya ucapkan terima kasih 1 = sangat tidak penting 2 = tidak penting 3 = kurang penting 4 = penting 5 = sangat penting KRITERIA UJI Bau Rasa Warna benda asing Serangga pati lain Kehalusan Kadar air Abu Silikat serat kasar derajat asam cemaran seng cemaran tembaga cemaran mikroba Aflatoksin 5 4 3 2 1 145 Lampiran 8 Pengisian matriks perbandingan berpasangan kriteria uji mutu tepung jagung berdasarkan industri pengolahan jagung Responden yang terhormat, Dalam rangka penelitian tentang mutu tepung jagung, dengan ini dimohon kesediaan Bapak/Ibu untuk dapat mengisi kuesioner untuk menentukan tingkat kepentingan kriteria uji mutu tepung jagung untuk masing-masing industri pengolahan jagung, yang tertuang dalam bentuk tabel berikut. Kuesioner ini berupa matriks perbandingan berpasangan dan diisi dengan memberikan angka 1 – 9 sesuai keterangan di dalam kuesioner ini. Atas kesediannya sebelumnya saya ucapkan terima kasih. FARMASI K1 K1 K2 K3 1 K2 1 K3 K1 K1 1 K2 K2 K3 K1 1 K3 K2 K3 1 1 K1 Aflatoksin K2: Kadar air 1 K3 K1 K2 1 PAKAN PANGAN K3 : Kadar abu 1 Nilai 1 3 5 7 9 2,4,6,8 1/(1-9) Keterangan Sama penting (equal) Sedikit lebih penting (moderate) Jelas lebih penting (strong) Sangat jelas lebih penting (very strong) Mutlak lebih penting (extreme) Apabila ragu-ragu antara dua nilai yang berdekatan Kebalikan dari nilai tingkat kepentingan dari skala 1-9 146 Lampiran 9 Aturan (If – then – rules) Mutu Tepung Jagung Aturan untuk Mutu Tepung Jagung (1) 1 If (Aflatoksin is rendah) and (Kadar air is rendah) and (Kadar abu is rendah) then (output is Grade 1) 2 If (Aflatoksin is rendah) and (Kadar air is rendah) and (Kadar abu is sedang) then (output is Grade 1) 3 If (Aflatoksin is rendah) and (Kadar air is rendah) and (Kadar abu is tinggi) then (output is Grade 2) 4 If (Aflatoksin is rendah) and (Kadar air is sedang) and (Kadar abu is rendah) then (output is Grade 1) 5 If (Aflatoksin is rendah) and (Kadar air is sedang) and (Kadar abu is sedang) then (output is Grade 1) 6 If (Aflatoksin is rendah) and (Kadar air issedang) and (Kadar abu is tinggi) then (output is Grade 2) 7 If (Aflatoksin is rendah) and (Kadar air is tinggi) and (Kadar abu is rendah) then (output is Grade 1) 8 If (Aflatoksin is rendah) and (Kadar air is tinggi) and (Kadar abu is sedang) then (output is Grade 1) 9 If (Aflatoksin is rendah) and (Kadar air is tinggi) and (Kadar abu is tinggi) then (output is Grade 2) 10 If (Aflatoksin is sedang) and (Kadar air is rendah) and (Kadar abu is rendah) then (output is Grade 1) 11 If (Aflatoksin is sedang) and (Kadar air is rendah) and (Kadar abu is sedang) then (output is Grade 1) 12 If (Aflatoksin is sedang) and (Kadar air is rendah) and (Kadar abu is tinggi) then (output is Grade 2) If (Aflatoksin is sedang) and (Kadar air is sedang) and (Kadar abu is 13 rendah) then (output is Grade 1) If (Aflatoksin is sedang) and (Kadar air is sedang) and (Kadar abu is 14 sedang) then (output is Grade 1) 147 Aturan untuk Mutu Tepung Jagung (2) 15 If (Aflatoksin is sedang) and (Kadar air is sedang) and (Kadar abu is tinggi) then (output is Grade 2) 16 If (Aflatoksin is sedang) and (Kadar air is tinggi) and (Kadar abu is rendah) then (output is Grade 1) 17 If (Aflatoksin is sedang) and (Kadar air is tinggi) and (Kadar abu is sedang) then (output is Grade 2) 18 If (Aflatoksin is sedang) and (Kadar air is tinggi) and Kadar abu is tinggi) then (output is Grade 2) 19 If (Aflatoksin is tinggi) and (Kadar air is rendah) and (Kadar abu is rendah) then (output is Grade 2) 20 If (Aflatoksin is tinggi) and (Kadar air is rendah) and (Kadar abu is sedang) then (output is Grade 2) 21 If (Aflatoksin is tinggi) and (Kadar air is rendah) and (Kadar abu is tinggi) then (output is Grade 3) 22 If (Aflatoksin is tinggi) and (Kadar air is sedang) and (Kadar abu is rendah) then (output is Grade 2) 23 If (Aflatoksin is tinggi) and (Kadar air is sedang) and (Kadar abu is sedang) then (output is Grade 3) 24 If (Aflatoksin is tinggi) and (Kadar air is sedang) and (Kadar abu is tinggi) then (output is Grade 3) 25 If (Aflatoksin is tinggi) and (Kadar air is tinggi) and (Kadar abu is rendah) then (output is Grade 3) 26 If (Aflatoksin is tinggi) and (Kadar air is tinggi) and (Kadar abu is sedang) then (output is Grade 3) 27 If (Aflatoksin is tinggi) and (Kadar air is tinggi) and (Kadar abu is tinggi) then (output is Grade 3) 148 Lampiran 10 Fuzzy Inference System Pengelompokan Mutu Tepung Jagung Tampilan Model Sugeno untuk Pengelompokan Tepung Jagung Representasi Variabel Input Kandungan Aflatoksin 149 Representasi Variabel Input Kadar Air Representasi variabel input kadar abu 150 Representasi Variabel Output Kelompok Mutu Tepung Jagung Tampilan Pengisian Aturan pada FIS – Mutu Tepung Jagung 151 Tampilan Hasil Pengelompokan Mutu Tepung Jagung (Grade 1) Tampilan Hasil Pengelompokan Mutu Tepung Jagung (Grade 2) 152 Tampilan Hasil Pengelompokan Mutu Tepung Jagung (Grade 3) 153 Lampiran 11 Langkah-langkah penggunaan MINITAB 14 untuk peramalan dengan data Timeseries. 5. Masukkan data input ke dalam Worksheet: C1, C2, ..., Cn 6. Klik Stat 7. Pilih Timeseries 154 8. Klik Time Series plot untuk plot data Klik OK 9. Klik Trend Analysis untuk Regresi data Time Series - Masukkan variabel input 155 - Pilih model type - Masukkan jumlah periode peramalan pada generate forecast - Klik OK 10. Klik Moving average untuk metode rata-rata bergerak - Masukkan variabel input - Masukkan jumlah rata-rata bergerak pada MA length - Masukkan jumlah periode peramalan pada Generate forecast - Klik OK 11. Klik Single Exponential Smoothing untuk metode pemulusan tunggal - Masukkan variabel input - Masukkan nilai alpha - Untuk mendapatkan alpha optimal, pilih optimal Arima 156 - Masukkan jumlah periode peramalan - Klik OK 12. Klik Double Exponential Smoothing untuk metode pemulusan ganda - Masukkan variabel input - Masukkan nilai alpha dan gamma - Untuk mendapatkan nilai alpha dan gamma optimal, klik optimal Arima - Masukkan jumlah periode peramalan - Klik OK 13. Klik Dekomposition untuk metode Dekomposisi - Masukkan variabel input - Masukkan panjang musiman - Piliha Model Type - Masukkan jumlah periode peramalan - Klik OK 157 Lampiran 12 Peramalan Permintaan Tepung Jagung dengan MINITAB Release 14 for windows Data permintaan tepung jagung yang digunakan adalah hasil generate data dengan nilai minimum 300 ton per bulan hingga 375 ton per bulan. Nilai ini diperoleh dari hasil pengamatan dan diskusi dengan Manager Produksi pabrik tepung jagung PT Amylum Corn Grits Mills. Pabrik tersebut mendapat permintaan tepung jagung sejumlah 300 ton sampai 375 ton per bulan dari industri pangan dan farmasi. Data permintaan tepung jagung selama 24 periode (bulan) tertuang dalam Tabel berikut: Periode Permintaan Periode Permintaan 1 349 13 340 2 351 14 368 3 355 15 371 4 342 16 305 5 369 17 350 6 335 18 321 7 347 19 363 8 341 20 353 9 350 21 334 10 368 22 306 11 348 23 371 12 369 24 301 158 Plot data permintaan tepung jagung Peramalan Permintaan dengan Moving Average N = 2 Period Forecast 25 336 26 336 27 336 28 336 Lower 286,872 286,872 286,872 286,872 Upper 385,128 385,128 385,128 385,128 159 Peramalan Permintaan dengan Moving Average N = 3 Period Forecast 25 326 26 326 27 326 28 326 Lower 278,165 278,165 278,165 278,165 Upper 373,835 373,835 373,835 373,835 Peramalan Permintaan dengan Moving Average N = 4 Period Forecast 25 328 26 328 27 328 28 328 Lower 280,721 280,721 280,721 280,721 Upper 375,279 375,279 375,279 375,279 160 Peramalan Permintaan dengan Moving Average N = 5 Period Forecast 25 333 26 333 27 333 28 333 Lower 286,841 286,841 286,841 286,841 Upper 379,159 379,159 379,159 379,159 Peramalan permintaan tepung jagung dengan Single Exponential Smoothing Period Forecast 25 342,291 26 342,291 27 342,291 28 342,291 Lower 303,332 303,332 303,332 303,332 Upper 381,250 381,250 381,250 381,250 161 Peramalan permintaan tepung jagung dengan Double Exponential Smoothing Period Forecast 25 329,730 26 327,652 27 325,575 28 323,497 Lower 286,425 283,381 280,261 277,071 Upper 373,035 371,924 370,888 369,923 Peramalan Permintaan dengan Trend Analysis (Regresi linear sederhana) Per samaan regresi : Yt = 357,543 - 0,913478*t Period Forecast 25 26 27 28 334,707 333,793 332,880 331,966 162 Peramalan Permintaan dengan metode Dekomposisi Additive Model Fitted Trend Equation Yt = 357,613 - 0,919022*t Period Forecast 25 337,481 26 325,062 27 340,518 28 329,974 163 Lampiran 13 Peramalan permintaan tepung jagung dengan Double Moving Average Double Moving Average N = 2 Periode Aktual S't S''t at Bt Ramal 1 349 2 351 350,00 3 355 353,00 351,50 354,50 4 342 348,50 350,75 346,25 5 369 355,50 352,00 359,00 6 335 352,00 353,75 350,25 7 347 341,00 346,50 335,50 -11,00 346,75 8 341 344,00 342,50 345,50 9 350 10 Error Error^2 3,00 -4,50 357,50 -15,50 7,00 341,75 240,25 27,25 742,56 -3,50 366,00 -31,00 961,00 0,25 0,06 3,00 324,50 16,50 272,25 345,50 344,75 346,25 1,50 348,50 1,50 2,25 368 359,00 352,25 365,75 13,50 347,75 20,25 410,06 11 348 358,00 358,50 357,50 -1,00 379,25 -31,25 976,56 12 369 358,50 358,25 358,75 13 340 14 0,50 356,50 12,50 156,25 354,50 356,50 352,50 -4,00 359,25 -19,25 370,56 368 354,00 354,25 353,75 -0,50 348,50 19,50 380,25 15 371 369,50 361,75 377,25 15,50 353,25 17,75 315,06 16 305 338,00 353,75 322,25 -31,50 392,75 -87,75 7700,06 17 350 327,50 332,75 322,25 -10,50 290,75 18 321 335,50 331,50 339,50 8,00 311,75 9,25 85,56 19 363 342,00 338,75 345,25 6,50 347,50 15,50 240,25 20 353 358,00 350,00 366,00 16,00 351,75 1,25 1,56 21 334 343,50 350,75 336,25 -14,50 382,00 -48,00 2304,00 22 306 320,00 331,75 308,25 -23,50 321,75 -15,75 23 371 338,50 329,25 347,75 18,50 284,75 24 301 336,00 337,25 334,75 -2,50 366,25 -65,25 4257,56 59,25 3510,56 248,06 86,25 7439,06 332,25 MSE 329,75 327,25 324,75 1457,80 164 Double Moving Average N = 3 Periode Aktual S't S''t at bt Ramal Error Error^2 1 349 2 351 3 355 351,67 4 342 349,33 5 369 355,33 352,11 358,56 6 335 348,67 351,11 346,22 -2,44 361,78 -26,78 7 347 350,33 351,44 349,22 -1,11 343,78 3,22 10,38 8 341 341,00 346,67 335,33 -5,67 348,11 -7,11 50,57 9 350 346,00 345,78 346,22 0,22 329,67 20,33 413,44 10 368 353,00 346,67 359,33 6,33 346,44 21,56 464,64 11 348 355,33 351,44 359,22 3,89 365,67 -17,67 312,11 12 369 361,67 356,67 366,67 5,00 363,11 13 340 352,33 356,44 348,22 14 368 359,00 357,67 360,33 1,33 344,11 23,89 570,68 15 371 359,67 357,00 362,33 2,67 361,67 9,33 87,11 16 305 348,00 355,56 340,44 -7,56 365,00 -60,00 3600,00 17 350 342,00 349,89 334,11 -7,89 332,89 17,11 292,79 18 321 325,33 338,44 312,22 -13,11 326,22 -5,22 27,27 19 363 344,67 337,33 352,00 7,33 299,11 63,89 4081,79 20 353 345,67 338,56 352,78 7,11 359,33 -6,33 40,11 21 334 350,00 346,78 353,22 3,22 359,89 -25,89 670,23 22 306 331,00 342,22 319,78 -11,22 356,44 -50,44 2544,64 23 371 337,00 339,33 334,67 -2,33 308,56 24 301 326,00 331,33 320,67 -5,33 332,33 -31,33 3,22 5,89 717,05 34,68 -4,11 371,67 -31,67 1002,78 62,44 3899,31 315,33 MSE 310,00 304,67 299,33 981,78 1042,18 165 Double Moving Average N = 4 Periode Aktual S't S''t at Bt Ramal Error Error^2 1 349 2 351 3 355 4 342 349,25 5 369 354,25 6 335 350,25 7 347 348,25 350,50 346,00 -1,50 8 341 348,00 350,19 345,81 -1,46 344,50 -3,50 12,25 9 350 343,25 347,44 339,06 -2,79 344,35 5,65 31,88 10 368 351,50 347,75 355,25 2,50 336,27 31,73 1006,74 11 348 351,75 348,63 354,88 2,08 357,75 -9,75 95,06 12 369 358,75 351,31 366,19 4,96 356,96 12,04 145,00 13 340 356,25 354,56 357,94 1,13 371,15 -31,15 970,06 14 368 356,25 355,75 356,75 0,33 359,06 8,94 79,88 15 371 362,00 358,31 365,69 2,46 357,08 13,92 193,67 16 305 346,00 355,13 336,88 -6,08 368,15 -63,15 3987,40 17 350 348,50 353,19 343,81 -3,13 330,79 19,21 368,96 18 321 336,75 348,31 325,19 -7,71 340,69 -19,69 387,60 19 363 334,75 341,50 328,00 -4,50 317,48 20 353 346,75 341,69 351,81 3,38 323,50 29,50 870,25 21 334 342,75 340,25 345,25 1,67 355,19 -21,19 448,91 22 306 339,00 340,81 337,19 -1,21 346,92 -40,92 1674,17 23 371 341,00 342,38 339,63 -0,92 335,98 24 301 328,00 337,69 318,31 -6,46 338,71 -37,71 1421,92 45,52 2072,15 35,02 1226,46 311,85 MSE 305,40 298,94 292,48 881,90 166 Double Moving Average N = 5 Periode Aktual S't S''t at bt Ramal Error Error^2 1 349 2 351 3 355 4 342 5 369 353,20 6 335 350,40 7 347 349,60 8 341 346,80 9 350 348,40 349,68 347,12 -0,64 10 368 348,20 348,68 347,72 -0,24 346,48 21,52 463,11 11 348 350,80 348,76 352,84 1,02 347,48 0,52 0,27 12 369 355,20 349,88 360,52 2,66 353,86 15,14 229,22 13 340 355,00 351,52 358,48 1,74 363,18 -23,18 537,31 14 368 358,60 353,56 363,64 2,52 360,22 7,78 60,53 15 371 359,20 355,76 362,64 1,72 366,16 4,84 23,43 16 305 350,60 355,72 345,48 -2,56 364,36 -59,36 3523,61 17 350 346,80 354,04 339,56 -3,62 342,92 7,08 50,13 18 321 343,00 351,64 334,36 -4,32 335,94 -14,94 223,20 19 363 342,00 348,32 335,68 -3,16 330,04 32,96 1086,36 20 353 338,40 344,16 332,64 -2,88 332,52 20,48 419,43 21 334 344,20 342,88 345,52 0,66 329,76 4,24 17,98 22 306 335,40 340,60 330,20 23 371 345,40 341,08 349,72 24 301 333,00 339,28 326,72 -2,60 346,18 -40,18 1614,43 2,16 327,60 43,40 1883,56 -3,14 351,88 -50,88 2588,77 323,58 MSE 320,44 317,30 314,16 848,09 167 Lampiran 14. Hasil menjalankan program dengan MATLAB R2010a untuk meramalkan permintaan tepung jagung 1. Running program 1 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 42; testing : 23 ; forecasting : 1 MSE : 0,0000286 Hasil peramalan: bulan 1 : 330,94 ton bulan 2 : 330,80 ton bulan 3 : 331,04 ton bulan 4 : 331,04 ton 168 2. Running program 2 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 51; testing : 16 ; forecasting : 4 MSE : 8,21 x 10-12 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 330,75 ton bulan 3 : 330,75 ton bulan 4 : 330,75 ton 169 3. Running program 3 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 55; testing : 14 ; forecasting : 1 MSE : 0,0000496 Hasil peramalan: bulan 1 : 331,35 ton bulan 2 : 330,76 ton bulan 3 : 330,77 ton bulan 4 : 330,76 ton 170 4. Running program 4 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 42; testing : 28 ; forecasting : 3 MSE : 0,0000889 Hasil peramalan: bulan 1 : 330,89 ton bulan 2 : 330,77 ton bulan 3 : 331,54 ton bulan 4 : 330,78 ton 171 5. Running program 5 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 66; testing : 20 ; forecasting : 1 MSE : 6,86 x 10-9 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 330,76 ton bulan 3 : 330,75 ton bulan 4 : 330,75 ton 172 6. Running program 6 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 54; testing : 20 ; forecasting : 1 MSE : 8,13 x 10-8 Hasil peramalan: bulan 1 : 330,77 ton bulan 2 : 330,75 ton bulan 3 : 330,75 ton bulan 4 : 330,75 ton 173 7. Running program 7 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 42; testing : 23 ; forecasting : 1 MSE : 0,0000286 Hasil peramalan: bulan 1 : 330,94 ton bulan 2 : 330,80 ton bulan 3 : 331,04 ton bulan 4 : 331,04 ton 174 8. Running program 8 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 54; testing : 22 ; forecasting : 2 MSE : 5,58 x 10-36 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 330,75 ton bulan 3 : 330,75 ton bulan 4 : 330,75 ton 175 9. Running program 9 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 42; testing : 28 ; forecasting : 3 MSE : 0,0000889 Hasil peramalan: bulan 1 : 330,89 ton bulan 2 : 330,77 ton bulan 3 : 331,54 ton bulan 4 : 330,78 ton 176 10. Running program 10 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 38; testing : 21 ; forecasting : 2 MSE : 1,03 x 10-13 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 330,75 ton bulan 3 : 330,75 ton bulan 4 : 330,75 ton 177 11. Running program 11 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 4; testing : 20 ; forecasting : 3 MSE : 0,00000464 Hasil peramalan: bulan 1 : 330,76 ton bulan 2 : 330,76 ton bulan 3 : 330,93 ton bulan 4 : 330,75 ton 178 12. Running program 12 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 48; testing : 14 ; forecasting : 1 MSE : 0,0000966 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 331,18 ton bulan 3 : 330,83 ton bulan 4 : 331,46 ton 179 13. Running program 13 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 40; testing : 24 ; forecasting : 1 MSE : 0,0000292 Hasil peramalan: bulan 1 : 330,88 ton bulan 2 : 331,02 ton bulan 3 : 330,95 ton bulan 4 : 331,04 ton 180 14. Running program 14 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 29; testing : 22 ; forecasting : 5 MSE : 0,00000363 Hasil peramalan: bulan 1 : 330,76 ton bulan 2 : 330,80 ton bulan 3 : 330,76 ton bulan 4 : 330,90 ton 181 15. Running program 15 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 61; testing : 30 ; forecasting : 2 MSE : 2,89 x 10-83 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 330,75 ton bulan 3 : 330,75 ton bulan 4 : 330,75 ton 182 16. Running program 16 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 40; testing : 12 ; forecasting : 1 MSE : 0,0000553 Hasil peramalan: bulan 1 : 330,93 ton bulan 2 : 331,33 ton bulan 3 : 330,90 ton bulan 4 : 330,83 ton 183 17. Running program 17 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 64; testing : 29 ; forecasting : 1 MSE : 0,0000114 Hasil peramalan: bulan 1 : 330,77 ton bulan 2 : 331,01 ton bulan 3 : 330,75 ton bulan 4 : 330,87 ton 184 18. Running program 18 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 51; testing : 25 ; forecasting : 1 MSE : 0,00000195 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 330,75 ton bulan 3 : 330,75 ton bulan 4 : 330,87 ton 185 Lampiran 2 Hasil menjalankan program prediksi produksi jagung dengan JST pada MATLAB R2010a Run ke- Learning rate 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 Transfer function: logsig ; Training function: traincgb ; Goal : 0,0001 ; Epoch : 1000 Iterasi Forecast (ton/bulan) Hidden Training Testing Forecasting Mean Square Error 1 2 3 layer 10 10 10 8 8 8 12 12 12 10 10 10 8 8 8 12 12 12 77 136 419 69 163 173 92 231 12 88 100 77 66 56 43 59 37 69 2 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 3 1 4 4 5 4 2 1 1 2 2 1 3 2 1 2 4 6,17x 10^-23 0,0000981 0,00000246 0,0000517 3,4x10^-9 0,000002 0,00002 0,000000859 0,0000988 0,0000273 0,0000687 6,17 x10^-23 0,0000485 0,0000993 0,0000242 0,0000531 0,00005 0,0000993 115546 116634 115720 115951 115552 115644 115859 115648 116514 115818 115546 115546 115573 116441 116064 116261 116283 115946 115546 115680 115546 115935 115549 115647 115874 115562 115857 116045 115546 115546 116313 116121 115715 115917 115780 115926 115546 115560 115546 115882 115546 115594 115686 115549 115890 115622 115546 115546 115598 115765 115562 115585 115637 116226 4 115546 115562 115546 115999 115546 115597 115689 115549 115791 115619 115546 115546 115600 115737 115561 115577 115634 116218 Lampiran 15 Hasil menjalankan program prediksi permintaan tepung jagung dengan JST pada MATLAB R2010a Run ke1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Transfer function: logsig ; Training function: traincgb ; Goal : 0,0001 ; Epoch : 1000 Iterasi Forecast (ton/bulan) Learning rate Hidden layer Training Testing Forecasting Mean Square Error 1 2 3 4 0,1 10 42 23 1 0,0000286 330,94 330,8 331,04 331,04 0,1 10 51 16 4 8,21x10^-12 330,75 330,75 330,75 330,75 0,1 10 55 14 1 0,0000496 331,35 330,76 330,77 330,76 0,1 8 42 28 3 0,0000889 330,89 330,77 331,54 330,78 0,1 8 66 20 1 6,86 x 10^-9 330,75 330,76 330,75 330,75 0,1 8 54 20 1 8,13 x 10^-8 330,77 330,75 330,75 330,75 0,1 12 42 23 1 0,0000286 330,94 330,8 331,04 331,04 0,1 12 54 22 2 5,58 x 10^-36 330,75 330,75 330,75 330,75 0,1 12 42 28 3 0,0000889 330,89 330,77 331,54 330,78 0,5 10 38 21 2 1,03 x 10^-13 330,75 330,75 330,75 330,75 0,5 10 4 20 3 0,00000464 330,76 330,76 330,93 330,75 0,5 10 48 14 1 0,0000966 330,75 331,18 330,83 331,46 0,5 8 40 24 1 0,0000292 330,88 331,02 330,95 331,04 0,5 8 29 22 5 0,00000363 330,76 330,8 330,76 330,9 0,5 8 61 30 2 2,89 x 10^-83 330,75 331,75 330,75 330,75 0,5 12 40 12 1 0,0000553 330,93 331,33 330,9 330,83 0,5 12 64 29 1 0,0000114 330,77 331,01 330,75 330,87 0,5 12 51 25 1 0,00000195 330,75 330,75 330,75 330,87 ABSTRACT DORINA HETHARIA. A Design of Corn Flour Supply Model in A Corn Supply Chain. Supervised by M. SYAMSUL MA’ARIF, YANDRA ARKEMAN, and TITI CANDRA S. Corn flour as one of the types of products made from corn is an intermediate product. This product is a product that can be consumed directly, can also be used as raw materials of food industry, raw material of feed industry, and raw material of other industries. Corn flour industry is a part of the corn supply chain. The structure of the corn supply chain consists of the centers of corn, traders or collectors, corn flour industry, and users. In the supply chain, the corn flour industry is quite a role as an industry that provides the raw material for food industry, feed industry and other processed industry continuity. To ensure the continuity of the flow of goods in the supply chain, the industry needs to provide the quantity of cornflour with good quality according to consumer demand. As an industry that provided corn flour, it needed to obtain supplies of dry shelled corn from corn gatherers or corn traders. Provision of quantity and quality supply of corn from the centers of corn and collectors were very influential on the corn flour that produced by the corn flour industry. The quantity and the quality of products according to demand be supplied by the corn flour industry. This research was intended to design model that provided the quantity and the quality of corn flour to meet consumer demand. This model consists the prediction of maize production model, the shelled corn quality classification model, the corn flour quality clustering model, and the prediction of corn flour consumers demand model. Artificial neural networks and statistical forecasting methods were used for the prediction of maize production and the prediction of corn flour demand. Fuzzy inference system was used for the shelled corn quality classification and the corn flour quality clustering. Analysis of the implementation of the model produced some policies to ensure the continuity of the flow of goods in the corn supply chain. Keywords: corn flour industry, artificial neural network, prediction model, fuzzy inference system, classification model 1 1 PENDAHULUAN 1.1 Latar Belakang Rantai pasok (supply chain) merupakan jaringan perusahaan-perusahaan yang secara bersama-sama bekerja untuk menciptakan dan menghantarkan suatu produk ke tangan pemakai akhir (Pujawan, 2005). Perusahaan-perusahaan tersebut merupakan mata rantai dalam rantai pasok, mencakup pemasok, pabrik, distributor, ritel, dan perusahaan-perusahaan pendukung. Hubungan antar mata rantai yang ada didalam rantai pasok dapat dilihat sebagai elemen-elemen yang saling mendukung, saling memberikan kontribusi bagi kepuasan konsumen akhir. Perlu adanya koordinasi dan kolaborasi antar perusahaan pada rantai pasok karena perusahaan-perusahaan tersebut pada intinya ingin memuaskan konsumen akhir yang sama. Perusahaan-perusahaan dalam rantai pasok harus bekerjasama untuk membuat produk yang murah, mengirimkannya tepat waktu, dan dengan mutu yang memenuhi syarat. Manajemen Rantai Pasok (Supply Chain Management) diperlukan untuk merencanakan dan mengelola kegiatan-kegiatan dalam rantai pasok tersebut, agar tujuan untuk memuaskan konsumen dapat tercapai. Dalam pengelolaan rantai pasok terdapat tantangan-tantangan yakni kompleksitas struktur rantai pasok dan adanya ketidak-pastian. Kompleksitas manajemen rantai pasok terjadi karena melibatkan banyak pihak di dalam maupun di luar perusahaan yang memiliki kepentingan yang berbeda-beda. Ketidak-pastian yang pertama adalah ketidakpastian permintaan, biasanya dari arah distributor atau ritel atau konsumen akhir. Ketidak-pastian kedua adalah dari arah pemasok, berupa lead time pengiriman bahan baku yang tidak pasti, ketidak-pastian harga, demikian pula jumlah dan mutu bahan baku. Rantai pasok agroindustri memiliki kekhususan dibandingkan dengan rantai pasok industri manufaktur. Berbeda dengan industri manufaktur, bahan baku dalam rantai pasok agroindustri merupakan hasil pertanian yang dipengaruhi oleh musim, kondisi alam, benih, hama, dan merupakan produk yang tidak tahan lama atau mudah rusak. Hal tersebut akan mempengaruhi ketidak-pastian jumlah dan mutu bahan baku atau produk yang dihasilkan dalam rantai pasok tersebut. Faktor 2 ketidak-pastian ini akan mempengaruhi kontinuitas aliran barang dan keberlangsungan kegiatan-kegiatan dalam rantai pasok. Industri tepung jagung sebagai salah satu agroindustri merupakan bagian dari rantai pasok industri berbasis jagung. Industri ini menggunakan bahan baku jagung pipilan yang akan diproses menjadi tepung jagung (corn flour) melalui proses pengolahan cara kering. Sebagai industri antara yang memproduksi tepung jagung, industri ini akan menyediakan produk yang akan dikonsumsi langsung, dan menyediakan bahan baku bagi industri hilirnya. Struktur rantai pasok industri berbasis jagung dimanadi dalamnya terdapat industri tepung jagung, adalah sentra jagung, pengumpul, industri tepung jagung, dan industri pengguna tepung jagung. Dalam rantai pasok industri berbasis jagung, sentra jagung merupakan mata rantai yang menyediakan jagung yang diproduksi oleh petani. Produk jagung ini akan dipipil menjadi jagung pipilan dan akan dikumpulkan oleh pengumpul atau pedagang sebagai mata rantai berikutnya. Selanjutnya jagung pipilan tersebut akan dipasok sebagai bahan baku ke mata rantai selanjutnya yaitu industri tepung jagung. Mata rantai setelah industri tepung jagung adalah industri pengguna tepung jagung yang akan memperoleh pasokan bahan baku dari industri tepung jagung. Model konfigurasi industri tepung jagung dalam rantai pasok berbasis jagung dapat dilihat pada Gambar 1. Sentra Sentra jagung jagung11 Pengumpul Pengumpul Sentra Sentra jagung jagung22 Pengumpul Pengumpul Sentra Sentra jagung jagung33 Pengumpul Pengumpul Sentra Sentra jagung jagungke-k ke-k Pengumpul Pengumpul Industri Industritepung tepung jagung jagung Industri Industri pengguna pengguna tepung tepungjagung jagung Gambar 1 Konfigurasi industri tepung jagung pada rantai pasok industri berbasis jagung. Jumlah dan mutu tepung jagung yang diproduksi industri ini tergantung dari jumlah dan mutu bahan baku berupa jagung pipilan yang diperoleh dari 3 pengumpul. Sedangkan jumlah dan mutu jagung pipilan tergantung dari produksi jagung di tingkat petani. Dapat dikatakan bahwa penyediaan jumlah dan mutu tepung jagung untuk memenuhi permintaan konsumen tergantung dari produksi jagung. Produksi jagung di Indonesia semakin tahun semakin meningkat. Hal ini dapat dilihat dari data produksi, luas panen, dan produktivitas jagung sejak tahun 2000 sampai dengan 2009 seperti ditunjukkan pada Tabel 1. Namun peningkatan produksi jagung di Indonesia belum diikuti dengan penanganan pasca panen yang baik. Informasi tentang kegiatan dan penanganan pasca panen kepada petani masih sangat kurang sehingga petani belum dapat merasakan nilai tambah dengan meningkatnya mutu biji jagung. Demikian pula penerapan teknologi produksi jagung di tingkat petani masih belum optimal. Tabel 1 Produksi, luas panen, dan produktivitas jagung di Indonesia Tahun Produksi Luas Panen Produktivitas (Ton) (Ha) (Ku/Ha) 2000 9,676,899.00 3,500,318.00 27.65 2001 9,347,192.00 3,285,866.00 28.45 2002 9,585,277.00 3,109,448.00 30.83 2003 10,886,442.00 3,358,511.00 32.41 2004 11,225,243.00 3,356,914.00 33.44 2005 12,523,894.00 3,625,987.00 33.44 2006 11,609,463.00 3,345,805.00 34.70 2007 13,287,527.00 3,630,324.00 36.60 2008 16,323,922.00 4,003,313.00 40.78 2009 16,478,239.00 4,009,179.00 41.10 Sumber : Departemen Pertanian (2010) Bila dibandingkan dengan negara produsen jagung lainnya di dunia, produksi jagung di Indonesia masih jauh tertinggal. Tabel 2 menunjukkan bahwa produktivitas usaha tani jagung di Indonesia baru mencapai setengah dibandingkan dengan Argentina dan MEE, bahkan hampir mencapai sepertiga bila dibandingkan dengan Amerika Serikat. Tabel 2 juga menunjukkan bahwa rerata 4 produktivitas jagung Indonesia sebesar 3,21 ton/ha masih dibawah rerata produktivitas jagung dunia yaitu 4,53 ton/ha. Produktivitas jagung yang rendah di Indonesia mengakibatkan kebutuhan bahan baku bagi industri pengolahan jagung masih belum dapat dipenuhi oleh petani lokal. Hal ini mengakibatkan dibutuhkannya impor jagung sebagai bahan baku industri dari negara produsen jagung lainnya. Tabel 3 dan Tabel 4 menunjukkan bahwa volume ekpor jagung oleh Indonesia ke negara luar pada tahun 2006 sebanyak 29164,424 ton dengan nilai $ 4,674,364.00, sedangkan volume impor jagung pada tahun yang sama mencapai 2327947,861 ton dengan nilai $353,847,975.00. Tabel 2 Produktivitas jagung di beberapa negara produsen jagung dunia Produktivitas (ton/ha) Tahun Dunia USA Argentina MEE Indonesia 1998 4,42 8,44 6,08 5,63 2,65 1999 4,38 8,4 5,37 6,28 2,66 2000 4,27 859 5,43 5,09 2,77 2001 4,42 8,67 5,45 6,16 2,85 2002 4,37 8,16 6,52 6,24 3,09 2003 4,47 8,92 6,48 5,03 3,25 2004 4,59 9 6,5 6,04 3,34 2005 4,65 9,12 6,71 6,12 3,45 2006 4,65 8,97 6,3 5,88 3,47 2007 4,76 9,31 6,66 6,2 3,66 2008 4,82 9,66 7,56 6,48 4,08 Rerata 4,53 8,84 6,28 5,92 3,21 Sumber: USDA (2008) Dari berbagai jenis produk yang dapat dihasilkan komoditi jagung ini, tepung jagung merupakan jenis produk yang cukup penting. Hal ini karena tepung jagung merupakan produk antara multiguna yang dapat dijadikan sebagai bahan baku industri pangan, bahan baku pakan, dan sebagai bahan baku industri lainnya. 5 Pengelolaan industri tepung jagung ini tidak terlepas dari rantai pasok industri berbasis jagung. Penyediaan jumlah dan mutu pasokan jagung mulai dari petani dan pengumpul sangat berpengaruh terhadap jumlah dan mutu tepung jagung yang diproduksi. Selanjutnya jumlah dan mutu tepung jagung sebagai bahan baku akan berpengaruh pada jumlah dan mutu produk pada industri hilirnya. Jumlah dan mutu bahan baku jagung yang tiba di industri, dipengaruhi pula oleh transportasi bahan baku tersebut dari tempat asal ke tempat tujuannya. Waktu transportasi akan mempengaruhi mutu bahan baku karena bahan baku tersebut merupakan produk yang tidak tahan lama. Tabel 3 Volume ekspor jagung ke negara luar tahun 2006 Jumlah Negara Japan Volume (Kg) Nilai (US$) 5,843,305.00 1,523,732.00 Hong Kong 152,344.00 22,621.00 Korea, Republic Of 540,144.00 43,048.00 25,779.00 39,334.00 1,341.00 2,690.00 325,000.00 99,445.00 Taiwan, Province Of China Thailand Singapore Philippines 17,624,066.00 2,158,606.00 Malaysia 4,129,642.00 480,197.00 Viet Nam 9,035.00 8,116.00 500,000.00 277,500.00 250.00 2,592.00 Saudi Arabia 2,240.00 2,690.00 South Africa 5,042.00 7,596.00 American Samoa 2,206.00 2,269.00 Tonga 3,930.00 3,878.00 France 100.00 50.00 India Pakistan Total Sumber: BPS (2011), diolah 29,164,424.00 4,674,364.00 6 Data ekspor impor jagung menunjukkan bahwa Indonesia masih mengimpor jagung untuk memenuhi kebutuhan dalam negeri. Hal ini mengindikasikan bahwa kemungkinan terdapat kekurangan jumlah jagung pipilan sebagai bahan baku industri tepung jagung. Tabel 4 Volume impor jagung dari negara luar tahun 2006 Jumlah Negara Japan Volume (Kg) Nilai (US$) 100,959.00 193,953.00 45.00 39.00 13,077,367.00 3,890,391.00 180,569.00 54,409.00 China 30,935,756.00 8,570,924.00 Thailand 41,681,113.00 8,219,919.00 817,264.00 365,620.00 1,126.00 7,040.00 2,029,704.00 609,803.00 Myanmar (form Burma) 19,362,402.00 3,015,870.00 India 20,186,598.00 3,462,683.00 20,000.00 6,000.00 644.00 1,287.00 Hong Kong Korea, Republic Of Taiwan, Province Of China Singapore Philippines Malaysia South Africa Australia United States Argentina 1,605,024,200.00 238,823,965.00 591,706,985.00 85,704,495.00 225.00 3,226.00 79,019.00 37,087.00 France 501,777.00 163,727.00 Germany, Fed. Rep. Of 682,525.00 244,097.00 1,515,583.00 438,680.00 44,000.00 34,760.00 United Kingdom Netherlands Italy Spain Total Sumber: BPS (2011), diolah 2,327,947,861.00 353,847,975.00 7 Selain jumlah bahan baku, mutu tepung jagung pun harus memenuhi standar yang ditetapkan, agar dapat memuaskan konsumennya dan dapat bersaing. Mutu produk merupakan hal yang diutamakan dalam industri. Dalam agroindustri terutama yang memproduksi pangan atau bahan baku indutri pangan, mutu produk sangat erat kaitannya dengan keamanan pangan. Standar Nasional Indonesia telah menetapkan syarat mutu tepung jagung yang harus dipenuhi oleh produsen tepung jagung yakni SNI 01-3727-1995. Syarat mutu tersebut meliputi kriteria-kriteria uji secara fisik maupun kimia. Mutu tepung jagung sebagai produk antara dipengaruhi oleh mutu bahan baku dan oleh tahapan-tahapan pada proses sebelumnya. Demikian pula mutu jagung pipilan sebagai bahan baku tepung jagung harus memenuhi standar mutu yang ditetapkan sesuai SNI 01-3920-1995. Mutu jagung pipilan yang memenuhi standar akan menjamin mutu tepung jagung yang diproduksi. Karakteristik mutu tepung jagung sebagai bahan baku pada industri hilir sangat diperlukan untuk menjamin mutu produk yang dihasilkan industri tersebut, dimana karakteristik mutu tepung jagung yang dibutuhkan oleh industri hilir berbeda-beda sesuai jenis industri, baik industri pangan, atau industri lainnya. Masalah yang dihadapi oleh industri tepung jagung adalah bagaimana industri ini dapat memenuhi kebutuhan konsumennya yaitu dengan menyediakan produk tepung jagung menurut jumlah yang dibutuhkan dan mutu yang memenuhi syarat. Jumlah dan mutu produk yang disediakan industri ini diperlukan untuk memenuhi kebutuhan industri pangan, industri farmasi, dan industri lainnya. Dengan demikian diharapkan keberlangsungan kegiatan dan kontinuitas aliran barang sepanjang rantai pasok dapat berjalan dengan baik. 1.2 Tujuan Penelitian Tujuan penelitian adalah dihasilkannya model penyediaan tepung jagung pada rantai pasok industri berbasis jagung, ditinjau dari jumlah maupun mutu tepung jagung. Dari model ini diharapkan akan diperoleh kebijakan-kebijakan untuk mengatasi permasalahan yang terjadi berkenaan dengan jumlah dan mutu bahan baku dan produk tepung jagung. 8 1.3 Ruang Lingkup Penelitian Rancangbangun model meliputi beberapa model yaitu: 1) Model prediksi produksi jagung, dimana pada model ini akan diramalkan berapa jumlah produksi yang dihasilkan oleh sentra jagung; 2) Model pengelompokan mutu jagung pipilan, yang akan menghasilkan kelompok mutu berdasarkan persyaratan mutu yang ditetapkan; 3) Model pengelompokan mutu tepung jagung dan 4) Model prediksi permintaan tepung jagung, dimana akan diramalkan permintaan tepung jagung oleh industri pengguna tepung jagung. 1.4 Manfaat Penelitian Manfaat yang diharapkan dari penelitian ini adalah sebagai berikut, 1. Rancangbangun model penyediaan tepung jagung pada rantai pasok industri berbasis jagung ini dapat digunakan sebagai bahan analisis ketersediaan jumlah dan mutu tepung jagung yang dibutuhkan. 2. Sebagai bahan rujukan bagi penelitian tentang pengembangan model pada rantai pasok industri berbasis jagung dalam cakupan yang lain. 9 2 TINJAUAN PUSTAKA 2.1 Jagung Tanaman jagung (Zea mays L.) merupakan tanaman yang berasal dari Amerika dan merupakan salah satu tanaman pangan biji-bijian. Fakta arkeologi mengindikasikan bahwa tanaman ini tumbuh di Tehuacan Mexico sekitar 5000 tahun sebelum masehi (Johnson 2000). Dari tempat ini tanaman tersebut menyebar ke Canada dan Selatan Argentina. Sejak Christopher Columbus dalam perjalanannya menemukan ‘dunia baru’ pada tahun 1492 makanan orang Amerika asli ini disebut ‘mahyz’. Jagung kemudian dikenal sebagai maize dalam terjemahan bahasa Spanyol. Maize tidak sepopuler corn sebagai sebutan oleh orang Amerika dengan terminologi British. Mengikuti perjalanan Columbus, jagung kemudian ditanam di Spanyol dan dengan cepat menyebar ke Eropa, Afrika dan Asia. Jagung kini banyak tumbuh di negara-negara beriklim panas termasuk Indonesia. Tanaman jagung merupakan varietas unggul yang memiliki sifat: berproduksi tinggi, berumur pendek, tahan serangan penyakit. Jagung merupakan tanaman semusim (annual). Satu siklus hidupnya diselesaikan dalam 80-150 hari. Tanaman jagung merupakan tanaman pangan dunia yang terpenting yang bermanfaat bagi kehidupan manusia dan hewan. Selain gandum dan padi, jagung merupakan sumber karbohidrat utama di Amerika Tengah dan Selatan, jagung juga menjadi alternatif sumber pangan di Amerika Serikat. Sebagai sumber karbohidrat, jagung merupakan tanaman pangan yang cukup penting selain gandum dan padi. Komoditi ini merupakan sumber pangan yang dapat menggantikan beras sebagai bahan makanan pokok di Indonesia. Beberapa daerah di Indonesia seperti Madura dan Nusa Tenggara menggunakan jagung sebagai pangan pokok bagi penduduknya. Selain sebagai bahan makanan pokok, jagung juga merupakan bahan baku industri pangan, industri pakan dan industri olahan lainnya. Banyak sekali manfaat tanaman jagung yang bernilai ekonomis antara lain, daunnya sebagai pakan dan kompos, kulit buah jagung sebagai bahan pakan, kompos dan industri 10 rokok, jagung muda sebagai sayuran, jagung pipilan sebagai bahan baku pembuatan tepung jagung, pati jagung, bahan industri pangan, bahan baku minyak jagung, etanol, dextrin, dan bahan baku industri lainnya. Di Indonesia biji jagung pipilan sebagai produk utama dari tanaman jagung, 50% digunakan sebagai bahan baku baku utama industri pakan, selebihnya digunakan sebagai bahan baku industri lain dan dikonsumsi langsung. Gambar 2 Pohon industri jagung (Suryana & Hermanto 2007). 11 Di Indonesia, daerah-daerah penghasil utama tanaman jagung adalah Jawa Tengah, Jawa Timur, Madura, D.I. Yogyakarta, Nusa Tenggara Timur, Sulawesi Utara, Sulawesi Selatan, dan Maluku. Budidaya tanaman jagung sangat intensif dilakukan di dareah Jawa Timur dan Madura karena kondisi tanah dan iklimnya sangat mendukung bagi pertumbuhannya. Penduduk beberapa daerah di Indonesia seperti di Madura dan Nusa Tenggara juga menggunakan jagung sebagai pangan pokok. Meskipun terjadi peningkatan produktivitas jagung dari tahun ke tahun seperti yang ditunjukkan pada Tabel 1, namun kebutuhan jagung di dalam negeri belum dapat dipenuhi. Hal ini ditunjukkan dengan jumlah volume impor jagung yang melebihi ekspornya keluar negeri. Data ini belum didukung data kebutuhan bahan baku bagi industri pengolahan jagung baik pengolahan jagung untuk makanan, maupun industri lainnya. Hal ini juga mengindikasikan bahwa pengelolaan penanaman jagung belum optimal dan belum terintegrasi dengan kebutuhan bahan baku bagi industri pengolahan jagung. Semua bagian dari hasil panen jagung dapat digunakan untuk berbagai industri. Diantara industri-industri tersebut, yang menarik untuk dikaji lebih lanjut dalam penelitian ini adalah industri tepung jagung, dimana dalam proses pengolahan tepung jagung. Sebagai industri hilirnya adalah industri pangan, pakan, dan industri pengolahan jagung lainnya. Sebagai sumber pati jagung, pada Gambar 3 diperlihatkan penampang butir jagung yang menunjukkan kandungan pati (starch) yang cukup banyak dibandingkan dengan komponen biji jagung lainnya. Gambar 3 Penampang membujur butir jagung (Disnak Jatim 2011). 12 Tabel 5 menunjukkan komposisi analisis proksimat biji jagung pada pericrap, endosperm dan germ. Biji jagung kaya akan karbohidrat. Sebagian besar berada pada endospermium. Kandungan karbohidrat dapat mencapai 80% dari seluruh bahan kering biji. Karbohidrat dalam bentuk pati umumnya berupa campuran amilosa dan amilopektin. Pada jagung ketan, sebagian besar atau seluruh patinya merupakan amilopektin. Perbedaan ini tidak banyak berpengaruh pada kandungan gizi, tetapi lebih berarti dalam pengolahan sebagai bahan pangan. Jagung manis tidak mampu memproduksi pati sehingga bijinya terasa lebih manis ketika masih muda. Tabel 5 Komposisi analisis proksimat bagian biji jagung Nutrisi Pericarp (%) Endosperm (%) Protein 3.70 8.00 Ether extract 1.00 0.80 Serat kasar 86.70 2.70 Abu 0.80 0.30 Pati 7.30 87.60 Gula 0.34 0.62 Sumber : FAO Corporate Document Repository (1992) Germ (%) 18.40 33.20 8.80 10.50 8.30 10.80 Proses pengolahan jagung diklasifikasikan atas dua cara yaitu proses pengolahan cara basah (corn wet milling process) dan proses pengolahan cara kering (corn dry milling process). Kedua proses pengolahan ini bertujuan untuk memisahkan biji jagung ke dalam komponen-komponennya. Tujuan dari proses pengolahan cara kering adalah memisahkan biji jagung secara fisik ke dalam bagian-bagian anatomis yaitu endosperm, bran dan germ. Sedangkan tujuan proses pengolahan cara basah adalah memisahkan biji jagung ke dalam unsurunsur kimianya seperti pati jagung (starch), protein, fiber dan minyak (Johnson 2000). 2.2 Tepung Jagung Saat ini kebutuhan bahan baku industri pangan sangat tergantung dari tepung terigu yang masih diimpor. Salah satu pengganti tepung terigu yang berbahan baku lokal adalah tepung jagung. Tepung jagung adalah butiran-butiran 13 halus yang berasal dari jagung kering yang digiling. Tujuan pengolahan jagung menjadi tepung adalah agar memudahkan membuat aneka ragam makanan dengan bahan dasar jagung. Tepung jagung adalah produk setengah jadi dari biji jagung kering pipilan yang dihaluskan dengan cara penggilingan kemudian diayak. Proses penggilingan biji jagung ke dalam bentuk tepung adalah proses pemisahan kulit, lembaga, endosperma, dan pangkal biji. Penggilingan cara kering dan pemasakan dengan alkali merupakan teknik penggilingan untuk mereduksi ukuran jagung. Pada penggilingan cara kering, tidak dilakukan proses perendaman yang lama melainkan dilakukan pembasahan agar endosperma jagung melunak sebelum penggilingan. Pengolahan jagung dengan alkali adalah proses penambahan Ca(OH)2 sebanyak 1% yang dilakukan pada proses perebusan, kemudian dikeringkan, dan digiling untuk mendapatkan tepung jagung (Riyani, 2007). Tepung jagung lebih tahan lama, mudah dicampur dengan bahan lain, mengandung zat gisi, lebih praktis dan mudah digunakan umtuk proses pengolahan lanjutan. Bahan dan alat pembuat tepung jagung adalah: 1) jagung bertongkol atau jagung pipilan; 2) alat atau mesin pemipil jagung; 3) mesin penggiling; 4) ayakan; 5) plastik pengemas. Adapun proses pembuatan tepung jagung ditunjukkan pada Gambar 4. Jagung Jagungpipilan pipilan Pembersihan Pembersihandan danpengeringan pengeringan (dijemur;1-2 (dijemur;1-2jam; jam;suhu suhu50°C) 50°C) Penggilingan Penggilingan Keringkan Keringkansampai sampai kadar kadarair air15-18% 15-18% Penepungan Penepungandengan dengan ayakan ayakan50 50mesh mesh Tepung Tepungdikeringkan dikeringkan Pengayakan Pengayakanbertingkat bertingkat untuk untuktepung tepunghalus halus Gambar 4 Proses pembuatan tepung jagung (Badan Penelitian dan Pengembangan Pertanian, Balai Pengkajian Teknologi Pertanian Jawa Tengah, 2006). 14 Neraca masa tepung jagung berdasarkan informasi dari Unit Pengolahan jagung Terpadu Kabupaten Bojonegoro (Irawan, 2009) ditunjukkan pada Gambar 5. Basis Basis15000 15000kgkgjagung jagungpipilan pipilan Jagung Jagungpipilan pipilan15000 15000kgkg Penggilingan PenggilinganI I Loss Loss3030kgkg(0,2%) (0,2%) Grits Grits14970 14970kgkg Pemisahan Pemisahankulit kulitdan danlembaga lembaga Ampok: Ampok: - -Kulit Kulitariari 865 865kgkg - -Lembaga Lembaga 1680 1680kgkg Grits Grits12425 12425kgkg Penggilingan PenggilinganIIIIdan danpengayakan pengayakan Loss Loss24,85 24,85kgkg(0,2%) (0,2%) Tepung Tepungjagung jagung12400,15 12400,15kgkg Gambar 5 Neraca masa tepung jagung (Suryawijaya, 2009). 2.3 Mutu Mutu (quality) merupakan isu dominan yang penting di industri, baik industri yang menghasilkan produk maupun jasa. Hal ini disebabkan karena mutu produk yang merupakan pemenuhan harapan konsumen atau melebihi harapan konsumen, berdampak kepada peningkatan profit bagi perusahaan (Krajewsky, 2002). Dengan demikian dapat dikatakan bahwa mutu produk merupakan hal penting bagi perusahaan yang secara langsung atau tidak langsung merupakan alat persaingan antar perusahaan. Adam EE (1992) menyatakan bahwa mutu adalah derajat dimana spesifikasi desain (design spesification) suatu produk atau jasa (service) memenuhi fungsi dan kegunaannya, dan derajat dimana produk atau jasa dapat memenuhi spesifikasi desainnya. Menurut Krajewski (2002), dari sisi pelanggan (customer), mutu dapat didefinisikan sebagai kemampuan perusahaan untuk memenuhi atau melampaui harapan pelanggan. Definisi singkat dari mutu adalah ‘customer satisfaction and loyalty’ dan definisi singkat lainnya adalah 15 ‘fitness for use’ (Gryna 2001). Kepuasan pelanggan (customer satisfaction) saat ini merupakan hal penting untuk diperhatikan, karena hal ini secara tidak langsung menunjukkan mutu suatu produk atau jasa yang dihasilkan oleh perusahaan atau industri. Render (1997) menyatakan bahwa peningkatan mutu merupakan salah satu faktor yang mempengaruhi peningkatan profit. Agroindustri tidak terlepas dari isu mutu, karena industri-industri berbasiskan hasil pertanian sebagai bahan baku inipun merupakan industri yang menghasilkan barang konsumsi. Pada umumnya agroindustri sebagaimana industri-industri lainnya bertujuan untuk memperoleh profit yang maksimal. Hal ini dapat tercapai bila peningkatan faktor-faktor yang mempengaruhinya dapat dilakukan secara optimal. Mutu produk agro berkaitan juga dengan keamanan pangan, karena produk tersebut biasanya merupakan barang konsumsi yang dapat dikonsumsi langsung oleh konsumennya. 2.3.1 Mutu Jagung Pipilan Jagung pipilan merupakan hasil produksi jagung melalui proses pasca panen jagung. Jagung pipilan adalah produk yang digunakan sebagai bahan baku bagi industri pengolahan jagung. Sebagai bahan baku industri pengolahan jagung, mutu jagung pipilan harus memenuhi syarat mutu yang ditetapkan. Mutu jagung pipilan di Indonesia ditentukan oleh Standar Nasional Indonesia yaitu SNI 013920-1995. Standar Nasional Indonesia menetapkan standar mutu jagung pipilan sebagai berikut: – Jagung kuning adalah jagung yang terdiri dari sekurang-kurangnya 90% berwarna – kuning dan sebanyak-banyaknya 10% jagung berwarna lain. – Biji jagung merah dianggap sebagai jagung kuning, asal warna merah tidak diakibatkan oleh penyakit dan hanya menutupi kurang dari 50% permukaan biji seluruhnya. – Bebas hama penyakit – Bebas bau busuk, asam, atau bau asing lainnya – Bebas dari bahan kimia seperti insektisida dan fungisida – Memiliki suhu normal 16 – Kandungan Aflatoxin untuk Manusia Maks. 5 ppb dan untuk hewan Maks. 50 ppb. Adapun parameter mutu jagung pipilan menurut SNI 01-3920-1995 dapat dilihat pada Tabel 6. Tabel 6 Parameter jagung pipilan menurut SNI 01-3920-1995 Jenis Uji Kadar air Butir rusak Butir warna lain Butir pecah Kotoran Satuan Mutu 1 Persyaratan Umum Mutu 2 Mutu 3 (%) (%) (%) Maksimum 14 Maksimum 2 Maksimum 1 Maksimum 14 Maksimum 4 Maksimum 3 Maksimum 15 Maksimum 6 Maksimum 7 (%) (%) Maksimum 1 Maksimum 1 Maksimum 2 Maksimum 1 Maksimum 3 Maksimum 2 2.3.2 Mutu Tepung Jagung Tepung jagung sebagai produk antara adalah produk yang digunakan sebagai bahan baku industri. Industri-industri yang menggunakan bahan baku tepung jagung antara lain industri pangan, industri farmasi, dan industri pakan. Sebagai produk antara, tepung jagung harus memenuhi permintaan industri konsumennya secara kuantitas maupun secara kualitas. Penyediaan produk yang memenuhi mutu yang diinginkan industri pengguna tepung jagung, adalah hal yang penting untuk menjaga kesinambungan produksi, sekaligus kelangsungan hidup perusahaannya. Standar mutu tepung jagung ditetapkan oleh negara-negara penghasil tepung jagung, salah satunya Indonesia. Mutu tepung jagung di Indonesia ditetapkan oleh Standar Nasional Indonesia menurut SNI 01 – 3727 – 1995. Standar ini meliputi definisi, syarat mutu, cara pengambilan contoh, cara uji, syarat penandaan dan cara pengemasan tepung jagung. Definisi tepung jagung menurut SNI adalah tepung yang diperoleh dengan cara menggiling biji jagung (Zea mays L.) yang baik dan bersih. Sedangkan syarat mutu tepung jagung yang ditetapkan menurut SNI dapat dilihat pada Tabel 7. Standar mutu untuk tepung jagung yang digunakan pada kajian selanjutnya adalah standar menurut Standar Nasional Indonesia. 17 Tabel 7 Syarat mutu tepung jagung menurut SNI 01–3727–1995 No. 1. Kriteria uji Satuan Persyaratan Keadaan: 1.1 Bau - Normal 1.2 Rasa - Normal 1.3 Warna - Normal Benda-benda asing - Tidak boleh 2. ada 3. Serangga dalam bentuk stadia dan - potongan-potongan 4. Jenis pati lain selain pati jagung Tidak boleh ada - Tidak boleh ada 5. Kehalusan: 5.1 Lolos ayakan 80 mesh % Min. 70 5.2 Lolos ayakan 60 mesh % Min. 99 6. Air % b/b Maks. 10 7. Abu % b/b Maks. 1,5 8. Silikat % b/b Maks. 0,1 9. Serat kasar % b/b Maks. 1,5 10. Derajat asam ml.N.NaOH Maks. 4,0 /100 g 11. Cemaran logam: 11.1 Timbal (Pb) mg/kg Maks. 1,0 11.2 Tembaga (Cu) mg/kg Maks. 10,0 11.3 Seng (Zn) mg/kg Maks. 40,0 11.4 Raksa (Hg) mg/kg Maks. 0,05 12. Cemaran Arsen (As) mg/kg Maks. 0,5 13. Cemaran mikroba: Koloni/g Maks. 106 13.1 Angka lempeng total 13.2 E. coli APM/g Maks. 10 13.3 Kapang Koloni/g Maks. 104 18 2.4 Manajemen Rantai Pasok Istilah manajemen rantai pasok (supply chain management) pertama kali dikemukakan oleh Oliver & Weber (Pujawan 2005). Jaringan fisik dari rantai pasok (supply chain) adalah perusahaan-perusahaan yang terlibat dalam memasok bahan baku, memproduksi barang, maupun mengirimkannya ke pemakai akhir. Sedangkan manajemen rantai pasok adalah metode, alat, atau pendekatan pengelolaannya. Penekanan dalam manajemen rantai pasok adalah pendekatan atau metode yang terintegrasi dengan dasar semangat kolaborasi antar perusahaan-perusahaan terkait. Dalam manajemen rantai pasok, interaksi antara pembeli dan pemasok pada setiap mata rantai mulai dari manufaktur ke pemasok, distributor ke manufaktur, retailer ke distributor, dan konsumen akhir ke retailer, memberikan pengaruh yang penting pada kegiatan dalam rantai pasok. Dengan hubungan yang baik, akan dihasilkan pula pelayanan yang baik bagi konsumen akhir, dan bersamaan dengan itu terjadi penambahan keuntungan bagi perusahaanperusahaan dalam rantai pasok tersebut. Wisner (2005) menuliskan bahwa di antara tahun 1950 dan 1960 perusahaan-perusahaan manufaktur melakukan teknik-teknik untuk produksi masal dengan tujuan reduksi biaya dan meningkatkan produktivitas, dimana relatif hanya sedikit memperhatikan patrnership dengan pemasok, meningkatkan desain proses dan meningkatkan mutu produk. Dari tahun 1960 sampai 1970, sistem material requirements planning (MRP) dan sistem material resource planning (MRP II) dikembangkan. Pada tahun 1980-an mulai dikembangkan manajemen rantai pasok dan berlanjut terus hingga kini. Perlunya koordinasi dan kolaborasi antar perusahaan pada rantai pasok karena perusahaan-perusahaan yang berada pada suatu rantai pasok pada intinya ingin memuaskan konsumen akhir yang sama. Perusahaan-perusahaan tersebut harus bekerjasama untuk membuat produk yang murah, mengirimkannya tepat waktu, dan dengan mutu yang bagus. Dalam pengelolaan rantai pasok terdapat tantangan-tantangan yakni kompleksitas struktur rantai pasok dan terdapatnya ketidak-pastian. Kompleksitas manajemen rantai pasok terjadi karena melibatkan banyak pihak di dalam maupun di luar perusahaan, pihak-pihak tersebut biasanya memiliki kepentingan yang berbeda-beda, sehingga tidak jarang terdapat konflik 19 antara satu dengan yang lainnya. Ketidak-pastian yang pertama adalah ketidakpastian permintaan, biasanya dari arah distributor atau retailer atau konsumen akhir. Ketidak-pastian kedua adalah dari arah supplier, berupa lead time pengiriman bahan baku yang tidak pasti, ketidak-pastian harga, demikian pula jumlah dan mutu bahan baku. Ketidak-pastian lainnya adalah dari dalam manufaktur seperti kerusakan mesin, tidak hadirnya tenaga kerja, mutu produk yang tidak pasti. Tantangan-tantangan yang terjadi dalam rantai pasok seperti yang diuraikan tersebut perlu diminimalisir agar kegiatan-kegiatan sepanjang rantai pasok dalam berlangsung dengan baik untuk dapat memenuhi kebutuhan dan keinginan konsumen akhir yaitu kepuasan konsumen. 2.5 Jaringan syaraf tiruan Jaringan syaraf tiruan (Artificial Neural Network) merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba mensimulasikan proses pembelajaran pada otak manusia tersebut (Siang 2009). Dinyatakan pula oleh Fausett (1994) bahwa jaringan syaraf tiruan adalah pemrosesan suatu informasi yang terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari sistim pemrosesan informasi. Jaringan syaraf tiruan memiliki kelebihan yaitu dapat mengingat dan membuat generalisasi dari apa yang sudah ada sebelumnya. Sehingga dengan menggunakan jaringan syaraf tiruan dapat dikenali pola data berdasarkan data input di masa lalu yang dapat mempermudah dalam melakukan peramalan. Jaringan syaraf tiruan berkembang secara pesat pada beberapa tahun terakhir, dan telah dikembangkan sebelum adanya suatu komputer konvensional yang canggih dan terus berkembang walaupun pernah mengalami masa vakum selama beberapa tahun. Tahun 1943 McCulloch dan Pitts memperkenalkan jaringan syaraf tiruan, dimana saat itu disimpulkan bahwa kombinasi beberapa neuron sederhana menjadi sebuah sistem neural akan meningkatkan kemampuan komputasi. McCulloch dan Pitts mengusulkan pembobotan jaringan diatur dengan fungsi logika sederhana. Fungsi aktivasi yang dipakai dalam jaringan ini adalah fungsi treshlod. 20 Pengembangan model jaringan perceptron dilakukan oleh Rosenblatt pada tahun 1958, dengan memperkenalkan metode pelatihan untuk mengoptimalkan hasil iterasinya. Pada tahun 1960 Widrow dan Holf memperkenalkan aturan pelatihan jaringan yang merupakan pengembangan perceptron. Aturan ini dikenal sebagai aturan delta atau disebut juga kuadrat rata-rata terkecil. Aturan ini akan mengubah bobot perceptron bila keluaran yang diperoleh tidak sesuai dengan target yang ingin dicapai. Jaringan syaraf tiruan yang digunakan oleh para peneliti tersebut menggunakan jaringan dengan layer tunggal (single layer). Pada tahun 1986 Rumelhart mengembangkan perceptron menjadi backpropagation, yang memungkinkan jaringan menggunakan beberapa layer. Jaringan syaraf tiruan ini juga dikembangkan oleh Kohonen pada 1972 dan Hopfield pada tahun 1982. Sejak tahun 1990 aplikasi model-model jaringan syaraf tiruan banyak digunakan untuk menyelesaikan masalah-masalah di dunia nyata. Beberapa aplikasi jaringan syaraf tiruan antara lain pengenalan pola (Pattern Recognition), Signal Processing, dan Forecasting atau peramalan (Siang, 2009). Pada pengenalan pola data, jaringan syaraf tiruan dapat digunakan untuk mengenali pola seperti huruf, angka, tanda tangan, yang sudah sedikit berubah. Sama halnya dengan otak manusia yang masih mengenali orang yang sudah lama tak bertemu. Berdasarkan kemampuan jaringan syaraf tiruan untuk mengingat dan melakukan generalisasi dari apa yang sudah ada sebelumnya, maka jaringan syaraf tiruan juga dapat digunakan untuk meramalkan atau melakukan prakiraan tentang apa yang terjadi di masa datang berdasarkan pola data masa lalu. Selain itu jaringan syaraf tiruan juga digunakan di bidang kontrol, bidang kedokteran dan bidang lainnya. Selain kelebihan-kelebihannya yang dapat diaplikasikan dalam berbagai bidang, jaringan syaraf tiruan juga memiliki keterbatasan. Keterbatasannya adalah hasil yang diperoleh tidak akurat, dan hanya bekerja berdasarkan pola yang terbentuk pada inputnya. 2.5.1 Arsitektur Jaringan Beberapa arsitektur jaringan pada jaringan syaraf tiruan adalah jaringan layar tunggal (single layer) dan jaringan layar jamak (multi layer network). Pada awal pengenalannya arsitektur jaringan yang digunakan adalah jaringan layar 21 tunggal. Pada perkembangan selanjutnya analisis permasalahan dengan jaringan syaraf tiruan menggunakan jaringan layar jamak. Dalam jaringan layar tunggal (single layer network), input neuron dihubungkan langsung dengan neuron outputnya. Semua unit input (X1, X2, ..., Xn) dihubungkan dengan semua unit output (Y1, Y2, ..., Ym). Nilai Wji menunjukkan bobot hubungan antara unit input ke-i dengan unit output ke-j. Bobot-bobot yang saling independen akan dimodifikasi untuk meningkatkan keakuratan hasil selama proses pelatihan. Bentuk jaringannya dapat dilihat pada Gambar 6. w11 X1 Y1 wj1 wm1 w1i wji Xi Yj wmi w1n Xn wjn Ym wmn Gambar 6 Jaringan layar tunggal (Siang 2009). Dalam jaringan layar jamak (multi layer network) terdapat unit-unit neuron lain yang disebut layar tersembunyi (hidden layer) dimana unit-unit neuron ini tidak saling berhubungan satu sama lainnya sama seperti neuron-neuron pada layar input dan neuron-neuron pada layar output. v11 X1 Y1 vp1 w11 Z1 v1i Xi vpi Xn Yj w1p Zp v1n wj1 wm1 wjp wmp vpn Ym Gambar 7 Jaringan layar jamak. Pada jaringan layar jamak terdapat sebanyak n unit neuron input (X1, X2, ..., Xn), sebuah layar tersembunyi dengan sebanyak p unit neuron (Z1, ..., Zp) dan 22 sebanyak m unit neuron output (Y1, Y2, ..., Ym). Bentuk arsitektur jaringan layar jamak ditunjukkan pada Gambar 7. Keterbatasan jaringan syaraf tiruan layar tunggal diatasi dengan menambah satu atau beberapa layar tersembunyi di antara layar input dan layar output. Penambahan beberapa layar tersembunyi dapat memberikan manfaat dalam penyelesaian beberapa persoalan, namun memerlukan waktu yang lama untuk proses pelatihan. Pada umumnya dilakukan dengan satu layar tersembunyi. Gambar 8 menunjukkan arsitektur backpropagation. Vji merupakan bobot hubungan unit neuron input Xi ke unit layar tersembunyi Zj. Wkj merupakan obot dari unit layar tersembunyi Zj ke unit output Yk. Wk0 merupakan bobot dari neuron bias di layar tersembunyi ke unit neuron output Zk. v10 1 vj0 vp0 w10 1 wk0 wm0 w11 v11 X1 Z1 vj1 Y1 wk1 wm1 vp1 v1i Zj Xi w1p wkp vpi v1n Yk wmj vji Xn w1j wkj vjn Zp Ym wmp vpn Gambar 8 Arsitektur jaringan pada backpropagation. 2.5.2 Algoritma Backpropagasi Umpan Balik Pelatihan propagasi umpan balik (Feed Forward Back Propagation) berbasis jaringan syaraf tiruan meliputi 3 fase (Siang 2009). Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari layar masukan hingga layar keluaran menggunakan fungsi aktivasi yang ditentukan. Selama propagasi maju, sinyal masukan (= xi ) dipropagasikan ke layer tersembunyi menggunakan fungsi aktivasi yang ditentukan. Keluaran dari setiap unit layar tersembunyi (= zj ) tersebut selanjutnya dipropagasikan maju lagi 23 ke layer tersembunyi di atasnya menggunakan fungsi aktivasi yang ditentukan. Demikian seterusnya hingga menghasilkan keluaran jaringan (= yk ). Berikutnya, keluaran jaringan (= yk ) dibandingkan dengan target yang harus dicapai (= tk ).Selisih dari tk terhadap yk yaitu (tk− yk ) adalah kesalahan yang t terjadi. Jika kesalahan ini lebih kecil dari batas toleransi yang ditentukan, maka iterasi dihentikan. Namun bila kesalahan masih lebih besar dari batas toleransinya, maka bobot setiap garis dalam jaringan akan dimodifikasi untuk mengurangi kesalahan yang terjadi. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit-unit di layar keluaran. Berdasarkan kesalahan tk− yk, dihitung faktor δk ( k = 1,2,..., m ) yang dipakai untuk mendistribusikan kesalahan di unit k y ke semua unit tersembunyi yang terhubung langsung dengan yk . δk juga dipakai untuk mengubah bobot garis yang berhubungan langsung dengan unit keluaran. Dengan cara yang sama, dihitung faktor δj ( j = 1,2,…, p ) di setiap unit di layar tersembunyi sebagai dasar perubahan bobot semua garis yang berasal dari unit tersembunyi di layar di bawahnya. Demikian seterusnya hingga semua faktor δ di unit tersembunyi yang berhubungan langsung dengan unit masukan dihitung. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi. Setelah semua faktor δ dihitung, bobot semua garis dimodifikasi bersamaan. Perubahan bobot suatu garis didasarkan atas faktor δ neuron di layar atasnya. Sebagai contoh, perubahan bobot garis yang menuju ke layar keluaran didasarkan atas δk yang ada di unit keluaran. Ketiga fase terebut diulang-ulang terus hingga kondisi penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas toleransi yang diijinkan. Bidang peramalan (forecasting) merupakan salah satu bidang dimana jaringan syaraf tiruan dapat diaplikasikan. Backpropagation dapat digunakan dalam melakukan peramalan seperti prediksi permintaan suatu produk di masa 24 mendatang, prediksi nilai penjualan dan lain sebagainya. Peramalan ini didasarkan pada data yang diperoleh pada masa lalu. Dalam memecahkan masalah peramalan, variabel yang diperhatikan adalah variabel yang mempengaruhi output peramalan yang akan dicapai. Terdapat dua model dalam peramalan yaitu model peramalan berdasarkan runtun waktu (time series) dan model kausal. Pada model peramalan time series, sejumlah data x1, x2, ..., xn akan digunakan untuk memperkirakan nilai xn+1. Dengan backpropagation, sebagian data dipakai sebagai pelatihan untuk mencapai bobot yang optimal. Periode ditentukan secara intuitif tergantung variabel yang akan diprediksi. Banyaknya data dalam satu periode digunakan sebagai banyaknya input dalam backpropagation. Sebagai contoh, apabila diambil periode bulanan selama setahun, maka data yang digunakan sebagai target adalah data bulan pertama setelah periode berakhir. Pada model peramalan kausal, unit-unit neuron input merupakan variabelvariabel yang mempengaruhi neuron output. Neuron output y merupakan variabel yang diramalkan dan dipengaruhi oleh variabel-variabel input. Pada backpropagation ini belum ada teori yang secara pasti dapat digunakan dalam penentuan jumlah layar. Pada awalnya dicoba dengan jaringan kecil lebih dahulu, jika terdapat kesalahan maka jaringan diperbesar dengan menambahkan neuron pada layar tersembunyi, atau dapat menambah layar tersembunyi. 2.6 Proses Hirarki Analitik Menurut Saaty (1993), Proses Hirarki Analitik (Analytical Hierarchy Process) adalah suatu model yang memberikan kesempatan untuk membangun gagasan dan mendefinisikan persoalan dengan cara membuat asumsi dan pemecahan yang diinginkan. Dengan menggunakan Analytical Hierarchy Process (AHP), suatu persoalan yang akan dipecahkan dalam suatu kerangka berfikir yang terorganisir sehingga memungkinkan dapat diekspresikan untuk mengambil keputusan yang efektif atas persoalan tersebut dan persoalan yang kompleks 25 dapat disederhanakan dan dipercepat proses pengambilan keputusannya (Marimin 2004). AHP memiliki banyak keunggulan dalam menjelaskan proses pengambilan keputusan, karena dapat digambarkan secara grafis, sehingga mudah dipahami oleh semua pihak yang terlibat dalam pengambilan keputusan. Dengan AHP, proses keputusan yang kompleks dapat diuraikan menjadi keputusan-keputusan yang Iebih kecil yang dapat ditangani dengan lebih mudah. Struktur yang berhirarki, sebagai konsekuensi dari kriteria yang dipilih, sampai pada sub kriteria yang paling dalam, Memperhitungkan validitas sampai dengan batas toleransi inkonsistensi berbagai kriteria dan alternatif yang dipilih oleh para pengambil keputusan, dan memperhitungkan daya tahan atau ketahanan keluaran analisis sensitivitas pengambilan keputusan. Selain itu, AHP juga menguji konsistensi penilaian, bila terjadi penyimpangan yang terlalu jauh dari nilai konsistensi sempurna, maka hal ini menunjukkan bahwa penilaian perlu diperbaiki, atau hierarki harus distruktur ulang. AHP juga mempunyai kemampuan untuk memecahkan masalah yang multi-objektif dan multi-kriteria yang berdasar pada perbandingan preferensi dari setiap elemen dalam hirarki. Dengan demikian AHP merupakan suatu model pengambilan keputusan yang komprehensif. Namun selain kelebihan-kelebihan di atas, AHP juga memiliki kekurangan. Salah satu kekurangan yang paling sering disorot adalah fenomena perubahan ranking (rank reversal). Di sisi lain, situasi pengambilan keputusan seringkali dihadapkan pada kondisi di mana pengambil keputusan adalah satu kelompok yang terdiri atas beberapa individu. Dalam konteks pengambilan keputusan kelompok terdapat dua cara untuk menggabungkan pendapat dalam AHP. Pertama adalah secara deterministik dan kedua adalah secara statistika atau stokastika. Penggabungan secara deterministik ini sesuai jika jumlah pengambil keputusan yang terlibat tidak banyak dan mereka berinteraksi dalam frekuensi yang cukup sering sehingga keputusan konsensus sangat mungkin dicapai. Cara menggabungkan pendapat secara deterministik adalah dengan cara mengambil nilai rata-rata geometris (Saaty, 1988). Di pihak lain, jika jumlah pengambil keputusan banyak atau sangat banyak (umumnya di atas tiga puluh) dan tersebar 26 secara geografis sehingga pengambil keputusan sulit untuk saling berinteraksi satu dengan lain, maka pendekatan stokastika adalah pendekatan yang paling sesuai. Adapun cara kerja dari AHP adalah dengan membagi permasalahan kompleks yang tidak terstruktur, strategik dan dinamik kedalam sub bagian-sub bagian yang lebih sederhana untuk kemudian diatur menjadi sebuah hirarki. Kemudian tingkat kepentingan setiap variabel diberi nilai numerik secara subyektif tentang anti panting suatu variabel tersebut secara relatif dibandingkan dengan variabel yang lain. Berdasarkan pertimbangan tersebut kemudian dilakukan sintesa untuk menetapkan variabel yang memiliki prioritas tertinggi dan berperan untuk mempengaruhi hasil pada sistem. Menurut Marimin (2004) prinsip kerja AHP pada dasarnya terdiri dari (1) Penyusunan Hierarki.Persoalan yang akan diselesaikan diuraikan menjadi unsurunsurnya, yaitu kriteria dan alternatif, kemudian disusun menjadi struktur hierarki. Struktur hierarki dalam AHP terdiri dari goal atau tujuan, kriteria dan alternatif. Goal berada pada tingkat yang paling atas disusul kriteria di bawahnya dan selanjutnya adalah alternatif. (2) Penilaian Kriteria dan alternatif. Kriteria dan alternatif dinilai melalui perbandingan berpasangan. Menurut Saaty (1988), untuk berbagai persoalan, skala 1 sampai 9 adalah skala terbaik dalam mengekspresikan pendapat. Matriks yang terdiri dan penilaian terhadap tingkat kepentingan secara relatif terbentuk dari skala yang digunakan untuk memberikan penilaian yang dimaksud. Adapun skala yang digunakan dalam pemberian nilai adalah : Tabel 8 Skala pemberian nilai dalam AHP Nilai 1 3 5 7 9 2,4,6,8 1/(1-9) Keterangan Sama penting (equal) Sedikit lebih penting (moderate) Jelas lebih penting (strong) Sangat jelas lebih penting (very strong) Mutlak lebih penting (extreme) Apabila ragu-ragu antara dua nilai yang berdekatan Kebalikan dari nilai tingkat kepentingan dari skala 1-9 Sumber : Saaty (1993) Penentuan Prioritas.Untuk setiap kriteria dan alternatif, perlu dilakukan perbandingan berpasangan (pairwise comparisons). Nilai-nilai perbandingan 27 relatif kemudian diolah untuk menentukan peringkat relatif dari seluruh alternatif. Baik kriteria kualitatif, maupun kriteria kuantitatif, dapat dibandingkan sesuai dengan judgment yang telah ditentukan untuk menghasilkan bobot dan prioritas. Bobot atau prioritas dihitung dengan manipulasi matriks atau melalui penyelesaian persamaan matematik.(4) Konsistensi Logis. Semua elemen dikelompokkan secara logis dan diperingkatkan secara konsisten sesuai dengan suatu kriteria yang logis. 2.7 Logika Fuzzy Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Konsep logika fuzzy pertama sekali diperkenalkan oleh Professor Lotfi A.Zadeh dari Universitas California, pada bulan Juni 1965. Logika fuzzy merupakan generalisasi dari logika klasik yang hanya memiliki dua nilai keanggotaan antara 0 dan 1. Kusumadewi dan Hari (2004) menyatakan bahwa pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan µ A [x], memiliki 2 kemungkinan, yaitu : 1. 1 ( Satu), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan 2. 0 (Nol), yang berarti bahwa suatu item tidak menjadi anggota suatu himpunan Kusumadewi dan Hari (2004) menyebutkan bahwa dalam memahami sistem fuzzy, yaitu : a. Variabel fuzzy Variabel yang dibahas dalam suatu sistem fuzzy. Contoh: umur, temperatur, dan sebagainya. b. Himpunan fuzzy Suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy. Pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1. Terdapat dua atribut dalam himpunan fuzzy, yaitu linguistik dan numeris. Linguistik merupakan penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami. Numeris yaitu suatu angka yang menunjukkan ukuran dari suatu variabel. 28 c. Semesta pembicaraan Keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Semesta pembicaraan merupakan himpunan bilangan real yang senantiasa naik secara monoton dari kiri ke kanan. Nilai semesta pembicaraan dapat berupa bilangan positif maupun negatif. d. Domain Keseluruhan nilai yang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Domain merupakan himpunan bilangan real yang senantiasa naik secara monoton dari kiri ke kanan. Nilai domain dapat berupa bilangan positif maupun negatif. 2.8 Sistem inferensi fuzzy Sistem inferensi fuzzy merupakan kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy berbentuk IF-THEN, dan penalaran fuzzy. Menurut Septiani dan Marimin (2005) Fuzzy Inference System juga dikenal sebagai fuzzy rule based system, fuzzy model, fuzzy assosiative memory, fuzzy controller (ketika digunakan pada proses kontrol). Dalam membangun sebuah sistem fuzzy dikenal beberapa metode penalaran, antara lain (Wahyu dan Afriyanti 2009) : metode Tsukamoto, metode Mamdani dan metode Sugeno. Masing-masing metode berbeda untuk perhitungan maupun respon keluarannya. Metode sugeno merupakan metode inferensi fuzzy untuk aturan yang direpresentasikan dalam bentuk IF – THEN, dimana output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear (Kusumadewi 2002). Metode ini diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985. Model Sugeno menggunakan fungsi keanggotaan Singleton yaitu fungsi keanggotaan yang memiliki derajat keanggotaan 1 pada suatu nilai crisp tunggal dan 0 pada nilai crisp yang lain. Ada 2 model fuzzy dengan metode Sugeno ( yaitu sebagai berikut: 1) Model Fuzzy Sugeno Orde-Nol, dan 2) Model Fuzzy Sugeno Orde-Satu. Secara umum bentuk model fuzzy Sugeno Orde Nol adalah: 29 IF (x1 is A1) o (x2 is A2) o (x3 is A3) o… o (xN is AN) THEN z=k dengan Ai adalah himpunan fuzzy ke-I sebagai antesenden, dan k adalah suatu konstanta (tegas) sebagai konsekuen. Adapun bentuk model fuzzy Sugeno Orde-Satu adalah : IF (x1 is A1) o… o (xN is AN) THEN z = p1*x1+… + pN*xN+q dengan Ai adalah himpunan fuzzy ke-i sebagai antesenden, dan pi adalah suatu konstanta (tegas) ke-i dan q juga merupakan konstanta dalam konsekuen. Tahapan-tahapan dalam metode Sugeno yaitu 1) Pembentukan himpunan Fuzzy, 2) Aplikasi fungsi implikasi, dan 3) Defuzzifikasi ( Defuzzification ). Masing-masing tahapan dapat dijelaskan secara singkat sebagai berikut : 2.8.1 Pembentukan himpunan fuzzy Pada tahapan ini variabel input (crisp) dari sistem fuzzy ditransfer ke dalam himpunan fuzzy untuk dapat digunakan dalam perhitungan nilai kebenaran dari premis pada setiap aturan dalam basis pengetahuan. Dengan demikian tahap ini mengambil nilai-nilai crisp dan menentukan derajat di mana nilai-nilai tersebut menjadi anggota dari setiap himpunan fuzzy yang sesuai. Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya yang memiliki interval antara 0 sampai 1. Fungsi keanggotaan μ memetakan elemen x dari himpunan semesta X, ke sebuah bilangan μ[x], yang menentukan derajat keanggotaan dari elemen dalam himpunan fuzzy A. A = {(x, μ[x] ) | x X} Salah satu cara yang dapat digunakan untuk mendapatkan nilai keanggotaan adalah dengan melalui pendekatan fungsi. Kusumadewi dan Hari (2004) menyebutkan bahwa terdapat beberapa fungsi yang dapat digunakan, yaitu :1) Representasi linier, 2) Representasi kurva segitiga, 3) Representasi kurva trapesium, 4) Representasi kurva bentuk bahu, 5) Representasi kurva-S, 6) Representasi kurva bentuk lonceng. 30 Representasi linier Fungsi keanggotaan: Linear naik x≤a 0; μ[x] = (x – a)/(b – a); a≤x≤b x≥b 1; 1 μ(x) 0 domain a b Gambar 9 Representasi linear naik. • Fungsi keanggotaan: Linear turun μ[x] = (b - x)/(b – a); 0; a≤x≤b x≥b 1 μ(x) 0 a domain Gambar 10 Representasi linear turun. b 31 Representasi kurva segitiga Fungsi keanggotaan: x ≤ a atau x ≥ c 0; μ[x] = (x – a)/(b – a); a≤ x≤b (c – x)/ (c – b) b≤ x≤c 1 μ(x) 0 a c b Gambar 11 Representasi kurva segitiga. Representasi kurva trapesium Fungsi keanggotaan: x ≤ a atau x ≥ d 0; μ[x] = (x – a)/(b – a); a≤ x≤b 1; b≤ x≤c (d – x)/ (d – c) x≥d 1 μ(x) 0 a Gambar 12 Representasi kurva trapesium. b c d 32 2.8.2 Aplikasi fungsi implikasi Tiap-tiap aturan (proposisi) pada basis pengetahuan fuzzy akan berhubungan dengan suatu relasi fuzzy. Bentuk umum dari aturan yang digunakan dalam fungsi implikasi adalah sebagai berikut IF x is A THEN y is B. Dengan x dan y adalah skalar, dan A dan B adalah himpunan fuzzy. Proposisi yang mengikuti IF disebut sebagai antesenden sedangkan proposisi yang mengikuti THEN disebut konsekuen. Proposisi ini dapat diperluas dengan menggunakan operator fuzzy seperti, IF(x1 is A1) o (x2 is A2) o (x3 is A3) o…o (xN is AN) THEN y is B dengan o adalah operator (misal: OR atau AND). Secara umum fungsi implikasi yang dapat digunakan yaitu 1) Min (minimum), fungsi ini akan memotong output himpunan fuzzy; dan 2) Dot ( product), fungsi ini akan menskala output himpunan fuzzy. Pada metode Sugeno ini, fungsi implikasi yang digunakan adalah fungsi min. 2.8.3 Defuzzifikasi Input dari proses defuzzifikasi adalah himpunan fuzzy yang dihasilkan dari proses komposisi dan output adalah sebuah nilai (crisp). Untuk aturan IF-THEN fuzzy dalam persamaan RU(k) = IF x1 is A1k and… and xn is Ank THEN y is Bk, dimana A1k dan Bk berturut-turut adalah himpunan fuzzy dalam Ui R (U dan V adalah domain fisik), i = 1, 2, … , n dan x = (x1, x2, … , xn) U dan y V berturutturut adalah variabel input dan output ( linguistik) dari sistem fuzzy. Pada metode Sugeno defuzzification dilakukan dengan perhitungan Weight Average (WA) : α1z1 + α2z2 + α3 z3 +… + αnzn WA = --------------------------------------------α1 + α2 + α3 +… + αn 2.9 Peramalan Peramalan adalah suatu proses dalam menggunakan data historis (data masa lalu) yang telah dimiliki untuk diproyeksikan ke dalam sebuah model dan menggunakan model ini untuk memperkirakan keadaan di masa mendatang. 33 Tujuan dari peramalan adalah untuk menentukan jumlah permintaan produk pada masa yang akan datang. Dalam melakukan peramalan perlu ditentukan batasanbatasan, yaitu produk yang diminta sudah teridentifikasi dan jumlah produk yang diminta dapat dibuat produsen. Gambar 13 menunjukkan empat pola data permintaan (Makridakis, 1983) yaitu 1) Horizontal atau fluktuasi data sekitar rata-rata yang konstan; 2) Trend, atau kenaikan/penurunan rata-rata yang sistematis; 3) Seasonal, kenaikan/penurunan yang berulang tergantung pada waktu, hari, minggu, bulan, musim; 4) Siklis, atau kenaikan/penurunan yang bertahap untuk periode yang panjang; 5) Random, tidak dapat diramalkan. Gambar 13 Pola data peramalan. Makridakis (1983) menyatakan bahwa terdapat tiga hal yang juga harus dipertimbangkan sebelum mempergunakan teknik peramalan yaitu: 1) Menentukan apa yang akan diramalkan; 2) Memilih metode peramalan yang akan digunakan; 3) Menentukan jenis Hardware atau Software yang akan dipergunakan. Adapun tahapan dalam menentukan apa yang akan diramalkan yaitu 1) membuat peramalan untuk family produk berdasarkan kesamaan permintaan, proses dan sebagainya; 2) menguraikan menjadi masing-masing kelompok item; 3) Menentukan satuan unit yang digunakan. Dalam hal memilih metoda peramalan yang akan digunakan dapat menggunakan 1) Judgment method, berdasarkan opini manajer, pakar atau hasil survey; 2) Causal method, 34 mempergunakan data masa lalu sebagai variabel bebas; 3) Time series Analysis, pendekatan statistik yang menitik beratkan pada data permintaan masa lalu untuk diproyeksikan ke masa mendatang. Tahapan peramalan terdiri dari delapan tahap yaitu 1) Plot data permintaan vs. waktu; 2) Pilih beberapa metoda peramalan sesuai dengan pola data hasil plot data permintaan; 3) Lakukan perhitungan dan pengujian peramalan dengan menggunakan metode peramalan sesuai plot data; 4) Evaluasi kesalahan peramalan berdasarkan kriteria kesalahan peramalan; 5) Pilih metoda peramalan dengan kesalahan peramalan terkecil; 6) Lakukan verifikasi peramalan berdasarkan metode peramalan terpilih; 7) Interpretasi hasil verifikasi peramalan; 8) Hitung peramalan permintaan untuk periode mendatang sesuai dengan kebutuhan perencanaan produksi dengan menggunakan metode peramalan terpilih. Pada dasarnya, peramalan dengan komputer dapat menggunakan 1) Sistem manual. User memilih teknik peramalan yang akan digunakan dan menentukan parameternya; 2) Sistem semi-automatic. User menentukan teknik peramalan, tetapi program yang akan menentukan parameter untuk model tersebut; atau 3) Sistem automatic. Program mengamati data dan mengusulkan teknik peramalan yang sesuai. Beberapa model peramalan sesuai dengan taksonomi peramalan ditunjukkan pada Gambar 14. Linier Kuadratik Regresi Eksponensial Model Kualitatif Siklik Time Series Peramalan Rata-rata Model Kuantitatif Moving Average Metode Smoothing Kausal Exponential Smoothing Dekomposisi Gambar 14 Taksonomi model peramalan. 35 Pada model time series, permintaan merupakan fungsi dari waktu. Pola permintaan ada masa yang akan datang diperkirakan serupa atau identik dengan pola data masa lalu. Model ini dikembangkan berdasarkan informasi masa lalu, dengan variabel tidak bebas dan asumsi, bahwa variabel tidak bebas ini akan memiliki pola yang sama dengan masa lalu. Model Single Moving Average (SMA) berasumsi bahwa nilai rata-rata beberapa periode terbaru baik digunakan untuk memperkirakan pola mendatang. Model ini cocok untuk pola data tanpa trend Ft Dt Dt S 't Dt 2 ... Dt n 1 S 't S 't S ' 't 1 S 't 2 ... S 't n S 't ( S 't S ' 't ) at 2 bt Ft jumlah n demand terakhir n N 1 m Dt 1 Dt 2 ... Dt n n n 1 n 1 2S 't S ' 't (St' St'' ) at bt m Model Double Moving Average merupakan SMA yang dirata-ratakan kembali untuk mendapatkan trend. Model ini cocok digunakan untuk pola data trend. Penyesuaian merupakan perbedaan antara SMA dan DMA pada waktu t (S’t-S’’t). Penyesuaian digunakan untuk trend dari periode t ke periode t+1 ( atau periode t+m jika diramalkan untuk m periode mendatang). Single Exponential Smoothing digunakan pada data yang tidak mempunyai bobot yang sama,dimana data terbaru akan mempunyai nilai prediksi tertinggi. Oleh karena itu data terbaru harus diberi bobot lebih besar daripada data sebelumnya Ft Ft 1 ( Dt 1 Ft 1 ) 36 Metode Double Exponential Smoothing (Metode Linier Brown) digunakan untuk pola data yang ada trend. Penyesuaian dari SES dilakukan dengan penambahan satu parameter St' Dt (1 St'' at bt St' (1 )St' 1 )St'' 1 S 't ( S 't S ' 't ) (St' St'' ) 1 Ft 2S 't S ' 't m at bt m Dalam aplikasi regresi linier diasumsikan bahwa terdapat hubungan antara variabel yang ingin diramalkan (variabel dependen) dengan variabel lain (variabel independen). Selanjutnya, peramalan ini didasarkan pada asumsi bahwa pola pertumbuhan dari data historis bersifat linier (walaupun pada kenyataannya tidak linier 100%). Pola pertumbuhan ini didekati dengan suatu model yang menggambarkan hubungan-hubungan yang terkait dalam suatu keadaan. Model tersebut dapat dijabarkan sebagai berikut : Y(t) = a + bt dimana Y merupakan fungsi terhadap waktu. Variabel a dan b adalah parameter yang kan ditentukan dalam perhitungan. Rumus- rumus dalam menghitung variabel a dan b adalah sebagai berikut : N N t 1 b t 2 t t 1 2 N N 1 N Y (t ) t 1 N a N tY (t ) N t t 1 t 1 N 1 N b t N t1 Y (t ) t 1 Peramalan dengan metode seasonal sangat baik jika digunakan untuk menghadapi data-data yang berbentuk seasonal. Metode dekomposisi merupakan metode peramalan time series dengan pendekatan additive dan multiplicative yang digunakan bila data historis memiliki pola trend, siklis atau musiman. Metode dekomposisi mencoba memisahkan tiga komponen dari pola dasar yakni faktor 37 trend (kecenderungan) dan musiman. Faktor trend menggambarkan perilaku data dalam jangka panjang yang dapat meningkat, menurun atu tidak berubah. Faktor musiman berkaitan dengan fluktuasi periodik dengan panjang konstan yang disebabkan oleh hal-hal seperti curah hujan, saat liburan dan lain-lain. Dekomposisi memiliki asumsi bahwa data tersusun sebagai berikut : Data = pola + kesalahan (error) = f(trend, musiman) + kesalahan Model multiplicative adalah : Yt trend * seasonal kesalahan Model additive adalah : Yt trend seasonal kesalahan Dimana : Yt = nilai observasi pada waktu t. Pendekatan untuk metode dekomposisi time series biasanya mempunyai lima langkah, yaitu 1) menghitung centered moving average selama 12 bulan. Karena rata-ratanya untuk sepanjang tahun, untuk menghilangkan sifat seasonal; 2)memperkirakan index seasonal digunakan rasio dari permintaan aktual centered moving average selama 12 bulan; 3) menyesuaikan sebuah garis pada data yang deseasonalized. Intercept dan kemiringan dari garis ini menyediakan nilai yang dibutuhkan untuk memperkirakan faktor trend; 4) meng-extrapolate garis pada langkah 3 ke masa yang akan datang, menyediakan sebuah peramalan dari permintaan apa yang ”like were seasonality non existent”; dan 5) mengkalikan setiap nilai peramalan deseasonalized dengan index seasonal untuk memperoleh nilai peramalan final. Apabila prosedur peramalan tidak bias, rata-rata error peramalan harus nol. Umumnya, frekuensi error bernilai positif harus sesering frekuensi error bernilai negatif. Sebenarnya, sebuah peramalan yang tidak bias diperkirakan untuk menghasilkan serangkaian error yang random, mengikuti distribusi normal, dengan rata-rata nol. Satu cara untuk mengevaluasi kualitas peramalan adalah dengan memeriksa plot error seiring dengan berjalannya waktu. Dalam melakukan peramalan, hasil peramalan yang kita peroleh tidak mungkin benar-benar tepat. Selisih yang terjadi antara nilai peramalan dengan nilai yang sesungguhnya dapat kita sebut sebagai error (kesalahan). Melalui nilai 38 kesalahan ini dapat kita lakukan beberapa analisa sehingga kita dapat membandingkan metode peramalan mana yang paling sesuai dengan data yang kita miliki serta seberapa baik metode yang digunakan tersebut. Hal ini dapat diketahui dari perbandingan antara nilai-nilai kesalahan yang dihasilkan oleh masing-masing metode. Metode yang terbaik / paling sesuai dengan data kita akan memiliki nilai kesalahan peramalan yang paling kecil. Secara umum perhitungan kesalahan peramalan dapat dijabarkan sebagai berikut: ei = xi – Fi dimana : ei = kesalahan pada periode ke-i xi = nilai sesungguhnya pada periode ke-i Fi = nilai hasil peramalan pada periode ke-i Jumlah kesalahan peramalan bukan merupakan suatu ukuran yang tepat untuk menentukan seberapa efektif metode peramalan yang digunakan tetapi hanya merupakan ukuran bias atau selisih bias yang dihasilkan. Jumlah kesalahan yang dihasilkan akan mendekati nilai nol pada metode-metode peramalan regresi. Untuk menghindari masalah dimana nilai kesalahan peramalan positif menetralkan nilai kesalahan peramalan negatif maka beberapa alternatif metode kesalahan peramalan yang banyak digunakan adalah sebagai berikut: Mean Square Error (MSE) N ei MSE 2 i 1 N Mean Absolute Error (MAE) N ei MAE i 1 N Mean Absolute Percent Error (MAPE) n MAPE t 1 PE n t 39 Tracking signal dihitung sebagai jumlah kesalahan peramalan (running sum forecast error/RSFE) dibandingkan dengan nilai MAD (Mean Absolute Deviation). Secara umum, Tracking signal dituliskan sebagai berikut : Tracking signal (TS) = = RSFE MAD (data aktual periode i - data peramalan periode i) MAD dimana : MAD = kesalahan peramalan n = ei n n = jumlah periode yang bersangkutan. Pada Gambar 15 terdapat nilai positif tracking signal yang menunjukkan bahwa data aktual masih lebih besar dibandingkan dengan data peramalannya. Sedangkan negatif tracking signal berarti bahwa data aktual lebih kecil dibandingkan dengan data peramalannya. Sebuah tracking signal yang baik adalah tracking signal yang memiliki nilai RSFE yang kecil dimana jumlah kesalahan peramalan positif hampir sama jumlahnya dengan kesalahan peramalan negatif. Tracking Signal berada di luar batas kontrol Tracking Signal Upper Control Limit + Daerah penerimaan 0 MAE Lower Control Limit Periode Gambar 15 Tracking signal dalam peramalan. 2.10 Penelitian Terdahulu Penelitian terkait dengan tepung jagung yang telah dilakukan oleh para peneliti lebih banyak pada penelitian tentang proses pembuatan produk-produk 40 turunan tepung jagung ke arah hilir. Penelusuran literatur dan penelusuran penelitian terdahulu yang berkaitan dilakukan terhadap penelitian yang berkaitan dengan produk jagung, tepung jagung serta kaitannya dengan jaringan syaraf tiruan dan fuzzy inference system. Penelitian yang dilakukan oleh Zhang et al. (2004) menggunakan jaringan syaraf tiruan, dimana penelitian ini membandingkan jaringan syaraf tiruan dengan model univariat serta model multivariat, dan memperoleh bahwa hasil peramalan jaringan syaraf tiruan lebih baik dari pada metode statistikal. Erdinç dan Satman (2005) dalam penelitiannya membandingkan jaringan syaraf tiruan dengan regresi linier, dan diperoleh hasil bahwa jaringan syaraf tiruan lebih baik daripada regresi linier dalam melakukann peramalan. Setyawati (2003) menggunakan jaringan syaraf tiruan untuk univariat dan multivariat time series dalam melakukan peramalan. Nam dan Schaefer (1995) melakukan penelitian tentang peramalan penumpang pesawat udara dengan jaringan syaraf tiruan. Azadeh et al. (2008) menggunakan jaringan syaraf tiruan untuk meramalkan penggunaan energi listrik. Ferreira et al. (2011) menggunakan jaringan syaraf tiruan untuk meramalkan harga dalam konteks agribisnis. Bhuvanes et al. (2007) menggunakan Backpropagation Neural Network (BPNN) untuk memprediksi jumlah pasien pada beberapa bagian perawatan di Virtua Health, New Jersey. Penelitian ini membandingkan model peramalan menggunakan BPNN dengan peramalan menggunakan statistical forecasting models. Dari hasil penelusuran literatur diperoleh bahwa penelitian tentang prediksi produksi jagung dengan jaringan syaraf tiruan belum pernah dilakukan. Demikian pula belum diperoleh literatur tentang penelitian atau kajian mengenai prediksi permintaan tepung jagung menggunakan jaringan syaraf tiruan. Dari penelusuran terhadap penelitian terdahulu, dapat diperoleh bahwa penelitian tentang rancang bangun model penyediaan tepung jagung pada rantai pasok industri berbasis jagung dapat dikaji lebih lanjut, sebagai suatu kebaruan dalam pengembangan ilmu di bidang manajemen pada agroindustri. 41 3 METODE PENELITIAN 3.1 Kerangka Pemikiran Permasalahan pada industri tepung jagung adalah bagaimana industri ini dapat memproduksi dan menyediakan jumlah tepung jagung dan mutu tepung jagung yang memenuhi syarat kepada konsumennya. Sebagai salah satu bagian dari rantai pasok industri berbasis jagung, jumlah dan mutu tepung jagung yang diproduksi sangat tergantung dari bahan baku berupa jagung pipilan. Sedangkan penyediaan jumlah dan mutu jagung pipilan oleh pengumpul atau petani tergantung pada jagung yang diproduksi di sentra jagung. Penyediaan tepung jagung berkaitan dengan kegiatan-kegiatan yang terdapat pada rantai pasok industri berbasis jagung dimulai dari produksi jagung pada sentra jagung, penyediaan jagung pipilan dengan berbagai mutu, penyediaan tepung jagung pada industri jagung, dan kebutuhan industri pengguna tepung jagung. Tepung jagung yang disediakan tidak hanya berkenaan dengan jumlahnya, tapi yang cukup penting adalah mutu tepung jagung tersebut. Mutu produk merupakan hal yang perlu mendapat perhatian, karena mutu merupakan syarat dari produk yang akan dipasarkan. Tuntutan tentang mutu produk ini sangat ketat terutama oleh negara luar dimana produk dari produsen dapat ditolak oleh karena mutu yang tidak memenuhi standar walaupun jumlahnya telah memenuhi permintaan. Sehubungan dengan hal tersebut timbul beberapa pertanyaan yang seyogyanya dapat diselesaikan untuk menjawab permasalahan di atas. Pertanyaan tersebut antara lain: (a) bagaimana jumlah jagung yang diproduksi pada sentra jagung dapat diprediksi?; (b) bagaimana jagung pipilan sebagai bahan baku tepung jagung dapat dikelompokkan sesuai standar yang ditentukan?; (c) bagaimana tepung jagung yang dihasilkan oleh industri tepung jagung dapat memenuhi standar sesuai dengan kebutuhan konsumennya; (d) bagaimana permintaan konsumen tepung jagung dapat diprediksi. Untuk menjawab pertanyaan-pertanyaan tersebut perlu dirancang model penyediaan tepung jagung pada rantai pasok industri berbasis jagung sesuai tujuan dari penelitian ini. 42 Sebagai tahap awal dalam pemodelan ini dilakukan studi pustaka untuk mempelajari konsep-konsep, teori-teori, dan alat bantu yang berkaitan dengan tujuan penelitian yang ingin dicapai. Penelusuran pustaka dilakukan melalui bukubuku, jurnal-jurnal, dan laporan penelitian relevan yang pernah dilakukan oleh para peneliti. Gambar 16 menunjukkan gambaran umum model yang akan dirancang dan keterkaitannya pada rantai pasok industri berbasis jagung. Model ini merupakan model penyediaan tepung jagung sepanjang rantai pasok tepung jagung. Mata rantai meliputi sentra jagung, pedagang atau pengumpul, industri tepung jagung, dan industri pengguna tepung jagung. SENTRA JAGUNG PENGUMPUL MODEL PREDIKSI PRODUKSI JAGUNG MODEL PENGELOMPOKAN MUTU JAGUNG PIPILAN - Mutu I - Mutu II - Mutu III Jaringan Syaraf Tiruan, Peramalan Statistikal Fuzzy Inference System INDUSTRI PENGGUNA TEPUNG JAGUNG INDUSTRI TEPUNG JAGUNG Pemeriksaan mutu jagung pipilan PROSES PRODUKSI TEPUNG JAGUNG Pemeriksaan mutu tepung jagung MODEL PENGELOMPOKAN MUTU TEPUNG JAGUNG PENYEDIAAN TEPUNG JAGUNG OLEH INDUSTRI - Jumlah sesuai permintaan - Mutu sesuai standar MODEL PREDIKSI PERMINTAAN TEPUNG JAGUNG KEBIJAKAN Jaringan Syaraf Tiruan, Peramalan Time Series Gambar 16 Keterkaitan model pada rantai pasok industri berbasis jagung. Model yang akan dirancang merupakan integrasi dari beberapa model antara lain: (1) model prediksi produksi jagung; (2) model pengelompokan mutu jagung pipilan; (3) model pengelompokan mutu tepung jagung; (4) model prediksi permintaan tepung jagung. Beberapa alat analisis yang akan digunakan dalam model ini adalah: (a) Jaringan Syaraf Tiruan (Artificial Neural Networks) untuk prediksi produksi jagung; (b) Fuzzy Inference System (FIS) untuk pengelompokan mutu jagung pipilan dan pengelompokan mutu tepung jagung ; (c) Jaringan Syaraf Tiruan untuk memprediksi permintaan tepung jagung oleh industri pengguna tepung jagung. 43 Berdasarkan pemikiran yang telah diuraikan sebelumnya, maka secara garis besar kerangka pemikiran dalam penelitian ini dapat digambarkan seperti tertuang pada Gambar 17. Process ProcessAnalysis Analysis Input InputAnalysis Analysis TINJAUAN TINJAUANPUSTAKA PUSTAKA - -Konsep KonsepManajemen ManajemenRantai RantaiPasok Pasok - -Konsep KonsepJaringan JaringanSyaraf SyarafTiruan Tiruan - -Konsep KonsepMutu Mutu - - Konsep KonsepFuzzy Fuzzy - -Konsep KonsepFuzzy FuzzyInference InferenceSystem System ANALISIS ANALISISSISTEM SISTEM - -Analisis AnalisisKebutuhan Kebutuhan - -Formulasi FormulasiPermasalahan Permasalahan - -Identifikasi IdentifikasiSistem Sistem Output OutputAnalysis Analysis SIMPULAN SIMPULAN Disusun Disusunberdasarkan berdasarkanhasil hasil penelitian penelitianyang yangdiperoleh. diperoleh. PERANCANGAN PERANCANGANMODEL MODEL TUJUAN TUJUANPENELITIAN PENELITIAN dihasilkannya dihasilkannyamodel model penyediaan penyediaantepung tepungjagung jagung pada padarantai rantaipasok pasokindustri industri berbasis jagung berbasis jagung Model ModelPrediksi PrediksiProduksi Produksi Jagung Jagung Model ModelPengelompokan Pengelompokan Mutu MutuJagung JagungPipilan Pipilan PERUMUSAN PERUMUSANMASALAH MASALAH - -Bagaimana Bagaimanajumlah jumlahjagung jagung yang yangdiproduksi diproduksipada padasentra sentra jagung dapat diprediksi? jagung dapat diprediksi? - -Bagaimana Bagaimanajagung jagungpipilan pipilan sebagai sebagaibahan bahanbaku bakutepung tepung jagung jagungdapat dapatdikelompokkan dikelompokkan sesuai sesuaistandar standaryang yang ditentukan? ditentukan? - -Bagaimana Bagaimanatepung tepungjagung jagung yang yangdihasilkan dihasilkanoleh olehindustri industri tepung jagung dapat tepung jagung dapat dikelompokkan dikelompokkansesuai sesuai standar standarmutu mutu - -Bagaimana Bagaimanapermintaan permintaan industri industripengguna penggunatepung tepung jagung jagungdapat dapatdiprediksi diprediksi Model ModelPengelompokan Pengelompokan Mutu MutuTepung TepungJagung Jagung Model ModelPrediksi PrediksiPermintaan Permintaan Tepung Tepungjagung jagung IMPLEMENTASI IMPLEMENTASIMODEL MODEL FENOMENA FENOMENA Belum Belumdipenuhinya dipenuhinya penyediaan penyediaantepung tepungjagung jagung secara secarajumlah jumlahdan danmutu mutu REKOMENDASI REKOMENDASI Dibuat Dibuatberdasarkan berdasarkan hasil hasilpenelitian penelitian Gambar 17 Kerangka pemikiran penelitian. 3.2 Tahapan Penelitian Tahapan awal dalam penelitian ini adalah melakukan studi literatur dan melakukan observasi lapangan tentang produksi jagung, produk jagung pipilan, produk tepung jagung, serta penelitian-penelitian yang terkait serta perkembangannya saat ini. Hal ini dilakukan untuk mengidentifikasi faktor-faktor dan elemen-elemen dalam sistem, dalam rangka membangun model yang akan 44 dirancang pada penelitian ini. Tahap selanjutnya adalah melakukan rancangan sub-model yang terdapat dalam model. Untuk menjalankan sub model yang terdapat dalam model rancangan, dibutuhkan data yang berkaitan dengan setiap sub model yang ada. Secara lengkap tahapan penelitian dapat dilihat pada diagram yang tertuang dalam Gambar 18. Mulai Mulai Penelusuran Penelusuran literatur literatur Pemetaan Pemetaan pemasok pemasok jagung jagungpipilan pipilan Pemetaan Pemetaan sentra sentrajagung jagung Penentuan Penentuan jumlah jumlah produksi produksi jagung jagungpipilan pipilan Luas Luas panen panen Produksi Produksi jagung jagung per perbulan bulan Curah Curah hujan hujan Model Model prediksi prediksi produksi produksi jagung jagung Standar Standar mutu mutu jagung jagung pipilan pipilan Model Model pengelompokan pengelompokan mutu mutujagung jagung pipilan pipilan Observasi Observasi lapangan lapangan Standar Standar mutu mututepung tepung jagung jagung Identifikasi Identifikasi industri industri pengguna pengguna tepung tepungjagung jagung Penentuan Penentuankriteria kriteria mutu mututepung tepungjagung jagung yang yangberpengaruh berpengaruh Model Model pengelompokan pengelompokanmutu mutu jagung jagungpipilan pipilan Model Modelprediksi prediksi permintaan permintaan tepung jagung tepung jagung Pemeriksaan Pemeriksaanmutu mutu tepung tepungjagung jagung Evaluasi Evaluasi penyediaan penyediaan tepung tepungjagung jagung dan dankebijakan kebijakan Selesai Selesai Gambar 18 Tahapan penelitian. Sub-model prediksi produksi jagung dibuat untuk meramalkan berapa jumlah produksi jagung pada sentra jagung. Jaringan saraf tiruan digunakan untuk meramalkan produksi ke depan dengan menggunakan model kausal. Diawali dengan melakukan pengambilan data tentang produksi jagung, luas panen pada sentra jagung di Indonesia, dan curah hujan. Pengambilan data dilakukan pada instansi terkait dan melalui studi literatur. Data ini merupakan input pada sub model prediksi produksi jagung ke depan. Hasil prediksi produksi jagung 45 berkaitan dengan jumlah jagung pipilan sebagai bahan baku industri tepung jagung. Berbagai pasokan jagung dari sentra jagung, juga berdampak pada diperolehnya berbagai variasi mutu jagung pipilan. Mutu jagung pipilan yang dipasok akan dikelompokkan menjadi beberapa standar mutu sesuai Standar Nasional Indonesia (SNI 01-3920-1995). Sub model pengelompokan mutu jagung pipilan dibuat sebagai bagian dari model penelitian. Dalam sub model ini akan dilakukan pengelompokan mutu jagung pipilan dengan pendekatan fuzzy inference system. Bervariasinya mutu jagung pipilan ini berpengaruh kepada mutu produk tepung jagung yang dihasilkan oleh pabrik tepung jagung. Standar Nasional Indonesia (SNI 01–372 –1995) telah menetapkan syarat mutu tepung jagung menurut kriteria mutu dengan syarat mutu untuk masing-masing kriteria. Kriteria yang telah ditetapkan menurut Standar Nasional Indonesia tidak seluruhnya digunakan oleh konsumen sebagai standar bahan bakunya. Kriteria mutu ini digunakan pada pemeriksaan hasil produksi pada industri tepung jagung. Dengan diperolehnya jumlah produksi jagung, jumlah produksi dan klasifikasi mutu jagung pipilan, akan diperoleh pula jumlah produksi tepung jagung dengan standar mutu yang dinginkan. Di lain pihak industri pangan, dan industri bahan kimia lain sebagai konsumen dari industri tepung jagung membutuhkan bahan baku tepung jagung baik dari sisi jumlah maupun mutu tepung jagung. Jumlah dan mutu bahan baku ini juga akan berpengaruh kepada jumlah dan mutu produk yang akan dihasilkan industri-industri tersebut. Sub model prediksi permintaan tepung jagung oleh industri pangan, dan bahan kimia lain bertujuan untuk memperoleh jumlah bahan baku yang perlu dipasok oleh industri tepung jagung ke industri-industri tersebut. Dalam sub model ini akan dilakukan prediksi dengan menggunakan data time series. Berdasarkan prediksi produksi jagung, pengelompokan jagung pipilan, pemeriksaan mutu bahan baku dan mutu tepung jagung, serta permintaan industri pengguna tepung jagung, dilakukan analisis tentang pemenuhan penyediaan tepung jagung. Analisis dilakukan untuk mengidentifikasi apakah penyediaan 46 tepung jagung telah dapat memenuhi kebutuhan berbagai pihak yang menjadi konsumennya. 3.3 Pengumpulan dan Pengolahan Data Dalam penelitian ini berbagai data, informasi dan pengetahuan pakar dikumpulkan untuk diolah lebih lanjut. Pengumpulan data, informasi dan pengetahuan ini dilakukan dengan cara: a) melakukan studi literatur melalui penelusuran literatur-literatur yang berkaitan dengan bidang yang akan dikaji; b) melakukan studi tentang dokumentasi yang diperoleh dari instansi terkait, menelusuri laporan-laporan penelitian yang relevan dengan bidang kajian; c) memperoleh pengetahuan dari pakar melalui wawancara, diskusi, pengisian panduan wawancara; d) melakukan studi pada industri tepung jagung. Data primer dalam penelitian ini adalah data mengenai kriteria uji mutu tepung jagung. Data ini diperoleh melalui konsultasi dengan pakar dengan menggunakan panduan wawancara. Data primer lainnya adalah data tentang standar mutu tepung jagung yang ditetapkan pabrik tepung jagung. Data ini melalui wawancara dengan pihak pabrik tepung jagung. Data sekunder dalam penelitian ini adalah data volume ekspor dan impor jagung, data jumlah produksi jagung pada sentra jagung, luas panen, produktivitas jagung di Indonesia. Data ini diperoleh dari Direktorat Budidaya Serealia, Kementerian Pertanian. Data curah hujan diperoleh melalui penelusuran literatur. Data permintaan tepung jagung berupa data yang di-generate berdasarkan informasi dari pabrik tepung jagung. Pakar dalam penelitian ini adalah pakar yang berpengalaman dalam penelitian-penelitian tentang perjagungan dari Badan Pengkajian dan Penerapan Teknologi. Sumber informasi lainnya adalah Manager Produksi pabrik tepung jagung PT Amylum Corn Grits Mills. Pengolahan data pada model prediksi produksi jagung dan model prediksi permintaan tepung jagung, dilakukan dengan jaringan saraf tiruan, menggunakan software MATLAB R2010a. Peramalan secara statistikal dalam kedua model tersebut menggunakan software Minitab Release 14 dari Minitab Inc. Pada model pengelompokan mutu jagung pipilan, pengelompokan dilakukan dengan fuzzy inference system dengan menggunakan MATLAB R2010a. 47 4 ANALISIS SISTEM 4.1 Kondisi Rantai Pasok Jagung Rantai pasok jagung merupakan suatu rangkaian kegiatan mulai dari kegiatan pada sentra jagung, pedagang atau pengumpul, pabrik tepung jagung, hingga industri pengguna tepung jagung.Pada tingkat petani produktivitas jagung di Indonesia masih rendah bila dibandingkan dengan negara-negara penghasil jagung lainnya di dunia. Tabel 2 menunjukkan bahwa posisi Indonesia jauh di bawah Amerika Serikat bahkan masih dibawah rerata produktivitas jagung dunia.Usaha pemegang kebijakan untuk meningkatkan produktivitas jagung di tingkat petani dilakukan dengan anjuran teknologi yang terdiri dari beberapa komponen (Direktorat Budidaya Serealia, 2006). Komponen-komponen tersebut adalah:1) Penggunaan varietas unggul potensi tinggi, penggunaan benih bermutu; 2) Persiapanlahan; 3) Bercocok tanam; 4) Pengairan; 5) Pemupukan termasuk penggunaan pupuk organik; 6) Pengendalian jasad pengganggu tanaman (hama dan gulma); 7) Panen dan pasca panen.Namun usaha ini belum sepenuhnya menjangkau seluruh petani jagung di daerah di Indonesia. Hal ini menyebabkan produktivitas jagung yang tidak merata antar satu daerah dengan daerah yang lain. Pada tingkat pengumpul atau pedagang jagung pipilan terdapat masalah yaitu bervariasinya jumlah dan mutu jagung yang dipasok oleh petani. Penanganan panen dan pasca panen yang kurang baik pada tingkat petani memiliki pengaruh besar terhadap produksi dan mutu jagung yang dihasilkan. Penanganan panen dan pasca panen ini masih bervariasi pada tingkat petani. Hal inilah yang mengakibatkan bervariasinya mutu jagung pipilan yang dipasok petani kepada pengumpul atau pedagang. Industri tepung jagung menggunakan bahan baku jagung pipilan untuk memproduksi tepung jagung. Jagung pipilan yang terdapat pada tingkat pengumpul tidak seluruhnya digunakan sebagai bahan baku tepung jagung. Proporsi penggunaan jagung oleh industri pakan ternak telah mencapai 50% dati total kebutuhan Nasional. Bahkan diperkirakan akan terus meningkat hingga 60% dari kebutuhan Nasional (Direktorat Budidaya Serealia, 2006). Keadaan ini menunjukkan bahwa masih belum dapat dipenuhinya jumlah bahan baku berupa 48 jagung pipilan bagi industri tepung jagung. Volume impor jagung dari negaranegara luar jauh melebihi volume ekpor jagung seperti terlihat pada Tabel 3 dan Tabel 4. Hal ini menunjukkan bahwa Indonesia masih belum dapat memenuhi kebutuhan dalam negeri. Industri pengolahan jagung seperti industri tepung jagung dan industri pati jagung masih belum dapat menjangkau petani baik teknologi dan modal. Bahkan industri pati jagung merupakan industri berskala besar yang membutuhkan modal besar pula. Di tingkat industri pengguna tepung jagung yakni industri pangan, industri pakan dan industri bahan lainnya, kebutuhan akan bahan baku berupa tepung jagung juga dipengaruhi oleh kondisi yang telah diuraikan sebelumnya. Industri pengolahan jagung sebagai industri penyedia bahan baku untuk industri pangan masih belum dapat memenuhi kebutuhan konsumennya. Pemenuhan bahan baku bagi industri pangan baik berupa tepung jagung atau pati jagung masih belum dapat dipenuhi oleh industri pengolahan jagung dalam negeri sehingga harus diimpor. Hal ini menyebabkan biaya produksi yang tinggi dan berakibat kepada harga jual produk yang mahal. 4.2 Analisis Kebutuhan Analisa kebutuhan merupakan tahap awal dalam melakukan analisis sistem (Eriyatno, 1999). Dalam analisis sistem pada rantai pasok berbasis jagung ini, dilakukan analisis kebutuhan dari berbagai stakeholders yang terdapat dalam rantai pasok. Stakeholders yang dimaksud adalah pihak-pihak yang berkepentingan dalam penyediaan jumlah dan mutu tepung jagung pada rantai pasok jagung. Pihak-pihak yang berkepentingan tersebut adalah petani jagung, pengumpul jagung pipilan, industri tepung jagung, dan industri pengguna tepung jagung. Identifikasi kebutuhan stakeholder adalah sebagai berikut: 1) Petani jagung a) Kemudahan memperoleh benih yang bermutu b) Kemudahan memperoleh informasi dari pemegang kebijakan c) Kemudahan memperoleh pengetahuan tentang panen dan pasca panen d) Kemudahan memasarkan produk e) Harga jagung yang layak 49 f) Peningkatan produktivitas g) Peningkatan mutu produk h) Kemudahan memperoleh sarana produksi i) Peningkatan kesejahteraan 2) Pedagang pengumpul a) Kemudahan mendapatkan pasokan jagung dari petani b) Kemudahan mendapatkan informasi pasar c) Pasokan jagung yang dapat diprediksi d) Kemudahan memasarkan produk e) Harga jagung pipilan yang stabil f) Pemenuhan jumlah jagung pipilan yang akan dipasarkan g) Kontinuitas pasokan jagung h) Pemenuhan mutu jagung pipilan sesuai kebutuhan indutri pengolahan i) Penerapan peraturan dagang yang konsisten 3) Industri tepung jagung a) Kemudahan memperoleh pasokan jagung pipilan sesuai jumlah yang dibutuhkan b) Kemudahan memperoleh pasokan jagung pipilan sesuai mutu yang memenuhi standar c) Kontinuitas perolehan pasokan bahan baku d) Penyediaan produk yang aman e) Harga bahan baku yang stabil f) Kontinuitas produksi g) Kemudahan pemasaran produk 4) Industri pengguna tepung jagung a) Kemudahan memperoleh pasokan bahan baku b) Pemenuhan jumlah bahan baku sesuai target produksi c) Pemenuhan mutu bahan baku yang sesuai standar d) Penyediaan produk yang aman pangan e) Kesinambungan perolehan pasokan bahan baku yang sesuai f) Harga bahan baku yang stabil g) Kemudahan akses informasi 50 5) Pemerintah a) Peningkatan ketahanan pangan b) Peningkatan keamanan pangan c) Usaha peningkatan produktivitas jagung d) Peningkatan lapangan kerja e) Peningkatan pendapatan petani f) Pengaturan kestabilan harga g) Peningkatan daya saing dengan negara lain h) Pengaturan iklim usaha yang stabil 4.3 Identifikasi Permasalahan Berbagai permasalahanpada rantai pasok jagung diidentifikasi sesuai masalah pada setiap stakeholder. Identifikasi permasalahan dilakukan agar dapat diatasi untuk memenuhi kebutuhan setiap stakeholder seperti yang telah diuraikan sebelumnya. Adapun identifikasi permasalahan adalah seperti berikut: Petani jagung Petani belum seluruhnya menggunakan bibit jagung varietas unggul sehingga berpengaruh pada peningkatan produktivitas jagung. Oleh sebab itu usaha pemerintah untuk memberikan anjuran penggunaan varietas unggul perlu diinformasikan sampai ke semua daerah, terutama daerah yang merupakan sentra jagung. Faktor perubahan iklim juga berpengaruh kepada waktu tanam dan hasil panen jagung. Kebiasaan dengan jadwal menanam pada masa lalu masih digunakan, sehingga perkiraan produksi banyak yang meleset. Penanganan panen dan pasca panen belum merata di antara petani yang menyebabkan mutu jagung yang dihasilkan dapat bervariasi. Sebagai pemegang kebijakan di bidang pertanian, pemerintah telah melakukan usaha ke arah itu, namun di harapkan dapat sampai ke semua petani. Kesulitan memasarkan produk dan memperoleh informasi, menyebabkan petani memasarkannya pada tingat pengumpul dengan harga yang tidak layak. Harga di tingkat petani jauh di bawah harga pada tingkat pedagang pengumpul. Hal ini mengakibatkan tidak terjadinya peningkatan kesejahteraan para petani. Untuk memperoleh harga yang layak, diperlukan pula peningkatan mutu produk selain akses langsung untuk memasok jagung kepada industri pengolahan jagung. Kesulitan memperoleh sarana produksi juga di alami 51 oleh sebagian petani yang mengakibatkan terganggunya kelancaran proses produksi jagung. Teknologi pengolahan jagung memerlukan sarana yang cukup mahal dan belum dapat menjangkau petani, sehingga petani hanya dapat memasarkan bahan baku mentah yang belum bernilai tambah. Berbagai masalah yang ditemui dalam pengembangan jagung antara lain harga jagung berfluktuasi, mutu masih rendah, kuantitas dan kontinuitas belum terpenuhi serta modal belum dapat diakses petani dengan baik (Direktorat Budidaya Serealia,2006). Pedagang Pengumpul Kesulitan memprediksi produksi jagung pada periode tertentu oleh pedagang pengumpul mengakibatkan tidak dapat diperkirakan berapa banyak jagung yang dapat dipasok dari petani. Hal ini menyebabkan kesulitan dalam mengatur perencanaan tentang jumlah bahan baku yang dapat dipasok kepada industri jagung. Kemungkinan terjadinya kekurangan pasokan sehingga kesempatan untuk memperoleh keuntungan akan hilang, dan industri jagung akan membeli dari pihak lain atau mengimpor bahan baku dari negara luar. Tidak adanya prediksi tersebut juga dapat mengakibatkan kelebihan stock jagung yang apabila disimpan dapat menurunkan mutunya bahkan dapat rusak. Sehingga peramalan untuk memprediksi produksi jagung sangat diperlukan untuk mengatasi permasalahan itu. Kesulitan memperoleh informasi pasar merupakan masalah bagi pedagang pengumpul sehingga dapat berpengaruh pada harga produk dan pemasaran produknya. Belum semua pengumpul telah menggunakan teknologi internet untuk memasarkan produknya dan memproleh informasi harga dan pasar. Selain jumlah jagung pipilan yang dapat dipasok dari petani belum dapat diprediksi, mutu jagung pipilan yang diperoleh juga sangat bervariasi. Bervariasinya mutu jagung tersebut akibat penggunaan bibit yang bervariasi, cara penanganan produksi yang belum merata, serta cara penanganan panen dan pasca panen yang tidak merata. Kemudahan memperoleh pasokan jagung dari petani belum dirasakan oleh para pedagang pengumpul secara merata sehingga berakibat pada penyediaan produk jagung yang akan dipasarkan. Demikian pula halnya dengan kontinuitas 52 pasokan jagung dari petani belum dapat dipenuhi menjadi permasalahan bagi pedagang pengumpul. Industri Tepung jagung Sebagai produk antara atau intermediate product, mutu tepung jagung ditentukan oleh tahapan-tahapan pada proses sebelumnya, bahan bakunya, serta budidaya tanaman jagung. Dengan kata lain, mutu tepung jagung ditentukan oleh terjaminnya mutu produk pada tingkat awal yakni pada tingkat petani. Bervariasinya mutu bahan baku berupa jagung pipilan yang telah melalui perjalanan dari petani, pengumpul hingga ke pabrik dapat menurunkan mutunya. Penurunan mutu ini dapat disebabkan oleh berbagai hal antara lain waktu pengiriman karena merupakan produk hasil pertanian dan cara pengiriman. Bervariasinya mutu bahan baku ini juga disebabkan oleh pasokan dari berbagai petani dengan berbagai mutu jagung. Kesulitan memperoleh bahan baku secara kontinu yang memenuhi jumlah dan mutu yang ditentukan merupakan masalah bagi industri tepung jagung, karena akan mempengaruhi kontinuitas produksi. Selain itu sebagai bahan baku industri pangan, makan keamanan pangan perlu di perhatikan karena akan dikonsumsi manusia sehingga harus memenuhi ketentuan yang berlaku. Bervariasinya mutu jagung pipilan yang diperoleh dari pedagang pengumpul, menyebabkan diperlukannya pemeriksaan mutu dan pengelompokan mutu sesuai standar yang ditetapkan. Hal ini sekaligus dapat mengontrol jangan sampai diperoleh bahan baku yang tidak memenuhi standar mutu. Penggunaantepungjagungsebagaibahanbakuuntukmemproduksianekajenispr odukakhir harus memenuhi standar mutu yang ditetapkan oleh standar nasional Indonesia.Untuk itu perlu dilakukan karakterisasi sifat-sifat fisika dan kimia terhadap tepung jagung. Oleh karena itu penerapan teknologi pembuatan tepung jagung yang memenuhi standar mutu industri. Hal ini menentukan bagi prospek pemanfaatan tepung jagung sebagai bahan baku aneka jenis produk Industri Pengguna Kesulitan memperoleh pasokan bahan baku tepung jagung dan pemenuhan jumlah bahan baku yang dibutuhkan merupakan masalah yang dialami oleh 53 industri tepung jagung. Pemenuhan jumlah dan mutu yang sesuai belum sepenuhnya dapat disediakan oleh industri tepung jagung dalam negeri. Hal ini menyebabkan masih diimpornya tepung jagung dari negara luar yang terdapat di pasar. Selain itu produk yang dihasilkan industri ini harus memenuhi keamanan pangan bahkan industri pakan saat ini telah menentukan standar keamanan bagi pakan yang dihasilkannya. Kesinambungan perolehan pasokan bahan baku tepung jagung belum sepenuhnya dapat dipenuhi oleh industri dalam negeri. Hal ini diatasi dengan pembelian produk impor untuk menjaga kesinambungan produksinya. Permasalahan harga bahan baku yang tidak stabil akan mempengaruhi harga jual produk yang dihasilkan. Untuk itu diperlukan kemudahan akses informasi pasar maupun harga. Pemerintah Permasalahan pada pemerintah sebagai salah satu pihak yang berkepentingan dalam rantai pasok jagung adalah bagaimana membuat kebijakankebijakan dan peraturan-peraturan yang berkaitan dengan kegiatan-kegiatan yang berada pada rantai pasok ini. Selain peraturan dan kebijakan yang dibuat, perlu juga menjalankannya dengan konsisten sehingga permasalahan pada tingkat petani, pedagang pengumpul, industri tepung jagung dan industri pengguna dapat diminimalkan. Peraturan dan kebijakan yang dibuat berkaitan dengan:a) peningkatan ketahanan pangan; b) peningkatan keamanan pangan; c) pengaturan mutu sesuai standar internasional; d) usaha peningkatan produktivitas jagung; e) peningkatan lapangan kerja; f) peningkatan pendapatan petani; g) pengaturan kestabilan harga;h) peningkatan daya saing dengan negara lain; i) pengaturan kestabilan iklim usaha. 4.4 Identifikasi Sistem Perancangan model penyediaan tepung jagung pada rantai pasok industri jagung dilakukan dengan mengidentifikasi sistem untuk melihat keterkaitan dan pengaruh komponen-koponen yang berada dalam sistem. Adapun hasil identifikasi sistem dapat dilihat pada Gambar 19. 54 Input Inputtak takterkendali terkendali - -harga hargabahan bahanbaku bakudan dan produk produk - -permintaan permintaankonsumen konsumen - -persaingan persainganusaha usaha Lingkungan Lingkungan - -peraturan peraturanpemerintah pemerintah - -perubahan perubahaniklim iklim -kondisi -kondisipolitik politik Output Outputyang yangdikehendaki dikehendaki - -kemudahan memperoleh kemudahan memperolehbahan bahanbaku baku - -kontinuitas kontinuitaspasokan pasokanbahan bahanbaku baku - -kontinuitas kontinuitaspenyediaan penyediaanproduk produk - -penyediaan penyediaanproduk produkyang yangaman aman SISTEM SISTEM PENYEDIAAN PENYEDIAAN TEPUNG TEPUNGJAGUNG JAGUNG Input Inputterkendali terkendali - -teknologi teknologipasca pascapanen panen - -teknologi teknologiproduksi produksi - - jenis jenisdan dankualitas kualitasbahan bahanbaku baku - -sistem kemitraan sistem kemitraan Output Output tak takdikehendaki dikehendaki - -kesalahan kesalahanprediksi prediksiproduksi produksibahan bahanbaku baku - -pasokan pasokanbahan bahanbaku bakuyang yangtak takpasti pasti - -kualitas kualitasbahan bahanbaku bakurendah rendah - -harga hargayang yangberfluktuasi berfluktuasi Manajemen Manajemen Pengendalian Pengendalian Gambar 19 Diagram input-output sistem analisis penyediaan tepung jagung. Hasil identifikasi sistem adalah sebagai berikut: - Output yang dikehendaki dalam sistem adalah kemudahan memperoleh bahan baku, kontinuitas pasokan bahan baku, kontinuitas penyediaan jumlah produk, dan penyediaan produk tepung jagung yang aman. - Output yang tak dikehendaki adalah pasokan bahan baku yang tak pasti, mutu bahan baku yang rendah, harga bahan baku dan harga produk yang berfluktuasi. - Input yang terkendali meliputi teknologi pasca panen, teknologi produksi, penanganan jenis dan mutu bahan baku, serta sistem kemitraan dalam rantai pasok. - Input yang tak terkendali harga bahan baku dan produk, permintaan konsumen, dan persaingan usaha.. - Pengaruh lingkungan dalam sistem rantai pasok pemerintah, perubahan iklim dan kondisi politik. ini adalah peraturan 5 PERANCANGAN MODEL Perancangan model pada rantai pasok industri berbasis jagung ini bertujuan untuk memperoleh suatu model yang dapat menganalisis penyediaan produk tepung jagung pada industri tepung jagung sesuai kebutuhan industri hilirnya. Perancangan model ini dilakukan berdasarkan observasi lapangan, penelusuran literatur, analisis sistem, serta hasil diskusi dan konfirmasi pakar. Model yang dirancang secara garis besar dapat dilihat pada Gambar 16 dimana di dalamnya terdapat model prediksi produksi jagung, model pengelompokan mutu jagung pipilan, model pengelompokan mutu tepung jagung dan model prediksi permintaan tepung jagung. Perancangan model penyediaan tepung jagung ini menggunakan beberapa alat analisis data yaitu jaringan syaraf tiruan (Artificial Neural Network) dan Fuzzy Inference System (FIS). 5.1 Model Prediksi Produksi Jagung Permasalahan yang teridentifikasi pada tingkat petani dalam pengembangan jagung adalah harga jagung berfluktuasi, mutu masih rendah, kuantitas dan kontinuitas belum terpenuhi serta modal belum dapat diakses petani dengan baik (Direktorat Budidaya Serealia, 2006). Masalah yang diangkat sebagai dasar dalam perancangan model ini adalah masalah kuantitas dan kontinuitas produksi yang belum terpenuhi. Dalam rantai pasok industri berbasis jagung, hal ini sangat berpengaruh, mengingat jagung merupakan bahan baku industri tepung jagung. Kekurangan bahan baku akan berpengaruh pula pada kelangsungan jalannya proses produksi pada industri tersebut. Seperti telah diuraikan sebelumnya bahwa sekitar 50% hasil produksi jagung digunakan untuk pakan ternak. Data produksi jagung tidak dipisahkan menurut jenis jagung, sehingga dapat terjadi bahwa terdapat jenis jagung manis di dalamnya. Sebagian dari hasil produksi jagung juga digunakan sebagai bibit. Hal ini mengindikasikan bahwa tidak sampai separuh dari hasil produksi jagung digunakan sebagai bahan baku pada industri tepung jagung. Prediksi jumlah produksi jagung (on-farm) diperlukan dalam model. Hal ini dibutuhkan agar dapat diperkirakan berapa jumlah jagung pipilan yang dapat 56 dipenuhi untuk diolah pada pabrik tepung jagung. Dengan demikian model prediksi produksi jagung merupakan sub-model yang diperlukan dalam model penyediaan tepung jagung yang akan dirancang. Terdapat dua model peramalan yaitu model peramalan kuantitatif dan model peramalan kualitatif (Makridakis et al. 1983). Model prediksi produksi jagung yang dirancang merupakan model peramalan kuantitatif, karena lebih mudah dipakai oleh pengguna di lapangan, dengan syarat perlu tersedia data yang cukup untuk diolah. Model kualitatif hanya digunakan oleh orang yang telah berpengalaman dan memiliki naluri bisnis yang kuat untuk dapat melakukan prediksi ke depan. Model peramalan kuantitatif yang digunakan untuk memprediksi produksi jagung adalah model kausal. Dalam model ini tidak digunakan model time series. Time series merupakan model peramalan yang memperkirakan hasil peramalan berdasarkan ekstrapolasi dari data produksi periode sebelumnya. Model yang dirancang diolah dengan menggunakan jaringan syaraf tiruan (Artificial Neural Network) dan peramalan secara statistikal. Dari sisi on-farm dapat dikatakan bahwa jumlah produksi jagung tidak sepenuhnya dipengaruhi oleh jumlah produksi pada periode-periode sebelumnya. Produksi jagung dipengaruhi oleh beberapa faktor antara lain penggunaan bibit, pemanfaatan lahan, pemupukan secara tepat, pengendalian hama dan penyakit, pengairan, curah hujan, dan penanganan proses panen (Direktorat Budidaya Serealia, 2006). Perubahan iklim dunia menyebabkan terjadinya perubahan musim penghujan demikian pula musim kemarau di Indosnesia. Pada kondisi normal peramalan dengan data time series dapat digunakan, namun dengan adanya perubahan iklim serta pengaruh beberapa faktor tersebut terhadap produksi jagung, maka model kausal lebih tepat untuk digunakan. Model kausal dalam prediksi produksi jagung pada penelitian ini menggunakan data numerik sebagai input dalam jaringan syaraf tiruan. Sebagai variabel input adalah faktor-faktor yang berpengaruh pada jumlah produksi jagung, sedangkan variabel output adalah jumlah produksi jagung. Di antara faktor-faktor yang berpengaruh terhadap produksi jagung tersebut, terdapat dua variabel yang bersifat numerik yaitu variabel luas panen (ha) dan curah hujan (mm). Faktor penggunaan bibit, pemanfaatan lahan, pemupukan secara tepat, 57 pengendalian hama dan penyakit, pengairan, dan penanganan proses panen mempengaruhi produksi jagung, namun dalam model ini tidak digunakan. Hal ini dilakukan dengan asumsi bahwa faktor-faktor tersebut merupakan kegiatan untuk meningkatkan produksi dan bersifat kualitatif serta sulit terukur. Luas Luas Panen Panen Alat AlatBantu Bantu Analisis Analisis Hasil HasilPrediksi Prediksi Produksi Produksijagung jagung Curah Curah Hujan Hujan Gambar 20 Model konseptual prediksi produksi jagung. Model konseptual prediksi produksi jagung dapat dilihat pada Gambar 20. Gambar ini menunjukkan hubungan variabel luas panen dan curah hujan sebagai variabel input yang berpengaruh terhadap produksi jagung sebagai variabel output. Alat bantu analisis untuk memperoleh hasil prediksi adalah metode peramalan yang digunakan. Alat analisis yang akan digunakan dalam model ini adalah Jaringan Syaraf Tiruan (JST) dan peramalan secara statistikal. Salah satu alat analisis dalam model prediksi produksi jagung ini adalah jaringan syaraf tiruan backpropagation dengan arsitektur jaringan seperti terlihat pada Gambar 21. Siang (2009) menjelaskan bahwa backpropagation dapat digunakan untuk melakukan peramalan (forecasting). 1 w10 v10 1 vj0 vp0 Z1 w11 v11 X1 Y vj1 vp1 w1j Zj v12 X2 w1p vj2 vp2 Zp Gambar 21 Struktur jaringan syaraf tiruan model prediksi produksi jagung. 58 X1 adalah luas panen (ha), X2 merupakan variabel curah hujan (mm), dan Y merupakan target yaitu produksi jagung (ton). Vji merupakan bobot hubungan unit neuron input Xi ke unit layar tersembunyi Zj. Wkj merupakan bobot dari unit layar tersembunyi Zj ke unit output Yk. Wk0 merupakan bobot dari neuron bias di layar tersembunyi ke unit neuron output Zk.Fungsi aktivasi yang digunakan adalah fungsi sigmoid biner Dalam model ini digunakan 2 variabel yang mempengaruhi produksi jagung yakni luas panen (ha) dan curah hujan (mm). mulai mulai Luas Luas lahan lahan produksi produksi Curah Curah hujan hujan Produksi Produksi jagung jagungper per bulan bulan Perancangan struktur jaringan Pemisahan data - data pelatihan - data test Transformasi data ke input jaringan Set parameter, nilai, inisialisasi bobot Simulasi JST menggunakan data pelatihan Input Inputdata data test test Simulasi JST menggunakan datatest Input Inputdata data prakiraan prakiraan Proses prakiraan Denormalisasi Hasil Prakiraan Produksi Jagung Selesai Selesai Gambar 22 Tahapan proses prediksi produksi jagung dengan jaringan syaraf tiruan. 59 Gambar 22 menunjukkan tahapan proses pengolahan data menggunakan jaringan syaraf tiruan pada model prediksi produksi jagung. Tahapan proses peramalan ini dituangkan dalam bentuk program. Perangkat lunak MATLAB R2010a digunakan untuk menjalan program dalam proses peramalan. Tabel 9 Data luas panen, curah hujan, produksi jagung Jawa Tengah tahun 2010 Curah Hujan BULAN Luas Panen (ha) (mm/bulan) Produksi (ton) Januari 79390 214 130251 Februari 145107 415 121080 Maret 53337 240 139750 April 35453 127 165350 Mei 51906 142 180790 Juni 62938 79 157210 Juli 35225 1 179190 Agustus 36325 3 184785 September 59431 1 285637 Oktober 47031 6 226038 Nopember 32481 197 156111 Desember 27961 76 134385 Sumber: Kementerian Pertanian (2011) dan Balai Data dan Informasi SDA (2010) Tabel 9 merupakan data luas panen, curah hujan, dan produksi jagung tahun 2010 pada sentra jagung di Jawa Tengah. Data ini digunakan untuk menjalankan program pada model ini. Data luas panen dan curah hujan merupakan variabel input dan produksi jagung sebagai target dalam peramalan. Jaringan syaraf tiruan akan melakukan proses pembelajaran, proses pengujian dan proses peramalan (forecasting). Proses pengolahan data ini dilakukan dengan menjalankan program secara berulang-ulang, dengan mengubah-ubah parameter hidden layer, fungsi aktivasi, fungsi pembelajaran, learning rate, target epoch, target mean square error (MSE). Proses ini dilakukan sehingga diperoleh hasil terbaik. Salah satu contoh performansi pada layar monitor setelah menjalankan program dengan 60 MATLAB R2010a dapat dilihat pada Gambar 23. Hasil yang diperoleh setelah menjalankan program sebanyak 18 kali dapat dilihat pada Lampiran 2. Ukuran ketepatan peramalan dengan menggunakan jaringan syaraf tiruan ini adalah Mean Square Error (MSE). Hasil peramalan yang akan digunakan dalam memprediksi produksi jagung adalah hasil peramalan dengan MSE yang mencapai target yang ditentukan sebelumnya. Performansi dari hasil menjalankan program dapat dilihat pada Lampiran 1, dan hasil peramalan produksi jagung dengan jaringan syaraf tiruan terdapat pada Lampiran 2. Pengolahan data dalam model prediksi ini juga menggunakan metode peramalan dengan model regresi berganda (multiple regression). Dalam model ini variabel luas panen dan curah hujan merupakan variabel independen, sedangkan produksi jagung merupakan variabel dependen atau variabel respons. Gambar 23 Hasil simulasi pada jaringan syaraf tiruan. Proses peramalan secara statistikal dalam model prediksi ini menggunakan Perangkat lunak MINITAB Release 14 dari Minitab Inc. untuk menentukan persamaan regresi. Persamaan regresi yang diperoleh menunjukkan pengaruh variabel luas panen dan curah hujan terhadap jumlah produksi jagung. Langkahlangkah dalam penggunaan perangkat lunak ini dapat dilihat pada Lampiran 3. Hasil peramalan produksi jagung berdasarkan persamaan regresi yang diperoleh tertuang pada Lampiran 4. 5.2 Model Pengelompokan Mutu Jagung Pipilan Salah satu kegiatan dalam proses pasca panen adalah proses klasifikasi dan standarisasi mutu (Firmansyah, 2006). Model pengelompokan mutu jagung pipilan ini dilakukan di akhir proses pasca panen pada tingkat pengumpul. Model 61 pengelompokan mutu jagung pipilan bertujuan untuk mengelompokkan mutu jagung pipilan sebagai bahan baku industri pengolahan jagung. Pentingnya pengelompokan mutu karena saat ini mutu merupakan faktor penting dalam dunia industri, dan dengan pengelompokan ini dapat diketahui kategori mutu jagung dan peruntukannya. Dalam agroindustri berbasis jagung seperti industri pangan, pakan, farmasi, dan industri olahan lainnya tuntutan konsumen terhadap mutu merupakan hal utama. Selain mutu secara fungsional, keamanan pangan juga merupakan hal penting karena menyangkut kesehatan baik manusia maupun hewan. Pengelompokan mutu jagung pipilan dilakukan sesuai standar mutu yang ditetapkan oleh masing-masing pihak yang berkepentingan. Beberapa negara penghasil jagung pipilan telah menetapkan standar mutu jagung pada negara masing-masing. Indonesia telah menetapkan standar mutu jagung pipilan oleh Standar Nasional Indonesia (SNI) yaitu SNI 01-3920-1995 (Dewan Standardisasi Nasional, 1995). Beberapa parameter mutu sebagai persyaratan mutu jagung adalah kandungan aflatoksin, kadar air, butir rusak, butir warna lain, butir pecah, dan kotoran seperti yang ditunjukkan pada Tabel 6. Aflatoksin merupakan racun hasil metabolisme cendawan aspergilus flasus yang dapat tumbuh pada biji jagung. Pemeriksaan terhadap kadungan aflatoksin merupakan hal yang penting, karena racun ini berbahaya bagi kesehatan manusia atau hewan apabila melewati batas maksimum yang diijinkan. Batas maksimum yang diijinkan bagi manusia adalah 5 ppb, dan bagi hewan sebesar 50 ppb. Dalam model ini pemeriksaan kandungan aflatoksin dilakukan pada pemeriksaan awal sebelum dilakukan pengelompokan mutu jagung. Kadar air adalah jumlah kandungan air dalam jagung yang dinyatakan dalam persentase dari berat basah. Pengujian kadar air dalam penentuan mutu jagung penting dilakukan, karena kadar air yang berlebihan akan mengakibatkan peluang mudah terjadinya kerusakan pada biji jagung, dan peluang tumbuhnya cendawan yang akan menghasilkan racun aflatoksin. SNI menjelaskan bahwa cara uji kadar air biji ditentukan dengan moisture tester electronic atau Air Oven Method. Berdasarkan hal tersebut maka jenis uji parameter kadar air digunakan dalam model. Kadar air maksimum menurut SNI adalah 15%. 62 Menurut SNI 01-3920-1995, butir rusak adalah jagung, baik yang utuh maupun yang pecah yang mengalami kerusakan karena pengaruh panas, berkecambah, cuaca, cendawan, hama dan penyakit atau kerusakan-kerusakan fisik lainnya. Batas maksimu yang dipersyaratkan adalah sebesar 6%. Butir rusak dalam model ini digunakan sebagai jenis uji, karena apabila hasil uji melampaui batas yang diijinkan akan berakibat pada kemungkinan tumbuhnya cendawan dan akan menularkannya kepada biji jagung yang lain. Jenis uji berikutnya adalah butir warna lain. Butir warna lain adalah butir jagung yang berwarna lain dari warna asli, disebabkan oleh lain varietas. Butir warna lain menurut SNI tidak boleh melebihi 7%. Jenis jagung yang ditanam di Indonesia pada umumnya adalah jagung kuning. Jagung kuning memiliki kandungan gizi yang lebih tinggi dibandingkan dengan jagung putih dan banyak dibutuhkan sebagai campuran ransum pada pakan ternak (Direktorat Budidaya Serealia, 2006). Dalam perancangan model ini, parameter butir warna lain tidak digunakan, karena jagung pipilan yang dipasok dari pengumpul dan dipakai sebagai bahan baku tepung jagung adalah jagung kuning. Hal ini dipertimbangkan setelah mendapat konfirmasi dari pabrik tepung jagung. Butir pecah merupakan parameter yang dipertimbangkan untuk model pengelompokan mutu jagung pipilan. Butir pecah adalah butir jagung yang pecahpecah selama proses pengolahan yang memiliki ukuran sama atau lebih kecil dari 0.6 bagian jagung yang utuh. Persentase banyaknya butir pecah yang diperbolehkan adalah sebesar 3%. Butir pecah merupakan jenis uji yang penting karena dapat berakibat pada daya tahan saat penyimpanan yang tidak dapat berlangsung lama. Butir pecah dalam kondisi kadar air yang tinggi membuat jagung cepat rusak dan dapat ditumbuhi cendawan. Parameter yang juga digunakan dalam model pengelompokan mutu jagung pipilan adalah kotoran. Kotoran adalah segala benda asing seperti butir tanah, batu-batu kecil, pasir dan sisa-sisa batang, tongkol jagung, klobot, biji-bijian lain yang bukan jagung dan sebagainya. Kotoran yang diperkenankan dalam persyaratan mutu jagung menurut SNI maksimum sebanyak 2%. Kotoran yang melebihi nilai tersebut akan berakibat pada kesehatan manusia. 63 Berdasarkan pertimbangan-pertimbangan tersebut maka parameter- parameter yang digunakan dalam model pengelompokan mutu jagung pipilan adalah kandungan aflatoksin, kadar air, butir rusak, butir pecah, dan kotoran. Pengelompokan mutu jagung pipilan ini akan menghasilkan kelas mutu yakni Mutu 1, Mutu 2, dan Mutu 3. Kelompok Mutu 1 akan digunakan untuk pabrik farmasi, kelompok Mutu 2 untuk pangan, dan kelompok Mutu 3 untuk pakan. Jagung yang tidak masuk dalam ketiga kelompok mutu tersebut dpat digunakan untuk bio-fuel atau bahan bakar. Gambar 24 Model konseptual pengelompokan mutu jagung pipilan. Perancangan model dimulai dengan model konseptual seperti terlihat pada Gambar 24. Pada model ini terdapat dua sub model, yaitu sub model pemeriksaan awal dan sub model pengelompokan mutu jagung pipilan. Hasil yang diharapkan dari model ini adalah diperolehnya kelompok-kelompok mutu jagung pipilan yang memenuhi standar mutu sesuai persyaratan dalam SNI. Sub model pemeriksaan awal dibuat sebagai langkah awal untuk memeriksa apakah kandungan aflatoksin memenuhi atau tidak memenuhi syarat mutu jagung. Pemeriksaan terhadap aflatoksin dilakukan sebagai syarat mutu yang penting karena menyangkut keamanan pangan. Apabila tidak memenuhi syarat, maka jagung tidak akan digunakan sebagai bahan baku tepung jagung. Namun apabila memenuhi syarat mutu, akan dilanjutkan pada pemeriksaan parameter-parameter kadar air, butir rusak, butir pecah, dan kotoran. Kemungkinan yang terjadi pada tahap pemeriksaan parameter-parameter tersebut adalah persyaratan mutu memenuhi atau tidak memenuhi. Apabila jagung memenuhi persyaratan yang ditetapkan, maka selanjutnya jagung tersebut akan dikelompokkan ke dalam kelompok Mutu 1, Mutu 2, dan Mutu 3. Namun apabila tidak memenuhi syarat, maka jagung tidak dapat diterima sebagai bahan baku tepung jagung. 64 Tahapan pemeriksaan pada sub model pemeriksaan awal mutu jagung pipilan dapat dilihat pada Gambar 25. Sebagaimana telah dijelaskan sebelumnya, tahap ini dilakukan untuk menyeleksi apakah jagung pipilan memenuhi persyaratan mutu atau tidak memenuhi persyaratan mutu yang ditetapkan. Jagung pipilan yang memenuhi persyaratan mutu, akan dikelompokkan pada sub model berikutnya, yaitu sub model pengelompokan mutu jagung pipilan. Mulai Mulai Pemeriksaan Pemeriksaanawal awal mutu mutujagung jagungpipilan pipilan Kandungan Kandungan Aflatoksin ≤ 50 ppb Aflatoksin ≤ 50 ppb Tidak Industri Industrinon nonpangan, pangan, non nonpakan, pakan,non non farmasi farmasi ya Kadar Kadarair air ≤≤15% 15%atau atau Butir 6%atau atau Butirrusak rusak ≤≤6% Butir Butirpecah pecah ≤≤3% 3%atau atau Kotoran Kotoran≤≤2% 2% Tidak Kelompok Kelompokjagung jagung pipilan pipilantidak tidak memenuhi memenuhistandar standar ya Pengelompokan Pengelompokanmutu mutu jagung jagungpipilan pipilan Selesai Selesai Gambar 25 Tahapan pemeriksaan awal mutu jagung pipilan. Pengelompokan mutu jagung pipilan ini bermanfaat untuk menentukan ke industri mana produk ini dipakai sebagai bahan baku. Pengelompokan ini dilakukan berdasarkan kriteria pembeda jagung pipilan. Parameter jagung pipilan menurut jenis uji digunakan sebagai karakteristik pembeda dalam pengelompokan mutu jagung pipilan. Gambar 26 menunjukkan model konseptual pengelompokan mutu jagung pipilan. Penetapan jumlah kelompok yang akan dihasilkan pada model ini didasarkan atas kelompok mutu sesuai standar SNI. Standar nasional Indonesia menetapkan 3 kelompok mutu seperti yang tertuang pada Tabel 6. 65 Karakteristik Karakteristik Pembeda Pembeda - -Banyaknya BanyaknyaKelompok Kelompok - -Kesamaan KesamaanMutu Mutu Kelompok KelompokMutu Mutu Jagung Pipilan Jagung Pipilan FIS Gambar 26 Model konseptual pengelompokan mutu jagung pipilan dengan FIS. Gambar 27 menunjukkan model pengelompokan mutu jagung pipilan. Kriteria pembeda sebagai variabel masukan dalam model ini adalah kadar air, butir rusak, butir pecah, dan kotoran. Sebagai keluaran adalah kelompok Mutu 1, Mutu 2, dan Mutu 3. Fuzzy Inference System (FIS) digunakan sebagai alat analisis dalam model pengelompokan tersebut. Kadar Kadarair air Kelompok KelompokMutu Mutu Jagung JagungPipilan Pipilan Jumlah Jumlahkelompok kelompok==33 Butir Butirrusak rusak Butir Butirpecah pecah Fuzzy FuzzyInference InferenceSystem System Kotoran Kotoran Mutu Mutu11 Mutu Mutu22 Mutu Mutu33 Gambar 27 Model pengelompokan mutu jagung pipilan. Variabel-variabel input dan variabel output dalam model ini selanjutnya diagregasikan untuk dikelompokkan menjadi himpunan fuzzy. Gambar 28 menunjukkan agregasi dalam model pengelompokan mutu jagung pipilan. Konsep model ini yang akan dijadikan dasar untuk menjalankan proses inferensi dengan Fuzzy Inference System (FIS). Model yang dipakai dalam FIS pada MATLAB R2010a adalah model Sugeno. Variabel input dalam model Sugeno berupa himpunan fuzzy, sedangkan variabel output berupa bilangan tegas (crisp). 66 Kadar Air Baik Sedang Buruk MUTU 1 Butir Rusak Baik Sedang MUTU 2 Buruk Butir Pecah MUTU 3 Baik Sedang Buruk Kotoran Baik Sedang Buruk Gambar 28 Agregasi mutu jagung pipilan. Untuk menjalankan proses inferensi dalm pengelompokan mutu jagung, perlu ditentukan terlebih dahulu nilai-nilai semesta pembicaraan, himpunan fuzzy, nilai domain setiap himpunan, representasi kurva, serta nilai parameter setiap himpunan fuzzy. Penentuan semesta pembicaraan, nama himpunan fuzzy, domain, representasi kurva, serta nilai parameter setiap variabel input ditentukan berdasarkan persyaratan umum mutu yang ditentukan pada SNI dan berdasarkan diskusi serta konfirmasi pakar. Berdasarkan hasil konfirmasi dan diskusi dengan pakar, dan berdasarkan penelusuran literatur, maka dibuatkan klasifikasi mutu berdasarkan jenis uji. SNI hanya menetapkan syarat maksimum setiap jenis uji untuk mengelompokkan mutu jagung pipilan. Penggunaan logika fuzzy diperlukan dalam melakukan pengelompokan ini. Semesta pembicaraan, himpunan fuzzy, dan domain mutu 67 jagung pipilan yang digunakan dalam proses pengelompokan ini dapat dilihat pada Tabel 10. Tabel 10 Semesta pembicaraan, himpunan fuzzy, domain mutu jagung pipilan Fungsi Input Output Variabel (Mutu Semesta Jagung Pipilan) Pembicaraan Kadar air [10 , 15] Butir rusak [0 , 6] Butir pecah [0 , 3] Kotoran [0 , 1] Mutu Jagung Pipilan Nama Himpunan Fuzzy Domain baik sedang buruk baik sedang buruk baik sedang buruk baik sedang buruk [10 , 12] [11 , 14] [12 , 15] [0 , 2] [1 , 4] [2 , 6] [0 , 1] [0.5 , 2] [1 , 3] [0 , 0.5] [0.25 , 1] [0.5 , 2] Mutu 1 Mutu 2 Mutu 3 Penentuan semesta pembicaraan variabel input dilakukan berdasarkan SNI 01-3920-1995, yaitu mengikuti parameter menurut jenis uji. Himpunan fuzzy variabel input dikategorikan sebagai kategori baik, sedang, dan buruk. Nilai domain untuk setiap kategori dibuat berdasarkan himpunan fuzzy masing-masing kategori. Sebagai variabel output adalah kualifikasi Mutu 1, Mutu 2, dan Mutu3. Representasi kurva variabel input mutu jagung pipilan pada setiap kategori dalam himpunan fuzzy dan parameter setiap kategori dapat dilihat pada Tabel 11. Penetapan nilai-nilai pada setiap kategori dibuat berdasarkan diskusi dan konfirmasi pakar. Penentuan nilai-nilai ini dilakukan pada setiap parameter mutu untuk menentukan kelompok mutu jagung pipilan dengan menggunakan logika fuzzy. Penentuan parameter pada setiap himpunan fuzzy dibuat berdasarkan nilai domain yang diturunkan dari nilai semesta pembicaraan.. 68 Tabel 11 Representasi kurva variabel mutu jagung pipilan Fungsi Input Variabel (Mutu Jagung Pipilan) Kadar air Butir rusak Butir pecah Kotoran Output Mutu Jagung Pipilan Nama Himpunan Fuzzy baik sedang buruk baik sedang buruk baik sedang buruk baik sedang buruk Jenis Kurva segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga Parameter [10 10 12] [11 13 14] [13 15 15] [0 0 2] [1 2 4] [2 6 6] [0 0 1] [0.5 1 3] [1 3 3] [0 0 0.5] [0.25 0.5 1] [0.5 2 2] Mutu 1 Mutu 2 Mutu 3 1 2 3 Pada proses pengelompokan mutu jagung pipilan diperlukan if-then-rules yang akan dimasukkan pada perangkat lunak MATLAB R2010a. If-then-rules dibangun berdasarkan diskusi dan informasi pakar terhadap masing-masing variabel input dengan mempertimbangkan semua kemungkinan-kemungkinan yang terjadi. Aturan dalam if-then-rules yang dibangun sejumlah 81 buah aturan karena terdapat 4 variabel input dengan 3 kategori dalam setiap himpunan fuzzy. Adapun if-then-rules yang dibuat dapat dilihat pada Lampiran 5. Data variabel input kadar air, butir rusak, butir pecah, dan kotoran dimasukkan kedalam program FIS berdasarkan nilai-nilai semesta pembicaraan, himpunan fuzzy, domain, dan nilai-nilai parameter setiap kategori. Pada model Sugeno, nilai variabel output yaitu kategori Mutu 1, Mutu 2, dan Mutu 3 merupakan nilai konstan atau berupa bilangan tegas. Aturan if-then yang telah dibuat dimasukkan ke dalam program FIS pada MATLAB R2010a, dengan tampilan pada layar seperti ditunjukkan pada Lampiran 6. Setelah pengisian nilai-nilai variabel input, variabel output, dan if-then rules pada model Sugeno, program FIS dijalankan dan diperoleh hasil output berupa 69 mutu jagung sesuai kategorinya yaitu kategori Mutu 1, Mutu 2, dan Mutu 3. Lampiran 6 menunjukkan tampilan output kategori mutu jagung sesuai nilai variabel input yang dimasukkan. 5.3 Model Pengelompokan Mutu Tepung Jagung Model pengelompokan mutu tepung jagung bertujuan untuk mengelompokkan mutu tepung jagung yang dihasilkan industri tepung jagung. Pengelompokan ini diperlukan untuk memenuhi ketentuan mutu sesuai permintaan industri pengguna tepung jagung. Industri farmasi, industri pangan, dan industri pakan membutuhkan tepung jagung sebagai bahan baku dalam proses produksi. Selain jumlah bahan baku untuk memenuhi target produksi, mutu bahan baku merupakan hal yang dipentingkan. Tuntutan terhadap standar mutu yang ketat adalah industri farmasi, diikuti dengan industri pangan dan dan industri pakan. Mutu produk yang dihasilkan industri-industri tersebut berkaitan dengan keamanan pangan yang menyangkut kesehatan. Mulai Mulai Kriteria Kriteriauji ujimutu mutu tepung jagung tepung jagung Penentuan Penentuan kriteria kriteriauji ujiyang yang dipentingkan dipentingkan Penentuan Penentuanbobot bobot kriteria uji menurut kriteria uji menurut jenis jenisindustri industri Perancangan Perancanganmodel model pengelompokan pengelompokanmutu mutu tepung tepungjagung jagung Selesai Selesai Gambar 29 Tahapan perancangan model pengelompokan tepung jagung. 70 Perancangan model pengelompokan mutu tepung jagung dilakukan melalui beberapa tahap. Sebagai tahap awal adalah tahap penentuan kriteria uji, selanjutnya tahap penentuan bobot kriteria uji menurut jenis industri, dan tahap pengelompokan mutu tepung jagung. Tahapan perancangan model ini dapat dilihat pada Gambar 29. Penentuan kriteria uji mutu tepung jagung yang dipentingkan. Standar Nasional Indonesia telah menetapkan persyaratan mutu tepung jagung seperti tercantum pada SNI 01–3727–1995 yang dapat dilihat pada Tabel 7. SNI menetapkan sejumlah kriteria uji sebagai persyaratan mutu tepung jagung. Selain kriteria uji yang terdapat pada SNI, kandungan aflatoksin dalam tepung jagung juga merupakan hal yang penting karena mengganggu kesehatan. Kandungan aflatoksin diharapkan tidak ada atau tidak diperkenankan melampaui batas maksimum yang diijinkan. Berdasarkan konsultasi pakar dan konfirmasi dengan pihak pabrik tepung jagung, dinyatakan bahwa tidak semua persyaratan mutu menurut SNI diuji pada pemeriksaan mutu tepung jagung. Penentuan kriteria uji sebagai karakteristik pembeda dalam model pengelompokan mutu, dilakukan melalui konsultasi pakar dengan mengisi panduan konsultasi yang terdapat pada Lampiran 7. Panduan ini diisi dengan menggunakan skala 1 sampai 5. Skala 1 = sangat tidak penting; skala 2 = tidak penting; skala 3 = kurang penting; skala 4 = penting, dan skala 5 = sangat penting. Pengisian panduan ini didasarkan pada pengalaman pakar dan keadaan di lapangan. Hasil pengisian panduan tersebut dan perhitungan tingkat kepentingan dapat dilihat pada Tabel 12. Kriteria uji yang memiliki bobot tertinggi merupakan kriteria uji yang dipentingkan dan akan digunakan dalam model pengelompokan mutu tepung jagung. Hasil perhitungan menunjukkan bahwa adalah kandungan aflatoksin, kadar air, dan kadar abu memiliki tingkat kepentingan yang lebih tinggi dibandingkan kriteria uji lainnya. Ketiga kriteria uji ini yang akan digunakan sebagai karakteristik pembeda yang merupakan variabel input pada model pengelompokan mutu tepung jagung. 71 Tabel 12 Penentuan tingkat kepentingan kriteria uji Kriteria uji 5 4 3 2 1 Nilai Bobot Bau x 2 0,04878 Rasa x 2 0,04878 Warna x 2 0,04878 Benda asing x 2 0,04878 Serangga x 2 0,04878 1 0,02439 4 0,09756 Pati lain x Kehalusa x Kadar air x 5 0,12195 Abu x 5 0,12195 Silikat x 2 0,04878 Serat kasar x 2 0,04878 Derajat asam x 2 0,04878 Cemaran seng x 1 0,02439 Cemaran tembaga x 1 0,02439 3 0,07317 5 0,12195 41 1 Cemaran mikroba Aflatoksin x x Total Penentuan bobot kepentingan kriteria uji mutu menurut jenis industri. Tahap setelah penentuan tingkat kepentingan kriteria uji adalah penentuan bobot kepentingan setiap kriteria uji yang terpilih menurut jenis industri. Penentuan bobot kepentingan dilakukan dengan mengisi lembar pengisian matriks perbandingan berpasangan oleh pakar. Matriks perbandingan berpasangan dibuat sesuai matriks perbandingan berpasangan pada metode Analytical Hierarchy Process (Saaty, 1988). Jawaban pakar pada lembar isian tersebut harus konsisten, sehingga dilakukan uji konsistensi terhadap hasil pengisiannya. Lembar pengisian tersebut dapat dilihat pada Lampiran 8. Jenis industri yang menggunakan bahan baku tepung jagung pada lembar tersebut adalah industri farmasi, industri pangan dan industri pakan. 72 Gambar 30 memperlihatkan diagram alir penentuan bobot kepentingan kriteria uji dengan menggunakan matriks perbandingan berpasangan. Dalam pengisian kuesioner ini diperlukan konsistensi jawaban pakar. Konsistensi jawaban pakar ditunjukkan melalui nilai consistency ratio (CR). Jawaban pakar konsisten bila nilai CR lebih kecil atau sama dengan 0,1. Mulai Mulai Penentuan Penentuankriteria kriteriauji ujiyang yang akan dibandingkan akan dibandingkan Perancangan Perancangan lembar lembar pengisian pengisian Penilaian Penilaianperbandingan perbandingan antar antarkriteria kriteriauji ujioleh oleh pakar pakar Tidak Pengujian Pengujiankonsistensi konsistensi ya Penentuan Penentuanbobot bobotkriteria kriteriauji uji mutu mutu tepung tepungjagung jagungmenurut menurutjenis jenis industri industri Selesai Selesai Gambar 30 Diagram alir penentuan bobot kriteria uji mutu tepung jagung. Penentuan bobot kriteria uji mutu yang dipentingkan menurut industri farmasi, pangan dan pakan bermanfaat untuk pembuatan model pengelompokan mutu tepung jagung. Selain itu akan digunakan sebagai bahan pertimbangan ketika membuat if-then-rules pada FIS. Dalam matriks perbandingan berpasangan variabel yang dibandingkan adalah K1, K2, dan K3. K1 adalah kandungan aflatoksin, K2 adalah kadar air, K3 adalah kadar abu. K1, K2, dan K3 dibandingkan menurut industri Farmasi, industri Pangan, dan industri Pakan. Penentuan bobot ketiga kriteria uji dilakukan dengan menghitung geometric mean pada matriks perbandingan berpasangan, kemudian dilakukan nomalisasi. Hasil pembobotan dapat dilihat pada Tabel 13, Tabel 14, dan Tabel 15 . 73 Tabel 13 Matriks perbandingan berpasangan kriteria uji pada industri farmasi Geometric FARMASI K1 K2 K3 mean Bobot K1 1,00 5,00 7,00 3,271 0,731 K2 0,20 1,00 3,00 0,843 0,188 K3 0,14 0,33 1,00 0,362 0,081 4,477 1,000 Konsistensi jawaban pakar diperlukan pada pengisian matriks perbandingan berpasangan, karena penilaian setiap kriteria dilakukan dengan membandingkannya terhadap kriteria yang berbeda. Hal ini dapat menimbulkan ketidak-konsistenan dalam memberikan jawaban. Jawaban yang diperoleh dari pakar pada pengisian perbandingan antar kriteria berdasarkan kepentingan industri farmasi, memenuhi uji konsistensi pada consistency ratio (CR) = 0,05594. Jawaban pakar konsisten bila nilai CR yang diperoleh lebih kecil atau sama dengan 0,1. Dengan demikian hasil pembobotan kriteria uji sesuai industri farmasi tersebut dapat digunakan untuk analisis lebih lanjut. Terlihat bahwa kandungan aflatoksin yang memiliki bobot 0,731 merupakan kriteria uji yang sangat dipentingkan dalam penentuan mutu tepung jangung sebagai bahan baku industri farmasi. Tabel 14 Matriks perbandingan berpasangan kriteria uji pada industri pangan Geometric PANGAN K1 K2 K3 mean Bobot K1 1,00 5,00 4,00 2,714 0,687 K2 0,20 1,00 2,00 0,737 0,186 K3 0,25 0,50 1,00 0,500 0,127 3,951 1,000 Pada matriks perbandingan berpasangan antar kriteria uji untuk industri pangan diperoleh jawaban yang konsisten oleh pakar dengan CR = 0,08105. 74 Dalam industri pangan kandungan aflatoksin memiliki bobot sebesar 0,687 juga merupakan kriteria uji yang lebih penting dengan bobot yang lebih besar dari pada kriteria uji lainnya. Konsistensi jawaban pakar pada matriks perbandingan berpasangan perbandingan antara kriteria uji mutu untuk industri pakan diperoleh pada nilai CR = 0,04623. Bobot variabel kandungan aflatoksin yang diperoleh sebesar 0,594 lebih tinggi dari bobot kepentingan kadar air dan kadar abu. Tabel 15 Matriks perbandingan berpasangan kriteria uji pada industri pakan Geometric PAKAN K1 K2 K3 mean Bobot K1 1,00 3,00 3,00 2,080 0,594 K2 0,33 1,00 2,00 0,874 0,249 K3 0,33 0,50 1,00 0,550 0,157 3,504 1,000 Berdasarkan hasil penentuan kriteria uji yang dipentingkan menurut jenis industri terlihat bahwa kandungan aflatoksin merupakan kriteria yang penting untuk ketiga jenis industri. Bobot kepentingan yang tertinggi terdapat pada industri farmasi, diikuti dengan industri pangan dan industri pakan. Selanjutnya dalam pengelompokan mutu tepung jagung, variabel input yang digunakan adalah kriteria uji kadungan aflatoksin, kadar air, dan kada abu. Gambar 31 Model konseptual pengelompokan mutu tepung jagung. Model konseptual pengelompokan mutu tepung jagung terdiri dari dua sub model yaitu sub model pemeriksaan awal dan sub model pengelompokan mutu tepung jagung yang memenuhi standar. Model konseptual tersebut dapat dilihat 75 pada Gambar 31. Pada sub model pemeriksaan awal dilakukan pemeriksaan terhadap kriteria uji mutu tepung jagung. Apabila nilai-nilai kriteria uji tersebut berada di luar batas yang ditetapkan, maka tepung jagung ini akan masuk pada kelompok yang tidak memenuhi standar mutu, dan tidak dapat digunakan pada industri farmasi, industri pangan dan industri pakan. Namun apabila memenuhi persyaratan, maka tepung jagung akan dikelompokkan kedalam kelompok mutu dengan nama Grade 1, Grade 2, dan Grade 3. Pemberian nama Grade 1, Grade 2 dan Grade 3 hanya untuk membedakannya dengan nama Mutu 1, Mutu2, dan Mutu 3 pada model pengelompokan mutu jagung pipilan. Tahapan pemeriksaan awal terhadap mutu tepung jagung dapat dilihat pada Gambar 32. Mulai Mulai Pemeriksaan Pemeriksaan awal awal mutu mututepung tepungjagung jagung Aflatoksin Aflatoksin ≤≤5050ppb ppbatau atau Kadar air ≤ 14% Kadar air ≤ 14%atau atau Kadar Kadarabu abu ≤≤1,5% 1,5% Tidak Kelompok Kelompoktepung tepung jagung tidak jagung tidak memenuhi memenuhistandar standar ya Pengelompokan Pengelompokanmutu mutu tepung tepungjagung jagung Selesai Selesai Gambar 32 Tahapan pemeriksaan awal mutu tepung jagung. Persyaratan maksimum bagi kriteria uji kandungan aflatoksin yang diperbolehkan bagi manusia sebesar 5 ppb dan untuk hewan maksimum 50 ppb. Kadar air yang dipersyaratkan oleh SNI maksimum sebesar 10%. Berdasarkan hasil konsultasi pakar dan keadaan di lapangan yaitu di pabrik tepung jagung, 76 pencapaian kadar air sebesar maksimum 10% merupakan hal yang sulit. Pabrik tepung jagung dalam memproduksi tepung jagung menetapkan standar mutu kadar air sebesar maksimum 14%. Dengan demikian dalam perancangan model pengelompokan mutu tepung jagung di tetapkan kadar air maksimum sebesar 14%. Penetapan kadar abu disesuaikan dengan persyaratan mutu tepung jagung oleh yaitu maksimum sebesar 1,5%. Apabila persyaratan mutu ketiga kriteria uji tersebut melampaui batas maksimum yang ditetapkan, maka tepung jagung yang dihasilkan tidak akan dikelompokkan dan tidak dapat digunakan sebagai bahan baku industri farmasi, industri pangan dan industri pakan. Bila memenuhi persyaratan, akan dilanjutkan pada tahap berikutnya yaitu tahap pengelompokan mutu tepung jagung. Model konseptual pengelompokan mutu tepung jagung dengan FIS dapat dilihat pada Gambar 33. Pengelompokan ini dilakukan berdasarkan karakteristik pembeda tepung jagung. Parameter tepung jagung menurut kriteria uji yang digunakan sebagai karakteristik pembeda dalam pengelompokan mutu tepung jagung adalah ketiga kriteria uji yang telah ditentukan pada tahap sebelumnya. Berdasarkan model konseptual pada Gambar 33, diturunkan menjadi model pengelompokan mutu tepung jagung dengan memasukkan ketiga kriteria uji sebagai karakteristik pembeda. Karakteristik Karakteristik Pembeda Pembeda - -Banyaknya BanyaknyaKelompok Kelompok - -Kesamaan Kesamaannilai nilai kriteria kriteriauji uji Kelompok KelompokMutu Mutu Tepung Jagung Tepung Jagung FIS Gambar 33 Model konseptual pengelompokan mutu tepung jagung dengan FIS. Terdapat tiga kriteria uji sebagai karakteristik pembeda pada perancangan model pengelompokan mutu tepung jagung. Kriteria uji tersebut adalah kandungan aflatoksin, kadar air dan kadar abu. Ketiga kriteria uji ini merupakan variabel input pada fuzzy inference system. Variabel output dalam model ini adalah tepung jagung Grade 1, Grade 2 dan Grade 3. Grade 1 diperuntukkan bagi 77 industri farmasi, Grade 2 untuk industri pangan, dan Grade 3 untuk industri pakan. Model pengelompokan tepung jagung dapat dilihat pada Gambar 34. Aflatoksin Aflatoksin Kelompok KelompokMutu Mutu Tepung TepungJagung Jagung Jumlah Jumlahkelompok kelompok==33 Kadar Kadarair air Fuzzy FuzzyInference InferenceSystem System Kadar Kadarabu abu Grade Grade11 Grade Grade22 Grade Grade33 Gambar 34 Model pengelompokan mutu tepung jagung. Berdasarkan hasil konfirmasi dan diskusi dengan pakar, dibuatkan klasifikasi mutu tepung jagung berdasarkan kriteria uji yang dipilih. Agregasi mutu untuk model pengelompokan mutu tepung jagung dibuat untuk menentukan semesta pembicaraan, himpunan fuzzy, nilai domain dan parameter himpunan setiap kriteria uji. Gambar 35 menunjukkan agregasi mutu tepung jagung. Aflatoksin Rendah Sedang GRADE 1 Tinggi GRADE 2 Kadar Air Rendah GRADE 3 Sedang Tinggi Kadar abu Rendah Sedang Tinggi Gambar 35 Agregasi mutu tepung jagung. 78 Penentuan nilai-nilai bagi semesta pembicaraan, himpunan fuzzy, dan domain dalam bentuk logika fuzzy dibuat berdasarkan ketentuan pada SNI pada Tabel 7, berdasarkan konsultasi pakar dan konfirmasi dari pabrik tepung jagung. Kandungan aflatoksin yang diperbolehkan untuk manusia maksimum 5 ppb dan untuk hewan maksimum 50 ppb. Berdasarkan hal ini maka semesta pembicaraan untuk kandungan aflatoksin adalah [0,50]. Nilai domain himpunan rendah untuk kriteria uji ini sebesar [0,1] karena himpunan rendah diharapkan akan masuk pada Grade 1 yang diperuntukkan bagi industri farmasi. Himpunan sedang memiliki domain kandungan aflatoksin sebesar [0.5,5] merupakan persyaratan batas maksimum kandungan aflatoksin bagi manusia yakni 5 ppb. Himpunan tinggi memiliki domain [3,50] didasarkan bahwa maksimum kandungan aflatoksin bagi hewan yang diijinkan adalah sebesar 50 ppb. Kadar air yang baik bagi tepung jagung sebagai zat pengisi untuk industri farmasi adalah kadar air rendah, agar tidak cepat merusak produk yang dihasilkan. Dengan demikian nilai domain kadar air bagi himpunan rendah adalah [10,12], himpunan sedang sebesar [11,13], dan bagi himpunan tinggi sebesar [12,14]. Tabel 16 Semesta pembicaraan, himpunan fuzzy, domain mutu tepung jagung Fungsi Input Output Variabel (Mutu TepungJagung) Aflatoksin Semesta Pembicaraan [0 , 50] Kadar air [10 , 14] Kadar abu [0 , 1.5] Mutu Tepung Jagung Nama Himpunan Fuzzy Rendah sedang tinggi rendah sedang tinggi rendah sedang tinggi Grade 1 Grade 2 Grade 3 Domain [0 , 1] [0.5 , 5] [3 , 50] [10 , 12] [11 , 13] [12 , 14] [0 , 0.5] [0.25 , 1] [0.5 , 1.5] 79 Semakin rendah kadar abu, mutu tepung jagung semakin baik. Nilai maksimum yang ditentukan oleh SNI sebesar 1.5%. Kadar abu yang dipersyaratkan untuk industri farmasi maksimum sebesar 0.5%. Nilai domain kadar abu bagi himpunan rendah adalah [0, 0.5], bagi himpunan sedang sebesar [0.25,1], dan bagi himpunan tinggi sebesar [0.5 ,1.5]. Nilai semesta pembicaraan, himpunan fuzzy, dan domain mutu tepung jagung yang akan digunakan dalam proses pengelompokan ini dapat dilihat pada Tabel 16. Himpunan fuzzy variabel input dikategorikan sebagai kategori rendah, sedang, dan tinggi. Sebagai variabel output adalah kualifikasi Grade 1, Grade 2, dan Grade 3. Sebagaimana halnya dengan model yang dirancang sebelumnya, metode Sugeno dalam Fuzzy Inference System (FIS) dipakai dalam pengelompokan ini, karena variabel output dari model ini merupakan kelompok tegas (crisp). Representasi kurva variabel input mutu tepung jagung pada setiap kategori dalam himpunan fuzzy berupa representasi kurva segi tiga, dan nilai parameter setiap kategori dapat dilihat pada Tabel 17. Penetapan nilai-nilai pada setiap kategori dibuat berdasarkan nilai-nilai yang dipersyaratkan pada Tabel 7 dan hasil diskusi serta konfirmasi pakar. Tabel 17 Representasi kurva variabel mutu tepung jagung Fungsi Input Variabel (Mutu Tepung Jagung) Aflatoksin Kadar air Kadar abu Output Mutu Tepung Jagung Nama Himpunan Fuzzy rendah sedang tinggi rendah sedang tinggi rendah sedang tinggi Grade 1 Grade 2 Grade 3 Jenis Kurva segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga segi tiga Parameter [0 0 1] [0.5 3 5] [3 50 50] [10 10 12] [11 12 13] [12 14 14] [0 0 0.5] [0.25 0.5 1] [0.5 1.51.5] 1 2 3 80 If-then rules dibangun berdasarkan pengaruh variabel aflatoksin, kadar air, dan kadar abu terhadap mutu tepung jagung. Diskusi dan konfirmasi pakar digunakan dalam membangun aturan tersebut, termasuk mempertimbangkan bobot kepentingan yang telah dihitung bagi setiap kriteria uji sebagai variabel input menurut jenis industri pengguna tepung jagung. If-then-rules yang diperlukan untuk menjalankan FIS pada perangkat lunak MATLAB R2010a ditunjukkan pada Lampiran 9. Nilai-nilai parameter fuzzy masing-masing variabel input, variabel output dan aturan if-then seperti terlihat pada Tabel 16 dan 17 dimasukkan ke dalam program FIS pada MATLAB R2010a. Hasil menjalankan program tersebut dan tampilan pada layar dapat dilihat pada Lampiran 10. 5.4 Model Prediksi Permintaan Tepung Jagung Tepung jagung merupakan bahan baku yang dibutuhkan oleh industri farmasi, industri pangan dan industri pakan. Agar dapat menjaga kontinuitas jalannya proses produksi pada industri pengguna tepung jagung, maka idustriindustri tersebut membutuhkan kontinuitas pasokan bahan baku dari industri tepung jagung. Oleh sebab itu industri tepung jagung perlu menyediakan produk tepung jagung sesuai permintaan industri-industri dimaksud. Agar tetap dapat menyediakan jumlah tepung jagung sebagai bahan baku bagi industri konsumennya, industri tepung jagung perlu mengetahui berapa jumlah permintaan tepung jagung. Permintaan Permintaan periode periodelalu lalu Alat AlatBantu Bantu Analisis Analisis Hasil HasilPrediksi Prediksi Permintaan PermintaanTepung Tepung Jagung Jagung Model Time Series Gambar 36 Model konseptual prediksi permintaan tepung jagung Salah satu cara untuk mengetahui jumlah permintaan produknya yaitu melakukan prediksi permintaan tepung jagung. Hal ini diperlukan agar tidak terjadi produksi yang tidak dapat memenuhi permintaan konsumen, atau 81 terjadinya produksi yang berlebihan. Terjadinya produksi yang berlebihan akan merugikan industri mengingat produk-produk agroindustri merupakan produk yang tidak tahan lama (perishable product). Model prediksi permintaan tepung jagung perlu dirancang untuk mengatasi hal tersebut. Model konseptual prediksi permintaan tepung jagung yang dirancang menggunakan data permintaan periode sebelumnya sebagai variabel input, proses prediksi dilakukan dengan alat analisis berupa metode-metode peramalan, dan hasil prediksi permintaan tepung jagung merupakan variabel output dalam model ini. Data permintaan untuk model ini berupa data time series, dimana variabel permintaan merupakan fungsi waktu. mulai mulai Permintaan Permintaan tepung tepungjagung jagung Plot data permintaan tepung jagung Pengecekan pola data Pilih Metode Peramalan Sesuai pola Sesuai pola data? data? Tidak Ya Perhitungan peramalan Pilih metode peramalan sesuai kesalahan terkecil Penentuan nilai peramalan sesuai metode terbaik Hasil prediksi permintaan tepung jagung Selesai Selesai Gambar 37 Tahapan peramalan permintaan tepung jagung. Alat analisis dalam model prediksi permintaan tepung jagung adalah metode-metode peramalan seperti Moving Average, Exponential Smoothing, Dekomposisi, dan Regresi. Selain itu jaringan syaraf tiruan digunakan pula sebagai alat untuk melakukan proses peramalan. Keluaran dari model ini adalah 82 permintaan tepung jagung untuk periode mendatang. Gambar 36 menunjukkan model konseptual prediksi permintaan tepung jagung. Tahapan untuk menjalankan proses peramalan permintaan tepung jagung dapat dilihat pada Gambar 37. Penggunaan beberapa metode peramalan kuantitatif pada model prediksi permintaan tepung jagung antara lain Moving Average, Double Moving Average, Single Exponential Smoothing, Double Exponential Smoothing, Trend Analysis, Dekomposisi, dan Jaringan Syaraf Tiruan. Data permintaan tepung jagung periode sebelumnya pada model ini adalah data generate berdasarkan data permintaan terendah dan data permintaan tertinggi per bulan pada pabrik tepung jagung. Permintaan tepung jagung pada pabrik tepung jagung berkisar antara 300 ton sampai 375 ton per bulan. Generate data sebanyak 24 periode dilakukan dengan menggunakan perangkat lunak Minitab Release 14 dari Minitab Inc. Proses peramalan dengan Jaringan Syaraf Tiruan dilakukan dengan menjalankan program pada MATLAB R2010a, sedangkan proses peramalan dengan metode peramalan lainnya dijalankan dengan perangkat lunak Minitab Release 14. Proses peramalan dengan metode Double Moving Average dilakukan secara manual karena tidak tersedia pada perangkat lunak Minitab Release 14. 5.4.1 Peramalan Permintaan dengan Metode Time Series Peramalan permintaan tepung jagung dengan metode-metode yang telah disebutkan sebelumnya akan digunakan pada model ini. Sebelum memilih metode peramalan yang sesuai, data permintaan diplot terlebih dahulu untuk mengetahui pola data permintaan. Plot data permintaan ini dapat dilakukan dengan menggunakan perangkat lunak Minitab Release 14. Contoh hasil plot data permintaan dengan menggunakan perangkat lunak Minitab dapat dilihat pada Gambar 38. Hasil plot data menunjukkan pola data horisontal, sehingga semua metode peramalan yang telah disebutkan sebelumnya digunakan untuk proses peramalan permintaan. Perhitungan peramalan dengan metode-metode tersebut dapat dilihat pada Lampiran 12. Metode peramalan yang dipilih sebagai metode yang akan digunakan untuk memprediksi permintaan tepung jagung adalah metode yang 83 memiliki nilai kesalahan terkecil. Nilai kesalahan yang digunakan adalah MeanSquare Error (MSE). Gambar 38 Plot data permintaan tepung jagung. Perangkat lunak yang digunakan dalam peramalan permintaan dengan data time series adalah MINITAB Release 14. Langkah-langkah penggunaan perangkat lunak ini dapat dilihat pada Lampiran 11. 5.4.2 Peramalan Permintaan dengan Jaringan Syaraf Tiruan Prediksi permintaan tepung jagung yang diuraikan berikut ini adalah peramalan dengan menggunakan jaringan syaraf tiruan. Data yang digunakan pada proses prediksi ini adalah data time series. Berbeda dengan peramalan yang menggunakan model kausal, proses peramalan dengan jaringan syaraf tiruan yang menggunakan data time series membuat pola data dengan membaginya menjadi variabel input dan target ramalan sebagai variabel output. Adapun tahapan pada prediksi permintaan tepung jagung dapat dilihar pada Gambar 39. Pada awalnya dibuatkan struktur jaringan sesuai pendekatan backpropagation. Data permintaan masa lalu digunakan untuk membuat pola data terlebih dahulu. Selanjutnya pola data tersebut dibagi menjadi data training (pelatihan) dan data testing (pengujian). Data dimasukkan ke dalam struktur jaringan, kemudian set parameter nilai dan inisialisai bobot. Simulasi dilakukan 84 dengan menggunakan data pelatihan, kemudian dilakukan dengan data pengujian, untuk selanjutnya dilakukan peramalan. Ukuran ketepatan peramalan adalah mean square error (MSE). mulai mulai Permintaan Permintaan tepung tepung jagung jagung Perancangan struktur jaringan Pemisahan data - data pelatihan - data test Transformasi data ke input jaringan Set parameter, nilai, inisialisasi bobot Simulasi JST menggunakan data pelatihan Input Inputdata data test test Simulasi JST menggunakan datatest Input Inputdata data prakiraan prakiraan Proses prakiraan Denormalisasi Hasil Prakiraan Permintaan Tepung Jagung Selesai Selesai Gambar 39 Tahapan prediksi permintaan tepung jagung dengan JST. Peramalan dengan backpropagation didasarkan pada data yang diperoleh pada masa lalu. Pada model peramalan time series, sejumlah data x1, x2, ..., xn akan digunakan untuk memperkirakan nilai xn+1. Dengan backpropagation, 85 sebagian data dipakai sebagai pelatihan untuk mencapai bobot yang optimal. Periode ditentukan secara intuitif tergantung variabel yang akan diprediksi. Banyaknya data dalam satu periode digunakan sebagai banyaknya input dalam backpropagation. Model prediksi permintaan tepung jagung dirancang dengan menggunakan arsitektur jaringan seperti terlihat pada Gambar 40. X1, X2 ....Xn merupakan variabel input, dan Y merupakan target yaitu prakiraan permintaan. Vji merupakan bobot hubungan unit neuron input Xi ke unit layar tersembunyi Zj. Wkj merupakan bobot dari unit layar tersembunyi Zj ke unit output Yk. Wk0 merupakan bobot dari neuron bias di layar tersembunyi ke unit neuron output Zk.Fungsi aktivasi yang digunakan adalah fungsi sigmoid biner. Pola data yang akan dibuat adalah empat data yang pertama sebagai x1, x2, x3, x4, dan sebagai target adalah data yang kelima atau X5. Pola data ini yang akan dibagi menjadi dua bagian yakni data untuk pelatihan dan data untuk pengujian. Perangkat lunak MATLAB R2010a digunakan untuk menjalan program untuk memperoleh hasil peramalan. 1 w10 v10 1 vj0 vp0 Z1 w11 v11 X1 Y vj1 vp1 w1j Zj v12 Xn w1p vj2 vp2 Zp Gambar 40 Struktur jaringan syaraf tiruan prediksi permintaan tepung jagung. Proses menjalankan program dengan jaringan syaraf tiruan dilakukan dengan mengubah-ubah jumlah neuron dalam hidden layer, fungsi aktivasi, fungsi pembelajaran, learning rate, target epoch, target mean square error (MSE). Pada 86 proses pengolahan data dengan menjalankan program dilakukan simulasi dengan mengubah nilai parameter, sehingga diperoleh hasil terbaik. Hasil yang diperoleh setelah menjalankan program sebanyak 18 kali dapat dilihat pada Tabel yang terdapat di Lampiran 15. 5.5 Verifikasi dan Validasi Model Proses verifikasi model dilakukan melalui konsultasi dan konfirmasi dengan pakar apakah model yang dibangun sesuai dengan sistem nyata. Proses verifikasi ini dilakukan pada setiap model yang dirancang pada model penyediaan tepung jagung ini. Verifikasi dilakukan dengan memperoleh konfirmasi tentang komponen-komponen pada setiap model yang dirancang. Pada model prediksi produksi jagung dilakukan dengan perunutan terhadap variabel-variabel input yang mempengaruhi jumlah produksi jagung. Produksi jagung dipengaruhi oleh beberapa faktor antara lain penggunaan bibit, pemanfaatan lahan, pemupukan secara tepat, pengendalian hama dan penyakit, pengairan, curah hujan, dan penanganan proses panen (Direktorat Budidaya Serealia, 2006). Tabel 18 Perunutan variabel input pada model prediksi produksi jagung Nama variabel input 0-1 Sifat data Penggunaan bibit 0 Kualitatif Pemanfaatan lahan 0 Kualitatif Pemupukan secara tepat 0 Kualitatif Pengendalian hama dan penyakit 0 Kualitatif Pengairan 0 Kualitatif Curah hujan (mm) 1 Kuantitatif Penanganan proses panen 0 Kualitatif Luas panen (ha) 1 Kuantitatif Model prediksi produksi jagung menggunakan metode kuantitaif, sehingga data yang dibutuhkan adalah data kuantitatif. Tabel 18 menunjukkan hasil perunutan variabel input yang dapat dan tidak dapat digunakan pada model 87 peramalan kuatitatif. Angka 0 (nol) menunjukkan bahwa variabel tersebut bersifat kualitatif dan tidak dapat digunakan pada model, sedangkan angka 1 menunjukkan bahwa variabel bersifat kuantitatif dan dapat digunakan pada model. Proses verifikasi pada model pengelompokan mutu jagung pipilan dilakukan melalui konsultasi pakar dan konfirmasi pada pihak pabrik tepung jagung. Hasil verifikasi menunjukkan bahwa variabel input dalam model sesuai dengan SNI. Variabel input butir warna lain tidak dimasukkan karena jagung yang ditanam di sentra jagung, dan yang dipasok sebagai bahan baku pada pabrik tepung jagung adalah jagung kuning, sehingga dipastikan bahwa terdapat keseragaman warna jagung pipilan. Verifikasi pada model pengelompokan mutu tepung jagung dilakukan melalui konsultasi dengan pakar dan konfirmasi kepada pihak pabrik jagung. Variabel input dalam pengelompokan mutu tepung jagung adalah kandungan aflatoksin, kadar air, dan kadar abu. Hal ini diperkuat melalui hasil pengisian panduan konsultasi oleh pakar pada Tabel 12. Variabel input pada model prediksi permintaan merupakan data permintaan berdasarkan hasil diskusi dan konfirmasi pada pabrik tepung jagung. Permintaan tepung jagung dilakukan oleh industri farmasi, industri pangan, dan industri pakan. Tujuan validasi model adalah untuk ketepatan suatu model dalam melakukan fungsinya sesuai rancangbangun model tersebut. Dalam perancangan model prediksi produksi jagung, model sebab-akibat atau model kausal cukup valid untuk digunakan dalam melakukan peramalan. Hal ini disebabkan produksi jagung tidak dipengaruhi oleh waktu, namun dipengaruhi oleh berbagai faktor antara lain hama, benih, pengairan, luas panen. Perangkat lunak Minitab Release 14 telah valid sebagai alat analisis untuk melakukan peramalan. Validasi pada model prediksi permintaan tepung jagung, variabel waktu dapat digunakan sebagai variabel yang mempengaruhi permintaan, sehingga model peramalan time series dapat digunakan dalam model ini. Hasil peramalan dengan jaringan syaraf tiruan telah menunjukkan hasil yang valid, bahwa nilai permintaan tepung jagung berada pada kisaran antara nilai minimum dan nilai 88 maksimu permintaan tepung jagung berdasarkan data yang diperoleh dari pabrik tepung jagung. Validasi dalam model pengelompokan mutu jagung pipilan dan model pengelompokan mutu tepung jagung dilakukan dengan mencoba memasukkan nilai-nilai variabel input, dan kemudian dicek apakah kelompok mutu yang diperoleh sesuai dengan hasil yang diinginkan dan sesuai dengan pendapat pakar. 89 6 IMPLEMENTASI MODEL Rancangbangun model penyediaan tepung jagung pada rantai pasok industri berbasis jagung ini dapat digunakan sebagai suatu model yang dapat menganalisis penyediaan tepung jagung pada industri tepung jagung secara terintegrasi dalam suatu rantai pasok. Keterkaitan antar model yang satu terhadap model lainnya menunjukkan bahwa tidak terpenuhinya kebutuhan jumlah dan mutu produk pada salah satu mata rantai akan berpengaruh kepada mata rantai berikutnya. Selanjutnya akan dilakukan analisis pada setiap model yang dirancang. 6.1 Prediksi Produksi Jagung Prediksi produksi jagung dalam model penyediaan tepung jagung diperlukan untuk dapat memperkirakan berapa jumlah produksi jagung yang dapat disediakan oleh sentra jagung. Dengan adanya prediksi jumlah produksi jagung maka dapat diperkirakan pula berapa kuantitas jagung pipilan yang dihasilkan. Berdasarkan diskusi dan konfirmasi pakar diperkirakan bahwa sekitar 50% dari hasil produksi jagung digunakan sebagai pakan ternak. Berdasarkan diskusi diperoleh informasi bahwa sebanyak 4,5 – 5 juta ton digunakan untuk pakan, sehingga perkiraan produksi jagung kurang lebih 10 juta ton per tahun. Kenyataan ini sangat berbeda dengan data Departemen Pertanian (2011) yang mencatat bahwa produksi jagung sebanyak lebih kurang 16.5 juta ton per tahun. Namun hingga saat ini Indonesia masih mengimpor jagung pipilan. Dengan adanya model prediksi produksi jagung, maka industri tepung jagung dapat merencanakan penyediaan bahan baku untuk memproduksi produk tepung jagung sesuai permintaan konsumennya. Pihak pengambil keputusan dapat memperkirakan berapa jumlah bahan baku jagung yang dapat disediakan oleh petani lokal dan berapa jumlah bahan baku yang harus diimpor dari negara lain. Penggunaan alat analisis dalam model ini akan memudahkan pihak pengguna untuk meramalkan permintaan produksi jagung pada tiap periode. Prakiraan dengan kesalahan ramalan terkecil merupakan prakiraan yang mendekati ketepatan. Ketersediaan data sebagai variabel input dalam peramalan sangat diperlukan. Dalam hal ini pihak industri tepung jagung perlu melakukan pencatatan data sehingga dengan data yang akurat akan diperoleh pula hasil 90 peramalan yang baik. Kerjasama antar elemen-elemen pada rantai pasok industri berbasis jagung dalam hal pencatatan data serta pemberian informasi akan memungkinkan diperolehnya hasil peramalan yang lebih akurat. Setiap wilayah di Indonesia memiliki curah hujan yang berbeda-beda, sehingga proses peramalan tidak dapat dilakukan sekaligus secara menyeluruh untuk wilayah Indonesia. Proses peramalan sebaiknya dilakukan per wilayah sesuai keadaan curah hujan pada wilayah tersebut. Proses peramalan dalam model ini menggunakan data luas panen (ha), curah hujan (mm), dan produksi jagung (ton) di daerah Jawa Tengah. Peramalan ini menggunakan jaringan syaraf tiruan dan model regresi berganda. Proses peramalan dan hasil yang diperoleh dapat dilihat pada Lampiran 1 sampai dengan lampiran 4. Hasilnya menunjukkan bahwa jaringan syaraf tiruan lebih baik karena memiliki nilai MSE yang lebih kecil. Hasil prediksi produksi jagung Jawa Tengah dengan jaringan syaraf tiruan terdapat pada Lampiran 2. Model prediksi produksi jagung ini bermanfaat bagi beberapa pemangku kepentingan antara lain: 1) Pengumpul jagung pipilan; 2) Pihak pabrik jagung; 3) Pemegang kebijakan. Dengan adanya model ini faktor ketidak-pastian tentang jumlah produksi jagung pada periode yang akan datang yang mempengaruhi fluktuasi harga jagung, dapat diperkecil. Model ini bermanfaat bagi pihak pengumpul karena dengan diperolehnya prediksi jumlah produksi jagung pada beberapa periode ke depan, para pengumpul dapat merencanakan pembelian jagung dari petani dan dapat merencanakan penjualan serta rencana distribusi jagung pipilan kepada industri-industri pengolahan jagung. Manfaat yang diperoleh pabrik jagung dengan penggunaan model ini adalah pabrik jagung dapat mengetahui jumlah bahan baku yang dapat diperoleh dari sentra jagung, sehingga dapat merencanakan impor bahan baku bila sentra jagung dalam negeri tak dapat memenuhinya. Berdasarkan hasil prediksi ini, pihak pabrik jagung dapat membuat perencanaan produksi dengan lebih matang. Manfaat model ini bagi pihak pemegang kebijakan adalah pemegang kebijakan dapat menggunakannya untuk memprediksi produksi jagung di sentrasentra jagung secara parsial. Dengan demikian penjumlahan produksi jagung yang 91 diprediksi pada sentra-sentra jagung merupakan hasil prediksi produksi jagung secara nasional. Dengan diperolehnya hasil prediksi produksi jagung secara nasional, pihak pemegang kebijakan dapat membuat kebijakan tentang usahausaha untuk meningkatkan produktivitas jagung, dan kebijakan lainnya tentang ketahanan pangan. 6.2 Pengelompokan Mutu Jagung Pipilan Pengelompokan mutu jagung pipilan merupakan salah satu bagian dari proses pasca panen jagung. Proses pasca panen jagung terdiri dari kegiatankegiatan: 1) pemanenan, 2) pengupasan, 3) pengeringan, 4) pemipilan,; 5) penyimpanan, 6) pengangkutan, dan 7) Klasifikasi dan standarisasi mutu (Firmansyah et al. 2006). Kegiatan-kegiatan pada pasca panen jagung sangat berpengaruh kepada hasil panen yang diperoleh. Proses pasca panen yang tidak ditangani dengan baik akan mengakibatkan penurunan kuantitas dan kualitas hasil panen. Menurut Firmansyah et al. (2006), permasalahan pasca panen jagung antara lain adalah susut kuantitas dan mutu, serta keamanan pangan. Kehilangan kuantitatif hasil panen merupakan susut hasil akibat tertinggal di lapang pada waktu panen, tercecer saat pengangkutan, atau tidak terpipil. Kehilangan kualitatif merupakan penurunan mutu hasil akibat butir rusak, butir berkecambah, atau biji keriput selama proses pengeringan, pemipilan, pengangkutan atau penyimpanan. Sedangkan masalah yang berkaitan dengan keamanan pangan adalah penundaan penanganan pascapanen jagung. Penundaan ini berpeluang untuk meningkatkan infeksi cendawan. Penundaan pengeringan paling besar kontribusinya dalam meningkatkan infeksi cendawan Aspergillus flavus yang bisa mencapai di atas 50%. Cendawan tersebut menghasilkan mikotoksin jenis aflatoksin. Toksin yang dikeluarkan oleh cendawan tersebut juga berbahaya bagi kesehatan ternak. Penurunan mutu biji jagung pipilan juga dapat terjadi karena masalah transportasi. Jarak dan waktu transportasi yang lama, dan cara penanganan pascapanen yang kurang baik mengakibatkan kemungkinan terjadinya perubahan kadar air, dan tumbuhnya cendawan. Hal ini mengakibatkan terjadinya penurunan mutu saat jagung tiba di tempat yang dituju. 92 Tujuan penanganan pasca panen jagung yang baik adalah untuk memperoleh butiran jagung dengan mutu yang baik, yang dimulai dengan penentuan umur panen yang tepat, mengurangi susut panen dan perontokan, cepat melakukan penjemuran biji dan penyimpanan pada kadar air dan wadah yang tepat, sehingga mendapatkan harga jual yang tinggi (Balai Besar Litbang Pasca Panen, 2010). Model pengelompokan mutu jagung pipilan ini bermanfaat dalam kegiatan klasifikasi mutu pada proses pasca panen. Model ini juga bermanfaat bagi pengumpul sehingga dapat mendistribusikan jagung pipilan menurut kelompok mutu sesuai jenis industri sasarannya. Jagung yang mengandung aflatoksin melebihi batas yang diijinkan, tak dapat dipasok sebagai bahan baku bagi industri tepung jagung. Dalam memproduksi tepung jagung, industri tepung jagung membutuhkan bahan baku jagung pipilan yang memenuhi stadar mutu yang ditetapkan. Jenis uji pada parameter mutu kadar air, butir rusak, butir pecah, dan kotoran merupakan variabel masukan yang berpengaruh kepada kelompok mutu jagung pipilan. Walaupun telah dikeringkan namun adanya kadar air yang berlebih karena penyimpanan akan mengakibatkan kemungkinan tumbuhnya aflatoksin. Standar Nasional Indonesia menetapkan batas kandungan aflatoksin untuk jagung pipilan yaitu maksimum 5 ppb bagi manusia dan maksimum 50 ppb bagi hewan. Bila kandungan aflatoksin lebih dari 50 ppb maka jagung pipilan tidak dapat digunakan sebagai bahan baku pada industri tepung jagung. Pengelompokan mutu jagung pipilan berdasarkan kadar air, butir rusak, butir pecah, dan kotoran dapat dilakukan setelah melewati pengujian aflatoksin terlebih dahulu. Hal ini disebabkan karena industri sasaran yang dijadikan konsumen jagung pipilan adalah industri tepung jagung. Variabel input yang cukup penting selain kadar air adalah butir rusak dan butir pecah. Bagi industri farmasi disyaratkan tidak boleh ada butir yang pecah. Butir pecah dapat terjadi pada saat proses pengeringan dan proses pemipilan. Akibat dari butir yang pecah adalah terdapatnya telur-telur serangga yang akan merusak butir jagung. Telur serangga tidak mati pada air mendidih dan tidak mati pada proses mekanis. 93 Butir rusak jagung pipilan diakibatkan karena dimakan burung. Untuk industri pangan butir rusak merupakan syarat mutu yang penting, karena butir rusak dapat berpotensi adanya telur serangga dan kutu. Selain itu butir rusak pada jagung akan mengakibatkan kemungkinan tumbuhnya cendawan. Model pengelompokan mutu jagung pipilan yang telah dirancang dijalankan dengan perangkat lunak MATLAB R2010a, dengan memasukkan nilai domain setiap variabel input, dan nilai parameter pada setiap himpunan fuzzy. Salah satu hasil memasukkan variabel input jenis uji butir rusak dapat dilihat pada Gambar 41. Gambar 41 Himpunan fuzzy variabel butir rusak jagung pipilan. Aturan if-then yang telah dirancang dimasukkan kedalam program MATLAB R2010a, dan tampilannya terlihat pada Gambar 42. Tampilan lainnya dapat dilihat pada Lampiran 6. Setelah semua variabel input dimasukkan kedalam FIS editing, dan aturan yang dibuat telah dimasukkan ke dalam program tersebut, maka hasil yang diperoleh terlihat seperti pada Gambar 43. Hasil menjalankan FIS pada perangkat lunak MATLAB R2010a selengkapnya dapat dilihat pada Lampiran 6. 94 Gambar 42 Tampilan If-then rules mutu jagung pipilan pada MATLAB R2010a. Gambar 43 Keluaran mutu jagung pipilan kelompok Mutu 2 Model pengelompokan mutu jagung pipilan yang dirancang, tidak mempertimbangkan faktor penanganan pascapanen, serta transportasi distribusi dan antar setiap mata rantai. Diasumsikan bahwa penanganan pasca panen telah dilakukan dengan baik, serta tidak terjadi gangguan saat distribusi dan transportasi. 95 6.3 Pengelompokan Mutu Tepung Jagung Model pengelompokan mutu tepung jagung bermanfaat bagi pabrik tepung jagung dan bagi industri pengguna tepung jagung. Industri tepung jagung dapat mengelompokkan produk yang dihasilkan, sehingga akan dengan mudah mengirimkan produk sesuai permintaan industri tujuannya. Kelompok Grade 1 ditujukan untuk bahan baku industri farmasi, kelompok Grade 2 untuk industri pangan, dan kelompok Grade 3 untuk industri pakan. Model ini juga bermanfaat bagi industri pengguna tepung jagung, sehingga industri tersebut dapat memesan bahan baku tepung jagung pada kelompok yang sesuai dengan jenis industrinya. Model pengelompokan mutu tepung jagung ini dijalankan dengan program FIS pada perangkat lunak MATLAB R2010a. Variabel input dimasukkan sesuai domain setiap himpunan fuzzy, dan nilai parameter yang telah ditentukan. Contoh tampilan pada MATLAB R2010a setelah memasukkan variabel aflatoksin beserta domain setiap himpunan fuzzy dengan kategori rendah, sedang , dan tinggi dapat dilihat pada Gambar 44. Tampilan variabel input lainnya pada FIS terdapat pada Lampiran 10. Gambar 44 Himpunan fuzzy variabel aflatoksin pada tepung jagung. Aturan if-then sebanyak 27 aturan yang telah dirancang dimasukkan satu persatu ke dalam program FIS pada perangkat lunak MATLAB R2010a. 96 Tampilan hasil masukan aturan tersebut ke dalam program FIS dapat dilihat pada tampilan Gambar 45. Gambar 45 Tampilan If-then rules mutu tepung jagung pada MATLAB R2010a. Setelah semua nilai-nilai variabel input , nilai variabel output, dan aturan keputusan dimasukkan kedalam program MATLAB, maka hasilyang diperoleh terlihat seperti pada Gambar 46. Hasil lainnya dapat dilihat pada lampiran 10. Gambar 46 Keluaran mutu tepung jagung kelompok Grade 3. 97 Gambar 46 menunjukkan bahwa dengan nilai variabel input aflatoksin sebesar 25 ppb, kadar air sebesar 12%, dan kadar abu 0.75 %. Hasil yang diperoleh adalah tepung jagung tersebut masuk dalam kelompok mutu Grade 3. Model pengelompokan mutu tepung jagung yang dirancang pada penelitian ini tidak mempertimbangkan faktor-faktor yang berpengaruh terhadap mutu tepung jagung selama proses produksi berlangsung. Faktor-faktor tersebut antara lain: setting mesin, metode kerja, ketrampilan dan keahlian operator, lingkungan kerja dan lain-lainnya. 6.4 Prediksi Permintaan Tepung Jagung Model prediksi permintaan tepung jagung bermanfaat bagi pabrik tepung jagung. Manfaat yang diperoleh adalah pabrik ini dapat membuat perencanaan produksi dengan target produksi sesuai permintaan konsumennya. Tersedianya data permintaan masa lalu akan memudahkan proses peramalan permintaan ke depan. Masalah yang dihadapi dalam pembuatan model ini adalah tidak tersedianya data permintaan masa lalu. Informasi yang diperoleh dari pihak pabrik adalah jumlah permintaan minimum sebesar 300 ton per bulan dan jumlah permintaan maksimum sebesar 375 ton per bulan. Model prediksi permintaan tepung jagung dibuat untuk data time series. Variabel yang akan diramalkan pada model ini hanya dipengaruhi oleh horison waktu. Peramalan permintaan dilakukan dengan pendekatan metode-metode time series dan dengan jaringan syaraf tiruan. Metode yang digunakan pada pendekatan time series adalah Moving Average, Double Moving Average, Single Exponential Smoothing, Double Exponential Smoothing, Trend Anlaysis dan metode Dekomposisi. Data yang digunakan dalam menjalankan model ini adalah data yang digenerate dengan permintaan periode sebelumnya yang berkisar antara 300 ton sampai dengan 375 ton per bulan. Data ini diperoleh berdasarkan informasi dari pabrik tepung jagung. Generate data selama 24 bulan dengan nilai minimum 300 ton dan nilai maksimum 375 ton dapat dilihat pada Lampiran 12. Hasil pengolahan data dapat dilihat pada Lampiran 12 sampai Lampiran 13. Pada pendekatan tersebut metode dekomposisi memberikan hasil terbaik dengan nilai MSE yang lebih kecil sebesar 329,954. Namun demikian jaringan syaraf tiruan 98 memberikan hasil yang lebih akurat seperti terlihat pada Lampiran 14 dan Lampiran 15. Lampiran 14 menunjukkan hasil menjalankan program jaringan syaraf tiruan sebanyak 18 kali dengan perangkat lunak MATLAB R2010a. Lampiran 15 adalah rangkuman hasil menjalankan program dengan jaringan syaraf tiruan beserta hasil peramalan permintaan tepung jagung. 6.5 Keterbatasan Model Beberapa keterbatasan dalam model yang dirancang adalah sebagai berikut: - Model tidak dilengkapi dengan sistem pendukung keputusan yang mengintegrasikan sub-sub model dalam suatu sistem, sehingga dapat membantu pengambil keputusan melakukan tindakan secara lebih tepat dan cepat. - Model penyediaan tepung jagung dalam rantai pasok industri berbasis jagung ini masih bersifat parsial, sehingga perlu diintegrasikan dengan mempertimbangkan faktor penanganan pasca panen, distribusi dan transportasi antar mata rantai. Faktor-faktor ini perlu dipertimbangkan karena penanganan pasca panen yang kurang baik, jarak dan waktu transportasi akan mengakibatkan terjadinya penurunan mutu bahan baku. - Model prediksi hanya terbatas pada prediksi secara kuantitatif , sehingga faktor-faktor penting yang bersifat kualitatif masih diasumsikan tidak mempengaruhi hasil prediksi. - Implementasi model prediksi produksi jagung hanya untuk satu wilayah, dengan asumsi bahwa model ini akan dapat digunakan untuk wilayah lain dan dapat di kembangkan untuk memprediksi produksi jagung nasional. - Aturan keputusan dalam model pengelompokan mutu jagung pipilan dan pengelompokan mutu tepung jagung, tidak didukung oleh pencatatan data mutu yang cukup, sehingga tidak dapat dilakukan pengurangan jumlah aturan dalam if-then rules. - Perancangan model pengelompokan mutu jagung pipilan belum mempertimbangkan model sampling penerimaan bahan baku (acceptance sampling model) di industri tepung jagung. - Model prediksi permintaan tepung jagung hanya menggunakan data permintaan secara keseluruhan dan bukan berupa permintaan per jenis 99 industri. Namun demikian model ini dapat digunakan untuk memprediksi permintaan setiap jenis industri pengguna tepung jagung, sehingga perencanaan penyediaan tepung jagung dalam jumlah dan mutu yang sesuai dapat dibuat untuk masing-masing jenis industri pengguna tepung jagung. 6.6 Implikasi Teoritis Hasil dari model prediksi produksi jagung menunjukkan bahwa penggunaan jaringan syaraf tiruan lebih akurat dari pada metode peramalan menggunakan model regresi. Hasil ini mengkonfirmasi penelitian yang dilakukan oleh Zhang et al. (2004), dimana penelitian ini membandingkan jaringan syaraf tiruan dengan model univariat serta model multivariat, dan memperoleh bahwa hasil peramalan jaringan syaraf tiruan lebih baik dari pada metode statistikal. Erdinç dan Satman (2005) dalam penelitiannya membandingkan jaringan syaraf tiruan dengan regresi linier, dan diperoleh hasil bahwa jaringan syaraf tiruan lebih baik daripada regresi linier dalam melakukann peramalan. Selain itu hasil ini menkonfirmasi penelitian Setyawati (2003) yang menggunakan jaringan syaraf tiruan untuk univariat dan multivariat time series dalam melakukan peramalan, dan memperoleh bahwa jaringan syaraf tiruan lebih akurat dari pada metode lainnya. Model prediksi yang dirancang telah mengkonfirmasi penelitian Nam dan Schaefer (1995) yang melakukan peramalan penumpang pesawat udara dengan jaringan syaraf tiruan. Azadeh et al. (2008) menggunakan jaringan syaraf tiruan untuk meramalkan penggunaan energi listrik. Ferreira et al. (2011) menggunakan jaringan syaraf tiruan untuk meramalkan harga dalam konteks agribisnis. Konfirmasi lainnya dilakukan terhadap penelitian Bhuvanes et al. (2007) menggunakan Backpropagation Neural Network (BPNN) untuk memprediksi jumlah pasien pada beberapa bagian perawatan di Virtua Health, New Jersey. Penelitian ini membandingkan model peramalan menggunakan backpropagation neural network dengan peramalan menggunakan statistical forecasting models, dan menyimpulkan bahwa BPPN lebih akurat. 100 6.7 Implikasi Manajerial Model yang dirancang masih bersifat parsial, namun model ini dapat digunakan bagi pemangku kepentingan pada rantai pasok industri berbasis jagung. Model pengelompokan mutu jagung pipilan dapat digunakan oleh pengumpul sebelum produk jagung pipilan didistribusikan ke industri pengolahan jagung sesuai jenis industri. Penggunaan model ini akan menyebabkan penurunan penolakan produk yang dikirim bila tidak sesuai dengan kebutuhan industri pengolahan jagung. Kelompok Mutu 1 dan Mutu 2 dapat dipasok kepada industri tepung jagung, dan kelompok Mutu 3 dapat dipasok kepada industri pakan. Penerapan rancangbangun model bermanfaat bagi perencanaan produksi pada industri tepung jagung. Pemanfaatan model prediksi produksi jagung akan mengurangi ketidak-pastian dalam masalah perencanaan jumlah bahan baku yang akan dipesan. Bila terjadi kekurangan bahan baku, industri tepung jagung dapat segera mengantisipasi dengan melakukan impor bahan baku. Model pengelompokan mutu jagung pipilan pada pengumpul, juga bermanfaat bagi industri tepung jagung. Dengan adanya pengelompokan mutu jagung pipilan ini, industri tepung jagung akan mendapat pasokan bahan baku yang sesuai dari pengumpul, sehingga penolakan bahan baku yang tidak sesuai dapat dikurangi. Penggunaan model prediksi permintaan tepung jagung pada industri tepung jagung akan memudahkan bagian perencanaan pada industri tersebut membuat perencanaan produksi per periode. Perencanaan produksi yang dibuat dapat dikaitkan dengan hasil prediksi produksi jagung, hasil pengelompokan mutu jagung pipilan, untuk membuat perencanaan pemesanan bahan baku. 6.8 Analisis Penggunaan Model dan Kebijakan Analisis pemanfaatan model penyediaan tepung jagung pada rantai pasok industri berbasis jagung dilakukan terhadap model prediksi produksi jagung, model pengelompokan mutu jagung pipilan, model pengelompokan mutu tepung jagung, dan model prediksi permintaan tepung jagung. Dari hasil menjalankan proses peramalan pada model prediksi produksi jagung sesuai Lampiran 1 sampai Lampiran 4, diperoleh bahwa nilai peramalan terbaik adalah peramalan dengan menggunakan jaringan syaraf tiruan dengan nilai MSE sebesar 0.0000993. Nilai MSE ini yang paling mendekati target performansi 101 sebesar 0.0001. Hasil ini merupakan hasil peramalan produksi jagung daerah Jawa Tengah, yang dapat dilihat pada Lampiran 2. Prediksi produksi jagung empat periode ke depan sebesar 115946 ton, 115926 ton, 116 226 ton, dan 116218 ton. Jumlah ini merupakan produksi jagung berupa jagung pipilan kering panen. Apabila periode analisis yang diambil adalah periode 1, maka jumlah produksi jagung panen kering panen adalah sebesar 115946 ton. Jumlah ini akan mengalami susut panen secara kuantitatif dan kualitatif. Kadar air jagung kering panen sebesar 25 - 30%, sedangkan jagung pipilan yang memenuhi persyaratan mutu memiliki kadar air 13 – 15%. Susut berat akibat penurunan kadar air mengakibatkan penurunan berat sebesar 15%, sehingga jumlah produksi jagung pipilan sebesar 115946 ton menjadi 98554.1 ton atau sekitar 100000 ton per bulan. Bila susut panen akibat mutu yang tidak memenuhi standar diasumsikan sebesar 20%, dan jumlah jagung yang diproduksi 50 % digunakan untuk pakan ternak, maka jumlah jagung pipilan menjadi 40000 ton per bulan. Jumlah ini akan menyusut akibat penurunan mutu pada saat transportasi. Bila diasumsikan susut mutu akibat transportasi sebesar 5%, maka jumlah jagung pipilan yang memenuhi persyaratan mutu sebagai bahan baku adalah sebesar 38000 ton per bulan. Kapasitas terpasang pabrik tepung jagung yang diambil sebagai sampel adalah sebesar 5000 ton per bulan. Pabrik ini berproduksi dengan 50 % kapasitas atau 2500 ton per bulan. Tepung jagung yang dihasilkan pabrik merupakan produk sampingan, karena produk utamanya adalah grits. Jumlah grits yang dihasilkan sebesar 65 – 70 % dari jumlah bahan baku, dan tepung jagung sebesar 12% dari jumlah bahan baku. Apabila prediksi permintaan tepung jagung pada periode 1 sebesar 330 ton seperti terlihat pada Lampiran 15, maka untuk memproduksi tepung jagung pada pabrik ini diperlukan bahan baku sejumlah 2750 ton. Perhitungan ini tidak memperhitungkan permintaan grits. Sehingga bila ditinjau dari kebutuhan bahan baku, sentra jagung Jawa Tengah masih dapat memenuhi pasokan bahan baku bagi pabrik. Analisis ini hanya dilakukan untuk memperkirakan kebutuhan bahan baku jagung pipilan pada satu pabrik tepung jagung. Analisis ini tidak mempertimbangkan banyak industri pengolahan jagung lainnya yang tersebar di beberapa wilayah di Indonesia selain pabrik tepung jagung. 102 Beberapa kebijakan yang perlu dilakukan apabila terdapat kekurangan bahan baku jagung pipilan antara lain: - Melakukan impor jagung dari negara luar - Usaha peningkatan produktivitas jagung bagi petani - Memberikan kemudahan memperoleh benih jagung yang bermutu bagi petani - Memberikan kemudahan meperoleh pengetahuna tentang panen dan pasca panen bagi petani - Kemudahan memperoleh sarana produksi bagi petani - Kemudahan mendapat pasokan bahan baku dari petani kepada pengumpul - Penerapan peraturan dagang yang konsisten bagi pengumpul - Kemudahan akses informasi bagi semua pemangku kepentingan 103 7 SIMPULAN DAN SARAN 7.1 Simpulan Simpulan yang diperoleh dari hasil penelitian ini adalah: 1. Model penyediaan tepung jagung pada rantai pasokan tepung jagung terdiri atas model prediksi produksi jagung, model pengelompokan mutu jagung pipilan, model pengelompokan mutu tepung jagung, dan model prediksi permintaan tepung jagung oleh industri pengguna tepung jagung. 2. Model prediksi produksi jagung menggunakan model kausal dengan alat analisis jaringan syaraf tiruan dan pendekatan regresi. Variabel input dalam model ini adalah luas panen (ha) dan curah hujan (mm/bulan), sedangkan variabel output adalah jumlah produksi jagung (ton/bulan). 3. Model pengelompokan mutu jagung pipilan menggunakan pendekatan fuzzy inference system dengan variabel input kadar air, butir rusak, butir pecah dan kotoran. Sebagai variabel output adalah jagung pipilan mutu 1, mutu 2 dan mutu 3. 4. Model pengelompokan mutu tepung jagung menggunakan pendekatan fuzzy inference system dengan variabel input kandungan aflatoksin, kadar air, cemaran seng dan cemaran tembaga. Sebagai variabel output adalah tepung jagung grade 1, grade 2 dan grade 3. Grade 1 sebagai bahan baku industri farmasi, grade 2 sebagai bahan baku industri pangan dan grade 3 untuk industri pakan ternak. 5. Model prediksi permintaan tepung jagung menggunakan model time series. Alat analisis yang digunakan dalam model ini adalah jaringan syaraf tiruan dan metode peramalan untuk data time series. 6. Model penyediaan tepung jagung pada rantai pasok industri berbasis jagung yang dirancang masih memiliki beberapa keterbatasan antara lain: model belum dilengkapi dengan sistem pendukung keputusan yang mengintegrasikan elemen-elemen dalam sistem, model masih parsial dan belum mempertimbangkan semua komponen dalam rantai pasok, model pengelompokan mutu jagung pipilan belum mempertimbangkan pengaruh 104 penanganan pasca panen jagung, model prediksi permintaan masih belum menggunakan data aktual yang terjadi di lapangan. 7.2 Saran 1. Model ini dapat dikembangkan dan dapat dilengkapi dengan sistem pendukung keputusan yang dapat membantu pengambil keputusan melakukan antisipasi dalam penyediaan tepung jagung sesuai permintaan industri pengguna tepung jagung. 2. Model ini dapat disempurnakan dengan mengintegrasikan semua komponen dalam rantai pasok dalam analisis rantai pasok industri berbasis jagung secara menyeluruh. RANCANGBANGUN MODEL PENYEDIAAN TEPUNG JAGUNG PADA RANTAI PASOK INDUSTRI BERBASIS JAGUNG Dorina Hetharia SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2012 105 DAFTAR PUSTAKA Adam EE, Ronald JE. 1992. Production and Operation Management. Ed ke-5. New Jersey: Prentice Hall. Azadeh A, Ghaderi SF, Sohrabkhani S. 2008. A Simulation Based Neural Network Algorithm for Forecasting Electrical Energy Consumption. Di dalam: Proceeding of IIE Annual Conference. hlm 1119-1124. Bhuvanesh A, Wang S, Lam S, Khasawneh M, Srihari K. 2007. Using Artificial Neural Networks for Forecasting in Healthcare: Methodology and Findings. Di dalam: Proceeding of IIE Annual Conference. hlm 382-387. Carrera DA, Mayorga RV. 2008. Supply Chain Management: A Modular Fuzzy Inference System Approach in Supplier Selection for New Product Development. Int. J. Intelligent Manufacturing 19 (1): 1-12. Cruz AM, Denis ER. 2005. A Fuzzy Inference System to Evaluate Contract Service Provider Performance. J. Biomedical Instrumentation & Technology 39 (4): 320-325 [Deptan] Departemen Pertanian, Badan Penelitian dan Pengembangan Pertanian. 2006. Pembuatan Tepung Jagung. Balai Pengkajian Teknologi Pertanian Jawa Tengah. [Deptan] Departemen Pertanian, Balai Besar Litbang Pasca Panen. 2010. Penanganan Pasca Panen Jagung. Jakarta [Deptan] departemen Pertanian, Direktorat Jenderal Tanaman Pangan, Direktorat Budidaya Serealia. 2006. Petunjuk Peningkatan Produktivitas Pengembangan Jagung. Jakarta. [Deprin] Departemen Perindustrian, Dewan Standardisasi Nasional. 1995. Standar Nasional Indonesia: Jagung. Jakarta. Erdinç A, Satman MH. 2005. Stock Market Forecasting: Artificial Neural Network And Linear Regression Comparison In An Emerging Market. J. Financial Management & Analysis 18. 2 : 18-33. Eriyatno. 1999. Ilmu Sistem : Meningkatkan Mutu dan Efektivitas Manajemen. Bogor: IPB Press. Erol I, Ferrel Jr, William G. 2004. A Methodology to Support Decision Making Across the Supply Chain of An Industrial Distributor. Int. J. Production Economics 89:119-129. 106 Fausett L. 1994. Fundamentals of Neural Networks, Architectures, Algorithms, and Applications. New Jersey: Prentice-Hall Inc. Ferreira L, de Moura GL, Borenstein D, Américo FA, 2011. The Use of Artificial Neural Networks as A Strategy For Forecasting Prices in the Context of Agribusiness. Revista De Administração E Inovação. RAI 8 (4) : 6. Firmansyah IU, Saenong S, Abidin B, Suarni, Sinuseng Y. 2006. Laporan Hasil Penelitian. Proses Pasca Panen untuk Menunjang Perbaikan Produk Biji Jagung Berskala Industri dan Ekspor. Maros: Balai Penelitian Tanaman Serealia. Gryna FM. 2001. Quality Planning and Analysis, from Product Development Through Use. Ed ke-4. McGraw Hill International Edition, Industrial Engineering Series. Johnson LA. 2000. Corn: The Major Cereal of the Americas, Handbook of Cereal Science and Technology. Ed ke-2. Marcel Dekker Inc: New York. Jong Jek Siang. 2009. Jaringan Syaraf Tiruan dan Pemrogramannya menggunakan Matlab. Ed ke-2. Yogyakarta: Andi Offset. Krajewski LJ, Larry PR. 2002. Operation Management, Strategy and Analysis. Ed ke-6. Prentice Hall International Inc: USA. Kusumadewi S. 2002. Artificial Intelligence: Yogyakarta: Penerbit Graha Ilmu. Teknik dan Aplikasinya. Kusumadewi S, Hari P. 2004. Alikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta: Penerbit Graha Ilmu. Law R. 1998. Room Occupancy Rate Forecasting: A Neural Network Approach. J. Contemporary Hospitality Management 10 (6): 234-239 Lisa WW. 1996. Partnership Satisfaction: Using Underlying Dimensions of Supply Chain Partnership to Measure Current and Expected Levels of Satisfaction. J. Business Logistics 17 no 2. Liker JK, Morgan JM. 2006. The Toyota Way in Service, J. Academy of Management Perspectives 20 (2): 5 – 20. Lockamy III, Archie S, Wilbur I. 2000. Target Costing for Supply Chain Management: Criteria and Selection. J. Industrial Management & Data Systems 100 (5): 210-218. Luo W. 1998. An Integrated Inventory System for Perishable Goods with Back Ordering. Int. J. Computers Industrial Engineering 34 (3): 685-693. 107 Makridakis S, Wheelwright SC, McGee VE. 1983. Forecasting Methods and Application. Ed ke-2. USA: John Wiley & Sons. Marimin. 2004. Teknik dan Aplikasi Pengambilan Keputusan Kriteria Majemuk. Jakarta: PT Grasindo. Marimin. 2005. Teori dan Aplikasi Sistem Pakar dalam Teknologi Manajerial. Bogor: IPB Press. Nam K, Schaefer T. 1995. Forecasting International Airline Passenger Traffic Using Neural Networks. J. Logistics and Transportation Review 31 (3) : 239. Nayak PC, Rao YR, Satyaji, Sudheer KP. 2006. Groundwater Level Forecasting in a Shallow Aquifer Using Artificial Neural Network Approach. J. Water Resources 20 (1): 77-90. Pujawan IN. 2005. Supply Chain Management. Surabaya: Penerbit Guna Widya. Render B et al. 1997. Principles of Operations Management. Ed ke-2. New Jersey: Pearson Prentice-Hall. Inc. Riyani. 2007. Teknologi Produksi dan Karakterisasi Tepung Jagung Varietas Unggul Nasional. [Skripsi]. Bogor: Fakultas Teknologi Pertanian, Institut Pertanian Bogor. Saaty TL. 1988. Decision making for leaders : The Analytical Hierarchy Process for Decisions in a complex world. United States of America : RWS Publications. Saaty TL. 1991. Pengambilan Keputusan bagi Para Pemimpin. Seri Manajemen no. 134. PT Pustaka Binaman Pressindo. (Terjemahan). Saaty TL. 1993. Fundamentals of Decision Making. United States of America: RWS Publications. Saaty TL. 1996. Decision Making With Dependence and Feedback : The Analytic Network Process. Pittsburgh: RWS Publications. Septiani W, Marimin. 2005. Sistem Intelijen Prediksi dan Penilaian Kualitas Susu Pasteurisasi dengan Menggunakan Logika Fuzzy dan Jaringan Syaraf Tiruan. Di dalam: Prosiding Seminar Nasional Aplikasi Teknologi Informasi. ISBN :979-756-061-6 Yogyakarta. Setyawati BR, Creese RC, Jaraiedi M. 2003. Neural Networks for Univariate and Multivariate Time Series Forecasting. Di dalam: Proceeding of IIE Annual Conference. hlm 1-6. 108 Slim C. 2009. Hybrid Approach in Neural Network Design Applied to Financial Time Series Forecasting. J. American Academy of Business 15 (1): 294-300. Suryana A, Hermanto. 2007. Prospek dan Arah Pengembangan Jagung. Jakarta: Badan Litbang Pertanian. Suryawijaya I. 2009. Rancang Bangun Sistem Intelijen untuk Enterprise Resource Planning (ERP) pada Industri Tepung Jagung [skripsi]. Bogor: Fakultas Teknologi Pertanian, Institut Pertanian Bogor. Wahyu, Afriyanti. 2009. Aplikasi Fuzzy Inference System Metode Tsukamoto pada Simulasi Traficc Light Menggunakan Java. Di dalam: Prosiding Seminar Nasional Aplikasi Teknologi Informasi. ISBN:1907-5022. Yogyakarta. Wang W, Zu Z, Lu JW. 2003. Three Improved Neural Network Models for Air Quality Forecasting. J. Engineering Computations 20 (2): 192-210. Wisner JD et al. 2005. Principles of Supply Chain Management, a Balanced Approach. South-Western, Ohio: Thomson. Yan X, Luo J, Chen Z. 2010. Forecasting of the Demand of Alumina Based on the Coupling Phase-space Reconstruction and Neural Network. Int. J. Business and Management 5 (6): 146-153. Zhang W, Cao Q, Schniederjans MJ. 2004. Neural Network Earnings per Share Forecasting Models: A Comparative Analysis of Alternative Methods. Int. J. Decision Sciences 35 (2) : 205-237. 109 Lampiran 1 Prediksi Produksi Jagung Jawa Tengah dengan Jaringan Syaraf Tiruan Data yang digunakan untuk memprediksi produksi jagung adalah data yang tercantum pada Tabel 9. Variabel input adalah luas panen (ha) dan curah hujan (mm/bulan). Sebagai variabel output adalah jumlah produksi jagung (ton/bulan) Menu utama yang ditampilkan dalam program Hasil menjalankan program dengan MATLAB R2010a 110 1. Running program 1 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 77; testing :2 ; forecasting : 2 MSE : 6,17 x 10-23 Hasil peramalan: bulan 1 : 115546 ton bulan 2 : 115546 ton bulan 3 : 115546 ton bulan 4 : 115546 ton 111 2. Running program 2 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 136; testing :3 ; forecasting : 3 MSE : 0,0000981 Hasil peramalan: bulan 1 : 116634 ton bulan 2 : 115680 ton bulan 3 : 115560 ton bulan 4 : 115562 ton 112 3. Running program 3 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 419; testing : 1 ; forecasting : 1 MSE : 0,00000246 Hasil peramalan: bulan 1 : 115720 ton bulan 2 : 115346 ton bulan 3 : 115546 ton bulan 4 : 115546 ton 113 4. Running program 4 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 69; testing : 1 ; forecasting : 4 MSE : 0,0000517 Hasil peramalan: bulan 1 : 115951 ton bulan 2 : 115935 ton bulan 3 : 115882 ton bulan 4 : 115999 ton 114 5. Running program 5 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 163; testing : 1 ; forecasting : 4 MSE : 3,4 x 10-9 Hasil peramalan: bulan 1 : 115552 ton bulan 2 : 115549 ton bulan 3 : 115546 ton bulan 4 : 115546 ton 115 6. Running program 6 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 173; testing : 1 ; forecasting : 5 MSE : 0,000002 Hasil peramalan: bulan 1 : 115644 ton bulan 2 : 115647 ton bulan 3 : 115594 ton bulan 4 : 115597 ton 116 7. Running program 7 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 92; testing : 1 ; forecasting : 4 MSE : 0,00002 Hasil peramalan: bulan 1 : 115859 ton bulan 2 : 115874 ton bulan 3 : 115686 ton bulan 4 : 115689 ton 117 8. Running program 8 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 231; testing : 1 ; forecasting : 2 MSE : 0,000000859 Hasil peramalan: bulan 1 : 115648 ton bulan 2 : 115562 ton bulan 3 : 115549 ton bulan 4 : 115549 ton 118 9. Running program 9 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 12; testing : 1 ; forecasting : 1 MSE : 0,0000988 Hasil peramalan: bulan 1 : 116514 ton bulan 2 : 115857 ton bulan 3 : 115890 ton bulan 4 : 115791 ton 119 10. Running program 10 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 88; testing : 1 ; forecasting : 1 MSE : 0,0000273 Hasil peramalan: bulan 1 : 115818 ton bulan 2 : 116045 ton bulan 3 : 115622 ton bulan 4 : 115619 ton 120 11. Running program 11 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 100; testing : 1 ; forecasting : 2 MSE : 6,87 x 10-15 Hasil peramalan: bulan 1 : 115546 ton bulan 2 : 115546 ton bulan 3 : 115546 ton bulan 4 : 115546 ton 121 12. Running program 12 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 77; testing : 1 ; forecasting : 2 MSE : 6,17 x 10-23 Hasil peramalan: bulan 1 : 115546 ton bulan 2 : 115546 ton bulan 3 : 115546 ton bulan 4 : 115546 ton 122 13. Running program 13 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 66; testing : 1 ; forecasting : 1 MSE : 0,0000485 Hasil peramalan: bulan 1 : 115573 ton bulan 2 : 116313 ton bulan 3 : 115598 ton bulan 4 : 115600 ton 123 14. Running program 14 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 56; testing : 1 ; forecasting : 3 MSE : 0,0000993 Hasil peramalan: bulan 1 : 116441 ton bulan 2 : 116121 ton bulan 3 : 115765 ton bulan 4 : 115737 ton 124 15. Running program 15 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 43; testing : 1 ; forecasting : 2 MSE : 0,0000242 Hasil peramalan: bulan 1 : 116064 ton bulan 2 : 115715 ton bulan 3 : 115562 ton bulan 4 : 115561 ton 125 16. Running program 16 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 59; testing : 1 ; forecasting : 1 MSE : 0,0000531 Hasil peramalan: bulan 1 : 116261 ton bulan 2 : 115917 ton bulan 3 : 115585 ton bulan 4 : 115577 ton 126 17. Running program 17 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 37; testing : 1 ; forecasting : 2 MSE : 0,00005 Hasil peramalan: bulan 1 : 116283 ton bulan 2 : 115780 ton bulan 3 : 115637 ton bulan 4 : 115634 ton 127 18. Running program 18 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 69; testing : 1 ; forecasting : 4 MSE : 0,0000993 Hasil peramalan: bulan 1 : 115946 ton bulan 2 : 115926 ton bulan 3 : 116226ton bulan 4 : 116218 ton 128 129 Lampiran3 Langkah-langkah penggunaan MINITAB 14 peramalan data kausal 1. Masukkan data input ke dalam Worksheet: C1, C2, ..., Cn 2. Klik Stat 130 3. Pilih Regression 4. Klik Regression - Masukkan variabel response - Masukkan variabel predictors - Klik OK 131 Lampiran 4 Peramalan Produksi Jagung dengan MINITAB Release 14 Data luas panen, curah hujan, produksi jagung Jawa Tengah Tahun 2010 Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember Luas Panen (ha) 79390 145107 53337 35453 51906 62938 35225 36325 59431 47031 32481 27961 Curah Hujan (mm) 214 415 240 127 142 79 1 3 1 6 197 76 Produksi (ton) 130251 121080 139750 165350 180790 157210 179190 184785 285637 226038 156111 134385 Regression Analysis: PRODUKSI JGNG versus LUAS PANEN; CURAH HUJAN The regression equation is PRODUKSI JGNG = 180508 + 0,693 LUAS PANEN - 378 CURAH HUJAN Predictor Constant LUAS PANEN CURAH HUJAN Coef 180508 0,6927 -377,9 S = 33419,1 SE Coef 20432 0,4634 117,4 R-Sq = 57,1% T 8,83 1,49 -3,22 P 0,000 0,169 0,010 R-Sq(adj) = 47,6% Analysis of Variance Source Regression Residual Error Total DF 2 9 11 SS 13379618390 10051497884 23431116274 MS 6689809195 1116833098 F 5,99 P 0,022 Prediksi Produksi Jagung Jawa Tengah Tahun 2011 Bulan Januari Februari Maret April Luas panen (ha) 70000 125500 52525 30100 Curah hujan (mm) 150 250 150 100 Produksi (ton) 172318,00 172979,50 160207,83 163567,30 132 Lampiran 5 Aturan (If – then – rules) mutu jagung pipilan Aturan untuk Mutu Jagung Pipilan (1) 1 If (Kadar air is baik) and (Butir rusak is baik) and (Butir pecah is baik) and (Kotoran is baik) then (output is Mutu 1) 2 If (Kadar air is baik) and (Butir rusak is sedang) and (Butir pecah is baik) and (Kotoran is baik) then (output is Mutu 1) 3 If (Kadar air is baik) and (Butir rusak is buruk) and (Butir pecah is baik) and (Kotoran is baik) then (output is Mutu 2) 4 If (Kadar air is sedang) and (Butir rusak is baik) and (Butir pecah is baik) and (Kotoran is baik) then (output is Mutu 1) 5 If (Kadar air is sedang) and (Butir rusak is sedang) and (Butir pecah is baik) and (Kotoran is baik) then (output is Mutu 2) 6 If (Kadar air is sedang) and (Butir rusak is buruk) and (Butir pecah is baik) and (Kotoran is baik) then (output is Mutu 2) 7 If (Kadar air is buruk) and (Butir rusak is baik) and (Butir pecah is baik) and (Kotoran is baik) then (output is Mutu 2) 8 If (Kadar air is buruk) and (Butir rusak is sedang) and (Butir pecah is baik) and (Kotoran is baik) then (output is Mutu 2) 9 If (Kadar air is buruk) and (Butir rusak is buruk) and (Butir pecah is baik) and (Kotoran is baik) then (output is Mutu 3) 10 If (Kadar air is baik) and (Butir rusak is baik) and (Butir pecah is baik) and (Kotoran is sedadng) then (output is Mutu 1) 11 If (Kadar air is baik) and (Butir rusak is sedang) and (Butir pecah is baik) and (Kotoran is sedang) then (output is Mutu 2) 12 If (Kadar air is baik) and (Butir rusak is buruk) and (Butir pecah is baik) and (Kotoran is sedang) then (output is Mutu 3) 13 If (Kadar air is sedang) and (Butir rusak is baik) and (Butir pecah is baik) and (Kotoran is sedang) then (output is Mutu 2) 14 If (Kadar air is sedang) and (Butir rusak is sedang) and (Butir pecah is baik) and (Kotoran is sedang) then (output is Mutu 2) 133 Aturan untuk Mutu Jagung Pipilan (2) 15 If (Kadar air is sedang) and (Butir rusak is buruk) and (Butir pecah is baik) and (Kotoran is sedang) then (output is Mutu 3) 16 If (Kadar air is buruk) and (Butir rusak is baik) and (Butir pecah is baik) and (Kotoran is sedang) then (output is Mutu 2) 17 If (Kadar air is buruk) and (Butir rusak is sedang) and (Butir pecah is baik) and (Kotoran is sedang) then (output is Mutu 2) 18 If (Kadar air is buruk) and (Butir rusak is buruk) and (Butir pecah is baik) and (Kotoran is sedang) then (output is Mutu 3) 19 If (Kadar air is baik) and (Butir rusak is baik) and (Butir pecah is baik) and (Kotoran is buruk) then (output is Mutu 1) 20 If (Kadar air is baik) and (Butir rusak is sedang) and (Butir pecah is baik) and (Kotoran is buruk) then (output is Mutu 2) 21 If (Kadar air is baik) and (Butir rusak is buruk) and (Butir pecah is baik) and (Kotoran is buruk) then (output is Mutu 3) 22 If (Kadar air is sedang) and (Butir rusak is baik) and (Butir pecah is baik) and (Kotoran is buruk) then (output is Mutu 2) 23 If (Kadar air is sedang) and (Butir rusak is sedang) and (Butir pecah is baik) and (Kotoran is buruk) then (output is Mutu 3) 24 If (Kadar air is sedang) and (Butir rusak is buruk) and (Butir pecah is baik) and (Kotoran is buruk) then (output is Mutu 3) 25 If (Kadar air is buruk) and (Butir rusak is baik) and (Butir pecah is baik) and (Kotoran is buruk) then (output is Mutu 3) 26 If (Kadar air is buruk) and (Butir rusak is sedang) and (Butir pecah is baik) and (Kotoran is buruk) then (output is Mutu 3) 27 If (Kadar air is buruk) and (Butir rusak is buruk) and (Butir pecah is baik) and (Kotoran is buruk) then (output is Mutu 3) 28 If (Kadar air is baik) and (Butir rusak is baik) and (Butir pecah is sedang) and (Kotoran is baik) then (output is Mutu 2) 134 Aturan untuk Mutu Jagung Pipilan (3) 29 If (Kadar air is baik) and (Butir rusak is sedang) and (Butir pecah is sedang) and (Kotoran is baik) then (output is Mutu 2) 30 If (Kadar air is baik) and (Butir rusak is buruk) and (Butir pecah is sedang) and (Kotoran is baik) then (output is Mutu 2) 31 If (Kadar air is sedang) and (Butir rusak is baik) and (Butir pecah is sedang) and (Kotoran is baik) then (output is Mutu 2) 32 If (Kadar air is sedang) and (Butir rusak is sedang) and (Butir pecah is sedang) and (Kotoran is baik) then (output is Mutu 2) 33 If (Kadar air is sedang) and (Butir rusak is buruk) and (Butir pecah is sedang) and (Kotoran is baik) then (output is Mutu 3) 34 If (Kadar air is buruk) and (Butir rusak is baik) and (Butir pecah is sedang) and (Kotoran is baik) then (output is Mutu 2) 35 If (Kadar air is buruk) and (Butir rusak is sedang) and (Butir pecah is sedang) and (Kotoran is baik) then (output is Mutu 2) 36 If (Kadar air is buruk) and (Butir rusak is buruk) and (Butir pecah is sedang) and (Kotoran is baik) then (output is Mutu 3) 37 If (Kadar air is baik) and (Butir rusak is baik) and (Butir pecah is sedang) and (Kotoran is sedang) then (output is Mutu 2) 38 If (Kadar air is baik) and (Butir rusak is sedang) and (Butir pecah is sedang) and (Kotoran is sedang) then (output is Mutu 2) 39 If (Kadar air is baik) and (Butir rusak is buruk) and (Butir pecah is sedang) and (Kotoran is sedang) then (output is Mutu 3) 40 If (Kadar air is sedang) and (Butir rusak is baik) and (Butir pecah is sedang) and (Kotoran is sedang) then (output is Mutu 2) 41 If (Kadar air is sedang) and (Butir rusak is sedang) and (Butir pecah is sedang) and (Kotoran is sedang) then (output is Mutu 2) 42 If (Kadar air is sedang) and (Butir rusak is buruk) and (Butir pecah is sedang) and (Kotoran is sedang) then (output is Mutu 3) 135 Aturan untuk Mutu Jagung Pipilan (4) 43 If (Kadar air is buruk) and (Butir rusak is baik) and (Butir pecah is sedang) and (Kotoran is sedang) then (output is Mutu 2) 44 If (Kadar air is buruk) and (Butir rusak is sedang) and (Butir pecah is sedang) and (Kotoran is sedang) then (output is Mutu 2) 45 If (Kadar air is buruk) and (Butir rusak is buruk) and (Butir pecah is sedang) and (Kotoran is sedang) then (output is Mutu 3) 46 If (Kadar air is baik) and (Butir rusak is baik) and (Butir pecah is sedang) and (Kotoran is buruk) then (output is Mutu 2) 47 If (Kadar air is baik) and (Butir rusak is sedang) and (Butir pecah is sedang) and (Kotoran is buruk) then (output is Mutu 2) 48 If (Kadar air is baik) and (Butir rusak is buruk) and (Butir pecah is sedang) and (Kotoran is buruk) then (output is Mutu 3) 49 If (Kadar air is sedang) and (Butir rusak is baik) and (Butir pecah is sedang) and (Kotoran is buruk) then (output is Mutu 2) 50 If (Kadar air is sedang) and (Butir rusak is sedang) and (Butir pecah is sedang) and (Kotoran is buruk) then (output is Mutu 3) 51 If (Kadar air is sedang) and (Butir rusak is buruk) and (Butir pecah is sedang) and (Kotoran is buruk) then (output is Mutu 3) 52 If (Kadar air is buruk) and (Butir rusak is baik) and (Butir pecah is sedang) and (Kotoran is buruk) then (output is Mutu 2) 53 If (Kadar air is buruk) and (Butir rusak is sedang) and (Butir pecah is sedang) and (Kotoran is buruk) then (output is Mutu 3) 54 If (Kadar air is buruk) and (Butir rusak is buruk) and (Butir pecah is sedang) and (Kotoran is buruk) then (output is Mutu 3) 55 If (Kadar air is baik) and (Butir rusak is baik) and (Butir pecah is buruk) and (Kotoran is baik) then (output is Mutu 2) 56 If (Kadar air is baik) and (Butir rusak is sedang) and (Butir pecah is buruk) and (Kotoran is baik) then (output is Mutu 3) 57 If (Kadar air is baik) and (Butir rusak is buruk) and (Butir pecah is buruk) and (Kotoran is baik) then (output is Mutu 3) 136 Aturan untuk Mutu Jagung Pipilan (5) 58 If (Kadar air is sedang) and (Butir rusak is baik) and (Butir pecah is buruk) and (Kotoran is baik) then (output is Mutu 2) 59 If (Kadar air is sedang) and (Butir rusak is sedang) and (Butir pecah is buruk) and (Kotoran is baik) then (output is Mutu 3) 60 If (Kadar air is sedang) and (Butir rusak is buruk) and (Butir pecah is buruk) and (Kotoran is baik) then (output is Mutu 3) 61 If (Kadar air is buruk) and (Butir rusak is baik) and (Butir pecah is buruk) and (Kotoran is baik) then (output is Mutu 2) 62 If (Kadar air is buruk) and (Butir rusak is sedang) and (Butir pecah is buruk) and (Kotoran is baik) then (output is Mutu 3) 63 If (Kadar air is buruk) and (Butir rusak is buruk) and (Butir pecah is buruk) and (Kotoran is baik) then (output is Mutu 3) 64 If (Kadar air is baik) and (Butir rusak is baik) and (Butir pecah is buruk) and (Kotoran is sedang) then (output is Mutu 2) 65 If (Kadar air is baik) and (Butir rusak is sedang) and (Butir pecah is buruk) and (Kotoran is sedang) then (output is Mutu 2) 66 If (Kadar air is baik) and (Butir rusak is buruk) and (Butir pecah is buruk) and (Kotoran is sedang) then (output is Mutu 3) 67 If (Kadar air is sedang) and (Butir rusak is baik) and (Butir pecah is buruk) and (Kotoran is sedang) then (output is Mutu 2) 68 If (Kadar air is sedang) and (Butir rusak is sedang) and (Butir pecah is buruk) and (Kotoran is sedang) then (output is Mutu 3) 69 If (Kadar air is sedang) and (Butir rusak is buruk) and (Butir pecah is buruk) and (Kotoran is sedang) then (output is Mutu 3) 70 If (Kadar air is buruk) and (Butir rusak is baik) and (Butir pecah is buruk) and (Kotoran is sedang) then (output is Mutu 3) 71 If (Kadar air is buruk) and (Butir rusak is sedang) and (Butir pecah is buruk) and (Kotoran is sedang) then (output is Mutu 3) 72 If (Kadar air is buruk) and (Butir rusak is buruk) and (Butir pecah is buruk) and (Kotoran is sedang) then (output is Mutu 3) 137 Aturan untuk Mutu Jagung Pipilan (6) If (Kadar air is baik) and (Butir rusak is baik) and (Butir pecah is buruk) 73 and (Kotoran is buruk) then (output is Mutu 2) If (Kadar air is baik) and (Butir rusak is sedang) and (Butir pecah is 74 buruk) and (Kotoran is buruk) then (output is Mutu 3) If (Kadar air is baik) and (Butir rusak is buruk) and (Butir pecah is buruk) 75 and (Kotoran is buruk) then (output is Mutu 3) If (Kadar air is sedang) and (Butir rusak is baik) and (Butir pecah is 76 buruk) and (Kotoran is buruk) then (output is Mutu 3) If (Kadar air is sedang) and (Butir rusak is sedang) and (Butir pecah is 77 buruk) and (Kotoran is buruk) then (output is Mutu 3) If (Kadar air is sedang) and (Butir rusak is buruk) and (Butir pecah is 78 buruk) and (Kotoran is buruk) then (output is Mutu 3) If (Kadar air is buruk) and (Butir rusak is baik) and (Butir pecah is buruk) 79 and (Kotoran is buruk) then (output is Mutu 2) If (Kadar air is buruk) and (Butir rusak is sedang) and (Butir pecah is 80 buruk) and (Kotoran is buruk) then (output is Mutu 3) If (Kadar air is buruk) and (Butir rusak is buruk) and (Butir pecah is 81 buruk) and (Kotoran is buruk) then (output is Mutu 3) 138 Lampiran 6 Representasi Model Sugeno pada MATLAB R2010a Representasi Model Sugeno Representasi Model Mamdani 139 Fuzzy Inference System (FIS) Pengelompokan Mutu Jagung Pipilan Tampilan Model Sugeno untuk Pengelompokan Jagung Pipilan Representasi Variabel Input Kadar Air 140 Representasi Variabel Input Butir Rusak Representasi Variabel Input Butir Pecah 141 Representasi Variabel Input Kotoran Representasi Variabel Output Kelompok Mutu Jagung Pipilan 142 Tampilan Pengisian Aturan pada FIS Tampilan Hasil Pengelompokan Mutu Jagung Pipilan (Mutu 1) 143 Tampilan Hasil Pengelompokan Mutu Jagung Pipilan (Mutu 2) Tampilan Hasil Pengelompokan Mutu Jagung Pipilan (Mutu 3) 144 Lampiran 7 Panduan konsultasi pakar untuk penentuan tingkat kepentingan kriteria uji mutu tepung jagung Responden yang terhormat, Dalam rangka penelitian tentang mutu tepung jagung, dengan ini saya mohon kesediaan Bapak/Ibu untuk dapat mengisi kuesioner untuk menentukan tingkat kepentingan kriteria uji mutu tepung jagung, yang tertuang dalam bentuk tabel berikut. Kuesioner ini diisi dengan memberikan tanda [X] pada kolom yang sesuai. Atas kesediannya sebelumnya saya ucapkan terima kasih 1 = sangat tidak penting 2 = tidak penting 3 = kurang penting 4 = penting 5 = sangat penting KRITERIA UJI Bau Rasa Warna benda asing Serangga pati lain Kehalusan Kadar air Abu Silikat serat kasar derajat asam cemaran seng cemaran tembaga cemaran mikroba Aflatoksin 5 4 3 2 1 145 Lampiran 8 Pengisian matriks perbandingan berpasangan kriteria uji mutu tepung jagung berdasarkan industri pengolahan jagung Responden yang terhormat, Dalam rangka penelitian tentang mutu tepung jagung, dengan ini dimohon kesediaan Bapak/Ibu untuk dapat mengisi kuesioner untuk menentukan tingkat kepentingan kriteria uji mutu tepung jagung untuk masing-masing industri pengolahan jagung, yang tertuang dalam bentuk tabel berikut. Kuesioner ini berupa matriks perbandingan berpasangan dan diisi dengan memberikan angka 1 – 9 sesuai keterangan di dalam kuesioner ini. Atas kesediannya sebelumnya saya ucapkan terima kasih. FARMASI K1 K1 K2 K3 1 K2 1 K3 K1 K1 1 K2 K2 K3 K1 1 K3 K2 K3 1 1 K1 Aflatoksin K2: Kadar air 1 K3 K1 K2 1 PAKAN PANGAN K3 : Kadar abu 1 Nilai 1 3 5 7 9 2,4,6,8 1/(1-9) Keterangan Sama penting (equal) Sedikit lebih penting (moderate) Jelas lebih penting (strong) Sangat jelas lebih penting (very strong) Mutlak lebih penting (extreme) Apabila ragu-ragu antara dua nilai yang berdekatan Kebalikan dari nilai tingkat kepentingan dari skala 1-9 146 Lampiran 9 Aturan (If – then – rules) Mutu Tepung Jagung Aturan untuk Mutu Tepung Jagung (1) 1 If (Aflatoksin is rendah) and (Kadar air is rendah) and (Kadar abu is rendah) then (output is Grade 1) 2 If (Aflatoksin is rendah) and (Kadar air is rendah) and (Kadar abu is sedang) then (output is Grade 1) 3 If (Aflatoksin is rendah) and (Kadar air is rendah) and (Kadar abu is tinggi) then (output is Grade 2) 4 If (Aflatoksin is rendah) and (Kadar air is sedang) and (Kadar abu is rendah) then (output is Grade 1) 5 If (Aflatoksin is rendah) and (Kadar air is sedang) and (Kadar abu is sedang) then (output is Grade 1) 6 If (Aflatoksin is rendah) and (Kadar air issedang) and (Kadar abu is tinggi) then (output is Grade 2) 7 If (Aflatoksin is rendah) and (Kadar air is tinggi) and (Kadar abu is rendah) then (output is Grade 1) 8 If (Aflatoksin is rendah) and (Kadar air is tinggi) and (Kadar abu is sedang) then (output is Grade 1) 9 If (Aflatoksin is rendah) and (Kadar air is tinggi) and (Kadar abu is tinggi) then (output is Grade 2) 10 If (Aflatoksin is sedang) and (Kadar air is rendah) and (Kadar abu is rendah) then (output is Grade 1) 11 If (Aflatoksin is sedang) and (Kadar air is rendah) and (Kadar abu is sedang) then (output is Grade 1) 12 If (Aflatoksin is sedang) and (Kadar air is rendah) and (Kadar abu is tinggi) then (output is Grade 2) If (Aflatoksin is sedang) and (Kadar air is sedang) and (Kadar abu is 13 rendah) then (output is Grade 1) If (Aflatoksin is sedang) and (Kadar air is sedang) and (Kadar abu is 14 sedang) then (output is Grade 1) 147 Aturan untuk Mutu Tepung Jagung (2) 15 If (Aflatoksin is sedang) and (Kadar air is sedang) and (Kadar abu is tinggi) then (output is Grade 2) 16 If (Aflatoksin is sedang) and (Kadar air is tinggi) and (Kadar abu is rendah) then (output is Grade 1) 17 If (Aflatoksin is sedang) and (Kadar air is tinggi) and (Kadar abu is sedang) then (output is Grade 2) 18 If (Aflatoksin is sedang) and (Kadar air is tinggi) and Kadar abu is tinggi) then (output is Grade 2) 19 If (Aflatoksin is tinggi) and (Kadar air is rendah) and (Kadar abu is rendah) then (output is Grade 2) 20 If (Aflatoksin is tinggi) and (Kadar air is rendah) and (Kadar abu is sedang) then (output is Grade 2) 21 If (Aflatoksin is tinggi) and (Kadar air is rendah) and (Kadar abu is tinggi) then (output is Grade 3) 22 If (Aflatoksin is tinggi) and (Kadar air is sedang) and (Kadar abu is rendah) then (output is Grade 2) 23 If (Aflatoksin is tinggi) and (Kadar air is sedang) and (Kadar abu is sedang) then (output is Grade 3) 24 If (Aflatoksin is tinggi) and (Kadar air is sedang) and (Kadar abu is tinggi) then (output is Grade 3) 25 If (Aflatoksin is tinggi) and (Kadar air is tinggi) and (Kadar abu is rendah) then (output is Grade 3) 26 If (Aflatoksin is tinggi) and (Kadar air is tinggi) and (Kadar abu is sedang) then (output is Grade 3) 27 If (Aflatoksin is tinggi) and (Kadar air is tinggi) and (Kadar abu is tinggi) then (output is Grade 3) 148 Lampiran 10 Fuzzy Inference System Pengelompokan Mutu Tepung Jagung Tampilan Model Sugeno untuk Pengelompokan Tepung Jagung Representasi Variabel Input Kandungan Aflatoksin 149 Representasi Variabel Input Kadar Air Representasi variabel input kadar abu 150 Representasi Variabel Output Kelompok Mutu Tepung Jagung Tampilan Pengisian Aturan pada FIS – Mutu Tepung Jagung 151 Tampilan Hasil Pengelompokan Mutu Tepung Jagung (Grade 1) Tampilan Hasil Pengelompokan Mutu Tepung Jagung (Grade 2) 152 Tampilan Hasil Pengelompokan Mutu Tepung Jagung (Grade 3) 153 Lampiran 11 Langkah-langkah penggunaan MINITAB 14 untuk peramalan dengan data Timeseries. 5. Masukkan data input ke dalam Worksheet: C1, C2, ..., Cn 6. Klik Stat 7. Pilih Timeseries 154 8. Klik Time Series plot untuk plot data Klik OK 9. Klik Trend Analysis untuk Regresi data Time Series - Masukkan variabel input 155 - Pilih model type - Masukkan jumlah periode peramalan pada generate forecast - Klik OK 10. Klik Moving average untuk metode rata-rata bergerak - Masukkan variabel input - Masukkan jumlah rata-rata bergerak pada MA length - Masukkan jumlah periode peramalan pada Generate forecast - Klik OK 11. Klik Single Exponential Smoothing untuk metode pemulusan tunggal - Masukkan variabel input - Masukkan nilai alpha - Untuk mendapatkan alpha optimal, pilih optimal Arima 156 - Masukkan jumlah periode peramalan - Klik OK 12. Klik Double Exponential Smoothing untuk metode pemulusan ganda - Masukkan variabel input - Masukkan nilai alpha dan gamma - Untuk mendapatkan nilai alpha dan gamma optimal, klik optimal Arima - Masukkan jumlah periode peramalan - Klik OK 13. Klik Dekomposition untuk metode Dekomposisi - Masukkan variabel input - Masukkan panjang musiman - Piliha Model Type - Masukkan jumlah periode peramalan - Klik OK 157 Lampiran 12 Peramalan Permintaan Tepung Jagung dengan MINITAB Release 14 for windows Data permintaan tepung jagung yang digunakan adalah hasil generate data dengan nilai minimum 300 ton per bulan hingga 375 ton per bulan. Nilai ini diperoleh dari hasil pengamatan dan diskusi dengan Manager Produksi pabrik tepung jagung PT Amylum Corn Grits Mills. Pabrik tersebut mendapat permintaan tepung jagung sejumlah 300 ton sampai 375 ton per bulan dari industri pangan dan farmasi. Data permintaan tepung jagung selama 24 periode (bulan) tertuang dalam Tabel berikut: Periode Permintaan Periode Permintaan 1 349 13 340 2 351 14 368 3 355 15 371 4 342 16 305 5 369 17 350 6 335 18 321 7 347 19 363 8 341 20 353 9 350 21 334 10 368 22 306 11 348 23 371 12 369 24 301 158 Plot data permintaan tepung jagung Peramalan Permintaan dengan Moving Average N = 2 Period Forecast 25 336 26 336 27 336 28 336 Lower 286,872 286,872 286,872 286,872 Upper 385,128 385,128 385,128 385,128 159 Peramalan Permintaan dengan Moving Average N = 3 Period Forecast 25 326 26 326 27 326 28 326 Lower 278,165 278,165 278,165 278,165 Upper 373,835 373,835 373,835 373,835 Peramalan Permintaan dengan Moving Average N = 4 Period Forecast 25 328 26 328 27 328 28 328 Lower 280,721 280,721 280,721 280,721 Upper 375,279 375,279 375,279 375,279 160 Peramalan Permintaan dengan Moving Average N = 5 Period Forecast 25 333 26 333 27 333 28 333 Lower 286,841 286,841 286,841 286,841 Upper 379,159 379,159 379,159 379,159 Peramalan permintaan tepung jagung dengan Single Exponential Smoothing Period Forecast 25 342,291 26 342,291 27 342,291 28 342,291 Lower 303,332 303,332 303,332 303,332 Upper 381,250 381,250 381,250 381,250 161 Peramalan permintaan tepung jagung dengan Double Exponential Smoothing Period Forecast 25 329,730 26 327,652 27 325,575 28 323,497 Lower 286,425 283,381 280,261 277,071 Upper 373,035 371,924 370,888 369,923 Peramalan Permintaan dengan Trend Analysis (Regresi linear sederhana) Per samaan regresi : Yt = 357,543 - 0,913478*t Period Forecast 25 26 27 28 334,707 333,793 332,880 331,966 162 Peramalan Permintaan dengan metode Dekomposisi Additive Model Fitted Trend Equation Yt = 357,613 - 0,919022*t Period Forecast 25 337,481 26 325,062 27 340,518 28 329,974 163 Lampiran 13 Peramalan permintaan tepung jagung dengan Double Moving Average Double Moving Average N = 2 Periode Aktual S't S''t at Bt Ramal 1 349 2 351 350,00 3 355 353,00 351,50 354,50 4 342 348,50 350,75 346,25 5 369 355,50 352,00 359,00 6 335 352,00 353,75 350,25 7 347 341,00 346,50 335,50 -11,00 346,75 8 341 344,00 342,50 345,50 9 350 10 Error Error^2 3,00 -4,50 357,50 -15,50 7,00 341,75 240,25 27,25 742,56 -3,50 366,00 -31,00 961,00 0,25 0,06 3,00 324,50 16,50 272,25 345,50 344,75 346,25 1,50 348,50 1,50 2,25 368 359,00 352,25 365,75 13,50 347,75 20,25 410,06 11 348 358,00 358,50 357,50 -1,00 379,25 -31,25 976,56 12 369 358,50 358,25 358,75 13 340 14 0,50 356,50 12,50 156,25 354,50 356,50 352,50 -4,00 359,25 -19,25 370,56 368 354,00 354,25 353,75 -0,50 348,50 19,50 380,25 15 371 369,50 361,75 377,25 15,50 353,25 17,75 315,06 16 305 338,00 353,75 322,25 -31,50 392,75 -87,75 7700,06 17 350 327,50 332,75 322,25 -10,50 290,75 18 321 335,50 331,50 339,50 8,00 311,75 9,25 85,56 19 363 342,00 338,75 345,25 6,50 347,50 15,50 240,25 20 353 358,00 350,00 366,00 16,00 351,75 1,25 1,56 21 334 343,50 350,75 336,25 -14,50 382,00 -48,00 2304,00 22 306 320,00 331,75 308,25 -23,50 321,75 -15,75 23 371 338,50 329,25 347,75 18,50 284,75 24 301 336,00 337,25 334,75 -2,50 366,25 -65,25 4257,56 59,25 3510,56 248,06 86,25 7439,06 332,25 MSE 329,75 327,25 324,75 1457,80 164 Double Moving Average N = 3 Periode Aktual S't S''t at bt Ramal Error Error^2 1 349 2 351 3 355 351,67 4 342 349,33 5 369 355,33 352,11 358,56 6 335 348,67 351,11 346,22 -2,44 361,78 -26,78 7 347 350,33 351,44 349,22 -1,11 343,78 3,22 10,38 8 341 341,00 346,67 335,33 -5,67 348,11 -7,11 50,57 9 350 346,00 345,78 346,22 0,22 329,67 20,33 413,44 10 368 353,00 346,67 359,33 6,33 346,44 21,56 464,64 11 348 355,33 351,44 359,22 3,89 365,67 -17,67 312,11 12 369 361,67 356,67 366,67 5,00 363,11 13 340 352,33 356,44 348,22 14 368 359,00 357,67 360,33 1,33 344,11 23,89 570,68 15 371 359,67 357,00 362,33 2,67 361,67 9,33 87,11 16 305 348,00 355,56 340,44 -7,56 365,00 -60,00 3600,00 17 350 342,00 349,89 334,11 -7,89 332,89 17,11 292,79 18 321 325,33 338,44 312,22 -13,11 326,22 -5,22 27,27 19 363 344,67 337,33 352,00 7,33 299,11 63,89 4081,79 20 353 345,67 338,56 352,78 7,11 359,33 -6,33 40,11 21 334 350,00 346,78 353,22 3,22 359,89 -25,89 670,23 22 306 331,00 342,22 319,78 -11,22 356,44 -50,44 2544,64 23 371 337,00 339,33 334,67 -2,33 308,56 24 301 326,00 331,33 320,67 -5,33 332,33 -31,33 3,22 5,89 717,05 34,68 -4,11 371,67 -31,67 1002,78 62,44 3899,31 315,33 MSE 310,00 304,67 299,33 981,78 1042,18 165 Double Moving Average N = 4 Periode Aktual S't S''t at Bt Ramal Error Error^2 1 349 2 351 3 355 4 342 349,25 5 369 354,25 6 335 350,25 7 347 348,25 350,50 346,00 -1,50 8 341 348,00 350,19 345,81 -1,46 344,50 -3,50 12,25 9 350 343,25 347,44 339,06 -2,79 344,35 5,65 31,88 10 368 351,50 347,75 355,25 2,50 336,27 31,73 1006,74 11 348 351,75 348,63 354,88 2,08 357,75 -9,75 95,06 12 369 358,75 351,31 366,19 4,96 356,96 12,04 145,00 13 340 356,25 354,56 357,94 1,13 371,15 -31,15 970,06 14 368 356,25 355,75 356,75 0,33 359,06 8,94 79,88 15 371 362,00 358,31 365,69 2,46 357,08 13,92 193,67 16 305 346,00 355,13 336,88 -6,08 368,15 -63,15 3987,40 17 350 348,50 353,19 343,81 -3,13 330,79 19,21 368,96 18 321 336,75 348,31 325,19 -7,71 340,69 -19,69 387,60 19 363 334,75 341,50 328,00 -4,50 317,48 20 353 346,75 341,69 351,81 3,38 323,50 29,50 870,25 21 334 342,75 340,25 345,25 1,67 355,19 -21,19 448,91 22 306 339,00 340,81 337,19 -1,21 346,92 -40,92 1674,17 23 371 341,00 342,38 339,63 -0,92 335,98 24 301 328,00 337,69 318,31 -6,46 338,71 -37,71 1421,92 45,52 2072,15 35,02 1226,46 311,85 MSE 305,40 298,94 292,48 881,90 166 Double Moving Average N = 5 Periode Aktual S't S''t at bt Ramal Error Error^2 1 349 2 351 3 355 4 342 5 369 353,20 6 335 350,40 7 347 349,60 8 341 346,80 9 350 348,40 349,68 347,12 -0,64 10 368 348,20 348,68 347,72 -0,24 346,48 21,52 463,11 11 348 350,80 348,76 352,84 1,02 347,48 0,52 0,27 12 369 355,20 349,88 360,52 2,66 353,86 15,14 229,22 13 340 355,00 351,52 358,48 1,74 363,18 -23,18 537,31 14 368 358,60 353,56 363,64 2,52 360,22 7,78 60,53 15 371 359,20 355,76 362,64 1,72 366,16 4,84 23,43 16 305 350,60 355,72 345,48 -2,56 364,36 -59,36 3523,61 17 350 346,80 354,04 339,56 -3,62 342,92 7,08 50,13 18 321 343,00 351,64 334,36 -4,32 335,94 -14,94 223,20 19 363 342,00 348,32 335,68 -3,16 330,04 32,96 1086,36 20 353 338,40 344,16 332,64 -2,88 332,52 20,48 419,43 21 334 344,20 342,88 345,52 0,66 329,76 4,24 17,98 22 306 335,40 340,60 330,20 23 371 345,40 341,08 349,72 24 301 333,00 339,28 326,72 -2,60 346,18 -40,18 1614,43 2,16 327,60 43,40 1883,56 -3,14 351,88 -50,88 2588,77 323,58 MSE 320,44 317,30 314,16 848,09 167 Lampiran 14. Hasil menjalankan program dengan MATLAB R2010a untuk meramalkan permintaan tepung jagung 1. Running program 1 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 42; testing : 23 ; forecasting : 1 MSE : 0,0000286 Hasil peramalan: bulan 1 : 330,94 ton bulan 2 : 330,80 ton bulan 3 : 331,04 ton bulan 4 : 331,04 ton 168 2. Running program 2 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 51; testing : 16 ; forecasting : 4 MSE : 8,21 x 10-12 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 330,75 ton bulan 3 : 330,75 ton bulan 4 : 330,75 ton 169 3. Running program 3 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 55; testing : 14 ; forecasting : 1 MSE : 0,0000496 Hasil peramalan: bulan 1 : 331,35 ton bulan 2 : 330,76 ton bulan 3 : 330,77 ton bulan 4 : 330,76 ton 170 4. Running program 4 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 42; testing : 28 ; forecasting : 3 MSE : 0,0000889 Hasil peramalan: bulan 1 : 330,89 ton bulan 2 : 330,77 ton bulan 3 : 331,54 ton bulan 4 : 330,78 ton 171 5. Running program 5 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 66; testing : 20 ; forecasting : 1 MSE : 6,86 x 10-9 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 330,76 ton bulan 3 : 330,75 ton bulan 4 : 330,75 ton 172 6. Running program 6 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 54; testing : 20 ; forecasting : 1 MSE : 8,13 x 10-8 Hasil peramalan: bulan 1 : 330,77 ton bulan 2 : 330,75 ton bulan 3 : 330,75 ton bulan 4 : 330,75 ton 173 7. Running program 7 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 42; testing : 23 ; forecasting : 1 MSE : 0,0000286 Hasil peramalan: bulan 1 : 330,94 ton bulan 2 : 330,80 ton bulan 3 : 331,04 ton bulan 4 : 331,04 ton 174 8. Running program 8 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 54; testing : 22 ; forecasting : 2 MSE : 5,58 x 10-36 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 330,75 ton bulan 3 : 330,75 ton bulan 4 : 330,75 ton 175 9. Running program 9 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 42; testing : 28 ; forecasting : 3 MSE : 0,0000889 Hasil peramalan: bulan 1 : 330,89 ton bulan 2 : 330,77 ton bulan 3 : 331,54 ton bulan 4 : 330,78 ton 176 10. Running program 10 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 38; testing : 21 ; forecasting : 2 MSE : 1,03 x 10-13 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 330,75 ton bulan 3 : 330,75 ton bulan 4 : 330,75 ton 177 11. Running program 11 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 4; testing : 20 ; forecasting : 3 MSE : 0,00000464 Hasil peramalan: bulan 1 : 330,76 ton bulan 2 : 330,76 ton bulan 3 : 330,93 ton bulan 4 : 330,75 ton 178 12. Running program 12 Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 48; testing : 14 ; forecasting : 1 MSE : 0,0000966 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 331,18 ton bulan 3 : 330,83 ton bulan 4 : 331,46 ton 179 13. Running program 13 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 40; testing : 24 ; forecasting : 1 MSE : 0,0000292 Hasil peramalan: bulan 1 : 330,88 ton bulan 2 : 331,02 ton bulan 3 : 330,95 ton bulan 4 : 331,04 ton 180 14. Running program 14 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 29; testing : 22 ; forecasting : 5 MSE : 0,00000363 Hasil peramalan: bulan 1 : 330,76 ton bulan 2 : 330,80 ton bulan 3 : 330,76 ton bulan 4 : 330,90 ton 181 15. Running program 15 Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 61; testing : 30 ; forecasting : 2 MSE : 2,89 x 10-83 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 330,75 ton bulan 3 : 330,75 ton bulan 4 : 330,75 ton 182 16. Running program 16 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 40; testing : 12 ; forecasting : 1 MSE : 0,0000553 Hasil peramalan: bulan 1 : 330,93 ton bulan 2 : 331,33 ton bulan 3 : 330,90 ton bulan 4 : 330,83 ton 183 17. Running program 17 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 64; testing : 29 ; forecasting : 1 MSE : 0,0000114 Hasil peramalan: bulan 1 : 330,77 ton bulan 2 : 331,01 ton bulan 3 : 330,75 ton bulan 4 : 330,87 ton 184 18. Running program 18 Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 51; testing : 25 ; forecasting : 1 MSE : 0,00000195 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 330,75 ton bulan 3 : 330,75 ton bulan 4 : 330,87 ton 185 Lampiran 2 Hasil menjalankan program prediksi produksi jagung dengan JST pada MATLAB R2010a Run ke- Learning rate 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 0,5 Transfer function: logsig ; Training function: traincgb ; Goal : 0,0001 ; Epoch : 1000 Iterasi Forecast (ton/bulan) Hidden Training Testing Forecasting Mean Square Error 1 2 3 layer 10 10 10 8 8 8 12 12 12 10 10 10 8 8 8 12 12 12 77 136 419 69 163 173 92 231 12 88 100 77 66 56 43 59 37 69 2 3 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 3 1 4 4 5 4 2 1 1 2 2 1 3 2 1 2 4 6,17x 10^-23 0,0000981 0,00000246 0,0000517 3,4x10^-9 0,000002 0,00002 0,000000859 0,0000988 0,0000273 0,0000687 6,17 x10^-23 0,0000485 0,0000993 0,0000242 0,0000531 0,00005 0,0000993 115546 116634 115720 115951 115552 115644 115859 115648 116514 115818 115546 115546 115573 116441 116064 116261 116283 115946 115546 115680 115546 115935 115549 115647 115874 115562 115857 116045 115546 115546 116313 116121 115715 115917 115780 115926 115546 115560 115546 115882 115546 115594 115686 115549 115890 115622 115546 115546 115598 115765 115562 115585 115637 116226 4 115546 115562 115546 115999 115546 115597 115689 115549 115791 115619 115546 115546 115600 115737 115561 115577 115634 116218 Lampiran 15 Hasil menjalankan program prediksi permintaan tepung jagung dengan JST pada MATLAB R2010a Run ke1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 Transfer function: logsig ; Training function: traincgb ; Goal : 0,0001 ; Epoch : 1000 Iterasi Forecast (ton/bulan) Learning rate Hidden layer Training Testing Forecasting Mean Square Error 1 2 3 4 0,1 10 42 23 1 0,0000286 330,94 330,8 331,04 331,04 0,1 10 51 16 4 8,21x10^-12 330,75 330,75 330,75 330,75 0,1 10 55 14 1 0,0000496 331,35 330,76 330,77 330,76 0,1 8 42 28 3 0,0000889 330,89 330,77 331,54 330,78 0,1 8 66 20 1 6,86 x 10^-9 330,75 330,76 330,75 330,75 0,1 8 54 20 1 8,13 x 10^-8 330,77 330,75 330,75 330,75 0,1 12 42 23 1 0,0000286 330,94 330,8 331,04 331,04 0,1 12 54 22 2 5,58 x 10^-36 330,75 330,75 330,75 330,75 0,1 12 42 28 3 0,0000889 330,89 330,77 331,54 330,78 0,5 10 38 21 2 1,03 x 10^-13 330,75 330,75 330,75 330,75 0,5 10 4 20 3 0,00000464 330,76 330,76 330,93 330,75 0,5 10 48 14 1 0,0000966 330,75 331,18 330,83 331,46 0,5 8 40 24 1 0,0000292 330,88 331,02 330,95 331,04 0,5 8 29 22 5 0,00000363 330,76 330,8 330,76 330,9 0,5 8 61 30 2 2,89 x 10^-83 330,75 331,75 330,75 330,75 0,5 12 40 12 1 0,0000553 330,93 331,33 330,9 330,83 0,5 12 64 29 1 0,0000114 330,77 331,01 330,75 330,87 0,5 12 51 25 1 0,00000195 330,75 330,75 330,75 330,87