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
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.
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
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
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.
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 & Analysis18. 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.
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: Teknik dan Aplikasinya. Yogyakarta: Penerbit Graha Ilmu.
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.
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 Review31 (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 :979-756-061-6Yogyakarta.
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.
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 Sciences35 (2) : 205-237.
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
industri berbasis jagung
Adalah jaringan perusahaan-perusahaan dalam rantai pasok yang secara bersama bekerja untuk menciptakan produk yang 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 untuk 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
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 racun hasil metabolisme cendawan
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
Lampiran3 Langkah-langkah penggunaan MINITAB 14 peramalan data kausal
1. Masukkan data input ke dalam Worksheet: C1, C2, ..., Cn
3. Pilih Regression
4. Klik Regression
- Masukkan variabel response - Masukkan variabel predictors
Lampiran 4 Peramalan Produksi Jagung dengan MINITAB Release 14
Data luas panen, curah hujan, produksi jagung Jawa Tengah
Tahun 2010 Luas Panen (ha) Curah Hujan (mm) 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
Regression Analysis: PRODUKSI JGNG versus LUAS PANEN; CURAH HUJAN
The regression equation is
PRODUKSI JGNG = 180508 + 0,693 LUAS PANEN - 378 CURAH HUJAN
Predictor Coef SE Coef T P Constant 180508 20432 8,83 0,000 LUAS PANEN 0,6927 0,4634 1,49 0,169 CURAH HUJAN -377,9 117,4 -3,22 0,010 S = 33419,1 R-Sq = 57,1% R-Sq(adj) = 47,6% Analysis of Variance Source DF SS MS F P Regression 2 13379618390 6689809195 5,99 0,022 Residual Error 9 10051497884 1116833098 Total 11 23431116274
Prediksi Produksi Jagung Jawa Tengah Tahun 2011
Bulan Luas panen (ha) Curah hujan (mm) Produksi (ton) Januari 70000 150 172318,00 Februari 125500 250 172979,50 Maret 52525 150 160207,83 April 30100 100 163567,30
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)
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)
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