berdasarkan agregasi pendapat pakar 1)

ANALISA SISTEM

Korelasi 2) berdasarkan agregasi pendapat pakar 1)

berdasarkan penelitian/kajian

Jumlah penduduk (kota) Harga CPO dalam negeri

1. 1.

0,981 0,976 Jumlah penduduk (desa) Harga CPO internasional

2. 2.

0,972 Income perkapita total 3. Nilai tukar Rupiah

0,969 Income perkapita (kota) 4. Pajak CPO

0,968 Income perkapita (desa) 5. Total prod. CPO dlm. negeri

0,968 Luas tanaman kelapa sawit 6. Konsumsi CPO dunia

0,963 Total produksi CPO dlm. negeri 7. Pasokan ekspor CPO dunia

0,962 Konsumsi CPO dlm. negeri 8. Pasokan ekspor CPO Indonesia

0,960

Pajak CPO 9. Psk. eksp. M Grg. Indonesia

0,959 Nilai tukar Rupiah 10 Nilai eksp. M Grg. Indonesia

0,957 Harga CPO internasional 11. Nilai imp. M Grg. Indonesia

11.

0,956 Harga CPO dalam negeri 12. Konsumsi M Grg dlm negeri

12.

0,954 Harga Minyak Goreng Kelapa

Dalam Negeri 13. Konsumsi CPO dlm negeri

13.

0,953 Harga Minyak Goreng Kedele

Dalam Negeri 14. Pasokan CPO dlm negeri

14.

0,951

Konsumsi CPO dunia Kbth. Imp. CPO unt dlm negeri

15. 15.

0,948 Pasokan impor CPO dunia 16. Total prod. M.Grg dlm. negeri

16.

0,937 Pasokan ekspor CPO dunia 17. Income perkapita total

17.

Pasokan CPO dalam negeri

18.

Pasokan ekspor CPO Indonesia

19.

Kbth. Imp. CPO unt dlm negeri

20.

Total prod. M.Grg dlm. negeri

21.

Konsumsi M. Grg dlm negeri

22.

Pasokan eksp M. Grg Indonesia

23.

Nilai Eksp M. Grg Indonesia

24.

Nilai Imp. M.Grg Indonesia

25.

Tingkat inflasi rata-rata

26.

Harga BBM dalam negeri

27.

Harga TDL industri

28.

Tingkat suku bunga perbankan

29.

Catatan :

1) Urutan nomor mengikuti urutan prioritas (berdasarkan agregasi pakar dan koef. Korelasi) 2) Dihitung terhadap variable output

Variabel yang dipilih dan kemudian dilakukan uji korelasi untuk setiap variabel input terpilih terhadap variabel output (harga eceran minyak goreng kelapa sawit). Dari hasil uji korelasi, terdapat 2 variabel yang tidak akan digunan berdasarkan hasil pemilihan pakar. Seluruh proses pemilihan variabel penentu pembentuk harga eceran minyak goreng kelapa sawit diuraikan dalam Tabel 18.

Dalam penerapannya, variabel yang akan digunakan sebagai input bagi model peramalan, akan dipilih untuk variabel-variabel yang mempunyai koefisien korelasi diatas nilai 0,95.

Peramalan Harga

Model peramalan yang dibangun menggunakan metoda pendekatan Jaringan Syaraf Tiruan (JST – Artificial Neural Network) merupakan alat bantu (case tool) bagi para pengguna untuk memberikan keluaran hasil peramalan harga eceran minyak goreng kelapa sawit, dengan menggunakan variabel-variabel yang sudah ditentukan sebelumnya oleh para pakar. Model peramalan ini merupakan bagian penting dalam sistem deteksi dini yang ditujukan untuk memprediksi permasalahan minyak goreng yang akan timbul untuk beberapa waktu kedepan.

Arsitektur JST.

Dengan memperhatikan pola data yang ada, serta penelaahan berbagai putaka mengenai aplikasi model JST dalam berbagai macam keperluan, model JST yang akan digunakan untuk penelitian ini adalah JARINGAN PROPAGASI BALIK LAPISAN JAMAK (Multi-Layer Back Propagation Network). Secara hipotesis, struktur JST Propagasi Balik Lapisan Jamak dapat dilihat pada Gambar 35.

Proses JST merupakan hasil dari data histori yang dilatih untuk mendapatkan keluaran yang diinginkan. Dalam proses pelatihan, proses dilakukan secara berulang untuk memperoleh galat (error) yang diinginkan (paling minimum), sejalan dengan proses pembelajaran tersebut dalam proses JST dilakukan proses pengujian (testing)

dengan menggunakan pola data yang berbeda dan tidak digunakan secara berulang kali. Didalam penerapan model JST, data yang digunakan dibagi sesuai dengan kebutuhan tahapan pembelajaran dan pengujian. Pembagian ini dilakukan secara random sesuai dengan komposisi yang ditentukan.

Dengan mengambil data bulanan untuk setiap variabel (15 variabel) dari tahun 1989 sampai dengan tahun 2002, didapatkan 168 pola/pattern (dimana 1 pola terdiri atas 15 data). Dari jumlah pola data tersebut, akan dibagi fraksi, yaitu pola data untuk proses pembelajaran (training), dan untuk proses pengujian (testing).

Masukan InputLayer i Hidden Layer j Output Layer k Jaringan Propogasi Balik ... ... Keluaran Teacher

Gambar 34 Arsitektur Propagasi Balik JST.

Berdasarkan pola data yang ada, alur proses verifikasi model peramalan yang dikembangkan dalam penelitian ini dilakukan melalui beberapa pendekatan sebagai berikut :

Pola data (data pattern). Pola data yang digunakan untuk proses pembelajaran dan pengujian dibagi dalam 2 komposisi, yaitu :

• 70% untuk proses pembelajaran (118 pola data), dan 30% untuk proses pengujian (50 pola data),

• 80% untuk proses pembelajaran (135 pola data), dan 20% untuk proses pengujian (33 pola data),

Input layer terdiri atas neuron yang berjumlah sama dengan variabel yang teridentifikasi sebagai pembentuk harga, yaitu 15 neuron,

Hidden layer terdiri atas 21 neuron (Skapura, 1996) . Penentuan slab di hidden layer dilakukan secara trial and error dimulai dengan hidden layer dengan slab tunggal (1 slab), sampai dengan hiddenlayer dibagi dalam 3 slab yang masing-masing terdiri atas 7 neuron dengan fungsi aktivasi yang berbeda untuk mendapatkan hasil yang maksimal,

Output layer terdiri atas 3 neuron yang merepresentasikan hasil peramalan, yaitu : (1) peramalan harga minyak goreng selama 1 bulan ke depan; (2) peramalan harga minyak goreng selama 2 bulan ke depan; dan, (3) peramalan harga minyak goreng selama 3 bulan ke depan,

Fungsi aktivasi. Fungsi aktivasi akan digunakan pada proses pencarian bobot di hidden dan outputlayer, melalui:

• Fungsi aktivasi di hidden layer dilakukan secara trial and error, baik untuk 1 slab (tunggal) maupun untuk 3 slab. Fungsi aktivasi yang akan digunakan adalah fungsi Sigmoid Biner, fungsi Sigmoid Bipolar, fungsi Tanh, dan fungsi Gaussian.

• Fungsi aktivasi di output layer dilakukan secara trial and error. Fungsi aktivasi yang digunakan di output layer adalah fungsi Sigmoid Biner, Fungsi Sigmoid Bipolar, fungsi Tanh, dan fungsi Gaussian.

*_{Berdasarkan Skapura (1996), perhitungan jumlah neuron di}_hidden_layer_{digunakan formula:}

nh = ½ (ni + n0) + √ (nPt), dimana :

nh = jumlah neuron di hiddenlayer

ni = jumlah neuron di input layer

n0 = jumlah neuron di output layer

Normalisasi data. Dalam proses normalisasi data digunakan 3 rentang data (data range) untuk verifikasi, yaitu : rentang data (-1,0), rentang data (0,1), dan rentang data (-1,1). Rentang data tersebut digunakan untuk melihat penyebaran data yang ada dan cocok dengan model JST yang digunakan. Rentang data yang dipilih/cocok tergantung dari sebaran data yang diberikan oleh input data yang dipakai dalam proses JST.

Pola Pembelajaran. Metoda penentuan bobot menggunakan teknik pembelajaran terawasi (Supervised Training) yaitu suatu metoda penentuan bobot yang menggunakan sepasang kumpulan vektor, yaitu vektor pelatihan dan vektor target. Penentuan bobot didasarkan pada perbandingan antar vektor pelatihan dan target sampai output JST sesuai dengan targetnya (Marimin, 2005). Metoda ini menggunakan Teacher Signal Output, yaitu nilai keluaran akan dijadikan acuan untuk mendapatkan nilai bobot yang diinginkan. Selanjutnya, Jaringan Propagasi Balik melakukan proses pembelajaran atau perbaikan bobot yang ada dengan mengacu pada Teacher Signal Ouput tersebut.

Penerapan model JST dilakukan berdasarkan akurasi hasil peramalan yang diperoleh, dengan melihat nilai Mean Square Error (MSE) yang paling minimal serta nilai koefisien korelasi yang terbaik untuk proses pembelajaran dan pengujian.

Secara hipotesis, struktur JST yang dibangun secara lengkap (hiddenlayer terdiri atas 3 slab) dapat dilihat dalam Gambar 35.

Untuk mencari hasil peramalan yang paling maksimal sebagaimana yang diharapkan, proses verifikasi dilakukan berturut-turut atas dasar pola data, rentang data normalisasi, dan fungsi aktivasi (hiddenlayer dan outputlayer). MSE minimum dan nilai korelasi terbesar untuk setiap output, yaitu peramalan harga eceran minyak goreng kelapa sawit untuk bulan ke-1, bulan ke-2, dan bulan ke-3, merupakan dasar

bagi pemilihan struktur jaringan untuk keperluan pada tahap aplikasi rancangan model. 1 2 15 1 2 7 1 2 1 2 7 1 1 2 7 3 2 I J L K M N O X1 X2 Xi Xi=Oi Wji Wki Wli Ol Ok Oj Wmj Wmk Wml Wnj Wnk Wnl Woj Wok Wol Om On Oo

Simulasi Hasil pada Model Peramalan

Simulasi proses JST sebagai peramalan dilakukan dengan membagi pola data untuk proses pembelajaran dan pengujian menjadi 2 bagian, yaitu pola data (70/30) dan pola data (80/20) untuk mendapatkan kinerja pembelajaran dan pengujian terbaik.

Pola data pembelajaran/pengujian (70/30). Dengan menggunakan pola data (70/30) dilakukan beberapa simulasi dengan menggunakan rentang data (0,1), (-1,0), dan (-1,1) untuk beberapa variasi dari 4 fungsi aktivasi yang telah ditentukan sebelumnya.

Untuk rentang data (0,1), dari berbagai kombinasi fungsi aktivasi dapat dilakukan sebanyak 7 simulasi sebagaimana ditunjukan dalam Tabel 19.

Tabel 19 Simulasi model untuk pola data (70/30) dan rentang data (0,1)

Bulan 1 Bulan 2 Bulan3

Fung Aktivasi

MSE Pearson MSE Pearson MSE Pearson

Hd Out Training Testing Training Testing Training Testing Training Testing Training Testing Training Testing Mix SBn 0,0074 0,0088 0,9448 0,8519 0,0086 0,0070 0,9362 0,8834 0,0100 0,0137 0,9279 0,8364 G SBn 0,0096 0,0493 0,9279 0,6357 0,0136 0,0566 0,8977 0,5878 0,0150 0,1506 0,8879 0,2097 G SBp 0,0169 0,1004 0,8774 0,1062 0,108 0,0410 0,9239 0,0523 0,0177 0,0854 0,8768 0,1042 SBn SBn 0,0012 0,0007 0,9916 0,9889 0,0019 0,0028 0,9867 0,9786 0,0018 0,0125 0,9874 0,9450 SBn SBp 0,0061 0,0403 0,9560 0,5611 0,0080 0,0243 0,9452 0,6942 0,0063 0,0030 0,9559 0,7318 SBp SBn 0,0009 0,0007 0,9933 0,9886 0,0017 0,0028 0,9884 0,9749 0,0021 0,0113 0,9855 0,9570 SBp SBp 0,0043 0,0140 0,9689 0,6831 0,0097 0,0337 0,9311 0,4829 0,0077 0,0302 0,9460 0,5617 Catatan :

Mix = kombinasi (fungsi Sigmoid Biner, Gauss, dan Tanh). G = fungsi Gauss

SBn = fungsi Sigmoid Biner SBp = fungsi Sigmoid Bipolar

Secara hipotesis, bahwa proses pembobotan di hidden layer yang dibagi dalam 3 slab dan masing-masing mempunyai fungsi aktivasi yang berbeda diharapkan akan memberikan hasil peramalan yang paling optimal ternyata tidak terbukti. Dari hasil pengujian statistik pada setiap simulasi untuk rentang data (0,1),

MSE terkecil dan koefisien korelasi terbesar didapatkan pada pengujian untuk fungsi aktivasi sigmoid biner di hidden layer (dengan slab tunggal) dan output layer, walaupun terdapat kecenderungan MSE yang meningkat, dan koefisien korelasi yang menurun pada peramalan harga pada bulan ke-3.

Untuk rentang data (-1,0), dari berbagai kombinasi fungsi aktivasi hanya dapat dilakukan sebanyak 3 simulasi sebagaimana ditunjukan dalam Tabel 20, sedangkan skenario pengujian fungsi aktivasi lainnya tidak dapat ditampilkan karena program yang dibangun tidak dapat menampilkannya.

Tabel 20 Simulasi model untuk pola data (70/30) dan rentang data (-1,0)

Bulan 1 Bulan 2 Bulan3

Fung Aktivasi

MSE Pearson MSE Pearson MSE Pearson

Hd Out Training Testing Training Testing Training Testing Training Testing Training Testing Training Testing G SBp 0,0145 0,0529 0,8923 0,0038 0,0136 0,0179 0,9036 0,8425 0,0132 0,0539 0,9080 0,3707 SBn SBp 0,0081 0,0143 0,9394 0,8325 0,0117 0,0146 0,9125 0,8358 0,0107 0,0253 0,9212 0,7981 SBp SBp 0,0010 0,0028 0,9927 0,9418 0,0018 0,0057 0,9869 0,8967 0,0025 0,0089 0,9822 0,9238 Catatan :

G = fungsi Gauss SBn = fungsi Sigmoid Biner SBp = fungsi Sigmoid Bipolar

Dengan memperhatikan hasil pengujian statistik pada rentang data (-1,0), dari hasil MSE dan koefisien korelasi didapatkan bahwa pengujian menggunakan funsi aktivasi sigmoid bipolar di hidden layer (dengan slab tunggal) dan output layer memberikan hasil yang paling baik, walaupun secara statistik masih dibawah kinerja (performance) terbaik pada rentang data (0,1),

Untuk rentang data (-1,1), dari berbagai kombinasi fungsi aktivasi dapat dilakukan sebanyak 4 simulasi sebagaimana ditunjukan dalam Tabel 21, Seperti halnya pada rentang data (-1,0), untuk rentang data (-1,1) didapatkan hasil pengujian statistik terbaik untuk kombinasi fungsi aktivasi sigmoid bipolar di hiddenlayer (slab tunggal) dan di output layer, Hipotesa awal yang mengharapkan rentang data terpanjang (-1,1) memberikan hasil paling baik juga tidak terbukti, mengingat kinerja

funsi-fungsi aktivasi yang dapat dijalankan pada rentang data (-1,1) masih dibawah kinerja pengujian dari fungsi-fungsi aktivasi di hidden dan outputlayer pada rentang data (0,1), Tabel 21 Simulasi model untuk pola data (70/30) dan rentang data (-1,1)

Bulan 1 Bulan 2 Bulan3

Fung Aktivasi

MSE Pearson MSE Pearson MSE Pearson

Hd Out Training Testing Training Testing Training Testing Training Testing Training Testing Training Testing G SBn 0,4838 0,2819 0,6102 0,1632 0,1912 0,2848 0,5386 0,3309 0,4889 0,2918 0,5947 0,4062 SBn SBn 0,4754 0,2563 0,7290 0,7213 0,4802 0,2482 0,6952 0,6958 0,4764 0,2580 0,6971 0,6401 SBn SBp 0,0248 0,0951 0,9552 0,6770 0,0320 0,0624 0,9420 0,7833 0,0342 0,0926 0,9400 0,6924 SBp SBp 0,0064 0,0059 0,9883 0,9757 0,0124 0,0212 0,9779 0,9282 0,0156 0,0500 0,9722 0,9270 Catatan : G = fungsi Gauss SBn = fungsi Sigmoid Biner SBp = fungsi Sigmoid Bipolar

Pola data pembelajaran/pengujian (80/20), Sebagaimana pada proses sebelumnya, dengan menggunakan pola data (80/20) dilakukan beberapa simulasi proses pembelajaran dan pengujian dengan menggunakan rentang data (0,1), (-1,0), dan (-1,1) untuk beberapa variasi dari 4 fungsi aktivasi yang telah ditentukan,

Untuk rentang data (0,1), dari berbagai kombinasi fungsi aktivasi dapat dilakukan sebanyak 4 simulasi sebagaimana ditunjukan dalam Tabel 22,

Tabel 22 Simulasi model untuk pola data (80/20) dan rentang data (0,1)

Bulan 1 Bulan 2 Bulan3

Fung Aktivasi

MSE Pearson MSE Pearson MSE Pearson

Hd Out Training Testing Training Testing Training Testing Training Testing Training Testing Training Testing G SBn 0,0115 0,0533 0,9118 0,7929 0,0118 0,0571 0,9123 0,7818 0,0114 0,0554 0,9165 0,7325 Mix SBn 0,0115 0,0120 0,9109 0,8615 0,0160 0,0099 0,8737 0,8973 0,0133 0,0079 0,8985 0,8411 SBn SBn 0,0015 0,0026 0,9883 0,9889 0,0022 0,0031 0,9841 0,9578 0,0021 0,0032 0,9848 0,9169 SBp SBn 0,0015 0,0020 0,9888 0,9856 0,0028 0,0029 0,9797 0,9514 0,0036 0,0035 0,9744 0,9099 Catatan :

Mix = kombinasi (fungsi Sigmoid Biner, Gauss, dan Tanh), G = fungsi Gauss

SBn = fungsi Sigmoid Biner SBp = fungsi Sigmoid Bipolar

Dari berbagai kombinasi fungsi aktivasi yang digunakan pada rentang data (0,1), kombinasi fungsi sigmoid biner pada hiddenlayer dan ouput layer menunjukan kinerja yang tinggi dibandingakan dengan fungsi-fungsi lainnya, Jika dibandingkan dengan kinerja statistik fungsi aktivasi sigmoid biner pada rentang data yang sama untuk pola data (70/30), kinerja statistik fungsi ini pada rentang data (0,1) pada pola data (80/20) menunjukan masih lebih baik terutama pada hasil statistik yang ditunjukan pada hasil peramalan untuk bulan ke-2 dan bulan ke-3,

Pada pola data (80/20) ini juga ditunjukan bahwa hipotesis yang mengharapkan kombinasi fungsi aktivasi pada hidden layer yang terdiri atas 3 slab akan memberikan hasil yang terbaik juga tidak terbukti, Hasil pengujian statistik untuk kombinasi 3 fungsi aktivasi pada 3 slab yang berbeda (sigmoid biner, Gauss, dan Tanh) pada hiddenlayer dan outputlayer masih lebih rendah dibandingkan hasil pengujian untuk fungsi aktivasi pada slab tunggal (sigmoid biner) pada rentang data (0,1),

Untuk rentang data (-1,0), dari berbagai kombinasi fungsi aktivasi hanya dapat dilakukan sebanyak 1 simulasi sebagaimana ditunjukan dalam Tabel 23, sedangkan fungsi-fungsi aktivasi lainnya tidak dapat ditampilkan oleh program,

Tabel 23 Simulasi model untuk pola data (80/20) dan rentang data (-1,0)

Bulan 1 Bulan 2 Bulan3

Fung Aktivasi

MSE Pearson MSE Pearson MSE Pearson

Catatan :

Mix = kombinasi (fungsi Sigmoid Biner, Gauss, dan Tanh), SBp = fungsi Sigmoid Bipolar

Hasil statistik yang dihasilkan oleh kombinasi fungsi aktivasi pada hidden layer dan fungsi aktivasi sigmoid bipolar pada output layer tidak menunjukan hasil yang baik bila dibandingkan dengan hasil pengujian untuk fungsi aktivasi yang sama pada pola data dan rentang data yang lainnya, Hasil yang didapatkan kurang

memenuhi persyaratan yang diinginkan, khususnya pada koefisien korelasi yang didapatkan untuk hasil peramalan pada bulan ke-3,

Untuk rentang data (-1,1), dari berbagai kombinasi fungsi aktivasi dapat dilakukan sebanyak 2 simulasi sebagaimana ditunjukan dalam Tabel 24,

Tabel 24 Simulasi model untuk pola data (80/20) dan rentang data (-1,1)

Bulan 1 Bulan 2 Bulan3

Fung Aktivasi

MSE Pearson MSE Pearson MSE Pearson

Hd Out Training Testing Training Testing Training Testing Training Testing Training Testing Training Testing Mix SBp 0,0084 0,0094 0,9351 0,9025 0,0128 0,0161 0,9005 0,7839 0,0128 0,0208 0,9023 0,7109 SBn SBp 0,0245 0,0728 0,9529 0,6155 0,0330 0,0985 0,9379 0,3367 0,0255 0,0759 0,9533 0,3615 SBp SBn 0,4998 0,1352 0,7250 0,7808 0,4977 0,1336 0,6891 0,7636 0,4956 0,1338 0,6433 0,7829 Catatan :

Mix = kombinasi (fungsi Sigmoid Biner, Gauss, dan Tanh), SBn = fungsi Sigmoid Biner

SBp = fungsi Sigmoid Bipolar

Sebagaimana pada pola data (70/30), asumsi rentang data (-1,1) akan memberikan hasil terbaik tidak dapat dibuktikan kembali, dari beberapa kombinasi fungsi aktivasi pada rentang data ini hasil pengujian statistik yang didapatkan masih sangat jauh dari memenuhi dibandingkan dengan pengujian pada rentang data yang lainnya,

Penentuan Keadaan Krisis

Proses penentuan keadaan kritis dilakukan menggunakan model heuristik yang ditujukan untuk menentukan rentang batas ambang harga minyak goreng kelapa sawit yang dapat diterima oleh pihak konsumen (masyarakat), dan pihak industri agar dapat tetap dapat beroperasi,

Dalam menentukan batas ambang atas (maksimum) yang ditujukan untuk mengukur tingkat/ batas kemampuan maksimum konsumen mengkonsumsi minyak goreng dalam bulan tertentu dilakukan dengan cara menghitung berdasarkan parameter-parameter pendapatan perkapita, tingkat inflasi rata-rata, angka per-

tumbuhan ekonomi, dan tingkat konsumsi rata-rata bulanan pembelian minyak goreng untuk masing-masing bulan yang besangkutan, Sedangkan untuk penentuan batas ambang bawah, penentuan batas kemempuan industri minyak goreng masih dapat beroperasi, diukur dari marginal profit Industri, Parameter yang dibutuhkan adalah harga CPO dalam negeri,

Untuk mempermudah para pengguna, pada sub-model penentuan kritis dirancang fasilitas dialog yang digunakan untuk memasukan parameter-parameter input untuk menentukan batas ambang atas dan batas ambang bawah yang dimaksud, Dengan demikian, nilai batas ambang atas dan bawah untuk prediksi 3 bulan kedepan diharapkan dapat lebih akurat, dan parameter-parameter tersebut dapat diubah sesuai dengan perkembangan keadaan yang terkini,

Manajemen Pengendalian Krisis

Sub-Model Manajemen pengendalian krisis dirancang dalam suatu sistem pakar, sistem ini dirancang dengan menggunakan fasilitas dialog yang merupakan alat konsultasi/dialog yang berfungsi sebagai sarana interaksi antar pengguna dalam menentukan kebijakan pengendalian krisis, Sistem pakar akan menampilkan kotak dialog yang meruapan tahapan diskusi yang berupa pertanyaan-pertanyaan dan nilai parameter yang haris dijawab oleh para pengguna, Keluaran sistem pakar ini berupa solusi/pemecahan masalah

Sistem pakar ini dirancang melalui pengorganisasian pengetahuan yang menggunakan sumber pengetahuan dari para pakar (pakar perdagangan internasional, pakar perdagangan dalam negeri, pakar perindustrian, dan peneliti dalam bidang kelapa sawit), serta studi pustaka, Sistem pakar disusun secara 2 tahap, tahap pertama meyusun solusi penanganan kritis, dan kedua melakukan penyusunan langkah tindakan/penanganan (kebijakan),

Dalam tahapan penyusunan solusi penanganan krisis yang dilakukan oleh para pakar pada mingggu ke-2 bulan Mei 2006 bertempat di Departemen Perindustrian – Jakarta, terjadi perdebatan yang cukup panjang mengenai makna strata setiap kotak pada lajur mendatar (dampak), dan kolom kebawah (kepentingan), Dari hasil diskusi yang dilakukan, disepakati untuk memodifikasi Matriks Perihal menurut Eriyatno (2001), Berdasarkan Keeney at all (1998) mengenai orientasi pemikiran yang memberikan nilai tambah (Value-Focused Thinking) dimana orientasi utama dari suatu keputusan didasarkan atas nilai (value) dari keputusan pertama yang diambil, kemudian baru disusun alternatif solusi untuk pencapaian tujuan yang sama.

Dari hasil diskusi tersebut, dalam melakukan modifikasi matriks perihal para pakar menyepakati beberapa ketentuan sebagai berikut :

1) Dampak (lajur mendatar). Strata penilaian solusi terhadap dampak diukur berdasarkan atas dampak sosial dan ekonomi yang ditimbulkan kepada masyarakat, Makin tinggi klasifikasi yang diberikan, maka makin tinggi resiko dampak yang akan diberikan kepada masyarakat, Dengan demikian, orientasi dari penilaian dampak ini adalah bagaimana dapat me-minimumkan (how to minimize) dampak sosial dan ekonomi suatu solusi kebijakan terhadap masyarakat,

2) Kepentingan (kolom menurun). Strata penilaian terhadap kepentingan diukur berdasarkan atas manfaat yang dapat diterima masyarakat akibat dari satu kebijakan, Makin mendesak tingkat kepentingan yang di identifikasi, makin besar manfaat yang dapat diterima oleh masyarakat, Orientasi penilaian kepentingan adalah bagaimana memaksimumkan (how to maximize) manfaat yang diperoleh masyarakat dari suatu kebijakan yang diambil pemerintah,

Dengan demikian, modifikasi posisi tindakan segera yang semula berada pada posisi (mendesak, tinggi) berubah menjadi posisi (mendesak, rendah), Matriks perihal

g1ini akan digunakan sebagai penentuan strategi/solusi manajemen kritis perniagaan minyak goreng kelapa sawit secara nasional,

Langkah selanjutnya adalah menentukan tingkat kepentingan/manfaat dan dampak sosial-ekonomi yang berada pada lajur mendatar dan kolom menurun tersebut, Untuk penentuan ini dibutuhkan parameter-parameter yang dapat dijadikan ukuran intensitas, yaitu seberapa besar dampak dan manfaat yang akan diterima masyarakat akibat munculnya satu kebijakan diukur sebagai berikut :

A. Ukuran Dampak :

1) Dampak terhadap ketergantungan CPO dalam negeri 2) Dampak terhadap efisiensi dan sistem produksi industri

minyak goreng nasional

3) Dampak terhadap harga minyak goreng dalam dan luar negeri 4) Dampak terhadap iklim investasi, perekonomian, dan sosial-

politik nasional

5) Dampak terhadap sistem distribusi, pemasaran, dan keamanan pasokan minyak goreng

B. Ukuran Manfaat :

1) Manfaat terhadap ketergantungan CPO dalam negeri 2) Manfaat terhadap efisiensi dan sistem produksi industri

minyak goreng nasional

3) Manfaat terhadap harga minyak goreng dalam dan luar negeri 4) Manfaat terhadap iklim investasi, perekonomian, dan sosial-

politik nasional

5) Manfaat terhadap sistem distribusi, pemasaran, dan keamanan pasokan minyak goreng

Masing-masing dampak dan manfaat dibagi dalam 3 tingkat penilaian, Untuk ukuran dampak yang ditimbulkan, tingkat penilaian tersebut adalah : Rendah, Sedang, dan

Tinggi, Sedangkan untuk tingkat kepentingan/manfaat kebijakan pada masyarakat tingkat penilaiannya adalah : Rendah, Ada, dan Mendesak,

Dengan melakukan serangkaian diskusi, para pakar kemudian menentukan kebijakan atau strategi penanggulangan masalah untuk setiap kotak permasalahan sebagaimana dalam matriks perihal, Berdasarkan diskusi tersebut, tindakan ’mendesak’ dengan resiko rendah yang disarankan pakar pada keadaan krisis adalah pengaturan pajak ekspor yang merupakan instrumen pemerintah secara langsung menyentuh sektor usaha. Sedangkan solusi tindakan yang mempunyai kepentingan terendah dan berdampak rendah masyarakat adalah penelitian dan pengembangan (research and development) alternatif minyak goreng kelapa sawit yang layak dari aspek harga dan mutu,

Secara singkat strategi/solusi penanganan krisis untuk perniagaan minyak goreng kelapa sawit dapat ditunjukan dalam Tabel 25,

Tabel 25 Matriks Perihal Solusi Krisis

DAMPAK

Dalam dokumen Rekayasa model sistem deteksi dini perniagaan minyak goreng kelapa sawit (Halaman 122-136)