Bab II TINJAUAN PUSTAKA
2.12 Jaringan Syaraf Tiruan ( Artificial Neural Network )
adalah kumpulan konsep dan ide yang berkaitan dengan perkembangan sistem cerdas yang areanya meliputi hal-hal sebagai berikut : sistem pakar, jaringan saraf tiruan, logika fuzzy, machine learning, algoritma genetika, robotik, pemrosesan bahasa alami, speech understanding, playing game dan computer vision.
Menurut Faucett (1994), Jain (1998) dan Kahforoushan (2010), jaringan syaraf tiruan (JST) adalah suatu sistem pemrosesan informasi yang memiliki karakteristik performansi khusus yang dapat disamakan dengan cara kerja jaringan syaraf manusia. JST telah dikembangkan sebagai upaya generalisasi permodelan matematika dari kesadaran atau dari jaringan syaraf manusia, dengan asumsi sebagai berikut :
1. Informasi diproses pada banyak elemen yang disebut sel syaraf (neuron). 2. Sinyal bergerak diantara sel syaraf yang satu dengan sel syaraf lainnya
melalui sambungan penghubung.
3. Setiap sambungan penghubung memiliki suatu bobot terkait, bobot tersebut melipatgandakan sinyal yang ditransmisikan.
4. Setiap sel syaraf menerapkan fungsi aktivasi yang biasanya tidak linier terhadap masukan (input). Fungsi aktivasi mentransformasikan penjumlahan
sinyal berbobot yang masuk untuk menentukan sinyal keluaran (output).
Menurut paralel dan mempunyai kecenderungan untuk menyimpan pengetahuan yang didapatkannya dari pengalaman dan membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai kerja otak dalam dua hal di bawah ini :
1. Pengetahuan diperoleh oleh jaringan melalui suatu proses belajar.
2. Kekuatan hubungan antar sel saraf yang dikenal dengan bobot sinapsis digunakan untuk menyimpan pengetahuan.
Menurut Jain (1998), Bhadeshia (2009) dan Rahman (2010), JST tidak menggunakan sistem permodelan matematika tetapi mempelajari perilaku sistem dengan menggunakan sistem input-output data, karena itu jaringan syaraf tiruan memiliki kemampuan melakukan suatu proses perumuman (generalization) yang efektif untuk menangani masalah yang tidak linier. Menurut Munakata (2008), suatu JST merupakan abstraksi dari model otak manusia. Otak manusia diperkirakan memiliki 1011 sel syaraf yang disebut neuron. Sel syaraf tersebut dihubungkan oleh sekitar 1015 sambungan. Jaringan saraf pada otak manusia dipandang sebagai fungsi dasar dari sumber kecerdasan yang mencakup persepsi, pengetahuan dan pembelajaran.
Suatu ilustrasi yang terkait dengan susunan syaraf pada manusia diperlihatkan pada Gambar 19. Gambar tersebut adalah gambar susunan sebuah sel syaraf manusia dengan berbagai komponennya seperti inti sel (nucleus), dendrite, badan sel dan axon.
Gambar 19. Susunan Syaraf Pada Manusia (Enchanted, 2011)
Setiap sel syaraf (neuron) memiliki suatu inti sel (nucleus), inti sel
tersebut bertugas untuk melakukan pemrosesan informasi. Informasi yang datang diterima oleh dendrit. Informasi hasil olahan tersebut akan menjadi masukan bagi neuron lain, di mana antar dendrit ke dua sel tersebut dipertemukan melalui
sinapsis. Informasi yang dikirimkan antar sel syaraf tersebut berupa rangsangan atau sinyal yang dilewatkan melalui dendrit. Informasi yang datang dan diterima
oleh dendrit akan dijumlahkan dan dikirim melalui axon ke dendrit akhir yang
bersentuhan dengan dendrit dari sel syaraf yang lain. Jika memenuhi batasan
tertentu, yang dikenal dengan nama nilai ambang (threshold) maka informasi ini
akan diterima oleh sel syaraf lain (Kusumadewi, 2003).
Lebih lanjut menurut Kusumadewi (2003), arsitektur JST terdiri dari jaringan dengan lapisan tunggal (single layer net) dan jaringan dengan banyak lapisan (multilayer net). Jaringan dengan banyak lapisan memiliki satu atau lebih jaringan tersembunyi (hidden layer) yang terletak di antara lapisan masukan dan lapisan keluaran. Jaringan dengan banyak lapisan tersebut dapat menyelesaikan permasalahan yang lebih sulit daripada jaringan dengan lapisan tunggal. Ilustrasi tersebut dapat dilihat pada Gambar 20.
Menurut Smith (1999) dan Kahfourushan (2010), struktur JST yang sering digunakan berbentuk jaringan dengan tiga lapisan yang disebut dengan lapisan masukan, lapisan tersembunyi dan lapisan keluaran. Garis antara node
menunjukkan aliran informasi dari satu node ke node berikutnya. Pada JST seperti ini, aliran informasi hanya bergerak dari masukan menuju keluaran. Struktur tersebut diperlihatkan pada Gambar 21.
Menurut Krose (1996) proses pembelajaran dalam JST terbagi menjadi dua bagian, sebagai berikut :
a. Terawasi (supervised learning) yaitu pembelajaran dengan cara memberikan
pasangan masukan dan keluaran yang sesuai terhadap suatu jaringan. Proses pembelajaran tersebut dapat dilihat pada Gambar 22.
b. Tidak terawasi (unsupervised learning) yaitu pembelajaran dimana suatu
unit keluaran dilatih untuk merespon sekelompok pola masukan.
Gambar 20. Jaringan Syaraf Tiruan Banyak Lapisan (Kusumadewi, 2003).
Gambar 22. Pembelajaran Jaringan Syaraf Tiruan Terawasi (Neuro AI, 2011). Menurut Faucett (1994), contoh metode pembelajaran untuk JST yang masuk ke dalam kategori pembelajaran terawasi adalah metode Hebb Rule, Perceptron, Delta rule dan Backpropagation, sedangkan menurut Jain (1998) dan
Patuelli (2006), JST banyak lapisan backpropropagation adalah jaringan dengan pembelajaran terawasi yang paling banyak dipergunakan. Menurut Munakata (2008), terdapat sejumlah kelebihan dan kekurangan dari penggunaan JST. Kelebihan dari penggunaan JST adalah sebagai berikut :
1. Kemampuan jaringan untuk belajar, dengan cara menyesuaikan bobot mereka untuk setiap proses pembelajarannya.
2. Kehandalan, jaringan saraf dapat menangani sejumlah noise pada input, bahkan jika bagian dari jaringan saraf rusak (sama seperti kerusakan otak secara parsial), jaringan seringkali masih dapat melakukan tugas sampai batas tertentu.
3. Generalisasi, suatu JST dapat menangani pola baru yang sama dengan pola belajar.
4. Nonlinier, masalah nonlinear sulit untuk diselesaikan secara matematis tetapi jaringan syaraf dapat menangani masalah tersebut selama jaringan dapat mempelajari pola non-linearitas tersebut.
Menurut Rurkhamet (1998), terdapat nilai lebih dan nilai kurang dari prakiraan dengan metode JST dibandingkan dengan metode regresi. Perbandingan kelebihan dan kekurangan dari ke dua metode tersebut dapat dilihat pada Tabel 9.
Tabel 9. Perbandingan Prakiraan Antara Metode JST dan Regresi
Prediksi Nilai Lebih Nilai Kurang
Metode Regresi 1. Mudah digunakan
2. Hasil lebih mudah untuk
diinterpretasikan
1. Jumlah variable terbatas
2. Tidak sesuai untuk data non-linear
tingkat tinggi.
3. Hanya data numerik yang dapat
diolah
Metode JST 1. Mampu menangani banyak
variabel
2. Jumlah variable tidak terbatas
dan lebih banyak dimensi data
3. Perilaku data dapat diketahui
tanpa mengidentifikasi sebagai masukan
4. Kecenderungan hasil lebih
akurat
5. Mampu beradaptasi pada saat
parameter atau data diubah
1. Periode pelatihan yang tepat tidak
dapat diperkirakan
2. Metode JST berbeda memberikan
hasil yang berbeda yang mengakibatkan ketidakpastian untuk mendapatkan solusi terbaik.
3. Dapat menyebabkan kondisi yang
tidak stabil.
4. Lebih sulit dan rumit untuk
diterapkan
5. Sulit untuk menjelaskan mengapa
dan bagaimana jaringan syaraf dapat menyelesaikan masalah (Rurkhamet, 1998)
Selain JST memiliki banyak kelebihan, JST juga memiliki beberapa kekurangan sebagai berikut (Munakata, 2008) :
1. Jaringan belum benar-benar dapat meniru cara kerja otak manusia sehingga masih perlu pengkajian dan pengembangan.
2. Setelah jaringan dilatih untuk mempelajari suatu pola, bobot yang dihasilkan tidak memberikan informasi yang jelas. Seperti terjadi pada otak manusia, walau otak bekerja dengan kecerdasan tingkat tinggi, tetapi ketika otak dilihat secara phisiology, yang terlihat hanya lalu lintas sinyal
elektrokimia saja.
3. Proses perhitungan seringkali memakan waktu lama, tetapi ketika jaringan sudah terlatih, dia dapat dipergunakan untuk memahami dan memperkirakan suatu pola yang sudah dipelajarinya.
4. Peningkatan skala (scaling-up) suatu jaringan syaraf tidak mudah. Misal
jaringan dengan input 100 neuron sudah terlatih, tetapi apabila input neuron ditingkatkan menjadi 101, maka proses pelatihan dimulai dari awal kembali.
Backpropagation
Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan (multy layer perceptron) (Patuelli, 2006). Algoritma backpropagation menggunakan galat keluaran untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Error output ini diperoleh setelah tahap perambatan maju (forward propagation)
dikerjakan. Pada saat perambatan maju, sel-sel syaraf diaktifkan dengan menggunakan fungsi aktivasi Sigmoid Biner atau Sigmoid Bipolar. Arsitektur JST backpropagation diperlihatkan pada Gambar 23, sedangkan algoritma dari JST
mengacu pada Faucett (1994), Munakata (2008) dan Seminar (2010).
Gambar 23. Arsitektur JST Backpropagation
Menurut Faucett (1994), Munakata (2008) dan Seminar (2010) algoritma
Backpropagation dimulai dari tahap inisialisasi bobot, tahap perambatan maju
(feedforward propagation), tahap perambatan mundur (back propagation) dan tahap perbaikan bobot. Secara lebih rinci, algoritma jaringan syaraf tiruan
2.13 TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) Menurut Lotfi (2007) dan Sachdeva et al. (2009), TOPSIS merupakan salah satu metode untuk penyelesaian permasalahan Multi-Attribute Decision Making (MADM). Secara lebih rinci, algoritma TOPSIS dapat dilihat pada Lampiran 3. Prosedur TOPSIS mengikuti langkah-langkah sebagai berikut (Jahanshahloo, 2006; Mahmoodzadeh et al., 2007 dan Karimi et al., 2009) :
1. Membuat matriks keputusan yang ternormalisasi
2. Membuat matriks keputusan yang ternormalisasi terbobot
3. Menentukan matriks solusi ideal positif dan matriks solusi ideal negatif
4. Menentukan jarak antara nilai setiap alternatif dengan matriks solusi ideal positif dan matriks solusi ideal negatif
5. Menentukan nilai preferensi untuk setiap alternatif
Metode yang didasarkan pada metode TOPSIS (technique for order preference by similarity to ideal solution) banyak dipergunakan dalam proses
memilih sesuatu hal dari berbagai alternatif dan berbagai kriteria, seperti dipergunakan oleh Chakladar (2008) untuk memilih proses non traditional machining (NTM) yang paling sesuai untuk suatu logam dengan spesifikasi kerja tertentu. Kannan et al. (2009) memanfaatkan TOPSIS untuk memilih pihak penyedia logistik balik (third-party reverse logistics providers) untuk industri batu batre di India, sementara Yong (2006) memanfaatkan TOPSIS untuk memilih lokasi pabrik yang sangat penting peranannya dalam melakukan penghematan biaya dan memaksimumkan sumber daya yang dimiliki oleh suatu perusahaan.
TOPSIS dalam penelitian ini dimanfaatkan untuk memilih pemasok beras dari berbagai alternatif pemasok beras yang akan memasok ke PIBC dengan berbagai kriteria yang ditentukan. Alternatif pemasok beras dapat diperoleh dari para pemasok beras yang selama ini telah memasok beras ke PIBC seperti dari kabupaten Subang, Indramayu, Cirebon, Cianjur dan Bandung. Kriteria yang berhubungan dengan perberasan yang dapat digunakan untuk diproses dengan metode TOPSIS, baik kriteria yang didasarkan kepada kebiasaan di PIBC maupun kriteria yang didasarkan pada SNI No. 01-6128-1999, adalah sebagai berikut :
1. Harga (price) adalah harga beras yang berlaku di PIBC, misal untuk suatu jenis beras tertentu, harga 1 kg = Rp. 6.000,-, berarti sasarannya (goal) semakin murah semakin baik, sehingga sasaran yang dituju adalah minimal. 2. Warna (colour) adalah warna beras yang cukup menentukan dalam
pengambilan keputusan pada suatu transaksi beras di PIBC. Semakin putih biasanya semakin baik, ukuran warna dapat dikategorikan dalam bentuk skala likert 1 – 5. Jadi pilihannya adalah 5 = putih jernih, 4 = putih, 3 = cukup putih, 2 = kurang putih, 1 = buram, (sasaran: maksimum).
3. Waktu pengantaran (delivery time) adalah ukuran yang dihitung berdasarkan
waktu ketepatan pengantaran beras dari pemasok sampai masuk ke PIBC. Semakin tepat semain baik, jadi ukurannya dapat dihitung dalam persentase, misal 99%, 97% dst, (sasaran : maksimum).
4. Jumlah pasokan (quantity) adalah ukuran yang didasarkan pada kemampuan
pasokan yang tersedia dari pemasok, sehingga ukurannya dapat dinyatakan dalam skala likert, seperti 5 = jumlah pasokan berlebih, 4 = jumlah pasokan cukup memadai, 3 = jumlah pasokan kurang, 2 = jumlah pasokan sangat sedikit, 1 = jumlah pasokan tidak ada, sehingga semakin besar jumlah pasokan beras yang dapat disediakan pemasok, semakin baik, (sasaran : maksimum). 5. Butir patah adalah ukuran banyaknya butir beras yang patah pada suatu
volume beras tertentu. Hal ini dapat diukur berdasarkan persentase, misal 0% untuk mutu beras yang paling bagus, 5% untuk mutu beras II, 15% untuk mutu beras III, 25% untuk mutu IV dan 35% untuk mutu beras V, sehingga semakin kecil persentase butiran beras patah tentu semakin baik, (sasaran : minimum).
6. Kadar air adalah banyak kandungan air yang terdapat pada butiran beras. Ukurannya dapat dihitung berdasarkan persentase, misalnya kadar air 14% untuk beras mutu I sampai dengan mutu beras IV dan kadar air 15% untuk beras mutu V, sehingga semakin kecil persentase kadar air dalam beras tentu akan semakin baik, (sasaran : minimum).
7. Butir menir adalah ukuran butiran beras yang kecil dan tidak utuh. Hal tersebut biasa dihitung berdasarkan persentase, misal butir menir 0% untuk beras mutu I dan II, 1% untuk beras mutu III, 2% untuk beras mutu IV dan 5%
untuk beras mutu V, sehingga semakin kecil persentase beras menir tentu semakin baik, (sasaran: minimum).
8. Derajat sosoh adalah ukuran yang dihitung berdasarkan persentase, misalnya 100% untuk mutu beras kualitas I sampai dengan III, 95% untuk beras mutu IV dan 85% untuk beras mutu V, sehingga semakin besar derajat sosoh beras, hasilnya semakin baik, (sasaran : maksimum).
9. Benda asing lain adalah ukuran banyaknya benda selain beras seperti pasir. Hal tersebut dihitung berdasarkan persentase, misal benda asing 0% pada beras, berarti beras tersebut memiliki mutu I dan II dan apabila benda asing sebesar 0.02%, berarti beras tersebut memiliki mutu III, sehingga semakin kecil persentase benda asing pada beras tentu semakin baik, (sasaran : minimum).
10.Fleksibilitas pemasok adalah kemampuan manajerial pemasok beras dalam menghadapi permasalahan transaksi usaha dengan pihak lain. Fleksibilitas dapat diukur berdasarkan skala likert, 5 = sangat fleksibel, 4 = fleksibel, 3 = cukup fleksibel, 2 = kurang fleksibel, 1 = tidak fleksibel, (sasaran : maksimum).
2.14 VRP (Vehicle Routing Problem)
Menurut Yeun, et al (2008), vehicle routing problem (VRP) memegang peranan sangat penting dalam pendistribusian dan masalah logistik. Yeun, et al
(2008), selanjutnya mendefinisikan VRP sebagai persoalan bagaimana mendapatkan rute yang optimum dalam mengantarkan sejumlah barang dari satu atau beberapa depot ke sejumlah kota atau pelanggan dengan kendala tertentu. VRP adalah nama generik yang diberikan kepada seluruh masalah yang terkait dengan sejumlah rute untuk sejumlah armada kendaraan yang harus ditentukan untuk sejumlah kota atau pelanggan yang terpisah secara geografis yang didasarkan pada satu atau beberapa depot pengisian. Menurut Osman (1993), penyelesaian masalah rute dengan VRP mampu menurunkan biaya transportasi antara 6% sampai 15%, sedangkan menurut Toth (2001) penghematan biaya transportasi tersebut berada di antara 5% sampai 20%. Tujuan dari VRP adalah untuk menyampaikan sejumlah permintaan pelanggan yang diketahui dengan
biaya minimum pada rute yang berasal dan berakhir pada suatu depot (Diaz, 2011).
VRP adalah masalah matematika kombinatorial yang didasarkan pada konsep graf G (V, E). Formulasi matematika yang dipergunakan untuk masalah VRP tersebut menurut Osman (1993), Yeun, et al (2008) dan Diaz (2011)
o Depot di posisikan di .
adalah sebagai berikut :
adalah himpunan simpul (vertex), dimana :
o Tetapkan digunakan sebagai himpunan kota.
• adalah himpunan busur.
• adalah matriks bukan negatip (non-negative) berupa biaya atau jarak
antara pelanggan dan .
• adalah suatu vektor permintaan pelanggan.
• adalah rute untuk kendaraan .
• adalah jumlah atau kendaraan (semuanya sama). Satu rute ditugaskan untuk masing-masing kendaraan.
Pada saat untuk semua , permasalahan disebut sebagai
persoalan simetris dan diganti dengan himpunan . Dengan setiap simpul
Dengan demikian VRP adalah menentukan satu himpunan rute kendaraan dengan biaya minimal, mulai dan berakhir di depot, sehingga setiap simpul di tepat dikunjungi satu kali oleh satu kendaraan. Untuk memudahkan
perhitungan, didefinisikan , sebagai sebuah batas bawah
dari jumlah kendaraan yang diperlukan untuk melayani pelanggan dalam himpunan .
di dikaitkan dengan kuantitas dari barang-barang yang akan dikirimkan oleh sebuah kendaraan.
adalah waktu layanan (waktu yang diperlukan untuk membongkar semua barang), diperlukan oleh sebuah kendaraan untuk membongkar barang dengan kuantitas di simpul . Durasi waktu total dari setiap rute kendaraan (waktu perjalanan dan waktu layanan) tidak melebihi batas yang telah ditentukan, dengan demikian biaya adalah waktu perjalanan antar kota.
Sebuah solusi yang layak (feasible) diperoleh dari :
• Suatu partisi dari ;
• Suatu permutasi dari menentukan urutan pelanggan pada rute .
Biaya dari sebuah rute yang telah ditentukan ( ), dimana
dan ( menyatakan depot), dinyatakan dengan :
. Sebuah rute adalah layak apabila kendaraan berhenti tepat satu kali pada setiap pelanggan dan durasi waktu total rute tidak melebihi
batas : .
Akhirnya, biaya dari solusi masalah adalah : .
Menurut Toth (2001), tujuan umum dari VRP adalah sebagai berikut : 1. Meminimalkan biaya transportasi secara menyeluruh.
2. Meminimalkan jumlah kendaraan (atau pengemudi) yang dibutuhkan untuk dapat melayani seluruh konsumen,
3. Menyeimbangkan rute, untuk waktu tempuh dan beban angkut (vehicle load)
4. Meminimalkan penalti yang berkaitan dengan pemenuhan pelayanan yang kurang terhadap konsumen (partial service of customers).
Pada kenyataan beberapa kendala yang berpengaruh yang menjadikan adanya beberapa tipe VRP, menurut Toth (2001) adalah sebagai berikut :
1. Setiap kendaraan memiliki kapasitas terbatas (Capacitated VRP - CVRP) 2. Setiap konsumen dipasok pada waktu tertentu (VRP with time windows -
VRPTW)
3. Pemasok menggunakan lebih dari satu depot untuk memasok konsumen (Multiple Depot VRP - MDVRP)
4. Konsumen dapat mengembalikan barang ke depot (VRP with Pick-up and Delivery - VRPPD)
5. Konsumen dapat dilayani oleh kendaraan yang berbeda (Split Delivery VRP -
SDVRP)
6. Beberapa nilai seperti jumlah konsumen, permintaan konsumen, dan waktu perjalanan adalah bersifat acak (Stochastic VRP - SVRP)
Teknik Penyelesaian VRP
Teknik penyelesaian VRP terbagi menjadi tiga metode penyelesaian, yaitu penyelesaian dengan menggunakan metode pasti (exact method), metode
heuristics dan metode meta-heuristics (Diaz, 2011).
1. Metode pasti yaitu metode yang melakukan perhitungan pada setiap kemungkinan solusi sampai diperoleh solusi terbaik. Contoh perhitungan dengan metode tersebut adalah metode Branc and Bound.
2. Metode heuristics yaitu metode yang secara umum menghasilkan suatu solusi
yang baik dengan waktu komputasi yang lebih cepat. Contoh perhitungan
dengan metode tersebut adalah metode metode
3. Metode meta-heuristics yaitu metode yang memberikan solusi yang bernilai
lebih tinggi daripada solusi yang diperoleh dengan metode heuristics. Yang
termasuk ke dalam metode tersebut misalnya adalah metode
dan metode
2.15 Simulated Annealing
Metode Simulated annealing adalah salah satu metode metaheuristics yang
diturunkan dari prinsip termodinamika yang mampu mendapatkan nilai optimum global (Martin, 2010). Untuk tidak terjebak pada nilai optimum lokal, metode
simulated annealing memperbolehkan menerima solusi inferior dengan nilai
probabilitas tertentu. Metode simulated annealing adalah salah satu metode metaheuristics yang dapat digunakan untuk menyelesaikan persoalan VRP
(vehicle routing problems) selain metode genetic algorithm. Simulated Annealing
pada persoalan VRP digunakan untuk menelusuri dan mencari setiap rute yang mungkin, setelah itu metode tersebut digunakan untuk mendapatkan rute yang jaraknya paling pendek (Basuki, 2005). Struktur algoritma simulated annealing
menurut Widyadana dan Pamungkas (2002) serta Moore (2011) secara umum adalah sebagai berikut :
1. Dicari solusi awal S menggunakan solusi awal dan metode heuristik awal yang dapat ditentukan sendiri.
3. Pada keadaan tidak frozen, lakukan: a. Lakukan L kali :
i. Dicari solusi tetangga S’ dari S menggunakan metode yang dapat ditetapkan sendiri.
ii. Ä = Nilai objektif (S’) – Nilai objektif (S)
iii. Jika Ä<0, maka tetapkan S=S’, jika tidak maka tetapkan S=S’ dengan probabilitas exp(-Ä/T)
b. T = r x T, dimana r adalah faktor reduksi suhu. 4. Dapatkan solusi optimal.
Parameter dalam simulated annealing adalah temperatur awal, laju
pendinginan, jumlah iterasi pada setiap tingkatan temperatur dan temperatur akhir (Wirdianto et al., 2007).
2.16 FIS (Fuzzy Inference System)
Menurut Nazeran, et al. (2001), logika fuzzy ditemukan oleh Lotfi Zadeh
pada tahun 1965 yang dipergunakan untuk meningkatkan kecerdasan suatu mesin dan meniru pemikiran manusia dalam proses komputasi pengambilan keputusan.
Keputusan fuzzy (fuzzy inference) adalah proses merumuskan pemetaan dari suatu masukan menuju ke suatu keluaran dengan menggunakan logika fuzzy. Proses tersebut melibatkan : fungsi keanggotaan, operasi logis dan aturan ”Jika- Maka”. Sistem keputusan fuzzy telah berhasil diterapkan dalam banyak bidang seperti kontrol otomatis, klasifikasi data, analisis keputusan, sistem pakar, dan visi Menurut Liu, et al. (2007), logika fuzzy secara luas diakui sebagai alat yang
memiliki kemampuan untuk menghitung dan untuk memodelkan proses berpikir kualitatif manusia dalam analisis sistem dan pengambilan keputusan yang kompleks. Pada saat ketidakpastian atau ketidaktepatan yang terkait dengan kata- kata muncul pada suatu persoalan seperti ketidaktepatan yang muncul dari kata- kata "dampak kepentingan" atau "tingkat perhatian" maka ketidaktepatan tersebut mencerminkan ambiguitas pemikiran manusia pada saat persepsi dan interpretasi dipergunakan. Masalah ketidakpastian atau ketidaktepatan tersebut dapat diatasi dengan logika fuzzy (Duque, 2008).
komputer (Mathworks, 2011). Teknik keputusan fuzzy yang paling sering digunakan adalah teknik keputusan fuzzy yang disebut dengan metode Mamdani (Sivarao et al., 2009). Menurut Nazeran, et al. (2001) dan Negnevitsky (2002), proses pada metode Mamdani tersebut dikembangkan melalui empat tahap yaitu tahap fuzzifikasi dari variabel input, tahap evaluasi aturan, tahap agregasi dari
keluaran, dan berakhir pada tahap defuzzifikasi . Menurut Juang, et al. (2007) dan
Tay (2010), pada tahap evaluasi aturan dari metode Mamdani ini, proposisi fuzzy
dinyatakan dalam bentuk aturan Jika – Maka (If
1. Mencakup tiga aktifitas rantai pasokan yaitu prakiraan dan peringatan dini dari pasokan dan harga beras, pemilihan pemasok beras, serta distribusi dan transportasi komoditas beras.
-Then Rules) dan setiap aturan
mengandung input (antecedent) dan output (consequent).
2.17 Posisi Penelitian Terhadap Penelitian Terdahulu
Menurut Sukardi (2009), tipe kebaruan (novelty) dalam suatu penelitian
teknologi industri pertanian dapat berbentuk penemuan (invention), peningkatan
(improvement) dan bantahan (refutation). Dari beberapa penelitian terdahulu dan
dari tipe kebaruan tersebut, kebaruan dari penelitian ini dapat dikategorikan sebagai kebaruan yang bersifat peningkatan (improvement). Pada penelitian ini,
kebaruan yang dihasilkan adalah kebaruan berupa suatu model sistem pendukung keputusan cerdas untuk pengelolaan rantai pasokan beras di propinsi DKI Jakarta.
Jadi model pada penelitian ini memiliki kebaruan sebagai berikut :
2. Memanfaatkan beberapa metode dari kombinasi metode artificial intelligence
(AI) yaitu neural network, metode analitik TOPSIS ( technique for order preference by similarity to ideal solution) dan metode metaheuristic simulated annealing.
3. Menghasilkan pengukuran kinerja rantai pasokan beras dari masukan ke tiga aktifitas rantai pasokan tersebut di atas dengan menggunakan metode fuzzy inference system, dan
4. Mengintegrasikan ke tiga aktifitas dan kinerja rantai pasokan beras tersebut dalam suatu sistem pendukung keputusan (DSS/ decision support system).
Klaim kebaruan pada penelitian ini dibandingkan dengan penelitian terdahulu dapat ditinjau dari tiga aspek. Kebaruan dari aspek pertama yaitu kebaruan dari penerapan AI pada rantai pasokan. Kebaruan dari aspek ke dua yaitu kebaruan dari penelitian tentang rantai pasokan perberasan itu sendiri, dari mulai sektor hulu pada budidaya padi sampai sektor hilir pada proses pemasaran beras, sedangkan kebaruan dari aspek yang ke tiga adalah kebaruan dari aspek penerapan Intelligent Decision Support System (IDSS) pada rantai pasokan secara
menyeluruh.
2.17.1 Penerapan Artificial Intelligent PadaRantai Pasokan