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 idustri- industri 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 periode lalu Permintaan
periode lalu Alat Bantu Analisis Alat Bantu Analisis Hasil Prediksi Permintaan Tepung Jagung Hasil Prediksi Permintaan Tepung 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
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.
Permintaan tepung jagung Permintaan tepung jagung mulai mulai
Pengecekan pola data Plot data permintaan
tepung jagung
Pilih Metode Peramalan
Perhitungan peramalan
Pilih metode peramalan sesuai kesalahan terkecil
Hasil prediksi permintaan tepung jagung Penentuan nilai peramalan
sesuai metode terbaik
Selesai Selesai Sesuai pola data? Sesuai pola data? Tidak Ya
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
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
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
dengan menggunakan data pelatihan, kemudian dilakukan dengan data pengujian, untuk selanjutnya dilakukan peramalan. Ukuran ketepatan peramalan adalah mean square error (MSE).
Permintaan tepung jagung Permintaan tepung jagung mulai mulai Pemisahan data - data pelatihan - data test Perancangan struktur jaringan
Set parameter, nilai, inisialisasi bobot Transformasi data ke input jaringan Simulasi JST menggunakan data pelatihan Simulasi JST menggunakan datatest Hasil Prakiraan Permintaan Tepung Jagung Proses prakiraan Denormalisasi Selesai Selesai Input data test Input data test Input data prakiraan Input data prakiraan
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,
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.
X1 Y Xn Zj Z1 v11 vp1 v12 vp2 w11 w1j 1 1 Zp vj2 vj1 v10 vp0 vj0 w1p w10
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
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.