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, fuzzyassosiative 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:

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.

Representasi linier

Fungsi keanggotaan: Linear naik

0; x ≤ a μ[x] = (x – a)/(b – a); a ≤ x ≤ b 1; x ≥ b 0 1 a domain b μ(x)

Gambar 9 Representasi linear naik.

• Fungsi keanggotaan: Linear turun

μ[x] = (b - x)/(b – a); a ≤ x ≤ b 0; x ≥ b 0 1 μ(x) a domain b

Representasi kurva segitiga Fungsi keanggotaan: 0; x ≤ a atau x ≥ c μ[x] = (x – a)/(b – a); a ≤ x ≤ b (c – x)/ (c – b) b ≤ x ≤ c 0 1 μ(x) a b c

Gambar 11 Representasi kurva segitiga.

Representasi kurva trapesium

Fungsi keanggotaan: 0; x ≤ a atau x ≥ d μ[x] = (x – a)/(b – a); a ≤ x ≤ b 1; b ≤ x ≤ c (d – x)/ (d – c) x ≥ d 0 1 μ(x) a b c d

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 berturut- turut 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.

Tujuan dari peramalan adalah untuk menentukan jumlah permintaan produk pada masa yang akan datang. Dalam melakukan peramalan perlu ditentukan batasan- batasan, 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,

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.

Peramalan Model Kuantitatif Model Kualitatif Kausal Time Series Rata-rata Regresi Metode Smoothing Dekomposisi Exponential Smoothing Moving Average Siklik Eksponensial Kuadratik Linier

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

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 Smoothingdigunakan padadata 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 n D D D D S t t t t n t 1 2 1 ... ' n S S S S S t t t t n t 1 2 1 ' ... ' ' ' '' t t t t t t S S S S S a ' ( ' '' ) 2 ' '' ) ( 1 2 ' '' t t t S S N b m b a F_{t m t t} n D D D n n F t t t n t ... terakhir demand jumlah _{1 2} ) ( _{1 1} 1 t t t t F D F F

Metode Double Exponential Smoothing (Metode Linier Brown) digunakan untuk pola data yang ada trend. Penyesuaian dari SES dilakukan dengan penambahan satu parameter

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 :

2 1 1 2 1 1 1 ) ( ) ( N t N t N t N t N t t t N t t Y t tY N b N t N t t b N t Y N a 1 1 1 ) ( 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

' 1 ' _{(1 )} t t t D S S '' 1 ' '' ) 1 ( _t t t S S S ) ( 1 '' ' t t t S S b t t t t t t S S S S S a ' ( ' '' ) 2 ' '' m b a F_{t m t t}

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 :

kesalahan seasonal

trend

Y_t *

Model additive adalah :

kesalahan seasonal

trend Y_t

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

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 e MSE N i i 1 2

Mean Absolute Error (MAE)

N e MAE N i i 1

Mean Absolute Percent Error (MAPE)

n MAPE n t t

PE

1

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) = MAD RSFE = MAD i) periode peramalan data - i periode aktual data ( dimana : MAD = n peramalan kesalahan = n e_i

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. - 0 MAE + Periode Daerah penerimaan

Lower Control Limit Upper Control Limit

Tracking Signal berada di luar batas kontrol

Tracking Signal

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

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.

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.

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 buku- buku, 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.

PENYEDIAAN TEPUNG JAGUNG

OLEH INDUSTRI - Jumlah sesuai

permintaan - Mutu sesuai standar Pemeriksaan mutu tepung jagung PROSES PRODUKSI TEPUNG JAGUNG MODEL PENGELOMPOKAN MUTU JAGUNG PIPILAN - Mutu I - Mutu II - Mutu III MODEL PREDIKSI PERMINTAAN TEPUNG JAGUNG MODEL PREDIKSI PRODUKSI JAGUNG Jaringan Syaraf Tiruan, Peramalan Statistikal Fuzzy Inference System Jaringan Syaraf Tiruan, Peramalan Time Series Pemeriksaan mutu jagung pipilan SENTRA

JAGUNG PENGUMPUL INDUSTRI TEPUNG JAGUNG

INDUSTRI PENGGUNA TEPUNG JAGUNG KEBIJAKAN MODEL PENGELOMPOKAN MUTU TEPUNG JAGUNG

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.

Berdasarkan pemikiran yang telah diuraikan sebelumnya, maka secara garis besar kerangka pemikiran dalam penelitian ini dapat digambarkan seperti tertuang pada Gambar 17.

InputAnalysis

InputAnalysis Process Analysis_{Process Analysis} Output Analysis_{Output Analysis}

TUJUAN PENELITIAN dihasilkannya model penyediaan tepung jagung pada rantai pasok industri

berbasis jagung

TUJUAN PENELITIAN dihasilkannya model penyediaan tepung jagung pada rantai pasok industri

berbasis jagung

PERUMUSAN MASALAH - Bagaimana jumlah jagung yang diproduksi pada sentra jagung dapat diprediksi? - Bagaimana jagung pipilan

sebagai bahan baku tepung jagung dapat dikelompokkan

sesuai standar yang ditentukan? - Bagaimana tepung jagung yang dihasilkan oleh industri

tepung jagung dapat dikelompokkan sesuai

standar mutu - Bagaimana permintaan industri pengguna tepung jagung dapat diprediksi

PERUMUSAN MASALAH - Bagaimana jumlah jagung yang diproduksi pada sentra jagung dapat diprediksi? - Bagaimana jagung pipilan sebagai bahan baku tepung jagung dapat dikelompokkan

sesuai standar yang ditentukan? - Bagaimana tepung jagung yang dihasilkan oleh industri

tepung jagung dapat dikelompokkan sesuai

standar mutu - Bagaimana permintaan industri pengguna tepung jagung dapat diprediksi

FENOMENA Belum dipenuhinya penyediaan tepung jagung

secara jumlah dan mutu

FENOMENA Belum dipenuhinya penyediaan tepung jagung

secara jumlah dan mutu

TINJAUAN PUSTAKA

- Konsep Manajemen Rantai Pasok - Konsep Jaringan Syaraf Tiruan - Konsep Mutu

- Konsep Fuzzy

- Konsep Fuzzy Inference System TINJAUAN PUSTAKA

- Konsep Manajemen Rantai Pasok - Konsep Jaringan Syaraf Tiruan - Konsep Mutu

- Konsep Fuzzy

- Konsep Fuzzy Inference System

SIMPULAN Disusun berdasarkan hasil penelitian yang diperoleh.

SIMPULAN Disusun berdasarkan hasil penelitian yang diperoleh.

PERANCANGAN MODEL

PERANCANGAN MODEL

Model Prediksi Produksi Jagung

Model Prediksi Produksi Jagung

Model Pengelompokan Mutu Jagung Pipilan

Model Pengelompokan Mutu Jagung Pipilan

Model Prediksi Permintaan Tepung jagung

Model Prediksi Permintaan Tepung jagung IMPLEMENTASI MODEL IMPLEMENTASI MODEL REKOMENDASI Dibuat berdasarkan hasil penelitian REKOMENDASI Dibuat berdasarkan hasil penelitian ANALISIS SISTEM - Analisis Kebutuhan - Formulasi Permasalahan - Identifikasi Sistem ANALISIS SISTEM - Analisis Kebutuhan - Formulasi Permasalahan - Identifikasi Sistem Model Pengelompokan Mutu Tepung Jagung

Model Pengelompokan Mutu Tepung Jagung

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

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.