Model Matematika Kinerja Rantai Pasokan Beras di DKI Jakarta

Pasar beras pada penelitian ini dibatasi hanya pada berbagai pasar yang berada di bawah pengelolaan PD. Pasar Jaya yang juga dikelola oleh Pemda DKI Jakarta. Input untuk model pada subsistem distribusi dan transportasi tersebut adalah lokasi pasar, banyaknya permintaan beras dari pasar tersebut, kendaraan dan bobot kendaraan yang dipergunakan. Hasil dari model adalah rute terpendek dan banyaknya kendaraan yang dipergunakan untuk menyalurkan beras terbut ke pasar-pasar di wilayah DKI Jakarta. Dengan hasil tersebut, para pelaku perberasan dapat menyalurkan sejumlah beras ke berbagai pasar beras dengan menggunakan jumlah kendaraan yang tepat dan dengan rute terpendek. Dengan demikian para pelaku perberasan di PIBC khususnya dapat menyalurkan beras tersebut dengan biaya transportasi yang lebih efisien. Model subsistem ke empat yaitu model kinerja rantai pasokan beras yang dapat dilihat pada Gambar 43. Model tersebut diperoleh dengan menggunakan metode fuzzy inference system FIS. Input untuk model tersebut terdiri dari tiga subsistem sebelumnya yaitu subsistem prakiraan pasokan dan harga beras, subsistem pemilihan pemasok beras dan subsistem distribusi dan transportasi beras. Gambar 43. Model Kinerja Rantai Pasokan Beras di DKI Jakarta Hasil dari model tersebut adalah ukuran kinerja dari rantai pasokan beras. Dengan hasil tersebut, para pelaku usaha perberasan di PIBC khususnya dapat mengukur kinerja rantai pasokannya apakah masuk ke dalam kategori baik, cukup baik atau tidak baik. Dengan adanya ukuran kinerja tersebut, para pelaku perberasan di PIBC juga dapat mengantisipasi kegiatan yang harus dipersiapkan dan dilakukan supaya kinerja rantai pasokannya di masa mendatang lebih baik dari pada kinerja saat ini. Secara keseluruhan, model yang dihasilkan pada penelitian ini merupakan model yang terkait antara satu subsistem dengan subsistem lainnya. Permintaan atau kebutuhan beras dari penduduk DKI Jakarta dapat dianggap sebagai pemacu dan pemicu trigger pengadaan beras yang selanjutnya dilakukan pada subsistem pemilihan pemasok dan dihasilkan dengan metode TOPSIS. Pasokan beras beserta harga beras yang terkait di dalamnya embedded price yang masuk melalui PIBC selanjutnya dikirimkan kepada konsumen melalui pasar-pasar di seluruh wilayah DKI Jakarta. Upaya pengiriman beras tersebut memerlukan subsistem distribusi dan transportasi yang dihasilkan dengan metode simulated annealing. Pasokan beras yang masuk setiap waktu perlu diimbangi dengan prakiraan pasokan supaya jumlah beras yang masuk ke DKI Jakarta melalui PIBC dapat dikendalikan dan tidak menimbulkan kelebihan pasokan over stock atau kekurangan pasokan out of stock. Demikian pula harga beras yang setiap waktu berfluktuasi perlu dikendalikan supaya harga beras tersebut setiap waktu dapat terjangkau oleh daya beli warga DKI Jakarta. Upaya pengendalian pasokan dan harga beras tersebut memerlukan subsistem prakiraan pasokan dan harga beras yang didukung oleh upaya peringatan dini early warning system untuk mengurangi resiko dari pasokan dan harga beras yang tidak diinginkan. Model dalam subsistem prakiraan pasokan dan harga beras tersebut dihasilkan dengan menggunakan metode artificial neural network. Sementara subsistem kinerja rantai pasokan beras diperlukan supaya pelaku perberasan di PIBC khususnya dapat mengukur kinerja rantai pasokannya setiap saat, dan dapat melakukan antisipasi kinerja supaya selalu diperoleh kinerja rantai pasokannya menjadi lebih baik di masa mendatang continous improvement. Model kinerja tersebut dihasilkan dengan menggunakan metode fuzzy inference system. Keterkaitan model pada sistem rantai pasokan beras di DKI Jakarta yang mencakup empat subsistem tersebut dapat dilihat pada Gambar 44. Gambar 44. Model Sistem Rantai Pasokan Beras di DKI Jakarta

5.1 Subsistem Prakiraan Pasokan dan Harga Beras

Pada subsistem prakiraan pasokan dan harga beras ini, penerapan dilakukan pada JST untuk memperkirakan pasokan beras dan harga beras di provinsi DKI Jakarta. Untuk pasokan beras, data yang digunakan adalah data pasokan beras mingguan yang diperoleh dari data pasokan beras harian sesuai dengan data yang dapat dilihat pada Lampiran 7. Data jumlah penduduk DKI Jakarta dapat diperoleh dari Dinas Kependudukan dan Catatan Sipil Pemerintah Provinsi DKI Jakarta atau dari Badan Pusat Statistik BPS. Data laju pertumbuhan penduduk DKI Jakarta setiap minggu dapat dihitung dari data jumlah penduduk DKI Jakarta tersebut, sedangkan data konsumsi beras setiap orang setiap hari dapat diperoleh dari BPS. Dengan memasukkan pasokan beras empat minggu berturut-turut, dapat diperoleh hasil prakiraan pasokan beras untuk minggu ke lima dan minggu ke enam. Selanjutnya prakiraan pasokan beras pada minggu ke lima dan minggu ke enam tersebut dibandingkan dengan jumlah kebutuhan beras penduduk DKI Jakarta pada minggu ke lima dan minggu ke enam tersebut. Hasilnya dapat diperoleh suatu bentuk peringatan dini bahwa kondisi pasokan beras pada minggu ke lima dan minggu ke enam adalah rawan. Tampilan JST untuk pasokan beras tersebut dapat dilihat pada Gambar 45. Gambar 45. Tampilan Jaringan Syaraf Tiruan Pada Prakiraan Pasokan Beras dari PIBC Ke DKI Jakarta Apabila dalam kondisi tertentu jumlah pasokan beras ke wilayah DKI Jakarta dari PIBC kurang atau dari tampilan JST ini keluar penyataan rawan, maka pihak PIBC harus menginformasikannya kepada BULOG DKI Jakarta. Bentuk informasi ini dapat dipandang sebagai bentuk peringatan dini dari pasokan beras. Seminar et al. 2010 telah melakukan penelitian mengenai sistem deteksi dini untuk manajemen krisis pangan. Dalam penelitian tersebut terdapat sepuluh parameter yang digunakan untuk menyatakan kondisi krisis pangan. Dua dari sepuluh parameter tersebut yang dapat dikaitkan dengan subsistem yang dikembangkan pada penelitian ini adalah jumlah konsumsi beras penduduk dan harga beras. Dengan demikian jumlah konsumsi beras pada penelitian ini mempengaruhi jumlah beras yang dibutuhkan oleh penduduk di Provinsi DKI Jakarta.