Ketidakpastian dalam PPIC Rancang bangun sistem pendukung keputusan intelijen Production Planning and Inventory Control (PPIC) adaptif pada industri pangan

mengantisipasi kebutuhan permintaan yang tinggi. Output dari kegiatan ini adalah penjumlahan dari permintaan produk per-periode Fogarty, 1991. Kegiatan perencanaan dan pengendalian produksi dimulai dengan fungsi prakiraan permintaan berdasarkan plot data riwayat penjualan produk. Analisis plot data akan merujuk beberapa metode pengujian prakiraan permintaan yang sesuai dengan hasil analisis plot data permintaan. Metode prakiraan permintaan yang akurat adalah metode yang memberikan nilai kesalahan minimum. Terdapat berbagai alternatif metode prakiraan permintaan yang layak untuk digunakan dalam pengujian prakiraan permintaan. Metode deret waktu, regresi linier, dan dekomposisi adalah beberapa metode yang banyak diaplikasikan oleh industri karena kesederhanaannya dalam perhitungan. Metode Jaringan Syaraf Tiruan Artificial Neural Network menjadi metode yang mulai banyak diaplikasikan untuk pengenalan pola data karena dapat menghasilkan prakiraan permintaan dengan nilai akurasi yang baik. Pada model deret waktu ini permintaan merupakan fungsi dari waktu. Pola permintaan pada masa yang akan datang diperkirakan 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. Metode deret waktu yang banyak diaplikasikan industri antara lain adalah metode rata-rata bergerak moving average dan metode pemulusan eksponensial exponential smoothing. Salah satu bentuk peramalan yang paling sederhana adalah regresi linier. 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. Pola pertumbuhan ini didekati dengan suatu model yang menggambarkan hubungan-hubungan yang terkait dalam suatu keadaan. Metode dekomposisi merupakan metode peramalan time series dengan pendekatan yang digunakan bila data historis memiliki pola kecenderungantrend, siklis atau musiman. Metode dekomposisi mencoba memisahkan faktor trend kecenderungan dan faktor musiman dari pola dasar. Faktor kecenderungan menggambarkan perilaku data dalam jangka panjang yang dapat meningkat, menurun atau tidak berubah. Faktor musiman berkaitan dengan fluktuasi periodik dengan panjang konstan yang disebabkan oleh hal-hal seperti curah hujan, saat liburan dan lain-lain Fogarty, 1991. Menurut Makridakis 1983, dalam melakukan prakiraan permintaan, hasil prakiraan permintaan yang diperoleh tidak mungkin benar-benar tepat. Selisih yang terjadi antara nilai prakiraan permintaan dengan nilai aktual disebut sebagai galat atau kesalahan error. Melalui nilai kesalahan ini dilakukan beberapa analisa sehingga dapat ditentukan metode prakiraan permintaan yang paling sesuai dengan data yang dimiliki serta seberapa baik metode yang digunakan tersebut. Metode yang terbaik adalah metode yang memberikan nilai prakiraan permintaan paling sesuai dengan data aktual, berarti memiliki nilai kesalahan prakiraan permintaan yang paling kecil.

2.6 Metode Jaringan Syaraf Tiruan

Metode Jaringan Syaraf Tiruan JST merupakan metode prakiraan permintaan yang banyak diaplikasikan karena memiliki hasil prakiraan permintaan yang optimal dan akurat. JST atau Artificial Neural Network ANN merupakan salah satu representasi buatan otak manusia yang selalu mencoba mensimulasikan proses pembelajaran pada otak manusia. Keunggulan utama metode ini adalah kemampuan untuk “belajar” dari contoh yang diberikan. Selain itu, dalam proses belajarnya metode JST dapat melakukan pengolahan terhadap data yang non-linier Siang, 2009. Bakhary 2004 dalam makalahnya menyampaikan bahwa JST mampu memberikan model terbaik dibandingkan dengan model regresi dan multi-regresi. Kemampuan untuk menggeneralisasi memungkinkan jaringan syaraf tiruan untuk belajar bahkan dalam kasus data pencilan ataupun tidak adanya data. Zhang 2005 menyatakan bahwa variasi musiman dan kecenderungan trend merupakan dua gejala yang selalu terjadi dan harus dihadapi dalam berbagai sektor ekonomi dan bisnis. Bagaimana memodelkan dan melakukan prakiraan permintaan variasi-variasi yang terjadi merupakan hal yang penting dalam kegiatan perencanaan dan pengambilan keputusan. JST merupakan metode yang sesuai untuk digunakan dalam peramalan data yang sifatnya musiman dan kecenderungan dengan tingkat akurasi yang tinggi. Dinyatakan dalam makalah terkait oleh Zhang 1998 bahwa meskipun JST merupakan model non linier, namun JST memiliki kemampuan untuk memodelkan proses-proses yang linier juga. Gorr 1994 bahkan menyatakan bahwa JST mampu secara simultan mendeteksi kecenderungan maupun musiman data yang tidak linier. Sharda dan Patil 1992 mendapatkan hasil pengujian bahwa JST dapat memodelkan data musiman secara efektif. Hansen dan Nelson 2003 berikutnya menemukan bahwa kombinasi transformasi dan jaringan syaraf melalui konsep generalisasi sehingga memberikan hasil prakiraan permintaan yang lebih akurat dibandingkan model Dekomposisi maupun ARIMA. Propagasi Balik Backpropagation Seperti halnya model JST lain, Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa tetapi tidak sama dengan pola yang dipakai selama pelatihan. Arsitektur propagasi balik memiliki beberapa unit tersembunyi. Gambar 2 adalah contoh gambar arsitektur propagasi balik dengan 3 buah masukan ditambah sebuah bias, sebuah lapisan tersembunyi yang terdiri dari 2 unit ditambah sebuah bias, serta 1 buah unit keluaran. v ji merupakan bobot garis dari unit masukan x i ke unit lapisan tersembunyi z j v j0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit lapisan tersembunyi z j . W kj merupakan bobot dari unit lapisan tersembunyi z j ke unit keluaran y k w k0 merupakan bobot dari bias di lapisan tersembunyi ke unit keluaran y k Siang,2009. x1 x2 x3 z1 z2 y Nilai Input Input Matriks Bobot Input ke Lapisan Tersembunyi Lapisan Tersembunyi Matriks Bobot Lapisan Tersembunyi ke Output Output Nilai Output wi w2 v32 v31 v22 v21 v12 v11 Gambar 2 Struktur jaringan syaraf tiruan Hermawan, 2006. Dalam propagasi balik, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu : kontinyu, terdiferensial dengan mudah dan tidak menurun secara monoton. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga sering dipakai adalah fungsi sigmoid biner yang memiliki range 0,1 Siang,2009. Fungsi ini merupakan fungsi yang umum digunakan untuk aplikasi JST dalam prakiraan permintaan. Kisaran nilai yang digunakan pada fungsi ini adalah 0,1 dan didefinisikan sebagai f 1 x dengan fungsi turunan f’ 1 x. x e x f    1 1 1 ........................................................................................1 1 1 1 1 x f x f x f   ..........................................................................2 fx 1 X Gambar 3 Fungsi sigmoid biner.