pasokan adalah pihak yang berkepentingan di PT Saung Mirwan. Responden ahli adalah tiga orang pemangku jabatan di PT Saung Mirwan.
3.6. Pengolahan dan Analisis Data
Pengolahan data dilakukan dengan menggunakan software Excel 2007 dan SuperDecisions ANP version 2.0.8, sedangkan bentuk analisis data yang
digunakan adalah:
3.6.1 Analisis Deskriptif
Analisis deskriptif adalah alat analisis yang digunakan untuk menggambarkan atau menganalisis suatu stastistik hasil penelitian,
tetapi tidak digunakan untuk membuat kesimpulan generikinferensia. Analisis deskriptif berfungsi untuk menggambarkan atau
mendeskripsikan obyek yang diteliti sebagaimana adanya. Analisis data secara deskriptif dilakukan untuk menggambarkan keadaan umum
rantai pasokan sayuran Edamame dan menggambarkan aspek-aspek risiko operasional sayuran Edamame.
3.6.2 Metode AHP Analytic Hierarchy Process
Metode Analytic Hierarchy Process digunakan untuk
mengetahui nilai prioritas tertinggi atau terbesar dari anggota rantai pasokan sayuran Edamame yang diintroduksi oleh PT Saung Mirwan
petani, PT Saung Mirwan, dan ritel dan untuk mengetahui nilai prioritas tertinggi atau terbesar dari risiko rantai pasokan sayuran
Edamame risiko operasional, risiko pemasaran, dan risiko keuangan. Adapun tahapan yang dilakukan dalam AHP adalah:
1. Penyusunan Prioritas
Setiap elemen yang terdapat dalam hirarki harus diketahui bobot relatifnya satu sama lain. Tujuan adalah untuk mengetahui
tingkat kepentingan pihak-pihak yang berkepentingan dalam permasalahan terhadap kriteria dan struktur hirarki atau sistem
secara keseluruhan. Langkah pertama yang dilakukan dalam menentukan prioritas kriteria adalah menyusun perbandingan
berpasangan, yaitu membandingkan dalam bentuk berpasangan seluruh kriteria untuk setiap sub sistem hirarki. Perbandingan
tersebut kemudian ditransformasikan dalam bentuk matriks perbandingan berpasangan untuk analisis numerik. Misalkan
terhadap sub sistem hirarki dengan kriteria C dan sejumlah n alternatif dibawahnya,
A
i
sampai A
n
. Perbandingan antar alternatif untuk sub sistem hirarki itu dapat dibuat dalam bentuk matriks n x n,
seperti pada Tabel 3.
Tabel 3. Matriks Perbandingan Berpasangan C A
1
A
2
… A
n
A
1
a
11
a
12
… a
1n
A
2
a
21
a
22
… a
2n
: : : … :
A
m
a
m1
a
m2
… a
mn
Nilai a
11
adalah nilai perbandingan elemen A
1
baris terhadap A
1
kolom yang menyatakan hubungan: a. Seberapa jauh tingkat kepentingan A
1
baris terhadap kriteria C dibandingkan dengan A
1
kolom atau b. Seberapa jauh dominasi
A
1
baris terhadap A
1
kolom atau c. Seberapa banyak sifat kriteria C terdapat pada A
1
baris dibandingkan dengan A
1
kolom. Nilai numerik yang dikenakan untuk seluruh perbandingan diperoleh
dari skala perbandingan 1 sampai 9 yang telah ditetapkan oleh Saaty, seperti pada Tabel 4.
Contoh Pairwise Comparison Matrix pada suatu level of hierarchy, yaitu:
Baris 1 kolom 2 : Jika K dibandingkan L, maka K sedikit lebih
pentingcukup penting dari L yaitu sebesar 3, artinya K moderat pentingnya daripada L
, dan seterusnya.
Tabel 4. Skala Perbandingan Fundamental
Intensitas Kepentingan
Definisi Keterangan
1 Sama Penting
Dua kegiatan berkontribusi sama terhadap tujuannya
3 Sedikit Lebih
Penting Pengalaman dan penilaian
suatu kegiatan sedikit berkontribusi atas yang lain
5 Lebih Penting
Pengalaman dan penilaian suatu kegiatan berkontribusi
sangat kuat atas yang lain, menunjukkan dominasinya
dalam praktek
7 Sangat Lebih
Penting Suatu kegiatan yang favorit
berkontribusi sangat kuat atas yang lain; menunjukkan
dominasinya dalam praktek
9 Mutlak Lebih
Penting Bukti yang menguntungkan
satu kegiatan di atas yang lain merupakan kemungkinan
urutan afirmasi tertinggi
2, 4, 6, 8 Untuk kompromi
antara nilai-nilai di atas
Kadang-kadang perlu melakukan interpolasi
penilaian kompromi secara numerik karena tidak ada
istilah yang pas untuk menggambarkan hal tersebut
Resiprokal Kebalikan Jika
elemen i memiliki salah
satu angka dari skala perbandingan 1 sampai 9 yang
telah ditetapkan oleh Saaty ketika dibandingkan dengan
elemen j, maka j memiliki kebalikannya ketika
dibandingkan dengan elemen i
Rasio Rasio yang
didapat langsung dari pengukuran
2. Eigen value dan Eigen vector
Apabila pengambil keputusan sudah memasukkan persepsinya atau penilaian untuk setiap perbandingan antara kriteria-
kriteria yang berada dalam satu level tingkatan atau yang dapat diperbandingkan maka untuk mengetahui kriteria mana yang paling
disukai atau paling penting, disusun sebuah matriks perbandingan di setiap level tingkatan. Di bawah ini adalah definisi-definisi yang
berkaitan dengan eigen value dan eigen vector, yaitu antara lain: a. Matriks
Matriks adalah sekumpulan elemen berupa angkasimbol tertentu yang tersusun dalam baris dan kolom berbentuk persegi. Suatu
matriks biasanya dinotasikan dengan huruf kapital ditebalkan
misal matriks A, dituliskan dengan A.
b. Vektor dari n dimensi Suatu vector dengan n dimensi merupakan suatu susunan elemen-
elemen yang teratur berupa angka-angka sebanyak n buah, yang disusun baik menurut baris, dari atas ke bawah disebut vektor
baris atau Row Vector dengan ordo 1 x n maupun menurut kolom, dari kiri ke kanan disebut vektor kolom atau Colomn
Vector dengan ordo n x 1. Himpunan semua vektor dengan n komponen dengan entry riil dinotasikan dengan
R
n
. c. Eigen value dan Eigen Vector
Definisi : Jika A adalah matriks n x n maka vector tak nol x di
dalam R
n
dinamakan Eigen Vector dari A jika Ax kelipatan skalar
λ , yakni
Skalar
λ dinamakan eigen value dari A dan x dikatakan eigen
vektor yang bersesuaian dengan
λ. 3. Uji Konsistensi Indeks dan Rasio
Salah satu utama model AHP yang membedakannya dengan model-model pengambilan keputusan yang lainnya adalah syarat
konsistensi mutlak. Dengan model AHP yang memakai persepsi Ax =
λx………………………….4
decision maker sebagai inputnya maka ketidakkonsistenan mungkin terjadi karena manusia memiliki keterbatasan dalam menyatakan
persepsinya secara konsisten terutama kalau harus membandingkan banyak kriteria. Berdasarkan kondisi ini maka decision maker dapat
menyatakan persepsinya tersebut akan konsisten nantinya atau tidak. Apabila CI bernilai nol, maka matriks pairwise comparison tersebut
konsisten. Batas ketidakkonsistenan yang telah ditetapkan oleh Thomas L. Saaty ditentukan dengan menggunakan Rasio Konsistensi
CR, yaitu perbandingan indeks konsistensi dengan nilai Random Indeks RI. Rasio konsistensi dapat dirumuskan sebagai berikut:
…………….………..5 Bila matriks pairwise comparison dengan nilai CR 0.100 maka
ketidakkonsistenan pendapat dari decision maker masih dapat diterima, jika CR 0.100 maka penilaian perlu diulang.
3.6.3 Metode Analytical Network Process ANP
Metode ANP digunakan untuk manghitung bobot kinerja rantai pasok dengan memperhatikan tingkat ketergantungan antar kelompok
atau cluster. Perhitungan ANP dapat diselesaikan juga dengan menggunakan software Super Decisions. Adapun tahapan yang
dilakukan dalam ANP adalah:
1. Pembuatan Konstruksi Model
Langkah pertama adalah membuat model yang akan dievaluasi dan menentukan satu set lengkap jaringan kelompok
komponen dan elemen-elemen yang relevan dengan tiap kriteria kontrol. Selanjutnya untuk masing-masing kriteria kontrol, tentukan
semua elemen di tiap kelompok dan hubungkan mereka sesuai dengan pengaruh ketergantungan dari luar dan dari dalam kelompok.
Hubungan tersebut menunjukkan adanya aliran pengaruh antar elemen. Anak panah yang menghubungkan suatu kelompok dengan
kelompok yang lain menunjukkan pengaruh elemen suatu kelompok terhadap elemen kelompok yang lain. Selain itu, kelompok dari
elemen memiliki loop di dalam diri mereka sendiri jika
elemen-elemennya saling bergantung satu sama lain. Selanjutnya hasil kuesioner dari beberapa responden digabung untuk menentukan
ada tidaknya hubungan saling ketergantungan antar kriteria.
2. Pembuatan Matriks Perbandingan Berpasangan antar
KelompokElemen
Pada tahap kedua ini, dipilih kelompok dan elemen-elemen yang akan dibandingkan sesuai dengan kriteria kontrol apakah
mereka mempengaruhi kelompok dan elemen lain yang berkaitan dengan kriteria kontrol atau dipengaruhi oleh kelompok dan elemen
lainnya. Gunakan jenis pertanyaan yang sama untuk membandingkan elemen dalam kelompok, yang berkaitan dengan
elemen spesifik dalam suatu kelompok kriteria kontrol; pasangan elemen mana yang berpengaruh lebih besar? Gunakan jenis
pertanyaan yang sama untuk membandingkan kelompok. Kemudian, gunakan skala perbandingan fundamental pada Tabel 4, lakukan
perbandingan berpasangan berikut matriks antara kelompokelemen untuk menurunkan eigen vector dan untuk membentuk supermatriks.
Perbandingan berpasangan yang dilakukan adalah sebagai berikut: a. Perbandingan Kelompok
Melakukan perbandingan berpasangan pada kelompok yang mempengaruhi masing-masing kelompok yang saling
terhubung, yang berkaitan dengan kriteria kontrol yang diberikan. Bobot yang diperoleh dari proses ini akan digunakan untuk
memberikan bobot pada elemen-elemen yang sesuai dengan kolom blok dari supermatriks. Tetapkan nol bila tidak ada
pengaruh. b. Perbandingan Elemen
Melakukan perbandingan berpasangan pada
elemen-elemen dalam kelompok mereka sendiri berdasarkan pengaruh mereka pada setiap elemen dalam kelompok lain yang
saling terhubung atau elemen-elemen dalam kelompok mereka sendiri.
c. Perbandingan untuk Alternatif Membandingkan semua alternatif yang berkaitan dengan
masing-masing elemen di dalam komponen. Perbandingan berpasangan dilakukan dengan membuat matriks perbandingan
berpasangan, dengan nilai a
ij
merepresentasikan nilai kepentingan relatif dari elemen pada baris i terhadap elemen pada kolom j;
misalkan a
ij =
w
i
w
j.
Jika ada n elemen yang dibandingkan, maka matriks perbandingan A didefinisikan sebagai :
3. Pembuatan Supermatriks
Vektor prioritas yang berasal dari matriks perbandingan berpasangan dimasukkan sebagai sub kolom dari kolom yang sesuai
pada supermatriks. Supermatriks merepresentasikan prioritas pengaruh dari elemen di sebelah kiri matriks terhadap elemen di atas
matriks. Hasil dari proses ini adalah unweighted supermatrix supermatriks yang tidak tertimbang. Kemudian, weighted
supermatrix supermatriks yang tertimbang diperoleh dengan mengalikan semua elemen di blok dari unweighted supermatrix
dengan bobot kelompok yang sesuai. Weighted supermatrix, dimana masing-masing kolom dijumlahkan jadi satu, dikenal sebagai kolom
matriks stokastik. Weighted supermatrix kemudian dinaikkan sampai batas kekuatan untuk memperoleh prioritas akhir dari semua elemen
dalam matriks limit yang disebut juga limiting supermatrix. Kemudian, hasil sintesis dari prioritas ini dinormalkan untuk
memilih alternatif prioritas tertinggi. Di bawah ini merupakan struktur umum dari supermatriks.
Masing-masing kolom dalam Wij adalah eigen vector yang menunjukkankepentingan dari elemen pada komponen ke-i dari
jaringan pada sebuah elemen pada komponen ke-j. Beberapa masukan yang menunjukkan hubungan nol pada elemen mengartikan
tidak terdapat kepentingan pada elemen tersebut. Jika hal tersebut terjadi maka elemen tersebut tidak digunakan dalam perbandingan
berpasangan untuk menurunkan eigen vector. Jadi yang digunakan adalah elemen yang menghasilkan nilai kepentingan bukan nol
Saaty, 2006. i dan j menunjukkan cluster yang dipengaruhi dan mempengaruhi, dan n adalah elemen dari cluster yang bersangkutan.
Komponen dari sub-matriks dalam W
ij
adalah merupakan skala rasio yang diturunkan dari perbandingan pasangan yang
dilakukan pada elemen di dalam cluster itu sendiri sesuai dengan pengaruhnya pada setiap elemen pada cluster yang lain atau elemen-
elemen dalam cluster yang sama. Hasilnya yang berupa unweighted supermatrix kemudian ditransformasikan menjadi suatu matriks
yang penjumlahan dalam kolom menghasilkan angka satu untuk mendapatkan supermatriks stokastik. Bobot yang diperoleh
digunakan untuk membobot elemen-elemen pada blok-blok kolom cluster yang sesuai dari supermatrik, yang akan menghasilkan
weighted supermatrix yang juga stokastik. Sifat stokastik diperlukan dengan alasan-alasan yang akan dijelaskan di bawah ini.
Suatu elemen dapat mempengaruhi elemen kedua secara langsung dan tidak langsung melalui pengaruhnya pada elemen
ketiga dan kemudian dengan pengaruh dari elemen ketiga pada elemen kedua, sehingga setiap kemungkinan dari elemen ketiga
harus diperhitungkan. Hal ini tertangkap dengan mengalikan matriks terbobot pangkat dua.
Namun, elemen ketiga juga mempengaruhi elemen keempat, yang selanjutnya mempengaruhi elemen kedua. Pengaruh-pengaruh
ini bisa diperoleh dari pangkat tiga weighted supermatrix. Selama proses berjalan secara berkesinambungan, akan didapatkan deret tak
terbatas dari
matriks pengaruh
yang dinyatakan
dengan W
k
, k=1, 2,… .
4. Uji Konsistensi Index dan Rasio
Untuk kedua tahap tersebut sama dengan pada pengukuran kinerja menggunakan AHP.
3.6.4 Analisis Risiko
Analisis risiko secara deskriptif berdasarkan analisis manajemen risiko yaitu identifikasi risiko dengan teknik Non Numeric Multi Expert
Multi Criteria Decision Making ME-MCDM. Pengukuran risiko rata- rata skor pendapat responden menggunakan modus yang selanjutnya
dipetakan pada peta risiko. Selanjutnya analisis risiko untuk mendapatkan model risiko menggunakan teknik ME-MCDM untuk
penilaian risiko dari responden ahli. Teknik agregasi risiko menggunakan metode Ordered Weighted Averaging OWA.
Tingkatan risiko dihubungkan dengan basis pengetahuan menggunakan basis aturan. Rumus hubungan ini menggunakan logika IF-THEN
dengan format umum sebagai berikut IF Tingkat Risiko THEN rekomendasi 1, rekomendasi 2,....
Metode penilaian risiko merujuk pada Santoso 2005. Jika dampak risiko sangat tinggi dan kemungkinan risiko sangat tinggi maka
tingkat risiko pada suatu bagian akan menjadi sangat tinggi. Skala penilaian penurunan mutu ditentukan berdasarkan lima tingkatan yaitu
sangat tinggi, tinggi, sedang, rendah, dan sangat rendah.
3.6.5 Tahapan Penilaian Risiko
Tahapan penilaian risiko diawali dengan penilaian risiko oleh pakar. Setelah penilaian pakar, tentukan Bj sebagai urutan nilai dari
terbesar hingga nilai terkecil. Jumlah pakar yang ditetapkan dalam penilaian adalah tiga orang dengan batasan risiko merujuk Yager dalam
Hadiguna 2010 yaitu sebagai berikut: Q
A
k = S
bk
b
1
= Int [1 + 1 5 – 1 3], dimana k= 1,2,3
b
1
= Int [1 + 1 4 3]
Perbandingan secara bebas dilakukan antara nilai aktual dengan preferensi pengambil keputusan dengan cara menghitung nilai tingkat
kepentingan setiap peubah penentu menggunakan rumus 3 yaitu: Pi =
Maxj...r [ Q
j
Bj] Nilai agregasi risiko merupakan hubungan antara kemungkinan
terjadinya risiko dan dampak risiko.Tujuan manajemen risiko rantai pasokan Sayuran Edamame adalah mendapatkan tindakan manajerial
untuk mengatasi dampak risiko tersebut. Tindakan manajerial diperoleh melalui pengetahuan para praktisi di lapang dan pakar. Rangkuman
tindakan manajerial tersebut dapat diolah menjadi sebuah rule base. Hubungan antara tingkat risiko dan kumpulan tindakan-tindakan
manajerial akan menghasilkan tindakan-tindakan manajerial yang sesuai dengan tingkat risiko. Agregasi tingkatan risiko yang diperoleh
akan dihubungkan dengan basis pengetahuan menggunakan rule base. Prosedur penilaian risiko dilakukan secara bertahap yaitu sebagai
berikut: 1.
Memasukkan hasil penilaian kemungkinan risiko dan dampak risiko untuk setiap elemen. Penilaian berdasarkan skala penilaian risiko.
Data penilaian risiko diperoleh berdasarkan pendapat tiga orang ahli pakar.
2. Melakukan perhitungan untuk mendapatkan nilai risiko dari setiap
faktor risiko untuk setiap pengambil keputusan ke-j V
ij
pada semua variabel peubah risiko. Rumus yang digunakan dalam perhitungan
Yager dalam Santoso 2005 adalah: P
ik
=Min[NegIq
j
vP
ik
q
j
] 3.
Menentukan bobot faktor nilai pengambil keputusan pakar dengan formula: b
k
= Int [1 + k q – 1 r]
4. Menentukan nilai gabungan dari seluruh nilai pakar dengan metode
OWA= Pi= Maxj...r [ Q
j
Bj] 5.
Melakukan proses perhitungan dari tahap 2 sampai tahap 4 dilakukan secara berulang sampai didapat agregasi secara total.
IV. HASIL DAN PEMBAHASAN
4.1. Gambaran Umum Rantai Pasokan Sayuran Edamame
4.1.1 Karakteristik dan Budidaya Sayuran Edamame
Salah satu sayuran yang memiliki prospek yang baik untuk dipasarkan adalah sayuran Edamame. Seiring dengan perkembangan
dan peningkatan kesejahtraan masyarakat Indonesia serta kebutuhan industri, maka konsumsi kedelai sebagai sumber protein nabati dan
rendah kolesterol semakin diminati bagi sejumlah besar masyarakat Indonesia. Sayuran Edamame merupakan salah satu tanaman sejenis
kedelai yang berasal dari daerah sub tropika, yang telah berhasil dikembangkan di Indonesia. Tanaman ini dikonsumsi sebagai kedelai
segar, dengan rasa yang unik dan sangat tinggi nilai gizinya sebagai sumber vitamin, mineral, protein, energi. Sayuran Edamame menjadi
satu-satunya sayuran yang mengandung semua sembilan jenis asam amino esensial, yang dapat menstabilkan kadar gula darah,
meningkatkan metabolisme dan kadar energi, serta membantu membangun otot dan sel-sel sistem imun.
Sayuran Edamame memiliki ukuran yang lebih besar daripada kedelai biasa. Jenis sayuran Edamame yang dibudidayakan oleh
PT Saung Mirwan adalah jenis Ryokoh. Lahan tanam yang ideal untuk Sayuran Edamame yaitu pada ketinggian di bawah 1000 m di atas
permukaan laut, derajat keasamaan tanah pH sekitar 5,5 - 6, dan tanahnya subur.
Budidaya sayuran Edamame dapat dilakukan secara tumpang sari maupun monokultur. Budidaya sayuran Edamame dapat dilakukan
secara tumpang sari, yaitu dengan Pohon Durian, Pohon Salak, dan Pohon Pisang. Informasi mengenai budidaya sayuran Edamame
diperoleh dari penyuluhan dan pembinaan, yang dilakukan oleh penyuluh PT Saung Mirwan kepada petani mitra. Bagi petani mitra
yang mengikuti saran yang dianjurkan oleh PT Saung Mirwan, mereka cenderung mendapatkan hasil panen yang lebih baik. Budidaya sayuran
