Model Pengelompokan Mutu Tepung Jagung

pencapaian kadar air sebesar maksimum 10 merupakan hal yang sulit. Pabrik tepung jagung dalam memproduksi tepung jagung menetapkan standar mutu kadar air sebesar maksimum 14. Dengan demikian dalam perancangan model pengelompokan mutu tepung jagung di tetapkan kadar air maksimum sebesar 14. Penetapan kadar abu disesuaikan dengan persyaratan mutu tepung jagung oleh yaitu maksimum sebesar 1,5. Apabila persyaratan mutu ketiga kriteria uji tersebut melampaui batas maksimum yang ditetapkan, maka tepung jagung yang dihasilkan tidak akan dikelompokkan dan tidak dapat digunakan sebagai bahan baku industri farmasi, industri pangan dan industri pakan. Bila memenuhi persyaratan, akan dilanjutkan pada tahap berikutnya yaitu tahap pengelompokan mutu tepung jagung. Model konseptual pengelompokan mutu tepung jagung dengan FIS dapat dilihat pada Gambar 33. Pengelompokan ini dilakukan berdasarkan karakteristik pembeda tepung jagung. Parameter tepung jagung menurut kriteria uji yang digunakan sebagai karakteristik pembeda dalam pengelompokan mutu tepung jagung adalah ketiga kriteria uji yang telah ditentukan pada tahap sebelumnya. Berdasarkan model konseptual pada Gambar 33, diturunkan menjadi model pengelompokan mutu tepung jagung dengan memasukkan ketiga kriteria uji sebagai karakteristik pembeda. Karakteristik Pembeda Karakteristik Pembeda - Banyaknya Kelompok - Kesamaan nilai kriteria uji - Banyaknya Kelompok - Kesamaan nilai kriteria uji Kelompok Mutu Tepung Jagung Kelompok Mutu Tepung Jagung FIS Gambar 33 Model konseptual pengelompokan mutu tepung jagung dengan FIS. Terdapat tiga kriteria uji sebagai karakteristik pembeda pada perancangan model pengelompokan mutu tepung jagung. Kriteria uji tersebut adalah kandungan aflatoksin, kadar air dan kadar abu. Ketiga kriteria uji ini merupakan variabel input pada fuzzy inference system. Variabel output dalam model ini adalah tepung jagung Grade 1, Grade 2 dan Grade 3. Grade 1 diperuntukkan bagi industri farmasi, Grade 2 untuk industri pangan, dan Grade 3 untuk industri pakan. Model pengelompokan tepung jagung dapat dilihat pada Gambar 34. Fuzzy Inference System Fuzzy Inference System Jumlah kelompok = 3 Jumlah kelompok = 3 Grade 1 Grade 1 Kelompok Mutu Tepung Jagung Kelompok Mutu Tepung Jagung Grade 3 Grade 3 Grade 2 Grade 2 Aflatoksin Aflatoksin Kadar air Kadar air Kadar abu Kadar abu Gambar 34 Model pengelompokan mutu tepung jagung. Berdasarkan hasil konfirmasi dan diskusi dengan pakar, dibuatkan klasifikasi mutu tepung jagung berdasarkan kriteria uji yang dipilih. Agregasi mutu untuk model pengelompokan mutu tepung jagung dibuat untuk menentukan semesta pembicaraan, himpunan fuzzy, nilai domain dan parameter himpunan setiap kriteria uji. Gambar 35 menunjukkan agregasi mutu tepung jagung. Aflatoksin Rendah Sedang Tinggi Kadar Air Rendah Sedang Tinggi Kadar abu Rendah Sedang Tinggi GRADE 1 GRADE 2 GRADE 3 Gambar 35 Agregasi mutu tepung jagung. Penentuan nilai-nilai bagi semesta pembicaraan, himpunan fuzzy, dan domain dalam bentuk logika fuzzy dibuat berdasarkan ketentuan pada SNI pada Tabel 7, berdasarkan konsultasi pakar dan konfirmasi dari pabrik tepung jagung. Kandungan aflatoksin yang diperbolehkan untuk manusia maksimum 5 ppb dan untuk hewan maksimum 50 ppb. Berdasarkan hal ini maka semesta pembicaraan untuk kandungan aflatoksin adalah [0,50]. Nilai domain himpunan rendah untuk kriteria uji ini sebesar [0,1] karena himpunan rendah diharapkan akan masuk pada Grade 1 yang diperuntukkan bagi industri farmasi. Himpunan sedang memiliki domain kandungan aflatoksin sebesar [0.5,5] merupakan persyaratan batas maksimum kandungan aflatoksin bagi manusia yakni 5 ppb. Himpunan tinggi memiliki domain [3,50] didasarkan bahwa maksimum kandungan aflatoksin bagi hewan yang diijinkan adalah sebesar 50 ppb. Kadar air yang baik bagi tepung jagung sebagai zat pengisi untuk industri farmasi adalah kadar air rendah, agar tidak cepat merusak produk yang dihasilkan. Dengan demikian nilai domain kadar air bagi himpunan rendah adalah [10,12], himpunan sedang sebesar [11,13], dan bagi himpunan tinggi sebesar [12,14]. Tabel 16 Semesta pembicaraan, himpunan fuzzy, domain mutu tepung jagung Fungsi Variabel Mutu TepungJagung Semesta Pembicaraan Nama Himpunan Fuzzy Domain Input Aflatoksin [0 , 50] Rendah [0 , 1] sedang [0.5 , 5] tinggi [3 , 50] Kadar air [10 , 14] rendah [10 , 12] sedang [11 , 13] tinggi [12 , 14] Kadar abu [0 , 1.5] rendah [0 , 0.5] sedang [0.25 , 1] tinggi [0.5 , 1.5] Output Mutu Tepung Jagung Grade 1 Grade 2 Grade 3 Semakin rendah kadar abu, mutu tepung jagung semakin baik. Nilai maksimum yang ditentukan oleh SNI sebesar 1.5. Kadar abu yang dipersyaratkan untuk industri farmasi maksimum sebesar 0.5. Nilai domain kadar abu bagi himpunan rendah adalah [0, 0.5], bagi himpunan sedang sebesar [0.25,1], dan bagi himpunan tinggi sebesar [0.5 ,1.5]. Nilai semesta pembicaraan, himpunan fuzzy, dan domain mutu tepung jagung yang akan digunakan dalam proses pengelompokan ini dapat dilihat pada Tabel 16. Himpunan fuzzy variabel input dikategorikan sebagai kategori rendah, sedang, dan tinggi. Sebagai variabel output adalah kualifikasi Grade 1, Grade 2, dan Grade 3. Sebagaimana halnya dengan model yang dirancang sebelumnya, metode Sugeno dalam Fuzzy Inference System FIS dipakai dalam pengelompokan ini, karena variabel output dari model ini merupakan kelompok tegas crisp. Representasi kurva variabel input mutu tepung jagung pada setiap kategori dalam himpunan fuzzy berupa representasi kurva segi tiga, dan nilai parameter setiap kategori dapat dilihat pada Tabel 17. Penetapan nilai-nilai pada setiap kategori dibuat berdasarkan nilai-nilai yang dipersyaratkan pada Tabel 7 dan hasil diskusi serta konfirmasi pakar. Tabel 17 Representasi kurva variabel mutu tepung jagung Fungsi Variabel Mutu Tepung Jagung Nama Himpunan Fuzzy Jenis Kurva Parameter Input Aflatoksin rendah segi tiga [0 0 1] sedang segi tiga [0.5 3 5] tinggi segi tiga [3 50 50] Kadar air rendah segi tiga [10 10 12] sedang segi tiga [11 12 13] tinggi segi tiga [12 14 14] Kadar abu rendah segi tiga [0 0 0.5] sedang segi tiga [0.25 0.5 1] tinggi segi tiga [0.5 1.51.5] Output Mutu Tepung Jagung Grade 1 1 Grade 2 2 Grade 3 3 If-then rules dibangun berdasarkan pengaruh variabel aflatoksin, kadar air, dan kadar abu terhadap mutu tepung jagung. Diskusi dan konfirmasi pakar digunakan dalam membangun aturan tersebut, termasuk mempertimbangkan bobot kepentingan yang telah dihitung bagi setiap kriteria uji sebagai variabel input menurut jenis industri pengguna tepung jagung. If-then-rules yang diperlukan untuk menjalankan FIS pada perangkat lunak MATLAB R2010a ditunjukkan pada Lampiran 9. Nilai-nilai parameter fuzzy masing-masing variabel input, variabel output dan aturan if-then seperti terlihat pada Tabel 16 dan 17 dimasukkan ke dalam program FIS pada MATLAB R2010a. Hasil menjalankan program tersebut dan tampilan pada layar dapat dilihat pada Lampiran 10.

5.4 Model Prediksi Permintaan Tepung Jagung

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. V ji merupakan bobot hubungan unit neuron input X i ke unit layar tersembunyi Z j . W kj merupakan bobot dari unit layar tersembunyi Z j ke unit output Y k . W k0 merupakan bobot dari neuron bias di layar tersembunyi ke unit neuron output Z k .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. X 1 Y Xn Z j Z 1 v 11 v p1 v 12 v p2 w 11 w 1j 1 1 Z p v j2 v j1 v 10 v p0 v j0 w 1p w 10 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.

5.5 Verifikasi dan Validasi Model

Proses verifikasi model dilakukan melalui konsultasi dan konfirmasi dengan pakar apakah model yang dibangun sesuai dengan sistem nyata. Proses verifikasi ini dilakukan pada setiap model yang dirancang pada model penyediaan tepung jagung ini. Verifikasi dilakukan dengan memperoleh konfirmasi tentang komponen-komponen pada setiap model yang dirancang. Pada model prediksi produksi jagung dilakukan dengan perunutan terhadap variabel-variabel input yang mempengaruhi jumlah produksi jagung. Produksi jagung dipengaruhi oleh beberapa faktor antara lain penggunaan bibit, pemanfaatan lahan, pemupukan secara tepat, pengendalian hama dan penyakit, pengairan, curah hujan, dan penanganan proses panen Direktorat Budidaya Serealia, 2006. Tabel 18 Perunutan variabel input pada model prediksi produksi jagung Nama variabel input 0 - 1 Sifat data Penggunaan bibit Kualitatif Pemanfaatan lahan Kualitatif Pemupukan secara tepat Kualitatif Pengendalian hama dan penyakit Kualitatif Pengairan Kualitatif Curah hujan mm 1 Kuantitatif Penanganan proses panen Kualitatif Luas panen ha 1 Kuantitatif Model prediksi produksi jagung menggunakan metode kuantitaif, sehingga data yang dibutuhkan adalah data kuantitatif. Tabel 18 menunjukkan hasil perunutan variabel input yang dapat dan tidak dapat digunakan pada model peramalan kuatitatif. Angka 0 nol menunjukkan bahwa variabel tersebut bersifat kualitatif dan tidak dapat digunakan pada model, sedangkan angka 1 menunjukkan bahwa variabel bersifat kuantitatif dan dapat digunakan pada model. Proses verifikasi pada model pengelompokan mutu jagung pipilan dilakukan melalui konsultasi pakar dan konfirmasi pada pihak pabrik tepung jagung. Hasil verifikasi menunjukkan bahwa variabel input dalam model sesuai dengan SNI. Variabel input butir warna lain tidak dimasukkan karena jagung yang ditanam di sentra jagung, dan yang dipasok sebagai bahan baku pada pabrik tepung jagung adalah jagung kuning, sehingga dipastikan bahwa terdapat keseragaman warna jagung pipilan. Verifikasi pada model pengelompokan mutu tepung jagung dilakukan melalui konsultasi dengan pakar dan konfirmasi kepada pihak pabrik jagung. Variabel input dalam pengelompokan mutu tepung jagung adalah kandungan aflatoksin, kadar air, dan kadar abu. Hal ini diperkuat melalui hasil pengisian panduan konsultasi oleh pakar pada Tabel 12. Variabel input pada model prediksi permintaan merupakan data permintaan berdasarkan hasil diskusi dan konfirmasi pada pabrik tepung jagung. Permintaan tepung jagung dilakukan oleh industri farmasi, industri pangan, dan industri pakan. Tujuan validasi model adalah untuk ketepatan suatu model dalam melakukan fungsinya sesuai rancangbangun model tersebut. Dalam perancangan model prediksi produksi jagung, model sebab-akibat atau model kausal cukup valid untuk digunakan dalam melakukan peramalan. Hal ini disebabkan produksi jagung tidak dipengaruhi oleh waktu, namun dipengaruhi oleh berbagai faktor antara lain hama, benih, pengairan, luas panen. Perangkat lunak Minitab Release 14 telah valid sebagai alat analisis untuk melakukan peramalan. Validasi pada model prediksi permintaan tepung jagung, variabel waktu dapat digunakan sebagai variabel yang mempengaruhi permintaan, sehingga model peramalan time series dapat digunakan dalam model ini. Hasil peramalan dengan jaringan syaraf tiruan telah menunjukkan hasil yang valid, bahwa nilai permintaan tepung jagung berada pada kisaran antara nilai minimum dan nilai