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