Skenario Ke Tiga – Terdapat Dua Belas Pesanan

Jawaban Prof. Dr. Ir. Yuri M. Zagloel 1. Bagaimana menurut Bapak Ibu Saudara, nilai positip nilai lebih maupun nilai negatip nilai kurang dari model-model tersebut ditinjau dari usaha rantai pasok perberasan ? No MODEL 1. MODEL PRAKIRAAN PASOKAN BERAS Nilai positip nilai lebih : • Efektif memonitor trend harga • Dapat di gunakan sebagai dasar forecasting Nilai negatip nilai kurang : • Trend sering kali diakibatkan oleh faktor-faktor yang tidak terprediksi • Trend sering kali di akibatkan oleh faktor yang tidak berulang 2. MODEL PRAKIRAAN HARGA BERAS Nilai positip nilai lebih : • Efektif memonitor trend harga • Dapat di gunakan sebagai dasar forecasting Nilai negatip nilai kurang : • Konsekuensinya jika ada variable penting yang tidak dimasukan, maka model tidak dapat mencerminkan keadaan sebenarnya 3. MODEL PEMILIHAN PEMASOK BERAS Nilai positip nilai lebih : • Model dapat membantu memilih pemasok yang kompeten Nilai negatip nilai kurang : • Jika ada kriteria yang kurang pas atau tidak masuk maka model tidak menghasilkan output yang diharapkan 4. MODEL DISTRIBUSI DAN TRANSPORTASI BERAS Nilai positip nilai lebih : • Dapat biaya yang optimal untuk distribusi dan transportasi beras Nilai negatip nilai kurang : • Jika model optimalnya tidak pas, maka keluarannya tidak seperti yang diharapkan 2. Bagaimana menurut Bapak Ibu Saudara, nilai manfaat dari model-model yang dihasilkan terkait dengan usaha perberasan? beri tanda silang pada kotak tersedia dengan nilai yang sesuai menurut Bapak Ibu Saudara terkait dengan model yang dihasilkan No MODEL Nilai Manfaat 1 2 3 4 5 1 Prakiraan Pasokan Beras x 2. Prakiraan Harga Beras x 3. Pemilihan Pemasok Beras x 4. Distribusi dan Transportasi Beras x Keterangan : 1 : Tidak Bermanfaat 2 : Kurang Bermanfaat 3 : Cukup Bermanfaat 4 : Bermanfaat 5 : Sangat Bermanfaat RESPONDEN KUESIONER NAMA : Prof. Dr. Ir. T. Yuri M. Zagloel JABATAN : Ketua Departemen Teknik Industri INSTITUSI : Universitas Indonesia HARI TANGGAL : Rabu 5 januari 2011 TANDA TANGAN keterangan : ………ttd………… diterima melalui email Jawaban Dr. Ir. Tomy Perdana 1. Bagaimana menurut Bapak Ibu, nilai positip maupun nilai negatip dari model-model tersebut ditinjau dari bisnis perberasan ? No MODEL Nilai Positip Nilai Negatip 1. Prakiraan Pasokan Beras Memudahkan dalam pengambilan keputusan yang terstruktur Modelnya tidak mengakomodasi adanya feedback antar variabel seperti persediaan dengan harga beras Tidak membedakan jenis dan kualitas beras Tidak mengakomodasi perubahan iklim sebagai penentu pasokan dan harga 2. Prakiraan Harga Beras Memudahkan dalam pengambilan keputusan yang terstruktur Memudahkan pemantauan terhadap perilaku harga beras Modelnya tidak mengakomodasi adanya feedback antar variabel seperti persediaan dengan harga beras Tidak membedakan jenis dan kualitas beras Tidak mengakomodasi perubahan iklim sebagai penentu pasokan dan harga 3. Pemilihan Pemasok Beras Memudahkan dalam pengambilan keputusan yang terstruktur Tidak mengakomodasi sumber pasokan setiap daerah memiliki spesifikasi jenis dan kualitas beras yang berbeda 4. Distribusi dan Transportasi Beras Memudahkan untuk pemilihan rute berdasarkan jarak Belum mengakomodasi kepadatan lalulintas yang dapat menyebabkan inefisiensi transportasi 2. Bagaimana menurut Bapak Ibu, nilai manfaat dari model-model yang dihasilkan terkait dengan usaha perberasan? beri tanda silang pada kotak tersedia dengan nilai yang sesuai menurut Bapak Ibu terkait dengan model yang dihasilkan No MODEL Nilai Manfaat 1 2 3 4 5 1. Prakiraan Pasokan Beras X 2. Prakiraan Harga Beras X 3. Pemilihan Pemasok Beras X 4. Distribusi dan Transportasi Beras X Keterangan : 1 : Tidak Bermanfaat 2 : Kurang Bermanfaat 3 : Cukup Bermanfaat 4 : Bermanfaat 5 : Sangat Bermanfaat RESPONDEN KUESIONER NAMA : Dr. Ir. Tomy Perdana JABATAN : Lektor Kepala dan Ketua Program Studi INSTITUSI : Program Studi Agribisnis Faperta Universitas Padjadjaran HARI TANGGAL : Rabu 5 Januari 2011 TANDA TANGAN keterangan : ……………ttd………………. diterima melalui email Jawaban Dr. Ir. Rika Ampuh, MT. 1. Bagaimana menurut Bapak Ibu Saudara, nilai positip nilai lebih maupun nilai negatip nilai kurang dari model-model tersebut ditinjau dari usaha rantai pasok perberasan ? No MODEL 1. MODEL PRAKIRAAN PASOKAN BERAS Nilai positip nilai lebih : • Time batch per minggu • Early warning signal Nilai negatip nilai kurang : • Variabel masukan untuk forecasting apa saja? • Level optimal stock beras belum terlihat 2. MODEL PRAKIRAAN HARGA BERAS Nilai positip nilai lebih : • Time batch minggu • Early warning signal Nilai negatip nilai kurang : • Variabel forecasting tidak terlihat pada kuisioner 3. MODEL PEMILIHAN PEMASOK BERAS Nilai positip nilai lebih : • Seluruh supplier sudah terlibat • Kriteria pemilihan lengkap Nilai negatip nilai kurang : • Aktor belum dilibatkan 4. MODEL DISTRIBUSI DAN TRANSPORTASI BERAS Nilai positip nilai lebih : • Lokasi dan rute lengkap • Fungsi obyektif realistis Nilai negatip nilai kurang : • Tidak teridentifikasi waktu tempuh per jarak • Perlu analisis jumlah kapasitas kendaraan setiap jarak 2. Bagaimana menurut Bapak Ibu Saudara, nilai manfaat dari model-model yang dihasilkan terkait dengan usaha perberasan? beri tanda silang pada kotak tersedia dengan nilai yang sesuai menurut Bapak Ibu Saudara terkait dengan model yang dihasilkan No MODEL Nilai Manfaat 1 2 3 4 5 1. Prakiraan Pasokan Beras V 2. Prakiraan Harga Beras V 3. Pemilihan Pemasok Beras V 4. Distribusi dan Transportasi Beras V Keterangan : 1 : Tidak Bermanfaat 2 : Kurang Bermanfaat 3 : Cukup Bermanfaat 4 : Bermanfaat 5 : Sangat Bermanfaat RESPONDEN KUESIONER NAMA : Dr. Ir. Rika Ampuh Hadiguna, MT JABATAN : Dosen INSTITUSI : Fakultas Teknik Universitas Andalas HARI TANGGAL : Kamis, 25 November 2010 TANDA TANGAN keterangan : …………….ttd…………….. diterima melalui email Jawaban Setijadi, ST., MT 1. Bagaimana menurut Bapak Ibu, nilai positip maupun nilai negatip dari model-model tersebut ditinjau dari bisnis perberasan ? No MODEL Nilai Positip Nilai Negatip 1. Prakiraan Pasokan Beras • ………………………… • ………………………… • Tampilan tidak menunjukkan model, tetapi output model. 2. Prakiraan Harga Beras • ………………………… • ………………………… • Tampilan tidak menunjukkan model, tetapi output model. 3. Pemilihan Pemasok Beras • ………………………… • ………………………… • Tampilan tidak menunjukkan model, tetapi output model. 4. Distribusi dan Transportasi Beras • ………………………… • ………………………… • Tampilan tidak menunjukkan model, tetapi output model. 2. Bagaimana menurut Bapak Ibu, nilai manfaat dari model-model yang dihasilkan terkait dengan usaha perberasan? beri tanda silang pada kotak tersedia dengan nilai yang sesuai menurut Bapak Ibu terkait dengan model yang dihasilkan No MODEL Nilai Manfaat 1 2 3 4 5 1. Prakiraan Pasokan Beras X 2. Prakiraan Harga Beras X 3. Pemilihan Pemasok Beras X 4. Distribusi dan Transportasi Beras X Keterangan : 1 : Tidak Bermanfaat 2 : Kurang Bermanfaat 3 : Cukup Bermanfaat 4 : Bermanfaat 5 : Sangat Bermanfaat RESPONDEN KUESIONER NAMA : Setijadi, ST., MT. JABATAN : Kepala Logistics Supply Chain Center INSTITUSI : Universitas Widyatama TANDA TANGAN keterangan : ……….ttd…………… diterima melalui email Lampiran 11.1. Proses Verifikasi Untuk Jaringan Syaraf Tiruan Pada Harga Beras Varietas Beras Muncul III Pola yang digunakan dalam verifikasi adalah pola no 3 harga beras MuncuIII yaitu sebagai berikut Nilai Keterangan Minggu ke-1 Minggu ke-2 Minggu ke-3 Minggu ke-4 5100.000 5100.000 5100.000 5228.571 Input Minggu ke-5 Minggu ke-6 5271.429 5200.000 Target Harga max: 6300; Harga min: 4900 Normalisasi X_norm = 0.8 + 0.1 Maka: Nilai Keterangan x1 x2 x3 x4 0.214 0.214 0.214 0.288 Input y1 y2 0.312 0.271 Target Arsitektur JST Untuk Beras Muncul III Spesifikasi sebagai berikut: Jumlah neuron input 4 Jumlah neuron output 2 Jumlah neuron hidden 8 Fungsi aktivasi dari input ke hidden Logsig Fungsi aktivasi dari hidden ke output Logsig Epoch 5000 Goal 0.001 Laju pembelajaran 0.2 Arsitektur backpropagation dengan 1 hidden layer yang terdiri dari dari 8 unit tampak pada gambar A. Gambar A. Mula-mula bobot diberi nilai acak yang kecil. Misal didapat bobot seperti Tabel A bobot dari input layer ke hidden layer = v ji dan Tabel B bobot hidden layer ke output layer = w kj Tabel A. Bobot dari input layer ke hidden layer = v ji z1 z2 z3 z4 z5 z6 z7 z8 x1 0.5 1 0.2 -0.1 0.4 0.9 -0.3 0.4 x2 1 -0.3 0.3 0.4 0.5 -1 0.8 0.5 x3 0.6 0.9 1 0.5 -0.3 -1 0.5 0.4 x4 0.5 -0.3 -0.8 -0.3 0.6 1 0.2 1 1 0.7 0.2 1 0.5 -0.9 1 -0.3 0.4 Tabel B. Bobot hidden layer ke output layer = w kj y1 y2 z1 -1 0.6 z2 0.3 0.2 z3 1 0.8 z4 0.2 -1 z5 -1 1 z6 -0.5 0.4 z7 0.2 -1 z8 0.7 0.8 1 -1 0.2 Fase I : Propagasi Maju Hitung keluaran unit tersembunyi zj z_net j z_net = + 1 z_net = 0.7 + 0.2140.5 + 0.214 1 + 0.214 0.6 + 0.288 0.5 = 1.293 2 z_net = 0.2 + 0.214 1 + 0.214 -0.3 + 0.214 0.9 + 0.288 -0.3 = 0.456 3 z_net = 1 + 0.2140.2 + 0.214 0.3 + 0.214 1 + 0.288 -0.8 = 1.091 4 z_net = 0.5 + 0.214 -0.1 + 0.214 0.4 + 0.214 0.5 + 0.288 -0.3 = 0.585 5 z_net = -0.9 + 0.214 0.4 + 0.214 0.5 + 0.214 -0.3 + 0.288 0.6 = -0.599 6 z_net = 1 + 0.214 0.9 + 0.214 -1 + 0.214 -1 + 0.288 1 = 1.053 7 z_net = -0.3 + 0.214 -0.3 + 0.214 0.8 + 0.214 0.5 + 0.288 0.2 = -0.028 8 z = 0.4 + 0.214 0.4 + 0.214 0.5 + 0.214 0.4 + 0.2881 = 0.966 j = fz_net j z = 1 = fz_net 1 z = = 0.784 2 = fz_net 2 z = = 0.612 3 = fz_net 3 z = = 0.749 4 = fz_net 4 z = = 0.642 5 = fz_net 5 z = = 0.355 6 = fz_net 6 z = = 0.741 7 = fz_net 7 z = = 0.493 8 = fz_net 8 = = 0.724 Hitung keluaran unit y y_net k k = w ko y_net + 1 y_net = -1 + 1.293-1 + 0.4560.3 + 1.0911 + 0.5850.2 + -0.599-1 + 1.053-0.5 + -0.0280.2 + 0.9660.7 = -0.205 2 y = 0.2 + 1.2930.6 + 0.4560.2 + 1.0910.8 + 0.585-1 + -0.5991 + 1.0530.4 + -0.028-1 + 0.9660.8 = 1.978 1 = fy_net 1 y = = 0.449 2 = fy_net 2 = = 0.878 Fase II : Propagasi mundur Hitung faktor δ di unit keluaran y δ k k = t k – y k f’y_net k = t k – y k y k 1 – y k δ 1 δ = 0.312 – 0.449 0.449 1 – 0.449 = -0.034 2 = 0.271 – 0.878 0.878 1 – 0.878 = -0.065 Lanjut ke tahap selanjutnya sampai keluaran sama dengan target. Suku perubahan bobot w kj Δw dengan α = 0.2: kj = α δ k z Δw j 10 Δw = 0.2 -0.034 1 = -0.0068 20 Δw = 0.2 -0.065 1 = -0.013 11 = 0.2 -0.034 0.784 = Δw -0.00533 21 Δw = 0.2 -0.065 0.784 = -0.0102 12 Δw = 0.2 -0.034 0.612 = -0.00416 22 Δw = 0.2 -0.065 0.612 = -0.00796 13 Δw = 0.2 -0.034 0.749 = -0.00509 23 Δw = 0.2 -0.065 0.749 = -0.00974 14 Δw = 0.2 -0.034 0.642 = -0.00436 24 Δw = 0.2 -0.065 0.642 = -0.00835 15 Δw = 0.2 -0.034 0.355 = -0.00241 25 Δw = 0.2 -0.065 0.355 = -0.00461 16 Δw = 0.2 -0.034 0.741 = -0.00504 26 Δw = 0.2 -0.065 0.741 = -0.0096 17 Δw = 0.2 -0.034 0.493 = -0.00335 27 Δw = 0.2 -0.065 0.493 = -0.00641 18 Δw = 0.2 -0.034 0.724 = -0.00504 28 Hitung penjumlahan kesalahan dari unit tersembuny i =δ = 0.2 -0.065 0.724 = -0.009412 δ_net j δ_net = 1 δ_net = -0.034 -1 + -0.065 -0.6 = 0.073 2 δ_net = -0.034 0.3 + -0.065 0.2 = -0.0232 3 δ_net = -0.034 1 + -0.065 0.8 = -0.086 4 δ_net = -0.034 0.2 + -0.065 -1 = 0.0582 5 δ_net = -0.034 -1 + -0.065 1 = -0.031 6 δ_net = -0.034 -0.5 + -0.065 0.4 = -0.009 7 δ_net = -0.034 0.2 + -0.065 -1 = -0.0718 8 = -0.034 0.7 + -0.065 0.8 = -0.0758 Faktor kesalahan δ di unit tersembunyi: δ j = δ_net j f‘z_ net j = δ_net j z j 1-z j δ 1 δ = 0.073 0.784 1-0.784 = 0.0124 2 δ = -0.0232 0.612 1-0.612 = -0.0067 3 δ = -0.086 0.749 1-0.749 = -0.016 4 δ = 0.0582 0.642 1-0.642 = 0.0134 5 δ = -0.031 0.355 1-0.355 = -0.0071 6 δ = -0.009 0.741 1-0.741 = -0.00173 7 δ = -0.0718 0.493 1-0.493 = -0.0179 8 = -0.0758 0.724 1-0.724 = -0.0145 Suku perubahan bobot ke unit tersembunyi Δv ji = α δ j x i z1 z2 z3 z4 z5 z6 z7 z8 x1 v 11 = 0.20.0124 0.214 = 5.3 x 10 v -4 21 = 0.2- 0.00670.214 = -2.8 x 10 v -4 31 = 0.2- 0.0160.214 = -6.8 x 10 v -4 41 = 0.20.013 40.214 = 5.7 x 10 v -4 51 = 0.2- 0.00710.2 14 = -3.04 x 10 v -4 61 = 0.2- 0.001730. 214 = -7.4 x 10 v -5 71 = 0.2 - 0.01790.2 14 = -7.6 x 10 v -4 81 = 0.2 - 0.01450.2 14 = -6.2 x 10 -4 x2 v 12 = 0.20.0124 0.214 = 5.3 x 10 v -4 22 = 0.2- 0.00670.214 = -2.8 x 10 v -4 32 = 0.2- 0.0160.214 = -6.8 x 10 v -4 42 = 0.20.013 40.214 = 5.7 x 10 v -4 52 = 0.2- 0.00710.2 14 = -3.04 x 10 v -4 62 = 0.2- 0.001730. 214 = -7.4 x 10 v -5 72 = 0.2 - 0.01790.2 14 = -7.6 x 10 v -4 82 = 0.2 - 0.01450.2 14 = -6.2 x 10 -4 x3 v 13 = 0.20.0124 0.214 = 5.3 x 10 v -4 23 = 0.2- 0.00670.214 = -2.8 x 10 v -4 33 = 0.2- 0.0160.214 = -6.8 x 10 v -4 43 = 0.20.013 40.214 = 5.7 x 10 v -4 53 = 0.2- 0.00710.2 14 = -3.04 x 10 v -4 63 = 0.2- 0.001730. 214 = -7.4 x 10 v -5 73 = 0.2 - 0.01790.2 14 = -7.6 x 10 v -4 83 = 0.2 - 0.01450.2 14 = -6.2 x 10 -4 x4 v 14 = 0.20.0124 0.288 = 7.1 x 10 v -4 24 = 0.2- 0.0067 0.288 = -3.8 x 10 v -4 34 = 0.2- 0.016 0.288 = -9.2 x 10 v -4 44 = 0.20.013 4 0.288 = 7.7 x 10 v -4 54 = 0.2- 0.0071 0.288 = - 4.09 x 10 v -4 64 = 0.2- 0.00173 0.288 = - 9.96 x 10 v -5 74 = 0.2 - 0.0179 0.288 = - 1.03 x 10 v -3 84 = 0.2 - 0.0145 0.288 = - 8.35 x 10 -4 1 v 10 = 0.20.0124 1 = 2.5 x 10 v -3 20 = 0.2- 0.00671 = - 1.3 x 10 v -3 30 = 0.2- 0.0161 = - 3.2 x 10 v -3 40 = 0.20.013 4 1 = 2.68 x 10 v -3 50 = 0.2- 0.0071 1 = -1.42 x 10 v -4 60 = 0.2- 0.00173 1 = -3.46 x 10 v -5 70 = 0.2 - 0.0179 1 = -3.58 x 10 v -3 80 = 0.2 - 0.0145 1 = -2.9 x 10 - 3 Fase III : Hitung semua perubahan bobot Perubahan bobot unit keluaran: w kj baru = w kj lama + Δw kj w k=1; j=0,1,…,3 11 w baru = -1 -0.0068 = -1.0068 21 w baru = 0.6-0.0102 = 0.5898 12 w baru = 0.3-0.0068 = 0.2932 22 w baru = 0.2-0.00796 = 0.19204 13 w baru = 1-0.00533 = 0.99467 23 w baru = 0.8-0.00974 = 0.79026 14 w baru = 0.2-0.00416 = 0.19584 24 w baru = -1-0.00835 = -1.00835 15 w baru = -1-0.00241 = -1.00241 25 w baru = 0.4-0.00461 = 0.39539 16 w baru = -0.5-0.00504 = -0.50504 26 w baru = -1-0.0096 = -1.0096 17 w baru = 0.2-0.00335 = 0.19665 27 w baru = 0.8-0.00641 = 0.79359 18 w baru = 0.7-0.00504 = 0.69496 28 w baru = 0.2-0.009412 = 0.190588 10 w baru = -1-0.0068 = -1.068 20 baru = 0.2-0.013 = 0.187 Perubahan bobot unit tersembunyi: v ji baru = v ji lama + Δv ji v j=1,2,…,8; i=0,1,…,3 ji baru = v ji lama + Δv ji z1 z2 z3 z4 z5 z6 z7 z8 x1 v 11 baru = 0.5 + 5.3 x 10 -4 v = 0.50053 21 baru = 1 - 2.8 x 10 -4 v = 0.99972 31 baru = 0.2 - 6.8 x 10 -4 v =0.19932 41 baru = -0.1 + 5.7 x 10 -4 v =- 0.09943 51 baru = 0.4 - 3.04 x 10 -4 v = 0.39970 61 baru = 0.9 - 7.4 x 10 -5 v = 0.89993 71 baru = -0.3 - 7.6 x 10 -4 v = - 0.30076 81 baru = 0.4 - 6.2 x 10 -4 = 0.39938 x2 v 12 baru = 1 + 5.3 x 10 -4 v =1.00053 22 baru = - 0.3 - 2.8 x 10 -4 v = - 0.30028 32 baru = 0.3 - 6.8 x 10 -4 v =0.29932 42 baru = 0.4 + 5.7 x 10 -4 v = 0.40057 52 baru = 0.5 - 3.04 x 10 -4 v = 0.49970 62 baru = - 1 - 7.4 x 10 -5 v =-1.00007 72 baru = 0.8 - 7.6 x 10 -4 v = 0.79924 82 baru = 0.5 - 6.2 x 10 -4 = 0.49938 x3 v 13 baru = 0.6 5.3 x 10 -4 v = 0.60053 23 baru = 0.9 - 2.8 x 10 -4 v = 0.89972 33 baru = 1 - 6.8 x 10 -4 v = 0.99932 43 baru = 0.5 + 5.7 x 10 -4 v = 0.50057 53 baru = -0.3 - 3.04 x 10 -4 v = - 0.30030 63 baru = - 1 - 7.4 x 10 -5 v = -1.00007 73 baru = 0.5 - 7.6 x 10 -4 v = 0.49924 83 baru = 0.4 - 6.2 x 10 -4 = 0.39938 x4 v 14 baru = 0.5 + 7.1 x 10 -4 v = 0.50071 24 baru = - 0.3 -3.8 x 10 - 4 v = -0.30038 34 baru = - 0.8 -9.2 x 10 - 4 v = -0.80092 44 baru = -0.3 + 7.7 x 10 -4 v = - 0.29923 54 baru = 0.6 - 4.09 x 10 -4 v = 0.59959 64 baru = 1 - 9.96 x 10 -5 v = 0.99990 74 baru = 0.2 - 1.03 x 10 -3 v = 0.19897 84 baru = 1 - 8.35 x 10 -4 0.99917 = 1 v 10 baru = 0.7 + 2.5 x 10 -3 v = 0.70250 20 baru = 0.2 - 1.3 x 10 -3 v = 0.19870 30 baru = 1 - 3.2 x 10 -3 v = 0.99680 40 baru = 0.5 + 2.68 x 10 -3 v = 0.50268 50 baru = -0.9 - 1.42 x 10 -4 v = - 0.90014 60 baru = 1 - 3.46 x 10 -5 v = 0.99997 70 baru = -0.3 - 3.58 x 10 -3 v = - 0.30358 80 baru = 0.4 - 2.9 x 10 -3 = 0.39710 Fase 1 s.d. fase 3 sama dengan 1 iterasi atau 1 epoch, iterasi dilakukan sampai keluaran jaringan sama dengan target. Iterasi selanjutnya dilakukan dengan menggunakan program Matlab. Melalui proses perhitungan manual dan telah diperlihatkan bahwa dengan menggunakan program aplikasi MatLab bahwa hasil iterasi menunjukkan terjadinya penurunan nilai error menuju error yang ditentukan atau nilai hasil perhitungan JST menuju kepada nilai target yang diharapkan. Dengan demikian maka model JST pada subsistem prakiraan harga beras tersebut dapat disebut model yang terverifikasi. Lampiran 11.2. Proses Verifikasi Untuk Aturan Peringatan Dini Pada Prakiraan Harga Beras Varietas Beras Muncul III Input : Harga pada Minggu 50, 51, 52, 53 Output : Minggu 54, 55 Harga sesungguhnya : 5657.14 dan 5885.71 Aturan Dengan variabel-variabel sebagai berikut: Input harga untuk minggu ke 1, harga untuk minggu ke 2, harga untuk minggu ke 3, harga untuk minggu ke 4, Output harga untuk minggu ke 5, harga untuk minggu ke 6, Harga rata-rata untuk input adalah dengan Harga rata-rata untuk output adalah dengan Aturannya adalah sebagai berikut : 1. Jika maka early warning-nya adalah harga aman 2. Jika maka early warning-nya adalah harga harus diwaspadai 3. Jika maka early warning-nya adalah harga rawan Perhitungan Input Output Karena maka early warning-nya adalah harga harus diwaspadai DAFTAR PUSTAKA Abubakar, M. 2007. Dalam http:www.postel.depkominfo.go.id? mod= CLDEPTKMF_BRT01view=1id=BRT071212092501mn=BRT0100|C LDEPTKMF_BRT01. Harga Beras Domestik Belum Kompetitif. 11 Desember 2007 Adiratma, E. R. 2004. Stop Tanam Padi? Memikirkan Kondisi Petani Padi Indonesia dan Upaya Meningkatkan Kesejahteraannya. Penebar Swadaya. Jakarta. . Diakses 29 Mei 2008. Alimoeso, S. 2011. Dalam http:www.tempointeraktif.comhgbisnis20110221 brk,20110221-314868,id.html. Impor Beras Tak Bisa Langsung Turunkan Harga. Diakses Tanggal 15 Mei 2011. Alisadono, S., S. Hardjosoenarto, A. Mardjuki, T. Notohadiprawiro, B. Radjagukguk. 2006. Kebijakan Transmigrasi Melalui Pendekatan Sistem. Ilmu Tanah. Tim Fakultas Pertanian Universitas Gajah Mada. Allen, P.G., R. Fildes. 2001. Econometric Forecasting. Principles of Forecasting: A Handbookfor Researchers and Practitioners, J. Scott Armstrong ed.: Norwell, MA: Kluwer Academic Publishers. Amol, G., C.W. Zobel, E.C. Jones. 2005. A Multi-agent System for Supporting The Electronic Contracting of Food Grains. Computers Electronics in Agriculture. Vol. 48 Issue 2. Arifin, B. 2007. Ekonomi Beras : Kebijakan Harga Hanya Satu Instrumen. Agrimedia, Majalah Agribisnis, Manajemen dan Teknologi. Desember Vol.12 – No.2. Arifin, B. 2010. Impor Beras Hanya Puncak Gunung Es. Bisnis Indonesia, Senin 13 Desember 2010. Dalam http:barifin.multiply.comjournalitem83 Impor_Beras_ Hanya_Puncak_ Gunung_Es_Bisnis_Indonesia _Senin_13_ Desember_2010 Diakses 22 Juli 2011 Armstrong, J.S., R. J. Brodie, S. H. McIntyre. 1987. Forecasting Methods for Marketing. International J. of Forecasting, 3 : 335-376, North Holland. Badan Pusat Statistik. 2009. Laporan Hasil Survei Pola Distribusi Perdagangan 16 Komoditi di 15 Provinsi. Balitbang Deptan. 2005 a . Badan Penelitian dan Pengembangan Pertanian Departemen Pertanian. Rencana Aksi Pemantapan Ketahanan Pangan Lima Komoditas 2005-2010. Balitbang Deptan. 2005 b Basuki, A. 2005. Implementasi Simulated Annealing Untuk Menyelesaikan Traveling Salesman Problem TSP. Politeknik Elektronika Negeri Surabaya PENS-ITS Surabaya. . Badan Penelitian dan Pengembangan Pertanian Departemen Pertanian. Prospek dan Arah Pengembangan Agribisnis : Rangkuman Kebutuhan Investasi. Betker, A.L., T. Szturm, Z. Moussavi. 2003. Application of Feedforward Backpropagation Neural Network to Center of Mass Estimation for Use in a Clinical Environment. 0-7803-7789-303. IEEE 2714 EMBC. Bhadeshia, H. K. D. H. 2009. Neural Networks and Information in Materials Science. Statistical Analysis and Data Mining, Vol. 1. Bjarnadóttir, A.S. 2004. Solving the Vehicle Routing Problem with Genetic Algorithms. Thesis for Degree Master of Science in Engineering. Informatics and Mathematical Modelling. Technical University of Denmark. Blengini, G. A., M. Blanchard, B. S. 1998. Logistics Engineering and Management. Fifth Edition. Prentice Hall International Series, Inc. Busto. 2009. The Life Cycle of Rice : LCA of Alternative Agri-food Chain Management Systems in Vercelli Italy. Journal of Environmental Management. Vol. 90 Issue 3, p1512-1522. Bolstorff, P. 2003. Supply Chain Excellence. New York: AMACOM. Booz, Allen, Hamilton. 2011. Earned Value Management Tutorial Module 6: Metrics, Performance Measurements and Forecasting. Dalam Boran, F. E., management.energy.govdocumentsEVMModule6.pdf Diakses 22 Juli 2011. G. Serkan, K. Mustafa, Akay, Diyar. 2009. A Multi-criteria Intuitionistic Fuzzy Group Decision Making for Supplier Selection with TOPSISMethod. Expert Systems with Applications. Vol. 36 Issue 8, p.11363-11368. Borland. 2011. Borland Delphi 7. Dalam http:www.brothersoft.comdownloadsborland-delphi-7.html Diakses 23 Agustus 2011. BPS Jakarta. 2011. Penduduk Menurut Kabupaten Kota Administrasi dan Jenis Kelamin, Seks Rasio Hasil Sensus Penduduk Tahun 2010. Dalam http:jakarta.bps.go.idabstractindex.html. Diakses 16.06. 2011. Bullock, R. K. 2006. Theory of Effectiveness Measurement. Dissertation Presented to The Faculty Graduate School of Engineering and Management Air Force Institute of Technology Air University Air Education and Training Command. Caplice C. 2007. Supply Chain Management Overview I, MIT Center for Transportation Logistics. Chakladar N.D., S. Chakraborty. 2008. A Combined TOPSIS-AHP Method Based Approach for Non Traditional Machining Processes Selection. Proc. IMechE Vol. 222, Journal Engineering Manufacture. Chan, C.C.H., C.B. Cheng, S.W. Huang. 2006. Formulating Ordering Policies in A Supply Chain By Genetic Algorithm. International Journal of Modelling and Simulation, Vol. 26, No. 2. Chapman, C. R., D. D. Durda, R. E. Gold. 2001. The Comet Asteroid Impact Hazard: A Systems Approach. Dalam www.boulder.swri.edu clarkneowp.html Diakses 27 Juli 2011. Christopher, M. 2005. Logistics and Supply Chain Management: Creating Value- Adding Networks. London: Prentice-Hall, Inc. Cohen, S., J. Roussel. 2005. Strategic Supply Chain Management. The Five Disciplines for Top Performance. Mc Graw-Hill. Coiffier, J., P. Chen. 2008. Severe Weather Forecasting Demonstration Project - Regional Subproject in Ra I – Southeast Africa. CBS-DPFSRA IRSMT- SWFDP. Conwell, C. L., R. Enright, M. A. Stutzman. 2000. Capability Maturity Models Support of Modeling and Simulation Verification, Validation, and Accreditation. Proceedings of the 2000 Winter Simulation Conference J. A. Joines, R. R. Barton, K. Kang, and P. A. Fishwick, eds. Croxton, K. L., S. J. G. Dastugue, D. M. Lambert. 2001. The Supply Chain Management Processes. The International Journal of Logistics Management, Volume 12, Number 2. CSCMP. 2011. CSCMP’s Definition of Logistics Management. Dalam http:cscmp.orgaboutcscmpdefinitions.asp Diakses 22 Juli 2011. Daihani, D. U. 2001. Komputerisasi Pengambilan Keputusan. Jakarta: Gramedia. Damrongwongsiri, M. 2003. Modeling Strategic Resource Allocation in Probabilistic Global Supply Chain System with Genetic Algorithm. PhD Thesis. Florida Atlantic University. DellOrco, M., M. Ottomanelli, P. Pace, G. Pascoschi. 2011. Intelligent Decision Support Tools for Optimal Planning of Rail Track Maintenance Dalam http:poliba.academia.edu MauroDellOrcoPapers553327Intelligent_ Decision_Support_Tools_for_Optimal_Planning_of_Rail_Track_Maintenan ce Diakses 22 Juli 2011. Departemen Perdagangan RI. 2006. Laporan Akhir : Kajian Sistem Distribusi yang Efisien Dan Efektif Secara Nasional. Pusat Penelitian dan Pengembangan Dalam Negeri, Departemen Perdagangan RI. Jakarta. Departemen Pertanian. 2005. Data Base Pemasaran Internasional Beras. Direktorat Pengolahan dan Pemasaran Hasil Tanaman Pangan – Direktorat Jenderal Bina Pengolahan dan Pemasaran Hasil Pertanian. Departemen Pertanian. 2011 a . Produksi, Luas Panen dan Produktivitas Padi di Indonesia 2007 – 2011. Dalam http:www.deptan.go.idinfoeksekutiftanARAM-I-2011padi- nasional.htm Diakses 28 Juni 2011. Departemen Pertanian. 2011 b . Produksi Padi Menurut Provinsi di Indonesia 2007 – 2011. Dalam http:www.deptan.go.idinfoeksekutiftanARAM-I- 2011prod-padi.htm Diakses 28 Juni 2011 Derby, N. 2009. Time Series Forecasting Methods. Statis Pro Data Analytics Seattle, WA, USA Calgary SAS Users Group. Dharmapriya, U.S.S., S.B. Siyambalapitiya, A.K. Kulatunga. 2010. Simulated Annealing and Tabu Search Based Hybrid Algorithm for Multi Depot Vehicle Routing Problem with Time Windows and Split Delivery. Proceedings of the International Conference on Industrial Engineering and Operations Management. Dhaka, Bangladesh. Diaz, B. D. 2011. What is VRP. Dalam http:neo.lcc.uma.esradi-aebWebVRP Diakses 22 Juli 2011. Diaz, B. D. 2011. Vehicle Routing Problems Formulation. Dalam http:neo.lcc. uma.esradi-aebWebVRP Diaz, B. D. 2011. Solutions Technique for VRP. Dalam Diakses 22 Juli 2011. http:neo.lcc.uma.esradi- aebWebVRP Diakses 22 Juli 2011. Ditjen PPHP. 2008. Laporan Survei Susut Panen dan Pasca Panen GabahBeras. Dalam http:agribisnis.deptan.go.iddisp_informasi12073laporan_survei _susut_panen_dan.html Diakses 25 Mei 2011. Dong, X., G. Wen. 2006. An Improved Neural Networks Prediction Model and Its Application in Supply Chain. Nature and Science, 43. Druzdzel, M. J., R. Flynn. 2002. Decision Support Systems. Encyclopedia of Library and Information Science. Second Edition, Allen Kent ed.. New York : Marcel Dekker, Inc. Dudwick, N., K. Kuehnast, V. N. Jones, M. Woolcock. 2006. Analyzing Social Capital in Context : A Guide to Using Qualitative Methods and Data . The International Bank for Reconstruction and DevelopmentThe World Bank 1818 H Street, N.W. Washington, D.C. 20433, U.S.A. Duque, W. A. O. 2008. On The Development of Decision-Making Systems Based on Fuzzy Models to Assess Water Quality in Rivers. PhD Thesis PhD Programme : Graduate Studies in Chemical and Process Engineering Department of Chemical Engineering, Universitat Rovira Virgili Tarragona. Elmahi, I, C. Thirion, A. Hamzaoui, J.I. Sculfort. 2002. A Method for Modelling and Evaluating Supply Chain Performance Using Fuzzy Sets. Proceeding 14 th Enchanted. 2011. Brain Cells. Dalam European Simulation Symposium. A. Verbraek, W. Krug, eds. © SCS Europe BVBA. http:www.enchantedlearning.com subjects anatomy brainneuron.shtml. Diakses 22 Juli 2011 Eriyatno. 2003. Ilmu Sistem : Meningkatkan Mutu dan Efektifitas Manajemen. Jilid Satu. IPB Press. Faucett, L. 1994. Fundamentals of Neural Networks. Architecture, Algorithms and Applications. Prentice Hall. Foster, D., C. McGregor, S. El-Masri. 2011. A Survey of Agent-Based Intelligent Decision Support System to Support Clinical Management and Research. Dalam http: www. diee. unica. it biomed05 pdf W22-102. pdf Fukuyama, F. 2001. Social Capital, Civil Society and Development. Third World Quarterly, Vol 22, No 1, pp 7– 20. Diakses 22 Juli 2011. Garda. 2011. The Art and Science Cash Logistics Technology. Listening, Learning And Delivering the Right Solutions. Dalam http:www.gardacashlogistics.commedia newsletterSmart_Info_Letter_- _2009-10-01.pdf Diakses 22 Juli 2011 Glenardi, G. 2004 Pembiayaan Bisnis Perberasan di Indonesia. Lokakarya Nasional Upaya Peningkatan Nilai Tambah Pengolahan Padi. Jakarta, 20 – 21 Juli. F-Technopark Fateta-IPB, Bogor. Goel. V., S. Bhaskaran. 2007. Marketing Practices and Distribution System of Rice in Punjab, India. Journal of International Food Agribusiness Marketing, Vol. 19 1. Gulsen, A.K.,I. Sevinc, O. Coskun. 2010. The Fuzzy ART Algorithm: A Categorization Method for Supplier Evaluation and Selection. Expert Systems with Applications. Vol. 37 Issue 2, p1235-1240, 6p. Gumbira-Said, E. dan G. C. Dewi. 2004. Infrastruktur Bisnis Sentra Agribisnis Perberasan : Suatu Gagasan Berbasis Patok Duga. Lokakarya Nasional Upaya Peningkatan Nilai Tambah Pengolahan Padi. Jakarta, 20 – 21 Juli. F- Technopark Fateta-IPB, Bogor. Gumbira-Said, E., T. Bantacut, R. Hasbullah. 2007. Manajemen Rantai Pasok Beras dan Fitur Terminal Agribisnis Biji-Bijian. Agrimedia, Majalah Agribisnis, Manajemen dan Teknologi. Desember Vol.12 – No.2. Gunasekaran, A. C. Patel, R. E. McGaughey. 2004. A framework for Supply Chain Performance Measurement. International Journal Production Economics 87 2004 333–347 Gilliland, M. 2003. Fundamental Issues in Business Forecasting. Journal of Business Forecasting. Hadi, P.U, B. Wiryono. 2005. Dampak Kebijakan Proteksi Terhadap Ekonomi Beras di Indonesia. Jurnal Agroekonomi Vol. 23 No 2. Hadi, S., Budiarti, T. 2004. Industri Benih Padi Indonesia Saat Ini dan Masa Depan. Lokakarya Nasional Upaya Peningkatan Nilai Tambah Pengolahan Padi. Jakarta, 20 – 21 Juli. F-Technopark Fateta-IPB, Bogor. Hafirudin, I., D. Surjasa, S. Adisuwiryo. 2006. Peningkatan Efisiensi dan Efektifitas Sistem Transportasi PT. EA Menggunakan Vehicle Routing Problem Dengan Metode Simulated Annealing. Jurnal Teknik Industri – Usakti. Juni, Volume 2 Nomor 2. Halim, S., A. M. Wibisono. 2000. Penerapan Jaringan Syaraf Tiruan Untuk Peramalan. Jurnal Teknik Industri Vol. 2, no. 2. Jurusan Teknik Industri, Fakultas Teknologi Industri, Universitas Kristen Petra. Hanaa, S.E., H. A. Gabbar, S. Miyazaki. 2009. A Hybrid Statistical Genetic- Based Demand Forecasting Expert System. Expert Systems With Applications. Vol. 36 Issue 9. Hanum, C. 2008. Teknik Budidaya Tanaman Jilid 2 untuk SMK. Direktorat Pembinaan Sekolah Menengah Kejuruan, Direktorat Jenderal Manajemen Pendidikan Dasar dan Menengah, Departemen Pendidikan Nasional. Hasan, F. 2008. Dalam http:www.indef.or.idnews.asp?NewsID=29. Tekan Biaya Produksi Periksa Data Stok Riil Beras Yang Ada di Lapangan. Kompas, Kamis 17 April 2008. Diakses 16 Mei 2008. Hasbullah, R. 2007. Gerakan Nasional Penurunan Susut Pascapanen. Agrimedia, Majalah Agribisnis, Manajemen dan Teknologi. Desember Vol.12 – No.2. Haykin, S.1994. Dalam http:id.wikipedia.orgwikiJaringan_saraf_tiruan. Neural Networks: A Comprehensive Foundation 2 nd Heerink, N., F. Qu, M. Kuiper, X. Shi, S. Tan. 2007. Policy Reforms, Rice Production and Sustainable Land Use in China : A Macro–micro Analysis. Agricultural Systems 94. 784–800. . New York : Macmillian Publishing Company. Diakses 23 Oktober 2007. Hsu, B. M., Chiang, C.Y., Shu, M.H. 2010. Supplier Selection Using Fuzzy Quality Data and Their Applications to Touch Screen. Expert Systems with Applications. Vol. 37 Issue 9, p 6192-6200. Iklar, G.I., E. Alptekin, G. Buyukozkan. 2007. Application of a Hybrid Intelligent Decision Support Model in Logistics Outsourcing. Computers Operations Research. New York: Dec 2007. Vol. 34, Iss. 12. Irawan. 2005. Analisis Ketersediaan Beras Nasional : Suatu Kajian Simulasi Pendekatan Sistem Dinamis. Prosiding Multifungsi Pertanian. Jadidi, O., T. S. Hong, F. Firouzi, R. M. Yusuff. 2008. An Optimal Grey Based Approach Based on TOPSIS Concepts for Supplier Selection Problem. International Journal of Management Science and Engineering Management Vol. 4, No. 2, pp. 104-117. Jahanshahloo, G.R., F.H. Lot fi, M. Izadikhah. 2006. Extension of the TOPSIS Method for Decision-making Problems with Fuzzy Data. Applied Mathematics and Computation 181. p. 1544–1551 Jain, L. C., N.M. Martin. 1998 . Fusion of Neural Networks, Fuzzy Systems and Genetic Algorithms: Industrial Applications. CRC Press. Johnson, J. C. 1996. Contemporary Logistics. 6 th Johnston, S. F., J. P. Gostelow, W. J. King. 2000. Engineering and Society. Prentice Hall, Inc. edition. Prentice Hall. Jones, E.R. 2005. Forecasting The Easy Way. Visual Numerics, Inc. Corporate Headquarters 12657 Alcosta Blvd., Suite 450. San Ramon, CA 94583. Juang, Y. S., S. S. Lin, H. P. Kao. 2007. Design and Implementation of a Fuzzy Inference System for Supporting Customer Requirements. Expert Systems with Applications 32, 868–878. Kahforoushan, E. , M. Zarif, E. B. Mashahir. 2010. Prediction of Added Value of Agricultural Subsectionsusing Artificial Neural Networks: Box-Jenkins and Holt-Winters Methods. Journal of Development and Agricultural Economics Vol. 24, pp. 115-121. Kannan, G.,S. Pokharel, P. S. Kumar. 2009. A Hybrid Approach Using ISM and Fuzzy TOPSIS for the Selection of Reverse Logistics Provider. Resources, Conservation and Recycling 54, 28–36. Karimi, M. S., Z. Yusop, S. H. Law. 2009. Location Decision for Foreign Direct Investment in ASEAN Countries A TOPSIS Approach at http:mpra.ub.uni-muenchen.de15000 MPRA Paper No. 15000. Diakses 3 May 2009. Karoo, R. 2011. Military Logistics: A Brief History. Dalam http:www.rickard.karoo.netarticlesconcepts_logistics.html. Diakses 22 Juli 2011. Kelvin, A. 2011. Performance Measurement. Dalam http:www. businessballs.com Khudori. 2008. Dalam dtiresourcesperformance_measurement_management.pdf Diakses 4 Juni 2011. http:www.republika.co.idkoran_detail.asp? id=333435kat_id =16kat_id1=kat_id2=. HPP dan Kesejahteraan Petani, Sabtu, 10 Mei 2008. Diakses 29 Mei 2008. Kleinau, P., U. W. Thonemann. 2004. Deriving Inventory Control Policies With Genetic Programming. OR Spectrum 2004 26 : 521 – 546 Springer-Verlag. Knorringa, P., I. V. Staveren. 2006. Social Capital for Industrial Development : Operationalizing The Concept. United Nations Industrial Development Organization. Institute of Social Studies, the Netherlands. Krishnamurti, B. 2008. Dalam http:www.indef.or.idnews.asp?NewsID=32. Ketahanan PanganTinggalkan Pendekatan Komoditas, Krose, B., P.V. Der Smagt. 1996. An Introduction to Neural Networks. 8th Edition. University of Amsterdam. Kamis, 24 April 2008. Diakses 16 Mei 2008. Kumar PC., E. Walia. 2006. Cash Forecasting: An Application of Artificial Neural Networks in Finance. International Journal of Computer Science Applications. Vol. III, No. I, pp. 61 – 77. La Londe, B. 1994. Evolution of the Integrated Logistics Concept. Dalam Robeson, J. F. The Logistics Handbook. The Free Press. Kusumadewi, S. 2003. Artificial Intelligence Teknik dan Aplikasinya. Graha Ilmu. Lapide, L. 2011. What About Measuring Supply Chain Performance? Dalam http:ftp.gunadarma.ac.ididkfidkf-wirelessaplikasie-commercelapide.pdf Diakses 25 Agustus 2011 Latif, M.A., M.Y. Ali, M.R. Islam, M.A. Badshah, M.S. Hasan. 2009. Evaluation of Management Principles and Performance of The System of Rice Intensi fication SRI in Bangladesh. Field Crops Research 114. 255–262. Lau, H.C.W., W. K. Pang, C. W.Y. Wong. 2002. Methodology for Monitoring Supply Chain Performance : a Fuzzy Logic Approach. Logistics Information Management, Vol. 15 Iss: 4, pp.271 - 280 Leun, Y. , Y. Lee. 2000. Intelligent Decision Support System for Environmental Management – System and Applications in the South China Region. The 12th Annual Colloquium of the Spatial Information Research Centre University of Otago, Dunedin, New Zealand. Levi, D. S., P. Kaminsky, E. S. Levi. 2003. Designing and Managing the Supply Chain: Concepts, Strategies, and Case Studies. Singapore: Irwin McGraw- Hill. Lim, M.H., Y.L. Xu. 2005. Applicaton Of Evolutionary Algorithm in Supply Chain Management. International Journal of Computers, Systems and Signals, Vol. 6, No. 1. Lin, S.W., V. F. Yu, S.Y. Chou. 2009. Solving the Truck and Trailer Routing Problem Based On a Simulated Annealing Heuristic. Computers Operations Research 36 : 1683 – 1692. Liu, K.F.R., S.C. Huang, H.H. Liang. 2007. A Qualitative Decision Support for Environmental Impact Assessment Using Fuzzy Logic . International Society for Environmental Information Sciences. Environmental Informatics Archives , Volume 5, 469-479. Lot fi, F. H., T. Allahviranloo, M. A. Jondabeh, N. A. Kiani. 2007. A New Method for Complex Decision Making Based on TOPSIS for Complex Decision Making Problems with Fuzzy Data. Applied Mathematical Sciences, Vol. 1, no. 60, 2981 – 2987. Macal, C.M. 2005. Model Verification and Validation, Workshop on Threat Anticipation : Social Science Methods and Models. Center for Complex Adaptive Agent Systems Simulation CAS2 Decision Information Sciences Division. The University of Chicago and Argonne. National Laboratory. April 7-9. Mahmoodzadeh, S, J. Shahrabi, M. Pariazar, M. S. Zaeri. 2007. Project Selection by Using Fuzzy AHP and TOPSIS Technique. World Academy of Science, Engineering and Technology 30. Makridakis, S., S.C. Wheelwright, R.J. Hyndman. 1998. Forecasting, Methods and Applications. 3 rd Malian, A.H., S. Mardianto, M. Ariani. 2204. Faktor-faktor Yang Mempengaruhi Produksi, Konsumsi dan Harga Beras Serta Inflasi Bahan Makanan. Jurnal Agro Ekonomi. Volume 22 No.2. Edition, John Wiley and Sons, Inc. Mardianto, S., M. Ariani. 2004. Kebijakan Proteksi dan Promosi Komoditas Beras di Asia dan Prospek Pengembangannya di Indonesia. Analisis Kebijakan Pertanian. Vol 2 No. 4. Marimin. 2005. Pengambilan Keputusan Kriteria Majemuk. PT. Grasindo. Jakarta Marks, D. 2010. Unity or Diversity? On The Integration and Ef ficiency of Rice Markets in Indonesia 1920–2006. Explorations in Economic History 47. 310–324. Martin, S.L. 2010. Analysis of Prospective Airline Mergers Using a Simulated Annealing Model.Journal of Air Transport Management . doi:10.1016. Mateou, N.H., A.S. Andreou. 2008. A Framework for Developing Intelligent Decision Support Systems Using Evolutionary Fuzzy Cognitive Maps. Journal of Intelligent Fuzzy Systems 19, p. 151–170. Mathworks. 2011. Fuzzy Inference System. Dalam http:www.mathworks.com helptoolbox fuzzyfp351dup8.html Diakses 22 Juli 2011. McGourty, J., C. Sebastian, W. Swart. 2011. Performance Measurement and Continuous Improvement of Undergraduate Engineering Education Systems. Dalam www.gatewaycoalition. orgfilesFIE1183_v95.doc McGrath, R. Jr., W. L. Sparks. 2005. The Importance Of Building Social Capital. Quality Progress. February. Diakses 22 Juli 2011. Michalewicz, Z., M. Schmidt, M. Michalewicz, C. Chiriac. 2005. Case Study: An Intelligent Decision-Support System. Vol. 20, No. 4 JulyAugust. 1541- 167205. IEEE Intelligent Systems. IEEE Computer Society. Microsoft. 2011. Visual Basic 6. Dalam http:www.brothersoft.comdownloadsborland-delphi-7.html Diakses 25 Agustus 2011 Mouli, K., J. Srinivas, K.V. Subbaiah. 2006. Optimisation and Output Forecasting Using Taguchi-Neural Network Approach. IEI Journal −PR. Vol 86. Moengin, P., Wiryanto. 2009. Laporan Pengembangan Pengukuran Ketahanan Nasional. Tim Pengembangan Laboratorium Pengukuran Ketahanan Nasional Tahap IV. Lemhannas RI. Moore, A. W. 2011. Iterative Improvement Search Hill Climbing, Simulated Annealing, WALKSAT and Genetic Algorithms. School of Computer Science Carnegie Mellon University. Dalam http:www.autonlab.org tutorialshillclimb.html Diakses 27 Juli 2011. Moustier, P., P.T.G. Tam, D.T. Anh, V.T. Binh, N.T.T. Loc. 2010. Food Policy The Role of Farmer Organizations in Supplying Supermarkets with Quality Food in Vietnam. . Vol. 35 Issue 1, p. 69-78. Munakata, T. 2008. Fundamentals of the New Artificial Intelligence : Neural, Evolutionary, Fuzzy and More. Second Edition. Springer-Verlag, London. Nainggolan, K. 2007. Perberasan Sebagai Bagian Dari Ketahanan Pangan Nasional. Nazeran, H., A. Almas, K. Behbehani, J. Burk, E. Lucas. 2001. A Fuzzy Inference System for Detection of Obstructive Sleep Apnea. Proceeding 23 Agrimedia, Majalah Agribisnis, Manajemen dan Teknologi. Desember Vol.12 – No.2. rd Negnevitsky, M. 2002. Application of An Expert System for Assessment of The Short Time. Pearson Education. Annual Conference IEEE EMBS, October 25 – 28, Istambul, Turkey. Neuro AI. 2011. Supervised Learning. Dalam http:www. learnartificialneuralnetworks. comIntro NFES. 2006. National Forum on Education Statistics - Forum Guide to Decision Support Systems: A Resource for Educators NFES 2006–807. U.S. Department of Education. Washington, DC: National Center for Education Statistics. Diakses 25 Juli 2011. Nirupam, J., S. Rajagopalan, Karimi. 2002. Agent-based Supply Chain Management. Computers Chemical Engineering. Vol. 26 Issue 12. Nurmalina, R. 2008. Analisis Indeks dan Status Keberlanjutan Sistem Ketersediaan Beras di Beberapa Wilayah Indonesia. Jurnal Agro Ekonomi, Volume 26 No. 1. Nofrisel. 2009. Keterkaitan Strategik Antara Pendekatan Network-Based Management Terhadap Kualitas Pelayanan dan Kinerja Sebuah Studi Membangun Daya Saing Sektor Logistik di Indonesia. Disertasi Doktor Program Studi Ilmu Manajemen, Fakultas Ekonomi – Universitas Indonesia. Oktavina, D., A.A. Mattjik, B. Waryanto. 2002. Modifikasi Model Peramalan Produksi Padi Nasional. Forum Statistika dan Komputasi. Vol 7 No. 2. Olugu, E. U., K. Y. Wong. 2009. Supply Chain Performance Evaluation : Trends and Challenges. American Journal of Engineering and Applied Sciences 2 1 : 202-211. ISSN 1941-7020. Osman, I. H. 1993. Metastrategy Simulated Annealing and Tabu Search Algorithm for Vehicle Routing Problem. Annals of Operation Research 41 : 421 – 451. Patiwiri, A. W. 2004. Kondisi dan Permasalahan Pengolahan Padi di Indonesia. Prosiding Lokakarya Nasional Upaya Peningkatan Nilai Tambah Pengolahan Padi. Jakarta, 20 – 21 Juli. F-Technopark Fateta-IPB, Bogor. Patiwiri, A. W. 2006. Kemitraan Dalam Upaya Peningkatan Kuantitas dan Kualitas Produksi Padi. Prosiding Lokakarya Nasional. Peningkatan Daya Saing Beras Nasional Melalui Perbaikan Kualitas. Fateta-IPB, Bogor. Patuelli, R., A. Reggiani, P. Nijkamp, U. Blien. 2006. New Neural Network Methods for Forecasting Regional Employment. The Tinbergen Institute, The Institute for Economic Research of The Erasmus Universiteit Rotterdam, Universiteit van Amsterdam, and Vrije Universiteit Amsterdam. Perdana, T.,T. W. Avianto. 2008. Analisis Kebijakan Pengembangan Sistem Rantai Pasokan Industri Perberasan dengan Pendekatan System Dynamics. Proceedings of Joint Seminar Japan – Indonesia, Seminar on Technology Transfer JITT National Seminar on Industrial System Planning 2008 SNPSI 2008. 301-313. Institut Teknologi Bandung. Piramuthu, S. 2005. Machine Learning for Dynamic Multi-product Supply Chain Formation. Expert Systems with Applications. Vol. 29 Issue 4. Pongpaibool, P., P. Tangamchit, K. Noodwong. 2007. Evaluation of Road Traffic Congestion Using Fuzzy Techniques. International Technical Conference. TENCON 2007 – IEEE Region 10 Conference. Prakash, K. 2010. A Systems Approach for Dealing with Resistance to Change: With Reference to Library and Information Professionals Working in Academic and Research Sector Libraries in India. Journal of Emerging Trends in Computing and Information Sciences . Vol. 1, No. 2, October. ISSN 2218-6301. Rahman , S. A. 2010. Application of Artificial Neural Network in Fault Detection Study of Batch Esterification Process. International Journal of Engineering Technology IJET-IJENS Vol: 10 No: 03 Rangkuti. P.A. 2009. Strategi Komunikasi Membangun Kemandirian Pangan. Jurnal Litbang Pertanian, 282. Razmi, J., M. Songhori, M. Khakbaz. 2009. An Integrated Fuzzy Group Decision MakingFuzzy Linear Programming FGDMLP Framework for Supplier Evaluation and Order Allocation. International Journal of Advanced Manufacturing Technology. Vol. 43 Issue 56, p 590-607. Regensburg. 2011. Figure of Backpropagation Neural Network. Dalam http:fbim.fh-regensburg.de~saj39122jfroehldiplomfigbpn.gif Diakses 25 Juli 2011. Romaniello, V., P. Renna, V. Cinque. 2011. A Continuous Improvement and Monitoring Performance System: Monitor - Analysis - Action – Review MAAR Charts. IBIMA Publishing IBIMA Business Review . Article ID 917557, 15 pages DOI: 10.51712011.917557. Rounds , S. A. 2002. Development of A Neural Network Model for Dissolved Oxygen in The Tualatin River, Oregon. Proceedings of the Second Federal Interagency Hydrologic Modeling Conference, Las Vegas, Nevada, July 29 – August 1 : Subcommittee on Hydrology of the Interagency Advisory Committee on Water Information. Rurkhamet, B. 1998. Comparative Study of Artificial Neural Network and Regression Analysis for Forecasting New Issued Banknotes. Thammasat International Journal Science Technology, Vol.3, No.2. Rusastra, I.W., B. Rachman, Sumedi, T. Sudaryanto. 2004. Struktur Pasar dan Pemasaran Gabah Beras dan Komoditas Kompetitor Utama. Pusat Penelitian dan Pengembangan Sosial Ekonomi Pertanian. Dalam http:pse.litbang.deptan.go.idindpdffilespros-09_2004.pdf Diakses 28.10.10. Rutner, S. M. 2007. Principles of Transportation - LOGT 3231 – Business Logistics Additional Chapter. Saaty, T. L. 2008. Decision Making With The Analytic Hierarchy Process. International Journal Services Sciences, Vol. 1, No. 1. Sachdeva, A., D. Kumar , P. Kumar . 2009. Multi-factor Failure Mode Critically Analysis Using TOPSIS . Journal of Industrial Engineering International, January, Vol. 5, No. 8, 1-9 . Salim, N., N.A. Husin. 2008. A Comparative for Back Propagation Neural Network and Nonlinear Regression Models for Predicting Dengue Outbreak. Jurnal Teknologi Maklumat, 20 4. pp. 97-112. ISSN 0128-3790 Sarangi, A, M. Singh, A.K. Bhattacharya, A.K. Singh. 2006. Subsurface Drainage Performance Study Using SALTMOD and ANN Models. Agricultural Water Management 84, 240–248. Sawit, M.H. 2005. Melindungi Industri Padi Beras : Menerapkan Tarif Kuota dan Memerankan State Trading Enterprise STE . Analisis Kebijakan Pertanian Vol. 3 No. 4. Sawit, M.H. 2009. Praktek Subsidi Ekspor Beras di Negara Lain : Mungkinkah Diterapkan Di Indonesia. Analisis Kebijakan Pertanian. Vol 7 No. 3. Sawit, M.H. 2010. Reformasi Kebijakan Harga Produsen dan Dampaknya Terhadap Daya Saing Beras. Artikel JER - No. 1087 - 2010-07-10. Dalam http:www.ekonomirakyat. org_artikel. php?id=7 Scheffert, D. R., J. Horntvedt, S. Chazdon. 2009. Social Capital and Our Community. University of Minnesota, Extension Center for Community Vitality. Diakses 22 Juli 2011 Segura, D.A.G., L.D. Anghel. 2011. An Exploratory Study of The Effect of Social Capital On Supply Chain Relationships: The Case of Romania. Marketing and Management. Dalam www. managementmarketing.ro pdf articole 89. pdf Diakses 27 Juli 2011. Seminar, K. B., Marimin dan N. Andarwulan. 2010. Sistem Deteksi Dini untuk Manajemen Krisis Pangan dengan Simulasi Model Dinamik dan Komputasi Cerdas. Manajemen Krisis. ISBN: 978-979-493-246-5. IPB Press. Bogor. Shannon, J. T. 2011. The Systems Approach. Lord Fairfax Community College, Warrenton VA Campus. Silvia, E. 2007. Disain Jaringan Syaraf Tiruan Untuk Prediksi Kualitas Gula Kristal Putih di Indonesia. Tesis Magister Sains, Program Studi Teknologi Industri Pertanian Institut Pertanian Bogor. Sivarao, P. Brevern, N.S.M. El-Tayeb, V.C.Vengkatesh. 2009. Mamdani Fuzzy Inference System Modeling to Predict Surface Roughness in Laser Machining. International Journal of Intelligent Information Technology Application, 21:12-18. Smith, S. W. 1999. Dalam http:www.dspguide.comch262.htm. The Scientist and Engineers Guide to Digital Signal Processing. Second Edition. California Technical PublishingSan Diego, California. Diakses 15 Desember 2008. Sonar, R. M. 2009. Business Intelligence for N=1 Analytics using Hybrid Intelligent System Approach. International Journal of Business, Economics, Finance and Management Sciences 1:2. Stock, J. R., D. M. Lambert. 2001. Strategic Logistics Management. 4 th Suhardi, B., Sutrisno. 2009. Dalam edition. The Mc Graw-Hill Book Co, Singapore. http:litbang.patikab.go.idindex.php? option=com_contentview=articleid=64:dilematis-kebijakan-harga-beras- di-tingkat-petanicatid=71:dilematis-kebijakan-harga-beras-di-tingkat- petaniItemid=109 Sukardi. 2009. Masalah Kebaruan Dalam Penelitian Teknologi Industri Pertanian. Jurnal Teknologi Industri Pertanian. Asosiasi Agroindustri Indonesia – Departemen Teknologi Industri Pertanian IPB. . Dilematis Kebijakan Harga Beras di tingkat Petani. Diakses 27 November 2009. Sukidi, N. 2010. Peluang dan Tantangan Perdagangan Komoditas Pangan di Pasar Induk Cipinang. Workshop Pengembangan Distribusi Pangan Melalui Penguatan Kapasitas Kelembagaan Pangan Badan Ketahahan Pangan Provinsi Jawa Timur Surabaya. Sumarno. 2006. Pentingnya Setiap Propinsi Ber-swasembada Beras. Sinar Tani : Edisi 1-7 Maret. No. 3139. Suparmin. 2005. Analisis Ekonomi Perberasan Nasional : Peran BULOG Dalam Stabilisasi Harga Beras di Pasar Domestik. Disertasi Doktor Program Studi Ilmu Ekonomi Pertanian, Institut Pertanian Bogor. Suswono. 2010. RI Usulkan Beras APTERR untuk Atasi Masalah Harga. Dalam http:bataviase.co.idnode666141. Diakses 2 Juni 2011. Tay, K. M., C.P. Lim . Enhancing the Failure Mode and Effect Analysis Methodology with Fuzzy Inference Techniques. 2010. Journal of Intelligent Fuzzy Systems 21, 135–146. Tkacz, G., S. Hu. 1999. Forecasting GDP Growth Using Artificial Neural Networks. Department of Monetary and Financial Analysis Bank of Canada Ottawa, Ontario, Canada K1A 0G9. Toth, P. D. Vigo. 2001. The Vehicle Routing Problem. Society for Industrial and Applied Mathematics. Philadelphia. Tran, C., A. Abraham, L. Jain. 2004. Decision Support Systems Using Hybrid Neurocomputing. Neurocomputing 61.85 – 97. Traudes, M.K., S. Scheider, S. Rüping, H. Meßner. 2008. Spatial Data Mining for Retail Sales Forecasting. 11 th Turban, E., J.E. Aronson dan T.P. Liang. 2005. Decision Support and Intelligent Systems, Fifth Edition. New Jersey: Prentice Hall. AGILE International Conference on Geographic Information Science. University of Girona, Spain. USDA. 2008. Dalam http:www.ers.usda.govBriefingRice 2008baseline. htm. Grain: World Markets and Trade. Foreign Agricultural Service Circular Series FG 07-08 July. Diakses 13 Agustus 2008. Wang, C. E. 2006. Supply Chain Inventory Strategies Using Fuzzy Neural Network. JCIS Proceedings, Advances in Intelligent Systems Research Welirang, F. 2008. Dalam http:www.indef.or.idnews.asp?NewsID=32. Ketahanan Pangan Tinggalkan Pendekatan Komoditas, Wellstead, P. E. 2000. Introduction to Physical System Modelling. Control Systems Principles Laser Words, Chennai India. Kamis, 24 April 2008. Diakses 16 Mei 2008. Widyadana, I. G. A., A. Pamungkas. 2002. Perbandingan Kinerja Algoritma Genetika dan Simulated Annealing Untuk Masalah Multiple Objective Pada Penjadwalan Flowshop. Jurnal T. Industri Vol. 4, no. 1, Juni : 26 – 35. Winarno, F. G. 2004. GMP Dalam Industri Penggilingan Padi. Prosiding Lokakarya Nasional Upaya Peningkatan Nilai Tambah Pengolahan Padi. Jakarta, 20 – 21 Juli. F-Technopark Fateta-IPB, Bogor. Wirdianto, E., Jonrinaldi, B. Surya. 2007. Penerapan Algoritma Simulated Annealing Pada Penjadwalan Distribusi Produk. Optimasi Sistem Industri, Vol. 7 No. 1, Oktober 10 : 7 – 20. Woolcock, M., D. Narayan. 2000. Social Capital : Implications for Development Theory, Research, and Policy. The World Bank Research Observer, Vol. 152. Wu, M. 2007. Topsis-AHP Simulation Model and Its Application to Supply Chain Management. World Journal of Modelling and Simulation. Vol 3 No 3 pp 196 – 201. Yam, R.C.M. 2001. Intelligent Predictive Decision Support System for Condition- Based Maintenance. International Jounal Advanced Manufacturing Technology 17:383–391. Springer-Verlag London Limited. Yang, J., M. Xu, Z. Gao. 2009. Sensitivity Analysis of Simulated Annealing for Continuous Network Design Problems . Journal of Transportation Systems Engineering and Information Technology Volume 9, Issue 3, June. Yeun, L. C., W. R. Ismail, K. Omar, M. Zirour. 2008. Vehicle Routing Problem : Models and Solutions. Journal of Quality Measurement and Analysis, JQMA 41 : 205-218 Yong, D. 2006. Plant Location Selection Based on Fuzzy TOPSIS. International Journal Advance Manufacturing Technology. Vol 28: 839–844. Zhang, Z., J. Lei, N. Cao, K. To, N. Kenpo. 2008. Dalam http:www.pbsrg.comoverviewdownloadsZhiming20Zhang_Evolution 20of20Supplier20Selection20Criteria20and20Methods.pdf. Diakses 6 November 2008. Xi, Zi., J. Liu, X. Zhang. 2005. Railway Empty Wagon Distribution in China. Proceedings of the Eastern Asia Society for Transportation Studies, Vol. 5, pp. 272 – 284. ABSTRACT DADANG SURJASA. Model Design of Intelligent Decision Support System for Rice Supply Chain System in DKI Jakarta Province . Guided by E. GUMBIRA SA`ID, BUSTANUL ARIFIN, SUKARDI. DKI Jakarta is the region which has a very large population but it is not supported directly by rice field area that can meet the needs of rice for its population. Cipinang rice market center PIBC managed by PT. Food Station Tjipinang Jaya FSTJ is expected to be a party that can manage and control the rice for food security, especially in the Jakarta area. There are several important aspects to be considered by FSTJ in regulating and controlling food security. These aspects are the supply of rice, rice price, rice supplier selection, transportation and distribution aspects of rice as well as the performance aspect of the rice supply chain. The purpose of this study was to develop a model of intelligent decision support system for rice supply chain that covers all these aspects effectively and ef ficiently. There were several methods used in this study. Artificial neural network was used to analyze aspects of the supply and price of rice, TOPSIS was used to analyze the rice suppliers selection, simulated annealing was used to analyze the distribution and transportation of rice and fuzzy inference system was used to analyze the performance of the rice supply chain. Analysis results showed that the accuracy of forecasting models to forecast the supply of rice and to forecast rice prices have reached more than 90 percent. Rice supplier selection model is effectively able to sort the suppliers of rice based on predetermined criteria. Transportation and distribution model has effectively been able to make the shortest route to distribute the rice. This model also has been able to make the sequence assignment of vehicles to deliver the rice to its customers. Finally, the rice supply chain performance model also effectively has been able to measure the performance of supply chain that accommodates the input factors. According to the results of analysis and experts opinion, there were advantages and disadvantages of the model produced, but they can be verified and they were also valid. Keywords : Model, Intelligence Decision Support System, Rice, Supply Chain, DKI Jakarta. RINGKASAN DADANG SURJASA. Rancang Bangun Model Sistem Pendukung Keputusan Cerdas Untuk Sistem Rantai Pasokan Beras di Propinsi DKI Jakarta. Dibimbing oleh E. GUMBIRA SA`ID, BUSTANUL ARIFIN, SUKARDI. DKI Jakarta adalah kota metropolitan yang memiliki jumlah penduduk sangat besar tetapi tidak ditopang langsung oleh kemampuan daerah tersebut dalam menghasilkan komoditas beras yang dapat memenuhi kebutuhan pangan penduduknya. Keadaan tersebut membuat Pemerintah Daerah Pemda DKI Jakarta harus selalu mengupayakan ketahanan pangan baik dari faktor kecukupan pasokan beras maupun dari faktor harga beras yang stabil. Untuk itu Pemda DKI Jakarta menugaskan PT. Food Station Tjipinang Jaya FSTJ sebagai badan hukum yang dapat mengatur dan menjaga ketahanan pangan, khususnya untuk komoditas beras di wilayah DKI Jakarta. FSTJ mencoba mewujudkan keinginan Pemda DKI Jakarta tersebut melalui usaha yang dilakukan dengan cara mengkoordinir para pengusaha beras yang berada di area pasar induk beras Cipinang PIBC. Koordinasi FSTJ terhadap para pengusaha beras di PIBC meliputi koordinasi dari sisi pasokan beras maupun dari sisi harga beras. Dari sisi pasokan beras, FSTJ diharapkan dapat mengatur kecukupan pasokan beras bagi warga penduduk DKI Jakarta dalam memenuhi kebutuhan pangan setiap hari dan dari sisi harga beras, FSTJ diharapkan dapat menjaga stabilitas harga beras sehingga warga penduduk DKI Jakarta dapat memperoleh beras tersebut dengan harga yang terjangkau. Dalam kondisi ketika pasokan beras yang masuk ke wilayah DKI Jakarta kurang atau ketika harga beras melonjak di atas daya beli warga masyarakat, maka FSTJ meminta bantuan badan urusan logistik BULOG DKI Jakarta untuk melakukan operasi pasar beras supaya pasokan beras tercukupi atau harga beras dapat terjangkau kembali oleh warga masyarakat DKI Jakarta. Untuk menjaga pasokan beras yang dapat mencukupi kebutuhan warga masyarakat DKI Jakarta dan dengan harga beras yang stabil, FSTJ perlu melakukan prakiraan pasokan maupun prakiraan harga beras setiap waktu. Terkait dengan jumlah pasokan beras, FSTJ perlu mengkoordinir para pengusaha beras di PIBC agar selalu melakukan proses pengadaan beras secara efektif dan efisien dari para pemasok beras. Terkait dengan upaya pemenuhan kebutuhan warga masyarakat DKI Jakarta terhadap beras tersebut, FSTJ juga perlu mengkoordinir para pengusaha beras di PIBC agar selalu dapat menyalurkan beras ke para distributornya di seluruh wilayah DKI Jakarta secara efektif dan efisien. Terkait dengan kinerja, FSTJ perlu memiliki ukuran kinerja yang dapat memonitor dan mengevaluasi kinerja rantai pasokan berasnya setiap waktu. Dari permasalahan perberasan di DKI Jakarta tersebut, terdapat beberapa aspek penting yang perlu dikaji lebih lanjut khususnya yang berhubungan dengan masalah rantai pasokan beras di Provinsi DKI Jakarta. Adapun aspek-aspek penting yang diteliti tersebut adalah aspek pasokan beras, aspek harga beras, aspek pemilihan pemasok beras, aspek distribusi dan transportasi beras serta aspek kinerja rantai pasokan beras. Sehubungan dengan permasalahan perberasan di Provinsi DKI Jakarta tersebut, penelitian ini memiliki tujuan untuk menghasilkan model sistem pendukung keputusan untuk rantai pasokan beras yang efektif dan efisien yang mencakup model prakiraan pasokan beras, model prakiraan harga beras, model pemilihan pemasok beras, model distribusi dan transportasi beras serta model kinerja rantai pasok beras. Model dibangun melalui model konseptual yang selanjutnya dikembangkan menjadi program komputasi dengan menerapkan tiga buah metode artificial intelligence AI dan satu buah metode analitik. Metode AI yang dipergunakan adalah metode jaringan syaraf tiruan JST untuk subsistem prakiraan pasokan dan harga beras, metode simulated annealing untuk subsistem distribusi dan transportasi beras dan metode fuzzy inference system FIS untuk subsistem kinerja rantai pasokan beras, sedangkan metode analitik yang dipergunakan adalah metode technique for order preference by similarity to ideal solution TOPSIS untuk subsistem pemilihan pemasok beras. Model dari subsistem yang pertama adalah model prakiraan pasokan beras dan prakiraan harga beras yang dikembangkan dengan menggunakan metode jaringan syaraf tiruan JST. Data pasokan beras maupun data harga beras diperoleh dari database FSTJ. Hasil prakiraan dari pasokan beras yang masuk ke wilayah DKI Jakarta selanjutnya dibandingkan dengan kebutuhan beras dari penduduk DKI Jakarta pada suatu waktu. Dari hasil perbandingan tersebut dapat dinyatakan suatu peringatan dini early warning system yang menyatakan apakah pasokan beras ke wilayah DKI Jakarta pada suatu waktu tersebut dalam kondisi aman atau pasokan beras harus diwaspadai atau pasokan beras dalam kondisi rawan. Demikian pula dengan hasil prakiraan dari harga beras pada suatu waktu selanjutnya dibandingkan dengan harga beras rata-rata empat periode sebelumnya. Hasil dari perbandingan tersebut juga berupa suatu peringatan dini apakah harga beras di wilayah DKI Jakarta pada suatu waktu itu masuk ke dalam kondisi harga beras aman atau harga beras harus diwaspadai atau masuk ke dalam kondisi harga beras rawan. Dengan informasi peringatan dini tersebut, pihak yang berkepentingan seperti FSTJ dapat melakukan antisipasi apabila prakiraan pasokan maupun harga beras berada dalam kondisi rawan. Apabila prakiraan pasokan beras maupun harga beras menunjukkan kondisi rawan, maka FSTJ selanjutnya dapat menghubungi pihak Badan Urusan Logistik BULOG DKI Jakarta untuk meminta agar dilakukan operasi pasar. Model dari subsistem yang ke dua adalah model pemilihan pemasok beras. Model tersebut dirancang untuk mendapatkan pemasok beras terpilih yang memenuhi kriteria yang ditentukan oleh para pelaku usaha perberasan di PIBC. Model dikembangkan dengan menggunakan metode TOPSIS. Metode TOPSIS adalah salah satu metode yang dapat menyelesaikan persoalan multy criteria decision making MCDM. Input untuk model tersebut dapat berbentuk kuantitatif maupun kualitatif. Input yang dipergunakan tersebut berupa jumlah alternatif dari berbagai daerah yang memasok beras ke PIBC dan berbagai kriteria perberasan baik kriteria dari pemasok beras maupun kriteria dari komoditas beras itu sendiri. Hasil dari model tersebut adalah urutan peringkat pemasok beras dari peringat pertama sampai peringkat terakhir yang sudah mempertimbangkan berbagai kriteria perberasan tersebut. Dengan hasil urutan peringkat pemasok beras ini, para pelaku usaha perberasan di PIBC dapat mengambil keputusan, beras dari daerah mana saja yang dapat diambil untuk menjadi komoditas usahanya. Model dari subsistem yang ke tiga yaitu model distribusi dan transportasi beras yang dikembangkan dengan menggunakan metode simulated annealing. Input untuk model pada subsistem distribusi dan transportasi beras tersebut adalah jarak antar pelanggan yang merupakan distributor beras di seluruh wilayah DKI Jakarta, banyaknya permintaan beras dari pasar tersebut serta kendaraan dan bobot kendaraan yang dipergunakan. Hasil dari model tersebut adalah rute terpendek dan banyaknya kendaraan yang dipergunakan untuk menyalurkan beras tersebut 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. 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. 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 dapat juga mengantisipasi apa yang harus dipersiapkan dan dilakukan supaya kinerja rantai pasokannya di masa mendatang lebih baik dari pada kinerja saat ini. Semua model dari ke empat subsistem yang dihasilkan pada penelitian ini telah memenuhi kriteria efektifitas dan efisiensi juga telah memenuhi prosedur verifikasi dan validasi, sehingga semua model yang dihasilkan dapat diverifikasi verified dan valid. Kata Kunci : Sistem Pendukung Keputusan, Rantai Pasokan, Jaringan Syaraf Tiruan, TOPSIS, Simulated Annealing, Fuzzy Inference System, Kinerja Rantai Pasokan Beras, DKI Jakarta. .

BAB I. PENDAHULUAN

1.1 Latar Belakang

Pengadaan beras nasional dari dulu sampai sekarang masih menjadi permasalahan nasional yang sangat pelik. Salah satu diantaranya terjadi karena masyarakat Indonesia menjadikan beras sebagai bahan makanan pokok yang harus ada dalam pola pangan sehari-hari. Dengan demikian sebagai komoditas pangan utama, permasalahan beras bukan hanya merupakan permasalahan ekonomi saja tetapi juga bersifat politis Gumbira-Said, 2007. Petani padi di Indonesia menurut Adiratma 2004 adalah petani yang memiliki lahan rata-rata kurang dari 0.5 Ha dan termasuk kelompok masyarakat yang memiliki tingkat kesejahteraan yang masih rendah. Hasil produksi padi dari pertanian rakyat sering tidak mencukupi kebutuhan seluruh penduduk, kekurangan padi tersebut biasa diatasi dengan cara mengimpornya. Menurut Balitbang Deptan 2005 a Menurut Nainggolan 2007, ekonomi pasar yang menganggap bahwa pasar dapat mengalokasikan sumber daya yang paling efisien terbukti gagal dalam ekonomi beras. Kegagalan tersebut disebabkan karena ekonomi beras nasional bersifat oligopsonis sehingga petani berada dalam posisi tawar yang tidak menguntungkan. Harga di tingkat internasional mudah ditransmisikan ke dalam negeri sehingga petani menghadapi ketidakpastian harga dan akibatnya harga dasar berupa harga pembelian pemerintah HPP menjadi tidak efektif. , di Jawa, sekitar 88 persen rumah tangga petani menguasai lahan sawah kurang dari 0,5 hektar dan sekitar 76 persen menguasai lahan sawah kurang dari 0,25 hektar. Menurut Arifin 2007, kebijakan pemerintah tentang harga beras adalah salah satu instrumen yang perlu didukung oleh kebijakan peningkatan produktivitas dan mutu padi. Kebijakan tersebut perlu didukung juga oleh pemanfaatan sumber daya lahan dan air secara efisien, memperbaiki penanganan pasca panen dan melaksanakan kebijakan perdagangan internasional. Apabila seluruh instrumen tersebut mampu dilaksanakan maka tidak akan ada lagi diskrepansi antara volume produksi dan konsumsi beras yang seringkali bergulir ke ranah politik. Menurut Krishnamurti 2008 sejak 1998 stok biji-bijian dunia terus menurun. Pada tahun 2006, stok bijian-bijian dunia bahkan hanya separuh dari stok tahun 2000 karena dampak terpaan El Nino tahun 19971998 yang belum sepenuhnya terpulihkan. Gejolak pasar pangan dunia menjadi semakin kuat, dengan masuknya para investor di pasar komoditas dan menjadikan komoditas pangan sebagai investasi terbaik. Saat ini beras menjadi komoditas utama yang paling diincar para investor di bursa komoditas seperti di bursa Chicago AS. Hal tersebut membuat pasar pangan dunia menjadi tidak terkendali dan masing- masing negara berlomba menyelamatkan persediaan pangannya. Hal lain yang mempengaruhi kondisi perberasan nasional menurut Krishnamurti 2008 adalah adanya permintaan bahan pangan yang semakin meningkat khususnya dari Cina, India dan Indonesia yang merupakan tiga dari empat negara di dunia yang terbanyak penduduknya. Selain itu adanya dorongan politik yang bergaung keras di dunia untuk menyikapi perubahan iklim dan hal tersebut diwujudkan dengan gerakan mengurangi penggunaan energi dari fosil untuk beralih ke biofuel yang berbahan baku biji-bijian. Dengan demikian permintaan dunia terhadap biji-bijian meningkat. Welirang 2008 menyatakan bahwa telah terjadi perebutan beras di tingkat dunia. Banyak negara produsen beras dunia menahan produksinya untuk kebutuhan dalam negeri terlebih dahulu setelah Organisasi Kerja Sama Ekonomi dan Pembangunan OECD dan Organisasi Pangan dan Pertanian FAO menyatakan agar setiap negara mewaspadai perubahan struktur pasar komoditas biji-bijian. Untuk mengatasi masalah gejolak harga dan pasokan beras regional, menurut Suswono 2011, Indonesia mengusulkan perubahan konsep cadangan beras dalam skema ASEAN dan tiga mitranya ASEAN Plus Three Emergency Rice Reserve APTERR. Dengan skema tersebut, beras tidak hanya sebagai cadangan di kala darurat, tapi dapat dipergunakan pula ketika terjadi masalah panen atau harga. Total cadangan beras yang disiapkan sebesar 787 ribu ton yang komposisinya berasal dari ASEAN 87 ribu ton, Jepang 250 ribu ton, China 300 ribu ton, dan Korea Selatan 150 ribu ton. Indonesia sebagai bagian dari ASEAN berkewajiban memasok beras 12 ribu ton, rencana APTERR diluncurkan dalam pertemuan Menteri Pertanian ASEAN+3 pada bulan Oktober 2011.

1.2 Permasalahan Perberasan Nasional

Masalah utama yang terkait dengan perberasan nasional adalah masalah harga dan non harga beras. Masalah yang paling kontroversial terkait dengan masalah harga beras adalah fluktuasi harga beras Nainggolan, 2007. Harga beras akan meningkat pada musim paceklik yang merugikan konsumen dan akan menurun pada musim panen raya yang merugikan petani. Menurut Direktorat Jenderal Pengolahan dan Pemasaran Hasil Pertanian, Departemen Pertanian Ditjen PPHP, 2008, masalah utama perberasan lainnya adalah masalah susut bobot pada penanganan panen dan pasca panen yang mencapai 11,27. Menurut Arifin 2010, masalah impor beras adalah “puncak gunung es” dari besarnya persoalan kebijakan perberasan di Indonesia. Persoalan perberasan tersebut sebenarnya membentang dan mengakar dari mulai usaha tani padi, pengolahan dan pasca panen, pengadaan, penyimpanan, distribusi, perdagangan, manajemen persediaan, stabilisasi harga, pemasaran dan konsumsi beras atau diversifikasi pangan.

1.2.1 Masalah Harga Beras

Harga beras seringkali muncul dan menjadi masalah kontroversial antara kepentingan petani dan kepentingan konsumen. Di satu sisi pemerintah sebagai regulator ingin menjaga kepentingan dan ingin memberikan kesejahteraan yang optimal bagi petani, tetapi di sisi lain pemerintah juga ingin memberikan perlindungan agar harga beras dapat terjangkau oleh sebagian besar konsumen, bahkan dapat terjangkau oleh petani padi sendiri yang pada waktu tertentu harus menjadi konsumen beras Suhardi, 2009. Untuk itu, menurut Malian 2004, kebijakan harga gabah dan beras merupakan salah satu instrumen yang penting dalam menciptakan ketahanan pangan nasional, walaupun menurut Suparmin 2005 kebijakan stabilitas harga selama ini lebih difokuskan kepada upaya menjaga stabilitas harga beras di tingkat konsumen dari pada stabilitas harga gabah di tingkat petani. Pertimbangan pemerintah lebih memprioritaskan kebijakan harga dibandingkan dengan kebijakan non harga karena selain kebijakan tersebut bersifat jangka pendek juga karena perilaku harga beras sangat fluktuatif dari waktu ke waktu, yang seringkali memunculkan kecemasan dan merugikan baik kepada pihak petani maupun kepada pihak konsumen. Menurut Sawit 2010, sejak tahun 2004, kenaikan harga pembelian pemerintah HPP lebih banyak ditentukan oleh biaya produksi dan tidak lagi mengacu pada perbandingan harga beras internasional sehingga harga beras nasional tidak kompetitif dibandingkan dengan harga beras internasional. Selain itu, menurut Sawit 2010, perbedaan HPP antar daerah tidak akan mampu memecahkan masalah perbaikan mutu beras gabah, tetapi justru akan memperlemah usaha peningkatkan daya saing industri padi beras secara nasional. Menurut Khudori 2008, penelitian empiris membuktikan bahwa keterkaitan harga produksi pertanian di tingkat konsumen dan di tingkat produsen petani bersifat asimetri. Dari sifat tersebut berarti peningkatan harga beras di tingkat konsumen ditransmisikan tidak sempurna dan lambat ke harga gabah di tingkat petani, sedangkan penurunan harga beras di tingkat konsumen ditransmisikan sempurna dan cepat ke harga gabah di tingkat petani. Sebaliknya, peningkatan harga gabah di tingkat petani ditransmisikan dengan sempurna dan cepat ke harga beras di tingkat konsumen, sedangkan penurunan harga gabah di tingkat petani ditransmisikan tidak sempurna dan lambat ke harga beras di tingkat konsumen. Dengan demikian, fluktuasi harga beras atau gabah cenderung merugikan petani dan konsumen. Menurut Nainggolan 2007 fluktuasi harga beras selalu terjadi setiap musim. Pada saat musim panen raya Februari – April yang mencapai 60 – 65 persen produksi nasional, harga akan merosot dan merugikan petani. Di lain pihak pada saat musim paceklik Oktober – Januari harga beras akan melonjak dan merugikan konsumen. Masalah harga lainnya adalah masalah harga beras nasional yang masih jauh lebih tinggi dibandingkan dengan harga beras internasional. Data dari Departemen Perdagangan pada Januari 2011 harga rata-rata beras dalam negeri lebih tinggi 35 dari pada harga rata-rata beras internasional, dengan demikian menurut Alimoeso 2011 kebijakan impor beras merupakan kebijakan yang tepat untuk menurunkan harga beras di dalam negeri. Masalah tersebut mengakibatkan daya saing Indonesia di pasar beras internasional menjadi rendah.

1.2.2 Masalah Non Harga Beras

Masalah utama lain adalah masalah non harga beras. Permasalahan tersebut adalah perlunya pengembangan industri benih padi yang mengarah ke selera pasar seperti menyiapkan benih padi untuk industri tepung tertentu, mengembangkan benih padi dengan kandungan gizi tertentu serta membuat benih padi yang dapat menjadi beras dengan pengolahan yang sangat efisien Hadi, 2004. Masalah lain adalah tingkat hasil kehilangan padi pada saat panen dan pasca panen seperti tingkat kehilangan padi pada saat perontokan, penggilingan, pengeringan, penyimpanan dan pengangkutan Patiwiri, 2004. Petani Indonesia yang menggarap komoditas beras pada tahun 2003 berjumlah 25,4 juta rumah tangga, dimana separuh dari jumlah tersebut adalah petani gurem yang memiliki lahan di bawah 0,5 Ha. Sebagian besar petani di Indonesia tergolong lanjut usia sedangkan keturunan petani yang masih muda lebih senang bekerja di sektor industri di perkotaan. Sebagian besar petani di dalam mengembangkan usaha taninya sangat hati-hati dalam menerapkan inovasi baru, mereka berusaha dengan cara melihat petani lain yang telah berhasil karena takut dengan resiko gagal panen Patiwiri, 2006. Masalah lain yang mempengaruhi perberasan nasional adalah masalah perbankan. Menurut Glenardi 2004 dalam melakukan pembiayaan terkait dengan perberasan umumnya petani tidak bernaung dalam suatu lembaga yang baku seperti koperasi. Dari sisi permodalan, sebagian besar petani kurang layak secara perbankan bankable baik dari persyaratan legalitas maupun kemampuan dalam menyediakan agunan serta lahan yang dimiliki petani umumnya bukan merupakan lahan sendiri. Selain itu terhadap skim-skim perbankan yang disediakan untuk para petani, masih belum tersedia pihak yang bertindak sebagai penanggung jawab off-taker atas apa yang diusahakan oleh petani, baik dari sisi ketersediaan sarana produksi maupun atas hasil usahanya. Menurut Patiwiri 2004, teknologi pengolahan padi di Indonesia masih sangat sederhana dan sebagian besar untuk proses perontokkan, pengeringan dan pengangkutan masih mengandalkan tenaga manusia serta proses pengeringan masih menggunakan sinar matahari. Untuk proses teknologi penggilingan padi masih didominasi oleh teknologi sederhana yaitu dengan penggunaan penggilingan padi kecil PPK sebesar 35,3 dan Rice Milling Unit RMU sebesar 34.4, sedangkan penggunaan penggilingan padi besar PPB hanya sebesar 4,5. Pada Tabel 1 dapat dilihat bahwa penggunaan penggilingan padi kecil dan RMU memiliki porsi terbesar yaitu sebesar 69,7 dengan kapasitas produksi riil sebesar 0,3 – 0,7 ton beras jam. Menurut Damardjati 1981 dalam Hasbullah 2007, penggunaan kombinasi mesin penggiling merupakan salah satu faktor yang menentukan rendemen beras dan mutu beras giling selain faktor bahan baku gabah, varietas gabah, derajat kematangan dan cara penanganan awal pre handling. Kombinasi mesin penggilingan padi untuk penggilingan padi sederhana yang menggunakan husker – polisher H-P menghasilkan rendemen rata-rata 55,71 dengan mutu beras kepala 74,25 dan beras patah 14,99 . Pada penggilingan padi dengan kombinasi cleaner – husker – separator – polisher C-H-S-P menghasilkan rendemen rata-rata 59,69 dengan mutu beras kepala 75,73 dan beras patah 12,52 . Pada penggilingan padi besar PPB yang menggunakan kombinasi dyer – cleaner – husker – separator – polisher – grader D-C-H-S-P-G menghasilkan rendemen rata-rata 61,48 dengan mutu beras kepala 82,45 dan beras patah 11,97 , Hadiutomo 2006 dalam Hasbullah 2007. Tabel 1. Jenis Penggilingan Padi di Indonesia Tahun 2002 Propinsi Jenis Penggilingan Padi Unit PPB PPK RMU PP Engelberg Huller Masya- rakat Penyosoh Polisher Jumlah Sumatera 1.291 5.047 12.318 391 1.842 1.614 22.503 Jawa 2.739 28.112 11.056 129 10.049 9.440 61.525 Bali NT 353 632 2.818 3 235 525 4.566 Kalimantan 205 3.051 1.634 1.107 834 800 7.631 Sulawesi 423 2.022 10.155 878 361 284 14.123 Maluku Irian - 148 115 - - - 263 Indonesia 5.011 4.5 39.012 35.3 38.096 34.4 2.508 2.3 13.321 12.1 12.663 11.4 110.611 100 Sumber : Patiwiri 2004 Menurut survei Badan Pusat Statistik BPS, 1996 dalam Hasbullah 2007, susut volume pada penanganan panen dan pasca panen padi dapat mencapai 20,42 . Susut volume tersebut terjadi pada saat panen sebesar 9,5 , proses perontokkan 4,8 , pengeringan 2,1 , penggilingan 2,2 , penyimpanan 1,6 dan pengangkutan 0,2 . Menurut Ditjen PPHP 2008, susut volume pada penanganan panen dan pasca panen padi secara menyeluruh telah menurun menjadi sebesar 11,27. Penyusutan tersebut terjadi pada saat panen sebesar 1,571 , proses perontokkan 0,981 , pengeringan 3,592 , penggilingan 3,072 , penyimpanan 1,68 dan pengangkutan 0,38 . Menurut Malian 2004 dan Hasan 2008 kebijakan harga dasar gabah tidak akan efektif apabila tidak diikuti dengan kebijakan nonharga seperti jaminan ketersediaan pupuk, benih bermutu, irigasi, dan transportasi pascapanen. Bila faktor-faktor nonharga tersebut dipenuhi, komponen biaya produksi beras akan dapat ditekan dan akan berimbas pada harga di tingkat konsumen.

1.3 Perumusan Masalah Perberasan di Provinsi DKI Jakarta

Dari permasalahan perberasan nasional tersebut terdapat beberapa aspek penting yang perlu dikaji lebih lanjut khususnya yang berhubungan dengan masalah rantai pasokan beras di Provinsi DKI Jakarta. Provinsi DKI Jakarta memiliki pasar induk perberasan bernama Pasar Induk Beras Cipinang PIBC yang dikelola oleh PT. Food Station Tjipinang Jaya FSTJ. Pengelola PIBC yaitu FSTJ yang berada di bawah Pemda DKI Jakarta diharapkan dapat menjadi pihak yang dapat mengatur dan mengendalikan ketahanan pangan khususnya untuk komoditas beras di wilayah DKI Jakarta. Untuk wilayah DKI Jakarta, masalah utama yang terkait dengan masalah perberasan adalah jumlah kebutuhan beras bagi penduduk DKI Jakarta yang sangat besar yang setiap saat harus tersedia dengan harga terjangkau namun tidak didukung langsung oleh produksi beras secara mandiri yang dapat mencukupi kebutuhan penduduknya. Untuk menjaga keberlangsungan dan keberlanjutan pasokan beras dengan harga yang terjangkau bagi penduduknya tersebut, maka terdapat beberapa aspek penting yang perlu dikaji. Adapun aspek-aspek tersebut adalah sebagai berikut 1. Aspek pasokan beras. Aspek pasokan beras sangat berperan penting dalam menjaga ketersediaan beras bagi warga penduduk DKI Jakarta. Untuk itu, Pemda DKI Jakarta yang diwakili oleh pihak PIBC perlu mengelola pasokan beras baik yang masuk ke PIBC maupun pasokan beras yang ke luar dari PIBC khususnya ke lima wilayah di DKI Jakarta. Dalam hal tertentu ketika pasokan beras kurang pihak PIBC dapat meminta bantuan kepada pihak Badan Urusan Logistik BULOG DKI Jakarta untuk melakukan operasi pasar. 2. Aspek harga beras. Aspek harga beras merupakan aspek yang juga sangat penting dalam menentukan pengambilan keputusan pada berbagai institusi dalam rantai pasokan, khususnya di PIBC. Untuk itu pihak PIBC perlu mengantisipasi harga beras yang berfluktuasi guna menjaga harga yang dapat terjangkau sehingga kelangsungan pasokan beras kepada warga DKI Jakarta dapat terjaga. Dalam hal tertentu ketika harga beras meningkat tajam, pihak PIBC dapat meminta bantuan pihak BULOG DKI Jakarta untuk melakukan operasi pasar. 3. Aspek pemilihan pemasok beras. Aspek pemilihan pemasok beras dari pihak petani maupun kelompok tani, merupakan aspek yang penting yang selalu dilakukan oleh para pelaku bisnis perberasan di PIBC dalam menjaga ketersediaan pasokan beras. 4. Aspek distribusi dan transportasi beras. Aspek distribusi dan transportasi yang terkait dengan rute pengiriman dan armada pengiriman dari PIBC ke pasar- pasar di wilayah DKI Jakarta dan kepada konsumen beras lainnya perlu mendapatkan perhatian dari para pelaku bisnis di PIBC. Aspek distribusi yang tidak mempertimbangkan rute terpendek pada suatu pengiriman dapat menimbulkan biaya transportasi yang tinggi, sedangkan proses pengiriman yang tidak memperhatikan jumlah armada yang sesuai dengan kapasitas angkut dapat menimbulkan pemborosan. 5. Aspek kinerja dari rantai pasokan beras. Aspek ini perlu mendapat perhatian dari para pelaku usaha perberasan di PIBC agar kinerja rantai pasokan beras PIBC setiap waktu dapat diukur dan dievaluasi sejauh mana kinerja rantai pasokan beras yang sudah dilakukan dan kinerja rantai pasokan beras yang akan dicapai di masa mendatang.

1.4 Tujuan Penelitian

Sehubungan dengan permasalahan perberasan di Provinsi DKI Jakarta tersebut, penelitian ini memiliki tujuan menghasilkan rancang bangun model sistem pendukung keputusan cerdas untuk sistem rantai pasokan beras yang efektif dan efisien yang mencakup model di bawah ini : 1. Model prakiraan pasokan dan prakiraan harga beras. 2. Model pemilihan pemasok beras. 3. Model distribusi dan transportasi beras. 4. Model kinerja rantai pasokan beras. Pada penelitian ini, rancangan model dianggap efektif apabila model dapat menjadi alternatif pertimbangan dari para pelaku perberasan di PIBC untuk dapat dimanfaatkan sebagai alat bantu pengambilan keputusan. Demikian pula, rancangan model dianggap efisien apabila model dapat menunjukkan hasil yang lebih cepat dari segi waktu, lebih murah dari segi biaya dan lebih sedikit dari penggunaan aset serta lebih mudah dijelaskan secara rasional kepada masyarakat umum.

1.5 Manfaat Penelitian

Hasil penelitian yang berupa suatu paket program dari sistem pendukung keputusan rantai pasokan beras untuk Provinsi DKI Jakarta, diharapkan bermanfaat bagi berbagai pihak di bawah ini : 1. Bagi Pemerintah Daerah DKI Jakarta. Hasil penelitian dapat dipergunakan sebagai suatu prototype untuk sistem peringatan dini early warning system dalam menjaga ketersediaan, kesiapan dan kelancaran pasokan beras serta dapat dimanfaatkan sebagai antisipasi tindakan akibat dari fluktuasi harga beras. Menurut Biro Pusat Statistik BPS DKI Jakarta, pada tahun 2010 jumlah penduduk DKI Jakarta adalah 9.588.198 orang BPS Jakarta, 2011. Dengan jumlah penduduk tersebut maka untuk satu tahun diperlukan beras sekitar satu juta ton, padahal produksi beras dari wilayah DKI Jakarta sendiri pada tahun 2010 hanya 11.164 ton Departemen Pertanian, 2011. Dengan demikian Pemda DKI Jakarta harus selalu waspada dan cepat tanggap dalam hal ketersediaan, kesiapan, keterjangkauan dan kelancaran penyaluran beras sampai ke tangan konsumen. 2. Bagi para praktisi. Hasil penelitian dapat dipergunakan sebagai prototype yang dapat dikembangkan dan diaplikasikan lebih lanjut di lapangan. Pada penelitian ini dihasilkan suatu prototype program aplikasi komputasi yang mencakup model prakiraan dan peringatan dini early warning pasokan beras, model prakiraan dan peringatan dini early warning harga beras, model pemilihan pemasok beras supplier selection dan model distribusi dan transportasi beras. 3. Manfaat bagi masyarakat umum. Bagi masyarakat umum seperti petani, pedagang perantara atau pihak lain yang tidak langsung terkait, hasil penelitian diharapkan dapat memberikan suatu efisiensi teknis yang secara tidak langsung dapat mendukung kepada efisiensi ekonomis. Efisiensi ekonomis diharapkan dapat mendukung suatu sistem ekonomi yang lebih ekonomis. Dengan sistem ekonomi yang lebih ekonomis maka masyarakat umum dapat memperoleh pendapatan yang lebih baik atau mengeluarkan biaya yang lebih murah. 4. Bagi para akademisi. Hasil penelitian dapat digunakan sebagai sumbangan pemikiran yang dapat dipergunakan sebagai bahan pengembangan penelitian lebih lanjut mengenai pengelolaan rantai pasokan perberasan di wilayah DKI Jakarta atau di wilayah lainnya.

1.6 Ruang Lingkup Penelitian

Ruang lingkup penelitian ini mencakup hal-hal sebagai berikut : 1. Penelitian membahas masalah yang mencakup proses prakiraan pasokan dan harga beras, pemilihan pemasok beras, distribusi dan transportasi untuk komoditas beras serta kinerja dari rantai pasokan beras di Provinsi DKI Jakarta. 2. Penelitian membahas komoditas beras. Beras yang diteliti untuk model prakiraan pasokan, model pemilihan pemasok serta model distribusi dan transportasi adalah semua jenis beras yang terdapat di Pasar Induk Beras Cipinang PIBC, sedangkan beras yang diteliti pada model prakiraan harga dibatasi hanya untuk jenis beras varietas IR 64 mutu III IR 64 III dan jenis beras varietas Muncul mutu III Muncul III. Untuk model prakiraan harga, jenis beras hanya dibatasi untuk dua varietas tersebut karena selain jenis beras ini adalah jenis beras yang paling banyak dikonsumsi oleh masyarakat karena harganya adalah harga medium, tetapi juga untuk model prakiraan harga, setiap varietas memiliki harga tersendiri sehingga model prakiraan harga satu varietas berbeda dengan varietas lainnya. 3. Kasus penelitian dilakukan di Provinsi DKI Jakarta dengan focal company pada rantai pasokan adalah PT. Station Food Tjipinang Jaya FSTJ yang pengelolaannya berada di bawah naungan Pemerintah Daerah DKI Jakarta serta menangani para pengusaha beras di PIBC. 4. Para pemasok beras yang memasok ke PIBC berasal dari berbagai daerah sentra produksi beras yang berada di beberapa Provinsi. Provinsi yang dimaksud adalah Jawa Barat, Jawa Tengah, Jawa Timur, Sulawesi Selatan dan Lampung, sedangkan pihak konsumen sebagai ritel beras yang menjadi titik distribusi dari PIBC dibatasi pembahasannya hanya sampai ke pasar- pasar beras yang dikelola oleh PD. Pasar Jaya yang juga berada di bawah pengelolaan Pemda DKI Jakarta. 5. Pengumpulan data diperoleh melalui wawancara dan data sekunder yang dilaksanakan selama 12 bulan, dari bulan Agustus 2009 sampai dengan bulan Agustus 2010. 6. Data sekunder mengenai harga beras dan pasokan beras yang digunakan adalah data dari bulan Januari 2009 sampai dengan bulan Agustus 2010 yang diperoleh dari FSTJ.