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. .