3.3 Pengumpulan dan Metode Analisis Data
Data yang dikumpulkan pada penelitian ini, mencakup data untuk subsistem pertama yaitu prakiraan pasokan beras dan prakiraan harga beras, untuk
subsistem ke dua yaitu pemilihan pemasok beras dan untuk subsistem ke tiga yaitu distribusi serta transportasi beras. Untuk subsistem pertama, data yang
dikumpulkan diperoleh dari data sekunder yaitu data yang diperoleh dari pusat induk beras Cipinang PIBC, data tersebut berupa data realisasi pengeluaran
beras dari PIBC ke pasar-pasar wilayah DKI Jakarta, luar kota dan antar pulau. Untuk subsistem ke dua, data yang dikumpulkan berupa data yang terkait dengan
kriteria untuk pemilihan pemasok beras seperti harga, mutu beras serta waktu pengantaran sampai tiba di PIBC . Data ini dapat diperoleh baik dari data primer
maupun data sekunder. Untuk subsistem ke tiga, data yang dikumpulkan berupa data yang terkait dengan jumlah armada yang dipergunakan untuk pengantaran
beras dan rute perjalanan armada tersebut dalam mengantarkan beras yang diminta oleh pasar-pasar di wilayah DKI Jakarta. Data untuk subsistem ke tiga
tersebut diperoleh dari data primer maupun data sekunder. Untuk mengukur kinerja rantai pasokan beras di DKI Jakarta, data yang
diperlukan selain keluaran dari ke tiga subsistem ini, diperlukan pula data atau masukan dari pakar yang dipergunakan untuk mendapatkan aturan Jika-Maka If-
Then Rule. Pakar yang diminta masukan untuk pengukuran kinerja rantai pasokan ini berasal dari pihak akademisi dan pihak praktisi.
Metode analisis data yang dilaksanakan disesuaikan dengan kebutuhan untuk masing-masing subsistem. Metode analisis untuk subsistem pertama yaitu
prakiraan pasokan dan harga beras digunakan metode jaringan syaraf tiruan JST. Untuk subsistem ke dua yaitu pemilihan pemasok beras digunakan metode
TOPSIS. Untuk subsistem ke tiga yaitu distribusi serta transportasi beras dipergunakan metode Simulated Annealing, sedangkan untuk mengukur kinerja
pada rantai pasokan beras digunakan metode Fuzzy Inference System. Tabel 15 menunjukkan hubungan antara model penelitian, data yang diperlukan, jenis data,
sumber data dan metode analisis data yang dipergunakan pada penelitian ini.
Tabel 15. Model Penelitian, Jenis Data, Sumber Data dan Metode Analisis Data
No Model Penelitian
Data Yang Diperlukan
Jenis Data Sumber
Data Metode
Analisis 1.
Subsistem Pertama Model Prakiraan
Pasokan dan Harga Beras
Data pasokan beras dari PIBC ke DKI
Jakarta Data harga beras
varietas IR64 III dan Muncul III
Dari tahun 2009 - 2010
primer PT. FSTJ
Neural Network
2. Subsistem Ke Dua
Model Pemilihan Pemasok Beras
Data alternatif pemasok beras
Data kriteria perberasan
primer dan sekunder
PT. FSTJ dan PIBC
TOPSIS
3. Subsistem Ke Tiga
Model Distribusi dan Transportasi Beras
Data pasar distributor beras di
DKI Jakarta Data jarak antar
pasar distributor beras
Data order hari, tanggal,
jumlah, waktu bongkar muat.
Data jumlah dan kapasitas kendaraan
primer dan sekunder
PT. FSTJ dan PIBC
Simulated Annealing
4. Subsistem Ke Empat
Model Kinerja Rantai Pasokan Beras
Aturan Jika - Maka primer
Pakar Akademisi
dan Praktisi
Fuzzy Inference
System.
3.4 Konfigurasi Model IDSS pada SCM beras
Konfigurasi model IDSS pada penelitian ini memuat SMBM Sistem Manajemen Basis Data, SMBD Sistem Manajemen Basis Model, sistem
pengolahan problematik dan sistem pengolahan dialog. Data yang terdapat pada SMBD adalah data yang tercakup dalam empat subsistem terdahulu yaitu data
dari subsistem prakiraan pasokan dan harga beras, data dari subsistem pemilihan pemasok beras dan data dari subsistem distribusi dan transportasi beras.
Demikian pula, model yang terdapat pada SMBM adalah model dari ke empat subsistem di atas. Konfigurasi model IDSS yang diterapkan pada SCM
beras untuk provinsi DKI Jakarta tersebut secara sederhana dapat dilihat pada Gambar 31.
Gambar 31. Konfigurasi Model IDSS Pada SCM Beras Untuk DKI Jakarta
Menurut Druzdzel dan Flynn 2002 sebuah SMBD berfungsi sebagai bank data untuk DSS. SMBD memiliki sejumlah data yang sesuai dengan
perancangan DSS dan menyediakan struktur data yang logis dengan pengguna. Sedangkan SMBM bertujuan untuk mengubah data dari SMBD menjadi informasi
yang berguna dalam pengambilan keputusan. Karena banyak masalah dalam DSS yang mungkin tidak terstruktur, dengan demikian SMBM juga harus mampu
membantu pengguna dalam membangun model sehingga lebih terstruktur. Sementara itu sistem pengolahan dialog berfungsi sebagai antar-muka intuitif dan
mudah digunakan user friendly sehingga sistem pengolahan dialog ini mampu membantu pengguna sistem untuk memanfaatkan DSS tersebut lebih optimal.