Sistem Kecerdasan Buatan Rekayasa sistem manajemen ahli dalam perencanaan produksi rantai pasok agroindustri karet spesifikasi teknis

ditranmisikan. Fungsi pengkatifan dapat berupa suatu fungsi batas threshold atau suatu fungsi lainnya seperti fungsi sigmoid atau fungsi tangen hyporbolik. Jaringan syaraf tiruan digambarkan oleh suatu set simpul node dan tanda arah panah. Simpul berkaitan dengan neuron sedangkan tanda arah menyatakan arah aliran sinyal diantara neuron dalam model matematis, suatu neuron mereprensentasikan suatu elemen pemroses processing element. Elemen pemroses menangani fungsi dasar seperti mengevaluasi sinyal input, menjumlahkan sinyal dan membandingkannya dengan suatu nilai batas threshold untuk menentukan nilai ouputnya. Setiap elemen pemroses dapat menerima banyak sinyal input secara simultan, tetapi hanya terdapat satu sinyal output yang tergantung kepada sinyal input, bobot dana nilai batas untuk elemen pemroses tersebut. Beberapa model jaringan mempunyai suatu input ekstra yang disebut sebagai bias, yang merupakan pengaruh dari luar jaringan.Jaringan syaraf tiruan terdiri dari sejumlah elemen pemroses sederhana yang menyerupai neuron dan sejumlah penghubung diantara elemen-elemen neuron. Setiap penghubung, menghubungkan satu simpul ke simpul yang lainnya dan dikaitkan dengan uatu bobot. Bobot dari penghubung menggambarkan pengetahuan dari suatu jaringan. Dasar-dasar komputasi jaringan syaraf tiruan menurut Faucett 1994 dan Siang 2005 mulai dari jaringan, input, hidden layer, output, bobot, fungsi penjumlahan sampai dengan fungsi aktivasi, dengan penjelasan sebagai berikut : 1. Jaringan Suatu JST terdiri atas kumpulan neuron yang terhubung, dan dikelompokkan dalam lapisan-lapisan layers. Struktur jaringan dalam JST dibedakan atas dua struktur dasar yaitu 1 Struktur dua lapisan yang terdiri atas input dan output 2 Struktur tiga lapisan yang terdiri atas input, intermediate hidden dan ouput. 2. Input Jaringan dapat dirancang untuk menerima sekumpulan nilai input yang berupa nilai biner atau kontinyu. Jika masalah bersifat kualitatif dan berupa grafik, maka informasi harus dirubah kedalam suatu nilai numerik yang ekivalen sebelum dapat diinterpretasikan oleh Jaringan Syaraf Tiruan. 3. Output Tujuan dari suatu jaringan adalah menghitung nilai output sebagai solusi dari masalah. Dalam JST supervised, output awal dari jaringan biasanya tidak tepat dan jaringan harus disesuaikan sampai diperoleh output yang benar. 4. Hidden layer Pada arsitektur multi layered, hidden layers tidak berinteraksi secara langsung dengan dunia luar, tetapi menambah tingkat kompleksitas dalam JST. Hidden layer menambah sebuah representasi internal dari masalah, sehingga menjadikan jaringan mampu memecahkan masalah yang kompleks dan non linier. 5. Bobot weight Bobot menunjukkan kekuatan relatif nilai matematis dari berbagai koneksiyang mentransfer data dari lapisan ke lapisan. Bobot merupakan kepentingan relatif dari setiap input ke dalam elemenproses neuron. Bobot sangat penting dalam JST karena dengan bobot ini jaringan disesuaikan secara berulang untuk menghasilkan output yang diinginkan. 6. Fungsi penjumlahan Fungsi penjumlahan summation function menghitung rata-rata bobot dari suatu elemen input , dimana summation input X j dengan bobot W ij dijumlahkan untuk mendapatkan weigted sum S i , dengan formula : 1 i i i i W X S 7. Fungsi Transfer Aktivasi Fungsi transferaktivasi yang dipakai dalam metode belajar backpropagation , harus memiliki sifat kontinyu dan dapat diturunkan. Pemakaian fungsi aktivasi ditentukan oleh aplikasi yang dirancang, hal yang paling penting adalah fungsi transfer yang digunakan mudah dihitung turunannya sehingga dapat menggunakan algoritma backpropagation. Menurut Krose 1996, Siang 2005 pendekatan belajar dalam JST dibedakan atas supervised learning terawasi dan unsupervised learning tidak terawasi. Supervised learning menggunakan sekumpulan input dengan output yang telah diketahui. Perbedaan output aktual dan output yang diinginkan digunakan untuk menghitung nilai koreksi pada bobot jaringan syaraf. Dalam unsupervised learning, jaringan syaraf mengorganisasikan dirinya untuk menghasilkan kategori dimana kumpulan iput akan termasuk kedalamnya. Metode backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan sel syaraf yang ada pada lapisan tersembunyi Patuelli, 2006. Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur backward. Untuk mendapatkan error ini, tahap perambatan maju forward propagation harus dikerjakan terlebih dahulu. Pada saat perambatan maju, sel-sel syaraf diaktifkan dengan menggunakan fungsi aktivasi Sigmoid Biner atau fungsi aktivasi Sigmoid Bipolar. Metode backpropagation adalah metode turunan gardien gradient descent method untuk meminimalkan total squared error dari output yang dihasilkan jaringan. Fungsi kinerja yang sering digunakan adalah mean square error. Karakteristk dari jaringan backpropagation dapat digunakan untuk menyelesaikan berbagai masalah yang melibatkan pemetaan suatu input terhadap output tertentu supervised learning. Arsitektur jaringan Backpropagation diperlihatkan pada Gambar 11 Gambar 11 Arsitektur jaringan syaraf tiruan Backpropagation http:fbim.fh-regensburg.de, 2010 Menurut Munakata 2008 penggunaan JST dalam memecahkan masalah memiliki kekurangan dan kelebihan. Diantara kelebihannya adalah : 1. Memiliki kemampuan belajar, melalui penyesuaian bobot dalam struktur jaringan untuk setiap proses pembelajarannya. 2. Memiliki kemampuan generalisasi sehingga mampu mempelajari pola baru mengacu pada pola pembelajaran yang dberikan. 3. Mampu menyelesaikan masalah nonlinier yang sulit diselesaikan dengan model matematis, selama jaringan mampu mempelajari pola non linier yang dilatihkan. 4. Memiliki kehandalan dalam menangani sejumlah noise pada input, bahkan jika terjadi kerusakan dalam arsitektur jaringan, JST masih dapat melakukan tugasnya dalam batas tertentu. Selain keunggulan, menurut Munakata 2008 jaringan syaraf tiruan juga memiliki beberapa kekurangan sebagai berikut : 1. Secara menyeluruh jaringan belum benar-benar dapat meniru cara kerja jaringan syaraf manusia sehingga masih perlu kajian dan pengembangan lebih lanjut. 2. Bobot sebagai hasil proses pelatihan jaringan dalam pengenalan pola belum menyajikan informasi yang jelas. 3. Iterasi sebagai proses penghitungan berulang untuk mempelajari pola sering memakan waktu yang lama, namun jika jaringan sudah terlatih dengan mudah dapat digunakan untuk memperkirakan suatu pola berdasrkan pola yang telah dipelajari. 4. Jika dilakukan peningkatan skala scale-up dengan meningkatkan jumlah neuron yang sudah terlatih, maka perlu dilakukan proses pelatihan dari awal. Penerapan JST dalam melakukan prakiraan menurut Rurkhamet 1998 memiliki beberapa kelebihan diantaranya ; 1 kemampuan memproses banyak variabel, 2 kemampuan mempelajari perilaku data tanpa mengidentifikasi sebagai masukan, 3 hasil cenderung lebih akurat dan 4 mampu beradaptasi pada saat parameter atau data dirubah. Kemampuan JST dalam melakukan prakiraan forecasting telah banyak diterapkan dalam penelitian. Kamaruzzaman dan Sarker 2003 melakukan perbandingan kemampuan antara metode Jaringan Syaraf Tiruan dan ARIMA dalam memprediksi harga di pasar mata uang asing di Australia. Penelitian menunjukkan Jaringan Syaraf Tiruan dengan metode pembobotan standard backpropagation lebih baik dalam melakukan prediksi. Kinerja prediksi diukur dengan membandingkan nilai normalized mean square error NMSE, mean absolute error MAE dan directions symetry DS antara nilai prediksi dan nilai aktual. Hasil penelitian Zhang 2003 menunjukkan penerapan neural network sebagai metode baru dalam menangani masalah prakiraan kebutuhan dan pemilihan pemasok. Penerapan JST dengan propagasi balik lapisan tunggal single layer backpropagation dalam bidang agroindustri minyak atsiri digunakan untuk memprediksi harga dan permintaan berdasarkan data masa lalu oleh Indrawanto 2007. Kemampuan JST dengan metode propagasi balik lapisan jamak multiple layer backpropagation digunakan dalam memprediksi harga tapioka dan prediksi pasokan bahan baku pada agroindustri tapioka Astuti, 2010.

2.10 Posisi Penelitian

Tinjauan penelitian terdahulu yang terkait dalam penelitian ini dikelompokkan kedalam tiga kajian, yaitu penelitian; 1 pengembangan agroindustri karet spesifikasi teknis, 2 manajemen rantai pasok yang berkaitan dengan perencanaan produksi dan, 3 penerapan kecerdasan buatan dalam merancangbangun sistem manajemen ahli. Penelitian yang berkaitan dengan pengembangan agroindustri karet spesifikasi teknis dilakukan oleh Utomo 2008. Hasil penelitian berupa rancangbangun proses produksi karet spesifikasi teknis berbasis produksi bersih, yang berkaitan dengan pemenuhan standar mutu bahan olah karet sehingga menghasilkan penghematan penggunaan air. Kajian ini dapat digunakan untuk memperoleh informasi berkaitan dengan proses produksi karet spesifikasi teknis. Penelitian Haris 2006, menghasilkan suatu rancangbangun model aliansi strategis sistem agroindustri karet spesifikasi teknis. Model ini menghasilkan suatu rancangan bentuk kelembagaan kerjasama jangka panjang yang menempatkan petani karet dan pengusaha agroindustri sebagai pelaku utama yang dijembatani oleh lembaga ekonomi petani. Model kelembagaan ini menjadi pendorong terciptanya akses petani terhadap simpul pengolahan dan pemasaran produk karet spesifikasi teknis sehingga menjamin kontinuitas pasokan bahan baku. Hasil penelitian ini digunakan untuk kajian pengelolaan rantai pasok dan bentuk kelembagaan dalam pengelolaan rantai pasok agroindustri. Penelitian yang berkaitan dengan prakiraan produksi karet alam di India dilakukan oleh Chawla dan Jha 2009. Penggunaan beberapa metode prakiraan time series menunjukkan bahwa metode Winters lebih baik dalam melakukan prakiraan produksi karet alam di India dibanding metode ARIMA, metode trends dan metode Holts. Berkaitan dengan perancangan sistem keputusan dan sistem manajemen ahli dalam pengelolaan produksi rantai pasok agroindustri diantaranya dilakukan oleh Hadiguna 2009, untuk mengelola rantai pasok minyak sawit kasar. Hasil penelitian ini digunakan sebagai acuan untuk pemilihan metode dan integrasi model perencanaan produksi ke dalam sistem manajemen ahli. Wang dan Yeh 2009 mengembangkan suatu sistem pengambilan keputusan yang terintegrasi dalam menyusun prakiraan. Galasso et al. 2006 membangun sistem pendukung keputusan dalam menyusun perencanaan produksi dengan mempertimbangkan fleksibilitas permintaan berdasarkan pola permintaan masa lalu namun belum dikaitkan dengan faktor yang mempengaruhi permintaan. Kusters 2006 meneliti berbagai pengembangan perangkat lunak untuk melakukan prakiraan dan menyimpulkan bahwa model prakiraan perlu dirancangsesuai dengan jenis data dan kebutuhan industri. Prakiraan dengan menggunakan data time series yang lebih panjang menghasilkan prakiraan yang lebih akurat. Kamaruzzaman dan Sarker 2003, Zhang 2003 melakukan penelitian prakiraan dengan metode jaringan syaraf tiruan. Hasil penelitian menunjukkan jaringan syaraf tiruan dengan metode pembobotan standard backpropagation lebih baik dalam melakukan prediksi. Penerapan konsep perencanaan dan pengendalian produksi dengan pendekatan Manufacturing Resources Planning, dari berbagai penulusuran penelitian pada umumnya digunakan untuk industri manufaktur. Pengembangan MRP dengan menerapkan kecerdasan buatan dilakukan oleh Noori et al. 2008. Wacker dan Sheu 2006 mengembangkan ukuran kinerja sistem perencanaan produksi dalam lingkungan manufaktur diantaranya manufacturing lead time pengiriman tepat waktu dan rata-rata keterlambatan. Penerapan fuzzy logic dalam menggambarkan prilaku sistem digunakan dalam penelitian model dinamika antara konsumen, produsen dan pekerja Chang et.al, 2006. Unahabhokha et al. 2007 menggunakan pendekatan fuzzy dalam mengembangkan sistem pakar untuk memprediksi kinerja operasional delivery lead time. Penelitian ini digunakan untuk mengembangkan metode fuzzy untuk membantu pengambilan keputusan perencanaan produksi dalam sistem manajemen ahli. Penerapan pendekatan manajemen rantai pasok dalam agroindustri terus berkembang, dengan lingkup kajian yang bevariasi dan ragam produk agroindustri yang berbeda. Berdasarkan kajian pustaka yang dilakukan, belum ditemukan penelitian yang berkaitan dengan pengembangan metode perencanaan produksi terintegrasi pada rantai pasok agroindustri karet spesifikasi teknis. Jenis kebaruan novelty dalam suatu penelitian di bidang teknologi industri pertanian menurut Sukardi 2009 dapat berbentuk penemuan invention, peningkatan improvement dan bantahan refutation. Mengacu kepada hasil kajian terhadap beberapa penelitian terdahulu serta jenis kebaruan maka penelitian ini dapat dikategorikan sebagai peningkatan improvement. Kebaruan dari penelitian dapat ditinjau dari aspek berikut : 1. Mengembangkan model perencanaan produksi yang mampu mengintegrasikan dinamika aktifitas rantai pasokan bahan baku pada sisi hulu, kemampuan produksi pada unit pengolah dan dinamika permintaan di sisi hilir. 2. Mengembangkan metode prakiraan permintaan, prakiraan harga dan prakiraan pasokan bahan baku dengan menggunakan metode jaringan syaraf tiruan yang digabungkan dengan metode fuzzy inference system sehingga memungkinkan melakukan penyesuaian rencana produksi dalam periode waktu yang lebih singkat. 3. Menghasilkan sistem manajemen ahli untuk perencanaan produksi karet spesifikasi teknis yang dilengkapi dengan sistem pengukuran kinerja untuk mengukur tingkat kesesuaian rencana dengan realisasi produksi. 3 METODE PENELITIAN

3.1 Kerangka Pemikiran

Perencanaan produksi sebagai suatu keputusan awal yang mempengaruhi aktifitas pada kegiatan lainnya memiliki peran penting untuk mengantisipasi terjadinya inefisiensi produksi yang berakibat pada peningkatan biaya. Perencanaan produksi merupakan proses merencanakan aliran bahan dan kebutuhan sistem produksi yang berkaitan dengan apa yang harus diproduksi, berapa banyak harus dibuat dan kapan dilaksanakan. Perencanaan produksi sebagai proses awal untuk menentukan tindakan di masa mendatang, disusun atas dasar prakiraan berdasarkan kondisi pada masa lalu. Penyusunan rencana produksi atas dasar prakiraan kondisi masa lalu membutuhkan suatu pendekatan komprehensif sehingga faktor-faktor penting yang mempengaruhi rencana produksi dapat diakomodir dalam penyusunan rencana produksi. Pada agroindustri karet alam berskala besar yang memiliki fasilitas produksi untuk menghasilkan berbagai jenis karet, proses produksi sangat ditentukan oleh jenis dan mutu bahan baku yang dipasok dari kebun sendiri maupun dari kebun rakyat. Selain kondisi pasokan, di sisi permintaan agroindustri karet alam menghadapi fluktuasi harga dan volume permintaan, sebagai akibat pengaruh faktor spekulasi dalam perdagangan, pertumbuhan ekonomi, nilai mata uang dan faktor lainnya. Berdasarkan dinamika pada sisi pasokan dan sisi permintaan, permasalahan utama yang dihadapi oleh agroindustri karet adalah bagaimana menyusun suatu jumlah produksi dari jenis karet alam yang dihasilkan dengan mengikuti dinamika perkembangan harga, fluktuasi permintaan, ketersediaan bahan baku guna mengoptimalkan kapasitas produksi yang dimiliki sehingga dapat menurunkan biaya yang mncul sebagai akibat kelebihan atau kekurangan jumlah produksi. Untuk menjawab permasalahan ini, maka diperlukan suatu model perencanaan produksi dinamis yang mengintegrasikan kondisi pada sisi pasokan dan sisi permintaan dalam pengambilan keputusan perencanaan produksi. Kompleksitas yang muncul dalam mengakomodir dinamika sisi hulu dan sisi hilir dapat didekati dengan kerangka manajemen rantai pasok sebagai aktifitas perencanaan dan pengendalian kegiatan dengan mempertimbangkan kebutuhan unit dalam struktur rantai pasok. Menurut Chopra et al. 2004 dan Levi et al.2003. Kompleksitas merupakan dinamika yang timbul sebagai hasil interaksi dan perbedaan kepentingan antara mata rantai dalam mengelola aktifitas dalam struktur rantai pasok. Kondisi dan perubahan lingkungan sekitar setiap unit mata rantai pasok mengakibatkan munculnya berbagai unsur ketidakpastian. Untuk mengelola kompleksitas dan ketidakpastian diperlukan suatu perencanaan produksi dengan menerapkan konsep kolaborasi dan integrasi sehingga rencana yang dihasilkan bersifat adaptif terhadap perubahan. Penyusunan rencana produksi oleh pabrik sebagai prosesor dalam suatu sistem rantai pasok seharusnya merupakan hasil kolaborasi dari sisi pemasok dan sisi hilir distributor, bukan keputusan parsial yang hanya mempertimbangkan kemampuan produksi pabrik. Perencanaan produksi pada umumnya disusun berdasarkan pola data permintaan masa lalu, namun belum mempertimbangkan pola pasokan bahan baku. Dinamika permintaan, kemampuan produksi dan pasokan bahan baku dalam menghasilkan produk membentuk interaksi yang komplek, sehingga dapat dimodelkan dan dianalisis dengan menggunakan pendekatan sistem melalui akuisisi pengetahuan pakar Zhai, 2004. Menurut Tang 2006 pada umumnya sistem rantai pasok dikendalikan dan berorientasi untuk pemenuhan kebutuhan konsumen consumer driven sehingga produksi disusun atas dasar prakiraan permintaan. Berbeda dengan sistem rantai pasok pada umumnya, sistem rantai pasok agroindustri lebih bersifat consumer- produser driven dimana penyediaan kebutuhan konsumen dipengaruhi ketersediaan pasokan bahan baku yang dipengaruhi oleh lingkungan eksternal seperti cuaca dan musim. Untuk menyelaraskan kondisi pasokan dan permintaan, aktifitas prakiraan permintaan dan prakiraan pasokan memiliki tingkat kepentingan yang sama sebagai acuan perencanaan produksi . Berdasarkan permasalahan pada agroindustri karet dan kajian pustaka yang dilakukan maka dalam penelitian ini akan dirancang suatu sistem manajemen ahli SMA perencanaan produksi dengan mempertimbangkan kondisi