Sistem Pendukung Keputusan Pendugaan Kebutuhan Rice Milling Unit (Rmu) Studi Kasus Di Kotamadya Pematangsiantar

SISTEM PENDUKUNG KEPUTUSAN PENDUGAAN KEBUTUHAN RICE MILLING UNIT (RMU) STUDI KASUS DI KOTAMADYA PEMATANGSIANTAR SKRIPSI
OLEH: ALBERT TRIMITRA SIAHAAN
110308026
PROGRAM STUDI KETEKNIKAN PERTANIAN FAKULTAS PERTANIAN
UNIVERSITAS SUMATERA UTARA 2015

SISTEM PENDUKUNG KEPUTUSAN PENDUGAAN KEBUTUHAN RICE MILLING UNIT (RMU) STUDI KASUS DI KOTAMADYA PEMATANGSIANTAR
SKRIPSI
OLEH: ALBERT TRIMITRA SIAHAAN
110308026
Skripsi Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana di Program Studi Keteknikan Pertanian Fakultas Pertanian Universitas Sumatera Utara

Diperiksa Oleh, Komisi Pembimbing

(Lukman Adlin Harahap, STP, M.Si) Ketua

(Sulastri Panggabean, STP, M.Si) Anggota

PROGRAM STUDI KETEKNIKAN PERTANIAN FAKULTAS PERTANIAN
UNIVERSITAS SUMATERA UTARA 2015

ABSTRAK
ALBERT TRIMITRA SIAHAAN: Sistem Pendukung Keputusan Pendugaan Kebutuhan Rice Milling Unit (RMU) Studi Kasus di Kotamadya Pematangsiantar. Dibimbing oleh LUKMAN ADLIN HARAHAP dan SULASTRI PANGGABEAN.
Sejak zaman dahulu peranan komoditi pangan di Indonesia khususnya beras sangatlah besar, sebab beras merupakan bahan pangan pokok bagi sebagian penduduk Indonesia. Kebutuhan bahan pangan akan beras tidak akan berkurang, melainkan akan terus meningkat dari tahun ke tahun seiring dengan pertambahan jumlah penduduk. Pentingnya penelitian ini dilakukan untuk menduga produksi padi dengan menggunakan metode Monte Carlo sehingga dapat dilakukan pendugaan kebutuhan rice milling unit untuk waktu yang akan datang. Dari hasil yang diperoleh, ketersediaan mesin penggiling padi tidak dapat memenuhi penggilingan padi di Kotamadya Pematangsiantar, sehingga perlu diadakan pengadaan sejumlah mesin penggiling. Kata Kunci: Padi, Monte Carlo, Rice Milling Unit
ABSTRACT
ALBERT TRIMITRA SIAHAAN: Decision Support System of Rice Milling Unit (RMU) estimation needs case study in Pematangsiantar City. Supervised by LUKMAN ADLIN HARAHAP and SULASTRI PANGGABEAN.
The role of food commodity particularly rice in Indonesia was enormous since years ago, as rice is a basic foodstuff for the majority of Indonesian. Food needs of rice is never reduced, but increased from year to year, in accordance to population growth. The importance of this report was to estimate rice production by using Monte Carlo method, so rice milling unit needs can be predicted in the future. The result showed that the availability of rice milling unit was unable to meet the rice milling rate in Pematangsiantar City, therefore a number of rice milling unit should be added. Keywords: Rice, Monte Carlo, Rice Milling Unit
i

RIWAYAT HIDUP
Penulis dilahirkan di Kotamadya Pematangsiantar, Sumatera Utara pada tanggal 27 November 1993 dari Ayah G. Siahaan dan Ibu Linceria Hutagaol. Penulis merupakan anak ke tiga dari 3 bersaudara.
Tahun 2011 penulis lulus dari SMA Swasta Kristen Kalam Kudus Pematangsiantar dan pada tahun yang sama masuk ke Fakultas Pertanian Universitas Sumatera Utara melalui jalur Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN). Penulis memilih Program Studi Keteknikan Pertanian.
Selama mengikuti perkuliahan, penulis aktif mengikuti beberapa organisasi kampus, diantaranya anggota Ikatan Mahasiswa Teknik Pertanian (IMATETA), anggota Unit Kegiatan Mahasiswa Kebaktian Mahasiswa Kristen (UKM-KMK), Badan Pengurus Harian Perayaan Natal Gabungan Program Studi TEP dan ITP 2014, Wakil Sekretaris Acara Seminr Nasional dan Kongres IX Ikatan Mahasiswa Teknik Pertanian Indonesia (IMATETANI) 2015. Penulis juga aktif sebagai asisten Laboratorium Penerapan Komputer, Laboratorium Mekanisasi Pertanian, serta Laboratorium Statistika Industri. Selain itu, penulis juga pernah memperoleh beasiswa PPA pada tahun 2013.
Penulis melaksanakan praktik kerja lapangan (PKL) di PTPN IV Kebun Air Batu Asahan, Sumatera Utara pada tanggal 10 Juli – 10 Agustus 2014.
ii

KATA PENGANTAR
Puji dan syukur penulis ucapkan kepada Tuhan Yang Maha Kuasa atas berkat dan rahmat-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul “Sistem Pendukung Keputusan Pendugaan Kebutuhan Rice Milling Unit (RMU) Studi Kasus di Kotamadya Pematangsiantar” yang merupakan salah satu syarat untuk memperoleh gelar sarjana di Program Studi Keteknikan Pertanian Fakultas Pertanian Universitas Sumatera Utara, Medan.
Pada kesempatan ini penulis mengucapkan terima kasih kepada Bapak Lukman Adlin Harahap, STP, M.Si selaku ketua komisi pembimbing dan kepada Ibu Sulastri Panggabean, STP, M.Si selaku anggota komisi pembimbing yang telah banyak membimbing dan memberikan berbagai masukan, saran dan kritikan yang sangat berharga kepada penulis sehingga skripsi ini dapat diselesaikan dengan baik.
Untuk penyempurnaan skripsi ini, maka kiranya penulis sangat mengharapkan saran dan kritikan yang bersikap membangun agar kedepannya dapat memperoleh hasil yang lebih baik.
Semoga skripsi ini dapat bermanfaat bagi seluruh pihak yang membutuhkan. Terima Kasih.

Medan, Mei 2015
Penulis iii

DAFTAR ISI
Hal. ABSTRAK .......................................................................................................... i RIWAYAT HIDUP ............................................................................................ ii KATA PENGANTAR ........................................................................................ iii DAFTAR GAMBAR .......................................................................................... v DAFTAR TABEL............................................................................................... vi DAFTAR LAMPIRAN....................................................................................... vii PENDAHULUAN
Latar Belakang............................................................................................. 1 Tujuan Penelitian......................................................................................... 3 Kegunaan Penelitian.................................................................................... 4 TINJAUAN PUSTAKA Profil Kotamadya Pematangsiantar ............................................................. 5 Tanaman Padi .............................................................................................. 6 Penggilingan Padi........................................................................................ 7 Upaya Peningkatan Produktivitas Padi ....................................................... 8 Sistem Pendukung Keputusan ..................................................................... 10 Komponen Sistem Pendukung Keputusan .................................................. 11 Data.............................................................................................................. 13 SPSS ........................................................................................................... 15 Skewness dan Kurtosis................................................................................. 15 Pembangkit Angka Acak ............................................................................. 17 Uji Normalitas ............................................................................................. 19 Uji T............................................................................................................. 21 Uji F............................................................................................................. 22 Simulasi Monte Carlo.................................................................................. 22 Validasi dan Verifikasi ................................................................................ 24 METODOLOGI PENELITIAN Waktu dan Tempat Penelitian ..................................................................... 26 Bahan dan Alat ............................................................................................ 26 Metode Penelitian........................................................................................ 26 Prosedur Penelitian...................................................................................... 27 Data-Data yang Dibutuhkan ........................................................................ 28 HASIL DAN PEMBAHASAN Analisis Normalitas Data Produktivitas ...................................................... 30 Pembangkitan Angka Acak ......................................................................... 33 Pemodelan Simulasi .................................................................................... 34 Analisis Validasi dan Verifikasi.................................................................. 35 Analisis Hasil Simulasi................................................................................ 39 KESIMPULAN DAN SARAN Kesimpulan.................................................................................................. 46 Saran ............................................................................................................ 47 DAFTAR PUSTAKA
iv

DAFTAR GAMBAR
Hal. Gambar 1. Komponen sistem pendukung keputusan.......................................... 11 Gambar 2. Bentuk kurva distribusi ..................................................................... 16 Gambar 3. Bentuk grafik kurtosis ....................................................................... 17 Gambar 4. Relasi verifikasi, validasi dan pembentukan model kredibel............ 25
v

DAFTAR TABEL
Hal. Tabel 1. Luas daerah menurut kecamatan tahun 2013........................................ 5 Tabel 2. Hasil uji normalitas (Kolmogorov-Smirnov) data per kecamatan........ 31 Tabel 3. Hasil simulasi sistem untuk produksi padi tahun 2015-2020 ............... 39 Tabel 4. Data mesin penggiling padi dan kapasitas gilingnya di Kotamadya
Pematangsiantar..................................................................................... 41 Tabel 5. Jumlah dan kapasitas RMU setelah dilakukan penambahan ................ 45
vi

DAFTAR LAMPIRAN
Hal. Lampiran 1. Banyaknya kelompok tani dan pola tanam yang digunakan di
Kotamadya Pematangsiantar.......................................................... 51 Lampiran 2. Luas tanah menurut penggunaannya di Kotamadya

Pematangsiantar ............................................................................. 52 Lampiran 3. Produksi tanaman padi tahun 2009 – 2014 di Kotamadya
Pematangsiantar ............................................................................. 53 Lampiran 4. Data penggunaan mesin penggiling padi di Kotamadya
Pematangsiantar. ............................................................................ 54 Lampiran 5. Output distribusi frekuensi dan histogram pada SPSS di Kecamatan
Siantar Marihat............................................................................... 55 Lampiran 6. Output distribusi frekuensi dan histogram pada SPSS di Kecamatan
Siantar Martoba.............................................................................. 56 Lampiran 7. Output distribusi frekuensi dan histogram pada SPSS di Kecamatan
Siantar Simarimbun ....................................................................... 57 Lampiran 8. Output distribusi frekuensi dan histogram pada SPSS di Kecamatan
Siantar Sitalasari ............................................................................ 58 Lampiran 9. Output distribusi frekuensi dan histogram pada SPSS di Kecamatan
Siantar Selatan ............................................................................... 59 Lampiran 10. Output uji normalitas (Kolmogorov-Smirnov) per kecamatan di
Kotamadya Pematangsiantar.......................................................... 60 Lampiran 11. Output uji Independent Samples T Test pada SPSS untuk
Kecamatan Siantar Marihat............................................................ 61 Lampiran 12. Output uji Independent Samples T Test pada SPSS untuk
Kecamatan Siantar Simarimbun. ................................................... 62 Lampiran 13. Output uji Independent Samples T Test pada SPSS untuk
Kecamatan Siantar Martoba........................................................... 63 Lampiran 14. Output uji Independent Samples T Test pada SPSS untuk
Kecamatan Siantar Sitalasari ......................................................... 64 Lampiran 15. Output uji Independent Samples T Test pada SPSS untuk
Kecamatan Siantar Selatan............................................................. 65 Lampiran 16. Coding VBA dalam Microsoft Office Excel 2007 ......................... 66 Lampiran 17. Perhitungan jumlah kebutuhan RMU untuk Kecamatan Siantar
Marihat ........................................................................................... 67 Lampiran 18. Perhitungan jumlah kebutuhan RMU untuk Kecamatan Siantar
Simarimbun.................................................................................... 68 Lampiran 19. Perhitungan jumlah kebutuhan RMU untuk Kecamatan Siantar
Martoba .......................................................................................... 69 Lampiran 20. Perhitungan jumlah kebutuhan RMU untuk Kecamatan Siantar
Sitalasari......................................................................................... 70 Lampiran 21. Perhitungan jumlah kebutuhan RMU untuk Kecamatan Siantar
Selatan............................................................................................ 71
vii

ABSTRAK
ALBERT TRIMITRA SIAHAAN: Sistem Pendukung Keputusan Pendugaan Kebutuhan Rice Milling Unit (RMU) Studi Kasus di Kotamadya Pematangsiantar. Dibimbing oleh LUKMAN ADLIN HARAHAP dan SULASTRI PANGGABEAN.
Sejak zaman dahulu peranan komoditi pangan di Indonesia khususnya beras sangatlah besar, sebab beras merupakan bahan pangan pokok bagi sebagian penduduk Indonesia. Kebutuhan bahan pangan akan beras tidak akan berkurang, melainkan akan terus meningkat dari tahun ke tahun seiring dengan pertambahan jumlah penduduk. Pentingnya penelitian ini dilakukan untuk menduga produksi padi dengan menggunakan metode Monte Carlo sehingga dapat dilakukan pendugaan kebutuhan rice milling unit untuk waktu yang akan datang. Dari hasil yang diperoleh, ketersediaan mesin penggiling padi tidak dapat memenuhi penggilingan padi di Kotamadya Pematangsiantar, sehingga perlu diadakan pengadaan sejumlah mesin penggiling. Kata Kunci: Padi, Monte Carlo, Rice Milling Unit
ABSTRACT
ALBERT TRIMITRA SIAHAAN: Decision Support System of Rice Milling Unit (RMU) estimation needs case study in Pematangsiantar City. Supervised by LUKMAN ADLIN HARAHAP and SULASTRI PANGGABEAN.
The role of food commodity particularly rice in Indonesia was enormous since years ago, as rice is a basic foodstuff for the majority of Indonesian. Food needs of rice is never reduced, but increased from year to year, in accordance to population growth. The importance of this report was to estimate rice production by using Monte Carlo method, so rice milling unit needs can be predicted in the future. The result showed that the availability of rice milling unit was unable to meet the rice milling rate in Pematangsiantar City, therefore a number of rice milling unit should be added. Keywords: Rice, Monte Carlo, Rice Milling Unit
i

PENDAHULUAN
Latar Belakang
Tanaman padi (Oryza sativa L.) merupakan tanaman yang banyak dibudidayakan di Indonesia. Hal ini dikarenakan sebagian besar penduduk Indonesia mengkonsumsi nasi (beras) sebagai makanan pokok. Oleh karena itu, tanaman padi sebagai penghasil beras harus mendapatkan perhatian lebih, baik mengenai lahan, benih, cara budi daya, maupun pascapanennya.
Pemanenan padi dilakukan berdasarkan umur tanam sesuai dengan deskripsi varietas, sekitar 105-125 hari setelah tanam (HST). Cara ini adalah cara paling mudah diingat petani. Memang waktu yang tepat untuk melakukan pemanenan bila padi secara fisiologis sudah matang optimal. Pada prinsipnya, panen padi adalah memungut hasil padi dalam bentuk gabah. Penanganan pascapanen meliputi semua kegiatan perlakuan dan pengolahan langsung terhadap hasil pertanian yang karena sifatnya harus segera ditangani (Suparno dan Setyono, 1997).
Padi yang sudah dipanen kemudian dikeringkan untuk memperpanjang daya simpannya dan lebih memudahkan untuk mengupas kulit sekamnya pada saat akan ditumbuk. Apabila gabahnya sangat kering, beras akan mudah patah saat ditumbuk sehingga mutunya akan mempengaruhi beras yang dihasilkan.
Gabah yang ditumbuk dengan menggunakan alu dan lesung memerlukan lebih banyak tenaga dan waktu. Butiran beras yang dihasilkan pun kurang baik hal ini disebabkan oleh beberapa hal seperti banyak butiran yang pecah serta beras
1

2
tidak tersosoh sempurna sehingga beras tidak tahan disimpan dan mudah apek, sebaliknya dengan mesin penggiling, tenaga dan waktu yang diperlukan lebih sedikit dan hasilnya pun lebih baik (Suparno dan Setyono, 1997).
Dalam penanganan pascapanen padi, salah satu permasalahan yang sering dihadapi adalah masih kurangnya kesadaran dan pemahaman petani terhadap penanganan pascapanen yang baik sehingga mengakibatkan masih tingginya kehilangan hasil dan rendahnya mutu gabah/beras. Tingginya tingkat kehilangan hasil padi ini juga disebabkan oleh masih rendahnya penerapan teknologi, baik pada pemanenan, perontokan, pengangkutan, pengeringan maupun pada penggilingan (Hasbi, 2004).

Terkadang banyak masalah yang bermunculan dalam proses produksi padi. Masalah yang umumnya terjadi ialah kurangnya produksi padi untuk memenuhi kebutuhan konsumsi beras. Besarnya jumlah penduduk di Indonesia harus diselaraskan dengan pemenuhan kebutuhan akan bahan pangan yang satu ini. Salah satu faktor yang perlu diperhatikan dalam produksi padi menjadi beras ialah ketersediaan mesin penggiling padi (rice milling unit) untuk mengimbangi jumlah produksi padi. Apabila jumlah produksi padi sangat tinggi namun jumlah mesin penggiling padi kurang, maka proses produksi akan terhambat dikarenakan keterbatasan mesin penggiling. Oleh karena itu perlu penyesuaian dan prediksi jumlah mesin penggiling padi yang dibutuhkan dengan jumlah produksi padi.
Pentingnya memperhitungkan jumlah mesin penggiling padi (rice milling unit) dilakukan agar dapat memenuhi kebutuhan penggilingan padi menjadi beras sebagai makanan pokok, hal ini dikarenakan peningkatan jumlah penduduk yang

3
terjadi secara terus menerus sehingga kebutuhan konsumsi beras sebagai bahan pangan utama pun akan turut meningkat. Penelitian ini akan membuat sebuah pemodelan untuk menduga produksi padi dengan cara mengumpulkan data produksi padi serta jumlah penggunaan mesin penggiling padi selama 5 tahun terakhir, selanjutnya diuji data tersebut dengan menggunakan metode statistika inferensia, kemudian dibangun serta digunakan simulasi Monte Carlo untuk melakukan pendugaan produksi padi dari data tersebut untuk 5 tahun selanjutnya, kemudian hasilnya divalidasi serta diverifikasikan agar dapat digunakan untuk menentukan kebutuhan peralatan penggilingan padi di Kotamadya Pematangsiantar.
Penelitian ini akan menggunakan metode simulasi Monte Carlo untuk memprediksikan jumlah produksi padi serta kebutuhan penggunaan mesin penggiling padi. Metode Monte Carlo kini telah banyak digunakan dalam proses pendugaan, salah satunya pernah dilakukan di Program Pascasarjana Institut Pertanian Bogor oleh Oktafri pada tahun 1994 untuk pendugaan debit aliran sungai (debit rata-rata mingguan, setengah bulanan, dan bulanan). Menurut Oktafri (1994), secara garis besar, analisis kejadian hidrologi dapat dilakukan dengan dua pemodelan, yakni model stokastik analitik dan model simulasi Monte Carlo. Namun, pada model stokastik analitik membutuhkan biaya yang lebih besar jika dibandingkan dengan metode simulasi Monte Carlo. Selain itu, metode Monte Carlo juga merupakan algoritma perhitungan yang dapat digunakan untuk mensimulasikan berbagai perilaku sistem, fisika dan matematika.

4
Penelitian dengan metode ini juga sebelumnya telah pernah dilakukan di Program Studi Keteknikan Pertanian Fakultas Pertanian Univeristas Sumatera Utara oleh Mustafa Parlindungan Ritonga pada tahun 2014 untuk memprediksi kebutuhan peralatan produksi padi di daerah Padangsidimpuan. Menurut Ritonga (2014), penggunaan Monte Carlo dapat digunakan untuk menentukan sebaran peluang untuk variabel dari sistem yang akan dianalisis atau disimulasi yang diperoleh dari data historisis atau dari suatu pilihan yang bersifat apriori (perkiraan).
Tujuan Penelitian
1. Membuat sebuah pemodelan untuk menduga produksi padi dengan menggunakan simulasi Monte Carlo.
2. Membangun sistem pendukung keputusan untuk menentukan kebutuhan peralatan penggilingan padi di Kotamadya Pematangsiantar
Kegunaan Penelitian
1. Sebagai bahan bagi penulis untuk menyusun skripsi yang merupakan salah satu syarat untuk memperoleh gelar sarjana di Program Studi Keteknikan Pertanian Fakultas Pertanian Universitas Sumatera Utara.
2. Sebagai informasi bagi masyarakat pengguna lahan persawahan, instansi pemerintah dan pihak lain yang membutuhkan.

TINJAUAN PUSTAKA

Profil Kotamadya Pematangsiantar

Sebagai kota perdagangan, Kotamadya Pematangsiantar berada di tengahtengah Kabupaten Simalungun yang memiliki kekayaan perkebunan karet, sawit, teh, dan pertanian. Secara geografis wilayah Kotamadya Pematangsiantar berada antara 3° 01’ 09” - 2° 54’ 40” LU dan 99° 6’ 23” – 99° 1’ 10” BT dengan luas wilayah 79,97 km2. Kotamadya Pematangsiantar terdiri dari 8 (delapan) kecamatan yaitu Kecamatan Siantar Marihat, Siantar Marimbun, Siantar Selatan, Siantar Barat, Siantar Utara, Siantar Timur, dan Siantar Martoba, Siantar Sitalasari dengan jumlah kelurahan sebanyak 43 kelurahan (Ditjen Cipta Karya, 2010).

Berikut ini adalah tabel perbandingan antara luas areal kecamatan di

Kotamadya Pematangsiantar:

Tabel 1. Luas daerah menurut kecamatan tahun 2013

Kecamatan

Luas (km2)

Siantar Marihat

7,82

Siantar Marimbun

18,06

Siantar Selatan

2,02

Siantar Barat

3,20

Siantar Utara

3,65

Siantar Timur

4,52

Siantar Martoba

18,02

Siantar Sitalasari

22,72

Jumlah

79,97

(BPS, 2013)

Rasio Terhadap Total (%) 9,78 22,52 2,53 4,01 4,56 5,65 22,54 28,41
100,00

5

6

Tanaman Padi

Menurut Prihatman (2000), padi merupakan tanaman pangan berupa

rumput berumpun. Tanaman pertanian kuno berasal dari dua benua yaitu Asia dan

Afrika Barat tropis dan subtropis. Klasifikasi botani tanaman padi adalah sebagai

berikut:

Kingdom : Plantae

Divisi

: Spermatophyta

Sub divisi : Angiospermae

Kelas

: Monocotyledonae

Keluarga : Gramineae (Poaceae)

Genus

: Oryza

Spesies

: Oryza sativa L.

Syarat tumbuh padi pada lahan basah (sawah irigasi), curah hujan bukan merupakan faktor pembatas tanaman padi, tetapi pada lahan kering tanaman padi membutuhkan curah hujan yang optimum >1.600 mm/tahun. Suhu yang optimum untuk pertumbuhan tanaman padi berkisar antara 24 – 29oC. Tanaman padi dapat tumbuh pada berbagai tipe tanah. Reaksi tanah (pH) optimum berkisar antara 5,5-7,5. Permeabilitas pada sub horizon kurang dari 0,5 cm/jam (Pujiharti, dkk., 2008).

Padi sawah ditanam di tanah berlempung yang berat atau tanah yang memiliki lapisan keras 30 cm di bawah permukaan tanah. Setelah tanam, sawah dikeringkan 2-3 hari kemudian diairi kembali sedikit demi sedikit. Sejak padi berumur 8 hari genangan air mencapai 5 cm. Pada waktu padi berumur 8-45 hari

7
kedalaman air ditingkatkan menjadi 10 sampai dengan 20 cm. Pada waktu padi mulai berbulir, penggenangan sudah mencapai 20-25 cm, pada waktu padi menguning ketinggian air dikurangi sedikit-demi sedikit. Padi siap panen: 95 % butir sudah menguning (33-36 hari setelah berbunga), bagian bawah malai masih terdapat sedikit gabah hijau, kadar air gabah 21-26 %, butir hijau rendah (Prihatman, 2000).
Adapun klasifikasi dan standar mutu padi yakni: a) persyaratan kualitatif: bebas hama dan penyakit, bebas bau (busuk, asam atau bau-bau lainnya), bebas dari bahan-bahan kimia seperti sisa-sisa pupuk (insektisida fungisida dan bahan kimia lainnya) serta gabah tidak boleh panas. b) Persyaratan kuantitatif: Kadar air maksimum (%) (mutu I=14,0; mutu II=14,0; mutu III=14,0), gabah hampa maksimum (%) (mutu I=1,0; mutu II=2,0; mutu III=3,0), butir rusak dan butir kuning maksimum (%) (mutu I=2,0; mutu II=5,0; mutu III=7,0), butir rusak dan gabah muda maksimum (%) (mutu I=1,0; mutu II=5,0; mutu III=10,0), butir merah maksimum (%) (mutu I=1,0; mutu II=2,0; mutu III=4,0) benda asing maksimum (%) (mutu I tidak ada; mutu II=0,5; mutu III=1,0), gabah varientas lain maksimum (%) (mutu I=2,0; mutu II=5,0; mutu III=10,0) (Prihatman, 2000).
Penggilingan Padi
Menurut Hasbi (2004), penggilingan padi merupakan proses untuk mengubah gabah menjadi beras. Proses penggilingan gabah meliputi pengupasan sekam, pemisahan gabah, penyosohan, pengemasan dan penyimpanan.

8

Unit penggilingan padi umumnya belum menerapkan sistem jaminan mutu, bahkan sebagian besar belum mengetahui standar mutu beras, sehingga beras yang dihasilkan bermutu rendah. Hasil penelitian di lima provinsi sentra produksi padi menunjukkan sekitar 90% unit penggilingan padi menghasilkan beras bermutu rendah karena kadar beras pecah lebih dari 25%. Hal ini disebabkan oleh kesalahan penjemuran dengan ketebalan gabah sekitar 3 cm atau terlalu tipis (Setyono, dkk.. 2008).
Untuk proses penggilingan, suatu kajian tentang rendemen penggilingan padi dilakukan oleh Hasbi (2004), disebutkan bahwa secara nasional terjadi penurunan kuantitatif rendemen beras giling dari tahun ke tahun, 65% pada tahun 80-an, 63,3% pada akhir tahun 90-an dan pada tahun 2000 menjadi 62%. Jika berpatokan pada angka konversi 62% ini, berarti produksi beras nasional 2011 setara dengan 42,198 juta ton. Penurunan rendemen beras ini dapat terjadi karena pengaruh umur teknis alat penggilingan padi.
Untuk menghasilkan beras bermutu baik dengan tingkat kehilangan hasil rendah, unit penggilingan padi harus menerapkan sistem jaminan mutu. Kehilangan hasil dipengaruhi oleh umur, tipe, dan tata letak mesin penggilingan. Kehilangan hasil padi selama proses penggilingan berkisar antara 1,2-2,6%. (Setyono, dkk., 2006).
Upaya Peningkatan Produktivitas Padi
Kebutuhan bahan pangan terutama beras akan terus meningkat sejalan dengan pertambahan jumlah penduduk dan peningkatan konsumsi per kapita

9
akibat peningkatan pendapatan. Namun di sisi lain, upaya peningkatan produksi beras saat ini terganjal oleh berbagai kendala, seperti konversi lahan sawah subur yang masih terus berjalan, penyimpangan iklim (climate anomaly), gejala kelelahan teknologi (technology fatigue), penurunan kualitas sumberdaya lahan (soil sickness) yang berdampak terhadap penurunan dan atau pelandaian produktivitas. Oleh karena itu guna memenuhi kebutuhan beras yang terus meningkat perlu diupayakan untuk mencari terobosan teknologi budidaya yang mampu memberikan nilai tambah dan meningkatkan efisiensi usaha (Pramono, dkk., 2005).
Produktivitas suatu penanaman padi merupakan hasil akhir dari pengaruh interaksi antara faktor genetik varietas tanaman dengan lingkungan dan pengelolaan melalui suatu proses fisiologis dalam bentuk pertumbuhan tanaman. Penampilan tanaman pada suatu wilayah merupakan respons dari sifat tanaman terhadap lingkungannya dan juga pengelolaannya. Permasalahan dalam peningkatan hasil padi sebagian besar akibat tidak tepatnya penerapan komponen teknologi terhadap varietas padi yang ditanam pada kondisi lingkungan tertentu. Untuk pencapaian hasil maksimal diperlukan ketepatan pemilihan komponen teknologi (Makarim dan Suhartatik, 2010).
Menurut Hasbi (2012), penanganan pascapanen yang baik akan berdampak positif terhadap kualitas gabah konsumsi, benih, dan beras. Masalah utama dalam penanganan pascapanen padi adalah tingginya kehilangan hasil. Kehilangan hasil terbesar terjadi pada saat panen, diikuti oleh perontokan. Perbaikan teknologi harus diprioritaskan pada dua kegiatan ini, diikuti dengan

10
teknologi pengeringan dan penggilingan. Jika total kehilangan hasil dapat ditekan dari 20,5% menjadi 10-15%, maka kontribusinya dalam produksi padi nasional akan cukup besar, bahkan dapat membebaskan Indonesia dari impor beras.
Sistem Pendukung Keputusan
Menurut Kadir (2003), pengertian sistem adalah suatu kesatuan prosedur atau komponen yang saling berkaitan satu dengan yang lainnya bekerja sama sesuai dengan aturan yang diterapkan sehingga membentuk suatu tujuan yang sama. dimana dalam sebuah sistem bila terjadi satu bagian saja yang tidak bekerja atau rusak maka suatu tujuan bisa terjadi kesalahan hasilnya atau output-nya.
Sistem pendukung keputusan (decision support system atau DSS) adalah sistem informasi berbasis komputer yang menyediakan dukungan informasi interaktif bagi manajer dan praktisi bisnis selama proses pengambilan keputusan. Sistem pendukung keputusan menggunakan model analitis, database khusus, penilaian dan pandangan pembuat keputusan, serta proses pemodelan berbasis komputer yang interaktif untuk mendukung pembuatan keputusan bisnis yang semi terstruktur dan tak terstruktur (Herlambang dan Tanuwijaya, 2005).
Menurut Surbakti (2002), keuntungan penggunaan DSS adalah mampu mendukung pencarian solusi dari masalah yang kompleks, respon cepat pada situasi yang tak diharapkan dalam kondisi yang berubah-ubah, mampu untuk menerapkan berbagai strategi yang berbeda pada konfigurasi berbeda secara tepat dan cepat, pandangan dan pembelajaran baru, menghemat biaya, meningkatkan produktivtas analisis, dan efektivitas manajerial.

11

Sistem pendukung keputusan tidak ditekankan untuk membuat keputusan. Dengan sekumpulan kemampuan untuk mengolah informasi/data yang diperlukan dalam proses pengambilan keputusan, sistem hanya berfungsi sebagai alat bantu manajemen. Jadi sistem ini tidak dimaksudkan untuk menggantikan fungsi pengambil keputusan dalam membuat keputusan. Tapi sistem ini dirancang hanya untuk membantu pengambil keputusan dalam melaksanakan tugasnya (Eniyati dan Santi, 2010).
Komponen Sistem Pendukung Keputusan
Menurut Riadi (2013), secara umum sistem pendukung keputusan (SPK) dibangun oleh tiga komponen besar yaitu database management, model base dan software system atau user interface. Komponen SPK tersebut dapat digambarkan seperti Gambar 1.

Pengelolaan Data (Database Management)

Pengelolaan Model (Modelbase)

Pengelolaan Dialog (User Interface)

User Gambar 1. Komponen sistem pendukung keputusan (Riadi, 2013).

12
Database management merupakan subsistem data yang terorganisasi dalam suatu basis data. Data yang merupakan suatu sistem pendukung keputusan dapat berasal dari luar maupun dalam lingkungan. Untuk keperluan SPK, diperlukan data yang relevan dengan permasalahan yang hendak dipecahkan melalui simulasi. Model base merupakan suatu model yang merepresentasikan permasalahan ke dalam format kuantitatif (model matematika sebagai contohnya) sebagai dasar simulasi atau pengambilan keputusan, termasuk di dalamnya tujuan dari permasalahan (objektif), komponen-komponen terkait, batasan-batasan yang ada (constraints), dan hal-hal terkait lainnya. User interface merupakan penggabungan antara dua komponen sebelumnya yaitu database management dan model base yang disatukan dalam komponen ketiga (user interface), setelah sebelumnya dipresentasikan dalam bentuk model yang dimengerti computer. User interface menampilkan keluaran sistem bagi pemakai dan menerima masukan dari pemakai ke dalam sistem pendukung keputusan (Riadi, 2013).
Ada tiga pola penggunaan DSS pada user-nya yakni: subscription mode (pengambil keputusan menerima report yang dihasilkan secara teratur, walaupun berbagai sistem analisis data atau model accounting mirip cara ini, tetapi tidak dimasukkan ke dalam DSS), terminal mode (pengambilan keputusan oleh user langsung dari sistem melalui akses online, inilah yang merupakan model paling dominan), dan intermediary mode (pengambilan keputusan menggunakan sistem melalui perantara yang melakukan analisis, menerjemahkan dan melaporkan hasilnya, pengambil keputusan tidak perlu tahu bagaimana perantara ini bekerja dalam sistem untuk mendapatkan informasi yang dibutuhkannya) (Surbakti, 2002).

13
Menurut Adriyanti (2006), secara konseptual siklus hidup pengembangan sistem informasi (system development life cycles atau SDLC) adalah: a) analisis sistem (menganalisis dan mendefinisikan masalah dan kemungkinan
solusinya untuk sistem informasi dan proses organisasi) b) perancangan sistem (merancang output, input, struktur file, program, prosedur
perangkat keras dan perangkat lunak yang diperlukan untuk mendukung sistem informasi) c) pembangunan dan testing sistem (membangun perangkat lunak yang diperlukan untuk mendukung sistem dan melakukan testing secara akurat, melakukan instalasi dan testing terhadap perangkat keras dan mengoperasikan perangkat lunak) d) implementasi sistem (beralih dari sistem lama ke sistem baru, melakukan pelatihan dan panduan seperlunya) e) operasi dan perawatan (mendukung operasi sistem informasi dan melakukan perubahan atau tambahan fasilitas) f) evaluasi sistem (mengevaluasi sejauh mana sistem telah dibangun dan seberapa bagus sistem telah dioperasikan).
Data
Data merupakan fakta yang mewakili suatu objek seperti manusia, hewan, peristiwa, konsep, keadaan dan sebagainya, yang dapat dicatat dan mempunyai arti yang implisit. Data dicatat atau direkam dalam bentuk angka, huruf, simbol, gambar, bunyi, atau kombinasinya. Sedangkan basis data dapat diartikan sebagai

14
kumpulan data tentang suatu benda atau kejadian yang saling berhubungan satu sama lain (Waljiyanto, 2003).
Sedangkan menurut Ladjamuddin (2005), data merupakan komponen dasar dari informasi yang akan diproses lebih lanjut untuk menghasilkan informasi. Himpunan data akan memiliki sifat yang unik, antara lain sebagai berikut:
a. Saling berkaitan (Interrelated), data-data tersebut akan saling berkaitan atau terintegrasi dan tersimpan secara terorganisir di dalam suatu media penyimpanan.
b. Kebersamaan (Shared), data yang terintegrasi tersebut dapat diakses oleh berbagai macam pengguna atau orang, tetapi hanya satu yang dapat mengubahnya yaitu Database Administrator (DBA).
c. Terkendali (Controlled), data yang terintegrasi tersebut hanya dapat diubah oleh seorang DBA.
Data tidak dapat langsung dipakai untuk pengambilan keputusan. Data dapat dimanfaatkan setelah komputer mengolahnya menjadi informasi. Jadi data merupakan bahan mentah yang dapat dijadikan data input bila memenuhi beberapa kriteria pengolahan data (Waluya, 1997).
Pengolahan data adalah masa atau waktu yang digunakan untuk mendeskripsikan perubahan bentuk data menjadi informasi yang memiliki kegunaan. Ada beberapa operasi yang dilakukan dalam pengolahan data, yakni data masukan (kumpulan data transaksi ke sebuah pengolahan data medium), data transformasi (kalkulasi operasi aritmatika terhadap data field, menyimpulkan

15
proses akumulasi beberapa data, melakukan klasifikasi data berdasarkan karakteristik data tertentu) dan informasi keluaran (menampilkan hasil informasi keluaran yang dibutuhkan pemakai melalui berbagai media) (Ladjamudin, 2005).
SPSS
SPSS adalah singkatan dari Statistical Product and Service Solution merupakan paket program aplikasi komputer untuk menganalisis data statistik. Dengan SPSS kita dapat memakai hampir dari seluruh tipe file data dan menggunakannya untuk membuat laporan berbentuk tabulasi, chart (grafik), plot (diagram) dari berbagai distribusi, statistik deskriptif dan analisis statistik yang kompleks (FPP, 2011).
Statistika merupakan suatu ilmu pengetahuan yang banyak digunakan berbagai bidang ilmu seperti pertanian, teknik, psikologi, dan lainnya. SPSS merupakan suatu software yang menyediakan berbagai macam alat-alat atau tools statistic seperti analisis regeresi linier, analisis regresi dummy, statistika nonparametrik, analisis variansi, dan sebagainya. Dengan menggunakan SPSS, tentunya dapat menghemat waktu dalam melakukan perhitungan-perhitungan untuk statistika jika dibandingkan dengan yang manual (Gio, 2013).
Keunggulan dari SPSS for windows diantaranya adalah diwujudkan dalam menu dan kotak-kotak dialog antar muka (dialog interface) yang cukup memudahkan para user dalam perekaman data (data entry), memberikan perintah dan sub-sub perintah analisis hingga menampilkan hasilnya. Disamping itu SPSS

16
juga memiliki kehandalan dalam menampilkan chart atau plot hasil analisis sekaligus kemudahan penyuntingan bilamana diperlukan (FPP, 2011). Skewness dan Kurtosis
Ukuran kemiringan atau skewness merupakan suatu nilai yang mengukur mengenai ketidaksimetrisan distribusi suatu data. Suatu data dikatakan mempunyai distribusi simetris sempurna bila nilai rata-rata, median, dan modus dalam data adalah sama. Pada kurva yang cenderung berat ke kanan disebut dengan kurva positif. Pada kurva yang kemiringan sisi kanan dan sisi kiri sama disebut dengan kurva simetrik. Pada kurva yang cenderung berat ke kiri disebut kurva negatif (Gio, 2013).
Gambar 2. Bentuk kurva distribusi (Nep, 2013). Menurut Nep (2013), ada beberapa tingkat kemiringan (skewness) yakni α3 = 0 maka bentuk kurva simetris, α3 > 0 maka bentuk kurva positif (miring/landai ke kanan), α3 < 0 maka bentuk kurva negatif (miring/landai ke kiri). Dikatakan model positif jika kemiringan positif, negatif jika kemiringan negatif dan simetrik jika kemiringan sama dengan nol. Ukuran keruncingan atau kurtosis merupakan suatu nilai yang mengukur tingkat keruncingan atau ketinggian puncak dari distribusi data terhadap

17
keruncingan atau ketinggian puncak dari distribusi normalnya. Berdasarkan keruncingannya, suatu kurva dikelompokkan atas tiga kategori yakni platikurtis, mesokurtis, dan leptokurtis (Gio, 2013).

Gambar 3. Bentuk grafik kurtosis (Nep, 2013).

Menurut Nep (2013), salah satu ukuran kurtosis ialah koefisien kurtosis, diberi simbol α4. Ada beberapa kriteria untuk menafsirkan koefisien kurtosis yaitu α4 = 3 distribusi normal (mesokurtik) , α4 > 3 distribusi leptokurtik (runcing), α4 < 3 distribusi platikurtik (datar/landai).

Meskipun nilai dari skew dan kurtosis dapat dilihat jelas dari tabel output pada SPSS, kita dapat mengkonversikan nilai tersebut kedalam nilai Z. Mengkonversikan nilai tersebut sangat berguna karena kita dapat membandingkan anatara nilai skew dan kurtosis pada sampel yang berbeda dengan ukuran yang berbeda. Cara mengkonversikan skewness dan kurtosis menjadi nilai Z dapat dilakukan dengan rumus :

S-0 Zskewness = SEskewness

K-0 Zkurtosis = SEkurtosis

Dimana nilai dari S (skewness) dan K (kurtosis) dan SE (standard error)

dihasilkan dari hasil output SPSS. Cara ini digunakan untuk mencari nilai secara

manual (Field, 2009).

18
Pembangkit Angka Acak
Bilangan acak adalah bilangan yang kemunculannya terjadi secara acak. Bilangan acak dibangkitkan oleh komputer adalah bilangan acak semu (pseudo random number). Bilangan acak ini penting untuk keperluan simulasi (Basuki, dkk., 2006).
Dalam menghasilkan sebuah bilangan acak, sebuah komputer dapat memakai dua pendekatan, yaitu dengan cara menggunakan pembangkit bilangan acak semu ataupun dengan menggunakan pembangkit bilangan acak sejati. Pembangkit bilangan acak semu adalah pembangkit bilangan acak yang memanfaatkan rumus-rumus matematis dalam membangkitkan sebuah bilangan acak. Pembangkit bilangan acak semu biasanya bersifat efisien dan deterministik, namun sayangnya juga bersifat periodik. Berbeda dengan pembangkit bilangan acak semu, pembangkit bilangan acak sejati merupakan pembangkit bilangan acak yang memanfaatkan fenomena-fenomena fisik yang kemudian ditangkap oleh komputer (Handoyo, 2011).
Menurut Rusjdi (2011), sifat-sifat yang harus dimiliki oleh suatu pembangkit bilangan acak (random) yakni: a) angka yang dihasilkan harus sesuai dengan distribusi seragam b) pembangkit bilangan acak harus cepat c) pembangkit tersebut harus efisisen dalam penyimpanan dan waktu
eksekusinya

19
d) pembangkit tersebut harus dapat menghasilkan kelompok-kelompok bilangan acak berbeda dan dapat menghasilkan kembali urutan-urutan angka kapan saja diperlukan
e) serta metode yang digunakan harus dijamin tidak akan menghasilkan kembali angka-angka yang sama dalam waktu yang relatif dekat.
Menurut Hartono (2010), berikut ini adalah beberapa metode pembangkitan bilangan acak semu yakni: additive (arithmatic) random number generator (ARNG), multiplicative random number generator (MRNG), mixed congruential random number generator (MCRNG).
Untuk mendapatkan bilangan acak, salah satunya dengan menggunakan metode kongruen campuran yang diformulasikan dengan rumus:
Xi+1 = (aXi + c) mod m Dengan keterangan bahwa a merupakan konstanta pengali (a 0, X < m) (Handoyo, 2011).
Untuk mengetahui bahwa bilangan acak tersebut dapat mewakili sampel untuk selanjutnya digunakan sebagai bahan data hasil simulasi, maka angka acak tersebut perlu dilakukan uji kesamaan varian (homogenitas) dengan uji F. Jika varian sama maka uji T menggunakan equal variance assumed (diasumsikan varian sama) dan jika varian berbeda maka menggunakan equal variance not assumed (diasumsikan varian berbeda) (Ritonga, 2014).

20
Uji Normalitas
Uji distribusi normalitas atau biasa dikenal dengan istilah uji normalitas dapat digunakan untuk mengukur apakah data yang telah didapatkan berdistribusi normal atau tidak sehingga dapat digunakan dalam statistik parametris (statistik inferensial). Yakni, distribusi data dengan bentuk seperti bell. Dimana data yang baik dan benar adalah data yang memiliki pola berdistribusi normal, yaitu tidak terlalu menghadap kanan maupun kiri (Haniah, 2013).
Uji normalitas adalah uji yang dilakukan untuk mengetahui apakah data penelitian kita berasal dari populasi normal atau tidak. Data berdistribusi normal yaitu data yang tersebar memusat pada nilai rata-rata dan median. Cara mengetahui suatu data berdistribusi normal atau tidak dapat dilihat dari kolom signifikasi pada output uji normalitas pada SPSS. Adapun kriteria untuk menetapkan distribusi normal yaitu: besarnya signifikasi adalah 0,05; kemudian dibandingkan dengan taraf signifikasi (p) yang diperoleh. Jika signifikasi yang diperoleh lebih besar dari 0,05 maka sampel berasal dari populasi yang berdistribusi normal. Apabila nilai signifikasi yang diperoleh lebih kecil dari 0,05; maka sampel bukan berasal dari populai yang berdistribusi normal (Sugiyono, 2010)
Untuk menguji apakah data yang diperoleh berasal dari populasi yang berdistribusi normal atau tidak, dapat digunakan uji Kolmogorov-Smirnov. Selain uji Kolmogorov-Smirnov, dapat juga digunakan uji Liliefors. Statistik Kolmogorov-Smirnov merupakan nilai mutlak dari selisih antara probabilitas kumulatif dari nilai normal Z terstandarisasi dengan probabilitas kumulatif dari

21
nilai X yang bernilai maksimum. Nilai tersebut dilambangkan dengan Dmax (Gio, 2013).
Untuk mengetahui distribusi suatu data bersifat normal atau tidak, dapat dilakukan dengan uji Kolmogorov-Smirnov (K-S Test). Dalam aplikasi SPSS, uji Kolmogorov-Smirnov ini dapat dilakukan dengan cara mencentang tanda normality plots with test pada pengujian explorer, dengan memasukkan variabel yang akan diuji ke dalam box dependent list (Rusdi, 2009).
Menurut Rusdi (2009), pedoman pengambilan keputusan untuk suatu data dikatakan normal ialah dengan memperhatikan nilai sig (p) pada output test of normality pada SPSS. Dimana apabila nilai sig (p) < α maka distribusi data dikatakan tidak normal, sedangkan apabila nilai sig (p) > α maka distribusi data dikatakan normal.
Uji T
Menurut Gio (2013), Uji T atau uji rata-rata populasi dapat digunakan untuk menguji rata-rata dari sebuah populasi berdasarkan sampel yang ditarik dari populasi tersebut. Pada taraf signifikasi 5%, peneliti menguji apakah pernyataan dapat diterima atau tidak. Berikut ini adalah tahapan pengujian: a. Perumusan hipotesis, disusun hipotesis untuk H0 dan H1 b. Menghitung nilai derajat bebas dengan rumus : n-1 c. Menghitung nilai kritis t berdasarkan tabel distribusi t d. Menghitung nilai statistik t dengan menghitung nilai rata-rata, kemudian
standar deviasi dan dihitung nilai statistik t dengan rumus:

22
���� − ��� t = ��� / √��� keterangan: t : nilai uji rata-rata populasi ���� : nilai rata-rata (mean) dari data µ : nilai sample data s : standar deviasi dari data n : banyaknya data e. Kemudian dilakukan pengambilan keputusan.
Uji F Uji statistik F digunakan untuk mengetahui apakah variabel-variabel
independent secara simultan berpengaruh terhadap variabel dependent. Derajat kepercayaan yang digunakan adalah 0,05. Apabila nilai F hasil perhitungan lebih besar daripada nilai F menurut tabel, maka hipotesis alternatif yang menyatakan semua variabel independent, secara simultan berpengaruh signifikan terhadap variabel dependent (Sukoco, 2012).
Simulasi Monte Carlo
Istilah Monte Carlo digunakan dalam matematika yang merupakan metode pertama yang dipakai oleh para ilmuwan dalam pekerjaan pembuatan senjata nuklir di Los Alamos pada tahun 1940. Inti dari metode ini ialah penemuan suatu peluang yang memiliki sifat-sifat tertentu dan hasil yang memiliki suatu fenomena yang menarik dan dapat dipelajari sifatnya. Metode perhitungan Monte Carlo ini berkembang dalam permainan kartu oleh Stainslaw Marcin Ulam yang berhasil

23
memenangkan beberapa permainan kartu solitaire melalui perhitungan sifat keacakan ini dan di dalam biografinya Ulam menyatakan bahwa metode tersebut dinamakan Monte Carlo (yang merupakan nama sebuah kasino di Monako) untuk menghormati pamannya yang seorang pejudi, atas saran temannya Nicholas Metropolis (Kalos dan Whitlock, 2008).
Menurut Sartono (2005), salah satu jenis simulasi adalah teknik simulasi Monte Carlo, yang secara acak membangkitkan bilangan atau nilai-nilai dari suatu variabel dengan sebaran tertentu berulang-ulang. Simulasi Monte Carlo merupakan suatu metode untuk menyelesaiakan masalah menggunakan pembangkitan bilangan acak yang sesuai dan selanjutnya mengamati sifat-sifat tertentu yang dihasilkan, dan metode ini berguna untuk mendapatkan solusi numerik pada masalah yang terlalu rumit diselesaikan secara analitis.
Simulasi Monte Carlo dikenal juga dengan istilah Sampling Simulation atau Monte Carlo Sampling Technique. Sampling simulation ini menggambarkan kemungkinan penggunaan data sampel dalam metode Monte Carlo dan juga sudah dapat diketahui atau diperkirakan distribusinya. Simulasi ini menggunakan data yang sudah ada (historical data) yang sebenarnya dipakai pada simulasi untuk tujuan lain. Dengan kata lain, apabila menghendaki model simulasi yang mengikutsertakan random dan sampling dengan distribusi probabilitas yang dapat diketahui dan ditentukan maka cara simulasi Monte Carlo ini dapat dipergunakan. Metode simulasi Monte Carlo ini cukup sederhana dalam menguraikan ataupun menyelesaikan persoalan, termasuk dalam penggunaan programnya di komputer (Sugiharto, 2007).

24
Dasar dari simulasi Monte Carlo adalah percobaan elemen kemungkinan dengan menggunakan sampel random (acak). Metode ini terbagi dalam 5 tahapan: a) Membuat distribusi kemungkinan untuk variabel penting b) Membangun distribusi kemungkinan kumulatif untuk tiap‐tiap variabel di
tahap pertama c) Menentukan interval angka random untuk tiap variabel d) Membuat angka random e) Membuat simulasi dari rangkaian percobaan
Persoalan kemudian muncul, ketika teknik simulasi Monte Carlo memerlukan pengetahuan mengenai bentuk sebaran data. Beberapa masalah yang muncul adalah pada data tertentu dapat diidentifikasi sesuai dengan lebih dari satu bentuk sebaran serta pada data yang lain, ada kemungkinan tidak dapat diperoleh sebarannya (jika dilakukan pengujian sebaran-sebaran umum) (Sartono, 2005).
Validasi dan Verifikasi
Menurut Harrell, dkk., (2003) validasi model adalah proses menentukan apakah model konseptual merefleksikan sistem nyata dengan tepat, sedangkan verifikasi model adalah proses menentukan apakah model simulasi merefleksikan model konseptual dengan tepat.
Penilaian validitas dan reliabilitas data suatu penelitian merupakan suatu syarat yang harus dilakukan untuk menilai kualitas suatu hasil penelitian. Istilah validitas dan reabilitas pada penelitian kuantitatif memiliki unsur kesamaan dalam prinsip atau standar umum (Afiyanti, 2008).

25

Validasi

Verifikasi

Sistem Nyata

Model Konseptual

Program Simulasi
Menjalankan Model

Validasi

Implementasi Hasil

Kirim Hasil Ke Manajemen Hasil Benar Tersedia

Gambar 4. Relasi verifikasi, validasi dan pembentukan model kredibel (Hasad, 2011).

Pengembangan model simulasi merupakan proses iteratif dengan beberapa perubahan kecil pada setiap tahap. Dasar iterasi antara model yang berbeda adalah kesuksesan atau kegagalan ketika verifikasi dan validasi setiap model. Ketika validasi model dilakukan, kita mengembangkan representasi kredibel sistem nyata, ketika verifikasi dilakukan, kita memeriksa apakah logika model diimplementasikan dengan benar atau tidak (Hasad, 2011).

Suatu model dapat dikatakan valid ketika tidak memiliki perbedaan dengan sistem yang nyata yang diamati baik dari karakteristiknya maupun perilakunya. Validasi dapat dilakukan dengan menggunakan alat uji statistik yang meliputi uji keseragaman data output, uji kesamaan dua rata-rata, uji kesamaan dua variansi dan uji kecocokan distribusi (Ritonga, 2014).

METODOLOGI PENELITIAN
Waktu dan Tempat Penelitian Penelitian ini dilaksanakan pada bulan Maret 2015 hingga selesai di
Kotamadya Pematangsiantar Provinsi Sumatera Utara. Bahan dan Alat Penelitian
Adapun bahan yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari Dinas Pertanian dan Peternakan Kotamadya Pematangsiantar yakni data banyaknya kelompok tani dan pola tanam yang digunakan, luas tanah menurut penggunaannya, produktivitas ta