3. Pada keadaan tidak frozen, lakukan: a. Lakukan L kali :
i. Dicari solusi tetangga S’ dari S menggunakan metode yang
dapat ditetapkan sendiri. ii.
Ä = Nilai objektif S’ – Nilai objektif S iii.
Jika Ä0, maka tetapkan S=S’, jika tidak maka tetapkan S=S’ dengan probabilitas exp-ÄT
b. T = r x T, dimana r adalah faktor reduksi suhu. 4. Dapatkan solusi optimal.
Parameter dalam simulated annealing adalah temperatur awal, laju pendinginan, jumlah iterasi pada setiap tingkatan temperatur dan temperatur akhir
Wirdianto et al., 2007.
2.16 FIS Fuzzy Inference System
Menurut Nazeran, et al. 2001, logika fuzzy ditemukan oleh Lotfi Zadeh pada tahun 1965 yang dipergunakan untuk meningkatkan kecerdasan suatu mesin
dan meniru pemikiran manusia dalam proses komputasi pengambilan keputusan.
Keputusan fuzzy fuzzy inference adalah proses merumuskan pemetaan dari suatu masukan menuju ke suatu keluaran dengan menggunakan logika fuzzy.
Proses tersebut melibatkan : fungsi keanggotaan, operasi logis dan aturan ”Jika- Maka”. Sistem keputusan fuzzy telah berhasil diterapkan dalam banyak bidang
seperti kontrol otomatis, klasifikasi data, analisis keputusan, sistem pakar, dan visi Menurut Liu, et al. 2007, logika fuzzy secara luas diakui sebagai alat yang
memiliki kemampuan untuk menghitung dan untuk memodelkan proses berpikir kualitatif manusia dalam analisis sistem dan pengambilan keputusan yang
kompleks. Pada saat ketidakpastian atau ketidaktepatan yang terkait dengan kata- kata muncul pada suatu persoalan seperti ketidaktepatan yang muncul dari kata-
kata dampak kepentingan atau tingkat perhatian maka ketidaktepatan tersebut mencerminkan ambiguitas pemikiran manusia pada saat persepsi dan interpretasi
dipergunakan. Masalah ketidakpastian atau ketidaktepatan tersebut dapat diatasi dengan logika fuzzy Duque, 2008.
komputer Mathworks, 2011. Teknik keputusan fuzzy yang paling sering digunakan adalah teknik keputusan fuzzy yang disebut dengan metode Mamdani
Sivarao et al., 2009. Menurut Nazeran, et al. 2001 dan Negnevitsky 2002, proses pada metode Mamdani tersebut dikembangkan melalui empat tahap yaitu
tahap fuzzifikasi dari variabel input, tahap evaluasi aturan, tahap agregasi dari keluaran, dan berakhir pada tahap defuzzifikasi . Menurut Juang, et al. 2007 dan
Tay 2010, pada tahap evaluasi aturan dari metode Mamdani ini, proposisi fuzzy dinyatakan dalam bentuk aturan Jika – Maka If
1. Mencakup tiga aktifitas rantai pasokan yaitu prakiraan dan peringatan dini dari pasokan dan harga beras, pemilihan pemasok beras, serta distribusi dan
transportasi komoditas beras. -Then Rules
dan setiap aturan mengandung input antecedent dan output consequent.
2.17 Posisi Penelitian Terhadap Penelitian Terdahulu
Menurut Sukardi 2009, tipe kebaruan novelty dalam suatu penelitian teknologi industri pertanian dapat berbentuk penemuan invention, peningkatan
improvement dan bantahan refutation. Dari beberapa penelitian terdahulu dan dari tipe kebaruan tersebut, kebaruan dari penelitian ini dapat dikategorikan
sebagai kebaruan yang bersifat peningkatan improvement. Pada penelitian ini, kebaruan yang dihasilkan adalah kebaruan berupa suatu model sistem pendukung
keputusan cerdas untuk pengelolaan rantai pasokan beras di propinsi DKI Jakarta. Jadi model pada penelitian ini memiliki kebaruan sebagai berikut :
2. Memanfaatkan beberapa metode dari kombinasi metode artificial intelligence AI yaitu neural network, metode analitik TOPSIS technique for order
preference by similarity to ideal solution dan metode metaheuristic
simulated annealing .
3. Menghasilkan pengukuran kinerja rantai pasokan beras dari masukan ke tiga aktifitas rantai pasokan tersebut di atas dengan menggunakan metode fuzzy
inference system , dan
4. Mengintegrasikan ke tiga aktifitas dan kinerja rantai pasokan beras tersebut dalam suatu sistem pendukung keputusan DSS decision support system.
Klaim kebaruan pada penelitian ini dibandingkan dengan penelitian terdahulu dapat ditinjau dari tiga aspek. Kebaruan dari aspek pertama yaitu
kebaruan dari penerapan AI pada rantai pasokan. Kebaruan dari aspek ke dua yaitu kebaruan dari penelitian tentang rantai pasokan perberasan itu sendiri, dari
mulai sektor hulu pada budidaya padi sampai sektor hilir pada proses pemasaran beras, sedangkan kebaruan dari aspek yang ke tiga adalah kebaruan dari aspek
penerapan Intelligent Decision Support System IDSS pada rantai pasokan secara menyeluruh.
2.17.1 Penerapan Artificial Intelligent Pada
Rantai Pasokan
Aspek pertama yaitu aspek penerapan Artificial Intelligent AI pada rantai pasokan beras dapat dilihat pada Tabel 10. Berbagai penelitian yang sudah
dilakukan yang terkait dengan penerapan AI dalam pengelolaan rantai pasokan dijelaskan di bawah :
Penerapan AI Pada Aktifitas Prakiraan
Metode baru yang mengadopsi proses keputusan seperti neural network untuk masa mendatang lebih menjanjikan dalam menangani masalah prakiraan
kebutuhan dan pemilihan pemasok Zhang, 2003 Fuzzy set dapat menentukan prakiraan kebutuhan dan tingkat persediaan pada
situasi tidak pasti sehingga diperoleh jumlah seluruh persediaan Wang, 2006 Model prakiraan recurrent neural networks dapat membantu meningkatkan
keakuratan prakiraan Wang, 2006. Berdasarkan model recurrent neural networks, sudah diusulkan suatu model
tentang prakiraan kebutuhan dalam rantai pasokan Dong, 2006. Metode penggabungan antara statistik dan algoritma genetika dipakai untuk
mendapatkan akurasi prakiraan kebutuhan yang lebih baik Hanaa, 2009.
Penerapan AI Pada Aktifitas Pemilihan Pemasok
Fuzzy logic dapat digunakan untuk menganalisa dan memonitor performa pemasok didasarkan pada mutu produk dan waktu pengantaran Lau, 2002.
Neural network di masa mendatang lebih menjanjikan dalam menangani masalah prakiraan kebutuhan dan pemilihan pemasok Zhang, 2003.
