Pemilihan Algoritma Pelatihan RANCANG BANGUN MODEL PENELITIAN

Aturan peringatan dini untuk harga beras tersebut memerlukan variabel input dan variabel output sebagai berikut : Variabel input : harga untuk minggu ke-i, i = 1, 2, 3, 4 Variabel output : prakiraan harga untuk minggu ke-j, j = 5, 6, dengan , dan , Tabel 21. Aturan Peringatan Dini Untuk Harga Beras Peringatan Dini Minggu Ke Lima Peringatan Dini Minggu Ke Enam Jika maka harga beras aman Jika maka harga beras aman Jika maka harga beras harus diwaspadai Jika maka harga beras harus diwaspadai Jika maka harga beras rawan Jika maka harga beras rawan Dari Table 21, dapat dinyatakan bahwa pemerintah melaksanakan operasi pasar untuk menekan harga beras, apabila untuk minggu ke lima atau minggu ke enam, prakiraan harga beras menunjukkan harga rawan atau harga beras melonjak lebih besar dari sepuluh persen dibandingkan dengan harga normal. Pemerintah perlu mewaspadai harga beras, apabila prakiraan harga beras pada minggu ke lima atau minggu ke enam berada di antara lima persen sampai dengan sepuluh persen di atas harga normal, sedangkan apabila prakiraan harga beras pada minggu ke lima atau minggu ke enam berada di bawah lima persen dari harga normal, maka harga beras tersebut dinyatakan aman. Proses Pengujian Proses pengujian dilakukan dengan menggunakan arsitektur JST hasil pelatihan yang memiliki kinerja terbaik yaitu yang menghasilkan nilai error dan epoch terkecil. Arsitektur JST terbaik yang dihasilkan dalam penelitian ini dapat dilihat pada Tabel 22. Proses pengujian dilakukan dengan menggunakan dua puluh lima data uji dan hasil pengujian data uji tersebut dapat dilihat pada Lampiran 5. Berdasarkan hasil pengujian diperoleh tingkat akurasi JST dalam mengenali pola yang dapat dilihat pada Tabel 23, sedangkan grafik perbandingan antara data aktual dengan hasil uji tersebut dapat dilihat pada Lampiran 6.1 sampai dengan Lampiran 6.3. JST yang dirancang memiliki tingkat akurasi tertentu sesuai dengan keberhasilan jaringan dalam mengenali pola pada proses pengujian.Tingkat akurasi yang didapat adalah kemampuan JST dalam mengenali pola yang diujikan berdasarkan hasil pelatihan sebelumnya. Tingkat akurasi, misal 98.63 pada JST untuk prakiraan harga beras tipe IR 64 mutu III IR 64III artinya 98.63 hasil pengujian sesuai dengan data sebenarnya di lapangan. Tabel 22. Arsitektur JST Terbaik Dengan Metode Backpropagation. Karakteristik JST Pasokan JST Harga Muncul III JST Harga IR64 Jumlah neuron pada input layer 4 neuron 4 neuron 4 neuron Jumlah neuron pada output layer 2 neuron 2 neuron 2 neuron Fungsi Aktivasi logsig logsig logsig Algoritma Training trainlm trainrp trainlm Momentum 0.005 0.005 0.005 Learning rate 0.2 0.2 0.2 Goal error 0.001 0.001 0.001 Neuron hidden layer 8 neuron 8 neuron 8 neuron Tabel 23. Tingkat Akurasi Hasil Pengujian JST Terhadap Data Aktual Jaringan Syaraf Tiruan Tingkat Akurasi Prakiraan Pasokan Beras 91.96 Prakiraan Harga Beras Muncul III 93.05 Prakiraan Harga Beras IR 64 III 98.63

4.2 Subsistem Pemilihan Pemasok Beras

Pada subsistem ini, dikembangkan model pemilihan pemasok beras dengan menggunakan metode technique for order preference by similarity to ideal solution TOPSIS. Tujuan subsistem ke dua pada penelitian ini adalah menentukan pemasok beras terpilih dari beberapa alternatif pemasok yang ada yang memenuhi kriteria yang sudah ditetapkan. Kriteria yang dipergunakan dalam memilih pemasok beras adalah harga, kadar air, kotoran, tingkat keputihan, patahan beras, waktu pengantaran, kuantitas jumlah pasokan dan jarak pemasok ke PIBC. Sedangkan pemasok beras diperoleh dari berbagai sentra produksi beras seperti Karawang, Indramayu, Subang, Cirebon, Bandung, Cianjur, Banten, Jateng, Jatim, Lampung dan Makasar. Tahapan pemilihan pemasok beras menggunakan metode TOPSIS dapat dilihat pada Gambar 36. Pada proses perhitungan dengan menggunakan metode TOPSIS , beberapa aspek yang diperlukan terkait dengan kebutuhan input, proses dan output untuk komoditas beras adalah sebagai berikut : 1 Kebutuhan Input Model yang dibangun membutuhkan data input sebagai berikut : a. Data alternatif, digunakan untuk menentukan setiap alternatif pemasok. b. Data kriteria, digunakan untuk menentukan nilai setiap atribut seperti harga beras, mutu beras dan kriteria pemasok beras. c. Data nilai bobot, digunakan untuk menentukan tingkat pembobotan setiap kriteria. Bobot satu kriteria dapat berbeda dibanding bobot kriteria lainnya. 2 Kebutuhan Proses Model yang dibangun mengolah data input menjadi output. Kebutuhan proses tersebut antara lain : a. Proses input data matriks keputusan dan matriks vektor bobot b. Proses perhitungan untuk mencari peringkat pemasok beras terbaik. 3 Kebutuhan Output Output yang dihasilkan dari subsistem penelitian ini adalah : a. Nilai preferensi setiap alternatif, dimana alternatif yang menunjukkan nilai tertinggi merupakan alternatif dengan peringkat terbaik. b. Diagram yang memperlihatkan urutan peringkat pemasok beras ke PIBC.