memprediksi pasokan bahan olah karet bokar untuk periode yang akan datang. Metode prakiraan yang digunakan adalah metode jaringan syaraf
tiruan.
3. Basis data produksi.
Basis data berisi rencana produksi, realisasi pemenuhan rencana produksi yang digunakan untuk model perencanaan produksi.
4. Basis data kapasitas produksi.
Basis data ini berisi data yang dibutuhkan untuk menghitung kapasitas produksi yang tersedia. Data yang diinput adalah jumlah mesin, waktu yang
dibutuhkan untuk memproduksi karet spesifikasi teknis untuk setiap tahapan proses, jumlah waktu yang tersedia, utilisasi dan efisiensi yang digunakan
dalam penghitungan kapasitas.
5.2.4 Sistem Manajemen Basis Pengetahuan
Basis pengetahuan digunakan untuk menunjang model yang meliputi akuisis pengetahuan dan representasi pengetahuan yang diperoleh dari para pakar,
studi literatur dan pengamatan langsung ke lapangan. Interaksi dengan pakar dilakukan melalui metode FGD focus group discussion. Pakar pada akuisisi
pengetahuan dalam model ini adalah praktisi pada Kantor Pemasaran Bersama Nusantara PT KPBN, praktisi di Gapkindo Asosiasi Gabungan Perusahaan
Karet Indonesia, praktisi di PTPN VIII, praktisi di PT Bakrie Sumatera Plantation Tbk. sebagai pelaksana fungsi produksi dan dan pakar dari Pusat
Penelitian Karet sebagai ahli dalam bidang karet. Basis pengetahuan digunakan pada model perencanaan produksi untuk
menentukan 1 jenis variabel yang akan dimodelkan dalam perencanaan produksi sebagai faktor pembentuk dinamika dalam perencanaan produksi, 2 nilai kategori
untuk setiap variabel, 3 logika aturan fuzzy dalam bentuk If kondisi-Then- Rules aksi. Basis pengetahuan ini merupakan sumber kecerdasan sebagai yang
pengganti pakar dalam memutuskan jumlah produksi.
5.2.5 Mekanisme Inferensi
Mekanisme inferensi merupakan bagian yang mengarahkan dan memanipulasi fakta, pengetahuan dan model yang disimpan dalam basis
pengetahuan untuk menarik suatu kesimpulan. Bagian ini berfungsi untuk melakukan pengujian terhadap sejumlah fakta dan kaidah-kaidah aturan yang
digunakan serta membuat keputusan sesuai penalaran yang dilakukan. Pada model sistem manajemen ahli Proplan-TSR sebagai input adalah nilai prakiraan
untuk harga dan volume permintaan dunia ke dalam kategori tinggi, normal dan rendah. Input lain adalah hasil prakiraan pasokan bahan baku yang
dikelompokkan ke dalam kategori tinggi, sedang, rendah yang menjadi himpunan fuzzy input. Sedangkan sebagai output adalah jumlah produksi yang
dikelompokkan ke dalam himpunan fuzzy tinggi, normal dan rendah. Metode yang digunakan untuk melakukan inferensi adalah fuzzy inference
system dengan teknik Mamdani dengan menggunakan fungsi implikasi minimum sedangkan komposisi aturan yang digunakan adalah nilai maksimum. Metode
defuzifikasi yang digunakan adalah metode centroid, sehingga nilai tegas crisp merupakan nilai titik pusat area fuzzy.
5.2.6 Sistem Manajemen Basis Model
Menurut Turban 2003 basis model merupakan inti dalam mengelola logika pada perancangan sistem penujang keputusan. Menurut Suryadi dan
Ramdhani 2002 komponen basis model dalam suatu sistem penunjang keputusan harus menunjang proses pengambilan keputusan.
Sistem manajemen ahli perencanaan produksi Proplan-TSR 20, mengintegrasikan sub
model yang saling berhubungan dengan dukungan basis data serta basis pengetahuan. Perancangan sistem manajemen basis model yang dibangun adalah
hasil integrasi dari beberapa model yaitu : 1 model prakiraan harga dan permintaan, 2 model ketersediaan bahan baku, 3 model perencanan produksi,
4 model ketersediaan kapasitas produksi, dan 5 model pengukuran kinerja. Setiap model menggunakan pendekatan atau metode yang telah teruji
berdasarkan studi literatur yaitu metode: 1 jaringan syaraf tiruan untuk prakiraan harga dan volume permintaan, serta prakiraan ketersediaan bahan baku,
2 metode fuzzy inference system untuk perencanaan produksi, 3 metode perencanaan kapasitas untuk model ketersediaan kapasitas, dan 4 metode
bullwhip effect untuk mengukur kinerja rantai pasok.
5.3 Rekayasa Model
Rekayasa atau rancangbangun model digunakan untuk merancang model perencanaan produksi yangmengintegrasikan dinamika pada sisi permintaan dan
sisi pasokan. Model perencanaan produksi ini juga diintegrasikan dengan model pengukuran kinerja yang bersifat backward untuk menentukan kinerja rantai
pasok atas dasar realisasi dari rencna produksi yang dihasilkan. Integrasi
dilakukan dengan prinsip menggunakan keluaran dari suatu model akan dijasikan masukan pada model berikutnya. Model yang direkayasa akan dibahas pada sub
bab berikut:
5.3.1 Model Prakiraan Harga dan Permintaan
Penentuan prakiraan permintaan adalah langkah awal dalam penyusunan rencana produksi. Prakiraan permintaan pada umumnya dilakukan dengan
metode time series dengan memperhatikan pola data permintaan periode sebelumnya tanpa melibatkan pengaruh dari faktor lain yang berpengaruh secara
signifikan seperti perkembangan harga. Sebagai salah satu pengembangan metode untuk menyusun prakiraan permintaan pada penelitian ini digunakan
metode Jaringan Syaraf Tiruan JST backpropagation. Penelitian prakiraan permintaan produk agroindustri terdahulu oleh
Indrawanto 2007 dan Surjasa 2011 menggunakan satu parameter untuk satu arsitektur JST, dimana arsitektur JST untuk prakiraan harga dibuat secara
terpisah dengan arsitektur JST untuk prakiraan permintaan. Pada penelitian ini parameter harga dan volume permintaan digunakan dalam satu arsitektur JST,
sehingga model mempertimbangkan secara bersama-sama pola permintaan dan pola harga pada masa lalu untuk memprediksi harga dan permintaan di masa
yang akan datang. Hasil dari model ini adalah prakiraan harga dan prakiraan permintaan yang dijadikan input untuk model perencanaan produksi.
Perancangan JST pada model ini menggunakan algoritma backpropagation dengan lapisan tersembunyi tunggal single hidden layer. Algoritma
backpropagation banyak digunakan karena kemampuannya dalam mengenali pola data yang digunakan selama pelatihan serta kemampuan jaringan untuk
memberikan respon yang benar terhadap pola data input dengan pola yang dipakai selama proses pelatihan.
Algoritma ini umumnya menggunakan satu lapisan tersembunyi namun juga bisa ditambahkan beberapa layar tersembunyi dinatara input layer dan
output layer. Algoritma backpropagation merupakan algoritma pembelajaran terawasi supervised learning dan terdiri atas tiga tahapan yaitu 1 fase
feedforward propogasi maju pola input pelatihan, 2 fase penghitungan dan backpropagation error dan 3 fase penyesuaian bobot supaya output mendekati
target Siang , 2005 ; Patuelli, 2006 ; Seminar et al., 2010 ; Munakata, 2008 Pada fase feedforward, sinyal masukan dipropagasikan ke lapisan
tersembunyi menggunakan fungsi aktivasi. Keluaran dari layar tersembunyi dibandingkan dengan target yang harus dicapai. Selisih antara keluaran dan target
merupakan nilai kesalahan. Jika nilai kesalahan lebih kecil dari batas toleransi yang ditetapkan , maka iterasi dihentikan, namun jika nilai kesalahan lebih besar
dari batas toleransi, dilakukan modifikasi bobot untuk setiap garis dalam jaringan. Pada
fase backpropagation
dilakukan penghitungan
faktor untuk
mendistribusikan kesalahan pada semua lapisan. Selanjutnya pada fase penyesuaian bobot dilakukan modifikasi bobot semua garis sehingga mendekati
nilai target . Ketiga fase tersebut diulangi sehingga kondisi yang ditargetkan tercapai baik berupa jumlah epoch yang ditetapkan atau jika nilai kesalahan yang
terjadi lebih kecil dari toleransi yang diijinkan Siang 2005. Algoritma backpropagation bekerja dengan menggunakan error output
untuk melakukan perubahan nilai bobot dalam arah mundur. Error output diperoleh melalui tahap forward propagation dengan mengaktifkan neuron-
neuron menggunakan fungsi aktivasi. Parameter output untuk menentukan kinerja simulasi pada model ini adalah Mean Square Error MSE, jumlah iterasi epoch
dan koefisien korelasi. Perancangan JST backpropagation perlu dilakukan penentuan fungsi aktivasi, algoritma training, lapisan tersembunyi dan nilai target
