Rancang bangun model sistem penunjang keputusan cerdas untuk sistem rantai pasokan beras di provinsi DKI Jakarta

RANCANG BANGUN MODEL

SISTEM PENUNJANG KEPUTUSAN CERDAS

UNTUK SISTEM RANTAI PASOKAN BERAS

DI PROPINSI DKI JAKARTA

DADANG SURJASA

SEKOLAH PASCASARJANA

PROGRAM STUDI TEKNOLOGI INDUSTRI PERTANIAN

FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR

2011

SURAT PERNYATAAN

Dengan ini saya menyatakan bahwa disertasi yang berjudul :

RANCANG BANGUN MODEL SISTEM PENUNJANG KEPUTUSAN CERDAS UNTUK SISTEM RANTAI PASOKAN BERAS DI PROPINSI DKI JAKARTA

adalah karya saya dengan arahan dari komisi pembimbing dan belum pernah diajukan dalam bentuk apapun pada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan dari penulis lain telah disebutkan dalam teks dan telah dicantumkan dalam daftar pustaka di bagian akhir dari disertasi ini.

Bogor, Agustus 2011

Dadang Surjasa F 361 040 101

ABSTRACT

DADANG SURJASA. Model Design of Intelligent Decision Support System for Rice Supply Chain System in DKI Jakarta Province. Guided by E. GUMBIRA SA`ID, BUSTANUL ARIFIN, SUKARDI.

DKI Jakarta is the region which has a very large population but it is not supported directly by rice field area that can meet the needs of rice for its population. Cipinang rice market center (PIBC) managed by PT. Food Station Tjipinang Jaya (FSTJ) is expected to be a party that can manage and control the rice for food security, especially in the Jakarta area. There are several important aspects to be considered by FSTJ in regulating and controlling food security. These aspects are the supply of rice, rice price, rice supplier selection, transportation and distribution aspects of rice as well as the performance aspect of the rice supply chain.

The purpose of this study was to develop a model of intelligent decision support system for rice supply chain that covers all these aspects effectively and ef ficiently. There were several methods used in this study. Artificial neural network was used to analyze aspects of the supply and price of rice, TOPSIS was used to analyze the rice suppliers selection, simulated annealing was used to analyze the distribution and transportation of rice and fuzzy inference system was used to analyze the performance of the rice supply chain.

Analysis results showed that the accuracy of forecasting models to forecast the supply of rice and to forecast rice prices have reached more than 90 percent. Rice supplier selection model is effectively able to sort the suppliers of rice based on predetermined criteria. Transportation and distribution model has effectively been able to make the shortest route to distribute the rice. This model also has been able to make the sequence assignment of vehicles to deliver the rice to its customers. Finally, the rice supply chain performance model also effectively has been able to measure the performance of supply chain that accommodates the input factors.

According to the results of analysis and experts opinion, there were advantages and disadvantages of the model produced, but they can be verified and they were also valid.

Keywords : Model, Intelligence Decision Support System, Rice, Supply Chain, DKI Jakarta.

RINGKASAN

DADANG SURJASA. Rancang Bangun Model Sistem Pendukung Keputusan Cerdas Untuk Sistem Rantai Pasokan Beras di Propinsi DKI Jakarta. Dibimbing oleh E. GUMBIRA SA`ID, BUSTANUL ARIFIN, SUKARDI.

DKI Jakarta adalah kota metropolitan yang memiliki jumlah penduduk sangat besar tetapi tidak ditopang langsung oleh kemampuan daerah tersebut dalam menghasilkan komoditas beras yang dapat memenuhi kebutuhan pangan penduduknya. Keadaan tersebut membuat Pemerintah Daerah (Pemda) DKI Jakarta harus selalu mengupayakan ketahanan pangan baik dari faktor kecukupan pasokan beras maupun dari faktor harga beras yang stabil. Untuk itu Pemda DKI Jakarta menugaskan PT. Food Station Tjipinang Jaya (FSTJ) sebagai badan hukum yang dapat mengatur dan menjaga ketahanan pangan, khususnya untuk komoditas beras di wilayah DKI Jakarta.

FSTJ mencoba mewujudkan keinginan Pemda DKI Jakarta tersebut melalui usaha yang dilakukan dengan cara mengkoordinir para pengusaha beras yang berada di area pasar induk beras Cipinang (PIBC). Koordinasi FSTJ terhadap para pengusaha beras di PIBC meliputi koordinasi dari sisi pasokan beras maupun dari sisi harga beras. Dari sisi pasokan beras, FSTJ diharapkan dapat mengatur kecukupan pasokan beras bagi warga penduduk DKI Jakarta dalam memenuhi kebutuhan pangan setiap hari dan dari sisi harga beras, FSTJ diharapkan dapat menjaga stabilitas harga beras sehingga warga penduduk DKI Jakarta dapat memperoleh beras tersebut dengan harga yang terjangkau. Dalam kondisi ketika pasokan beras yang masuk ke wilayah DKI Jakarta kurang atau ketika harga beras melonjak di atas daya beli warga masyarakat, maka FSTJ meminta bantuan badan urusan logistik (BULOG) DKI Jakarta untuk melakukan operasi pasar beras supaya pasokan beras tercukupi atau harga beras dapat terjangkau kembali oleh warga masyarakat DKI Jakarta.

Untuk menjaga pasokan beras yang dapat mencukupi kebutuhan warga masyarakat DKI Jakarta dan dengan harga beras yang stabil, FSTJ perlu melakukan prakiraan pasokan maupun prakiraan harga beras setiap waktu. Terkait dengan jumlah pasokan beras, FSTJ perlu mengkoordinir para pengusaha beras di PIBC agar selalu melakukan proses pengadaan beras secara efektif dan efisien dari para pemasok beras. Terkait dengan upaya pemenuhan kebutuhan warga masyarakat DKI Jakarta terhadap beras tersebut, FSTJ juga perlu mengkoordinir para pengusaha beras di PIBC agar selalu dapat menyalurkan beras ke para distributornya di seluruh wilayah DKI Jakarta secara efektif dan efisien. Terkait dengan kinerja, FSTJ perlu memiliki ukuran kinerja yang dapat memonitor dan mengevaluasi kinerja rantai pasokan berasnya setiap waktu.

Dari permasalahan perberasan di DKI Jakarta tersebut, terdapat beberapa aspek penting yang perlu dikaji lebih lanjut khususnya yang berhubungan dengan masalah rantai pasokan beras di Provinsi DKI Jakarta. Adapun aspek-aspek penting yang diteliti tersebut adalah aspek pasokan beras, aspek harga beras, aspek pemilihan pemasok beras, aspek distribusi dan transportasi beras serta aspek kinerja rantai pasokan beras.

Sehubungan dengan permasalahan perberasan di Provinsi DKI Jakarta tersebut, penelitian ini memiliki tujuan untuk menghasilkan model sistem pendukung keputusan untuk rantai pasokan beras yang efektif dan efisien yang mencakup model prakiraan pasokan beras, model prakiraan harga beras, model pemilihan pemasok beras, model distribusi dan transportasi beras serta model kinerja rantai pasok beras. Model dibangun melalui model konseptual yang selanjutnya dikembangkan menjadi program komputasi dengan menerapkan tiga buah metode artificial intelligence (AI) dan satu buah metode analitik. Metode AI yang dipergunakan adalah metode jaringan syaraf tiruan (JST) untuk subsistem prakiraan pasokan dan harga beras, metode simulated annealing untuk subsistem distribusi dan transportasi beras dan metode fuzzy inference system (FIS) untuk subsistem kinerja rantai pasokan beras, sedangkan metode analitik yang dipergunakan adalah metode technique for order preference by similarity to ideal solution (TOPSIS) untuk subsistem pemilihan pemasok beras.

Model dari subsistem yang pertama adalah model prakiraan pasokan beras dan prakiraan harga beras yang dikembangkan dengan menggunakan metode jaringan syaraf tiruan (JST). Data pasokan beras maupun data harga beras diperoleh dari database FSTJ. Hasil prakiraan dari pasokan beras yang masuk ke wilayah DKI Jakarta selanjutnya dibandingkan dengan kebutuhan beras dari penduduk DKI Jakarta pada suatu waktu. Dari hasil perbandingan tersebut dapat dinyatakan suatu peringatan dini (early warning system) yang menyatakan apakah pasokan beras ke wilayah DKI Jakarta pada suatu waktu tersebut dalam kondisi aman atau pasokan beras harus diwaspadai atau pasokan beras dalam kondisi rawan. Demikian pula dengan hasil prakiraan dari harga beras pada suatu waktu selanjutnya dibandingkan dengan harga beras rata-rata empat periode sebelumnya. Hasil dari perbandingan tersebut juga berupa suatu peringatan dini apakah harga beras di wilayah DKI Jakarta pada suatu waktu itu masuk ke dalam kondisi harga beras aman atau harga beras harus diwaspadai atau masuk ke dalam kondisi harga beras rawan. Dengan informasi peringatan dini tersebut, pihak yang berkepentingan seperti FSTJ dapat melakukan antisipasi apabila prakiraan pasokan maupun harga beras berada dalam kondisi rawan. Apabila prakiraan pasokan beras maupun harga beras menunjukkan kondisi rawan, maka FSTJ selanjutnya dapat menghubungi pihak Badan Urusan Logistik (BULOG) DKI Jakarta untuk meminta agar dilakukan operasi pasar.

Model dari subsistem yang ke dua adalah model pemilihan pemasok beras. Model tersebut dirancang untuk mendapatkan pemasok beras terpilih yang memenuhi kriteria yang ditentukan oleh para pelaku usaha perberasan di PIBC. Model dikembangkan dengan menggunakan metode TOPSIS. Metode TOPSIS adalah salah satu metode yang dapat menyelesaikan persoalan multy criteria decision making (MCDM). Input untuk model tersebut dapat berbentuk kuantitatif maupun kualitatif. Input yang dipergunakan tersebut berupa jumlah alternatif dari berbagai daerah yang memasok beras ke PIBC dan berbagai kriteria perberasan baik kriteria dari pemasok beras maupun kriteria dari komoditas beras itu sendiri. Hasil dari model tersebut adalah urutan peringkat pemasok beras dari peringat pertama sampai peringkat terakhir yang sudah mempertimbangkan berbagai kriteria perberasan tersebut. Dengan hasil urutan peringkat pemasok beras ini, para pelaku usaha perberasan di PIBC dapat mengambil keputusan, beras dari daerah mana saja yang dapat diambil untuk menjadi komoditas usahanya.

Model dari subsistem yang ke tiga yaitu model distribusi dan transportasi beras yang dikembangkan dengan menggunakan metode simulated annealing. Input untuk model pada subsistem distribusi dan transportasi beras tersebut adalah jarak antar pelanggan yang merupakan distributor beras di seluruh wilayah DKI Jakarta, banyaknya permintaan beras dari pasar tersebut serta kendaraan dan bobot kendaraan yang dipergunakan. Hasil dari model tersebut adalah rute terpendek dan banyaknya kendaraan yang dipergunakan untuk menyalurkan beras tersebut ke pasar-pasar di wilayah DKI Jakarta. Dengan hasil tersebut, para pelaku perberasan dapat menyalurkan sejumlah beras ke berbagai pasar beras dengan menggunakan jumlah kendaraan yang tepat dan dengan rute terpendek. Dengan demikian para pelaku perberasan di PIBC khususnya dapat menyalurkan beras tersebut dengan biaya transportasi yang lebih efisien.

Model subsistem ke empat yaitu model kinerja rantai pasokan beras. Model tersebut diperoleh dengan menggunakan metode fuzzy inference system (FIS). Input untuk model tersebut terdiri dari tiga subsistem sebelumnya yaitu subsistem prakiraan pasokan dan harga beras, subsistem pemilihan pemasok beras dan subsistem distribusi dan transportasi beras. Hasil dari model tersebut adalah ukuran kinerja dari rantai pasokan beras. Dengan hasil tersebut, para pelaku usaha perberasan di PIBC khususnya dapat mengukur kinerja rantai pasokannya apakah masuk ke dalam kategori baik, cukup baik atau tidak baik. Dengan adanya ukuran kinerja tersebut, para pelaku perberasan di PIBC dapat juga mengantisipasi apa yang harus dipersiapkan dan dilakukan supaya kinerja rantai pasokannya di masa mendatang lebih baik dari pada kinerja saat ini. Semua model dari ke empat subsistem yang dihasilkan pada penelitian ini telah memenuhi kriteria efektifitas dan efisiensi juga telah memenuhi prosedur verifikasi dan validasi, sehingga semua model yang dihasilkan dapat diverifikasi (verified) dan valid.

Kata Kunci : Sistem Pendukung Keputusan, Rantai Pasokan, Jaringan Syaraf Tiruan, TOPSIS, Simulated Annealing, Fuzzy Inference System, Kinerja Rantai Pasokan Beras, DKI Jakarta.

© Hak Cipta Milik IPB, Tahun 2011 Hak Cipta Dilindungi Undang-undang

1. Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumber

a. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik atau tinjauan suatu masalah.

b. Pengutipan tidak merugikan kepentingan yang wajar bagi IPB.

2. Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis dalam bentuk apapun tanpa izin IPB.

RANCANG BANGUN MODEL

SISTEM PENUNJANG KEPUTUSAN CERDAS

UNTUK SISTEM RANTAI PASOKAN BERAS

DI PROVINSI DKI JAKARTA

DADANG SURJASA

Disertasi

Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Doktor

Pada Program Studi Teknologi Industri Pertanian

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

BOGOR

2011

Penguji Pada Ujian Tertutup : 1. Prof. Dr. Ir. Marimin 2. Dr. Ir. Sri Hartoyo

Penguji Pada Ujian Terbuka : 1. Prof. Dr. Ir. Eriyatno, MSAE. 2. Prof. Dr. M. Husein Sawit, MSc.

Judul Disertasi : Rancang Bangun Model Sistem Penunjang Keputusan Cerdas Untuk Sistem Rantai Pasokan Beras di Provinsi DKI Jakarta

Nama : Dadang Surjasa

No. Mahasiswa : F 361 040 101

Program Studi : Teknologi Industri Pertanian

Disetujui Komisi Pembimbing

Ketua

Prof. Dr. Ir. E. Gumbira Sa`id, MA. Dev.

Prof. Dr. Ir. Bustanul Arifin, MSc.

Diketahui

Dr. Ir. Sukardi, MM. Anggota Anggota

Ketua Program Studi Dekan Sekolah Pascasarjana Teknologi Industri Pertanian Institut Pertanian Bogor

Dr. Ir. Machfud Dr. Ir. Dahrul Syah, MSc.Agr.

KATA PENGANTAR

Puji syukur penulis panjatkan ke hadirat Allah SWT atas rahmat dan karunia Nya yang telah diberikan, sehingga disertasi yang berjudul Rancang Bangun Model Sistem Pendukung Keputusan Cerdas Untuk Sistem Rantai Pasokan Beras di Propinsi DKI Jakarta ini berhasil diselesaikan. Penulis sangat menyadari penelitian dan penulisan disertasi pada program studi Teknologi Industri Pertanian (TIP) di IPB ini tidak akan pernah dapat diselesaikan dengan baik dan tuntas apabila tidak dibimbing dan tidak didukung oleh berbagai pihak baik langsung maupun tidak langsung. Untuk itu penulis mengucapkan terima kasih yang sangat mendalam kepada :

1. Bapak Prof. Dr. Ir. E. Gumbira Sa`id, MA. Dev., Bapak Prof. Dr. Ir. Bustanul Arifin, MSc. dan Bapak Dr. Ir. Sukardi, MM., atas semua bimbingan, arahan, semangat, motivasi dan petunjuk yang telah banyak diberikan kepada penulis. 2. Bapak Prof. Dr. Ir. T. Yuri M. Zagloel, Bapak Dr. Ir. Tomy Perdana, Bapak

Dr. Ir. Rika A. Hadiguna, Bapak Setijadi, ST, MT, Bapak Drs. Nellys Sukidi, MM., Bapak Suminta, SE., Bapak Dodiek Ary Setyono, MSc., Ibu Nurul Shantiwardani, SE. serta Bapak Ayong Suherman Dinata, yang telah bersedia meluangkan waktunya untuk berdiskusi dan menjadi responden pada penelitian ini.

3. Bapak Prof. Dr. Ir. Dadan Umar Daihani, Bapak Prof. Dr. Ir. Ahmad Syamil, Bapak Prof. Dr. Ir. Nyoman Pujawan, Bapak Prof. Dr. M. Husein Sawit, Bapak Dr. Ir. Taufik Djatna, Bapak Dr. Ir. Suprayogi, Ibu Dr. Ir. Docki Saraswati, Ibu Dr. Ir. Didien Suhardini, Ibu Dr. Ir. Tiena G. Amran, Ibu Ir. Dewi Cokorda, MM., Bapak Dr. Parwadi, Bapak Dr. Nofrisel, Bapak Dr. Ir. Acep R. Jayaprawira, Bapak Dr. Suharjito, serta Bapak Ir. Alexie Herryandie MT., yang telah memberi inspirasi tersendiri dalam penulisan disertasi ini. 4. Ibu Dr. Pudji Astuti, MT., Ibu Ir. Triwulandari, MM., Ibu Ir. Dorina Hetharia,

MSc., Ibu Ir. Nora Azmi, MT., Bapak Ir. Sucipto Adisuwiryo, MM., Bapak Ir. Andri Bagio, MT., Bapak Ir. Wawan Kurniawan, MT., Bapak Dedy Sugiarto, SSi., MM., Ibu Ir. Iveline A. Marie, MT. serta Ibu Rina Fitriana, ST., MM., selaku rekan seperjuangan pada Program Pascasarjana S3 TIP IPB.

5. Seluruh rekan dosen dan staf pada Program Studi Teknik Industri di Universitas Trisakti yang telah banyak memberikan dukungan, do’a dan motivasi guna penyelesaian disertasi ini.

6. Saudara kami Ibu Prof. Dr. Tiktik Sartika, Ibu Dra. Sri Wahyuni, MM. dan keluarga, Bapak Ir. Syarif Hidayat, M.Eng Sc. MM., Bapak Budi Handaru, Bapak Pitoyo dan keluarga, Bapak Ir. Idrus Kadir, SE. beserta Dina Indriyani Nasution yang selalu mengikuti perkembangan dan turut berdo’a untuk kelulusan saya pada program S3 ini.

7. Sahabat setia Puthut Wibowo, ST., Roynaldo, ST., Rizky M. Sampurno, ST. dan Muhammad Abrar yang telah menjadi teman diskusi dalam menyelesaikan program komputasi yang banyak memakan waktu.

8. Istri tercinta Tita Puspitasari, SSi. MSi., beserta semua anak-anak tersayang Muhammad Zuhudi Suryasa, Maharani Afifah Putri Suryasa, Mahatma Ridwan Suryasa dan Nisrina Marwa Putri Suryasa yang telah sabar dan ikhlas mengijinkan suami dan ayahnya guna menyelesaikan program S3 TIP di IPB ini.

9. Yang tersayang dan tercinta, ayahanda Dadang Raisan (Alm.), Ibunda Siti Djumiradj, Bapak H. Arim Muhali, SH., Ibu Hj. Etty Herliati beserta seluruh adik, kakak dan adik ipar, Tedi Permadi, SS. MS., Rosita, SSi., Lina Marlina, S.Pd., Nia Ratnaningsih, Purnama, SPd., Firman, SSi., Sri Pupung, ST., Oom Komalasari dan Iwa Kustiwa, SH. yang telah mendoakan dan mendukung penulis guna menyelesaikan Program Doktor di TIP IPB ini.

10. Semua pihak yang telah banyak membantu penulis dalam penyelesaian studi Program Doktor ini.

Semoga semua kebaikan dan kebajikan dibalas oleh Allah SWT. Penulis menyadari kemungkinan masih ada kekurangan pada penulisan disertasi ini sehingga penulis mengundang kritik dan saran yang membangun. Semoga disertasi ini bermanfaat bagi semua pembaca.

Bogor, Agustus 2011

RIWAYAT HIDUP

Penulis dilahirkan di Bandung pada 27 Juni 1968 dari orang tua yang bernama Dadang Raisan (Alm.) dan Siti Djumiradj. Penulis adalah anak pertama dari tujuh bersaudara. Penulis menempuh pendidikan dasar di SDN Babakan Surabaya X Bandung dan lulus tahun 1981, pendidikan tingkat menengah pertama di SMPN 4 Bandung dan lulus tahun 1984 serta pendidikan tingkat menengah atas di SMAN 3 Bandung dan lulus tahun 1987. Penulis lulus dari program sarjana (S1) dari Jurusan Matematika Institut Teknologi Bandung (ITB) pada tahun 1993. Selanjutnya penulis menyelesaikan program Pascasarjana (S2) pada Program Studi Teknik dan Manajemen Industri di Universitas Indonesia (UI) dan lulus pada tahun 1998, sedangkan Program Pascasarjana (S3) diselesaikan oleh penulis pada tahun 2011 dari Program Studi Teknologi Industri Pertanian di Institut Pertanian Bogor (IPB).

Sejak tahun 2001, penulis bekerja sebagai dosen tetap pada Program Studi Teknik Industri Universitas Trisakti dan sejak awal mengampu mata kuliah Aljabar Linier, Metode Numerik, Kalkulus, Manajemen Logistik dan Manajemen Rantai Pasokan. Saat ini penulis juga tercatat sebagai pengajar pada Program Pascasarjana di Jurusan Teknik Industri Universitas Trisakti untuk mata kuliah Manajemen Rantai Pasokan. Penulis juga pernah menjadi dosen tidak tetap pada Program Pascasarjana Institut Teknologi Bisnis Kalbe untuk mata kuliah Metode Kuantitatif Untuk Bisnis serta pernah menjadi dosen tidak tetap pada mata kuliah Aljabar Linear pada Program Studi Teknik Industri Universitas Indonesia. Sebelumnya penulis pernah bekerja di PT. Lucky Indah Keramik yang menghasilkan produk keramik (tableware) dan pernah bekerja di EAN Indonesia yang menghasilkan barcode untuk penomoran produk.

Penulis dengan arahan dan bantuan pembimbing telah mempublikasikan tiga buah makalah yang merupakan bagian dari disertasi dalam seminar internasional dan jurnal nasional. Publikasi ke tiga makalah tersebut adalah :

1. Surjasa, D., E. Gumbira-Sa`id. 2009. Model Design of Intelligent Decision Support System For Supply Chain Management Of Rice In Indonesia (Case

Study at DKI Jakarta Province). Proceeding of 3rd International Seminar On Industrial Engineering And Management (3rd ISIEM). Bali, Dec. 10 - 11. 2. Surjasa, D., E. Gumbira-Sa’id, B. Arifin, Sukardi. 2011. Rancang Bangun

Model Prakiraan dan Peringatan Dini Untuk Pasokan dan Harga Beras di Propinsi DKI Jakarta Menggunakan Jaringan Syaraf Tiruan. Jurnal Teknik Industri Universitas Trisakti. Volume 1 No 3. November. ISSN 1411-6340. 3. Surjasa, D., E. Gumbira-Sa’id, B. Arifin, Sukardi. 2011. A

nalisis Rantai Pasokan Beras dan Rancang Bangun Model Pemilihan Pemasok Beras di Propinsi DKI Jakarta. Jurnal Ilmiah Teknik Industri Jurusan Teknik Mesin Universitas Tarumanagara. Volume 1 No 2. November.

xv DAFTAR ISI

Halaman

Daftar Tabel ………. xviii

Daftar Gambar ………. xx

Daftar Lampiran ………... xxiii

Daftar Istilah ………. xxv

Bab I PENDAHULUAN ………... 1

1.1 Latar Belakang ………... 1

1.2 Permasalahan Perberasan Nasional ………... 3

1.2.1 Masalah Harga Beras ……… 3

1.2.2 Masalah Non Harga Beras ………... 5

1.3 Perumusan Masalah Perberasan di Provinsi DKI Jakarta ... 7

1.4 Tujuan Penelitian ... 9

1.5 Manfaat Penelitian ………. 9

1.6 Ruang Lingkup Penelitian ………... 10

Bab II TINJAUAN PUSTAKA …..………... 13

2.1 Profil Beras Sebagai Komoditas Strategis ………..………... 13

2.2 Kondisi Perberasan Dunia ……..………... 15

2.3 Kondisi Perberasan Nasional ………...………….. 16

2.4 Kondisi Perberasan di Provinsi DKI Jakarta……….. 23

2.5 Manajemen Logistik ………..………… 26

2.6 SCM (Supply Chain Management) ….……….. 30

2.7 Pendekatan Sistem ……… 32

2.8 Modal Sosial (Social Capital) ………... 33

2.9 Definisi Prakiraan (Forecasting Definition) ..………... 34

2.10 Pemilihan Pemasok (Supplier Selection) …………...……. 35

2.11 IDSS (Intelligent Decision Support System) ……..………. 36

xvi Halaman

2.13 TOPSIS(Technique for Order Preference by Similarity to Ideal Solution) ……….……… 47 2.14 VRP (Vehicle Routing Problem) ………. 49

2.15 Simulated Annealing ………... 52

2.16 FIS (Fuzzy Inference System) ……….. 53 2.17 Posisi Penelitian Terhadap Penelitian Terdahulu ………… 54 2.17.1 Penerapan Artificial Intelligent Pada Rantai

Pasokan ………...……… 55

2.17.2 Penelitian Terdahulu Tentang Rantai Pasokan Perberasan ……….

57

2.17.3 Penelitian Terdahulu Tentang IDSS Pada Rantai

Pasokan ………..………... 57

2.18 Gambaran Umum PIBC dan FSTJ ……….. 59

Bab III METODE PENELITIAN ….………... 69 3.1 Kerangka Pemikiran Konseptual Penelitian ……..………… 69 3.2 Bagan Alir Dari Metode Yang Digunakan Dalam

Penelitian ……..……… 71

3.3 Pengumpulan dan Metode Analisis Data ……..……… 79 3.4 Konfigurasi Model IDSS Pada SCM Beras ………... 80

Bab IV RANCANG BANGUN MODEL PENELITIAN …... 83 4.1 Subsistem Prakiraan Pasokan dan Harga Beras …..……….. 84 4.2Subsistem Pemilihan Pemasok Beras ……….……….. 96 4.3 Subsistem Distribusi dan Transportasi Beras ....……… 98 4.4 Subsistem Kinerja Rantai Pasokan Beras …………... 100 4.5 Model Matematika Kinerja Rantai Pasokan Beras di

DKI Jakarta ... 104

xvii

Halaman

Bab V HASIL DAN PEMBAHASAN MODEL PENELITIAN ... 107 5.1 Subsistem Prakiraan Pasokan dan Harga Beras …..……….. 112 5.2 Subsistem Pemilihan Pemasok Beras ……….……….. 115 5.3 Subsistem Distribusi dan Transportasi Beras ....……… 118 5.4 Subsistem Kinerja Rantai Pasokan Beras …………... 126 5.5 Model Sistem Rantai Pasokan Beras di DKI Jakarta ... 130

5.5.1 Rasionalitas Pemilihan Metode Dalam

Pengembangan Model ……….. 131

5.5.2 Penilaian Pakar Terhadap Model yang Dihasilkan .. 136 5.5.3 Proses Verifikasi dan Validasi Pada Model Yang

Dihasilkan …..………... 142

Bab VI KESIMPULAN DAN SARAN ………... 145 6.1 Kesimpulan ……… 145 6.2 Saran ……….. 146

DAFTAR PUSTAKA ………... 147

DAFTAR LAMPIRAN ……..………... 163

xix

DAFTAR TABEL

Halaman

Tabel 1 Jenis Penggilingan Padi di Indonesia (Tahun 2002) …... 6 Tabel 2 Produksi Beras Dunia Tahun 2005 – 2008 ………….…... 15 Tabel 3 Perkembangan Impor Beras Dunia Tahun 2001 – 2004 ... 15 Tabel 4 Perkembangan Impor Beras Dunia Tahun 2005 – 2008 ... 16 Tabel 5 Data Perberasan Nasional 2004 – 2010 ……… 16 Tabel 6 Produksi Padi 2006 – 2010 Menurut Propinsi ……….. 17 Tabel 7 Persyaratan Khusus Mutu Beras (SNI 01-6128-1999) ……. 18 Tabel 8 Distribusi Beras Dari PIBC ke Luar PIBC, 2005 – 2009 ... 26 Tabel 9 Perbandingan Prakiraan Antara Metode JST dan Regresi ... 45 Tabel 10 Penelitian Terdahulu Mengenai Penerapan AI Pada Rantai

Pasokan ………. 56

Tabel 11 Penelitian Terdahulu Tentang Rantai Pasokan Perberasan .. 58 Tabel 12 Penelitian Terdahulu Tentang IDSS Pada Rantai Pasokan .. 60 Tabel 13 Daftar Pemegang Saham PT. Food Statiun Tjipinang Jaya.. 62 Tabel 14 Jumlah Tenaga Kerja FSTJ Berdasarkan Pendidikan ... 67 Tabel 15 Model Penelitian, Jenis Data, Sumber Data dan Metode

Analisis Data ……… 80

Tabel 16 Pemilihan Fungsi Aktivasi dan Algoritma Pelatihan Untuk

JST ……… 90

Tabel 17 Pemilihan Momentum Untuk JST Prakiraan Harga Beras

IR 64/ III ………... 90

Tabel 18 Pemilihan Toleransi Error Untuk JST Terbaik ……… 91 Tabel 19 Pemilihan Jumlah Neuron Hidden Untuk JST Terbaik …… 91 Tabel 20 Arsitektur JST Terbaik Untuk Prakiraan Harga Beras

IR 64/ III ………... 91

Tabel 21 Aturan Peringatan Dini Untuk Harga Beras ………. 94

xx Halaman

Tabel 22 Arsitektur JST Terbaik Dengan Metode Backpropagation .. 95 Tabel 23 Tingkat Akurasi Hasil Pengujian JST Terhadap Data

Aktual ………... 95

Tabel 24 Fuzzifikasi Tiga Input Data Untuk Fuzzy Inference System 102 Tabel 25 Fuzzifikasi Output Data Untuk Fuzzy Inference System ….. 102 Tabel 26 Aturan Jika – Maka Untuk Fuzzy Inference System ………. 103 Tabel 27 Penghematan Yang Dihasilkan Dari Metode Simulated

Annealing ... 125 Tabel 28 Nilai Positif dan Negatif Dari Model Prakiraan Pasokan

Beras ………. 137

Tabel 29 Nilai Positif dan Negatif Dari Model Prakiraan Harga

Beras ………. 137

Tabel 30 Nilai Positif dan Negatif Dari Model Pemilihan Pemasok

Beras ………. 138

Tabel 31 Nilai Positif dan Negatif Dari Model Distribusi dan

Transportasi Beras ……… 139

Tabel 32 Nilai Manfaat Model Penelitian Menurut Pakar ………….. 140 Tabel 33 Pembobotan Input Kinerja Rantai Pasokan Beras Menurut

Pakar ……..………... 143

Tabel 34 Hasil Verifikasi dan Validasi Dari Model Yang Dihasilkan 144

xxi

DAFTAR GAMBAR

Halaman

Gambar 1 Pohon Industri Padi ... 14 Gambar 2 Keterkaitan Yang Perlu Dibangun Untuk Pengembangan

SAP di Indonesia ………... 19 Gambar 3 Ilustrasi Rancangan SAP ………...…………... 20

Gambar 4 Peta Sentra Produksi Padi ……….. 21

Gambar 5 Pola Distribusi Perdagangan Beras Pada 15 Provinsi …… 22 Gambar 6 Distribusi Beras Dari Tujuh Kabupaten Ke DKI Jakarta ... 23 Gambar 7 Pola Distribusi Beras di DKI Jakarta ... 24 Gambar 8 Pola Distribusi Beras Dari Luar DKI Jakarta ke PIBC ... 25 Gambar 9 Pola Distribusi Beras Dari PIBC ke Luar DKI Jakarta ... 26 Gambar 10 Evolusi Manajemen Logistik Terpadu ... 27 Gambar 11 Sistem Logistik Secara Komprehensif ... 29 Gambar 12 Integrasi Manajemen Material dan Distribusi Fisik ... 29 Gambar 13 Evolusi Logistik Dari Era 1960'an Sampai Tahun 2000'an 30

Gambar 14 Jaringan Dalam Modal Sosial ……… 34

Gambar 15 Siklus Dari Data, Informasi dan Keputusan Menjadi Aksi 37 Gambar 16 Struktur Dasar Decision Support System ...... 38 Gambar 17 Karakteristik Decision Support System ...... 39 Gambar 18 Komponen Decision Support System .... 40 Gambar 19 Susunan Syaraf Pada Manusia ... 42 Gambar 20 Jaringan Syaraf Tiruan Banyak Lapisan ……… 43 Gambar 21 Jaringan Syaraf Tiruan Tiga Lapis …….………..……….. 43 Gambar 22 Pembelajaran Jaringan Syaraf Tiruan Terawasi …………. 44 Gambar 23 Arsitektur JST Backpropagation ………..….. 46 Gambar 24 Langkah-langkah Pelaksanaan Penelitian ...…….……….. 69 Gambar 25 Model Aktifitas Rantai Pasokan Beras di DKI Jakarta ….. 70 Gambar 26 Model Kinerja Rantai Pasokan Beras DKI Jakarta ……… 70

xxii Halaman

Gambar 27 Bagan Alir Jaringan Syaraf Tiruan Backpropagation

Untuk Prakiraan Pasokan dan Harga Beras ... 73 Gambar 28 Bagan Alir TOPSIS Untuk Pemilihan Pemasok Beras ... 75 Gambar 29 Bagan Alir Vehicle Routing Problem Dengan Simulated

Annealing Untuk Distribusi dan Transportasi Beras ……. 77 Gambar 30 Bagan Alir Fuzzy Inference System Untuk Pengukuran

Kinerja Rantai Pasokan Beras di Propinsi DKI Jakarta …. 78 Gambar 31 Konfigurasi Model IDSS Pada SCM Beras Untuk DKI

Jakarta ……… 81

Gambar 32 Tahapan Perancangan Jaringan Syaraf Tiruan Untuk Prakiraan serta Peringatan Dini Dari Pasokan dan Harga

Beras ………... 83

Gambar 33 Fungsi Aktivasi Sigmoid Bipolar ……… 87 Gambar 34 Fungsi Aktivasi Sigmoid Biner ……… 87 Gambar 35 Fungsi Aktivasi Identitas (Purelin) ……… 87 Gambar 36 Tahap Pemilihan Pemasok Beras Menggunakan TOPSIS 98 Gambar 37 Proses FIS Untuk Mengukur Kinerja Rantai Pasokan

Beras di Provinsi DKI Jakarta ………. 101 Gambar 38 Input Data Untuk Proses FIS ……….. 102 Gambar 39 Input Data Untuk Basis Pengetahuan ………. 104 Gambar 40 Model Prakiraan Harga Beras dan Pasokan Beras ………. 107 Gambar 41 Model Pemilihan Pemasok Beras ………... 109 Gambar 42 Model Distribusi dan Transportasi Beras ………... 109 Gambar 43 Model Kinerja Rantai Pasokan Beras di DKI Jakarta …… 110 Gambar 44 Model Sistem Rantai Pasokan Beras di DKI Jakarta ……. 112 Gambar 45 Tampilan Jaringan Syaraf Tiruan Pada Prakiraan Pasokan

Beras dari PIBC Ke DKI Jakarta ………... 113 Gambar 46 Tampilan Jaringan Syaraf Tiruan Pada Prakiraan Harga

Beras Muncul III ……… 114

Gambar 47 Alternatif Daerah Para Pemasok Beras Ke PIBC ……….. 115

xxiii

Halaman

Gambar 48 Berbagai Kriteria Perberasan Yang Ditetapkan PIBC ... 116 Gambar 49 Penilaian Pada Kriteria Terhadap Alternatif Pemasok

Beras ……….. 117

Gambar 50 Daerah Pemasok Beras Terpilih Hasil Perhitungan

TOPSIS ……….. 117

Gambar 51 Tampilan Menu Distribusi dan Transportasi Beras ……... 119

Gambar 52 Tampilan Menu Produk Beras ………... 120

Gambar 53 Tampilan Jarak Lokasi Antar Para Pelanggan Beras …… 121 Gambar 54 Tampilan Menu Pesanan Dari Para Pelanggan Beras …… 122 Gambar 55 Tampilan Menu Kendaraan Untuk Distribusi dan

Transportasi Beras ………. 122

Gambar 56 Tampilan Penugasan Kendaraan Pada Pendistribusian

Beras ……….. 123

Gambar 57 Tampilan Rute Terpendek Pada Pendistribusian Beras Dari PIBC Kepada Para Pelanggan ……… 123 Gambar 58 Model Kinerja Rantai Pasokan Beras Untuk DKI Jakarta . 127 Gambar 59 Tampilan Input Output Kinerja Rantai Pasokan Beras …. 128 Gambar 60 Tampilan Perubahan Input Output Pada Kinerja Rantai

Pasokan Beras ……… 129

Gambar 61 Tampilan Model Sistem Pendukung Keputusan Cerdas Untuk Sistem Rantai Pasokan Beras di Provinsi DKI

Jakarta ……… 130

Gambar 62 Jumlah Pasokan Beras Rata-rata Per Minggu Dari PIBC

Ke DKI Jakarta ………. 133

Gambar 63 Harga Rata-rata Per Minggu Beras Jenis IR 64/ III dan

Muncul/ III di PIBC ……….. 134

Gambar 64 Histogram Rata-rata Nilai Manfaat Menurut Pakar …….. 141 Gambar 65 Diagram Jejaring Rata-rata Nilai Manfaat Menurut Pakar 141

xxv

DAFTAR LAMPIRAN

Halaman

Lampiran 1.1 Pemasukan Beras Ke Pasar Beras Induk Cipinang

Tahun 2005 ……… 163

Lampiran 1.2 Pemasukan Beras Ke Pasar Beras Induk Cipinang

Tahun 2006 ……… 164

Lampiran 1.3 Pemasukan Beras Ke Pasar Beras Induk Cipinang

Tahun 2007 ……… 165

Lampiran 1.4 Pemasukan Beras Ke Pasar Beras Induk Cipinang

Tahun 2008 ……… 166

Lampiran 1.5 Pemasukan Beras Ke Pasar Beras Induk Cipinang

Tahun 2009 ……… 167

Lampiran 2 Algoritma Jaringan Syaraf Tiruan Backpropagation ... 168 Lampiran 3 Algoritma TOPSIS (Technique for Order Preference by

Similarity to Ideal Solution) ……… 171 Lampiran 4.1 Pola Pelatihan dan Pola Pengujian Untuk Pasokan Beras

Pada Jaringan Syaraf Tiruan ……… 173

Lampiran 4.2 Pola Pelatihan dan Pola Pengujian Untuk Harga Beras

Muncul/ III Pada Jaringan Syaraf Tiruan ……… 175 Lampiran 4.3 Pola Pelatihan dan Pola Pengujian Untuk Harga Beras

IR 64/ III Pada Jaringan Syaraf Tiruan ………... 177 Lampiran 5 Hasil Pengujian 25 Pola Data Uji Menggunakan JST

Backpropagation ………. 179 Lampiran 6.1 Grafik Perbandingan Hasil Pengujian Dengan Data

Aktual Untuk Pasokan Beras ………... 181 Lampiran 6.2 Grafik Perbandingan Hasil Pengujian Dengan Data

Aktual Untuk Jenis Beras Muncul III ………. 181 Lampiran 6.3 Grafik Perbandingan Hasil Pengujian Dengan Data

Aktual Untuk Beras IR64/ III ………. 182 Lampiran 7 Jumlah Pasokan dan Rata-rata Harga Beras per Minggu 183

xxvi Halaman

Lampiran 8.1 Jarak Antar Lokasi Pasar di Wilayah Jakarta Utara …… 186 Lampiran 8.2 Jarak Antar Lokasi Pasar di Wilayah Jakarta Pusat ……. 187 Lampiran 8.3 Jarak Antar Lokasi Pasar di Wilayah Jakarta Barat ……. 190 Lampiran 8.4 Jarak Antar Lokasi Pasar di Wilayah Jakarta Timur …. 191 Lampiran 8.5 Jarak Antar Lokasi Pasar di Wilayah Jakarta Selatan …. 193 Lampiran 9 Tiga Skenario Distribusi dan Transportasi Beras

Dengan Simulated Annealing ………... 194 Lampiran 10 Kuesioner dan Jawaban Para Pakar Terhadap Kuesioner 201 Lampiran 11.1 Proses Verifikasi Untuk Jaringan Syaraf Tiruan Pada

Harga Beras Varietas Beras Muncul/ III ………. 210 Lampiran 11.2 Proses Verifikasi Untuk Aturan Peringatan Dini Pada

Prakiraan Harga Beras Varietas Beras Muncul/ III ……. 216

xxv

DAFTAR ISTILAH

NO ISTILAH PENGERTIAN

1. Agriculture Employment

Orang yang bekerja pada bidang pertanian.

2. Artificial Intelligence Kecerdasan yang ditunjukkan oleh suatu entitas buatan. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin dapat dilakuka menggunakan kecerdasan buatan antara lain sistem pakar,

games),

3. Algoritma Genetika Kelas khusus dari algoritma evolusioner dengan menggunakan teknik yang terinspirasi oleh biologi evolusioner seperti warisan, mutasi, seleksi alam dan rekombinasi (crossover).

4. ARIMA Autoregressive Integrated Moving Average, model statistik

yang dipergunakan untuk analisis time series.

5. Asimetri Penelitian empiris yang membuktikan bahwa keterkaitan

harga produksi pertanian di tingkat konsumen dan di tingkat produsen (petani) tidak seimbang. Dari sifat tersebut fluktuasi harga pertanian cenderung merugikan petani dan konsumen. 6. If - Then Rule Aturan jika-maka yang mendeskripsikan aksi yang akan

dilakukan berdasarkan situasi dan kondisi.

7. Axon Bagian dari sel saraf makhluk hidup yang berfungsi menghantarkan sinyal ke sel saraf lainnya.

8. Backpropagation Algoritma pembelajaran dari jaringan syaraf tiruan yang terawasi, biasa digunakan oleh perceptron dengan banyak lapisan.

9. Badan Sel Bagian dari sel saraf makhluk hidup yang berfungsi

memproses sinyal yang masuk dan menghasilkan sinyal hasil proses.

10. Beras Bagian dari bulir padi (gabah) yang telah dipisahkan dari

sekam. 11. Best Management

Practice

Metode atau teknik untuk mendapatkan cara yang paling efektif dan praktis dalam mencapai tujuan dari suatu pengelolaan.

12. BPS Badan Pusat Statistik, Lembaga Pemerintah Non Departemen

yang mempunyai fungsi pokok sebagai penyedia data statistik dasar, baik untuk pemerintah maupun untuk masyarakat umum, secara nasional maupun regional.

13. Branch and Bound Salah satu metode penyelesaian Vehicle Routing Problem

dengan melakukan perhitungan pada setiap kemungkinan solusi sampai diperoleh solusi terbaik.

14. BULOG Badan Urusan Logistik, lembaga pangan di Indonesia yang

mengurusi tata niaga beras. Bulog dibentuk pada tanggal 114/Kep/1967. Sejak ta

xxvi

NO ISTILAH PENGERTIAN

15. C-H-S-P Cleaner – Husker – Separator – Polisher, salah satu kombinasi

permesinan pada penggilingan padi.

16. Cianjur Slyp Salah satu varietas beras yang diperdagangkan di PIBC.

17. Cianjur Kepala Salah satu varietas beras yang diperdagangkan di PIBC. 18. Clark and Wright Salah satu metode penyelesaian Vehicle Routing Problem

dengan metode heuristik. 19. Council of Logistic

Management.

Lembaga manajemen logistik dunia yang namanya berubah menjadi Council of Supply Chain Management Professional. 20. Computer Vision Bidang kecerdasan buatan untuk membuat mesin dapat

"melihat", dalam arti mampu mengekstrak informasi dari suatu citra.

21. Crisp Nilai tegas pada logika fuzzy.

22. CSCMP Council of Supply Chain Management Professional.

23. CVRP Capacitated Vehicle Routing Problem, salah satu tipe Vehicle

Routing Problem di mana setiap kendaraan memiliki kapasitas terbatas.

24. Daihatsu Grandmax Jenis kendaraan di PIBC pengangkut pasokan beras dengan

kapasitas angkut 3000 kilogram.

25. Data Pelatihan Data yang digunakan dalam proses pelatihan jaringan saraf

tiruan supaya jaringan dapat mengenali pola data.

26. Data Pengujian Data yang digunakan dalam proses pengujian dan validasi dari jaringan saraf tiruan.

27. D-C-H-S-P-G Dyer – Cleaner – Husker – Separator – Polisher – Grader, salah satu kombinasi permesinan dalam penggilingan padi. 28. Defuzzifikasi Proses perubahan dari himpunan fuzzy menjadi nilai crisp pada

inferensi fuzzy.

29. Delivery Schedule Jadwal pengantaran, pengantaran beras dari pasar induk beras Cipinang (PIBC) kepada para pelanggan/ distributor beras di seluruh wilayah DKI Jakarta.

30. Delphi Lingkungan pengembangan aplikasi untuk bahasa pemrograman Object Pascal.

31. Delta Rule Aturan pembelajaran berdasarkan penurunan gradien untuk perubahan bobot pada perceptron single layer.

32. Dendrite Bagian dari sel saraf makhluk hidup yang berfungsi menerima sinyal dari sel saraf lainnya ke badan sel.

33. Distribusi dan Transportasi

Salah satu aktifitas logistik/ rantai pasokan dalam mengantarkan barang/ jasa dengan menggunakan armada secara efektif dan efisien.

34. DOLOG Depot Logistik.

35. Delivery Time Waktu pengantaran, ukuran yang dihitung berdasarkan waktu ketepatan pengantaran beras dari pemasok sampai masuk ke PIBC.

36. DSS Decision Support System (Sistem Penunjang Keputusan), sistem yang berfungsi mentransformasikan data dan informasi menjadi alternatif keputusan dan prioritasnya.

37. Early Warning System Sistem peringatan dini.

38. Ekonometrik Salah satu metode statistik yang dapat digunakan untuk

xxvii

NO ISTILAH PENGERTIAN

39. El Nino Gejala penyimpangan (anomali) pada suhu permukaan Samudra

Pasifik di pantai Barat Ekuador dan Peru yang lebih tinggi daripada rata-rata normalnya.

40. Epoch Satu iterasi pada proses pelatihan pada jaringan saraf tiruan. 41. Error Galat, perbandingan antara hasil prakiraan dengan hasil yang

sesungguhnya.

42. Exact Method Metode pasti, yaitu metode penyelesaian VRP yang melakukan perhitungan pada setiap kemungkinan solusi sampai diperoleh solusi terbaik.

43. Expert System Lihat Sistem pakar.

44. FAO Food and Agriculture Organization,

45.

organisasi pangan dan pertanian internasional di bawah naungan PBB.

FIS Fuzzy Inference System, teknik pengambilan keputusan menggunakan logika fuzzy.

46. Fisher and Jaikumar Salah satu metode penyelesaian VRP dengan metode heuristik.

47. Focal Company Perusahaan inti yang dijadikan acuan dalam jaringan rantai pasokan.

48. Food Station Tempat penampungan komoditas perdagangan bahan makanan. 49. Forecasting Salah satu aktifitas logistik/ rantai pasokan dalam

memperkirakan suatu keadaan di masa mendatang.

50. Forward propagation Perambatan maju, tahapan pada proses pembelajaran jaringan saraf tiruan.

51. FSTJ PT. Food Station Tjipinang Jaya, perusahaan pengelola dan

pembina PIBC.

52. Fungsi Aktivasi Fungsi pada jaringan saraf tiruan yang mentransformasikan

penjumlahan sinyal berbobot yang masuk untuk menentukan sinyal keluaran.

53. Fungsi Identitas Salah satu fungsi aktivasi yang memiliki nilai output yang sama dengan nilai inputnya.

54. Fuzzifikasi Proses perubahan dari nilai crisp menjadi himpunan fuzzy pada sistem inferensi fuzzy.

55. Fuzzy Mamdani Proses fuzzifikasi ketika input dan output juga berbentuk fuzzy. 56. GDP Gross Domestic Product, produk domestik bruto, merupakan

jumlah produk berupa barang dan jasa yang dihasilkan oleh unit-unit produksi di dalam batas wilayah suatu negara (domestik) selama satu tahun.

57. GERBANG

KERTASUSILA

Daerah sentra produksi beras yang meliputi Gresik, Jombang, Mojokerto, Surabaya, Sidoarjo dan Lamongan.

58. GIS Geographic Information System, sistem informasi geografis. 59. Goal Target tingkat error yang ingin dicapai pada proses

pembelajaran jaringan saraf tiruan.

60. Google Maps Aplikasi peta dunia berbasis web yang dikembangkan oleh

Google.

xxviii

NO ISTILAH PENGERTIAN

61. Harga Salah satu kriteria yang dipergunakan dalam memilih pemasok

beras.

62. Hebb Rule Aturan pembelajaran yang menentukan seberapa banyak bobot dari suatu koneksi dua unit harus dinaikkan atau diturunkan berdasarkan hasil kali aktivasi keduanya.

63. Heuristics Teknik pemecahan masalah yang berbasiskan pada pengalaman. 64. Hidden Layer Lapisan tersembunyi pada jaringan saraf tiruan yang terletak

antara lapisan input dan lapisan output.

65. H-P Husker – Polisher, salah satu kombinasi permesinan pada penggilingan padi.

66. HPP Harga Pembelian Pemerintah.

67. IDSS Intelligent Decision Support System, sistem pendukung

keputusan yang dikembangkan dengan cara menambahkan komponen kecerdasan buatan/ artificial intelligent (AI) ke dalam sistem manajemen basis model dengan tujuan membuat DSS menjadi cerdas.

68. Inbound Logistics Logistik masuk, hal-hal yang terkait dengan perpindahan atau pengadaan barang dari para pemasok ke perusahaan.

69. Input Layer Lapisan pada jaringan saraf tiruan yang menerima masukan untuk diproses.

70. IPDSS Intelligent Predictive Decision Support System.

71. IR 64/ III Salah satu varietas beras yang terdapat di PIBC.

72. Jarak Salah satu kriteria yang dipergunakan dalam memilih pemasok

beras. 73. Jaringan Saraf

Tiruan

Suatu sistem pemrosesan informasi yang memiliki karakteristik performansi khusus yang dapat disamakan dengan cara kerja jaringan syaraf manusia.

74. Kadar Air Banyak kandungan air yang terdapat pada butiran beras, salah

satu kriteria yang dipergunakan dalam memilih pemasok beras.

75. Kinerja Ukuran output dari suatu pengelolaan (management) yang dapat

mengukur suatu hal seperti tingkat produktifitas atau kualitas. 76. Kinerja Rantai

Pasokan Beras

Evaluasi ukuran kinerja dari rantai pasok beras di PIBC untuk suatu waktu tertentu.

77. Knowledge Base Basis Pengetahuan, salah satu komponen DSS yang digunakan untuk pengambilan keputusan.

78. Kuantitas Jumlah pasokan, salah satu kriteria yang dipergunakan dalam

memilih pemasok beras.

79. KOPPIC Jaya Koperasi Pedagang Pasar Induk Cipinang, mitra kerja FSTJ.

80. Korelasi Hubungan antara dua variable dalam suatu sistem.

81. Kotoran Bagian asing yang tercampur ke dalam beras. Salah satu kriteria

yang dipergunakan dalam memilih beras.

82. LCA Life Cycle Assesment, salah satu metode dalam penelitian mengenai rantai pasokan perberasan.

83. Learning Rate Laju pembelajaran, salah satu parameter pelatihan jaringan saraf tiruan yang mengendalikan perubahan nilai bobot dan bias selama pelatihan.

84. Logika Fuzzy Alat yang memiliki kemampuan untuk menghitung dan untuk memodelkan proses berpikir kualitatif manusia dalam analisis sistem dan pengambilan keputusan yang kompleks.

xxix

NO ISTILAH PENGERTIAN

85. Logsig Fungsi aktivasi sigmoid biner pada jaringan syaraf tiruan. 86. Machine Learning Cabang dari kecerdasan buatan, disiplin ilmu yang berhubungan

dengan desain dan pengembangan algoritma yang memungkinkan komputer untuk berperilaku berdasarkan pengalaman atau data empiris.

87. MADM Multi Attribute Decision Making, pengambilan keputusan banyak

atribut melibatkan banyak alternatif dan banyak kriteria.

88. Manajemen Rantai

Pasokan

Konsep bisnis yang mengintegrasikan semua pelaku usaha yang secara umum terdiri dari pemasok, produsen, distributor, ritel sampai konsumen.

89. Marketplace Pasar, tempat komoditas atau produk diperjualbelikan ke konsumen.

90. Matlab Program aplikasi yang mendukung permodelan, simulasi,

perhitungan matematis, serta pemrograman untuk pengembangan aplikasi berbasis scientific dari Mathwork Ltd.

91. MDVRP Multiple Depot VRP, salah satu tipe VRP di mana pemasok

menggunakan lebih dari satu depot untuk memasok konsumen. 92. Meta-heuristics Metode komputasi yang mengoptimalkan solusi dari suatu

permasalahan secara iteratif, dan mencoba mengembangkan kandidat solusi berdasarkan ukuran kualitas tertentu.

93. MIT Massachussets Institute of Technology, salah satu perguruan tinggi terkemuka di bidang teknologi di Amerika Serikat.

94. Model Representasi dari dunia nyata

95. Model Matematika Representasi dari dunia nyata yang dinyatakan secara matematis

96. Momentum Parameter pada jaringan saraf tiruan yang digunakan untuk

mencegah sistem dari konvergen ke minimum lokal atau titik pelana.

97. Monev Monitoring dan evaluasi.

98. MSE Mean Square Error, fungsi kinerja yang sering digunakan untuk jaringan syaraf tiruan backpropagation.

99. Multidimensional Scaling

Sekumpulan teknik-teknik statistik yang saling berkaitan yang sering digunakan untuk visualisasi informasi untuk menemukan kemiripan atau ketidakmiripan pada data.

100. Multilayer Net Struktur jaringan saraf tiruan dengan banyak lapisan. 101. Muncul/ III Salah satu varietas beras yang terdapat di PIBC.

102. NCPDM National Council of Physical Distribution Management.

103. Nearest Neighbour Masalah optimisasi untuk menemukan solusi optimal dengan

mencari titik terdekat pada ruang metrik. 104. Neural Network Jaringan saraf tiruan.

105. Neuron Sel saraf.

106. NLRM Non Linear Regression Model, model regresi taklinear, salah satu

bentuk analisis regresi di mana data observasi dimodelkan dengan suatu fungsi yang merupakan kombinasi taklinear dari parameter model dan bergantung pada satu atau lebih variabel yang independen.

107. Novelty Kebaruan dalam suatu penelitian (research).

xxx

NO ISTILAH PENGERTIAN

109. OECD The Organisation for Economic Co-operation and Development,

Organisasi Kerja Sama Ekonomi dan Pembangunan Internasional.

110. Off-farm Kegiatan pertanian pada tahap setelah budidaya.

111. Oligopsoni Suatu sistem perdagangan di mana pembeli berjumlah sedikit

dibandingkan dengan penjual.

112. On-farm Kegiatan pertanian pada tahap budidaya.

113. Outbound Logistics Logistik masuk, hal-hal yang terkait dengan perpindahan atau pengadaan barang dari para pemasok ke perusahaan.

114. Output Layer Lapisan pada jaringan saraf tiruan yang menghasilkan output

hasil proses.

115. Patahan Beras Ukuran banyaknya butir beras yang patah pada suatu volume

beras tertentu, salah satu kriteria yang dipergunakan dalam memilih pemasok beras.

116. Pemasok Beras Pihak-pihak yang memberi pasokan beras ke PIBC.

117. Pemrosesan Bahasa Alami

Bidang ilmu komputer dan linguistik yang berhubungan dengan interaksi antara komputer dan bahasa manusia, membuat komputer mampu mengenali bahasa alami atau bahasa manusia.

118. Perceptron Bentuk paling sederhana dari JST yang digunakan untuk

pengklasifikasian jenis pola khusus yang biasa disebut linearly separable.

119. Peringatan Dini Sistem pemberian peringatan berdasarkan hasil prakiraan.

120. PIBC Pasar Induk Beras Cipinang, pasar induk perberasan yang

dimiliki Provinsi DKI Jakarta.

121. Playing Game Bidang penerapan kecerdasan buatan yang membuat komputer

dapat memainkan suatu game sebagaimana pemain manusia. 122. Pohon Industri Diagram yang menjelaskan hirarki produk-produk hasil industri

pertanian. 123. Prakiraan Pasokan

dan Harga Beras

Subsistem untuk memperkirakan jumlah pasokan beras dari PIBC ke berbagai daerah di Propinsi DKI Jakarta serta untuk memperkirakan harga beras di PIBC.

124. Procurement Loop Putaran proses pengadaan pada suatu manajemen logistik.

125. Prototype Rancangan awal suatu sistem untuk diimplementasikan.

126. Purelin Fungsi aktivasi pada jaringan syaraf tiruan.

127. PVRP Periodic VRP, salah satu tipe VRP di mana pengiriman dapat

dilakukan per periode waktu. 128. Recurrent Neural

Network

Jenis jaringan saraf tiruan di mana hubungan antar unit membentuk siklus berarah.

129. RMSE Root Mean Square Error, akar kuadrat dari MSE.

130. RMU Rice Milling Unit , salah satu teknologi dalam penggilingan padi.

131. RPH Rumah Pemotongan Hewan.

132. SAP Sentar Agribisnis Perberasan, suatu gagasan yang mengemuka

dari Badan Urusan Logistik (BULOG) yang diharapkan dapat mengatasi berbagai permasalahan seperti pola rantai distribusi gabah dan beras yang masih lemah, mutu beras yang cenderung lebih rendah dari mutu beras impor dan tingkat harga beras yang cenderung fluktuatif.

133. SDVRP Split Delivery VRP, salah satu tipe VRP di mana konsumen dapat

xxxi

NO ISTILAH PENGERTIAN

134. Sigmoid Biner Salah satu fungsi aktivasi yang memiliki nilai output dengan

interval antara 0 sampai 1.

135. Sigmoid Bipolar Salah satu fungsi aktivasi yang memiliki nilai output dengan interval antara -1 sampai 1.

136. SIM Sistem Informasi Manajemen, sistem yang berorientasi pada

dukungan tidak langsung seperti memberikan laporan. 137. Simulated

Annealing

Teknik pencarian acak yang menggunakan analogi bagaimana pendinginan besi dan membekukannya ke dalam struktur energi kristalisasi minimum (proses annealing) dan mencari nilai minimum pada sistem secara keseluruhan, membentuk basis teknik optimasi untuk permasalahan kombinatorial dan permasalahan lainnya.

138. Single Layer Net Struktur jaringan saraf tiruan dengan lapisan tunggal.

139. Sistem Dinamik Metodologi untuk rnemahami suatu masalah yang kompleks.

Metodologi ini dititikberatkan pada pengambilan kebijakan dan bagaimana kebijakan tersebut menentukan tingkah laku masalah-masalah yang dapat dimodelkan oleh sistem secara dinamik. 140. Sistem Inferensi

Fuzzy

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”.

141. Sistem Pakar Sistem komputer yang menyimpan pengetahuan seorang pakar

tentang suatu domain permasalahan yang spesifik dan menyediakan fasilitas untuk pemecahan masalah berdasarkan pengetahuan itu.

142. Sistem Pengolahan Dialog

Salah satu komponen penyusun Decision Support System (DSS) yang berhubungan langsung dengan pengguna.

143. Sistem Pengolahan Problematik

Salah satu komponen penyusun DSS yang menerima dan memberi data dari/ ke sistem pengolahan dialog dan meneruskannya ke sistem manajemen basis data dan sistem manajemen basis model secara bolak-balik.

144. Sistem Penunjang Keputusan

Lihat DSS. 145. Sistem Rantai

Pasokan

Sistem yang mengintegrasikan semua pelaku usaha yang secara umum terdiri dari pemasok, produsen, distributor, ritel sampai konsumen.

146. SMBD Sistem Manajemen Basis Data, salah satu komponen DSS yang

berhubungan dengan basis data untuk menyimpan dan mengambil data.

147. SMBM Sistem Manajemen Basis Model, salah satu komponen DSS yang

berhubungan dengan model domain permasalahan.

148. SNI Standar Nasional Indonesia, standar yang berlaku secara nasional

di Indonesia. SNI dirumuskan oleh Panitia Teknis dan ditetapkan oleh Badan Standardisasi Nasional.

149. Software Agent Bidang kecerdasan buatan, yaitu entitas perangkat lunak yang

didedikasikan untuk tujuan tertentu yang memungkinkan user

untuk mendelegasikan tugasnya secara mandiri. Agen bisa memiliki ide sendiri mengenai bagaimana menyelesaikan suatu pekerjaan tertentu atau agenda tersendiri.

xxxii

NO ISTILAH PENGERTIAN

150. Solusi Inferior Solusi yang tidak melakukan perbaikan pada simulated

annealing.

151. SOP Standard Operating Procedure, prosedur operasi standar.

152. Speech Understanding

Bidang kecerdasan buatan yang membuat mesin dapat memproses dan memahami suara bicara manusia.

153. SRI System Rice Intensification, salah satu metode budidaya padi.

154. Statistika Deskriptif Metode-metode statistik yang berkaitan dengan pengumpulan dan penyajian suatu gugus data sehingga memberikan informasi yang berguna. Statistika deskriptif tidak menarik kesimpulan, tetapi hanya memberikan informasi.

155. Supervised Learning Proses pembelajaran terawasi, yaitu pembelajaran dengan cara memberikan pasangan masukan dan keluaran yang sesuai terhadap suatu jaringan.

156. Supplier Selection Pemilihan pemasok, proses untuk mendapatkan pemasok yang

tepat yang dapat menyediakan pihak pembeli mutu barang maupun jasa yang tepat dengan harga yang tepat, pada waktu dan jumlah yang tepat.

157. SVRP Stochastic VRP, salah satu tipe VRP di mana beberapa nilai

seperti jumlah konsumen, permintaan konsumen, dan waktu perjalanan adalah bersifat acak.

158. Tabu Search Metode optimisasi matematis metaheuristik yang menuntun

prosedur local search untuk melakukan eksplorasi di daerah solusi di luar titik optimum lokal. Termasuk metode yang berbasiskan trajectory.

159. Tahap Pengecekan Tahap dalam simulated annealing untuk mengecek variabel T (suhu) akhir dan iterasi maksimum. Pengecekan ini bertujuan untuk menentukan apakah proses pencarian solusi sudah dapat dihentikan.

160. Tansig Implementasi fungsi sigmoid bipolar pada program Matlab.

161. TFN Triangular Fuzzy Number, salah satu fungsi derajat keanggotaan

pada sistem inferensi fuzzy. 162. Third-party

Logistics

Pihak penyedia jasa logistik dari pihak ketiga seperti yang menyediakan transportasi atau sarana pergudangan.

163. Third-party Reverse Logistics Providers

Pihak penyedia jasa logistik balik.

164. Time Series Deret waktu, rangkaian data yang berupa nilai pengamatan yang

diukur selama kurun waktu tertentu, berdasarkan waktu dengan interval yang sama.

165. Tingkat Keputihan Ukuran warna butiran beras. Semakin putih biasanya semakin baik, ukuran warna dapat dikategorikan dalam bentuk skala likert 1 – 5. Jadi pilihannya adalah 5 = putih jernih, 4 = putih, 3 = cukup putih, 2 = kurang putih, 1 = buram.

166. TOPSIS Technique for Order Preference by Similarity to Ideal Solution,

salah satu metode untuk penyelesaian permasalahan pengambilan keputusan atau memilih sesuatu dari berbagai alternatif dan berbagai kriteria.

167. Toyota Dyna Jenis kendaraan pengangkut pasokan beras di PIBC dengan

xxxiii

NO ISTILAH PENGERTIAN

168. Traingd Fungsi pelatihan jaringan pada program Matlab yang memperbaharui

bobot dan nilai bias sesuai dengan penurunan gradien

169. Traingdm Fungsi pelatihan jaringan pada program Matlab dengan metode

penurunan gradien dengan penambahan momentum.

170. Traingdx Fungsi pelatihan jaringan pada program Matlab yang memperbaharui

bobot dan nilai bias sesuai dengan penurunan gradien momentum dan learning rate adaptif.

171. Trainlm Fungsi pelatihan jaringan pada program Matlab yang memperbaharui

bobot dan nilai bias sesuai dengan optimasi Levenberg-Marquadt.

172. Trainrp Fungsi pelatihan jaringan pada program Matlab yang membagi arah

perubahan bobot menjadi dua bagian yang berbeda. Ketika menggunakan penurunan tercepat, yang diambil hanya arahnya saja. 173. Treshold Batasan nilai ambang suatu informasi akan diterima oleh sel saraf.

174. Trial and Error Proses pemecahan masalah dengan mencoba-coba berbagai

kemungkinan sampai ditemukan solusi yang paling baik. 175. Unsupervised

Learning

Pembelajaran tidak terawasi, yaitu pembelajaran di mana suatu unit keluaran dilatih untuk merespon sekelompok pola masukan.

176. USDA United States Department of Agriculture, departemen eksekutif

federal Amerika Serikat yang mengurusi bidang pertanian.

177. User Interface Antar muka pengguna, bagian dari DSS yang berhubungan langsung dengan pengguna.

178. Validasi Proses membandingkan hasil model dengan hasil nyata, apabila

diperoleh kesesuaian antara hasil model dan hasil nyata, maka model disebut valid.

178. Van Breedam Salah satu metode penyelesaian VRP dengan metode heuristic.

179. VECM Vector Error Correction Model, sistem dinamik multivariate yang

memungkinkan relasi jangka panjang antara variabel-variabel dan tren stokastik umum.

180. Verifikasi Proses yang menyatakan bahwa variabel dalam model yang

dikembangkan sudah sama dengan variable dari situasi nyata.

181. Virtual Tidak nyata, maya, tersimulasi.

182. Visual Basic Lingkungan pengembangan aplikasi untuk bahasa pemrograman

yang dikembangkan oleh Microsoft.

183. VRP Nama generik yang diberikan kepada seluruh masalah yang terkait

dengan sejumlah rute untuk sejumlah armada kendaraan yang harus ditentukan untuk sejumlah kota atau pelanggan yang terpisah secara geografis yang didasarkan pada satu atau beberapa depot pengisian.

184. VRPPD VRP with Pick-up and Delivery, salah satu tipe VRP di mana

konsumen dapat mengembalikan barang ke depot.

185. VRPTW VRP with Time Windows, salah satu tipe VRP di mana setiap

konsumen dipasok pada waktu tertentu.

186. Waktu

Pengiriman

Waktu yang dibutuhkan untuk pengiriman beras dari pemasok sampai PIBC, salah satu kriteria yang dipergunakan dalam memilih pemasok beras.

187. Web Jaringan internet yang menghubungkan komputer-komputer di

seluruh dunia dengan berbagai jalur komunikasi.

xxxiv

Inna Allaaha Laa Yughayyiru Maa

Hatt

Biqawmin

aa Yughayyiruu Maa

Bi-Anfusihim

(Al Qur`an, Surah Ar-Ra`d : 11)

Sesungguhnya Allah tidak akan mengubah keadaan suatu kaum sehingga mereka mengubah keadaan yang ada pada diri mereka sendiri

Dalam Rantai Pasokan Berlaku Aturan

Barang siapa yang mempersulit urusan orang lain,

sesungguhnya dia sedang mempersulit urusan dirinya sendiri dan Barang siapa yang mempermudah urusan orang lain,

sesungguhnya dia sedang mempermudah urusan dirinya sendiri (Dadang Surjasa, 2011)

1

BAB I. PENDAHULUAN

1.1 Latar Belakang

Pengadaan beras nasional dari dulu sampai sekarang masih menjadi permasalahan nasional yang sangat pelik. Salah satu diantaranya terjadi karena masyarakat Indonesia menjadikan beras sebagai bahan makanan pokok yang harus ada dalam pola pangan sehari-hari. Dengan demikian sebagai komoditas pangan utama, permasalahan beras bukan hanya merupakan permasalahan ekonomi saja tetapi juga bersifat politis (Gumbira-Sa'id, 2007).

Petani padi di Indonesia menurut Adiratma (2004) adalah petani yang memiliki lahan rata-rata kurang dari 0.5 Ha dan termasuk kelompok masyarakat yang memiliki tingkat kesejahteraan yang masih rendah. Hasil produksi padi dari pertanian rakyat sering tidak mencukupi kebutuhan seluruh penduduk, kekurangan padi tersebut biasa diatasi dengan cara mengimpornya. Menurut Balitbang Deptan (2005a)

Menurut Nainggolan (2007), ekonomi pasar yang menganggap bahwa pasar dapat mengalokasikan sumber daya yang paling efisien terbukti gagal dalam ekonomi beras. Kegagalan tersebut disebabkan karena ekonomi beras nasional bersifat oligopsonis sehingga petani berada dalam posisi tawar yang tidak menguntungkan. Harga di tingkat internasional mudah ditransmisikan ke dalam negeri sehingga petani menghadapi ketidakpastian harga dan akibatnya harga dasar berupa harga pembelian pemerintah (HPP) menjadi tidak efektif.

), di Jawa, sekitar 88 persen rumah tangga petani menguasai lahan sawah kurang dari 0,5 hektar dan sekitar 76 persen menguasai lahan sawah kurang dari 0,25 hektar. Menurut Arifin (2007), kebijakan pemerintah tentang harga beras adalah salah satu instrumen yang perlu didukung oleh kebijakan peningkatan produktivitas dan mutu padi. Kebijakan tersebut perlu didukung juga oleh pemanfaatan sumber daya lahan dan air secara efisien, memperbaiki penanganan pasca panen dan melaksanakan kebijakan perdagangan internasional. Apabila seluruh instrumen tersebut mampu dilaksanakan maka tidak akan ada lagi diskrepansi antara volume produksi dan konsumsi beras yang seringkali bergulir ke ranah politik.

2

Menurut Krishnamurti (2008) sejak 1998 stok biji-bijian dunia terus menurun. Pada tahun 2006, stok bijian-bijian dunia bahkan hanya separuh dari stok tahun 2000 karena dampak terpaan El Nino tahun 1997/1998 yang belum sepenuhnya terpulihkan. Gejolak pasar pangan dunia menjadi semakin kuat, dengan masuknya para investor di pasar komoditas dan menjadikan komoditas pangan sebagai investasi terbaik. Saat ini beras menjadi komoditas utama yang paling diincar para investor di bursa komoditas seperti di bursa Chicago AS. Hal tersebut membuat pasar pangan dunia menjadi tidak terkendali dan masing-masing negara berlomba menyelamatkan persediaan pangannya.

Hal lain yang mempengaruhi kondisi perberasan nasional menurut Krishnamurti (2008) adalah adanya permintaan bahan pangan yang semakin meningkat khususnya dari Cina, India dan Indonesia yang merupakan tiga dari empat negara di dunia yang terbanyak penduduknya. Selain itu adanya dorongan politik yang bergaung keras di dunia untuk menyikapi perubahan iklim dan hal tersebut diwujudkan dengan gerakan mengurangi penggunaan energi dari fosil untuk beralih ke biofuel yang berbahan baku biji-bijian. Dengan demikian permintaan dunia terhadap biji-bijian meningkat. Welirang (2008) menyatakan bahwa telah terjadi perebutan beras di tingkat dunia. Banyak negara produsen beras dunia menahan produksinya untuk kebutuhan dalam negeri terlebih dahulu setelah Organisasi Kerja Sama Ekonomi dan Pembangunan (OECD) dan Organisasi Pangan dan Pertanian (FAO) menyatakan agar setiap negara mewaspadai perubahan struktur pasar komoditas biji-bijian.

Untuk mengatasi masalah gejolak harga dan pasokan beras regional, menurut Suswono (2011), Indonesia mengusulkan perubahan konsep cadangan beras dalam skema ASEAN dan tiga mitranya (ASEAN Plus Three Emergency Rice Reserve/APTERR). Dengan skema tersebut, beras tidak hanya sebagai cadangan di kala darurat, tapi dapat dipergunakan pula ketika terjadi masalah panen atau harga. Total cadangan beras yang disiapkan sebesar 787 ribu ton yang komposisinya berasal dari ASEAN 87 ribu ton, Jepang 250 ribu ton, China 300 ribu ton, dan Korea Selatan 150 ribu ton. Indonesia sebagai bagian dari ASEAN berkewajiban memasok beras 12 ribu ton, rencana APTERR diluncurkan dalam pertemuan Menteri Pertanian ASEAN+3 pada bulan Oktober 2011.

3

1.2 Permasalahan Perberasan Nasional

Masalah utama yang terkait dengan perberasan nasional adalah masalah harga dan non harga beras. Masalah yang paling kontroversial terkait dengan masalah harga beras adalah fluktuasi harga beras (Nainggolan, 2007). Harga beras akan meningkat pada musim paceklik yang merugikan konsumen dan akan menurun pada musim panen raya yang merugikan petani. Menurut Direktorat Jenderal Pengolahan dan Pemasaran Hasil Pertanian, Departemen Pertanian (Ditjen PPHP, 2008), masalah utama perberasan lainnya adalah masalah susut bobot pada penanganan panen dan pasca panen yang mencapai 11,27%. Menurut Arifin (2010), masalah impor beras adalah “puncak gunung es” dari besarnya persoalan kebijakan perberasan di Indonesia. Persoalan perberasan tersebut sebenarnya membentang dan mengakar dari mulai usaha tani padi, pengolahan dan pasca panen, pengadaan, penyimpanan, distribusi, perdagangan, manajemen persediaan, stabilisasi harga, pemasaran dan konsumsi beras atau diversifikasi pangan.

1.2.1 Masalah Harga Beras

Harga beras seringkali muncul dan menjadi masalah kontroversial antara kepentingan petani dan kepentingan konsumen. Di satu sisi pemerintah sebagai regulator ingin menjaga kepentingan dan ingin memberikan kesejahteraan yang optimal bagi petani, tetapi di sisi lain pemerintah juga ingin memberikan perlindungan agar harga beras dapat terjangkau oleh sebagian besar konsumen, bahkan dapat terjangkau oleh petani padi sendiri yang pada waktu tertentu harus menjadi konsumen beras (Suhardi, 2009). Untuk itu, menurut Malian (2004), kebijakan harga gabah dan beras merupakan salah satu instrumen yang penting dalam menciptakan ketahanan pangan nasional, walaupun menurut Suparmin (2005) kebijakan stabilitas harga selama ini lebih difokuskan kepada upaya menjaga stabilitas harga beras di tingkat konsumen dari pada stabilitas harga gabah di tingkat petani.

Pertimbangan pemerintah lebih memprioritaskan kebijakan harga dibandingkan dengan kebijakan non harga karena selain kebijakan tersebut bersifat jangka pendek juga karena perilaku harga beras sangat fluktuatif dari waktu ke waktu, yang seringkali memunculkan kecemasan dan merugikan baik

4

kepada pihak petani maupun kepada pihak konsumen. Menurut Sawit (2010), sejak tahun 2004, kenaikan harga pembelian pemerintah (HPP) lebih banyak ditentukan oleh biaya produksi dan tidak lagi mengacu pada perbandingan harga beras internasional sehingga harga beras nasional tidak kompetitif dibandingkan dengan harga beras internasional. Selain itu, menurut Sawit (2010), perbedaan HPP antar daerah tidak akan mampu memecahkan masalah perbaikan mutu beras/ gabah, tetapi justru akan memperlemah usaha peningkatkan daya saing industri padi/ beras secara nasional.

Menurut Khudori (2008), penelitian empiris membuktikan bahwa keterkaitan harga produksi pertanian di tingkat konsumen dan di tingkat produsen (petani) bersifat asimetri. Dari sifat tersebut berarti peningkatan harga beras di tingkat konsumen ditransmisikan tidak sempurna dan lambat ke harga gabah di tingkat petani, sedangkan penurunan harga beras di tingkat konsumen ditransmisikan sempurna dan cepat ke harga gabah di tingkat petani. Sebaliknya, peningkatan harga gabah di tingkat petani ditransmisikan dengan sempurna dan cepat ke harga beras di tingkat konsumen, sedangkan penurunan harga gabah di tingkat petani ditransmisikan tidak sempurna dan lambat ke harga beras di tingkat konsumen. Dengan demikian, fluktuasi harga beras atau gabah cenderung merugikan petani dan konsumen.

Menurut Nainggolan (2007) fluktuasi harga beras selalu terjadi setiap musim. Pada saat musim panen raya (Februari – April) yang mencapai 60 – 65 persen produksi nasional, harga akan merosot dan merugikan petani. Di lain pihak pada saat musim paceklik (Oktober – Januari) harga beras akan melonjak dan merugikan konsumen. Masalah harga lainnya adalah masalah harga beras nasional yang masih jauh lebih tinggi dibandingkan dengan harga beras internasional. Data dari Departemen Perdagangan pada Januari 2011 harga rata-rata beras dalam negeri lebih tinggi 35% dari pada harga rata-rata beras internasional, dengan demikian menurut Alimoeso (2011) kebijakan impor beras merupakan kebijakan yang tepat untuk menurunkan harga beras di dalam negeri. Masalah tersebut mengakibatkan daya saing Indonesia di pasar beras internasional menjadi rendah.

5

1.2.2 Masalah Non Harga Beras

Masalah utama lain adalah masalah non harga beras. Permasalahan tersebut adalah perlunya pengembangan industri benih padi yang mengarah ke selera pasar seperti menyiapkan benih padi untuk industri tepung tertentu, mengembangkan benih padi dengan kandungan gizi tertentu serta membuat benih padi yang dapat menjadi beras dengan pengolahan yang sangat efisien (Hadi, 2004). Masalah lain adalah tingkat hasil kehilangan padi pada saat panen dan pasca panen seperti tingkat kehilangan padi pada saat perontokan, penggilingan, pengeringan, penyimpanan dan pengangkutan (Patiwiri, 2004). Petani Indonesia yang menggarap komoditas beras pada tahun 2003 berjumlah 25,4 juta rumah tangga, dimana separuh dari jumlah tersebut adalah petani gurem yang memiliki lahan di bawah 0,5 Ha. Sebagian besar petani di Indonesia tergolong lanjut usia sedangkan keturunan petani yang masih muda lebih senang bekerja di sektor industri di perkotaan. Sebagian besar petani di dalam mengembangkan usaha taninya sangat hati-hati dalam menerapkan inovasi baru, mereka berusaha dengan cara melihat petani lain yang telah berhasil karena takut dengan resiko gagal panen (Patiwiri, 2006).

Masalah lain yang mempengaruhi perberasan nasional adalah masalah perbankan. Menurut Glenardi (2004) dalam melakukan pembiayaan terkait dengan perberasan umumnya petani tidak bernaung dalam suatu lembaga yang baku seperti koperasi. Dari sisi permodalan, sebagian besar petani kurang layak secara perbankan (bankable) baik dari persyaratan legalitas maupun kemampuan dalam menyediakan agunan serta lahan yang dimiliki petani umumnya bukan merupakan lahan sendiri. Selain itu terhadap skim-skim perbankan yang disediakan untuk para petani, masih belum tersedia pihak yang bertindak sebagai penanggung jawab (off-taker) atas apa yang diusahakan oleh petani, baik dari sisi ketersediaan sarana produksi maupun atas hasil usahanya.

Menurut Patiwiri (2004), teknologi pengolahan padi di Indonesia masih sangat sederhana dan sebagian besar untuk proses perontokkan, pengeringan dan pengangkutan masih mengandalkan tenaga manusia serta proses pengeringan masih menggunakan sinar matahari. Untuk proses teknologi penggilingan padi masih didominasi oleh teknologi sederhana yaitu dengan penggunaan

6

penggilingan padi kecil (PPK) sebesar 35,3% dan Rice Milling Unit (RMU) sebesar 34.4%, sedangkan penggunaan penggilingan padi besar (PPB) hanya sebesar 4,5%. Pada Tabel 1 dapat dilihat bahwa penggunaan penggilingan padi kecil dan RMU memiliki porsi terbesar yaitu sebesar 69,7 % dengan kapasitas produksi riil sebesar 0,3 – 0,7 ton beras/ jam.

Menurut Damardjati (1981) dalam Hasbullah (2007), penggunaan kombinasi mesin penggiling merupakan salah satu faktor yang menentukan rendemen beras dan mutu beras giling selain faktor bahan baku gabah, varietas gabah, derajat kematangan dan cara penanganan awal (pre handling). Kombinasi mesin penggilingan padi untuk penggilingan padi sederhana yang menggunakan husker – polisher (H-P) menghasilkan rendemen rata-rata 55,71 % dengan mutu beras kepala 74,25 % dan beras patah 14,99 %. Pada penggilingan padi dengan kombinasi cleaner – husker – separator – polisher (C-H-S-P) menghasilkan rendemen rata-rata 59,69 % dengan mutu beras kepala 75,73 % dan beras patah 12,52 %. Pada penggilingan padi besar (PPB) yang menggunakan kombinasi dyer – cleaner – husker – separator – polisher – grader (D-C-H-S-P-G) menghasilkan rendemen rata-rata 61,48 % dengan mutu beras kepala 82,45 % dan beras patah 11,97 %, Hadiutomo (2006) dalam Hasbullah (2007).

Tabel 1. Jenis Penggilingan Padi di Indonesia (Tahun 2002) Propinsi

Jenis Penggilingan Padi (Unit)

PPB PPK RMU PP

Engelberg

Huller Masya-rakat

Penyosoh

/Polisher Jumlah

Sumatera 1.291 5.047 12.318 391 1.842 1.614 22.503

Jawa 2.739 28.112 11.056 129 10.049 9.440 61.525

Bali & NT 353 632 2.818 3 235 525 4.566

Kalimantan 205 3.051 1.634 1.107 834 800 7.631

Sulawesi 423 2.022 10.155 878 361 284 14.123

Maluku &

Irian - 148 115 - - - 263

Indonesia _(4.5%) 5.011 _(35.3%) 39.012 _(34.4%) 38.096 _(2.3%) 2.508 _(12.1%) 13.321 _(11.4%) 12.663 110.611 _(100%) Sumber : Patiwiri (2004)

Menurut survei Badan Pusat Statistik (BPS, 1996) dalam Hasbullah (2007), susut volume pada penanganan panen dan pasca panen padi dapat

Fase I : Propagasi Maju

Hitung keluaran unit tersembunyi (zj) z_netj

z_net

= + 1

z_net

= 0.7 + 0.214(0.5) + 0.214 (1) + 0.214 (0.6) + 0.288 (0.5) = 1.293 2

z_net

= 0.2 + 0.214 (1) + 0.214 (-0.3) + 0.214 (0.9) + 0.288 (-0.3) = 0.456 3

z_net

= 1 + 0.214(0.2) + 0.214 (0.3) + 0.214 (1) + 0.288 (-0.8) = 1.091 4

z_net

= 0.5 + 0.214 (-0.1) + 0.214 (0.4) + 0.214 (0.5) + 0.288 (-0.3) = 0.585 5

z_net

= -0.9 + 0.214 (0.4) + 0.214 (0.5) + 0.214 (-0.3) + 0.288 (0.6) = -0.599 6

z_net

= 1 + 0.214 (0.9) + 0.214 (-1) + 0.214 (-1) + 0.288 (1) = 1.053 7

z_net

= -0.3 + 0.214 (-0.3) + 0.214 (0.8) + 0.214 (0.5) + 0.288 (0.2) = -0.028 8

z

= 0.4 + 0.214 (0.4) + 0.214 (0.5) + 0.214 (0.4) + 0.288(1) = 0.966 j = f(z_netj

z

) = 1 = f(z_net1 z

) = = 0.784 2 = f(z_net2

z

) = = 0.612 3 = f(z_net3

z

) = = 0.749 4 = f(z_net4

z

) = = 0.642 5 = f(z_net5

z

) = = 0.355

6 = f(z_net6 z

) = = 0.741 7 = f(z_net7

z

) = = 0.493

8 = f(z_net8) = = 0.724 Hitung keluaran unit y

y_net

k

k = wko y_net

+ 1

y_net

= -1 + 1.293(-1) + 0.456(0.3) + 1.091(1) + 0.585(0.2) + (-0.599)(-1) + 1.053(-0.5) + (-0.028)(0.2) + 0.966(0.7) = -0.205

2

y

= 0.2 + 1.293(0.6) + 0.456(0.2) + 1.091(0.8) + 0.585(-1) + (-0.599)(1) + 1.053(0.4) + (-0.028)(-1) + 0.966(0.8) = 1.978

1 = f(y_net1 y

) = = 0.449

2 = f(y_net2) = = 0.878

Fase II : Propagasi mundur

Hitung faktor δ di unit keluaran y

δ

k

k = (tk – yk)f’(y_netk) = (tk – yk)yk(1 – yk

δ

) 1

δ

= (0.312 – 0.449) 0.449 (1 – 0.449) = -0.034 2= (0.271 – 0.878) 0.878 (1 – 0.878) = -0.065

Lanjut ke tahap selanjutnya sampai keluaran sama dengan target.

Suku perubahan bobot wkj Δw

(dengan α = 0.2):

kj = α δk z

Δw

j

10 = 0.2 (-0.034) (1) = -0.0068 Δw20

Δw

= 0.2 (-0.065) (1) = -0.013 11 = 0.2 (-0.034) (0.784) = -0.00533 Δw21

Δw

= 0.2 (-0.065) (0.784) = -0.0102 12 = 0.2 (-0.034) (0.612) = -0.00416 Δw22

Δw

= 0.2 (-0.065) (0.612) = -0.00796 13 = 0.2 (-0.034) (0.749) = -0.00509 Δw23

Δw

= 0.2 (-0.065) (0.749) = -0.00974 14 = 0.2 (-0.034) (0.642) = -0.00436 Δw24

Δw

= 0.2 (-0.065) (0.642) = -0.00835 15 = 0.2 (-0.034) (0.355) = -0.00241 Δw25

Δw

= 0.2 (-0.065) (0.355) = -0.00461 16 = 0.2 (-0.034) (0.741) = -0.00504 Δw26

Δw

= 0.2 (-0.065) (0.741) = -0.0096 17 = 0.2 (-0.034) (0.493) = -0.00335 Δw27

Δw

= 0.2 (-0.065) (0.493) = -0.00641 18 = 0.2 (-0.034) (0.724) = -0.00504 Δw28

Hitung penjumlahan kesalahan dari unit tersembunyi (=δ)

= 0.2 (-0.065) (0.724) = -0.009412

δ_netj

δ_net

= 1

δ_net

= (-0.034) (-1) + (-0.065) (-0.6) = 0.073 2

δ_net

= (-0.034) (0.3) + (-0.065) (0.2) = -0.0232 3

δ_net

= (-0.034) (1) + (-0.065) (0.8) = -0.086 4

δ_net

= (-0.034) (0.2) + (-0.065) (-1) = 0.0582 5

δ_net

= (-0.034) (-1) + (-0.065) (1) = -0.031 6

δ_net

= (-0.034) (-0.5) + (-0.065) (0.4) = -0.009 7

δ_net

= (-0.034) (0.2) + (-0.065) (-1) = -0.0718 8 = (-0.034) (0.7) + (-0.065) (0.8) = -0.0758

Faktor kesalahan δ di unit tersembunyi:

δj = δ_netj f‘(z_ netj) = δ_netj zj(1-zj

δ

) 1

δ

= 0.073 (0.784) (1-0.784) = 0.0124 2

δ

= -0.0232 (0.612) (1-0.612) = -0.0067 3

δ

= -0.086 (0.749) (1-0.749) = -0.016 4

δ

= 0.0582 (0.642) (1-0.642) = 0.0134 5

δ

= -0.031 (0.355) (1-0.355) = -0.0071 6

δ

= -0.009 (0.741) (1-0.741) = -0.00173 7

δ

= -0.0718 (0.493) (1-0.493) = -0.0179 8 = -0.0758 (0.724) (1-0.724) = -0.0145

Suku perubahan bobot ke unit tersembunyi Δvji= α δj xi

z1 z2 z3 z4 z5 z6 z7 z8

x1

v11 = (0.2)(0.0124

)(0.214) = 5.3 x 10

v -4

21 = (0.2)(-0.0067)(0.214 ) = -2.8 x 10

v -4

31 = (0.2)(-0.016)(0.214)

= -6.8 x 10

v -4

41 = (0.2)(0.013 4)(0.214) =

5.7 x 10

v

-4

51 = (0.2)(-0.0071)(0.2 14) = -3.04

x 10 v -4 61 = (0.2)(-0.00173)(0.

214) = -7.4 x 10 v -5 71 = (0.2)( -0.0179)(0.2 14) = -7.6 x

10 v -4 81 = (0.2)( -0.0145)(0.2 14) = -6.2 x

10-4

x2

v12 = (0.2)(0.0124

)(0.214) = 5.3 x 10

v -4

22 = (0.2)(-0.0067)(0.214 ) = -2.8 x 10

v -4

32 = (0.2)(-0.016)(0.214)

= -6.8 x 10

v -4

42 = (0.2)(0.013 4)(0.214) =

5.7 x 10

v

-4

52 = (0.2)(-0.0071)(0.2 14) = -3.04

x 10 v -4 62 = (0.2)(-0.00173)(0.

214) = -7.4 x 10 v -5 72 = (0.2)( -0.0179)(0.2 14) = -7.6 x

10 v -4 82 = (0.2)( -0.0145)(0.2 14) = -6.2 x

10-4

x3

v13= (0.2)(0.0124

)(0.214) = 5.3 x 10

v -4

23 = (0.2)(-0.0067)(0.214 ) = -2.8 x 10

v -4

33 = (0.2)(-0.016)(0.214)

= -6.8 x 10

v -4

43 = (0.2)(0.013 4)(0.214) =

5.7 x 10

v

-4

53 = (0.2)(-0.0071)(0.2 14) = -3.04

x 10 v -4 63 = (0.2)(-0.00173)(0.

214) = -7.4 x 10 v -5 73 = (0.2)( -0.0179)(0.2 14) = -7.6 x

10 v -4 83 = (0.2)( -0.0145)(0.2 14) = -6.2 x

10-4

x4

v14= (0.2)(0.0124

)( 0.288) = 7.1 x 10

v

-4

24= (0.2)(-0.0067)( 0.288) = -3.8

x 10

v

-4

34 = (0.2)(-0.016)( 0.288) = -9.2

x 10

v

-4

44 = (0.2)(0.013 4)( 0.288) =

7.7 x 10

v

-4

54 = (0.2)(-0.0071)( 0.288) = -4.09 x 10

v

-4

64 = (0.2)(-0.00173)( 0.288) = -9.96 x 10

v

-5

74 = (0.2)( -0.0179)( 0.288) = -1.03 x 10

v

-3

84 = (0.2)( -0.0145)( 0.288) = -8.35 x 10-4

1

v10= (0.2)(0.0124

)(1) = 2.5 x 10

v -3

20 = (0.2)(0.0067)(1) =

-1.3 x 10 v -3

30= (0.2)(0.016)(1) =

-3.2 x 10

v -3

40 = (0.2)(0.013

4)( 1) = 2.68 x 10

v

-3

50 = (0.2)(-0.0071)( 1)

= -1.42 x 10 v -4 60 = (0.2)(-0.00173)( 1) = -3.46 x

10 v -5 70 = (0.2)( -0.0179)( 1)

= -3.58 x 10 v -3 80 = (0.2)( -0.0145)( 1) = -2.9 x 10

-3

Fase III : Hitung semua perubahan bobot

Perubahan bobot unit keluaran: wkj (baru) = wkj(lama) + Δwkj w

(k=1; j=0,1,…,3) 11 (baru) = -1 -0.0068 = -1.0068 w21 w

(baru) = 0.6-0.0102 = 0.5898 12 (baru) = 0.3-0.0068 = 0.2932 w22

w

(baru) = 0.2-0.00796 = 0.19204 13 (baru) = 1-0.00533 = 0.99467 w23

w

(baru) = 0.8-0.00974 = 0.79026 14 (baru) = 0.2-0.00416 = 0.19584 w24

w

(baru) = -1-0.00835 = -1.00835 15 (baru) = -1-0.00241 = -1.00241 w25

w

(baru) = 0.4-0.00461 = 0.39539 16 (baru) = -0.5-0.00504 = -0.50504 w26

w

(baru) = -1-0.0096 = -1.0096 17 (baru) = 0.2-0.00335 = 0.19665 w27

w

(baru) = 0.8-0.00641 = 0.79359 18 (baru) = 0.7-0.00504 = 0.69496 w28

w

(baru) = 0.2-0.009412 = 0.190588 10 (baru) = -1-0.0068 = -1.068 w20 (baru) = 0.2-0.013 = 0.187

Perubahan bobot unit tersembunyi:

vji (baru) = vji(lama) + Δvji v

(j=1,2,…,8; i=0,1,…,3) ji (baru) = vji(lama) + Δvji

z1 z2 z3 z4 z5 z6 z7 z8

x1

v11(baru) = 0.5 + 5.3

x 10-4 v = 0.50053

21(baru) = 1 - 2.8 x 10-4

v = 0.99972

31(baru) = 0.2 - 6.8 x

10-4 v

=0.19932

41(baru) = -0.1 + 5.7 x

10-4 v

=-0.09943

51(baru) = 0.4 - 3.04 x

10-4

v

= 0.39970

61(baru) = 0.9 - 7.4 x

10-5

v

= 0.89993

71(baru) = -0.3 - 7.6 x

10-4

v

= -0.30076

81(baru) = 0.4 - 6.2 x

10-4 ₌ 0.39938

x2

v12(baru) = 1 + 5.3 x

10-4 v

=1.00053

22(baru) = -0.3 - 2.8 x

10-4

v

= -0.30028

32(baru) = 0.3 - 6.8 x

10-4 v

=0.29932

42(baru) = 0.4 + 5.7 x

10-4 v

= 0.40057

52(baru) = 0.5 - 3.04 x

10-4 v = 0.49970

62(baru) = -1 - 7.4 x -10-5

v

=-1.00007

72(baru) = 0.8 - 7.6 x

10-4

v

= 0.79924

82(baru) = 0.5 - 6.2 x

10-4 ₌ 0.49938

x3

v13(baru) = 0.6 5.3 x

10-4 v

= 0.60053

23(baru) = 0.9 - 2.8 x

10-4 v = 0.89972

33(baru) = 1 - 6.8 x 10-4

v = 0.99932

43(baru) = 0.5 + 5.7 x

10-4 v

= 0.50057

53(baru) = -0.3 - 3.04

x 10-4 v = -0.30030

63(baru) = -1 - 7.4 x -10-5

v

= -1.00007

73(baru) = 0.5 - 7.6 x

10-4

v

= 0.49924

83(baru) = 0.4 - 6.2 x

10-4 ₌ 0.39938

x4

v14(baru) = 0.5 + 7.1

x 10-4 v = 0.50071

24(baru) = -0.3 -3.8 x 10

-4

v

= -0.30038

34(baru) = -0.8 -9.2 x 10

-4

v

= -0.80092

44(baru) = -0.3 + 7.7 x

10-4

v

= -0.29923

54(baru) = 0.6 - 4.09 x

10-4 v = 0.59959

64(baru) = 1 - 9.96 x 10-5

v

= 0.99990

74(baru) = 0.2 - 1.03 x

10-3 v

= 0.19897

84(baru) = 1 - 8.35 x 10-4

0.99917 =

1

v10(baru) = 0.7 + 2.5

x 10-3 v

= 0.70250

20(baru) = 0.2 - 1.3 x

10-3 v = 0.19870

30(baru) = 1 - 3.2 x 10-3

v = 0.99680

40(baru) = 0.5 + 2.68 x

10-3 v

= 0.50268

50(baru) = -0.9 - 1.42

x 10-4 v = -0.90014

60(baru) = 1 - 3.46 x 10-5

v

= 0.99997

70(baru) = -0.3 - 3.58

x 10-3 v

= -0.30358

80(baru) = 0.4 - 2.9 x

10-3 ₌ 0.39710

Fase 1 s.d. fase 3 sama dengan 1 iterasi atau 1 epoch, iterasi dilakukan sampai keluaran jaringan sama dengan target. Iterasi selanjutnya dilakukan dengan menggunakan program Matlab. Melalui proses perhitungan manual dan telah diperlihatkan bahwa dengan menggunakan program aplikasi MatLab bahwa hasil iterasi menunjukkan terjadinya penurunan nilai error menuju error yang ditentukan atau nilai hasil perhitungan JST menuju kepada nilai target yang diharapkan. Dengan demikian maka model JST pada subsistem prakiraan harga beras tersebut dapat disebut model yang terverifikasi.

Lampiran 11.2. Proses Verifikasi Untuk Aturan Peringatan Dini Pada Prakiraan Harga Beras Varietas Beras Muncul/ III

Input : Harga pada Minggu 50, 51, 52, 53

Output : Minggu 54, 55

Harga sesungguhnya : 5657.14 dan 5885.71

Aturan

Dengan variabel-variabel sebagai berikut: Input

harga untuk minggu ke 1, harga untuk minggu ke 2, harga untuk minggu ke 3, harga untuk minggu ke 4, Output

harga untuk minggu ke 5, harga untuk minggu ke 6,

Harga rata-rata untuk output adalah dengan

Aturannya adalah sebagai berikut :

1. Jika maka early warning-nya adalah "harga aman"

2. Jika maka early warning-nya adalah

"harga harus diwaspadai"

3. Jika maka early warning-nya adalah "harga rawan"

Perhitungan

Input

Output

Karena