dikatagorikan sebagai keadaan krisis

Y n+1 = Y n { 1 + I r 12 G 12 } dimana, Y n+1 = pendapatan perkapita pada bulan ke – n+1 Y n = pendapatan perkapita pada bulan ke – n I r = Tingkat inflasi rata-rata tahunan G = Pertumbuhan ekonomi riil tahunan selanjutnya, C mg = K mg x Y n+1 dimana, C mg = Konsumsi masyarakat untuk minyak goreng K mg = Konstansta, persentase pengeluaran mayarakat untuk konsumsi minyak goreng bulanan dengan demikian, keadaan krisis pada batas ambang atas maksimum adalah apabila harga prediksi minyak goreng kelapa sawit pada bulan ke-1 sampai dengan bulan ke- 3 P 1 – P 3 , nilainya melebihi tingkat pengeluaran konsumsi maksimum masyarakat untuk membeli minyak goreng C mg . Sistem Manajemen Basis Data Sistem manajemen basis data dalam MODEL DETRIME merupakan kumpulan data yang digunakan untuk pengolahan bagi sistem manajemen basis model dan sistem manajemen basis pengetahuan. Sistem manajemen basis data dirancang bersifat interaktif dan fleksibel untuk memudahkan perubahan atau modifikasi yang diperlukan. Mulai Penentuan ruang lingkup sistem pakar pemilihan pakar, pemilihan teknik akuisisi, proses akuisisi Penyusunan Matriks Perihal Pengukuran Dampak dan Manfaat Kebijakan kepada Masyarakat Penentuan diskripsi TindakanKebijakan Akuisisi Pengetahuan Pakar Penentuan strategi representasi pengetahuan dan penalaran Implementasi sistem pakar ke komputer pemilihan alat pengembangan Pengujian model Pengujian Pakar? Sub-Model Kebijakan Ya Tidak Selesai Gambar 33 Sub Model Kebijakan Data dalam sistem ini meliputi data ketersediaan bahan baku, produksi mnyak goreng, sistem perniagaan minyak goreng, permintaan pasar luar negeri, permintaan pasar dalam negeri, serta data kebijakan pemerintah Sistem Manajemen Basis Pengetahuan Sistem Manajemen Basis Pengetahuan knowledge base merupakan sarana yang akan diterapkan pada Sub-model Kebijakan perniagaan minyak goreng kelapa sawit. Perancangan dari model ini diperoleh dari akuisisi pengetahuan para pakar yang selalu terkait dengan penanganan perniagaan minyak goreng kelapa sawit secara rutin. Akuisisi pengetahuan ini akan dibagi kedalam 2 tahapan kerja, yaitu perumusan solusi, melalui penyusunan matriks perihal. Selanjutnya setelah teridentifikasi perumusan solusi tersebut dilanjutkan dengan perumusan tindakan yang dilakukan melalui representasi pengetahuan pakar mengenai tindakan-tindakan praktis yang layak diterapkan bagi setiap kotak tindakan yang telah ditentukan dalam matriks perihal. Selanjutnya, seluruh pengetahuan ini disusun dalam bentuk program komputer sebagai alat pengambilan keputusan berdasarkan kriteria if, then, else. Secara diagramatis, bagan alir akuisisi pengetahuan pakar dalam manajemen krisis perniagaan minyak goreng kelapa sawit dapat dilihat dalam Gambar 33. Penyusunan Matriks Kebijakan. Penyusunan matriks ini dilakukan dengan menggunakan kerangka kerja penyusunan matriks perihal dalam menggambarkan posisi prioritas. Mekanisme kerja dilakukan dengan mengadakan diskusi yang melibatkan beberapa orang pakar dari Lembaga Litbang Perdagangan Dalam Negeri – Departemen Perdagangan; Direktorat Jenderal Industri Kimia, Agro, dan Hasil Hutan – Departemen Perindustrian; Asosiasi Minyak Makan Indonesia. Diskusi tersebut dimaksudkan untuk memperoleh kerangka solusipemecahan masalah penanganan krisis perniagaan minyak goreng kelapa sawit dengan mengambil referensi keadaan yang berlangsung pada periode tahun 1997-1998. Dari diskusi yang dilakukan dapat teridentifikasi 11 perihal sebagai solusi pemecahan masalah krisis yang mempunyai potensi untuk mempengaruhi realisasi tujuan serta memenuhi kriteria logika krisis, kemudian para pakar melakukan penalaran dan alasan pemilihan setiap perihal tersebut, dikaitkan dengan pengalaman penanganan rutin sistem perniagaan minyak goreng dimasa lalu. Setelah solusi pemecahan masalah krisis disepakati, kemudian para pakar melakukan debat tentang posisi prioritas setiap perihal berdasarkan pertimbangan strata kepentingan dan dampak, masing-masing terbagi dalam tiga kategori : rendah, cukup, dan tinggi. Selanjutnya pada tahap akhir dari diskusi, para pakar kemudian melakukan diskripsi setiap tindakan untuk masing-masing perihal. Seluruh pola pikir dan langah-langkah tindakan para pakar tersebut kemudian direpresentasikan dalam bentuk program komputer, sehingga memudahkan para pengguna yang bukan pakar untuk dapat mengoperasikannya. Pembentukan Mesin Inferensi. Basis pengetahuan merupakan sekumpulan fakta dan informasi yang terkait dan terorganisasi dengan baik. Untuk pemanfaatan basis pengetahuan ini dibentuk satu mesin inferensi yang merupakan alat penalaran bagi sistem. Mekanisme inferensi merupakan bagian yang mengandung mekanisme fungsi berpikir dan pola-pola penalaran sistem yang digunakan oleh seorang pakar. Mekanisme akan menganalisa suatu masalah tertentu dan selanjutnya akan mencari jawaban, kesimpulan atau keputusan yang terbaik. Teknik Inferensi ada dua macam yaitu : Pelacakan ke belakang backward chaining yang memulai penalarannya dari sekumpulan hipotesa menuju fakta yang mendukungnya. Pelacakan ke depan forward chaining merupakan kebalikan dari pelacakan ke belakang, memulai dari sekumpulan data menuju keputusan. Metoda tersebut dipengaruhi oleh tiga macam teknik penelusuran yaitu: depth-first seach melakukan penelusuran kaidah secara mendalam dari simpul akar bergerak menurun ke tingkat dalam yang berurutan, breadth-first search Bergerak dari simpul akar, simpul yang ada pada setiap tingkat diuji sebelum pindah ke tingkat selanjutnya, dan best-first search bekerja berdasarkan kombinasi dari kedua teknik tersebut. Sistem Manajemen Dialog. Sistem manajemen dialog merupakan komponen Model Sistem Manajemen Ahli – DETRIME dirancang untuk mempermudah interaksi antara pengguna dengan sistem manajemen ahli yang dibangun. Masukan dari para pengguna berupa data, variabel, dan hasil penilaian. Sedangkan keluaran yang dihasilkan sistem berupa nilai, pernyataan, parameter, atau tabel dan gambar yang dinilai mudah dipahami oleh para pengguna sebagai bahan pendukung dalam pengambilan keputusan. Penggunaan Aplikasi Model Sistem Manajemen Ahli - DETRIME Model Sistem Manajemen Ahli - DETRIME merupakan aplikasi program komputer sistem manajemen ahli yang berisikan gabungan dari program sistem penunjang keputusan decision support system - DSS untuk model deteksi dini keadaan krisis, dan program sistem pakar expert system - ES yang berisikan manajemen kontrol pengendalian perniagaan minyak goreng kelapa sawit. Model ini dirancang untuk membantu para pengguna dalam proses pengambilan keputusan pada pendugaan awal suatu situasi dimasa mendatang apakah akan terjadi keadaan krisis atau tidak, dikombinasikan dengan sistem yang dapat menentukan kebijakan sebagai langkah antisipasi untuk mengendalikan keadaan agar sistem perniagaan yang berjalan terhindar dari keadaan yang krisis atau. Setelah melalui serangkaian pemrograman model, penggunaan MODEL DETRIME dapat berjalan dengan baik apabila proses instalasi awal dilakukan secara benar kedalam perangkat keras. Dalam tahapan instalasi, program Model Sistem Manajemen Ahli - DETRIME dapat ditampilkan menggunakan shortcut di layar komputer. Halaman pertama MODEL DETRIME menampilkan dialog untuk akses ke aplikasi yang berisikan fungsi otorisasi bagi penggunaan lanjut aplikasi program, dengan menampilkan dialog jenis pengguna dan password-nya. Aplikasi Model Sistem Manajemen Ahli - DETRIME terdiri atas 4 sub-model utama, yaitu sub-model pemilihan variabel, sub-model peramalan harga, sub-model penentuan krisis, dan sub-model kebijakan. Masing-masing sub-model dapat diakses dengan cara meng-klik komponen yang sesuai dan ditempatkan pada bagian atas aplikasi model. Sub-model penentuan variabel dirancang untuk membantu para pengguna dalam melakukan analisis atau identifikasi elemen-elemen penentu yang membentuk terjadinya harga eceran dalam satu ’setting’ keadaan, misalnya pada periode krisis ekonomi. Keluaran dari model ini adalah berupa informasi variabel-variabel utama sebagai input model peramalan. Model ini dibangun menggunakan metoda pengambilan keputusan pendapat jamak dengan menggunakan teknik OWA untuk agregasinya. Sub-model peramalan harga dikembangkan untuk membantu para pengguna dalam melakukan prediksi harga eceran minyak goreng menggunakan representasi dari dari satu ’setting’ keadaan, dalam hal ini adalah keadaan krisis ekonomi yang berlangsung pada kurun waktu 1997-1998. Keluaran dari model ini adalah hasil peramalan harga eceran minyak goreng kelapa sawit untuk jangka waktu 3 bulan mendatang. Alat pemrosesan model ini adalah metoda Jaringan Syaraf Tiruan dengan teknik Jaringan Propagasi Balik Lapisan Jamak. Sub-model penentuan krisis dirancang untuk membantu para pengguna dalam menentukan rentang tingkat harga eceran minyak goreng yang dapat diterima oleh masyarakat dan industri. Keluaran dari model ini adalah penentuan apakah nilai harga yang dihasilkan oleh model peramalan harga berada pada rentang yang telah ditentukan. Apabila berada diatas atau bawah batas ambang, dikatagorikan sebagai keadaan krisis. Model ini dibangun menggunakan model heuristik, yang dilengkapi dengan ’jendela’ untuk pengisian parameter-parameter keadaan ekonomi terkini. Sub-model kebijakan dirancang sebagai sistem pakar untuk membantu para pengguna dalam menentukan strategi penanganan krisis sebagai bagian dari manajemen kontrol perniagaan minyak goreng kelapa sawit secara nasional. Selanjutnya, untuk mengakhiri aplikasi Model Sistem Manajemen Ahli - DETRIME digunakan tombol [X] yang berarti ‘close’ terletak di bagian kanan atas pada aplikasi model. VALIDASI DAN VERIFIKASI MODEL Pembahasan validasi dan verifikasi dimaksud merupakan rangkaian kegiatan dalam penyusunan model Tahap validasi dimaksudkan untuk memeriksa kesesuaian karakteristik model dengan sistem yang diwakilinya Susilo 1991; Eriyatno 2003. Sedangkan tahap verifikasi merupakan tahap pembuktian dari rancangan model yang dibangun Eriyatno 2003. Dalam tahapan ini ditentukan format rancangan model yang paling optimal sesuai dengan tujuan yang dikehendaki. Rancangan Model Sistem Deteksi Dini dan Manajemen Kontrol Perniagaan Kelapa Sawit tercakup dalam Model Sistem Manajemen Ahli - DETRIME, yang terdiri atas 4 sub-model utama, yaitu : 1 Sub-Model Pemilihan Variabel; 2 Sub- Model Peramalan Harga; 3 Sub-Model Penentuan Kritis; dan, 4 Sub-Model Manajemen Kontrol. Seluruh sub-model tersebut terintegrasi antara satu dengan yang lainnya Penentuan Variabel Identifikasi seluruh variabel pembentuk harga eceran minyak goreng kelapa sawit didasarkan atas kajian pustaka, survei lapangan, dan pendapat ahli, yang dilakukan melalui wawancarainterview. Variabel yang teridentikasi diharapkan dapat menggambarkan keadaan yang sesungguhnya real world dari faktor-faktor yang menjadi pembentuk harga ecaran minyak goreng kelapa sawit, khususnya pada saat keadaan krisis yang terjadi pada periode tahun 1997-1998. Variabel terpilih akan digunakan dalam tahap awal penggunaan model peramalan yaitu tahap pengenalan pola pattern recognition pada satu skenario keadaan setting environment yang ada. Berdasarkan hasil penelaahankajian pustaka, didapatkan 29 variabel yang teridentifikasi menjadi pembentuk harga eceran minyak goreng kelapa sawit. Berdasarkan hasil agregasi penilaian 4 orang pakar telah teridentifikasi 17 variabel. Variabel-variabel terpilih tersebut diambil untuk skala ST sangat tinggi dan T tinggi saja, sedangkan untuk variabel yang dibawah skala penilaian tersebut diabaikan. Tabel 18 Proses Penentuan Variabel Nama Variabel Koefisien Korelasi 2 berdasarkan agregasi pendapat pakar 1 berdasarkan penelitiankajian Jumlah penduduk kota Harga CPO dalam negeri 1. 1. 0,981 0,976 Jumlah penduduk desa Harga CPO internasional 2. 2. 0,972 Income perkapita total Nilai tukar Rupiah 3. 3. 0,969 Income perkapita kota Pajak CPO 4. 4. 0,968 Income perkapita desa Total prod. CPO dlm. negeri 5. 5. 0,968 Luas tanaman kelapa sawit Konsumsi CPO dunia 6. 6. 0,963 Total produksi CPO dlm. negeri Pasokan ekspor CPO dunia 7. 7. 0,962 Konsumsi CPO dlm. negeri Pasokan ekspor CPO Indonesia 8. 8. 0,960 Pajak CPO Psk. eksp. M Grg. Indonesia 9. 9. 0,959 Nilai tukar Rupiah Nilai eksp. M Grg. Indonesia 10 10 0,957 Harga CPO internasional Nilai imp. M Grg. Indonesia 11. 11. 0,956 Harga CPO dalam negeri Konsumsi M Grg dlm negeri 12. 12. 0,954 Harga Minyak Goreng Kelapa Dalam Negeri Konsumsi CPO dlm negeri 13. 13. 0,953 Harga Minyak Goreng Kedele Dalam Negeri Pasokan CPO dlm negeri 14. 14. 0,951 Konsumsi CPO dunia Kbth. Imp. CPO unt dlm negeri 15. 15. 0,948 Pasokan impor CPO dunia Total prod. M.Grg dlm. negeri 16. 16. 0,937 Pasokan ekspor CPO dunia Income perkapita total 17. 17. Pasokan CPO dalam negeri 18. Pasokan ekspor CPO Indonesia 19. Kbth. Imp. CPO unt dlm negeri 20. Total prod. M.Grg dlm. negeri 21. Konsumsi M. Grg dlm negeri 22. Pasokan eksp M. Grg Indonesia 23. Nilai Eksp M. Grg Indonesia 24. Nilai Imp. M.Grg Indonesia 25. Tingkat inflasi rata-rata 26. Harga BBM dalam negeri 27. Harga TDL industri 28. Tingkat suku bunga perbankan 29. Catatan : 1 Urutan nomor mengikuti urutan prioritas berdasarkan agregasi pakar dan koef. Korelasi 2 Dihitung terhadap variable output Variabel yang dipilih dan kemudian dilakukan uji korelasi untuk setiap variabel input terpilih terhadap variabel output harga eceran minyak goreng kelapa sawit. Dari hasil uji korelasi, terdapat 2 variabel yang tidak akan digunan berdasarkan hasil pemilihan pakar. Seluruh proses pemilihan variabel penentu pembentuk harga eceran minyak goreng kelapa sawit diuraikan dalam Tabel 18. Dalam penerapannya, variabel yang akan digunakan sebagai input bagi model peramalan, akan dipilih untuk variabel-variabel yang mempunyai koefisien korelasi diatas nilai 0,95. Peramalan Harga Model peramalan yang dibangun menggunakan metoda pendekatan Jaringan Syaraf Tiruan JST – Artificial Neural Network merupakan alat bantu case tool bagi para pengguna untuk memberikan keluaran hasil peramalan harga eceran minyak goreng kelapa sawit, dengan menggunakan variabel-variabel yang sudah ditentukan sebelumnya oleh para pakar. Model peramalan ini merupakan bagian penting dalam sistem deteksi dini yang ditujukan untuk memprediksi permasalahan minyak goreng yang akan timbul untuk beberapa waktu kedepan. Arsitektur JST. Dengan memperhatikan pola data yang ada, serta penelaahan berbagai putaka mengenai aplikasi model JST dalam berbagai macam keperluan, model JST yang akan digunakan untuk penelitian ini adalah JARINGAN PROPAGASI BALIK LAPISAN JAMAK Multi-Layer Back Propagation Network. Secara hipotesis, struktur JST Propagasi Balik Lapisan Jamak dapat dilihat pada Gambar 35. Proses JST merupakan hasil dari data histori yang dilatih untuk mendapatkan keluaran yang diinginkan. Dalam proses pelatihan, proses dilakukan secara berulang untuk memperoleh galat error yang diinginkan paling minimum, sejalan dengan proses pembelajaran tersebut dalam proses JST dilakukan proses pengujian testing dengan menggunakan pola data yang berbeda dan tidak digunakan secara berulang kali. Didalam penerapan model JST, data yang digunakan dibagi sesuai dengan kebutuhan tahapan pembelajaran dan pengujian. Pembagian ini dilakukan secara random sesuai dengan komposisi yang ditentukan. Dengan mengambil data bulanan untuk setiap variabel 15 variabel dari tahun 1989 sampai dengan tahun 2002, didapatkan 168 polapattern dimana 1 pola terdiri atas 15 data. Dari jumlah pola data tersebut, akan dibagi fraksi, yaitu pola data untuk proses pembelajaran training, dan untuk proses pengujian testing. Masukan Input Layer i Hidden Layer j Output Layer k Jaringan Propogasi Balik ....... ........ Keluaran Teacher Gambar 34 Arsitektur Propagasi Balik JST. Berdasarkan pola data yang ada, alur proses verifikasi model peramalan yang dikembangkan dalam penelitian ini dilakukan melalui beberapa pendekatan sebagai berikut : Pola data data pattern. Pola data yang digunakan untuk proses pembelajaran dan pengujian dibagi dalam 2 komposisi, yaitu : • 70 untuk proses pembelajaran 118 pola data, dan 30 untuk proses pengujian 50 pola data, • 80 untuk proses pembelajaran 135 pola data, dan 20 untuk proses pengujian 33 pola data, Input layer terdiri atas neuron yang berjumlah sama dengan variabel yang teridentifikasi sebagai pembentuk harga, yaitu 15 neuron, Hidden layer terdiri atas 21 neuron Skapura, 1996 . Penentuan slab di hidden layer dilakukan secara trial and error dimulai dengan hidden layer dengan slab tunggal 1 slab, sampai dengan hidden layer dibagi dalam 3 slab yang masing-masing terdiri atas 7 neuron dengan fungsi aktivasi yang berbeda untuk mendapatkan hasil yang maksimal, Output layer terdiri atas 3 neuron yang merepresentasikan hasil peramalan, yaitu : 1 peramalan harga minyak goreng selama 1 bulan ke depan; 2 peramalan harga minyak goreng selama 2 bulan ke depan; dan, 3 peramalan harga minyak goreng selama 3 bulan ke depan, Fungsi aktivasi. Fungsi aktivasi akan digunakan pada proses pencarian bobot di hidden dan output layer, melalui: • Fungsi aktivasi di hidden layer dilakukan secara trial and error, baik untuk 1 slab tunggal maupun untuk 3 slab. Fungsi aktivasi yang akan digunakan adalah fungsi Sigmoid Biner, fungsi Sigmoid Bipolar, fungsi Tanh, dan fungsi Gaussian. • Fungsi aktivasi di output layer dilakukan secara trial and error. Fungsi aktivasi yang digunakan di output layer adalah fungsi Sigmoid Biner, Fungsi Sigmoid Bipolar, fungsi Tanh, dan fungsi Gaussian. Berdasarkan Skapura 1996, perhitungan jumlah neuron di hidden layer digunakan formula: n h = ½ n i + n + √ n Pt , dimana : n h = jumlah neuron di hidden layer n i = jumlah neuron di input layer n = jumlah neuron di output layer n Pt = jumlah pola yang digunakan dalam proses pembelajaran training Normalisasi data . Dalam proses normalisasi data digunakan 3 rentang data data range untuk verifikasi, yaitu : rentang data -1,0, rentang data 0,1, dan rentang data -1,1. Rentang data tersebut digunakan untuk melihat penyebaran data yang ada dan cocok dengan model JST yang digunakan. Rentang data yang dipilihcocok tergantung dari sebaran data yang diberikan oleh input data yang dipakai dalam proses JST. Pola Pembelajaran . Metoda penentuan bobot menggunakan teknik pembelajaran terawasi Supervised Training yaitu suatu metoda penentuan bobot yang menggunakan sepasang kumpulan vektor, yaitu vektor pelatihan dan vektor target. Penentuan bobot didasarkan pada perbandingan antar vektor pelatihan dan target sampai output JST sesuai dengan targetnya Marimin, 2005. Metoda ini menggunakan Teacher Signal Output, yaitu nilai keluaran akan dijadikan acuan untuk mendapatkan nilai bobot yang diinginkan. Selanjutnya, Jaringan Propagasi Balik melakukan proses pembelajaran atau perbaikan bobot yang ada dengan mengacu pada Teacher Signal Ouput tersebut. Penerapan model JST dilakukan berdasarkan akurasi hasil peramalan yang diperoleh, dengan melihat nilai Mean Square Error MSE yang paling minimal serta nilai koefisien korelasi yang terbaik untuk proses pembelajaran dan pengujian. Secara hipotesis, struktur JST yang dibangun secara lengkap hidden layer terdiri atas 3 slab dapat dilihat dalam Gambar 35. Untuk mencari hasil peramalan yang paling maksimal sebagaimana yang diharapkan, proses verifikasi dilakukan berturut-turut atas dasar pola data, rentang data normalisasi, dan fungsi aktivasi hidden layer dan output layer. MSE minimum dan nilai korelasi terbesar untuk setiap output, yaitu peramalan harga eceran minyak goreng kelapa sawit untuk bulan ke-1, bulan ke-2, dan bulan ke-3, merupakan dasar bagi pemilihan struktur jaringan untuk keperluan pada tahap aplikasi rancangan model. 1 2 15 1 2 7 1 2 1 2 7 1 1 2 7 3 2 I J L K M N O X1 X2 Xi Xi=Oi Wji Wki Wli Ol Ok Oj Wmj Wmk Wml Wnj Wnk Wnl Woj Wok Wol Om On Oo Gambar 35 Diagram Hipotesis Struktur Jaringan. Simulasi Hasil pada Model Peramalan Simulasi proses JST sebagai peramalan dilakukan dengan membagi pola data untuk proses pembelajaran dan pengujian menjadi 2 bagian, yaitu pola data 7030 dan pola data 8020 untuk mendapatkan kinerja pembelajaran dan pengujian terbaik. Pola data pembelajaranpengujian 7030. Dengan menggunakan pola data 7030 dilakukan beberapa simulasi dengan menggunakan rentang data 0,1, -1,0, dan -1,1 untuk beberapa variasi dari 4 fungsi aktivasi yang telah ditentukan sebelumnya. Untuk rentang data 0,1, dari berbagai kombinasi fungsi aktivasi dapat dilakukan sebanyak 7 simulasi sebagaimana ditunjukan dalam Tabel 19. Tabel 19 Simulasi model untuk pola data 7030 dan rentang data 0,1 Bulan 1 Bulan 2 Bulan3 Fung Aktivasi MSE Pearson MSE Pearson MSE Pearson Hd Out Training Testing Training Testing Training Testing Training Testing Training Testing Training Testing Mix SBn 0,0074 0,0088 0,9448 0,8519 0,0086 0,0070 0,9362 0,8834 0,0100 0,0137 0,9279 0,8364 G SBn 0,0096 0,0493 0,9279 0,6357 0,0136 0,0566 0,8977 0,5878 0,0150 0,1506 0,8879 0,2097 G SBp 0,0169 0,1004 0,8774 0,1062 0,108 0,0410 0,9239 0,0523 0,0177 0,0854 0,8768 0,1042 SBn SBn 0,0012 0,0007 0,9916 0,9889 0,0019 0,0028 0,9867 0,9786 0,0018 0,0125 0,9874 0,9450 SBn SBp 0,0061 0,0403 0,9560 0,5611 0,0080 0,0243 0,9452 0,6942 0,0063 0,0030 0,9559 0,7318 SBp SBn 0,0009 0,0007 0,9933 0,9886 0,0017 0,0028 0,9884 0,9749 0,0021 0,0113 0,9855 0,9570 SBp SBp 0,0043 0,0140 0,9689 0,6831 0,0097 0,0337 0,9311 0,4829 0,0077 0,0302 0,9460 0,5617 Catatan : Mix = kombinasi fungsi Sigmoid Biner, Gauss, dan Tanh. G = fungsi Gauss SBn = fungsi Sigmoid Biner SBp = fungsi Sigmoid Bipolar Secara hipotesis, bahwa proses pembobotan di hidden layer yang dibagi dalam 3 slab dan masing-masing mempunyai fungsi aktivasi yang berbeda diharapkan akan memberikan hasil peramalan yang paling optimal ternyata tidak terbukti. Dari hasil pengujian statistik pada setiap simulasi untuk rentang data 0,1, MSE terkecil dan koefisien korelasi terbesar didapatkan pada pengujian untuk fungsi aktivasi sigmoid biner di hidden layer dengan slab tunggal dan output layer, walaupun terdapat kecenderungan MSE yang meningkat, dan koefisien korelasi yang menurun pada peramalan harga pada bulan ke-3. Untuk rentang data -1,0, dari berbagai kombinasi fungsi aktivasi hanya dapat dilakukan sebanyak 3 simulasi sebagaimana ditunjukan dalam Tabel 20, sedangkan skenario pengujian fungsi aktivasi lainnya tidak dapat ditampilkan karena program yang dibangun tidak dapat menampilkannya. Tabel 20 Simulasi model untuk pola data 7030 dan rentang data -1,0 Bulan 1 Bulan 2 Bulan3 Fung Aktivasi MSE Pearson MSE Pearson MSE Pearson Hd Out Training Testing Training Testing Training Testing Training Testing Training Testing Training Testing G SBp 0,0145 0,0529 0,8923 0,0038 0,0136 0,0179 0,9036 0,8425 0,0132 0,0539 0,9080 0,3707 SBn SBp 0,0081 0,0143 0,9394 0,8325 0,0117 0,0146 0,9125 0,8358 0,0107 0,0253 0,9212 0,7981 SBp SBp 0,0010 0,0028 0,9927 0,9418 0,0018 0,0057 0,9869 0,8967 0,0025 0,0089 0,9822 0,9238 Catatan : G = fungsi Gauss SBn = fungsi Sigmoid Biner SBp = fungsi Sigmoid Bipolar Dengan memperhatikan hasil pengujian statistik pada rentang data -1,0, dari hasil MSE dan koefisien korelasi didapatkan bahwa pengujian menggunakan funsi aktivasi sigmoid bipolar di hidden layer dengan slab tunggal dan output layer memberikan hasil yang paling baik, walaupun secara statistik masih dibawah kinerja performance terbaik pada rentang data 0,1, Untuk rentang data -1,1, dari berbagai kombinasi fungsi aktivasi dapat dilakukan sebanyak 4 simulasi sebagaimana ditunjukan dalam Tabel 21, Seperti halnya pada rentang data -1,0, untuk rentang data -1,1 didapatkan hasil pengujian statistik terbaik untuk kombinasi fungsi aktivasi sigmoid bipolar di hidden layer slab tunggal dan di output layer, Hipotesa awal yang mengharapkan rentang data terpanjang -1,1 memberikan hasil paling baik juga tidak terbukti, mengingat kinerja funsi-fungsi aktivasi yang dapat dijalankan pada rentang data -1,1 masih dibawah kinerja pengujian dari fungsi-fungsi aktivasi di hidden dan output layer pada rentang data 0,1, Tabel 21 Simulasi model untuk pola data 7030 dan rentang data -1,1 Bulan 1 Bulan 2 Bulan3 Fung Aktivasi MSE Pearson MSE Pearson MSE Pearson Hd Out Training Testing Training Testing Training Testing Training Testing Training Testing Training Testing G SBn 0,4838 0,2819 0,6102 0,1632 0,1912 0,2848 0,5386 0,3309 0,4889 0,2918 0,5947 0,4062 SBn SBn 0,4754 0,2563 0,7290 0,7213 0,4802 0,2482 0,6952 0,6958 0,4764 0,2580 0,6971 0,6401 SBn SBp 0,0248 0,0951 0,9552 0,6770 0,0320 0,0624 0,9420 0,7833 0,0342 0,0926 0,9400 0,6924 SBp SBp 0,0064 0,0059 0,9883 0,9757 0,0124 0,0212 0,9779 0,9282 0,0156 0,0500 0,9722 0,9270 Catatan : G = fungsi Gauss SBn = fungsi Sigmoid Biner SBp = fungsi Sigmoid Bipolar Pola data pembelajaranpengujian 8020, Sebagaimana pada proses sebelumnya, dengan menggunakan pola data 8020 dilakukan beberapa simulasi proses pembelajaran dan pengujian dengan menggunakan rentang data 0,1, -1,0, dan -1,1 untuk beberapa variasi dari 4 fungsi aktivasi yang telah ditentukan, Untuk rentang data 0,1, dari berbagai kombinasi fungsi aktivasi dapat dilakukan sebanyak 4 simulasi sebagaimana ditunjukan dalam Tabel 22, Tabel 22 Simulasi model untuk pola data 8020 dan rentang data 0,1 Bulan 1 Bulan 2 Bulan3 Fung Aktivasi MSE Pearson MSE Pearson MSE Pearson Hd Out Training Testing Training Testing Training Testing Training Testing Training Testing Training Testing G SBn 0,0115 0,0533 0,9118 0,7929 0,0118 0,0571 0,9123 0,7818 0,0114 0,0554 0,9165 0,7325 Mix SBn 0,0115 0,0120 0,9109 0,8615 0,0160 0,0099 0,8737 0,8973 0,0133 0,0079 0,8985 0,8411 SBn SBn 0,0015 0,0026 0,9883 0,9889 0,0022 0,0031 0,9841 0,9578 0,0021 0,0032 0,9848 0,9169 SBp SBn 0,0015 0,0020 0,9888 0,9856 0,0028 0,0029 0,9797 0,9514 0,0036 0,0035 0,9744 0,9099 Catatan : Mix = kombinasi fungsi Sigmoid Biner, Gauss, dan Tanh, G = fungsi Gauss SBn = fungsi Sigmoid Biner SBp = fungsi Sigmoid Bipolar Dari berbagai kombinasi fungsi aktivasi yang digunakan pada rentang data 0,1, kombinasi fungsi sigmoid biner pada hidden layer dan ouput layer menunjukan kinerja yang tinggi dibandingakan dengan fungsi-fungsi lainnya, Jika dibandingkan dengan kinerja statistik fungsi aktivasi sigmoid biner pada rentang data yang sama untuk pola data 7030, kinerja statistik fungsi ini pada rentang data 0,1 pada pola data 8020 menunjukan masih lebih baik terutama pada hasil statistik yang ditunjukan pada hasil peramalan untuk bulan ke-2 dan bulan ke-3, Pada pola data 8020 ini juga ditunjukan bahwa hipotesis yang mengharapkan kombinasi fungsi aktivasi pada hidden layer yang terdiri atas 3 slab akan memberikan hasil yang terbaik juga tidak terbukti, Hasil pengujian statistik untuk kombinasi 3 fungsi aktivasi pada 3 slab yang berbeda sigmoid biner, Gauss, dan Tanh pada hidden layer dan output layer masih lebih rendah dibandingkan hasil pengujian untuk fungsi aktivasi pada slab tunggal sigmoid biner pada rentang data 0,1, Untuk rentang data -1,0, dari berbagai kombinasi fungsi aktivasi hanya dapat dilakukan sebanyak 1 simulasi sebagaimana ditunjukan dalam Tabel 23, sedangkan fungsi-fungsi aktivasi lainnya tidak dapat ditampilkan oleh program, Tabel 23 Simulasi model untuk pola data 8020 dan rentang data -1,0 Bulan 1 Bulan 2 Bulan3 Fung Aktivasi MSE Pearson MSE Pearson MSE Pearson Hd Out Training Testing Training Testing Training Testing Training Testing Training Testing Training Testing Mix SBp 0,0084 0,0094 0,9351 0,9025 0,0128 0,0161 0,9005 0,7839 0,0128 0,0208 0,9023 0,7109 Catatan : Mix = kombinasi fungsi Sigmoid Biner, Gauss, dan Tanh, SBp = fungsi Sigmoid Bipolar Hasil statistik yang dihasilkan oleh kombinasi fungsi aktivasi pada hidden layer dan fungsi aktivasi sigmoid bipolar pada output layer tidak menunjukan hasil yang baik bila dibandingkan dengan hasil pengujian untuk fungsi aktivasi yang sama pada pola data dan rentang data yang lainnya, Hasil yang didapatkan kurang memenuhi persyaratan yang diinginkan, khususnya pada koefisien korelasi yang didapatkan untuk hasil peramalan pada bulan ke-3, Untuk rentang data -1,1, dari berbagai kombinasi fungsi aktivasi dapat dilakukan sebanyak 2 simulasi sebagaimana ditunjukan dalam Tabel 24, Tabel 24 Simulasi model untuk pola data 8020 dan rentang data -1,1 Bulan 1 Bulan 2 Bulan3 Fung Aktivasi MSE Pearson MSE Pearson MSE Pearson Hd Out Training Testing Training Testing Training Testing Training Testing Training Testing Training Testing Mix SBp 0,0084 0,0094 0,9351 0,9025 0,0128 0,0161 0,9005 0,7839 0,0128 0,0208 0,9023 0,7109 SBn SBp 0,0245 0,0728 0,9529 0,6155 0,0330 0,0985 0,9379 0,3367 0,0255 0,0759 0,9533 0,3615 SBp SBn 0,4998 0,1352 0,7250 0,7808 0,4977 0,1336 0,6891 0,7636 0,4956 0,1338 0,6433 0,7829 Catatan : Mix = kombinasi fungsi Sigmoid Biner, Gauss, dan Tanh, SBn = fungsi Sigmoid Biner SBp = fungsi Sigmoid Bipolar Sebagaimana pada pola data 7030, asumsi rentang data -1,1 akan memberikan hasil terbaik tidak dapat dibuktikan kembali, dari beberapa kombinasi fungsi aktivasi pada rentang data ini hasil pengujian statistik yang didapatkan masih sangat jauh dari memenuhi dibandingkan dengan pengujian pada rentang data yang lainnya, Penentuan Keadaan Krisis Proses penentuan keadaan kritis dilakukan menggunakan model heuristik yang ditujukan untuk menentukan rentang batas ambang harga minyak goreng kelapa sawit yang dapat diterima oleh pihak konsumen masyarakat, dan pihak industri agar dapat tetap dapat beroperasi, Dalam menentukan batas ambang atas maksimum yang ditujukan untuk mengukur tingkat batas kemampuan maksimum konsumen mengkonsumsi minyak goreng dalam bulan tertentu dilakukan dengan cara menghitung berdasarkan parameter-parameter pendapatan perkapita, tingkat inflasi rata-rata, angka per- tumbuhan ekonomi, dan tingkat konsumsi rata-rata bulanan pembelian minyak goreng untuk masing-masing bulan yang besangkutan, Sedangkan untuk penentuan batas ambang bawah, penentuan batas kemempuan industri minyak goreng masih dapat beroperasi, diukur dari marginal profit Industri, Parameter yang dibutuhkan adalah harga CPO dalam negeri, Untuk mempermudah para pengguna, pada sub-model penentuan kritis dirancang fasilitas dialog yang digunakan untuk memasukan parameter-parameter input untuk menentukan batas ambang atas dan batas ambang bawah yang dimaksud, Dengan demikian, nilai batas ambang atas dan bawah untuk prediksi 3 bulan kedepan diharapkan dapat lebih akurat, dan parameter-parameter tersebut dapat diubah sesuai dengan perkembangan keadaan yang terkini, Manajemen Pengendalian Krisis Sub-Model Manajemen pengendalian krisis dirancang dalam suatu sistem pakar, sistem ini dirancang dengan menggunakan fasilitas dialog yang merupakan alat konsultasidialog yang berfungsi sebagai sarana interaksi antar pengguna dalam menentukan kebijakan pengendalian krisis, Sistem pakar akan menampilkan kotak dialog yang meruapan tahapan diskusi yang berupa pertanyaan-pertanyaan dan nilai parameter yang haris dijawab oleh para pengguna, Keluaran sistem pakar ini berupa solusipemecahan masalah Sistem pakar ini dirancang melalui pengorganisasian pengetahuan yang menggunakan sumber pengetahuan dari para pakar pakar perdagangan internasional, pakar perdagangan dalam negeri, pakar perindustrian, dan peneliti dalam bidang kelapa sawit, serta studi pustaka, Sistem pakar disusun secara 2 tahap, tahap pertama meyusun solusi penanganan kritis, dan kedua melakukan penyusunan langkah tindakanpenanganan kebijakan, Dalam tahapan penyusunan solusi penanganan krisis yang dilakukan oleh para pakar pada mingggu ke-2 bulan Mei 2006 bertempat di Departemen Perindustrian – Jakarta, terjadi perdebatan yang cukup panjang mengenai makna strata setiap kotak pada lajur mendatar dampak, dan kolom kebawah kepentingan, Dari hasil diskusi yang dilakukan, disepakati untuk memodifikasi Matriks Perihal menurut Eriyatno 2001, Berdasarkan Keeney at all 1998 mengenai orientasi pemikiran yang memberikan nilai tambah Value-Focused Thinking dimana orientasi utama dari suatu keputusan didasarkan atas nilai value dari keputusan pertama yang diambil, kemudian baru disusun alternatif solusi untuk pencapaian tujuan yang sama. Dari hasil diskusi tersebut, dalam melakukan modifikasi matriks perihal para pakar menyepakati beberapa ketentuan sebagai berikut : 1 Dampak lajur mendatar. Strata penilaian solusi terhadap dampak diukur berdasarkan atas dampak sosial dan ekonomi yang ditimbulkan kepada masyarakat, Makin tinggi klasifikasi yang diberikan, maka makin tinggi resiko dampak yang akan diberikan kepada masyarakat, Dengan demikian, orientasi dari penilaian dampak ini adalah bagaimana dapat me-minimumkan how to minimize dampak sosial dan ekonomi suatu solusi kebijakan terhadap masyarakat, 2 Kepentingan kolom menurun. Strata penilaian terhadap kepentingan diukur berdasarkan atas manfaat yang dapat diterima masyarakat akibat dari satu kebijakan, Makin mendesak tingkat kepentingan yang di identifikasi, makin besar manfaat yang dapat diterima oleh masyarakat, Orientasi penilaian kepentingan adalah bagaimana memaksimumkan how to maximize manfaat yang diperoleh masyarakat dari suatu kebijakan yang diambil pemerintah, Dengan demikian, modifikasi posisi tindakan segera yang semula berada pada posisi mendesak, tinggi berubah menjadi posisi mendesak, rendah, Matriks perihal g1ini akan digunakan sebagai penentuan strategisolusi manajemen kritis perniagaan minyak goreng kelapa sawit secara nasional, Langkah selanjutnya adalah menentukan tingkat kepentinganmanfaat dan dampak sosial-ekonomi yang berada pada lajur mendatar dan kolom menurun tersebut, Untuk penentuan ini dibutuhkan parameter-parameter yang dapat dijadikan ukuran intensitas, yaitu seberapa besar dampak dan manfaat yang akan diterima masyarakat akibat munculnya satu kebijakan diukur sebagai berikut :

A. Ukuran Dampak :

1 Dampak terhadap ketergantungan CPO dalam negeri 2 Dampak terhadap efisiensi dan sistem produksi industri minyak goreng nasional 3 Dampak terhadap harga minyak goreng dalam dan luar negeri 4 Dampak terhadap iklim investasi, perekonomian, dan sosial- politik nasional 5 Dampak terhadap sistem distribusi, pemasaran, dan keamanan pasokan minyak goreng

B. Ukuran Manfaat :

1 Manfaat terhadap ketergantungan CPO dalam negeri 2 Manfaat terhadap efisiensi dan sistem produksi industri minyak goreng nasional 3 Manfaat terhadap harga minyak goreng dalam dan luar negeri 4 Manfaat terhadap iklim investasi, perekonomian, dan sosial- politik nasional 5 Manfaat terhadap sistem distribusi, pemasaran, dan keamanan pasokan minyak goreng Masing-masing dampak dan manfaat dibagi dalam 3 tingkat penilaian, Untuk ukuran dampak yang ditimbulkan, tingkat penilaian tersebut adalah : Rendah, Sedang, dan Tinggi, Sedangkan untuk tingkat kepentinganmanfaat kebijakan pada masyarakat tingkat penilaiannya adalah : Rendah, Ada, dan Mendesak, Dengan melakukan serangkaian diskusi, para pakar kemudian menentukan kebijakan atau strategi penanggulangan masalah untuk setiap kotak permasalahan sebagaimana dalam matriks perihal, Berdasarkan diskusi tersebut, tindakan ’mendesak’ dengan resiko rendah yang disarankan pakar pada keadaan krisis adalah pengaturan pajak ekspor yang merupakan instrumen pemerintah secara langsung menyentuh sektor usaha. Sedangkan solusi tindakan yang mempunyai kepentingan terendah dan berdampak rendah masyarakat adalah penelitian dan pengembangan research and development alternatif minyak goreng kelapa sawit yang layak dari aspek harga dan mutu, Secara singkat strategisolusi penanganan krisis untuk perniagaan minyak goreng kelapa sawit dapat ditunjukan dalam Tabel 25, Tabel 25 Matriks Perihal Solusi Krisis DAMPAK KEPENTINGAN MANFAAT Rendah Cukup Tinggi Penelitian dan Pengembangan Alternatif Substitusi CPO yang Layak Penataan Kelembagaan Distribusi Minyak Goreng Kampanye Hemat Penggunaan Minyak Goreng Rendah Penataan Kelembagaan Distribusi Minyak Goreng Pengawasan Stok CPO untuk Kebutuhan Dalam Negeri Penyediaan Subsidi Harga Minyak Goreng Ada 1. Operasi Pasar 1. Insentif Investasi Industri Minyak Goreng 2. Pengawasan Stok buffer stock policy Minyak Goreng Nasional Pengaturan Pajak Ekspor CPO Mendesak 2. Inovasi Teknolo- gi Produksi Sumber : Hasil Focus Group of Discussion para Pakar,