Perhitungan jarak antara solusi ideal dengan alternatif Nilai D
Jarak Solusi Ideal Positif dengan Alternatif Ai D+ :
Jarak Solusi Ideal Negatif dengan Alternatif Ai D- :
Perhitungan nilai preferensi untuk setiap alternatif Vi
Pemilihan pemasok beras berdasarkan nilai preferensi tertinggi Vi dari masing-masing alternatif pemasok beras.
Selesai Selesai
A
2 1
ij n
j i
i
y y
D
∑
= +
+
− =
; i = 1,2,…,m
2 1
∑
= −
−
− =
n j
i ij
i
y y
D
; i = 1,2,…,m
+ −
−
+ =
i i
i i
D D
D V
; i = 1,2,…,m
Gambar 28. Bagan Alir TOPSIS Untuk Pemilihan Pemasok Beras.
Mulai
Pilih titik pelanggan terdekat dari depot pasar induk beras cipinang
Jadikan sebagai titik pemberhentian berikutnya
Hitung jarak tempuh untuk rute yang telah dihasilkan
Periksa, apakah semua pelanggan
sudah masuk rute ?
A Melakukan pencarian rute untuk
setiap kendaraan yang melakukan pengiriman beras
Tidak
Ya Menentukan lokasi pelanggan
beras dengan bantuan google map
Masukkan jarak antar pelanggan beras
A
Acak bilangan p 0 p 1
Acceptance Criterion, dengan menghitung P
P = e
- ∆LT
Solusi terbaik ; lihat jarak rute terpendek
Jika Lo ≤ Lx ;
solusi terpilih = solusi awal P p ?
Tn Tf Iterasi selesai
Lx La ?
Tentukan sebagai rute baru Tn Tf
Simpan sebagai rute dengan jarak terpendek
Ya Tidak
Tidak Tidak
Tidak Ya
Selesai Tentukan sebagai solusi awal
yang telah terbentuk dan jaraknya La ke dalam iterasi
Tentukan To= 100, R=0,99 dan T akhir = 0
Tentukan dua angka acak untuk penukaran posisi
pelanggan pada rute
Tentukan sebagai current solution metode or-opt
Hitung selisih jarak rute baru dan rute awal
∆L = La-Lx
Ya Ya
Tukar posisi titik pelanggan yang terpilih tersebut
Gambar 29. Bagan Alir Vehicle Routing Problem Dengan Simulated Annealing Untuk Distribusi dan Transportasi Beras.
Mulai
Input Data Linguistik : Subsistem 1 : Prakiraan Pasokan
dan Harga Beras Subsistem 2 : Pemilihan Pemasok
Subsistem 3 : Distribusi serta Transportasi
Fuzzifikasi
Sistem Inferensi Fuzzy Mamdani Aturan If Then
Defuzzifikasi
Output Data Linguistik : Kinerja Rantai Pasokan Beras
DKI Jakarta
Selesai
Gambar 30. Bagan Alir Fuzzy Inference System Untuk Pengukuran Kinerja Rantai Pasokan Beras di Propinsi DKI Jakarta.
3.3 Pengumpulan dan Metode Analisis Data
Data yang dikumpulkan pada penelitian ini, mencakup data untuk subsistem pertama yaitu prakiraan pasokan beras dan prakiraan harga beras, untuk
subsistem ke dua yaitu pemilihan pemasok beras dan untuk subsistem ke tiga yaitu distribusi serta transportasi beras. Untuk subsistem pertama, data yang
dikumpulkan diperoleh dari data sekunder yaitu data yang diperoleh dari pusat induk beras Cipinang PIBC, data tersebut berupa data realisasi pengeluaran
beras dari PIBC ke pasar-pasar wilayah DKI Jakarta, luar kota dan antar pulau. Untuk subsistem ke dua, data yang dikumpulkan berupa data yang terkait dengan
kriteria untuk pemilihan pemasok beras seperti harga, mutu beras serta waktu pengantaran sampai tiba di PIBC . Data ini dapat diperoleh baik dari data primer
maupun data sekunder. Untuk subsistem ke tiga, data yang dikumpulkan berupa data yang terkait dengan jumlah armada yang dipergunakan untuk pengantaran
beras dan rute perjalanan armada tersebut dalam mengantarkan beras yang diminta oleh pasar-pasar di wilayah DKI Jakarta. Data untuk subsistem ke tiga
tersebut diperoleh dari data primer maupun data sekunder. Untuk mengukur kinerja rantai pasokan beras di DKI Jakarta, data yang
diperlukan selain keluaran dari ke tiga subsistem ini, diperlukan pula data atau masukan dari pakar yang dipergunakan untuk mendapatkan aturan Jika-Maka If-
Then Rule. Pakar yang diminta masukan untuk pengukuran kinerja rantai pasokan ini berasal dari pihak akademisi dan pihak praktisi.
Metode analisis data yang dilaksanakan disesuaikan dengan kebutuhan untuk masing-masing subsistem. Metode analisis untuk subsistem pertama yaitu
prakiraan pasokan dan harga beras digunakan metode jaringan syaraf tiruan JST. Untuk subsistem ke dua yaitu pemilihan pemasok beras digunakan metode
TOPSIS. Untuk subsistem ke tiga yaitu distribusi serta transportasi beras dipergunakan metode Simulated Annealing, sedangkan untuk mengukur kinerja
pada rantai pasokan beras digunakan metode Fuzzy Inference System. Tabel 15 menunjukkan hubungan antara model penelitian, data yang diperlukan, jenis data,
sumber data dan metode analisis data yang dipergunakan pada penelitian ini.
Tabel 15. Model Penelitian, Jenis Data, Sumber Data dan Metode Analisis Data
No Model Penelitian
Data Yang Diperlukan
Jenis Data Sumber
Data Metode
Analisis 1.
Subsistem Pertama Model Prakiraan
Pasokan dan Harga Beras
Data pasokan beras dari PIBC ke DKI
Jakarta Data harga beras
varietas IR64 III dan Muncul III
Dari tahun 2009 - 2010
primer PT. FSTJ
Neural Network
2. Subsistem Ke Dua
Model Pemilihan Pemasok Beras
Data alternatif pemasok beras
Data kriteria perberasan
primer dan sekunder
PT. FSTJ dan PIBC
TOPSIS
3. Subsistem Ke Tiga
Model Distribusi dan Transportasi Beras
Data pasar distributor beras di
DKI Jakarta Data jarak antar
pasar distributor beras
Data order hari, tanggal,
jumlah, waktu bongkar muat.
Data jumlah dan kapasitas kendaraan
primer dan sekunder
PT. FSTJ dan PIBC
Simulated Annealing
4. Subsistem Ke Empat
Model Kinerja Rantai Pasokan Beras
Aturan Jika - Maka primer
Pakar Akademisi
dan Praktisi
Fuzzy Inference
System.
3.4 Konfigurasi Model IDSS pada SCM beras
Konfigurasi model IDSS pada penelitian ini memuat SMBM Sistem Manajemen Basis Data, SMBD Sistem Manajemen Basis Model, sistem
pengolahan problematik dan sistem pengolahan dialog. Data yang terdapat pada SMBD adalah data yang tercakup dalam empat subsistem terdahulu yaitu data
dari subsistem prakiraan pasokan dan harga beras, data dari subsistem pemilihan pemasok beras dan data dari subsistem distribusi dan transportasi beras.
Demikian pula, model yang terdapat pada SMBM adalah model dari ke empat subsistem di atas. Konfigurasi model IDSS yang diterapkan pada SCM
beras untuk provinsi DKI Jakarta tersebut secara sederhana dapat dilihat pada Gambar 31.
Gambar 31. Konfigurasi Model IDSS Pada SCM Beras Untuk DKI Jakarta
Menurut Druzdzel dan Flynn 2002 sebuah SMBD berfungsi sebagai bank data untuk DSS. SMBD memiliki sejumlah data yang sesuai dengan
perancangan DSS dan menyediakan struktur data yang logis dengan pengguna. Sedangkan SMBM bertujuan untuk mengubah data dari SMBD menjadi informasi
yang berguna dalam pengambilan keputusan. Karena banyak masalah dalam DSS yang mungkin tidak terstruktur, dengan demikian SMBM juga harus mampu
membantu pengguna dalam membangun model sehingga lebih terstruktur. Sementara itu sistem pengolahan dialog berfungsi sebagai antar-muka intuitif dan
mudah digunakan user friendly sehingga sistem pengolahan dialog ini mampu membantu pengguna sistem untuk memanfaatkan DSS tersebut lebih optimal.
Sementara menurut NFES 2006, secara umum komponen sistem pendukung keputusan meliputi data yang bermutu, perangkat keras hardware,
perangkat lunak software dan proses pengelolaan data, yang terdiri dari : 1. Pengumpulan data
2. Perangkat keras, jaringan dan sistem operasi 3. Sumber data yang dapat dipertanggungjawabkan
4. Proses ekstraksi, transformasi , dan unduh data
extract, transform, and load process 5. Gudang data data warehouse atau pengumpul data data aggregator
6. Analisis dan alat pelaporan serta 7. Pengguna
BAB IV. RANCANG BANGUN MODEL PENELITIAN
Bab ini membahas rancang bangun model dari sistem penunjang keputusan cerdas untuk sistem rantai pasokan beras di provinsi DKI Jakarta.
Rancang bangun model dari penelitian tersebut mencakup empat subsistem sebagai berikut :
1. Subsistem prakiraan pasokan dan harga beras 2. Subsistem pemilihan pemasok beras
3. Subsistem distribusi dan transportasi beras 4. Subsistem kinerja rantai pasokan beras.
Tujuan dari penelitian ini adalah untuk menghasilkan rancang bangun model sistem pendukung keputusan cerdas dari rantai pasokan beras di provinsi
DKI Jakarta yang efektif dan efisien. Seperti telah dijelaskan pada Bab I, rancangan model dianggap efektif apabila model dapat menjadi alternatif
pertimbangan dari para pelaku perberasan di PIBC untuk dapat dimanfaatkan sebagai alat bantu pengambilan keputusan. Walaupun menurut Kelvin 2011
ukuran kinerja sangat diperlukan untuk mengelola suatu aktifitas, tetapi menurut Bullock 2006, saat ini tidak ada kerangka formal untuk menentukan ukuran
efektifitas suatu kinerja, namun suatu umpan balik feedback sangat diperlukan untuk mengukur efektifitas tersebut.
Berdasarkan Kelvin 2011 dan Bullock 2006 di atas, di bawah ini dijelaskan satu batasan untuk menyatakan model yang dihasilkan pada penelitian
ini dianggap efektif, yaitu apabila menurut para pakar nilai manfaat dari model tersebut lebih besar dari nilai rata-rata nya. Untuk mendukung formalisasi batasan
tersebut, para pakar diminta memberikan nilai rata-rata manfaat sebagai umpan balik terhadap model-model yang dihasilkan pada penelitian ini. Pakar memberi
nilai lima apabila model dianggap sangat bermanfaat, nilai empat apabila model dianggap bermanfaat, nilai tiga apabila model dianggap cukup bermanfaat, nilai
dua apabila model dianggap tidak bermanfaat dan nilai satu apabila model dianggap sangat tidak bermanfaat. Melalui batasan di atas, maka model dalam
penelitian ini dianggap efektif apabila nilai rata-rata manfaat dari para pakar lebih
besar dari tiga dan dianggap tidak efektif apabila nilai rata-rata manfaat dari model yang dihasilkan kurang dari tiga.
Dengan demikian definisi model dianggap efektif apabila model memenuhi aturan berikut :
dengan =
dan : nilai rata-rata manfaat dari model subsistem ke .
: nilai manfaat menurut pakar ke untuk model subsistem ke . = 1, 2, …, m dan = 1,2, …, n
Melalui definisi tersebut, selanjutnya apabila model dianggap efektif maka model dapat menjadi alternatif untuk dipertimbangkan sebagai alat bantu
pengambilan keputusan oleh para pelaku usaha dalam rantai pasokan perberasan di provinsi DKI Jakarta. Demikian pula, rancangan model didefinisikan efisien
apabila model dapat menunjukkan hasil yang lebih cepat dari segi waktu, lebih murah dari segi biaya, lebih sedikit dari penggunaan aset dan model lebih mudah
dijelaskan secara rasional kepada masyarakat umum.
4.1 Subsistem Prakiraan Pasokan dan Harga Beras
Pada subsistem ini, model dikembangkan dengan menggunakan metode Jaringan Syaraf Tiruan JST untuk memperkirakan pasokan beras dan harga
beras. Tujuan subsistem prakiraan pasokan dan prakiraan harga beras pada penelitian ini adalah menghasilkan program komputasi dengan ciri-ciri berikut :
1. Digunakan untuk memperkirakan jumlah pasokan beras dari PIBC ke berbagai wilayah di propinsi DKI Jakarta.
2. Digunakan untuk memperkirakan harga beras jenis Muncul III dan IR 64 III di pasar induk beras Cipinang PIBC Jakarta.
3. Digunakan sebagai suatu sistem peringatan dini dalam mengantisipasi pasokan dan harga beras yang tidak dikehendaki. Pasokan dan harga beras yang tidak
dikehendaki adalah pasokan dan harga beras yang dapat menimbulkan kepanikan pasar. Hal ini dapat terjadi apabila pasokan kurang dari kebutuhan
atau harga melonjak dari harga beras normal. Tahapan perancangan jaringan syaraf tiruan untuk prakiraan pasokan dan
harga beras dapat dilihat pada Gambar 32. Langkah awal adalah membuat arsitektur jaringan syaraf tiruan, dilanjutkan dengan pencarian data dan penentuan
data input. Ketepatan dalam penentuan input menentukan ketepatan hasil prediksi. Data yang digunakan adalah data sekunder mengenai pasokan dan harga beras
yang diperoleh dari pasar induk beras Cipinang PIBC Jakarta dimulai dari Januari 2009 sampai dengan Juli 2010. Data awal adalah data harian, tetapi dalam
penelitian ini data dikelompokan setiap minggu, sehingga diperoleh data sebanyak delapan puluh satu minggu.
Mulai Arsitektur JST untuk
prakiraan pasokan dan harga Beras
Pelatihan JST
Tidak
Pengujian JST
Ya
Sesuai
Tidak
Data Pelatihan
Data Pengujian Output:
MSE, Epoch, R Sesuai
JST Terbaik
Ya
Input: Data mingguan
4 minggu terakhir
Selesai
Output: Hasil prediksi pasokan
harga beras 2 minggu ke depan
Peringatan Dini
Data kebutuhan beras penduduk
Data rata-rata harga beras
Fungsi aktivasi Algoritma pelatihan
Momentum Hidden neuron, Error
Gambar 32. Tahapan Perancangan Jaringan Syaraf Tiruan Untuk Prakiraan serta Peringatan Dini Dari Pasokan dan Harga Beras.