Kerangka Pemikiran Konseptual Penelitian Bagan Alir Dari Metode Yang Digunakan Dalam Penelitian

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.