Untuk kasus di provinsi DKI Jakarta, ukuran kinerja rantai pasokan perberasan dipengaruh oleh tiga subsistem yaitu subsistem prakiraan pasokan dan
harga beras, subsistem pemilihan pemasok beras serta dipengaruhi oleh subsistem distribusi dan transportasi beras. Hubungan tersebut dapat dinyatakan sebagai
K = dan K =
dengan K : nilai manfaat kinerja rantai pasokan beras
: nilai rata-rata manfaat dari model subsistem ke-i : nilai rata-rata bobot dari model subsistem ke-i
Dengan = ,
= 1,2,3 = 1, 2, 3.
: nilai bobot menurut pakar ke untuk model subsistem ke
BAB V. HASIL DAN PEMBAHASAN MODEL PENELITIAN
Model yang dihasilkan adalah 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, metode simulated
annealing dan metode fuzzy inference system FIS, sedangkan metode analitik yang dipergunakan adalah metode technique for order preference by similarity to
ideal solution TOPSIS. Model dari penelitian tersebut mencakup empat subsistem yaitu subsistem prakiraan pasokan dan harga beras, subsistem
pemilihan pemasok beras, subsistem distribusi dan transportasi beras dan subsistem kinerja rantai pasokan beras.
Model subsistem pertama dapat dilihat pada Gambar 40, yaitu model prakiraan pasokan dan harga beras yang dikembangkan dengan menggunakan
metode JST backpropagation. Arsitektur JST yang dihasilkan terdiri dari empat neuron pada input layer, delapan neuron pada hidden layer dan dua neuron pada
output layer dengan parameter pendukung lain yang telah dijelaskan pada Bab IV. Input untuk model tersebut adalah data harian pasokan beras dan data harian harga
dua varietas beras yaitu IR64III dan MunculIII.
Gambar 40. Model Prakiraan Harga Beras dan Pasokan Beras
Data pasokan beras adalah data pasokan beras mingguan untuk pasokan beras ke wilayah DKI Jakarta melalui pasar induk beras Cipinang PIBC. Data
harga IR64III dan MunculIII diperoleh dari database PT. Food Station Tjipinang Jaya 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 rawan. Demikian pula dengan hasil prakiraan dari harga beras pada suatu waktu selanjutnya dibandingkan dengan
harga beras rata-rata empat periode sebelumnya sesuai dengan jumlah empat neuron pada input layer dari JST tersebut. Hasil dari perbandingan tersebut
berupa suatu peringatan dini apakah harga beras di wilayah DKI Jakarta pada suatu waktu itu masuk ke dalam kategori harga beras aman atau harga beras harus
diwaspadai atau 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. Pihak FSTJ selanjutnya dapat menghubungi pihak Badan Urusan Logistik BULOG DKI
Jakarta untuk meminta agar dilakukan operasi pasar apabila prakiraan pasokan maupun harga beras dalam keadaan rawan.
Model dari subsistem yang ke dua adalah model pemilihan pemasok beras yang dapat dilihat pada Gambar 41. 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 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 seperti yang sudah dijelaskan pada Bab IV. 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 tersebut, para pelaku usaha perberasan di PIBC dapat mengambil keputusan, pasokan beras dari
daerah mana saja yang dapat diambil untuk menjadi komoditas usahanya.
Gambar 41. Model Pemilihan Pemasok Beras
Model dari subsistem yang ke tiga yaitu model distribusi dan transportasi beras yang dikembangkan dengan menggunakan metode simulated annealing dan
dapat dilihat pada Gambar 42. Model tersebut menghasilkan rute terpendek untuk menyalurkan komoditas beras dari PIBC ke berbagai pasar beras di seluruh
wilayah DKI Jakarta dan jumlah kendaraan yang optimal yang dipergunakan dalam menyalurkan sejumlah permintaan komoditas beras dari PIBC ke berbagai
pasar beras tersebut.
Gambar 42. Model Distribusi dan Transportasi Beras
Pasar beras pada penelitian ini dibatasi hanya pada berbagai pasar yang berada di bawah pengelolaan PD. Pasar Jaya yang juga dikelola oleh Pemda DKI
Jakarta. Input untuk model pada subsistem distribusi dan transportasi tersebut adalah lokasi pasar, banyaknya permintaan beras dari pasar tersebut, kendaraan
dan bobot kendaraan yang dipergunakan. Hasil dari model adalah rute terpendek dan banyaknya kendaraan yang dipergunakan untuk menyalurkan beras terbut 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 yang
dapat dilihat pada Gambar 43. 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.
Gambar 43. Model Kinerja Rantai Pasokan Beras di DKI Jakarta
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
