Butir rusak jagung pipilan diakibatkan karena dimakan burung. Untuk industri pangan butir rusak merupakan syarat mutu yang penting, karena butir
rusak dapat berpotensi adanya telur serangga dan kutu. Selain itu butir rusak pada jagung akan mengakibatkan kemungkinan tumbuhnya cendawan.
Model pengelompokan mutu jagung pipilan yang telah dirancang dijalankan dengan perangkat lunak MATLAB R2010a, dengan memasukkan nilai
domain setiap variabel input, dan nilai parameter pada setiap himpunan fuzzy. Salah satu hasil memasukkan variabel input jenis uji butir rusak dapat dilihat pada
Gambar 41.
Gambar 41 Himpunan fuzzy variabel butir rusak jagung pipilan. Aturan if-then yang telah dirancang dimasukkan kedalam program
MATLAB R2010a, dan tampilannya terlihat pada Gambar 42. Tampilan lainnya dapat dilihat pada Lampiran 6.
Setelah semua variabel input dimasukkan kedalam FIS editing, dan aturan yang dibuat telah dimasukkan ke dalam program tersebut, maka hasil yang
diperoleh terlihat seperti pada Gambar 43. Hasil menjalankan FIS pada perangkat lunak MATLAB R2010a selengkapnya dapat dilihat pada Lampiran 6.
Gambar 42 Tampilan If-then rules mutu jagung pipilan pada MATLAB R2010a.
Gambar 43 Keluaran mutu jagung pipilan kelompok Mutu 2 Model pengelompokan mutu jagung pipilan yang dirancang, tidak
mempertimbangkan faktor penanganan pascapanen, serta distribusi dan transportasi antar setiap mata rantai. Diasumsikan bahwa penanganan pasca
panen telah dilakukan dengan baik, serta tidak terjadi gangguan saat distribusi dan transportasi.
6.3 Pengelompokan Mutu Tepung Jagung
Model pengelompokan mutu tepung jagung bermanfaat bagi pabrik tepung jagung dan bagi industri pengguna tepung jagung. Industri tepung jagung dapat
mengelompokkan produk yang dihasilkan, sehingga akan dengan mudah mengirimkan produk sesuai permintaan industri tujuannya. Kelompok Grade 1
ditujukan untuk bahan baku industri farmasi, kelompok Grade 2 untuk industri pangan, dan kelompok Grade 3 untuk industri pakan. Model ini juga bermanfaat
bagi industri pengguna tepung jagung, sehingga industri tersebut dapat memesan bahan baku tepung jagung pada kelompok yang sesuai dengan jenis industrinya.
Model pengelompokan mutu tepung jagung ini dijalankan dengan program FIS pada perangkat lunak MATLAB R2010a. Variabel input dimasukkan sesuai
domain setiap himpunan fuzzy, dan nilai parameter yang telah ditentukan. Contoh tampilan pada MATLAB R2010a setelah memasukkan variabel aflatoksin beserta
domain setiap himpunan fuzzy dengan kategori rendah, sedang , dan tinggi dapat dilihat pada Gambar 44. Tampilan variabel input lainnya pada FIS terdapat pada
Lampiran 10.
Gambar 44 Himpunan fuzzy variabel aflatoksin pada tepung jagung. Aturan if-then sebanyak 27 aturan yang telah dirancang dimasukkan satu
persatu ke dalam program FIS pada perangkat lunak MATLAB R2010a.
Tampilan hasil masukan aturan tersebut ke dalam program FIS dapat dilihat pada tampilan Gambar 45.
Gambar 45 Tampilan If-then rules mutu tepung jagung pada MATLAB R2010a. Setelah semua nilai-nilai variabel input , nilai variabel output, dan aturan
keputusan dimasukkan kedalam program MATLAB, maka hasilyang diperoleh terlihat seperti pada Gambar 46. Hasil lainnya dapat dilihat pada lampiran 10.
Gambar 46 Keluaran mutu tepung jagung kelompok Grade 3.
Gambar 46 menunjukkan bahwa dengan nilai variabel input aflatoksin sebesar 25 ppb, kadar air sebesar 12, dan kadar abu 0.75 . Hasil yang
diperoleh adalah tepung jagung tersebut masuk dalam kelompok mutu Grade 3. Model pengelompokan mutu tepung jagung yang dirancang pada penelitian
ini tidak mempertimbangkan faktor-faktor yang berpengaruh terhadap mutu tepung jagung selama proses produksi berlangsung. Faktor-faktor tersebut antara
lain: setting mesin, metode kerja, ketrampilan dan keahlian operator, lingkungan kerja dan lain-lainnya.
6.4 Prediksi Permintaan Tepung Jagung
Model prediksi permintaan tepung jagung bermanfaat bagi pabrik tepung jagung. Manfaat yang diperoleh adalah pabrik ini dapat membuat perencanaan
produksi dengan target produksi sesuai permintaan konsumennya. Tersedianya data permintaan masa lalu akan memudahkan proses peramalan permintaan ke
depan. Masalah yang dihadapi dalam pembuatan model ini adalah tidak tersedianya data permintaan masa lalu. Informasi yang diperoleh dari pihak pabrik
adalah jumlah permintaan minimum sebesar 300 ton per bulan dan jumlah permintaan maksimum sebesar 375 ton per bulan.
Model prediksi permintaan tepung jagung dibuat untuk data time series. Variabel yang akan diramalkan pada model ini hanya dipengaruhi oleh horison
waktu. Peramalan permintaan dilakukan dengan pendekatan metode-metode time series dan dengan jaringan syaraf tiruan. Metode yang digunakan pada
pendekatan time series adalah Moving Average, Double Moving Average, Single Exponential Smoothing, Double Exponential Smoothing, Trend Anlaysis dan
metode Dekomposisi. Data yang digunakan dalam menjalankan model ini adalah data yang di-
generate dengan permintaan periode sebelumnya yang berkisar antara 300 ton sampai dengan 375 ton per bulan. Data ini diperoleh berdasarkan informasi dari
pabrik tepung jagung. Generate data selama 24 bulan dengan nilai minimum 300 ton dan nilai maksimum 375 ton dapat dilihat pada Lampiran 12. Hasil
pengolahan data dapat dilihat pada Lampiran 12 sampai Lampiran 13. Pada pendekatan tersebut metode dekomposisi memberikan hasil terbaik dengan nilai
MSE yang lebih kecil sebesar 329,954. Namun demikian jaringan syaraf tiruan
