Saran Rancangbangun model penyediaan tepung jagung pada rantai pasok industri berbasis jagung

Lampiran 1 Prediksi Produksi Jagung Jawa Tengah dengan Jaringan Syaraf Tiruan Data yang digunakan untuk memprediksi produksi jagung adalah data yang tercantum pada Tabel 9. Variabel input adalah luas panen ha dan curah hujan mmbulan. Sebagai variabel output adalah jumlah produksi jagung tonbulan Menu utama yang ditampilkan dalam program Hasil menjalankan program dengan MATLAB R2010a

1. Running program 1

Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 77; testing :2 ; forecasting : 2 MSE : 6,17 x 10 -23 Hasil peramalan: bulan 1 : 115546 ton bulan 2 : 115546 ton bulan 3 : 115546 ton bulan 4 : 115546 ton

2. Running program 2

Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 136; testing :3 ; forecasting : 3 MSE : 0,0000981 Hasil peramalan: bulan 1 : 116634 ton bulan 2 : 115680 ton bulan 3 : 115560 ton bulan 4 : 115562 ton

3. Running program 3

Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 419; testing : 1 ; forecasting : 1 MSE : 0,00000246 Hasil peramalan: bulan 1 : 115720 ton bulan 2 : 115346 ton bulan 3 : 115546 ton bulan 4 : 115546 ton

4. Running program 4

Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 69; testing : 1 ; forecasting : 4 MSE : 0,0000517 Hasil peramalan: bulan 1 : 115951 ton bulan 2 : 115935 ton bulan 3 : 115882 ton bulan 4 : 115999 ton

5. Running program 5

Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 163; testing : 1 ; forecasting : 4 MSE : 3,4 x 10 -9 Hasil peramalan: bulan 1 : 115552 ton bulan 2 : 115549 ton bulan 3 : 115546 ton bulan 4 : 115546 ton

6. Running program 6

Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 173; testing : 1 ; forecasting : 5 MSE : 0,000002 Hasil peramalan: bulan 1 : 115644 ton bulan 2 : 115647 ton bulan 3 : 115594 ton bulan 4 : 115597 ton

7. Running program 7

Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 92; testing : 1 ; forecasting : 4 MSE : 0,00002 Hasil peramalan: bulan 1 : 115859 ton bulan 2 : 115874 ton bulan 3 : 115686 ton bulan 4 : 115689 ton

8. Running program 8

Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 231; testing : 1 ; forecasting : 2 MSE : 0,000000859 Hasil peramalan: bulan 1 : 115648 ton bulan 2 : 115562 ton bulan 3 : 115549 ton bulan 4 : 115549 ton

9. Running program 9

Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 12; testing : 1 ; forecasting : 1 MSE : 0,0000988 Hasil peramalan: bulan 1 : 116514 ton bulan 2 : 115857 ton bulan 3 : 115890 ton bulan 4 : 115791 ton

10. Running program 10

Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 88; testing : 1 ; forecasting : 1 MSE : 0,0000273 Hasil peramalan: bulan 1 : 115818 ton bulan 2 : 116045 ton bulan 3 : 115622 ton bulan 4 : 115619 ton

11. Running program 11

Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 100; testing : 1 ; forecasting : 2 MSE : 6,87 x 10 -15 Hasil peramalan: bulan 1 : 115546 ton bulan 2 : 115546 ton bulan 3 : 115546 ton bulan 4 : 115546 ton

12. Running program 12

Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 77; testing : 1 ; forecasting : 2 MSE : 6,17 x 10 -23 Hasil peramalan: bulan 1 : 115546 ton bulan 2 : 115546 ton bulan 3 : 115546 ton bulan 4 : 115546 ton

13. Running program 13

Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 66; testing : 1 ; forecasting : 1 MSE : 0,0000485 Hasil peramalan: bulan 1 : 115573 ton bulan 2 : 116313 ton bulan 3 : 115598 ton bulan 4 : 115600 ton

14. Running program 14

Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 56; testing : 1 ; forecasting : 3 MSE : 0,0000993 Hasil peramalan: bulan 1 : 116441 ton bulan 2 : 116121 ton bulan 3 : 115765 ton bulan 4 : 115737 ton

15. Running program 15

Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 43; testing : 1 ; forecasting : 2 MSE : 0,0000242 Hasil peramalan: bulan 1 : 116064 ton bulan 2 : 115715 ton bulan 3 : 115562 ton bulan 4 : 115561 ton

16. Running program 16

Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 59; testing : 1 ; forecasting : 1 MSE : 0,0000531 Hasil peramalan: bulan 1 : 116261 ton bulan 2 : 115917 ton bulan 3 : 115585 ton bulan 4 : 115577 ton

17. Running program 17

Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 37; testing : 1 ; forecasting : 2 MSE : 0,00005 Hasil peramalan: bulan 1 : 116283 ton bulan 2 : 115780 ton bulan 3 : 115637 ton bulan 4 : 115634 ton

18. Running program 18

Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 69; testing : 1 ; forecasting : 4 MSE : 0,0000993 Hasil peramalan: bulan 1 : 115946 ton bulan 2 : 115926 ton bulan 3 : 116226ton bulan 4 : 116218 ton Lampiran3 Langkah-langkah penggunaan MINITAB 14 peramalan data kausal 1. Masukkan data input ke dalam Worksheet: C1, C2, ..., Cn

2. Klik Stat

3. Pilih Regression

4. Klik Regression

- Masukkan variabel response - Masukkan variabel predictors - Klik OK Lampiran 4 Peramalan Produksi Jagung dengan MINITAB Release 14 Data luas panen, curah hujan, produksi jagung Jawa Tengah Tahun 2010 Luas Panen ha Curah Hujan mm Produksi ton Januari 79390 214 130251 Februari 145107 415 121080 Maret 53337 240 139750 April 35453 127 165350 Mei 51906 142 180790 Juni 62938 79 157210 Juli 35225 1 179190 Agustus 36325 3 184785 September 59431 1 285637 Oktober 47031 6 226038 Nopember 32481 197 156111 Desember 27961 76 134385 Regression Analysis: PRODUKSI JGNG versus LUAS PANEN; CURAH HUJAN The regression equation is PRODUKSI JGNG = 180508 + 0,693 LUAS PANEN - 378 CURAH HUJAN Predictor Coef SE Coef T P Constant 180508 20432 8,83 0,000 LUAS PANEN 0,6927 0,4634 1,49 0,169 CURAH HUJAN -377,9 117,4 -3,22 0,010 S = 33419,1 R-Sq = 57,1 R-Sqadj = 47,6 Analysis of Variance Source DF SS MS F P Regression 2 13379618390 6689809195 5,99 0,022 Residual Error 9 10051497884 1116833098 Total 11 23431116274 Prediksi Produksi Jagung Jawa Tengah Tahun 2011 Bulan Luas panen ha Curah hujan mm Produksi ton Januari 70000 150 172318,00 Februari 125500 250 172979,50 Maret 52525 150 160207,83 April 30100 100 163567,30 Lampiran 5 Aturan If – then – rules mutu jagung pipilan Aturan untuk Mutu Jagung Pipilan 1 1 If Kadar air is baik and Butir rusak is baik and Butir pecah is baik and Kotoran is baik then output is Mutu 1 2 If Kadar air is baik and Butir rusak is sedang and Butir pecah is baik and Kotoran is baik then output is Mutu 1 3 If Kadar air is baik and Butir rusak is buruk and Butir pecah is baik and Kotoran is baik then output is Mutu 2 4 If Kadar air is sedang and Butir rusak is baik and Butir pecah is baik and Kotoran is baik then output is Mutu 1 5 If Kadar air is sedang and Butir rusak is sedang and Butir pecah is baik and Kotoran is baik then output is Mutu 2 6 If Kadar air is sedang and Butir rusak is buruk and Butir pecah is baik and Kotoran is baik then output is Mutu 2 7 If Kadar air is buruk and Butir rusak is baik and Butir pecah is baik and Kotoran is baik then output is Mutu 2 8 If Kadar air is buruk and Butir rusak is sedang and Butir pecah is baik and Kotoran is baik then output is Mutu 2 9 If Kadar air is buruk and Butir rusak is buruk and Butir pecah is baik and Kotoran is baik then output is Mutu 3 10 If Kadar air is baik and Butir rusak is baik and Butir pecah is baik and Kotoran is sedadng then output is Mutu 1 11 If Kadar air is baik and Butir rusak is sedang and Butir pecah is baik and Kotoran is sedang then output is Mutu 2 12 If Kadar air is baik and Butir rusak is buruk and Butir pecah is baik and Kotoran is sedang then output is Mutu 3 13 If Kadar air is sedang and Butir rusak is baik and Butir pecah is baik and Kotoran is sedang then output is Mutu 2 14 If Kadar air is sedang and Butir rusak is sedang and Butir pecah is baik and Kotoran is sedang then output is Mutu 2 Aturan untuk Mutu Jagung Pipilan 2 15 If Kadar air is sedang and Butir rusak is buruk and Butir pecah is baik and Kotoran is sedang then output is Mutu 3 16 If Kadar air is buruk and Butir rusak is baik and Butir pecah is baik and Kotoran is sedang then output is Mutu 2 17 If Kadar air is buruk and Butir rusak is sedang and Butir pecah is baik and Kotoran is sedang then output is Mutu 2 18 If Kadar air is buruk and Butir rusak is buruk and Butir pecah is baik and Kotoran is sedang then output is Mutu 3 19 If Kadar air is baik and Butir rusak is baik and Butir pecah is baik and Kotoran is buruk then output is Mutu 1 20 If Kadar air is baik and Butir rusak is sedang and Butir pecah is baik and Kotoran is buruk then output is Mutu 2 21 If Kadar air is baik and Butir rusak is buruk and Butir pecah is baik and Kotoran is buruk then output is Mutu 3 22 If Kadar air is sedang and Butir rusak is baik and Butir pecah is baik and Kotoran is buruk then output is Mutu 2 23 If Kadar air is sedang and Butir rusak is sedang and Butir pecah is baik and Kotoran is buruk then output is Mutu 3 24 If Kadar air is sedang and Butir rusak is buruk and Butir pecah is baik and Kotoran is buruk then output is Mutu 3 25 If Kadar air is buruk and Butir rusak is baik and Butir pecah is baik and Kotoran is buruk then output is Mutu 3 26 If Kadar air is buruk and Butir rusak is sedang and Butir pecah is baik and Kotoran is buruk then output is Mutu 3 27 If Kadar air is buruk and Butir rusak is buruk and Butir pecah is baik and Kotoran is buruk then output is Mutu 3 28 If Kadar air is baik and Butir rusak is baik and Butir pecah is sedang and Kotoran is baik then output is Mutu 2 Aturan untuk Mutu Jagung Pipilan 3 29 If Kadar air is baik and Butir rusak is sedang and Butir pecah is sedang and Kotoran is baik then output is Mutu 2 30 If Kadar air is baik and Butir rusak is buruk and Butir pecah is sedang and Kotoran is baik then output is Mutu 2 31 If Kadar air is sedang and Butir rusak is baik and Butir pecah is sedang and Kotoran is baik then output is Mutu 2 32 If Kadar air is sedang and Butir rusak is sedang and Butir pecah is sedang and Kotoran is baik then output is Mutu 2 33 If Kadar air is sedang and Butir rusak is buruk and Butir pecah is sedang and Kotoran is baik then output is Mutu 3 34 If Kadar air is buruk and Butir rusak is baik and Butir pecah is sedang and Kotoran is baik then output is Mutu 2 35 If Kadar air is buruk and Butir rusak is sedang and Butir pecah is sedang and Kotoran is baik then output is Mutu 2 36 If Kadar air is buruk and Butir rusak is buruk and Butir pecah is sedang and Kotoran is baik then output is Mutu 3 37 If Kadar air is baik and Butir rusak is baik and Butir pecah is sedang and Kotoran is sedang then output is Mutu 2 38 If Kadar air is baik and Butir rusak is sedang and Butir pecah is sedang and Kotoran is sedang then output is Mutu 2 39 If Kadar air is baik and Butir rusak is buruk and Butir pecah is sedang and Kotoran is sedang then output is Mutu 3 40 If Kadar air is sedang and Butir rusak is baik and Butir pecah is sedang and Kotoran is sedang then output is Mutu 2 41 If Kadar air is sedang and Butir rusak is sedang and Butir pecah is sedang and Kotoran is sedang then output is Mutu 2 42 If Kadar air is sedang and Butir rusak is buruk and Butir pecah is sedang and Kotoran is sedang then output is Mutu 3 Aturan untuk Mutu Jagung Pipilan 4 43 If Kadar air is buruk and Butir rusak is baik and Butir pecah is sedang and Kotoran is sedang then output is Mutu 2 44 If Kadar air is buruk and Butir rusak is sedang and Butir pecah is sedang and Kotoran is sedang then output is Mutu 2 45 If Kadar air is buruk and Butir rusak is buruk and Butir pecah is sedang and Kotoran is sedang then output is Mutu 3 46 If Kadar air is baik and Butir rusak is baik and Butir pecah is sedang and Kotoran is buruk then output is Mutu 2 47 If Kadar air is baik and Butir rusak is sedang and Butir pecah is sedang and Kotoran is buruk then output is Mutu 2 48 If Kadar air is baik and Butir rusak is buruk and Butir pecah is sedang and Kotoran is buruk then output is Mutu 3 49 If Kadar air is sedang and Butir rusak is baik and Butir pecah is sedang and Kotoran is buruk then output is Mutu 2 50 If Kadar air is sedang and Butir rusak is sedang and Butir pecah is sedang and Kotoran is buruk then output is Mutu 3 51 If Kadar air is sedang and Butir rusak is buruk and Butir pecah is sedang and Kotoran is buruk then output is Mutu 3 52 If Kadar air is buruk and Butir rusak is baik and Butir pecah is sedang and Kotoran is buruk then output is Mutu 2 53 If Kadar air is buruk and Butir rusak is sedang and Butir pecah is sedang and Kotoran is buruk then output is Mutu 3 54 If Kadar air is buruk and Butir rusak is buruk and Butir pecah is sedang and Kotoran is buruk then output is Mutu 3 55 If Kadar air is baik and Butir rusak is baik and Butir pecah is buruk and Kotoran is baik then output is Mutu 2 56 If Kadar air is baik and Butir rusak is sedang and Butir pecah is buruk and Kotoran is baik then output is Mutu 3 57 If Kadar air is baik and Butir rusak is buruk and Butir pecah is buruk and Kotoran is baik then output is Mutu 3 Aturan untuk Mutu Jagung Pipilan 5 58 If Kadar air is sedang and Butir rusak is baik and Butir pecah is buruk and Kotoran is baik then output is Mutu 2 59 If Kadar air is sedang and Butir rusak is sedang and Butir pecah is buruk and Kotoran is baik then output is Mutu 3 60 If Kadar air is sedang and Butir rusak is buruk and Butir pecah is buruk and Kotoran is baik then output is Mutu 3 61 If Kadar air is buruk and Butir rusak is baik and Butir pecah is buruk and Kotoran is baik then output is Mutu 2 62 If Kadar air is buruk and Butir rusak is sedang and Butir pecah is buruk and Kotoran is baik then output is Mutu 3 63 If Kadar air is buruk and Butir rusak is buruk and Butir pecah is buruk and Kotoran is baik then output is Mutu 3 64 If Kadar air is baik and Butir rusak is baik and Butir pecah is buruk and Kotoran is sedang then output is Mutu 2 65 If Kadar air is baik and Butir rusak is sedang and Butir pecah is buruk and Kotoran is sedang then output is Mutu 2 66 If Kadar air is baik and Butir rusak is buruk and Butir pecah is buruk and Kotoran is sedang then output is Mutu 3 67 If Kadar air is sedang and Butir rusak is baik and Butir pecah is buruk and Kotoran is sedang then output is Mutu 2 68 If Kadar air is sedang and Butir rusak is sedang and Butir pecah is buruk and Kotoran is sedang then output is Mutu 3 69 If Kadar air is sedang and Butir rusak is buruk and Butir pecah is buruk and Kotoran is sedang then output is Mutu 3 70 If Kadar air is buruk and Butir rusak is baik and Butir pecah is buruk and Kotoran is sedang then output is Mutu 3 71 If Kadar air is buruk and Butir rusak is sedang and Butir pecah is buruk and Kotoran is sedang then output is Mutu 3 72 If Kadar air is buruk and Butir rusak is buruk and Butir pecah is buruk and Kotoran is sedang then output is Mutu 3 Aturan untuk Mutu Jagung Pipilan 6 73 If Kadar air is baik and Butir rusak is baik and Butir pecah is buruk and Kotoran is buruk then output is Mutu 2 74 If Kadar air is baik and Butir rusak is sedang and Butir pecah is buruk and Kotoran is buruk then output is Mutu 3 75 If Kadar air is baik and Butir rusak is buruk and Butir pecah is buruk and Kotoran is buruk then output is Mutu 3 76 If Kadar air is sedang and Butir rusak is baik and Butir pecah is buruk and Kotoran is buruk then output is Mutu 3 77 If Kadar air is sedang and Butir rusak is sedang and Butir pecah is buruk and Kotoran is buruk then output is Mutu 3 78 If Kadar air is sedang and Butir rusak is buruk and Butir pecah is buruk and Kotoran is buruk then output is Mutu 3 79 If Kadar air is buruk and Butir rusak is baik and Butir pecah is buruk and Kotoran is buruk then output is Mutu 2 80 If Kadar air is buruk and Butir rusak is sedang and Butir pecah is buruk and Kotoran is buruk then output is Mutu 3 81 If Kadar air is buruk and Butir rusak is buruk and Butir pecah is buruk and Kotoran is buruk then output is Mutu 3 Lampiran 6 Representasi Model Sugeno pada MATLAB R2010a Representasi Model Sugeno Representasi Model Mamdani Fuzzy Inference System FIS Pengelompokan Mutu Jagung Pipilan Tampilan Model Sugeno untuk Pengelompokan Jagung Pipilan Representasi Variabel Input Kadar Air Representasi Variabel Input Butir Rusak Representasi Variabel Input Butir Pecah Representasi Variabel Input Kotoran Representasi Variabel Output Kelompok Mutu Jagung Pipilan Tampilan Pengisian Aturan pada FIS Tampilan Hasil Pengelompokan Mutu Jagung Pipilan Mutu 1 Tampilan Hasil Pengelompokan Mutu Jagung Pipilan Mutu 2 Tampilan Hasil Pengelompokan Mutu Jagung Pipilan Mutu 3 Lampiran 7 Panduan konsultasi pakar untuk penentuan tingkat kepentingan kriteria uji mutu tepung jagung Responden yang terhormat, Dalam rangka penelitian tentang mutu tepung jagung, dengan ini saya mohon kesediaan BapakIbu untuk dapat mengisi kuesioner untuk menentukan tingkat kepentingan kriteria uji mutu tepung jagung, yang tertuang dalam bentuk tabel berikut. Kuesioner ini diisi dengan memberikan tanda [X] pada kolom yang sesuai. Atas kesediannya sebelumnya saya ucapkan terima kasih 1 = sangat tidak penting 2 = tidak penting 3 = kurang penting 4 = penting 5 = sangat penting KRITERIA UJI 5 4 3 2 1 Bau Rasa Warna benda asing Serangga pati lain Kehalusan Kadar air Abu Silikat serat kasar derajat asam cemaran seng cemaran tembaga cemaran mikroba Aflatoksin Lampiran 8 Pengisian matriks perbandingan berpasangan kriteria uji mutu tepung jagung berdasarkan industri pengolahan jagung Responden yang terhormat, Dalam rangka penelitian tentang mutu tepung jagung, dengan ini dimohon kesediaan BapakIbu untuk dapat mengisi kuesioner untuk menentukan tingkat kepentingan kriteria uji mutu tepung jagung untuk masing-masing industri pengolahan jagung, yang tertuang dalam bentuk tabel berikut. Kuesioner ini berupa matriks perbandingan berpasangan dan diisi dengan memberikan angka 1 – 9 sesuai keterangan di dalam kuesioner ini. Atas kesediannya sebelumnya saya ucapkan terima kasih. FARMASI K1 K2 K3 PANGAN K1 K2 K3 K1 1 K1 1 K2 1 K2 1 K3 1 K3 1 PAKAN K1 K2 K3 K1 Aflatoksin K1 1 K2: Kadar air K2 1 K3 : Kadar abu K3 1 Nilai Keterangan 1 Sama penting equal 3 Sedikit lebih penting moderate 5 Jelas lebih penting strong 7 Sangat jelas lebih penting very strong 9 Mutlak lebih penting extreme 2,4,6,8 Apabila ragu-ragu antara dua nilai yang berdekatan 11-9 Kebalikan dari nilai tingkat kepentingan dari skala 1-9 Lampiran 9 Aturan If – then – rules Mutu Tepung Jagung Aturan untuk Mutu Tepung Jagung 1 1 If Aflatoksin is rendah and Kadar air is rendah and Kadar abu is rendah then output is Grade 1 2 If Aflatoksin is rendah and Kadar air is rendah and Kadar abu is sedang then output is Grade 1 3 If Aflatoksin is rendah and Kadar air is rendah and Kadar abu is tinggi then output is Grade 2 4 If Aflatoksin is rendah and Kadar air is sedang and Kadar abu is rendah then output is Grade 1 5 If Aflatoksin is rendah and Kadar air is sedang and Kadar abu is sedang then output is Grade 1 6 If Aflatoksin is rendah and Kadar air issedang and Kadar abu is tinggi then output is Grade 2 7 If Aflatoksin is rendah and Kadar air is tinggi and Kadar abu is rendah then output is Grade 1 8 If Aflatoksin is rendah and Kadar air is tinggi and Kadar abu is sedang then output is Grade 1 9 If Aflatoksin is rendah and Kadar air is tinggi and Kadar abu is tinggi then output is Grade 2 10 If Aflatoksin is sedang and Kadar air is rendah and Kadar abu is rendah then output is Grade 1 11 If Aflatoksin is sedang and Kadar air is rendah and Kadar abu is sedang then output is Grade 1 12 If Aflatoksin is sedang and Kadar air is rendah and Kadar abu is tinggi then output is Grade 2 13 If Aflatoksin is sedang and Kadar air is sedang and Kadar abu is rendah then output is Grade 1 14 If Aflatoksin is sedang and Kadar air is sedang and Kadar abu is sedang then output is Grade 1 Aturan untuk Mutu Tepung Jagung 2 15 If Aflatoksin is sedang and Kadar air is sedang and Kadar abu is tinggi then output is Grade 2 16 If Aflatoksin is sedang and Kadar air is tinggi and Kadar abu is rendah then output is Grade 1 17 If Aflatoksin is sedang and Kadar air is tinggi and Kadar abu is sedang then output is Grade 2 18 If Aflatoksin is sedang and Kadar air is tinggi and Kadar abu is tinggi then output is Grade 2 19 If Aflatoksin is tinggi and Kadar air is rendah and Kadar abu is rendah then output is Grade 2 20 If Aflatoksin is tinggi and Kadar air is rendah and Kadar abu is sedang then output is Grade 2 21 If Aflatoksin is tinggi and Kadar air is rendah and Kadar abu is tinggi then output is Grade 3 22 If Aflatoksin is tinggi and Kadar air is sedang and Kadar abu is rendah then output is Grade 2 23 If Aflatoksin is tinggi and Kadar air is sedang and Kadar abu is sedang then output is Grade 3 24 If Aflatoksin is tinggi and Kadar air is sedang and Kadar abu is tinggi then output is Grade 3 25 If Aflatoksin is tinggi and Kadar air is tinggi and Kadar abu is rendah then output is Grade 3 26 If Aflatoksin is tinggi and Kadar air is tinggi and Kadar abu is sedang then output is Grade 3 27 If Aflatoksin is tinggi and Kadar air is tinggi and Kadar abu is tinggi then output is Grade 3 Lampiran 10 Fuzzy Inference System Pengelompokan Mutu Tepung Jagung Tampilan Model Sugeno untuk Pengelompokan Tepung Jagung Representasi Variabel Input Kandungan Aflatoksin Representasi Variabel Input Kadar Air Representasi variabel input kadar abu Representasi Variabel Output Kelompok Mutu Tepung Jagung Tampilan Pengisian Aturan pada FIS – Mutu Tepung Jagung Tampilan Hasil Pengelompokan Mutu Tepung Jagung Grade 1 Tampilan Hasil Pengelompokan Mutu Tepung Jagung Grade 2 Tampilan Hasil Pengelompokan Mutu Tepung Jagung Grade 3 Lampiran 11 Langkah-langkah penggunaan MINITAB 14 untuk peramalan dengan data Timeseries. 5. Masukkan data input ke dalam Worksheet: C1, C2, ..., Cn

6. Klik Stat

7. Pilih Timeseries

8. Klik Time Series plot untuk plot data

Klik OK 9. Klik Trend Analysis untuk Regresi data Time Series - Masukkan variabel input - Pilih model type - Masukkan jumlah periode peramalan pada generate forecast - Klik OK

10. Klik Moving average untuk metode rata-rata bergerak

- Masukkan variabel input - Masukkan jumlah rata-rata bergerak pada MA length - Masukkan jumlah periode peramalan pada Generate forecast - Klik OK

11. Klik Single Exponential Smoothing untuk metode pemulusan tunggal

- Masukkan variabel input - Masukkan nilai alpha - Untuk mendapatkan alpha optimal, pilih optimal Arima - Masukkan jumlah periode peramalan - Klik OK

12. Klik Double Exponential Smoothing untuk metode pemulusan ganda

- Masukkan variabel input - Masukkan nilai alpha dan gamma - Untuk mendapatkan nilai alpha dan gamma optimal, klik optimal Arima - Masukkan jumlah periode peramalan - Klik OK

13. Klik Dekomposition untuk metode Dekomposisi

- Masukkan variabel input - Masukkan panjang musiman - Piliha Model Type - Masukkan jumlah periode peramalan - Klik OK Lampiran 12 Peramalan Permintaan Tepung Jagung dengan MINITAB Release 14 for windows Data permintaan tepung jagung yang digunakan adalah hasil generate data dengan nilai minimum 300 ton per bulan hingga 375 ton per bulan. Nilai ini diperoleh dari hasil pengamatan dan diskusi dengan Manager Produksi pabrik tepung jagung PT Amylum Corn Grits Mills. Pabrik tersebut mendapat permintaan tepung jagung sejumlah 300 ton sampai 375 ton per bulan dari industri pangan dan farmasi. Data permintaan tepung jagung selama 24 periode bulan tertuang dalam Tabel berikut: Periode Permintaan Periode Permintaan 1 349 13 340 2 351 14 368 3 355 15 371 4 342 16 305 5 369 17 350 6 335 18 321 7 347 19 363 8 341 20 353 9 350 21 334 10 368 22 306 11 348 23 371 12 369 24 301 Plot data permintaan tepung jagung Peramalan Permintaan dengan Moving Average N = 2 Period Forecast Lower Upper 25 336 286,872 385,128 26 336 286,872 385,128 27 336 286,872 385,128 28 336 286,872 385,128 Peramalan Permintaan dengan Moving Average N = 3 Period Forecast Lower Upper 25 326 278,165 373,835 26 326 278,165 373,835 27 326 278,165 373,835 28 326 278,165 373,835 Peramalan Permintaan dengan Moving Average N = 4 Period Forecast Lower Upper 25 328 280,721 375,279 26 328 280,721 375,279 27 328 280,721 375,279 28 328 280,721 375,279 Peramalan Permintaan dengan Moving Average N = 5 Period Forecast Lower Upper 25 333 286,841 379,159 26 333 286,841 379,159 27 333 286,841 379,159 28 333 286,841 379,159 Peramalan permintaan tepung jagung dengan Single Exponential Smoothing Period Forecast Lower Upper 25 342,291 303,332 381,250 26 342,291 303,332 381,250 27 342,291 303,332 381,250 28 342,291 303,332 381,250 Peramalan permintaan tepung jagung dengan Double Exponential Smoothing Period Forecast Lower Upper 25 329,730 286,425 373,035 26 327,652 283,381 371,924 27 325,575 280,261 370,888 28 323,497 277,071 369,923 Peramalan Permintaan dengan Trend Analysis Regresi linear sederhana Per samaan regresi : Yt = 357,543 - 0,913478t Period Forecast 25 334,707 26 333,793 27 332,880 28 331,966 Peramalan Permintaan dengan metode Dekomposisi Additive Model Fitted Trend Equation Yt = 357,613 - 0,919022t Period Forecast 25 337,481 26 325,062 27 340,518 28 329,974 Lampiran 13 Peramalan permintaan tepung jagung dengan Double Moving Average Double Moving Average N = 2 Periode Aktual St St at Bt Ramal Error Error2 1 349 2 351 350,00 3 355 353,00 351,50 354,50 3,00 4 342 348,50 350,75 346,25 -4,50 357,50 -15,50 240,25 5 369 355,50 352,00 359,00 7,00 341,75 27,25 742,56 6 335 352,00 353,75 350,25 -3,50 366,00 -31,00 961,00 7 347 341,00 346,50 335,50 -11,00 346,75 0,25 0,06 8 341 344,00 342,50 345,50 3,00 324,50 16,50 272,25 9 350 345,50 344,75 346,25 1,50 348,50 1,50 2,25 10 368 359,00 352,25 365,75 13,50 347,75 20,25 410,06 11 348 358,00 358,50 357,50 -1,00 379,25 -31,25 976,56 12 369 358,50 358,25 358,75 0,50 356,50 12,50 156,25 13 340 354,50 356,50 352,50 -4,00 359,25 -19,25 370,56 14 368 354,00 354,25 353,75 -0,50 348,50 19,50 380,25 15 371 369,50 361,75 377,25 15,50 353,25 17,75 315,06 16 305 338,00 353,75 322,25 -31,50 392,75 -87,75 7700,06 17 350 327,50 332,75 322,25 -10,50 290,75 59,25 3510,56 18 321 335,50 331,50 339,50 8,00 311,75 9,25 85,56 19 363 342,00 338,75 345,25 6,50 347,50 15,50 240,25 20 353 358,00 350,00 366,00 16,00 351,75 1,25 1,56 21 334 343,50 350,75 336,25 -14,50 382,00 -48,00 2304,00 22 306 320,00 331,75 308,25 -23,50 321,75 -15,75 248,06 23 371 338,50 329,25 347,75 18,50 284,75 86,25 7439,06 24 301 336,00 337,25 334,75 -2,50 366,25 -65,25 4257,56 332,25 MSE 1457,80 329,75 327,25 324,75 Double Moving Average N = 3 Periode Aktual St St at bt Ramal Error Error2 1 349 2 351 3 355 351,67 4 342 349,33 5 369 355,33 352,11 358,56 3,22 6 335 348,67 351,11 346,22 -2,44 361,78 -26,78 717,05 7 347 350,33 351,44 349,22 -1,11 343,78 3,22 10,38 8 341 341,00 346,67 335,33 -5,67 348,11 -7,11 50,57 9 350 346,00 345,78 346,22 0,22 329,67 20,33 413,44 10 368 353,00 346,67 359,33 6,33 346,44 21,56 464,64 11 348 355,33 351,44 359,22 3,89 365,67 -17,67 312,11 12 369 361,67 356,67 366,67 5,00 363,11 5,89 34,68 13 340 352,33 356,44 348,22 -4,11 371,67 -31,67 1002,78 14 368 359,00 357,67 360,33 1,33 344,11 23,89 570,68 15 371 359,67 357,00 362,33 2,67 361,67 9,33 87,11 16 305 348,00 355,56 340,44 -7,56 365,00 -60,00 3600,00 17 350 342,00 349,89 334,11 -7,89 332,89 17,11 292,79 18 321 325,33 338,44 312,22 -13,11 326,22 -5,22 27,27 19 363 344,67 337,33 352,00 7,33 299,11 63,89 4081,79 20 353 345,67 338,56 352,78 7,11 359,33 -6,33 40,11 21 334 350,00 346,78 353,22 3,22 359,89 -25,89 670,23 22 306 331,00 342,22 319,78 -11,22 356,44 -50,44 2544,64 23 371 337,00 339,33 334,67 -2,33 308,56 62,44 3899,31 24 301 326,00 331,33 320,67 -5,33 332,33 -31,33 981,78 315,33 MSE 1042,18 310,00 304,67 299,33 Double Moving Average N = 4 Periode Aktual St St at Bt Ramal Error Error2 1 349 2 351 3 355 4 342 349,25 5 369 354,25 6 335 350,25 7 347 348,25 350,50 346,00 -1,50 8 341 348,00 350,19 345,81 -1,46 344,50 -3,50 12,25 9 350 343,25 347,44 339,06 -2,79 344,35 5,65 31,88 10 368 351,50 347,75 355,25 2,50 336,27 31,73 1006,74 11 348 351,75 348,63 354,88 2,08 357,75 -9,75 95,06 12 369 358,75 351,31 366,19 4,96 356,96 12,04 145,00 13 340 356,25 354,56 357,94 1,13 371,15 -31,15 970,06 14 368 356,25 355,75 356,75 0,33 359,06 8,94 79,88 15 371 362,00 358,31 365,69 2,46 357,08 13,92 193,67 16 305 346,00 355,13 336,88 -6,08 368,15 -63,15 3987,40 17 350 348,50 353,19 343,81 -3,13 330,79 19,21 368,96 18 321 336,75 348,31 325,19 -7,71 340,69 -19,69 387,60 19 363 334,75 341,50 328,00 -4,50 317,48 45,52 2072,15 20 353 346,75 341,69 351,81 3,38 323,50 29,50 870,25 21 334 342,75 340,25 345,25 1,67 355,19 -21,19 448,91 22 306 339,00 340,81 337,19 -1,21 346,92 -40,92 1674,17 23 371 341,00 342,38 339,63 -0,92 335,98 35,02 1226,46 24 301 328,00 337,69 318,31 -6,46 338,71 -37,71 1421,92 311,85 MSE 881,90 305,40 298,94 292,48 Double Moving Average N = 5 Periode Aktual St St at bt Ramal Error Error2 1 349 2 351 3 355 4 342 5 369 353,20 6 335 350,40 7 347 349,60 8 341 346,80 9 350 348,40 349,68 347,12 -0,64 10 368 348,20 348,68 347,72 -0,24 346,48 21,52 463,11 11 348 350,80 348,76 352,84 1,02 347,48 0,52 0,27 12 369 355,20 349,88 360,52 2,66 353,86 15,14 229,22 13 340 355,00 351,52 358,48 1,74 363,18 -23,18 537,31 14 368 358,60 353,56 363,64 2,52 360,22 7,78 60,53 15 371 359,20 355,76 362,64 1,72 366,16 4,84 23,43 16 305 350,60 355,72 345,48 -2,56 364,36 -59,36 3523,61 17 350 346,80 354,04 339,56 -3,62 342,92 7,08 50,13 18 321 343,00 351,64 334,36 -4,32 335,94 -14,94 223,20 19 363 342,00 348,32 335,68 -3,16 330,04 32,96 1086,36 20 353 338,40 344,16 332,64 -2,88 332,52 20,48 419,43 21 334 344,20 342,88 345,52 0,66 329,76 4,24 17,98 22 306 335,40 340,60 330,20 -2,60 346,18 -40,18 1614,43 23 371 345,40 341,08 349,72 2,16 327,60 43,40 1883,56 24 301 333,00 339,28 326,72 -3,14 351,88 -50,88 2588,77 323,58 MSE 848,09 320,44 317,30 314,16 Lampiran 14 . Hasil menjalankan program dengan MATLAB R2010a untuk meramalkan permintaan tepung jagung

1. Running program 1

Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 42; testing : 23 ; forecasting : 1 MSE : 0,0000286 Hasil peramalan: bulan 1 : 330,94 ton bulan 2 : 330,80 ton bulan 3 : 331,04 ton bulan 4 : 331,04 ton

2. Running program 2

Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 51; testing : 16 ; forecasting : 4 MSE : 8,21 x 10 -12 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 330,75 ton bulan 3 : 330,75 ton bulan 4 : 330,75 ton

3. Running program 3

Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 55; testing : 14 ; forecasting : 1 MSE : 0,0000496 Hasil peramalan: bulan 1 : 331,35 ton bulan 2 : 330,76 ton bulan 3 : 330,77 ton bulan 4 : 330,76 ton

4. Running program 4

Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 42; testing : 28 ; forecasting : 3 MSE : 0,0000889 Hasil peramalan: bulan 1 : 330,89 ton bulan 2 : 330,77 ton bulan 3 : 331,54 ton bulan 4 : 330,78 ton

5. Running program 5

Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 66; testing : 20 ; forecasting : 1 MSE : 6,86 x 10 -9 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 330,76 ton bulan 3 : 330,75 ton bulan 4 : 330,75 ton

6. Running program 6

Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 54; testing : 20 ; forecasting : 1 MSE : 8,13 x 10 -8 Hasil peramalan: bulan 1 : 330,77 ton bulan 2 : 330,75 ton bulan 3 : 330,75 ton bulan 4 : 330,75 ton

7. Running program 7

Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 42; testing : 23 ; forecasting : 1 MSE : 0,0000286 Hasil peramalan: bulan 1 : 330,94 ton bulan 2 : 330,80 ton bulan 3 : 331,04 ton bulan 4 : 331,04 ton

8. Running program 8

Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 54; testing : 22 ; forecasting : 2 MSE : 5,58 x 10 -36 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 330,75 ton bulan 3 : 330,75 ton bulan 4 : 330,75 ton

9. Running program 9

Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,1 Jumlah iterasi : training : 42; testing : 28 ; forecasting : 3 MSE : 0,0000889 Hasil peramalan: bulan 1 : 330,89 ton bulan 2 : 330,77 ton bulan 3 : 331,54 ton bulan 4 : 330,78 ton

10. Running program 10

Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 38; testing : 21 ; forecasting : 2 MSE : 1,03 x 10 -13 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 330,75 ton bulan 3 : 330,75 ton bulan 4 : 330,75 ton

11. Running program 11

Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 4; testing : 20 ; forecasting : 3 MSE : 0,00000464 Hasil peramalan: bulan 1 : 330,76 ton bulan 2 : 330,76 ton bulan 3 : 330,93 ton bulan 4 : 330,75 ton

12. Running program 12

Jumlah neuron pada hidden layer 10 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 48; testing : 14 ; forecasting : 1 MSE : 0,0000966 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 331,18 ton bulan 3 : 330,83 ton bulan 4 : 331,46 ton

13. Running program 13

Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 40; testing : 24 ; forecasting : 1 MSE : 0,0000292 Hasil peramalan: bulan 1 : 330,88 ton bulan 2 : 331,02 ton bulan 3 : 330,95 ton bulan 4 : 331,04 ton

14. Running program 14

Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 29; testing : 22 ; forecasting : 5 MSE : 0,00000363 Hasil peramalan: bulan 1 : 330,76 ton bulan 2 : 330,80 ton bulan 3 : 330,76 ton bulan 4 : 330,90 ton

15. Running program 15

Jumlah neuron pada hidden layer 8 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 61; testing : 30 ; forecasting : 2 MSE : 2,89 x 10 -83 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 330,75 ton bulan 3 : 330,75 ton bulan 4 : 330,75 ton

16. Running program 16

Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 40; testing : 12 ; forecasting : 1 MSE : 0,0000553 Hasil peramalan: bulan 1 : 330,93 ton bulan 2 : 331,33 ton bulan 3 : 330,90 ton bulan 4 : 330,83 ton

17. Running program 17

Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 64; testing : 29 ; forecasting : 1 MSE : 0,0000114 Hasil peramalan: bulan 1 : 330,77 ton bulan 2 : 331,01 ton bulan 3 : 330,75 ton bulan 4 : 330,87 ton

18. Running program 18

Jumlah neuron pada hidden layer 12 Fungsi aktivasi : logsig Fungsi pembelajaran : traincgb Goal : 0,0001 ; Epoch : 1000 ; Learning rate : 0,5 Jumlah iterasi : training : 51; testing : 25 ; forecasting : 1 MSE : 0,00000195 Hasil peramalan: bulan 1 : 330,75 ton bulan 2 : 330,75 ton bulan 3 : 330,75 ton bulan 4 : 330,87 ton Lampiran 2 Hasil menjalankan program prediksi produksi jagung dengan JST pada MATLAB R2010a Transfer function: logsig ; Training function: traincgb ; Goal : 0,0001 ; Epoch : 1000 Run ke- Learning rate Hidden layer Iterasi Mean Square Error Forecast tonbulan Training Testing Forecasting 1 2 3 4 1 0,1 10 77 2 2 6,17x 10-23 115546 115546 115546 115546 2 0,1 10 136 3 3 0,0000981 116634 115680 115560 115562 3 0,1 10 419 1 1 0,00000246 115720 115546 115546 115546 4 0,1 8 69 1 4 0,0000517 115951 115935 115882 115999 5 0,1 8 163 1 4 3,4x10-9 115552 115549 115546 115546 6 0,1 8 173 1 5 0,000002 115644 115647 115594 115597 7 0,1 12 92 1 4 0,00002 115859 115874 115686 115689 8 0,1 12 231 1 2 0,000000859 115648 115562 115549 115549 9 0,1 12 12 1 1 0,0000988 116514 115857 115890 115791 10 0,5 10 88 1 1 0,0000273 115818 116045 115622 115619 11 0,5 10 100 1 2 0,0000687 115546 115546 115546 115546 12 0,5 10 77 1 2 6,17 x10-23 115546 115546 115546 115546 13 0,5 8 66 1 1 0,0000485 115573 116313 115598 115600 14 0,5 8 56 1 3 0,0000993 116441 116121 115765 115737 15 0,5 8 43 1 2 0,0000242 116064 115715 115562 115561 16 0,5 12 59 1 1 0,0000531 116261 115917 115585 115577 17 0,5 12 37 1 2 0,00005 116283 115780 115637 115634 18 0,5 12 69 1 4 0,0000993 115946 115926 116226 116218 Lampiran 15 Hasil menjalankan program prediksi permintaan tepung jagung dengan JST pada MATLAB R2010a Transfer function: logsig ; Training function: traincgb ; Goal : 0,0001 ; Epoch : 1000 Run ke- Learning rate Hidden layer Iterasi Mean Square Error Forecast tonbulan Training Testing Forecasting 1 2 3 4 1 0,1 10 42 23 1 0,0000286 330,94 330,8 331,04 331,04 2 0,1 10 51 16 4 8,21x10-12 330,75 330,75 330,75 330,75 3 0,1 10 55 14 1 0,0000496 331,35 330,76 330,77 330,76 4 0,1 8 42 28 3 0,0000889 330,89 330,77 331,54 330,78 5 0,1 8 66 20 1 6,86 x 10-9 330,75 330,76 330,75 330,75 6 0,1 8 54 20 1 8,13 x 10-8 330,77 330,75 330,75 330,75 7 0,1 12 42 23 1 0,0000286 330,94 330,8 331,04 331,04 8 0,1 12 54 22 2 5,58 x 10-36 330,75 330,75 330,75 330,75 9 0,1 12 42 28 3 0,0000889 330,89 330,77 331,54 330,78 10 0,5 10 38 21 2 1,03 x 10-13 330,75 330,75 330,75 330,75 11 0,5 10 4 20 3 0,00000464 330,76 330,76 330,93 330,75 12 0,5 10 48 14 1 0,0000966 330,75 331,18 330,83 331,46 13 0,5 8 40 24 1 0,0000292 330,88 331,02 330,95 331,04 14 0,5 8 29 22 5 0,00000363 330,76 330,8 330,76 330,9 15 0,5 8 61 30 2 2,89 x 10-83 330,75 331,75 330,75 330,75 16 0,5 12 40 12 1 0,0000553 330,93 331,33 330,9 330,83 17 0,5 12 64 29 1 0,0000114 330,77 331,01 330,75 330,87 18 0,5 12 51 25 1 0,00000195 330,75 330,75 330,75 330,87 ABSTRACT DORINA HETHARIA . A Design of Corn Flour Supply Model in A Corn Supply Chain . Supervised by M. SYAMSUL MA’ARIF, YANDRA ARKEMAN, and TITI CANDRA S. Corn flour as one of the types of products made from corn is an intermediate product. This product is a product that can be consumed directly, can also be used as raw materials of food industry, raw material of feed industry, and raw material of other industries. Corn flour industry is a part of the corn supply chain. The structure of the corn supply chain consists of the centers of corn, traders or collectors, corn flour industry, and users. In the supply chain, the corn flour industry is quite a role as an industry that provides the raw material for food industry, feed industry and other processed industry continuity. To ensure the continuity of the flow of goods in the supply chain, the industry needs to provide the quantity of cornflour with good quality according to consumer demand. As an industry that provided corn flour, it needed to obtain supplies of dry shelled corn from corn gatherers or corn traders. Provision of quantity and quality supply of corn from the centers of corn and collectors were very influential on the corn flour that produced by the corn flour industry. The quantity and the quality of products according to demand be supplied by the corn flour industry. This research was intended to design model that provided the quantity and the quality of corn flour to meet consumer demand. This model consists the prediction of maize production model, the shelled corn quality classification model, the corn flour quality clustering model, and the prediction of corn flour consumers demand model. Artificial neural networks and statistical forecasting methods were used for the prediction of maize production and the prediction of corn flour demand. Fuzzy inference system was used for the shelled corn quality classification and the corn flour quality clustering. Analysis of the implementation of the model produced some policies to ensure the continuity of the flow of goods in the corn supply chain. Keywords: corn flour industry, artificial neural network, prediction model, fuzzy inference system, classification model 1 PENDAHULUAN

1.1 Latar Belakang

Rantai pasok supply chain merupakan jaringan perusahaan-perusahaan yang secara bersama-sama bekerja untuk menciptakan dan menghantarkan suatu produk ke tangan pemakai akhir Pujawan, 2005. Perusahaan-perusahaan tersebut merupakan mata rantai dalam rantai pasok, mencakup pemasok, pabrik, distributor, ritel, dan perusahaan-perusahaan pendukung. Hubungan antar mata rantai yang ada didalam rantai pasok dapat dilihat sebagai elemen-elemen yang saling mendukung, saling memberikan kontribusi bagi kepuasan konsumen akhir. Perlu adanya koordinasi dan kolaborasi antar perusahaan pada rantai pasok karena perusahaan-perusahaan tersebut pada intinya ingin memuaskan konsumen akhir yang sama. Perusahaan-perusahaan dalam rantai pasok harus bekerjasama untuk membuat produk yang murah, mengirimkannya tepat waktu, dan dengan mutu yang memenuhi syarat. Manajemen Rantai Pasok Supply Chain Management diperlukan untuk merencanakan dan mengelola kegiatan-kegiatan dalam rantai pasok tersebut, agar tujuan untuk memuaskan konsumen dapat tercapai. Dalam pengelolaan rantai pasok terdapat tantangan-tantangan yakni kompleksitas struktur rantai pasok dan adanya ketidak-pastian. Kompleksitas manajemen rantai pasok terjadi karena melibatkan banyak pihak di dalam maupun di luar perusahaan yang memiliki kepentingan yang berbeda-beda. Ketidak-pastian yang pertama adalah ketidak- pastian permintaan, biasanya dari arah distributor atau ritel atau konsumen akhir. Ketidak-pastian kedua adalah dari arah pemasok, berupa lead time pengiriman bahan baku yang tidak pasti, ketidak-pastian harga, demikian pula jumlah dan mutu bahan baku. Rantai pasok agroindustri memiliki kekhususan dibandingkan dengan rantai pasok industri manufaktur. Berbeda dengan industri manufaktur, bahan baku dalam rantai pasok agroindustri merupakan hasil pertanian yang dipengaruhi oleh musim, kondisi alam, benih, hama, dan merupakan produk yang tidak tahan lama atau mudah rusak. Hal tersebut akan mempengaruhi ketidak-pastian jumlah dan mutu bahan baku atau produk yang dihasilkan dalam rantai pasok tersebut. Faktor ketidak-pastian ini akan mempengaruhi kontinuitas aliran barang dan keberlangsungan kegiatan-kegiatan dalam rantai pasok. Industri tepung jagung sebagai salah satu agroindustri merupakan bagian dari rantai pasok industri berbasis jagung. Industri ini menggunakan bahan baku jagung pipilan yang akan diproses menjadi tepung jagung corn flour melalui proses pengolahan cara kering. Sebagai industri antara yang memproduksi tepung jagung, industri ini akan menyediakan produk yang akan dikonsumsi langsung, dan menyediakan bahan baku bagi industri hilirnya. Struktur rantai pasok industri berbasis jagung dimanadi dalamnya terdapat industri tepung jagung, adalah sentra jagung, pengumpul, industri tepung jagung, dan industri pengguna tepung jagung. Dalam rantai pasok industri berbasis jagung, sentra jagung merupakan mata rantai yang menyediakan jagung yang diproduksi oleh petani. Produk jagung ini akan dipipil menjadi jagung pipilan dan akan dikumpulkan oleh pengumpul atau pedagang sebagai mata rantai berikutnya. Selanjutnya jagung pipilan tersebut akan dipasok sebagai bahan baku ke mata rantai selanjutnya yaitu industri tepung jagung. Mata rantai setelah industri tepung jagung adalah industri pengguna tepung jagung yang akan memperoleh pasokan bahan baku dari industri tepung jagung. Model konfigurasi industri tepung jagung dalam rantai pasok berbasis jagung dapat dilihat pada Gambar 1. Industri tepung jagung Industri tepung jagung Sentra jagung 1 Sentra jagung 1 Sentra jagung ke-k Sentra jagung ke-k Sentra jagung 3 Sentra jagung 3 Sentra jagung 2 Sentra jagung 2 Pengumpul Pengumpul Pengumpul Pengumpul Pengumpul Pengumpul Pengumpul Pengumpul Industri pengguna tepung jagung Industri pengguna tepung jagung Gambar 1 Konfigurasi industri tepung jagung pada rantai pasok industri berbasis jagung. Jumlah dan mutu tepung jagung yang diproduksi industri ini tergantung dari jumlah dan mutu bahan baku berupa jagung pipilan yang diperoleh dari pengumpul. Sedangkan jumlah dan mutu jagung pipilan tergantung dari produksi jagung di tingkat petani. Dapat dikatakan bahwa penyediaan jumlah dan mutu tepung jagung untuk memenuhi permintaan konsumen tergantung dari produksi jagung. Produksi jagung di Indonesia semakin tahun semakin meningkat. Hal ini dapat dilihat dari data produksi, luas panen, dan produktivitas jagung sejak tahun 2000 sampai dengan 2009 seperti ditunjukkan pada Tabel 1. Namun peningkatan produksi jagung di Indonesia belum diikuti dengan penanganan pasca panen yang baik. Informasi tentang kegiatan dan penanganan pasca panen kepada petani masih sangat kurang sehingga petani belum dapat merasakan nilai tambah dengan meningkatnya mutu biji jagung. Demikian pula penerapan teknologi produksi jagung di tingkat petani masih belum optimal. Tabel 1 Produksi, luas panen, dan produktivitas jagung di Indonesia Tahun Produksi Luas Panen Produktivitas Ton Ha KuHa 2000 9,676,899.00 3,500,318.00 27.65 2001 9,347,192.00 3,285,866.00 28.45 2002 9,585,277.00 3,109,448.00 30.83 2003 10,886,442.00 3,358,511.00 32.41 2004 11,225,243.00 3,356,914.00 33.44 2005 12,523,894.00 3,625,987.00 33.44 2006 11,609,463.00 3,345,805.00 34.70 2007 13,287,527.00 3,630,324.00 36.60 2008 16,323,922.00 4,003,313.00 40.78 2009 16,478,239.00 4,009,179.00 41.10 Sumber : Departemen Pertanian 2010 Bila dibandingkan dengan negara produsen jagung lainnya di dunia, produksi jagung di Indonesia masih jauh tertinggal. Tabel 2 menunjukkan bahwa produktivitas usaha tani jagung di Indonesia baru mencapai setengah dibandingkan dengan Argentina dan MEE, bahkan hampir mencapai sepertiga bila dibandingkan dengan Amerika Serikat. Tabel 2 juga menunjukkan bahwa rerata produktivitas jagung Indonesia sebesar 3,21 tonha masih dibawah rerata produktivitas jagung dunia yaitu 4,53 tonha. Produktivitas jagung yang rendah di Indonesia mengakibatkan kebutuhan bahan baku bagi industri pengolahan jagung masih belum dapat dipenuhi oleh petani lokal. Hal ini mengakibatkan dibutuhkannya impor jagung sebagai bahan baku industri dari negara produsen jagung lainnya. Tabel 3 dan Tabel 4 menunjukkan bahwa volume ekpor jagung oleh Indonesia ke negara luar pada tahun 2006 sebanyak 29164,424 ton dengan nilai 4,674,364.00, sedangkan volume impor jagung pada tahun yang sama mencapai 2327947,861 ton dengan nilai 353,847,975.00. Tabel 2 Produktivitas jagung di beberapa negara produsen jagung dunia Tahun Produktivitas tonha Dunia USA Argentina MEE Indonesia 1998 4,42 8,44 6,08 5,63 2,65 1999 4,38 8,4 5,37 6,28 2,66 2000 4,27 859 5,43 5,09 2,77 2001 4,42 8,67 5,45 6,16 2,85 2002 4,37 8,16 6,52 6,24 3,09 2003 4,47 8,92 6,48 5,03 3,25 2004 4,59 9 6,5 6,04 3,34 2005 4,65 9,12 6,71 6,12 3,45 2006 4,65 8,97 6,3 5,88 3,47 2007 4,76 9,31 6,66 6,2 3,66 2008 4,82 9,66 7,56 6,48 4,08 Rerata 4,53 8,84 6,28 5,92 3,21 Sumber: USDA 2008 Dari berbagai jenis produk yang dapat dihasilkan komoditi jagung ini, tepung jagung merupakan jenis produk yang cukup penting. Hal ini karena tepung jagung merupakan produk antara multiguna yang dapat dijadikan sebagai bahan baku industri pangan, bahan baku pakan, dan sebagai bahan baku industri lainnya. Pengelolaan industri tepung jagung ini tidak terlepas dari rantai pasok industri berbasis jagung. Penyediaan jumlah dan mutu pasokan jagung mulai dari petani dan pengumpul sangat berpengaruh terhadap jumlah dan mutu tepung jagung yang diproduksi. Selanjutnya jumlah dan mutu tepung jagung sebagai bahan baku akan berpengaruh pada jumlah dan mutu produk pada industri hilirnya. Jumlah dan mutu bahan baku jagung yang tiba di industri, dipengaruhi pula oleh transportasi bahan baku tersebut dari tempat asal ke tempat tujuannya. Waktu transportasi akan mempengaruhi mutu bahan baku karena bahan baku tersebut merupakan produk yang tidak tahan lama. Tabel 3 Volume ekspor jagung ke negara luar tahun 2006 Negara Jumlah Volume Kg Nilai US Japan 5,843,305.00 1,523,732.00 Hong Kong 152,344.00 22,621.00 Korea, Republic Of 540,144.00 43,048.00 Taiwan, Province Of China 25,779.00 39,334.00 Thailand 1,341.00 2,690.00 Singapore 325,000.00 99,445.00 Philippines 17,624,066.00 2,158,606.00 Malaysia 4,129,642.00 480,197.00 Viet Nam 9,035.00 8,116.00 India 500,000.00 277,500.00 Pakistan 250.00 2,592.00 Saudi Arabia 2,240.00 2,690.00 South Africa 5,042.00 7,596.00 American Samoa 2,206.00 2,269.00 Tonga 3,930.00 3,878.00 France 100.00 50.00 Total 29,164,424.00 4,674,364.00 Sumber: BPS 2011, diolah Data ekspor impor jagung menunjukkan bahwa Indonesia masih mengimpor jagung untuk memenuhi kebutuhan dalam negeri. Hal ini mengindikasikan bahwa kemungkinan terdapat kekurangan jumlah jagung pipilan sebagai bahan baku industri tepung jagung. Tabel 4 Volume impor jagung dari negara luar tahun 2006 Sumber: BPS 2011, diolah Negara Jumlah Volume Kg Nilai US Japan 100,959.00 193,953.00 Hong Kong 45.00 39.00 Korea, Republic Of 13,077,367.00 3,890,391.00 Taiwan, Province Of China 180,569.00 54,409.00 China 30,935,756.00 8,570,924.00 Thailand 41,681,113.00 8,219,919.00 Singapore 817,264.00 365,620.00 Philippines 1,126.00 7,040.00 Malaysia 2,029,704.00 609,803.00 Myanmar form Burma 19,362,402.00 3,015,870.00 India 20,186,598.00 3,462,683.00 South Africa 20,000.00 6,000.00 Australia 644.00 1,287.00 United States 1,605,024,200.00 238,823,965.00 Argentina 591,706,985.00 85,704,495.00 United Kingdom 225.00 3,226.00 Netherlands 79,019.00 37,087.00 France 501,777.00 163,727.00 Germany, Fed. Rep. Of 682,525.00 244,097.00 Italy 1,515,583.00 438,680.00 Spain 44,000.00 34,760.00 Total 2,327,947,861.00 353,847,975.00 Selain jumlah bahan baku, mutu tepung jagung pun harus memenuhi standar yang ditetapkan, agar dapat memuaskan konsumennya dan dapat bersaing. Mutu produk merupakan hal yang diutamakan dalam industri. Dalam agroindustri terutama yang memproduksi pangan atau bahan baku indutri pangan, mutu produk sangat erat kaitannya dengan keamanan pangan. Standar Nasional Indonesia telah menetapkan syarat mutu tepung jagung yang harus dipenuhi oleh produsen tepung jagung yakni SNI 01-3727-1995. Syarat mutu tersebut meliputi kriteria-kriteria uji secara fisik maupun kimia. Mutu tepung jagung sebagai produk antara dipengaruhi oleh mutu bahan baku dan oleh tahapan-tahapan pada proses sebelumnya. Demikian pula mutu jagung pipilan sebagai bahan baku tepung jagung harus memenuhi standar mutu yang ditetapkan sesuai SNI 01-3920-1995 . Mutu jagung pipilan yang memenuhi standar akan menjamin mutu tepung jagung yang diproduksi. Karakteristik mutu tepung jagung sebagai bahan baku pada industri hilir sangat diperlukan untuk menjamin mutu produk yang dihasilkan industri tersebut, dimana karakteristik mutu tepung jagung yang dibutuhkan oleh industri hilir berbeda-beda sesuai jenis industri, baik industri pangan, atau industri lainnya. Masalah yang dihadapi oleh industri tepung jagung adalah bagaimana industri ini dapat memenuhi kebutuhan konsumennya yaitu dengan menyediakan produk tepung jagung menurut jumlah yang dibutuhkan dan mutu yang memenuhi syarat. Jumlah dan mutu produk yang disediakan industri ini diperlukan untuk memenuhi kebutuhan industri pangan, industri farmasi, dan industri lainnya. Dengan demikian diharapkan keberlangsungan kegiatan dan kontinuitas aliran barang sepanjang rantai pasok dapat berjalan dengan baik.

1.2 Tujuan Penelitian

Tujuan penelitian adalah dihasilkannya model penyediaan tepung jagung pada rantai pasok industri berbasis jagung, ditinjau dari jumlah maupun mutu tepung jagung. Dari model ini diharapkan akan diperoleh kebijakan-kebijakan untuk mengatasi permasalahan yang terjadi berkenaan dengan jumlah dan mutu bahan baku dan produk tepung jagung.

1.3 Ruang Lingkup Penelitian

Rancangbangun model meliputi beberapa model yaitu: 1 Model prediksi produksi jagung, dimana pada model ini akan diramalkan berapa jumlah produksi yang dihasilkan oleh sentra jagung; 2 Model pengelompokan mutu jagung pipilan, yang akan menghasilkan kelompok mutu berdasarkan persyaratan mutu yang ditetapkan; 3 Model pengelompokan mutu tepung jagung dan 4 Model prediksi permintaan tepung jagung, dimana akan diramalkan permintaan tepung jagung oleh industri pengguna tepung jagung.

1.4 Manfaat Penelitian

Manfaat yang diharapkan dari penelitian ini adalah sebagai berikut, 1. Rancangbangun model penyediaan tepung jagung pada rantai pasok industri berbasis jagung ini dapat digunakan sebagai bahan analisis ketersediaan jumlah dan mutu tepung jagung yang dibutuhkan. 2. Sebagai bahan rujukan bagi penelitian tentang pengembangan model pada rantai pasok industri berbasis jagung dalam cakupan yang lain. 2 TINJAUAN PUSTAKA

2.1 Jagung

Tanaman jagung Zea mays L. merupakan tanaman yang berasal dari Amerika dan merupakan salah satu tanaman pangan biji-bijian. Fakta arkeologi mengindikasikan bahwa tanaman ini tumbuh di Tehuacan Mexico sekitar 5000 tahun sebelum masehi Johnson 2000. Dari tempat ini tanaman tersebut menyebar ke Canada dan Selatan Argentina. Sejak Christopher Columbus dalam perjalanannya menemukan ‘dunia baru’ pada tahun 1492 makanan orang Amerika asli ini disebut ‘mahyz’. Jagung kemudian dikenal sebagai maize dalam terjemahan bahasa Spanyol. Maize tidak sepopuler corn sebagai sebutan oleh orang Amerika dengan terminologi British. Mengikuti perjalanan Columbus, jagung kemudian ditanam di Spanyol dan dengan cepat menyebar ke Eropa, Afrika dan Asia. Jagung kini banyak tumbuh di negara-negara beriklim panas termasuk Indonesia. Tanaman jagung merupakan varietas unggul yang memiliki sifat: berproduksi tinggi, berumur pendek, tahan serangan penyakit. Jagung merupakan tanaman semusim annual. Satu siklus hidupnya diselesaikan dalam 80-150 hari. Tanaman jagung merupakan tanaman pangan dunia yang terpenting yang bermanfaat bagi kehidupan manusia dan hewan. Selain gandum dan padi, jagung merupakan sumber karbohidrat utama di Amerika Tengah dan Selatan, jagung juga menjadi alternatif sumber pangan di Amerika Serikat. Sebagai sumber karbohidrat, jagung merupakan tanaman pangan yang cukup penting selain gandum dan padi. Komoditi ini merupakan sumber pangan yang dapat menggantikan beras sebagai bahan makanan pokok di Indonesia. Beberapa daerah di Indonesia seperti Madura dan Nusa Tenggara menggunakan jagung sebagai pangan pokok bagi penduduknya. Selain sebagai bahan makanan pokok, jagung juga merupakan bahan baku industri pangan, industri pakan dan industri olahan lainnya. Banyak sekali manfaat tanaman jagung yang bernilai ekonomis antara lain, daunnya sebagai pakan dan kompos, kulit buah jagung sebagai bahan pakan, kompos dan industri rokok, jagung muda sebagai sayuran, jagung pipilan sebagai bahan baku pembuatan tepung jagung, pati jagung, bahan industri pangan, bahan baku minyak jagung, etanol, dextrin, dan bahan baku industri lainnya. Di Indonesia biji jagung pipilan sebagai produk utama dari tanaman jagung, 50 digunakan sebagai bahan baku baku utama industri pakan, selebihnya digunakan sebagai bahan baku industri lain dan dikonsumsi langsung. Gambar 2 Pohon industri jagung Suryana Hermanto 2007. Di Indonesia, daerah-daerah penghasil utama tanaman jagung adalah Jawa Tengah, Jawa Timur, Madura, D.I. Yogyakarta, Nusa Tenggara Timur, Sulawesi Utara, Sulawesi Selatan, dan Maluku. Budidaya tanaman jagung sangat intensif dilakukan di dareah Jawa Timur dan Madura karena kondisi tanah dan iklimnya sangat mendukung bagi pertumbuhannya. Penduduk beberapa daerah di Indonesia seperti di Madura dan Nusa Tenggara juga menggunakan jagung sebagai pangan pokok. Meskipun terjadi peningkatan produktivitas jagung dari tahun ke tahun seperti yang ditunjukkan pada Tabel 1, namun kebutuhan jagung di dalam negeri belum dapat dipenuhi. Hal ini ditunjukkan dengan jumlah volume impor jagung yang melebihi ekspornya keluar negeri. Data ini belum didukung data kebutuhan bahan baku bagi industri pengolahan jagung baik pengolahan jagung untuk makanan, maupun industri lainnya. Hal ini juga mengindikasikan bahwa pengelolaan penanaman jagung belum optimal dan belum terintegrasi dengan kebutuhan bahan baku bagi industri pengolahan jagung. Semua bagian dari hasil panen jagung dapat digunakan untuk berbagai industri. Diantara industri-industri tersebut, yang menarik untuk dikaji lebih lanjut dalam penelitian ini adalah industri tepung jagung, dimana dalam proses pengolahan tepung jagung. Sebagai industri hilirnya adalah industri pangan, pakan, dan industri pengolahan jagung lainnya. Sebagai sumber pati jagung, pada Gambar 3 diperlihatkan penampang butir jagung yang menunjukkan kandungan pati starch yang cukup banyak dibandingkan dengan komponen biji jagung lainnya. Gambar 3 Penampang membujur butir jagung Disnak Jatim 2011. Tabel 5 menunjukkan komposisi analisis proksimat biji jagung pada pericrap, endosperm dan germ. Biji jagung kaya akan karbohidrat. Sebagian besar berada pada endospermium. Kandungan karbohidrat dapat mencapai 80 dari seluruh bahan kering biji. Karbohidrat dalam bentuk pati umumnya berupa campuran amilosa dan amilopektin. Pada jagung ketan, sebagian besar atau seluruh patinya merupakan amilopektin. Perbedaan ini tidak banyak berpengaruh pada kandungan gizi, tetapi lebih berarti dalam pengolahan sebagai bahan pangan. Jagung manis tidak mampu memproduksi pati sehingga bijinya terasa lebih manis ketika masih muda. Tabel 5 Komposisi analisis proksimat bagian biji jagung Nutrisi Pericarp Endosperm Germ Protein 3.70 8.00 18.40 Ether extract 1.00 0.80 33.20 Serat kasar 86.70 2.70 8.80 Abu 0.80 0.30 10.50 Pati 7.30 87.60 8.30 Gula 0.34 0.62 10.80 Sumber : FAO Corporate Document Repository 1992 Proses pengolahan jagung diklasifikasikan atas dua cara yaitu proses pengolahan cara basah corn wet milling process dan proses pengolahan cara kering corn dry milling process. Kedua proses pengolahan ini bertujuan untuk memisahkan biji jagung ke dalam komponen-komponennya. Tujuan dari proses pengolahan cara kering adalah memisahkan biji jagung secara fisik ke dalam bagian-bagian anatomis yaitu endosperm, bran dan germ. Sedangkan tujuan proses pengolahan cara basah adalah memisahkan biji jagung ke dalam unsur- unsur kimianya seperti pati jagung starch, protein, fiber dan minyak Johnson 2000.

2.2 Tepung Jagung

Saat ini kebutuhan bahan baku industri pangan sangat tergantung dari tepung terigu yang masih diimpor. Salah satu pengganti tepung terigu yang berbahan baku lokal adalah tepung jagung. Tepung jagung adalah butiran-butiran